Hansu Zhang 1†, Linsheng Huang 1†, Wenjiang Huang 2,3,4, Yingying Dong 2,3*, Shizhuang Weng 1, Jinling Zhao 1, Huiqin Ma 2 and Linyi Liu 2

1 Национальный инженерно-исследовательский центр агроэкологического анализа и применения больших данных, Университет Аньхой, Хэфэй, Китай, 2 Государственная ключевая лаборатория науки дистанционного зондирования, Институт аэрокосмических исследований, Китайская академия наук, Пекин, Китай, 3 Университет Китайской академии наук, Пекин, Китай, 4 Ключевая лаборатория наблюдения Земли провинции Хайнань, Санья, Китай

Фузариоз колоса (FHB) наносит серьёзный ущерб качеству и урожайности пшеницы в Китае и представляет угрозу здоровью людей и сельскохозяйственных животных. Недостаточно точное выявление заболевания повышает затраты на применение пестицидов и усиливает загрязнение сельскохозяйственных угодий, что подчёркивает необходимость обнаружения FHB непосредственно на пшеничных полях. Объединение спектральной и пространственной информации при анализе изображений облегчает выявление повреждений растений, связанных с инфекцией. В настоящем исследовании изучен эффективный метод выявления FHB у пшеницы по гиперспектральным изображениям с беспилотного летательного аппарата (БПЛА), основанный на объединении спектральных признаков и признаков изображения. К спектральным признакам прежде всего относили характеристики спектральных каналов, а к признакам изображения — текстурные и цветовые признаки. Цель работы состояла в комплексном описании поражения пшеницы посредством объединения признаков разных классов и в выборе наилучшего метода выявления FHB в полевых условиях с применением современных алгоритмов. Сначала было оценено качество двух полученных изображений БПЛА и исключены спектральные каналы с чрезмерным уровнем шума. Затем из изображений извлекли спектральные, текстурные и цветовые признаки. Для отбора признаков использовали алгоритм случайного леса (RF); решение о сохранении каждого признака принимали на основании его значимости. Рассматривались следующие сочетания: спектральные признаки; спектральные и текстурные признаки; спектральные, текстурные и цветовые признаки. Для построения моделей выявления FHB применяли метод опорных векторов (SVM), алгоритм RF и нейронную сеть обратного распространения ошибки (BPNN). Наилучшие результаты показала модель RF, использующая объединение спектральных, текстурных и цветовых признаков: точность прогноза составила 85 %. Предложенный метод может стать эффективным инструментом выявления FHB у пшеницы в полевых условиях.

Ключевые слова: гиперспектральные изображения, БПЛА, стресс сельскохозяйственных культур, объединение признаков, модели классификации

Тип: Оригинальное исследование

Опубликовано: 21 сентября 2022 г.

DOI: 10.3389/fpls.2022.1004427

Редактор: Daniel Cozzolino, Университет Квинсленда, Австралия

Рецензенты: Haikuan Feng, Пекинский исследовательский центр информационных технологий в сельском хозяйстве, Китай; Zipeng Zhang, Синьцзянский университет, Китай

Автор для корреспонденции: Yingying Dong, dongyy@aircas.ac.cn

Примечание: Эти авторы внесли равный вклад в работу и разделяют первое авторство.

Раздел: Технические достижения в науках о растениях, раздел журнала Frontiers in Plant Science

Получено: 27 июля 2022 г.

Принято: 29 августа 2022 г.

Цитирование: Zhang H, Huang L, Huang W, Dong Y, Weng S, Zhao J, Ma H and Liu L (2022) Detection of wheat Fusarium head blight using UAV-based spectral and image feature fusion. Front. Plant Sci. 13:1004427. doi: 10.3389/fpls.2022.1004427

© 2022 Zhang, Huang, Huang, Dong, Weng, Zhao, Ma и Liu. Статья распространяется в открытом доступе на условиях лицензии Creative CommonsAttribution (CC BY). Использование, распространение или воспроизведение на других площадках разрешается при условии указания первоначальных авторов и правообладателей и цитирования исходной публикации в соответствии с принятой академической практикой. Использование, распространение или воспроизведение, не соответствующее этим условиям, запрещено.

