| تعداد نشریات | 286 |
| تعداد نشریات سازمان | 84 |
| تعداد شماره‌ها | 3,005 |
| تعداد مقالات | 33,631 |
| تعداد مشاهده مقاله | 44,479,759 |
| تعداد دریافت فایل اصل مقاله | 30,135,112 |
ارزیابی آلودگی ویروسی بر پایه شناسایی الگوی تغییرات بازتابش طیفی در گیاهان دختری سیب زمینی بذری | ||
| علوم و فناوری بذر ایران | ||
| مقاله 7، دوره 10، شماره 3 - شماره پیاپی 23، آبان 1400، صفحه 89-99 اصل مقاله (1.02 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijsst.2020.342734.1336 | ||
| نویسندگان | ||
| کبری مسلم خانی* 1؛ فرشید حسنی1؛ اسماعیل نصرالهی1؛ صمد مبصر2؛ محمدرضا جزایری نوش آبادی3 | ||
| 1موسسه تحقیقات ثبت و گواهی بذر و نهال | ||
| 2معاون تحقیقات کنترل و گواهی بذر | ||
| 3دانشجوی دکتری، گروه زراعت و اصلاح نباتات، دانشکده کشاورزی دانشگاه گیلان، رشت، ایران مربی پژوهش، موسسه تحقیقات ثبت و گواهی بذر | ||
| چکیده | ||
| تشخیص دقیق و سریع گیاهان آلوده یک فرایند ضروری در سیستم گواهی بذر سیب‌زمینی به شمار می رود. انگشت نگاری طیفی به عنوان روش غیرتخریبی و سریع برای تشخیص گیاهان بیمار یا تحت استرس، در حال توسعه می باشد. تحقیق حاضر با استفاده از داده‌های طیف سنجی به تشخیص بوته‌های آلوده سیب‌زمینی (که به طور همزمان به دو ویروس PVY و PLRV آلوده بودند) بدون هرگونه فرایند تخریبی پرداخته است. داده-های طیفی از 32 گیاه ( 16 گیاه آلوده و 16 گیاه سالم) که وضعیت آلودگی یا سلامت آنها با استفاده از آزمون ELISA و RT-PCR محرز شده بود، برداشت گردید. قبل از مدل‌سازی به منظور حذف سیگنال‌های ناخواسته از روش پیش‌پردازش داده‌های طیفی (Multiplicative scatter correction) و سپس روش طبقه-بندی Soft Independent Modeling of a Class Analogy (SIMCA) استفاده شد. در این بررسی هیچ نمونه‌ای به طبقه اشتباه یا به طور هم زمان به دو طبقه تعلق نگرفت که حاکی از پتانسیل قابل قبول این روش طبقه‌بندی در تمایز گیاهان آلوده به ویروس است. نتایج نشان داد طول موج‌ها به ترتیب در سه محدوده 910- 863 نانومتر (جزء محدوده طیفی مادون قرمز نزدیک)، 725-704 نانومتر(جزء محدوده لبه قرمز) و 580-530 نانومتر (جزء محدوده سبز) بیشترین مشارکت را در تمایز گیاهان آلوده و سالم و تفکیک مدل‌های مرتبط با آن داشته‌اند. | ||
| کلیدواژه‌ها | ||
| بیماری‌های ویروسی؛ سیب زمینی بذری؛ طیف؛ ردیابی | ||
| عنوان مقاله [English] | ||
| Virus infection assessment based on changes in spectral reflectance pattern on daughter seed potato plants | ||
| نویسندگان [English] | ||
| K. Moslemkhani1؛ Farshid Hasani1؛ Esmail nasrollahi1؛ Samad Mobasser2؛ Mohammadreza Jazayeri3 | ||
| 1Seed and Plant Certification Institute | ||
| 2SPCRI | ||
| 3Faculty member | ||
| چکیده [English] | ||
| Fast and precise detection of infected potato plants is an essential practice in the seed potato certification system. Spectral fingerprinting as non-destructive and rapid method is going to be developed for discriminating plants with different stress such as disease. In this research virus infections of experimental plants (that infected with both PVY and PLRV viruses) were analyzed by spectral data without any destruction. Spectral data were collected from 32 plants (16 infected plants and 16 healthy plants) that were found to be infected or healthy using the ELISA and RT-PCR test. Some pretreatment methods of spectral data such as multiplicative scatter correction were used to remove noise. Soft independent modeling of class analogy (SIMCA) based on PCA analysis predicted the disease with high detection accuracy. The results showed, none of the samples belonged to the wrong group or to two groups simultaneously. The wavelengths in three ranges of 910-863 nm (near-infrared ), 725-704 nm (red edge) and 580-530 nm (green), had the greatest contribution to the complete differentiation of infected and healthy plants and development of models respectively. | ||
