فناوری دورسنجي و کاربرد¬هاي آن در كنترل آفات و بيماري¬هاي گیاهی
الموضوعات :
اعظم طاهري شهرستاني
1
,
سميه سفيدگر شاكلايي
2
1 - كارشناس آزمايشگاه، دانشكده كشاورزي، دانشگاه گيلان، رشت، ايران
2 - كارشناس آزمايشگاه، دانشكده كشاورزي، دانشگاه گيلان، رشت، ايران
الکلمات المفتاحية: دورسنجي, بيماري گياهي, آفت, سنسور, طول موج,
ملخص المقالة :
با توجه به رشد روزافزون جمعيت، كاهش ضايعات كشاورزي ناشي از آسيب آفات و بيماريهاي گياهي، از اهميت بالايي برخوردار است. در اين راستا، استفاده از روشهاي پيش‌آگاهي مناسب، گامي مؤثر در حفاظت به هنگام محصولات كشاورزي و همچنين كاهش مصرف سموم شيميايي ميباشد. در سال‌های اخیر، پيشرفت در زمينه تكنيك‌هاي سنجش از دور باعث شده تا این علم نقش بسیار مهمی در مدیریت آفات و بيماريهاي گياهي ایفا نمايد. دورسنجي میتواند به شناسایی، تشخیص و کنترل آفات و بیماریهای گیاهی، همچنین استرس ناشی از کمبود آب یا مواد مغذی کمک نمايد. با تركيب دادههای دورسنجي و دانش کشاورزی می‌توان با ارايه هشدار زود هنگام و انجام اقدامات مناسب در مراحل اولیه، از تأثیر بیماری یا آفت بر محصولات جلوگیری نمود. اين فناوري با ارائه دادههای دقیق و کارآمد، نقش مهمی در مدیریت آفات و بیماریهای گیاهی داشته و به شناسایی زود هنگام مناطق آلوده، پایش مستمر سلامت گیاهان و کاهش استفاده از سموم شیمیایی مضر کمک می‌کند. در این مقاله اهمیت دورسنجي در کنترل آفات و بیماریهای گیاهی و نمونه‌‌هایی از دورسنجي برای پایش آنها مورد بحث قرار می‌گیرد.
زرقاني، ا.، فرآشیانی، م ا. و امینی، س. 1401. روش¬های مختلف پایش آفات و بیماري‌ها در عرصه‌هاي جنگلی و مرتعی. طبیعت ایران 7 (1): 33-44.
صادقی، و. و طریقی، ج. 1396. کاربرد فناوری سنجش از دور زمینی، هوایی و ماهواره¬ای در صنعت کشاورزی. پنجمین کنفرانس ملی و اولین کنفرانس بین¬المللی کشاورزی ارگانیک و مرسوم، اردبیل.
کشتکار، ح. و نعمت اللهی، م. 1396. کاربرد سنجش از دور در علوم طبیعی. انتشارات نونگارش نوین. تهران. 250 صفحه.
شریعتی نیا، ل. و کشتکار، ح. 1402. كاربرد سنجش از دور در پایش آفات و بیماریهای گیاهي. نشريه دانشجويي زيست سپهر 16 (2): 18-31.
Abdel, W.H., Aboelghar, M., Ali, A.M. and Yones, M. 2017. Spectral and molecular studies on gray mold in strawberry. Asian Journal of Plant Pathology 11(4): 167-173.
Abd El-Ghany, N.M., Abd El-Aziz, S.E. and Marei, S.S. 2020. A review: application of remote sensing as a promising strategy for insect pests and diseases management. Environmental Science and Pollution Research 27: 33503-33515. https://doi.org/10.1007/s11356-020-09517-2.
Aboelghar, M. and Abdel Wahab, H. 2013. Spectral footprint of Botrytis cinerea, a novel way for fungal characterization. Advances in Bioscience and Biotechnology 4: 374-382. doi:10.4236/abb.2013.43050.
Albetis, J., Duthoit, S., Guttler, F., Jacquin, A., Goulard, M., Poilvé, H., Féret, J.B. and Dedieu, G. 2017. Detection of Flavescence dorée grapevine disease using Unmanned Aerial Vehicle (UAV) multispectral imagery. Remote Sensing 9(4): 308. https://doi.org/10.3390/rs9040308.
Aggarwal, S. 2004. Principles of remote sensing. Proceedings of Satellite Remote Sensing and GIS Applications in Agricultural Meteorology, India. Pp. 23–38.
Apan, A., Held, A., Phinn, S. and Markley, J. 2004. Detecting sugarcane ‘orange rust’ disease using EO-1Hyperion hyperspectral imagery. International Journal of Remote Sensing 25: 489-498.
Bellvert, J., Zarco-Tejada, P.J., Girona, J. and Fereres, E. 2014. Mapping crop water stress index in a ‘Pinot-noir’vineyard: Comparing ground measurements with thermal remote sensing imagery from an unmanned aerial vehicle. Precision Agriculture 15(4): 361-376. https://doi.org/10.1007/s11119-013-9334-5.
Berdugo, C.A., Zito, R., Paulus, S. and Mahlein, A.K. 2014. Fusion of sensor data for the detection and differentiation of plant diseases in cucumber. Plant Pathology 63: 1344-1356. https://doi.org/10.1111/ppa.12219.
Blackburn, G.A. and Steele, C.M. 1999. Towards the remote sensing of matorral vegetation physiology: relationships between spectral reflectance, pigment and biophysical characteristics of semi-arid bush land canopies. Remote Sensing of Environment 70: 278–292.
Bock, C.H., Parker, P.E, Cook, A.Z. and Gottwald, T.R. 2008. Visual rating and the use of image analysis for assessing different symptoms of citrus canker on grapefruit leaves. Plant Disease 92: 530-541. https://doi.org/10.1094/pdis-92-4-0530.
Bravo, C., Moshou, D., West, J., McCartney, A. and Ramon, H. 2003. Early disease detection in wheat fields using spectral reflectance. Biosystems Engineering 84: 137-145. https://doi.org/10.1016/S1537-5110(02)00269-6.
Burling, K., Hunsche, M. and Noga, G. 2011. Use of blue-green and chlorophyll fluorescence measurements for differentiation between nitrogen deficiency and pathogen infection in wheat. Journal of Plant Physiology 168: 1641-1648.
Calderón, R., Navas-Cortés, J.A., Lucena, C. and Zarco-Tejada, P.J. 2013. High-resolution airborne hyperspectral and thermal imagery for early detection of Verticillium wilt of olive using fluorescence, temperature and narrow-band spectral indices. Remote Sensing of Environment 139: 231-245.
Calderón, R., Navas-Cortés, J.A. and Zarco-Tejada, P.J. 2015. Early detection and quantification of Verticillium wilt in olive using hyperspectral and thermal imagery over large areas. Remote Sensing 7(5): 5584-5610. https://doi.org/10.3390/rs70505584.
Camargo, A. and Smith, J.S. 2009. Image pattern classification for the identification of disease causing agents in plants. Computers and Electronics in Agriculture 66: 121-125.
Chaerle, L., Lenk, S., Hagenbeek, D., Buschmann, C. and Straeten, D.V.D. 2004. Multicolor fluorescence imaging for early detection of the hypersensitive reaction to tobacco mosaic virus. Journal of Plant Physiology 164: 253-262.
Chaerle, L., Hagenbeek, D., De Bruyne, E. and Van der Straeten, D. 2007. Chlorophyll fluorescence imaging for disease-resistance screening of sugar beet. Plant Cell, Tissue and Organ culture 91: 97-106.
Corti, M., Gallina, P.M., Cavalli, D. and Cabassi, G. 2017. Hyperspectral imaging of spinach canopy under combined water and nitrogen stress to estimate biomass, water, and nitrogen content. Biosystems Engineering 158: 38-50.
Deleon, L., Brewer, M.J., Esquivel, I.L. and Halcomb, J. 2017. Use of a geographic information system to produce pest monitoring maps for south Texas cotton and sorghum land managers. Crop Protection 101: 50-57. https://doi.org/10.1016/j.cropro.2017.07.016.
Gamal, E., Khdery, G., Morsy, A., El-Sayed, M., Hashim, A. and Saleh, H. 2020. Using GIS based modelling to aid conservation of two endangered plant species (Ebenus Armitagei and Periploca Angustifolia) at Wadi Al-Afreet, Egypt. Remote Sensing Applications: Society and Environment 19: 100336.
Gitelson, A.A., Merzlyak, M.N. and Chivkunova, O.B. 2001. Optical properties and nondestructive estimation of anthocyanin content in plants leaves. Photochemistry and Photobiology 74: 38-45.
Gogoi, N.K., Deka, B. and Bora, L.C. 2018. Remote sensing and its use in detection and monitoring plant diseases: a review. Agricultural Reviews 39(4): 307-313. doi:10.18805/ag.R-1835.
Hatfield, J.L. and Pinter, P.J. 1993. Remote sensing for crop protection. Crop Protection 12: 403–413.
Herrmann, I., Berenstein, M., Paz-Kagan, T., Sade, A. and Karnieli, A. 2017. Spectral assessment of two-spotted spider mite damage levels in the leaves of greenhouse-grown pepper and bean. Biosystems Engineering 157: 72-85. https://doi.org/10.1016/j.biosystemseng.2017.02.008.
Hillnhutter, C., Mahlein, A.K., Sikora, R.A. and Oerke, E.C. 2011. Remote sensing to detect plant stress induced by Heterodera schachtii and Rhizoctonia solani in sugar beet fields. Field Crops Research 122: 70–77. https://doi.org/10.1016/j.fcr.2011.02.007.
Iost Filho, F.H., Heldens, W.B., Kong, Z. and de Lange, E.S. 2020. Drones: innovative technology for use in precision pest management. Journal of Economic Entomology 113(1): 1-25. https://doi.org/10.1093/jee/toz268.
Jiang, J.A., Tseng, C.L., Lu, F.M., Yang, E.C., Wu, Z.S. and Chen, C.P. 2008. A GSM-based remote wireless automatic monitoring system for field information: a case study for ecological monitoring of oriental fruit fly, Bactrocera dorsalis (Hendel). Computer and Electronics in Agriculture 62: 243-259. https://doi.org/10.1016/j.compag.2008.01.005.