Пшеница является второй по значимости зерновой культурой Китая. Обеспечение её стабильной и высокой урожайности относится к важнейшим задачам сельскохозяйственного производства (Huang et al., 2020). Фузариоз колоса (FHB), также называемый паршой колоса, — опасное заболевание пшеницы, вызываемое фитопатогенным грибом Fusarium graminearum(Gibberella). Поражение приводит к формированию мелких, лёгких и сморщенных зёрен, что может быстро вызвать значительные потери урожая и ухудшение его качества (Bauriegel et al., 2011b). Кроме того, гриб образует многочисленные микотоксины, включая дезоксиниваленол, ниваленол и зеараленоны. Наиболее токсичный из них — дезоксиниваленол (DON) — нарушает нормальное функционирование клеток вследствие подавления синтеза белка и представляет серьёзную угрозу здоровью человека и животных (Barbedo et al., 2015). В последние годы на фоне глобального изменения климата поражение пшеницы FHB становится всё более распространённым и причиняет существенный ущерб качеству и урожайности. Неэффективная борьба с заболеванием препятствует рентабельному и устойчивому производству пшеницы, снижая его экономическую и социальную отдачу в Китае. Поэтому своевременное выявление развития заболевания необходимо для успешной защиты посевов.

Традиционное обнаружение FHB в основном опирается на специалистов для разведки развития инфекции пшеницы посредством визуальной интерпретации, или ученые используют химические методы, такие как газовая хроматография (GC) (Simsek et al., 2012), высокоэффективная жидкостная хроматография (HPLC) (Simsek et al., 2012), ферментно-связанный иммуносорбентный анализ (ELISA) (Maragos et al., 2006) и полимеразная цепная реакция (PCR) (Amar et al., 2012; Atoui etal., 2012) для выявления FHB и DON производства. Однако эти методы являются трудоемкими, неспособными достичь крупномасштабного мониторинга и разрушительны для пшеницы. Технология дистанционного зондирования широко используется в мониторинге и выявления FHB у пшеницы с неразрушающими проверками и быстрыми измерениями. В настоящее время мониторинг FHB пшеницы с использованием технологии дистанционного зондирования в основном проявляется в трех аспектах: (i) выявление зёрен пшеницы с различной степенью повреждения в лабораторных условиях для точного определения качества зёрен пшеницы (Delwiche et al., 2011; Barbedo et al., 2015; Jaillais et al., 2015; Alisaac et al., 2019; Femenias et al., 2020; Liang et al., 2020; Zhang D. Y. et al., 2020a; Zhang D.). Y. et al., 2020b); (ii) использовать технологию дистанционного зондирования для сбора информации об индивидуальной пшенице или пшеничной кроне, инфицированной FHB, для точного выявления заболевания (Dammer et al., 2011; Menesatti et al., 2013; Whetton et al., 2018a,b; Huang et al., 2019b; Zhang et al., 2019; Huang et al., 2020; Ma et al., 2020; Huang et al., 2021); и (iii) контролировать FHBпшеницы в региональном масштабе с помощью дистанционного зондирования (Liu et al., 2020b). Однако в этих исследованиях существует много ограничений. Проверка зёрен пшеницы имеет временной лаг, который позволяет использовать только ядра с различными качествами и не может существенно облегчить пшеничную инфекцию. Количественные исследования обнаружения в масштабе одного растения или уровне растительного покрова только обеспечивают теоретическую ссылку без пространственного распределения инфекции пшеницы для удовлетворения потребностей практического применения.

В настоящее время существует риск того, что FHB будет покрыт облаками, и он может возникать в облачных и туманных районах, что снижает доступность изображений дистанционного зондирования (Liu et al., 2020a). Поэтому существует настоятельная необходимость в новых технологических средствах для решения текущих проблем.

