palette
بررسي شاخص‌هاي طیفی به‌منظور شناسایی بيماري‌های زنگ زرد و قهوه‌اي در مدل تاج‌پوشش
داوود عاشورلو, حسین عقیقی, علی‌اکبر متکان, حامد نعمت‌اللهی

چکیده
بیماری‌های زنگ زرد و قهوه‌ای گندم ازجمله مهم‌ترین بیماری‌های غلات در ایران و سایر کشورهای دنیا محسوب می‌شوند که سالیانه خسارات جبران‌ناپذیری را به اقتصاد کشاورزی وارد می‌کنند و در اغلب موارد، هم‌زمان رخ می‌دهند. بنابراین در این تحقیق، اثر بیماری‌های زنگ زرد و قهوه‌ای گندم در بازتابندگی برگ، با استفاده از شاخص‌های طیفی در مدل تاج‌پوشش، بررسی شد. بدین‌منظور، شاخص‌های گوناگون پوشش گیاهی استخراج‌شده از طیف برگ بیمار ارزیابی شدند. برای این کار، میزان گسترش بیماری‌های زنگ زرد و قهوه‌ای سطح برگ و درجات متفاوت آنها، با استفاده از دوربین دیجیتال و الگوریتم چندمرحله‌ای شامل تبدیلات رنگ، تهیة ماسک، استفاده از بافت و طبقه‌بندی حداکثر احتمال، استخراج شد. همچنین نتایج نشان داد، با افزایش نسبت سطح بیمار برگ، مقادیر عددی شاخص‌ها تغییر می‌کند؛ درحالی‌که پراکندگی داده‌ها به‌صورت کاملاً مشخصی افزایش می‌یابد. بيشترين ميزان همبستگي براي شاخص NDVI برابر با 9/0و حداقل در شاخص حداكثر شيب قرمز برابر با 2/0 است. با ارائة معیار همانندی، دامنة تغییرات و نیز پراکندگی درون‌کلاسی، روابط طیف و بیماری بررسی و مشخص شد که با گسترش بیماری، معیارهای مورد اشاره تغيير می‌یابند. اگرچه در بیماری زنگ زرد این تغییرات دیده نمی‌شود، در شاخص‌های گوناگون طیفی با افزایش میزان بیماری، اختلاط طیفی در بخش‌های متفاوت زرد، نارنجی، قهوه‌ای و مردة گیاه دلیلی بر پراکندگی داده‌ها با گسترش بیماری محسوب می‌شود.
واژگان کلیدی
شناسایی بیماری، داده‌های طیف‌سنجی، مدل تاج‌پوشش، شاخص باریک باند پوشش گیاهی، زنگ زرد و قهوه‌ای گندم

منابع و مآخذ مقاله

جعفرپور، بهروز؛ بیک‌زاده، ناصر؛ 1389. مدیریت بیماریها و آفات گندم“، انتشارات جهاد دانشگاهی مشهد.

Ashourloo, D., Mobasheri, M.R. & Huete, A., 2014a, Evaluating the Effect of Different Wheat Rust Disease Symptoms on Vegetation Indices Using Hyperspectral Measurements, Remote Sensing, 6, PP. 5107-5123.

Ashourloo, D., Mobasheri, M.R. & Huete, A., 2014b, Developing Two Spectral Disease Indices for Detection of Wheat Leaf Rust (Pucciniatriticina), Remote Sensing, 6, PP. 4723-4740.

Ashourloo, D., Aghighi, H., Matkan, A.A., Mobasheri, M.R. & Rad, A.M., 2016a, An Investigation into Machine Learning Regression Techniques for the Leaf Rust Disease Detection Using Hyperspectral Measurement, IEEE J. Sel. Top. Appl. Earth Observ., Remote Sensing, 9, PP. 4344-4351.

Ashourloo, D., Matkan, A.A., Huete, A., Aghighi, H. & Mobasheri, M.R., 2016b, Developing an Index for Detection and Identification of Disease Stages, IEEE Geoscience and Remote Sensing Letters, 13(6), PP. 851-855.

Adams, M.L., Philpot, W.D. & Norvell, W.A., 1999, Yellowness Index: An Application of Spectral Second Derivatives to Estimate Chlorosis of Leaves in Stressed Vegetation, International Journal of Remote Sensing, 20, PP. 3663-3675.

Broge, N.H. & Leblanc, E., 2001, Comparing Prediction Power and Stability of Broadband and Hyperspectral Vegetation Indices for Estimation of Green Leaf Area Index and Canopy Chlorophyll Density, Remote Sensing of Environment, 76, PP. 156-172.

Cheng, Z., Rui-liang, P., Ji-hua, W. & Wen-jiang., 2012, Detecting Powdery Mildew of Winter Wheat Using Leaf Level Hyperspectral Measurements, Computers and Electronics in Agriculture, 85, PP. 13-23.

Devadas, R., Lamb, D.W., Simpfendorfer, S. & Backhouse, D., 2009, Evaluating Ten Spectral Vegetation Indices for Identifying Rust Infection in Individual Wheat Leaves, Precision Agriculture, 10, PP. 459-470.

Filella, I.; Serrano, L.; Serra, J.; Penuelas, J. 1995 “Evaluating wheat nitrogen status with canopy reflectance indices and discriminant analysis,” Crop Sci., vol.35, pp.1400-1405.

Galvão, L.S., Formaggio, A.R. & Tisot, D.A., 2005, Discrimination of Sugarcane Varieties in Southeastern Brazil with EO-1 Hyperion Data, Remote Sensing of Environment, 94, PP. 523-534.

