麦类作物学报

作者：岳蓉，尹本酥，李振发，李粉玲

单位：1.西北农林科技大学资源环境学院,陕西杨凌 712100 2.农业部西北植物营养与农业环境重点实验室,陕西杨凌 712100

关键词：无人机,条锈病,花青素,可见光影像,机器学习,

基金：国家自然科学基金项目(41701398)

小麦植株感染条锈病后叶片花青素含量会发生明显变化。为了在地块尺度上利用冬小麦花青素值实现条锈病害的直观、快速监测，通过监测叶片花青素含量评估小麦条锈病严重程度，2021年获取感染条锈病的小麦田块的无人机RGB影像和采集地面病害区域的花青素含量数据，利用影像提取采样点感兴趣区的光谱特征参数和基于灰度共生矩阵的纹理特征参数，采用连续投影算法(SPA)结合相关性分析优选特征参数，分别采用单一光谱特征参数和组合参数，结合主成分回归(PCR)、拉索回归(LR)、随机森林回归(RFR)、梯度提升回归(GBR)和误差反向传播神经网络(BPNN)等方法构建了小麦花青素含量估算模型，并利用最优模型反演了田块的花青素含量。结果表明，图像光谱特征结合纹理特征后，花青素估算模型的R2增大，RMSE减小，模型精度显著提升。基于组合特征参数构建的随机森林模型精度最高，验证集R2、RMSE和MAE分别为0.801、0.026、0.021。该模型具有良好的花青素含量估算能力，得到的花青素值分布图与条锈病的空间分布具有一致性，能够定量化、可视化地反映病害严重程度。

来源：2024年第7期

《麦类作物学报》期刊编辑部

查看麦类作物学报杂志2024年第7期