مجله پژوهشهای گیاهی (مجله زیست شناسی ایران)(علمی)

برآورد غیر مخرب کلروفیل و نیتروژن در برگ انگور با استفاده از داده‌های ابرطیفی زمینی و کاربرد روش ماشین بردار پشتیبان

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری محیط زیست و مدرس دانشگاه علوم پزشکی شهرکرد

2 استاد، گروه پژوهشی علوم محیطی انگور، پژوهشکده انگور، دانشگاه ملایر و عضو هیات علمی دانشگاه بوعلی سینا

3 محیط زیست، دانشکده منابع طبیعی، دانشگاه ملایر

4 استادیار گروه جنگلداری، دانشکده منابع طبیعی، دانشگاه شهرکرد

5 عضو هیات علمی گروه فضای سبز دانشگاه ملایر

چکیده

پایش مقادیر کلروفیل و نیتروژن در مزارع و باغات به عنوان نمادی از سلامت پوشش گیاهی، کمیت و کیفیت محصولات است. معمولا اندازه‌گیری این پارامترها بوسیله آنالیز آزمایشگاهی صورت می‌پذیرد، که نیاز به هزینه، صرف وقت و مواد شیمیایی دارد. در مطالعه حاضر به ارزیابی توانایی طیف‌سنجی زمینی به عنوان روشی سریع، غیرمخرب و دوستدار محیط زیست در برآورد این پارامترها در برگ انگور پرداخته شد. لذا از 180 نمونه برگ انگور برداشت شده از 30 موستان در تابستان 1396، منحنی طیفی در دامنه 350-2500 نانومتر تهیه شد و طول موج‌ها و شاخص‌های طیفی بهینه در تخمین این پارامترها بوسیله رگرسیون حداقل مربعات بخشی (PLS) تعیین شدند. سپس عملکرد متغیرهای بهینه انتخاب شده، بوسیله مدل‌های رگرسیون چندگانه خطی و ماشین بردار پشتیبان (SVM) ارزیابی شد. نتایج PLS نشان داد، طول موج های واقع در نزدیکی 2402، 946، 725 و 446 نانومتر و طول موج‌های واقع در نزدیکی690، 1370، 729، 438 و 366 نانومتر به ترتیب به عنوان متغیرهای بهینه در پیش‌بینی مقادیرکلروفیل و نیتروژن در برگ انگور بوده‌اند. همچنین محدوده‌های مرئی و لبه قرمز بیشترین حساسیت را نسبت به تغییرات این پارامترها داشتند. نتایج مدل‌سازی نشان داد، در بهترین ساختارهای مدل SVM، کلروفیل و نیتروژن برگ انگور به ترتیب با ضرایب تعیین برابر با 91/0 و 72/0 در مرحله آزمون برآورد شدند. لذا با توجه به نتایج قابل قبول بدست آمده، توصیه می‌گردد از طیف‌سنجی زمینی، تشکیل کتابخانه طیفی و معرفی طول موج‌های بهینه جهت پایش سایر پارامترهای بیوشیمیایی در گونه‌های گیاهی به عنوان روشی نوین و کارا استفاده گردد.

کلیدواژه‌ها

عنوان مقاله [English]

Nondestructive estimation of leaf nitrogen and chlorophyll contents in grapes using field hyper spectral data and support vector machines approach

نویسندگان [English]

  • Mohsen Mirzaei 1
  • Safar Marofi 2
  • Eisa Solgi 3
  • Mozhgan Abasi 4
  • Rouhola Karimi 5

1 Ph.D Student, Grape Environmental Science Department, Research Institute for Grapes and Raisin, Malayer University, Iran

2 Professor, Grape Environmental Science Department, Research Institute for Grapes and Raisin, Malayer University and faculty member at Bu-Ali Sina University, Iran

3 Assistant Professor, Faculty of Natural Resources and Environment, Malayer University

4 Assistant Prof, Faculty of Natural Resource and Earth Science, University of Shahre-kord, Iran

5 Assistant Prof, Green Space Design group, Faculty of Agriculture, Malayer University, Iran

چکیده [English]

Monitoring the content of chlorophyll and nitrogen in farms and gardens is a measure of vegetation healthy and the quantity and quality of the products. Usually, these parameters are measured by laboratory analysis, which requires cost, time and chemicals. In this study, the ability of field spectroscopy was evaluated as a fast, non-destructive and eco-friendly method for estimating these parameters in grape leaf. Therefore, the spectral curve was prepared in the range of 350-2500 nm from 180 grape leaf samples, which collected from 30 vineyards in the summer of 2017. Then the optimal spectral wavelengths and indices, in estimating these parameters, were determined by Partial Least Squares (PLS) regression. Finally, performance of the selected optimal variables was evaluated by multiple linear regression and support vector machines (SVM). The results of PLS showed that the wavelengths in vicinity of 2402, 946, 725 and 446 nm and the 690, 1370, 729, 438, and 366 nm, were considered as optimal variables in predicting the chlorophyll and nitrogen contents in grape leaves, respectively. Also, visible and red edge regions had the highest sensitivity to the explanation changes in these parameters. The results of modelling showed that in the best structures of SVM, chlorophyll and nitrogen were estimated at test stage with R2 about 0.91 and 0.72, respectively. Therefore, according to the acceptable obtained results, it is recommended to use field-based spectroscopy, spectral library formation and the introduction of optimal wavelengths to monitor other biochemical parameters in plant species as a new and efficient method.

کلیدواژه‌ها [English]

  • field spectroscopy
  • Chlorophyll
  • Nitrogen
  • Grapes
  • Support Vector Machines

برآورد غیرمخرب کلروفیل و نیتروژن در برگ انگور با استفاده از داده­های ابرطیفی زمینی و کاربرد روش ماشین بردار پشتیبان

محسن میرزائی1، صفر معروفی2و3*، عیسی سلگی4، مژگان عباسی5 و روح اله کریمی6

1 ایران، ملایر، دانشگاه ملایر، پژوهشکده انگور و کشمش، گروه پژوهشی علوم محیطی انگور

2 ایران، ملایر، دانشگاه ملایر، پژوهشکده انگور، گروه پژوهشی علوم محیطی انگور

3 ایران، همدان، دانشگاه بوعلی سینا

4 ایران، ملایر، دانشگاه ملایر، دانشکده منابع­طبیعی و محیط­زیست و عضوگروه پژوهشی علوم محیطی انگور، گروه محیط زیست

5 ایران، شهرکرد، دانشگاه شهرکرد، دانشکده منابع طبیعی، گروه جنگلداری

6 ایران، ملایر، دانشگاه­ملایر، پژوهشکده انگور، دانشکده کشاورزی و عضوگروه پژوهشی به­زراعی و به­نژادی انگور، گروه فضای سبز

تاریخ دریافت: 20/8/97                تاریخ پذیرش: 30/3/98

چکیده

پایش مقادیر کلروفیل و نیتروژن در گیاهان معرف وضعیت سلامت پوشش گیاهی، کمیت و کیفیت محصولات است. معمولا اندازه­گیری این پارامترها بوسیله آنالیز آزمایشگاهی صورت می­پذیرد، که نیاز به هزینه، صرف وقت و مواد شیمیایی دارد. در مطالعه حاضر به ارزیابی توانایی طیف‌سنجی زمینی به عنوان روشی سریع، غیرمخرب و دوستدار محیط زیست، برآورد این پارامترها در برگ انگور پرداخته شد. لذا از 180 نمونه برگ انگور برداشت شده از 30 موستان در تابستان 1396، منحنی طیفی در دامنه 350-2500 نانومتر تهیه شد و طول موج‌ها و شاخص‌های طیفی بهینه در تخمین این پارامترها بوسیله رگرسیون حداقل مربعات بخشی (PLS) تعیین شدند. سپس عملکرد متغیرهای بهینه انتخاب شده، بوسیله مدل­های رگرسیون چندگانه خطی و ماشین بردار پشتیبان (SVM) ارزیابی شد. نتایج PLS نشان داد، طول موج های واقع در نزدیکی 2402، 946، 446 و 725 نانومتر و طول موج­های واقع در نزدیکی690، 1370، 729، 438 و 366 نانومتر به ترتیب به عنوان متغیرهای بهینه در پیش­بینی مقادیرکلروفیل و نیتروژن در برگ انگور بوده­اند. همچنین محدوده­های مرئی و لبه قرمز بیشترین حساسیت را نسبت به تغییرات این پارامترها داشتند. نتایج مدل‌سازی نشان داد، در بهترین ساختارهای مدل SVM، کلروفیل و نیتروژن در برگ انگور به ترتیب با ضرایب تعیین برابر با 91/0 و 72/0 در مرحله آزمون برآورد شدند. لذا باتوجه به نتایج قابل قبول بدست آمده، توصیه می­گردد از طیف‌سنجی زمینی، تشکیل کتابخانه طیفی و معرفی طول موج­های بهینه جهت پایش سایر پارامترهای بیوشیمیایی در گونه­های گیاهی به عنوان روشی نوین و کارا استفاده گردد.

