基于无人机多光谱影像与高斯模糊增强的棉花黄萎病胁迫下叶面积指数深度学习反演研究

针对棉花黄萎病胁迫下叶面积指数（LAI）精准监测难题，研究人员创新性结合无人机多光谱影像与高斯模糊（Gaussian blur）预处理技术，系统比较了随机森林（RF）、极限学习机（ELM）与卷积神经网络（CNN）算法的反演性能。研究发现CNN模型在R2≥0.88的精度下可实现LAI高效反演，为作物病害精准管理提供了新技术范式。

　　

棉花作为全球最重要的经济作物之一，其产量直接关系到经济发展。然而，黄萎病（Verticillium wilt）通过破坏叶片结构和生理功能，显著降低叶面积指数（Leaf Area Index, LAI），进而制约棉花产量潜力。传统LAI监测方法如地面光谱测量存在效率低、范围有限等问题，而卫星遥感又受限于分辨率（10-60米），难以满足小尺度精准监测需求。随着无人机（Unmanned Aerial Vehicle, UAV）技术的兴起，如何利用其高分辨率优势实现棉花黄萎病胁迫下的LAI精准反演，成为农业遥感领域的研究热点。

针对这一挑战，南京农业大学与塔里木大学联合团队在《Industrial Crops and Products》发表研究，创新性地将高斯模糊（Gaussian blur）增强技术与深度学习相结合，系统比较了传统机器学习（随机森林RF、极限学习机ELM）与卷积神经网络（CNN）在LAI反演中的性能差异。研究团队在新疆阿拉尔市第十团建立实验区，采集三个关键生长期（8月9日、8月31日、9月14日）的225组LAI-2200C地面测量数据，同步获取无人机多光谱影像（25米飞行高度，含红、绿、红边、近红外等波段）。通过提取8种植被指数（NDVI、GNDVI等）和10种纹理特征（NIR_MEA、RED_VAR等），结合高斯模糊（σ=0.9）预处理，构建了多特征协同优化的LAI反演模型。

关键技术方法
研究采用LAI-2200C仪器按1A-4B配置采集地面数据，无人机搭载多光谱传感器获取影像。通过ENVI5.3软件提取纹理特征（3×3窗口，90°方向），应用随机森林算法筛选特征权重>0.04的变量。高斯模糊处理采用二维高斯函数（σ=0.9）进行卷积运算，CNN模型采用3D卷积核实现端到端学习。模型精度通过决定系数R²、均方根误差RMSE和平均绝对误差MAE评估。

多特征协同优化机制
研究发现植被指数（VI）与LAI相关性（|r|=0.37-0.87）显著高于纹理特征（TF）（|r|=0.27-0.74），而VI+TF组合展现出最优相关性（|r|=0.37-0.96）。特别在中等胁迫样本（LAI=1.5-3.5）中，多特征融合使R²提升超12%，证实纹理特征能有效量化黄萎病导致的冠层破碎化模式。

高斯模糊增强效应
经σ=0.9的高斯模糊处理后，CNN模型精度提升最显著（R²从0.76-0.81增至0.88-0.92），优于RF（R²=0.82）和ELM（R²=0.83）。这种增强源于高斯核函数有效抑制了病原菌侵染导致的反射率异常，同时保留冠层结构信息。

算法性能比较
单向方差分析显示CNN预测值与实测值显著相关（F=43.30581, P=0.00182）。空间分布图表明，CNN能清晰识别9月14日LAI<2.5的高发病区域，与田间调查一致。但模型对高LAI值（>5）存在低估，可能与样本不平衡有关。

讨论与展望
该研究首次提出GB-CNN融合框架，通过高斯模糊预处理与3D卷积核的协同作用，实现黄萎病特征的多尺度提取。相较于传统方法，该技术将LAI反演精度提升5-10个百分点，尤其适用于中等胁迫关键期的监测（R²提升超12%）。未来研究将整合病原菌定量检测数据，并探索模型在其他作物病害监测中的迁移应用潜力。这一突破不仅推动农业无人机遥感技术的智能化发展，更为作物病害精准防控提供了创新技术支撑。