Welcome to Smart Agriculture 中文
Special Issue--Agricultural Information Perception and Models

Identification and Severity Classification of Typical Maize Foliar Diseases Based on Hyperspectral Data

  • SHEN Yanyan 1, 6, 7 ,
  • ZHAO Yutao , 1 ,
  • CHEN Gengshen 2, 3 ,
  • LYU Zhengang 1 ,
  • ZHAO Feng 4 ,
  • YANG Wanneng 2 ,
  • MENG Ran , 5, 6, 7
Expand
  • 1. College of Resources and Environment, Huazhong Agricultural University, Wuhan 430070, China
  • 2. National Key Laboratory of Crop Genetic Improvement, Huazhong Agricultural University, Wuhan 430070, China
  • 3. Xiangyang Academy of Agricultural Sciences, Xiangyang 441000, China
  • 4. College of Urban and Environmental Sciences/Key Laboratory of Geographical Process Analysis & Simulation of Hubei Province, Central China Normal University, Wuhan 430079, China
  • 5. School of Computer Science and Technology, Harbin Institute of Technology, Harbin 150000, China
  • 6. National Key Laboratory of Smart Farm Technologies and Systems, Harbin 150000, China
  • 7. Harbin Institute of Technology Research Institute for Artificial Intelligence Inc. , Harbin 150000, China
MENG Ran, E-mail:

SHEN Yanyan, E-mail:

ZHAO Yutao, E-mail:

Received date: 2023-10-23

  Online published: 2024-05-16

Supported by

Key Research and Development Plan of Heilongjiang Province(2022ZX01A25;JD2023GJ01)

Copyright

copyright©2024 by the authors

Abstract

[Objective] In recent years, there has been a significant increase in the severity of leaf diseases in maize, with a noticeable trend of mixed occurrence. This poses a serious threat to the yield and quality of maize. However, there is a lack of studies that combine the identification of different types of leaf diseases and their severity classification, which cannot meet the needs of disease prevention and control under the mixed occurrence of different diseases and different severities in actual maize fields. [Methods] A method was proposed for identifying the types of typical leaf diseases in maize and classifying their severity using hyperspectral technology. Hyperspectral data of three leaf diseases of maize: northern corn leaf blight (NCLB), southern corn leaf blight (SCLB) and southern corn rust (SCR), were obtained through greenhouse pathogen inoculation and natural inoculation. The spectral data were preprocessed by spectral standardization, SG filtering, sensitive band extraction and vegetation index calculation, to explore the spectral characteristics of the three leaf diseases of maize. Then, the inverse frequency weighting method was utilized to balance the number of samples to reduce the overfitting phenomenon caused by sample imbalance. Relief-F and variable selection using random forests (VSURF) method were employed to optimize the sensitive spectral features, including band features and vegetation index features, to construct models for disease type identification based on the full stages of disease development (including all disease severities) and for individual disease severities using several representative machine learning approaches, demonstrating the effectiveness of the research method. Furthermore, the study individual occurrence severity classification models were also constructed for each single maize leaf disease, including the NCLB, SCLB and SCR severity classification models, respectively, aiming to achieve full-process recognition and disease severity classification for different leaf diseases. Overall accuracy (OA) and Macro F1 were used to evaluate the model accuracy in this study. Results and Discussion The research results showed significant spectrum changes of three kinds of maize leaf diseases primarily focusing on the visible (550-680 nm), red edge (740-760 nm), near-infrared (760-1 000 nm) and shortwave infrared (1 300-1 800 nm) bands. Disease-specific spectral features, optimized based on disease spectral response rules, effectively identified disease species and classify their severity. Moreover, vegetation index features were more effective in identifying disease-specific information than sensitive band features. This was primarily due to the noise and information redundancy present in the selected hyperspectral sensitive bands, whereas vegetation index could reduce the influence of background and atmospheric noise to a certain extent by integrating relevant spectral signals through band calculation, so as to achieve higher precision in the model. Among several machine learning algorithms, the support vector machine (SVM) method exhibited better robustness than random forest (RF) and decision tree (DT). In the full stage of disease development, the optimal overall accuracy (OA) of the disease classification model constructed by SVM based on vegetation index reached 77.51%, with a Macro F1 of 0.77, representing a 28.75% increase in OA and 0.30 higher of Macro F1 compared to the model based on sensitive bands. Additionally, the accuracy of the disease classification model with a single severity of the disease increased with the severity of the disease. The accuracy of disease classification during the early stage of disease development (OA=70.31%) closely approached that of the full disease development stage (OA=77.51%). Subsequently, in the moderate disease severity stage, the optimal accuracy of disease classification (OA=80.00%) surpassed the optimal accuracy of disease classification in the full disease development stage. Furthermore, the optimal accuracy of disease classification under severe severity reached 95.06%, with a Macro F1 of 0.94. This heightened accuracy during the severity stage can be attributed to significant changes in pigment content, water content and cell structure of the diseased leaves, intensifying the spectral response of each disease and enhancing the differentiation between different diseases. In disease severity classification model, the optimal accuracy of the three models for maize leaf disease severity all exceeded 70%. Among the three kinds of disease severity classification results, the NCLB severity classification model exhibited the best performance. The NCLB severity classification model, utilizing SVM based on the optimal vegetation index features, achieved an OA of 86.25%, with a Macro F1 of 0.85. In comparison, the accuracy of the SCLB severity classification model (OA=70.35%, Macro F1=0.70) and SCR severity classification model (OA=71.39%, Macro F1=0.69) were lower than that of NCLB. [Conclusions] The aforementioned results demonstrate the potential to effectively identify and classify the types and severity of common leaf diseases in maize using hyperspectral data. This lays the groundwork for research and provides a theoretical basis for large-scale crop disease monitoring, contributing to precision prevention and control as well as promoting green agriculture.

