تشخیص زود هنگام علائم ویروس موزائیک خیار با روش طیف‌سنجی مرئی-فروسرخ نزدیک

STUDENT

DEGREE

YEAR

According to the increased demand for high-quality fruits and vegetables and the disappearing the trade limitations in recent years, mechanized agriculture has increasingly been required. Meanwhile, early detection of plant diseases, which reduces the quality and quantity of products, has been widely considered. On the other hand, cucumber is the first produced greenhouse crop in Iran. The presence of the disease in this plant causes reducing the growth and decreasing the yield. Cucumber mosaic virus (CMV) is one of the most common viral diseases with a wide host range. Early, rapid, and automatic diagnosis of this disease can be effective in controlling loos management and increasing productivity. Health monitoring and diagnosis of CMV are commonly performed using molecular methods such as polymerase chain reaction (PCR) that requires the precise sampling and time-consuming experiments. Therefore, development of a non-destructive method which can early detect the symptoms of the disease seems to be necessary. In this study, the ability of visible and near-infrared (Vis/NIR) spectroscopy to detect the early symptoms of CMV was evaluated. For this purpose, the leaves with the CMV suspected symptoms were first collected, by iecting the cucumber greenhouses and farms around the city of Isfahan. In the next step, 214 cucumber plants were cultivated, 124 of which were infected with CMV by mechanical insemination method, and the remaining 90 plants were kept intact. A photo-diode array Vis/NIR spectrometer equipped with a CCD detector with the resolution of 2 nm and the range of 200-1100 nm was used to record the leaf spectra. The spectrometer was equipped with a bifurcated fiber optic, a sample holder, and a halogen light source. After the mechanical inoculation of the virus, the samples were irrigated regularly for a maximum of 17 days until the symptoms emerged. During this period, spectral collection was carried out every two days until the end of the seventeenth day. Then, the samples were divided into three Keywords: NIR Spectroscopy, ‌cucumber, Cucumber mosaic virus, Soft independent modeling of class analogy, Linear discriminant, Quadratic discriminant, Support vector machine, Artificial neural networks.