Беспилотные летательные аппараты (БПЛА) считаются практическим средством обнаружения вредителей и болезней сельскохозяйственных культур. В отличие от платформ дистанционного зондирования наземного и спутникового базирования, приложения БПЛА обладают преимуществами большого охвата, высокой эффективности и гибкости (Fu et al., 2022; Zhu et al., 2022a). БПЛА может собирать изображения и данные очень высокого разрешения экономически эффективным способом в течение короткого периода времени (Ye et al., 2020). В качестве нового технологического средства технология БПЛА добилась значительного прогресса в классификации сельскохозяйственных культур, мониторинге роста и идентификации вредителей и заболеваний. БПЛА также обеспечивает надлежащий баланс между качеством изображения, эффективностью зондирования и эксплуатационными расходами (Li et al., 2019). В настоящее время изображения БПЛА в основном делятся на мультиспектральные изображения и гиперспектральные изображения. Гиперспектральные изображения имеют десятки-сотни непрерывных и подразделённых спектральных полос в ультрафиолетовой, видимой, ближней и средней инфракрасной областях, что делает их более чувствительными к отраженной энергии света и всё более доступными (Liu et al., 2020a). Гиперспектральные изображения могут предоставлять изображения и спектральные данные каждого пикселя, тем самым обнаруживая внутренние химические составы и внешние фенотипические черты объектов (Zhang D. Y. et al., 2020b). В настоящее время мало сообщений об обнаружении поражения FHB в пшенице с помощью гиперспектральной технологии БПЛА (Liu et al., 2020a; Ma et al., 2021; Xiao et al., 2021). Мы попытались использовать гиперспектральную технологию БПЛА для изучения методов выявления FHB у пшеницы в нашем исследовании. Более того, ученые в первую очередь добыли спектральные признаки, которые могли бы характеризовать физиологические и биохимические изменения (такие как влага, пигмент и т. Д.), А также рассмотрели текстурные признаки, которые могут представлять пространственные изменения пшеницы для выявления FHB. Фактически, инфицированная пшеничная ткань обычно переходит от зеленой (здоровая ткань) к желто-белой (болезнетворная ткань) по мере прогрессирования заболевания. Цвет оказался наиболее эффективным средством для различения различных объектов изображения и распознавания объектов среди фенотипических признаков (например, цвет, текстура и размер), извлеченных из изображений (Zhang et al., 2018). Однако применение цветовых признаков БПЛА в обнаружении FHB не исследовалось. Поэтому данное исследование объединяет цветовые признаки для дальнейшего изучения методов выявления FHB у пшеницы на основе гиперспектральных изображений БПЛА.

Наше исследование исследовало потенциал объединения спектральных и признаков изображения гиперспектральных изображений БПЛА для улучшения способности выявления FHB у пшеницы в полевых условиях. Общая техническая схема потока показана на рисунке 1. Во-первых, мы определили наиболее подходящие чувствительные спектральные признаки для идентификации FHB; эти признаки отражают стресс заболевания хозяина. Во-вторых, мы извлекли текстурные признаки, которые могли бы представлять распределение болезни на основе полосовых изображений, содержащих наибольшую информацию о заболевании. Наконец, мы рассчитали цветовые признаки, которые характеризуют заболеваемость. Мы объединили несколько алгоритмов для построения моделей классификации и изучения влияния совокупности признаков на точность выявления FHB. Наши цели состояли в том, чтобы (1) оценить производительность

гиперспектральные изображения БПЛА при идентификации возникновения FHB у пшеницы; (2) оценить потенциал совокупности признаков в обнаружении FHB; (3) изучить лучший метод классификации для изображений БПЛА; и (4) нанести на карту возникновение FHB в пшеничном поле с использованием оптимальной модели. В целом мы разработали новый метод выявления FHB на основе изображений БПЛА, который формирует основу для точной профилактики и контроля FHB.

Наш экспериментальный участок находился на производственной базе Агроуниверситета Аньхой (31°290 N, 117°130E) в уезде Луцзян провинции Аньхой, Китай (рисунок 2). Основным сортом пшеницы в этом районе является Янмай 25, который подвержен воздействию FHB. Нулевая обработка почвы и типичный субтропический влажный муссонный климат обеспечивают благоприятные условия для возникновения FHB у пшеницы в этом регионе. По данным метеорологической службы Аньхой, средняя температура с апреля по начало мая 2019 года в уезде Луцзян была около 20 °C, сопровождалась несколькими днями осадков. Пшеница находилась в период цветения в апреле. Достаточные источники грибка и климатические условия вызвали естественную FHB пшеницы в месте проведения эксперимента.

