《Agriculture》：UAV Multi-Source Remote-Sensing Feature Fusion and ES-EfficientNet for Accurate Grading of Maize Curvularia Leaf Spot
编辑推荐：
玉米Curvularia叶斑病（CLS）严重影响玉米产量与品质，实施无损、精准的病害分级对于遏制病害在田间扩散至关重要。本研究利用无人机（UAV）获取的高光谱与热红外遥感数据，提取光谱特征、纹理特征（TFs）与冠层温度特征。针对单一特征的局限性，研究人员构建了
玉米Curvularia叶斑病（CLS）严重影响玉米产量与品质，实施无损、精准的病害分级对于遏制病害在田间扩散至关重要。本研究利用无人机（UAV）获取的高光谱与热红外遥感数据，提取光谱特征、纹理特征（TFs）与冠层温度特征。针对单一特征的局限性，研究人员构建了纹理衍生指数（CLSTIs）与归一化相对冠层温度（NRCT）。采用基于互信息的递归特征消除与交叉验证（MI_RFECV）、随机森林变量选择（VSURF）与变量组合群体分析（VCPA）算法筛选敏感光谱波段，并将所选波段与上述两个指数融合以构建多维特征集。研究人员开发了ES-EfficientNet模型，该模型以MBConv架构为主干并嵌入串行多尺度ECA模块。通过利用深度可分离卷积提取病害的多尺度光谱特征，并采用多尺度ECA自适应优化通道权重，该模型有效抑制了噪声与冗余特征造成的干扰。结果表明，基于MI_RFECV+CLSTIs+NRCT的特征组合在ES-EfficientNet模型中取得了最优分类性能。为确保结果的稳健性，研究人员在三个随机种子（1、42与2024）下对模型进行了评估。模型保持了稳定性能，总体精度（OA）介于94.17%至95.33%之间，Kappa系数最高达94.15%。其识别性能优于采用单一来源特征的基线模型，且在同一年度试验条件下、同一省级尺度研究区域内的跨站点迁移中保持了稳定性能。总之，本研究实现了玉米CLS的高精度、无损分级，为田间病害监测与精准防控提供了实用价值，同时为其他作物的遥感病害识别提供了稳健的参考框架。
研究背景方面，玉米作为全球主要粮食与饲料作物，多种病害持续威胁其产量与品质。玉米Curvularia叶斑病（CLS）由Curvularia lunata侵染引起，自1996年在中国辽宁沿海玉米种植区首次暴发后逐步蔓延，发病规模与危害程度逐年加重，单一病害可造成10%–60%的产量损失，重发年份减产可超过80%。当前CLS诊断仍主要依赖田间取样与农业专家目视评估，费时费力、效率低下，且受人员经验与主观判断影响，难以保证诊断一致性，无法满足大范围实时监测需求。遥感技术为植物病害精准监测提供了可能，但单一类型遥感数据往往难以完整表征作物在病害胁迫下的复杂响应：光谱特征虽能有效反映叶片色素含量与细胞结构变化，却难以捕捉冠层结构与生理代谢紊乱的响应；纹理特征可直观表征病斑形态与冠层表面异质性，有效补充光谱数据的空间结构信息；热红外数据则可独立表征病害胁迫严重度。已有研究证实多特征融合可显著提升病害严重度估算精度，深度学习模型也因其强大的特征提取与非线性拟合能力受到广泛关注。然而，当前基于UAV遥感的玉米CLS严重度分类研究主要局限于仅基于高光谱反射率的分类模型构建，未能有效利用同步获取的热红外冠层温度信息表征病害诱导的蒸腾胁迫响应，同时忽视了冠层空间纹理在表征病斑方面的价值。基于此，研究人员提出融合光谱特征、CLSTIs与NRCT的CLS病害分类模型，旨在实现病害严重度的精准评估。