Cite this article

SHEN Yanyan , ZHAO Yutao , CHEN Gengshen , LYU Zhengang , ZHAO Feng , YANG Wanneng , MENG Ran . Identification and Severity Classification of Typical Maize Foliar Diseases Based on Hyperspectral Data[J]. Smart Agriculture, 2024 , 6(2) : 28 -39 . DOI: 10.12133/j.smartag.SA202310016

0 引 言

作物病虫害是降低农产品产量和质量的主要原因之一,严重影响国家粮食安全1。玉米作为主要粮食作物之一,近年来,随着种植面积的扩大和全球性气候变暖的加剧,病害呈现逐渐加重的趋势,成为威胁玉米产量和品质的重要因素2。玉米大斑病、小斑病和南方锈病被称为玉米三大病害,在中国玉米产区的爆发具有同时性,对玉米产量造成重大影响。目前,对于作物病害的防治方法主要为喷洒杀菌剂。然而,多数情况下由于缺乏病害类型、发病程度的信息,容易造成杀菌剂的错施、多施。不仅无法有效阻止病害的传播,还会造成土壤和地下水的污染3,因此对作物病害类型和发病程度进行精准识别至关重要。
目前,传统田间病害调查方法有赖植保专家参与,需要具备丰富的专家先验知识,虽然真实性较高,但是存在主观性强、效率低和时间滞后性等劣势4,不能快速有效获取大面积的病害发生种类、烈度等信息,无法满足目前植保防治需求。遥感技术可通过多维度、高精度、大范围的影像分析,捕捉作物生长在时间及空间上的变化,在作物长势、生物量、产量和病害监测等方面呈现巨大潜力5, 6。特别地,高光谱技术在捕捉细微特征信息方面具有独特的优势,对病害引起的作物表型变化具有较强的敏感性,能够通过分析作物不同病害的光谱特征获取病害特异性信息,为实现作物病害种类识别和病害烈度分类提供关键数据支撑7, 8
近年来,随着人工智能等技术的不断发展,基于高光谱技术的作物病害识别成果显著。在病害识别方法上,基于统计和机器学习算法构建经验模型是研究学者们常用的方法。他们利用方差分析、相关分析和回归分析等方法研究病害与光谱特征之间的关系9-11,为构建病害识别模型筛选敏感特征。进一步地,通过支持向量机、随机森林和K最近邻等机器学习算法不断训练优化模型11-13,实现作物病害高精度识别。例如,Naidu等14基于高光谱数据利用方差分析方法筛选敏感特征,并通过判别分类器实现葡萄卷叶病识别,识别精度达81%。在作物病害识别对象上,考虑实际场景中作物病害的混发现象,研究从冬小麦条锈病15、茶树炭疽病16等作物单一病害识别发展到小麦条锈病和白粉病9、茶树茶小绿叶蝉和炭疽病13等作物多种病害识别,并取得不错的识别精度。Shi等9基于高光谱数据通过相关分析方法筛选敏感光谱特征,并基于核判别分析方法实现小麦条锈病、蚜虫和白粉病识别,最优精度达到89.2%。研究表明,在作物多种病害混发造成的光谱复杂性情况下,基于高光谱技术仍能较好地实现多种病害识别。但目前针对玉米叶部多种病害的识别研究有限,不同作物的病害光谱具有特异性,应进一步检验现阶段病害识别方法在区分玉米叶部多种病害上的能力。此外,现有研究在病害种类识别基础上未进一步获取病害烈度信息,对于农业防控决策而言,实现作物病害烈度的准确分类对指导田间精确施药等作业管理具有重要意义,可进一步把控防治过程中的施药剂量,实现绿色农业目标。
高光谱遥感技术具有丰富的波段信息,能够捕捉病害不同发生程度下的复杂且细微的信号变化。该优势为实现作物病害烈度分类提供了可能。Ren等11基于高光谱数据结合病情指数,通过多种机器学习方法对小麦条锈病构建病情程度反演模型,最优模型精度R2 达0.867。Meng等1利用病害敏感波段建立了玉米南方锈病的光谱病害指标,实现玉米南方锈病轻度、中度和重度3个等级的烈度分类。此外,研究者们基于高光谱数据挖掘病害处于不同程度时的光谱变化信息,通过筛选敏感光谱特征或构建特定病情指数,在小麦条锈病17、棉花黄萎病18和水稻稻瘟病12等作物病害烈度分类中取得了不错的效果。但目前多数研究基于特定病情指数构建病害烈度分类模型,不利于方法的普适性。此外,鲜有研究将病害种类识别及其烈度分类相结合,未能满足实际场景中作物不同病害和不同烈度混发情形下的病害监测需求,难以辅助实现精准决策与绿色防控。
因此,为满足实际植保防控决策中将作物病害种类及其烈度结合分析的需求,本研究以玉米叶部多种病害及其不同烈度混发下的玉米叶片为研究对象,主要研究:1)玉米叶片在大斑病、小斑病和南方锈病3种叶部病害发生及其不同烈度下的特异性光谱和细微信号变化;2)基于优选光谱特征的病害发展全阶段(包含病害所有烈度)和病害单一烈度下的玉米叶部病害种类识别模型构建;3)基于优选光谱特征的单一玉米叶部病害的发生烈度分类模型构建。

1 研究对象和方法

1.1 研究对象

在玉米苗期温室接种玉米大斑病和小斑病的病原菌,采集两种玉米病害的高光谱反射率数据。首先在种子萌发阶段,将玉米种子放置铺有湿润的滤纸培养皿上,并放置于室温下萌发;通过定期喷水保持湿度,待玉米种子萌发后移植到装有灭菌土的塑料培养盒中,并将其放置于25~30 ℃的温室环境中;待玉米植株生长至四叶期,将材料平分,一盒为对照组;另一盒为实验组。对实验组接种浓度为2.5×105个/mL的孢子悬浮液,然后将实验组放置于相对湿度大于95%的塑料棚内连续加湿3个晚上,温室环境温度保持在25~30 ℃;对照组不采取病原菌接种和加湿处理,放置于相同环境的温室环境中生长。实验设计示意图如图1所示。
图1 玉米大斑病和小斑病温室接种实验设计示意图

Fig. 1 Schematic diagram of greenhouse inoculation experiment design for NCLB and SCLB

采用自然接种方式研究玉米南方锈病侵染和发病过程。2019年11月将数十个玉米品种播种于海南省三亚市的华中农业大学南繁基地。2020年1月初玉米材料散粉,1月中下旬田间开始发生玉米南方锈病。整个玉米植株生长过程中除虫害防治之外,没有喷洒防治玉米病害的农药。图2图3分别展示了发生不同病害和不同病害烈度下的玉米叶片RGB图片。
图2 不同病害种类的玉米叶片照片

