ارزیابی روند پیشرفت بیماری سوختگی شمشاد در جنگلهای شمال ایران با استفاده از تكنیك‌های پردازش تصاویر ماهواره‌ای
محورهای موضوعی : مهندسی برق و کامپیوتر
مرضيه قويدل
1
(دانشگاه آزاد اسلامی واحد رشت)
پیمان بیات
2
(دانشگاه آزاد اسلامی واحد رشت)
محمد ابراهيم فراشياني
3
(دانشگاه آزاد اسلامی واحد رشت)
کلید واژه: پردازش تصاویر ماهواره‌ای, شاخص‌های گیاهی, لندست 8, سوختگی, شمشاد خزری,
چکیده مقاله :
در چند سال اخیر، بیماری سوختگی شمشاد به یکی از مهم‌ترین نگرانی‌های مدیران منابع طبیعی کشور و دوستداران محیط زیست تبدیل شده است. به منظور کاهش خطر انقراض این گونه، نیاز به تشخیص زود‌هنگام و تهیه نقشه پراکنش بیماری است و در این راستا، دادههای سنجش از دور می‌توانند نقش مهمی را ایفا کنند. در این پژوهش برای بررسی میزان تخریب از ادغام تصاویر پانکروماتیک با قدرت تفکیک مکانی بالا و چندطیفی با قدرت تفکیک مکانی پایین استفاده گردیده و همچنین به طور هم‌زمان در تصاویر استخراج‌شده از ماهواره لندست 8، ویژگی‌های طیفی و بافتی مورد توجه قرار گرفته و در نهایت با استخراج ویژگی‌های مؤثر از فضای توصیف کاندیدا با کمک الگوریتم ژنتیک و به کارگیری طبقه‌بند مناسب در قالب به کارگیری هم‌زمان خوشه‌بندی فازی و طبقه‌بندی بیشینه شباهت، کلاس پوشش منطقه با دقت مطلوبی بین سال‌های 2014 تا 2018 استخراج نهایی شده است. نتایج ارزیابی و ضریب تبیین مدل‌‌ها، اعتبارسنجی روش را در برآوردهای آینده مورد تأیید قرار می‌دهد.
In recent years, boxwood dieback has become one of the essential concerns of practitioners and managers of the natural resources of the country. To control the expansion of the factors contributing to the dieback of box trees, the early detection and preparation of distribution maps are required. Assessment data can play an important role in this regard. The combination of high-resolution and low-spectrum panchromatic images with low resolution is used for evaluating the extent of destruction. Also, spectral and textural features are considered simultaneously in images extracted from Landsat 8 satellite. Finally, by extracting effective features from the candidate description space with the help of genetic algorithm and using the appropriate classification in the form of simultaneous application of fuzzy clustering and maximum similarity classification of area resulted in good accuracy in 2014-2018. The coefficients obtained from the models confirm their model validation for future estimates and the possibility it usage to assess the extent of the affected areas and the evolution of progress for all regions.
[1] ح. اسماعيل¬زاده, ح. اسدی و ع. احمدی، "جامعه شناسي گياهي منطقه حفاظت شده خيبوس،" پژوهش¬های علوم و فناوري چوب و جنگل، دوره 19، شماره 4، صص. 20-1، 1391.
[2] س. سماوات، "بیماری سوختگی شمشاد خزری،" دانش بیماری گیاهی، سال 6، شماره 2، صص. 96-89، بهار و تابستان 1396.
[3] F. Loru, D. Duval, A. Aumelas, and F. Akeb, "Four steroidal alkaloids from the leaves of Buxus sempervirens," Phytochemistry, vol. 54, no. 8, pp. 951-957, Aug. 2000.
[4] A. Jalili and Z. Jamzad, Red Data Book of Iran: A Preliminary Survey of Endemic, Rare & Endangered Plant Species of Iran, Research Institute of Forests and Rangelands Press, Tehran, Iran, 1999.
[5] M. Mirabolfathy, Y. Ahangaran, L. Lombard, and P. W. Crous, "Leaf blight of buxus sempervirens in northern forests of Iran caused by calonectria pseudonaviculata," Plant Disease, vol. 97, no. 8, Article ID: 30722506, Aug. 2013.
