基于高光谱影像反演植物功能性状的小麦条锈病严重度监测研究

《Artificial Intelligence in Agriculture》：Inversion of plant functional traits from hyperspectral imagery enhances the distinction of wheat stripe rust severity

本研究针对小麦条锈病传统监测方法易受环境干扰的问题，通过无人机高光谱影像反演植物功能性状(PTs)，结合植被指数(VIs)和纹理特征(TFs)，构建了多特征协同监测模型。结果表明PTs对病害响应显著(p<0.001)，LASSO算法融合三类特征的模型最优(R2=0.628，RMSE=8.03%)，为作物病害精准监测提供了新思路。

　　

小麦作为全球主要粮食作物，其安全生产关乎国计民生。然而，条锈病的爆发可导致高达40%的产量损失，传统监测方法存在效率低、主观性强等局限。随着遥感技术的发展，无人机平台为作物病害监测提供了新的解决方案。但现有基于植被指数和纹理特征的方法仍存在环境敏感性高、早期识别能力不足等问题。植物功能性状(Plant Functional Traits, PTs)能够直接反映植物生理状态，为病害监测提供了新视角。

本研究创新性地将高光谱影像反演的PTs与常规特征相结合，系统评估了多源特征在小麦条锈病监测中的协同效应。研究人员在陕西略阳县开展田间试验，利用无人机搭载高光谱和热红外传感器获取影像数据，通过混合反演模型(Hybrid Inversion Model, HIM)提取了冠层叶绿素含量(CCC)、类胡萝卜素(Car)、花青素(Anth)、碳基组分(CBC)和叶面积指数(LAI)等关键PTs，同时从热影像中获取冠层温度(T_c)。采用相关系数分析和方差膨胀因子(VIF)筛选植被指数和纹理特征，最终利用随机森林(RF)、自适应提升(AdaBoost)、梯度提升回归树(GBRT)和LASSO四种算法构建了28个病害监测模型。

技术方法主要包括：1）基于PROSAIL辐射传输模型和主动学习(Active Learning, AL)的混合反演模型；2）多尺度纹理特征提取与优化；3）多算法协同的机器学习建模框架；4）6折交叉验证的模型性能评估。

研究结果显著表明，PTs对小麦条锈病表现出高度敏感性。随着病害严重度增加，色素含量(CCC、Car、Anth)和结构参数(LAI)显著降低，而CBC和T_c明显升高。这种变化规律与病害引起的生理紊乱密切相关：病原菌侵染导致叶绿体损伤、光合色素降解，同时碳同化物转运受阻引起淀粉积累，冠层结构破坏则导致蒸腾降温能力下降。

在特征优化方面，研究通过两步筛选法最终确定了6个植被指数（Macc01、TCARI、CRI₅₅₀、PRI_m1、WI、HI_2014）和9个纹理特征。值得注意的是，17×17的窗口尺寸最能准确捕捉病害的空间分布 pattern，平衡了局部细节与全局信息。

模型比较结果显示，PTs在所有单一特征集中表现最优，LASSO算法结合三类特征的模型达到最佳性能(R²=0.628，RMSE=8.03%，MAE=6.57%)。SHAP分析进一步揭示了多源特征的阶段互补性：PTs在病害早期占主导，VIs在中期最敏感，而TFs在严重感染阶段贡献最大。这种生理-光谱-形态的协同作用为实现全周期病害监测提供了理论基础。

讨论部分指出，本研究首次将反演PTs与多源特征融合应用于小麦条锈病监测，但存在光谱范围限制、模型泛化性等挑战。未来研究应关注叶绿素荧光(Solar-Induced Chlorophyll Fluorescence, SIF)等新型指标，并开展多时空尺度的验证工作。

该研究通过创新性地整合物理机制与数据驱动方法，建立了更加稳健的病害监测框架，为精准农业提供了重要的技术支撑。研究成果发表于《Artificial Intelligence in Agriculture》，对推动作物病害的智能化监测具有重要理论与实践意义。