Hiperspektral Kameralar Hassas Böcek Zararlısı Tanımlamasını Güçlendiriyor: Buğday Tarlalarından Bir Çalışma

Küresel gıda güvenliği zorlukları karşısında, tarımsal zararlıların zamanında izlenmesi ve hassas önlenmesi ve kontrolü tarım alanında önemli konular haline gelmiştir. Geleneksel zararlı tanımlama yöntemleri, manuel görsel incelemeye ve morfolojik tanımlamaya dayanır, bu da hem zaman alıcı ve zahmetli olmakla kalmaz, aynı zamanda büyük ölçekli gerçek zamanlı izlemeyi de zorlaştırır. Son yıllarda, hiperspektral görüntüleme teknolojisi ve makine öğrenmesi algoritmalarının birleşimi, böcek zararlılarının otomatik tanımlanması için yeni bir yol açmıştır.

Aralık 2025'te, uluslararası akademik dergi "Biology", "Tahıl Ürünlerinde Otomatik Zararlı Tanımlama için Hiperspektral Görüntüleme ve Makine Öğrenmesi" başlıklı bir araştırma makalesi yayınladı. Araştırma, Kazakistan'daki birden fazla üniversitenin araştırma ekipleri tarafından tamamlandı. Hangzhou CHNSpec Technology Co., Ltd. tarafından üretilen "FigSpec FS-13 hiperspektral kamera"yı kullanarak, buğday tarlalarındaki 12 ana zararlı için spektral özellik analizi ve sınıflandırma modellemesi yaptılar ve bu ekipmanın tarımsal zararlı izleme alanındaki uygulama değerini gösterdiler.Hiperspektral Görüntülemenin Böcek Tanımlamasındaki AvantajlarıHiperspektral görüntüleme teknolojisi, görünür ışıktan yakın kızılötesi dalga boylarına (genellikle 400-1000 nm) kadar olan aralıkta yüzlerce dar bantlı sürekli spektral bilgi elde edebilir ve her piksel için tam bir spektral eğri oluşturur. Sıradan RGB kameralardan farklı olarak, hiperspektral görüntüler yalnızca nesnelerin uzamsal morfolojisini kaydetmekle kalmaz, aynı zamanda malzeme bileşenlerinin ve yüzey yapılarının spektral tepki özelliklerini de ortaya çıkarır.

Böcekler için, farklı türdeki yüzey pigmentleri, kitin yapıları, kanat şeffaflığı ve yüzey pürüzlülüğü gibi faktörler benzersiz spektral yansıma özellikleri üretecektir. Bu "spektral parmak izleri", hiperspektral görüntülemenin morfolojik olarak benzer türleri ayırt etmesini ve hatta gizli zararlıları tanımlamasını sağlar.

Ana Araştırma Sonuçları

1. Farklı zararlıların spektral özelliklerinde önemli farklılıklar

Araştırma sonuçları, farklı böcek türlerinin görünür ışıktan yakın kızılötesi bantlarda önemli ölçüde farklı yansıma spektral eğrileri sergilediğini gösterdi. Ana etkileyici faktörler şunlardır:

Yüzey pigmentleri: Açık renkli veya parlak böcekler (sarı-yeşil, beyaz gibi) daha yüksek yansıtıcılığa sahipken, koyu renkli veya siyah böcekler (flea beetle gibi) daha düşük yansıtıcılığa sahiptir.

Kanat yapısı: Şeffaf veya yarı şeffaf kanatlar (buğday tohum sineği, buğday thrips gibi) yakın kızılötesi bölgede yüksek yansıma zirveleri gösterir.

• Yüzey dokusu: Pürüzsüz elitra, pürüzlü veya tüylü vücut yüzeylerine göre daha yüksek yansıtıcılığa sahiptir.
• Kitin türleri: Kitinin farklı kristal formları (α, β, γ türleri) spektral absorpsiyon özelliklerini etkiler.
• Örneğin, Trigonotylus ruficornis (kırmızı boynuzlu mirid böceği) açık sarı-yeşil vücut rengi nedeniyle %90-110'a varan yansıtıcılığa sahiptir; Chaetocnema aridula (tahıl sapı flea beetle) koyu siyah vücut rengi nedeniyle yalnızca %10-20 yansıtıcılığa sahiptir.
• 2. PCA analizi, spektral farklılıkların ana bileşenlerini ortaya çıkarır

PCA boyut azaltma analizi, ilk iki ana bileşenin spektral varyansın %80'inden fazlasını açıklayabildiğini gösterdi. Birinci ana bileşen (PC1) esas olarak genel parlaklık farkını yansıtırken, ikinci ana bileşen (PC2) ince vücut yüzeyi yapıları ve pigment değişiklikleriyle ilgilidir. Farklı türler, PCA skor grafiğinde farklı derecelerde küme ayrımı sergiledi ve bu da sonraki sınıflandırma için bir temel sağladı.

3. PLS-DA sınıflandırma modelinin sağlam performansı

Araştırma ekibi, 12 tür zararlıyı tanımlamak için FigSpec FS-13 tarafından toplanan spektral verilere dayalı bir PLS-DA sınıflandırma modeli oluşturdu. Model değerlendirme göstergeleri arasında belirlilik katsayısı (R²), tahmin yeteneği (Q²) ve kalibrasyonun karekök ortalama hatası (RMSEC) yer aldı. Sonuçlar aşağıdaki gibidir:

Canlı vücut renkleri ve büyük boyutlu türler (scarab böcekleri, yeşil çekirge gibi) için model tanımlama doğruluğu yaklaşık %90'a ulaşabilir; koyu vücut renkleri ve küçük boyutlu türler (flea beetle, thrips gibi) için doğruluk biraz daha düşüktür ancak kabul edilebilir bir aralıkta kalır. Genel olarak, PLS-DA modeli 12 tür zararlıyı etkili bir şekilde ayırt edebilir ve böcek sınıflandırmasında FigSpec FS-13 hiperspektral verilerinin güvenilirliğini doğrular.

Sonuç

Bu araştırma vakası, böcek zararlıları spektral özellik analizi ve makine öğrenmesi sınıflandırmasında FigSpec FS-13 hiperspektral kameranın uygulama potansiyelini göstermektedir. Yerli olarak üretilen bir hiperspektral görüntüleme cihazı olarak FS-13, kararlı performansı ve zengin destekleyici analiz fonksiyonları ile tarımsal hastalık ve zararlı izleme, gıda güvenliği testi ve malzeme ayırma gibi alanlarda bilimsel araştırma ve endüstriyel uygulamalar için güvenilir bir araç sağlar.

Hassas tarım ve akıllı bitki koruma talebinin sürekli büyümesiyle birlikte, hiperspektral görüntüleme teknolojisi gelecekteki tarla yönetimi alanında giderek daha önemli bir rol oynayacaktır.

(Orijinal makale, "https://doi.org/10.3390/biology14121715" aranarak okunabilir)