واژه­های کلیدی: طیف‌سنجی زمینی، کلروفیل، نیتروژن، انگور، ماشین بردار پشتیبان

* نویسنده مسئول، تلفن: 09183143686 ،  پست الکترونیکی: Smarofi@yahoo.com

مقدمه

 

محصولات باغی نقش بسزایی در بهره‌وری از زمین، اشتغال‌زایی، افزایش صادرات، سلامت و تهیه غذا دارند، که در اختیار داشتن اطلاعات صحیح و به روز از باغات، نقش اساسی در مدیریت و افزایش بهره­وری از این عرصه‌ها دارد. لذا، اندازه‌گیری و پایش پارامترهایی که نمایانگر وضعیت سلامت/تنش پوشش گیاهی هستند بسیار حائز اهمیت است، که مقادیر کلروفیل و نیتروژن از مهم­ترین پارامترهای شناخته شده در این زمینه هستند (17 و 20). به­طوریکه مقدار کلروفیل و نیتروژن می­تواند شاخصی از پتانسیل فتوسنتزی (30)، سطح برگ و تاج پوشش (19)، پیش­بینی میزان و کیفیت محصولات (37)، تعیین سطوح آلودگی­ها و استرس­ها (33)، و همچنین تشخیص آفات و بیماری­های گیاهی (28) باشد. نیتروژن نیز یکی از مهم­ترین مواد مغذی ماکرو در گیاهان است و نقش اساسی در رشد رویشی، گلدهی و نمو میوه ایفا می­نماید (20). این عنصر برای تولید کلروفیل، اسیدهای آمینه و پروتئین ضروری است و کمبود آن منجر به کاهش کلروفیل، کاهش پتانسیل فتوسنتزی و در نتیجه اختلال در رشد و نمو گیاهان می­گردد (17).

روش­های آزمایشگاهی بسیاری برای تعیین مقادیر کلروفیل و نیتروژن در پوشش گیاهی وجود دارد، که مهم­ترین مزیت این روش­ها دقت زیاد آنها است. اما این روش­ها دارای معایبی از جمله نیاز به مواد شیمیایی مخرب محیط زیست، صرف هزینه و زمان بسیار هستند. همچنین در این روش­ها می­بایست اندام­های گیاهی قطع شود و نیاز به کارشناس، تجهیزات آزمایشگاهی و شرایط ویژه انجام آزمایش دارند (7). علاوه بر این، داده­های حاصل از این روش­ها نقطه­ای و محدود به نمونه مورد بررسی است و قابلیت تعمیم ندارند. اما امروزه نسل جدیدی از سنجنده­ها تحت عنوان سنجنده­های ابرطیفی طراحی شده­اند، که امکانات ویژه­ای برای پایش پارامترهای بیوشیمیایی در گیاهان بوجود آورده­اند و به صورت زمینی، هوایی و ماهواره­ای توسعه داده­شدند (8و 9). طیف‌سنجی زمینی قادر است از هر پدیده، منحنی طیفی منحصر به ‌فرد (در حد اثر انگشت) تهیه نماید و بر همین اساس پژوهشگران زیادی این تکنیک را مناسب مطالعات گیاهی ارزیابی نموده­اند (16، 22، 25 و 38). بنابراین می­توان از طیف­سنجی زمینی به عنوان روشی غیرمخرب و دوستدار محیط زیست یاد کرد که نیاز به هیچ­گونه ماده شیمیایی ندارد و غیرمخرب (nondestructive) است (36). همچنین نتایج بدست آمده از طیف‌سنجی زمینی دارای صحت قابل قبول هستند (30و 40) و می­توان از نتایج آن در راستای هدفمند نمودن سنجش از دور هوایی و ماهواره­ای در پهنه­های بسیار گسترده استفاده نمود (20).

مشخصه­های طیفی گیاهان در طول موج­های مختلف تحت تأثیر عوامل محیطی، ساختارهای درون‌ سلولی و برون ‌سلولی برگ، غلظت مواد بیوشیمیایی از جمله کلروفیل، کاروتنویید، نیتروژن، مواد آلاینده و میزان آب است (14). هریک از عوامل یاد شده دارای تأثیر ویژه­ای بر بازتاب در طول موج­های خاص می­باشند. با این وجود، کمی­سازی این گونه اختلافات و تفسیر آنها به راحتی امکان‌پذیر نیست. یکی از چالش­های طیف­سنجی، تعداد باریک باندها و همچنین خطاهای رادیومتریک و اتمسفری و نیز تأثیرپذیری الگوی طیفی یک پدیده از محیط اطراف و پدیده­های مجاور به آن است (15و 28). بنابراین در راستای استفاده از داده­های طیفی، محاسبه شاخص­های طیفی و نیز عملیات­های آماری امری پر واضح و رایج است (31). شاخص­های طیفی به صورت یک عملیات ریاضی ساده مانند جمع، تفریق و نسبت‌گیری بین دو یا چند طول موج/باند طیفی هستند و به عنوان یکی از متداول­ترین رویکردها در مطالعه عوامل تأثیرگذار بر روی بازتاب طیفی گیاهان به شمار می­روند (31و 39). این شاخص­ها، علاوه بر کاهش یا حذف اثر عوامل مزاحم محیطی مانند رطوبت محیط، زاویه تابش خورشید، باد، نورپخشی و غیره، تغییرات پارامتر مورد نظر را بارزتر می­سازند (31). عملیات­های آماری نیز نقش بسیار مهمی در کاهش حجم و تفسیر داده­های حاصل از طیف­سنجی دارند (8 و 9). از روش­های رایج آماری در زمینه کاهش داده­های ورودی و کلاس­بندی و مدل‌سازی داده­های حاصل از طیف­سنجی می­توان به روش‌های رگرسیون حداقل مربعات بخشی (PLS; Partial Least Squares Regression) (16، 22و 38)، رگرسیون چندگانه خطی (MLR; Multiple Linear Regression) (33 و 34) و ماشین بردار پشتیبان (SVM; Support Vector Machine) (31)، اشاره نمود.

در مطالعه حاضر، باتوجه به اهمیت انگور (L. Vitis vinifera) در میان تولیدات باغی کشور و جایگاه ایران در بین کشورهای برتر تولیدکننده این محصول، پیش­بینی مقادیر کلروفیل و نیتروژن در برگ این گیاه با استفاده از روش غیرمخرب طیف­سنجی زمینی و بکارگیری طول موج­های طیفی (در دامنه 350-2500 نانومتر)، شاخص­های گیاهی و عملیات­های آماری پرداخته شده است. لازم به ذکر است مقادیر کلروفیل و نیتروژن در برگ انگور می تواند معرفی از وضعیت کمی و کیفی میوه انگور باشد (26، 29 و 36). همچنین از روش PLS به منظور کاهش حجم داده­های ورودی و انتخاب طول موج­ها/شاخص­های طیفی بهینه استفاده شد و عملکرد دو رویکرد مدل‌ساز MLR و SVM مورد مقایسه قرارگرفت.

