《Smart Agricultural Technology》：RLFgoX: A cluster-based learning approach for early detection of rice leaf folder damage using comprehensive feature extraction
编辑推荐：
作为全球主食，水稻生产面临来自稻纵卷叶螟（RLF）日益严重的威胁，该虫已成为亚洲主要的生物胁迫。这种日益增长的压力加大了对田间可扩展监测的需求。传统监测严重依赖人工巡查，劳动密集且难以扩展。然而，更先进的监测方法通常需要高光谱成像系统，这些系统成本过高，无法用
作为全球主食，水稻生产面临来自稻纵卷叶螟（RLF）日益严重的威胁，该虫已成为亚洲主要的生物胁迫。这种日益增长的压力加大了对田间可扩展监测的需求。传统监测严重依赖人工巡查，劳动密集且难以扩展。然而，更先进的监测方法通常需要高光谱成像系统，这些系统成本过高，无法用于常规田间部署。为克服这些限制，本研究开发了RLFgoX。该早期预警系统使用无人机（UAV）获取的低成本RGB影像，在水稻分蘖期检测RLF侵染。所提出的方法采用基于水稻聚类检测策略，其中每个水稻聚类被视为基本分析单元。首先，应用绿红植被指数（GRVI）以减少背景干扰。然后进行综合特征生成步骤，提取描述RLF取食引起的机械损伤和环境条件的五种特征类型。这些特征被用作机器学习分类的输入数据集，以区分RLF侵染和未侵染的聚类。通过集成随机森林分类器与数据下采样和基于模糊距离的集成方法，RLFgoX模型实现了马修斯相关系数（MCC）为0.454，灵敏度（Sensitivity）为0.756，特异度（Specificity）为0.733。额外的田间验证表明，预测结果通常与专家注释和田间观察一致，支持所提出系统在田间条件下早期损伤检测的实际应用性。通过将这些结果转换为高分辨率空间风险热图，RLFgoX有助于特定地点虫害管理，并为可持续精准农业提供可扩展、成本效益高的框架。
水稻作为全球关键主粮作物，持续面临稻纵卷叶螟（Rice Leaf Folder, RLF）的严重威胁。RLF幼虫通过卷叶取食叶肉组织，造成机械损伤并降低光合效率，传统依赖人工巡查的监测方式劳动强度大且难以规模化。高光谱遥感虽能有效检测RLF，但设备昂贵、数据处理复杂，限制了其在田间的常规应用。为克服这一瓶颈，研究人员开展了基于低空无人机（UAV）RGB影像的早期预警系统RLFgoX的研究，旨在实现低成本、可扩展的RLF损伤早期检测，以支持精准农业中的靶向农药施用。该研究发表在《Smart Agricultural Technology》上。
RLFgoX系统开发所用主要关键技术方法包括：①UAV低空RGB影像采集（飞行高度4 m，采样时间08:40-08:45，确保稳定光照）；②绿红植被指数（Green-Red Vegetation Index, GRVI）阈值分割去除土壤等背景噪声；③基于水稻聚类（rice cluster）的检测单元，利用YOLOv8自动标注并结合人工校正；④从RGB三通道提取均值（Mean）、标准差（Standard Deviation, STD）、方差（Variance, VAR）、最大值（Max）和最小值（Min）共15个特征，描述RLF取食造成的机械损伤与环境变异；⑤采用随机森林（Random Forest, RF）、极端梯度提升（eXtreme Gradient Boosting, XGB）、决策树（Decision Tree, DT）、支持向量机（Support Vector Machine, SVM）和逻辑回归（Logistic Regression, LR）五种机器学习分类器进行训练与超参数优化；⑥针对类别不平衡（侵染与未侵染样本比例约1:3），采用随机下采样与基于子集的下采样策略，并引入基于模糊距离的集成方法（fuzzy distance-based ensemble）。样本来源于台湾台中雾峰区北势一处合作稻田，品种为台农71号，2023年第二期作，共采集8天1728个样本（398个RLF侵染，1330个未侵染）。
**3.1 Effects of GRVI Thresholds on Background Noise**
通过视觉比较不同GRVI阈值（0.00至0.07）处理后的图像，发现较高阈值（>0.06）能有效减少土壤和阴影背景，同时保留水稻聚类结构，但过高阈值可能丢失植被信号。因此，基于模型性能（平衡灵敏度SN与特异度SP）选择各分类器的最佳阈值。
**3.2 Performance of Classification Models**
在默认超参数下，所有分类器在测试集RCRP2_Test上均表现出SP高、SN低的偏向多数类现象。通过马修斯相关系数（MCC）筛选，随机森林（RF）、极端梯度提升（XGB）和逻辑回归（LR）在特定阈值下表现较好。超参数优化并加入类权重后，RF（R_G7_P）在训练集与测试集上MCC分别为0.438和0.435，SN与SP较为平衡（0.698和0.762），而XGB出现明显过拟合，LR则SN与SP权衡不佳。
**3.3 Model Performance Evaluation with Down-Sampling**
随机下采样模型（Model_Bal）虽提升了SN，但伴随SP下降，导致更多误报（将未侵染区误判为侵染）。子集下采样模型（R_S1_G7、R_S2_G7、R_S3_G7）表现更平衡，其中R_S3_G7在测试集上MCC达0.449，SN为0.767，SP为0.718，表明子集策略在提升检测能力的同时较好地控制了误报。
**3.4 Analysis of a Fuzzy Distance-Based Ensemble Method**
将三个最优子集模型（R_S1_G7、R_S2_G7、R_S3_G7）通过模糊距离法集成，RF_S2,3_G7_EMC组合取得最佳性能：MCC 0.454，SN 0.756，SP 0.733，表明集成能进一步平衡两类识别能力。
**3.5 Field Validation**
在独立相邻田块验证中，RLFgoX（RF_S2,3_G7_EMC）的SN为0.818，SP为0.846，且预测结果与实地标注高度一致。将预测结果转化为连续空间风险热图（高斯加权），为田间管理者提供直观的靶向决策依据。
讨论部分指出，本研究聚焦于水稻分蘖早期，相比后期（拔节、孕穗）监测更具预警优势，此时植株仍具补偿能力，可更早干预控制虫口。选择UAV-RGB影像替代高光谱，虽然降低了光谱信息，但通过提取机械损伤和环境相关特征弥补了分辨率不足。针对类不平衡问题，类权重、下采样与模糊集成方法组合使用，有效提升了RF_S2,3_G7_EMC的泛化能力，且统计检验表明其MCC与其它候选模型无显著差异。未来需在不同品种、季节、区域和光照条件下进一步验证，并优化图像处理流程以增强鲁棒性。
**结论部分翻译**：本研究开发了RLFgoX作为经济高效且可扩展的早期预警系统，用于检测水稻分蘖期RLF侵染。利用基于UAV的RGB影像，所提出框架提取并整合了描述RLF取食造成的机械损伤和环境条件的特征，以弥补低成本传感器光谱分辨率的不足。这一设计为高光谱方法提供了实用替代方案。优化后的系统核心模型RF_S2,3_G7_EMC取得了0.454的MCC和0.756的灵敏度，表明其在田间条件下早期检测RLF的潜力。通过实现侵染区与健康区的空间区分，RLFgoX支持特定地点虫害管理和更精准的农药施用，可减少不必要的杀虫剂使用及其生态影响。总体而言，该框架为水稻低成本虫害监测提供了可行的技术基础，也可为将自动化检测系统扩展到其他作物监测应用提供有用参考。
