2024年8月17日，中国农业科学院白亚利及其合作者在Computers and Electronics in Agriculture期刊上发表了一篇题为Comprehensive analysis of hyperspectral features for monitoring canopy maize leaf spot disease的研究论文。
玉米是全球广泛种植的重要粮食作物，但易受多种病害的影响，尤其是叶斑病，这会导致严重的产量损失。传统的叶斑病监测方法主要依赖人工目视检查，耗时且难以大规模应用。高光谱成像技术是一种新兴的非侵入性手段，能够在早期阶段检测植物病害。该技术通过捕获广泛的光谱信息，可以提供传统多光谱成像技术难以发现的植被健康状况细节。
研究团队通过在中国河南省的三处玉米田地进行实验，使用无人机搭载的高光谱相机，采集感染叶斑病玉米和健康玉米的光谱数据。研究分析了多个光谱特征，包括光谱反射、植被指数（VIs）和小波特征（WFs），并结合生物物理参数（如叶绿素含量）进行特征提取与分析。研究的主要目标是评估这些特征对叶斑病的敏感性，并通过机器学习模型，特别是强化学习算法，构建了疾病监测和抗病性评估的分类模型。
研究表明，小波特征在感染后的第6天开始表现出对叶斑病的敏感性，植被指数在第8天出现响应，叶绿素含量的变化在第10天变得明显。在早期和严重病害阶段，结合不同特征集（如Cab、VIs和WFs）的分类模型表现出更高的精度，比仅使用光谱特征或植被指数的模型提高了9.36%的准确性。然而，在轻度和初期严重病害阶段，不同特征集之间的信息冗余导致模型性能差异较小。
实验设计
本研究选择了中国河南省新乡市和原阳县的三个玉米田作为研究地点，主要用于评估不同玉米基因型对叶斑病的抗性。每个实验地点均进行了叶斑病的人工感染实验，重点在不同基因型玉米的响应和病害监测。
1.1 实验区设置
三个实验地点分别命名为A、B和C。A和B位于原阳县，C位于新乡市。所有实验田的种植密度均为90,000株/公顷，玉米种植后于生长期（喇叭口期）进行叶斑病感染处理（图1）。研究团队在实验田中划分了健康区和感染区，确保不同玉米基因型在控制条件下接受同样的病原菌接种。感染后的田间通过无人机搭载高光谱相机获取遥感数据。
图1：实验田地及接种区域示意图，红色区域为感染区，黄色区域为健康区。
1.2 数据采集与时间点
无人机搭载高光谱相机对田间进行了高光谱成像数据采集。数据采集的时间点包括感染后的多个关键节点：第0天、2天、4天、6天、8天、10天、12天、15天、22天、24天和30天，以捕捉叶斑病进展过程中的光谱变化。在每个时间点，还进行了地面调查，以评估叶斑病的严重程度。
1.3 田间调查与分级
田间调查通过采集每个实验区中随机选取的玉米植株叶片进行。具体而言，从每株玉米中分别收集3片叶，然后根据病斑的大小和覆盖范围将叶斑病分为三个阶段：早期（初始感染，病斑较小），轻度（病斑开始扩展并连接），和重度（多处病斑融合，叶片受损严重）（图2）。
图2：不同叶片感染程度下的田间玉米叶片RGB图像。
2. 特征提取
为了从采集的高光谱图像中提取与叶斑病相关的有效信息，本研究提取了两大类特征：生物物理参数和光谱特征。
2.1 生物物理参数
生物物理参数通过PROSAIL模型反演获得。该模型结合了叶片的光谱特性与冠层的结构信息，能够准确估计植被的生理状态。具体提取的生物物理参数包括：叶绿素含量（Cab）：反映植物光合作用效率和健康状况。类胡萝卜素含量（Car）：植物抗氧化能力。等效水厚度（Cw）：衡量植物水分含量。干物质含量（Cm）：表征植被结构。花青素含量（Anth）：与植物的抗应激反应相关（图3）。
图3：通过PROSAIL模型反演生物物理参数的流程图，包括叶绿素含量（Cab）、类胡萝卜素含量（Car）、花青素含量（Anth）等。
2.2 光谱特征
基于高光谱图像的光谱反射率信息，提取了以下光谱特征：
1）光谱反射率：反映植物在不同波段的反射强度，能揭示植被的健康状态。2）植被指数（VIs）：通过特定波段组合构建，能有效捕捉叶片的生物物理变化，如归一化植被指数（NDVI）、植物结构反射指数（PSRI）等。3）小波特征（WFs）：利用连续小波变换（CWT）处理光谱反射率数据，提取光谱信息在不同尺度上的变化，反映了叶片对病害的早期响应。
3. 特征分析
为了确定哪些高光谱特征与叶斑病进展密切相关，研究团队通过时间序列分析和机器学习方法对这些特征进行了深入分析。
3.1 时间响应分析
响应时间分析旨在研究高光谱特征对叶斑病进展的时间敏感性。为减少冠层结构和光照对特征的影响，研究采用了基于时间的归一化方法，计算每个时间点的特征增量ΔF。通过Cohen’s d效应量，健康与感染区域之间的差异被量化，研究设定效应量阈值为Z=0.8，以确定哪些特征在病害感染15天内对病害做出了显著响应（图4）。最终，只有那些在多个时间点上显示出显著差异的特征被纳入进一步分析，确保这些特征在叶斑病的早期阶段表现出敏感性。
图4：敏感特征识别的综合特征分析方法示意图，展示了高光谱特征如何根据感染区和健康区的差异进行分类分析。
3.2 共线性诊断