 

مواد و روشها

منطقه مورد مطالعه: در استان چهارمحال و بختیاری، تاکستان­ها وسعتی برابر با 5115 هکتار دارا هستند و رتبه نخست تولیدات باغی (سالانه 62000 تن) را در این استان به خود اختصاص داده‌اند (6). در این میان شهرستان کیار که موقعیت مکانی آن در شکل 1، نمایش داده شد، با سطح زیرکشت 1571 هکتار و تولید سالیانه 22640 تن به عنوان قطب تولید انگور استان محسوب می­گردد (11). لازم به ذکر است که 90 درصد ارقام انگور موجود در این شهرستان از نوع عسکری می باشد (6). باتوجه به نقش انگور در اقتصاد مردم و چالش­های مدیریتی موجود در این زمینه و همچنین یکپارچگی تاکستان­ها در این شهرستان، لزوم انجام مطالعات و استفاده از تکنیک‌ها و شیوه­های مطالعاتی نوین در صنعت انگور این منطقه و ارائه راه حل­های مدیریتی نوین، پررنگ‌تر است و به عنوان منطقه مورد مطالعه در این تحقیق انتخاب شده است.

 

شکل 1- موقعیت منطقه مطالعاتی (شهرستان کیار) در کشور و استان چهارمحال و بختیاری و تصاویر برداشت شده از تاکستان­های شهر گهرو

 

روش انجام پژوهش: از آنجا که ارقام انگور دارای الگوی طیفی متفاوت هستند (16)، در مطالعه حاضر به منظور حذف اینگونه تداخلات، نمونه­برداری تنها از رقم عسکری (V. vinifera cv. Askari)، که رقم غالب در منطقه مطالعاتی است، صورت پذیرفت. لذا در این راستا 30 موستان به طور تصادفی انتخاب شدند و از هرکدام شش نمونه در انواعی از شرایط فیزیکی و موقعیت قرارگیری در تاج، برداشت شد. نمونه­های برگ ابتدا مورد طیف­سنجی قرارگرفتند و پس از آن مقادیر کلروفیل و نیتروژن بوسیله آنالیز آزمایشگاهی اندازه­گیری شد. لازم به ذکر است که در تمامی 180 نمونه برداشته شده مقادیر کلروفیل و در 70 نمونه از آنها مقادیر نیتروژن آنالیز گردید. در گام بعد تجزیه و تحلیل­های آماری و مدل‌سازی بین داده­های آزمایشگاهی کلروفیل و نیتروژن و طول موج­ها و شاخص­های طیفی در سطح برگ انجام شد. در این گام طول موج­ها و شاخص­های بهینه در برآورد مقادیر کلروفیل و نیتروژن در برگ انگور بوسیله روش PLS مشخص شدند و ارزیابی صحت یافته­ها به وسیله دو رویکرد MLR و SVM مورد بررسی قرارگرفت.

عملیات طیف‌سنجی زمینی: نمونه­های پس از جمع‌آوری سریعاً مورد طیف­سنجی قرارگرفتند تا کمترین تغییرات را نسبت به شرایط طبیعی داشته باشند. به منظور طیف­سنجی از دستگاه اسپکترورادیومتر زمینی (مدل ASD FieldSpec3)، استفاده شد. این دستگاه در زمره دستگاه­های با دامنه طیفی کامل بوده و قادر است در هر برداشت محدوده طول موج­های 2500-350 نانومتر را ثبت نماید. لازم به ذکر است این دستگاه دارای سه سنسور است، که سنسورهای اول، دوم و سوم آن به ترتیب دارای قدرت تفکیک­های 3، 6 و 10 نانومتر هستند. داده­های برداشت شده بوسیله نرم افزار RS3 درون­یابی شده و به قدرت تفکیک 1 نانومتر تبدیل می­شوند. بدین معنی که در دامنه 350 تا 2500 نانومتر 2151 طول موج ثبت می­گردد. منحنی‌های به‌دست‌آمده مورد بررسی اولیه قرارگرفتند و در مواردی که الگویی ناهم‌خوان با منحنی نرمال گیاهی داشتند، حذف شده و طیف‌سنجی مجدد صورت گرفت (9).

استخراج شاخص­های طیفی: داده­های طیف­سنجی زمینی می­تواند تحت تأثیر عوامل مزاحم محیطی از جمله نور پخش پدیده­های مجاور، بخار آب، رطوبت برگ، دما، پارامترهای بیوشیمیایی و سایر متغیرها باشد. لذا یکی از راه حل­های موجود، استفاده از شاخص­های طیفی جهت رفع خطاها و بارزسازی و تشدید اختلاف بازتاب پدیده­ها است (1). در این مطالعه در مجموع 30 شاخص طیفی استخراج شد، که جزئیات آنها در جدول 1، آمده است. مطالعات متعددی از این شاخص­ها به منظور اندازه­گیری پارامترهای گیاهی و نیز تفکیک گونه­ها و ارقام گیاهی استفاده شده است (31و 39).

آنالیز آزمایشگاهی کلروفیل و نیتروژن: جهت اندازه­گیری مقادیر کلروفیل، ابتدا نمونه­های مزرعه در کیسه­های پلاستیکی درب‌دار ریخته شده و به آزمایشگاه منتقل شدند. سپس مقدار یک گرم از نمونه برگ تر در هاون چینی ریخته شد و با استفاده از نیتروژن مایع آن را خرد کرده و به خوبی فشرده و له شدند. پس از آن ۲۰ میلی‌لیتر استون 80 درصد به نمونه اضافه شد و در دستگاه سانتریفیوژ با سرعت 6000 دور در دقیقه، به مدت 10 دقیقه قرارگرفت و عصاره جدا شده پس از سانتریفیوژ به بالن شیشه­ای منتقل شد. در مرحله بعد، مقداری از نمونه عصاره در نمونه­گیر اسپکتروفتومتر (مدلSHIMADZU, PC 1601-UV) ریخته شد و میزان جذب نور در طول موج‌های 663 و 645 قرائت گردید. در نهایت نیز اعداد بدست آمده در معادلات زیر قرار داده شد و مقادیر کل کلروفیل برای هر نمونه محاسبه گردید (4و 13).

(1)     Chlorophyll a = (19.3×A663 - 0.86×A645) V/100W

(2)      Chlorophyll b = (19.3×A645 - 3.6×A663) V/100W

(3)   Chlorophyll a and b = Chlorophyll a+ Chlorophyll b

در این معادلات V، حجم محلول صاف شده (محلول فوقانی حاصل از سانتریفیوژ)، A، جذب نور در طول موج­های 663، 645 و W، وزن تر نمونه بر حسب گرم می­باشد.

به منظور برآورد مقادیر نیتروژن، نمونه­ها به مدت 24 ساعت در آون (دمای 70 درجه سانتیگراد) خشک شدند، پس از آسیاب کردن و گذراندن آنها از الک 2 میلی­متری، یک گرم از هر نمونه وزن شد، نمونه­ها به روش هضم در لوله­های مخصوص با سولفوریک اسید، سالسیلیک اسید، آب اکسیژنه و سلنیم هضم گردید و به روش تیتراسیون بعد از تقطیر با استفاده از دستگاه 1030 Auto Kejeltec Techator Analyser  غلظت نیتروژن کل در نمونه­های برگ اندازه­گیری شد (2).