Fig. 2 Photos of maize leaves with different types of diseases

图3 病害不同烈度的玉米叶片照片

Fig. 3 Photos of maize leaves of disease under different severity levels

1.2 研究方法

本研究基于高光谱数据挖掘病害特异性信号,并提取有效光谱特征实现玉米叶部不同病害识别及其烈度分类,主要通过以下5个步骤实现。第1步,分别采集玉米大斑病、小斑病和南方锈病健康和受感染叶片的非成像高光谱数据和RGB照片,同时记录其感染烈度;第2步,对光谱数据进行预处理,包括光谱标准化、SG滤波、敏感波段提取和植被指数计算等操作;第3步,使用逆频率加权法平衡样本数量,以减轻样本不均衡带来的模型过拟合现象;第4步,利用Relief-F和基于随机森林的变量选择方法(Variable Selection Using Random Forests, VSURF)优选光谱特征,用于建立病害种类识别模型和病害烈度分类模型;第5步,使用多种经典机器学习算法评估敏感光谱特征在作物病害种类识别和病害烈度分类中的效果,并使用总体精度(Overall Accuracy, OA)和Macro F 1评价模型精度。具体研究技术路线见图4
图4 基于高光谱技术的病害识别和烈度分类研究技术流程图

Fig. 4 Flowchart of the disease identification and disease severity classification based on hyperspectral technology

本研究的病害种类识别研究包含两个模型:一个是基于病害发展全阶段病害种类识别模型,主要检验在不同病害及不同烈度混发情况下本研究方法的有效性。采用的数据为本研究中的所有采集样本,包括健康叶片及3种病害在轻度、中度和重度的样本数据,共177条。另一个是基于病害发生程度处于某一个阶段下(轻度烈度、中度烈度和重度烈度)的病害种类识别模型,主要检验本研究方法在不同病害处于同一烈度时的识别效果。其中,病害处于轻度烈度下的病害种类识别模型采用的数据是所有健康样本和3种病害的轻度染病样本,共97条;病害处于中度烈度和重度烈度下的两个模型数据分别为健康和中度样本(85条)、健康和重度样本(83条)。进一步地,本研究针对单一玉米叶部病害构建病害烈度分类模型,检验本研究提出的方法在病害烈度分类中的应用潜力。采用的数据为同种病害的不同发生程度样本数据。

1.2.1 光谱标准化

使用Spectral Evolution公司生产的PSR-3500便携式地物光谱仪进行叶片光谱数据采集,其光谱范围为350~2 500 nm。通过地物光谱仪外接的叶片夹收集样本高光谱数据,基于三点取样法选择调查点,即在每个叶片的上、中、下部随机测量各2条光谱,保证测量结果的可靠性。表1为本研究针对玉米大斑病、小斑病和南方锈病3种叶部病害采集的健康叶片及发生病害不同烈度的样本数量。共采集177条样本数据,其中健康样本44条,轻度染病样本53条,中度染病样本41条,重度染病样本39条。
表1 玉米叶片处于不同病害及其发生烈度的样本数量 (条)

Table 1 Number of samples of maize leaves under different diseases and their occurrence severity

病害种类 健康 轻度 中度 重度 总计
大斑病 14 17 11 12 54
小斑病 15 20 19 18 72
南方锈病 15 16 11 9 51
总计 44 53 41 39 177
为减弱玉米大斑病、小斑病和南方锈病叶片光谱数据测量时间、品种、生育期等差异造成的影响,需要对光谱数据进行标准化处理19。首先,计算两组健康叶片光谱反射率均值的比值曲线(以南方锈病和小斑病为例),如公式(1)所示。
R a t i o i = R ¯ ( S C R ) i R ¯ ( S C L B ) i
式中:Ratio为两组健康叶片光谱反射率均值的比值; R ¯ ( S C R )为实测南方锈病叶片健康样本的反射率平均值; R ¯ ( S C L B )为实测小斑病叶片健康样本的反射率平均值;i为高光谱波长。
将小斑病样本光谱的原始数据与该比值曲线相乘,包括健康和染病样本,即得到标准化后的小斑病光谱数据,如公式(2)所示。
R ( S C L B ) i * = R ( S C L B ) i × R a t i o i
式中: R ( S C L B ) i为实际测得的小斑病在波段 i处的反射率; R ( S C L B ) i *为标准化后的反射率。

1.2.2 植被指数

不同于原始光谱,植被指数可以有效综合相关光谱信号,凸显观测目标的光谱特征。例如,在增强植被信息的同时将非植被信息最小化,降低背景和大气等噪声的影响2。而作物在遭受生物胁迫(如病虫害)后,其生物化学参数往往发生很大的变化。本研究选取与光合作用、色素、水分含量等对作物生长和作物病害敏感的植被指数作为模型构建的备选特征,如表2所示。
表2 玉米叶部病害高光谱识别及烈度分类研究的植被指数备选集

Table 2 Vegetation index candidate set for hyperspectral identification and severity classification of maize leaf diseases

植被指数 计算公式
归一化植被指数(Normalized Difference Vegetation Index, NDVI)20 N D V I = R 800 - R 670 / R 800 + R 670 (3)
结构无关色素指数(Structure Insensitive Pigment Index, SIPI)21 S I P I = R 800 - R 445 / R 800 - R 680 (4)
绿度指数(Green Index, GI)22 G I = R 677 / R 554
损伤敏感光谱指数2(Damage Sensitive Spectral Index 2, DSSI2)23 D S S I 2 = R 747 - R 901 - R 537 - R 572 / R 747 - R 901 + R 537 - R 572 (5)
归一化色素叶绿素指数(Normalized Pigment Chlorophyll Index, NPCI)24 N P C I = ( R 680 - R 430 ) / ( R 680 + R 430 )   (6)
改正型叶绿素吸收比值指数(Transformed Chlorophyll Absorption in Reflectance Index, TCARI)25 T C A R I = 3 × [ ( R 700 - R 670 ) - 0.2 × ( R 700 - R 550 ) × ( R 700 / R 670 ) ] (7)
红边植被胁迫指数(Red edge Vegetation Stress Index, RVSI)26 R V S I = [ ( R 712 + R 752 ) / 2 ] - R 732 (8)
比值指数(Datt5)27 D a t t 5 = R 672 / R 550 (9)
比值指数4(Simple Ratio Index 4, SR4)28 S R 4 = R 700 / R 670 (10)
梅里斯陆地叶绿素指数(MERIS Terrestrial Chlorophyll Index, MTCI)29 M T C I = ( R 754 - R 709 ) / ( R 709 - R 681 )   (11)
光化学植被指数(Photochemical Reflectance Index, PRI)30 P R I = ( R 531 - R 570 ) / ( R 531 + R 570 ) (12)
衰老反射指数(Senescence Reflectance Index, SRI)31 S R I = R 515 / R 550 (13)
水分指数(Water Index, WI)32 W I = R 900 / R 970 (14)
归一化水分指数(Normalized Difference Water Index, NDWI)33 N D W I = R 860 - R 1   240 / R 860 + R 1   240 (15)
疾病水分胁迫指数2(Disease Water Stress Index, DWSI2)34 D W S I 2 = R 1   660 / R 550 (16)
水分胁迫指数(Water Stress Index, WSI)35 M S I = R 1   600 / R 817 (17)
健康指数(Health Index, HI)1 H I = R 1   445 - R 572 / R 1   445 + R 572 + 0.2 × R 766 (18)
烈度指数(Severity Index, SI)1 S I = R 575 - R 1   670 / R 575 + R 1   670 - R 640 (19)
R 730R 706一阶导数比值(D 730/D 70636 D 730 / D 706 = D 730 / D 706 (20)
R 715R 705一阶导数比值(D 715/D 70537 D 715 / D 705 = D 715 / D 705 (21)
红边和绿光反射率一阶导数最大值比值(Ratio Between the Maxima of the First Derivatives of Reflectances at the Red Edge and Green regions, EGFR)24 E G F R = m a x ( D 650 : 750 ) / m a x   ( D 500 : 550 ) (22)
红边和绿光反射率一阶导数最大值的归一化比值(Normalized Ratio Between the Maxima of the First Derivatives of Reflectances at the Red Edge and Green Regions, EGFN)24 E G F N = [ m a x ( D 650 : 750 ) - m a x   ( D 500 : 550 ) ] / [ m a x   ( D 650 : 750 ) + m a x   ( D 500 : 550 ) ](23)

