Detection, identification, and quantification of fungal diseases of sugar beet leaves using imaging and non-imaging hyperspectral techniques

Abstract

Plant diseases influence the optical properties of plants in different ways. Depending on the host pathogen system and disease specific symptoms, different regions of the reflectance spectrum are affected, resulting in specific spectral signatures of diseased plants. The aim of this study was to examine the potential of hyperspectral imaging and non-imaging sensor systems for the detection, differentiation, and quantification of plant diseases. Reflectance spectra of sugar beet leaves infected with the fungal pathogens Cercospora beticola, Erysiphe betae, and Uromyces betae causing Cercospora leaf spot, powdery mildew, and sugar beet rust, respectively, were recorded repeatedly during pathogenesis. Hyperspectral data were analyzed using various methods of data and image analysis and were compared to ground truth data. Several approaches with different sensors on the measuring scales leaf, canopy, and field have been tested and compared. Much attention was paid on the effect of spectral, spatial, and temporal resolution of hyperspectral sensors on disease recording. Another focus of this study was the description of spectral characteristics of disease specific symptoms. Therefore, different data analysis methods have been applied to gain a maximum of information from spectral signatures. Spectral reflectance of sugar beet was affected by each disease in a characteristic way, resulting in disease specific signatures. Reflectance differences, sensitivity, and best correlating spectral bands differed depending on the disease and the developmental stage of the diseases. Compared to non-imaging sensors, the hyperspectral imaging sensor gave extra information related to spatial resolution. The preciseness in detecting pixel-wise spatial and temporal differences was on a high level. Besides characterization of diseased leaves also the assessment of pure disease endmembers as well as of different regions of typical symptoms was realized. Spectral vegetation indices (SVIs) related to physiological parameters were calculated and correlated to the severity of diseases. The SVIs differed in their sensitivity to the different diseases. Combining the information from multiple SVIs in an automatic classification method with Support Vector Machines, high sensitivity and specificity for the detection and differentiation of diseased leaves was reached in an early stage. In addition to the detection and identification, the quantification of diseases was possible with high accuracy by SVIs and Spectral Angle Mapper classification, calculated from hyperspectral images. Knowledge from measurements under controlled condition was carried over to the field scale. Early detection and monitoring of Cercospora leaf spot and powdery mildew was facilitated. The results of this study contribute to a better understanding of plant optical properties during disease development. Methods will further be applicable in precision crop protection, to realize the detection, differentiation, and quantification of plant diseases in early stages.

<strong>Nachweis, Identifizierung und Quantifizierung pilzlicher Blattkrankheiten der Zuckerrübe mit abbildenden und nicht-abbildenden hyperspektralen Sensoren</strong><br /> Pflanzenkrankheiten wirken sich auf die optischen Eigenschaften von Pflanzen in unterschiedlicher Weise aus. Verschiedene Bereiche des Reflektionsspektrums werden in Abhängigkeit von Wirt-Pathogen System und krankheitsspezifischen Symptomen beeinflusst. Hyperspektrale, nicht-invasive Sensoren bieten die Möglichkeit, optische Veränderungen zu einem frühen Zeitpunkt der Krankheitsentwicklung zu detektieren. Ziel dieser Arbeit war es, das Potential hyperspektraler abbildender und nicht abbildender Sensoren für die Erkennung, Identifizierung und Quantifizierung von Pflanzenkrankheiten zu beurteilen. Zuckerrübenblätter wurden mit den pilzlichen Erregern Cercospora beticola, Erysiphe betae bzw. Uromyces betae inokuliert und die Auswirkungen der Entwicklung von Cercospora Blattflecken, Echtem Mehltau bzw. Rübenrost auf die Reflektionseigenschaften erfasst und mit optischen Bonituren verglichen. Auf den Skalenebenen Blatt, Bestand und Feld wurden Messansätze mit unterschiedlichen Sensoren verglichen. Besonders berücksichtigt wurden hierbei Anforderungen an die spektrale, räumliche und zeitliche Auflösung der Sensoren. Ein weiterer Schwerpunkt lag auf der Beschreibung der spektralen Eigenschaften von charakteristischen Symptomen. Verschiedene Auswerteverfahren wurden mit dem Ziel angewendet, einen maximalen Informationsgehalt aus spektralen Signaturen zu gewinnen.<br /> Jede Krankheit beeinflusste die spektrale Reflektion von Zuckerrübenblättern auf charakteristische Weise. Differenz der Reflektion, Sensitivität sowie Korrelation der spektralen Bänder zur Befallsstärke variierten in Abhängigkeit von den Krankheiten. Eine höhere Präzision durch die pixelweise Erfassung räumlicher und zeitlicher Unterschiede von befallenem und gesundem Gewebe konnte durch abbildende Sensoren erreicht werden. Spektrale Vegetationsindizes (SVIs), mit Bezug zu pflanzenphysiologischen Parametern wurden aus den Hyperspektraldaten errechnet und mit der Befallsstärke korreliert. Die SVIs unterschieden sich in ihrer Sensitivität gegenüber den drei Krankheiten. Durch den Einsatz von maschinellem Lernen wurde die kombinierte Information der errechneten Vegetationsindizes für eine automatische Klassifizierung genutzt. Eine hohe Sensitivität sowie eine hohe Spezifität bezüglich der Erkennung und Differenzierung von Krankheiten wurden erreicht. Eine Quantifizierung der Krankheiten war neben der Detektion und Identifizierung mittels SVIs bzw. Klassifizierung mit Spektral Angle Mapper an hyperspektralen Bilddaten möglich. <br /> Die Ergebnisse dieser Arbeit tragen zu einem besseren Verständnis der optischen Eigenschaften von Pflanzen unter Pathogeneinfluss bei. Die untersuchten Methoden bieten die Möglichkeit in Anwendungen des Präzisionspflanzenschutzes implementiert zu werden, um eine frühzeitige Erkennung, Differenzierung und Quantifizierung von Pflanzenkrankheiten zu ermöglichen.