تشخیص زودهنگام بیماری آتشک درختان میوه دانه‌دار با استفاده از طیف‌سنجی مرئی- مادون قرمز و نزدیک و روش‌های کاهش ابعاد

ماشین های کشاورزی

مقاله 4، دوره 10، شماره 1 - شماره پیاپی 19، 1399، صفحه 37-48   

نوع مقاله: مقاله پژوهشی انگلیسی

شناسه دیجیتال (DOI): 10.22067/jam.v10i1.71911

نویسندگان

نیکروز باقری^{* 1}؛ حسنی محمدی منور²

¹مؤسسه تحقیقات فنی و مهندسی کشاورزی، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران

²گروه مهندسی بیوسیستم، دانشکده مهندسی کشاورزی، دانشگاه بوعلی سینا، همدان، ایران

چکیده

بیماری آتشک یکی از مخرّب‌ترین بیماری باکتریایی درختان میوه دانه‌داردر سراسر جهان است. در سال‌های اخیر، طیف‌سنجی به‌عنوان یک روش دقیق و زمان واقعی برای تشخیص بیماری‌های گیاهی شناخته شده است. بنابراین، هدف اصلی این پژوهش تشخیص بیماری آتشک درختان گلابی در مراحل اولیه آلودگی با استفاده از طیف‌سنجی مرئی و مادون قرمز نزدیک است. برای دستیابی به این هدف، طیف بازتابی برگ‌های سالم، برگ‌های شبه‌بیمار و برگ‌های بیمار در محدوده طیفی نور مرئی و مادون قرمز نزدیک اندازه‌گیری شد. به منظور حفظ اطلاعات مهم طیفی و همچنین کاهش ابعاد داده‌ها، روش‌های مختلف خطی و غیرخطی مانند تجزیه و تحلیل PCA، نقشه‌برداری سامون و روش اتوکودر چندلایه (MAE) مورد استفاده قرار گرفت. خروجی روش‌های مذکور به‌عنوان ورودی برای روش طبقه‌بندی SIMCA با هدف تفکیک برگ سالم، بیمار و شبه‌بیمار به‌کار رفت. بر اساس نتایج، بهترین طبقه‌بندی با استفاده از روش PCA در طیف مشتقی، با دقت 8/95، 3/89 و 6/91 درصد به‌ترتیب برای نمونه‌های سالم، شبه‌بیمار و بیمار به‌دست آمد. این نتایج توانایی روش‌های یادگیری چندمنظوره را برای تشخیص زودهنگام بیماری آتشک با استفاده از طیف‌سنجی تأیید می‌کند.

کلیدواژه‌ها

بیماری آتشک؛ تشخیص زودهنگام؛ طبقه بندی؛ طیف سنجی؛ مادون قرمز نزدیک

مراجع

1. Bagheri, N. Mohamadi-Monavar, H. Azizi, A. Ghasemi, A. 2018. Detection of Fire Blight disease in pear trees by hyperspectral data. European Journal of Remote Sensing 51 (1): 1-10.

2. Baranowski, P., W. Mazurek, J. Wozniak, and U. Majewska. 2012. Detection of early bruises of apple using hyperspectral and thermal imaging. Food Engineering 110: 345-355.

3. Barbedo, J. G. A., C. S. Tibola, and J. M. C. Fernandes. 2015. Detecting Fusarium head blight in wheat kernels using hyperspectral imaging. Biosystems Engineering 131: 65-76.

4. Barnes, R. J., M. S. Dhanoa, and S. J. Lister. 1989. Standard normal variate transformation and de-trending of near-infrared diffuse reflectance spectra. Applied Spectroscopy 43: 772-777.

5. Basri, K. N., M. N. Hussain, J. Bakar, Z. Sharif, M. F. Abdul-Khir, and A. S. Zoolfakar. 2017. Classification and quantification of palm oil adulteration via portable NIR spectroscopy. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy 173: 335-342.