为了优化分类模型，研究团队通过强化学习算法（RL）进行特征共线性诊断，消除特征冗余问题。该过程通过构建马尔可夫决策过程（MDP）模型，自动选择信息丰富且独立的特征。具体而言，RL模型通过连续决策过程，基于方差膨胀因子（VIF）和信息熵评估特征的重要性。通过这种策略，最终选取了能够提升分类模型性能的特征子集，确保了所选特征集具有较高的信息熵和低共线性（图5）。
图5：强化学习算法用于共线性诊断的示意图，展示了如何通过状态、动作和奖励机制优化特征选择。
4. 特征评估：
4.1特征重要性：
为了验证所选特征的有效性，研究团队采用了Shapley加性解释法（SHAP）对特征重要性进行评估。通过随机森林（RF）模型生成SHAP值，研究团队对特征在叶斑病感染不同阶段（早期、轻度和重度）的重要性进行了分析。特征重要性分析分为两部分：首先，通过分析整个实验期的高光谱特征，并将其与叶斑病严重程度（DAI）进行对比，探讨了不同高光谱特征与病害发展之间的关系。其次，比较了感染区和健康区在不同感染阶段的特征表现，以确定哪些特征在病害不同阶段能有效区分感染和健康的植株。分析结果表明，叶绿素含量（Cab）、植被结构反射指数（PSRI）、和光化学反射指数（PRIn）在叶斑病监测中表现出较高的重要性，尤其在病害早期和中期阶段。
4.2机器学习模型
为进一步验证所选特征在机器学习模型中的有效性，研究团队使用随机森林（RF）和梯度提升决策树（GBDT）算法，分别构建了回归和分类模型。回归模型：回归模型用于估算玉米叶斑病的病情指数（DI）。数据划分为训练集和测试集（80%训练，20%测试），并采用k折交叉验证（k=10）进行模型优化。回归模型的性能通过决定系数（R²）、均方根误差（RMSE）和平均绝对误差（MAE）进行评估。分类模型：分类模型用于评估不同基因型玉米的抗病性。模型通过整体准确率（OA）和Cohen’s kappa系数（kappa）评估分类结果的可靠性。研究评估了三种特征组合的分类效果：生物物理参数结合光谱特征（BSF）、光谱特征单独（SF）、和仅使用植被指数（VI）。结果显示，结合生物物理参数与光谱特征的模型在早期病害阶段表现出最高的分类准确性。
5.结果总结：
5.1特征对叶斑病感染的时间响应：
高光谱特征在玉米叶斑病感染后的时间动态分析揭示了特征响应的阶段性变化。通过比较感染区和健康区的特征变化量，研究团队能够识别出疾病的早期迹象和病害的进展。
叶绿素含量（Cab）在感染后表现出显著变化（图6）。在第0天到第10天期间，Cab在感染区的积累速度滞后于健康区，并在第10天后出现显著差异，证实了叶斑病对叶绿素动态的影响。其他生物物理参数（花青素、等效水厚度、干物质和类胡萝卜素）的变化趋势较为噪声化，未能显示出一致的显著差异。光谱反射率在400-900纳米范围内未能显示出显著的敏感性，反映出光谱反射率数据存在噪声，难以稳定地用于叶斑病监测（图7）。植被指数（VIs）在感染后的第8天首次表现出响应，光化学反射指数（PRIn）显示出持续的病害响应，尤其是与玉米的光合作用效率相关的指标一直响应到第30天（图8）。从第12天开始，相关的VIs响应包括叶绿素和类胡萝卜素相关的指数，标志着病害对植物生理的影响。小波特征在早期感染阶段表现出较高的敏感性，尤其是在450-750纳米范围内。研究发现，某些小波特征在第6天即表现出响应，表明了叶斑病对植被色素动态的早期影响（图9）。
图6：叶绿素含量（Cab）随时间的变化趋势，展示了健康区和感染区的差异。
图7：光谱反射率在健康区和感染区的变化，未显示出显著差异。
图8：植被指数PRIn在健康区和感染区的变化，展示了不同时间点的响应差异。
图9：小波特征（WFs）随时间的变化，展示了病害进展过程中的响应模式。
5.2 关键特征的重要性
通过实验分析，研究团队识别出11个关键特征，其中包括5个植被指数（VIs）、5个小波特征（WFs）和1个生物物理参数（Cab）。这些特征在玉米对叶斑病抗性评估中的表现尤为突出。在早期病害阶段，Cab表现出最高的重要性评分。这些特征在病害的轻度和重度阶段也保持较高的重要性（图10）。
图10：SHAP分析中各特征的重要性图，展示了不同特征在病害不同阶段的贡献。
5.3 回归模型对病害指数（DI）的估算
使用RF和GBDT回归算法对玉米叶斑病的病害指数（DI）进行了估算。在2022年和2021年的数据中，GBDT模型的性能优于RF模型，尤其是在光谱特征的使用下，表现出较高的决定系数R²和较低的RMSE（图11，图12）。回归结果表明，在初期严重阶段，整合生物物理参数和光谱特征的数据可能存在信息冗余。
图11：2022年不同回归模型对病害指数（DI）的估算结果。
图12：2021年不同回归模型对病害指数（DI）的估算结果。
5.4分类模型评估玉米抗病性
使用不同时间点的高光谱影像构建的分类模型表明，结合生物物理参数、小波特征（WFs）和植被指数（VIs）的模型在2022年表现出最高的分类精度和Cohen’s kappa系数（图13）。Cab和WFs的去除导致了整体准确率的明显下降，尤其是在病害早期阶段。2021年的分类模型也显示出类似的趋势，在DAI 31时达到了最佳分类准确率。
图13：2022年使用不同特征组合的分类模型的整体准确率和kappa系数。
