5KL25EIB

2232

20 novembre 2020 08:54

20 novembre 2020 08:54

Au cours de la dernière décennie, les données d'imagerie acquises à partir de véhicules aériens sans pilote (UAV), grâce à leurs résolutions spatiales, spectrales et temporelles élevées, ont attiré une attention croissante pour distinguer les plantes saines des plantes malades et surveiller la progression de ces maladies des plantes dans les champs. Malgré l'utilisation bien documentée de la télédétection hyperspectrale basée sur UAV pour distinguer les zones végétales saines et malades, l'utilisation d'images rouge-vert-bleu (RVB) dans un but similaire n'a pas encore été complètement étudiée. Cette étude vise à évaluer l'imagerie RVB basée sur les UAV pour distinguer les plantes saines de celles infectées par les rayures et les rouilles des feuilles de blé dans le blé d'hiver (Triticum aestivum L.), en mettant l'accent sur la mise en œuvre d'un système expert pour aider les producteurs à améliorer la gestion des maladies. Des images RVB ont été acquises sur quatre sites de production de blé représentatifs du Grand-Duché de Luxembourg. Les surfaces foliaires malades ont été déterminées sur la base des nombres numériques (DN) des bandes spectrales vertes et rouges pour la rouille blanche du blé (WSR) et de la combinaison des DN des bandes spectrales verte, rouge et bleue pour la rouille des feuilles du blé (WLR). WSR et WLR ont provoqué des altérations dans les spectres de réflectance typiques des plants de blé entre les canaux spectraux vert et rouge. Dans l'ensemble, de bons accords entre les estimations basées sur les UAV et les observations ont été trouvés pour les sévérités du couvert forestier, du WSR et du WLR, avec des corrélations statistiquement significatives (valeur p (Kendall) <0,0001). Les coefficients de corrélation étaient de 0,92, 0,96 et 0,86 pour la gravité WSR, la gravité WLR et le couvert forestier, respectivement. Alors que l'estimation du couvert forestier était le plus souvent moins précise (coefficients de corrélation <0,20), les zones foliaires infectées par WSR et WLR ont été identifiées de manière satisfaisante en utilisant les indices dérivés de l'imagerie RVB pendant la période critique (c.-à-d., Élongation de la tige et étapes d'amorçage) pour un fongicide efficace. application, tandis que la gravité de la maladie a également été quantifiée avec précision sur la même période. L'utilisation d'une telle méthode d'imagerie RVB basée sur un UAV pour surveiller les maladies foliaires fongiques tout au long de la saison de culture peut aider à identifier toute nouvelle épidémie de maladie et à contrôler efficacement sa propagation.

During the past decade, imagery data acquired from unmanned aerial vehicles (UAVs), thanks to their high spatial, spectral, and temporal resolutions, have attracted increasing attention for discriminating healthy from diseased plants and monitoring the progress of such plant diseases in fields. Despite the well-documented usage of UAV-based hyperspectral remote sensing for discriminating healthy and diseased plant areas, employing red-green-blue (RGB) imagery for a similar purpose has yet to be fully investigated. This study aims at evaluating UAV-based RGB imagery to discriminate healthy plants from those infected by stripe and wheat leaf rusts in winter wheat (Triticum aestivum L.), with a focus on implementing an expert system to assist growers in improved disease management. RGB images were acquired at four representative wheat-producing sites in the Grand Duchy of Luxembourg. Diseased leaf areas were determined based on the digital numbers (DNs) of green and red spectral bands for wheat stripe rust (WSR), and the combination of DNs of green, red, and blue spectral bands for wheat leaf rust (WLR). WSR and WLR caused alterations in the typical reflectance spectra of wheat plants between the green and red spectral channels. Overall, good agreements between UAV-based estimates and observations were found for canopy cover, WSR, and WLR severities, with statistically significant correlations (p-value (Kendall) < 0.0001). Correlation coefficients were 0.92, 0.96, and 0.86 for WSR severity, WLR severity, and canopy cover, respectively. While the estimation of canopy cover was most often less accurate (correlation coefficients < 0.20), WSR and WLR infected leaf areas were identified satisfactorily using the RGB imagery-derived indices during the critical period (i.e., stem elongation and booting stages) for efficacious fungicide application, while disease severities were also quantified accurately over the same period. Using such a UAV-based RGB imagery method for monitoring fungal foliar diseases throughout the cropping season can help to identify any new disease outbreak and efficaciously control its spread.

None

• AB - Transversal
• FREDO lutte
• FREDO santé végétale
• GEO Belgique
• technologie

• RGB imagery
• disease management
• fungal foliar disease
• precision agriculture

Remote Sensing

12

3696

2020/1

24 janvier 2020

10.3390/rs12223696 Le DOI est une URL unique de référencement d'une publication. Il est donc plus fiable et permanent qu'une URL classique