《Computers and Electronics in Agriculture》：Integrating UAV-derived enhanced disease detection index and texture features for monitoring southern corn rust severity
编辑推荐：
•基于高光谱响应的增强型疾病检测指数（EDDI）设计。•与传统的视觉指数（VI）相比，EDDI提高了保留测试集的F1分数7.3–13.5%。•添加纹理特征后，F1分数进一步提高了1.6–4.8%。•该方法支持对抗南方玉米锈病（SCR）的田间表型分析。引言南方玉米锈病（SCR）由P
- •
基于高光谱响应的增强型疾病检测指数（EDDI）设计。
- •
与传统的视觉指数（VI）相比，EDDI提高了保留测试集的F1分数7.3–13.5%。
- •
添加纹理特征后，F1分数进一步提高了1.6–4.8%。
- •
该方法支持对抗南方玉米锈病（SCR）的田间表型分析。
引言
南方玉米锈病（SCR）由Puccinia polysora引起，是危害玉米生产最严重的疾病之一，对全球粮食安全构成严重威胁（Scott等人，1984年；Sun等人，2021年）。早期识别和控制对于保护玉米生产至关重要（Chen等人，2020年）。传统的疾病识别方法依赖田间调查，耗时且效率低下，无法提供实时信息，因此不适合大规模监测（Martinelli等人，2015年；Kobayashi等人，2016年；Bock等人，2020年）。相比之下，遥感技术通过分析时间和空间的光谱变化，提供了一种快速、高效、准确且非破坏性的方法来监测作物健康状况（Berger等人，2022年；Tian等人，2023年）。因此，它在重复疾病调查和空间明确的严重程度评估方面具有巨大潜力（Nilsson，1995年；Mahlein，2016年；Zarco-Tejada等人，2018年）。
用于监测植物疾病严重程度的遥感技术大致可以分为三种方法。第一种方法是基于地面的高光谱传感，使用高光谱传感器扫描单个植物或叶片的光谱反射率。由于其高光谱分辨率，这种方法提供了更详细的光谱信息（Guo等人，2021年；Jiang等人，2021年）。例如，一种手持式光谱仪被用来识别575纳米、640纳米和1670纳米作为敏感波长，用于SCR严重程度的分类，并开发了一个光谱疾病指数（Meng等人，2020年）。然而，这种方法仅适用于小规模监测，无法覆盖大面积区域。第二种方法使用安装在无人驾驶飞行器（UAV）上的高光谱传感器。基于UAV的高光谱传感器可以捕捉大面积区域的光谱信息，从而实现区域性的疾病分类（Abdulridha等人，2020年；Wang等人，2023年）。例如，Deng等人（2023年）从UAV高光谱图像中构建了30多个植被指数（VI）和346万个波段组合。他们发现531纳米和551纳米波段的组合对于定量检索小麦条锈病指数至关重要。不过，UAV高光谱系统仍然相对昂贵且操作复杂，所产生的数据量需要大量的预处理、存储和特征筛选（Zhang等人，2019年）。第三种方法是使用UAV多光谱遥感，它在有限的可见光、红边和近红外波段中捕捉光谱信息。与高光谱方法相比，UAV多光谱技术由于成本更低、数据处理更简单，因此在农业应用中更为实用（Blasch等人，2023年）。该方法通过光谱响应分析和VI计算来评估植物健康状况，从而快速评估疾病严重程度（Baharim等人，2023年；Ju等人，2023年）。例如，Lv等人（2024年）提出了一种利用UAV多光谱图像的深度学习方法，以提高SCR监测的准确性。尽管深度学习方法可以提取复杂的疾病相关特征，但其决策过程往往难以解释。因此，需要一种可解释且轻量级的方法来进行面向育种的田间筛选和常规疾病评估。这样的方法可以通过将模型预测与疾病敏感的光谱响应联系起来，来补充深度学习。此外，分类器的性能会受到数据特征、特征组成和分类任务的影响。因此，以往的UAV遥感研究在特定实验条件下比较了不同的分类器（Guimar?es等人，2023年；Maxwell等人，2018年）。
