机器学习支持的无人机超光谱识别,在烟草中发现番茄斑点枯病毒

科学领域:

• 农业遥感 农业遥感
• 植物病理学 植物病理学
• 机器学习在农业中的应用

背景情况:

• 番茄斑病毒 (TSWV) 显著降低了烟草的产量和质量.
• 由于树冠结构复杂性,现有的TSWV检测方法在现场规模的应用上是有限的.
• 为了有效监测,在现场水平上确定TSWV特定的光谱特征至关重要.

研究的目的:

• 开发一个现场规模的TSWV识别模型,使用无人机 (UAV) 基于高光谱成像.
• 为了实现针对性控制烟草中TSWV疾病的快速,非破坏性监测.

主要方法:

• 无人机上的超光谱摄像头 (400-1000 nm) 捕获了烟草植物的图像.
• 六种特征提取方法 (光谱比率,相关性分析,PCA,Relief,SPA,植被指数) 用于识别TSWV敏感的光谱特征.
• 18个分类模型 (SVM,k-NN,XGBoost) 使用提取的特征进行了评估.

主要成果:

• 支持矢量机 (SVM) 模型与缓解特征选择 (SVM-Relief) 结合,实现了出色的性能 (OA=97.3%,AUC=0.994,Kappa=0.947).
• 一种精细的方法 (RPR) 将特征指标减少到四个关键波长 (775.6/772.9/781.1/756.4纳米),SVM-RPR模型显示了可比结果 (OA=97.3%,AUC=0.990,Kappa=0.947).
• 红边带在区分健康的烟草植物和感染TSWV的烟草植物方面显著.

结论:

• 将基于无人机的高光谱成像与机器学习相结合,为在烟草中实地检测TSWV提供了一个强大的工具.
• 开发的模型为基于遥感的农作物病毒病监测提供了一条有效的途径.
• 这种方法支持精准农业,并加强了植物疾病管理策略.