Khdery, G., Frag, E. and Arafat, S. 2019. Natural vegetation cover discrimination using hyperspectral data in Wadi Hagul, Egypt. Egyptian Journal of Remote Sensing and Space Science 22: 253-262.
Konanz, S., Kocsanyi, L. and Buschmann, C. 2014. Advanced multi-color fluorescence imaging system for detection of biotic and abiotic stresses in leaves. Agriculture 4: 79-95.
Kuska, M., Wahabzada, M., Leucker, M., Dehne, H. W., Kersting, K., Oerke, E.C., Steiner, U. and Mahlein, A. K. 2015. Hyperspectral phenotyping on microscopic scale – towards automated characterization of plant-pathogen interactions. Plant Methods 11: 28. https://doi.org/10.1186/s13007-015-0073-7.
Kuska, M.T. and Mahlein, A.K. 2018. Aiming at decision making in plant disease protection and phenotyping by the use of optical sensors. European Journal of Plant Pathology 152(4): 987-992.
López-López, M., Calderón, R., González-Dugo, V., Zarco-Tejada, P. and Fereres, E. 2016. Early detection and quantification of almond red leaf blotch using high-resolution hyperspectral and thermal imagery. Remote Sensing 8(4): 276. https://doi.org/10.3390/rs8040276.
Mahlein, A.K. 2016. Plant disease detection by imaging sensors-Parrels and specific demands for precision agriculture and plant phenotyping. Plant Disease 100: 241-251. https://doi.org/10.1094/pdis-03-15-0340-fe.
Mahlein, A.K., Steiner, U., Dehne, H.W. and Oerke, E.C. 2010. Spectral signatures of sugar beet leaves for the detection and differentiation of diseases. Precision Agriculture 11: 413-431.
Mahlein, A.K., Steiner, U., Hillnhütter, C., Dehne, H.W. and Oerke, E.C. 2012. Hyperspectral imaging for small-scale analysis of symptoms caused by different sugar beet disease. Plant Methods 8: 3. https://doi.org/10.1186/1746-4811-8-3.
Martin, D.E. and Latheef, M.A. 2017. Remote sensing evaluation of two-spotted spider mite damage on greenhouse cotton. Journal of Visualized Experiments 122: e54314.
Moghimi, A., Pourreza, A., Zuniga-Ramirez, G., Williams, L.E. and Fidelibus, M.W. 2020. A novel machine learning approach to estimate grapevine leaf nitrogen concentration using aerial multispectral imagery. Remote Sensing 12(21): 3515. https://doi.org/10.3390/rs12213515.
Moran, M.S., Inoue, Y. and Barnes, E.M. 1997. Opportunities and limitations for image-based remote sensing in precision crop management. Remote Sensing of Environment 61: 319-346.
Moshou, D., Bravo, C., West, J., Wahlen, S., McCartney, A. and Ramon, H. 2004. Automatic detection of ‘yellow rust’ in wheat using reflectance measurements and neural networks. Computers and Electronics in Agriculture 44: 173-188.
Neumann, M., Hallau, L., Klatt, B., Kersting, K. and Bauckhagem C. 2014. Erosion band features for cell phone image based plant disease classification. Proceeding of the 22nd International Conference on Pattern Recognition (ICPR), Stockholm, Sweden. pp: 3315-3320.
Oerke, E.C., Frohling, P. and Steiner, U. 2011. Thermographic assessment of scab disease on apple leaves. Precision Agriculture 12: 699-715.
Omidi, R., Moghimi, A., Pourreza, A., El-Hadedy, M. and Salah Eddin, A. 2020. Ensemble hyperspectral band selection for detecting nitrogen status in grape leaves. 19th IEEE International Conference on Machine Learning and Application (ICMLA). http://dx.doi.org/10.1109/ICMLA51294. 2020.00054.
Osco, L.P., Ramos, A.P.M., Moriya, É.A.S., de Souza, M., Junior, J.M., Matsubara, E.T., Imai, N.N. and Creste, J.E. 2019a. Improvement of leaf nitrogen content inference in Valencia-orange trees applying spectral analysis algorithms in UAV mounted-sensor images. International Journal of Applied Earth Observation and Geoinformation 83: 101907. https://doi.org/10.1016/j.jag.2019.101907.
Osco, L.P., Marques Ramos, A.P., Roberto Pereira, D., Akemi Saito Moriya, É., Nobuhiro Imai, N., Takashi Matsubara, E., Estrabis, N., de Souza, M., Marcato Junior, J., Gonçalves, W. N., Li, J., Liesenberg, V. and Creste, J.E. 2019b. Predicting canopy nitrogen content in citrus-trees using random forest algorithm associated to spectral vegetation indices from UAV-Imagery. Remote Sensing 11(24): 2925. https://doi.org/10.3390/rs11242925.
Piou, C. and Prévost, E. 2013. Contrasting effects of climate change in continental vs. oceanic environments on population persistence and microevolution of Atlantic salmon. Global Change Biology Bioenergy 19: 711-723. https://doi.org/10.1111/gcb.12085.
Polder, G., van der Heijden, G.W.A.M., van Doorn, J. and Baltissen, T.A.H.M.C. 2014. Automatic detection of tulip breaking virus (TBV) in tulip fields using machine vision. Bio systems Engineering 117: 35-42. https://doi.org/10.1016/j.biosystemseng.2013.05.010.
Prabhakar, M., Prasad, Y.G., Thirupathi, M., Sreedevi, G., Dharajothi, B. and Venkateswarlu, B. 2011. Use of ground based hyperspectral remote sensing for detection of stress in cotton caused by leafhopper (Hemiptera: Cicadellidae). Computers and Electronics in Agriculture 79: 189-198. https://doi.org/10.1016/j.compag.2011.09.012.
Rousseau, C., Belin, E., Bove, E., Rousseau, D., Fabre, F., Berruyer, R., Guillaumes, J., Manceau, C., Jaques, M. A. and Boureau, T. 2013. High throughput quantitative phenotyping of plant resistance using chlorophyll fluorescence image analysis. Plant Methods 9: 17. https://doi.org/10.1186/1746-4811-9-17.
Rumpf, T., Mahlein, A.K., Steiner, U., Oerke, E.C., Dehne, H.W. and Plümer, L. 2010. Early detection and classification of plant diseases with support vector machines based on hyperspectral reflectance. Computers and Electronics in Agriculture 74: 91-99. https://doi.org/10.1016/j.compag.2010.06.009.
Sahoo, R.N., Ray, S.S. and Manjunath, K.R. 2015. Hyperspectral remote sensing of agriculture. Current Science 108: 848-859.
Sankaran, S., Maja, J., Buchanon, S. and Ehsani, R. 2013. Huanglongbing (citrus greening) detection using visible, near infrared and thermal imaging techniques. Sensors 13 (2): 2117-2130. https://doi.org/10.3390/s130202117.
Strickland, R.M., Ess, D.R. and Parsons, S.D. 1998. Precision farming and precision pest management: the power of new crop production technologies. Journal of Nematology 30(4): 431-435.
Sugiura, R., Tsuda, S., Tamiya, S., Itoh, A., Nishiwaki, K., Murakami, N., Shibuya, Y., Hirafuji, M. and Nuske, S. 2016. Field phenotyping system for the assessment of potato late blight resistance using RGB imagery from an unmanned aerial vehicle. Biosystems Engineering 148: 1-10. https://doi.org/10.1016/j.biosystemseng.2016.04.010.
Wang, X., Zhang, M., Zhu, J. and Geng, S. 2008. Spectral prediction of Phytophthora infestans infection on tomatoes using artificial neural network (ANN). International Journal of Remote Sensing 29: 1693-1706. http://dx.doi.org/10.1080/01431160701281007.
West, S.J., Bravo, C., Oberti, R., Moshou, D., Ramon, H. and McCartney, H.A. 2010. Detection of fungal diseases optically and pathogen inoculum by air sampling. Pp. 135-150. In: Oerke, E.C., Gerhards, R., Menz, G. and Sikora, R.A. (eds.). Precision crop protection-the challenge and use of heterogeneity. Springer, Dordrecht.
Wijekoon, C.P., Goodwin, P.H. and Hsiang, T. 2008. Quantifying fungal infection of plant leaves by digital image analysis using Scion Image software. Journal of Microbiological Methods 27: 94-101. http://dx.doi.org/10.1016/j.mimet.2008.03.008.
Yones, M.S., Aboelghar, M., Khdery, G.A., Dahi, H.F. and Sowilem, M. 2019a. Spectral signature for detecting pest infestation of some cultivated plants in the northern west coast of Egypt. Egyptian Academic Journal of Biological Science 12: 73-38.
Yones, M.S., Aboelghar, M., Khdery, G.A., Farag, E., Ali, A.M., Salem, N.H. and Ma’mon, S. 2019b. Spectral measurements for monitoring of sugar beet infestation and its relation with production. Asian Journal of Agriculture and Biology 7(3): 386-395.
Yones, M.S., Khdery, G.A., Dahi, H.F., Farg, E., Arafat, S.M. and Gamil, W.E. 2019c. Early detection of pink boll worm Pectinophora gossypiella (Saunders) using remote sensing technologies. Proc. SPIE 11149, Remote Sensing for Agriculture, Ecosystems, and Hydrology XXI, 111491C (21 October).
Zarate-Valdez, J.L., Muhammad, S., Saa, S., Lampinen, B.D. and Brown, P.H. 2015. Light interception, leaf nitrogen and yield prediction in almonds: a case study. European Journal of Agronomy 66: 1-7. https://doi.org/10.1016/j.eja.2015.02.004.
Zhang, X., Li, P. and Jiang, Z. 2016. Evaluation of spectral indices for assessing tomato leaf chlorophyll content. Precision Agriculture 17(2): 225-243.