Данные были получены от БПЛА получения изображений и полевой исследования. БПЛА изображения были получены с использованием M600 Pro самолета Dajang Innovations (DJI) во время стадии пшеничной заправки

3 и 8 мая 2019 г. Эта система была оснащена гиперспектральной камерой Cubert S185 FireflEYE SE (Cubert GmbH, Ulm, Baden-Württemberg, Germany), которая может собирать отраженное излучение в диапазоне 450–950 нм. Интервал спектральной выборки составлял 4 нм, и в общей сложности было 125 полос. БПЛА летал со скоростью 3 м/с на высоте 60 м. Камера запускает на частоте 0,8 с, с перекрытием вперед 80% и перекрытием стороны 65%. Все изображения БПЛА собирались при ясной погоде и безоблачном небе между 11 утра и 1 час. (локальное время). Перед съемкой гиперспектральных изображений требовалась радиометрическая коррекция камеры. Панхроматические изображения с высоким пространственным разрешением и изображения с гиперспектральным кубом с низким пространственным разрешением были объединены и сшиты для последующего анализа. Окончательные гиперспектральные изображения имели пространственное разрешение 4 см. Эксперименты по исследованию поля проводились при захвате изображений БПЛА. Пятьдесят участков (каждый с площадью 1 м²) были равномерно выбраны по всему полю эксперимента. Эти участки использовались в качестве наземных точек выборки для проверки качества изображений БПЛА. Для точного определения точек выборки мы закрепили флагшток рядом с каждой точкой. Спектральное отражение точек отбора проб растительного покрова было собрано с использованием спектрометра ASD FieldSpec Pro (Analytical Spectral Devices, Inc., Boulder, CO, USA), который имеет спектральное разрешение 3 нм в диапазоне 350–1000 нм и 10 нм в диапазоне 1000–2500 нм. Все спектральные измерения растительного покрова проводились на высоте около 1,3 м над землей, и в каждой точке выборки было проведено 10 измерений.

Каждое измерение для коррекции изменений условий освещения, а также среднее использовалось в качестве конечного спектра навеса. Согласно правилам мониторинга и прогнозирования ушной раковины пшеницы, предложенным Национальным департаментом защиты растений Китая (Китайский стандарт: GB/T 15796–2011), соотношение пораженных ушей (DER) на каждом участке может быть выражено соотношением пораженных ушей к общему исследуемому уху. Плотность посадки пшеницы в исследуемой области была относительно равномерной. Затем мы случайным образом отобрали 50 растений пшеницы в каждой точке выборки и записали количество пораженных растений пшеницы визуальной интерпретацией. DER был разделен на пять классов: 0,1% < DER ≤ 10% (класс 1), 10% < DER ≤ 20% (класс 2), 20% < DER ≤ 30% (класс 3), 30% < DER ≤ 40% (класс 4) и DER > 40% (класс 5). На самом деле, поля пшеницы с более чем 30% зараженной пшеницы сильно повреждены, а те, у кого менее 10%, слегка повреждены. Поэтому мы переклассифицировали DER в три класса: легкая инфекция (0,1% < DER ≤ 10%), умеренная инфекция (10% < DER ≤ 30%) и тяжелая инфекция (DER > 30%) для последующего анализа.

Гиперспектральные изображения БПЛА получают посредством объединения и сшивки панхроматического изображения с гиперспектральным кубом. БПЛА подвержен влиянию объективных факторов, таких как встряхивание в полете. Поэтому необходимо оценить качество изображения перед идентификацией FHB пшеницы в полевых условиях. Спектрометры ASDшироко используются в мониторинге дистанционного зондирования сельского хозяйства, а их спектральная информация часто используется в качестве важной основы для мониторинга.

