1 Департамент сельскохозяйственной и биологической инженерии, Юго-Западный исследовательский и образовательный центр штата Флорида, Университет Флориды, Иммокали, Флорида, Соединенные Штаты

2 Департамент энтомологии и нематологии, Юго-Западный исследовательский и образовательный центр штата Флорида, Университет Флориды, Иммокали, Флорида, Соединенные Штаты

3 Департамент фитопатологии, Юго-Западный исследовательский и образовательный центр штата Флорида, Университет Флориды, Иммокали, Флорида, Соединенные Штаты

Дистанционное зондирование и машинное обучение (ML) могут помочь и поддержать производителей, заинтересованные стороны и фитопатологов в определении болезней растений, вызванных вирусными, бактериальными и грибковыми инфекциями. Спектральные вегетационные индексы (VIs) показали свою полезность для непрямого обнаружения болезней растений. Целью данного исследования было использование ML-моделей и идентификация VIs для обнаружения ложной мучнистой росы (DM) у арбуза на нескольких стадиях тяжести заболевания (DS), включая низкую, среднюю (уровни 1 и 2), высокую и очень высокую. Гиперспектральные изображения листьев были собраны в лаборатории с помощью настольной системы (380–1000 нм) и в поле с помощью системы визуализации на основе БПЛА (380–1000 нм). Два метода классификации, многослойный перцептрон (MLP) и дерево решений (DT), были реализованы для различения здоровых растений и растений, поражённых DM. Наилучшие показатели классификации были зафиксированы методом MLP; однако при низкой тяжести заболевания точность составила всего 62,3%. Точность классификации увеличивалась с ростом тяжести заболевания (например, 86–90% для лабораторного анализа и 69–91% для полевого анализа). Лучшие длины волн для различения стадий DS были выбраны в диапазонах 531 нм и 700–900 нм. Наиболее значимыми VIs для обнаружения DS были индекс хлорофилла зелёного (CI green), фотохимический отражательный индекс (PRI), нормализованный индекс феофитинизации (NPQI) для лабораторного анализа, а также индексы RARSA, RASRb, RARSc и CI green для полевого анализа. Спектральные VIs и ML могут улучшить обнаружение и мониторинг болезней для приложений точного земледелия.

Ключевые слова: искусственный интеллект, гиперспектральная визуализация, болезни растений, дистанционное зондирование, БПЛА

Флорида является вторым по величине производителем арбузов в Соединенных Штатах после Техаса. Согласно информации Службы экономических исследований USDA за 2017 год, более 113 000 акров были возделаны по всей территории США, произведя 40 миллионов фунтов арбузов. Годовой бюджет на арбузы в США составил 578,8 млн долларов в 2016 году. Несколько болезней негативно влияют на производство арбузов во Флориде, и точная идентификация болезней имеет решающее значение для своевременного и эффективного применения тактик управления. Одним из основных заболеваний арбуза является ложная мучнистая роса (DM), вызываемая грибоподобным оомицетом (Pseudoperonospora cubensis). Симптомы DM обнаруживаются на листьях, где поражения начинаются как хлоротичные (жёлтые) участки, которые становятся некротическими (коричневыми/чёрными) участками, окружёнными хлоротичным ореолом. В условиях высокой влажности на нижней стороне листьев в пределах поражений появляется густое спороношение патогена, имеющее пушистый вид. Сильно поражённые листья становятся сморщенными и коричневыми и могут выглядеть обожжёнными. Инфекция ложной мучнистой росы распространяется быстро и, если её не контролировать, может уничтожить всю посадку в течение нескольких дней, отсюда прозвище «лесной пожар» как за быстрое развитие болезни, так и за обожжённый вид листьев. Ложная мучнистая роса не поражает стебли или плоды напрямую; однако дефолиация из-за DM оставляет плоды подверженными солнечным ожогам, что делает плоды нетоварными. Поэтому успешное полевое обследование на наличие болезней улучшило бы урожайность путём своевременного и эффективного применения мер управления.

Из-за быстрого и разрушительного характера заболевания раннее обнаружение и профилактическое применение фунгицидов имеют решающее значение для его контроля. Неразрушающие методы использовались в качестве инструментов дистанционного зондирования для идентификации и оценки болезней, возникающих в течение сезона (Immerzeel et al., 2008). Багери (2020) применил аэросъёмку мультиспектральных изображений для обнаружения груш, заражённых бактериальным ожогом, с использованием беспилотного летательного аппарата (БПЛА), и несколько вегетационных индексов (VIs) (IPI, RDVI, MCARI1, MCARI2, TVI, MTVI1, MTVI2, TCARI, PSRI и ARI) были оценены для обнаружения болезни. Метод опорных векторов (SVM) использовался для обнаружения больных деревьев с точностью 95%95%. В другом примере корневая гниль хлопчатника была обнаружена с использованием дистанционного зондирования с БПЛА и трёх методов автоматической классификации для определения областей, загрязнённых корневой гнилью хлопчатника (Wang et al., 2020). Е и др. (2020) разработали метод обнаружения и мониторинга фузариозного увядания с использованием мультиспектральных изображений с БПЛА. Были выбраны восемь VIs, связанных с концентрацией пигментов и изменениями в развитии растений, для определения биофизических и биохимических характеристик растений на этапах развития болезни (Ye et al., 2020). Беспилотные летательные аппараты могут покрывать большие площади сельскохозяйственных культур, используя аэрофотосъёмку для мониторинга прогрессирования болезни с течением времени. Анализ густых периодических последовательностей может предоставить дополнительную информацию о времени изменений в поле и повысить качество и точность информации, получаемой с помощью дистанционного зондирования (Woodcock et al., 2020).

