การใช้ภาพถ่ายจากอากาศยานไร้คนขับเพื่อตรวจวัดความเสี่ยงของการเกิดโรคใบด่างมันสำปะหลังด้วยดัชนีพืชพรรณสังเคราะห์
Article Sidebar
Main Article Content
บทคัดย่อ
โรคไวรัสใบด่างมันสำปะหลังเป็นโรคจากเชื้อไวรัสที่สร้างความเสียหายให้กับผลผลิต จังหวัดนครราชสีมาพบการระบาดของไวรัสใบด่างขาวมากที่สุดในประเทศ มูลค่าความเสียหายอยู่ที่ 1,605 ล้านบาท การศึกษานี้มีวัตถุประสงค์ดังนี้ 1) เพื่อวิเคราะห์ดัชนีพืชพรรณสังเคราะห์ของตำแหน่งที่เกิดโรคใบด่างมันสำปะหลัง 2) เพื่อจัดทำแผนที่ความเสี่ยงการเกิดโรคใบด่างมันสำปะหลัง และ 3) เพื่อวิเคราะห์ความสัมพันธ์ของดัชนีพืชพรรณสังเคราะห์กับระดับความเสี่ยงของการเกิดโรค การศึกษาครั้งนี้ได้ทำการเก็บข้อมูลตำแหน่งการเกิดโรคในแปลง และบันทึกภาพจากอากาศยานไร้คนขับเพื่อวิเคราะห์ค่าดัชนีพืชพรรณสังเคราะห์ 7 ดัชนีประกอบด้วย GRDI VDVI ExG GCC VARI TGI และ GLI เพื่อระบุค่าดัชนี ณ ตำแหน่งการเกิดโรค จากนั้นนำข้อมูลมาวิเคราะห์เพื่อจัดระดับความเสี่ยงของการเกิดโรคและสุดท้ายวิเคราะห์ข้อมูลดัชนีพืชพรรณสังเคราะห์ร่วมกับระดับความเสี่ยงของการเกิดโรคในแปลงด้วยสถิติเชิงพื้นที่เพื่อหาความสัมพันธ์ ผลการศึกษาพบว่า มีต้นมันสำปะหลังที่เกิดโรค 353 ต้น ค่าดัชนี GRDI VDVI ExG GCC VARI TGI และ GLI มีค่าเฉลี่ยอยู่ที่ 0.0359 0.0417 0.0674 0.0352 0.0636 0.0296 และ 0.0575 ตามลำดับ โดยพบระดับความเสี่ยงปานกลางมากที่สุดจำนวน 3,056 จุดภาพ มีค่าสหสัมพันธ์เชิงพื้นที่ของมอแรน 0.207 ที่ค่า Z เท่ากับ 25.099 รูปแบบการเกาะกลุ่มส่วนใหญ่เป็นแบบมีค่าสูง – สูง โดยจุดภาพที่มีความเสี่ยงเกิดโรคสูงมีค่า Z-มากกว่า 1.96 ที่ระดับความเชื่อมั่นร้อยละ 99 มีจำนวน 1,583 จุดภาพ ผลการศึกษาครั้งนี้จะช่วยให้เพิ่มประสิทธิภาพในการตรวจติดตามโรคใบด่างมันสำปะหลังได้อย่างรวดเร็ว
Article Details
References
Nakhon Ratchasima Provincial Office., 2020. Nakhon Ratchasima Provincial Development Plan 2018 - 2022 Revised Year 2022. Provincial Development Strategy and Information Group. (in Thai)
Sishodia, R. P., Ray, R. L., and Singh, S. K., 2020. Applications of remote sensing in precision agriculture: A review. Remote Sens., 12(19), 1–31.
Xue, J., and Su, B., 2017. Significant remote sensing vegetation indices: A review of developments and applications. J. Sens., 2017.
Tsouros, D. C., Bibi, S., and Sarigiannidis, P. G., 2019. A review on UAV-based applications for precision agriculture. Information (Switzerland), 10 (11).
National Agricultural Big Data Center., 2020. Analysis of the situation of Cassava mosaic disease. [Online]. Available:https://shorturl.asia/tZWxU, September 15, 2020. (in Thai)
Department of Agriculture., 2018. Cassava mosaic disease Survey and Surveillance Guide (3rd ed.). Plant protection research and development office. (in Thai)
Richardson, M. D., Karcher, D. E., and Purcell, L. C., 2001. Quantifying turfgrass cover using digital image analysis. Crop Sci., 41(6), 1884-1888.
De Swaef, T., Maes, W. H., Aper, J., Baert, J., Cougnon, M., Steppe, K., Roldán-Ruiz, I., and Lootens, P., 2021. Applying RGB and thermal-based vegetation indices from UAVs for high-throughput field phenotyping of drought tolerance in forage grasses. Remote Sens., 13(1), 1–24.