[6] I. Strachinis, et al., "First record of Cydalima perspectalis, (Walker, 1859) (Lepidoptera: Crambidae) in Greece." Hellenic Plant Protection J., vol. 8, no. 2, pp. 66-72, Jun. 2015.
[7] R. Esmaili, S. S. Jouibary, J. Soosani, and H. Naghavi, "Mapping of understory infested boxwood trees using high resolution imagery," Remote Sensing Applications: Society and Environment, vol. 18, Article ID: 100289, Apr. 2020.
[8] S. Bella, "The box tree moth Cydalima perspectalis," (Walker, 1859) continues to spread in southern Europe: new records for Italy (Lepidoptera Pyraloidea Crambidae). Redia 96, 51-55, 2013.
[9] S. S. Ray, N. Jain, R. K. Arora, S. Chavan, and S. Panigrahy, "Utility of hyperspectral data for potato late blight disease detection," J. of the Indian Society of Remote Sensing, vol. 39, no. 2, pp. 161-169, Jun. 2011.
[10] D. Liu, M. Kelly, P. Gong, and Q. Guo, "Characterizing spatial-temporal tree mortality patterns associated with a new forest disease," Forest Ecology and Management, vol. 253, no. 1-3, pp. 220-231, Jul. 2007.
[11] J. Zhang, Y. Huang, R. Pu, P. Gonzalez-Moreno, L. Yuan, K. Wu, and W. Huang, "Monitoring plant diseases and pests through remote sensing technology," A Review. Computers and Electronics in Agriculture, vol. 165, Aricle ID: 104943, Aug. 2019.
[12] S. Jabbari, S. J. Khajedin, R. Jafari, and S. Soltani, "Remote sensing technology for mapping and monitoring vegetation cover (case study: Semirom-Isfahan, Iran)," Pollution, vol. 1, no. 2, pp. 165-174, Dec. 2015.
[13] M. Hussain, D. Chen, A. Cheng, H. Wei, and D. Stanley, "Change detection from remotely sensed images: from pixel-based to object-based approaches," ISPRS J. of Photogrammetry and Remote Sensing, vol. 80, no. 1, pp. 91-106, Mar. 2013.
[14] T. G. Whiteside, G. S. Boggs, and S. W. Maier, "Comparing object-based and pixel-based classifications for mapping savannas," International J. of Applied Earth Observation and Geoinformation, vol. 13, no. 6, pp. 884-893, Jun. 2011.
[15] A. Raisi, M. Sheihakitash, H. Kored, and A. Valinafs, "Investigating and prioritizing the factors affecting the defeat of greenhouse business in Zarabad branch of Konarak region," Karafan Scientific Semi-Annual, vol. 15, no. 43, pp. 113-126, Mar. 2018.
[16] M. Larijani and L. Razi, "Explaining the green job identification and priorization of renewable energy domain: wind energy," Karafan Scientific Semi-Annual, vol. 14, no. 42, pp. 15-32, Dec. 2017.
[17] J. Shi, T. Jackson, J. Tao, J. Du, R. Bindlish, L. Lu, and K. S. Chen, "Microwave vegetation indices for short vegetation covers from satellite passive microwave sensor AMSR-E," Remote Sensing of Environment, vol. 112, no. 12, pp. 4285-4300, Jul. 2008.
[18] A. Kazeminia, "Application of remote sensing and GIS in the investigating vegetation coverage," Geospatial Engineering J., vol. 9, no. 1, pp. 75-85, Sept. 2018.
[19] T. A. Naji, "Study of vegetation cover distribution using DVI, PVI, WDVI indices with 2D-space plot," J. Phys, Conf. Series, vol.: 1003, Article ID: 012083, 2018.
[20] V. Vani and V. R. Mandla, "Comparative study of NDVI and SAVI vegetation indices in anantapur district semi-arid areas," International J. of Civil Engineering & Technology, vol. 8, no. 4, pp. 287-300, Apr. 2017.
