شروط الإذن محصول الحبوب عد في مجال استخدام الصور RGB السمتي

استخدام الحبوب العالمي في عام 2017/2018 يقال زيادة بنسبة 1% من العام السابق¹. استناداً إلى أحدث التنبؤات لاستغلال الإنتاج والسكان الحبوب، الحبوب العالمي مخزونات تحتاج إلى زيادة الغلة بمعدل أسرع من أجل تلبية الطلبات المتزايدة، بينما تتكيف أيضا زيادة آثار تغير المناخ². ولذلك، هناك نقطة تركيز هامة في تحسين غلة محاصيل الحبوب من خلال تقنيات تربية المحاصيل المحسنة. اثنين يتم تحديد أهم وحصاد الحبوب في منطقة البحر الأبيض المتوسط كأمثلة لهذه الدراسة، هي والقمح القاسي (قمح aestivum L. موفر القاسي [دسف.]) والشعير (فولغاري شعير ل.). القمح القاسي، استطرادا، الحبوب المزروعة أكثر على هامش جنوب وشرق حوض البحر الأبيض المتوسط وهو العاشر أهم المحاصيل في جميع أنحاء العالم، نظراً لإنتاجها السنوي من 37 مليون طن سنوياً³، بينما هو الشعير العالمي الرابع الحبوب من حيث الإنتاج، مع إنتاج عالمي 144.6 مليون طن سنوياً⁴.

الاستشعار عن بعد وتقنيات تحليل الصورة الدانية هي الأدوات الرئيسية على نحو متزايد في النهوض بمجال النبات الفائق phenotyping (HTPP) كما أنها لا توفر أكثر مرونة ولكن أيضا، في كثير من الأحيان، المحاصيل استرجاع البيانات أكثر دقة واتساقا للهدف بريهارفيست الصفات بيوفيسيولوجيكال، مثل تقييمات لنشاط التمثيل الضوئي، والكتلة الحيوية، وتقديرات العائد، والتحسينات حتى في التوريث سمة، مثل الكفاءة في الموارد استخدام واستيعاب^{5،6،7 ،،}من⁸⁹. الاستشعار عن بعد وقد تركز تقليديا على متعددة الأطياف، والنطاق الطيفي، وأجهزة الاستشعار من منصات جوية للزراعة الدقيقة في مقياس الحقل أو لمصنع فينوتيبينج دراسات في ميكروبلوت التصوير الحراري¹⁰. الكاميرات الرقمية المشتركة المتاحة تجارياً، وقياس الضوء المنعكس مرئية فقط كانت كثيرا ما يغفل عنها، على الرغم من حلها مكانية عالية جداً، ولكن مؤخرا أصبحت شعبية كما خوارزميات معالجة الصور مبتكرة جديدة قادرة على نحو متزايد للاستفادة من اللون المفصلة والمعلومات المكانية التي يقدمونها. العديد من أحدث الابتكارات في تحليل الصور الزراعية المتقدمة يتزايد الاعتماد على تفسير البيانات التي قدمتها صور RGB (VHR) ذات الدقة العالية جداً (لقياسها لانعكاس الضوء المرئي الأحمر والأخضر والأزرق)، بما في ذلك المحاصيل رصد (حيوية ومراقبة وتقييم المرض وتحديد الهوية) وتجزئة والقياس الكمي (ظهور والكثافة الإذن وتهم بالزهور والفواكه) وإعادة البناء حتى كامل 3D على أساس هيكل جديد من اقتراح مسارات العمل¹¹.

إحدى النقاط الأساسية للتحسين في إنتاجية الحبوب هو إجراء تقييم أكثر كفاءة من الغلة، التي تتحدد بثلاثة عناصر رئيسية: الإذن الكثافة أو عدد الأذنين في المتر المربع (آذان/م²)، وعدد الحبوب في الإذن، و وزن ألف-النواة. الكثافة الإذن يمكن الحصول عليها يدوياً في الحقل، ولكن هذا الأسلوب، شاقة وتستغرق وقتاً طويلاً، وتفتقر إلى بروتوكول موحد واحد، الذي معا ربما يسفر مصدرا هاما للخطأ. إدراج تلقائي عد آذان مهمة صعبة بسبب بنية معقدة المحاصيل، إغلاق مصنع التباعد، ارتفاع مدى التداخل وعناصر أساسية، ووجود أونس. العمل الأخيرة تقدما في هذا الاتجاه باستخدام بنية خلفية سوداء تدعمها ترايبود بغية الحصول على صور المحاصيل المناسبة، مما يدل على نتائج جيدة إلى حد ما في الإذن عد¹². وبهذه الطريقة، تجنب أشعة الشمس المفرطة، وتأثيرات الظل، ولكن مثل هذا هيكل سيكون مرهقة وقيدا رئيسيا في تطبيق للظروف الميدانية. وثمة مثال آخر هو إذن تلقائي عد الخوارزمية التي تم تطويرها باستخدام نظام phenotyping مؤتمتة بالكامل مع الهزال يجهز جامدة، التي استخدمت بقدر جيد من الدقة لعد كثافة الإذن في فريق يتألف من خمسة من قمح الخبز عونلس (قمح أيستيفوم ل.) أصناف تنمو تحت ظروف مختلفة النيتروجين¹³. وقد الأمثل العمل مؤخرا فرنانديز-جاليجو¹⁴ هذه العملية لالتقاط البيانات أسهل وأسرع، واستخدام صور لون VHR RGB تليها تحليلات الصورة أكثر تقدما، ولكن لا يزال مؤتمتة بالكامل،. جمع البيانات تتسم بالكفاءة والجودة العالية في الظروف الميدانية تؤكد على بروتوكول موحد مبسط للاتساق والإنتاجية التقاط البيانات عالية، بينما يستخدم خوارزمية معالجة الصور الرواية واستخدام المجال Laplacian والتردد مرشحات لإزالة مكونات الصورة غير مرغوب فيه قبل تطبيق تجزئة لعد استناداً إلى إيجاد ماكسيما المحلية (في مقابل الحصول على ترسيم كامل كما هو الحال في غيرها من الدراسات السابقة، مما قد يتسبب في المزيد من الأخطاء مع آذان متداخلة).