研究人员开展了以下研究：以2025年辽宁省铁岭市（人工接种，品种铁391）与丹东市（自然发病，品种东单1331）两个试验点开展田间观测，获取UAV高光谱与热红外影像，经辐射定标、几何校正与感兴趣区提取后，应用特征选择算法筛选敏感光谱波段，同时构建CLSTIs与NRCT等多源特征集，并将上述多源特征输入机器学习与深度学习模型进行CLS严重度分类识别。研究得出，基于MI_RFECV+CLSTIs+NRCT的特征组合在ES-EfficientNet模型中取得最优分类性能，三个随机种子下OA为94.17%–95.33%，Kappa最高达94.15%，优于单源特征基线模型，并在同省域同年试验条件下保持稳定的跨站点迁移性能。其重要意义在于实现了玉米CLS的高精度、无损分级，为田间病害监测与精准防控提供了实用价值，并为其他作物的遥感病害识别提供了稳健的参考框架。
关键技术方法方面，研究采用DJI M600 Pro六旋翼无人机搭载GaiaSky-mini2-VN高光谱成像仪（飞行高度100 m，地面采样距离GSD为2.84 cm）获取冠层高分辨率光谱数据，同时引入DJI M3T无人机（飞行高度20 m，热红外波段GSD为2.64 cm）作为协同热成像观测平台；采用标准灰白板进行高光谱辐射定标，热红外数据经温度精细校准（冠层发射率固定为0.90）；采用Savitzky–Golay平滑算法预处理原始光谱反射率（窗口长度5点、3阶多项式）；采用主成分分析（PCA）降维后基于灰度共生矩阵（GLCM）提取纹理特征，并引入mRMR算法优化纹理特征选择、RFE迭代修剪构建DTI与NDTI；采用MI_RFECV、VSURF与VCPA三种算法筛选敏感光谱波段。样本队列来源为铁岭市2000个冠层样本与丹东市576个样本，合计2576个样本；主数据集以铁岭样本按感兴趣区水平随机划分为70%训练集与30%测试集，另留10%训练数据作为验证集用于模型调优，丹东样本构成独立跨站点数据集用于评估模型跨区域泛化能力。
研究结果方面，不同病害严重度下玉米冠层光谱响应模式分析表明，病害侵染显著改变叶片各波段反射响应特征，可见光500–600 nm范围内随严重度增加绿光反射峰（约550 nm）反射率逐渐升高、红光吸收谷（约670 nm）反射率逐渐降低，红边波段（680–770 nm）光谱拐点向短波方向移动呈现典型红边蓝移特征，Level 0至Level 4的平均红边位置（REP）分别约为717、714、712、710与705 nm，累计左移约12 nm，近红外波段（770–1000 nm）反射率总体随严重度增加而降低但无严格单调关系；基于此选取400–1000 nm作为光谱特征提取的核心区间。高光谱特征波长选择结果表明，MI_RFECV经互信息初筛选取排名前20%的35个波段作为初始候选集，经五折交叉验证RFECV优化后最终选取22个敏感波长作为模型输入特征；VCPA通过EDF衰减在候选池缩减至25个波段时出现误差拐点，遍历组合后选取RMSECV最低的16个病害敏感波段；VSURF以0.015为特征重要性阈值最终获得16个最优特征波段，高贡献波段集中于700–950 nm的红边与近红外区域。高光谱纹理特征提取方面，基于GLCM共提取24个纹理特征，Spearman相关分析显示PC1、PC2与PC3三组纹理特征存在严重多重共线性；经mRMR算法排序结合XGBoost五折交叉验证，选取前4个核心纹理特征（Ent2、Dis3、Mea2、Mea3）两两组合构建DTI与NDTI共24个初始纹理指数，经RFECV最终选取d_2、nd_2、d_0、d_4与nd_4五个核心纹理指标作为输入特征。单一特征输入多模型分类精度评估表明，ES-EfficientNet综合表现最佳，以MI_RFECV光谱波段为输入时OA最高达92.17%、Kappa为90.21%；三种光谱特征选择方法精度显著高于NRCT（OA仅63%–65%），CLSTIs与TFs精度居中，ES-EfficientNet以CLSTIs为输入时OA为88.17%；MI_RFECV平均OA高于VCPA与VSURF，ES-EfficientNet在各光谱特征输入下均优于SVM、CatBoost、Transformer与ConvNeXt。