گیاهپزشکی کاربردی، جلد 13، شماره 2، سال 1403
فناوری دورسنجي و کاربرد‌هاي آن در كنترل آفات و بيماريهاي گیاهی
Remote sensing technology and its applications in management of plant pests and diseases
اعظم طاهري شهرستاني1* و سميه سفيدگر شاكلايي1
دریافت: 6/10/1403 پذیرش: 21/12/1403
چكيده
با توجه به رشد روزافزون جمعيت، كاهش ضايعات كشاورزي ناشي از آسيب آفات و بيماريهاي گياهي، از اهميت بالايي برخوردار است. در اين راستا، استفاده از روشهاي پيش‌آگاهي مناسب، گامي مؤثر در حفاظت به هنگام محصولات كشاورزي و همچنين كاهش مصرف سموم شيميايي ميباشد. در سال‌های اخیر، پيشرفت در زمينه تكنيك‌هاي سنجش از دور باعث شده تا این علم نقش بسیار مهمی در مدیریت آفات و بيماريهاي گياهي ایفا نمايد. دورسنجي میتواند به شناسایی، تشخیص و کنترل آفات و بیماریهای گیاهی، همچنین استرس ناشی از کمبود آب یا مواد مغذی کمک نمايد. با تركيب دادههای دورسنجي و دانش کشاورزی می‌توان با ارايه هشدار زود هنگام و انجام اقدامات مناسب در مراحل اولیه، از تأثیر بیماری یا آفت بر محصولات جلوگیری نمود. اين فناوري با ارائه دادههای دقیق و کارآمد، نقش مهمی در مدیریت آفات و بیماریهای گیاهی داشته و به شناسایی زود هنگام مناطق آلوده، پایش مستمر سلامت گیاهان و کاهش استفاده از سموم شیمیایی مضر کمک می‌کند. در این مقاله اهمیت دورسنجي در کنترل آفات و بیماریهای گیاهی و نمونه‌‌هایی از دورسنجي برای پایش آنها مورد بحث قرار می‌گیرد.
واژگان كليدي: دورسنجي، بيماري گياهي، آفت، سنسور، طول موج
مقدمه
سنجش از دور، فناوری نوینی در گیاهپزشکی است که منجر به تشخیص سریع و دقیق محل آلودگی شده و نقش شاياني در مبارزه مؤثر علیه آفات و بیماریهای گیاهی ايفا می‌کند (زرقاني و همكاران، 1400). اين روش مهمترین ابزار تشخیص پيش از موعد بیماریهای گیاهی است و معمولاً در مقایسه با روشهاي تشخيصي قديمي، وجود يك عارضه را سريعتر مورد شناسايي قرار ميدهد (Moran et al., 1997). در گذشته، عکس‌های هوایی تکنیکهای اصلی مورد استفاده در سنجش از راه دور برای تشخیص بیماریهای گیاهی بوده است، اما به دلیل هزینه بالای تولید، این عکسها دیگر در مطالعات پاتولوژیک گیاهان بهطور گسترده مورد استفاده قرار نگرفته است.
مبنای نظری کاربردهای دورسنجي در ارزیابی بیماریهای محصولات زراعی این است که بیماریها باعث ایجاد برخی تغییرات فیزیولوژیکی و آسیب شدید به بافت‌‌های گیاهی می‌شوند. همچنين آسيب‌‌هاي ناشي از حشرات آفت، در فتوسنتز و ساختار گیاه اختلال ايجاد كرده و متعاقباً بر میزان انرژی نور تـأثیـر گذاشـتـه و ویـژگی بازتابی گیاه را تغيـير مـي‌‌‌دهـند (Hatfield and Pinter, 1993). این تغییرات بهعنوان یک تغییر قابل توجـه در الگـوی طـیفی گیـاهی مـشخص میشود. بنابـرایـن، بـهعنـوان اولـین گام، تعیـین ویـژگـی‌‌هـای بـازتاب طیفی در مورد گیا‌هـان آلـوده و سـالم مورد نیـاز اسـت. در مـرحله دوم، ایـن ویـژگی‌‌ها بـرای تـشخیص پیش از وقوع آلودگي احتمالی آینده استفاده میشود. مطالعات زیادی در مورد توانایی فناوری دورسـنـجي در تشخیص و شناسايي بیماریهای گیاهی انجام شده است (Mahlein et al., 2010, 2012؛ Hillnhutter et al., 2011؛ Abdel et al., 2017).
اطلاع از سطح آسیب حشـرات، آلـودگی عـلف‌های هـرز و بیـماری‌هـای گیاهی می‌تـواند چشم‌انداز روشنـی را برای
1- كارشناس آزمايشگاه، دانشكده كشاورزي، دانشگاه گيلان، رشت، ايران
نویسنده مسئول مکاتبات: azamtaheri98@yahoo.com ، azamtaheri98@gmail.com
تصمیم‌گیری در مورد برنامه‌های مدیریتی آشکار کند. فناوری سنجش از دور، داده کمکی برای برنامه‌های مختلف مدیریت آفات، نقشه‌برداری و پیشبینی الگوهای شیوع فراهم می‌آورد. پایش دقیق و کارآمد جمعیت حشرات نکته کلیدی برای کنترل مؤثر آفات است. پیشبینیها و هشدارهای اولیه مبتنی بر روشهای بیوفیزیکی، زمان را برای مدیریت حملات قریب‌الوقوع آفات فراهم می‌کند و در نتیجه میتواند کنترل آفات را بهینه کرده، از دست دادن محصول را کاهش داده و هزینه‌های اصلاحی را به حداقل برساند. سنجش از دور قدرت تفکیک مکانی و زمانی را در مقایسه با روشهای سنتی پایش آفات مانند تله‌های فرمونی جنسی برای پایش انتخابی گونه‌ها، تله‌های نوری برای گونههای مختلف و تله‌های مکش بلند مدت چند مکانی برای تشخیص الگوهای مهاجرت آفات (حشرات) را ارتقا داده است. علاوه بر این، ادغام سنجش از دور و سایر فناوری‌ها، موجب تقویت این تکنولوژی در شناسایی و نقشه‌برداری هجوم حشرات شده است. برای مثال، فیلمبرداری و تصویربرداری‌های هوایی با GIS و GPS ادغام میشود تا نقشه مکانی هجوم حشرات در یک منطقه وسیع کشاورزی، مرتعی و جنگلی را ارتقاء دهد (Abd El-Ghany et al., 2020).
دورسنجي میتواند به شناسایی، تشخیص و کنترل بیماریهای گیاهی، استرس ناشی از کمبود آب یا مواد مغذی و همچنین حفاظت گیاهان از هرگونه حمله احتمالی باکتری، قارچ یا آفات كمك كند. دادههای دورسنجي را می‌توان با دانش کشاورزی ترکیب کرد تا شناسايي پيش از موعد بيماري گياهي انجام گرفته و با انجام اقدامات مناسب در مراحل اوليه از آسيب به محصول جلوگيري نمود. در واقع در اثر آسيب به گياه، غلظت كلروفيل كاهش مي‌‌‌يابد و با دورسنجي می‌توانیم غلظت کلروفیل کاهش یافته را تشخیص دهیم. علاوه بر از بین رفتن کلروفیل، بیماریها و آفات می‌توانند باعث از بین رفتن كامل برگهاي گياه شوند. این امر منجر به کاهش سطح کل برگ و در نهایت، کاهش توانایی فتوسنتز گیاه ميگردد. با تعریف شاخص سطح برگ برای گونههای گیاهی، امکان شناسایی حمله آفت و بيماري در مراحل اوليه و آموزش کشاورزان برای انجام اقدامات مناسب وجود دارد. بسیاری از محققان به مطالعه کاربرد فناوریهای دورسنجي در تشخیص بیماریهای گیاهی پرداخته‌اند (Abdel et al., 2017؛ Deleon et al., 2017؛ Piou and Prévost, 2013؛ Jiang et al., 2008؛ Hillnhutter et al., 2011؛ Mahlein et al., 2010, 2012).
مفهوم و اصول دورسنجي
سـنجش از دور، عـلم و هنر اخذ اطـلاعات قـابل اعتـماد درباره یـک شیء، مـنطقه یا پـدیده بدون تماس مـسـتقیم با منطقه یا پدیده مورد مطالـعه از طریق پردازش و آنالیز داده‌هـای اخـذ شـده توسـط یک دسـتگـاه یـا سنـجنـده اسـت (کشتکار و نعمت‌اللهی، 1396)
تمایز و شناسایی ویژگی‌‌ها یا اشیاء سطح، مستلزم تشخیص و ثبت انرژی تابشی تولید شده یا منعکس شده توسط مواد یا اشیاء روی سطح است (شکل 1). اجسام گوناگون بسته به مقادیر مختلف از انرژی در باندهای متفاوت طیف الکترومغناطیسی، با آن مواجه هستند. اين امر به ویژگی ماده (شیمیایی، ساختاری و فیزیکی)، زاویه تابش، شدت، زبری سطح و طول موج انرژی تابشی بستگي دارد. طیف تابش الکترومغناطیسی از طول موج کوچک تا بلند متغیر است. بهعنوان یک مجری، چشم انسان تنها بخش نسبتاً کوچکی از طیف را (از 4/0 تا 7/0 نانومتر) در محدوده مرئی آزمایش می‌کند. ناحیه بین 4/0 تا 5 نانومتر را می‌توان بهعنوان طول موج بازتاب شده تفسیر کرد (Aggarwal, 2004).
اخذ اطلاعات در سنجش از دور با ثبت، اندازه‌گیری و تفسیر انرژی امواج الکترومغناطیس صورت می‌گیرد. عمده‌ترین طول موج کاربردی در سنجش از دور محدوده‌های نور مرئی، مادون قرمز نزدیک، مادون قرمز کوتاه، مادون قرمز حرارتی و باند ماکروویو است. بـا پیشرفت تکنولوژی تعداد و قابلیت سنجنده‌های سنجش از دوری، به مرور زمان بهبود یافته است (صادقي و طریقی، 1396).
