Remote Sensing and GIS Applications in Environmental Sciences

Forecasting the occurrence of wheat stripe rust disease using time series study of Sentinel-2 satellite images: A case study of Ningyang, China.

Document Type : Original Article

Author

Master's student in remote sensing of Shahid Beheshti University

Abstract

Wheat stripe rust has a severe effect on the yield and quality of wheat. An effective forecasting method is essential for food security. In this study, firstly, optimal vegetation indices related to belt rust stress are extracted as candidate features for disease prediction from 2-Sentinel time series images. Then, optimal VI combinations are selected using sequential forward selection (SFS). Finally, the occurrence of wheat stripe rust in different time intervals is predicted using Support Vector Machine (SVM) method. The results of the selected traits show that, before the binding period, the optimal VIs are related to biomass, pigment and moisture of wheat. After the connection period, the red-edge VIs related to the health status of the product play an important role. The overall accuracy and kappa coefficient of the prediction model, which is based on SVM, is generally higher than K-nearest neighbor (KNN) and back-propagation neural network (BPNN) methods. SVM method is more suitable for predicting time series of wheat rust. The model achieved accuracy based on optimal VI combinations and the SVM increased over time. The highest accuracy was 86.2%. These results show that the prediction model can provide guidance and suggestions for early disease prevention in the study area, and this method combines Sentinel-2 time series images and SVM, which can be used to predict wheat stripe rust.

Keywords

Main Subjects

در این مطالعه، ما شاخصهای پوشش گیاهی بهینه) VIs( حساس به زنگ نوار را در دورههای زمانی مختلف استخراج میکنیم و یک مدل پیشبینی زنگ نوار گندم را با تصاویر ماهوارهای برای تحقق پیشبینی چند زمانی توسعه میدهیم .

ابتدا، شاخص های پوشش گیاهی بهینه مربوط به تنش زنگ نوار به عنوان ویژگیهای کاندید برای پیشبینی بیماری از تصاویر سری زمانی 2-Sentinel استخراج میشوند .سپس، ترکیبات VI بهینه با استفاده از انتخاب متوالی رو به جلو )SFS( انتخاب می شوند. در نهایت وقوع زنگ نوار گندم در بازه های زمانی مختلف با استفاده از روش ماشین بردار پشتیبان) SVM( پیش بینی می شود. نتایج ویژگیهای انتخابشده نشان میدهد که، قبل از دوره اتصال ،VIs بهینه مربوط به زیست توده، رنگدانه و رطوبت گندم است. پس از دوره اتصال ،VIs های لبه قرمز مربوط به وضعیت سلامت محصول نقش مهمی ایفا می کنند. دقت کلی و ضریب کاپا مدل پیشبینی، که مبتنی بر SVM است، به طور کلی بالاتر از روشهای K- نزدیکترین همسایه) KNN( و شبکه عصبی پس انتشار) BPNN( است. روش SVM برای پیشبینی سریهای زمانی زنگ نوار گندم مناسبتر است. مدل دقت را بر اساس ترکیبات VI بهینه به دست آورد و SVM در طول زمان افزایش یافت. بالاترین دقت 3068 درصد بود. این نتایج نشان میدهد که مدل پیشبینی میتواند راهنماییها و پیشنهادهایی را برای پیشگیری زودهنگام از بیماری در محل مورد مطالعه ارائه دهد و این روش تصاویر سری زمانی

2-Sentinel و SVM را ترکیب میکند که میتواند برای پیشبینی زنگ نوار گندم استفاده شود.