Одним из преимуществ аэросъёмки с использованием БПЛА является предоставление информации об очагах заболеваний. Дистанционное зондирование (например, гиперспектральные изображения с БПЛА) может обнаруживать растения с болезнями на бессимптомных и ранних стадиях развития болезни, что имеет решающее значение для своевременного управления болезнями (Hariharan et al., 2019). Абдулридха и др. (2019, 2020a) успешно обнаружили различные стадии развития лаврового увядания у авокадо, а также бактериальной и целевой пятнистости у томатов с высокой точностью классификации с использованием дистанционного зондирования и машинного обучения. Лу и др. (2018) использовали данные спектрального отражения для обнаружения трёх различных болезней томатов (фитофтороз, целевая пятнистость и бактериальная пятнистость), и были извлечены несколько VIs для различения здоровых и больных растений. Лишь немногие исследования использовали гиперспектральные данные для обнаружения болезней арбуза, и они проводились в основном в лабораториях. Бласкес и Эдвардс (1986) использовали метод спектрорадиометра для измерения спектрального отражения здорового арбуза и его различия от двух болезней (фузариозное увядание и ложная мучнистая роса). Они обнаружили значительные различия между категориями болезней, особенно в БИК-области (700–900 нм). Калищук и др. (2019) использовали мультиспектральную визуализацию с БПЛА и несколько VIs для обнаружения арбузов, заражённых стеблевой гнилью, антракнозом, фузариозным увяданием, плодовой гнилью фитофторы, альтернариозом и вирусом курчавости листьев тыквенных в полевых условиях.

Однако все преимущества дистанционного зондирования для обнаружения болезней теряются (или растрачиваются), если они не синхронизированы с ранним управленческим контролем. Если раннее обнаружение болезни достигнуто и меры управления применяются вовремя, возможно ограничить распространение болезни по полю и минимизировать экономические потери. Одна из главных целей точного земледелия – оптимизировать использование фунгицидов и пестицидов путём обнаружения больных участков (горячих точек) и проведения адресного опрыскивания. Для выполнения пространственно точных применений требуется обнаружение и картирование симптомов стресса у культур с помощью датчиков. Некоторые недавние исследования были сосредоточены на обнаружении инфекций патогенов в культурах с помощью датчиков для реализации адресного применения фунгицидов (Abdulridha et al., 2020b,c). Инструменты высокопроизводительного фенотипирования, интернет вещей и интеллектуальная среда могут использоваться для наблюдения за неоднородностью жизнеспособности культур и могут быть полезны для оптимизации использования сельскохозяйственных ресурсов за счёт улучшенных решений на месте и точного времени и дозы химических обработок (West et al., 2003; Almalki et al., 2021; Saif et al., 2021; Alsamhi et al., 2022).

Раннее обнаружение болезней является ключом к ограничению распространения, снижению тяжести и минимизации ущерба урожаю. Точная идентификация болезней в начале вспышки необходима для реализации эффективных мер управления. Насколько нам известно, высокопроизводительная методика обнаружения и мониторинга стадий тяжести DM в полях арбуза ещё не разработана. В этом исследовании гиперспектральные изображения были собраны в поле (с помощью БПЛА) и в лаборатории (с помощью настольной системы) для (i) обучения ML-моделей для обнаружения и мониторинга DM на нескольких стадиях DS у арбуза и (ii) выбора наилучших диапазонов и VIs для различения здорового растения арбуза и растения, поражённого DM. Насколько нам известно, мы являемся первой группой, разработавшей метод гиперспектральной визуализации на основе БПЛА для обнаружения растений арбуза, поражённых DM, на нескольких стадиях тяжести заболевания (DS).

Эксперименты были проведены в Юго-Западном исследовательском и образовательном центре Университета Флориды в Иммокали, Флорида, США. Следовали руководящим принципам, установленным Университетом Флориды, для подготовки почвы, внесения удобрений, орошения, борьбы с сорняками и насекомыми. Грядки имели ширину 0.81 м0.81м с центрами 3.66 м3.66м, покрытые чёрной полиэтиленовой плёнкой.

Четырёхнедельная рассада арбуза сорта «Crimson Sweet» была высажена 9 марта 2019 года в почву (мелкий песок Иммокали) в полностью рандомизированном блочном дизайне с четырьмя повторностями. Каждый участок состоял из 10 растений, расположенных на расстоянии 0.91 м0.91м друг от друга в ряду длиной 8.23 м8.23м с расстоянием 3,05 м между участками. Растения были естественно заражены DM.

Здоровые листья арбуза были собраны 10 апреля 2019 года. После первого обнаружения DM листья были собраны с растений, поражённых DM, на пяти стадиях тяжести заболевания (DS; процент поражённой ткани листа). Для лабораторного анализа листья были собраны на стадии низкой DS (несколько поражений); затем со стадий средняя 1 и 2, высокая и очень высокая DS. Система градации тяжести DM следующая: низкая DS имела 5–10%5–10% поражения, и по мере прогрессирования болезни процент инфекции постепенно увеличивался от низкой до средних стадий DS 1 и 2 (соответственно 11–20%11–20% и 21–30%21–30% поражения), а затем высокая и очень высокая стадии DS резко возрастали до 31–50%31–50% и 51–75%51–75% поражения соответственно (Рисунок 1). В этом исследовании спектральные данные не собирались, когда DS превышала 75%75%, потому что листья были в очень плохом состоянии и высушены. В полевом исследовании (на основе БПЛА) DS была классифицирована на две стадии: низкая и высокая (Рисунок 2). Разница в количестве стадий DS в лаборатории и в поле была связана с тем, что в лаборатории каждый лист анализировался как образец, а в поле в качестве образца использовалось целое растение. Следовательно, было легче количественно оценить стадию DS на отдельном листе, чем на целом растении, которое может включать листья на разных стадиях DS.

