机器学习模型的交叉作物的可转移性,用于在小麦和大麦中早期的茎生检测,使用高光谱成像

科学领域:

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

背景情况:

• 茎,是由 *Puccinia graminis* f. sp. 引起的 *tritici*,严重威胁到小麦和大麦的生产.
• 早期检测对于有效的疾病管理和确保粮食安全至关重要.
• 目前的检测方法通常依赖于可见症状,限制了早期干预.

研究的目的:

• 评估超光谱成像和机器学习用于谷物中早期干检测.
• 评估小麦和大麦之间的诊断模型的跨作物的可转移性.
• 为了识别强大的光谱特征用于生疾病的识别.

主要方法:

• 在明显的疾病症状出现之前,从小麦和大麦中收集过光谱数据.
• 应用多阶段预处理,包括光谱规范化和标准化.
• 基于光谱曲线形态学的工程特征,并采用支持向量机,物流回归和光梯度增强机模型.

主要成果:

• 在干生检测方面获得高F1分数 (小麦高达0.962,大麦高达0.94).
• 证明了高的跨作物模型可转移性 (F1 > 0.94) 与最小的假负结果 (<2%).
• 证实了不同谷物作物的茎生的光谱特征的普遍性.

结论:

• 超光谱成像与先进的机器学习相结合,为早期茎生诊断提供了可行的解决方案.
• 开发的模型显示了在谷物作物中广泛应用的潜力,有助于可持续农业.
• 需要进一步的研究来验证从受控实验室条件的现场可转移性.