Sztuczne sieci neuronowe i teledetekcja w ocenie porażenia pszenicy jarej fuzariozą kłosów

Wiesław Golka


Instytut Technologiczno – Przyrodniczy, Falenty, Al. Hrabska 3, 05‒090 Raszyn (Poland)

Edward Arseniuk


Instytut Hodowli i Aklimatyzacji Roślin – Państwowy Instytut Badawczy, Radzików, 05‒870 Błonie (Poland)
https://orcid.org/0000-0002-4483-3317

Adrian Golka


Relayonit sp. z o.o., ul. Cietrzewia 23, 02‒492 Warszawa (Poland)

Tomasz Góral


Instytut Hodowli i Aklimatyzacji Roślin – Państwowy Instytut Badawczy, Radzików, 05‒870 Błonie (Poland)
https://orcid.org/0000-0001-9130-6109

Abstrakt

Celem prac badawczych było wykorzystanie teledetekcji oraz sztucznych sieci neuronowych w ocenie pszenicy jarej pod względem reakcji na fuzariozę kłosów wywoływaną przez grzyby z rodzaju Fusarium spp. Prace badawcze wykonano na roślinach 4 odmian pszenicy jarej. Były to: KWS Torridon i Izera – o wyższej odporności, Radocha i Nawra – o odporności niższej na ww. patogena. Wykonano zdjęcia zdrowych oraz porażonych kłosów wszystkich odmian, które następnie przetworzono przy użyciu programu Crops Vegetation Control Lab (CVC Lab.). Na podstawie uzyskanych obrazów utworzono ich reprezentacje w postaci sieci neuronowych Growing Neural Gas (GNG). W wyniku analizy zdjęć uzyskano 240 wzorców, z których wybrano po 6 bazowych wzorców choroby dla każdej odmiany. Następnie dokonano porównania próbek porażonych kłosów danej odmiany z bazowymi wzorcami chorobowymi tej samej odmiany pszenicy. W wyniku porównania wzorców roślin zdrowych i porażonych ze zdjęciami poletek roślin zdrowych i porażonych uzyskano zróżnicowanie wartości liczbowych dającej podstawę do konstrukcji mapy zdrowotności plantacji pszenicy z wyszczególnieniem ognisk choroby.


Słowa kluczowe:

fuzarioza kłosów, pszenica, sztuczne sieci neuronowe, teledetekcja

Alchanatis V., Ridel L., Hetzroni A., Yaroslavsky L. 2005. Weed detection in multi-spectral images of cotton fields. Computers and Electronics in Agriculture 47: 243 — 260.
Google Scholar

Arseniuk E., Góral T. 2015. Triticale Biotic Stresses – Known and Novel Foes, In Triticale, pp. 83 — 108. Ed F. Eudes. Cham: Springer International Publishing.
Google Scholar

Arseniuk E., Fried P.M., Winzeler H., Czembor H.J. 1991. Comparison of resistance of triticale, wheat and spelt to septoria nodorum blotch at the seedling and adult plant stages. Euphytica 55: 43 — 48.
Google Scholar

Boniecki P. 2005. Wykorzystanie technik neuronowych w praktyce rolniczej. Journal of Research and Applications in Agricultural Engineering, 50: 10 — 14.
Google Scholar

Clary K., 2013. A Comparison of the Self-Organizing Map and Growing Neural Gas Network in the Context of Optical Character Recognition. Department of Computer Science and Mathematics, Hendrix College, AR, USA: 3 pp.
Google Scholar

Figueroa M., Hammond-Kosack K.E. Solomon P.S. 2018. A review of wheat diseases — a field perspective. Mol. Plant Pathol. 19: 1523 — 1536.
Google Scholar

Frączek J.2005. Cyfrowa analiza obrazu w technice rolniczej, Inżynieria Rolnicza 6, 149 — 157.
Google Scholar

Góral T., Ochodzki P., Walentyn-Góral, D., Belter J., Majka M., Kwiatek M., Wiśniewska H. 2015. Odporność genotypów pszenicy ozimej na fuzariozę kłosów i akumulację toksyn fuzaryjnych w ziarnie scharakteryzowana za pomocą różnych typów odporności. Biuletyn IHAR 276: 19 — 37.
Google Scholar

Góral T., D. Walentyn-Góral 2018. Zróżnicowanie podatności odmian pszenicy ozimej i jarej na fuzariozę kłosów badanych w latach 2009–2016. Komunikat. Biuletyn IHAR 284: 3 — 11.
Google Scholar

