کپک سفید سویا (Glycine Max)، همچنین به عنوان پوسیدگی ساقه Sclerotinia (Sclerotinia sclerotiorum) شناخته می شود، یکی از مهم ترین بیماری های قارچی است که بر عملکرد سویا تأثیر می گذارد و یک تهدید سالانه مکرر برای تولید سویا در داکوتای جنوبی است. تعیین کمیت دقیق کپک سفید در سویا به درک تأثیر کپک سفید بر تولید کمک می کند. با این حال، به دلیل فقدان داده های مناسب در مقیاس شهرستانی و ایالتی، این یک چالش باقی می ماند. این مطالعه از تصاویر Landsat در ترکیب با مشاهدات میدانی برای شناسایی و تعیین کمیت کپک سفید در بخش شمال شرقی داکوتای جنوبی استفاده کرد. الگوریتم جنگل تصادفی (RF) برای طبقه بندی سویا و وقوع کپک سفید از تصاویر Landsat استفاده شد. نتایج تخمینی 132 کیلومتر مربع، 88 کیلومتر مربع و 190 کیلومتر مربع از گستره کپک سفید را نشان می دهد که نشان دهنده 31٪ است. 22 درصد و 29 درصد از کل سطح سویا برای شهرستان های مارشال، کدینگتون و دی به ترتیب در سال 2017. در مقایسه با مشاهدات زمینی، مشخص شد که سویا و کپک سفید در مزارع سویا به ترتیب با دقت کلی 95 درصد طبقه بندی شده اند. 99 درصد این نتایج کاربرد تصاویر ماهواره‌ای سنجش از دور آزاد در دسترس مانند تصاویر Landsat 8 را در تخمین گستره محصول بیمار نشان می‌دهد و نشان می‌دهد که کاوش بیشتر در تصاویر با وضوح بالای مکانی بالا مانند Sentinel و Rapid-Eye در طول فصل رشد جزئیات بیشتری را ارائه می‌کند. در تعیین کمیت سویای بیمار

کلید واژه ها

کپک سفید ، سویا ، جنگل تصادفی ، لندست ، داکوتای جنوبی

1. مقدمه

کپک سفید سویا (Glycine max) که به نام پوسیدگی ساقه اسکلروتینیا (SSR) نیز شناخته می‌شود، یکی از مهم‌ترین بیماری‌های قارچی است که بر عملکرد سویا تأثیر می‌گذارد و یک تهدید سالانه مکرر برای تولید سویا در داکوتای جنوبی است. در ابتدا در سال 1982 در لهستان به عنوان یک بیماری با اهمیت محلی [ 1 ] گزارش شد، بیش از یک دهه بعد، کپک سفید در رده ده بیماری برتری قرار گرفت که عملکرد دانه سویا را سرکوب می کند [ 2 ]. بیماری کپک سفید معمولاً پس از ایجاد تاج پوشش گیاهی، در حدود اواسط تا اواخر جولای ظاهر می شود و شرایط محیطی مربوط به رشد کپک سفید سرد (دمای هوا در حدود 12 درجه سانتیگراد – 24 درجه سانتیگراد)، مرطوب و مرطوب (باران کافی) است. : 70 – 120 ساعت رطوبت مداوم) شرایط [ 3] . این شرایط برای عملکرد مطلوب مطلوب است. بنابراین، بروز کپک سفید با بازده همبستگی منفی دارد [ 4 ] زیرا احتمال بروز بیماری در جاهایی که پتانسیل بازدهی بالا وجود دارد بیشتر است. بنابراین، نقشه برداری و تعیین کمیت بیماری برای درک تأثیر آن بر عملکرد بسیار مهم است و دو گزینه می تواند مورد استفاده قرار گیرد: جستجوی میدانی ارزیابی دقیقی را نشان می دهد، اما زمان بر است و یک دید کلی از تغییرات در مزرعه ارائه نمی کند، در حالی که سنجش از دور بهترین راه حل را نشان می دهد زیرا نمای همدیدی را ارائه می دهد و به مشاهدات اجازه می دهد در یک دوره کوتاه مناطق وسیعی را در بر گیرند [ 5 ].

منطق پشت استفاده از تکنیک های تصویربرداری در مقیاس بزرگ این است که آنها یک روش سریع و غیر مخرب را نشان می دهند [ 6 ]، و بر ویژگی های بیوفیزیکی متکی هستند که به طول موج مورد استفاده برای نظارت بر وضعیت محصول بستگی دارد. مالتوس و مادیرا [ 7 ] علاقه به استفاده از تصویر را برای تشخیص بیماری های محصول با بررسی خواص بازتاب طیفی برگ لوبیا مزرعه آلوده به قارچ Botrytis fabae برجسته کردند. بعدها، پولیشوک و همکاران. [ 8 ] همبستگی بین محتوای کلروفیل و بازتاب طیفی در گیاهان آلوده به ویروس را مورد مطالعه قرار داد. در دهه 2000، چندین نویسنده گزینه های متنوعی را برای تشخیص بیماری بررسی کردند: کوبایاشی و همکاران. [ 9] از پرتو سنج های چندطیفی و اسکنر چندطیفی هوابرد برای شناسایی برنج انفجار خوشه استفاده کرد. Qin و Zhang [ 10 ] تصاویر سنجش از دور ADAR (Airborne Data Acquisition and Registration) را برای ترسیم بیماری سوختگی غلاف برنج جمع آوری کردند. علاوه بر این، هوانگ و آپان [ 11 ] از یک طیف سنج قابل حمل برای جمع آوری داده های فراطیفی و تشخیص بیماری پوسیدگی اسکلروتینیا در کرفس استفاده کردند. نایدو و همکاران [ 12 ] بعداً با استفاده از بازتاب طیفی برگ جمع آوری شده با یک طیف سنج قابل حمل، عفونت های ویروسی انگور را شناسایی کرد. استفاده از تصاویر فراطیفی برای مشخص کردن تنش گیاه ضروری است [ 13 ] [ 14 ] و شاخص های طیفی در تشخیص و شناسایی بیماری های گیاهی بسیار مهم هستند [ 14 ] [ 14]15 ] [ 16 ] . با این حال، بیشتر این مطالعات نیاز به استفاده از طیف‌سنجی رادیومتر قابل حمل یا تصاویر سنجش از راه دور هوابرد دارد که نشان‌دهنده منابع پرهزینه است و دسترسی به کاربران عادی و کشاورزان را کاهش می‌دهد.

