Southwest Florida Research and Education Center, University of Florida, Immokalee, FL 34142, USA

Получено: 25 апреля 2019 г.; принято: 29 мая 2019 г.; опубликовано: 3 июня 2019 г.

Бактериальный рак цитрусовых — тяжёлое заболевание, поражающее листья, ветви и плоды цитрусовых. Для эффективной борьбы с ним критически важно раннее выявление. В настоящем исследовании разработан основанный на дистанционном зондировании метод обнаружения рака цитрусовых на листьях и незрелых плодах мандарина Sugar Belle, а также на деревьях в насаждении. В лабораторных условиях гиперспектральную камеру с диапазоном 400–1000 нм применяли к листьям и незрелым плодам на бессимптомной, ранней и поздней стадиях заболевания. В полевых условиях ту же камеру устанавливали на беспилотный летательный аппарат (БПЛА). Для классификации использовали нейронную сеть с радиально-базисной функцией (RBF) и метод k ближайших соседей (KNN). Для листьев точность RBF при разделении здоровых образцов и бессимптомной, ранней и поздней стадий составила соответственно 96, 96 и 100%; для KNN — 94, 95 и 96%. Из 31 исследованного вегетационного индекса наиболее результативными в лаборатории и в саду оказались индекс воды (WI), индекс отражения антоцианов (ARI) и преобразованный индекс поглощения хлорофилла в отражении (TCARI). Незрелые плоды оказались ненадёжным объектом ранней диагностики: здоровые и бессимптомные плоды разделялись с низкой точностью, тогда как поздняя стадия выявлялась с точностью до 92%. В полевых условиях здоровые и поражённые деревья были классифицированы методом RBF со 100%-ной точностью. Предложенный подход позволяет быстро обследовать большие площади и обнаруживать заражённые деревья до появления выраженных симптомов.

Ключевые слова: бактериальный рак цитрусовых; БПЛА; гиперспектральная съёмка; дистанционное зондирование; машинное обучение; вегетационные индексы.

Бактериальный рак цитрусовых (citrus bacterial canker, CBC), вызываемый Xanthomonas axonopodis pv. citri (Xcc), относится к наиболее опасным заболеваниям цитрусовых. Возбудитель поражает листья, ветви и плоды; болезнь снижает урожайность и товарное качество продукции и вызывает преждевременное опадение плодов. На листьях сначала появляются небольшие приподнятые пузыревидные хлоротические поражения, затем они буреют, их края становятся водянистыми и формируется жёлтый ореол. Бактерия распространяется главным образом с ветром и дождевыми брызгами; повреждения листьев усиливают заражение [1–8].

Традиционное обследование сада основано на визуальной оценке и лабораторном подтверждении, поэтому требует значительных затрат труда и времени и плохо подходит для обнаружения бессимптомной инфекции. Современные методы машинного зрения, спектроскопии и дистанционного зондирования дают возможность измерять вызванные патогеном изменения пигментов, водного режима и клеточной структуры до того, как они становятся очевидными для наблюдателя [9–15].

БПЛА обеспечивают высокое пространственное и временное разрешение, могут быстро обследовать отдельные деревья и целые насаждения и несут многоспектральные либо гиперспектральные датчики [16–23]. Ранее гиперспектральные методы применяли главным образом для выявления рака на зрелых оранжевых плодах в лаборатории [24,31]. Спектроскопические исследования других болезней цитрусовых, включая хуанлунбин, показали точность классификации свыше 90% [28–30], однако раннее обнаружение рака на листьях, зелёных плодах и кронах непосредственно в саду оставалось недостаточно изученным.

Цели работы: (i) выявить рак на листьях и незрелых зелёных плодах Sugar Belle на бессимптомной, ранней и поздней стадиях сначала в лаборатории, а затем в саду с использованием БПЛА и гиперспектральной камеры; (ii) оценить и отобрать оптимальные вегетационные индексы для диагностики в помещении и в поле. По сведениям авторов, это первая работа, в которой создан основанный на БПЛА метод обнаружения рака цитрусовых в насаждении и одновременно исследованы листья и незрелые плоды.

Листья и незрелые зелёные плоды мандарина Sugar Belle с признаками рака, а также здоровые листья и плоды были собраны в октябре 2018 г. в опытном саду Southwest Florida Research and Education Center Университета Флориды (Иммокали, Флорида, США). Выбрали четыре дерева; с каждого получили по 10 листьев для каждой стадии: бессимптомной, ранней и поздней. Незрелые плоды отбирали на бессимптомной и поздней стадиях. Здоровый контроль получали с растений, выращенных в теплице. Съёмку БПЛА выполняли на том же участке с 10:00 до 14:00, чтобы уменьшить изменение освещённости.

