为早期检测和机器学习对小麦疾病进行分类的VNIR高光谱签名
Rimma M Ualiyeva1, Mariya M Kaverina1, Anastasiya V Osipova1
1Department of Biology and Ecology, Toraighyrov University, Pavlodar 140008, Kazakhstan.
Plants (Basel, Switzerland)
|December 11, 2025
概括
这项研究开发了一个使用高光谱成像 (HSI) 和机器学习的自动化系统,以早期检测春小麦疾病. 随机森林模型实现了94%的准确性,有助于精准农业和粮食安全.
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:
- 小麦是全球粮食安全的关键作物,易受各种植物病理的影响.
- 植物疾病的早期检测对于有效管理和产量保存至关重要.
- 超光谱成像 (HSI) 提供了非破坏性的,详细的作物健康评估的潜力.
研究的目的:
- 开发使用HSI的自动诊断方法来识别春季小麦植物病理.
- 为小麦创建一个有效的早期植物疾病检测系统.
- 分析主要小麦疾病的光谱特征,以改善诊断.
主要方法:
- 对小麦疾病 (粉,生等) 的光谱特征进行全面分析. ) 的情况.
- 基于光谱图案和光学属性的分类模型的开发.
- 利用机器学习算法,特别是随机森林,进行自动检测.
主要成果:
- 与健康植物相比,患病的植物表现出不同的光谱特征.
- 反射值根据疾病类型和病原体的色素产量而异 (光涂层高,化中等,深色低).
- 一个分类模型在检测小麦的植物病原体方面取得了94%的整体准确性.
结论:
- 与机器学习相结合的HSI可以有效地监测作物的植物卫生条件.
- 开发的自动检测方法适合集成到精密农业和无人机平台中.
- 这项技术对数字农业做出了重大贡献,特别是对中亚的小麦生产.
