ΑΣΘΕΝΕΙΕΣ ΦΥΤΩΝ
Από RemoteSensing Wiki
ΕΓΚΑΙΡΗ ΔΙΑΓΝΩΣΗ ΑΣΘΕΝΕΙΩΝ ΦΥΤΩΝ ΜΕ ΤΗ ΒΟΗΘΕΙΑ ΤΗΣ ΤΗΛΕΠΙΣΚΟΠΙΣΗΣ
Εισαγωγή
Τα τελευταία χρόνια η τηλεπισκόπιση χρησιμοποιείται όλο και πιο συχνά στην παθολογία των φυτών. Αν και εμφανίζεται ως νέο πεδίο στην πραγματικότητα έχει χρησιμοποιηθεί πολύ στο παρελθόν ιδιαίτερα για τον έγκαιρο εντοπισμό ασθενειών φυτών μεγάλης καλλιέργειας όπως καλαμπόκι, ρύζι σιτηρά, σόγια κά. Ο λόγος που η τηλεπισκόπιση φάνηκε ιδιαίτερα χρήσιμη σε αυτή την κατηγορία φυτών είναι ακριβώς γιατί τα φυτά αυτά καλλιεργούνται σε τεράστιες εκτάσεις και είναι αδύνατος ο έγκαιρος εντοπισμός ασθενών με επίγειο έλεγχο. Βέβαια θα ήταν χρήσιμο να επισημάνουμε εδώ πως οι ασθένειες σε αυτά τα φυτά εξαπλώνονται και κατά συνέπεια εμφανίζονται με τη μορφή κηλίδων, γεγονός που καθιστά ευκολότερο τον εντοπισμό τους με τη βοήθεια της τηλεπισκόπισης. Υπό τη βασική της έννοια η τηλεπισκόπιση είναι η πρακτική της συγκέντρωσης των πληροφοριών για κάποιο αντικείμενο, από απόσταση. Πολλές εφαρμογές Τηλεπισκόπισης μετρούν κάποια μορφή της ηλεκτρομαγνητικής ακτινοβολίας, όπως η θερμότητα ή το φως. Συχνά, οι εικόνες λαμβάνονται από τα αεροσκάφη ή τους δορυφόρους, αλλά υπάρχουν επίσης και επίγειες εφαρμογές. Οι φωτογραφίες από ψηλά, σε συνεργασία με τους επίγειους ελέγχους στο πεδίο, επιτρέπουν την καλύτερη και ακριβέστερη ταυτοποίηση και αξιολόγηση των ασθενειών των φυτών. Είναι πολύ σημαντικό και πρέπει να τονιστεί πως οι φωτογραφίες από ψηλά μόνο μία ένδειξη για το είδος της ασθένειας μπορούν να μας προσφέρουν. Στη συνέχεια κατά τον επίγειο έλεγχο θα προχωρήσουμε σε περαιτέρω εργαστηριακή εξέταση των δειγμάτων η θα αποφανθούμε με βάση παθογνομονικά συμπτώματα για το είδος της ασθένειας που πλήττει την καλλιέργεια μας. Σε καμία λοιπόν περίπτωση δεν πρέπει να μεγεθύνουμε η να υποβαθμίσουμε το ρόλο της Τηλεπισκόπισης και της επίγειας παρακολούθησης. Συμπερασματικά λοιπόν θα λέγαμε πως με τη βοήθεια της Τηλεπισκόπισης εντοπίζουμε έγκαιρα τις ασθένειες στον αγρό αλλά πολύ περισσότερο μπορούμε να εκτιμήσουμε την έκταση της προσβεβλημένης περιοχής και στη συνέχεια με τον επίγειο έλεγχο να προσδιορίσουμε ακριβώς το είδος ασθένειας που απειλεί την παραγωγή μας και να δράσουμε κατά το δοκούν.