Рисунок 1. Примеры листьев Sugar Belle (верхний ряд), представляющих четыре категории: (a) здоровые; (b) бессимптомные; (c) ранняя стадия; (d) поздняя стадия рака. В нижнем ряду показаны незрелые зелёные плоды: (e) незаражённые; (f) бессимптомные; (g) поздняя стадия рака.

Фитопатолог отбирал листья и плоды в саду. Для подтверждения заражения Xcc проводили ПЦР. Ткань иссекали из участков с поражениями CBC и без них; ранние и поздние поражения сравнивали с бессимптомной тканью. Здоровые ткани тепличных растений служили отрицательным контролем. Образцы мацерировали в 100 мкл воды, свободной от нуклеаз, для высвобождения бактериальных клеток; гомогенат использовали в ПЦР.

Для Xcc применяли пары праймеров XACF/XACR [7], а пары 27F/1492R [32] — как общий бактериальный контроль. Конечный объём реакции составлял 25 мкл: 12,5 мкл DreamTaq Green PCR Master Mix, по 1 мкл каждого праймера, 9,5 мкл воды без нуклеаз и 1 мкл смеси ткани с водой. Режим амплификации: начальная денатурация 5 мин при 95 °C; 35 циклов по 15 с при 95 °C, 30 с при 60 °C и 30 с при 72 °C; конечная элонгация 7 мин при 72 °C. Восемь микролитров продукта разделяли в 1%-ном агарозном геле, окрашивали Apex Safe DNA Gel Stain и визуализировали в УФ. Полоса 561 п. н. обозначала положительный образец CBC. Отдельные положительные полосы вырезали и секвенировали для подтверждения.

Использовали настольную систему с камерой Resonon Pika L 2.4, стойкой, осветителями, сканирующим столиком, источником питания и программой SpectrononPro. Одна и та же камера после замены объектива применялась в помещении и в поле в диапазоне 400–1000 нм. Линейный push-broom-сканер формировал двумерное изображение построчно при перемещении образца. Скорость столика и частоту кадров устанавливали по фокусировочным и калибровочным листам. Для калибровки использовали белую полиэтиленовую панель типа 822 и тёмную линию с чёрной крышкой. Области интереса (RoI) выбирали вручную; на каждом листе и плоде случайно брали шесть спектральных отсчётов.

Рисунок 2. Гиперспектральная система Resonon Pika L для лабораторного сбора данных: стойка, осветители, сканирующий столик, управляющее программное обеспечение и образец листа.

Рисунок 3. Лабораторная система сбора данных для тканей Sugar Belle, заражённых раком: (a) области интереса на листьях; (b) области интереса на незрелых плодах, обозначенные белыми окружностями; каждый образец формирует шесть спектральных сигнатур; (c) псевдоцветные изображения поражённых листьев в инфракрасном, синем (450–485 нм), зелёном (500–565 нм) и красном (625–740 нм) диапазонах.

Камеру Pika L 2.4 установили на гексакоптер DJI Matrice 600 Pro. Комплекс включал V-NIR-объектив с фокусным расстоянием 23 мм, полем зрения 13,1° и мгновенным полем зрения 0,52 мрад, а также GPS и инерциальный измерительный блок системы управления DJI для записи положения и ориентации датчика. Данные собирали с высоты 30 м при скорости 1,5 м/ч. RoI случайно выбирали на созданных двумерных картах; координаты сохраняли в KML. Положение заражённых деревьев было заранее известно по результатам отбора листьев и ПЦР.

После съёмки карты обрабатывали в Spectronon Pro. Модули геометрической и радиометрической коррекции исправляли данные GPS/IMU и яркости. Для каждого дерева вручную и случайно выбирали RoI и выполняли 20 спектральных отсчётов, покрывая всю крону. Данные экспортировали в текстовом формате и анализировали в SPSS 13.0; пиксельные значения отражения внутри каждого класса объединяли.

Рисунок 4. Система сбора данных на основе БПЛА для деревьев Sugar Belle в саду: (a) съёмочный комплекс; (b) случайный выбор двадцати областей интереса в кроне дерева, заражённого раком.

Исходные изображения предварительно обрабатывали для устранения шумов прибора, освещения и отражательной способности системы. Радиометрическую калибровку выполняли пакетом ICP и модулем Radiance Conversion программы Spectronon.

При воздушной съёмке применяли серую панель из прочной тканой полиэфирной ткани типа 822. Поскольку корректность коэффициента отражения зависит от постоянства солнечного освещения, съёмку ограничивали интервалом 10:00–14:00. Яркость преобразовывали в отражение модулем Spectronon Reflectance Conversion from the Spectrally Flat Reference Cube.

