群體小麥條銹病發(fā)病動(dòng)態(tài)無(wú)人機(jī)遙感監(jiān)測(cè)方法

蘇寶峰，劉昱麟，黃彥川，蔚 睿，曹曉峰，韓德俊

（1. 西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院，楊凌 712100； 2. 農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)物聯(lián)網(wǎng)重點(diǎn)實(shí)驗(yàn)室，楊凌 712100；3. 陜西省農(nóng)業(yè)信息感知與智能服務(wù)重點(diǎn)實(shí)驗(yàn)室；4. 西北農(nóng)林科技大學(xué)農(nóng)學(xué)院，楊凌 712100；5. 西北農(nóng)林科技大學(xué)旱區(qū)作物逆境生物學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室，楊凌 712100）

0 引 言

無(wú)人機(jī)成像多光譜遙感在作物病害檢測(cè)方面已經(jīng)取得了一定的成果。Liu 等[13]通過(guò)無(wú)人機(jī)搭載傳感器采集感染赤霉病的小麥灌漿期高光譜圖像，利用誤差反向傳播（Back Propagation，BP）算法建立了赤霉病監(jiān)測(cè)模型，總體準(zhǔn)確率達(dá)98%。Rodríguez 等[14]對(duì)比了5 種機(jī)器學(xué)習(xí)算法在馬鈴薯晚疫病檢測(cè)和評(píng)估中的性能表現(xiàn)，證明了可以通過(guò)無(wú)人機(jī)多光譜技術(shù)采集馬鈴薯冠層反射率，并建立線性支持向量機(jī)（Liner Support Vector Machine，LSVM）和隨機(jī)森林分類模型來(lái)檢測(cè)和評(píng)估馬鈴薯晚疫病發(fā)病狀況。Guo 等[15]通過(guò)無(wú)人機(jī)搭載光譜成像傳感器采集小麥條銹病冠層反射率，提取其植被指數(shù)和紋理特征，建立了不同感染期的偏最小二乘回歸的小麥條銹病監(jiān)測(cè)模型，病害指數(shù)與所提取特征的決定系數(shù)可達(dá)0.82。Su等[16]利用無(wú)人機(jī)采集了接種條銹病的小麥生長(zhǎng)季的冠層多光譜數(shù)據(jù)，利用不同的冠層植被指數(shù)在不同發(fā)病期識(shí)別條銹病發(fā)病區(qū)域。Bhandari 等[17]通過(guò)無(wú)人機(jī)獲取小麥冠層RGB 圖像計(jì)算植被指數(shù)，證明了其與條銹病侵染系數(shù)之間具有較好的相關(guān)性。然而上述針對(duì)作物病害識(shí)別監(jiān)測(cè)的研究中，只對(duì)少數(shù)品種進(jìn)行分析，所得出的結(jié)論在多基因型育種群體中的應(yīng)用還有待進(jìn)一步研究。Chivasa 等[18]基于無(wú)人機(jī)多光譜技術(shù)檢測(cè)玉米條紋病，建立不同品種抗病等級(jí)的隨機(jī)森林分類模型，表明無(wú)人機(jī)成像光譜能夠提高作物表型鑒定效率。上述研究表明無(wú)人機(jī)低空遙感技術(shù)不但能夠提高對(duì)作物病害監(jiān)測(cè)效率，還能為育種群體的表型分析提供支持[19-21]，然而僅通過(guò)單一時(shí)間點(diǎn)的冠層數(shù)據(jù)無(wú)法實(shí)現(xiàn)對(duì)作物發(fā)病情況的動(dòng)態(tài)分析[22]。

因此，本文以田間感染條銹病的育種小麥自然群體為研究對(duì)象，獲取其無(wú)人機(jī)成像多光譜數(shù)據(jù)與條銹病嚴(yán)重度人工調(diào)查數(shù)據(jù)，提取冠層光譜植被指數(shù)，并利用特征選擇和分類算法建立群體小麥田間條銹病發(fā)病階段和嚴(yán)重度的分類模型，并篩選出對(duì)發(fā)病階段和病害嚴(yán)重度分類敏感的特征，以探究通過(guò)多時(shí)相的光譜植被指數(shù)進(jìn)行群體小麥田間條銹病動(dòng)態(tài)分析的可行性；并通過(guò)指數(shù)響應(yīng)時(shí)間序列，量化并分析田間條銹病發(fā)病狀況，以期為群體小麥條銹病的發(fā)病動(dòng)態(tài)分析提供一種客觀、高效的高通量方法。

