中科院空天院揭示原位图像与光谱在棉花黄萎病评估中的潜力

以下文章来源于The Crop Journal ，作者编辑部

棉花黄萎病（Verticillium wilt, VW）是棉花生长发育过程中发生最普遍、具有毁灭性的重要病害，素有“棉花癌症”之称，严重制约我国乃至全球的棉花生产。及时准确地评估棉花VW病害严重度（VW severity, VWS）是综合防治棉花VW的重要前提，对棉花VW抗性鉴定和防治工作具有重要意义。目前，通过图像和光谱的近景感知数据构建基于机器学习的VW评估方法备受关注，但现有研究对大田复杂冠层场景的分析不足，模型性能有待提升。

近日，中国科学院空天信息创新研究院联合石河子大学农学院在The Crop Journal在线发表了题为“Assessing the severity of cotton Verticillium wilt disease from in situ canopy images and spectra using convolutional neural networks”的研究论文，通过结合深度学习模型与近景感知数据（原位图像与光谱），分别构建并验证了基于图像和光谱的黄萎病估算模型，实现了棉花冠层VWS的准确评估。在此基础上，讨论了两种方案的优劣、适用范围以及改进方向等，为棉花VWS评估提供了新思路。

联合团队于2019和2021年在北疆棉花主产区的三个试验田进行了原位调查，共采集到361个棉花冠层VWS、原位图像和光谱数据（图1）。针对基于图像的方法，考虑到原位环境的高度复杂性（图2），将健康叶和病叶的识别问题巧妙地转化为棉田场景分类问题。通过构建棉田场景（cotton field scene, CFS）数据集（图3），利用微调（fine-tuning）的卷积神经网络（convolutional neural network, CNN）对每个冠层场景单元进行分类，进而估算VWS。结果表明，DarkNet-19 模型在 CFS 分类和 VWS 估计方面取得了令人满意的结果（R2 = 0.91，RMSE = 6.35%，图4）。针对基于光谱的方法，设计了一个具有四个卷积层的一维回归网络（one-dimensional CNN, 1D CNN，图3）。通过敏感波段选择和主成分分析对光谱进行降维，采用不同数量的主成分拟合1D CNN。结果表明，基于前20 个主成分的1D CNN 模型表现最佳（R2 = 0.93，RMSE = 5.77%，图5）。该研究提出的两种方法，基于深度学习分别从空间和光谱角度实现了棉花冠层VWS的准确评估。由于图像和光谱具有互补优势，融合两种数据源的模型对棉花VWS评估性能的进一步提升具有重要意义，也为改进其他作物的病虫害评估提供了参考。

图1 研究区和数据采集位置

（a）研究区位置；（b）三个试验站位置；（c）站点1及其采样点；（d）站点2及其采样点；（e）站点3及其采样点。

图2 花铃期棉花冠层的原位图像

图3 基于图像和光谱的方法总体流程

图4 基于图像的模型在棉花VWS评估中的性能比较

（a）DarkNet-19模型；（b）VGG-16模型；（c）ResNet-50模型；（d）InceptionV3模型。*** , P < 0.001。

图5 基于光谱的模型在棉花VWS评估中的性能比较

（a）前5个主成分；（b）前10个主成分；（c）前15个主成分；（d）前20个主成分；（e）前25个主成分；（f）前30个主成分。*** , P < 0.001。

作者和基金项目

中国科学院空天信息创新研究院康孝岩博士为该文第一作者，黄长平副研究员为通信作者，合作者有中国科学院空天信息创新研究院张立福研究员、石河子大学农学院2020级研究生杨秘、石河子大学农学院张泽副教授和吕新教授。该研究得到中国科学院基础前沿科学研究计划“从0到1”原始创新项目（ZDBS-LY-DQC012）、国家自然科学基金项目（41971321和41830108）、新疆生产建设兵团科技项目（2022CB002-01）、新疆生产建设兵团绿洲农业实验室开放基金（201801，202003）和中国科学院青年创新促进会优秀会员项目（Y2021047）的资助。

本文转载自The Crop Journal

转自：“植物生物技术Pbj”微信公众号

如有侵权，请联系本站删除！