6. Bravo, C., D. Moshou, J. West, A. McCartney, and H. Ramon. 2003. Early disease detection in wheat fields using spectral reflectance. Biosystems Engineering 84 (2): 137-145.

7. Cayuela, J. A., and J. F. Garcia. 2017. Sorting olive oil based on alpha-tocopherol and total tocopherol content using near-infrared spectroscopy (NIRS) analysis. Food Engineering: 1-10.

8. Delalieux, S., J. Van Aardt, W. Keulemans, E. Schrevens, and P. Coppin. 2007. Detection of biotic stress (Venturia inaequalis) in apple trees using hyperspectral data: non-parametric statistical approaches and physiological implications. European Journal of Agronomy 27 (1): 130-143.

9. DeMers, D., and G. Cottrell. 1993. Non-linear dimensionality reduction. In Advances in Neural Information Processing Systems, 5: pages 580-587, San Mateo, CA, USA, 1993. Morgan Kaufmann.

10. De Maesschalck, R., A. Candolfi, D. L. Massart, and S. Heuerding. 1999. Decision criteria for soft independent odeling of class analogy applied to near infrared data, Chemometrics and Intelligent Laboratory Systems 47: 65-77. DOI: 10.1016/S0169-7439(98)00159-2.

11. Fleiss, J. L. 1981. Statistical Methods for Rates and Proportions, second ed. Wiley-Interscience.

12. Futch, S. H., S. Weingarten, and M. Irey. 2009. Determining greening infection levels using multiple survey methods in Florida citrus. Proceedings of Florida State Horticulture Society 122: 152-157.

13. Gaucher, M., T. D. Bernonville, S. Guyot, J. F. Dat, and M. N. Brisset. 2013. Same ammo, different weapons: Enzymatic extracts from two apple genotypes with contrasted susceptibilities to fire blight (Erwinia amylovora) differentially convert phloridzin and phloretin in vitro, Plant Physiology and Biochemistry 72: 178-189.

14. Geladi, P., D. MacDougall, and H. Martens. 1985. Linearization and scatter-correction for near-infrared reflectance spectra of meat. Applied Spectroscopy 39: 491-500.

15. Ghodsi, A. 2006. Dimensionality Reduction “A Short Tutorial”, Department of Statistics and Actuarial Science, University of Waterloo, Ontario, Canada.

16. Huang, S., L. Qi, X. Ma, K. Xue, W. Wang, and X. Zhu. 2015. Hyperspectral image analysis based on BoSW model for rice panicle blast grading. Computers and Electronics in Agriculture 118: 167-17.

17. Jolliffe, I. T. 2002. Principal Component Analysis, second ed. Springer, New York, USA.

18. King E. O., M. K. Ward, and D. E. Raney. 1954. Two simple media for the demonstration of pyocyanin and fluorescein. Journal of Laboratory and Clinical Medicine 44: 301-307.

19. Laurindo, B. S., R. D. F. Laurindo, A. M. Azevedo, F. T. Delazari, J. C. Zanuncio, and D. J. Henriques da Silva. 2017. Optimization of the number of evaluations for early blight disease in tomato accessions using artificial neural networks, Scientia Horticulturae 218: 171-176.

20. Lee, J. A., and M. Verleysen. 2007. Nonlinear Dimensionality Reduction. Springer, New York, USA.

21. Liu, Z. Y., H. F. Wu, and J. F. Huang. 2010. Application of neural networks to discriminate fungal infection levels in rice panicles using hyperspectral reflectance and principal components analysis. Computers and Electronics in Agriculture 72: 99-106.

22. Lorente, D., P. Escandell-Montero, S. Cubero, J. Gomez-Sanchis, and J. Blasco. 2015. Visible-NIR reflectance spectroscopy and manifold learning methods applied to the detection of fungal infections on citrus fruit. Food Engineering 163: 17-24.

23. Mahlein, A. K., T. Rumpf, P. Welke, H. W. Dehne, L. Plümer, U. Steiner, and E. C. Oerke. 2013. Development of spectral indices for detecting and identifying plant diseases. Remote Sensing of Environment 128: 21-30.