در حالی که تنش گیاهی توجه علمی زیادی را به خود جلب کرده است، نقشه کشی تنش سویا توجه کمی را به خود جلب کرده است، و زمانی که مورد توجه قرار گرفت، این مطالعات یا بر بیماری های دیگر به جز کپک سفید [ 17 ] یا در تنش آبی [ 13 ] [ 18 ] متمرکز شدند. Vigier، Pattey و Strachan [ 14 ] از بازتاب ابرطیفی برای محاسبه چندین شاخص پوشش گیاهی برای تشخیص کپک سفید استفاده کردند، اما این مطالعه به جای مشاهده درجا بر بیماری تلقیح شده متمرکز بود و بازتاب با استفاده از طیف سنج میدانی جمع آوری شد. مطالعات اخیر بر روی نقشه برداری سویا در مقیاس ملی تمرکز کرده اند [ 19 ] [ 20]، اما این تلاش ها به تشخیص بیماری پرداخته اند. در داکوتای جنوبی که یکی از ایالت های اصلی تولیدکننده سویا است، هیچ مطالعه ای برای تعیین کمیت بیماری های سویا، به ویژه کپک سفید با استفاده از روش های سنجش از دور انجام نشده است.

هنوز شکاف دانشی در اثربخشی تصاویر سنجش از دور با وضوح متوسط ​​رایگان مانند Landsat در نقشه برداری دقیق بیماری های محصول، به ویژه وقوع و تکامل کپک سفید در غرب میانه وجود دارد. مطالعه حاضر از تصاویر رایگان Landsat 8 برای نقشه‌برداری و تعیین کمیت کپک سفید در شهرستان‌های منتخب در داکوتای جنوبی استفاده می‌کند. طبقه‌بندی‌کننده‌های تصادفی جنگل (RF) [ 21 ] برای استخراج ویژگی‌های طیفی سویا و کپک سفید که منجر به نقشه‌برداری وسعت فضایی بیماری می‌شود، استفاده شد.

2. مواد و روشها

2.1. منطقه مطالعه و جمع آوری داده ها

این مطالعه در شمال شرقی داکوتای جنوبی انجام شد و شامل سه شهرستان مارشال، دی و کدینگتون است. دانه های سویا در داکوتای جنوبی بین 8 می و 21 ژوئن کاشته می شوند که بیشترین دوره فعال بین 15 می تا 11 ژوئن است [ 22 ]. برداشت بین 22 سپتامبر و 3 نوامبر، با فعال ترین دوره بین 28 سپتامبر و 24 اکتبر اتفاق می افتد. داده های میدانی شامل جستجو و گزارش در مورد حضور/عدم کپک سفید در ماه های ژوئیه و اوت سال 2017 بود. در منطقه مورد مطالعه، در مجموع 11 مزرعه مورد بررسی قرار گرفت، که در آن کپک سفید گزارش شد و همانطور که در شکل 1 نشان داده شده است، تایید شد .

ما داده‌های آماده تجزیه و تحلیل لندست (ARD) با وضوح فضایی 30 متری را از Earth Explorer (https://earthexplorer.usgs.gov/) برای فصل رشد سال 2017 دانلود کردیم و سه شهرستان در شمال شرقی داکوتای جنوبی را پوشش دادیم. شهرستان های مارشال، دی و کدینگتون) همانطور که در شکل 1 نشان داده شده است. این تصاویر بدون ابر به ترتیب مربوط به 11 می، 14 جولای و 31 آگوست هستند و از صحنه‌های دقیق و تصحیح شده زمین از مجموعه Landsat 1 Level-1 گرفته شده‌اند که شامل بازتاب بالای اتمسفر (TOA)، بازتاب سطح (SR) است. ، دمای روشنایی (BT) و ارزیابی کیفیت (QA). در مطالعه ما، محصولات مورد علاقه شامل SR و باندهای انتخاب شده در جدول 1 خلاصه شده است.. با این حال، بدست آوردن تصاویر لندست در طول فصل رشد، به دلیل ابرهای پایدار که اغلب دوره بازدید مجدد 16 روزه لندست را طولانی می کند، بسیار سخت بود. این وضعیت امکان جمع آوری تنها دو تصویر Landsat (اردیبهشت و تیر) برای طبقه بندی سویا و یک تصویر (اوت) برای نقشه برداری قالب سفید را فراهم کرد.

