《表3 基于作物病虫害识别的高光谱图像分类算法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《作物病虫害高光谱遥感进展与展望》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

(4）病虫害发生早期高光谱检测。从作物病虫害的防治角度，工作重点在于“预防为主”及“早发现，早防治”。而对于高光谱技术在作物病虫害监测识别上的应用而言，其最终目标是尽可能早的通过对作物最小生理变化的识别确定疾病的发生。Grisham等（2010）对无可视症状的黄叶病感染甘蔗叶片进行了基于高光谱数据的识别分析。研究利用逆转录聚合酶链反应（RT-PCR）检测病害侵染严重度，并通过判别分析确定在无症状表征的情况下，对病害检测的最佳精度可达到73%。虽研究结果的精度有待提高，但有效地说明了高光谱技术在无症状监测上的前景。Delalieux等（2007）通过分析苹果黑星病胁迫叶片及健康叶片在不同时期的光谱特征变化，利用Logistic回归以及PLS-LDA方法实现了敏感波段筛选，并最终确定1375—1750 nm以及2200—2500 nm的光谱范围能够在叶片侵染初期实现病害的识别，而可见光范围的580—660 nm以及685—715 nm可以在侵染3周后实现较高精度的病害叶片识别。Oerke等（2016）则对感染霜霉病的葡萄叶片的光谱时序变化进行了详细研究。他们发现随着接种天数的增加，健康叶片和受感染叶片光谱之间的差异增大，可用于疾病鉴定的光谱数也随之增加。400 nm、1400 nm、1900 nm可用于早期检测；红边波长可用于接种后第8.5天的疾病检测；500—700 nm也可用于接种后第9.5天后的疾病检测。桂江生等（2019）则通过基于高光谱图像的CNN模型，实现了大豆花叶病的早期快速检测。总结可以发现，当下，利用高光谱技术进行作物病虫害早期检测相关成果较少且分析精度相对较低，但其在该方向上的潜在应用能力已得到证实。此外，Moshou等（2005）利用高光谱及荧光成像数据，通过QDA实现了小麦条锈病的早期检测，同时确定其精度达到95.4%，远远高于分别用高光谱及荧光数据的精度。可见，基于高光谱及其他遥感手段（荧光、热红外等）相结合的病虫害无症状早期检测也开始进入视野，并取得了较好的效果。