24. Mohammadi Moghaddam, T., S. M. A. Razavi, M. Taghizadeh, A. Sazgarnia, and B. Pradhan. 2015. Vis-NIR hyperspectral imaging and multivariate analysis for prediction of the moisture content and hardness of Pistachio kernels roasted in different conditions. Journal of Agricultural Machinery 5 (2): 281-291. (In Farsi).

25. Moshou, D., C. Bravo, J. West, S. Wahlen, A. McCartney, and H. Ramon. 2004. Automatic detection of ‘yellow rust’ in wheat using reflectance measurements and neural networks. Computers and Electronics in Agriculture 44 (3): 173-188.

26. Naidu, R. A., E. M. Perry, F. J. Pierce, and T. Mekuria. 2009. The potential of spectral reflectance technique for the detection of Grapevine leafroll-associated virus-3 in two red-berried wine grape cultivars. Computers and Electronics in Agriculture 66: 38-45.

27. Negri, A., D. Allegra, L. Simoni, F. Rusconi, C. Tonelli, L. Espan, and M. Galbiati. 2015. Comparative analysis of fruit aroma pattern in the domesticated wild strawberries “Profumata di Tortona” (F. moschata) and “Regina delle Valli” (F. vesca), Frontiers in Plant Science 6: 1-13.

28. Phadikar, S., J. Sil, and A. K. Das. 2013. Rice diseases classification using feature selection and rule generation techniques. Computers and Electronics in Agriculture 90: 76-86.

29. Purcell, D. E., M. G. O’ Shea, R. A. Johnson, and S. Kokot. 2009. Near-infrared spectroscopy for the prediction of disease rating for Fiji leaf gall in sugarcane clones. Applied Spectroscopy 63 (4): 450-457.

30. Sammon, J. W. 1969. A nonlinear mapping for data structure analysis. IEEE Transactions on Computers 18: 401-409.

31. Sankaran, S., A. Mishra, R. Ehsani, and C. Davis. 2010. A review of advanced techniques for detecting plant diseases. Computers and Electronics in Agriculture 72 (1): 1-13.

32. Savitzky, A., and M. J. E. Golay. 1964. Smoothing and differentiation of data by simplified least square procedures. Analytical Chemistry 36 (8): 1627-1639.

33. Spinelli, F., M. Noferini, and G. Costa. 2006. Near infrared spectroscopy (NIRs): Perspective of fire blight detection in asymptomatic plant material. Proceeding of 10th International Workshop on Fire Blight. Acta Hort 704: 87-90.

34. Tian, T. S. 2010. Dimensionality Reduction for Classification with High-Dimensional Data. PhD thesis, VDM Verlag, Saarbrücken, Germany.

35. Vanden Branden, K., and M. Hubert. 2005. Robust classification in high dimensions based on the SIMCA method, Chemom. Intell. Lab. Syst. 79: 10-21 available at: http://dx.doi.org/10.1016/j.chemolab.2005.03.002.

36. Vitale, F., M. Bevilacqua, R. Bucci, A. D. Magri, A. L. Magri, and F. Marini. 2013. A rapid and non-invasive method for authenticating the origin of pistachio samples by NIR spectroscopy and chemometrics.

37. Yang, C. M., C. H. Cheng, and R. K. Chen. 2007. Changes in spectral characteristics of rice canopy infested with brown planthopper and leaffolder. Crop Science 47: 329-335.

38. Yuan, L., J. C. Zhang, K. Wang, R. W. Loraamm, W. J. Huang, J. H. Wang, and J. L. Zhao. 2013. Analysis of spectral difference between the foreside and backside of leaves in yellow rust disease detection for winter wheat. Precision Agriculture, published online, 7 May 2013.

39. Zhang, J. C., R. L. Pu, J. H. Wang, W. J. Huang, L. Yuan, and J. H. Luo. 2012. Detecting powdery mildew of winter wheat using leaf level hyperspectral measurements. Computers and Electronics in Agriculture 85: 2-13.