Hovmøller M.S., Walter S., Bayles R.A., Hubbard A., Flath K., Sommerfeldt N., Leconte M., Czembor P., Rodriguez-Algaba J., Thach T., Hansen J.G., Lassen P., Justesen A.F., Ali S., de Vallavieille-Pope C. 2015. Replacement of the European wheat yellow rust population by new races from the centre of diversity in the near-Himalayan region. Plant Pathology 65: 402 — 411.
Google Scholar

Jin X., Jie L., Wang S., Qi H.J., Li S.W. 2018. Classifying wheat hyperspectral pixels of healthy heads and Fusarium head blight disease using a deep neural network in the wild field. Remote Sensing 10: 395.
Google Scholar

Kazmi W., Foix S., Alenyà G., Andersen H.J. 2014. Indoor and outdoor depth imaging of leaves with time-of-flight and stereo vision sensors: Analysis and comparison. ISPRS Journal of Photogrammetry and Remote Sensing 88: 128 — 146.
Google Scholar

Kurkute S.R. 2018. Drones for Smart Agriculture: A Technical Report. International Journal for Research in Applied Science and Engineering Technology, 6: 341 — 346.
Google Scholar

Łuczycka D. 2016. Rolnictwo XXI wieku – problemy i wyzwania. ISBN 978‒83‒945311‒0-2: 378
Google Scholar

Łukawski R., Golka W., 2011. Identyfikacja efektu mieszania gleby w procesie powierzchniowej uprawy z wykorzystaniem dynamicznej analizy obrazu 3D. Problemy Inżynierii Rolniczej 2: 55 — 64.
Google Scholar

Mendes C.A.T., Gattass M., Lopes H., 2014. FGNG: A fast multi-dimensional growing neural gas implementation. Neurocomputing 128: 328 — 340.
Google Scholar

Moshou D., Bravo C., Oberti R., West J.S., Ramon H., Vougioukas S., Bochtis D. 2011. Intelligent multi-sensor system for the detection and treatment of fungal diseases in arable crops. Biosystems Engineering 108: 311 — 321.
Google Scholar

Niedbała G., Kurasiak-Popowska D., Kinga Stuper-Szablewska K. and Jerzy Nawracała, 2020. Application of Artificial Neural Networks to Analyze the Concentration of Ferulic Acid, Deoxynivalenol, and Nivalenol in Winter Wheat Grain. Agriculture 10: 127; doi: 10.3390/agriculture10040127.
Google Scholar

Nieróbca A., Pudełko R., Kozyra J. 2009. Zastosowanie zdalnych metod w analizie zachwaszczenia pól testowych. Progress in Plant Protection/Postępy w Ochronie Roślin, 49: 1622 — 1629.
Google Scholar

Osowski S. 2000. Sieci neuronowe do przetwarzania informacji. Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa.
Google Scholar

Perez A.J., Lopez F., Benlloch J.V., Christensen S. 2000. Colour and shape analysis techniques for weed detection in cereal fields. Computers and Electronics in Agriculture 25: 197 — 212.
Google Scholar

Piotrowska E. 2003. Badania filmowe bryły glebowej odkształcanej przez wąskie narzędzie uprawowe. Inżynieria Rolnicza 11: 173 — 178.
Google Scholar

Prandini A., Sigolo S., Filippi L., Battilani P., Piva G. 2009. Review of predictive models for Fusarium head blight and related mycotoxin contamination in wheat. Food Chem Toxicol. 47: 927 — 31.
Google Scholar

Pudełko R., Kozyra J., Nieróbca A. 2008. Identification of the intensity of weeds in maize plantations based on aerial photographs. Zemdirbyste-Agriculture, 95: 130 — 134.
Google Scholar

Qiu R., Yang C., Moghimi A., Zhang M., Steffenson B. 2019. Detection of Fusarium Head Blight in Wheat Using a Deep Neural Network and Color Imaging. Remote Sensing 11: 2685.
Google Scholar

Rumelhart D., J. L. McClelland, the PDP Research Group.1986. Parallel Distributed Processing: explorations in the microstructure of cognition. MIT Press, Cambridge.
Google Scholar

Sankaran S., Mishra A., Ehsani R., Davis C. 2010. A review of advanced techniques for detecting plant diseases. Computers and Electronics in Agriculture 72 1 — 13.
Google Scholar

Skulska M., Skulska M., Makowski Ł. 2003. Zastosowanie sieci neuronowych. Wydawca: Państwowa Wyższa Szkoła Zawodowa w Tarnobrzegu: 8 str.
Google Scholar

Song Y., Sun H., Li M., Zhang Q. 2015. Technology Application of Smart Spray in Agriculture: A Review. Intelligent Automation and Soft Computing 21: 319 — 333.
Google Scholar

