潜育期小麦条锈菌的高光谱定性识别

小麦条锈病的发生流行严重影响小麦的生产安全,其早期的监测预警对病害发生的防控具有重要作用。本研究利用Hand Held 2地物光谱仪获取不同浓度小麦条锈菌胁迫下的潜育期小麦冠层高光谱数据,基于定性偏最小二乘(discriminant partial least squares,DPLS)、人工神经网络(artificial neural networks,ANN)和支持向量机(support vector machine,SVM)3种方法建立识别潜育期小麦条锈菌的模型,并分析接菌间隔日、建模比及光谱特征的差异对模型效果的影响。结果显示,在全波段(325~1 075 nm)建模,SVM识别效果优于ANN,而ANN优于DPLS,其中以一阶导数为光谱特征所建模型识别效果最优,在不同建模比下其识别准确率均可达到100.00%。

基于偏最小二乘法的小麦条锈病潜育期冠层高光谱分析

为能够找到更快速、高效的监测早期小麦条锈病的方法,通过获得在0.2、0.1、0.05 mg/m L三种不同浓度小麦条锈菌胁迫下的潜育期小麦冠层光谱数据,利用定性偏最小二乘法建立小麦条锈病潜育期小麦叶片冠层光谱识别模型并分析在3类不同光谱特征(波段、变量、建模比)下的模型准确性及适应性。结果表明,在325~1 075 nm波段内,以伪吸收系数二阶导数[log10(1/R)_2nd.dv]为光谱特征所建模型的平均准确率最高,训练集为97.89%,测试集为92.98%,可优先作为建模时备选的变量参数;在不同波段范围所建模型中,在925~1 075 nm波段内,以伪吸收系数的一阶导数[log10(1/R)]为光谱特征所建模型的平均准确率最高,训练集为98.27%,测试集为94.33%,可优先作为建模时备选的波段范围。表明利用冠层高光谱特征可以实现对小麦条锈病潜育期的定性分析,是一种能早期监测小麦条锈病的无损高效方法。

基于Logistic、IBk以及Randomcommittee方法的条锈病潜育期小麦冠层光谱的定性识别

为寻求在小麦条锈病潜育期能探知和监测病害的简单便捷方法,通过人工接种不同品种小麦诱发条锈病,在小麦条锈病菌尚处于潜育期时,采集小麦冠层光谱数据,并利用双重Real-time PCR分子生物学技术检测条锈病菌潜育菌量,基于Logistic、IBK以及Randomcommittee三种方法,在不同建模比、不同参数变换下建立可识别潜育期小麦条锈病的数学模型。结果表明,在全波段范围内(325~1 075 nm),3种方法所建模型模拟识别潜育期小麦条锈病是可行的,但识别效果有一定差异,基于Logistic、IBK以及Randomcommittee方法所建模型的平均准确率分别为83.95%~84.51%、87.72%~88.98%、93.19%~93.46%。因此,基于Randomcommittee方法所建模型的识别准确率最高,效果最好,更适合小麦条锈病潜育期的定性识别。