لایه داده محصول (CDL) مجموعه داده پوشش زمین است که توسط خدمات ملی آمار کشاورزی (NASS) وزارت کشاورزی ایالات متحده (USDA) توسعه یافته است. این مجموعه داده می تواند برای استخراج ماسک های سویا یا سایر پوشش های زمین مورد علاقه استفاده شود. با این حال، زمان انتشار CDL ممکن است همیشه با نیاز به نقشه پوشش زمین در فصل رشد مطابقت نداشته باشد. CDL عموماً در اوایل سال برای نقشه پوشش زمین سال قبل تولید می شود. ما از CDL به عنوان داده های مرجع در مطالعه خود استفاده کردیم و آموزش ها را هدایت کردیم

برای نقشه برداری پوشش زمین این داده‌ها همچنین در مقایسه با نقشه پوشش زمین حاصل ما استفاده می‌شوند.

2.2. طبقه بندی جنگل تصادفی (RF) برای نقشه برداری سویا و کپک سفید

2.2.1. الگوریتم جنگل تصادفی برای طبقه بندی تصاویر

روش‌هایی که طبقه‌بندی‌کننده‌ها را تولید می‌کنند و نتایج آن‌ها را تجمیع می‌کنند، اخیراً علایق زیادی در زمینه یادگیری ماشین پیدا کرده‌اند [ 23 ]. اصل اساسی یکسان است: بر اساس مجموعه‌ای از آموزش‌هایی که برای استخراج ویژگی‌های طیفی کلاس‌های تعریف‌شده مختلف استفاده می‌شوند، این طبقه‌بندی‌کننده‌های ناپارامتریک (به این معنی که نیازی به فرضیات آماری مانند توزیع نرمال مجموعه داده ورودی ندارند)، مدل‌هایی را می‌سازند که تصمیم بگیرید که کدام کلاس بر هر مشاهده تأثیر بگذارد. از جمله روش‌هایی مانند تقویت، که از درختان متوالی برای اختصاص وزن اضافی به نمونه‌هایی که توسط پیش‌بینی‌کننده‌های قبلی اشتباه پیش‌بینی شده‌اند استفاده می‌کنند [ 24 ]، و کیسه‌بندی که در آن درختان متوالی مستقل از درختان قبلی هستند [ 25 ].] . در پایان فرآیند پیش‌بینی، یک رأی وزنی در تقویت و رأی اکثریت ساده در بسته‌بندی گرفته می‌شود [ 23 ].

الگوریتم RF [ 21 ] یکی از روش‌های یادگیری است که یک لایه تصادفی اضافی به بسته‌بندی اضافه می‌کند: هر گره با استفاده از بهترین در میان زیرمجموعه‌ای از پیش‌بینی‌کننده‌ها که به‌طور تصادفی در آن گره انتخاب شده‌اند، تقسیم می‌شود که با درخت‌های استاندارد (یعنی تصمیم‌گیری) متفاوت است. Tree-DT)، که در آن هر گره با استفاده از بهترین تقسیم در بین همه متغیرها تقسیم می شود [ 23 ]. در زمینه سنجش از دور، به‌ویژه در طبقه‌بندی تصویر یا پوشش زمین، RF نشان داده است که عملکرد یکسانی نسبت به ماشین بردار پشتیبان (SVM) [ 26 ] [ 27 ] یا بهتر از Decision Tree (DT) [ 28 ] دارد. مطالعات دیگر نشان داده اند که RF از نظر استحکام و پایداری [ 29 ] و از نظر دقت [ 30 ] SVM بهتر عمل می کند.] . RF در مطالعه ما ترجیح داده می شود زیرا می تواند با مشکلات طبقه بندی داده های نمونه نامتعادل، چند کلاسه و کوچک مقابله کند [ 31 ]. در واقع، هنگام جمع‌آوری داده‌های آموزشی، برخی از کلاس‌ها ممکن است به آموزش بیشتری نسبت به سایرین نیاز داشته باشند تا حداکثر تنوع در تفاوت‌های طیفی خود را به دست آورند. این نوع جمع‌آوری داده‌ها را می‌توان با RF انجام داد که نیازی به پردازش بیشتر ندارد.

2.2.2. نقشه برداری و اعتبار سنجی سویا

برای طبقه‌بندی پوشش زمین، مجموعه‌ای از آموزش‌ها (حدود 183810 پیکسل) را جمع‌آوری کردیم که برای استخراج ویژگی‌های طیفی کلاس‌های مختلف در ArcMap استفاده می‌شوند. ما به ویژه چهار کلاس را آموزش دادیم: آب، ذرت، سویا و سایر پوشش های زمین. برای راهنمایی آموزش‌ها، سه نوع اطلاعات می‌تواند برای تفسیر بهتر پوشش زمین در دیجیتالی کردن چند ضلعی‌های آموزشی نمایش داده شود: 1) کامپوزیت‌های Landsat-8، 2) لایه داده‌های محصول (CDL) به عنوان مرجع متقابل، و 3) بالا. وضوح تصاویر Google Earth. کیفیت نمونه های آموزشی با استفاده از شاخص تفکیک پذیری طیفی Jeffries-Matusita (JM) مورد ارزیابی قرار گرفت که میانگین خوبی برای تخمین تفاوت بین طبقات [ 32 ] [ 33 ] ارائه می دهد.] . این شاخص معیاری برای تفکیک پذیری آماری برای موارد دو کلاسه بر اساس فاصله است و می تواند در تفکیک پذیری طبقات چندگانه گسترش یابد. فاصله JM بین کلاس های ω _i و ω _j همانطور که در رابطه (1) نشان داده شده است، فرموله شده است. به طور کلی، JM بزرگتر از 1.9 نشان دهنده یک تفاوت خوب است، در حالی که JM کمتر از 1 دلالت بر ترکیبی از کلاس ها دارد (بدون تفاوت). یک JM بین 1 و 1.8 به طور کلی بهبود کلاس های آموزشی را پیشنهاد می کند. شاخص JM در ENVI محاسبه شد.

