تشخيص تنش خشكي در گلرنگ با دو روش تصويربرداري فروسرخ حرارتي و ابرطيفي

اصفهان : دانشگاه صنعتي اصفهان

مهندسي مكانيك بيوسيستم

دكتري

با توجه به تغييرات اقليم، افزايش دماي كره‌ي زمين و بروز خشكسالي، كاهش مصرف و افزايش بهره‌وري آب در بخش كشاورزي، به ويژه در مناطق داراي اقليم خشك اهميت ويژه‌اي دارد. در اين مناطق تنش خشكي يكي از مهم‌ترين عواملي است كه رشد و توليد گياهان زراعي را محدود مي‌سازد. تشخيص زودهنگام اين تنش براي جلوگيري از آسيب دائمي گياه و به حداقل رساندن كاهش عملكرد ضروري است. در اين رساله، از تصويربرداري ابرطيفي در سطح برگ و تصويربرداري حرارتي از كانوپي براي بررسي تنش خشكي در گياه گلرنگ استفاده شد. سه ژنوتيپ گلرنگ شامل Palenus، A82 و IL-111 در سه تيمار آبياري كشت شدند. تيمارهاي آبياري با تخليه 45 تا 50%، 65 تا 70% و 85 تا 90% از محتواي آب خاك اعمال شدندكه به ترتيب نشان دهنده شرايط بدون تنش (US)، تنش ملايم (MS) و تنش شديد (SS) بود. تصاوير ابرطيفي از نمونه‌هاي برگ قبل از ظهور علائم قابل مشاهده از كمبود آب گرفته شد. طبقه‌بندي با استفاده از كل داده‌هاي طيفي ميانگين با روش‌هاي مدل‌سازي نرم و مستقل شباهت‌هاي بين كلاسي (SIMCA)، تفكيك حداقل مربعات جزئي (PLS-DA)، ماشين‌هاي بردار پشتيبان (SVM) و شبكه‌هاي عصبي مصنوعي (ANN) انجام شد. از روش‌هاي مختلف انتخاب ويژگي (مبتني بر SIMCA، PLS-VIP و CARS) براي تشخيص طول‌موج‌هاي مؤثر و از مدلسازي ANN براي طبقه‌بندي سطوح مختلف تنش بر اساس طول‌موج‌هاي انتخابي استفاده شد. تحليل فضايي شامل طبقه‌بندي پيكسلي با استفاده از هر دو روش بدون نظارت (خوشه‌بندي k-means) و بانظارت (بهترين مدل طبقه‌بند) انجام شد. در ادامه، از طيف ميانگين برگ‌ها براي ساخت مدل‌هاي رگرسيون براي تخمين محتواي آب نسبي برگ (RWC) استفاده شد. بدين منظور مدل‌هاي رگرسيون PLSR، رگرسيون‌هاي فرآيند گوسي (GPR)، ANN، جنگل تصادفي (RF) و درخت تقويت شده (BT) بكار گرفته شدند. در نهايت، از تصاوير حرارتي بدست آمده در شرايط مزرعه‌اي، هيستوگرام دمايي برگ استخراج و از آن ويژگي‌هاي دمايي تصوير شامل بيشينه و كمينه، دامنه، ميانگين، ميانه، مد، چولگي و كشيدگي دماي كانوپي استخراج شدند. شاخص‌ تنش آبي محصول (CWSI) و هدايت روزنه‌اي (Ig) نيز از سطح خاكستري تصاوير حرارتي استخراج و سپس روابط بين RWC و هدايت روزنه‌اي اندازه‌گيري شده (gs) با CWSI و Ig بررسي شدند. نتايج نشان داد روش ANN با استفاده از كل داده‌هاي طيفي از ديگر مدل‌هاي طبقه‌بند در تشخيص كلاس‌هاي US، MS و SS عملكرد بهتري داشت، به نحوي كه مي‌توانست سطوح مختلف تنش در ژنوتيپ‌هاي Palenus، A82 و IL-111 را با F1-Score وزني به ترتيب 92/22%، 96/01% و 96/47% تشخيص دهد. در ميان روش‌هاي انتخاب ويژگي، روش مبتني بر SIMCA در پايش شرايط تنش در ژنوتيپ‌هاي Palenus و A82 بهتر عمل كرد. در تحليل فضايي بانظارت، مدل‌هاي ANN به وضوح، پيشرفت تنش در برگ‌هاي ژنوتيپ‌هاي مختلف را نشان دادند. نتايج مدل‌هاي تخمين RWC نشان دادند كه مدل RF به همراه پيش‌پردازش مشتق دوم براي Palenus، به همراه پيش‌پردازش MSC براي A82 و به همراه پيش‌پردازش مشتق دوم براي IL-111، توانستند بهترين پيشگويي‌ها را ارائه دهند. مقادير RPD برابر 2/035، 2/268 و 2/263 به ترتيب در ژنوتيپ‌هاي Palenus، A82 و IL-111، نشان از عملكرد خوب مدل‌هاي پيشگوي RWC بود. در بررسي تصاوير حرارتي، روابط منفي بين RWC و CWSI و gs و CWSI با ضرايب تبيين به ترتيب 0/358 و 0/328 و روابط مثبت بين RWC و Ig و gs و Ig با ضرايب تبيين به ترتيب 0/361 و 0/332 گزارش شد. اين مطالعه پتانسيل تصويربرداري ابرطيفي براي تفكيك سطوح مختلف تنش خشكي و تخمين RWC در ژنوتيپ‌هاي مختلف گلرنگ، به عنوان يك گياه دانه روغني مهم را نشان مي‌دهد.

233234

طراحي ماشين‌هاي كشاورزي

مهندسي كشاورزي

دانشگاه صنعتي اصفهان