注: Ri 为波段i处反射率;Di 为波段i处一阶导数。

1.2.3 建模方法与评价指标

高光谱数据拥有丰富的光谱波段信息,但由于各波段间隔较近,使用时存在数据冗余现象,会对模型建模及后续优化造成影响。因此在建立作物病害种类识别和病害烈度分类模型之前,优选与病害敏感且冗余度较小的特征尤为重要。本研究利用Relief-F算法38计算各特征向量的权重,基于特征敏感性得到优选敏感波段特征,同时利用VSURF方法7优选得到敏感植被指数特征,避免所选特征之间因具有多重共线性进而降低病害监测精度。
为确保样本数量的平衡性,避免造成预测模型过拟合,本研究在建模时使用逆频率加权法赋予样本权重,如公式(24)~公式(26)所示。
T p = i = 1 n P c
f = P c T p
f i = 1 f
式中: T p为所有病害类型的样本总数,个; P c为每类病害的样本数量,个; f为样本的频率; f i为样本权重。
机器学习方法能够有效挖掘光谱特征与病害发生及其烈度之间的关系,是进行作物病害监测建模的重要方法。本研究选用具有良好泛化能力的支持向量机(Support Vector Machine, SVM)、随机森林(Random Forest, RF)和决策树(Decision Tree, DT)3种代表性的机器学习方法进行建模,并对比分析不同模型下的玉米病害种类识别和病害烈度分类结果。本研究模型训练采用10折交叉验证法,即将数据集随机分10份,轮流将其中9份作为训练数据,1份作为测试数据。得到的分类结果与初始数据集进行对比分析,形成混淆矩阵进行评价,主要用到的精度评价指标有:OA和Macro F 1。所有数据分析和建模均在R环境中进行,如公式(27)~公式(29)所示。
O A = i = 1 n T P + T N i = 1 n T P + F P + T N + F N
F 1 - S c o r e = 2 × [ T P / ( T P + F P ) ] × [ T P / ( T P + F N ) ] [ T P / ( T P + F P ) ] + [ T P / ( T P + F N ) ]
M a c r o   F 1 = i = 1 n F 1 - S c o r e n
式中: T P为该类别分类正确样本点数量,个; T N为其余类别分类正确样本点数量,个; F P为该类别分类错误样本点数量,个; F N为其余类别分类错误样本点数量,个; n为总样本数量,个。

2 结果与分析

2.1 不同病害类型与烈度的光谱响应分析

研究对各发生烈度下不同病害的光谱响应进行对比分析。根据1.2.1部分的光谱标准化操作提取玉米大斑病、小斑病和南方锈病数据,并计算健康和病害胁迫下叶片的平均光谱,获得玉米受不同病害侵染下叶片的光谱响应曲线(图5)和在不同发生烈度下的光谱响应曲线(图6)。由图5可知,在病害不同发生烈度下,玉米大斑病、小斑病和南方锈病3种病害对叶片反射率的影响主要在550~680 nm的可见光、740~760 nm的红边、760~1 000 nm的近红外和1 300~1 800 nm的短波红外处。此外,随着病害发生烈度不断加剧,各不同病害发生烈度为重度时在光谱响应上具有明显差异性(图5c)
图5 玉米叶片感染病害种类在病害处于不同烈度下的光谱响应曲线

Fig. 5 Spectral response curve of maize leaf infection disease species under different disease intensities

图6 三种病害不同烈度的玉米叶片光谱响应曲线及玉米叶片的健康/感染曲线

Fig. 6 Spectral response curves of maize leaves with three diseases in different severity level and healthy/infected maize leaf curves

对同种玉米叶部病害在不同烈度下的光谱响应进行对比分析,由图6可以看出,叶片的光谱响应对大斑病、小斑病和南方锈病的感染烈度具有较高的敏感性。对大斑病而言,病害烈度变化使得叶片光谱反射率在绿光、红光、近红外和短波红外波段的变化较大,发生烈度处于重度时叶片的光谱反射率在全波段范围内均高于健康状态或其他发生烈度。而对于小斑病和南方锈病而言,随着病害烈度不断增加,两种病害叶片光谱反射率仅在绿光和红光波段升高,在近红外和短波红外波段出现下降。通过对玉米叶片的健康/感染光谱反射率比值曲线进行分析(感染反射率取3种烈度下的光谱反射率均值)。从图6b图6d图6f结果可知玉米叶片受大斑病侵染时反射率在全波段范围内上升,健康/感染比值曲线的值小于1;玉米叶片受小斑病和南方锈病侵染时反射率在近红外和短波红外波段处下降,健康/感染比值曲线的值大于1,呈现了比较明显的差异。