جیمن ج=🔻را{p ( x |ωمن)——√–p ( x |ωj)——√}2d xJij=∫​{p(x|ωi)−p(x|ωj)}2dx(1)

که در آن x بردار ویژگی بعد k و است p ( x |ωمن)p(x|ωi)و p ( x |ωj)p(x|ωj)توزیع های احتمال شرطی کلاس x هستند.

چند ضلعی های آموزشی در R وارد شدند و هفتاد درصد پیکسل ها (128667) برای ساخت مدل استفاده شدند در حالی که 30 درصد (55143) برای اعتبارسنجی استفاده شدند. دو باند تصویر اولیه (مه و ژوئیه) با استفاده از ENVI 5.0 روی هم چیده شدند، و تصویر انباشته شده با استفاده از الگوریتم RF در R طبقه بندی شد. ده باند Landsat ( جدول 1 ) به عنوان متغیر مستقل استفاده شد، در حالی که پوشش زمین (چهار) کلاس ها) برای پیش بینی متغیر پاسخ را نشان می دهد. ماسک سویا از نقشه طبقه بندی پوشش زمین حاصل استخراج شد. از 30 درصد نمونه ها برای ارزیابی دقت نقشه پوشش زمین استفاده شد. یک ماتریس سردرگمی برای ارزیابی دقت هر کلاس و همچنین دقت کلی و تخمین خطاهای طبقه‌بندی ساخته شد.

2.2.3. نقشه برداری و اعتبار سنجی قالب سفید و تخمین مناطق

تصویر لندست 31 آگوست برای ارزیابی سلامت دانه سویا و مشخص کردن کپک سفید استفاده شد. مکان‌های میدانی وقوع کپک سفید شناخته شده برای استخراج ویژگی‌های طیفی کپک سفید با استفاده از محاسبه‌شده تفاوت عادی شده گیاهی Index-NDVI [ 34 ] استفاده شد.] از همان تصویر. NDVI معیاری برای سلامت و سبز بودن پوشش گیاهی است که به عنوان نسبت بین اختلاف و مجموع باند فروسرخ نزدیک (NIR) و نوار قرمز محاسبه می‌شود که به ترتیب مناطق جذب و بازتاب کلروفیل بالا را نشان می‌دهند (معادله (2) ). مکان‌هایی که NDVI مشابهی نسبت به فیلدهای شناخته شده ارائه می‌دهند، برای آموزش داده‌ها برای مدل‌سازی هدف قرار گرفتند. در مجموع 3981 پیکسل در آموزش ها جمع آوری شد. کلاس‌ها شامل کپک سفید (ناسالم) و سایر دانه‌های سویا (سالم) بودند که نشان‌دهنده متغیرهای پاسخ بودند، در حالی که متغیرهای توضیحی شامل 5 باند Landsat فردی و NDVI بودند. برای به حداکثر رساندن دقت تشخیص کپک سفید و کاهش مثبت کاذب، تمام پیکسل‌های با NDVI پایین که با کپک سفید مطابقت ندارند از ماسک سویا حذف شدند. در حقیقت، اختلالات سویا که در ماه جولای رخ می دهد، کپک سفید نیست زیرا در این مرحله هنوز تاج پوشش بسته نشده است. در حالی که سویای سالم در اواسط ژوئیه دارای NDVI حدود 0.5 است و انتظار می رود، همه پیکسل های با NDVI کمتر از 0.45 در ماسک سویا حذف شدند.

الگوریتم RF بر روی ماسک دانه سویا استخراج شده از طبقه بندی LC اجرا شد. همانند پوشش زمین، هفتاد درصد (2787 پیکسل) از کل پیکسل های نمونه برای ساخت مدل استفاده شد در حالی که 30 درصد (1194 پیکسل) برای ارزیابی دقت استفاده شد. برای ارزیابی دقت نتایج، سی درصد از نمونه‌ها برای تولید ماتریس سردرگمی، تخمین خطاهای کلاس‌ها و دقت کلی نقشه استفاده شد. پیکسل‌های قالب سفید نقشه‌برداری شده به‌دست‌آمده برای تخمین مناطق با استفاده از تعداد پیکسل‌ها و اندازه پیکسل‌های مربوط به Landsat (معادله (3)) استفاده شد.

NDVI =NIR – قرمزNIR + قرمزNDVI=NIR−RedNIR+Red(2)

تیA = N× ATA=N×A(3)

که در آن TA مساحت کل، N تعداد پیکسل ها، و A مساحت یک پیکسل (30 متر × 30 متر) است.

3. نتایج و بحث

3.1. قابلیت تفکیک طیفی پوشش زمین

عملکرد آموزش ها با استفاده از شاخص جفریز-ماتوسیتا محاسبه شده، که تفکیک پذیری طیفی کلاس ها را ارزیابی می کند، ارزیابی شد. به طور کلی، همه طبقات تفکیک پذیری طیفی خوبی را نشان می دهند (JM> 1.9) در حالی که جفت سویا/ذرت کمترین شاخص (1.86) و آب بالاترین تفکیک پذیری را نشان می دهد (JM = 2). جدول 2 مقادیر متفاوتی از شاخص JM را بین طبقات آموزش داده شده برای باندهای Landsat در قسمت شمالی منطقه مورد مطالعه ارائه می دهد.

