温室黄瓜霜霉病严重度的准确估算是科学防治霜霉病的前提条件, 对于减少农药使用量、 提升温室黄瓜品质和农民经济效益具有重要意义。 机器学习在植物病害诊断领域的应用越来越广泛, 已经取得了丰富的研究成果, 病害严重程度的估算萌发了新的思路。 利用霜霉病可见光图像并结合机器学习方法, 开展温室黄瓜霜霉病严重度快速准确定量估算研究。 利用数码相机采集温室黄瓜霜霉病叶片图像并进行预处理, 剔除病害图像的背景。 以黄瓜霜霉病叶片图像为输入, 构建基于卷积神经网络（CNN）的估算模型。 利用可见光光谱颜色特征（CVCF）结合支持向量机进行温室黄瓜霜霉病病斑图像分割, 采用SURF（speeded up robust features）特征及形态学操作对分割结果进行优化。 在获取黄瓜霜霉病病斑分割图像后, 提取病斑图像RGB, HSV, L*a*b*, YCbCr和HSI共5个颜色空间15个颜色分量的平均值和标准差2个颜色特征, 以及在此基础上结合灰度共生矩阵提取各颜色分量的对比度、 相关性、 熵和平稳度4个纹理特征, 共计90个特征； 利用Pearson相关性分析进行特征优选, 采用与温室黄瓜霜霉病严重程度实际值相关性高的图像特征构建浅层机器学习估算模型, 包括支持基于向量机回归（SVR）的估算模型和基于BP神经网络（BPNN）的估算模型。 基于以上3种估算模型开展黄瓜霜霉病严重度定量估算, 采用决定系数（R2）和归一化均方根误差（NRMSE）对估算模型准确率进行定量评价。 结果表明, 模型估算的温室黄瓜霜霉病严重度与实际值之间具有良好的线性关系, 其中, 基于CNN的估算模型准确率最高, 模型的R2为0.919 0, NRMSE为23.33%, 其次是基于BPNN的估算模型, 其R2为0.890 8, NRMSE为24.64%, 基于SVR的估算模型的准确率最低, 其R2为0.8901, NRMSE为31.08%。 研究结果表明, 利用黄瓜霜霉病可见光图像数据, 结合卷积神经网络估算模型, 实现了温室黄瓜霜霉病严重度的准确估算, 能够为温室黄瓜霜霉病的科学防治提供参考, 提高病害防治效率, 减少农药使用。

小麦条锈病是影响我国小麦产量的主要病害之一, 在小麦受到条锈病菌侵染初期探测到病害信息, 对小麦条锈病的防控以及产量和品质的提高具有更为重要的意义。 反射率光谱主要反映植被生化组分的浓度信息, 而日光诱导叶绿素荧光则对植物光合生理变化响应灵敏。 为了更好地实现小麦条锈病病情严重度的遥感探测, 尤其是条锈病的早期探测, 对日光诱导叶绿素荧光和反射率光谱数据监测小麦条锈病病情严重度的敏感性进行了对比分析。 首先利用地物光谱仪测定了不同病情严重度的小麦冠层光谱数据, 基于夫琅和费暗线原理利用3FLD(three-band Fraunhofer Line Discrimination)方法提取了小麦条锈病不同病情严重度下的日光诱导叶绿素荧光数据, 然后分别利用反射率光谱数据和日光诱导叶绿素荧光数据构建小麦条锈病不同发病状态下的遥感探测模型, 并通过保留样本交叉检验方式对预测模型精度进行了评价。 结果表明: （1）当小麦条锈病病情指数低于20%时, 日光诱导叶绿素荧光对小麦条锈病病害信息的响应比反射率光谱数据更为敏感, 以日光诱导叶绿素荧光为自变量构建的小麦条锈病病情严重度预测模型达到了极显著性水平, 能够在植被叶绿素含量或叶面积指数发生变化之前探测到植物的胁迫状态, 实现作物病害的早期诊断, 而反射率光谱数据则难以探测到条锈病病害信息; （2）在小麦条锈病病情严重度处于中度发病(20%＜DI≤45%)状态时, 虽然日光诱导叶绿素荧光和反射率光谱数据均能实现小麦条锈病病情严重度的遥感探测, 但利用日光诱导叶绿素荧光数据构建的预测模型优于反射率光谱数据; （3）当小麦条锈病病情严重度达到重度水平(DI＞45%)时, 利用反射率光谱数据和日光诱导叶绿素荧光数据构建的小麦条锈病病情严重度预测模型均达到了极显著性水平, 两种数据均能够较好地实现小麦条锈病病情严重度的遥感探测。 该研究结果对提高小麦条锈病的遥感探测精度具有重要的意义, 为利用TanSat等卫星的荧光数据进行小麦条锈病的早期探测提供了参考依据。