[21] N. P. Robinson, B. W. Allred, M. O. Jones, A. Moreno, J. S. Kimball, D. E. Naugle, T. A. Erickson, and A. D. Richardson, "A dynamic Landsat derived normalized difference vegetation index (NDVI) product for the conterminous United States," Remote Sensing, vol. 9, no. 8, Article ID: 863, 2017.
[22] P. Garcia and E. Perez, "Mapping of soil sealing by vegetation indexes: a case study in Madrid (Spain)," Geoderma, vol. 268, no. 1, pp. 100-107, Jul. 2016.
[23] G. Melillos and D. G. Hadjimitsis, "Using simple ratio (SR) vegetation index to detect deep man-made infrastructures in cyprus detection and sensing of mines, explosive objects and obscured targets," in Proc. Int. Society for Optics and Photonics XXV, vol. 1148, California, CA, USA, 27 Apr.-9 May 2020.
[24] ح. اسدی، ا. اسماعیل¬زاده, س. م. حسیني, ی. عصری و ح. زارع، " کاربرد روش ترکيب گونه¬هاي معرف در طبقه¬بندي پوشش گياهي،" تاكسونومي و بيوسيستماتيك، دوره 8، شماره 28، صص. 38-21، پاییز 1395.
[25] M. V. Lantschner and J. C. Corle, "Spatial pattern of attacks of the invasive woodwasp Sirex noctilio, at landscape and stand scales," PLOS ONE, vol. 10, no. 5, Article ID: e0127099, 2015.
[26] J. C. Corley, M. V. Lantschner, A. S. Martinez, D. Fischbein, and J. M. Villacide, "Management of Sirex noctilio populations in exotic pine plantations: critical issues explaining invasion success and damage levels in South America," J. of Pest Science, vol. 92, no. 1, pp. 131-142, Oct. 2019.
[27] F. E. Krivak-Tetley, et al., "Aggressive tree killer or natural thinning agent? assessing the impacts of a globally important forest insect," Forest Ecology and Management:, vol. 483, Article ID: 118728, 2021.
[28] D. C. Nepstad, I. M. Tohver, D. Ray, P. Moutinho, and G. Cardinot, "Mortality of large trees and lianas following experimental drought in an Amazon forest," Ecology, vol. 88, no. 9, pp. 2259-2269, Sept. 2007.
[29] E. M. Gora and A. Esquivel-Muelbert, "Implications of size-dependent tree mortality for tropical forest carbon dynamics," Nature Plants, vol. 7, pp. 384-391, 2021.
[30] D. Menge, M. Makobe, and S. Shomari, "Effect of environmental conditions on the growth of Cryptosporiopsis spp. causing leaf and nut blight on cashew Anacardium occidentale Linn," J. of Yeast and Fungal Research, vol. 4, no. 2, pp. 12-20, Mar. 2013.
[31] A. Muntala, "Colletotrichum gloeosporioides species complex: pathogen causing anthracnose, gummosis and die-back diseases of cashew (anacardium occidentale L) in Ghana," European J. of Agriculture and Food Sciences, vol. 2, no. 6, Article ID: 146, 2020.
[32] N. A. Khan, Z. A. Bhat, and M. A. Bhat, "Diseases of stone fruit crops," In M. M. Mir, U. Iqbal, and S. A. Mi (eds.), Diseases of Stone Fruit Crops. Springer, Singapore, pp. 359-395, 2021.
[33] N. K. Prabhakaran, "Cashew nut anacardium occidentale L," In K. P. Nair (ed.), Tree Crops: Harvesting Cash from the World's Important Cash Crops, Springer, Cham, pp. 27-77, 2021.
[34] M. Cordaro, et al., "Cashew nuts counteract oxidative stress and inflammation in an acute experimental model of Carrageenan-induced Paw edema,"Antioxidants, vol. 9, no. 8, Article ID: 660, 24 Jul. 2020.
[35] R. Fusco, et al., "The role of cashew nuts on an experimental model of painful degenerative joint disease," Antioxidants vol. 9, no. 6, Article ID: 7346149, Jun. 2020.