1 材料和方法

1.1 試驗(yàn)區(qū)概況及試驗(yàn)材料

試驗(yàn)區(qū)域位于陜西省咸陽(yáng)市楊陵區(qū)曹新莊試驗(yàn)農(nóng)場(chǎng)（108°5′34″E，34°8′17″N），海拔約480 m，屬于溫帶季風(fēng)性氣候，年均氣溫約13 ℃，年均降水量635 mm。試驗(yàn)期間的日平均空氣溫濕度情況如圖1 所示，2021 年4月19—26 日，由于降水，日最大空氣濕度保持在較高的水平，且空氣溫度較為適宜，利于條銹病夏孢子繁殖與傳播，使試驗(yàn)區(qū)域內(nèi)大部分小麥品種受到感染，產(chǎn)生條銹病夏孢子堆，出現(xiàn)春季流行癥狀。

試驗(yàn)材料為中國(guó)小麥聯(lián)合攻關(guān)和小麥產(chǎn)業(yè)技術(shù)體系各單位選送參加區(qū)試的510 份小麥新品種（系）與重復(fù)種植15 次的6 個(gè)參考品種（濟(jì)麥22、百農(nóng)207、周麥18、西農(nóng)511、偃展4110、周麥36）構(gòu)成的自然群體，按育種試驗(yàn)增廣設(shè)計(jì)實(shí)行小區(qū)種植，共600 個(gè)小區(qū)，小區(qū)大小為1 m2。試驗(yàn)區(qū)域的正射影像如圖2 所示。

1.2 數(shù)據(jù)采集

1.2.1 無(wú)人機(jī)成像多光譜數(shù)據(jù)獲取

本研究中無(wú)人機(jī)成像多光譜數(shù)據(jù)采集系統(tǒng)采用深圳大疆創(chuàng)新科技有限公司的經(jīng)緯Matrice 100 四旋翼無(wú)人機(jī)作為平臺(tái)，搭載美國(guó)Micasense公司的RedEdge成像系統(tǒng)，如圖3 所示。

設(shè)B層中與Aj相關(guān)的因素成對(duì)比較判斷矩陣經(jīng)過(guò)了一致性檢驗(yàn)，求得單排序一致性指標(biāo)為CI(j)，(j=1，…，m)，相應(yīng)的，平均隨機(jī)一致性指標(biāo)為RI(j)，CI(j)、RI(j)已經(jīng)在層次單排序時(shí)求得，那么B層總排序隨機(jī)一致性比例為：

RedEdge 傳感器具有5 個(gè)通道，其名稱、中心波長(zhǎng)/半峰全寬分別為：藍(lán)（Blue，B）475 nm /20 nm、綠（Green，G）560 nm/20 nm、紅（Red，R）668 nm/10nm、紅邊（Red Edge，RE）717 nm/10nm、近紅外（Near Infrared，NIR）840 nm/40 nm，每個(gè)通道空間分辨率為1 080×756 像素；成像系統(tǒng)下行光照傳感器（Downwelling Light Sensor，DLS）模塊用于數(shù)據(jù)采集時(shí)環(huán)境光線與太陽(yáng)角度的校正；平臺(tái)集成的全球定位系統(tǒng)（Global Positioning system，GPS）用于記錄圖像的位置信息；反射率校正板用于校正各個(gè)通道的反射率。使用該平臺(tái)在2020 年3 月31 日至5月14 日采集15 次小麥冠層成像多光譜數(shù)據(jù)，數(shù)據(jù)采集時(shí)間為能見(jiàn)度良好的10:00－15:00，無(wú)人機(jī)飛行高度為20～21 m，前向與側(cè)向重疊率為80%～90%，飛行速度保持在1.4～1.6 m/s。

