Giám sát sâu hại là một phần quan trọng của quản lý cây trồng, đặc biệt khi nhu cầu theo dõi nhanh trên diện rộng ngày càng tăng. Cách nhận diện bằng quan sát trực tiếp và đặc điểm hình thái vẫn hữu ích, nhưng có thể tốn thời gian, phụ thuộc vào kinh nghiệm và khó đáp ứng yêu cầu giám sát liên tục. Trong bối cảnh đó, Camera đa phổ kết hợp thuật toán học máy là một hướng tiếp cận đáng chú ý cho nhận diện sâu hại tự động.
Một nghiên cứu về sâu hại trên ruộng lúa mì đã sử dụng camera siêu phổ FigSpec FS-13 để thu thập dữ liệu quang phổ và xây dựng mô hình phân loại cho 12 nhóm sâu hại chính. Kết quả nghiên cứu cung cấp một ví dụ về cách dữ liệu ảnh siêu phổ có thể hỗ trợ phân tích khác biệt giữa các loài côn trùng, từ đó phục vụ công tác nghiên cứu và giám sát trong nông nghiệp.
Camera đa phổ hỗ trợ nhận diện sâu hại như thế nào?
Khác với ảnh RGB thông thường chủ yếu thể hiện thông tin màu sắc và hình dạng, ảnh siêu phổ ghi nhận nhiều dải phổ hẹp liên tục. Trong nghiên cứu này, dữ liệu được thu trong vùng khả kiến đến cận hồng ngoại, thường được mô tả ở khoảng 400–1000 nm. Mỗi điểm ảnh có thể tạo thành một đường cong phản xạ quang phổ, bổ sung thông tin ngoài đặc điểm không gian nhìn thấy được.
Đối với côn trùng, sắc tố bề mặt, cấu trúc kitin, độ trong của cánh, độ nhám bề mặt và đặc điểm lớp vỏ có thể liên quan đến phản xạ quang phổ khác nhau. Những khác biệt này tạo cơ sở để phân tích các “dấu vân tay” quang phổ. Nhờ vậy, hệ thống có thể hỗ trợ phân biệt các đối tượng có hình thái gần giống nhau, thay vì chỉ dựa vào ảnh màu.
Các yếu tố tạo khác biệt trong phổ phản xạ
Nghiên cứu cho thấy đường cong phản xạ của các loài sâu hại có sự khác biệt trong vùng khả kiến và cận hồng ngoại. Các yếu tố được nêu gồm:
Sắc tố bề mặt: côn trùng có màu sáng hoặc màu vàng-xanh thường có mức phản xạ cao hơn các loài có màu sẫm hoặc đen.
Cấu trúc cánh: Côn trùng có màu sáng hoặc màu vàng-xanh thường có mức phản xạ cao hơn các loài có màu sẫm hoặc đen.
Độ nhám bề mặt: Cánh cứng nhẵn có thể phản xạ khác với bề mặt thô hoặc có nhiều lông.Đặc điểm kitin: Các dạng cấu trúc kitin khác nhau có thể ảnh hưởng đến đặc tính hấp thụ quang phổ.
Ví dụ được báo cáo trong nghiên cứu là Trigonotylus ruficornis có phản xạ cao do màu cơ thể vàng-xanh nhạt, trong khi Chaetocnema aridula có phản xạ thấp hơn do màu cơ thể đen sẫm. Điều này minh họa rằng dữ liệu quang phổ có thể phản ánh sự kết hợp giữa màu sắc, cấu trúc và vật liệu bề mặt của côn trùng.
Vai trò của PCA và mô hình PLS-DA
Để xử lý lượng dữ liệu phổ lớn, nhóm nghiên cứu sử dụng phân tích thành phần chính PCA. Hai thành phần chính đầu tiên được báo cáo có thể giải thích hơn 80% biến thiên quang phổ. Trong đó, PC1 chủ yếu liên quan đến khác biệt về độ sáng tổng thể, còn PC2 liên quan đến các thay đổi tinh tế hơn về cấu trúc bề mặt và sắc tố.
Trên cơ sở dữ liệu từ FigSpec FS-13, mô hình PLS-DA được xây dựng để phân loại 12 nhóm sâu hại. Việc đánh giá mô hình dựa trên các chỉ số R², Q² và RMSEC. Theo kết quả được nêu, các loài có kích thước lớn và màu sắc rõ nét đạt mức nhận diện khoảng 90%; những loài nhỏ, sẫm màu như bọ nhảy hoặc bọ trĩ có kết quả thấp hơn. Tuy vậy, mô hình vẫn cho thấy khả năng phân biệt các nhóm sâu hại trong phạm vi nghiên cứu.
Ý nghĩa đối với giám sát nông nghiệp
Nghiên cứu này cho thấy tiềm năng của camera siêu phổ trong phân tích đặc trưng quang phổ và phân loại sâu hại bằng học máy. Đây là dữ liệu tham khảo hữu ích cho các hướng ứng dụng như giám sát dịch hại cây trồng, nghiên cứu bảo vệ thực vật và phát triển quy trình nông nghiệp chính xác.
Để triển khai thực tế, cần xem xét điều kiện thu ảnh, đặc điểm từng đối tượng, quy trình xây dựng dữ liệu và cách đánh giá mô hình. Ảnh siêu phổ không thay thế hoàn toàn chuyên môn nhận diện hiện trường, nhưng có thể bổ sung một lớp dữ liệu định lượng cho hoạt động theo dõi và phân tích sâu hại.
