[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 6، شماره 3 - ( 9-1397 ) ::
جلد 6 شماره 3 صفحات 39-57 برگشت به فهرست نسخه ها
تشخیص بیماری زوال مرکبات با استفاده از سامانه بدون سرنشین هوایی مجهز به دوربین چندطیفی
عرفان صیدی پور، فرهاد صمدزادگان، فرزانه دادرس جوان ، امید عسکری
دانشگاه تهران
چکیده:   (201 مشاهده)
امروزه با توجه به افزایش جمعیت و کاهش منابع غذایی، دستیابی به سامانه‌های کنترل و پایش آفات و بیماری‌های گیاهی با دقت بالا به‌منظور تولید و دستیابی به محصولات کشاورزی سالم و کافی و پیشگیری از خسارت آفات و بیماری‌های گیاهی و کاهش هزینه‌های ناشی از کنترل آنها  اهمیت فراوانی پیدا کرده است. سامانه‌‌های هوایی بدون سرنشین به دلیل کاهش هزینه‌های مالی‌ و نیروی انسانی، سهولت کاربرد، امکان اخذتصویر در شرایط آب و هوایی ابری در زیر پوشش ابرها، قابلیت انعطاف در مدت زمان و ارتفاع تصویر‌برداری، توان تفکیک مکانی بسیار بالا و استفاده از آنها در اخذ داده‌های سنجش از دور مطرح شده و مورد توجه بسیار قرار گرفته است. در همین راستا استفاده از این سامانه‌ها در اخذ داده‌های مورد نیاز کشاورزی ‌‌می‌تواند قابلیت‌های بالایی در پایش محصولات و مبارزه با آفات فراهم آورد. در این تحقیق توانایی سنجنده چندطیفی نصب شده برروی سکوی هوابرد بدون سرنشین در بررسی وضعیت بیماری درختان باغ مرکبات در منطقهای در استان فارس که آلوده به بیماری زوال ‌‌می‌باشند مورد ارزیابی قرار گرفت. با استفاده از داده‌های اخذ شده توسط این سامانه، نقشه بیماری درختان براساس شاخص‌های گیاهی و تمایز درختان بیمار و سالم با استفاده از الگوریتم ‌‌طبقه‌بندی ماشین‌های بردار پشتیبان تهیه شد. داده‌های زمینی برداشت شده نشان از قابلیت بالای روش فوق در تشخیص بیماری درختان داشت. نتایج حاصله بیانگر دقت 90 درصدی طبقه‌بندی درختان بیمار از سالم بود.
واژه‌های کلیدی: زوال مرکبات، کشاورزی دقیق، سامانه هوابرد بدون سرنشین، تصاویر چندطیفی
متن کامل [PDF 1770 kb]   (103 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: فتوگرامتری
دریافت: ۱۳۹۷/۱۰/۴ | پذیرش: ۱۳۹۷/۱۰/۴ | انتشار: ۱۳۹۷/۱۰/۴
فهرست منابع
1. [1] R. Lal and F. Pierce, "Soil management for sustainability," FUTURE HORIZONS: RECENT LITERATURE IN SUSTAINABLE AGRICULTURE, p. 175, 1997.
2. [2] N. Zhang, M. Wang, and N. Wang, "Precision agriculture—a worldwide overview," Computers and electronics in agriculture, vol. 36, pp. 113-132, 2002. [DOI:10.1016/S0168-1699(02)00096-0]
3. [3] D. Mulla, "Geostatistics, remote sensing and precision farming," Precision Agriculture: spatial and temporal variability of environmental quality, pp. 100-119, 1997.
4. [4] W. Bausch and R. Khosla, "QuickBird satellite versus ground-based multi-spectral data for estimating nitrogen status of irrigated maize," Precision Agriculture, vol. 11, pp. 274-290, 2010. [DOI:10.1007/s11119-009-9133-1]
5. [5] P. K. Goel, S. O. Prasher, J.-A. Landry, R. M. Patel, R. Bonnell, A. A. Viau, et al., "Potential of airborne hyperspectral remote sensing to detect nitrogen deficiency and weed infestation in corn," Computers and electronics in agriculture, vol. 38, pp. 99-124, 2003. [DOI:10.1016/S0168-1699(02)00138-2]
6. [6] D. Haboudane, J. R. Miller, N. Tremblay, P. J. Zarco-Tejada, and L. Dextraze, "Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture," Remote sensing of environment, vol. 81, pp. 416-426, 2002. [DOI:10.1016/S0034-4257(02)00018-4]
7. [7] Y. Miao, D. J. Mulla, G. Randall, J. Vetsch, and R. Vintila, "Predicting chlorophyll meter readings with aerial hyperspectral remote sensing for in-season site-specific nitrogen management of corn," Precision agriculture, vol. 7, pp. 635-641, 2007.