شكل 1- مراحل فرآيند دور سنجي (منبع: https://crisp.nus.edu.sg/~research/tutorial/optical.htm)
Fig. 1. Steps of remote sensing process (Source https://crisp.nus.edu.sg/~research/tutorial/optical.htm)
كاربردها و مزاياي دورسنجي
استفاده از سنجش از دور جهت پایش و مدیریت آفات و بیماریهای گیاهی در مراتع، جنگلها و اراضی کشاورزی میتواند به اشكال و اهداف مختلفی انجام شود. برخی از كاربردهاي اين روش عبارتند از (شريعتينيا و كشتكار، 1402):
1- تشخیص آفات و بیماریها: با استفاده از تصاویر ماهوارهای و سنجش از دور، می‌توان آفات و بیماریهای گیاهی را در مزارع، مراتع و جنگلها شناسایی کرد. با تحلیل این تصاویر و استفاده از الگوریتم‌ها و روشهای هوش مصنوعی، می‌توان درختان یا مزارعی را که در معرض خطر هستند، شناسایی و واکنش‌های مؤثری را اتخاذ کرد.
2- پایش و پیشبینی علائم آفت و بیماری: با استفاده از روشهای سنجش از دور، می‌توان تغییرات زمینی و علائم آفات و بیماریها را پیشبینی کرد. بهعنوان مثال، با تحلیل تغییرات در خصوصیات طیفی اراضی، می‌توان متوجه شد که یک منطقه در معرض خطر آفت یا بیماری قرار دارد و در نتیجه اقدامات احتیاطی برای جلوگیری از گسترش آن را انجام داد.
3- مکانیابی مناطق آلوده: با استفاده از سنجش از دور، می‌توان مناطق مبتلا به آفت یا بیماری را شناسایی نمود. این اطلاعات مي‌تواند به کشاورزان و مدیران مربوطه کمک کند تا اقدامات لازم را برای کنترل و پیشگیری از گسترش آفت یا بیماری در این مناطق انجام دهند.
4- تعیین سطح آسیب: با استفاده از سنجش از دور، می‌توان سطح آسیب را که توسط آفات و بیماریها به گیاهان در مراتع، جنگلها و اراضی کشاورزی وارد شده است، تعیین کرد. این اطلاعات میتواند به مدیران کمک کند تا سطح آسیب را بررسی و اقدامات مناسب را برای جلوگیری و کاهش گسترش آن انجام دهند.
تکنولوژی سنجش از دور بهعنوان یک ابزار مؤثر بهخوبی میتواند به دانشمندان و کشاورزان در درک بهتر شرایط کمک کند. به همین دلیل استفاده از این تکنولوژی در مطالعات مربوط به آفات و بیماریهای گیاهی از اهمیت بالایی برخوردار است. از جمله مزاياي اين روش عبارتند از (شريعتي نيا و كشتكار، 1402):
1- دسترسی به مناطق دسترسی‌ناپذیر: استفاده از سنجش از دور امکان دستیابی به مناطقی که به راحتی قابل دسترسی نیستند را فراهم می‌کند. این شامل مناطق مرتفع و کوهستانی، جنگلها و مراتع بزرگ و مناطقی با شرایط جوی نامساعد میشود. این امکان باعث میشود تا بهطور مؤثرتری بتوان آفات و بیماریهای گیاهی را پایش کرد و برنامه‌های مدیریتی انجام داد.
2- سرعت و کارایی: با استفاده از سنجش از دور، می‌توان به سرعت و بهطور همزمان بر روی سطح گسترده‌ای از زمین مشاهده و آنالیز انجام داد. این روش سرعت و کارایی بالایی دارد و به بررسی دقیق آفات و بیماریهای گیاهی کمک می‌کند.
3- پایش و پیشگیری: با استفاده از سنجش از دور، می‌توان بهصورت مداوم و مکرر پیشرفت آفات و بیماریهای گیاهی را مشاهده کرد. این اطلاعات میتواند به مدیران و کشاورزان کمک کند تا بتوانند آفات و بیماریها را در مراحل اولیه آلودگی شناسایی و مدیریت کرده و از گسترش آنها جلوگیری نمايند.
4- دقت بالا: استفاده از سنجش از دور با استفاده از تصاویر با رزولوشن بالا میتواند دقت بالایی در تشخیص و شناسایی آفات و بیماریهای گیاهی فراهم کند. این روش میتواند تغییرات زمینی و علائم آفت و بیماری را با دقت و صحت بالا مشاهده کند.
5- اتصال به دادههای جغرافیایی: سنجش از دور به متخصصین اجازه میدهد تا دادههای بهدست آمده را با دادههای جغرافیایی و دیگر اطلاعات مرتبط مانند عوامل محیطی (پارامترهای اقلیمی، توپوگرافی و غيره) و یا میزان تولید محصول ارتباط دهند. این ارتباطات می‌توانند به بررسی و تحلیل دقیق‌تری از حضور آفات و بیماریهای گیاهی کمک کنند .
6- کاهش استفاده از مواد شیمیایی مضر: با استفاده از سنجش از دور و استفاده از روشهای هوش مصنوعی می‌توان پیشبینی کرد که کدام مناطق بیشترین خطر آفت و بیماری را دارند. این امکان باعث میشود تا مدیران بتوانند بهطور هدفمندتر از مواد شیمیایی مضر برای کنترل آفات و بیماریها استفاده کنند و در نتیجه آسیب به محیط زیست کاهش یابد.
تکنیکهای دورسنجي بر اساس سنسور‌های مختلف
بر اسـاس حسگـر‌هـا، دو گـروه از تکـنـیک‌‌هـای دورسـنجـي در پـایـش آفـات و بـیمـاری‌‌های گیاهـی بهکار میروند (Gogoi et al., 2018).
1- روشهاي تصویربرداری عبارتند از الف) دوربین RGB، ب) تصویربرداری چند طیفی، ج) تصویربرداری فراطیفی، د) تصویربرداری حرارتی و ه) تصویربرداری فلورسانس.
مطالعات متعدد با استفاده از تصویربرداری فراطیفی بیان کردند که وضوح فضایی بالا برای جلوگیری از سیگنال‌‌های طیفی مختلط بسیار مهم است (Mahlein et al., 2012؛ Bravo et al., 2003؛ West et al., 2010). این تحقیقات بر روی تشخیص میدانی (Bravo et al., 2003؛ West et al., 2010) و تشخيص آزمایشگاهي (Mahlein et al., 2012) بیماری قارچی-گیاهی متمركز بود. در این مطالعات امکان تشخیص و تمايز بیماریهای گیاهی و در برخی موارد در مراحل اولیه قبل از اینکه با چشم انسان قابل مشاهده باشند وجود داشت (جدول 1 و 2) (Rumpf et al., 2010)).
2- روشهاي غیرتصویری عباتند از الف) طیفسنجی VIS و IR و ب) طیفسنجی فلورسانس.
حفاظت از محصولات کشاورزی در برابر بیماریهای گیاهی اهمیت زیادی دارد. پژوهش‌های علمی در زمینه‌های کشاورزی با چالش‌های جدیدی مواجه هستند و راهکارهای پایدار و دوستدار محیط زیست بهطور فزایندهای مورد نیاز است. شناسایی دقیق نقاط اولیه بیماری برای اتخاذ تصمیم‌های مدیریتی ضروری است. در این زمینه، حسگرهای نوری می‌توانند تشخیص دقیق و عینی بیماریهای گیاهی را فراهم کنند (Kuska and Mahlein, 2018).
اثر طیفی
بازتاب طیفی، بهعنوان تـابـعي از طول مـوج، نـسبت انـرژی مـنعکس شـده به انـرژی وارده است. هر ماده روی سطح زمین دارای خواص طیفی متـفاوتتی است. مواد سطحی مختلف حالات متفاوتی از بازتاب طـیفی را نشـان می‌دهـنـد (شكل 2) (Aggarwal, 2004). برگ‌ها دارای بازتاب کم در نور مرئی (4/0 -7/0 نانومتر) و بازتاب زیاد در مادون قرمز نزدیک (2/1-7/0 نانومتر) و بازتاب کم در مادون قرمز وسط و دور (2/1 نانومتر) هستند. با بالغ شدن برگ‌ها، بازتاب در برگهاي انفرادي افزايش مي‌‌‌يابد؛ با این حال، تغییرات به طول موج بستگی دارد. این تغییرات از تفاوت در کیفیت آب داخل سلولی و کلروفیل ناشی میشود. همچنين در اثر زخم‌ها و کاهش محتوای کلروفیل ناشي از يك بيماري، بازتاب افزايش مي‌‌‌يابد. تنش آبی، با کاهش محتوای آب داخلی سبب افزايش بازتاب برگ ميگردد. اطلاعات جمعآوری شده از برگهای انفرادي، مجموعه‌ای از اطلاعات در مورد فرآیند تغییرات صورت گرفته در يك گياه را ارائه میدهد؛ با این حال، باید بتوان اين اطلاعات را به سطح سایبان یا مزرعه تعميم داد تا نتايج، کاربردی و قابل استفاده باشند. برگهای گیاهان سبز بیشتر نور آبی و قرمز را جذب میکنند؛ تا از آن در فرآیند فتوسنتز استفاده كنند و بیشتر نور سبز از برگ منعکس میشود. محتوای آب مهمترین عاملی است که بر الگوی بازتاب طیفی تأثیر می‌گذارد. وجود محتوای بیشتر آب در برگ گیاه منجر به کاهش بازتاب آن در محدوده موج کوتاه مادون قرمز مي‌‌شود (Gogoi et al., 2018).