Спектральные данные были собраны с использованием настольной гиперспектральной системы визуализации Pika L 2.4 (Resonon Inc., Бозмен, Монтана, США) (Рисунок 1E). Pika L 2.4 была оснащена объективом 23 мм23мм, который имеет спектральный диапазон 380–1,030 нм380–1,030нм, поле зрения 15.3∘15.3∘ и спектральное разрешение 2.1 нм2.1нм. Эта же гиперспектральная камера использовалась в лаборатории (Рисунок 1E) и в поле (Рисунок 2C) после смены объективов, охватывая тот же спектральный диапазон. Гиперспектральные датчики Resonon (RHI), известные как сканирующие датчики (push-broom), представляют собой линейно-сканирующие датчики, имеющие 281 спектральный канал. Система состоит из линейного столика, который перемещается двигателем столика. В лаборатории над линейным столиком были установлены контролируемые галогенные источники освещения для создания идеальных условий для проведения спектральных сканов. Гиперспектральная система визуализации была расположена так, что расстояние от объектива до линейного столика составляло 0.5 м0.5м. Осветители были расположены на том же уровне, что и объектив, в параллельной плоскости. Все сканы выполнялись с использованием программного обеспечения Spectronon Pro (Resonon Inc., Бозмен, Монтана, США), которое подключалось к камере через USB-кабель. Перед выполнением сканов листьев тёмный шум удалялся с помощью программного обеспечения. Затем камера калибровалась с использованием белой пластины (эталон отражения), предоставленной производителем, и помещалась в те же условия, что и при выполнении сканов. Выбор областей интереса (RoIs) (например, Рисунок 1B) выполнялся вручную путём выбора шести областей спектрального сканирования на лист (10 листьев на стадию DS), чтобы предотвратить возникновение какой-либо предвзятости. Общее количество спектральных сканов (RoIs), выбранных для каждой стадии DS, составило 60. Области интереса выбирались таким образом, чтобы они включали как поражённые, так и непоражённые участки листовой ткани. Количество пикселей каждого выбранного спектрального скана составляло от 800 до 900 пикселей. Среднее значение 60 спектральных сканов использовалось для формирования общей кривой спектральной сигнатуры для каждой стадии DS. Программное обеспечение Spectronon Pro, являющееся программным обеспечением для постобработки данных, использовалось для анализа спектральных данных каждого скана листа. Несколько областей, содержащих симптоматические и бессимптомные участки на листьях, были выбраны с помощью инструмента выбора, и был сгенерирован спектр. Для здоровых растений и растений, поражённых DM (пять стадий DS), на листьях были выбраны несколько случайных точек, и среднее спектральное отражение было рассчитано и использовано для формирования кривых спектральной сигнатуры.

РИСУНОК 1 | (A) Здоровые листья арбуза и листья, поражённые ложной мучнистой росой, на разных стадиях тяжести (в качестве примеров): (B) низкая (это изображение включает примеры областей интереса, RoIs); (C) средняя; и (D) высокая. (E) Сбор гиперспектральных данных в лаборатории с помощью гиперспектральной камеры Pika L2 (Resonon Inc., Бозмен, Монтана, США).

Спектральные данные были собраны в поле с использованием БПЛА (Matrice 600 Pro, Hexacopter, DJI Inc., Шэньчжэнь, Китай) и той же гиперспектральной камеры (Pika L 2.4). Система визуализации на основе БПЛА включала (Рисунок 2C): (i) гиперспектральную камеру Resonon Pika L 2.4; (ii) объектив видимого-БИК (V-NIR) для камеры Pika L с фокусным расстоянием 17 мм17мм, полем зрения (FOV) 17,6 градусов и мгновенным полем зрения (IFOV) 0,71 мрад; (iii) систему управления полётом на основе глобальной навигационной спутниковой системы (GNSS) (Tallysman 33-2710NM-00-3000, Tallysman Wireless Inc., Онтарио, Канада) и инерциального измерительного блока (IMU) (Ellipse N, SGB Systems S.A.S., Франция) для многороторных воздушных судов для записи положения и ориентации датчика; и (iv) программное обеспечение для анализа гиперспектральных данных Resonon (Spectronon Pro, Resonon, Бозмен, Монтана, США), способное корректировать данные GPS/IMU с использованием плагина георектификации. Данные собирались на высоте 30 м30м над землёй и со скоростью 1.5 м с−11.5мс−1. На полученной карте размер пикселя является функцией рабочего расстояния (расстояние между объективом камеры и сканируемой областью/полем) и FOV. Это значение варьируется в зависимости от параметров полёта. В данном исследовании оно составляло около 35 мм35мм на пиксель. Для коррекции данных отражения от излучения использовался серый тент (Group VIII Technologies); отражательный тент составлял 36%36%. Радиометрическая калибровка выполнялась с использованием калиброванной интегрирующей сферы. Производитель брал 100 линий спектральных данных и создавал файл радиометрической калибровки, содержащий таблицу поиска со всеми комбинациями времени интегрирования и частоты кадров. Эти данные использовались для преобразования исходных данных камеры (цифровые значения) в физические единицы излучения в микрофликсах. Камера Pika L 2.4 является датчиком типа «pushbroom» или линейного сканирования, который создаёт 2D-изображение, где каждый пиксель изображения содержит непрерывный спектр отражения. Для калибровки данных при различных условиях освещения в поле использовался калибровочный тент (Рисунок 2D). RoIs были выбраны вручную случайным образом для каждого растения, и было выполнено несколько спектральных сканов для охвата всего полога. Каждая RoI содержала четыре пикселя, и для каждого растения было выбрано четыре RoI. Общий размер выборки для каждой стадии DS составлял 20 растений. RoIs затем были перенесены в текстовый файл и обработаны с использованием программного обеспечения SPSS (SPSS 13.0, Inc., Чикаго; Microsoft Corp., Редмонд, Вашингтон, США).

