综述：结合高光谱数据和机器学习监测棉花黄萎病

《Smart Agricultural Technology》：Integrating Hyper-spectral Data and Machine Learning to Monitor Cotton Verticillium Wilt

本文系统探讨了高光谱遥感与机器学习算法（RF、SVM、BPNN、CNN）在棉花黄萎病严重度（VWS）监测中的应用。研究通过双波段植被指数（RNDVI、RRVI）筛选敏感光谱波段（708.4-909.6nm、1141.1-2279.6nm），结合数据更新策略验证模型稳定性，为作物病害精准监测提供新范式。

　　

结合高光谱与机器学习实现棉花黄萎病精准监测

引言

黄萎病（Verticillium Wilt, VW）作为一种常见的土传真菌病害，严重威胁棉花产量和品质。传统田间调查方法存在效率低、主观性强等局限，而多光谱遥感技术因波段数量有限（10-30nm带宽），难以捕捉病害早期细微光谱变化。高光谱数据（350-2500nm，分辨率<3nm）凭借其连续窄波段特性，为揭示作物生理生化参数变化提供了独特优势。

研究方法与数据

研究在新疆莫索湾灌区3个试验点开展2019-2021年田间调查，共获取361个棉花冠层的高光谱数据和VWS值。病害严重度按国家标准GB/T 22101.5-2009划分为B₀（健康）-B₃（>50-75%叶片发病）4个等级。采用便携式地物光谱仪（PSR）采集光谱数据，并通过双波段指数分析法构建精细化植被指数：RNDVI（精细化归一化植被指数）、RRVI（精细化比值植被指数）和RDVI（精细化差值植被指数）。

敏感波段与植被指数筛选

通过皮尔逊相关性分析发现，708.4-750nm（红边区域）对叶绿素含量变化敏感，750-909.6nm（近红外平台）反映叶片内部结构变化，1141.1-2279.6nm（短波红外）表征水分和细胞壁成分变化。RRVI和RNDVI与VWS的相关性最高（R²=0.64），显著优于RDVI（R²=0.42）。

机器学习模型构建与比较

研究对比了四种机器学习算法与不同数据组合的建模效果：

• •
  随机森林（RF）模型结合RRVI指数表现最优（R²=0.83，RMSE=8.09）
• •
  RF与敏感波段直接结合可达相近精度（R²=0.78）
• •
  反向传播神经网络（BPNN）与RRVI组合适合边缘计算部署（R²=0.79）
• •
  支持向量机（SVM）和卷积神经网络（CNN）对高维数据处理效果欠佳

模型稳定性验证

采用数据更新策略验证模型泛化能力，当训练样本比例达到40%时，所有模型性能趋于稳定（R²波动<0.03）。这一发现显著降低了大规模病害监测的采样成本，为区域推广提供技术支撑。

讨论与展望

本研究证实了高光谱植被指数与机器学习融合在作物病害监测中的有效性。未来研究方向包括：扩展样本覆盖不同品种和生态区、引入连续小波变换和三波段指数增强早期检测、构建"光谱-病原-表型"多源监测框架。当前样本中B₄等级缺失的问题将通过人工接种试验补充，以完善模型在全严重度范围的适用性。

结论

基于RRVI/RNDVI植被指数与RF算法结合的监测框架，实现了棉花黄萎病严重度的精准评估（R²>0.8）。该方法在训练样本量达到40%即可稳定运行，为作物病害智能监测提供了可靠的技术路径，并可扩展至番茄、马铃薯等易感黄萎病作物。