利用高光谱成像和机器学习技术对田间作物中的抗除草剂杂草和易感除草剂杂草进行分类

《Canadian Journal of Plant Science》：Hyperspectral imaging and machine learning to classify herbicide-resistant and -susceptible weeds in field crops

　　

Keshav D. Singh | Manoj Natarajan | Prabahar Ravichandran | Breanne D. Tidemann | Charles M. Geddes

加拿大农业及农业食品部（AAFC），莱斯布里奇研发中心，莱斯布里奇，阿尔伯塔省，加拿大

在加拿大西部，抗除草剂杂草的日益普遍继续导致作物产量下降、除草剂使用成本增加，并威胁到农场的盈利能力。基于知识的综合杂草管理策略对于减缓抗除草剂杂草的进一步进化与扩散至关重要。识别和区分抗除草剂杂草与敏感杂草有助于制定针对性的管理措施。然而，传统的抗除草剂杂草识别方法耗时且劳动强度大，通常需要成熟的杂草种子。为了提高抗除草剂杂草识别的效率，我们采用了高光谱成像技术结合机器学习的方法来区分这两种类型的杂草。在莱斯布里奇和拉科姆布研发中心（阿尔伯塔省，加拿大）进行了温室和田间实验，评估了Bassia scoparia（A.J. Scott）对草甘膦（第9类）和氟氯吡啶（第4类）的抗性，以及Avena fatua L.对氟磺草胺（第1类）和咪唑胺（第2类）的抗性。高光谱数据（400–1000纳米，204个波段）通过二次判别分析进行分类。结果显示，在处理前后分别评估模型时，Bassia scoparia对草甘膦的抗性准确率为70.9%至90.4%，对氟氯吡啶的抗性准确率为72.9%至92.7%；而Avena fatua的抗性仅在处理后进行评估，二次判别分析的准确率分别为氟磺草胺87.9%、咪唑胺75.1%。这些结果表明，高光谱技术能够在除草剂处理前检测到与抗性相关的光谱差异，从而实现更早、更精确的干预。本研究凸显了高光谱成像结合机器学习作为高效、非侵入性方法在抗除草剂杂草检测中的潜力。总体而言，研究结果支持将先进的数字技术整合到可持续的杂草管理实践中。