В лабораторных изображениях шесть случайных RoI давали шесть сигнатур для каждого листа и плода. Для БПЛА-снимков использовали RoI крон и соответствующие спектральные сигнатуры. Сравнивали здоровые, бессимптомные, ранние и поздние стадии у листьев, три категории у плодов и здоровые и поражённые деревья в поле.

В видимом и ближнем ИК-диапазонах можно оценивать содержание хлорофилла, водный стресс и клеточную структуру [33,34]. Был исследован 31 индекс, выбранный для регистрации снижения хлорофилла и повреждения клеток листа бактерией. Здесь Rλ — коэффициент отражения на длине волны λ, NIR — ближний ИК-диапазон, G — зелёный диапазон, SQ — квадратный корень.

В SPSS классифицировали четыре категории листьев и три категории плодов. Применяли нейронную сеть RBF и KNN, выбранные благодаря высокой точности в сходных исследованиях [15,55].

RBF — искусственная нейронная сеть с обучением по учителю, пригодная для нелинейной классификации больших массивов спектральных данных [56]. Веса сети корректировались обратным распространением ошибки [57]. Полный набор случайно делили на обучающую (70%), тестовую (20%) и отложенную (10%) части [58]. Входными классами служили здоровое состояние и три стадии болезни. Результаты подтверждали методом holdout-перекрёстной проверки.

KNN — простой алгоритм обучения по учителю для классификации и регрессии [59]. Ближайшим объектам присваивается больший вклад, чем удалённым; K обозначает число учитываемых соседей. Различия между векторами признаков определяли по евклидову расстоянию [60,61]. Для обучения использовали 70%, для тестирования — 30% данных.

Для каждой стадии заболевания получены характерные спектральные сигнатуры листьев. У здоровых листьев пик отражения в зелёной области при 548 нм составлял 23%, у бессимптомных — 19%, у ранней стадии — 17%. Формы трёх кривых были сходными, тогда как на поздней стадии отражение в красном диапазоне возрастало.

Рисунок 5. Спектральные сигнатуры здоровых листьев и листьев на бессимптомной, ранней и поздней стадиях в лабораторных условиях; категории показаны линиями разного цвета.

Для листьев и плодов почти все показатели разделения здоровых и поражённых тканей были высокими, за исключением пары «здоровый — бессимптомный незрелый плод». RBF во всех случаях превосходил KNN. Наиболее важное разделение здорового и бессимптомного листа достигло 96% для RBF и 94% для KNN, что достаточно для ранней диагностики. Для листьев RBF обеспечил 96, 96 и 100% при сравнении здорового состояния соответственно с бессимптомной, ранней и поздней стадиями; KNN — 94, 95 и 96%.

Рисунок 6. Точность классификации здоровых и поражённых тканей методами RBF и KNN между стадиями болезни: (a) листья в лаборатории и деревья в поле; (b) незрелые зелёные плоды в лаборатории.

У незрелых плодов поздняя стадия имела более высокое отражение в видимой области и спад около 700 нм. Её наклон в красной области и зоне красного края отличался от остальных стадий. Сигнатуры здоровых и бессимптомных плодов существенно не различались; точность составила лишь 47% для RBF и 46% для KNN. Напротив, здоровые плоды уверенно отделялись от поздней стадии, для которой точность достигала примерно 92%.

Рисунок 7. Спектральные сигнатуры незрелых зелёных плодов Sugar Belle в здоровом состоянии, на бессимптомной и поздней стадиях рака.

Система позволила измерить отражение здоровых и заражённых деревьев. Сигнатура здоровых крон была сходна с лабораторной сигнатурой здоровых листьев; пик при 554 нм составлял 31%. Точность разделения здоровых и больных деревьев достигла 100% для RBF и 96% для KNN. RoI выбирали по всей кроне без нацеливания на отдельные симптомы. Из-за уменьшения содержания пигментов, повреждения устьиц, изменения воды и клеточной структуры отражение заражённых деревьев смещалось вниз и в видимом, и в ближнем ИК-диапазонах.

Рисунок 8. Спектральное отражение здоровых и поражённых раком цитрусовых деревьев, измеренное системой на основе БПЛА.

Максимальные точности RBF и KNN с использованием индексов определяли для лабораторных и полевых условий. В целом RBF давал более высокие результаты. Индексы позволяли уверенно разделять здоровые листья и бессимптомную, раннюю и позднюю стадии; полевые данные также обеспечили высокую точность классификации здоровых и заражённых деревьев.

Рисунок 9. Максимальная точность классификации по вегетационным индексам методами RBF и KNN в лабораторных и полевых условиях для здорового состояния и разных стадий рака.

В лаборатории WI был наиболее устойчивым индексом при всех сравнениях здоровых листьев с поражёнными. Наиболее информативными также были PRI и ряд индексов хлорофилла и красного края. В поле ARI и TCARI обеспечивали наиболее точное разделение здоровых и поражённых крон. Значения отобранных индексов статистически значимо различались между состояниями (ρ > F < 0,0001).