多特征融合多模型分类精度评估表明，ES-EfficientNet以MI_RFECV+CLSTIs+NRCT三特征组合输入时性能最优，OA达95.33%，高于双特征组合与单特征输入，且在全部特征融合方案下均优于其他模型；三源融合特征集误分样本最少，易混淆的LV2样本得到清晰区分，引入温度特征有效补充了判别信息。基于丹东田间数据集的独立验证表明，MI_RFECV单项特征表现最佳、NRCT最差，加入CLSTIs与NRCT后精度持续提升，MI_RFECV+CLSTIs+NRCT复合特征泛化性能最佳，模型在丹东自然田间数据集上精度略有波动但总体性能无显著下降，表明融合光谱、纹理与温度特征的多维融合特征模型在同年度、省域尺度试验背景下具有良好的跨站点迁移性能。ES-EfficientNet模块消融实验表明，去除ECA模块后OA、Kappa与F1-Score分别降至88.01%、84.91%与87.79%；以标准卷积网络替换MBConv倒残差主干后三项指标进一步降至86.34%、82.59%与86.12%；完全弃用卷积主干仅保留MLP时精度最低（OA=84.62%）；串行多尺度ECA优于原版单核ECA与并行多尺度ECA；异构特征序列组织消融实验表明，异构特征内部顺序打乱后模型仍保持OA 94.10%、Kappa 92.72%，全部28维全局置换后OA降至93.33%，光谱保持有序但异构特征跨样本置换后精度显著降至90.83%，证明CLSTIs与NRCT携带真实的样本级病害判别信息。基于特征重要性的模型可解释性分析表明，红边波段是模型病害判别的核心依据，718.3 nm与714.8 nm波段特征重要性得分分别达6.22与6.19，721.7 nm、725.2 nm与711.4 nm等波段重要性得分均超过4.8；NRCT重要性得分为1.99，起辅助判别作用；CLSTIs总体贡献相对较弱，仅nd_4纹理指数重要性得分达1.50，其余纹理指数均低于0.3。基于多种随机种子与配对检验的分类性能显著性评估表明，铁岭数据集上ES-EfficientNet平均OA为95.33%，95%置信区间为[92.27, 96.22]；丹东独立跨区域数据集上平均OA为93.40%，95%置信区间为[91.35, 95.43]；在全部随机种子与数据划分下，ES-EfficientNet与SVM、CatBoost、Transformer及ConvNeXt等基线模型比较的p值均小于0.05，性能提升稳定且具有统计学显著性。模型参数与推理时间分析表明，Transformer的OA为93.50%但参数量最大（0.822 M）、计算开销最高（35 MMAC）、推理速度较低（163.07 FPS）；ConvNeXt参数量降至0.017 M、计算开销7 MMAC、OA为93.17%、推理速度780.21 FPS；ES-EfficientNet取得最优OA（95.33%），参数量仅0.012 M、计算开销3 MMAC、推理速度最快（822.94 FPS）。
讨论部分总结如下：关于玉米冠层对CLS胁迫高光谱响应的生理机制，CLS侵染显著改变叶片光学特性，叶绿素含量降低与叶片细胞结构破坏是驱动光谱变化的关键因素；本研究中近红外反射率未随严重度单调下降（Level 2–3高于Level 1），可能与不同严重度样本间采样日期与冠层结构差异以及相邻等级边界目视评级的部分标签噪声有关；红边则从Level 0约717 nm单调移动至Level 4约705 nm，累计蓝移约12 nm，是更一致的严重度指示指标。