2.2 基于光谱特征的病害种类识别

为研究基于光谱特征构建病害发展全阶段下的玉米叶部病害种类识别模型,根据Relief-F算法计算各波长的权重值,用于优选病害种类识别的敏感波段。基于2.1部分病害种类识别光谱响应分析,选择病害在发展过程中响应较明显的绿光、红光、红边和近红外波段中具有较高权重值的波段作为敏感波段。其中,绿光波段权重最大值出现在501 nm处,红光波段权重最大值出现在653 nm处,红边波段权重最大值出现在759 nm处,近红外波段最大值出现在789 nm处,因此得到区分病害种类的4个敏感波段为501、653、759和789 nm。提取表2中的植被指数作为建立玉米叶部病害种类识别模型的备选特征并基于VSURF方法进行特征优选,最终优选特征为D 730/D 706、TCARI、SR4、EGFR、EGFN和NPCI。
基于所选最优光谱特征(敏感波段、植被指数)通过3种代表性机器学习方法建模,分别构建基于敏感波段和植被指数的玉米叶部病害种类识别模型,识别精度结果如表3所示。在3种建模方法中,SVM方法效果最好,其中,基于敏感波段构建的病害种类识别模型OA为48.76%,Macro F 1为0.47;基于优选植被指数构建的病害种类识别模型OA为77.51%,Macro F 1为0.77。在3种建模方法下,基于优选植被指数构建的病害种类识别模型相比基于敏感波段构建的模型OA提高28.75%~37.35%,Macro F 1提高0.30~0.40,结果表明植被指数特征相比敏感波段特征在病害种类识别模型中具有更高的敏感性。
表3 基于不同光谱特征的玉米病害种类识别精度

Table 3 Optimal spectral characteristics of maize disease species identification under different disease intensities

光谱特征/分类器 SVM RF DT
OA/% Macro F 1 OA/% Macro F 1 OA/% Macro F 1
敏感波段 48.76 0.47 40.10 0.35 34.48 0.32
植被指数 77.51 0.77 71.34 0.70 71.83 0.72
上述过程主要针对玉米不同病害和不同烈度混发情况下的病害识别模型进行研究。为实现对不同叶部病害的全过程识别,研究进一步构建针对病害处于单一烈度下的病害种类识别模型。通过Relief-F和VSURF方法优选敏感光谱特征完成建模并进行验证,分析得到的最优光谱特征如表4所示。
表4 不同病害烈度下玉米病害种类识别的最优光谱特征

Table 4 Optimal spectral characteristics of maize disease species identification under different disease intensities

光谱特征 病害发展阶段 敏感特征
敏感波段 轻度烈度 560、679、704、857、1 432 nm
中度烈度 514、680、694、1 000、2 339 nm
重度烈度 519、680、760、982、2 219 nm
植被指数 轻度烈度 TCARI、NPCI、D 730/D 706D 715/D 705
中度烈度 NPCI、MTCI、D 730/D 706、EGFN
重度烈度 MTCI、SR4、EGFN、EGFR、WI
基于所选最优光谱特征,结合机器学习方法构建针对不同发生阶段下的病害种类识别模型,基于敏感波段特征和植被指数特征的病害识别精度如表5所示。可以看出,无论在哪种分类模型下,基于敏感波段和植被指数构建的病害种类识别模型精度都随着病害的发展即发生烈度的提升而升高,其中基于植被指数构建的模型在各阶段下的识别精度都有大幅提升,而基于敏感波段构建的模型其识别精度提升缓慢。此外,无论在哪个病害发生阶段基于植被指数构建的模型识别精度都优于敏感波段构建的模型识别精度。这个结果表明植被指数在病害种类识别监测中具有较强的敏感性。在3种分类方法下,SVM分类效果最好,在病害处于轻度烈度时的病害种类识别精度(OA=70.31%)已接近在全阶段中的病害种类识别精度(OA=77.51%),而在病害处于中度烈度时的病害种类识别最优精度(OA=80.00%)已超过在全阶段中的病害种类识别最优精度,且相比初期总体精度提升9.69%。随着病害烈度进一步增加,病害种类识别精度在病害处于重度烈度时最高能达到95.06%,Macro F 1达0.94,相比中期识别精度提升15.06%,相比初期识别精度提升24.75%。研究结果定量描述了病害识别精度随着病害烈度增加而升高的变化,从结果上验证了当前构建方法的可行性。
表5 基于不同发展阶段下的玉米病害种类识别精度

Table 5 Accuracy of maize disease identification under different stages of development

病害发展阶段 光谱特征 SVM RF DT
OA/% Macro F 1 OA/% Macro F 1 OA/% Macro F 1
轻度烈度 敏感波段 56.39 0.46 53.89 0.41 44.78 0.33
植被指数 70.31 0.66 69.89 0.60 68.56 0.60
中度烈度 敏感波段 60.41 0.48 68.06 0.48 67.92 0.50
植被指数 80.00 0.75 79.58 0.72 73.47 0.63
重度烈度 敏感波段 61.96 0.54 70.83 0.59 64.58 0.52
植被指数 95.06 0.94 89.03 0.82 82.92 0.74
全阶段 敏感波段 48.76 0.47 40.10 0.35 34.48 0.32
植被指数 77.51 0.77 71.34 0.70 71.83 0.72

2.3 基于光谱特征的病害烈度分类

选用与2.2部分相同的特征优选方法,利用Relief-F算法优选敏感波段,VSURF方法优选敏感植被指数特征,分析得到病害烈度分类的最优光谱特征如表6所示。
表6 玉米病害烈度分类的最优光谱特征

Table 6 Optimal spectral features for maize disease severity classification

光谱特征 病害类型 敏感特征
敏感波段 大斑病 512、633、693、857、1 432 nm
小斑病 541、675、733、1 000 nm
南方锈病 502、662、755、850、1 679 nm
植被指数 大斑病 WI、MSI、NPCI、MTCI、SRI、DSSI2
小斑病 RVSI、NPCI、TCARI、PRI
南方锈病 SRI、PRI、WI、SIPI
基于所选最优光谱特征,结合多种机器学习算法针对3种玉米叶部病害分别构建病害发生烈度分类模型,病害烈度分类精度结果如表7所示。可以发现,无论是在哪种建模方法下,3种病害建模中基于优选植被指数的病害烈度分类精度均高于基于敏感波段的病害烈度分类精度。其中,SVM方法建模效果最好,在基于优选植被指数的病害烈度分类结果中,大斑病烈度分类模型OA为86.25%,Macro F 1为0.85;小斑病烈度分类模型OA为70.35%,Macro F 1为0.70;南方锈病烈度分类OA模型为71.39%,Macro F 1为0.69。在3种病害烈度分类结果中,玉米大斑病烈度分类精度最高。
表7 基于不同方法的玉米病害烈度分类精度结果

Table 7 Accuracy of maize disease severity identification based on different methods

病害类型 光谱特征 SVM RF DT
OA/% Macro F 1 OA/% Macro F 1 OA/% Macro F 1
大斑病 敏感波段 54.25 0.46 60.00 0.52 55.00 0.46
植被指数 86.25 0.85 87.50 0.83 82.50 0.75
小斑病 敏感波段 63.16 0.62 50.67 0.45 51.00 0.44
植被指数 70.35 0.70 60.00 0.54 54.33 0.47
南方锈病 敏感波段 62.22 0.61 40.00 0.32 38.33 0.28
植被指数 71.39 0.69 67.50 0.55 59.17 0.47