1.2.2 小麥條銹病人工鑒定數(shù)據(jù)采集

按照小麥葉片上條銹病夏孢子所占整個(gè)葉片面積的百分比，將嚴(yán)重度劃分為13 個(gè)等級(jí)（0、1%、5%、10%、20%、30%、40%、50%、60%、70%、80%、90%、100%）[23]。在2021 年5 月12 日，按照上述標(biāo)準(zhǔn)對(duì)研究區(qū)域內(nèi)600 個(gè)小區(qū)進(jìn)行病害嚴(yán)重度鑒定數(shù)據(jù)采集，將其劃分為3 個(gè)嚴(yán)重度等級(jí)，即病害嚴(yán)重度在0～30%為高抗反應(yīng)型（Resistance，R），在40%～60%為中抗反應(yīng)型（Moderate Resistance，MR），在70%～100%的為感病反應(yīng)型（Susceptible，S）[24]。

依照發(fā)病后時(shí)間順序?qū)l銹病發(fā)病劃分為5 個(gè)階段，對(duì)應(yīng)數(shù)據(jù)采集日期為：4 月22 日、4 月26 日、5 月1 日、5 月6 日、5 月12 日，分別記錄為S0、S1、S2、S3 和S4，其中S0 為田間第一次出現(xiàn)明顯夏孢子堆的狀態(tài)。（Optimized Soil Adjusted Vegetation Index，OSAVI）圖像分割小麥冠層與背景土壤，通過(guò)統(tǒng)計(jì)比較確定每次多光譜數(shù)據(jù)的閾值生成二值化掩膜圖像。最后，通過(guò)圖像裁剪處理得到試驗(yàn)群體600 個(gè)種植小區(qū)的反射率指數(shù)圖像和掩膜，并計(jì)算和提取各小區(qū)光譜植被指數(shù)。本文中所用到的光譜植被指數(shù)的定義及計(jì)算公式如表1 所示（人工選擇的閾值會(huì)影響OSAVI 指數(shù)的提取結(jié)果，故該指數(shù)，僅用作閾值分割，不參與后續(xù)建模與分析）。

表1 本研究中使用植被指數(shù)公式Table 1 Spectral vegetation indices used in this study

1.3 研究方法

首先對(duì)無(wú)人機(jī)多光譜圖像進(jìn)行預(yù)處理。由于光譜植被指數(shù)擁有明確的物理意義，能夠探測(cè)病害引起的生理生化過(guò)程[25]，故構(gòu)建由光譜植被指數(shù)、條銹病發(fā)病階段和條銹病嚴(yán)重度等級(jí)數(shù)據(jù)組成的數(shù)據(jù)集；通過(guò)特征篩選和機(jī)器學(xué)習(xí)算法建立條銹病發(fā)病階段和嚴(yán)重度的分類模型，同時(shí)篩選出對(duì)分類結(jié)果敏感的特征；并基于篩選出的光譜植被指數(shù)響應(yīng)的時(shí)間序列，分析部分試驗(yàn)材料在不同階段的田間條銹病發(fā)病動(dòng)態(tài)。本研究整體技術(shù)路線如圖4 所示。

1.3.1 無(wú)人機(jī)圖像預(yù)處理與植被指數(shù)提取

首先，使用Pix4Dmapper（Pix4DInc., Switzerland,http://www.pix4d.com/）軟件對(duì)無(wú)人機(jī)采集的多光譜圖像進(jìn)行拼接和輻射校正，最后生成5 個(gè)通道的單波段反射率指數(shù)地圖；為了后續(xù)批量處理多次遙感數(shù)據(jù)，利用QGIS 軟件（https://www.qgis.org/）結(jié)合地面控制點(diǎn)對(duì)拼接完成的單波段反射地圖進(jìn)行圖像幾何校正；而后，采用閾值法進(jìn)行圖像分割，以優(yōu)化土壤調(diào)節(jié)植被指數(shù)

