Παρακολούθηση ενός αμπελώνα που έχει πληγεί από την ίσκα με χρήση τηλεπισκόπησης μέσω εναέριων μη επανδρωμένων οχημάτων

[[Category:Γεωργία ]]

''' Παρακολούθηση ενός αμπελώνα που έχει πληγεί από την ίσκα με χρήση τηλεπισκόπησης μέσω εναέριων μη επανδρωμένων οχημάτων '''

Unmanned Aerial Vehicle (UAV)-based remote sensing to monitor grapevine leaf stripe disease within a vineyard affected by esca complex

'''Συγγραφείς:''' Salvatore F. di Gennaro, Enrico Batt Isto N., Stefano di Marco, Osvaldo Facini, Alessandro Mate Se, Marco Nocentini, Alberto Palliott  and Laura Mugnai

'''Πηγή:''' [[https://www.researchgate.net/publication/305710208_Unmanned_Aerial_Vehicle_UAV-based_remote_sensing_to_monitor_grapevine_leaf_stripe_disease_within_a_vineyard_affected_by_esca_complex]]

'''Abstract'''
Συμπτώματα στο φύλλωμα που προκαλούνται από την ασθένεια της ίσκας των αμπελιών συνδέονται με δραστική αλλοίωση της φωτοσυνθετικής λειτουργίας και ενεργοποίηση των μηχανισμών άμυνας στα μολυσμένα αμπέλια, πολλές μέρες πριν τα πρώτα ορατά συμπτώματα στα φύλλα. Η παρούσα μελέτη προτείνει μια μεθοδολογία για την διερεύνηση των σχέσεων μεταξύ των υψηλής ανάλυσης πολυφασματικών εικόνων που αποκτήθηκαν από εναέριο μη επανδρωμένο όχημα (UAV) και των συμπτωμάτων GLSD που καταγράφονται από επίγειες έρευνες. Οι πολυφασματικές εικόνες υψηλής ανάλυσης αποκτήθηκαν τον Ιούνιο του 2012 και Ιούλιο του 2013, σε έναν πειραματικό αμπελώνα που επηρεάστηκε βαριά από την GLSD και βρίσκεται στην Τοσκάνη της Ιταλίας. 

'''Εισαγωγή'''
Οι μυκητιακές ασθένειες του κορμού είναι από τις πιο δύσκολες ασθένειες του αμπελιού (Di Marco et al,2011a). H ασθένεια της ίσκας των αμπελιών (GLSD) συνδέεται κυρίως με μολύνσεις των αγγείων του ξύλου. Tα πιο γνωστά χαρακτηριστικά της GLSD είναι η απουσία συσχέτισης μεταξύ της σοβαρότητας της επιδείνωσης και της εμφάνισης του ξύλου και της σοβαρότητας των συμπτωμάτων στα φύλλα. Είναι χαρακτηριστικό πως τα συμπτώματα μπορεί να μην εμφανίζονται σε κάθε καλλιεργητική εποχή, ακόμα και αν ένας αμπελώνας έχει εμφανίσει συμπτώματα σε παλιότερα χρόνια, κάτι που καθιστά δυσκολότερο τον εντοπισμό. Κατά συνέπεια η ετήσια παρακολούθηση των συμπτωμάτων των φύλλων είναι ουσιώδης για την εκτίμηση της εξέλιξης στα χρόνια και της απόκτησης σωρευτικών δεικτών για την πραγματική έκταση της ασθένειας. 
Η ανάπτυξη μη επεμβατικών τεχνικών βασιζόμενες στην οπτική τεχνολογία ανιχνεύουν την ασθένεια μέσω δεδομένων ανάκλασης και δείκτη φασματικής βλάστησης.  Πιο συγκεκριμένα ο δείκτης φασματικής ανάκλασης για το πράσινο βρίσκεται στο κόκκινο κανάλι και είναι περισσότερο ευαίσθητος για την χλωροφύλλη, ενώ το υπέρυθρο κανάλι σχετίζεται περισσότερο με την βιομάζα (Blakeman,1990). Σε αυτήν την κατεύθυνση ο δείκτης για την κανονικοποιημένη διαφορά βλάστησης (ΝDVI) είναι μια καλή παράμετρος για την εκτίμηση του περιεχομένου των φύλλων σε χλωροφύλλη και είναι ένας δείκτης της υγείας των φυτών. Ο σκοπός της μελέτης αφορά στην εκτίμηση των σχέσεων μεταξύ του NDVI, των εικόνων υψηλής ανάλυσης από UAV και των μολυσμένων φυτών που καταγράφονται από επίγειες καταγραφές, σε έναν αμπελώνα στην περιοχή Chianti Classico στην Τοσκάνη. Οι χρονιές 2012 και 2013 στις οποίες λήφθηκαν οι εικόνες εμφανίζουν το πλεονέκτημα των σημαντικά διαφορετικών καλοκαιρινών κατακρημνίσεων, κάτι που επηρεάζει την εμφάνιση της ίσκας. Δεύτερος σκοπός της μελέτης ήταν η ανάπτυξη μιας νέας μεθοδολογίας με στόχο την ποιοτική και ποσοτική ανάλυση της χωρικής κατανομής των συμπτωματικών φυτών και στην συνέχεια την δημιουργία ενός μοντέλου πρόβλεψης της έναρξης των συμπτωμάτων της ίσκας. 