Wei Y., Blake M.B., Madey G.R. 2013. An operation-time simulation framework for UAV swarm configuration and mission planning. In: Proceedings of the International Conference on Computational Science, ICCS 2013, Barcelona, Spain, 5 — 7 June, 2013, pp. 1949 — 1958.
Google Scholar

Yuan L., Zhang J., Shi Y., Nie C., Wei L., Wang J. 2014. Damage mapping of powdery mildew in winter wheat with high-resolution satellite image. Remote Sensing, 6: 3611 — 3623.
Google Scholar

Yang L., Gao F., Shang L., Zhan J., McDonald B. A. 2013. Association between virulence and triazole tolerance in the phytopathogenic fungus Mycosphaerella graminicola. PLoS ONE 8(3): e59568. doi:10.1371/journal.pone.00595.
Google Scholar

Pobierz


Opublikowane
06/22/2020

Cited By / Share

Golka, W. (2020) „Sztuczne sieci neuronowe i teledetekcja w ocenie porażenia pszenicy jarej fuzariozą kłosów”, Biuletyn Instytutu Hodowli i Aklimatyzacji Roślin, (288), s. 67–75. doi: 10.37317/biul-2020-0008.

Autorzy

Wiesław Golka 

Instytut Technologiczno – Przyrodniczy, Falenty, Al. Hrabska 3, 05‒090 Raszyn Poland

Autorzy

Edward Arseniuk 

Instytut Hodowli i Aklimatyzacji Roślin – Państwowy Instytut Badawczy, Radzików, 05‒870 Błonie Poland
https://orcid.org/0000-0002-4483-3317

Autorzy

Adrian Golka 

Relayonit sp. z o.o., ul. Cietrzewia 23, 02‒492 Warszawa Poland

Autorzy

Tomasz Góral 

Instytut Hodowli i Aklimatyzacji Roślin – Państwowy Instytut Badawczy, Radzików, 05‒870 Błonie Poland
https://orcid.org/0000-0001-9130-6109

Statystyki

Abstract views: 422
PDF downloads: 337


Licencja

Prawa autorskie (c) 2020 Wiesław Golka, Edward Arseniuk, Adrian Golka, Tomasz Góral

Creative Commons License

Utwór dostępny jest na licencji Creative Commons Uznanie autorstwa – Na tych samych warunkach 4.0 Miedzynarodowe.

Z chwilą przekazania artykułu, Autorzy udzielają Wydawcy niewyłącznej i nieodpłatnej licencji na korzystanie z artykułu przez czas nieokreślony na terytorium całego świata na następujących polach eksploatacji:

  1. Wytwarzanie i zwielokrotnianie określoną techniką egzemplarzy artykułu, w tym techniką drukarską oraz techniką cyfrową.
  2. Wprowadzanie do obrotu, użyczenie lub najem oryginału albo egzemplarzy artykułu.
  3. Publiczne wykonanie, wystawienie, wyświetlenie, odtworzenie oraz nadawanie i reemitowanie, a także publiczne udostępnianie artykułu w taki sposób, aby każdy mógł mieć do niego dostęp w miejscu i w czasie przez siebie wybranym.
  4. Włączenie artykułu w skład utworu zbiorowego.
  5. Wprowadzanie artykułu w postaci elektronicznej na platformy elektroniczne lub inne wprowadzanie artykułu w postaci elektronicznej do Internetu, lub innej sieci.
  6. Rozpowszechnianie artykułu w postaci elektronicznej w internecie lub innej sieci, w pracy zbiorowej jak również samodzielnie.
  7. Udostępnianie artykułu w wersji elektronicznej w taki sposób, by każdy mógł mieć do niego dostęp w miejscu i czasie przez siebie wybranym, w szczególności za pośrednictwem Internetu.

Autorzy poprzez przesłanie wniosku o publikację:

  1. Wyrażają zgodę na publikację artykułu w czasopiśmie,
  2. Wyrażają zgodę na nadanie publikacji DOI (Digital Object Identifier),
  3. Zobowiązują się do przestrzegania kodeksu etycznego wydawnictwa zgodnego z wytycznymi Komitetu do spraw Etyki Publikacyjnej COPE (ang. Committee on Publication Ethics), (http://ihar.edu.pl/biblioteka_i_wydawnictwa.php),
  4. Wyrażają zgodę na udostępniane artykułu w formie elektronicznej na mocy licencji CC BY-SA 4.0, w otwartym dostępie (open access),
  5. Wyrażają zgodę na wysyłanie metadanych artykułu do komercyjnych i niekomercyjnych baz danych indeksujących czasopisma.

Inne teksty tego samego autora

1 2 3 4 > >> 

Podobne artykuły

<< < 1 2 3 4 5 6 7 8 9 > >> 

Możesz również Rozpocznij zaawansowane wyszukiwanie podobieństw dla tego artykułu.