1.3.2 光譜響應(yīng)分析

在判斷條銹病嚴(yán)重度時(shí)，由于群體小麥不同品種（系）間的初始狀態(tài)、對(duì)病害的敏感程度和染病速率不同，單一時(shí)間點(diǎn)的光譜特征無(wú)法評(píng)估不同品種（系）小麥對(duì)條銹病脅迫的響應(yīng)，為了消除單一時(shí)間點(diǎn)的誤差，根據(jù)公式（1）計(jì)算小麥冠層22 個(gè)光譜植被指數(shù)的平均變化率作為條銹病脅迫下小麥的光譜響應(yīng)[37]，并根據(jù)響應(yīng)的時(shí)間序列作為構(gòu)建嚴(yán)重度等級(jí)分類模型的特征和條銹病的發(fā)病動(dòng)態(tài)分析指標(biāo)。

式中response 為某一植被指數(shù)的響應(yīng)，S0為該植被指數(shù)的初始狀態(tài)，本文中取4 月22 日的各個(gè)光譜植被指數(shù)作為初始狀態(tài)；Si為S0后第i個(gè)時(shí)期的光譜植被指數(shù)，本文中取i取1、2、3、4，對(duì)應(yīng)1.2.2 中介紹的S1 ～ S4。

1.3.3 特征篩選與分類算法

隨機(jī)森林是一種由多決策樹(shù)集成的機(jī)器學(xué)習(xí)算法，其通過(guò)重采樣方式多次隨機(jī)抽取原始訓(xùn)練集一部分樣本，進(jìn)行多個(gè)決策樹(shù)的建模，并通過(guò)投票方法輸出最后的分類結(jié)果。隨機(jī)森林算法在特征篩選上的隨機(jī)性使其不容易出現(xiàn)過(guò)擬合，抗噪能力較好，且能對(duì)特征的重要性進(jìn)行排序[38]。在對(duì)條銹病發(fā)病階段的分類模型構(gòu)建和敏感特征篩選中，利用試驗(yàn)群體600 個(gè)小區(qū)5 個(gè)發(fā)病階段的22 個(gè)光譜植被指數(shù)（表2 中除OSAVI）構(gòu)建建模數(shù)據(jù)集。數(shù)據(jù)集共3 000 個(gè)樣本，每個(gè)樣本具有22 個(gè)特征，分為S0、S1、S2、S3、S4 共5 個(gè)類別，并按照3:1 的比例劃分訓(xùn)練集與測(cè)試集，設(shè)置隨機(jī)森林算法的決策樹(shù)個(gè)數(shù)為300，建立發(fā)病階段的隨機(jī)森林分類模型，同時(shí)給出22 個(gè)特征的重要性排序；在對(duì)條銹病病害嚴(yán)重度等級(jí)的分類模型構(gòu)建和敏感特征篩選中，以5 月12 日采集的無(wú)人機(jī)多光譜數(shù)據(jù)所提取的22 個(gè)植被指數(shù)的響應(yīng)作為特征，構(gòu)建條銹病嚴(yán)重度等級(jí)隨機(jī)森林分類模型（參數(shù)設(shè)置和數(shù)據(jù)集劃分與發(fā)病階段分類模型相同），并給出22個(gè)特征的重要性排序。

為了對(duì)比不同算法在篩選條銹病發(fā)病階段和病害嚴(yán)重度敏感特征的結(jié)果，使用隨機(jī)蛙跳算法對(duì)特征進(jìn)行篩選。隨機(jī)蛙跳是一種能夠利用少量的變量迭代進(jìn)行建模的高維數(shù)據(jù)變量選擇方法，它能夠輸出每個(gè)變量選擇的可能性，從而進(jìn)行變量的篩選[39]。支持向量機(jī)（Support Vector Machine，SVM）算法在解決小樣本、非線性及高維模式識(shí)別中具有一定的優(yōu)勢(shì)[40]，它首先尋找一個(gè)最大邊際超平面，并將低維數(shù)據(jù)通過(guò)核函數(shù)映射到高維空間中，從而使線性不可分的樣本變?yōu)榫€性可分的樣本，并通過(guò)引入模型懲罰因子，提高分類模型的泛化性，達(dá)到更好地分類效果。通過(guò)隨機(jī)蛙跳算法（設(shè)置族群中青蛙的數(shù)量N為10 000，子族群中青蛙的數(shù)量Q設(shè)為2）實(shí)現(xiàn)對(duì)條銹病發(fā)病階段和病害嚴(yán)重度敏感特征的篩選；為了驗(yàn)證篩選特征對(duì)于分類問(wèn)題的有效性，將篩選后的被選擇概率排在約前1/3 的（前7 個(gè)）植被指數(shù)作為SVM的輸入特征，構(gòu)建條銹病發(fā)病階段和病害嚴(yán)重度等級(jí)分類模型。