'''Μεθοδολογία'''
Η μελέτη διεξήχθη σε ένα αμπελώνα έκτασης 1,22 εκταρίων, που βρίσκεται 150 μέτρα πάνω από την θάλασσα και φυτεύτηκε το 1998 με ποικιλία Cabernet Sauvignon, με τα φυτά να απέχουν 1 μέτρο μεταξύ τους. Οι παρατηρήσεις εδάφους πραγματοποιήθηκαν από τον Μάιο έως και τον Σεπτέμβριο, σε εβδομαδιαία διαστήματα το 2012 και σε μηνιαία διαστήματα το 2013. Η πτήση του UAV έγινε τον Μάιο του 2012 σε πλήρη άνθιση, σε πλήρη καρποφορία τον Ιούνιο του 2012 και τον Ιούνιο του 2013 και στο ξεκίνημα της ωρίμανσης τον Ιούνιο του 2012 και 2013. Οι παρατηρήσεις εδάφους έγιναν από 2 εκπαιδευμένους ερευνητές, οι οποίοι παρατηρούσαν το φύλλωμα του κάθε αμπελιού και ταξινομούσαν τα φυτά σε S= συμπτωματικά με έντονα συμπτώματα, C= αμπέλια ελέγχου που δεν είχαν εμφανίσει πότε συμπτώματα και A= αμπέλια που είχαν εμφανίσει συμπτώματα τα προηγούμενα χρόνια. Οι πολυφασματικές εικόνες αποκτήθηκαν από UAV που πετούσε στα 150 μέτρα με ταχύτητα 4 m/s, με την κάμερα να καταγράφει την ανάκλαση από τη βλάστηση για την εξαγωγή πολλαπλών δεικτών βλάστησης όπως ο NDVI. 

