ارزیابی پتانسیل تصاویر ماهواره‌ای چندطیفی سنتینل-۲ برای شناسایی هجوم آفت زنجرک در مناطق کشت نخل خرما

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی انگلیسی

نویسندگان

• هادی کریمی ¹
• محمدجواد عصاری ²
• فروغ رنجبر ورندی ³

¹ بخش تحقیقات فنی و مهندسی کشاورزی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان کرمان، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرمان، ایران

² بخش تحقیقات گیاهپزشکی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان کرمان، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرمان، ایران

³ گروه گیاه‌پزشکی، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

https://doi.org/10.22067/jam.2025.90276.1297

چکیده

زنجرک خرما با تضعیف درختان خرما و کاهش تولید میوه، کشاورزی در خاورمیانه را تهدید می‌کند. شناسایی محل آلودگی برای کنترل موثر آفات بسیار مهم است. با این حال، بازرسی منظم میدانی می‌تواند پرهزینه، دشوار و زمان‌بر باشد، به‌خصوص در مناطق وسیع. این مطالعه توانایی تصاویر ماهواره‌ای چندطیفی سنتینل-۲ را برای شناسایی مکان‌های هجوم زنجرک خرما برای بهبود نظارت و فعال کردن کنترل فوری آفات، در نتیجه کاهش خسارات مالی، ارزیابی می‌کند. آزمایش صحرایی برای ارزیابی آلودگی در اردیبهشت 1402 همزمان با اوج شیوع آفت انجام شد. شدت آلودگی از طریق شمارش آفات در نخلستان‌های منطقه شهری بم تعیین شد. تصاویر چندطیفی سنتینل-۲ از یک منطقه خاص به‌دست آمد، برای تصحیح، آماده‌سازی داده‌های خام و استخراج اطلاعات پردازش شد. پس از مرحله پیش‌پردازش، مدل طبقه‌بندی‌کننده K-Nearest Neighbor مبتنی بر درخت KD برای توسعه مدلی با تمرکز بر شناسایی مکان‌های آلوده انتخاب شد. برای آموزش، 70 درصد از داده‌های میدانی اندازه‌گیری‌شده، شامل مناطق غیرآلوده و مناطق با سه سطح آلودگی از سبک تا شدید و همچنین سایر ویژگی‌های زمین مانند ساختمان‌ها، جاده‌ها و غیره استفاده شد. 30 درصد باقی‌مانده داده‌ها برای ارزیابی مدل آموزش‌دیده استفاده شد. مدل طبقه‌بند آموزش‌دیده در مقایسه با داده‌های حقیقت پایه، در حدود 83 درصد پیش‌بینی‌های درست را با مجموعه داده آزمایشی به‌دست آورد. این دقت، توانایی تصاویر چندطیفی سنتینل-۲ و یادگیری ماشینی را برای شناسایی هجوم حشرات به زنجرک خرما در نخلستان‌ها برجسته می‌کند و می‌تواند مدیریت هدفمند و پایدار آفات را تسهیل کند.

کلیدواژه‌ها

• بازرسی‌های میدانی
• سنجش از دور
• مدل طبقه‌بندی
• میوه خرما

موضوعات

• کشاورزی دقیق

Authors retain the copyright. This is an open access article distributed under Creative Commons Attribution 4.0 International License (CC BY 4.0)

