番茄早疫病感染性强、 破坏性大, 潜育期症前特征的检测识别是番茄早疫病监测预警和科学防治的关键。 在实验室以离体番茄叶片作为研究对象, 利用高光谱图像监测番茄叶片早疫病的病程演变情况, 结合可见光图像和光谱特征进行数据分析。 实验发现, 番茄叶片感染早疫病后其近红外光谱平均值和红边反射率随着时间不断降低, 且在接种36 h时已出现潜育期病症信息。 选择接种36 h的光谱数据作为番茄早疫病潜育期的建模数据, 分别利用了主成分(PCA)变换、 多元散射校正(MSC)对建模数据进行光谱降维或降噪处理, 进而建立梯度提升决策树(GBDT)和支持向量机(SVM)识别模型, 并导入数据进行训练识别。 讨论了PCA和MSC的预处理方法对梯度提升决策树(GBDT)和支持向量机(SVM) 模型识别效果的影响; 进一步讨论常见核函数对SVM识别模型的影响, 优选出预处理方法和识别模型的组合算法。 结果发现, PCA-GBDT、 PCA-SVM(高斯核)、 PCA-SVM(线性核)、 MSC-GBDT、 MSC-SVM(多项式核)这几类组合算法准确率均为95%以上, 能很好的实现番茄早疫病潜育期的光谱识别; 其中MSC-GBDT的识别召回率和准确率最好, 而PCA-SVM(高斯核)识别效率最高。 研究表明, 通过降噪处理后的番茄早疫病潜育期高光谱数据减少了噪声、 更加符合真实的分布、 具有较大的可信数据量, 配合简单的识别模型会导致识别能力不足, 而配合复杂的识别模型可达到一个较可靠的测试结果; 通过降维算法能使番茄早疫病潜育期高光谱数据的维度降低、 数据量减少; 降维后的特征能够表达出病变信息, 配合简单识别模型时识别效果好, 而配合过于复杂的识别模型会导致识别模型的过拟合。

硅是地壳中重要的元素, 且在水稻生长中发挥重要作用, 但叶面喷施硅肥对水稻增产和抗病虫的影响研究甚少。为探讨叶面硅肥的作用, 本文通过大田试验研究了叶面喷施硅肥对水稻的农艺性状、抗病和抗虫性的影响。田间试验结果表明, 与对照相比, 叶面喷施硅肥的水稻植株颜色更绿、茎秆更粗壮且抗倒伏, 分蘖数、穗数、每穗的实粒数、千粒重及产量均提高, 并且二化螟蛀虫数减少, 未发生纹枯病。叶片离体接种试验进一步证明, 叶面喷施硅肥可显著提高水稻对纹枯病的抗性。

大斑病是一种对玉米危害严重的病害, 迫切的需要一种可以快速了解玉米大斑病病情的方法。 以无人机遥感作为新的技术平台, 探究玉米冠层受到大斑病胁迫时的光谱响应情况, 并利用无人机高光谱成像技术对大斑病病情进行监测和可视化研究。 采集玉米多生育期(抽雄期、 灌浆期、 完熟期)冠层500～900 nm的高光谱影像, 根据采集影像的原始光谱和一阶微分光谱特征, 提取出12个大斑病敏感波段位置, 12个波段位置分别为: 514, 532, 553, 680, 714, 728, 756和818 nm, 近红外、 红、 绿波段及红边位置。 根据前人提出的植物病害监测参数结合提取的敏感波段位置, 构建13组针对玉米冠层大斑病的监测光谱参数, 研究不同波段对大斑病病情指数(DI)值的敏感性, 并构建玉米冠层大斑病的监测模型, 验证利用无人机遥感监测大斑病DI值的精度及稳定性。 结果表明: 随病情指数增加, 一阶微分光谱图出现典型的“蓝移”现象, 病害冠层DI值与红光(680～714 nm)和近红外(770～818 nm)的反射率及一阶微分光谱图的红边位置(680～756 nm)相关性更显著, 与绿光波段相关性较低。 在13组监测光谱参数中, 8组与建模样点冠层大斑病实测DI值达到极显著相关水平, 决定系数(R2)均达到0.8以上, 选取各生育期R2达到0.8以上的光谱参数用于玉米冠层大斑病监测模型的构建, 将检验样本的实测值与监测模型的预测值进行相关性分析。 检验表明, 在抽雄期, 模型DI-NDVI(SDλi, SDλj)的回归斜率(0.829 3)和决定系数(R2=0.842 7)都最接近1, 均方根误差(RMSE=4.59)和相对误差(RE=12.3)更小, 说明模型DI-NDVI(SDλi, SDλj)的预测能力和精度更高。 各生育期对应模型均取得较好监测效果, 说明本研究利用无人机遥感对植物病害监测具有指导意义, 对精准农业的发展具有一定的借鉴价值。

