利用机器学习辅助热成像技术早期检测甜菜褐斑病:精准农业新突破

时间:2025年3月6日
来源:Sugar Tech

编辑推荐:

为减少病害损失与化学药剂使用,研究人员开展甜菜褐斑病早期检测研究,发现多光谱成像比热成像更有效。

广告
   X   

在农业生产的大舞台上,甜菜扮演着重要角色,它是制糖的关键原料。然而,一种名为褐斑病(Cercospora leaf spot,CLS)的病害,如同潜伏在甜菜身边的 “杀手”,严重威胁着甜菜的产量和质量。褐斑病由真菌 Cercospora beticola 引起,在温暖潮湿的环境中,借助风雨传播的孢子迅速扩散,在甜菜叶片上留下深褐色的斑点。这些斑点不仅抑制了甜菜的光合作用,阻碍其能量产生,还对根部发育造成负面影响,导致产量损失超过 30% 。传统的病害检测方法往往在病害已经造成明显损害时才能发现,难以做到早期预警和及时防治。同时,大量使用化学药剂防治病害,不仅增加了生产成本,还对环境造成了污染。因此,寻找一种高效、准确的早期检测方法,成为农业领域亟待解决的问题。
为了攻克这一难题,来自埃斯基谢希尔奥斯曼加齐大学(Eskişehir Osmangazi University)的研究人员开展了一项关于利用机器学习辅助热成像技术早期检测甜菜褐斑病的研究。该研究成果发表在《Sugar Tech》杂志上。

研究人员运用了多种关键技术方法。在图像采集方面,利用搭载高分辨率热成像相机的 Mavic 2 Advanced 无人机获取热红外(TE)图像,同时使用配备多光谱传感器的 DJI Phantom 4 MS 无人机采集多光谱(MS)图像。在数据分析阶段,运用 Pix4D 软件对图像进行处理,将 MS 图像分为五类,TI 图像也分为五类,并结合温度、湿度、降水等气候数据,运用逻辑回归(LR)、k 近邻分类器(KNN)、高斯朴素贝叶斯(GNB)、支持向量机(SVM)和决策树分类器(DTC)等多种机器学习算法进行分析。

研究结果如下:

  • 图像采集与测量:依据甜菜的生长状况,在 CLS 病区从 6 月中旬开始进行图像采集和地面测量,一直持续到生长季结束,每隔 5 - 10 天进行一次。通过气候站获取 CLS 病预警数据,根据相对湿度、叶片湿润持续时间和平均温度计算每日感染值(div)。当 div 值达到 6 及以上,或连续两天风险值达到 3 及以上时,表明需要进行喷雾防治。分析不同年份的预警数据和实际喷雾情况发现,不同处理方式下的喷雾时间和次数存在差异。同时,研究还发现不同颜色的指数图能够反映甜菜的健康状况,如在 NDVI 指数图中,绿色代表健康甜菜,橙色表示叶片受外界因素胁迫,红色则意味着病害加剧;在 TI 图像中,黑色和深蓝色区域表示甜菜生长良好且集中,紫色区域表示叶片出现与胁迫相关的差异,棕色和黄色区域表示病害加重、叶片减少和土壤裸露。然而,通过对比发现,TI 和 MS 图像的指数变化趋势并非完全一致,且 TI 与地面 Testo 热像仪测量结果也只是部分相似123
  • 农药效率:田间试验表明,由于气候站预警和早期喷雾,S2 和 S3 之间存在 15 天的差异。S1 作为对照区未进行喷雾,完全受到病害影响。其他区域因喷雾病害程度较轻,S3 在两年内每季喷雾次数均少于一次,间隔为 15 - 20 天。经观测,S2 和 S3 的喷雾效率分别为 35% 和 29%,病害水平分别为 65% 和 70%,二者差异不显著4
  • 产量和质量:综合两年结果,S1、S2 和 S3 的甜菜产量分别为 107.48、120.88 和 118.33 ,精制糖产量分别为 7.29、8.83 和 8.23 。S1 由于未施农药,病害严重,产量和质量下降,与其他两组差异显著(P<0.01),而 S2 和 S3 之间差异不显著5
  • 机器学习分析:对两年的综合数据集进行二元分类分析,结果显示在 TI 数据分析中,KNN 算法在研究数据分析中表现最为出色;基于 MS 图像的 NDVI 进行病害分析时,SVM 和 KNN 算法预测成功率最高。通过机器学习分析创建的热图显示,温度和湿度是病害形成的主要因素。研究还发现,MS 和 TI 图像检测到的 NDVI 和 TE 指数值变化与病害的发展和出现相关,利用无人机 MS 图像的指数图可以监测植物生长和病害状况,且早期检测病害可节省每次喷雾 43 的劳动力和化学成本678

研究结论与讨论部分指出,遥感和机器学习方法在病害检测方面具有较高的准确性,尤其是在病害症状出现后。TE 图像有助于植物健康监测和病害管理,但受气候条件影响较大,在病害早期检测中,需要结合多种指数和算法,并借助其他检测技术。MS 无人机图像的 NDVI 在甜菜病害早期检测中具有较高准确性,而 TI 图像在这方面的结果不太一致,主要原因是在病害症状出现前,与温度相关的病害因素受气候影响,难以在叶片上形成清晰结构。机器学习算法在处理足够的数据集时,可成功用于病害早期检测,其中 KNN 和 SVM 算法在区分病害症状方面预测成功率最高。无人机成像和分析在甜菜病害检测中效果显著,但结合气候数据评估图像处理数据对早期成功检测病害至关重要。此外,虽然地面 NDVI 测量与病害检测的关系有一定前景,但利用热像仪检测植物潜在胁迫条件仍需进一步研究。

这项研究为农业生产中甜菜褐斑病的早期检测提供了新的思路和方法,有助于实现精准农业,减少化学药剂使用,降低生产成本,保护生态环境,对推动农业可持续发展具有重要意义。

生物通微信公众号
微信
新浪微博


生物通 版权所有