ارزیابی کیفی چمن با استفاده از روش نمره دهی بر اساس تصویر و روش ارزیابی ملی چمن (NTEP)

Subject Areas : Journal of Ornamental Plants

فاطمه کاظمی ¹ , محمودرضا گلزاریان ² , فاطمه نعمت الهی ³

1 - دانشیار گروه علوم باغبانی و مهندسی فضای سبز، دانشگاه فردوسی مشهد، مشهد، ایران
2 - دانشیار گروه مکانیک بیوسیستم، دانشگاه فردوسی مشهد، مشهد، ایران
3 - مدرس گروه علوم باغبانی و مهندسی فضای سبز، دانشگاه فردوسی مشهد، مشهد، ایران

Received: 2019-05-16 Accepted : 2020-03-19 Published : 2020-08-22

Keywords: چمن, ارزیابی انسانی, فاکتورهای کیفی, مدیریت فضای سبز, ارزیابی تصویری دیجیتال,

Abstract :

روش‎های کنونی ارزیابی چمن اغلب بر پایه روش­های مبتنی بر ارزیابی انسانی هستند. با این حال، حذف خطاهای ذهنی (شخصی) از چنین ارزیابی اغلب غیرممکن است. این تحقیق صحت روش‎های مبتنی بر ارزیابی انسان را در مقایسه با روش‎های مبتنی بر پردازش تصویر بررسی می‎کند. چهار کرت چمن با استفاده از دو روش ذکر شده مورد بررسی قرار گرفت. در روش مبتنی بر ارزیابی انسان، 20 ارزیاب (10 زن و 10 مرد) و در روش مبتنی بر تصویر، یک دوربین دیجیتال با منبع نور مصنوعی و کنترل شده استفاده شد. این آزمایش برای اولین بار دو فاکتورکیفی بافت چمن و تحمل به رشد علف‎های هرز را با استفاده از یک تکنیک مبتنی بر پردازش تصویر و روش رایج مبتنی بر ارزیابی انسانی بررسی کرد. علاوه بر این، پوشش‎دهی کل چمن، و رنگ و پوشش زنده چمن‎ها در دو روش اندازه‎گیری مقایسه شدند. نتایج روش ارزیابی مبتنی بر انسان نشان‎دهنده دامنه وسیع‎تر و انحرافات استاندارد بالاتر نسبت به روش پردازش تصویر بود که به نظر می‎رسد به دلیل تفاوت­های بین ارزیابی‎کنندگان انسانی و خطاهای ناشی از ذهن انسان است. نتایج همچنین بر دقت و سهولت استفاده از روش مبتنی بر پردازش تصویر تأکید کرد. این نتیجه می‎تواند کاربردهایی برای توسعه یک سیستم مکانیزه برای ارزیابی کیفیت چمن در سراسر جهان داشته باشد.

References:

Abramov, I., Gordon, J., Feldman, O. and Chavarga, A. 2012. Sex and vision II: Color appearance of monochromatic lights. Biology of Sex Differences, 3: 21. https://doi.org/10.1186/2042-6410-3-21.

Allred, S.R. and Olkkonen, M. 2013. The effect of background and illumination on color identification of real, 3D objects. Frontiers in Psychology, 4: 821. http://dx.doi.org/10.3389/fpsyg.2013.00821.

Bell, G.E., Martin, D.L., Koh, K. and Han, H.R. 2009. Comparison of turfgrass visual quality ratings with ratings determined using a handheld optical sensor. Hort Technology, 19 (2): 309-316.

Bianco, S., Cusano, C. and Schettini, R. 2015. Color constancy using CNNs. 2015 IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). DOI: 10.1109/CVPRW.2015.7301275

Bueren, S.K., Burkart, A., Hueni, A., Rascher, U., Tuohy, M.P. and Yule, I.J. 2015. Deploying four optical UAV-based sensors over grassland: Challenges and limitations. Biogeosciences, 12: 163-175.

Casadesús, J., Biel, C. and Savé, R. 2005. Turf color measurement with conventional digital cameras. EFITA/WCCA Joint Congress on it in Agriculture, 25-28 July 2005, Vila Real, Portugal, 804-811. 