| کلیدواژه‌ها [English] | ||
| Potato, spectra, virus diseases, detection | ||
| مراجع | ||
|
Blackburn, G.A., and J.G. Ferwerda. 2008. Retrieval of chlorophyll concentration from leaf reflectance spectra using wavelet analysis. Remote Sens. Environ. 112:614– 1632. Chaerle, L., D. Hagenbeek, X. Vanrobaeys, and D. Van Der Straeten. 2007. Early detection of nutrient and biotic stress in Phaseolus vulgaris. Int. J. Remote Sens. 28:3479–3492. Chávez, P., C. Yarlequé, O. Piro, A. Posadas, V. Mares, H. Loayza, C. Chuquillanqui, P. Zorogastúa, J. Flexas, and R. Quiroz. 2010. Applying Multifractal Analysis to Remotely Sensed Data for Assessing PYVV Infection in Potato (Solanum tuberosum L.) Crops. Remote Sens. 2:1197-1216 Chavez, P., P. Zorogastua, C. Chuquillanqui, L.F Salazar, V. Mares, and R. Quiroz. 2011. Assessing potato yellow vein virus (PYVV) infection using remotely sensed data. Int. J. Pest Manage. 55:251–6. Clark, M. F., and A. N. Adams. 1977. Characteristics of the microplate method of enzyme-linked immunosorbent assay for the detection of plant viruses. J. Gen. Virol. 34(3): 475-483. Du, Z., J. Chen, and C. Hiruki. 2006. Optimization and application of a multiplex RT-PCR system for simultaneous detection of five potato viruses using 18S rRNA as an internal control. Plant Dis. 90:185–189. Gazala, I.F.S., R.N. Sahoo, P. Pandey, B. Mandal, V.K. Gupta, R. Singh, and P. Sinha. 2013. Spectral reflectance pattern in soybean for assessing yellow mosaic disease. Indian J. Virol. 2:242-249 Griffel, L.M., D. Delparte, and J. Edwards. 2018. Using Support Vector Machines classification to differentiate spectral signatures of potato plants infected with Potato Virus Y. Comput. Electron. Agric. 153:318-324. Grishama, M.P., R.M. Johnsona, and P.V. Zimba. 2010. Detecting Sugarcane yellow leaf virus infection in asymptomatic leaves with hyperspectral remote sensing and associated leaf pigment changes. J. Virol. Methods. 167:140–145 Guo, T.T., L. Guo, X.H. Wang, and M. Li. 2009. Application of NIR spectroscopy in classification of plant species. In: International Workshop on Education Technology and Computer Science, Wuhan, Hubei, China. 3: 879–883. Huang, J.F., and A. Apan. 2006. Detection of Sclerotinia rot disease on celery using hyperspectral data and partial least squares regression. J. Spat. Sci. 51: 129–142. Jamshidi, B., S. Minaei, E. Mohajerani, and H. Ghassemian. 2014. Effect of Spectral Pre-Processing Methods on Non-Destructive Quality Assessment of Oranges Using NIRS. J. Agric. Eng. Res. 2:27-44 Jinendra, B., K. Tamaki, S. Kuroki, M. Vassileva, S. Yoshida, and R. Tsenkova. 