مراجع

1. Adelabu, S., Mutanga, O., Adam, E., & Sebego, R. (2014). Spectral Discrimination of Insect Defoliation Levels in Mopane Woodland Using Hyperspectral Data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(1), 177-186. https://doi.org/10.1109/JSTARS.2013.2258329
2. Adelabu, S., Mutanga, O., & Cho, M. A. (2012). A review of remote sensing of insect defoliation and its implications for the detection and mapping of Imbrasia belina defoliation of Mopane Woodland. The African Journal of Plant Science and Biotechnology, 6.
3. Al-Khatri, S. (2004). Date palm pests and their control. In Proceedings of the Date Palm Regional Workshop on Ecosystem-Based IPM for Date Palm in Gulf Countries (pp. 84-88). Al Ain, UAE.
4. Al-Khatri, S. A. H. (2011). Biological, ecological and phylogenic studies of Pseudoligosita babylonica Viggiani, a native egg parasitoid of Dubas bug Ommatissus lybicus de Bergevin, the major pest of date palm in the Sultanate of Oman (Ph.D. thesis). University of Reading, Reading, UK.
5. Al-Kindi, K. M., Kwan, P., Andrew, N., & Welch, M. (2017). Impact of environmental variables on Dubas bug infestation rate: A case study from the Sultanate of Oman. PloS one, 12(5), e0178109. https://doi.org/10.1371/journal.pone.0178109
6. Al Shidi, R. H., Kumar, L., & Al-Khatri, S. A. (2019). Detecting Dubas bug infestations using high resolution multispectral satellite data in Oman. Computers and Electronics in Agriculture, 157, 1-11. https://doi.org/10.1016/j.compag.2018.12.037
7. Al Shidi, R. H., Kumar, L., Al-Khatri, S. A., Albahri, M. M., & Alaufi, M. S. (2018). Relationship of date palm tree density to Dubas bug Ommatissus lybicus infestation in Omani orchards. Agriculture, 8(5), 64. https://doi.org/10.3390/agriculture8050064
8. Baig, M. H. A., Lifu, Z., Tong, S., & Tong, Q. (2014). Derivation of a tasselled cap transformation based on Landsat 8 at-satellite reflectance. Remote Sensing Letters, 5(5), 423-431. https://doi.org/10.1080/2150704X.2014.915434
9. Bernstein, L. S., Jin, X., Gregor, B., & Adler-Golden, S. M. (2012). Quick atmospheric correction code: algorithm description and recent upgrades. Optical engineering, 51(11), 111719. https://doi.org/10.1117/1.OE.51.11.111719
10. Carpenter, J. B., & Elmer, H. S. (1978). Pests and diseases of the date palm (USDA Agriculture Handbook No. 527). Washington, DC: U.S. Department of Agriculture. Retrieved from https://www.govinfo.gov/content/pkg/GOVPUB-A-PURL-gpo29615/pdf/GOVPUB-A-PURL-gpo29615.pdf
11. EOS. (2018). Sentinel-2 imagery. Earth Observing System. Retrieved from https://eos.com/sentinel-2/
12. Haghighian, F., Yousefi, S., & Keesstra, S. (2022). Identifying tree health using sentinel-2 images: a case study on Tortrix viridana L. infected oak trees in Western Iran. Geocarto International, 37(1), 304-314. https://doi.org/10.1080/10106049.2020.1716397
13. Hicke, J. A., & Logan, J. (2009). Mapping whitebark pine mortality caused by a mountain pine beetle outbreak with high spatial resolution satellite imagery. International Journal of Remote Sensing, 30(17), 4427-4441. https://doi.org/10.1080/01431160802566439
14. Howard, F. (2001). Insect pests of palms and their control. Pesticide outlook, 12(6), 240-243. https://doi.org/10.1039/B110547G
15. Hussain, A. A. (1963). Biology and control of the dubas bug, Ommatissus binotatus lybicus de Berg. (Homoptera, Tropiduchidae), infesting date palms in Iraq. Bulletin of Entomological Research, 53(4), 737-745. https://doi.org/10.1017/S0007485300048458
16. IDB. (2024). Sentinel-2 RS indices. Retrieved from https://custom-scripts.sentinel-hub.com/custom-scripts/sentinel-2/indexdb/
17. Kauth, R. J., & Thomas, G. (1976). The tasselled cap — A graphic description of the spectral-temporal development of agricultural crops as seen by Landsat. In Proceedings of the LARS Symposium on Machine Processing of Remotely Sensed Data (pp. 41–51). West Lafayette, IN: Purdue University.
18. Khan, A. L., Asaf, S., Khan, A., Khan, A., Imran, M., Al-Harrasi, A., ..., & Al-Rawahi, A. (2020). Transcriptomic analysis of Dubas bug (Ommatissus lybicus Bergevin) infestation to Date Palm. Scientific Reports, 10(1), 1-15. https://doi.org/10.1038/s41598-020-67438-z
19. Kulkarni, A., Chong, D., & Batarseh, F. A. (2020). 5 - Foundations of data imbalance and solutions for a data democracy. In F. A. Batarseh & R. Yang (Eds.), Data Democracy (pp. 83-106): Academic Press. https://doi.org/10.1016/b978-0-12-818366-3.00005-8
20. Kumbula, S. T., Mafongoya, P., Peerbhay, K. Y., Lottering, R. T., & Ismail, R. (2019). Using Sentinel-2 Multispectral Images to Map the Occurrence of the Cossid Moth (Coryphodema tristis) in Eucalyptus Nitens Plantations of Mpumalanga, South Africa. Remote Sensing, 11(3), 278. https://doi.org/10.3390/rs11030278
21. Lottering, R., & Mutanga, O. (2016). Optimising the spatial resolution of WorldView-2 pan-sharpened imagery for predicting levels of Gonipterus scutellatus defoliation in KwaZulu-Natal, South Africa. ISPRS Journal of Photogrammetry and Remote Sensing, 112, 13-22. https://doi.org/10.1016/j.isprsjprs.2015.11.010
