Доступ открыт Открытый доступ  Доступ закрыт Только для подписчиков

МЕТОДЫ ОБНАРУЖЕНИЯ БОЛЕЗНЕЙ НА ПОСЕВАХ ПШЕНИЦЫ ПО ДАННЫМ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ (ОБЗОР)


https://doi.org/10.26898/0370-8799-2018-6-11

Полный текст:


Аннотация

В настоящее время для мониторинга сельскохозяйственных угодий во многих странах мира широко используются мульти- и гиперспектральные данные дистанционного зондирования. Вопрос их применения для обнаружения и оценки поражений сельскохозяйственных культур вредителями, болезнями и сорняками слабо изучен как в России, так и за рубежом. Выявление на ранних стадиях и точная диагностика различных болезней пшеницы – ключевые факторы в растениеводстве, способствующие снижению качественных и количественных потерь урожая, а также повышению эффективности проведения защитных мероприятий. Представлен обзор современных методов обнаружения болезней и оценки степени поражения культуры по данным дистанционного зондирования посевов пшеницы с использованием оптических съемочных систем, среди которых наиболее перспективной является гиперспектральная съемочная аппаратура. Приведены идентификационные спектры здоровых растений и растений с признаками поражения основными грибными болезнями. Показана взаимосвязь спектров со степенью поражения растений. Для возможности эффективного использования результатов диагностики и выявления заболеваний показана информативность спектральных индексов растительности при выявлении заболеваний. Представлена таблица вегетационных индексов, рассчитанных по значениям коэффициентов отражения в широких и узких спектральных диапазонах при определении болезней пшеницы. Применение оптических методов в мониторинге основных грибных болезней пшеницы позволит точно выявлять очаги поражения посевов, достоверно диагностировать заболевания и степень поражения растений болезнями и обеспечить поддержку принятия решений товаропроизводителями по своевременным и эффективным мерам защиты урожая. Результаты проведенного обзора будут применены для разработки цифровой технологии раннего обнаружения и локализации поражений посевов яровой пшеницы и других сельскохозяйственных культур.


Об авторах

О. А. Дубровская
Институт вычислительных технологий Сибирского отделения Российской академии наук
Россия

Кандидат физико-математических наук

630090, Новосибирск, проспект Академика Лаврентьева, 6



Т. А. Гурова
Сибирский федеральный научный центр агробиотехнологий Сибирского отделения Российской академии наук
Россия

Кандидат сельскохозяйственных наук

630501, Новосибирская область, р.п. Краснообск, СФНЦА РАН, а/я 463




И. А. Пестунов
Институт вычислительных технологий Сибирского отделения Российской академии наук
Россия

Кандидат физико-математических наук

630090, Новосибирск, проспект Академика Лаврентьева, 6



К. Ю. Котов
Институт автоматики и электрометрии Сибирского отделения Российской академии наук
Россия

Кандидат технических наук

 630090, Новосибирск, проспект Академика Коптюга, 1



Список литературы

1. Койшыбаев М. Болезни пшеницы: монография. Анкара: ФАО, 2018. 365 с.

2. Кекало А.Ю., Немченко В.В., Заргарян Н.Ю., Цыпышева М.Ю. Защита зерновых культур от болезней. Куртамыш: ООО «Куртамышская типография», 2017. 172 с.

3. Методы фитосанитарного мониторинга и прогноза / под ред. И.Я. Гричанова.2-е изд. СПб.: ВИЗР РАСХН, 2013. 128 с.

4. Попова Л.И. Своевременный мониторинг – основа успешной защиты растений // Защита растений. 2018. № 4. С. 8–10.

5. Yang G., Liu J., Zhao C., Li Z., Huang Y., Yu H., Xu B., Yang X., Zhu D., Zhang X. Unmanned aerial vehicle remote sensing for field-based crop phenotyping: current status and perspectives // Frontiers in Plant Science. 2017. Vol. 8. 1111 p. DOI: 10.3389/fpls.2017.01111

6. Mahlein A.K. Plant disease detection by imaging sensors–parallels and specific demands for precision agriculture and plant phenotyping // Plant Disease. 2016. Vol. 100. N 2. P. 241–251.

7. Wang H., Qin F., Liu Q., Ruan L., Wang R., Ma Z., Li X. Identification and disease index inversion of wheat stripe rust and wheat leaf rust based on hyperspectral data at canopy level // Journal of Spectroscopy. 2015. Vol. 2015. URL: http://dx.doi.org/10.1155/2015/651810

8. Wang H., Qin F., Ruan L., Wang R., Liu Q., Ma Z., Li X., Cheng P. Identification and Severity Determination of Wheat Stripe Rust and Wheat Leaf Rust Based on Hyperspectral Data Acquired Using a Black-Paper-Based Measuring Method // PLOS ONE. 2016. Vol. 11. N 4.

9. Исмаилов Э.Я., Надыкта В.Д. Гиперспектральные исследования поражения сельскохозяйственных культур фитопатогенами // Космонавтика и ракетостроение. 2012. № 3. С. 98–103.

10. Mahlein A.K., Steiner U., Hillnhьtter C., Dehne H.W., Oerke E.C. Hyperspectral imaging for small-scale analysis of symptoms caused by different sugar beet diseases // Plant Methods. 2012. Vol. 8. N 1. P. 3.

11. Ashourloo D., Mobasheri M.R., Huete A. Developing two spectral disease indices for detection of wheat leaf rust (Pucciniatriticina) // Remote Sensing. 2014. Vol. 6. N 6. P. 4723–4740.

