群体小麦条锈病发病动态无人机遥感监测方法.pdfVIP

第 37 卷 第 23 期 农 业 工 程 学 报 Vol.37 No.23 2021 年 12 月 Transactions of the Chinese Society of Agricultural Engineering Dec. 2021 127 ·农业信息与电气技术· 群体小麦条锈病发病动态无人机遥感监测方法 1,2,3 1,2,3 4,5 4,5 1,2,3 4,5 苏宝峰 ，刘昱麟 ，黄彦川 ，蔚 睿 ，曹晓峰 ，韩德俊 （1. 西北农林科技大学机械与电子工程学院，杨凌 712100 ； 2. 农业农村部农业物联网重点实验室，杨凌 712100 ； 3. 陕西省农业信息感知与智能服务重点实验室；4. 西北农林科技大学农学院，杨凌 712100 ； 5. 西北农林科技大学旱区作物逆境生物学国家重点实验室，杨凌 712100 ） 摘 要：针对当前育种群体小麦条锈病表型分析手段单一、效率低下等问题，该研究提出了一种基于无人机低空遥感和 多光谱成像技术的群体小麦田间条锈病高通量表型动态分析方法。该方法利用无人机采集自然发病的育种群体小麦（共 600 个样本，516 个基因型）冠层多时相的光谱图像，并提取 22 个植被指数作为后续分析的表型，同时按照发病后的时 间顺序与传统条锈病人工鉴定标准记录条锈病发病阶段和发病严重度数据；使用随机森林算法建立22 个光谱植被指数同 条锈病发病阶段与病害严重度的分类模型，并筛选出对上述两个分类问题敏感的植被指数；同时，使用随机蛙跳算法对 特征进行筛选以降低仅使用随机森林算法对特征筛选的偶然性，并将随机蛙跳算法给出被选择概率排名在约前 1/3 的特 征作为 SVM 算法的输入，构建发病阶段与病害严重度模型以验证随机蛙跳算法对特征筛选的有效性；综合两次特征选择 的结果，分别筛选出对发病阶段和病害严重度敏感的 3 个植被指数，并基于这些指数响应的时间序列分析了群体中 6 个 参考品种发病动态的差异。对条锈病发病阶段的分类模型构建中，随机森林和 SVM 模型测试集的 F 1 分数分别为 0.970 和 0.985 ；对条锈病严重度等级分类中，二者的F 1 分数为 0.741 和 0.780 ，表明通过所建立的模型可以实现对群体小麦发 病阶段和病害严重度等级的分类，且随机森林算法和随机蛙跳算法都能够筛选出对条锈病发病阶段和病害严重度敏感的 特征。筛选出的差分植被红边指数（Difference Vegetation Index - Rededge ，DVIRE ）的响应对病害胁迫较为敏感，可用于 同时描述田间条锈病发病阶段和严重度。该研究提出的高通量表型分析方法，基于无人机成像光谱提取的植被指数对群 体小麦田间条锈病进行时间序列动态分析，能够精准量化群体小麦受条锈病胁迫状态，并可为其他作物抗病育种的表型 分析提供一定的参考。 关键词：无人机；遥感；机器学习；小麦条锈病；多光谱成像；高通量表型；动态分析 doi ：10.11975/j.issn.1002-6819.2021.23.015 中图分类号：S127 文献标志码：A 文章编号：10