Ιστορία
Η πρώτη χρήση της αεροφωτογραφίας την παθολογία καλλιεργειών εμφανίζεται προς το τέλος της δεκαετίας του ΄20 στον πειραματικό γεωργικό σταθμό του κολεγίου του Τέξας. Οι πιλότοι του στρατού που σταματούσαν στο σταθμό του Κολεγίου ανέφεραν ότι τα σημεία αποσυνθέσεων των ριζών του βαμβακιού ήταν εύκολα ορατά από τον αέρα σε μεγάλο ύψος.
Στη συνέχεια ο Neblette φωτογράφησε αυτά τα σημεία στα ύψη που ποικίλλουν μεταξύ 250 και 500 ποδιών (76 και 150 μέτρα) με την τοποθέτηση μιας φωτογραφικής μηχανής πέρα από την άκρη των φτερών του αεροσκάφους. Η έντονη αντίθεση μεταξύ των υγιών βαμβακόφυτων και του γυμνού χώματος (επειδή το παθογόνο είχε σαπίσει τις ρίζες και αποξήρανε το φυτό) και η κάθετη γωνία επέτρεπε τη σύγκριση της υγιούς με την «ασθενή» επιφάνεια.
Ο επίγειος έλεγχος έδειξε ότι η βαμβακοφυτεία είχε επηρεαστεί από τον αδρομύκητα Pfymatotrichum που προκαλεί μεγάλες νεκρωτικές περιοχές. Επίσης η αεροφωτογραφία καταδείκνυε με μεγάλη ακρίβεια την έκταση που είχε επηρεαστεί καθιστώντας έτσι εύκολο τον προσδιορισμό της και κατά συνέπεια την εκτίμηση της απώλειας της παραγωγής αλλά την αναμενόμενη παραγωγή.
Ακόμα πιο ελπιδοφόρο όμως είναι το γεγονός πως η χρήση του φωτός πέρα από το ορατό φάσμα μπορεί να επιτρέψει την ανίχνευση των συμπτωμάτων των ασθενειών προτού αυτά να γίνουν ορατά με το μάτι.
Αρχή λειτουργίας.
Ο Bawden (1993) σημείωσε ότι το υπέρυθρο φιλμ θα μπορούσε να συλλάβει μερικά συμπτώματα ιών , ενώ άλλα συμπτώματα διακρίθηκαν ευκολότερα στο παγχρωματικό φιλμ (μαύρο και άσπρο φιλμ ευαίσθητο στο ορατό φως). Στην παρακάτω φωτογραφία φύλλων πατάτας βλέπουμε πως το ιωμένο φυτό δεξιά (b) εμφανίζει τα συμπτώματα του ιού (μαύρες κηλίδες) στο υπέρυθρο φιλμ, ενώ το ίδιο φύλλο δεν τα εμφανίζει στο παγχρωματικό φιλμ (a) (εικόνα 3).
Αυτό οφειλόταν στα φασματικά χαρακτηριστικά των συμπτωμάτων των ιών. Η χλωροφύλλη απορροφά το φως στις μπλε και κόκκινες περιοχές, με συνέπεια την πράσινη εμφάνιση των φύλλων. Ακριβώς μετά από την ορατή περιοχή του φάσματος, στις κοντινές υπέρυθρες ακτίνες, τα φύλλα απεικονίζουν σχεδόν το 50% του υπέρυθρου φωτός.
Αυτός ο συντελεστής ανάκλασης οφείλεται στη διάθλαση του φωτός εξαιτίας των πολλών σημείων επαφής των κυτταρικών τοιχωμάτων και του αέρα που βρίσκεται στο σπογγώδες μεσόφυλλο. Αυτή η απότομη αύξηση στην αντανάκλαση από το κόκκινο στις κοντινές υπέρυθρες ακτίνες είναι χαρακτηριστική της βλάστησης και ονομάζεται «κόκκινη άκρη» (red-edge)(εικόνα 4).