Вегетационные индексы могут служить индикаторами для идентификации стадий DS на основе любых дефектов в функционировании растений, таких как физико-химические дефекты, влияющие на фотосинтез, метаболические и питательные процессы. Факторами, наиболее подверженными влиянию болезней и которые можно измерить, являются содержание хлорофилла, структура клеток, клеточный сок, наличие и относительная концентрация пигментов, содержание воды и углерода, выраженные в солнечно-отражённом оптическом спектре (400–2500 нм) (Xiao et al., 2014). Нейросетевой многослойный перцептрон был использован для выбора наилучших VIs, которые могли бы идентифицировать болезнь DM и её DS. Для анализа данных и оценки всех VIs, оценённых в этом исследовании (Таблица 1), использовалось программное обеспечение SPSS. Коэффициент корреляции был ещё одним параметром, который использовался в этом исследовании для оценки эффективности VI в обнаружении стадий тяжести DM.

Дерево решений (DT) – это непараметрический управляемый процесс обучения, используемый для организации и регрессии. Цель DT – создать модель, которая вычисляет значение целевой переменной, изучая простые правила выбора, выведенные из признаков данных. Дерево решений способно обрабатывать данные, измеренные на разных шкалах, при отсутствии каких-либо моделей для распределений пропорций данных по модулям, гибкости и способности обрабатывать нелинейные связи между признаками и модулями (Friedl and Brodley, 1997). Дерево решений может быть обучено быстро и быстро выполняться. Это широко используемая техника в обработке изображений для обнаружения различных болезней растений. В этом исследовании классификация проводилась между здоровыми растениями арбуза и растениями, поражёнными DM, на нескольких стадиях DS. Набор данных был разделён на 70%70% для обучения и 30%30% для тестирования.

Многослойный перцептрон (MLP), который является глубокой искусственной нейронной сетью, был применён для идентификации различий между здоровым состоянием и несколькими стадиями тяжести болезни DM. Подобно нейронной сети, MLP является функцией предикторов, также называемых входами или независимыми переменными, которые минимизируют ошибку прогнозирования целевых переменных, также называемых выходами. Эти модели могут учиться на примерах. Таким образом, при использовании нейронной сети нет необходимости программировать, как получается выход для заданного входа; скорее, нейронная сеть использует алгоритм обучения для вычисления связи между входом и выходом, который затем используется для прогнозирования выхода с введёнными входными значениями. Нейронная сеть создаёт подогнанную модель в аналитической форме, где параметрами являются вес, смещение и топология сети. Многослойный перцептрон – это полностью связанная многослойная сеть с прямой связью, обучаемая с учителем с помощью алгоритма обратного распространения для минимизации квадратичного критерия ошибки; значения не передаются обратно на более ранние слои. Многослойный перцептрон состоит из входного слоя, скрытого слоя и выходного слоя. Входной и выходной слои не взвешены, а функции передачи на узлах скрытого слоя являются радиально-симметричными. Полный набор данных был случайным образом разделён на две части путём разделения активного набора данных на обучающие (70%)(70%) и тестовые (30%)(30%) выборки. После обучения MPL-модель была запущена на тестовом наборе, который дал несмещённую оценку ошибки обобщения.

Во время сбора спектральных данных в оптимальных условиях света и температуры в лаборатории было снято спектральное отражение пяти стадий тяжести болезни DM. Спектральные сигнатуры и коэффициент корреляции при разной тяжести заболевания были измерены и сравнены (Рисунок 3). Спектральное отражение стадии очень высокой DS показало значительное увеличение в зелёном и красном диапазонах (450–650 нм), в то время как другие стадии показали более низкое спектральное отражение в видимом диапазоне (380–700 нм). Значения спектрального отражения стадии очень высокой DS были снижены в БИК-диапазоне, а спектральное отражение в красной границе расходилось с другими стадиями. Листья арбуза на низкой и средней стадиях DS имели очень мало симптомов; поэтому между спектральными отражениями для этих стадий были лишь незначительные различия. Спектральная сигнатура отражения сильно связана с тяжестью ожидаемых симптомов патогена DM (Рисунок 3A). В видимом диапазоне (380–700 нм) не было больших различий в сигнатуре коэффициента корреляции всех стадий DS (Рисунок 3B). Сигнатуры были идентичны до диапазона красной границы (700 нм), где постепенно начали проявляться различия между стадиями DS (особенно высокой и очень высокой тяжести). Из Рисунка 3B очевидно, что коэффициент корреляции показал большие различия в БИК-диапазоне по мере увеличения DS.

РИСУНОК 3 (A) Сигнатуры спектрального отражения (собраны в лаборатории) листьев арбуза, поражённых ложной мучнистой росой, на пяти стадиях тяжести заболевания (DS); и (B) коэффициент корреляции для листьев арбуза в здоровом состоянии (H) и на пяти стадиях DS.

РИСУНОК 4 | Результаты классификации методов MLP и DT для различения здорового состояния (H) против нескольких стадий тяжести ложной мучнистой росы у арбуза в лаборатории. Вертикальные линии на столбцах – это планки погрешностей.

Результаты классификации варьировались в зависимости от тяжести заболевания, так как на низкой стадии DS классификация была ниже, чем на других стадиях (например, 62.3%62.3% и 52.6%52.6% для MLP и DT соответственно). Скорость классификации увеличивалась по мере увеличения тяжести симптомов болезни (Рисунок 4). Наивысшее значение классификации MLP было на стадии очень высокой DS – 90%90%. Метод классификации DT имел более низкую точность обнаружения, чем метод классификации MLP для всех стадий DS (Рисунок 4). Следовательно, метод MLP был выбран как наилучший метод классификации для обнаружения DM и классификации стадий DS. Поэтому он был использован для выбора наилучших диапазонов длин волн и VIs для обнаружения болезни. Наилучшие диапазоны длин волн для обнаружения низкой и средней 1 стадий DS были найдены на красной границе (711–722 нм), для средней 2 и высокой стадий DS – на 1007–1020 нм, а для очень высокой стадии DS – на красной границе (759–761 нм). Наилучшие VIs, выбранные с использованием метода классификации MLP, для низкой и средней 1 стадий DS были CI green и PRI соответственно, в то время как для средней 2, высокой и очень высокой стадий DS – NPQI (Таблица 2).