جدول 1- نمونه‌‌هایی از مطالعات تشخیصي بیماریهای گیاهی توسط حسگرهای نوری مختلف (Mahlein, 2016)
Table 1. Examples of studies on plant disease detection by different optical sensors (Mahlein, 2016)
مراجع Reference | بيماري/بيمارگر Disease/Pathogen | محصول Crop | حسگر Sensor |
Camargo and Smith (2009) | Bacterial angular (Xanthomonas campestris), Ascochyta blight (Ascochyta gossypii) | پنبه Cotton | RGB |
Neumann et al., (2014) | Cercospora leaf spot (Cercospora beticola), sugarbeet rust (Uromyces betae) | چغندر قند Sugar beet | |
Bock et al., (2008) | Citrus canker (X. axonopodis) | گريپ فروت Grapefruit | |
Wijekoon et al., (2008) | Anthracnose (Colletotrichum destructivum) | توتون Tobacco | |
Kuska et al., (2015) | Net blotch (Pyrenophora teres), brown rust (Puccinia hordei), | جو Maize | حسگرهای طيفي Spectral sensors |
Kuska et al., (2015); Moshou et al., (2004) | Head blight (Fusarium graminearum), yellow rust (Puccinia striiformis f. sp. tritici) | گندم Wheat | |
Mahlein et al., (2010); Hillnhutter et al., 2011) | Cercospora leaf spot (C. beticola), sugarbeet rust (U. betae) | چغندر قند Sugar beet | |
Wang et al., (2008) | Late blight (Phytophthora infestans) | گوجهفرنگي Tomato | |
Polder et al., (2014) | Tulip breaking virus (TBV) | لاله Tulip | |
Apan et al., (2004) | Orange rust (Puccinia kuehnii) | نيشكر Sugar cane | |
Chaerle et al., (2004) | Cercospora leaf spot (C. beticola) | چغندر قند Sugar beet | حرارتي Thermal imaging |
Berdugo et al., (2014); Oerke et al., (2006) | Downy mildew (Pseudoperonospora cubensis), powdery mildew (Podosphaera xanthii) | خيار Cucumber | |
Oerke et al., (2011) | Apple scab (V. inequalis) | سيب Apple | |
Burling et al., (2011) | Leaf rust (Puccinia triticina), powdery mildew (Blumeria graminis f.sp. tritici) | گندم Wheat | تصويربرداري فلورسنس Fluorescence imaging |
Chaerle et al., (2007); Konanz et al., 2014) | Cercospora leaf spot (C. beticola) | چغندر قند Sugar beet | |
Rousseau et al., (2013) | Common bacterial blight (Xanthomonas fuscans sub sp. fuscans) | لوبیا Bean |
جدول 2 - طول موج‌‌های خاص برای شناسایی آلودگيهای مختلف (Yones et al., 2019b)
Table 2. The specific wavelengths to identify the different infections (Yones et al., 2019b)
طول موج (نانومتر)Wavelength (nm) | Sample | نمونه |
(548–557 nm) /(701–1387 nm) | Healthy young leaves | برگهاي جوان سالم |
(1574–1597 nm) /(1749–1775 nm) | Healthy old leaves | برگهاي پير سالم |
(542–559 nm) /(1580–1592 nm) /(1751–1763 nm) | Infected young leaves (cotton leaf worm) | برگهاي جوان آلوده (كرم برگ پنبه) |
(350–698 nm) /(1944–2500 nm) | Infected old leaves (cotton leaf worm) | برگهاي پير آلوده (كرم برگ پنبه) |
(1563–1567 nm) /(1785–1833 nm) | Infected young leaves (aphid) | برگهاي جوان آلوده (شته) |
(1569–1580 nm) /(1764–1781 nm) | Infected old leaves (aphid) | برگهاي پير آلوده (شته) |
(1575–1579 nm) /(1764–1769 nm) | Infected young leaves (whitefly) | برگهاي جوان آلوده (سفيدبالك) |
(1782–1814 nm) | Infected old leaves (whitefly) | برگهاي پير آلوده (سفيدبالك) |
ویژگیهای طیفی پوشش گیاهی توسط ساهو و همکاران (2015)، مورد بحث قرار گرفت که بر اساس ماهیت بیوشیمیایی و بیوفیزیکی و ویژگی‌‌هایی مانند زیستتوده پیر شده، شاخص سطح برگ، میزان رطوبت و رنگدانه و ساختار تعيين مي‌‌شوند. در ناحیه نور مرئی (4/0 تا 7/0 نانومتر)، رنگدانه‌‌هایی که نور اصلی را جذب میکنند، کلروفیل a و b، زانتوفیل‌‌ها، کاروتنوئید‌ها و پلی فنول‌‌ها هستند. کلروفیل a، بیشترین جذب را در مناطق 41/0-43/0 و 6/0-69/0 نانومتر نشان ميدهد در حالیکه کلروفیل b داراي حداکثر جذب در محدوده 45/0-47/0 نانومتر ميباشد. این جذب قوی باندها، یک پیـک (نقطـه اوج) بازتـاب را در منطقه سبـز در حدود 55/0 نانومتـر الـقا میکنند. در نزدیـکی مـنطـقه مادون قرمز (3/1- 7/0 نانومتر NIR:)، بازتاب و انتقال به بیشترین حد خود می‌رسد و مقادیر جذب بسیار پايين است. این امر ناشی از انتشار داخلی در سلول، هوا و آب داخل برگ است. در موج کوتاه مادون قرمز (5/2 – 3/1 نانومتر: SWIR)، خواص برگ تحت تأثیر سایر ترکیبات برگی و آب قرار می‌گیرد. باند‌هاي اصلی جذب در 45/1، 94/1 و 7/2 نانومتر و سایر فرآیند‌ها در 96/0، 12/1، 54/1، 67/1 و 2/2 نانومتر قرار مي‌‌گيرند (Sahoo et al., 2015). تغییرات در بازتاب از تغییرات در خواص بیوفیزیکی و بیوشیمیایی بافت گیاهی ناشی میشود (Khdery et al., 2019؛ Gamal et al., 2020). زمانی که گیاه تحت تنش است، كاهش تولید کلروفیل سبب جذب کمتر سلول‌‌های پالیزید در نوار‌های آبی و قرمز میشود. بنابراین همراه با باند سبز، باندهای قرمز و آبی نیز منعکس ميگردد. بنابراین، در پوشش گیاهی تحت فشار، رنگ زرد یا قهوهای ایجاد میشود. همچنين اين امر سبب ايجاد لكه‌‌هاي تيره در عكس ميگردد (Gogoi et al., 2018). اساسـاً نـاحـیـه قـابـل مـشـاهـده از 400 تا 700 نـانـومـتـر مـربـوط بـه تـرکـیـب رنـگـدانـه اسـت در حـالـیکـه در مـنـطـقه NIR از 700 تا 1100 نانـومـتـر مـربـوط بـه مـحـتـوای آب، صـفات و سـاختار برگ و نفوذ مرتبط ميباشد (Blackburn and Steele 1999؛ Gitelson et al., 2001).
شكل 2- اثر طيفي آب، پوشش گياهي و خاك (منبع: http://www.rsacl.co.uk/ images/base2.jpg)
Fig. 2. Spectral signatures of water, vegetation and soil (Source: http://www.rsacl.co.uk/images/base2.jpg)
مدیریت دقیق آفات (PPM: Precision Pest Management) میتواند به کاهش خطرات ناشی از کاربرد بیش از حد آفتکشها کمک کند. PPM، میتواند بهعنوان کاربرد مقدار مناسب آفت‌کش در مکان مناسب در مزرعه و در زمان مناسب تعریف شود (Strickland et al., 1998). دو مرحله اصلی PPM عبارتند از الف: استفاده از تکنیکهای سنجش از دور (عمدتاً تصاویر هوایی) برای بهدست آوردن اطلاعات خاص سایت، و ب: ارائه راه‌حل‌های محلی با استفاده از کاربردهای با نرخ متغیر (Iost Filho et al., 2020). مرحله اول، از روشهای سنجش مورد بحث در بخش حسگرها استفاده می‌کند. دوربین‌های RGB بهطور گسترده برای بیماریها و آفات قابل تشخیص بصری استفاده می‌شوند که در آنها رنگ برگ به دلیل کاهش رنگدانه‌های جاذب نـور تغـییر می‌کند و در نتیجه بازتاب در باندهای خاصی از ناحیه مرئی افزایش می‌یابد (Sugiura et al., 2016). حسـگـرهای چنـدطیـفی زمانی مناسب هستند که بیماری با کاهش بازتاب ناحیه مادونقرمز، بر سرعت فتوسنتز تأثیر گذاشته و زیستتوده سبز قابل تشخیص را کاهش دهد (Albetis et al., 2017).
حسگرهای فراطیفی معمولاً زمانی استفـاده مـی‌شـونـد که تخـریب رنگدانـه‌هـا و تـغیـیرات سـاختـاری رخ مـی‌دهـد (Calderón et al., 2013؛ López-López et al., 2016 ). علاوه بر این، تصویربرداری فراطیفی فرصت‌های بهتری را برای تشخیص زود هنگام و حتی تمایز نوع بیماری نسبت به سایر روشها ارائه میدهد. تغییرات در ساختار برگ و ترکیب شیمیایی بافت‌ها در اثر بیماری به نوعی مختص پاتوژن است. از اینرو، اثر طیفی برگ هنگام آلوده شدن به پاتوژن‌های مختلف متفاوت است. در نتیجه، دنبال کردن نشانهها میتواند به پاتوژن اصلی منتهی شود. مطالعات متعدد ثابت کرد که اسکن فراطیفی میتواند عفونت‌های قارچی مختلف را تشخیص دهد (Mahlein, 2016). از سوی دیگر، دوربین‌های حـرارتی فـقط می‌تـوانـند گیـاهـانی را که به هر دلـیـلی از جمـله بـیماری، دمای بالاتری دارند، تمایز دهند (Calderón et al., 2015). گاهی اوقات، چندین داده از حسگرهای مختلف بهطور هماهنگ پردازش می‌شوند تا حداکثر دادهها بهدست آید. بهعنوان مثال، در یک مطالعه، از دوربین‌های مرئی، مادونقرمز و حرارتی برای تشخیص بیماری میوه سبز (گرینینگ) در مرکبات استفاده شد (Sankaran et al., 2013).
مطالعات موردی
در مطالعهای از دادههای طیفی گرفته شده با سنجنده‌های نصب شده در داخل گلخانه برای ارزیابی کیفیت محصولاتی مانند فلفل دلمه‌ای و خیار استفاده شد .این دادهها برای اندازه‌گیری ویژگیهای کیفی مختلف مانند رنگ، اندازه و محتوای کلروفیل محصولات بهکار گرفته شدند. سپس این دادهها با نتایج آزمایش‌های شیمیایی و فیزیکی روی محصولات مقایسه شدند. نتایج نشان داد که دادههای طیفی می‌توانند با دقت بالایی ویژگیهای کیفی محصولات گلخانه‌ای را پیشبینی کنند .این مطالعه نشان داد که استفاده از سنجش از دور میتواند به بهبود مدیریت کیفیت محصولات در گلخانه‌ها کمک کند (Zhang et al., 2016).