با توجه به افزایش تقاضا در سال‌های اخیر برای میوه و سبزیجات با کیفیت و از بین رفتن مرزهای تجاری، ضرورت کشاورزی مکانیزه و مدرن بیش از پیش نمایان شده است. در این بین، تشخیص زودهنگام بیماری‌های گیاهی که باعث کاهش کیفیت و کمیت محصولات کشاورزی می‌شود، بسیار مورد توجه قرار گرفته است.در بین تولیدات کشاورزی، خیار به عنوان یک محصول گلخانه‌ای بسیار مهم تحت تأثیر بیماری‌های مختلف قرار می‌گیرد که باعث کاهش رشد بوته و کم شدن میزان عملکرد آن می‌شود. ویروس موزاییک خیار ( Cucumber mosaic virus , CMV) یکی از شایع‌ترین بیماری‌های ویروسی است که دارای دامنه میزبانی وسیعی می‌باشد. تشخیص زودهنگام، سریع و خودکار این بیماری می‌تواند در بکار گیری مدیریت کنترل خسارت آن و افزایش بهره‌وری مؤثر باشد. پایش سلامتی و تشخیص بیماری CMV با استفاده از روش‌های مولکولی مانند واکنش‌های زنجیره‌ای پلیمرزا (PCR) انجام می‌شود که نیاز به نمونه‌برداری دقیق و فرآیند طولانی دارد. بنابراین توسعه‌ی یک روش غیرمخرب به نحوی که بتواند به تشخیص زودهنگام این بیماری بپردازد، ضروری به نظر می‌رسد. در این پژوهش توانایی فناوری طیف‌سنجی مرئی فروسرخ نزدیک (Vis/NIR) در تشخیص زودهنگام ویروس موزاییک خیار مورد ارزیابی قرار گرفت. برای این منظور ابتدا با سرکشی به گلخانه‌ها و مزارع کشت خیار موجود در اطراف شهر اصفهان، برگ‌ها با علائم مشکوک به CMV جمع‌آوری شدند. در مرحله بعد، تعداد 214 بوته خیار کشت شد که تعداد 124 عدد از آن با روش تلقیح مکانیکی به ویروس CMV آلوده گردید و 90 گیاه بدون آلوده‌سازی به ویروس به عنوان شاهد در نظر گرفته شد. از یک طیف‌سنج Vis/NIR از نوع PDA مجهز به آشکارساز CCD با قدرت تفکیک 2 نانومتر در محدوده‌ی 1100-200 نانومتر برای ثبت طیف‌های برگ استفاده شد. طیف‌سنج مذکور مجهز به فیبر نوری دو شاخه، یک نگهدارنده نمونه و یک منبع نور هالوژنی بود. پس از تلقیح مکانیکی ویروس، نمونه‌ها به مدت حداکثر 17 روز تا ظهور علائم بیماری، به طور منظم آبیاری شدند. طی این مدت عملیات طیف‌گیری هر دو روز یکبار تا پایان 17 روز انجام شد. سپس، نمونه‌ها در سه کلاس سالم، آلوده با علائم نامرئی و آلوده با علائم مرئی قرار گرفتند. به طور کلی تعداد 3660 طیف از هر سه کلاس نامبرده بدست آمد که برای انجام تحلیل‌های طبقه‌بندی مورد استفاده قرار گرفت. به منظور تحلیل طیف‌های بدست آمده، ابتدا و انتهای طیف‌ها به دلیل نویز حذف و سپس پیش‌پردازش‌های مختلف بر روی طیف‌ها اعمال گردید. برای طبقه‌بندی از روش‌های طبقه‌بندی مدل‌سازی نرم و مستقل شباهت‌های بین کلاسی (SIMCA)، تفکیک‌کننده‌ی خطی (LDA)، تفکیک‌کننده درجه دوم (QDA)، ماشین بردار پشتیبان (SVM) و شبکه‌های عصبی مصنوعی (PCA-ANN) استفاده شد. بهترین نتایج پیش‌پردازش‌ها در روش SIMCA مربوط به پیش‌پردازش نرمالیزه کردن با دقت کل 27/78 درصد بدست آمد. در روش LDA پیش‌پردازش نرمالیزه کردن با دقت کل 44/86 درصد، نتایج بهتری نسبت به دیگر پیش‌پردازش‌ها داشت. در روش QDA با استفاده از پیش‌پردازش MSC با دقت کل 45/84 درصد و در روش SVM با استفاده از پیش‌پردازش یکنواخت کردن با دقت کل 61/76 درصد، بهترین نتایج در مرحله آزمون بدست آمدند. در روش شبکه‌های عصبی مصنوعی نیز کلاس‌های سالم، آلوده نامرئی و آلوده مرئی با دقت کل 37/84 درصد تفکیک شدند. در مقایسه روش‌های مختلف مدلسازی، بهترین نتایج مربوط به روش LDA بود به نحوی که کلاس‌های سالم، آلوده نامرئی و آلوده مرئی به دقت‌های به ترتیب 100، 29/83 و 38/88 درصد و دقت کل 44/86 درصد طبقه‌بندی شدند. در تفکیک کلاس‌های سالم از آلوده دقت کل 100 درصد بدست آمد به نحوی که هیچ یک از نمونه‌های سالم به اشتباه آلوده و هیچ یک از نمونه‌های آلوده به اشتباه سالم طبقه‌بندی نشدند. به طور کلی نتایج این تحقیق نشان داد که روش غیرمخرب طیف‌سنجی Vis/NIR دارای پتانسیل قوی برای تشخیص و طبقه‌بندی گیاهان خیار سالم و آلوده به ویروس CMV است. کلمات کلیدی : طیف‌سنجی NIR، خیار، ویروس موزاییک خیار، مدل‌سازی نرم و مستقل شباهت‌های بین کلاسی، تفکیک‌کننده‌ی خطی، تفکیک‌کننده درجه دوم، ماشین بردار پشتیبان، شبکه‌های عصبی مصنوعی.