12. Ashourloo D., Matkan A.A., Huete A., Aghighi H., Mobasheri M.R. Developing an index for detection and identification of disease stages // IEEE Geoscience and Remote Sensing Letters. 2016. Vol. 13. N 6. P. 851–855.

13. Whetton R.L., Hassall K.L., Waine T.W., Mouazen A.M. Hyperspectral measurements of yellow rust and fusarium head blight in cereal crops: Part 1: Laboratory study // Biosystems Engineering. 2018. Vol. 166. P. 101–115.

14. Whetton R.L., Waine T.W., Mouazen A.M. Hyperspectral measurements of yellow rust and fusarium head blight in cereal crops: Part 2: On-line field measurement // Biosystems engineering. 2018. Vol. 167. P. 144–158.

15. Lin-Sheng H., Ju S.C., Jin-Ling Z., Dong-Yan Z., Teng L., Yang F. Hyperspectral measurements for estimating vertical infection of yellow rust on winter wheat plant // International Journal of Agriculture and Biology. 2015. Vol. 17. N 6.

16. Bauriegel E., Herppich W.B. Hyperspectral and chlorophyll fluorescence imaging for early detection of plant diseases, with special reference to Fusarium spec. infections on wheat // Agriculture. 2014. Vol. 4. N 1. P. 32–57.

17. Zheng Q., Cui X., Huang W., Shi Y. New Spectral Index for Detecting Wheat Yellow Rust Using Sentinel-2 Multispectral Imagery // Sensors. 2018. Vol. 18. N 3. P. 868.

18. Yao X., Wang N., Cheng T., Tian Y., Chen Q., Zhu Y. Estimation of wheat LAI at middle to high levels using unmanned aerial vehicle narrowband multispectral imagery // Remote Sensing. 2017. Vol. 9. N 12. P. 1304.

19. Mashaba Z.,Chirima G., Botai J., Combrinck L., Munghemezulu C. Evaluating spectral indices for winter wheat health status monitoring in Bloemfontein using Lsat 8 data // South African Journal of Geomatics. 2016. Vol. 5. N 2. P. 227– 243.

20. Al-Gaadi K.A., Patil V., Tola E., Madugundu R., Marey S. In-season assessment of wheat crop health using vegetation indices based on ground measured hyper spectral data // American Journal of Agricultural and Biological Sciences. 2014. Vol. 9. N 2. P. 138–146.

21. Саворский В.П., Кашницкий А.В., Константинова А.М., Балашов И.В., Крашенинникова Ю.С., Толпин В.А. Возможности анализа гиперспектральных индексов в информационных системах дистанционного мониторинга семейства «Созвездие-Вега» // Современныепроблемыдистанционногозондирования Земли из космоса. 2016. Т. 13. № 3. С. 28–45.

22. Hunt E.R., Eitel J., Daughtry C., Long D. Remote sensing leaf chlorophyll content using a visible band index // Agronomy Journal. 2011. Vol. 103. N 4. P. 1090–1099.

23. Yang G., Zhao C., Liu J. Unmanned aerial vehicle remote sensing for field-based crop phenotyping: current status and perspectives // Frontiers in plant science. 2017. Vol. 8. P. 1111.

24. 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. Vol. 13. N 1. P. 80.

25. Yue J. A Comparison of Regression Techniques for Estimation of Above-Ground Winter Wheat Biomass Using Near-Surface Spectroscopy // Remote Sensing. 2018. Vol. 10. N 1. P. 66.

26. Cao X., Luo Y., Yilin Z., Fan J., Xu X., West J.S., Duan X., Cheng D. Detection of powdery mildew in two winter wheat plant densities and prediction of grain yield using canopy hyperspectral reflectance // PlOS ONE. 2015. Vol. 10. N 3.

27. Du M., Noguchi N. Monitoring of wheat growth status and mapping of wheat yield’s within-field spatial variations using color images acquired from UAV-camera system // Remote Sensing. 2017. Vol. 9. N 3. P. 289.

28. Huang W., Guan Q., Luo J., Zhang J., Zhao J., Liang D. New optimized spectral indices for identifying and monitoring winter wheat diseases // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2014. Vol. 7. N 6. P. 2516–2524.

29. Ashourloo D., Mobasheri M.R., Huete A. Evaluating the effect of different wheat rust disease symptoms on vegetation indices using hyperspectral measurements // Remote Sensing. 2014. Vol. 6. N 6. P. 5107–5123.


Дополнительные файлы

Для цитирования: Дубровская О.А., Гурова Т.А., Пестунов И.А., Котов К.Ю. МЕТОДЫ ОБНАРУЖЕНИЯ БОЛЕЗНЕЙ НА ПОСЕВАХ ПШЕНИЦЫ ПО ДАННЫМ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ (ОБЗОР). Сибирский вестник сельскохозяйственной науки. 2018;48(6):76-89. https://doi.org/10.26898/0370-8799-2018-6-11

For citation: Dubrovskaya O.A., Gurova T.A., Pestunov I.A., Kotov K.Y. METHODS OF DETECTION OF DISEASES ON WHEAT CROPS ACCORDING TO REMOTE SENSING (overview). Siberian Herald of Agricultural Science. 2018;48(6):76-89. (In Russ.) https://doi.org/10.26898/0370-8799-2018-6-11

Просмотров: 137

Обратные ссылки

  • Обратные ссылки не определены.


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 0370-8799 (Print)