Crusiol, L.G.T., Nanni, M.R., Furnaletto, R.H., Sibaldelli, R.N.R., Cezar, E. and Metz-Henning, L.M. 2019. UAV-based thermal imaging in the assessment of water status of soybean plants. International Journal of Remote Sensing. DOI: https: //doi.org/10.1080/01431161.2019.1673914.

Fu, J., Fry, J. and Huang, B. 2004. Minimum water requirements of four turfgrasses in the transition zone. HortScience, 39 (7): 1740-1744.

Hoyle, J.A., Yelverton, F.H. and Gannon, T.W. 2013. Evaluating multiple rating methods utilized in turfgrass weed science. Weed Technology, 27 (2): 362-368.

Jayasinghe, C., Badenhorst, P., Wang, J., Jacobs, J., Spangenberg, G. and Smith, K. 2019. An object-based image analysis approach to assess persistence of perennial ryegrass (Lolium perenne L.) in pasture breeding. Agronomy, 9 (501): 1-11.

Karcher, D.E. and Richardson, M.D. 2003. Quantifying turfgrass color using digital image analysis. Crop Science, 43: 943- 951.

Karcher, D.E. and Richardson, M.D. 2003. Quantifying turfgrass color using digital image analysis. Crop Science, 43: 943- 951.

Keskin, M., Han, Y.J., Dodd, R.B. and Khalilian, A. 2008. Reflectance-based sensor to predict visual quality ratings of turfgrass plots. Applied Engineering in Agriculture, 24 (6): 855-860.

Krans, J.V. and Morris, K. 2007. Determining a profile of protocols and standards used in the visual field assessment of turfgrasses: A Survey of National Turfgrass Evaluation Program-sponsored University Scientists. Applied Turfgrass Science. doi: 10.1094/ATS-2007-1130-01-TT.

Landschoot, P.J. and Mancino, C.F. 2000. A comparison of visual vs. instrumental measurement of color differences in bent grass turf. Hort Science, 35 (5): 914-916.

Leinauer, B., Van Leeuwen, D.M., Serena, M., Schiavon, M. and Sevostianova, E. 2014. Digital image analysis and spectral reflectance to determine turfgrass quality. Agronomy Journal, 106 (5): 1787-1794.

Lock, R., Rademacher, I., Nonn, H. and Kühbauch, W. 2004. Land use systems in grassland dominated regions. Proceedings of the 20^th General Meeting of the European Grassland Federation, Luzern, Switzerland, 21-24 June.

Mintenko, A.S., Smith, S.R. and Cattani, D.J. 2002. Turfgrass evaluation of native grasses for the Northern Great Plains Region. Crop Science, 42: 2018–2024.

Morris, K.N. and Shearman, R.C. 2000. The national turfgrass evaluation program: Assessing new and improved turfgrasses. Diversity-Arlington Then Washington, 16(1/2): 19-21.

Nazemi Rafi, Z., Kazemi, F. and Tehranifar, A. 2020. Public preferences toward water-wise landscape design in a summer season. Urban Forestry and Urban Greening, 48. DOI: 10.1016/j.ufug.2019.126563.

Rodriguez, I.R. and Miller, G.L. 2000. Using a chlorophyll meter to determine the chlorophyll concentration, nitrogen concentration, and visual quality of St. Augustine grass. Hort Science, 35(4): 751-754.

Russ, J.C. 2016. The image processing handbook. CRC press.

Santesteban, L.G., Di Gennaro, S.F., Herrero-Langreo, A., Miranda, C., Royo, J.B. and Matese, A. 2017. High-resolution UAV-based thermal imaging to estimate the instantaneous and seasonal variability of plant water status within a vineyard. Agricultural Water Management, 183 (31): 49-59.

Swanson, W.H. and Cohen, J.M. 2003. Color vision. Ophthalmology Clinics, 16(2): 179-203.

Watkins, E., Fei, S., Gardner, D., Stier, J., Bughrara, S., Li, D., Bigelow, C., Schleicher, L., Horgan, B. and Diesburg K. 2011. Low-input turfgrass species for the North central United States. Applied Turfgrass Science. doi: 10.1094/ATS-2011-0126-02-RS.

Zhang, C., Pinnix, G.D., Zhang, Z., Miller, G.L. and Rufty, T.W. 2017. Evaluation of key methodology for digital image analysis of turfgrass color using open-source software. Crop Science, 57: 550–558.