باندهای ورودی اصلی Landsat در یک تصویر ترکیبی رنگی که هر دو باند ماه می و ژوئیه را ترکیب می‌کند، چیده شده‌اند. نامگذاری باندهای خروجی مربوطه در جدول 1 فهرست شده است. شکل 2 نمایشی بصری از توانایی هر باند در تفکیک کلاس های فردی را ارائه می دهد. هر دو باند NIR و SWIR در ماه می و جولای آب را با موفقیت جدا کردند. ذرت به ویژه در ماه ژوئیه با استفاده از نوارهای قابل مشاهده (آبی، سبز و قرمز) متمایز شد، در حالی که سویا (مناطقی که سویا در آن رشد خواهد کرد) در نوارهای قابل مشاهده در ماه مه مشخص شد. در واقع در این دوره سویا در مزارع دیده نمی شود، اما مناطق آن را می توان با ذرت تشخیص داد. استخراج کلاس “OtherLC” به دلیل تنوع بالای پوشش های زمین (علف، مرتع، سایر محصولات) بسیار دشوار به نظر می رسد.

3.2. نتایج طبقه بندی پوشش زمین

تصاویر انباشته شده می و جولای با استفاده از الگوریتم RF طبقه بندی شدند و نقشه پوشش زمین با استفاده از نرم افزار R ایجاد شد. چهار کلاس (آب، ذرت، OtherLC و سویا) برای مطابقت با مجموعه داده لایه داده محصول (CDL) برچسب‌گذاری و رنگ‌بندی شدند. شکل 3 مقایسه ای بین رنگ کاذب جولای (6-5-4) کامپوزیت Landsat، CDL و تصاویر طبقه بندی شده را نشان می دهد. آب (بالا سمت راست) در برخی موارد به عنوان سایر پوشش‌های زمین طبقه‌بندی می‌شود، به‌ویژه زمانی که مربوط به آن باشد

باتلاق ها که توسط CDL نقشه برداری شده اند. به طور کلی، تصویر طبقه‌بندی‌شده نزدیک به CDL است، اما آنچه را که در تصویر ترکیبی Landsat مشاهده می‌شود، بیشتر منعکس می‌کند، به‌ویژه جاده‌های مزرعه‌ای در بین مزارع سویا که از نقشه طبقه‌بندی‌شده حذف شده‌اند، بنابراین هنگام ترسیم بیماری، مثبت کاذب را حذف می‌کند. منطق پشت

محاسبه نقشه پوشش زمین به جای استفاده از مجموعه داده های موجود مانند CDL زمان بندی است: تاریخ انتشار CDL برای یک سال مشخص در اوایل سال بعد اتفاق می افتد، در حالی که تخمین میزان بیماری ممکن است زودتر از آن مورد نیاز باشد. با این حال، استخراج ماسک مورد نظر از CDL جایگزین خوبی است به شرط اینکه به موقع منتشر شود.

3.3. ارزیابی دقت نقشه پوشش زمین

دقت نقشه طبقه‌بندی حاصل با استفاده از ماتریس سردرگمی ( جدول 3 )، با 30 درصد پیکسل‌های جداشده که در فرآیند طبقه‌بندی RF استفاده نشده بودند، ارزیابی شد. نتایج طبقه بندی به دقت کلی 95٪ دست یافت. کلاس “آب” بهترین (98٪ دقت) در حالی که “ذرت” کمترین (91٪ دقت) انجام شد. OtherLC با دقت 97٪ طبقه بندی شد در حالی که سویا به دقت 94٪ دست یافت. جدول 3 دقت کلاسها و همچنین خطاها را گزارش می کند. خطاهای کمیسیون و حذف به عنوان گزارش شده است

3.4. نقشه برداری قالب سفید

شکل 4 NDVI محاسبه شده (B) را در تصویر آگوست لندست (A) و دانه سویا و کپک سفید نقشه برداری شده (C) را نشان می دهد. در اواخر مردادماه، محصولات سویا بالغ شده و بنابراین شاخص پوشش گیاهی بالاست. NDVI کپک سفید شناسایی شده بین 28٪ – 78٪ است در حالی که سویای سالم دارای NDVI بالای بیش از 79٪ است.

برخی از مناطق ناسالم را نیز می توان با مقادیر بسیار پایین NDVI شناسایی کرد که مربوط به آسیب های اولیه سویا است که کپک سفید نیستند. با این حال، این موارد نشان دهنده پیکسل های پراکنده و جدا شده است و در آموزش گنجانده نشده است. علی‌رغم تلاش‌ها برای تشخیص دقیق کپک سفید، برخی اختلالات دیگر نیز می‌توانند شاخص طیفی مشابهی را ارائه دهند، به‌ویژه که نقشه‌برداری قالب سفید تنها از یک تصویر استفاده می‌کند. گنجاندن چندین تصویر در نگاشت قالب سفید باعث حذف اختلالاتی می شود که دارای شاخص مشابه با قالب سفید هستند در حالی که نشان دهنده چیز دیگری هستند. اطلاعات مربوط به زمان کپک سفید در کنار گذاشتن چنین اختلالاتی در حضور چندین تصویر بسیار مهم است. با این حال، اختلالات برنامه ریزی نشده مانند خشکسالی یا خسارات تگرگ، الگوهای فضایی مشابهی را مانند کپک سفید در مزرعه نشان نمی دهند.