[36] ر. اسماعيلي, ج. سوسني, ش. شتايي جويباري, ح. نقوي و ف. پورشكوري، "پراکنش بيماري سوختگي درختان شمشاد و ارتباط آن با برخي عوامل محيطي (مطالعه موردي: ذخيرگاه جنگلي شمشاد خيبوس و انجيل سي- مازندران)،" پژوهش¬های علوم و فناوري چوب و جنگل، دوره 23، شماره ويژه¬نامه 2، صص. 167-147، 1395.
نشریه مهندسی برق و مهندسی كامپیوتر ایران، ب- مهندسی کامپیوتر، سال 19، شماره 4، زمستان 1400 325
مقاله پژوهشی
ارزیابی روند پیشرفت بیماری سوختگی شمشاد در جنگلهای شمال ایران با استفاده از تكنیك‌های پردازش تصاویر ماهواره‌ای
مرضیه قویدل، پیمان بیات و محمدابراهیم فراشیانی
چكیده: در چند سال اخیر، بیماری سوختگی شمشاد به یکی از مهم‌ترین نگرانی‌های مدیران منابع طبیعی کشور و دوستداران محیط زیست تبدیل شده است. به منظور کاهش خطر انقراض این گونه، نیاز به تشخیص زود‌هنگام و تهیه نقشه پراکنش بیماری است و در این راستا، دادههای سنجش از دور می‌توانند نقش مهمی را ایفا کنند. در این پژوهش برای بررسی میزان تخریب از ادغام تصاویر پانکروماتیک با قدرت تفکیک مکانی بالا و چندطیفی با قدرت تفکیک مکانی پایین استفاده گردیده و همچنین به طور هم‌زمان در تصاویر استخراج‌شده از ماهواره لندست 8، ویژگی‌های طیفی و بافتی مورد توجه قرار گرفته و در نهایت با استخراج ویژگی‌های مؤثر از فضای توصیف کاندیدا با کمک الگوریتم ژنتیک و به کارگیری طبقه‌بند مناسب در قالب به کارگیری هم‌زمان خوشه‌بندی فازی و طبقه‌بندی بیشینه شباهت، کلاس پوشش منطقه با دقت مطلوبی بین سال‌های 2014 تا 2018 استخراج نهایی شده است. نتایج ارزیابی و ضریب تبیین مدل‌‌ها، اعتبارسنجی روش را در برآوردهای آینده مورد تأیید قرار می‌دهد.
کلیدواژه: پردازش تصاویر ماهواره‌ای، شاخص‌های گیاهی، لندست 8، سوختگی، شمشاد خزری.
1- مقدمه
شمشاد خزری یکی از معدود درختان پهن‌برگ همیشه‌سبز جنگلهای خزری است كه دیرزیستی بالایی (بالغ بر 500 سال) داشته و انحصاری جنگلهای خزری قلمداد می‌شود [1]. بهترین رویشگاه شمشاد در شمال ایران در ارتفاع 20 تا 400 متر از سطح دریای آزاد بوده ولی تا ارتفاع 1200 متر نیز قابل مشاهده است [2]. از گذشته‌های دور، مردم محلی از شمشاد جهت مصارف دارویی و برای درمان بسیاری از بیماری‌ها استفاده می‌كردند و امروزه نیز برای درمان انواع عفونت‌ها و نقص دستگاه ایمنی بدن مورد استفاده قرار می‌گیرد [3]. متأسفانه چوب ارزشمند شمشاد در سال‌های متمادی همواره مورد بهره‌برداری بی‌رویه قرار گرفته و به همین دلیل میزان وسیعی از جنگلهای شمشاد توسط قاچاقچیان از بین رفته است، تا جایی که امروزه به دلیل کاهش چشم‌گیر آن، در فهرست گونه‌های در معرض خطر جنگلهای خزری قرار گرفته است [4]. در حال حاضر شمشاد خزری مورد تهاجم بیماری بلایت شمشاد و آفت شب‌پره شمشاد2 قرار گرفته است، به طوری که صدمات جبران‌ناپذیری به آنها