2 結(jié)果與討論

2.1 群體發(fā)育階段的動(dòng)態(tài)分析

根據(jù)人工調(diào)查群體中600 個(gè)小區(qū)的生育期結(jié)果，該群體4 月16 日—22 日基本完成抽穗，4 月28 日—5 月4日期間群體小麥揚(yáng)花，揚(yáng)花授粉后灌漿緩慢啟動(dòng)，大約兩周內(nèi)籽粒含水率迅速增加，而干物質(zhì)的積累很少，群體尚未明顯衰老，期間條銹病是影響小麥長(zhǎng)勢(shì)的主導(dǎo)因素。這與利用群體冠層NDVI 指數(shù)時(shí)間序列分析[41]的結(jié)果一致：如圖5 所示，NDVI 在拔節(jié)期后的飽和效應(yīng)提前結(jié)束。

2.2 條銹病發(fā)病階段分類

使用22 個(gè)光譜植被指數(shù)作為分類特征構(gòu)建的群體小麥條銹病發(fā)病階段分類模型在測(cè)試集中的混淆矩陣如圖6a 所示，篩選出的敏感特征如圖7a 所示。通過(guò)隨機(jī)蛙跳對(duì)條銹病發(fā)病階段敏感特征篩選的結(jié)果如圖7b 所示。將被選擇概率排名約前1/3 的特征作為輸入特征構(gòu)建的SVM 分類模型在測(cè)試集中的混淆矩陣如圖6b 所示。

由圖6 可知，通過(guò)隨機(jī)蛙跳篩選特征建立的SVM 分類模型和利用22 個(gè)植被指數(shù)構(gòu)建隨機(jī)森林分類模型對(duì)條銹病發(fā)病階段的分類都取得了較好的效果，表明可以通過(guò)光譜植被指數(shù)來(lái)描述群體小麥田間條銹病發(fā)病階段，模型的評(píng)價(jià)結(jié)果如表2 所示。SVM 算法的F1 分?jǐn)?shù)為0.985，隨機(jī)森林算法的F1 分?jǐn)?shù)為0.970，略低于前者，表明隨機(jī)蛙跳算法和隨機(jī)森林算法都可以用來(lái)篩選對(duì)于條銹病發(fā)病階段更為敏感的指數(shù)。S2 和S3 時(shí)期的精度和召回率相對(duì)較低，從混淆矩陣中也可以看出兩種分類模型在S2 和S3 時(shí)期出現(xiàn)相對(duì)較為明顯的混淆，可能是由于在兩個(gè)階段前后病害表現(xiàn)變化較小，導(dǎo)致光譜植被指數(shù)差異較小。

表2 發(fā)病階段分類模型評(píng)價(jià)Table 2 Accuracy evaluation of classification models of disease stages

DVIRE、NDVIrededge、GVI 指數(shù)在隨機(jī)森林和隨機(jī)蛙跳算法中具有相似的排名，對(duì)條銹病發(fā)病階段較為敏感，表明這些光譜植被指數(shù)能夠更好的描述群體小麥田間條銹病發(fā)病動(dòng)態(tài)。