关于纹理特征、纹理指数与冠层温度的多特征耦合，单一光谱特征难以全面表征病斑形态与复杂病害信息，CLSTIs整合多尺度纹理信息以更全面表征病斑异质性，NRCT可指示冠层热胁迫状态；ES-EfficientNet模型下MI_RFECV+CLSTIs较MI_RFECV单独输入OA分别提升1.00%与1.21%，进一步引入NRCT后OA分别提升至95.33%与93.40%，NRCT特征重要性为1.99，纹理维度中仅nd_4提供有效辅助判别信息。关于跨区域数据集评估ES-EfficientNet模型泛化能力，丹东自然发病数据集（东单1331）与铁岭训练集（铁391，人工接种）在品种组成与病害发生模式上差异显著，为评估模型环境稳健性与特征迁移能力提供了理想测试场景；独立验证中MI_RFECV+CLSTIs+NRCT输入下ES-EfficientNet在丹东数据集取得OA 93.40%、Kappa 91.75%，较铁岭受控环境最优性能（OA 95.33%、Kappa 94.15%）下降有限，三源融合特征亦表现出稳定性能优势，表明所捕获的光谱、纹理与冠层温度响应模式在辽宁省不同试验点与玉米品种间仍然有效。关于研究优势与局限，本研究的核心贡献在于提出MI_RFECV+CLSTIs+NRCT多源特征融合策略，有机整合光谱特征、CLSTIs与NRCT，构建了具有更强物理意义的多特征协同表征；局限性包括CLSTIs与NRCT提取精度受高光谱与热红外影像空间分辨率制约，模型在复杂跨区域田间环境下的泛化能力仍需进一步提升；两个数据集均采集于辽宁省同一生长季，验证结果仅反映有限地理与时间条件下的跨站点迁移性，不能直接代表其跨其他省份、气候区或多年度生长环境的适用性；精度评估采用人工勾绘感兴趣区样本，尚未开展全田块病害严重度连续制图测试；高光谱与热红外数据因采集高度不同存在GSD差异，本研究通过地面控制点（GCP）几何校正与"高光谱–RGB–热红外"配准链实现感兴趣区水平对应，但尚不能直接量化米级像素配准误差；NRCT在每像素内进行最小–最大归一化虽有助于消除像素基线温度并突出病斑所致相对温度异常，但同时消除了像素级严重度类别间的绝对温度差异；架构消融分析多基于全波段光谱输入，本研究进一步补充了针对异构特征拼接方案的对照验证，但仅探索了固定位置拼接，未来可引入动态权重分配或交叉注意力机制实现异构特征的深度语义交互与自适应融合。
研究结论部分翻译如下：为实现玉米CLS的精准无损分级并充分利用UAV高光谱与热红外数据，本研究提出融合光谱、纹理与冠层温度特征的ES-EfficientNet模型。首先采用MI_RFECV筛选病害敏感光谱波段，随后提取CLSTIs与NRCT构建多源特征集。该网络采用串行分层多尺度ECA一维注意力结构，堆叠两层MBConv模块并采用标签平滑损失函数。该设计缓解了传统一维CNN单尺度特征提取与小数据集过拟合的局限，同时实现了病害相关多尺度光谱信息的分层提取。进一步采用多尺度特征交互自适应调整特征权重并抑制冗余噪声。通过联合输入光谱、纹理与热红外特征，模型同时表征作物生理衰退、病斑空间形态与冠层热胁迫，从而提升病害严重度等级间的判别能力。与SVM、CatBoost、Transformer及ConvNeXt相比，ES-EfficientNet取得具有竞争力的分类精度。为评估模型稳健性，采用三个随机种子（1、42与2024）开展实验。MI_RFECV+CLSTIs+NRCT组合在这些种子下始终表现最佳，OA介于94.17%至95.33%之间（最优种子达95.33%），Kappa系数最高达94.15%。相对于单源特征模型，多维特征集成具有明显优势。上述发现为玉米病害的UAV遥感智能监测及类似作物的病害与胁迫分类提供了有益参考。未来工作将扩展跨多年度、多区域的大规模UAV数据集，以更好地评估模型对年际气候变异与不同种植制度的适应性。