8. [8] S. Herwitz, L. Johnson, S. Dunagan, R. Higgins, D. Sullivan, J. Zheng, et al., "Imaging from an unmanned aerial vehicle: agricultural surveillance and decision support," Computers and electronics in agriculture, vol. 44, pp. 49-61, 2004. [DOI:10.1016/j.compag.2004.02.006]
9. [9] J. A. Berni, P. J. Zarco-Tejada, L. Suárez, and E. Fereres, "Thermal and narrowband multispectral remote sensing for vegetation monitoring from an unmanned aerial vehicle," IEEE Transactions on Geoscience and Remote Sensing, vol. 47, pp. 722-738, 2009. [DOI:10.1109/TGRS.2008.2010457]
10. [10] D. Long, R. Engel, and M. Siemens, "Measuring grain protein concentration with in-line near infrared reflectance spectroscopy," Agronomy Journal, vol. 100, pp. 247-252, 2008. [DOI:10.2134/agronj2007.0052]
11. [11] V. I. Adamchuk, J. Hummel, M. Morgan, and S. Upadhyaya, "On-the-go soil sensors for precision agriculture," Computers and electronics in agriculture, vol. 44, pp. 71-91, 2004. [DOI:10.1016/j.compag.2004.03.002]
12. [12] B. Åstrand and A.-J. Baerveldt, "An agricultural mobile robot with vision-based perception for mechanical weed control," Autonomous robots, vol. 13, pp. 21-35, 2002. [DOI:10.1023/A:1015674004201]
13. [13] J.-P. Jhan, J.-Y. Rau, and C.-Y. Huang, "Band-to-band registration and ortho-rectification of multilens/multispectral imagery: A case study of MiniMCA-12 acquired by a fixed-wing UAS," ISPRS Journal of Photogrammetry and Remote Sensing, vol. 114, pp. 66-77, 2016. [DOI:10.1016/j.isprsjprs.2016.01.008]
14. [14] J. Torres-Sánchez, J. Pe-a, A. De Castro, and F. López-Granados, "Multi-temporal mapping of the vegetation fraction in early-season wheat fields using images from UAV," Computers and Electronics in Agriculture, vol. 103, pp. 104-113, 2014. [DOI:10.1016/j.compag.2014.02.009]
15. [15] M. E. Bauer and J. E. Cipra, "Identification of agricultural crops by computer processing of ERTS MSS data," 1973.
16. [16] N. Jewell, "An evaluation of multi-date SPOT data for agriculture and land use mapping in the United Kingdom," International Journal of Remote Sensing, vol. 10, pp. 939-951, 1989. [DOI:10.1080/01431168908903936]
17. [17] S. K. Seelan, S. Laguette, G. M. Casady, and G. A. Seielstad, "Remote sensing applications for precision agriculture: A learning community approach," Remote Sensing of Environment, vol. 88, pp. 157-169, 2003. [DOI:10.1016/j.rse.2003.04.007]
18. [18] L. G. Torres, J. M. Pe-a-Barragán, F. López-Granados, M. Jurado-Expósito, and R. Fernández-Escobar, "Automatic assessment of agro-environmental indicators from remotely sensed images of tree orchards and its evaluation using olive plantations," Computers and Electronics in Agriculture, vol. 61, pp. 179-191, 2008. [DOI:10.1016/j.compag.2007.11.004]
19. [19] H. Xiang and L. Tian, "Development of a low-cost agricultural remote sensing system based on an autonomous unmanned aerial vehicle (UAV)," Biosystems engineering, vol. 108, pp. 174-190, 2011. [DOI:10.1016/j.biosystemseng.2010.11.010]
20. [20] F. Agüera, F. Carvajal, and M. Pérez, "Measuring sunflower nitrogen status from an unmanned aerial vehicle-based system and an on the ground device," Int. Arch. Photogram. Remote Sens. Spat. Inf. Sci, vol. 38, pp. 33-37, 2011.