در جنگلهای شمال وارد شده است [5]. آفت شب‌پره شمشاد یکی از گونه‌های مهاجم درختان شمشاد می‌باشد که در دهه اخیر در سرتاسر قاره اروپا انتشار یافته است [6]. در ایران، این بیماری به سرعت از غرب به شرق در سراسر مناطق شمشاد خزری گسترش یافته و تقریباً 40000 هکتار از پایه‌های اصلی شمشاد با شدت‌های مختلف توسط این بیماری، آلوده و آسیب‌دیده است [7]. لارو شب‌پره شمشاد از برگ گونه‌های مختلف شمشاد تغذیه میکند و به این گیاهان آسیب جدی می‌رساند. لاروها می‌توانند علاوه بر برگ‌ها به پوست درخت حمله کرده و باعث خشک‌شدن شمشاد شوند [8]. بیماری سوختگی یا بلایت شمشاد بر اثر فعالیت دو نوع قارچ میکروسکوپی به نام‌های علمی Cylidrocladium Buxicola و Calonectria Pseudonaviculata ایجاد می‌شود. این بیماری در ابتدا به صورت لکه‌‌های نامنظم سبز کم‌رنگ عمدتاً در نزدیکی نوک و حاشیه برگ دیده می‌شود. این لکه‌‌ها به سرعت به صورت نقاط بزرگ قهوه‌ای رشد می‌کنند و اگر شرایط برای ادامه بیماری مطلوب باشد، گیاه ظاهر سیاه به خود می‌گیرد و ممکن است در عرض یک هفته از بین برود [9]. این بیماری بیشترین آسیب را به بافت تنه و شاخه‌های جانبی درخت وارد میکند. اولین و مهم‌ترین اصل در مدیریت این بیماری، آگاهی از مناطق و کانون‌‌های آلوده به بیماری و شدت و وسعت آنها است [10]. بررسی کمی و کیفی تخریب جنگل نه تنها در تصمیم‌سازی به
ما کمک میکند، بلکه زمینه را برای مدیریت بهتر و دقیق‌تر جنگل‌‌ها فراهم خواهد نمود. شناخت پراکنش مکانی و آنالیز آن، یک ابزار مهم
در فهم اکولوژی گیاهان بوده و منجر به شناخت پراکندگی مکانی یک گونه و شناسایی واکنش‌های بین گیاهان و محیط می‌گردد و نهایتاً تشریح‌کننده فرایندهای مهم اکولوژیک و مکانیسم پویایی جوامع گیاهی است. شکل‌های مختلف روش‌های سنجش از دور همچون ابزارهای مبتنی بر تصاویر ماهواره‌ای برای شناسایی و تحلیل معرفی شده‌اند [11]. بیماری‌های گیاهان اغلب بر روی میزان تعرق، رنگ برگ، مورفولوژی و تراکم گیاهی اثر می‌گذارند. با استفاده از سیستم‌ها و ابزارهای سنجش از راه دور می‌توان گیاهان سالم و بیمار را از طریق تمرکز بر روی برگ‌های آنها شناسایی کرد. توجه به مشخصات سنجنده‌ها، موقعیت و خصوصیات منطقه و نوع پوشش‌های گیاهی می‌تواند در انتخاب روش بررسی بسیار مهم و اساسی باشد.
سنجش از دور امکان جمع‌آوری داده‌ها از مناطق غیر قابل دسترس را فراهم می‌نماید و می‌تواند جایگزین جمع‌آوری کند و پرهزینه اطلاعات میدانی محسوب شود. اساس سنجش از دور بر این نكته استوار است كه
[1] این مقاله در تاریخ 10 اسفند ماه 1399 دریافت و در تاریخ 28 مهر ماه 1400 بازنگری شد.
مرضیه قویدل، گروه مهندسی كامپیوتر، دانشکده فنی و مهندسی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران، (email: ghavidel@iau.ac.ir).
پیمان بیات (نویسنده مسئول)، گروه مهندسی كامپیوتر، دانشکده فنی و مهندسی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران، (email: Bayat@iaurasht.ac.ir).