3 讨 论

3.1 病害光谱响应解析

病原体感染可以导致叶片的生理特征发生变化(如色素、细胞结构以及含水量的变化),病原体的生物学特性和宿主与病原体之间的关系导致作物的光谱发生不同形式的变化39, 40。这是遥感进行病害种类识别及其烈度分类的基础1, 2, 7
分析玉米叶片在受不同病害侵染下的光谱响应曲线,发现在受玉米大斑病、小斑病和南方锈病侵染下的叶片光谱响应存在一定差异,如在550~680 nm的可见光范围内,受到南方锈病侵染的玉米叶片反射率显著高于健康叶片和受到另外两种病害侵染叶片的反射率;而在760~1 000 nm的近红外范围内,受到南方锈病侵染的玉米叶片反射率却显著低于健康叶片和受到另外两种病害侵染叶片的反射率(图5d)。这一现象说明不同病害引起的光谱变化具有特异性。这一特点能够为病害种类识别提供关键光谱信息。同时与病害响应显著的光谱波段范围和色素含量、含水量及细胞结构高度相关。这一信息能够帮助研究选择更为有效的光谱特征7, 39。针对玉米叶部病害不同烈度分析其光谱响应曲线,发现随着玉米大斑病、小斑病和南方锈病烈度增加,染病叶片在绿光和红光波段的反射率不断升高(图6)。这主要是受到叶绿素含量的影响。尽管由于病害感染所引起的叶片色素含量变化较为细微,肉眼难以观测,但对灵敏的光谱响应而言变化会十分明显。这种现象在以往类似研究中已经得到证明41, 42。在近红外和短波红外处,随着小斑病和南方锈病烈度的增加,叶片反射率降低,而大斑病叶片反射率出现升高。这与大斑病侵染过程中造成叶片含水量的大量降低有较大关联43

3.2 玉米叶部病害全过程识别分析

作物病害的准确识别对抑制病害发展和农药施用至关重要。通过分析病害光谱响应曲线挖掘与病害紧密相关的特异性光谱特征能够快速、无损且高效地实现病害监测。研究构建了基于病害发展全阶段(包含病害所有烈度)和病害单一烈度下的病害种类识别模型,研究结果表明在两种模型下,基于敏感波段特征的识别精度显著低于基于植被指数特征的识别精度(表3表5),原因主要是选用的高光谱敏感波段存在噪声和信息冗余现象13, 39,而植被指数通过波段计算综合有关的光谱信号,能够在一定程度上降低背景和大气等噪声的影响2,从而在模型中实现较高精度。以下将对不同模型中的植被指数优选结果进行分析。
针对不同病害及不同烈度混发情况,在基于植被指数的玉米叶部病害种类识别研究中,优选的D 730/D 706、TCARI、SR4、EGFR、EGFN和NPCI特征,一部分是与色素含量有关的植被指数。这是因为作物在受到病菌侵染后,叶片会出现病斑、枯黄等表型变化,导致叶片色素的含量和活性降低,可见光区域的反射率增加44。这也与病害光谱响应结果相吻合。所以与色素含量有关的植被指数在病害种类识别中具有更高的敏感度。另一部分为一阶导数特征,700 nm附近的反射率变化可以作为病害种类识别的重要指标45
研究针对不同病害在各发生阶段且病害为同种发生烈度时的病害混发情况构建病害识别模型,从植被指数的特征优选结果(表4)可以看出,在病害发展的各个阶段中模型的识别主要是与叶绿素含量有关的植被指数和一阶导数特征发挥着重要作用。在病害处于轻度烈度时整体识别精度还不高,这可能是由于在发病初期玉米大斑病、小斑病和南方锈病3种病害的表型相似度较高,病害特异性光谱响应不明显,为病害识别模型带来了一定难度。但随着病害发生程度不断加重,叶部表型变化明显,病害种类识别精度也在不断升高。基于SVM方法,在病害处于重度烈度时的最优识别精度达到95.06%,较中度烈度下的识别精度高15.06%,较轻度烈度下的识别精度高24.75%。这是因为在病害处于重度烈度时,患病叶片的色素含量、含水量及细胞结构变化显著,从而造成各病害光谱响应变化加剧(图5c),使得不同病害具有更高的区分度。其中,玉米大斑病在重度烈度下其叶片含水量会大量减少,所以在重度烈度下的敏感特征中与叶片含水量相关的WI起到关键作用7, 43

3.3 基于光谱特征实现玉米叶部病害烈度分类的优势

对病害发展过程而言,不同发展阶段下的病原体本身及其与叶片之间的相互作用可能通过色素含量、叶片结构等变化症状来表征,所处发展阶段不同,其变化症状也不尽相同2, 44。当病害发生时会引起玉米叶片内部一系列的生理变化,如叶绿素、水分含量的降低,从而导致玉米叶片表型产生相应的变化,如变黄、干枯等1, 7。随着病害发生程度不断加重,其叶部表型的变化也越来越明显,病害烈度的区分度也越来越高。
从特征优选结果可以看出(表6),3种病害的烈度分类模型在敏感波段优选结果上主要集中在绿光、红光、红边和近红外波段处,同时玉米大斑病和南方锈病在短波红外处的波段也较为敏感。这与不同病害在烈度增加过程中由于内部引起的生理变化和叶片表型变化所带来的波段变化有关。而在基于植被指数的玉米叶部病害烈度分类研究中,优选得到的特征都与病害发生不同烈度时其叶片结构和生理上的变化有关(表6)。对于玉米大斑病的烈度分类,优选得到的敏感植被指数中与叶片含水量相关的WI和MSI发挥了重要作用。这表明在大斑病感染的中后期,叶片含水量可能发生了某种变化;而SRI和DSSI2与叶片内部结构有关。这是因为病原体入侵玉米叶片时,最先破坏了叶片的细胞结构1, 7;而NPCI和MTCI则与叶绿素含量有关。在玉米小斑病的烈度分类中,优选得到的植被指数与叶绿素含量和叶片内部结构有关;玉米南方锈病的烈度分类中,优选得到的植被指数与叶绿素含量、叶片内部结构和含水量相关,这与之前的研究一致1
在烈度分类结果中,玉米大斑病烈度分类效果最好(表7)。这可能是因为在大斑病侵染过程中,随着烈度增加造成叶片含水量的大量降低43,而优选的植被指数特征中恰好含有与叶片含水量相关的WI和MSI。同时,从图6可以看出,随着病害烈度变化,玉米大斑病在反射率上的变化相比小斑病和南方锈病要更为明显。