赤霉病是小麦的一种主要病害, 它会导致小麦减产甚至绝收, 严重影响小麦种子质量, 此外小麦受侵染分泌的真菌毒素危害人类身体健康。 因此, 小麦赤霉病籽粒的识别具有非常重要的意义。 起初普遍采用色谱法和酶联免疫法进行赤霉病检测, 这些方法设备昂贵、 检测速度慢、 准确性低。 近年来, 高光谱成像技术被广泛应用于农作物的识别与检测中, 但是在小麦赤霉病检测的应用研究中, 大多采用抽样检测的方法, 图像采集完成后需要通过ENVI软件手动选取感兴趣区域。 前期准备工作冗杂, 而且容易发生漏检, 漏检的小麦籽粒在存储运输过程中向周边籽粒快速侵染, 难以保障小麦安全健康。 鉴于此, 利用高光谱成像系统结合机器学习提出了一种用于对大量小麦赤霉病籽粒样本快速可视化识别的算法, 以降低漏检率并提升检测效率。 实验分别采集健康小麦和染病小麦469～1 082 nm波段的高光谱图像, 通过直方图线性拉伸结合图像分割的方法获取小麦样本的掩膜图像信息。 利用Savitzky-Golay平滑去噪法与标准正态变量变换法(SNV)进行数据预处理, 通过主成分分析法(PCA)和连续投影法(SPA)进行特征变量提取, 筛选特征变量个数分别为4个和8个。 在掩膜图像位置采集健康小麦样本与染病小麦样本各400份, 其中75%用于建模集, 25%用于测试集。 采用十折交叉验证法结合线性判别分析法(LDA) 、 K-近邻算法(KNN)、 支持向量机(SVM)分别建立分类模型, 测试集准确率都达到90%以上。 随后比较了网格法(GRID)、 粒子群算法(PSO)、 遗传算法(GA)三种核参数寻优方法对SVM模型的影响, 其中, SG-SPA-SVM(PSO)模型分类效果最优, 建模集准确率为95.5%, 均方根误差为0.212 1, 测试集准确率为98%, 均方根误差为0.141 4。 基于样本点预测的基础之上, 对掩膜获得所有小麦样本的光谱曲线进行预测并将识别结果反馈回掩膜中再进行伪彩色显示, 实现染病籽粒可视化识别。 结果表明, 高光谱成像结合SG-SPA-SVM(PSO)算法建立的分类模型可以高效快速、 准确无损、 可视化的实现小麦赤霉病籽粒识别, 为研制小麦赤霉病自动识别设备提供了算法基础。

针对马铃薯晚疫病, 提出了将病害叶片和健康叶片联合测试并提取有效特征波长的检测方法。对健康和病害叶片的光谱图像进行主成分分析, 并从主成分图像的权重系数曲线中提取出 6个健康叶片特征波长和病害叶片特征波长。基于健康叶片与病害叶片的 6个特征波长做第二次主成分分析, 将特征波长优化至 712.19 nm、749.70 nm和 841.47 nm, 再基于这 3个特征波长做主成分分析, 选用主成分中对比度最明显的图像来识别病害区域。研究表明, 采用健康叶片与病害叶片联合使用并结合二次主成分分析可实现马铃薯叶片病害的设别, 且识别率可达 100%。

旨在探索感染不同等级赤霉病的小麦中主要成分含量变化引起的傅里叶中红外光谱信息响应, 并结合模式识别方法实现基于傅里叶变换中红外光谱的小麦赤霉病等级无损检测。 以感染不同等级赤霉病小麦为研究对象, 在4 000~400 cm-1波数范围内采集95个小麦样本的傅里叶中红外光谱数据, 利用载荷系数法(XLW)与随机森林算法(RF)分析选取小麦样本傅里叶中红外光谱中的敏感波长, 利用稀疏表示分类(SRC)算法建模识别小麦感染赤霉病等级。 结果表明: XLW算法和RF算法选择的特征波长作为定性分析模型的输入时模型鉴别准确率与全波段光谱数据作输入时均达90%以上, 特征波长提取算法可以有效简化模型并提高效率。 RF-SRC模型鉴别效果最好, 建模集鉴别准确率达97%, 测试集鉴别准确率达96%。 小麦感染赤霉病等级的不同会引起小麦中水分、 淀粉、 纤维素、 可溶性氮素、 蛋白质、 脂肪等物质含量的变化, 采用RF算法选择的特征波长均反映了这些物质所对应的傅里叶中红外光谱透射光谱特征的差异, 结合SRC模型进行小麦赤霉病等级鉴别可达到最好的鉴别效果。 因此, 利用傅里叶中红外光谱技术结合模式识别方法对小麦赤霉病等级鉴别是可行的, 解释了傅里叶中红外光谱技术检测小麦赤霉病等级的机理。

利用红外光谱技术分析感染小斑病的玉米叶片,获取了染病玉米叶片的分子结构信息,研究结果表明真菌病原体对叶片中的蛋白质结构有一定的影响。二维相关红外光谱分析结果显示,健康玉米叶片中蛋白质二级结构的β-折叠构象随着玉米叶片的生长代谢发生变化,而染病玉米叶片中发生变化的是β-转角构象。二维相关红外光谱可以揭示真菌病原体入侵时玉米叶片分子结构的变化情况,为玉米病害的防治提供参考。