2.3 條銹病嚴(yán)重度等級(jí)分類

使用隨機(jī)森林算法建立的條銹病病害嚴(yán)重度等級(jí)分類模型在測(cè)試集中的混淆矩陣如圖8a 所示，篩選出的病害嚴(yán)重度敏感特征如圖9a 所示。通過(guò)隨機(jī)蛙跳對(duì)條銹病病害嚴(yán)重度敏感特征篩選的結(jié)果如圖9b 所示。將被選擇概率排名約前1/3 的特征作為輸入特征構(gòu)建SVM 分類模型在測(cè)試集中的混淆矩陣如圖8b 所示。

如圖8 所示，兩種分類算法分類精度較之對(duì)條銹病發(fā)病階段的分類精度都有所下降。測(cè)試集中錯(cuò)誤的樣本主要集中在嚴(yán)重度相鄰的兩級(jí)之間（“R”與“MR”、“MR”與“S”）。由表3 可以看出，通過(guò)隨機(jī)蛙跳篩選特征建立的SVM 分類模型的F1 分?jǐn)?shù)為0.780，而利用22 個(gè)原始特征構(gòu)建的隨機(jī)森林模型的F1 分?jǐn)?shù)為0.741。由于數(shù)據(jù)集中類別“R”的數(shù)量較多，因此在兩種分類模型中類別“R”的精度和召回率最高；兩種分類模型中“MR”的精度和召回率較低，易出現(xiàn)與嚴(yán)重度相鄰級(jí)別的混淆。由于人工鑒定具有一定的主觀性，給出的分類標(biāo)簽可能會(huì)與實(shí)際條銹病嚴(yán)重度情況有所差異，造成分類結(jié)果并不十分準(zhǔn)確，但總體上看，人工鑒定數(shù)據(jù)與機(jī)器學(xué)習(xí)算法構(gòu)建的分類模型對(duì)條銹病嚴(yán)重度等級(jí)判斷結(jié)果基本一致。由此可知，能夠通過(guò)由無(wú)人機(jī)多光譜數(shù)據(jù)提取的冠層光譜植被指數(shù)響應(yīng)量化群體中不同小麥品種（系）條銹病病害嚴(yán)重程度差異。

表3 病害嚴(yán)重度分類模型精度評(píng)價(jià)Table 3 Accuracy evaluation of classification models of disease severity

如圖9 所示，通過(guò)隨機(jī)蛙跳算法篩選出較為重要的光譜植被指數(shù)與隨機(jī)森林算法的分類貢獻(xiàn)性結(jié)果相似程度不高，其中WI、NPCI、NDVI 在兩種敏感特征篩選算法中都具有較高的重要性。

圖10 為人工鑒定的條銹病嚴(yán)重度等級(jí)與分類效果較好的SVM 分類模型結(jié)果的可視化。可以更加直觀地看出構(gòu)建的SVM分類模型基本可以完成對(duì)田間小麥條銹病病害嚴(yán)重度的分類，個(gè)別混淆主要發(fā)生在嚴(yán)重度等級(jí)相鄰的樣本中（“R”與“MR”、“MR”與“S”）。

2.4 條銹病脅迫下光譜響應(yīng)動(dòng)態(tài)分析

根據(jù)兩種分類算法對(duì)條銹病發(fā)病階段和嚴(yán)重度的分類結(jié)果，篩選出6 個(gè)對(duì)條銹病發(fā)病階段和病害嚴(yán)重度都相對(duì)敏感的指數(shù)，分別為 DVIRE、GVI、NDVI、NDVIrededge、NPCI 和WI，計(jì)算6 個(gè)指數(shù)相對(duì)于4 月22 日的響應(yīng)，并在群體重復(fù)種植的15 組參考品種中隨機(jī)選擇一組，分析其冠層植被指數(shù)響應(yīng)時(shí)間序列，如圖11 所示。