Gail Ruhl., 2012, http://www.btny.purdue.edu/ Extension/Pathology/CropDiseases/Wheat/Wheat1.html.

Gamon, J.A.; Penuelas, J.; Field, C.B. 1992 “A narrow-waveband spectral index that tracks diurnal changes in photosynthetic efficiency,” Remote Sens. Environ.,vol. 41, pp.35-44.

Gong, P., Pu, R. & Heald, R.C., 2002, Analysis of in Situ Hyperspectral Data for Nutrient Estimation of Giant Sequoia, International Journal of Remote Sensing, 23, PP. 1827-1850.

Haboudane, D., Miller, J.R., Pattery, E., Zarco-Tejad, P.J. & Strachan, I.B., 2004, Hyperspectral Vegetation Indices and Novel Algorithms for Predicting Green LAI of Crop Canopies: Modeling and Validation in the Context of Precision Agriculture, Remote Sensing Environment, 90, PP. 337-352.

Hansen, J.G., 1991, Use of Multispectral Radiometry in Wheat Yellow Rust Experiments, OEPP/EPPO Bulletin, 21, PP. 651-658.

Haralick, R.M. & Shanmugam, K., 1973, Computer Classification of Reservoir Sandstones, IEEE Trans. on Geo. Eng, 11, PP. 171-177.

Hiary, A.S., Bani-Ahmad, M., Reyalat, M.B. & ALRahamneh, Z., 2011, Fast and Accurate Detection and Classification of Plant Diseases, International Journal of Computer Applications, 17, PP. 31-38.

Jonas Franke, Gunter Menz, Erich-Christian Oerke., 2005 “Comparison of multi- and hyperspectral imaging data of leaf rust infected wheat plants,” SPIE vol.5976-59761D.

Kuniaki, U., Takabayashi, Y. & Kosugi, Y., 2008, Hyperspectral Analysis of Japanese Oak Wilt to Determine Normalized Wilt Index, In Proceedings of 2008 IEEE International Geoscience & Remote Sensing Symposium, Boston, MA, USA, 6-11 July 2008, 2, PP. 295-298.

Laudien, R., Bareth, G. & Doluschitz, R., 2003, Analysis of Hyperspectral Field Data for Detection of Sugar Beet Diseases, Proc. EFITA Conf. 2003. Debrecen, Hungary, PP. 375-381.

Li, G. B., Zeng, S. M., & Li, Z. Q. 1989. Integrated Management of Wheat Pests (pp. 185– 186). Beijing: Press of Agriculture Science and Technology of China.

Michael, P., Grisham, R., Johnson, M.V. & Zimba, P., 2010, Detecting Sugarcane Yellow Leaf Virus Infection In Asymptomatic Leaves With Hyperspectral Remote Sensing And Associated Leaf, Journal of Virological Methods, 167, PP. 140-145.

Moshou, D., Bravo, C., West, J.S, McCartney, W.S. & Ramon, H.A., 2007, Automatic Detection of Yellow Rust' in Wheat Using Reflectance Measurements and Neural Networks, Computers and Electronics in Agriculture, 44, PP. 173-188.

Peñuelas, J.; Pinol, J.; Ogaya, R.; Filella, I. 1997 “Estimation of plant water concen-tration by the reflectance water index WI (R900/R970) ,” Int. J. Remote Sens., vol. 18, pp.2869-2875

Rinehart, G.L., Cathoun, J.H. & Schabbenberger, O., 2002, Remote Sensing of Stripe Patch and Dollar Spot on Creeping Bentgrass and Annual Bluegrass Turf Using Visible and Near-infrared Spectroscopy, Australian Turfgrass Management, Vol. 4.2.

Rumpf, T., Mahlein, A.K., Steiner, U., Oerke, E.C., Dehne, H.W. & Plümer, L., 2010, Early Detection and Classification of Plant Diseases with Support Vector Machines Based on Hyperspectral Reflectance, Computers and Electronics in Agriculture, 74, PP. 91-99.

Rouse, J.W., Haas, R.H., Schell, J.A. & Deering, D.W., 1973, Monitoring Vegetation Systems in the Great Plains with ERTS, Proc. Third ERTS Symposium, 1, PP. 48-62.

Sasaki, Y., Okamoto, T., Imou, K. & Torii, T., 1999, Generating of Distinction Parameter for Automatic Diagnosis of Plant Disease by GP, Journal of the Japanese Society of Agricultural Machinery, 61, PP. 73-80.

Wenjiang, H., Lamb, D.W., Zheng, N., Yongjiang, Z., Liangyun, L. & Jihua, W., 2007, Identification of Yellow Rust in Wheat Using in-Situ Spectral Reflectance Measurements and Airborne Hyperspectral Imaging, Precision Agriculture, 8, PP. 187-197.

Yang, Z., Rao, M. N., Elliott, N. C., Kindler, S. D., & Popham, T. W. 2009. Differentiating stress induced by greenbugs and Russian wheat aphids in wheat using remote sensing. Computers and Electronics in Agriculture, 67, 64–70.

Zhang, J.; Pu, R.; Huang, W.; Yuan, L.; Luo, J.; Wang, J. 2012 “Using in-situ hyperspectral data for detecting and discriminating yellow rust disease from nutrient stresses,” Field Crops Res.,vol.134, pp. 165–174.


ارجاعات
  • در حال حاضر ارجاعی نیست.