《Frontiers in Plant Science》：Classification of tobacco leaf diseases based on multi-source remote sensing data
编辑推荐：
本文提出一种融合高光谱反射率、叶面积指数（LAI）和叶绿素含量（SPAD）的多源数据烟草病害分类方法。通过连续小波变换（CWT）提取高光谱判别特征，结合Z-score标准化理化参数，利用随机森林（RF）算法实现88.7%的整体分类精度（Kappa=0.83）。该策略显著提升了传统单一特征模型的鲁棒性，为作物病害遥感监测提供了创新技术路径。
引言
作为重要经济作物，烟草的叶片质量直接影响产业效益。传统人工病害识别存在主观性强、效率低的问题，而基于单一特征的分类模型在复杂田间环境下鲁棒性不足。高光谱遥感（HRS）凭借实时、无损获取光谱信息的优势，已广泛应用于烟草营养监测、生长评估及产量预测。例如，张等人利用无人机高光谱成像结合集成学习实现氮含量估算，田团队通过光谱预处理与机器学习精准监测雪茄烟碱含量。然而，病害早期症状隐匿、传播迅速，亟需发展高效精准的识别技术。现有研究多依赖高光谱特征与机器学习结合（如XGBoost、SVM），但仅凭光谱信息在复杂环境中稳定性有限。本研究据此提出融合多源数据与CWT特征提取的病害分类框架，旨在提升模型抗干扰能力与分类精度。
材料与方法
研究区域位于云南省红河州弥勒市（24°22′N, 103°27′E），属亚热带季风气候，年均温18.8℃，年降雨835.4 mm。试验于2024年6月26–29日在橄榄坡烤烟实验基地开展，选取云烟87、云烟105等5个品种的30份叶片样本（健康、花叶病、卷叶病各10份）。高光谱数据使用FieldSpec Pro FR2500光谱仪（350–2500 nm）采集，叶面积指数通过LI-2200C冠层分析仪测量，叶绿素含量采用便携式叶绿素计按叶片上中下6点均值记录。
特征提取阶段，高光谱数据经连续小波变换（CWT）处理，以墨西哥帽小波（mexh）为基函数，保留分解尺度1–10的能量系数。通过计算小波系数与病害等级的确定系数（R2），筛选R2前1%的特征进行主成分分析（PCA），保留累积贡献率达95%的6个主成分作为小波特征。叶面积指数与叶绿素含量采用Z-score标准化处理。模型构建选用随机森林（RF），并以支持向量机（SVM）和反向传播神经网络（BPNN）为对比算法。RF参数设置为100棵决策树，BPNN隐藏层设50个神经元，SVM采用线性核函数。
结果分析
健康与病害叶片光谱反射率在500–1500 nm区间差异显著，病害叶片反射率普遍更高。CWT相关性尺度图显示，敏感小波特征集中分布于可见光波段（400–760 nm）和第3–4尺度。植被指数重要性评估中，NDVI、MSR、SIPI、NPCI和ARI对病害区分贡献度最高。分类结果表明，RF模型整体准确率达88.9%，Kappa系数0.83，较SVM（OA=74.6%）和BPNN（OA=74.6%）提升显著。混淆矩阵显示RF对健康与卷叶病样本完全正确分类，仅误判1例花叶病样本，证明其优越的稳定性。
讨论
本研究验证了多源遥感数据在烟草病害识别中的有效性。病害叶片因叶绿素降解导致可见-近红外波段反射率升高，CWT则能捕捉细微光谱变异。RF的集成学习机制有效缓解了高维数据过拟合问题，而SVM和BPNN对特征尺度敏感且易受类别不平衡干扰。局限性在于样本量较小且环境变量控制单一，未来需扩展多样本、多生长阶段数据集，并探索深度学习模型（如CNN）在大量数据下的端到端分类潜力。
结论
融合高光谱CWT特征、叶面积指数与叶绿素含量的多源数据策略，结合随机森林算法，可实现烟草叶部病害的高精度分类（OA>88%）。该方法为作物病害遥感监测提供了可靠的技术方案，有助于田间精准施药与产量保障。后续工作将整合叶片理化参数（如钠、钾含量）及近地遥感图像纹理特征，进一步提升模型泛化能力。