小麦条锈病是世界上影响小麦安全生产的一种重要病害。实现小麦条锈病不同严重度叶片快速、准确的分级识别, 对于条锈病监测、预测预报和防治措施的制定具有重要意义。通过人工接种获得条锈病不同发病程度小麦叶片, 选取8个不同严重度级别(1%, 5%, 10%, 20%, 40%, 60%, 80%和100%)叶片各30片和健康小麦叶片30片, 利用近红外光谱技术分别获取光谱信息, 共获得270条近红外光谱曲线, 依据小麦叶片条锈病发病程度的不同, 将其分为9个类别。从每个类别中随机选择7~8条光谱曲线作为测试集, 共计67条, 将剩余的203条光谱曲线作为训练集。利用定性偏最小二乘法建立小麦条锈病不同严重度叶片的定性识别模型。研究分析了不同光谱预处理方法、建模比(训练集:测试集)和建模谱区对所建模型识别效果的影响。结果表明, 在4 000～9 000 cm-1谱区范围内, 原始近红外光谱数据经中心化预处理后, 建模比为3∶1时, 采用内部交叉验证法建模, 训练集和测试集的总体识别准确率分别为95.57%和97.01%, 所建模型识别效果较好。表明基于近红外光谱技术进行小麦条锈病叶片严重度分级识别是可行的, 为小麦条锈病的监测和评估提供了一种新方法。

通过获取多时相试验区TM影像和大田同步调查棉花黄萎病，将TM影像光谱指数与病害严重度进行相关分析，建立棉花病害严重度估测模型.结果表明： 随着病害严重度的增加，TM影像光谱指数B2，B4，SATVI，OSAVI，MSAVI，TSAVI，SVNSWI，SNSWIa，SNSWIb，SVNI，DNSIa，DNSIb，NDSWIa，NDSWIb，RNSWIa，RNSWIb，DVNI，EVI，TVI，SAVI，DVI，NDVI，RVI 和PVI逐渐减小，B1，B3， B7和RI逐渐增加，NDGI呈现先增后降的趋势，而B5呈现先降后增的趋势.病害严重度与TM影像光谱指数B1，B3和RI均呈极显著正相关，与B4，OSAVI，MSAVI， TSAVI，SVNSWI，SNSWIa，SNSWIb，SVNI，DNSIa，DNSIb，NDSWIa，NDSWIb，RNSWIa，RNSWIb，DVNI，EVI，TVI，NDGI，SAVI，DVI，NDVI，RVI 和PVI均呈极显著负相关，与SATVI呈显著负相关，与B2，B5和B7均未达显著相关.建立的8个TM影像光谱指数估算棉花黄萎病模型均通过显著性检验，且以DVI和DNSIb为自变量的线性模型精度最高，表明利用多时相TM卫星影像光谱指数进行棉田病害定量诊断是可行的.

对棉花单叶黄萎病病情严重度与原始及一阶微分光谱反射率、高光谱特征参数进行相关分析,构建病情严重度反演模型。结果表明:可见光和短波红外波段光谱反射率随病情严重度增加而增大,且可见光波段光谱反射率差异比短波红外波段更为显著。以红边面积为自变量的线性模型(r=0.6696)及以波长694 nm 处原始光谱反射率为自变量的对数模型(r=0.6794)均能较好反演病情严重度。通过模型精度检验发现,以714 nm 处一阶微分光谱反射率为自变量的线性模型为病情严重度诊断的最佳模型,即y=-282.3x+3.8112,该模型具有最大相关系数(拟合r=0.6992,预测r=0.9410),最小均方根误差(0.2571)和相对误差(12.74%)。文章结果对深入研究棉花黄萎病遥感监测机理提供了理论依据,对利用高光谱遥感数据获取病害信息具有重要应用价值。