1-Birr, T.; Verreet, J.A.; Klink, H. (2019). Prediction of deoxynivalenol and zearalenone in winter wheat grain in a maize-free crop rotation based on cultivar susceptibility and meteorological factors. J. Plant Dis. Prot., 126, 13–27. 
2-Jarroudi, M.; Kouadio, L.; Bock, C.H.; Jarroudi, M.E.; Junk, J.; Pasquali, M.; Maraite, H.; Delfosse, P. (2016). A threshold-based weather model for predicting stripe rust infection in winter wheat. Plant Dis., 101, 693–703. 
3-Yuan, L.; Pu, R.; Zhang, J.; Wang, J.; Yang, H. (2016). Using high spatial resolution satellite imagery for mapping powdery mildew at a regional scale. Precis. Agric., 17, 332–348. 
4-Zhang, J.; Yuan, L.; Nie, C.; Wei, L.; Yang, G. (2014). Forecasting of powdery mildew disease with multi-sources of remote sensing information. In Proceedings of the 2014 The Third International Conference on Agro-Geoinformatics, Beijing, China, 11–14 August 2014; pp. 1–5.
5-Zheng, Q.; Huang, W.; Cui, X.; Yue, S.; Liu, L. (2018). New spectral index for detecting wheat yellow rust using Sentinel-2 multispectral imagery. Sensors, 18, 868. 
6-Dutta, S.; Singh, S.K.; Khullar, M. (2014). A case study on forewarning of yellow rust affected areas on wheat crop using satellite data. J. Indian Soc. Remote Sens., 42, 335–342. 
7-Du, X.; Li, Q.; Shang, J.; Liu, J.; Qian, B.; Jing, Q.; Dong, T.; Fan, D.; Wang, H.; Zhao, L. (2019). Detecting advanced stages of winter wheat yellow rust and aphid infection using RapidEye data in North China Plain. GISci. Remote Sens., 56, 1093–1113. 
8-Pryzant, R.; Ermon, S.; Lobell, D. (2017). In Monitoring Ethiopian wheat fungus with satellite imagery and deep feature learning. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops, Honolulu, HI, USA, 21–26 July 2017; pp. 39– 47.
9-Dengke, L.; Zhao, W.; Feizhou, X. (2019). Occurrence regularity and meteorological influencing factors of wheat stripe rust in Shaanxi province. J. Catastrophol. 34, 59–.56
10-Korhonen, L.; Packalen, P.; Rautiainen, M. (2017). Comparison of Sentinel-2 and Landsat 8 in the estimation of boreal forest canopy cover and leaf area index. Remote Sens. Environ., 195, 259–274. 
11-Li, Z.; Yang, P.; Zhou, Q.; Wang, Y.; Wu, W.; Zhang, L.; Zhang, X. (2009). Research on spatiotemporal pattern of crop phenological characteristics and cropping system in North China based on NDVI time series data. Acta Ecol. Sin. 29, 6216–.6226
12-Wang, L.; Liu, J.; Yang, F.; Fu, C.; Teng, F.; Gao, J. (2015). Early recognition of winter wheat area based on GF-1 satellite. Trans. Chin. Soc. Agric. Eng. 31, 194–.102
پیشبینی سیدحمیدرضا وقوع بیماری میرنعمتی  زنگ نوار گندم با استفاده از سری زمانی تصاویر سنتینل-8                998
13-Huang, L.; Ruan, C.; Huang, W.; Shi, Y.; Peng, D.; Ding, W. (2018). Wheat powdery mildew monitoring based on GF-1 remote sensing image and relief-mRMR-GASVM model. Trans. Chin. Soc. Agric. Eng., 34, 167–175.
14-Zhang, L.X.; Wang, J.X.; Zhao, Y.N.; Yang, Z.H. (2004). Combination feature selection based on relief. J. Fudan Univ. Nat. Sci. Ed., 43, 893–898.
15-Jarroudi, M.; Lahlali, R.; Kouadio, L.; Denis, A.; Tychon, B. (2020). Weather-based predictive modeling of wheat stripe rust infection in Morocco. Agronomy, 10, 280. 
16-Roujean, J.-L.; Breon, F.-M. (1995). Estimating PAR absorbed by vegetation from bidirectional reflectance measurements. Remote Sens. Environ51, 375–384. 
17-Peñuelas, J.; Inoue, Y. (1999). Reflectance indices indicative of changes in water and pigment contents of peanut and wheat leaves. Photosynthetica, 36, 355–360. 
18-Jordan, C.F. Derivation of leaf-area index from quality of light on the forest floor. Ecology 1969, 50, 663–666. 
19-Rondeaux, G.; Steven, M.; Baret, F. (1996). Optimization of soil-adjusted vegetation indices. Remote Sens. Environ. 55, 95–.701 
20-Broge, N.H.; Leblanc, E. (2001). Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density. Remote Sens. Environ. 76, 156–172. 
21-Huete, A.; Didan, K.; Miura, T.; Rodriguez, E.P.; Gao, X.; Ferreira, L.G. (2002). Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sens. Environ., 83, 195–213. 
Remote Sensing and GIS Applications in Environmental Sciences
Volume 2, Issue 3 - Serial Number 3
September 2022
Pages 105-83
  • Receive Date: 19 August 2022
  • Revise Date: 23 October 2022
  • Accept Date: 11 September 2022