پیش‌بینی مقادیر شاخص SPAD با استفاده از طول موج غالب در ریزسبزی ماش

ماشین های کشاورزی

مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 16 تیر 1404   

نوع مقاله: مقاله پژوهشی انگلیسی

شناسه دیجیتال (DOI): 10.22067/jam.2025.89763.1284

نویسندگان

رجب کولجو^* ؛ احمد سوسلو

دانشگاه علوم کاربردی اسپارتا، دانشکده کشاورزی، گروه مهندسی ماشین‌آلات و فناوری‌های کشاورزی، اسپارتا، ترکیه

چکیده

مقدار شاخص کلروفیل (تحلیل خاک و توسعه گیاه SPAD) پارامتر مهمی است که نشان‌دهنده محتوای کلروفیل، به‌ویژه در قسمت‌های سبز گیاهان است. دستگاه‌های مرسوم اندازه‌گیری SPAD، این مقدار را با اندازه‌گیری انتقال و جذب تابش قرمز و مادون قرمز در یک نقطه واحد (اندازه حسگر 2×3 میلی‌متر مربع) تعیین می‌کنند. با این حال، به‌دست آوردن یک مقدار جامع برای کل برگ نیاز به اندازه‌گیری‌های متعدد دارد که زمان پردازش را افزایش می‌دهد. در این مطالعه، یک روش غیرمخرب برای پیش‌بینی مقادیر SPAD با استفاده از تکنیک‌های پردازش تصویر برای تعیین مقادیر طول موج غالب از عکس‌های برگ توسعه داده شد. از یک جعبه تصویربرداری با نورپردازی LED سفید و شدت روشنایی 6000 لوکس برای گرفتن تصاویر از فاصله ثابت 15 سانتی‌متر استفاده شد. تصاویر با استفاده از نرم‌افزار Color Picker (2024) پردازش شدند، که در آن اجزای سبز برگ برای استخراج مقادیر طول موج غالب تحلیل شدند. نتایج نشان داد که مقادیر SPAD را می‌توان با استفاده از داده‌های طول موج غالب، با دقت 98.33 % برای مدل خطی (1.308 RMSE) و دقت 98.43% برای مدل چندجمله‌ای (5.476 RMSE) پیش‌بینی کرد. بررسی دقیق‌تر نشان داد که مدل خطی همبستگی دقیق‌تری ارائه می‌دهد. این رویکرد جدید، کارایی اندازه‌گیری SPAD را افزایش می‌دهد و جایگزینی سریع و غیرمخرب برای روش‌های مرسوم می‌باشد.

کلیدواژه‌ها

شاخص SPAD؛ طول موج غالب؛ ماش؛ میکروگرین

مراجع

1. CIE. (2004). Commission internationale de l'éclairage (2004). "Chapter 5.1". Colorimetry. Vienna: Central Bureau of the CIE. ISBN 978-3-901906-33-6.
2. Color (2024). Color Picker image processing software, https://play.google.com/store/apps/details?id=gmikhail.colorpicker&hl=en
3. Diago, M. P., Correa, C., Millán, B., Barreiro, P., Valero, C., & Tardaguila, J. (2012). Grapevine yield and leaf area estimation using supervised classification methodology on RGB images taken under field conditions. Sensors, 12(12), 16988-17006. https://doi.org/10.3390/s121216988
4. do Amaral, E. S., Vieira Silva, D., Dos Anjos, L., Schilling, A. C., Dalmolin, A. C., & Mielke, M. S. (2019). Relationships between reflectance and absorbance chlorophyll indices with RGB (Red, Green, Blue) image components in seedlings of tropical tree species at nursery stage. New Forest, 50(3), 377-388. https://doi.org/10.1007/s11056-018-9662-4
5. Donnelly, A., Yu, R., Rehberg, C., Meyer, G., & Young, E. B. (2020). Leaf chlorophyll estimates of temperate deciduous shrubs during autumn senescence using a SPAD-502 meter and calibration with extracted chlorophyll. Annals of Forest Science, 77(2). https://doi.org/10.1007/s13595-020-00940-6
6. Hassanijalilian, O., Igathinathane, C., Doetkott, C., Bajwa, S., Nowatzki, J., & Haji Esmaeili, S. A. (2020). Chlorophyll estimation in soybean leaves infield with smartphone digital imaging and machine learning. Computers and Electronics in Agriculture, 174, 105433. https://doi.org/10.1016/j.compag.2020.105433
7. Hu, H., Liu, H. Q., Zhang, H., Zhu, J. H., Yao, X. G., Zhang, X. B., & Zheng, K. F. (2010, December). Assessment of chlorophyll content based on image color analysis, comparison with SPAD-502. In 2010 2nd international conference on information engineering and computer science (pp. 1-3). http://dx.doi.org/10.1109/ICIECS.2010.5678413
8. Konica. (2024). Konica SPAD meter catalog. Retrieved from https://www.konicaminolta.com/instruments/download/catalog/color/pdf/spad502plus_catalog_eng.pdf
9. León, A. P., Viña, S. Z., Frezza, D., Chaves, A., & Chiesa, A. (2007). Estimation of chlorophyll contents by correlations between SPAD-502 meter and chroma meter in butterhead lettuce. Communications in Soil Science and Plant Analysis, 38(19-20), 2877-2885. https://doi.org/10.1080/00103620701663115
10. Markwell, J., Osterman, J. C., & Mitchell, J. L. (1995). Calibration of the Minolta SPAD-502 leaf chlorophyll meter. Photosynthesis Research, 46, 467-472. https://doi.org/10.1007/BF00032301
11. Post, D. L. (1997). Color and human-computer interaction. PP 583-584 in M. G. Helander, T. K. Landauer, P. V. Prabhu eds. Handbook of Human-Computer Interaction (2nd ed.). Burlington: Elsevier. ISBN 9780080532882.
12. Richardson, A. D., Duigan, S. P., & Berlyn, G. P. (2002). An evaluation of noninvasive methods to estimate foliar chlorophyll content. New Phytologist, 153, 185-194. https://doi.org/10.1046/j.0028-646X.2001.00289.x
13. Schanda, J. (2007). Colorimetry: Understanding the CIE system. Vienna, Austria: CIE/Commission internationale de l'eclairage. ISBN 978-0-470-17563-7
14. Tan, L., Zhou, L., Zhao, N., He, Y., & Qiu, Z. (2021). Development of a low-cost portable device for pixel-wise leaf SPAD estimation and blade-level SPAD distribution visualization using color sensing. Computers and Electronics in Agriculture, 190, 106487. https://doi.org/10.1016/j.compag.2021.106487
15. Yadav, S. P., Ibaraki, Y., & Gupta, S. D. (2010). Estimation of the chlorophyll content of micropropagated potato plants using RGB based image analysis. Plant Cell, Tissue and Organ Culture, 100(2), 183-188. https://doi.org/10.1007/s11240-009-9635-6
16. Ye, X., Abe, S., Zhang, S., & Yoshimura, H. (2020). Rapid and non-destructive assessment of nutritional status in apple trees using a new smartphone-based wireless crop scanner system. Computers and Electronics in Agriculture, 173, 105417. https://doi.org/10.1016/j.compag.2020.105417
17. Zhang, L., Wang, L., Wang, J., Song, Z., Rehman, T. U., Bureetes, T., Ma, D., Chen, Z., Neeno, S., & Jin, J. (2019). Leaf Scanner: A portable and low-cost multispectral corn leaf scanning device for precise phenotyping. Computers and Electronics in Agriculture, 167, 105069. https://doi.org/10.1016/j.compag.2019.105069