В этом исследовании мы использовали спектральные данные ASD в качестве критерия для оценки качества изображений БПЛА (Bareth et al., 2015; Gao et al., 2016; Chen et al., 2018). Во-первых, мы извлекли и усреднили спектральную отражательную способность всех пикселей в точках выборки для получения спектральной информации БПЛА в той же области, что и измерение ASD. Во-вторых, мы проанализировали спектральные вариации между двумя наборами данных путем повторного отбора образцов спектра ASD и определения различий в формах волн. Наконец, мы вычислили корреляцию между повторно выбранным спектром ASD и спектром БПЛА в диапазоне 450–950 нм. Если существует сильная корреляция между данными, измеренными двумя датчиками, и одной и той же спектральной кривой, то данные БПЛА считаются надежными.

Гиперспектральные изображения БПЛА, полученные в этом исследовании, содержат 125 спектральных полос, от видимых до ближнего инфракрасного диапазона, которые отражают внутренние физиологические и биохимические изменения пшеницы после патогенной инфекции (Li et al., 2014). Кроме того, пшеница имеет различные пространственные распределения по мере увеличения тяжести FHB, о чем свидетельствуют текстурные и цветовые признаки изображения. Здесь мы обнаружили FHB пшеничного поля, извлекая ключевые особенности из изображений, полученных 3 и 8 мая. Пшеница была на одной и той же стадии роста на обеих датах; поэтому любые изменения признаков между двумя датами были в основном связаны с развитием болезни, а не с ростом пшеницы. Следует отметить, что извлеченные признаки являются не только спектральными признаками, но и включают в себя признаки изображения (текстовые и цветовые признаки).

• содержат неверную информацию и, таким образом, нечувствительны к пшенице FHB. Был принят алгоритм случайного леса (RF) для дальнейшего сокращения избыточности данных и разработки эффективных моделей.

Спектральные признаки для каждого участка были извлечены из гиперспектральных изображений с помощью инструмента области интереса (ROI) в программном обеспечении ENVI 5.3. Метод извлечения признаков такой же, как и используемый при оценке качества данных БПЛА. Мы извлекли и усреднили спектральное отражение всех пикселей, содержащихся в точке выборки, как конечное спектральное значение каждой точки выборки. Текстурные признаки были извлечены методом матрицы совместного возникновения серого уровня (GLCM) (Zhang et al., 2017). Метод GLCMпредставляет собой классический метод статистического анализа, который описывает текстуру путем изучения пространственных корреляционных характеристик серого уровня (Guo et al., 2020). Средняя, дисперсия, однородность, контрастность, несходство, энтропия, второй момент и корреляция были извлечены для анализа выявления FHB. В таблице 1 описаны текстурные признаки. До извлечения признаков текстуры использовался метод анализа основных компонентов (PCA) для уменьшения размерности гиперспектральных изображений и генерации изображений основных компонентов, содержащих только три полосы. Первые три полосы содержат большую часть информации (кумулятивная дисперсия превышает 97%); таким образом, признаки текстуры были извлечены из серых изображений, соответствующих трем полосам.

Функции текстуры были дополнены программным обеспечением ENVI 5.3, и конкретный процесс произошел в четыре этапа (Fu et al., 2022): (1) выберите серые изображения в диалоговом режиме «Файл ввода текста», (2) выберите необходимые функции текстуры в флажке, (3) установите размер окна обработки до 3 × 3 (наименьший размер окна гарантирует максимальное разрешение), и (4) установите выходной путь и вычислите значения текстуры. Всего было рассчитано 24 функции текстуры.

Для выбора цветовых признаков мы рассчитали цветовые индексы через комбинации полос для указания различных аспектов инфекции пшеницы (Li et al., 2019; Huang et al., 2020; Ge et al., 2021). Цветовая особенность является наиболее широко используемой визуальной особенностью в поиске изображения; она обычно связана с объектом или сценой, содержащейся в изображении; в то же время цветная особенность менее зависит от размера, ориентации и перспективы самого изображения, что делает его очень надежным (Huang et al., 2020). Во время стадии слабой инфекции несколько растений пшеницы были увядшими и пожелтевшими в поле. По мере ухудшения инфекции поврежденная область постепенно увеличивалась (рисунок 3). Хроматическая аберрация может использоваться для различения тяжести FHB. В этом исследовании для синтеза изображений гиперспектрального цвета использовались три длины волн (694, 542 и 482 нм) гиперспектральных изображений и выделения цветовых признаков. Извлеченные цветовые признаки в основном включали избыточный индекс синей растительности (ExB), избыточный индекс зеленой растительности (ExG), избыточный индекс красной растительности (ExR), алгоритм зеленого листа (GLA), индекс кавасимы (IKAW), модифицированный индекс зеленой красной растительности (MGRVI), нормализованный индекс зеленой красной разности (NGRDI), индекс красно-зеленой синей растительности (RGBVI), видимый атмосферно-устойчивый индекс (VARI) и индекс Woebbecke (WI). Подробности 10 цветовых признаков, упомянутых в этой статье, показаны в таблице 2.