На Рисунке 5A показаны спектральные сигнатуры, полученные с БПЛА, для здоровых растений и растений, поражённых DM. В видимом диапазоне значения спектрального отражения здоровых растений и растений, поражённых DM на низкой стадии DS, были ниже, чем на высокой стадии DS, которая имела пиковое значение 20%20% в зелёной полосе. Значения спектрального отражения здоровых растений были ниже, чем на низкой и высокой стадиях DS в БИК-диапазоне. Спектральное отражение низкой стадии DS было выше, чем высокой стадии DS, особенно в диапазоне 750–915 нм. Значительных различий на красной границе не видно, где обе стадии DS имели почти идентичные сигнатуры. В БИК-диапазоне (700–1000 нм) значения спектрального отражения низкой и высокой стадий DS были выше значений спектрального отражения здоровых растений.

Коэффициенты корреляции для здоровых, низкой и высокой стадий DS были почти идентичны в видимом диапазоне (Рисунок 5B). В диапазоне 750–1000 нм были зафиксированы некоторые различия между значениями коэффициента корреляции двух стадий DS (Рисунок 5B). Рисунок 5B показывает различия между низкой и высокой стадиями DS на 750 и 1000 нм.

Метод MLP дал более высокую точность классификации, чем метод DT; на низкой стадии DS точность классификации MLP составила 69%69%, в то время как точность классификации DT составила 60%60% (Рисунок 6). Наивысшая точность классификации была достигнута на высокой стадии DS – 91%91% для MLP, в то время как для DT она составила 69%69%. Наилучшие диапазоны длин волн для классификации низкой стадии DS находились между 952 и 965 нм965нм, в то время как для высокой стадии DS наилучшие диапазоны были на красной границе (755–780 нм). Наилучшими VIs для обнаружения болезни были RARSc и RARSA для низкой стадии DS, а RARSb и CI green для высокой стадии DS (Таблица 2).

ТАБЛИЦА 2 | Наилучшие диапазоны длин волн и вегетационные индексы, измеренные в лаборатории и в поле для обнаружения различных стадий тяжести ложной мучнистой росы.

РИСУНОК 5 (A) Сигнатуры спектрального отражения, полученные из гиперспектральных изображений, собранных в поле; и (B) коэффициент корреляции для растения арбуза в здоровом состоянии (H), на низкой и высокой стадиях тяжести ложной мучнистой росы.

РИСУНОК 6 | Результаты классификации методов MLP и DT для обнаружения нескольких стадий тяжести ложной мучнистой росы у растений арбуза в поле по сравнению со здоровыми растениями (H). Вертикальные линии на столбцах – это планки погрешностей.

Растения арбуза очень восприимчивы к болезням; поэтому было разработано несколько неразрушающих и высокопроизводительных методов для обнаружения таких болезней, как антракноз, листовая гниль и листовая пятнистость (He et al., 2021). Бласкес и Эдвардс (1986) разработали лабораторную методику для обнаружения арбуза, заражённого фузариозным увяданием, ложной мучнистой росой и мозаикой арбуза. Все три болезни имели значительные различия в ближнем инфракрасном диапазоне (700–900 нм). Калищук и др. (2019) применили мультиспектральную визуализацию с БПЛА для идентификации, используя NDVI, стеблевой гнили, антракноза, фузариозного увядания, плодовой гнили фитофторы, альтернариоза и вируса курчавости листьев тыквенных. Показатели заболеваемости и тяжести были значительно различаются между традиционным обследованием и обследованием с помощью БПЛА. Не существует другой системы на основе БПЛА для обнаружения и мониторинга DM в полевых условиях.

Разница между нашими результатами (т.е. точностью обнаружения DS моделями, наилучшими длинами волн и VIs для обнаружения DS) в лаборатории и поле может быть объяснена различными условиями окружающей среды и процедурами сбора данных. Например, в лаборатории данные собираются с отдельных листьев на близком расстоянии и с искусственным светом, в отличие от поля, где данные собираются БПЛА (30 м над землёй) с целых растений. Следовательно, результаты лабораторного и полевого анализа нельзя напрямую сравнивать.

Листья арбуза, поражённые DM, показали различные сигнатуры спектрального отражения для каждой стадии DS (как в лаборатории, так и в поле). Однако в видимом диапазоне не было значительных различий между здоровым состоянием и низкой стадией DS (5–10% инфекции), что указывает на то, что визуальное наблюдение очень затрудняет различение этих стадий. По этой причине гиперспектральная визуализация и машинное обучение могут использоваться для более эффективного и быстрого раннего обнаружения болезней растений и их тяжести (по сравнению с методами визуального обнаружения).

Лабораторные измерения показали, что спектральное отражение здоровых растений было выше, чем у других стадий DS в синем диапазоне. Основные различия между здоровыми и заражёнными растениями в спектральных сигнатурах как в лабораторных, так и в полевых измерениях были обнаружены на стадии высокой тяжести в зелёном, красной границе и БИК-диапазоне (700–1000 нм), в то время как в БИК-диапазоне сигнатура спектрального отражения здоровых растений была выше, чем у других стадий DS. Стадия высокой DS имела уникальную сигнатуру, которую можно использовать для отличия этой стадии от других (и здоровых растений). Хотя мы могли визуально наблюдать изменение цвета листьев для некоторых стадий DS, не все имели одинаковый уровень изменения.

