高光譜指數和機器學習分類器增強小麥作物鐮刀菌頭枯病檢測
小麥赤霉?。?/font>FHB）是一種常見的真菌性病害，由禾谷鐮刀菌和其他鐮刀菌物種導致。它無處不在，主要侵染穗部，嚴重影響谷物質量?，F階段基于光譜特征技術的病害監測，嚴重依賴病害侵染過程中作物生理生化參數改變所引起的光譜響應。然而，作物穗器官的生理特性隨生育時期發展，也會產生顯著差異?，F有的穗部病害光譜監測研究多基于接種后數天內，或基于單一時期的數據樣本，進行病害監測研究，不同生育時期的病害光譜響應規律是否相同、其病情嚴重度估算精度是否一致尚不明確。目前還缺乏一個機理性強的指數構建方法，使得構建的小麥赤霉病指數能夠用于侵染早期的病情估算。
南京農業大學智慧農業創新團隊以小麥赤霉病為研究對象，在南京農業大學牌樓試驗基地開連續三年展了小麥赤霉病監測試驗，利用了兩個高抗小麥品種和一個易感小麥品種，在穗部接種赤霉菌后開始持續觀測。利用我司高光譜設備（V10E近紅外高光譜成像儀）進行穗部時序拍照（圖1），并同步進行破壞性取樣測試穗子的多項生理生化指標。
圖1 病穗樣本高光譜圖像采集示意圖
研究總體技術路線如圖2所示：基于時序病害高光譜影像，利用連續小波變換進行特征選擇，包括小波特征（WF）和紋理特征（TF）；同時，還創建了赤霉病監測新型指數（WFSI和WTTI），再利用多種機器學習算法逐一將WF、TF和數據融合（DF=WFs+TFs）作為輸入進行赤霉病識別，最終確定最佳的赤霉病估測模型。
圖2. 研究總體技術路線
研究結果表明，赤霉病顯著的小波特征在可見光區域的波段為420-440nm和580-680nm、近紅外區域為850-880nm、920-940nm和980nm（圖3）。然而針對不同的病害階段，敏感小波特征有所差異，最終確定了赤霉病最佳監測小波特征為2尺度下的423、581、624、865小波系數。同時，基于灰度共生矩陣計算出這些小波特征的紋理特征，再經過任意兩兩組合，篩選出了四個赤霉病監測新型指數（WFSI1、WFSI2、WFTI1、WFTI2）。經過與傳統植被指數對比發現，新型赤霉病監測指數具有更好監測能力，病害階段1和2的三年平均分類精度（ACA）分別是80%、90%和91%（圖4）。然而，將光譜指數和紋理指數一起作為輸入，小麥赤霉病的分類精度得到了進一步提升，三年ACA分別提高到98.06%、89.67%和94.83%。對比不同的機器學習算法發現，Xgboost展現出更好的穩定性和準確性（圖5）。這項工作揭示了高光譜成像技術在小麥赤霉病早期監測上的巨大潛力，也為作物病害監測提供了較好的參考。
圖3. 2019年（a-c）和2020年（d-f）小麥赤霉病的小波系數相關標度圖
圖4. 基于植被指數和機器學習分類器的小麥赤霉病平均分類精度對比圖
圖5. 不同機器學習分類器和數據集的平均分類精度（ACA）對比圖
8
立即詢價
您提交后，專屬客服將第一時間為您服務