3.5. ارزیابی دقت نقشه قالب سفید

دقت نقشه قالب سفید حاصل با استفاده از نمونه‌های جداشده 30 درصدی که در ساختمان مدل استفاده نشده است، ارزیابی شد. نقشه به دقت کلی 99 درصد دست یافت. جدول 4گزارش دقت و خطاهای کمیسیون / حذف نقشه قالب سفید حاصل. قالب سفید با دقت بالا (99%) نقشه برداری می شود. این نتایج را می توان با کیفیت متغیرهای مستقل توضیح داد که نه تنها از باندهای جداگانه استفاده می کنند، بلکه NDVI را در مدل سازی نیز شامل می شود. با این حال، این دقت تا حد زیادی به پیکسل‌های جداشده‌ای بستگی دارد که برای فرآیند اعتبارسنجی استفاده می‌شوند و به عنوان حقیقت پایه در نظر گرفته می‌شوند. متاسفانه، یکی از محدودیت های RF که به جعبه سیاه معروف است، این است که نمی تواند سهم هر متغیر را در مدل ارائه دهد. مهمتر از آن، ما فیلدهای شناخته شده را که تحت تأثیر کپک سفید قرار گرفته بودند بررسی کردیم و همه آنها به درستی نقشه برداری شدند. نقشه نهایی قالب سفید حاصل در شکل 5 و همچنین تصاویر طبقه بندی شده Landsat و مکان های میدان نشان داده شده است.

3.6. سویا و کپک سفید کمی

با استفاده از اندازه پیکسل لندست (30 متر × 30 متر)، ما مساحت کل سویای طبقه بندی شده در سه شهرستان را بر اساس تعداد کل پیکسل های نقشه برداری شده تخمین زدیم. جدول 5 برآورد کل مناطق سویا را از هر دو طبقه بندی گزارش می کند

و گزارش USDA [ 35 ]، و همچنین مناطق کپک سفید تخمین زده شده در هر شهرستان. مناطق تخمینی USDA گزارش شده شامل آمارهای برداشت شده است، اما مقادیر بسیار شبیه به مقادیر به دست آمده توسط تصاویر طبقه بندی شده Landsat است. تخمین مساحت کپک سفید به ترتیب 132 کیلومتر مربع ^، 88 کیلومتر مربع ^و 190 کیلومتر مربع ^است و 31، 22 درصد و 29 درصد از کل منطقه سویا را برای شهرستان های مارشال، کدینگتون و دی نشان می دهد.

4. نتیجه گیری

این مطالعه نشان داد که می توان از تصاویر سنجش از راه دور رایگان برای تشخیص و تعیین کمیت کپک سفید استفاده کرد. الگوریتم RF مورد استفاده در نقشه برداری از پوشش زمین و تشخیص کپک سفید همانطور که در ارزیابی دقت منعکس می شود کارآمد بود. برای بهبود دقت در تشخیص بیماری، این مطالعه هر دو باند فردی Landsat و NDVI را ترکیب کرد. گنجاندن NDVI در مدل اطلاعات بیشتری را فراهم می کند، به خصوص که این شاخص نقاط قوت باند NIR و باند قرمز را در کنار هم قرار می دهد.

دانش خوب از زمینه های مورد بررسی برای تکمیل پردازش تصاویر و اطمینان از اعتبار سنجی مناسب ضروری است. محدودیت هایی مانند در دسترس بودن تصاویر، یا زمان بیماری باید به دقت در نقشه برداری بیماری مورد توجه قرار گیرد. برای بهبود نتایج طبقه بندی، تصاویر بیشتری را می توان با ادغام Landsat با وضوح فضایی متوسط ​​(30 متر، 16 روز) با طیف سنج تصویربرداری متوسط ​​با وضوح زمانی بالا – برای مثال MODIS (500 متر، 1 روز) به دست آورد. وسعت بیماری ممکن است به دلیل اندازه پیکسل Landsat که ممکن است لکه های کوچک بیماری را ثبت نکند دست کم گرفته شود. استفاده از تصاویر ماهواره‌ای با دوره بازبینی کوتاه و وضوح فضایی بالاتر مانند Sentinel-2 (10 متر، دوره بازدید مجدد 5 روزه) یا Rapid-eye روزانه ممکن است راه بهتری برای تعیین کمیت بیماری فراهم کند.

رتبه بندی بیماری همچنین ممکن است عامل مهمی در ترسیم وقوع کپک سفید باشد، زیرا به عنوان مثال با توجه به عرض جغرافیایی و تفاوت در تاریخ کاشت، ممکن است برخی از تفاوت های فنولوژیکی در سیگنال کپک سفید مشاهده شود. شدت بیماری می‌تواند به توضیح این تفاوت‌ها در هنگام ترسیم تنش محصول کمک کند، که ممکن است منجر به کمی‌سازی بهتر بیماری شود.