В поле результаты не показали значительных различий между низкой и высокой стадиями DS в видимом диапазоне; наблюдались лишь незначительные различия. Однако эти незначительные различия в спектральном отражении в видимом диапазоне всё же можно рассматривать как показатель изменения цвета листьев. Листья и полог растений на низкой стадии DS имели очень мало визуальных симптомов, и точность классификации была низкой как в лаборатории, так и в поле. По мере уменьшения содержания хлорофилла и воды повреждение клеток листьев увеличивается (Barnawal et al., 2017), и это помогает методам классификации лучше классифицировать стадии DS, особенно на средней и очень высокой стадиях DS.

Обычная практика выбора значимых длин волн для обнаружения DS новых VIs – это корреляция с биохимическим или биофизическим признаком, например, содержание хлорофилла a + b, параметр структуры листа, содержание воды и так далее (Gitelson and Merzlyak, 1996; Hatfield et al., 2008). Обычно изменение спектрального отражения может привести к обнаружению растений в стрессовых условиях без указания или описания того, какой тип стресса вызывает повреждение растения (Carter and Miller, 1994; Gitelson and Merzlyak, 1994). Например, как упоминалось ранее, несколько факторов могут снизить содержание хлорофилла, некоторые из которых являются физиологическими или биохимическими, вызванными тяжестью DM, и это снижение может повлиять на фотосинтетическую активность.

В обоих экспериментальных условиях наилучшие вегетационные индексы (например, PRI, этот индекс больше связан с зелёным диапазоном; и CI green) смогли различать здоровые растения и растения, поражённые DM, на низкой и высокой стадиях DS. PRI, который вычисляется путём нормализации 531 и 570 нм570нм, в основном основан на зелёном диапазоне. Любой дефицит или нарушение в хлорофилле повлияет на значение PRI; PRI всё чаще используется как показатель фотосинтетической эффективности (Garbulsky et al., 2011) и как индикатор водного стресса (Suarez et al., 2008). Одним из первых изменений в растении, поражённом DM, является снижение концентрации хлорофилла, что влияет на процесс фотосинтеза в заражённом листе, и некоторые VIs, связанные с содержанием хлорофилла, могут использоваться для обнаружения этих изменений (Mandal et al., 2009; Bellow et al., 2013; Barnawal et al., 2017). Наши результаты подтверждают это.

Выбранные наилучшие спектральные VIs дали высокую специфичность и чувствительность для обнаружения и идентификации ложной мучнистой росы на разных стадиях тяжести. Более низкие результаты классификации были достигнуты на низкой стадии DS из-за незначительных изменений в составе листьев (по сравнению со здоровым растением). Наивысшие результаты классификации были получены методом MLP на высокой и очень высокой стадиях DS (87–90%), в то время как метод DT показал более низкие результаты классификации (по сравнению с MLP) для всех стадий DS. Некоторые VIs могут использоваться для обнаружения болезней и классификации стадий DS. Использование гиперспектральной визуализации для идентификации наиболее значимых VIs для обнаружения и идентификации нескольких стадий DS позволит улучшить понимание и специфичность обнаружения болезней. Будущая работа включает разработку простого и недорогого датчика на основе БПЛА, основанного на предыдущих исследованиях и разработках, который измеряет спектральное отражение только в узких диапазонах (например, специализированная мультиспектральная камера), с центром на определённых длинах волн для раннего обнаружения DM в поле.

Исходные данные, подтверждающие выводы этой статьи, будут предоставлены авторами без излишних ограничений.

JA, YA, JQ и PR разработали, спроектировали, обработали, проанализировали и интерпретировали эксперименты. JA, YA и PR собрали данные. JA и YA проанализировали данные и подготовили рукопись. JQ и PR отредактировали рукопись. Все авторы внесли вклад в статью и одобрили представленную версию.

Этот материал стал возможен, частично, благодаря Соглашению о сотрудничестве с Службой маркетинга сельскохозяйственной продукции Министерства сельского хозяйства США через грант AM190100XXXXG036.

Отказ от ответственности: Содержание является исключительной ответственностью авторов и не обязательно отражает официальную точку зрения USDA.

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Все утверждения, выраженные в этой статье, являются исключительно точкой зрения авторов и не обязательно отражают точку зрения их аффилированных организаций, издателя, редакторов и рецензентов. Любой продукт, который может быть оценён в этой статье, или заявление, которое может быть сделано его производителем, не гарантируется и не поддерживается издателем.

© 2022 Абдулридха, Ампацидис, Куреши и Робертс. Это статья открытого доступа, распространяемая в соответствии с условиями Лицензии Creative Commons Attribution (CC BY). Использование, распространение или воспроизведение в других формах разрешено при условии указания автора(ов) и владельца(ев) авторских прав и цитирования оригинальной публикации в этом журнале в соответствии с принятой академической практикой. Не допускается использование, распространение или воспроизведение, не соответствующие этим условиям.