Рисунок 10. Точность RBF-классификации по вегетационным индексам: (a) здоровые и бессимптомные листья в помещении; (b) здоровые листья и ранняя стадия; (c) здоровые листья и поздняя стадия; (d) здоровые и заражённые деревья при съёмке с БПЛА.

Рисунок 11. Сравнение значений наиболее значимых индексов для разных состояний растений: (a) WI в лаборатории; (b) PRI в лаборатории; (c) ARI в поле при съёмке с БПЛА. Показаны средние значения и стандартные отклонения.

В здоровой ткани красный диапазон характеризуется сильным поглощением хлорофиллом. При поздней стадии снижение пигментов изменяет отражение, а бурые водянистые поражения с жёлтым ореолом сопровождаются уменьшением содержания воды и хлорофилла. Поэтому красный край 680–780 нм служит чувствительным показателем пигментного состава и водного стресса [44,65,66].

Ранняя диагностика до появления визуальных симптомов необходима для своевременных защитных мероприятий [67]. В ближнем ИК-диапазоне здоровые листья отличались от всех поражённых категорий, особенно в области 700 нм. Кривые бессимптомной и ранней стадий были близки и немного смещены вниз, а поздняя стадия имела значительно меньшее отражение при 700–950 нм. Повреждение клеток меняет структуру ткани и тем самым её NIR-сигнатуру. Полученная 96%-ная точность RBF для пары «здоровый — бессимптомный лист» показывает практическую ценность метода. Раннее обнаружение может снизить расход пестицидов, трудовые затраты и экологические риски [68–70].

Для зелёных плодов разделить здоровое и бессимптомное состояния не удалось, однако поздняя стадия обнаруживалась надёжно. Это первая, по сведениям авторов, попытка диагностики рака на незрелых цитрусовых плодах, тогда как прежние работы касались зрелых плодов [24,31].

В поле RBF-классификация по данным БПЛА достигла 100%. В других исследованиях БПЛА уже применялись для раннего выявления болезней и оценки состояния отдельных деревьев [17,71,72]; например, при диагностике хуанлунбина точность БПЛА-съёмки 67–85% превосходила результат авиационной съёмки 61–74% [71]. Настоящая работа впервые демонстрирует обнаружение рака цитрусовых с БПЛА непосредственно в саду.

Бактериальная инфекция изменяет пигменты, фотосинтез, цвет и структуру листа, что отражается в спектральном сигнале. Вегетационные индексы усиливают эти признаки путём отношений двух или более каналов; например, NDVI вычисляют как (NIR−R)/(NIR+R) [73,74]. WI точно отделял здоровые листья от всех поражённых категорий. ARI и TCARI с RBF точно классифицировали деревья в полевых условиях. Значения индексов у здоровых деревьев были значимо выше, чем у поражённых. Это согласуется с наблюдением, что после инфекции одними из первых меняются водный статус, водный стресс и структура кроны [75,76].

Лабораторный метод выявлял заражённые листья на бессимптомной, ранней и поздней стадиях, а система на основе БПЛА точно идентифицировала поражённые деревья. Незрелые плоды на ранней и поздней стадиях отличались от здоровых, однако точность для бессимптомных плодов была только 47%, поэтому плоды не следует считать надёжной тканью для ранней диагностики. RBF обеспечил наиболее высокие показатели: около 96% для здоровых листьев против бессимптомной и ранней стадий и 100% против поздней стадии.

WI оказался наиболее эффективным для лабораторной съёмки, а ARI и TCARI1 — для БПЛА. Разработанные методы пригодны для поиска заражения ещё на бессимптомной стадии. БПЛА позволяет быстро и недорого обследовать большие площади. Поскольку ARI и TCARI1 можно измерять многоспектральной камерой, для оперативной полевой диагностики может использоваться сравнительно недорогой БПЛА с многоспектральной системой.

Концепция: J.A. и Y.A.; методология: J.A., O.B. и Y.A.; валидация: J.A., Y.A. и O.B.; формальный анализ: J.A.; исследование: J.A.; ресурсы: Y.A. и O.B.; курирование данных: J.A.; подготовка первоначального текста: J.A.; рецензирование и редактирование: J.A., O.B. и Y.A.; визуализация: J.A.; руководство: Y.A. и O.B.; администрирование проекта: Y.A.

Исследование не получало внешнего финансирования.

Авторы благодарят Sri Charan Kakarla за сбор изображений, лабораторию фитопатологии за ПЦР-анализ, Timothy Willis и Ahmed Omer за сбор листьев и John Landau за языковое редактирование.

Авторы заявляют об отсутствии конфликта интересов.