在6 個(gè)參考品種中，濟(jì)麥22 和百農(nóng)207 病害嚴(yán)重度等級(jí)為“S”，偃展4110、周麥18、西農(nóng)511 的嚴(yán)重度等級(jí)為“MR”，周麥36 的嚴(yán)重度等級(jí)為“R”。在5 月12 日，6 個(gè)指數(shù)基本能夠區(qū)分3 類病害嚴(yán)重度等級(jí)，其中DVIRE、NDVI、NDVIrededge、NPCI 和WI 響應(yīng)的時(shí)間序列中，效果更為明顯；然而在上述5 個(gè)指數(shù)中NPCI與WI 對(duì)條銹病發(fā)病階段的分類并不敏感；對(duì)發(fā)病階段分類貢獻(xiàn)率較大的DVIRE、GVI、NDVI 和NDVIrededge中，GVI 對(duì)病害嚴(yán)重度等級(jí)也不夠敏感；而DVIRE、NDVI和NDVIrededge 同時(shí)對(duì)發(fā)病階段和病害嚴(yán)重度的分類有較大的貢獻(xiàn)。在條銹病脅迫早期，小麥冠層DVIRE 的響應(yīng)最快，其他植被指數(shù)響應(yīng)較慢，GVI、NPCI 和WI、在條銹病脅迫早期出現(xiàn)了與最終結(jié)果相反方向的變化。

如圖11a 所示，從DVIRE 的響應(yīng)時(shí)間序列來(lái)看，在小麥條銹病脅迫早期，發(fā)病速率較快的是偃展4110，而不是最終病害嚴(yán)重度等級(jí)最高的百農(nóng)207；偃展4110 在4 月29 日之后發(fā)病速率存在明顯的降低，并最終處于“MR”級(jí)別，而百農(nóng)207 的DVIRE 的響應(yīng)基本呈線性趨勢(shì)下降；而最終嚴(yán)重度等級(jí)最低的周麥18 在4 月26 日之后就已經(jīng)發(fā)生類似于偃展4110 的變化，發(fā)病速率明顯減緩，并在5 月12 日人工鑒定時(shí)呈現(xiàn)出“R”等級(jí)。

3 結(jié) 論

本文提出了一種群體小麥條銹病發(fā)病動(dòng)態(tài)無(wú)人機(jī)遙感分析方法，并通過(guò)所建立的機(jī)器學(xué)習(xí)模型驗(yàn)證了其可靠性，主要結(jié)論如下：

1）利用22 個(gè)原始特征構(gòu)建的隨機(jī)森林分類模型與通過(guò)隨機(jī)蛙跳篩選特征建立的SVM分類模型對(duì)群體小麥田間條銹病發(fā)病階段的分類都極為準(zhǔn)確，證明了利用無(wú)人機(jī)遙感采集并提取的光譜植被指數(shù)能夠描述群體小麥田間條銹病發(fā)病隨時(shí)間的動(dòng)態(tài)變化；篩選出的NDVIrededge、DVIRE 和GVI 對(duì)模型分類結(jié)果更加敏感，可以更好地實(shí)現(xiàn)對(duì)群體小麥田間條銹病發(fā)病階段的分類。

2）利用22 個(gè)植被指數(shù)的響應(yīng)構(gòu)建的隨機(jī)森林分類模型與通過(guò)隨機(jī)蛙跳篩選特征建立的SVM分類模型都能夠較好的完成對(duì)條銹病嚴(yán)重度等級(jí)的分類，證明了無(wú)人機(jī)采集并提取的光譜植被指數(shù)可以描述小麥群體中不同品種（系）之間的田間條銹病嚴(yán)重度差異；篩選出的WI、NPCI、NDVI 在兩種特征選擇算法中取得相似的重要性，對(duì)條銹病病害嚴(yán)重度更為敏感。

3）通過(guò)多時(shí)相的光譜指數(shù)響應(yīng)的時(shí)間序列能夠在病害發(fā)生的不同階段，精細(xì)、客觀地量化并分析育種群體中不同品種（系）的發(fā)病狀態(tài)，實(shí)現(xiàn)對(duì)群體小麥條銹病表型的動(dòng)態(tài)分析。在全部提取的植被指數(shù)中，DVIRE、NDVI 和NDVIrededge 可以同時(shí)描述群體小麥條銹病發(fā)病階段和病害嚴(yán)重度，其中小麥冠層DVIRE 可以作為最佳指標(biāo)精細(xì)量化群體小麥條銹病發(fā)病動(dòng)態(tài)情況。