آنالیزهای آماری، مدل‌سازی و ارزیابی صحت نتایج: از آنجا که حجم داده­های اولیه جهت ورود به فرایند مدل‌سازی بسیار زیاد بوده است (30 شاخص طیفی و 2151 طول موج). می­بایست حجم داده­های ورودی به مدل را تا حد امکان کاهش داد و مهم­ترین متغیرها جهت تشریح مقادیر کلروفیل و نیتروژن در برگ انگور را شناسایی نمود. برای این منظور از قابلیت­های روش PLS، در کاهش تعداد متغیرها و معرفی متغیرهای بهینه استفاده شد. در این گام طول­موج‌ها و شاخص­ها به عنوان متغیر مستقل در نظر گرفته شدند و مقادیر کلروفیل و نیتروژن اندازه­گیری شده در آزمایشگاه، به عنوان متغیر وابسته وارد معادله PLS شدند. تعداد بهینه مؤلفه در PLS با استفاده از رویکرد V-fold Cross Validation تعیین شد و مهم­ترین طول موج­ها/شاخص­های طیفی که بیشترین بار عاملی یا به عبارتی بیشترین همبستگی را در هر مؤلفه داشته، به عنوان نماینده آن مؤلفه انتخاب شدند. بنابراین با اجرای PLS از میان 2151 طول موج (از 350 تا 2500 نانومتر) و 30 شاخص طیفی، تعداد انگشت شماری از آنها باقی می­ماند که قادرند تا حد بسیاری واریانس کل جامعه را تشریح نمایند، کمترین میزان همبستگی داخلی بین آنها موجود باشد و در عین حال بیشترین ارتباط را با متغیر وابسته (مقادیر کلروفیل و نیتروژن) داشته باشند. در نهایت از دو رویکرد MLR و SVM جهت ارزیابی عملکرد طول موج­ها و شاخص­های بهینه معرفی شده بوسیله روش PLS بهره­گرفته شد. دراین مطالعه از روش SVM جهت استخراج الگو (رگرسیون) استفاده شد. مزیتی که SVM را نسبت به سایر الگوریتم­ها همانند الگوریتم ژنتیک متمایز می­سازد این است که الگوریتمی مبنی بر احتمالات نیست و همواره جواب یکه­ای به همراه دارد و زمان کمتری را برای دستیابی به جواب بهینه به خود اختصاص می­دهد و آموزش آن نسبتاً آسان­تر است. قابل ذکر است SVM و تابع مرکزی آن دارای پارامترهای مختلفی است که نحوه تنظیم آن‌ها در حصول جواب هرچه بهتر مسئله بسیار مؤثر است. پس یافتن بهینه­ترین پارامترها خود به نوعی مسئله­ی بهینه‌سازی است که با روش سعی و خطا و آزمودن مقادیر مختلف این پارامترها می‌تواند زمان­بر باشد. لذا این مسئله نیز به‌وسیله الگوریتم‌های بهینه‌سازی حل می­شود. همچنین SVM قادر است مسئله را به 2 فضای با ابعاد بیشتری ببرد که این کار توسط ترفند توابع مرکزی (Kernel function) صورت می­گیرد. در مسائل SVM انتخاب تابع مرکزی بسیار مهم است و انتخاب آن به نوع و ماهیت مسئله بستگی دارد. الگوریتم SVM را می­توان در سناریوها و معماری­های مختلف جهت دست‌یابی به بهترین حالت مدل اجرا نمود. در رویکرد SVM توابع مرکزی ویژه­ای بردارهای ورودی را با توابع خطی و غیر خطی به بردارهای خروجی مرتبط می­سازند. بنابراین یکی از مهمترین موارد در هنگام استفاده از SVM انتخاب نوع تابع مرکزی و پارامترهای مربوط به آن است (9). لذا از توابع مرکزی خطی (Linear)، چند جمله­ای (Polynomial)، شعاعی (Radial Basis Function: RBF) و سیگموئیدی (Sigmoid) بهره برده شد. تعیین حالت بهینه در پارامترهای تابع مرکزی (0≤coefficient≤3, 0≤gamma≤1, 1≤degree≤3) نیز بر مبنای الگوریتم بهینه‌ساز انجام شد. با تفکیک تصادفی داده‌ها به مقادیر 70 و 30 درصد، به ترتیب مراحل آموزش و صحت‌سنجی مدل­ها اجرا شد. جهت مقایسه عملکرد و کارایی مدل‌های مورد استفاده، از نمایه­های آماری مجذور میانگین مربعات خطا (RMSE, Root Mean Square Error) و ضریب تعیین (R2) استفاده گردید (10). نحوه محاسبه RMSE و R2 به ترتیب در روابط 1 و 2 ارائه شده است.

رابطه 1                               

رابطه 2             

که در آن qo مقادیر پارامتر گیاهی (در این مطالعه کلروفیل و نیتروژن) مشاهده شده، qp مقادیر پارامتر گیاهی برآورد شده و n تعداد مشاهدات است.

 

جدول 1- جزئیات مربوط به 30 شاخص­ طیفی مورد استفاده در مطالعه حاضر (31).

نام شاخص

نحوه محاسبه

توضیحات/دسته بندی

 شاخص اختلاف نرمال شده پوشش گیاهی

Normalized Difference Vegetation Index (NDVI)

NDVI= (R*831−R667) / (R831+R667)

شاخصی است که با باریک باندهای مختلف اجرا شده است و در زمینه­های مختلفی کاربرد دارد/شاخص کلروفیل و رنگدانه­ها.

شاخص حساس به فتوسنتز

Photochemical Reflectance Index (PRI)

PRI= (R531−R570) / (R531 + R570)

PRI2 = 1.5 (R830- R660) / (R830- R660 +0.5)

PRI3 = (R539 - R570) / (R539 + R570)

این شاخص نسبت به نوع پوشش گیاهی، ظرفیت فتوسنتز و کارایی استفاده از تابش نور خورشید حساس است.

شاخص کلروفیل گیتلسون و مرزلاک 1 و 2

Gitelson and Merzlyak chlorophyll (GM1, GM2)

GM1 = (R750) /(R550)

شاخصی است جهت برآورد مقادیر کلروفیل در برگ گیاهان/ شاخص کلروفیل.

 

GM2 = (R750) / (R700)

شاخص های لیچتنتالر 1 تا 3

Lichtenthaler Indices 1 to 3

Lic1 = (R800− R680) / (R800 + R680)

به منظور تشخیص استرس در برگ گیاه سبز با استفاده از نوارهای فلورسانس ناشی از اشعه ماوراء بنفش/شاخص کلروفیل.

 

Lic2 = (R440) / (R690)

 

Lic3 = (R440) / (R740)

شاخص رنگدانه نسبت ساده

Simple Ratio Pigment Index (SRPI)

(R430) / (R680)

شاخصی مرتبط با مقادیر کاروتنوئید و کلروفیل a.

شاخص نرمال شده فئوئوفیتین

Normalized Phaepophytiniz Index (NPQI)

(R415 – R435) / (R415+ R435)

 

شاخص نسبت نرمال شده رنگدانه کلروفیل

Normalized Pigment Chlorophyll Ratio Index (NPCI)

(R680 – R430) / (R680 + R430)

شاخصی که نسبت به تغییرات کل رنگدانه ها نسبت به کلروفیل حساس است.

شاخص سبزینگی

Greenness Index

(R554) /(R677)

شاخص تنش گیاهی طولانی مدت به علت تغییر در ساختار تاج پوشش، اما نه به دلیل اجزای بیوشیمیایی.

شاخص ساختار رنگدانه متمرکز

Structure Intensive Pigment Index (SIPI)

(R445−R800) / (R680 – R800)

برآورد نیمه تجربی از نسبت کاروتنوئیدها به کلروفیل a.

شاخص نسبت ساده

Simple Ratio (SR)

(R774) / (R677)

شاخص تنش گیاهی طولانی مدت به علت تغییر در ساختار تاج پوشش مرتبط با رنگدانه.

انعکاس در طول موج 550 نانومتر

Reflectance at 550 nm, R550

(R550)

مرتبط با مقادیر کلروفیل.

انعکاس در طول موج 680 نانومتر

Reflectance at 680 nm, R680

(R680)

مرتبط با مقادیر کلروفیل.

شاخص رطوبت

Water Index (WI)

(R900) /(R970)

حساس به میزان رطوبت برگ. 

شاخص جذب سلولز

Cellulose Absorption Index (CAI)

5/0 (R 2000+ R 2200) – R2100

نشاندهنده مقادیرجذب سلولزی.

شاخص تنش رطوبت

Moisture Stress Index (MSI) 

(R1600) /(R820)

نمایش دهنده وضعیت آب.

شاخص اختلاف نرمال شده رطوبت

Normalized Difference Water Index (NDWI)

(R860 – R1240) / (R860 +R1240)

نمایش دهنده وضعیت آب.

شاخص رطوبت در تنش بیماری

Disease Water Stress Index (DWSI)

(R802 +R547) / (R1657 +R 682)

نمایش دهنده بیماری گیاهی و وضعیت آب.