1. Bock, C.H.; Parker, P.E.; Gottwald, T.R. Effect of stimulated wind-driven rain on duration and distance of dispersal of Xanthomonas axonompodis pv. citri from canker-infected citrus trees. Plant Dis. 2005, 89, 71–80. [CrossRef] [PubMed]

2. Hartung, J.S.; Daniel, J.F.; Pruvost, O.P. Detection of anthomonas-campestris pv. citri by the polymerase chain-reaction method. Appl. Environ. Microbiol. 1993, 59, 1143–1148. [PubMed]

3. Duan, S.; Jia, H.G.; Pang, Z.Q.; Teper, D.; White, F.; Jones, J.; Zhou, C.Y.; Wang, N. Functional characterization of the citrus canker susceptibility gene CsLOB1. Mol. Plant Pathol. 2018, 19, 1908–1916. [CrossRef] [PubMed]

4. Bock, C.H.; Graham, J.H.; Gottwald, T.R.; Cook, A.Z.; Parker, P.E. Wind speed and wind-associated leaf injury affect severity of citrus canker on Swingle citrumelo. Eur. J. Plant Pathol. 2010, 128, 21–38. [CrossRef]

5. Gottwald, R.T.; Graham, H.J.; Schubert, T.S. Citrus canker: the pathogen and its impact. Online. Plant Health Progress. 2002. [CrossRef]

6. Graham, H.J.; Gottwald, R.T.; Cubero, J.; Achor, D. Xanthomonas axonopodis pv. citri: Factors affecting successful eradication of citrus canker. Mol. Plant Pathol. 2004, 5, 1–5. [CrossRef]

7. Park, D.S.; Hyun, J.W.; Park, Y.J.; Kim, J.S.; Kang, H.W.; Hahn, J.H.; Go, S.J. Sensitive and specific detection of Xanthomonas axonopodis pv. citri by PCR using pathovar specific primers based on hrpW gene sequences. Microbiol. Res. 2006, 161, 145–149. [CrossRef]

8. Graham, J.H.; Leite, R.P. Lack of control of citrus canker by induced systemic resistance compounds. Plant Dis. 2004, 88, 745–750. [CrossRef]

9. Partel, V.; Kakarla, C.; Ampatzidis, Y. Development and evaluation of a low-cost and smart technology for precision weed management utilizing artificial intelligence. Comput. Electron. Agric. 2019, 157, 339–350. [CrossRef]

10. Partel, V.; Nunes, L.; Stansley, P.; Ampatzidis, Y. Automated vision-based system for monitoring Asian citrus psyllid in orchards utilizing artificial intelligence. Comput. Electron. Agric. 2019, 162, 328–336. [CrossRef]

11. Ashourloo, D.; Aghighi, H.; Matkan, A.A.; Mobasheri, M.R.; Rad, A.M. An investigation into machine learning regression techniques for the leaf rust disease detection using hyperspectral measurement. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2016, 9, 4344–4351. [CrossRef]

12. Zhang, Y.; Lee, W.S.; Li, M.Z.; Zheng, L.H.; Ritenour, M.A. Non-destructive recognition and classification of citrus fruit blemishes based on ant colony optimized spectral information. Postharvest Biol. Technol. 2018, 143, 119–128. [CrossRef]

13. Behmann, J.; Acebron, K.; Emin, D.; Bennertz, S.; Matsubara, S.; Thomas, S.; Bohnenkamp, D.; Kuska, M.T.; Jussila, J.; Salo, H.; et al. Specim IQ: Evaluation of a new, miniaturized handheld hyperspectral camera and its application for plant phenotyping and disease detection. Sensors 2018, 18, 441. [CrossRef]

14. Abdulridha, J.; Ampatzidis, Y.; Ehsani, R.; de Castro, A.I. Evaluating the performance of spectral features and multivariate analysis tools to detect laurel wilt disease and nutritional deficiency in avocado. Comput. Electron. Agric. 2018, 155, 203–211. [CrossRef]

15. Lu, J.Z.; Ehsani, R.; Shi, Y.Y.; Abdulridha, J.; de Castro, A.I.; Xu, Y.J. Field detection of anthracnose crown rot in strawberry using spectroscopy technology. Comput. Electron. Agric. 2017, 135, 289–299. [CrossRef]

16. Maes, W.H.; Steppe, K. Perspectives for remote sensing with unmanned aerial vehicles in precision agriculture. Trends Plant Sci. 2019, 24, 152–164. [CrossRef]

17. Ampatzidis, Y.; Partel, V. UAV-based high throughput phenotyping in citrus utilizing multispectral imaging and artificial intelligence. Remote Sens. 2019, 11, 410. [CrossRef]

