植物病害的自动早期检测对于作物精确保护至关重要。 提出了一种基于多维光谱序列(multi-dimensional spectral series, MDSS)和加权随机森林(weighted random forest, WRF)的番茄灰霉病早期诊断与鉴别方法。 目的是利用叶片多个观测维度的光谱曲线整体变化趋势建立作物病害检测模型, 以期在肉眼明显可见叶面病斑前对作物病害实现诊断。 将健康叶片接种灰霉病菌第3天作为叶片成功染病第1天。 试验首先采集番茄健康叶片和染病叶片7天内每天的高光谱图像, 提取感兴趣区域并计算平均光谱作为初始光谱数据, 经筛选共得到(156×7)组有效样本。 将样本数据按时间顺序拆分成分别包含1~7个维度的光谱数据形成多维原始光谱序列, 为增加维度间差异性, 相邻原始光谱序列相减构成多维关联光谱序列。 分别采用符号聚合近似估计(symbolic aggregate approximation, SAX)和符号傅里叶近似估计(symbolic Fourier approximation, SFA)两种符号化方法将光谱序列离散成局部辨别性特征。 基于多维光谱序列的局部辨别性特征建立加权随机森林(MDSS-SAX-SFA-WRF)分类模型, 实现病害早期检测。 相应地, 基于单维光谱序列(single-dimensional spectral series, SDSS)的番茄灰霉病识别模型被作为基准模型与MDSS-SAX-SFA-WRF模型比较。 试验结果显示, MDSS-SAX-SFA-WRF检测模型在包含2至7个光谱序列维度的56个测试样本数据中均获得90%以上识别准确率, 在包含5个光谱序列维度测试集中得到最高99%的识别准确率, 较SDSS-SAX-SFA-MRF检测模型在染病第5天的识别率高8.2个百分点。 另外受随机干扰的影响, SDSS-SAX-SFA-MRF模型准确率在染病5~7 d出现大幅度回落至最低84%, MDSS-SAX-SFA-WRF模型识别率在肉眼可见病斑阶段依然保持超过98%的较高检测水准, 未过度回落。 因此, 提出的基于多维光谱曲线整体变化趋势和加权随机森林(MDSS-SAX-SFA-WRF)的分类模型能够有效实现番茄灰霉病早期检测, 并具有较强的鲁棒性, 为染病初期的番茄灰霉病鉴别提供新思路。