Αντίθετα ο νεκρός η υγρός ιστός δεν εκπέμπει την ισχυρή αντανάκλαση του υπέρυθρου φωτός και εμφανίζεται σκοτεινός με το υπέρυθρο φιλμ. Ο χλωρωτικός ιστός (που στερείται χλωροφύλλης) εμφανίζεται φωτεινός στο πανχρωματικό φιλμ, αλλά δεν μπορεί να διακριθεί από τον υγιή στο υπέρυθρο φιλμ
Ο Bawden (1993) σημείωσε ότι το υπέρυθρο φιλμ ήταν τόσο ευαίσθητο που η νέκρωση ήταν ξεκάθαρα ορατή στο φιλμ, όταν μετά δυσκολίας φαινόταν με το μάτι. Ο Chaerle το 1999 εμφάνισε την ίδια επίδραση, χρησιμοποιώντας τη θερμική απεικόνιση. Το 1956 ο Colwell χρησιμοποίησε τις φασματικές ιδιότητες υγιών και προσβεβλημένων φυτών δημητριακών για να προβλέψει το σωστό φιλμ και τους συνδυασμούς των φίλτρων που απαιτούνται για την εμφάνιση της εικόνας σε κλίμακα αγροτεμαχίου και συνολικής έκτασης αγρού. Οι προσπάθειές του βοηθήθηκαν σημαντικά από την ύπαρξη απλών έγχρωμων και έγχρωμων υπέρυθρων φιλμ. Μελέτησε εξίσου τις ασθένειες σκωρίαση (rust) και τον ιό του κίτρινου νανισμού του κριθαριού (Barley yellow dwarf virus) στο σιτάρι, τη βρώμη και το κριθάρι. Μάλιστα οι εκτιμήσεις για το μέγεθος της ζημιάς των δημητριακών εξαιτίας της ασθένειας της σκωρίασης, ήταν ίδια με την εκτίμηση που έγινε από εδάφους. Η εργασία του Colwell ήταν τόσο πλήρης και γραμμένη με τέτοιες λεπτομέρειες που ακόμα και σήμερα αποτελεί μία ευρύτατα χρησιμοποιούμενη μέθοδο. Πολλοί επιστήμονες Τηλεπισκόπησης θεωρούν την εργασία του ένα θεμέλιο λίθο στο επιστημονικό τους πεδίο.
Η απορρόφηση του φωτός από τις χρωστικές ουσίες και η αντανάκλαση του από τη φυλική επιφάνεια, επικαλύπτει τις ορατές περιοχές του φάσματος. Επιπλέον, οι ατμοσφαιρικές παραμορφώσεις και τα φυσικά αντικείμενα τείνουν να επηρεάζουν με διαφορετικό τρόπο τα διάφορα μήκη κύματος του φωτός. Πράγματι στην διπλανή αεροφωτογραφία (εικόνα 5) βλέπουμε σε αλληλεπίθεση φωτογραφία καλλιέργειας ποικιλίας ζαχαρότευτλου με αληθινό χρώμα (επάνω) και το ίδιο αντικείμενο με έγχρωμη υπέρυθρη (κάτω). Επειδή η υπέρυθρη εικόνα είναι πιο ευαίσθητη σε αραιές σπορές και χαμηλά φυτά, μπορούμε να διακρίνουμε και να συσχετίσουμε την ευαισθησία των φυτών στο μύκητα Rhizoctonia (υπεύθυνο για σαπίσματα ριζών) και τα συχνά ποτίσματα.