محمدابراهیم فراشیانی، گروه مهندسی كامپیوتر، دانشكده فنی و مهندسی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران، (email: farashiani@gmail.com).
[2] . Cydalima Perspectalis
شکل 1: موقعیت جغرافیایی دهستان‌‌های مورد مطالعه در استان گیلان.
اشیا در طول موج‌های مختلف مقدار متفاوتی از تابش را جذب، منتشر یا عبور می‌دهند. گیاهان مختلف نیز به نسبت‌های متفاوت تابش دریافتی را منعكس می‌كنند و این به عنوان خصوصیات طیفی گیاه تلقی می‌شود. لازمه تشخیص و تفكیك جوامع گیاهی، دانستن خصوصیات طیفی آنها
و آگاهی از اختلافات جزیی گیاهان است. در مطالعه گیاهان با كمك تصاویر ماهواره‌ای می‌توان شاخص‌های گیاهی را با استفاده از باندهای طیفی مختلف، محاسبه و از آنها برای اهداف ارزیابی و پایش استفاده كرد. نسبت پوشش گیاهی زنده، پوشش گیاهی غیر زنده و اجزای فیزیكی، سه جزء مهم تعیین‌كننده بازتابش پوشش هستند. در این بین، پوشش گیاهی زنده از اهمیت زیادی برخوردار است. مقدار بازتابش از پوشش زنده نیز به مقدار آب ساختمان سلول، مقدار كلروفیل و ساختمان گیاه بستگی دارد و از طرفی اختلافات مورفولوژیك نظیر شكل برگ و تنوع در فعالیت‌های زیستی سبب اختلاف در بازتاب گیاهان در باندهای مختلف می‌شود [12]. شاخص‌های سنجش از دور می‌توانند به عنوان مكمل روش‌های میدانی، در مطالعات پوشش گیاهی به كار گرفته شوند. ارزیابی و پایش پوشش گیاهی بر پایه دادههای ماهواره‌ای می‌تواند اطلاعات زیادی را درباره وضعیت پوشش گیاهی و تغییرات زمانی و مكانی آن فراهم آورد. در سنجش از دور برای تفكیك پدیده‌های موضوعی و استخراج دقیق‌تر اطلاعات از تصاویر ماهواره‌ای، روش‌های طبقه‌بندی مختلفی وجود دارد كه با توجه به نوع روش مورد استفاده نتایج متفاوتی حاصل می‌شود. روش‌های پردازش تصویر ماهواره‌ای به دو دسته اصلی تقسیم می‌شوند. دسته اول، روش‌های کلاسیک مبتنی بر پیکسل هستند که از یک پیکسل تصویر به عنوان واحد اصلی تجزیه و تحلیل استفاده می‌کنند و دسته دوم، روش‌های مبتنی برشی هستند که ابتدا بر ایجاد اشیای تصویری تأکید دارند و سپس این اشیا را برای تجزیه و تحلیل مورد استفاده قرار می‌دهند [13]. در این طبقه‌بندی ابتدا تقسیم‌بندی تصویر به اشیای همگن انجام شده و به دنبال آن تجزیه، تحلیل و طبقه‌بندی صورت می‌گیرد [14].
مهم‌ترین باندها در رفتار طیفی گیاه، باندهای قرمز و مادون قرمز نزدیک است. باند قرمز از بیشترین جذب و باند مادون قرمز نزدیک از بیشترین بازتاب در رفتار طیفی گیاه برخوردار است. این دو باند اطلاعات کلیدی مهمی را در ارتباط با میزان سلامت گیاه در اختیار کاربران قرار می‌دهند. استفاده از شاخص‌های طیفی گیاهی، یکی از تکنیک‌های مبتنی بر پیکسل است که در پردازش تصویر سنجش از دور استفاده می‌شود.
در مناطقی که نمونه‌گیری در آن محدوده دشوار است و یا منطقه مورد بررسی گسترده است، استفاده از ویژگی‌های بافتی گیاه نیز یکی دیگر
از روش‌های تجزیه و تحلیل تصاویر ماهواره‌ای است که ویژگی‌های مستخرج از تصویر همچون رنگ، بافت و ویژگی‌های هندس