نسبت باند در 975 نانومتر 1

Band ratio at 975 nm (RATIO975)

2×R960- R 990/(R920– R 940 +R1090- R 1110 )

نمایش دهنده وضعیت آب.

نسبت باند در 975 نانومتر  2

Band ratio at 975 nm (RATIO975 -2)

2×R1180- R 1220 /(R1090 - R 1110+R1256– R1285 )

نمایش دهنده وضعیت آب.

شاخص کلروفیل برگ

Leaf Chlorophyll Index (LCI)

(R850−R710) / (R850 +R680)

شاخصی جهت کلروفیل است که تحت تأثیر طیف پخشی قرار نمی­گیرد عملکرد جذب نور توسط رنگدانه­ها را نمایش می­دهد.

شاخص دت آ

Datt A

(R780−R710) / (R780 –R680)

این شاخص با مقادیر کلروفیل مرتبط است.

شاخص کلروفیل سیمز و گامون

Chlorophyll Index (SGA)

(R750+R705) /(R750+R705−2×R445)

این شاخص با مقادیر کلروفیل مرتبط است.

شاخص کلروفیل سیمز و گامون بی

Chlorophyll Index (SGB)

(R750−R445) / (R705− R445)

این شاخص با مقادیر کلروفیل مرتبط است.

شاخص رطوبت در طول موج 1180 نانومتر

Water Index at 1180 nm (WI1180)

(R900) /(R1180)

نمایش دهنده وضعیت آب.

شاخص کارتر

Carter index (CI)

(R760 / R695)

این شاخص با مقادیر کلروفیل مرتبط است.

شاخص وگلمن

Vogelman index (VOG)

(R740 / R720)

این شاخص با مقادیر کلروفیل مرتبط است.

شاخص انعکاس کاروتنویید

Carotenoid reflectance index (CRI)

R 800 (1/ R520 - 1/ R550)

شاخص استرس گیاهی که با کاروتنوئیدها (آلفا و بتاکانتوفیل) مرتبط است.

R *: بازتاب در یک طول موج خاص

 

نتایج

طول موج­ها و شاخص­های بهینه در برآورد کلروفیل و نیتروژن: مطابق با شکل 2، چهار مؤلفه جهت برآورد مقادیر کلروفیل در برگ انگورهای مورد مطالعه بهینه تشخیص داده شد، که در مؤلفه­های اول تا چهارم طول موج­ها واقع در نزدیکی 2402، 946، 446 و 725 بیشترین بار عاملی را داشتند و به عنوان متغیرهای بهینه جهت پیش‌بینی مقادیر این پارامتر معرفی شدند. در ارتباط با نیتروژن نیز پنج مؤلفه به عنوان بهینه معرفی شدند و در مؤلفه­های اول تا پنجم بیشترین بار عاملی را به ترتیب طول موج­های واقع در نزدیکی 690، 1370، 729، 438 و 366 نانومتر داشتند (شکل 2).

 

شکل 2- بار عاملی طول موج­های طیفی (350-2500 نانومتر) در مؤلفه­های بهینه توسعه داده شده بوسیله روش PLS در برآورد مقادیر کلروفیل (بالا) و نیتروژن (پایین) در برگ انگور. محورهای افقی و عمودی به ترتیب مربوط به طول موج­ها (نانومتر) و بارعاملی هستند.

 

شکل 3، بار عاملی شاخص­های طیفی مورد مطالعه را در مؤلفه­های توسعه داده شده بوسیله روش PLS را نمایش می­دهد. مطابق با این شکل، پنج مؤلفه جهت برآورد مقادیر نیتروژن و چهار مؤلفه جهت برآورد کلروفیل، بهینه بوده­اند. در تشریح تغییرات کلروفیل به ترتیب در مؤلفه­های اول تا چهارم شاخص­های Lichtenthaler2، Greenness، NDWI و NDVI بیشترین بارعاملی را داشته­اند، لذا می­توان این شاخص­ها را به عنوان نماینده چهار مؤلفه معرفی نمود (شکل 3). به طریق مشابه، شاخص­های بهینه در برآورد مقادیر پارامتر نیتروژن در برگ انگور شناسایی شدند و نتایج آن در شکل 3، نمایش داده شد. مطابق با این شکل در مؤلفه­های اول تا پنجم به ترتیب شاخص­های LCI، SGA، NDWI، RATIO975 و CRI بیشترین بار عاملی را داشته­اند (شکل 3). لذا می­توان این شاخص­ها را به عنوان متغیرهای مستقل ورودی به مرحله بعد (مدلسازی مقادیر پارامتر نیتروژن) مد نظر قرار داد.

 

شکل 3- بار عاملی شاخص­های طیفی در مؤلفه­های بهینه توسعه داده شده بوسیله روش PLS در برآورد مقادیر کلروفیل (بالا) و نیتروژن (پایین) در برگ انگور. محورهای افقی و عمودی به ترتیب مربوط به شاخص­ها و بارعاملی هستند.

 

مدل‌سازی و ارزیابی صحت مدل­ها: به منظور مدلسازی/پیش بینی مقادیر کلروفیل و نیتروژن در برگ انگور و ارزیابی قابلیت طول موج­ها و شاخص­های طیفی معرفی شده، در این مطالعه از دو الگوی MLR و SVM استفاده شد.

 

جدول 2- نتایج مدل­سازی و صحت‌سنجی بهترین مدل­های ساخته شده بر مبنای طول موج­ها و شاخص­های بهینه در برآورد مقادیر کلروفیل و نیتروژن در برگ انگور با استفاده از MLR، در مراحل آموزش و آزمون

داده

پارامتر

تعداد

دوربین واتسن

ساختار/معماری مدل

آموزش

آزمون

R2

RMSE

R2

RMSE

طول موج

کلروفیل

180

78/1

CChlorophyll=-0.27-(3.1×R**725)+ (2.37×R946)-(2.14×R2402) +(5.13×R446)

84/0

99/15

77/0

93/14

نیتروژن

70

58/1

C Nitrogen=0.07-(3.6×R725) +(3.09×R924)-(2.73×R2492) +(4.4×R437)

68/0

16/25

61/0

10/22

شاخص طیفی

کلروفیل

180

99/1

CChlorophyll=-0.024+(0.85× Lichtenthaler2)

66/0

68/16

55/0

04/16

نیتروژن

70

07/2

C Nitrogen=-6592.1+(2.73×LCI) +(6824.4× RATIO975)

78/0

55/24

55/0

43/24

C*: غلظت پارامتر مورد نظر؛ R **: بازتاب در یک طول موج خاص

 

الگوی MLR بر مبنای طول موج­ها و شاخص­های طیفی مقادیر کلروفیل در برگ انگورهای مورد مطالعه را به ترتیب با مقادیر تعیین برابر 84 و 66 درصد در مرحله آموزش و همچنین 77 و 55 درصد در مرحله آزمون پیش­بینی نموده است (جدول 2). از طرفی الگوی SVM در سناریوهای ذکر شده، دارای ضرایب تعیین برابر با 93 و 84 درصد در مرحله آموزش و همچنین مقادیر مذکور معادل 91 و 63 درصد در مرحله آزمون بوده است (جدول 3).

از طرفی، الگوهای SVM و MLR در مرحله آموزش قادر بودند به ترتیب با ضریب تعیین برابر 78 و 68 درصد مقادیر نیتروژن در برگ انگور را بر مبنای طول موج­های طیفی پیش‌بینی نمایند. این صحت در هنگام استفاده از شاخص­های طیفی به ترتیب برابر با 69 و 78 درصد بوده است (جدول 2 و 3). طول موج­ها در رویکردهای SVM و MLR به ترتیب با صحتی برابر با 72 و 61 درصد نمونه­های تست را پیش بینی نموده­اند و شاخص­ها به ترتیب صحتی برابر با 63 و 62 درصد داشته­اند (جدول 2 و 3).

