编辑推荐：
针对马铃薯晚疫病（PLB）监测中样本不平衡、噪声及多品种差异问题，研究人员基于无人机（UAV）遥感数据，结合改进 SMOTE-CS 算法与深度模型（1D-CNN、DRSN）开展研究。结果表明新方法提升监测精度，为多区域多品种 PLB 监测提供技术支撑。
马铃薯晚疫病（PLB）是由致病疫霉菌（Phytophthora infestans）引发的毁灭性病害，严重威胁全球马铃薯产量。发病时，叶片出现白色或水渍状绿色病斑，湿度高时叶面生白色菌丝，干燥时病斑变脆开裂，随病情发展病斑扩大变褐，最终导致组织腐烂，地下块茎也会受影响。目前主要依赖化学杀菌剂防控，但仍造成 65%-70% 的产量损失，还对环境和人体健康构成威胁。传统农业调查耗时费力，依赖破坏性测量，难以大规模应用，而无人机（UAV）遥感技术虽具快速、大面积覆盖、无损等优势，却面临病害爆发期样本收集不足，以及光谱和纹理数据存在异质性、不平衡和噪声等挑战，且不同马铃薯品种因遗传和环境因素抗病性及病害监测进程不同，缺乏普适性快速监测模型。
为解决上述问题，黑龙江省相关研究机构的研究人员开展了基于无人机数据的马铃薯晚疫病多品种监测研究，旨在提升小样本建模精度，优化特征学习能力。研究成果发表在《European Journal of Agronomy》。
研究采用的主要关键技术方法包括：一是改进合成少数过采样技术（SMOTE），利用基于类内紧凑性和类间可分性原理（FS-CS）的增强特征选择算法改善噪声问题，通过特征排序结合重要性排序加权平均（IOWA）算子计算诱导闵可夫斯基 OWA 距离（IMOWAD）替代 SMOTE 中的最近邻距离，形成 SMOTE-CS 方法；二是构建多种模型，包括浅层迁移学习 1D 卷积神经网络（1D-CNN）模型和融入非线性软阈值处理的深度 DRSN 模型，用于评估特征选择效果和应对品种及环境差异。
特征选择方法效果评估
研究构建了九种模型，对比 FS-CS 与 mRmR、ReliefF 等特征选择方法。结果显示，FS-CS 在集成多数据集时，以更少特征实现更高精度，表明其在处理马铃薯晚疫病监测数据的特征降维中更具优势。
不同模型的监测性能
1D-CNN 模型在两个数据集上分别取得 0.99 和 0.93 的总体精度（OA），但受合成源域与目标域样本边界可解释性差的影响。DRSN 模型因融入非线性软阈值处理，增强了特征提取和噪声抑制能力，在两个数据集上 OA 达 0.91，Kappa 系数为 0.86，表现出较强性能。
SMOTE-CS 方法的优势
与原始 SMOTE 版本相比，改进的 SMOTE-CS 方法通过调整距离度量和优化特征选择，突出合成样本区域边界，减轻噪声问题，显著提升了模型的泛化能力。
研究结论表明，SMOTE-CS 方法有效应对了小样本不平衡和噪声问题，结合深度模型的特征学习能力，为不同区域多品种马铃薯晚疫病监测提供了新途径。该研究不仅在方法上优化了遥感数据的特征处理和模型构建，还为精准农业中病害监测的技术应用提供了重要参考，有助于推动无人机遥感在作物病虫害管理中的实际应用，为实现马铃薯晚疫病的及时有效防控、减少产量损失和化学农药使用奠定了基础。