Abdulridha, J., Ehsani, R., Abd-Elrahma, A., and Ampatzidis, Y. (2019). A remote sensing technique for detecting laurel wilt disease in avocado in presence of other biotic and abiotic stresses. Comput. Electron. Agric. 156, 549-557. doi: 10.1016/j.compag.2018.12.018

Abdulridha, J., Ampatzidis, Y., Kakarla, S. C., and Roberts, P. (2020a). Detection of target spot and bacterial spot disease in tomato using UAV-based and benchtop-based hyperspectral imaging techniques. Precis. Agric. 21, 955-978. doi: 10.1007/s11119-019-09703-4

Abdulridha, J., Ampatzidis, Y., Qureshi, J., and Roberts, P. (2020b). Laboratory and UAV-based identification and classification of tomato yellow leaf curl, bacterial spot, and target spot diseases in tomato utilizing hyperspectral imaging and machine learning. Remote Sens. 12:2732. doi: 10.3390/rs12172732

Abdulridha, J., Ampatzidis, Y., Roberts, P., and Kakarla, S. C. (2020c). Detecting powdery mildew disease in squash at different stages using UAV-based hyperspectral imaging and artificial intelligence. Biosyst. Eng. 197, 135-148. doi: 10.1016/j.biosystemseng.2020.07.001

Almalki, F. A., Soufiene, B., Alsamhi, S. H., and Sakli, H. (2021). A Low-Cost Platform for Environmental Smart Farming Monitoring System Based on IoT and UAVs. Sustainability 13:5908. doi: 10.3390/su13115908

Alsamhi, S. H., Almalki, F. A., Afghah, F., Hawbani, A., Shvetsov, A. V., Lee, B., et al. (2022). Drones' Edge Intelligence Over Smart Environments in BSG: blockchain and Federated Learning Synergy. IEEE Trans. Green Commun. Netw. 6, 295-312. doi: 10.1109/tgcn.2021.3132561

Babar, M. A., Reynolds, M. P., Van Ginkel, M., Klatt, A. R., Raun, W. R., and Stone, M. L. (2006). Spectral reflectance to estimate genetic variation for in-season biomass, leaf chlorophyll, and canopy temperature in wheat. Crop Sci. 46, 1046-1057. doi: 10.2135/cropsci2005.0211

Bagheri, N. (2020). Application of aerial remote sensing technology for detection of fire blight infected pear trees. Comput. Electron. Agric. 168:105147. doi: 10.1016/j.compag.2019.105147

Barnwal, D., Pandey, S. S., Bharti, N., Pandey, A., Ray, T., Singh, S., et al. (2017). ACC-deaminase-containing plant growth-promoting rhizobacteria protect Papaver somniferum from downy mildew. J. Appl. Microbiol. 122, 1286-1298. doi: 10.1111/jam.13417

Barnes, J. D., Balaguer, L., Manrique, E., Elvira, S., and Davison, A. W. (1992). 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. 32, 85-100. doi: 10.1016/0098-8472(92)90034-y

Bellow, S., Latouche, G., Brown, S. C., Poutaraud, A., and Cerovic, Z. G. (2013). Optical detection of downy mildew in grapevine leaves: daily kinetics of autofluorescence upon infection. J. Exp. Bot. 64, 333-341. doi: 10.1093/jxb/ers338

Blackburn, G. A. (1998). Spectral indices for estimating photosynthetic pigment concentrations: a test using senescent tree leaves. Int. J. Remote Sens. 19, 657-675. doi: 10.1080/014311698215919

Blazquez, C. H., and Edwards, G. J. (1986). Spectral reflectance of healthy and diseased watermelon leaves. Ann. Appl. Biol. 108, 243-249. doi: 10.1111/j.1744-7348.1986.tb07646.x

Broge, N. H., and Leblanc, E. (2001). Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density. Remote Sens. Environ. 76, 156-172. doi: 10.1016/s0034-4257(00)00197-8

Carter, G. A., and Miller, R. L. (1994). Early detection of plant stress by digital imaging within narrow stress-sensitive wavebands. Remote Sens. Environ. 50, 295-302. doi: 10.1016/0034-4257(94)90079-5

Chappelle, E. W., Kim, M. S., and McMurtrey, J. E. (1992). 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. 39, 239-247. doi: 10.1016/0034-4257(92)90089-3

Friedl, M. A., and Brodley, C. E. (1997). Decision tree classification of land cover from remotely sensed data. Remote Sens. Environ. 61, 399-409. doi: 10.1016/s0034-4257(97)00049-7

Gamon, J. A., Penuelas, J., and Field, C. B. (1992). A narrow-waveband spectral index that tracks diurnal changes in photosynthetic efficiency. Remote Sens. Environ. 41, 35-44. doi: 10.1016/0034-4257(92)90059-S

Garbulsky, M. F., Penuelas, J., Gamon, J., Inoue, Y., and Filella, I. (2011). The photochemical reflectance index (PRI) and the remote sensing of leaf, canopy and ecosystem radiation use efficiencies A review and meta-analysis. Remote Sens. Environ. 115, 281-297. doi: 10.1016/j.rse.2010.08.023

Gitelson, A., and Merzlyak, M. N. (1994). Quantitative estimation of chlorophyll-a using reflectance spectra - experiments with autumn chestnut and maple leaves. J. Photochem. Photobiol. B Biol. 22, 247-252. doi: 10.1016/1011-1344(93)06963-4

Gitelson, A. A., Gritz, Y., and Merzlyak, M. N. (2003). Relationships between leaf chlorophyll content and spectral reflectance and algorithms for non-destructive chlorophyll assessment in higher plant leaves. J. Plant Physiol. 160, 271-282. doi: 10.1078/0176-1617-00887

Gitelson, A. A., Kaufman, Y. J., Stark, R., and Rundquist, D. (2002). Novel algorithms for remote estimation of vegetation fraction. Remote Sens. Environ. 80, 76-87. doi: 10.1016/s0034-4257(01)00289-9

Gitelson, A. A., and Merzlyak, M. N. (1996). Signature analysis of leaf reflectance spectra: algorithm development for remote sensing of chlorophyll. J. Plant Physiol. 148, 494-500. doi: 10.1016/s0176-1617(96)80284-7

Gitelson, A. A., Merzlyak, M. N., and Chivkunova, O. B. (2001). Optical properties and nondestructive estimation of anthocyanin content in plant leaves. Photochem. Photobiol. 74, 38-45. doi: 10.1562/0031-8655(2001)074<0038:opaneo>2.0.co;2

