烟草叶病的分类基于多来源遥感数据.
Ke Chen1, Jian Guo2, Linyi Liu1
1State Key Laboratory of Remote Sensing and Digital Earth, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing, China.
Frontiers in plant science
|February 20, 2026
概括
这项研究引入了一种使用多来源数据的强大烟草叶疾病分类方法,达到88.7%的准确性. 该方法结合了超光谱数据,叶面积指数和叶绿素含量,以改善疾病评估.
科学领域:
- 农业遥感 农业遥感
- 植物病理学 植物病理学
- 农业中的数据科学
背景情况:
- 手动烟草疾病评估是主观的,缺乏稳定性.
- 单一特征提取方法限制了传统分类方法的准确性.
- 客观可靠的疾病分类对于有效的作物管理至关重要.
研究的目的:
- 开发一种准确而强大的烟草叶疾病分类方法.
- 利用多种来源的数据来改善疾病的识别.
- 克服主观手动观察和单一特征方法的局限性.
主要方法:
- 使用过光谱反射率数据,叶面积指数 (LAI) 和叶绿素含量作为数据来源.
- 应用连续波形变换用于超光谱特征提取.
- 使用Z分数方法规范LAI和叶绿素含量,并使用随机森林算法进行分类.
主要成果:
- 实现了 88.7% 的整体分类准确度.
- 获得0.83的卡帕系数,表明强大的分类表现.
- 证明了多源数据方法的稳定性.
结论:
- 拟议的多源数据模型为烟草叶疾病分类提供了可靠和有效的解决方案.
- 这种方法为未来利用多来源遥感数据的研究提供了宝贵的见解.
- 多种数据源的整合提高了植物疾病检测的分类准确性和稳定性.