منابع

[ 1 ]	Marcinkowska, J., Tomala-Bednarek, JW and Schollenberger, M. (1982) بیماری های سویا در لهستان. Acta Agrobotanica، 35، 213-224. https://doi.org/10.5586/aa.1982.021
[ 2 ]	Wrather, A. and Koenning, S. (2009) اثرات بیماریها بر عملکرد دانه سویا در ایالات متحده 1996 تا 2007. پیشرفت بهداشت گیاهی. https://doi.org/10.1094/PHP-2009-0401-01-RS
[ 3 ]	Boland، GJ و هال، R. (1988) اپیدمیولوژی پوسیدگی ساقه Sclerotinia سویا در انتاریو. فیتوپاتولوژی، 78، 1241-1245. https://doi.org/10.1094/Phyto-78-1241
[ 4 ]	Hoffman, DD, Hartman, GL, Mueller, DS, Leitz, RA, Nickell, CD and Pedersen, WL (1998) عملکرد و کیفیت بذر ارقام سویا آلوده به Sclerotinia sclerotiorum. بیماری گیاهی، 82، 826-829. https://doi.org/10.1094/PDIS.1998.82.7.826
[ 5 ]	Lowe, A., Harrison, N. and French, AP (2017) تکنیک های تحلیل تصویر فراطیفی برای تشخیص و طبقه بندی شروع اولیه بیماری و استرس گیاهی. Plant Methods, 13, 80. https://doi.org/10.1186/s13007-017-0233-z
[ 6 ]	Yeh، Y.-HF، Chung، W.-C.، Liao، J.-Y.، Chung، C.-L.، Kuo، Y.-F. و لین، تی.-تی. (2013) مقایسه روش‌های یادگیری ماشین در ارزیابی‌های بیماری‌های گیاهی فراطیفی. مجموعه مقالات IFAC، 46، 361-365. https://doi.org/10.3182/20130327-3-JP-3017.00081
[ 7 ]	مالتوس، تی جی و مادیرا، AC (1993) طیف‌سنجی با وضوح بالا – بازتاب طیفی برگ‌های لوبیا صحرایی آلوده به بوتریتیس-فابا. سنجش از دور محیط، 45، 107-116. https://doi.org/10.1016/0034-4257(93)90086-D
[ 8 ]	Polischuk, VP, Shadchina, TM, Kompanetz, TI, Budzanivskaya, IG, Boyko, AL and Sozinov, AA (1997) تغییرات در طیف بازتابی مشخصه Nicotiana debneyiplant تحت تأثیر عفونت ویروسی. آرشیو آسیب شناسی گیاهی و گیاهپزشکی، 31، 115-119. https://doi.org/10.1080/03235409709383221
[ 9 ]	Kobayashi, T., Kanda, E., Kitada, K., Ishiguro, K. and Torigoe, Y. (2001) تشخیص انفجار پانیکول برنج با رادیومتر چندطیفی و پتانسیل استفاده از اسکنرهای چندطیفی هوابرد. فیتوپاتولوژی، 91، 316-323. https://doi.org/10.1094/PHYTO.2001.91.3.316
[ 10 ]	Qin, Z. and Zhang, M. (2005) تشخیص سوختگی غلاف برنج برای مدیریت بیماری در فصل با استفاده از سنجش از دور چندطیفی. مجله بین المللی مشاهده کاربردی زمین و اطلاعات جغرافیایی، 7، 115-128. https://doi.org/10.1016/j.jag.2005.03.004
[ 11 ]	Huang, JF and Apan, A. (2006) تشخیص بیماری پوسیدگی اسکلروتینیا در کرفس با استفاده از داده های فراطیفی و رگرسیون حداقل مربعات جزئی. مجله علوم فضایی، 51، 129-142. https://doi.org/10.1080/14498596.2006.9635087
[ 12 ]	Naidu، RA، Perry، EM، Pierce، FJ and Mekuria، T. (2009) پتانسیل تکنیک بازتاب طیفی برای تشخیص ویروس 3 مرتبط با برگ انگور در دو رقم انگور با توت قرمز. کامپیوتر و الکترونیک در کشاورزی، 66، 38-45. https://doi.org/10.1016/j.compag.2008.11.007
[ 13 ]	بهمن، جی.، اشتاینروکن، جی و پلومر، ال. (2014) تشخیص پاسخ‌های استرس اولیه گیاه در تصاویر فراطیفی. ISPRS مجله فتوگرامتری و سنجش از دور، 93، 98-111. https://doi.org/10.1016/j.isprsjprs.2014.03.016
[ 14 ]	Vigier, BJ, Pattey, E. and Strachan, IB (2004) شاخص های گیاهی باند باریک و تشخیص آسیب بیماری در سویا. IEEE Geoscience and Remote Sensing Letters، 1، 255-259. https://doi.org/10.1109/LGRS.2004.833776
[ 15 ]	Chappelle، EW، Kim، MS و Mcmurtrey، JE (1992) تجزیه و تحلیل نسبت طیف بازتابی (Rars) – الگوریتمی برای تخمین از راه دور غلظت کلروفیل-a، کلروفیل-B، و کاروتنوئیدها در برگ های سویا. سنجش از دور محیط زیست، 39، 239-247. https://doi.org/10.1016/0034-4257(92)90089-3
[ 16 ]	Mahlein, AK, Rumpf, T., Welke, P., Dehne, HW, Plümer, L., Steiner, U. and Oerke, EC (2013) توسعه شاخصهای طیفی برای تشخیص و شناسایی بیماریهای گیاهی. سنجش از دور محیط زیست، 128، 21-30. https://doi.org/10.1016/j.rse.2012.09.019
[ 17 ]	Bajwa, S., Rupe, J. and Mason, J. (2017) پایش بیماری سویا با انعکاس برگ. سنجش از دور، 9، 127. https://doi.org/10.3390/rs9020127