4 结 论

为满足实际植保防控决策中将作物病害种类及其烈度结合分析的需求,本研究以玉米叶部多种病害混发下的玉米叶片为研究对象,基于高光谱数据挖掘玉米大斑病、小斑病和南方锈病3种叶部病害的特异性信息和细微信号变化,通过优选光谱特征实现多种病害识别及其烈度分类。结论如下。
1)玉米大斑病、小斑病和南方锈病3种玉米叶部病害发生及其不同烈度下的光谱改变主要集中在550~680nm的可见光、740~760 nm的红边、760~1 000 nm的近红外和1 300~1 800 nm的短波红外处,基于此提取的光谱特征可以有效挖掘病害引起的复杂且细微的信号变化。
2)基于病害光谱响应规律优选的病害特异性光谱特征能够有效实现病害种类识别及其烈度分类,且相比敏感波段特征,植被指数特征更能有效识别病害的特异性信息。
3)在不同病害及不同烈度混发情况下,研究构建的病害种类识别模型最优精度达77.51%,Macro F 1达0.77;而针对单一烈度下的不同病害混发情况,其病害种类识别模型精度随着病害烈度的增加而升高,在病害处于重度烈度下的病害种类识别最优精度达到95.06%,Macro F 1达0.94。
4)本研究基于植被指数构建的3种玉米叶部病害烈度分类模型精度均超过70%,其中大斑病烈度分类效果最好(OA=86.25%,Macro F 1=0.85)。
本研究表明基于高光谱数据能够有效挖掘不同病害的特异性光谱信号,实现玉米叶部病害种类识别及其烈度分类。当前病害种类识别模型和病害烈度分类模型受限于数据样本量及信息挖掘不充分等问题,精度仍有较大提升空间,但研究从结果上表明了高光谱技术在玉米病害种类识别及其烈度分类任务中具有较大潜力。未来研究工作将继续致力于数据挖掘及算法技术改进,并通过无人机搭载成像光谱传感器采集光谱图像,在模型构建过程中添加纹理特征,以期实现更高精度的玉米病害监测。此外,后续将对模型从叶片尺度到冠层尺度的场景扩展开展研究,以解决冠层尺度下因土壤背景、除叶片外的器官(如茎、穗)、光照条件、叶片形态(如叶片角度)和冠层结构导致的光谱复杂化问题,助力大范围作物病害监测研究,进一步推动绿色农业发展。

利益冲突声明

本研究不存在研究者以及与公开研究成果有关的利益冲突。

1
MENG R, LYU Z G, YAN J B, et al. Development of spectral disease indices for southern corn rust detection and severity classification[J]. Remote sensing, 2020, 12(19): ID 3233.

2
ZHANG J C, HUANG Y B, PU R L, et al. Monitoring plant diseases and pests through remote sensing technology: A review[J]. Computers and electronics in agriculture, 2019, 165: ID 104943.

3
KUNDU N, RANI G, DHAKA V S, et al. Disease detection, severity prediction, and crop loss estimation in MaizeCrop using deep learning[J]. Artificial intelligence in agriculture, 2022, 6: 276-291.

4
MARTINELLI F, SCALENGHE R, DAVINO S, et al. Advanced methods of plant disease detection: A review[J]. Agronomy for sustainable development, 2015, 35(1): 1-25.

5
孟冉, 周龙飞, 徐乐, 等. 农业遥感技术助力智慧农业发展[J]. 智慧农业导刊, 2021, 1(10): 17-24.

MENG R, ZHOU L F, XU L, et al. Agricultural remote sensing technology promotes the development of smart agriculture[J]. Journal of smart agriculture, 2021, 1(10): 17-24.

6
MENG R, GAO R J, ZHAO F, et al. Landsat-based monitoring of southern pine beetle infestation severity and severity change in a temperate mixed forest[J]. Remote sensing of environment, 2022, 269: 112847.

7
LYU Z G, MENG R, CHEN G S, et al. Combining multiple spectral enhancement features for improving spectroscopic asymptomatic detection and symptomatic severity classification of southern corn leaf blight[J]. Precision agriculture, 2023, 24(4): 1593-1618.

8
DU R Q, CHEN J Y, XIANG Y Z, et al. Incremental learning for crop growth parameters estimation and nitrogen diagnosis from hyperspectral data[J]. Computers and electronics in agriculture, 2023, 215: ID 108356.

9
SHI Y, HUANG W J, LUO J H, et al. Detection and discrimination of pests and diseases in winter wheat based on spectral indices and kernel discriminant analysis[J]. Computers and electronics in agriculture, 2017, 141: 171-180.

10
JAVIDAN S M, BANAKAR A, VAKILIAN K A, et al. Diagnosis of grape leaf diseases using automatic K-means clustering and machine learning[J]. Smart agricultural technology, 2023, 3: ID 100081.

11
REN K H, DONG Y Y, HUANG W J, et al. Monitoring of winter wheat stripe rust by collaborating canopy SIF with wavelet energy coefficients[J]. Computers and electronics in agriculture, 2023, 215: ID 108366.

12
TIAN L, XUE B W, WANG Z Y, et al. Spectroscopic detection of rice leaf blast infection from asymptomatic to mild stages with integrated machine learning and feature selection[J]. Remote sensing of environment, 2021, 257: ID 112350.

13
ZHAO X H, ZHANG J C, HUANG Y B, et al. Detection and discrimination of disease and insect stress of tea plants using hyperspectral imaging combined with wavelet analysis[J]. Computers and electronics in agriculture, 2022, 193: ID 106717.

14
NAIDU R A, PERRY E M, PIERCE F J, et al. The potential of spectral reflectance technique for the detection of Grapevine leafroll-associated virus-3 in two red-berried wine grape cultivars[J]. Computers and electronics in agriculture, 2009, 66(1): 38-45.

15
李京, 陈云浩, 蒋金豹, 等. 用高光谱微分指数识别冬小麦条锈病害研究[J]. 科技导报, 2007, 25(6): 23-26.

LI J, CHEN Y H, JIANG J B, et al. Using hyperspectral derivative index to identify winter wheat stripe rust disease[J]. Science & technology review, 2007, 25(6): 23-26.

16
YUAN L, YAN P, HAN W Y, et al. Detection of anthracnose in tea plants based on hyperspectral imaging[J]. Computers and electronics in agriculture, 2019, 167: ID 105039.

