Аннотация:Основанные на явлении индукции флуоресценции хлорофилла a методы определения эффективности первичных процессов фотосинтеза широко применяются в экологическом мониторинге, агро- и биотехнологии уже несколько десятилетий. Современные автоматизированные флуориметры позволяют проводить непрерывный контроль состояния фотосинтетического аппарата (ФСА) исследуемых объектов – популяций микроводорослей, отдельных высших растений и их сообществ – в течение длительного времени. Это открывает широкие возможности для анализа динамики ответа ФСА на действие факторов внешней среды. Поскольку состояние ФСА определяется действием комплекса многих факторов, то выявление роли отдельных факторов в наблюдаемом ответе представляет собой нетривиальную задачу.Нами предложены новые экспериментальные протоколы, использование которых в сочетании с современными методами анализа данных позволяет более точно (по сравнению с классическим JIP-тестом) выявлять поврежденные участки электрон-транспортной цепи (ЭТЦ). Так, регистрация начального (OJ) участка кинетикой кривой индукции флуоресценции при различающихся в несколько раз интенсивностях возбуждающего света позволяет разделить эффекты, связанные с изменением сечения поглощения светособирающей антенны и с эффективностью работы кислород-выделяющего комплекса. Метод спектральной мультиэкспоненциальной аппроксимации позволяет определить характерные времена отдельных процессов, а использование математической модели ЭТЦ даёт возможность сопоставить эти характерные времена со скоростями элементарных реакций в ФСА.Важной с точки зрения практического применения является задача предсказания будущей динамики изменения функционального состояния ФСА по результатам мониторинга. Это позволит оперативно предпринимать корректирующие меры – вносить удобрения, изменять режим освещения растений в теплицах либо культур микроводорослей в фотобиореакторах, в очистных сооружениях и иных культивационных системах. Несмотря на существенный прогресс в понимании механизмов действия факторов среды на ФСА, далеко не все механизмы изучены на достаточном уровне. Для решения прикладных задач могут применяться феноменологические модели, использующие методы машинного обучения (искусственные нейронные сети, алгоритм случайного леса и др.). Входными данными для таких моделей являются временные ряды, содержащие данные об активности отдельных компонентов ЭТЦ, оптических свойствах исследуемых объектах, а также метеорологическую, гидрофизическую и гидрохимическую информацию.