Για να μπορέσουμε να ξεπεράσουμε αυτές τις δυσκολίες , ανακαλύφθηκαν φυτικά ευρετήρια που δεν είναι τίποτε άλλο παρά αναλογίες ενός τομέα του φάσματος προς ένα άλλο. Παράδειγμα ο λόγος του καναλιού 4 προς το κανάλι 3 (band4 / band3) μας δίνει ένα κοινό δείκτη βλάστησης το Normalized Difference Vegetative Indices γνωστό και ως (NVDI). Μάλιστα η χρήση του είναι τόσο συχνή, που θα το συναντήσουμε απλά ως NVDI. Αυτός ο φυτικός δείκτης είναι η διαφορά μεταξύ του συντελεστή ανάκλασης στις κοντινές υπέρυθρες και κόκκινες περιοχές του φάσματος που διαιρείται με το ποσό αυτών των δύο τιμών. Τα παχιά φύλλα που έχουν μεγάλο ποσοστό με σπογγώδες μεσόφυλλο, θα έχουν έναν υψηλό συντελεστή ανάκλασης στις κοντινές υπέρυθρες ακτίνες, ενώ η απορρόφηση του κόκκινου φωτός από τη χλωροφύλλη θα οδηγήσει στον πολύ χαμηλό συντελεστή ανάκλασης στην κόκκινη περιοχή. Αν λοιπόν απλά αφαιρέσουμε αυτές τις δύο τιμές, τη μια από την άλλη, θα οδηγηθούμε σε μία πολύ χρήσιμη σχέση, αλλά αυτό θα επηρεάσει το βαθμό της σκίασης. Μέρος του αποτελέσματος αυτών των δύο τιμών κανονικοποιεί τα στοιχεία και ελαχιστοποιεί την επιρροή προς σκίαση. Και βέβαια η σκίαση δεν είναι κανένας ασήμαντος παράγοντας: Καθένας από μας που έχει θαυμάσει τις εναλλασσόμενες λωρίδες της πρόσφατα κομμένης χλόης, είναι μάρτυρας της επιρροής της σκίασης στην ανάκλαση. Όταν η μηχανή κοπής του γκαζόν, «ξαπλώνει» με τις κοπτικές λεπίδες το γρασίδι προς την κατεύθυνση της κίνησής της , το γρασίδι θα εμφανιστεί σκοτεινότερο επειδή θα εμφανίζεται περισσότερο η σκιασμένη μεριά των φύλων. Όταν όμως απομακρυνθούμε και μπορέσουμε να δούμε το γρασίδι από πιο μακριά, τότε το χρώμα τους φαίνεται ανοιχτότερο, δεδομένου ότι εμφανίζεται ένα μεγαλύτερο ποσοστό του φύλου που φωτίζεται περισσότερο από τον ήλιο. Το κούρεμα λοιπόν του γκαζόν σε διαφορετικές κατευθύνσεις, έχει ως αποτέλεσμα να βλέπουμε το γρασίδι κομμένο σε λωρίδες.
Δεδομένου ότι οι πηγές των πληροφοριών έχουν αυξηθεί σε ανάλυση , αυτοί οι δείκτες τροποποιήθηκαν για να ποσολογήσουν ακριβέστερα μια συγκεκριμένη παράμετρο, ενώ παράλληλα νέοι δείκτες αναπτύχθηκαν. Μερικοί έχουν ως σκοπό να υπολογίσουν την ποσότητα μιας ιδιαίτερης χρωστικής ουσίας, χρησιμοποιώντας πολύ συγκεκριμένο μήκος κύματος. Έτσι αποτελεί μία κοινή πρακτική να καθορίζεται το ακριβές μήκος κύματος για κάθε φυτικό ιστό και να δημιουργείται έτσι ένα ψηφιακό αποτύπωμα ή μια «ψηφιακή υπογραφή».
Στις παρακάτω εικόνες φαίνεται η ψηφιακή υπογραφή που αφήνουν ορισμένα είδη φυτών όπως τα ψυχανθή, οι πατάτες, τα καλαμπόκια, η σόγια και άλλα φυτά.
