基于时间序列植被指数的小麦条锈病抗性等级鉴定方法

• Published in: 农业工程学报 Vol. 40; no. 4; pp. 155 - 165
• Main Authors: 苏宝峰, 刘砥柱, 陈启帆, 韩德俊, 吴建辉
• Format: Journal Article
• Language: Chinese
• Published: 陕西省农业信息感知与智能服务重点实验室,杨凌 712100%西北农林科技大学农学院,杨凌 712100 01.02.2024; 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; 西北农林科技大学机械与电子工程学院,杨凌 712100; 农业农村部农业物联网重点实验室,杨凌 712100
• Subjects: multispectral imaging; unmanned aerial vehicle; 多光谱成像; 深度学习; 无人机; remote sensing; 遥感; machine learning; DenseNet121; deep learning; 机器学习; wheat stripe rust; 小麦条锈病
• ISSN: 1002-6819
• DOI: 10.11975/j.issn.1002-6819.202311040

S127%S24; 条锈病严重影响小麦产量,培育抗条锈病的小麦品种至关重要.针对传统育种中抗性鉴定手段单一、效率低的问题,该研究提出了一种通过小麦冠层植被指数的时间序列实现对条锈病不同抗性等级的高效鉴定方法.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,使用随机蛙跳算法和ReliefF算法筛选出 6个条锈病病害严重度的敏感特征:归一化色素叶绿素指数(normalized pigment chlorophyll index,NPCI)、沃尔贝克指数(woebbecke index,WI)、叶绿素红边指数(chlorophyll index rededge,CIrededge)、绿大气抵抗植被指数(green atmospherically resistant index,GARI)、归一化差分植被指数(normalized difference vi,NDVI)、叶绿素绿指数(chlorophyll index green,CIgreen),这些敏感特征在试验群体中的时间序列符合条锈病的发病规律,验证了其作为条锈病发病严重度敏感特征的有效性;基于支持向量机(support vector machine,SVM)算法使用上述敏感特征建立条锈病病害严重度等级分类模型,在测试集的表现中,与使用未经过筛选的原始特征所建立的模型相比在精度、平均准确率、平均召回率和F1分数上分别仅下降 6.2%、3.3%、2.7%、4.0%,证明了所筛选敏感特征的有效性;针对一般机器学习算法难以捕捉不同抗性等级样本之间较小的特征变化差异的问题,提出了一种从植被指数时间序列转化生成的二维图像中提取特征实现条锈病抗性等级分类的方法.将敏感特征中能够较好区分不同抗病等级的 4个时间序列植被指数(NPCI、GARI、NDVI、WI),通过格拉姆角场方法生成格拉姆角和场图像,并制作成数据集,使用DenseNet121网络进行训练,以实现不同条锈病抗病等级的分类.建立的条锈病抗性等级分类模型中,由NPCI时间序列图像建立的分类模型测试效果最佳,其准确率为 0.837,召回率为 0.834,F1分数可达 0.833,能够较好地实现对群体小麦不同品种(系)的条锈病抗性等级差异的区分,表明基于光谱植被指数时间序列的小麦条锈病抗性等级识别方法可以用于小麦抗病育种中抗性等级的鉴定,并可为其他作物的病害抗性等