18. Zhang, J.; Virk, S.; Porter, W.; Kenworthy, K.; Sullivan, D.; Schwartz, B. Applications of unmanned aerial vehicle based imagery in turfgrass field trials. Front. Plant Sci. 2019, 10, 279. [CrossRef]

19. Albetis, J.; Jacquin, A.; Goulard, M.; Poilve, H.; Rousseau, J.; Clenet, H.; Dedieu, G.; Duthoit, S. On the potentiality of UAV multispectral imagery to detect flavescence doree and grapevine trunk diseases. Remote Sens. 2019, 11, 23. [CrossRef]

20. Albetis, J.; Duthoit, S.; Guttler, F.; Jacquin, A.; Goulard, M.; Poilve, H.; Feret, J.B.; Dedieu, G. Detection of flavescence doree grapevine disease using unmanned aerial vehicle (UAV) multispectral imagery. Remote Sens. 2017, 9, 308. [CrossRef]

21. Kerkech, M.; Hafiane, A.; Canals, R. Deep leaning approach with colorimetric spaces and vegetation indices for vine diseases detection in UAV images. Comput. Electron. Agric. 2018, 155, 237–243. [CrossRef]

22. Dash, J.P.; Pearse, G.D.; Watt, M.S. UAV multispectral imagery can complement satellite data for monitoring forest health. Remote Sens. 2018, 10, 1216. [CrossRef]

23. Liu, Q.; Song, H.; Liu, G.; Huang, C.; Li, H. Evaluating the potential of multi-seasonal CBERS-04 imagery for mapping the quasi-circular vegetation patches in the Yellow River delta using random forest. Remote Sens. 2019, 11, 1216. [CrossRef]

24. Qin, J.; Burks, T.F.; Ritenour, M.A.; Bonn, W.G. Detection of citrus canker using hyperspectral reflectance imaging with spectral information divergence. J. Food Eng. 2009, 93, 183–191. [CrossRef]

25. Weng, H.Y.; Lv, J.W.; Cen, H.Y.; He, M.B.; Zeng, Y.B.; Hua, S.J.; Li, H.Y.; Meng, Y.Q.; Fang, H.; He, Y. Hyperspectral reflectance imaging combined with carbohydrate metabolism analysis for diagnosis of citrus Huanglongbing in different seasons and cultivars. Sens. Actuators B Chem. 2018, 275, 50–60. [CrossRef]

26. Sharif, M.; Khan, M.A.; Iqbal, Z.; Azam, M.F.; Lali, M.I.U.; Javed, M.Y. Detection and classification of citrus diseases in agriculture based on optimized weighted segmentation and feature selection. Comput. Electron. Agric. 2018, 150, 220–234. [CrossRef]

27. Zhang, B.H.; Liu, L.S.; Gu, B.X.; Zhou, J.; Huang, J.C.; Tian, G.Z. From hyperspectral imaging to multispectral imaging: Portability and stability of HIS-MIS algorithms for common defect detection. Postharvest Biol. Technol. 2018, 137, 95–105. [CrossRef]

28. Sankaran, S.; Mishra, A.; Maja, J.M.; Ehsani, R. Visible-near infrared spectroscopy for detection of Huanglongbing in citrus orchards. Comput. Electron. Agric. 2011, 77, 127–134. [CrossRef]

29. Mishra, A.R.; Karimi, D.; Ehsani, R.; Lee, W.S. Identification of citrus greening (HLB) using a VIS-NIR spectroscopy technique. Trans. ASABE 2012, 55, 711–720. [CrossRef]

30. Sankaran, S.; Ehsani, R. Comparison of visible near infrared and mid-infrared spectroscopy for classification of Huanglongbing and citrus canker infected leaves. Agric. Eng. Int. CIGR J. 2013, 15, 75.

31. Pourreza, A.; Lee, W.S.; Ritenour, M.A.; Roberts, P. Spectral characteristics of citrus black spot disease. Horttechnology 2016, 26, 254–260.

32. Tanner, M.A.; Everett, C.L.; Youvan, D.C. Molecular phylogenetic evidence for noninvasive zoonotic transmission of Staphylococcus intermedius from a canine pet to a human. J. Clin. Microbiol. 2000, 38, 1628–1631. [PubMed]

33. Penuelas, J.; Pinol, J.; Ogaya, R.; Filella, I. Estimation of plant water concentration by the reflectance water index WI (R900/R970). Int. J. Remote Sens. 1997, 18, 2869–2875. [CrossRef]

34. Haboudane, D.; Miller, J.R.; Pattey, E.; Zarco-Tejada, P.J.; Strachan, I.B. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture. Remote Sens. Environ. 2004, 90, 337–352. [CrossRef]

35. Jordan, C.F. Derivation of leaf area index from quality of light on the forest floor. Ecology 1969, 50, 663–666. [CrossRef]