Haboudane, D., Miller, J. R., Pattey, E., Zarco-Tejada, P. J., and Strachan, I. B. (2004). Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: modeling and validation in the context of precision agriculture. Remote Sens. Environ. 90, 337-352. doi: 10.1016/j.rse.2003.12.013

Haboudane, D., Miller, J. R., Tremblay, N., Zarco-Tejada, P. J., and Dextraze, L. (2002). Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture. Remote Sens. Environ. 81, 416-426. doi: 10.1016/s0034-4257(02)00018-4

Hariharan, J., Fuller, J., Ampatzidis, Y., Abdulridha, J., and Lerwill, A. (2019). Finite difference analysis and bivariate correlation of hyperspectral data for detecting laurel wilt disease and nutritional deficiency in avocado. Remote Sens. 11:1748. doi: 10.3390/rs11151748

Hatfield, J. L., Gitelson, A. A., Schepers, J. S., and Walthall, C. L. (2008). Application of spectral remote sensing for agronomic decisions. Agron. J. 100, S117-S131.

He, X., Fang, K., Qiao, B., Zhu, X. H., and Chen, Y. N. (2021). Watermelon Disease Detection Based on Deep Learning. Int. J. Pattern Recogn. Artificial Intelligence 35:2152004. doi: 10.1142/s0218001421520042

Immerzeel, W. W., Gaur, A., and Zwart, S. J. (2008). Integrating remote sensing and a process-based hydrological model to evaluate water use and productivity in a south Indian catchment. Agric. Water Manag. 95, 11–24. doi: 10.1016/j.agwat.2007.08.006

Jordan, C. F. (1969). Derivation of leaf area index from quality of light on the forest floor. Ecology 50, 663–666. doi: 10.2307/1936256

Kalischuk, M., Paret, M. L., Freeman, J. H., Raj, D., Da Silva, S., Eubanks, S., et al. (2019). An Improved Crop Scouting Technique Incorporating Unmanned Aerial Vehicle-Assisted Multispectral Crop Imaging into Conventional Scouting Practice for Gummy Stem Blight in Watermelon. Plant Dis. 103, 1642–1650. doi: 10.1094/PDIS-08-18-1373-RE

Lu, J. Z., Ehsani, R., Shi, Y. Y., de Castro, A. I., and Wang, S. (2018). Detection of multi-tomato leaf diseases (late blight, target and bacterial spots) in different stages by using a spectral-based sensor. Sci. Rep. 8:2793. doi: 10.1038/s41598-018-21191-6

Mandal, K., Saravanan, R., Maiti, S., and Kothari, I. L. (2009). Effect of downy mildew disease on photosynthesis and chlorophyll fluorescence in Plantago ovata Forsk. J. Plant Dis. Prot. 116, 164–168. doi: 10.1007/bf03356305

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

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

Penuelas, J., Pinol, J., Ogaya, R., and Filella, I. (1997). Estimation of plant water concentration by the reflectance water index WI (R900/R970). Int. J. Remote Sens. 18, 2869–2875. doi: 10.1080/014311697217396

Raun, W. R., Solie, J. B., Johnson, G. V., Stone, M. L., Lukina, E. V., Thomason, W. E., et al. (2001). In-season prediction of potential grain yield in winter wheat using canopy reflectance. Agron. J. 93, 131–138. doi: 10.2134/agronj2001.931131x

Roujean, J. L., and Breon, F. M. (1995). Estimating Par Absorbed by Vegetation from Bidirectional Reflectance Measurements. Remote Sens. Environ. 51, 375–384. doi: 10.1016/0034-4257(94)00114-3

Saif, A. K., Dimyati, K., Noordin, A. N. S., Mohd Shah, S., Alsamhi, H., and Abdullah, Q. (2021). "Energy Efficient Tethered UAV Development in BSG for Smart Environment and Disaster Recovery," in 1st International conference on Emerging smart technology, IEEE, (Piscataway: IEEE).

Suarez, L., Zarco-Tejada, P. J., Sepulcre-Canto, G., Perez-Priego, O., Miller, J. R., Jimenez-Munoz, J. C., et al. (2008). Assessing canopy PRI for water stress detection with diurnal airborne imagery. Remote Sens. Environ. 112, 560–575. doi: 10.1016/j.rse.2007.05.009

Wang, T. Y., Thomasson, J. A., Yang, C. H., Isakiet, T., and Nichols, R. L. (2020). Automatic Classification of Cotton Root Rot Disease Based on UAV Remote Sensing. Remote Sens. 12:21.

West, J. S., Bravo, C., Oberti, R., Lemaire, D., Moshou, D., and McCartney, H. A. (2003). The potential of optical canopy measurement for targeted control of field crop diseases. Annu. Rev. Phytopathol. 41, 593–614. doi: 10.1146/annurev.phyto.41.121702.103726

Woodcock, C. E., Loveland, T. R., Herold, M., and Bauer, M. E. (2020). Transitioning from change detection to monitoring with remote sensing: A paradigm shift. Remote Sens. Environ. 238:111558. doi: 10.1016/j.rse.2019.111558

Xiao, Y. F., Zhao, W. J., Zhou, D. M., and Gong, H. L. (2014). Sensitivity Analysis of Vegetation Reflectance to Biochemical and Biophysical Variables at Leaf, Canopy, and Regional Scales. IEEE Trans. Geosci. Remote Sens. 52, 4014–4024. doi: 10.1109/tgrs.2013.2278838

Ye, H. C., Huang, W. J., Huang, S. Y., Cui, B., Dong, Y. Y., Guo, A. T., et al. (2020). Recognition of Banana Fusarium Wilt Based on UAV Remote Sensing. Remote Sens. 12:938. doi: 10.3390/rs12060938