ويقترح هذا العمل نظام بسيط للتحديد الكمي التلقائي لكثافة الإذن في الظروف الميدانية، باستخدام الصور التي تم الحصول عليها من الكاميرات الرقمية المتاحة تجارياً. هذا النظام يستفيد من الضوء الطبيعي في مجال شروط، ويتطلب بالتالي، النظر في بعض العوامل البيئية ذات الصلة، مثل الوقت من اليوم وسحابة الغطاء، ولكنه يبقى، في الواقع، بسيطة لتنفيذ. النظام قد ثبت على أمثلة للقمح القاسي والشعير ولكن ينبغي أن تكون قابلة للتمديد في التطبيق خبز القمح، التي تعتبر، إلى جانب العارضة آذان مع مورفولوجيا مماثلة، كثيرا ما عونلس، ولكن تجارب أخرى ستكون مطلوبة من أجل ويؤكد ذلك. التقاط البيانات بروتوكول المعروضة هنا، يتم أخذ صور السمتي بمجرد عقد الكاميرا باليد أو باستخدام monopod للكاميرا الرقمية أعلاه المحاصيل لتحديد المواقع. يمكن الحصول على التحقق من صحة البيانات عن طريق العد آذان يدوياً للحبكات الجانبية في الميدان أو من خلال تحليل نتائج العمل، عن طريق العد الأذنين في الصورة نفسها. خوارزمية معالجة الصور تتكون من ثلاث عمليات، أولاً، فعالية إزالة العناصر غير المرغوب فيها من الصورة بطريقة، ثم يسمح لتجزئة اللاحقة والعد في آذان القمح الفردية في الصور المكتسبة. أولاً، يتم استخدام عامل تصفية تردد Laplacian بغية الكشف عن التغييرات في مختلف الاتجاهات المكانية للصورة باستخدام إعدادات عامل التصفية الافتراضي ImageJ دون تعديلات حجم نواة نافذة (يحدد أسلوب تجزئةماكسيما العثور وقد قمم المحلية بعد الخطوة التصفية المكانية الوسيط، في المرحلة التي تتعلق بكسل مع آذان قيم بكسل أعلى من التربة أو يترك. ولذلك “تجد ماكسيما” يستخدم للجزء القيم السامية في الصورة، وتلك المناطق المسماة الأذنين، الذي يحدد آذان أيضا تقليل أخطاء الإذن المتداخلة. ثم يتم استخدام تحليل الجزيئات على صور ثنائية للاعتماد و/أو قياس المعلمات من المناطق التي تم إنشاؤها بواسطة التباين بين سطح أبيض وأسود تم إنشاؤها بواسطة خطوة “البحث عن ماكسيما”. ثم تتم معالجتها النتيجة لإنشاء تجزئة صورة ثنائية من خلال تحليل التباين بكسل الجار أقرب حول كل الحد الأقصى المحلية لتحديد الأشكال الإذن القمح في الصورة التي تمت تصفيتها. يتم حساب كثافة الإذن أخيرا، استخدام “تحليل الجزيئات”، كما نفذت في فيجي¹⁵. ماكسيما البحث وتحليل الجزيئات وظائف مستقلة والمتاحة الإضافات في فيجي (https://imagej.nih.gov/ij/plugins/index.html). ولو لم يقدم على وجه التحديد في البروتوكول هنا، تشير النتائج الأولية التي قدمت كمواد تكميلية إلى أن هذا الأسلوب قد تكون قابلة للتكيف لإجراء استقصاءات الإذن عدد من المركبات الجوية غير المأهولة (الطائرات)، تنص على أن القرار وما زالت مرتفعة بما فيه الكفاية¹⁴.