《Smart Agricultural Technology》：Wheat stripe rust monitoring based on weighted multi-temporal features from UAV multispectral imagery under field conditions
编辑推荐：
小麦条锈病是一种具有破坏性的气传病害，需要及时的田间尺度监测。然而，无人机（UAV）研究常使用单日期影像或固定的双时相归一化差值（DN）特征，忽视了症状发展过程中各观测日期的非均衡贡献。本研究提出了一种基于特征层自适应加权多时相框架，用于从UAV多光谱影像监测
小麦条锈病是一种具有破坏性的气传病害，需要及时的田间尺度监测。然而，无人机（UAV）研究常使用单日期影像或固定的双时相归一化差值（DN）特征，忽视了症状发展过程中各观测日期的非均衡贡献。本研究提出了一种基于特征层自适应加权多时相框架，用于从UAV多光谱影像监测小麦条锈病。于2025年4月24日（拔节期）、2025年5月10日（抽穗期）和2025年5月19日（开花期）提取了植被指数（VIs）、纹理特征（TFs）和颜色指数（CIs）。对于每个特征，使用中位数绝对偏差（MAD）估计日期特定权重后进行加权求和。采用三阶段程序在VIs、TFs和CIs内部进行特征选择：Relief、最小冗余最大相关性（mRMR）和序贯前向选择（SFS）。在共享分层五折划分下，使用XGBoost比较了八种时间表示。MAD加权特征取得了最高的平均总体精度（OA）、Kappa系数和平衡精度。随后使用七种常用分类器对选定的MAD加权VIs+TFs+CIs特征集进行评估。XGBoost表现最佳，平均OA、Kappa系数和平衡精度分别为0.831 ± 0.068、0.649 ± 0.124和0.825 ± 0.052。在特征组合中，5月19日在三个单日期数据集中表现出最佳平均性能。折外SHAP分析确定蓝波段纹理二阶矩、PSRI和RG具有最大的平均绝对SHapley加性解释（SHAP）值。总体而言，这些结果表明该框架在基于UAV的条锈病分类方面具有潜力，而在不同环境下的进一步评估将明确其更广泛的适用性。
一、研究背景与问题提出
小麦是全球最重要的主粮作物之一，对粮食安全具有核心意义。小麦条锈病由条形柄锈菌小麦专化型（Puccinia striiformis f. sp. tritici）引起，是一种气传真菌病害，具有流行速度快、传播能力强等特点，可导致作物生长受阻和产量下降，损失程度取决于病害强度、品种抗性和生产环境。田间目视调查是当前条锈病监测的主要手段，但该方法劳动密集、主观性强且空间覆盖有限。遥感技术提供了一种非破坏性的作物状态观测途径，无人机（UAV）多光谱影像结合机器学习或深度学习模型，在作物病害监测中展现出日益增长的潜力。植被指数（VIs）可反映冠层活力、色素状况及与作物生理状态相关的可见光-近红外反射响应；纹理特征（TFs）描述冠层结构和症状发展引起的局部空间异质性；颜色指数（CIs）可捕获黄化、褪绿等可见病害症状。
然而，有效整合作物生长和病害发展各阶段获取的观测数据，仍是UAV监测中的重要方法论问题。单时相监测对观测日期高度敏感，因为病害症状、冠层结构、叶绿素状况和作物生理响应随生育阶段而变化。双时相归一化差值（DN）特征虽能突出两日期间的相对变化，但无法保留每个观测日期的独立贡献。特征层自适应时间加权可提供更灵活的解决方案，使每个VI、TF或CI变量获得各自的日期特定权重，这对条锈病尤为重要，因为不同特征类型可能在症状表达的不同阶段最具判别力。
二、研究内容与结论
针对多日期特征表示的稳健性需求，研究人员开发了一种基于特征层自适应加权多时相框架，利用UAV多光谱影像进行小麦条锈病监测。研究使用2025年4月24日、5月10日和5月19日获取的UAV影像提取VIs、TFs和CIs，并采用中位数绝对偏差（MAD）为三个观测日期的每个特征分配日期特定权重。研究目标包括：（a）构建MAD加权多时相特征，并与三个单日期数据集、两个双时相DN数据集、直接拼接和等权平均进行比较；（b）应用分组Relief-mRMR-SFS特征选择，在三种特征组合下使用XGBoost比较八种时间表示，并在共享固定分层五折交叉验证下使用选定的MAD加权VIs+TFs+CIs特征评估七种分类器；（c）使用SHAP解释折外预测，支持透明的模型评估。
研究区位于中国科学院栾城农业生态系统试验站，地处河北省石家庄市，北纬37°53′、东经114°41′，海拔50.1米，属暖温带半湿润季风气候，代表华北平原北部褐土典型高产农业生态系统。试验选用'石栾02-1'小麦品种，通过人工接种建立受控发病条件。UAV数据采用大疆Matrice 350 RTK四旋翼无人机搭载6X多光谱相机获取，包含蓝（475 nm）、绿（550 nm）、红（670 nm）、红边（715 nm）和近红外（840 nm）五个波段。分别于拔节期、抽穗期和开花期在11:00至14:00晴朗低风条件下以35米高度飞行采集。田间病害调查于2025年5月18日进行，共建立89个采样点，采用五点采样法采集叶片样本，依据NY/T 1443.1-2007标准进行严重度分级并计算病情指数（DI）。采用5% DI阈值进行二分类，最终保留89个有效样本，包括34个健康和55个感病样本。
三、关键技术方法
研究人员提取了十种植被指数（VIs）、纹理特征（TFs）和颜色指数（CIs）作为候选特征。对于每个特征，使用中位数绝对偏差（MAD）估计三个观测日期的日期特定权重，再进行加权求和。特征选择采用三阶段程序：首先使用Relief算法进行初步筛选，然后使用最小冗余最大相关性（mRMR）去除冗余，最后使用序贯前向选择（SFS）确定最优特征子集。八种时间表示包括三个单日期数据集、两个DN数据集、三日期直接拼接、等权平均和MAD加权特征。模型评估采用XGBoost在共享分层五折交叉验证下进行，并使用七种分类器对选定的MAD加权VIs+TFs+CIs特征集进行验证。SHAP分析用于解释折外预测的贡献。
四、研究结果
MAD加权特征在八种时间表示中取得了最高的平均总体精度（OA）、Kappa系数和平衡精度，验证了自适应时间加权策略的有效性。
在七种分类器比较中，XGBoost表现最佳，平均OA、Kappa系数和平衡精度分别为0.831 ± 0.068、0.649 ± 0.124和0.825 ± 0.052。
在特征组合方面，5月19日（开花期）在三个单日期数据集中表现出最佳平均性能，表明该生育阶段的影像对条锈病监测最具判别力。
折外SHAP分析确定了蓝波段纹理二阶矩、PSRI和RG为具有最大平均绝对SHAP值的特征，揭示了这些特征对模型预测的关键贡献。
五、讨论与结论
研究结果表明，基于MAD的特征层自适应加权多时相框架能够有效整合三个关键生育期的UAV多光谱信息，显著优于单时相和传统双时相方法。XGBoost结合VIs+TFs+CIs特征组合取得了最优分类性能。SHAP分析为模型预测提供了透明的解释，明确了关键判别特征。该框架在基于UAV的条锈病分类方面展现出良好潜力，但研究也指出，进一步在不同环境下评估将有助于明确其更广泛的适用性。