[ 18 ]	تامپسون، DR و وهمانن، OA (1980) با استفاده از داده های دیجیتال لندست برای تشخیص تنش رطوبتی در مناطق در حال رشد ذرت و سویا. مهندسی فتوگرامتری و سنجش از دور، 46، 1087-1093.
[ 19 ]	آهنگ، ایکس پی، پوتاپوف، پی وی، کریلوف، آ.، کینگ، ال.، دی بلا، سی ام، هادسون، ای.، خان، ا.، آدوسی، بی.، استهمن، اس وی و هانسن، ام سی (2017) ملی- مقیاس نقشه برداری و تخمین مساحت سویا در ایالات متحده با استفاده از تصاویر ماهواره ای با وضوح متوسط ​​و بررسی میدانی. سنجش از دور محیط زیست، 190، 383-395. https://doi.org/10.1016/j.rse.2017.01.008
[ 20 ]	King, L., Adusei, B., Stehman, SV, Potapov, PV, Song, XP, Krylov, A., Di Bella, C., Loveland, TR, Johnson, DM and Hansen, MC (2017) A Multi- رویکرد تفکیک به برآورد سطح زیر کشت سویا در مقیاس ملی. سنجش از دور محیط، 195، 13-29. https://doi.org/10.1016/j.rse.2017.03.047
[ 21 ]	بریمن، ال. (2001) جنگل های تصادفی. یادگیری ماشینی، 45، 5-32. https://doi.org/10.1023/A:1010933404324
[ 22 ]	USDA (2010) تاریخ های معمول کاشت و برداشت محصولات زراعی. وزارت کشاورزی ایالات متحده، خدمات ملی آمار کشاورزی.
[ 23 ]	Liaw, A. and Wiener, M. (2002) طبقه بندی و رگرسیون توسط RandomForest. آر نیوز، 2، 18-22.
[ 24 ]	Schapire, RE, Freund, Y., Bartlett, P. and Lee, WS (1998) تقویت حاشیه: توضیحی جدید برای اثربخشی روشهای رأی گیری. Annals of Statistics, 26, 1651-1686. https://doi.org/10.1214/aos/1024691352
[ 25 ]	بریمن، ال. (1996) پیش بینی کنندگان کیسه. یادگیری ماشینی، 24، 123-140. https://doi.org/10.1007/BF00058655
[ 26 ]	Pal, M. (2007) طبقه بندی جنگل تصادفی برای طبقه بندی سنجش از دور. مجله بین المللی سنجش از دور، 26، 217-222. https://doi.org/10.1080/01431160412331269698
[ 27 ]	Thanh Noi, P. and Kappas, M. (2017) مقایسه طبقه‌بندی‌کننده‌های جنگل تصادفی، k-نزدیک‌ترین همسایه و ماشین بردار پشتیبان برای طبقه‌بندی پوشش زمین با استفاده از تصاویر Sentinel-2. حسگرها (بازل)، 18، 18. https://doi.org/10.3390/s18010018
[ 28 ]	Rodriguez-Galiano، VF، Ghimire، B.، Rogan، J.، Chica-Olmo، M. and Rigol-Sanchez، JP (2012) ارزیابی اثربخشی یک طبقه‌بندی تصادفی جنگل برای طبقه‌بندی پوشش زمین. ISPRS مجله فتوگرامتری و سنجش از دور، 67، 93-104. https://doi.org/10.1016/j.isprsjprs.2011.11.002
[ 29 ]	Rodriguez-Galiano، V.، Sanchez-Castillo، M.، Chica-Olmo، M. و Chica-Rivas، M. (2015) مدل های پیش بینی یادگیری ماشین برای آینده نگری معدنی: ارزیابی شبکه های عصبی، جنگل تصادفی، درختان رگرسیون و ماشین های بردار پشتیبانی بررسی های زمین شناسی سنگ معدن، 71، 804-818. https://doi.org/10.1016/j.oregeorev.2015.01.001
[ 30 ]	Adam, E., Mutanga, O., Odindi, J. and Abdel-Rahman, EM (2014) طبقه بندی کاربری/پوشش زمین در یک منظره ساحلی ناهمگن با استفاده از تصاویر RapidEye: ارزیابی عملکرد طبقه بندی کننده های ماشین های برداری تصادفی جنگل و پشتیبانی. مجله بین المللی سنجش از دور، 35، 3440-3458. https://doi.org/10.1080/01431161.2014.903435
[ 31 ]	Liu, M., Wang, M., Wang, J. and Li, D. (2013) مقایسه جنگل تصادفی، ماشین بردار پشتیبان و شبکه عصبی انتشار پشتی برای طبقه بندی داده های زبان الکترونیکی: کاربرد برای شناخت نوشیدنی نارنجی و چینی سرکه. حسگرها و محرک B: شیمیایی، 177، 970-980. https://doi.org/10.1016/j.snb.2012.11.071
[ 32 ]	Bruzzone, L., Roli, F. and Serpico, SB (1995) گسترش فاصله جفریز-ماتوزیتا تا موارد Multielass برای انتخاب ویژگی. IEEE Transactions on Geoscience and Remote Sensing, 33, 1318-1321. https://doi.org/10.1109/36.477187
[ 33 ]	Ifarraguerri, A. and Prairie, MW (2004) روش بصری برای انتخاب باند طیفی. Ieee Geoscience and Remote Sensing Letters, 1, 101-106. https://doi.org/10.1109/LGRS.2003.822879
[ 34 ]	Rouse Jr., JW, Haas, JH, Schell JA and Deering, DW (1973) نظارت بر سیستم های گیاهی در دشت های بزرگ با ERTS. سومین سمپوزیوم ERTS، دانشگاه A&M تگزاس، ایستگاه کالج، TX، 1 ژانویه 1974، 309-317.
[ 35 ]	USDA (2017) خدمات ملی آمار کشاورزی. دپارتمان کشاورزی ایالات متحده. https://www.nass.usda.gov/