 

جدول 3- نتایج مدل­سازی و صحت‌سنجی بهترین مدل­های ساخته شده بر مبنای طول موج­ها و شاخص­های بهینه در برآورد مقادیر کلروفیل و نیتروژن در برگ انگور با استفاده از SVM، در مراحل آموزش و آزمون

داده

پارامتر

تعداد

ساختار/معماری مدل

آموزش

آزمون

تابع مرکزی

تعداد بردارا

ضریب

درجه

گاما

R2

RMSE

R2

RMSE

طول موج

کلروفیل

180

RBF

99

-

-

9/0

93/0

72/13

91/0

83/13

نیتروژن

70

Linear

48

-

-

-

78/0

10/22

72/0

14/21

شاخص طیفی

کلروفیل

180

RBF

79

-

-

17/0

84/0

54/14

84/0

38/14

نیتروژن

70

Polynomial

39

1

1

6/0

69/0

83/22

63/0

01/24

 

 

بحث و نتیجه گیری

بنابر اهمیت پایش سلامت پوشش گیاهی با تکیه بر پارامترهایی که بازتاب‌دهنده این وضعیت هستند، در مطالعات متعددی از تحلیل آماری داده­های ابرطیفی در راستای پارامترهایی از قبیل کلروفیل و نیتروژن استفاده شده­است (20، 26، 29، 34 و 39). در مطالعه حاضر نیز به منظور شناسایی طول موج­ها و شاخص­های بهینه در برآورد مقادیر کلروفیل و نیتروژن در برگ انگور از تحلیل نتایج PLS استفاده شد. مطابق با نتایج بدست آمده، بیشترین فراوانی طول­موج­های بهینه در برآورد مقادیر کلروفیل و نیتروژن واقع در محدوده لبه قرمز (680-750 نانومتر) بوده­اند. این محدوده به عنوان بارزترین محدوده در تمایز مشخصه­های طیفی پوشش گیاهی و همچنین حساسترین منطقه به میزان غلظت کلروفیل، نیتروژن و دیگر پارامترهای بیوشیمیایی است، که در مطالعات مشابه نیز به عنوان یک محدوده اثر گذار و کاربردی در این راستا توصیه شده است (18، 27و 40).

در مطالعه حاضر شاخص­های Lichtenthaler2، Greenness، NDWI و NDVI به عنوان شاخص­های طیفی بهینه در برآورد مقادیر کلروفیل بوده­اند (شکل 3)، که جزئیات مربوط به آنها در جدول 1 آمده است. در این میان شاخص Lichtenthaler2 به منظور تشخیص استرس در برگ گیاه سبز با استفاده از نوارهای فلورسانس ناشی از اشعه ماوراء بنفش به کار می­رود و شاخصی حساس به تغییرات کلروفیل است (23). همچنین شاخص NDVI یکی از پرکاربردترین و معروفترین شاخص­های گیاهی در ارتباط با پایش مقادیر رنگدانه­های گیاهی (بویژه کلروفیل) است. بنابراین انتخاب این دو شاخص (Lichtenthaler2 و NDVI) به عنوان بخشی از متغیرهای توصیف کننده تغییرات کلروفیل در برگ انگور قابل توجیه است. از سویی دیگر شاخص­های Greenness و NDWI نشان‌دهنده استرس در پوشش گیاهی هستند و به ترتیب حساس به تغییرات ساختاری و آب موجود در پیکره­های گیاهی می­باشند. باید توجه شود که وقوع استرس آبی در گیاه منجر به تغییر در مقادیر سایر اجزای بیوشیمیایی از جمله کلروفیل، کاروتنوئید، نیتروژن و پروتئین خواهد شد، که در مطالعات متعددی وجود این ارتباط به اثبات رسیده است (3، 5، 12و 32)، لذا با توجه به انتخاب شاخص­هایی که مستقیماً مربوط به رنگدانه (کلروفیل) نیستند، اما در این مطالعه به عنوان متغیر بهینه در تشریح تغییرات و مدل‌سازی کلروفیل انتخاب شدند را درک نمود. در مطالعه مگجیو و همکاران (2010) نیز طیف‌سنجی و مدل‌سازی ارتباط آنها با رنگدانه­های انگور صورت پذیرفت (26). آنها شاخص­های TCARI، OSAVI، TCARI/OSAVI، Gitelson-Chl1 و Gitelson-Chl2 را به عنوان شاخص­های بهینه در پایش مقادیر کلروفیل در برگ انگور معرفی نمودند، که مغایر با شاخص­های معرفی شده در مطالعه حاضر هستند. اختلاف بین ارقام مورد بررسی و نیز جامعه آماری متغیرهای مستقل (شاخص­های طیفی) را می­توان از مهم­ترین دلایل توجیه کننده این تفاوت­ها دانست.

نتایج تحلیل داده­های PLS در ارتباط با معرفی شاخص­های طیفی بهینه در برآورد مقادیر پارامتر نیتروژن، شاخص­های LCI، SGA، NDWI، RATIO975 و CRI را به عنوان متغیرهای بهینه معرفی نمود (شکل 3). شاخص­های LCI، SGA و CRI به‌طور مستقیم متأثر از کلروفیل و عملکرد جذب نور توسط رنگدانه­های گیاهی هستند و شاخص­های NDWI و RATIO975 نشان‌دهنده وضعیت آب و استرس ناشی ار آن در پیکره­های گیاهی می­باشند. شایان ذکر است که نیتروژن در پیکره­های گیاهی برای تولید اسیدهای آمینه و پروتئین لازم است و مهمترین عامل رشد محسوب می­شود، همچنین نیتروژن جزء مهمی از مولکول کلروفیل را تشکیل می­دهد. افزایش نیتروژن باعث تولید گیاه پر آب و ضخیم و در نتیجه تغییر رنگ شاخ و برگ به رنگ سبز تیره می­شود و از سویی دیگر کمبود این عنصر، منجر به کم آبی برگ، رنگ پریدگی برگ‌ها و تغییر رنگ به سبز مایل به زرد و زرد روشن به علت عدم تشکیل کلروفیل می­گردد (24 و 35). لذا با توجه به موارد فوق­الذکر می­توان علت انتخاب شاخص­های کلروفیل و نیز شاخص­های مربوط به استرس آب، در بیان تغییرات نیتروژن در برگ انگورهای مورد مطالعه را درک نمود.

مدل‌سازی و ارزیابی صحت مدل­ها: در مطالعه حاضر پس از شناسایی متغیرهای بهینه (طول موج­ها و شاخص­های طیفی) در برآورد مقادیر کلروفیل و نیتروژن در برگ انگور، نیاز به بستری مناسب جهت ارزیابی عملکرد متغیرهای بهینه، بوده است. لذا از دو رویکرد رایج که شامل MLR و SVM هستند، در این راستا استفاده شد. صحت­های بدست آمده برای پارامتر کلروفیل در مرحله آزمون الگوی MLR بین 55 تا 77 درصد و در الگوی SVM بین 84 تا 91 درصد بوده است. از سویی دیگر، این عملکرد برای نیتروژن به ترتیب بین 55 تا 61 درصد و 63 تا 72 درصد، در مرحله آزمون بوده است. در مطالعه پارتان (2016) نیز صحت پیش­بینی مقادیر کلروفیل در برگ انگور برابر با 93 درصد بود، که بسیار نزدیک به یافته­های حاضر است (29). در مطالعه کالاچسکا و همکاران (2015) نیز صحت طیف­سنجی زمینی در پیش­بینی مقادیر کلروفیل در مرحله آزمون برابر با 89 درصد گزارش شد، که مشابه با یافته­های حاضر است (20). باید به این نکته اشاره نمود که در مطالعه حاضر مقادیر کلروفیل با صحت بیشتری نسبت به نیتروژن پیش­بینی شدند (به ترتیب 91 و 72 درصد). این یافته در مطالعه کالاچسکا و همکاران (2015) نیز مشهود بوده است (به ترتیب 89 و 81 درصد) (20). از مهم­ترین دلایل این یافته می­توان به حساسیت زیاد طول موج­ها به کلروفیل موجود در برگ اشاره نمود. همچنین وقوع فاصله زمانی هر چند کوتاه بین آنالیز آزمایشگاهی نیتروژن و آنالیز طیف­سنجی نمونه­ها و نیز تعداد کمتر نمونه­های نیتروژن نسبت به کلروفیل در این مطالعه، می­تواند از دیگر دلیل­های این یافته باشد.