尽管最近取得了进展，但在UAV多光谱监测SCR严重程度方面仍存在一些局限。首先，疾病严重程度通常被分为轻度、中度和重度等粗略类别，这不符合DB 4117/T 399–2024中规定的SCR抗性评估的五级分级要求。因此，需要更精确的区分，特别是在相邻的严重程度级别之间。其次，针对SCR的专用多光谱VI仍然有限。传统的VI（如归一化差分植被指数NDVI）已在现有研究中广泛用于疾病监测（Lv等人，2024年；Zeng等人，2022b），但它们主要反映的是一般性的冠层绿色度或活力，可能缺乏区分SCR严重程度级别的足够特异性。第三，纹理特征可以表征与疾病相关的冠层异质性，并已用于改善其他作物的疾病评估（Gao等人，2023年）。例如，光谱和纹理特征被结合起来用于监测橡胶树的疾病严重程度并提高监测准确性（Zeng等人，2023年）。然而，纹理特征的单独贡献及其与疾病敏感光谱指数的互补价值尚未系统地在SCR上进行评估。因此，提高光谱指标的特异性并整合互补的纹理信息对于更准确的五级SCR严重程度评估至关重要。
为了解决这些问题，我们提出了一种基于UAV多光谱图像的增强型疾病检测指数（EDDI）。其设计基于不同SCR严重程度下的叶片级高光谱响应模式。我们假设EDDI比传统的VI更能有效地区分SCR的严重程度，并且结合纹理特征将进一步提高分类性能。我们的目标是通过UAV多光谱波段构建一个对SCR敏感的具体光谱指数，提取和分析纹理特征以补充光谱信息，并开发不同的机器学习模型，以实现快速、非破坏性的SCR严重程度监测。所提出的基于EDDI的方法旨在支持田间尺度的严重程度绘图、抗性材料的识别以及精准农业中的靶向疾病管理。
部分片段
研究区域
研究地点位于海南省三亚市雅州区的南帆育种基地（图1）。该地区具有典型的热带季风气候，特点是温度温暖、太阳辐射充足和湿度高。年平均温度在22至26°C之间，年日照时间为1750至2650小时，日照百分比为50%至60%。这种自然环境为作物种植和育种提供了有利条件。
方法
技术路线图如图3所示。首先进行了田间疾病调查和严重程度分类，并获取了五个SCR严重程度级别的叶片高光谱反射光谱，以表征与严重程度相关的光谱响应，并指导新型VI的设计。接下来，获取并预处理了UAV多光谱图像。随后提取了纹理和光谱特征，并设计并构建了一个特定的SCR光谱指数。
不同SCR严重程度下的VI变化
图5显示了传统VI和EDDI在五个SCR严重程度级别上的分布。大多数VI随着SCR严重程度的增加而系统性地变化，尽管不同严重程度级别之间的重叠程度有所不同。传统VI（如NDVI和VARIRE）通常从第1级下降到第4级，但在第4级和第5级之间的重叠程度较大。尽管EVI2和RDVI等VI也随着严重程度的增加而下降，但它们在第4级和第5级之间有相当大的重叠。
EDDI的有效性
在这项研究中，EDDI通过整合来自可见光、红边和近红外波段的疾病敏感信息，在SCR严重程度分类中表现出明显的潜力。SCR感染会改变叶片颜色、色素状态和内部叶片结构，这些变化反映在不同的光谱区域。可见光波段对叶绿素降解和锈病相关的颜色变化敏感，而红边（RE）和近红外（NIR）波段则更紧密地与色素状态和结构变化相关（Blasch等人，2023年）。
结论
基于不同SCR严重程度下的叶片级高光谱反射响应，提出了EDDI，并对其进行了五级SCR严重程度分类的评估。EDDI与SCR严重程度之间存在强负相关（r = ?0.90）。在保留的测试集上，仅使用EDDI的配置比基于传统VI的配置实现了7.3–13.5%更高的F1分数，而将EDDI与纹理特征结合使用后，进一步提高了分数。
CRediT作者贡献声明
魏亚楠：撰写 – 审稿与编辑，撰写 – 原稿，監督，方法论，概念化。李青：撰写 – 审稿与编辑，方法论，数据管理。尹嘉：撰写 – 审稿与编辑，監督，方法论。郝代雷：撰写 – 审稿与编辑，撰写 – 原稿，可视化，方法论。卡尔达斯·乌姆布拉纳斯（Renan Caldas Umburanas）：撰写 – 审稿与编辑。高勇源：可视化。于伟健：数据管理。李志雄：撰写 – 审稿与编辑，方法论。
利益冲突声明
作者声明他们没有已知的可能影响本文工作的财务利益或个人关系。
致谢
本工作部分得到了国家重点实验室农业和林业生物安全联合研究计划（编号：SKLJRP2501）、国家自然科学基金（编号：42271361）、拼多多-中国农业大学研究基金（编号：PC2024B01006）和中国农业大学2115人才发展计划的支持。
魏亚楠|李青|尹嘉|郝代雷|卡尔达斯·乌姆布拉纳斯|高勇源|于伟健|李志雄|何雅昌|乔冠宇|张宇|卡洛斯·卡米诺|刘俊|王天仪|孙鸿|曾叶路
