超光谱成像和机器学习用于在叶子症状上检测黄龙

科学领域:

• 植物病理学 植物病理学
• 遥感 遥感 遥感 遥感
• 农业科学 农业科学

背景情况:

• 黄龙 (HLB) 对全球果生产构成重大威胁,由于缺乏有效的治疗方法,导致树木死亡.
• 目前的HLB管理严重依赖于移除受感染的树木以控制疾病传播.

研究的目的:

• 开发和评估一种非破坏性的方法来检测黄龙 (HLB) 在果中使用高光谱叶反射.
• 为了确定标志着HLB感染的关键光谱特征.

主要方法:

• 收集了来自泰国的类树的72张高光谱叶片图像,将它们分类为HLB的症状或无症状.
• 应用主成分分析 (PCA) 识别了红边到近红外区域的16个特征波长.
• 训练了七个机器学习模型 (随机森林,决策树,SVM,KNN,梯度提升,物流回归,线性歧视) 使用特定波长的光谱数据.

主要成果:

• PCA确定了16个关键波长 (715-736nm和930-997nm),可以有效地区分症状和无症状的叶.
• 随机森林模型获得了最高的F1得分 (99.8%),在区分HLB感染的叶子方面表现出卓越的表现.
• 前三种模型 (随机森林,决策树,KNN) 的准确性与聚合酶链反应 (PCR) 结果相美.

结论:

• 超光谱叶反射分析,特别是在特定的红边和近红外波长,是一种高效的非破坏性方法来检测HLB.
• 机器学习模型,特别是随机森林,可以根据光谱数据准确地分类叶,为PCR提供可靠的替代方案.
• 这种方法为高效和早期的HLB管理提供了有希望的工具,有助于疾病控制和减少果园的经济损失.