در مطالعهای روشی برای شناسایی قارچ B. cinerea توصیف شد و اثرهاي طیفی جدایه‌‌ها و همچنین جنس‌‌های مختلف این قارچ تعیین گردید. در این تحقیق، یک الگوی طیفی منحصر به فرد در هر دو سطح جنس و جدايه، مورد بررسی قرار گرفت. موج کوتاه مادون قرمز II (2055-2315 نانومتر) بهترین تمایز را بین نمونههای قارچی مشاهده شده ارائه کرد. علاوه بر این، در تجزیه و تحلیل طیفی دادهها، تفاوت معنی‌داری بین جنس‌‌های قارچی و همچنین جدایه‌‌های B. cinerea مشاهده شد، در حالیکه نتایج شباهت بالایی را در بین تکرار‌های همان جدایه مورد بررسي از B. cinerea نشان داد. نتایج هر آزمون طیفی بهصورت قابل تكرار و بدون صرف هزینه گران جهت آمادهسازی و اندازه‌گیری نمونه به دست آمد. این رویکرد نوآورانه امکان شناسایی، تمایز و طبقهبندی قارچ‌‌ها را بهسرعت و ارزان در سطح جنس، گونه و جدايه فراهم می‌کند (Aboelghar and Abdel Wahab, 2013).
با استفاده از تصاویر چندطیفی گرفته شده از پهپادها، بیماری میوه سبز در باغات مرکبات مورد شناسایی قرار گرفت. در این مطالعه، از شاخصهای مرتبط با بازتاب نور سبز و مادونقرمز برای شناسایی درختان بیمار استفاده شد. دادههای زمینی نیز برای ارزیابی و تأیید نتایج به کار گرفته شدند. نتایج نشان داد که تصاویر چندطیفی قادر به تشخیص درختان مبتلا به بیماری مذکور با دقت بیش از 85 درصد بودند. این مطالعه نشان داد که سنجش از دور چندطیفی میتواند به عنوان ابزاری کارآمد برای پایش و مدیریت بیماریها در باغات مرکبات استفاده شود (Sankaran et al., 2013).
در پژوهشی دیگر تصویربرداری فراطیفی بهعنوان یک ابزار غیرتهاجمی برای تشخیص بیماریهای گیاهی بهکار گرفته شد. با استفاده از طیف‌سنج خطی تصویربرداری فراطیفی با وضوح 8/2 نانومتر و 19/0 میلیمتر، بازتاب طیفی برگهای چغندر قند مبتلا به بیماری‌هایی مانند لکه برگی سرکوسپورایی، سفیدک پودری و زنگ برگ بررسی شد. در شرایط کنترل‌شده، نمونههای برگ در مراحل مختلف بیماری بررسی و تغییرات مورفولوژیکی با میکروسکوپ نوری تحلیل شد. نقشه‌برداری پیکسل به پیکسل از بازتاب طیفی در محدوده مرئی و نزدیک به مادونقرمز برای شناسایی علائم بیماری انجام شد .نتایج نشان داد که پاتوژن‌ها، امضاهای طیفی خاصی ایجاد میکنند که بسته به مرحله بیماری و ناحیه تأثیرپذیر تغییر می‌کند. تصویربرداری فراطیفی توانست بهطور دقیـق علائـم بیماری را تـشخیص و تمایز دهد. این فـناوری بهـبود قـابـل توجـهی در حسـاسـیت و اخـتصـاص یافتـگی روشهای فراطیفی بـرای تـشخیـص بیـماریهای گـیاهی ارائـه داد (Mahlein et al., 2012).
میزان آسیب کنه تارتن دولکه‌ای با استفاده از تصویربرداری طیفی در برگهای فلفل (Capsicum annuum) و لوبیا (Phaseolus vulgaris) (Herrmann et al., 2017) و در پنبه کشت‌شده در گلخانه (Martin and Latheef, 2017) ارزیابی شد. هرمان و همکاران (2017) دادههای فراطیفی (400 تا 1000 نانومتر) و چندطیفی (پنج باند مشترک) را تجزیه و تحلیل کردند. این تجزیه و تحلیل‌ها منجر به موفقیت 100 درصد و 95 درصد در شناسایی آسیب‌های اولیه با دادههای فراطیفی منعکس شده از برگهای فلفل و لوبیا و موفقیت 92 درصدی با دادههای چندطیفی منعکس شده از برگهای فلفل شد (Herrmann et al., 2017).
در مطالعه دیگری، آلودگيهای مختلف (شته، مگس سفید، كرم برگ پنبه) روی برگهای چغندرقند (پیر و جوان) با استفاده از طیف رادیومتر Field ASD در مصر متمايز گردید. برای همه برگهای جوان و پیر، طرح کلی طیفی از بازتاب شناسایی شد. نتایج نشان داد که محدوده‌‌هاي مادونقرمز نزدیک (NIR) و آبی بهترین محدوده برای شناسایی سه آلودگي طیفی در برگهاي جوان بودند و اين محدوده‌‌ها بهعنوان بهترین مناطق برای تعریف طیف اعلام شدند. دادهها نشان دادند كه امكان استفاده بالقوه از روشهاي دورسنجي در شناسايي آفات وجود داشته و اين روشها كنترل و مديريت اختصاصي آفت در يك نقطه را ممكن مي‌‌‌سازند (Yones et al., 2019a).
در مطالعهای از سیستم سنجش از دور فوق طیفی مستقر بر روی زمین برای شناسایی آسیب‌های جیرجیرک‌ها در مزارع پنبه استفاده شد. یک رادیومتر فوق طیفی با دامنه طیفی 250-350 نانومتر برای برآورد کلروفیل و محتوای نسبی آب در گیاهان منتخب استفاده شد. اندازه‌گیری‌های بازتابش از گیاهان سالم و گیاهان آلوده به جیرجیرک نشان دهنده تفاوت‌های معنادار در نواحی نزدیک به مادون قرمز (NIR) و مناطق مرئی (VIS) بود. رنگدانه کلروفیل A کاهش معناداری نسبت به رنگدانه کلروفیل B در گیاهان آلوده نشان میدهد (Prabhakar et el., 2011).
در مطالعه دیگری، رویکرد جدیدی برای استفاده از تکنیک فراطیفی جهت شناسايي گیاه پنبه آلوده با كرم سرخ غوزه Pectinophora gossypiella (PBW) بدون تلفات غوزه بهكار برده شد. مطالعات با هدف شناسایی طیف بازتاب گیاهان پنبه با آلوده شده با PBW شناخته شده، صورت گرفت و به شناسایی طول موج‌‌های نوری ناشي از آسیب با PBW انجاميد. اندازه‌گیری‌‌هاي طیفی با استفاده از طیف سنج ASD در محدوده طيفي 350-2500 نانومتر انجام شد. مطالعه نشان داد که تهاجم PBW و سطح آن را با استفاده از دادههای فراطیفی می‌توان شناسایی کرد و اين امر میتواند در پايش بيماري و پیشبینیها مورد استفاده قرار گيرد. مقایسه بازتاب غوزه‌‌هاي سالم و آلوده پنبه نشان داد که میانگین بازتاب طیفی (1000 نانومتر) در محدوده مادون قرمز، بازتاب طیفی نسبتاً کم (1650 نانومتر) و حداقل بازتاب طیفی محدوده (2200 نانومتر) بوده است (Yones et al., 2019b).
در مطالعهای از تصاویر هوایی بهدست آمده از پهبادها برای ارزیابی تنش آبی در تاکستان‌ها استفاده شد. این تصاویر برای اندازه‌گیری دمای سطح برگ‌ها و تعیین مناطق تحت تنش آبی بهکار گرفته شدند. علاوه بر این، دادههای هواشناسی محلی برای تحلیل دقیقتر ترکیب شدند. نتایج نشان داد که تصاویر حرارتی می‌توانند بهطور مؤثری مناطق تحت تنش آبی را در تاکستان‌ها شناسایی کنند. این اطلاعات به کشاورزان کمک کرد تا برنامه‌های آبیاری را بهینه‌سازی کرده و مصرف آب را کاهش دهند (Bellvert et al., 2014).
قابلیت تصویربرداری اسکن خطی فراطیفی (400 تا 1000 نانومتر) برای تخمین متغیرهای محصول در اسفناج کشت شده در گلخانه بررسی شد. ترکیبی از تنش آب و نیتروژن برای تخمین متغیرهایی که کاملاً مربوط به شاخص سطح برگ و شکل هندسی سایبان بودند، استفاده شد. دو روش فشرده‌سازی دادهها اعمال گردید: طیف‌های میانگین سایبان و استخراج فراطیف‌نگاری. مورد دوم یک تکنیک استخراج و فشرده‌سازی دادهها است که تعداد زیادی از تصاویر فراطیفی را مدیریت و در عین حال اطلاعات مکانی را حفظ می‌کند. مدل‌های تحلیل دادههای چند متغیره در تخمین متغیرها عملکرد خوبی داشتند (Corti et al., 2017). سنجش از دور پتانسیل بالایی در ارائه دادههای مورد نیاز برای مدیریت مواد مغذی و رفع موانع موجود در مدیریت خاص مکان نشان داده است. مانند سایر تکنیکهای سنجش از دور، تخمین و مدیریت وضعیت مواد مغذی عمدتاً مبتنی بر بازتاب طیفی گیاه است. اکثر مطالعات سعی کرده‌اند محتوای نیتروژن را در سطح سایبان با استفاده از شاخصهای پوشش گیاهی طیفی تخمین بزنند (Osco et al., 2019a,b). در مقابل، بهعنوان یک رویکرد جدید، برخی مطالعات از باندها و طول موج‌ها بهصورت جداگانه بهعنوان متغیری برای پیشبینی وضعیت مواد مغذی، بهویژه نیتروژن، استفاده کرده‌اند (Moghimi et al., 2020؛ Omidi et al., 2020). مطالعات نشان داد که مـحـتـوای نیـتـروژن بـرگ مـی‌تـواند تا 76 درصد تغـییـر عـملکرد در باغ‌های بـادام را طـی دو یا سه سال توضیح دهد (Zarate-Valdez et al., 2015).
