Προσυμπτωματική διάγνωση της προσβολής από βακτηριακό έλκος σε φυτά τομάτας με φασματοσκοπία για εφαρμογές ευφυούς γεωργίας
Aristotle University of Thessaloniki · 01.01.2024
DOI: 10.26262/heal.auth.ir.357021 ↗Kurz gefasst
Fachartikel in der Zeitschrift Aristotle University of Thessaloniki, erschienen am 01.01.2024. Verfasst von Panagiotis Papazoglou.
Abstract (Originalsprache)
Το βακτήριο Clavibacter michiganensis subsp. michiganensis (Cmm) προκαλεί την ασθένεια του βακτηριακού έλκους σε φυτά τομάτας, μια ασθένεια του ξυλώδους αγγειακού συστήματος. Το παθογόνο αυτό αποτελεί παθογόνο καραντίνας στην Ελλάδα. Η μελέτη του με τη χρήση φασματικών δεδομένων για τη διάκριση μεταξύ υγιών και ασθενών φυταρίων, πριν από την εκδήλωση των ορατών συμπτωμάτων είναι χρήσιμη, καθώς η δημιουργία μοντέλου τεχνητής νοημοσύνης με αυτά τα δεδομένα θα επιτρέπει την άμεση και έγκαιρη λήψη μέτρων για τη διαχείριση της ασθένειας. Επίσης, η μέθοδος λήψης φασματικών δεδομένων είναι μη καταστροφική και η δημιουργία ενός τέτοιου μοντέλου θα δίνει πιο γρήγορα αποτελέσματα σε αντίθεση με τις μοριακές τεχνικές διάγνωσης που εκτός από χρόνο, απαιτούν εξειδικευμένο εξοπλισμό και κοστίζουν. Στην παρούσα εργασία, σε πείραμα που πραγματοποιήθηκε σε θάλαμο ελεγχόμενης θερμοκρασίας και με παροχή τεχνητού φωτισμού, τα μήκη κύματος που εμφάνισαν τις πιο έντονες στατιστικά σημαντικές διαφορές σύμφωνα με μέθοδο επιλογής μεταβλητών μεταξύ υγιών και ασθενών νεαρών φυτών τομάτας ποικιλίας Belladona, δύο ημέρες πριν την εμφάνιση των πρώτων συμπτωμάτων στα φύλλα, ανά φυτό βρίσκονται στα εύρη 486,1 – 529,6 nm και 643,1 – 676,4 nm. Επιπλέον, μολυσμένα νεαρά φυτάρια τομάτας, φάνηκε ότι εμφανίζουν διαφορές, σε σύγκριση με υγιή φυτά στο εύρος μηκών κύματος 819,1 – 921,4 nm, δεκατρείς ημέρες μετά τη μόλυνση από το Cmm, δύο ημέρες πριν την εμφάνιση των πρώτων φυλλικών συμπτωμάτων σε ορισμένα από τα συνολικά μολυσμένα φυτά. Τα παραπάνω φασματικά δεδομένα χρησιμοποιήθηκαν για τη δημιουργία μοντέλων έγκαιρης διαφορικής διάγνωσης υγιών και προσβεβλημένων φυτών τομάτας, πριν την εμφάνιση του πρώτου φυλλικού συμπτώματος ανά φυτό, καθώς και υγιών και προσβεβλημένων φυτών τομάτας, δύο ημέρες πριν την εμφάνιση του πρώτου συμπτώματος στα φύλλα ορισμένων από τα συνολικά μολυσμένα φυτά με την εφαρμογή δύο αλγορίθμων μηχανικής μάθησης (SVM και kNN). Οι δύο αλγόριθμοι φάνηκαν αποτελεσματικοί στη διάκριση των δύο κλάσεων των δύο παραπάνω περιπτώσεων. Σημειώνεται, πως ακολουθήσαν τρία πρότυπα προ-επεξεργασίας δεδομένων πριν την εκπαίδευση των αλγορίθμων. Αυτά ήταν, η περίπτωση πολυδιαστατικότητας (156 μήκη κύματος), η εφαρμογή Ανάλυσης Κύριων Συνιστωσών (PCA) και η χρήση Μεθόδου Επιλογής Κατάλληλων Μηκών Κύματος που βασίζεται σε στατιστικές συγκρίσεις δεδομένων. Τελικά, δημιουργήθηκαν έξι μοντέλα για κάθε μια συλλογή δεδομένων, τα οποία φάνηκε να αποδίδουν ικανοποιητικά στη διάκριση μεταξύ των δύο κλάσεων για κάθε μια από τις δύο αναφερόμενες περιπτώσεις, με ποσοστά ακρίβειας που κυμαίνονται στο εύρος μεταξύ 86% και 99%.
Schlagwörter
Zitieren
APA
Papazoglou, P. (2024). Προσυμπτωματική διάγνωση της προσβολής από βακτηριακό έλκος σε φυτά τομάτας με φασματοσκοπία για εφαρμογές ευφυούς γεωργίας. Aristotle University of Thessaloniki. https://doi.org/10.26262/heal.auth.ir.357021
Vancouver
Papazoglou P. Προσυμπτωματική διάγνωση της προσβολής από βακτηριακό έλκος σε φυτά τομάτας με φασματοσκοπία για εφαρμογές ευφυούς γεωργίας. Aristotle University of Thessaloniki. 2024. doi:10.26262/heal.auth.ir.357021
BibTeX
@article{Papazoglou2024,
author = {Papazoglou, Panagiotis},
title = {Προσυμπτωματική διάγνωση της προσβολής από βακτηριακό έλκος σε φυτά τομάτας με φασματοσκοπία για εφαρμογές ευφυούς γεωργίας},
journal = {Aristotle University of Thessaloniki},
year = {2024},
doi = {10.26262/heal.auth.ir.357021}
}
EUVIMED