Ferentinos, K. P., 2018. Deep learning models for plant disease detection and diagnosis. COMPUT ELECTRON AGR, 145, 311–318.
Gitelson, A. A., Kaufman, Y. J., Starkc, R., and Rundquist, D., 2002. Novel Algorithms for Remote Estimation of Vegetation Fraction. Remote Sens. Environ., 80, 76–87.
Gobron, N., Pinty, B., Verstraete, M. M., and Widlowski, J.L., 2000. Advanced Vegetation Indices Optimized for Upcoming Sensors: Design, Performance, and Applications. IEEE T GEOSCI REMOTE, 36 (6), 2489–2505.
Guo, A., Huang, W., Dong, Y., Ye, H., Ma, H., Liu, B., Wu, W., Ren, Y., Ruan, C., and Geng, Y., 2021. Wheat yellow rust detection using UAV-based hyperspectral technology. Remote Sens., 13 (1), 1–22.
Hunt, E. R., Doraiswamy, P. C., McMurtrey, J. E., Daughtrya, C. S.T., Perry, E. M., and Akhmedov, B., 2013. A visible band index for remote sensing leaf chlorophyll content at the canopy scale. INT J APPL EARTH OBS, 21, 103-112.
Wang, G., Chen, X., and Chen, W., 2020. Spatial prediction of landslide susceptibility based on GIS and discriminant functions. ISPRS Int. J. Geo-Inf., 9 (3).
Larrinaga, A. R., and Brotons, L., 2019. Greenness indices from a low-cost UAV imagery as tools for monitoring post-fire forest recovery. Drones, 3 (6).
Motohka, T., Nasahara, K. N., Oguma, H., and Tsuchida, S., 2010. Applicability of Green-Red Vegetation Index for remote sensing of vegetation phenology. Remote Sens., 2 (10), 2369–2387.
Ramcharan, A., Baranowski, K., McCloskey, P., Ahmed, B., Legg, J., and Hughes, D. P., 2017. Deep learning for image-based cassava disease detection. Front. Plant Sci., 8: 1852.
Chaiyana, A., and Kaewplang, S., 2020. Detection of cassava mosaic disease (CMD) in cassava plantation by using UAV based remote sensing. Khon Kaen Agr. J., 48 (supplement. 1), 291–298.
Ayu, H. R., Surtono, A., and Apriyanto, D. K., 2021. Deep learning for detection cassava leaf disease. J. Phys. Conf. Ser., 1751 (1).
Nnadozie, E. C., Iloanusi, O. N., Ani, O. A., and Yu, K., 2023. Detecting cassava plants under different field conditions using UAV-based RGB images and deep learning models. Remote Sens., 15 (9), 2322.
Ferentinos, K. P., 2018. Deep learning models for plant disease detection and diagnosis. Comput. Electr. Agric., 145, 311–318.
Guo, A., Huang, W., Dong, Y., Ye, H., Ma, H., Liu, B., Wu, W., Ren, Y., Ruan, C., and Geng, Y., 2021. Wheat yellow rust detection using UAV-based hyperspectral technology. Remote Sens., 13 (1), 1–22.
Ye, H., Huang, W., Huang, S., Cui, B., Dong, Y., Guo, A., Ren, Y., and Jin, Y., 2020. Recognition of banana Fusarium wilt based on UAV remote sensing. Remote Sens., 12 (6), 1–14.
Wang, T., Thomasson, J. A., Isakeit, T., Yang, C., and Nichols, R. L., 2020. A plant-by-plant method to identify and treat cotton root rot based on UAV remote sensing. Remote Sens., 12(15), 1–18.
De Swaef, T., Maes, W. H., Aper, J., Baert, J., Cougnon, M., Steppe, K., Roldán-Ruiz, I., and Lootens, P., 2021. Applying RGB and thermal-based vegetation indices from UAVs for high-throughput field phenotyping of drought tolerance in forage grasses. Remote Sens., 13 (1), 1–24.
Borra-Serrano, I., De Swaef, T., Quataert, P., Aper, J., Saleem, A., Saeys, W., Somers, B., Roldán-Ruiz, I., and Lootens, P., 2020. Closing the phenotyping gap: High-resolution UAV time series for soybean growth analysis provides objective data from field trials. Remote Sens., 12 (10), 1–19.
Ashapure, A., Jung, J., Chang, A., Oh, S., Maeda, M., and Landivar, J., 2019. A comparative study of RGB and multispectral sensor-based cotton canopy cover modeling using multi-temporal UAS data. Remote Sens., 11(23).
Zhang, S., Li, X., Ba, Y., Lyu, X., Zhang, M., and Li, M., 2022. Banana fusarium wilt disease detection by supervised and unsupervised methods from UAV-Based multispectral imagery. Remote Sens., 14 (5).