همچنین مطابق نتایج بدست آمده باید به این نکته اشاره نمود که استفاده از طول موج­ها به عنوان متغیر مستقل عملکرد بیشتری نسبت به شاخص­های طیفی داشته است. از سویی دیگر الگوی SVM نیز عملکرد بیشتری نسبت به MLR در پیش بینی مقادیر پارامترهای مورد مطالعه داشته است. بنابراین می توان اذعان نمود، استفاده از طول موج­های طیفی و مدل‌ساز SVM رویکردی بهینه در برآورد مقادیر کلروفیل و نیتروژن در برگ انگورهای مورد مطالعه بوده­است. هر چند MLR به علت سادگی ساختار و وضوح در ساختار مدل توسعه داده شده از مدل­های پرطرفدار و رایج در بسیاری از مطالعات بوده است (21، 33و 34)، اما نتایج تحقیق حاضر الگوریتم SVM را به عنوان رویکرد برتر معرفی می­نماید. مهمترین دلیل برتری SVM نسبت به MLR را می­توان ناشی از ماهیت روابط بین متغیرهای مستقل و وابسته در این مطالعه دانست، به طوریکه مدل‌سازی ارتباطات تنها با تکیه بر ساختار خطی جواب­گوی تمامی فعل و انفعالات بین متغیرها نبوده است. لذا SVM با بهره­گیری از توابع خطی و غیرخطی در تابع مرکزی و همچنین الگوریتم آموزش پیشرفته و انعطاف‌پذیری زیاد (18)، قادر بوده است عملکرد بیشتری در پیش‌بینی مقادیر متغیرهای این مطالعه (کلروفیل و نیتروژن در برگ انگور) داشته باشد. باتوجه به فعل و انفعالات شدید نیتروژن در ساختار برگ­ها، ممکن است مقادیر اندازه‌گیری شده در لحظه انجام آنالیز آزمایشگاهی با لحظه برداشت طیف دچار تغییر و نوسانات شده باشد، که این امر می­تواند از طریق انتقال نیتروژن از برگ به سایر اندام­ها و یا خروج آن از طریق گازها از برگ صورت پذیرد. لذا مدل­ها با صحتی که کلروفیل را برآورد نمودند قادر به برآورد مقادیر نیتروژن نبوده­اند.

از مهم­ترین پارامترهای بیوشیمیایی در مدیریت عرصه­های کشاورزی/باغی کلروفیل و نیتروژن هستند، که قادرند بازتاب‌دهنده وضعیت سلامت پوشش گیاهی و نیز راهنمایی جهت اعمال اقدامات مدیریتی مانند کوددهی و سم­پاشی باشند (40). نتایج حاصل از پیش­بینی مقادیر کلروفیل و نیتروژن در برگ انگورهای مورد مطالعه نیز حاکی از توانایی زیاد طیف­سنجی زمینی و تکنیک­های آماری جهت برآورد این پارامترها بوده است. در بهترین مدل­های ارائه شده در مطالعه حاضر، طول موج­های واقع در نزدیکی 2402، 946، 446 و 725 نانومتر به عنوان متغیرهای بهینه در پیش بینی مقادیر کلروفیل و طول موج­های واقع در نزدیکی 690، 1370، 729، 438 و 366 نانومتر به عنوان متغیرهای بهینه در پیش­بینی مقادیر نیتروژن در برگ انگور بوده­اند، به طوریکه در بهترین ساختارهای مدل، این پارامترها به ترتیب با ضرایب تعیین 91 و 72 درصد برآورد شدند. الگوی SVM عملکرد قابل قبول­تری در برآورد هر دو پارامتر مورد مطالعه نسبت به روش MLR داشته است. لذا بنابر نتایج بدست آمده پیشنهاد می­گردد که در مطالعات مشابه از داده­های طیفی در غالب طول موج­ها و با استفاده از روش SVM جهت پیش‌بینی پارامترهای بیوشیمیایی گیاهان استفاده گردد. همچنین توصیه می­گردد از طیف‌سنجی زمینی، تشکیل کتابخانه طیفی و معرفی طول موج­های بهینه جهت پایش سایر پارامترهای بیوشیمیایی در دیگر گونه­های گیاهی به عنوان روشی غیر مخرب، سریع و دوستدار محیط زیست استفاده گردد.

1- احمدی، پ. م.، رضائی مقدم، م. ح.، و فیضی زاده، ب.، 1396. بررسی شاخص‌ها و تهیۀ نقشه شوری خاک با استفاده از داده‌های سنجش از دور (مطالعۀ موردی: دلتای آجی‌چای)، سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 8(1)، صفحات 85-96.
2- امامی، ع.، 1375. روش­های تجزیه گیاه. نشریه فنی مؤسسة تحقیقات خاک و آب کشور، 2 (982)، 128 صفحه.
3- حسامی، ر.، و شریعتی، م.، 1391. پاسخ شاخص کارایی فتوسنتزی (‏PIABS‏) نسبت به کمبود نیترات در گیاهان تنباکو (‏Nicotiana‎ plumbaginifolia‏) تراریخته شده با ژن ناقل نیترات‏ AtNRT2. 1‎‏ با استفاده از فلئورسنس کلروفیل‏ a‏‏، مجله پژوهشهای گیاهی, 27(4)، صفحات 569-579.‎
4- حسیبی، پ.، 1386. بررسی فیزیولوژیکی اثر تنش سرما در مرحله گیاهچه ای ژنوتیپ های مختلف برنج، رساله دکتری تخصصی، دانشگاه شهید چمران اهواز.
 5- حیدری، ن.، پوریوسف، م.، و توکلی، ا.، 1393. تاثیر تنش خشکی بر فتوسنتز، پارامترهای وابسته به آن و محتوای نسبی آب گیاه آنیسون (Pimpinella anisum L.)، مجله پژوهشهای گیاهی، 27(5)، صفحات 829-839.
6- سالنامه آماری استان چهارمحال و بختیاری، 1395. فصل 4، کشاورزی، جنگلداری و شیلات.
7- شکی، ف.، برنارد، ف.، درویش‎زاده، ر.، و دشتی آهنگر، ع.، 1392. تخمین میزان نیتروژن در گیاه سویا با استفاده از سنجش از دور، پژوهشهای جغرافیای طبیعی، 45(2)، صفحات 109-124.
8- عباسی، م.، درویش‌صفت، ع.، شپمن، م.، سبحانی، ه.، شیروانی، ا.، و شبستانی، ش.، 1390. تفاوت انعکاس طیفی برگ گونه‌های درختی توسکا، بلوط و انجیلی بر اساس غلظت نیتروژن و استفاده از رگرسیون چند متغیره، جنگل و فرآورده های چوب، 64 (4)، صفحات 399-417.
9- میرزائی، م.، و عباسی، م.، 1397. تفکیک طیفی برخی از گونه­های مهم باغی با استفاده از شاخص­های ابرطیفی و رویکردهای هوش مصنوعی. مجله کاربرد سنجش از دور منابع طبیعی، 9 (2)، صفحات 76-92.
10- میرزائی، م.، ریاحی بختیاری، ع.، سلمان ماهینی، ع.، و غلامعلی فرد، م. 1395. مدل­سازی ارتباط کیفیت آبهای سطحی و سنجه­های سیمای سرزمین با استفاده از سیستم استنتاج عصبی-فازی (مطالعه موردی: استان مازندران)، مجله آب و فاضلاب، 27 (1)، صفحات 82-91.
11- میرزائی، م.، معروفی، ص.، سلگی، ع.، عباسی، م.، و کریمی، ر.، 1396. اندازه­گیری و ارزیابی ریسک اکولوژیکی مربوط به آلودگی فلزات سنگین (کادمیوم، سرب، کروم، مس و روی) در یک اکوسیستم تولیدکننده مواد غذایی، مجله تحقیقات سلامت در جامعه، ۳ (۲)، صفحات۱-۱۶.
 
