تشخیص بیماری لکه موجی گیاه گوجه فرنگی بر پایه طیف سنجی مرئی/ فروسرخ نزدیک و تجزیه مولفه های اصلی- شبکه عصبی مصنوعی قبل از ظهور علائم بیماری
تشخیص زودهنگام بیماری گیاهان قبل از وقوع علایم، می تواند افت عملکرد را محصول را کاهش داده و کیفیت آن را افزایش دهد. این امر همچنین مصرف سموم شیمیایی، مشکلات زیست محیطی و هزینه تولید را کاهش می دهد. هدف از انجام این تحقیق، تشخیص غیر تخریبی بیماری لکه موجی گیاه گوجه فرنگی و همچنین تشخیص مهم ترین عوامل بیماری زای آن (A. solani, A. alternate) از یکدیگر در مراحل اولیه بیماری، قبل از بروز علایم ظاهری، با استفاده از طیف سنجی مریی/ فروسرخ نزدیک (400-900 نانومتر) بود. داده های طیفی از برگ های گیاهان آلوده به A. alternate و A. solani در 48، 72، 96 و 120 ساعت بعد از تلقیح بیماری استخراج شدند. به منظور توسعه مدل های تشخیص بر اساس داده های طیفی، از تجزیه مولفه های اصلی (PCA) همراه با شبکه عصبی مصنوعی (ANN) استفاده شد. نتایج نشان داد که مدل PCA-ANN توانست گیاهان آلوده و نوع پاتوژن را با دقت 93-100 درصد در نمونه های تست شناسایی کند. در 96 ساعت بعد از تلقیح، علاوه بر به دست آمدن مدل ساده تر پیش بینی (8 مولفه اصلی و 3 نرون در لایه مخفی)، دقت 100 درصد تشخیص حاصل شد. مدل های تدوین شده، در تمامی زمان های بعد از تلقیح، در تشخیص گیاهان آلوده با A. solani که دارای قدرت بیماری زایی بالایی می باشد نسبت به گیاهان سالم، هیچ خطایی نداشتند. استفاده از طیف سنجی مریی/ فروسرخ نزدیک (400-900 نانومتر) همراه با PCA-ANN توانست بیماری لکه موجی گوجه فرنگی و نوع پاتوژن آن را قبل از بروز علایم ظاهری (با دقت 100-93 درصد) بدون هیچ آماده سازی گیاه، به صورت غیر مخرب تشخیص دهد. نتایج این پژوهش نشان داد که این تکنیک می تواند برای تشخیص سریع، کم هزینه و زودهنگام این بیماری گوجه فرنگی به جای روش های آزمایشگاهی زمان بر، گران و مخرب به کار رود.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.