Μπορούμε επίσης να δούμε το ψηφιακό αποτύπωμα από υγιή και στρεσαρισμένα φυτά ζαχαρότευτλου (εικόνα 7):
Δυνατότητες και εφαρμογές της τηλεπισκόπισης
Η όραση των μηχανών είναι ένας τομέας έρευνας που έχει προέλθει από τη εφαρμοσμένη βιομηχανική μηχανική, αλλά συγχωνεύεται με την τηλεπισκόπιση και βρίσκει χρήση στη γεωργία. Στην όραση μηχανών, ένας υπολογιστής αναλύει μια εικόνα και μετρά τις παραμέτρους μέσα σε αυτήν. Μιας και η εφαρμογή στη γεωργία είναι αυτή που μετρά την εκατοστιαία περιοχή των φύλων, διαιρώντας τον αριθμό των πρασίνων εικονοκυττάρων (pixels), με το συνολικό αριθμό των εικονοκυττάρων μέσα στην εικόνα. Αυτό μπορεί να χρησιμοποιηθεί για να κατηγοριοποιήσουμε τα εικονοκύτταρα είτε ως φύλλο, είτε ως άρρωστο ιστό (με κακώσεις ) ή ως κάτι άλλο, μετρώντας με αυτό τον τρόπο τις ασθένειες των φύλλων.
Η διαστημική γενιά του `60μας έφερε μία γρήγορη αύξηση στον αριθμό των δορυφόρων που μπαίνει σε τροχιά γύρω από τη γη. Μεγάλο μέρος της έρευνας αυτής χρηματοδοτήθηκε και προωθήθηκε από το στρατό προκειμένου να έχει κατασκοπευτικούς δορυφόρους. Όταν ο στρατός έπαψε να τους χρησιμοποιεί, οι δορυφόροι αυτοί αναπτύχθηκαν για την παρατήρηση του εδάφους.
Συγκεκριμένα ο Lansat 1 Προωθήθηκε το 1972, παρέχοντας συστηματικές και επαναλαμβανόμενες παρατηρήσεις της επιφάνειας της γης με αισθητήρες που καλύπτουν πολλές περιοχές του ηλεκτρομαγνητικού φάσματος (συνήθως έχει 7 κανάλια). Μέσα στα επόμενα χρόνια πολλοί δορυφόροι Lansat εκτοξεύτηκαν και μπήκαν σε τροχιά γύρω από τη Γη , εξοπλισμένοι με όλο και καλύτερα συστήματα παρατήρησης και ανάλυσης, ακολουθούμενοι και από άλλους εμπορικούς δορυφόρους όπως ο ikonos (εικόνα 8)και ο SPOT.
Στην παρακάτω δορυφορική εικόνα τραβηγμένη από Lansat(εικόνα 9), βλέπουμε περιοχές με υγιή φυτά σιταριού (κόκκινος κύκλος), γυμνό έδαφος (σιέλ κύκλος), λιβάδια (pasture) με έντονο πράσινο χρώμα και καλλιέργεια σιταριού προσβεβλημένη από τον ιό του ραβδωτού μωσαϊκού του σίτου (WSMV) καθώς και από τον υψηλό (HPV). Για την συγκεκριμένη φωτογραφία η επιλογή των καναλιών ήταν το κανάλι 4 (780-900nm) για το κόκκινο, το κανάλι 3 (630-690 nm) για το πράσινο και το κανάλι 2(520-560 nm) για το μπλε.
Παρόλα αυτά οι δορυφορικές εικόνες δεν φαίνεται να χρησιμοποιούνται σε πολλές μελέτες φυτοπαθολογίας. Οι περισσότεροι φυτοπαθολόγοι θέλουν τις υψηλής ευκρίνειας εικόνες, που ελέγχουν την εξάπλωση μιας ασθένειας καθώς αυτή προχωρεί. Τα προβλήματα που αντιμετωπίζουμε με τα προηγούμενα συστήματα είναι εικόνες είχαμε γης ανάλυσης, κάλυψη νεφών και σπάνιος συγχρονισμός. Εν τούτοις ένα από τα καλά χαρακτηριστικά γνωρίσματα των συστημάτων Lansat είναι ότι τα δεδομένα συλλέγονται και αρχειοθετούνται για μελλοντική επεξεργασία.