12- Alberte, R. S., Thornber, J. P., and Fiscus, E. L., 1977. Water stress effects on the content and organization of chlorophyll in mesophyll and bundle sheath chloroplasts of maize. Plant Physiology, 59(3), PP: 351-353.
13- Arnon, A. N., 1967. Method of extraction of chlorophyll in the plants. Agronomy Journal, 23, PP: 112-121.
14- Clark M. L., and Roberts, D. A., 2012. Species-level differences in hyperspectral metrics among tropical rainforest trees as determined by a tree-based classifier, Remote Sensing, 4(6), PP: 1820-1855.
15- da Silva Junior, C. A., Nanni, M. R., Shakir, M., Teodoro, P. E., de Oliveira-Júnior, J. F., Cezar, E., and Shiratsuchi, L. S., 2018. Soybean varieties discrimination using non-imaging hyperspectral sensor. Infrared Physics and  Technology, 89, PP: 338-350.
16- Diago, M. P., Fernandes, A. M., Millan, B., Tardaguila, J., and MeloPinto, P., 2013. Identification of grapevine varieties using leaf spectroscopy and partial least squares. Computers and electronics in agriculture, 99, PP: 7-13.
17- Du, L., Shi, S., Yang, J., Sun, J., and Gong, W., 2016. Using different regression methods to estimate leaf nitrogen content in rice by fusing hyperspectral LiDAR data and laser-induced chlorophyll fluorescence data. Remote Sensing, 8(6), 526 p.
18- Gutiérrez, S., Tardaguila, J., Fernández-Novales, J., and Diago, M. P., 2016. Data mining and NIR spectroscopy in Viticulture: Applications for plant phenotyping under field conditions. Sensors, 16(2), 236 p.
19- Johnson, L., Lobitz, B., Armstrong, R., Baldy, R., Weber, E., De Benedictis, J., and Bosch, D., 1996. Airborne imaging aids vineyard canopy evaluation. Calif. Agriculture., 50(1), PP: 14–18.
20- Kalacska, M., Lalonde, M., and Moore, T. R., 2015. Estimation of foliar chlorophyll and nitrogen content in an ombrotrophic bog from hyperspectral data: Scaling from leaf to image. Remote Sensing of Environment, 169, PP: 270-279.
21- Kooistra, L., Leuven, R. S. E. W., Wehrens, R., Nienhuis, P. H., and Buydens, L. M. C., 2003. A comparison of methods to relate grass reflectance to soil metal contamination. Int. J. Remote Sens. 24 (24), PP: 4995–5010.
22- Lehmann, J. R. K., Große-Stoltenberg, A., Römer, M., and Oldeland, J., 2015. Field spectroscopy in the VNIR-SWIR region to discriminate between Mediterranean native plants and exotic-invasive shrubs based on leaf tannin content. Remote Sensing, 7(2), PP: 1225-1241.
23- Lichtenthaler, H. K., Lang, M., Sowinska, M., Heisel, F., and Miehe, J. A., 1996. Detection of vegetation stress via a new high-resolution fluorescence imaging system, Journal of plant physiology, 148(5), PP: 599-612.
24- Livingston, N. J., Guy, R. D., Sun, Z. J., and Ethier, G. J., 1999. The effects of nitrogen stress on the stable carbon isotope composition, productivity and water use efficiency of white spruce (Picea glauca (Moench) Voss) seedlings. Plant, Cell & Environment, 22(3), PP: 281-289.
25- Manevski, K., Manakos, I., Petropoulos, G. P., and Kalaitzidis, C., 2011. Discrimination of common Mediterranean plant species using field spectroradiometry, International Journal of Applied Earth Observation and Geoinformation, 13(6), PP: 922-933. 
26- Meggio, F., Zarco-Tejada, P. J., Núñez, L. C., Sepulcre-Cantó, G., González, M. R., and Martín, P., 2010. Grape quality assessment in vineyards affected by iron deficiency chlorosis using narrow-band physiological remote sensing indices. Remote Sensing of Environment, 114(9), PP: 1968-1986.
27- Mutanga, O., and Skidmore, A. K., 2007. Red edge shift and biochemical content in grass canopies. ISPRS Journal of Photogrammetry and Remote Sensing 62 (1), PP: 34–42.
28- Naidu, R. A., Perry, E. M., Pierce, F. J., and Mekuria, T., 2009. The potential of spectral reflectance technique for the detection of Grapevine leafroll-associated virus-3 in two red-berried wine grape cultivars. Computers and Electronics in Agriculture, 66(1), PP: 38-45.
29- Parton, D., 2016. Assessing field spectroscopic methods for grapevine chlorophyll content estimation (Doctoral dissertation).
30- Porcar-Castell, A., Tyystjärvi, E., Atherton, J., van der Tol, C., Flexas, J., Pfündel, E. E., and Berry, J. A., 2014. Linking Chlorophyll a fluorescence to photosynthesis for remote sensing applications: mechanisms and challenges. Journal of experimental botany, 24(3), PP: 191-208.
31- Prospere, K., McLaren, K., and Wilson, B., 2014. Plant species discrimination in a tropical wetland using in situ hyperspectral data, Remote sensing, 6(9), PP: 8494-8523.
32- Quick, W. P., Chaves, M. M., Wendler, R., David, M., Rodrigues, M. L., Passaharinho, J. A., and Stitt, M., 1992. The effect of water stress on photosynthetic carbon metabolism in four species grown under field conditions. Plant, Cell and Environment, 15(1), PP: 25-35.
33- Ren, H. Y., Zhuang, D. F., Pan, J. J., Shi, X. Z., Shi, R. H., and Wang, H. J., 2010. Study on canopy spectral characteristics of paddy polluted by heavy metals. Spectrosc. Spect. Anal, 30 (2), PP: 430–434.
34- Rodríguez-Pérez, J. R., Ordóñez, C., González-Fernández, A. B., Sanz-Ablanedo, E., Valenciano, J. B., and Marcelo, V., 2018. Leaf water content estimation by functional linear regression of field spectroscopy data. Biosystems Engineering, 165, PP: 36-46.
35- Shangguan, Z. P., Shao, M. A., and Dyckmans, J., 2000. Nitrogen nutrition and water stress effects on leaf photosynthetic gas exchange and water use efficiency in winter wheat, Environmental and Experimental Botany, 44(2), PP: 141-149.
36- Steele, M., Gitelson, A. A., and Rundquist, D., 2008. Nondestructive estimation of leaf chlorophyll content in grapes, American Journal of Enology and Viticulture, 59(3), PP: 299-305.
37- Taskos, D. G., Koundouras, S., Stamatiadis, S., Zioziou, E., Nikolaou, N., Karakioulakis, K., and Theodorou, N., 2015. Using active canopy sensors and chlorophyll meters to estimate grapevine nitrogen status and productivity. Precision agriculture, 16(1), PP: 77-98.
38- Xu, H. R., Yu, P., Fu, X. P., and Ying, Y. B., 2009. On-site variety discrimination of tomato plant using visible-near infrared reflectance spectroscopy, Journal of Zhejiang University Science B, 10(2), PP: 126-132.
39- Zarco Tejada, P. J., Guillén Climent, M. L., Hernández-Clemente, R., Catalina, A., González, M. R., and Martín, P., 2013. Estimating leaf carotenoid content in vineyards using high resolution hyperspectral imagery acquired from an unmanned aerial vehicle (UAV). Agricultural and Forest Meteorology, 171(1), PP: 281-294.
40- Zhao, D., Reddy, K. R., Kakani, V. G., Read, J. J., and Koti, S., 2005. Selection of Optimum Reflectance Ratios for Estimating Leaf Nitrogen and Chlorophyll Concentrations of Field-Grown Cotton Contribution from Dep. of Plant and Soil Sci., Mississippi State Univ., Journal Mississippi Agric. and Forestry Exp, Stn, Agron, 97, PP:89-98.
مجله پژوهشهای گیاهی (مجله زیست شناسی ایران)(علمی)
دوره 34، شماره 1
فروردین 1400
صفحه 191-204
  • تاریخ دریافت: 20 آبان 1397
  • تاریخ بازنگری: 17 فروردین 1398
  • تاریخ پذیرش: 11 اردیبهشت 1398