نتيجه گيري
فناوری دورسنجي ابزار قدرتمندی است که در مديريت آفات و بيماريهاي گياهي استفاده میشود. تشخیص زود هنگام بیماری و پایش سلامت گیاهی ابزاری حیاتی برای کاهش شیوع بیماریها ميباشد. دورسنجي به دلیل اهمیت زیادی که در تشخیص زود هنگام بيماري گیاهان دارد، یکی از پیشرفتهای علم مدرن در پایش عوامل بيماريزاي گیاهی است. تکنیکهای دورسنجي، ابزار بسیار مفیدی برای اعتلاي نتایج تشخیصی خواهند بود. رابطه قوی بین نتایج تحلیلي دورسنجي و بيماري‌شناسي گیاه، شواهدی از ارزش بازتاب ابرطیفی دادهها برای ارزیابی‌‌های سریع وضعیت سلامت گیاه و عاري از آلودگي را ارائه ميدهد. با این حال، چالش‌هایی نیز در استفاده از این فناوری‌ها وجود دارد. از جمله این چالش‌ها می‌توان به هزینه‌های بالا و نیاز به بهبود کیفیت دادههای خروجی اشاره کرد. پیشرفتهای اخیر در طراحی و توسعه سیستمهای حسگر از دور میتواند به کاهش هزینه‌ها و افزایش دقت دادهها کمک کند، اما نیاز به تحقیقات و توسعه بیشتر در این زمینه همچنان وجود دارد. بهعلاوه، هماهنگی و ادغام فناوریهای مختلف مانند حسگرهای چندطیفی، رادارها و سیستمهای GIS میتواند به بهبود نتایج و کارایی این فناوری‌ها کمک کند. در مجموع، چنین فناوریهای نوآورانه‌ای، ابزاری بی‌نظیر برای سالم‌تر کردن و پایدار کردن کشاورزی و کاهش استفاده غیرضروری از آفتکشها جهت بالابردن ایمنی محصولات بوده و پتانسیل زیادی برای استفاده در کنترل آفات و بیماریهای گیاهی دارد.
منابع References
زرقاني، ا.، فرآشیانی، م ا. و امینی، س. 1401. روشهای مختلف پایش آفات و بیماري‌ها در عرصه‌هاي جنگلی و مرتعی. طبیعت ایران 7 (1): 33-44.
صادقی، و. و طریقی، ج. 1396. کاربرد فناوری سنجش از دور زمینی، هوایی و ماهوارهای در صنعت کشاورزی. پنجمین کنفرانس ملی و اولین کنفرانس بینالمللی کشاورزی ارگانیک و مرسوم، اردبیل.
کشتکار، ح. و نعمت اللهی، م. 1396. کاربرد سنجش از دور در علوم طبیعی. انتشارات نونگارش نوین. تهران. 250 صفحه.
شریعتی نیا، ل. و کشتکار، ح. 1402. كاربرد سنجش از دور در پایش آفات و بیماریهای گیاهي. نشريه دانشجويي زيست سپهر 16 (2): 18-31.
Abdel, W.H., Aboelghar, M., Ali, A.M. and Yones, M. 2017. Spectral and molecular studies on gray mold in strawberry. Asian Journal of Plant Pathology 11(4): 167-173.
Abd El-Ghany, N.M., Abd El-Aziz, S.E. and Marei, S.S. 2020. A review: application of remote sensing as a promising strategy for insect pests and diseases management. Environmental Science and Pollution Research 27: 33503-33515. https://doi.org/10.1007/s11356-020-09517-2.
Aboelghar, M. and Abdel Wahab, H. 2013. Spectral footprint of Botrytis cinerea, a novel way for fungal characterization. Advances in Bioscience and Biotechnology 4: 374-382. doi:10.4236/abb.2013.43050.
Albetis, J., Duthoit, S., Guttler, F., Jacquin, A., Goulard, M., Poilvé, H., Féret, J.B. and Dedieu, G. 2017. Detection of Flavescence dorée grapevine disease using Unmanned Aerial Vehicle (UAV) multispectral imagery. Remote Sensing 9(4): 308. https://doi.org/10.3390/rs9040308.
Aggarwal, S. 2004. Principles of remote sensing. Proceedings of Satellite Remote Sensing and GIS Applications in Agricultural Meteorology, India. Pp. 23–38.
Apan, A., Held, A., Phinn, S. and Markley, J. 2004. Detecting sugarcane ‘orange rust’ disease using EO-1Hyperion hyperspectral imagery. International Journal of Remote Sensing 25: 489-498.
Bellvert, J., Zarco-Tejada, P.J., Girona, J. and Fereres, E. 2014. Mapping crop water stress index in a ‘Pinot-noir’vineyard: Comparing ground measurements with thermal remote sensing imagery from an unmanned aerial vehicle. Precision Agriculture 15(4): 361-376. https://doi.org/10.1007/s11119-013-9334-5.
Berdugo, C.A., Zito, R., Paulus, S. and Mahlein, A.K. 2014. Fusion of sensor data for the detection and differentiation of plant diseases in cucumber. Plant Pathology 63: 1344-1356. https://doi.org/10.1111/ppa.12219.
Blackburn, G.A. and Steele, C.M. 1999. Towards the remote sensing of matorral vegetation physiology: relationships between spectral reflectance, pigment and biophysical characteristics of semi-arid bush land canopies. Remote Sensing of Environment 70: 278–292.
Bock, C.H., Parker, P.E, Cook, A.Z. and Gottwald, T.R. 2008. Visual rating and the use of image analysis for assessing different symptoms of citrus canker on grapefruit leaves. Plant Disease 92: 530-541. https://doi.org/10.1094/pdis-92-4-0530.
Bravo, C., Moshou, D., West, J., McCartney, A. and Ramon, H. 2003. Early disease detection in wheat fields using spectral reflectance. Biosystems Engineering 84: 137-145. https://doi.org/10.1016/S1537-5110(02)00269-6.
Burling, K., Hunsche, M. and Noga, G. 2011. Use of blue-green and chlorophyll fluorescence measurements for differentiation between nitrogen deficiency and pathogen infection in wheat. Journal of Plant Physiology 168: 1641-1648.
Calderón, R., Navas-Cortés, J.A., Lucena, C. and Zarco-Tejada, P.J. 2013. High-resolution airborne hyperspectral and thermal imagery for early detection of Verticillium wilt of olive using fluorescence, temperature and narrow-band spectral indices. Remote Sensing of Environment 139: 231-245.
Calderón, R., Navas-Cortés, J.A. and Zarco-Tejada, P.J. 2015. Early detection and quantification of Verticillium wilt in olive using hyperspectral and thermal imagery over large areas. Remote Sensing 7(5): 5584-5610. https://doi.org/10.3390/rs70505584.
Camargo, A. and Smith, J.S. 2009. Image pattern classification for the identification of disease causing agents in plants. Computers and Electronics in Agriculture 66: 121-125.
Chaerle, L., Lenk, S., Hagenbeek, D., Buschmann, C. and Straeten, D.V.D. 2004. Multicolor fluorescence imaging for early detection of the hypersensitive reaction to tobacco mosaic virus. Journal of Plant Physiology 164: 253-262.
Chaerle, L., Hagenbeek, D., De Bruyne, E. and Van der Straeten, D. 2007. Chlorophyll fluorescence imaging for disease-resistance screening of sugar beet. Plant Cell, Tissue and Organ culture 91: 97-106.
Corti, M., Gallina, P.M., Cavalli, D. and Cabassi, G. 2017. Hyperspectral imaging of spinach canopy under combined water and nitrogen stress to estimate biomass, water, and nitrogen content. Biosystems Engineering 158: 38-50.
Deleon, L., Brewer, M.J., Esquivel, I.L. and Halcomb, J. 2017. Use of a geographic information system to produce pest monitoring maps for south Texas cotton and sorghum land managers. Crop Protection 101: 50-57. https://doi.org/10.1016/j.cropro.2017.07.016.
Gamal, E., Khdery, G., Morsy, A., El-Sayed, M., Hashim, A. and Saleh, H. 2020. Using GIS based modelling to aid conservation of two endangered plant species (Ebenus Armitagei and Periploca Angustifolia) at Wadi Al-Afreet, Egypt. Remote Sensing Applications: Society and Environment 19: 100336.
Gitelson, A.A., Merzlyak, M.N. and Chivkunova, O.B. 2001. Optical properties and nondestructive estimation of anthocyanin content in plants leaves. Photochemistry and Photobiology 74: 38-45.
Gogoi, N.K., Deka, B. and Bora, L.C. 2018. Remote sensing and its use in detection and monitoring plant diseases: a review. Agricultural Reviews 39(4): 307-313. doi:10.18805/ag.R-1835.
Hatfield, J.L. and Pinter, P.J. 1993. Remote sensing for crop protection. Crop Protection 12: 403–413.
Herrmann, I., Berenstein, M., Paz-Kagan, T., Sade, A. and Karnieli, A. 2017. Spectral assessment of two-spotted spider mite damage levels in the leaves of greenhouse-grown pepper and bean. Biosystems Engineering 157: 72-85. https://doi.org/10.1016/j.biosystemseng.2017.02.008.
Hillnhutter, C., Mahlein, A.K., Sikora, R.A. and Oerke, E.C. 2011. Remote sensing to detect plant stress induced by Heterodera schachtii and Rhizoctonia solani in sugar beet fields. Field Crops Research 122: 70–77. https://doi.org/10.1016/j.fcr.2011.02.007.
Iost Filho, F.H., Heldens, W.B., Kong, Z. and de Lange, E.S. 2020. Drones: innovative technology for use in precision pest management. Journal of Economic Entomology 113(1): 1-25. https://doi.org/10.1093/jee/toz268.