2010. Near infrared spectroscopy and aquaphotomics: Novel approach for rapid in vivo diagnosis of virus infected soybean. Biochem. Biophys. Res. Commun. 397: 685–690 Krezhova, D., D. Hristovsa, and T. Yanev. 2010. Spectral Remote Sensing of Tomato Plants (Lycopersicon esculentum L.) Infected with Tomato Mosaic Virus (ToMV). Pp 715–722. In R. Reuter (Ed). Proc. 30th EARSeL Symp. Remote Sensing Sci. Educ. Nat. Cult. Heritage, 31 May-3 June 2010, France Mahlein, A.K., T. Rumpf, P. Welke, H.W. Dehne, L. Plümer, U. Steiner, and E.C. Oerke. 2013. Development of spectral indices for detecting and identifying plant diseases. Remote Sens. Environ. 128: 21–30. Moshou, D., C. Bravo, R. Oberti, J. West, L. Bodria, A. McCartney, and Ramon. H. 2005. Plant disease detection basedondata fusion of hyper-spectral and multi-spectral fluorescence imaging using Kohonen maps. Real-Time Image. 11:75– 83. Muhammad, H.H. 2002. Using Hyperspectral Reflectance Data for Discrimination between Healthy and Diseased Plants, and Determination of Damage-level in Diseased Plants. Pp. 49–54. In Proc. 31st Appl. Imagery Pattern Recognition Workshop, 16–18 October. Washington, DC, USA. IEEE. Naidu, R.A., E.M. Perry, F.J. Pierce, and T. Mekuria. 2009. The potential of spectral reflectance technique for the detection of Grapevine leaf roll-associated virus-3 in two red- berried wine grape cultivars. Comput. Electron. Agric. 66:38-45 Polder, G.. P.M. Blok, H. de Villiers, J.M. van der Wolf, and J. Kamp. 2019. Potato virus Y detection in seed potatoes using deep learning on hyperspectral images. Front. Plant Sci. 10: p.209. Prabhakar, M., Y. Prasad, and M. Rao. 2012. Remote sensing of biotic stress. Pp 517-545. In B. Venkateswarlu et al. (Ed). Crop plants and its applications for pest management Crop stress and its management. Perspectives and strategies. Springer Science, Dordrecht. Rahoutei, J., I. García‐Luque, and M. Barón. 2000. Inhibition of photosynthesis by viral infection: effect on PSII structure and function. Physiol. Plant. 110: 286-292. Saiz‐Abajo, M. J., J. M. Gonzalez‐Saiz, and C. J. Pizarro. 2004. Near infrared spectroscopy and pattern recognition methods applied to the classification of vinegar according to raw material and elaboration process. J. Near Infrared Spectrosc. 12: 207‐219. Singh, R.P., J. Kurz, and G. Boiteau. 1996. Detection of stylet-borne and circulative potato viruses in aphids by duplex reverse transcription polymerase chain reaction. J. Virol. Methods. 59:189–196. Sirisomboon, P., Y. Hashimoto, and M. Tanaka. 2009. Study on non-destructive evaluation methods for defect pods for green soybean processing by near-infrared spectroscopy. J. Food Eng. 93:502–512. Woo, Y.A., H.J. Kim, K.R. Ze, and H. Chung. 2005. Near‐infrared (NIR) spectroscopy for the non‐destructive and fast determination of geographical origin of Angelicae gigantis Radix. J Pharm Biomed Anal. 36: 955‐959. Zhang, C., Y Shen, J. Chen, P. Xiao, and J. Bao. 2008. Nondestructive prediction of total phenolics, flavonoid contents, and antioxidant capacity of rice grain using near-infrared spectroscopy. J. Agric. Food Chem. 56:8268–8272. | ||
|
آمار تعداد مشاهده مقاله: 354 تعداد دریافت فایل اصل مقاله: 282 |
||