22. Mahmoudi, M., Gheybi, M., & Khoshnoud, M. (2020). A study on different sampling techniques for dubas bug, Ommatissus lybicus (Hem.: Tropiduchidae). Plant Pest Research, 10(3). https://doi.org/10.22124/IPRJ.2020.4425
23. Mirik, M., Michels, G. J., Kassymzhanova-Mirik, S., & Elliott, N. C. (2007). Reflectance characteristics of Russian wheat aphid (Hemiptera: Aphididae) stress and abundance in winter wheat. Computers and Electronics in Agriculture, 57(2), 123-134. https://doi.org/10.1016/j.compag.2007.03.002
24. Neteler, M., Roiz, D., Rocchini, D., Castellani, C., & Rizzoli, A. (2011). Terra and Aqua satellites track tiger mosquito invasion: modelling the potential distribution of Aedes albopictus in north-eastern Italy. International Journal of Health Geographics, 10(1), 1-14. https://doi.org/10.1186/1476-072X-10-49
25. Oumar, Z., & Mutanga, O. (2013). Using WorldView-2 bands and indices to predict bronze bug (Thaumastocoris peregrinus) damage in plantation forests. International Journal of Remote Sensing, 34(6), 2236-2249. https://doi.org/10.1080/01431161.2012.743694
26. Peerbhay, K., Ilaria, G., Romano, L., & Naicker, R. (2022). Remote sensing wattle rust induced defoliation across black wattle timber plantations in Southern Africa. International Journal of Remote Sensing, 43(6), 2212-2226. https://doi.org/10.1080/01431161.2022.2058891
27. Pontius, J., Schaberg, P., & Hanavan, R. (2020). Remote Sensing for Early, Detailed, and Accurate Detection of Forest Disturbance and Decline for Protection of Biodiversity. In J. Cavender-Bares, J. A. Gamon, & P. A. Townsend (Eds.), Remote Sensing of Plant Biodiversity (pp. 121-154). Cham: Springer International Publishing. https://doi.org/10.1007/978-3-030-33157-3_6
28. Reisig, D., & Godfrey, L. (2006). Remote Sensing for Detection of Cotton Aphid– (Homoptera: Aphididae) and Spider Mite– (Acari: Tetranychidae) Infested Cotton in the San Joaquin Valley. Environmental Entomology, 35(6), 1635-1646. https://doi.org/10.1093/ee/35.6.1635
29. Rostami, M. A., Assari, M. J., Pejman, A., & Shaker, M. (2019). Preparation of distribution and severity map for Dubas bug (Ommatissus lybicus) in Bam region by Geographic Information System. Plant Pests Research, 9(1), 63-73. https://doi.org/10.22124/iprj.1970.3432
30. Rouse, J., Haas, J., Schell, J., & Deering, D. (1974). Monitoring vegetation systems in the Great Plains with ERTS. In Proceedings of the Third ERTS‑1 Symposium (NASA SP‑351, Vol. 1, pp. 309–317). Washington, DC: NASA. Retrieved from https://ntrs.nasa.gov/archive/nasa/casi.ntrs.nasa.gov/19740022614.pdf
31. Saadikhani, M., Maharlooei, M., Rostami, M. A., & Edalat, M. (2023). Fusion of Multispectral and Radar Images to Enhance Classification Accuracy and Estimate the Area under Various Crops Cultivation. Journal of Agricultural Machinery, 13(4), 493-508. https://doi.org/10.22067/jam.2022.78446.1123
32. Segarra, J., Buchaillot, M. L., Araus, J. L., & Kefauver, S. C. (2020). Remote Sensing for Precision Agriculture: Sentinel-2 Improved Features and Applications. Agronomy, 10(5). https://doi.org/10.3390/agronomy10050641
33. Shah, Ata‑ul‑Mohsin, M., Naeem, M., Nasir, M. F., Irfan‑ul‑Haq, M., & Hafeez, Z. (2012). Biology of Dubas Bug, Ommatissus lybicus (Homoptera: Tropiduchidae), a pest on date palm during spring and summer seasons in Panjgur, Pakistan. Pakistan Journal of Zoology, 44(6), 1603-1611.
34. Shah, A., Zia, A., Rafi, M. A., Mehmood, S. A., Aslam, S., & Chaudhry, M. T. (2016). Quantification of honeydew production caused by dubas bug on three date palm cultivars. Journal of Entomology and Zoology Studies, 4(4), 478-484.
35. Silva, C. R., Olthoff, A., de la Mata, J. A. D., & Alonso, A. P. (2013). Remote monitoring of forest insect defoliation. A review. Forest Systems, 22(3), 377-391. https://doi.org/10.5424/fs/2013223-04417
36. Tiwari, A. (2022). Chapter 2- Supervised learning: From theory to applications. In R. Pandey, S. K. Khatri, N. k. Singh, & P. Verma (Eds.), Artificial Intelligence and Machine Learning for EDGE Computing (pp. 23-32): Academic Press. https://doi.org/10.1016/b978-0-12-824054-0.00026-5
37. Wakil, W., Faleiro, J. R., & Miller, T. A. (2015). Sustainable pest management in date palm: current status and emerging challenges: Springer. https://doi.org/10.1007/978-3-319-24397-9
38. Weiss, M., Jacob, F., & Duveiller, G. (2020). Remote sensing for agricultural applications: A meta-review. Remote Sensing of Environment, 236, 111402. https://doi.org/10.1016/j.rse.2019.111402
39. Yuan, L., Pu, R., Zhang, J., Wang, J., & Yang, H. (2016). Using high spatial resolution satellite imagery for mapping powdery mildew at a regional scale. Precision Agriculture, 17(3), 332-348. https://doi.org/10.1007/s11119-015-9421-x
40. Zhang, J., Pu, R., Yuan, L., Wang, J., Huang, W., & Yang, G. (2014). Monitoring powdery mildew of winter wheat by using moderate resolution multi-temporal satellite imagery. PloS one, 9(4), e93107. https://doi.org/10.1371/journal.pone.0093107