Jiang, J.A., Tseng, C.L., Lu, F.M., Yang, E.C., Wu, Z.S. and Chen, C.P. 2008. A GSM-based remote wireless automatic monitoring system for field information: a case study for ecological monitoring of oriental fruit fly, Bactrocera dorsalis (Hendel). Computer and Electronics in Agriculture 62: 243-259. https://doi.org/10.1016/j.compag.2008.01.005.
Khdery, G., Frag, E. and Arafat, S. 2019. Natural vegetation cover discrimination using hyperspectral data in Wadi Hagul, Egypt. Egyptian Journal of Remote Sensing and Space Science 22: 253-262.
Konanz, S., Kocsanyi, L. and Buschmann, C. 2014. Advanced multi-color fluorescence imaging system for detection of biotic and abiotic stresses in leaves. Agriculture 4: 79-95.
Kuska, M., Wahabzada, M., Leucker, M., Dehne, H. W., Kersting, K., Oerke, E.C., Steiner, U. and Mahlein, A. K. 2015. Hyperspectral phenotyping on microscopic scale – towards automated characterization of plant-pathogen interactions. Plant Methods 11: 28. https://doi.org/10.1186/s13007-015-0073-7.
Kuska, M.T. and Mahlein, A.K. 2018. Aiming at decision making in plant disease protection and phenotyping by the use of optical sensors. European Journal of Plant Pathology 152(4): 987-992.
López-López, M., Calderón, R., González-Dugo, V., Zarco-Tejada, P. and Fereres, E. 2016. Early detection and quantification of almond red leaf blotch using high-resolution hyperspectral and thermal imagery. Remote Sensing 8(4): 276. https://doi.org/10.3390/rs8040276.
Mahlein, A.K. 2016. Plant disease detection by imaging sensors-Parrels and specific demands for precision agriculture and plant phenotyping. Plant Disease 100: 241-251. https://doi.org/10.1094/pdis-03-15-0340-fe.
Mahlein, A.K., Steiner, U., Dehne, H.W. and Oerke, E.C. 2010. Spectral signatures of sugar beet leaves for the detection and differentiation of diseases. Precision Agriculture 11: 413-431.
Mahlein, A.K., Steiner, U., Hillnhütter, C., Dehne, H.W. and Oerke, E.C. 2012. Hyperspectral imaging for small-scale analysis of symptoms caused by different sugar beet disease. Plant Methods 8: 3. https://doi.org/10.1186/1746-4811-8-3.
Martin, D.E. and Latheef, M.A. 2017. Remote sensing evaluation of two-spotted spider mite damage on greenhouse cotton. Journal of Visualized Experiments 122: e54314.
Moghimi, A., Pourreza, A., Zuniga-Ramirez, G., Williams, L.E. and Fidelibus, M.W. 2020. A novel machine learning approach to estimate grapevine leaf nitrogen concentration using aerial multispectral imagery. Remote Sensing 12(21): 3515. https://doi.org/10.3390/rs12213515.
Moran, M.S., Inoue, Y. and Barnes, E.M. 1997. Opportunities and limitations for image-based remote sensing in precision crop management. Remote Sensing of Environment 61: 319-346.
Moshou, D., Bravo, C., West, J., Wahlen, S., McCartney, A. and Ramon, H. 2004. Automatic detection of ‘yellow rust’ in wheat using reflectance measurements and neural networks. Computers and Electronics in Agriculture 44: 173-188.
Neumann, M., Hallau, L., Klatt, B., Kersting, K. and Bauckhagem C. 2014. Erosion band features for cell phone image based plant disease classification. Proceeding of the 22nd International Conference on Pattern Recognition (ICPR), Stockholm, Sweden. pp: 3315-3320.
Oerke, E.C., Frohling, P. and Steiner, U. 2011. Thermographic assessment of scab disease on apple leaves. Precision Agriculture 12: 699-715.
Omidi, R., Moghimi, A., Pourreza, A., El-Hadedy, M. and Salah Eddin, A. 2020. Ensemble hyperspectral band selection for detecting nitrogen status in grape leaves. 19th IEEE International Conference on Machine Learning and Application (ICMLA). http://dx.doi.org/10.1109/ICMLA51294. 2020.00054.
Osco, L.P., Ramos, A.P.M., Moriya, É.A.S., de Souza, M., Junior, J.M., Matsubara, E.T., Imai, N.N. and Creste, J.E. 2019a. Improvement of leaf nitrogen content inference in Valencia-orange trees applying spectral analysis algorithms in UAV mounted-sensor images. International Journal of Applied Earth Observation and Geoinformation 83: 101907. https://doi.org/10.1016/j.jag.2019.101907.
Osco, L.P., Marques Ramos, A.P., Roberto Pereira, D., Akemi Saito Moriya, É., Nobuhiro Imai, N., Takashi Matsubara, E., Estrabis, N., de Souza, M., Marcato Junior, J., Gonçalves, W. N., Li, J., Liesenberg, V. and Creste, J.E. 2019b. Predicting canopy nitrogen content in citrus-trees using random forest algorithm associated to spectral vegetation indices from UAV-Imagery. Remote Sensing 11(24): 2925. https://doi.org/10.3390/rs11242925.
Piou, C. and Prévost, E. 2013. Contrasting effects of climate change in continental vs. oceanic environments on population persistence and microevolution of Atlantic salmon. Global Change Biology Bioenergy 19: 711-723. https://doi.org/10.1111/gcb.12085.
Polder, G., van der Heijden, G.W.A.M., van Doorn, J. and Baltissen, T.A.H.M.C. 2014. Automatic detection of tulip breaking virus (TBV) in tulip fields using machine vision. Bio systems Engineering 117: 35-42. https://doi.org/10.1016/j.biosystemseng.2013.05.010.
Prabhakar, M., Prasad, Y.G., Thirupathi, M., Sreedevi, G., Dharajothi, B. and Venkateswarlu, B. 2011. Use of ground based hyperspectral remote sensing for detection of stress in cotton caused by leafhopper (Hemiptera: Cicadellidae). Computers and Electronics in Agriculture 79: 189-198. https://doi.org/10.1016/j.compag.2011.09.012.
Rousseau, C., Belin, E., Bove, E., Rousseau, D., Fabre, F., Berruyer, R., Guillaumes, J., Manceau, C., Jaques, M. A. and Boureau, T. 2013. High throughput quantitative phenotyping of plant resistance using chlorophyll fluorescence image analysis. Plant Methods 9: 17. https://doi.org/10.1186/1746-4811-9-17.
Rumpf, T., Mahlein, A.K., Steiner, U., Oerke, E.C., Dehne, H.W. and Plümer, L. 2010. Early detection and classification of plant diseases with support vector machines based on hyperspectral reflectance. Computers and Electronics in Agriculture 74: 91-99. https://doi.org/10.1016/j.compag.2010.06.009.
Sahoo, R.N., Ray, S.S. and Manjunath, K.R. 2015. Hyperspectral remote sensing of agriculture. Current Science 108: 848-859.
Sankaran, S., Maja, J., Buchanon, S. and Ehsani, R. 2013. Huanglongbing (citrus greening) detection using visible, near infrared and thermal imaging techniques. Sensors 13 (2): 2117-2130. https://doi.org/10.3390/s130202117.
Strickland, R.M., Ess, D.R. and Parsons, S.D. 1998. Precision farming and precision pest management: the power of new crop production technologies. Journal of Nematology 30(4): 431-435.
Sugiura, R., Tsuda, S., Tamiya, S., Itoh, A., Nishiwaki, K., Murakami, N., Shibuya, Y., Hirafuji, M. and Nuske, S. 2016. Field phenotyping system for the assessment of potato late blight resistance using RGB imagery from an unmanned aerial vehicle. Biosystems Engineering 148: 1-10. https://doi.org/10.1016/j.biosystemseng.2016.04.010.
Wang, X., Zhang, M., Zhu, J. and Geng, S. 2008. Spectral prediction of Phytophthora infestans infection on tomatoes using artificial neural network (ANN). International Journal of Remote Sensing 29: 1693-1706. http://dx.doi.org/10.1080/01431160701281007.
West, S.J., Bravo, C., Oberti, R., Moshou, D., Ramon, H. and McCartney, H.A. 2010. Detection of fungal diseases optically and pathogen inoculum by air sampling. Pp. 135-150. In: Oerke, E.C., Gerhards, R., Menz, G. and Sikora, R.A. (eds.). Precision crop protection-the challenge and use of heterogeneity. Springer, Dordrecht.
Wijekoon, C.P., Goodwin, P.H. and Hsiang, T. 2008. Quantifying fungal infection of plant leaves by digital image analysis using Scion Image software. Journal of Microbiological Methods 27: 94-101. http://dx.doi.org/10.1016/j.mimet.2008.03.008.
Yones, M.S., Aboelghar, M., Khdery, G.A., Dahi, H.F. and Sowilem, M. 2019a. Spectral signature for detecting pest infestation of some cultivated plants in the northern west coast of Egypt. Egyptian Academic Journal of Biological Science 12: 73-38.
Yones, M.S., Aboelghar, M., Khdery, G.A., Farag, E., Ali, A.M., Salem, N.H. and Ma’mon, S. 2019b. Spectral measurements for monitoring of sugar beet infestation and its relation with production. Asian Journal of Agriculture and Biology 7(3): 386-395.
Yones, M.S., Khdery, G.A., Dahi, H.F., Farg, E., Arafat, S.M. and Gamil, W.E. 2019c. Early detection of pink boll worm Pectinophora gossypiella (Saunders) using remote sensing technologies. Proc. SPIE 11149, Remote Sensing for Agriculture, Ecosystems, and Hydrology XXI, 111491C (21 October).
Zarate-Valdez, J.L., Muhammad, S., Saa, S., Lampinen, B.D. and Brown, P.H. 2015. Light interception, leaf nitrogen and yield prediction in almonds: a case study. European Journal of Agronomy 66: 1-7. https://doi.org/10.1016/j.eja.2015.02.004.
Zhang, X., Li, P. and Jiang, Z. 2016. Evaluation of spectral indices for assessing tomato leaf chlorophyll content. Precision Agriculture 17(2): 225-243.
