20162

2306 دكتري

دكتري

طراحي ماشين‌هاي كشاورزي

اصفهان : دانشگاه صنعتي اصفهان

1403

پانزده، 120ص، مصور، جدول، نمودار

1403/12/14

كتابنامه

مهندسي مكانيك بيوسيستم

مهندسي كشاورزي

1403/12/15

23116252

با توجه به تغييرات اقليم، افزايش دماي كره‌ي زمين و بروز خشكسالي، كاهش مصرف و افزايش بهره‌وري آب در بخش كشاورزي، به ويژه در مناطق داراي اقليم خشك اهميت ويژه‌اي دارد. در اين مناطق تنش خشكي يكي از مهم‌ترين عواملي است كه رشد و توليد گياهان زراعي را محدود مي‌سازد. تشخيص زودهنگام اين تنش براي جلوگيري از آسيب دائمي گياه و به حداقل رساندن كاهش عملكرد ضروري است. در اين رساله، از تصويربرداري ابرطيفي در سطح برگ و تصويربرداري حرارتي از كانوپي براي بررسي تنش خشكي در گياه گلرنگ استفاده شد. سه ژنوتيپ گلرنگ شامل Palenus، A82 و IL-111 در سه تيمار آبياري كشت شدند. تيمارهاي آبياري با تخليه 45 تا 50%، 65 تا 70% و 85 تا 90% از محتواي آب خاك اعمال شدندكه به ترتيب نشان دهنده شرايط بدون تنش (US)، تنش ملايم (MS) و تنش شديد (SS) بود. تصاوير ابرطيفي از نمونه‌هاي برگ قبل از ظهور علائم قابل مشاهده از كمبود آب گرفته شد. طبقه‌بندي با استفاده از كل داده‌هاي طيفي ميانگين با روش‌هاي مدل‌سازي نرم و مستقل شباهت‌هاي بين كلاسي (SIMCA)، تفكيك حداقل مربعات جزئي (PLS-DA)، ماشين‌هاي بردار پشتيبان (SVM) و شبكه‌هاي عصبي مصنوعي (ANN) انجام شد. از روش‌هاي مختلف انتخاب ويژگي (مبتني بر SIMCA، PLS-VIP و CARS) براي تشخيص طول‌موج‌هاي مؤثر و از مدلسازي ANN براي طبقه‌بندي سطوح مختلف تنش بر اساس طول‌موج‌هاي انتخابي استفاده شد. تحليل فضايي شامل طبقه‌بندي پيكسلي با استفاده از هر دو روش بدون نظارت (خوشه‌بندي k-means) و بانظارت (بهترين مدل طبقه‌بند) انجام شد. در ادامه، از طيف ميانگين برگ‌ها براي ساخت مدل‌هاي رگرسيون براي تخمين محتواي آب نسبي برگ (RWC) استفاده شد. بدين منظور مدل‌هاي رگرسيون PLSR، رگرسيون‌هاي فرآيند گوسي (GPR)، ANN، جنگل تصادفي (RF) و درخت تقويت شده (BT) بكار گرفته شدند. در نهايت، از تصاوير حرارتي بدست آمده در شرايط مزرعه‌اي، هيستوگرام دمايي برگ استخراج و از آن ويژگي‌هاي دمايي تصوير شامل بيشينه و كمينه، دامنه، ميانگين، ميانه، مد، چولگي و كشيدگي دماي كانوپي استخراج شدند. شاخص‌ تنش آبي محصول (CWSI) و هدايت روزنه‌اي (Ig) نيز از سطح خاكستري تصاوير حرارتي استخراج و سپس روابط بين RWC و هدايت روزنه‌اي اندازه‌گيري شده (gs) با CWSI و Ig بررسي شدند. نتايج نشان داد روش ANN با استفاده از كل داده‌هاي طيفي از ديگر مدل‌هاي طبقه‌بند در تشخيص كلاس‌هاي US، MS و SS عملكرد بهتري داشت، به نحوي كه مي‌توانست سطوح مختلف تنش در ژنوتيپ‌هاي Palenus، A82 و IL-111 را با F1-Score وزني به ترتيب 92/22%، 96/01% و 96/47% تشخيص دهد. در ميان روش‌هاي انتخاب ويژگي، روش مبتني بر SIMCA در پايش شرايط تنش در ژنوتيپ‌هاي Palenus و A82 بهتر عمل كرد. در تحليل فضايي بانظارت، مدل‌هاي ANN به وضوح، پيشرفت تنش در برگ‌هاي ژنوتيپ‌هاي مختلف را نشان دادند. نتايج مدل‌هاي تخمين RWC نشان دادند كه مدل RF به همراه پيش‌پردازش مشتق دوم براي Palenus، به همراه پيش‌پردازش MSC براي A82 و به همراه پيش‌پردازش مشتق دوم براي IL-111، توانستند بهترين پيشگويي‌ها را ارائه دهند. مقادير RPD برابر 2/035، 2/268 و 2/263 به ترتيب در ژنوتيپ‌هاي Palenus، A82 و IL-111، نشان از عملكرد خوب مدل‌هاي پيشگوي RWC بود. در بررسي تصاوير حرارتي، روابط منفي بين RWC و CWSI و gs و CWSI با ضرايب تبيين به ترتيب 0/358 و 0/328 و روابط مثبت بين RWC و Ig و gs و Ig با ضرايب تبيين به ترتيب 0/361 و 0/332 گزارش شد. اين مطالعه پتانسيل تصويربرداري ابرطيفي براي تفكيك سطوح مختلف تنش خشكي و تخمين RWC در ژنوتيپ‌هاي مختلف گلرنگ، به عنوان يك گياه دانه روغني مهم را نشان مي‌دهد.