17
HUANG W J, LAMB D W, NIU Z, et al. Identification of yellow rust in wheat using in situ spectral reflectance measurements and airborne hyperspectral imaging[J]. Precision agriculture, 2007, 8(4): 187-197.

18
王姣, 李志沛, 张立福, 等. 基于棉花黄萎病多“症状”特征的植被指数构建及病情遥感监测研究[J]. 地理与地理信息科学, 2019, 35(5): 46-51.

WANG J, LI Z P, ZHANG L F, et al. Study of cotton verticillium wilt: Construction of a vegetation index based on multiple "symptoms" characteristics and remote sensing monitoring[J]. Geography and geo-information science, 2019, 35(5): 46-51.

19
YUAN L, HUANG Y B, LORAAMM R W, et al. Spectral analysis of winter wheat leaves for detection and differentiation of diseases and insects[J]. Field crops research, 2014, 156: 199-207.

20
TUCKER C J. Red and photographic infrared linear combinations for monitoring vegetation[J]. Remote sensing of environment, 1979, 8(2): 127-150.

21
PEÑUELAS J, BARET F, FILELLA I. Semiempirical indexes to assess carotenoids chlorophyll: A ratio from leaf spectral reflectance[J]. Photosynthetica, 1995, 31(2): 221-230.

22
SMITH R, ADAMS J, STEPHENS D J, et al. Forecasting wheat yield in a mediterranean-type environment from the NOAA satellite[J]. Australian journal of agricultural research, 1995, 46(1): 113-125.

23
MIRIK M, MICHELS G J, KASSYMZHANOVA-MIRIK S, et al. Using digital image analysis and spectral reflectance data to quantify damage by greenbug (Hemitera: Aphididae) in winter wheat[J]. Computers and electronics in agriculture, 2006, 51(1/2): 86-98.

24
PEÑUELAS J, GAMON J A, FREDEEN A L, et al. Reflectance indices associated with physiological changes in nitrogen- and water-limited sunflower leaves[J]. Remote sensing of environment, 1994, 48(2): 135-146.

25
HABOUDANE D, MILLER J R, TREMBLAY N, et al. Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture[J]. Remote sensing of environment, 2002, 81(2/3): 416-426.

26
MERTON R. Monitoring community hysteresis using spectral shift analysis and the red-edge vegetation stress index[C]// Seventh JPL airborne earth science workshop, Pasaden, CA, USA: JPL, 1998.

27
DATT B. Remote sensing of chlorophyll a, chlorophyll b, chlorophyll a+b, and total carotenoid content in eucalyptus leaves[J]. Remote sensing of environment, 1998, 66(2): 111-121.

28
MCMURTREY J E, CHAPPELLE E W, KIM M S, et al. Distinguishing nitrogen fertilization levels in field corn (Zea mays L.) with actively induced fluorescence and passive reflectance measurements[J]. Remote sensing of environment, 1994, 47(1): 36-44.

29
DASH J, CURRAN P J. The MERIS terrestrial chlorophyll index[J]. International journal of remote sensing, 2004, 25(23): 5403-5413.

30
GAMON J A, PEÑUELAS J, FIELD C B. A narrow-waveband spectral index that tracks diurnal changes in photosynthetic efficiency[J]. Remote sensing of environment, 1992, 41(1): 35-44.

31
DELEGIDO J, FERNANDEZ G, GANDIA S, et al. Retrieval of chlorophyll content and LAI of crops using hyperspectral techniques: Application to PROBA/CHRIS data[J]. International journal of remote sensing, 2008, 29(24): 7107-7127.

32
PENUELAS J, PINOL J, OGAYA R. Estimation of plant water concentration by the reflectance water index WI (R900/R970)[J]. International journal of remote sensing, 1997, 18(13): 2869-2875.

33
GAO B C. NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space[J]. Remote sensing of environment, 1996, 58(3): 257-266.

34
APAN A, HELD A, PHINN S, et al. Detecting sugarcane 'orange rust' disease using EO-1 hyperion hyperspectral imagery[J]. International journal of remote sensing, 2004, 25(2): 489-498.

35
HUNT E R, ROCK B N. Detection of changes in leaf water content using near- and middle-infrared reflectances[J]. Remote sensing of environment, 1989, 30(1): 43-54.

36
ZARCO-TEJADA P J, PUSHNIK J C, DOBROWSKI S, et al. Steady-state chlorophyll a fluorescence detection from canopy derivative reflectance and double-peak red-edge effects[J]. Remote sensing of environment, 2003, 84(2): 283-294.

37
VOGELMANN J E, ROCK B N, MOSS D M. Red edge spectral measurements from sugar maple leaves[J]. International journal of remote sensing, 1993, 14(8): 1563-1575.

38
ROBNIK-ŠIKONJA M, KONONENKO I. Theoretical and empirical analysis of ReliefF and RReliefF[J]. Machine learning, 2003, 53(1): 23-69.

39
MAHLEIN A K, RUMPF T, WELKE P, et al. Development of spectral indices for detecting and identifying plant diseases[J]. Remote sensing of environment, 2013, 128: 21-30.

40
RUMPF T, MAHLEIN A K, STEINER U, et al. Early detection and classification of plant diseases with support vector machines based on hyperspectral reflectance[J]. Computers and electronics in agriculture, 2010, 74(1): 91-99.

41
SHIRZADIFAR A, BAJWA S, NOWATZKI J, et al. Development of spectral indices for identifying glyphosate-resistant weeds[J]. Computers and electronics in agriculture, 2020, 170: ID 105276.

42
EINZMANN K, ATZBERGER C, PINNEL N, et al. Early detection of spruce vitality loss with hyperspectral data: Results of an experimental study in Bavaria, Germany[J]. Remote sensing of environment, 2021, 266: ID 112676.

43
王凡, 王超, 冯美臣, 等. 基于高光谱的玉米大斑病害监测[J]. 山西农业科学, 2019, 47(6): 1065-1068.

WANG F, WANG C, FENG M C, et al. Monitoring of maize leaf blight disease based on hyperspectral[J]. Journal of Shanxi agricultural sciences, 2019, 47(6): 1065-1068.

44
张竞成, 袁琳, 王纪华, 等. 作物病虫害遥感监测研究进展[J]. 农业工程学报, 2012, 28(20): 1-11.

ZHANG J C, YUAN L, WANG J H, et al. Research progress of crop diseases and pests monitoring based on remote sensing[J]. Transactions of the Chinese society of agricultural engineering, 2012, 28(20): 1-11.

45
GITELSON A A, MERZLYAK M N. Remote sensing of chlorophyll concentration in higher plant leaves[J]. Advances in space research, 1998, 22(5): 689-692.

Outlines

/