高光譜指數(shù)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。現(xiàn)階段基于光譜特征技術的病害監(jiān)測，嚴重依賴病害侵染過程中作物生理生化參數(shù)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(fā)展，也會產生顯著差異。現(xiàn)有的穗部病害光譜監(jiān)測研究多基于接種后數(shù)天內，或基于單一時期的數(shù)據(jù)樣本，進行病害監(jiān)測研究，不同生育時期的病害光譜響應規(guī)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(shù)構建方法，使得構建的小麥赤霉病指數(shù)能夠用于侵染早期的病情估算。

南京農業(yè)大學智慧農業(yè)創(chuàng)新團隊以小麥赤霉病為研究對象，在南京農業(yè)大學牌樓試驗基地開連續(xù)三年展了小麥赤霉病監(jiān)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(xù)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(xù)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(chuàng)建了赤霉病監(jiān)測新型指數(shù)（WFSI和WTTI），再利用多種機器學習算法逐一將WF、TF和數(shù)據(jù)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(qū)域的波段為420-440nm和580-680nm、近紅外區(qū)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(jiān)測小波特征為2尺度下的423、581、624、865小波系數(shù)。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(jīng)過任意兩兩組合，篩選出了四個赤霉病監(jiān)測新型指數(shù)（WFSI₁、WFSI₂、WFTI₁、WFTI₂）。經(jīng)過與傳統(tǒng)植被指數(shù)對比發(fā)現(xiàn)，新型赤霉病監(jiān)測指數(shù)具有更好監(jiān)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(shù)和紋理指數(shù)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(fā)現(xiàn)，Xgboost展現(xiàn)出更好的穩(wěn)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(jiān)測上的巨大潛力，也為作物病害監(jiān)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(shù)相關標度圖

 圖4. 基于植被指數(shù)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(shù)據(jù)集的平均分類精度（ACA）對比圖