'''Αποτελέσματα'''
Με την συνδυαστική χρήση της τηλεπισκοπικής χρήσης των UAV και των διαφορικών GPS, δημιουργήθηκαν χάρτες του δείκτη NDVI σε υψηλή ανάλυση (0.05 m/pixels) που επιτρέπουν ακριβείς αναλύσεις  σε επίπεδο φυτού. Ο αλγόριθμος που αναπτύχθηκε στο Matlab επέτρεψε την ακριβή αναγνώριση των σειρών (εικόνα 4) και την εξαγωγή δεδομένων από κάθε φυτό στον χάρτη NDVI. H στοματική αγωγιμότητα των φυτών ήταν σημαντικά μικρότερη στα ασυμπτωματικά φυτά σε σχέση με τα φυτά ελέγχου, ενώ οι θερμοκρασίες των φύλλων στα ασυμπτωματικά φυτά ήταν σημαντικά μεγαλύτερη από τα φυτά ελέγχου (εικόνα 5). [[Αρχείο:I5.png|200px|thumb|left|Eικόνα 5: Eδαφικές ηλεκτροφυσιολογικές μετρήσεις. Στοματική αγωγιμότητα (gs) και θερμοκρασία των φύλλων καταγράφηκαν χρησιμοποιώντας υπέρυθρο αναλυτή αεριών σε υγιή (C) και ασυμπτωματικά φύλλα αμπελιού]]
Ανάλυση στα μήκη των μοσχευμάτων έδειξε πως αυτά ήταν σημαντικά μεγαλύτερα στα φυτά ελέγχου (49.7 cm +/- 3.9) σε σχέση με αυτά των ασυμπτωματικών φυτών (46.1 cm +/- 3.6). H εικόνα 7 παρουσιάζει τις τιμές NDVI από 3 κατηγορίες αμπελιών (C,A και S) για το 2012 και το 2013 επιβεβαιώνοντας τα παραπάνω δεδομένα. Μεγαλύτερες τιμές NDVI καταγράφηκαν για τα υγιή αμπελιά και μικρότερες τιμές NDVI για τα συμπτωματικά αμπέλια. Η μέθοδος ANOVA έδειξε πως η χρήση των UAV ξεχώρισε σωστά (P<0.05) τα υγιή φυτά από τα ασυμπτωματικά και τα συμπτωματικά (P<0.05), αλλά ακόμα και τα ασυμπτωματικά από τα συμπτωματικά για κάθε χρονιά και σε διαφορετικές μετεωρολογικές συνθήκες. Ακόμα σημαντικότερο είναι πως η τηλεπισκοπική μέθοδος μπόρεσε να ξεχωρίσει τα φαινομενικά υγιή φυτά που θα εμφάνιζαν συμπτώματα τις επόμενες λίγες εβδομάδες. [[Αρχείο:I7.png|200px|thumb|right|Εικόνα 7: Οι σχέσεις μεταξύ των NDVI δεδομένων και των εδαφικών παρατηρήσεων. Γραφική αναπαράσταση boxplot για την συσχέτιση μεταξύ των τιμών NDVI και των GLSD συμπτωμάτων για τον Μάιο, Ιούνιο και Ιούλιο του 2012 και του 2013. Το γράφημα δείχνει αρνητική τάση για την NDVI, με μεγαλύτερες τομές για τα υγιή φυτά (C) και μικρότερες τιμές για τα συμπτωματικά φυτά (S) με ενδιάμεσες τιμές για τα ασυμπτωματικά φυτά (Α)]] [[Αρχείο:I4.png|200px|thumb|left|Εικόνα 4: Ροή της επεξεργασίας εικόνας. Α. Ορατή εικόνα, Β. Πολυφασματική εικόνα, C. NDVI εικόνα, D. Εντοπισμός των σειρών και εξαγωγή των δεδομένων για τα φυτά.]]

'''Συμπεράσματα'''
Η μεθοδολογία που παρουσιάζεται σε αυτήν την μελέτη δίνει νέες δυνατότητες για την χρήση τεχνολογιών τηλεπισκόπησης στην αμπελουργία ακριβείας. Τα χαρακτηριστικά UAV όπως το χαμηλό κόστος, η ικανότητα έγκαιρης παροχής υψηλής ανάλυσης εικόνων παρέχουν δυνατότητα μελέτης και ελέγχου ασθενειών στον σχεδιασμό αμπελώνων. Τα δεδομένα NDVI από 2 καλλιεργητικές εποχές έδειξαν πως τα ασυμπτωματικά φυτά μπορούν να διαχωριστούν από τα υγιή φυτά στο κοντινό μήκος κύματος με το υπέρυθρο (NIR). Ωστόσο επιπλέον πειραματισμός χρειάζεται σε διαφορετικές καλλιεργητικές εποχές και κλιματικές συνθήκες για την επαλήθευση αυτής της υπόθεσης, ώστε να δημιουργηθεί ένα χρήσιμο εργαλείο για την κατανόηση και αντιμετώπιση ασθενειών.