36. Gitelson, A.A.; Merzlyak, M.N. Signature analysis of leaf reflectance spectra: Algorithm development for remote sensing of chlorophyll. J. Plant Physiol. 1996, 148, 494–500. [CrossRef]

37. Gamon, J.A.; Penuelas, J.; Field, C.B. A narrow-waveband spectral index that tracks diurnal changes in photosynthetic efficiency. Remote Sens. Environ. 1992, 41, 35–44. [CrossRef]

38. Chappelle, E.W.; Kim, M.S.; McMurtrey, J.E. Ration analysis of reflectance spectra (RARS)—An algorithm for the remote estimation concentration of chlorophyll-a, chlorophyll-b, and carotenoid soybean leaves. Remote Sens. Environ. 1992, 39, 239–247. [CrossRef]

39. Blackburn, G.A. Spectral indices for estimating photosynthetic pigment concentrations: A test using senescent tree leaves. Int. J. Remote Sens. 1998, 19, 657–675. [CrossRef]

40. Raun, W.R.; Solie, J.B.; Johnson, G.V.; Stone, M.L.; Lukina, E.V.; Thomason, W.E.; Schepers, J.S. In-season prediction of potential grain yield in winter wheat using canopy reflectance. Agron. J. 2001, 93, 131–138. [CrossRef]

41. Penuelas, J.; Baret, F.; Filella, I. Semiempirical indexes to assess carotenoids chlorophyll-a ratio from leaf spectral reflectance. Photosynthetica 1995, 31, 221–230.

42. Penuelas, J.; Filella, I.; Biel, C.; Serrano, L.; Save, R. The reflectance at the 950–970 nm region as an indicator of plant water status. Int. J. Remote Sens. 1993, 14, 1887–1905. [CrossRef]

43. Barnes, J.D.; Balaguer, L.; Manrique, E.; Elvira, S.; Davison, A.W. A reappraisal of the use of DMSO for the extraction and determination of chlorophylls-A and chlorophylls-B in lichens and higher-plants. Environ. Exp. Bot. 1992, 32, 85–100. [CrossRef]

44. Penuelas, J.; Gamon, J.A.; Fredeen, A.L.; Merino, J.; Field, C.B. Reflectance indexes associated with physiological-changes in nitrogen-limited and water-limited sunflower leaves. Remote Sens. Environ. 1994, 48, 135–146. [CrossRef]

45. Hunt, E.R., Jr.; Rock, B.N. Detection of changes in leaf water content using near- and middle-infrared reflectances. Remote Sens. Environ. 1989, 30, 43–54.

46. Haboudane, D.; Miller, J.R.; Tremblay, N.; Zarco-Tejada, P.J.; Dextraze, L. Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture. Remote Sens. Environ. 2002, 81, 416–426. [CrossRef]

47. Gitelson, A.A.; Kaufman, Y.J.; Stark, R.; Rundquist, D. Novel algorithms for remote estimation of vegetation fraction. Remote Sens. Environ. 2002, 80, 76–87. [CrossRef]

48. Merton, R. Monitoring Community Hysteresis Using Spectral Shift Analysis and the Red-Edge Vegetation Stress Index. In JPL Airborne Earth Science Workshop; NASA, Jet Propulsion Laboratory: Pasadena, CA, USA, 1998.

49. Broge, N.H.; Leblanc, E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density. Remote Sens. Environ. 2001, 76, 156–172. [CrossRef]

50. Roujean, J.L.; Breon, F.M. Estimating par absorbed by vegetation from bidirectional reflectance measurements. Remote Sens. Environ. 1995, 51, 375–384. [CrossRef]

51. Metternicht, G. Vegetation indices derived from high-resolution airborne videography for precision crop management. Int. J. Remote Sens. 2003, 24, 2855–2877. [CrossRef]

52. Babar, M.A.; Reynolds, M.P.; Van Ginkel, M.; Klatt, A.R.; Raun, W.R.; Stone, M.L. Spectral reflectance to estimate genetic variation for in-season biomass, leaf chlorophyll, and canopy temperature in wheat. Crop Sci. 2006, 46, 1046–1057. [CrossRef]

53. Bausch, W.C.; Duke, H.R. Remote sensing of plant nitrogen status in corn. Trans. ASAE 1996, 39, 1869–1875. [CrossRef]

54. Gitelson, A.A.; Merzlyak, M.N.; Chivkunova, O.B. Optical properties and nondestructive estimation of anthocyanin content in plant leaves. Photochem. Photobiol. 2001, 74, 38–45. [CrossRef]

55. Omrani, E.; Khoshnevisan, B.; Shamshirband, S.; Saboohi, H.; Anuar, N.B.; Nasir, M. Potential of radial basis function-based support vector regression for apple disease detection. Measurement 2014, 55, 512–519. [CrossRef]

56. Singh, V.; Rao, S.M. Application of image processing and radial basis neural network techniques for ore sorting and ore classification. Miner. Eng. 2005, 18, 1412–1420. [CrossRef]

57. Palmer, S.E. Parallel distributed-processing—Explorations in the microstructure of cognition. Contemp. Psychol. 1987, 32, 925–928. [CrossRef]

58. Barros, A.C.A.; Cavalcanti, G.D.C. Combining global optimization algorithms with a simple adaptive distance for feature selection and weighting. In Proceedings of the IEEE International Joint Conference on Neural Networks (IJCNN 2008), Hong Kong, China, 1–8 June 2008.