Given the challenges of climate change, global warming, and increasing drought, reducing water consumption and improving water use efficiency in agriculture, especially in arid regions, has become critically important. In these regions, drought stress is one of the primary factors limiting crop growth and productivity. Early detection of drought stress is essential to prevent irreversible damage to plants and minimize yield loss. In this study, hyperspectral imaging at the leaf level and thermal imaging at the canopy level were utilized to assess drought stress in safflower plants. Three safflower genotypes, Palenus, A82, and IL-111, were cultivated under three irrigation treatments corresponding to 50%, 70%, and 90% soil water content depletion. These treatments represented unstressed (US), mild stress (MS), and severe stress (SS) conditions, respectively. Hyperspectral images of the leaves were captured before visible signs of water deficiency appeared. Stress classification was conducted using the full average spectral data with modeling techniques such as soft independent modeling of class analogy (SIMCA), partial least squares discriminant analysis (PLS-DA), support vector machines (SVM), and artificial neural networks (ANN). Feature selection methods, including SIMCA-based selection, PLS-VIP, and CARS, were employed to identify effective wavelengths. ANN models were then used to classify stress levels based on the selected wavelengths. Spatial analysis was conducted using pixel-level classification through unsupervised (k-means clustering) and supervised (the best-performing classifier model) approaches. Additionally, mean leaf spectra were applied to develop regression models for estimating relative water content (RWC). Regression techniques such as partial least squares regression (PLSR), Gaussian process regression (GPR), ANN, random forest (RF), and boosted trees (BT) were implemented. Thermal images collected under field conditions were analyzed to extract leaf temperature histograms, from which features such as the maximum, minimum, range, mean, median, mode, skewness, and kurtosis of canopy temperature were derived. Crop Water Stress Index (CWSI) and stomatal conductance index (Ig) were also calculated from the thermal image grayscale values, and their relationships with RWC and measured stomatal conductance (gs) were examined. The results revealed that ANN models using full spectral data outperformed other classifiers in distinguishing US, MS, and SS classes, achieving weighted F1-scores of 92.22%, 96.01%, and 96.47% for the Palenus, A82, and IL-111 genotypes, respectively. Among feature selection methods, SIMCA-based selection performed best in monitoring stress conditions for Palenus and A82. In supervised spatial analysis, ANN models effectively depicted the progression of stress in the leaves of different genotypes. RWC prediction models demonstrated that RF with second derivative preprocessing, with MSC preprocessing, and with second derivative preprocessing achieved the best predictive accuracy for the Palenus, A82, and IL-111 genotypes, respectively. The RPD values of 2.035, 2.268, and 2.263 for Palenus, A82, and IL-111 indicated good predictive performance. Thermal image analysis showed negative correlations between RWC and CWSI (R² = 0.358) and between gs and CWSI (R² = 0.328), as well as positive correlations between RWC and Ig (R² = 0.361) and gs and Ig (R² = 0.332). This study underscores the potential of hyperspectral imaging for distinguishing drought stress levels and estimating RWC in different safflower genotypes, highlighting its utility for managing this important oilseed crop.

احمد ميره اي , عباس همت

مهرنوش جعفري , محمدرضا سبزعليان دستجردي

كاوه ملازاده , رسول امير فتاحي ورنوسفادراني , مرتضي صادقي