Οι Fritz και Pennypacker μπόρεσαν να χρησιμοποιήσουν δορυφορικά δεδομένα για να ανιχνεύσουν τις μεγάλες περιοχές του δάσους που επηρεάζονταν από την τοξικότητα του ψευδαργύρου. Επίσης ο Nagarajan και οι συνεργάτες του χρησιμοποίησαν τις εικόνες από το δορυφόρο Lansat 2 για να ελέγξουν μία επιδημία σκωρίασης σίτου στο Πακιστάν. Η εργασία τους προηγήθηκε χρονικά της εμφάνισης του προσωπικού υπολογιστή και έδειξε ότι ακόμα και η σχετικά χαμηλή ανάλυση που παρείχαν αυτοί οι πρώτοι δορυφόροι, μπορούσε να χρησιμοποιηθεί για να ελέγξει τα μεγάλης κλίμακας γεγονότα που σχετίζονταν με επιδημίες ασθενειών.
Με δεδομένο ότι οι τιμές των ηλεκτρονικών υπολογιστών έχουν μειωθεί και από την άλλη η ταχύτητα και η ποιότητά τους έχουν αυξηθεί, όλοι έχουν στηριχθεί σε μεγαλύτερο ποσοστό στις ψηφιακές πληροφορίες. Αυτό ισχύει επίσης για την τηλεπισκόπιση. Οι περισσότεροι επιστήμονες είναι τώρα κάτοχοι ενός αρκετά ισχυρού υπολογιστή που μπορεί να συνθέτει και να αναλύει μεγάλες ψηφιακές εικόνες . Τα συστήματα απεικόνισης που χρησιμοποιούνται για να συγκεντρώσουν τα στοιχεία της τηλεπισκόπισης, έχουν μειωθεί επίσης την τιμή και έχουν καλύτερη ποιότητα. Η ανάλυση της εικόνας έχει αυξηθεί κατά τη διάρκεια των τελευταίων ετών καθιστώντας πιθανότερο ότι κάποια ασθενής περιοχή ενός αγροτεμαχίου, θα εντοπισθεί από μία εικόνα. Η φασματική ανάλυση των συστημάτων έχει επίσης βελτιωθεί.
Η διπλανή εικόνα (εικόνα 10)μας δείχνει τις περιορισμένες δυνατότητες που έχει το ανθρώπινο μάτι σε σχέση με το εύρος του μήκους κύματος του φωτός. Λόγω της περιορισμένης ευαισθησίας των πρώτων αισθητήρων που ήταν διαθέσιμοι εκείνη την περίοδο, τα πρώτα δορυφορικά συστήματα δεν μπορούσαν να συλλέξουν το φως παρά μόνο από μια ευρεία ζώνη του μήκους κύματος . Σήμερα όμως η ευαισθησία των αισθητήρων έχει αυξηθεί τόσο ώστε να επιτρέψει την ανίχνευση του φωτός σε στενότερα μήκη κύματος. Τώρα είναι δυνατόν να παραχθούν εικόνες όπου κάθε εικονοστοιχείο περιέχει ένα φάσμα όπως μπορούμε να δούμε στην παρακάτω εικόνα:
Αυτές οι εικόνες είναι γνωστές ως Υπερφασματικές (hyper-spectral) εικόνες (εικόνα 11) και συνδυάζουν τα χαρακτηριστικά γνωρίσματα ενός φασματόμετρου με τις χωρικές πληροφορίες μιας εικόνας. Είναι πιθανό να βελτιώσουν τη δυνατότητα μας στο να διαχωρίσουμε τα υγιή από τα ασθενή φυτά καθώς και το είδος των ασθενειών που τα προσβάλλουν.και συνδυάζουν τα χαρακτηριστικά γνωρίσματα ενός φασματόμετρου με τις χωρικές πληροφορίες μιας εικόνας. Είναι πιθανό να βελτιώσουν τη δυνατότητα μας στο να διαχωρίσουμε τα υγιή από τα ασθενή φυτά καθώς και το είδος των ασθενειών που τα προσβάλλουν.