59. Abdullah, M.Z.; Guan, L.C.; Azemi, B. Stepwise discriminant analysis for colour grading of oil palm using machine vision system. Food Bioprod. Process. 2001, 79, 223–231. [CrossRef]

60. Swartzla, E.E.; Fukunaga, K. Introduction to statistical pattern recognition. IEEE Trans. Syst. Man Cybern. 1974, MC 4, 238.

61. Weinberger, K.Q.; Saul, L.K. Distance metric learning for large margin nearest neighbor classification. J. Mach. Learn. Res. 2009, 10, 207–244.

62. Abdulridha, J.; Ehsani, R.; de Castro, A. Detection and differentiation between laurel wilt disease, phytophthora disease, and salinity damage using a hyperspectral sensing technique. Agriculture 2016, 6, 56. [CrossRef]

63. Ampatzidis, Y.; De Bellis, L.; Luvisi, A. iPathology: Robotic applications and management of plants and plant diseases. Sustainability 2017, 9, 1010. [CrossRef]

64. Luvisi, A.; Ampatzidis, Y.G.; De Bellis, L. Plant pathology and information technology: Opportunity for management of disease outbreak and applications in regulation frameworks. Sustainability 2016, 8, 831. [CrossRef]

65. Sims, D.A.; Gamon, J.A. Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages. Remote Sens. Environ. 2002, 81, 337–354. [CrossRef]

66. Daughtry, C.S.T.; Walthall, C.L.; Kim, M.S.; de Colstoun, E.B.; McMurtrey, J.E. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance. Remote Sens. Environ. 2000, 74, 229–239. [CrossRef]

67. Lowe, A.; Harrison, N.; French, A.P. Hyperspectral image analysis techniques for the detection and classification of the early onset of plant disease and stress. Plant Methods 2017, 13, 80. [CrossRef]

68. Sonobe, R.; Sano, T.; Horie, H. Using spectral reflectance to estimate leaf chlorophyll content of tea with shading treatments. Biosyst. Eng. 2018, 175, 168–182. [CrossRef]

69. Frels, K.; Guttieri, M.; Joyce, B.; Leavitt, B.; Baenziger, P.S. Evaluating canopy spectral reflectance vegetation indices to estimate nitrogen use traits in hard winter wheat. Field Crop. Res. 2018, 217, 82–92. [CrossRef]

70. Patil, J.K.; Kumer, R. Advances in image processing for detection of plant diseases. Adv. Bioinf. Appl. Res. 2011, 12, 135–141.

71. Garcia-Ruiz, F.; Sankaran, S.; Maja, J.M.; Lee, W.S.; Rasmussen, J.; Ehsani, R. Comparison of two aerial imaging platforms for identification of Huanglongbing-infected citrus trees. Comput. Electron. Agric. 2013, 91, 106–115. [CrossRef]

72. Abdulridha, J.; Ehsani, R.; Abd-Elrahma, A.; Ampatzidis, Y. A remote sensing technique for detecting laurel wilt disease in avocado in presence of other biotic and abiotic stresses. Comput. Electron. Agric. 2019, 156, 549–557. [CrossRef]

73. Hansen, P.M.; Schjoerring, J.K. Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression. Remote Sens. Environ. 2003, 86, 542–553. [CrossRef]

74. Rodriguez-Caballero, E.; Knerr, T.; Weber, B. Importance of biocrusts in dryland monitoring using spectral indices. Remote Sens. Environ. 2015, 170, 32–39. [CrossRef]

75. Asaari, M.S.M.; Mishra, P.; Mertens, S.; Dhondt, S.; Inze, D.; Wuyts, N.; Scheunders, P. Close-range hyperspectral image analysis for the early detection of stress responses in individual plants in a high-throughput phenotyping platform. ISPRS J. Photogramm. Remote Sens. 2018, 138, 121–138. [CrossRef]

76. Sandmann, M.; Grosch, R.; Graefe, J. The use of features from fluorescence, thermography, and NDVI imaging to detect biotic stress in lettuce. Plant. Dis. 2018, 102, 1101–1107. [CrossRef]