使用近距离遥感与双重实时PCR和机器学习相结合,在潜伏期检测小麦条纹生的最低限度
Qi Liu1,2, Tingting Sun1,2, Xiaojie Wen1,2
1Key Laboratory of the Pest Monitoring and Safety Control of Crops and Forests of the Xinjiang Uygur Autonomous Region, College of Agronomy, Xinjiang Agricultural University, Urumqi 830052, China.
Plants (Basel, Switzerland)
|August 12, 2023
概括
早期检测小麦条纹生 (WSR) 对于作物管理至关重要. 这项研究使用高光谱技术确定了Pst的最小检测极限 (MDL),在潜伏期内达到91.67%的准确性.
科学领域:
- 植物病理学 植物病理学
- 农业遥感 农业遥感
- 频谱学是一种光谱学.
背景情况:
- 小麦条纹生 (WSR),是由*Puccinia striiformis* f.sp.引起的 *tritici* (*Pst*),对全球小麦产量构成重大威胁.
- 快速和早期的疾病检测对于有效的WSR管理和尽量减少作物损失至关重要.
研究的目的:
- 通过使用超光谱成像来确定小麦在潜伏期内的*Pst*的最低检测极限 (MDL).
- 开发和验证基于超频谱数据的早期WSR检测的分类模型.
主要方法:
- 用*Pst*接种了三种小麦品种,并在潜伏期收集了树冠超光谱数据.
- 使用双重实时聚合酶链反应 (PCR) 量化*Pst*含量.
- 应用回归树算法来建立疾病检测的MDL和分类算法 (物流,IBK,随机委员会).
主要成果:
- 回归树算法确定了用于MDL确定的超谱特征参数.
- 当MDL设置为0.7.7时,IBK算法实现了最高的识别精度 (在测试组上为91.67%).
- 最佳模型使用了高光谱值的第二导数 (R_2nd.dv),其建模比为2:1.
结论:
- 超光谱技术可以有效地确定小麦条纹的潜伏阶段*Pst*的最小检测极限 (MDL).
- 已建立的0.7的MDL,结合特定的高光谱特征和分类模型,可以准确地早期检测WSR.