21. [21] F. Garcia-Ruiz, S. Sankaran, J. M. Maja, W. S. Lee, J. Rasmussen, and R. Ehsani, "Comparison of two aerial imaging platforms for identification of Huanglongbing-infected citrus trees," Computers and Electronics in Agriculture, vol. 91, pp. 106-115, 2013. [DOI:10.1016/j.compag.2012.12.002]
22. [22] S. Nebiker, N. Lack, M. Abächerli, and S. Läderach, "Light-Weight Multispectral Uav Sensors and Their Capabilities for Predicting Grain Yield and Detecting Plant Diseases," ISPRS-International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, pp. 963-970, 2016.
23. [23] D. G. Lowe, "Distinctive image features from scale-invariant keypoints," International journal of computer vision, vol. 60, pp. 91-110, 2004. [DOI:10.1023/B:VISI.0000029664.99615.94]
24. [24] M. Westoby, J. Brasington, N. Glasser, M. Hambrey, and J. Reynolds, "'Structure-from-Motion' photogrammetry: A low-cost, effective tool for Geosciences applications," Geomorphology, vol. 179, pp. 300-314, 2012. [DOI:10.1016/j.geomorph.2012.08.021]
25. [25] R. L. Pearson and L. D. Miller, "Remote mapping of standing crop biomass for estimation of the productivity of the shortgrass prairie," in Remote Sensing of Environment, VIII, 1972, p. 1355.
26. [26] J. Rouse, "Monitoring the vernal advancement and retro gradation of natural vegetation [NASA/GSFCT Type II Report]," Greenbelt, MD: NASA/Goddard Space Flight Center, 1973.
27. [27] J. Clevers, "The application of a vegetation index in correcting the infrared reflectance for soil background," in Remote sensing for ressources development and environmental management. International symposium. 7, 1986, pp. 221-226.
28. [28] R. E. Crippen, "Calculating the vegetation index faster," Remote Sensing of Environment, vol. 34, pp. 71-73, 1990. [DOI:10.1016/0034-4257(90)90085-Z]
29. [29] P. Chamard, M. Courel, M. Ducousso, M. Guénégou, J. Le Rhun, J. Levasseur, et al., "Utilisation des bandes spectrales du vert et du rouge pour une meilleure évaluation des formations végétales actives," Télédétection et Cartographie, pp. 203-209, 1991.
30. [30] J. PEN¯ UELAS, I. Filella, P. Lloret, F. MUN¯ OZ, and M. Vilajeliu, "Reflectance assessment of mite effects on apple trees," International Journal of Remote Sensing, vol. 16, pp. 2727-2733, 1995. [DOI:10.1080/01431169508954588]
31. [31] G. Rondeaux, M. Steven, and F. Baret, "Optimization of soil-adjusted vegetation indices," Remote sensing of environment, vol. 55, pp. 95-107, 1996. [DOI:10.1016/0034-4257(95)00186-7]
32. [32] F.-M. Wang, J.-F. Huang, Y.-L. Tang, and X.-Z. Wang, "New vegetation index and its application in estimating leaf area index of rice," Rice Science, vol. 14, pp. 195-203, 2007. [DOI:10.1016/S1672-6308(07)60027-4]
33. [33] E. Barnes, T. Clarke, S. Richards, P. Colaizzi, J. Haberland, M. Kostrzewski, et al., "Coincident detection of crop water stress, nitrogen status and canopy density using ground based multispectral data," in Proceedings of the 5th International Conference on Precision Agriculture, Bloomington, MN, 2000, pp. 16-19.
34. [34] C. Cortes and V. Vapnik, "Support-vector networks," Machine learning, vol. 20, pp. 273-297, 1995. [DOI:10.1007/BF00994018]
ارسال پیام به نویسنده مسئول


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Seidipoor E, Samadzadegan F, Dadras Javan F, Askari O. Diagnosis decline in citrus using multispectral camera-equipped unmanned aerial system. jgit. 2018; 6 (3) :39-57
URL: http://jgit.kntu.ac.ir/article-1-616-fa.html

صیدی پور عرفان، صمدزادگان فرهاد، دادرس جوان فرزانه، عسکری امید. تشخیص بیماری زوال مرکبات با استفاده از سامانه بدون سرنشین هوایی مجهز به دوربین چندطیفی. مهندسی فناوری اطلاعات مکانی. 1397; 6 (3) :39-57

URL: http://jgit.kntu.ac.ir/article-1-616-fa.html



دوره 6، شماره 3 - ( 9-1397 ) برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.06 seconds with 31 queries by YEKTAWEB 3858