Рациональный отбор важных признаков в пшенице FHB детектирование является наиболее важным шагом в анализе изображений. RF состоит из нескольких деревьев решений, которые могут вычислить важность отдельных переменных признаков. Метод оценки признаков называется «встраивание», который объединяет особенности методов фильтрации и обертки (Pal and Foody, 2010). Мы оценили важность признаков путем вычисления скорости вклада каждой особенности в случайном лесу, как измерено индексом Джини (Deng) и Runger, 2013). Для уменьшения случайной ошибки, возникшей при работе случайного лесного алгоритма, в качестве итоговой оценки значимости каждой особенности было установлено в среднем 20 алгоритмов. Для дальнейшего тестирования способности выбранных признаков отделять образцы слабой, умеренной и сильной болезни был использован анализ дисперсии (ANOVA).

Используя MATLAB R2016b (MathWorks, Natick, MA, USA), три алгоритма, машина вектора поддержки (SVM), RF и нейронная сеть обратного распространения (BPNN) стали основой для моделей выявления FHB у пшеницы.

SVM — это контролируемый алгоритм обучения, который реализует лучшую способность обобщения и предотвращает переобучение, пытаясь найти компромисс между минимальной ошибкой калибровочного набора и максимальной ошибкой края; это один из самых мощных классификаторов (Faris et al., 2017). Ожидается, что SVM найдет оптимальную гиперплоскость для разделения образцов и в конечном итоге создаст выпуклую квадратичную проблему программирования, которая обеспечивает только глобальные минимумы (избегая локальных минимумов). Когда переменные не могут быть разделены линейно, SVM может использовать функцию ядра для проецирования переменных в более объемное пространство признаков, что облегчает линейное деление (Xia et al., 2016). По сравнению с другими классификаторами, требующими большого количества образцов, SVM может найти оптимальное решение на основе существующих образцов, поэтому он лучше применим к ограниченным образцам, ниже вычислительная сложность и меньшее время обучения. Функция ядра, размер параметра ядра и параметр штрафа являются важными факторами, влияющими на производительность модели SVM. Мы выбрали функцию радиальной основы в качестве функции ядра и использовали метод оптимизации сетки для поиска лучших параметров для получения лучшей точности модели.

Алгоритм RF, предложенный Breiman (2001), является популярным алгоритмом обучения ансамблей в классификации, прогнозировании и выборе признаков (Breiman, 2001). При использовании алгоритма RF для классификации окончательная метка входной выборки определяется голосованием за каждое дерево решений в случайном лесу (Guo et al.,

2011; Zhu et al., 2022b. Случайная выборка и методы случайного расщепления узлов используются для обучения модели RF (Gislason et al., 2006). RF является предпочтительным в обработке изображений дистанционного зондирования (Rodriguez-Galiano et al., 2012): (1) RF менее вычислительно интенсивна, чем другие методы ансамбля деревьев (такие как Boosting) и менее подвержена переоборудованию; (2) RF обладает сильной способностью противостоять шуму и выбросам, может переносить определенное количество потери данных и обладает хорошей устойчивостью к шуму и выбросам; (3) RFможет анализировать сложные характеристики классификации и измерять важность переменных; (4) RF поддерживает высокоразмерные данные и генерирует внутреннюю объективную оценку ошибки обобщения («ошибка вне мешка»). В этом исследовании количество деревьев решений модели было установлено на 200, а другие параметры были сохранены по умолчанию.

BPNN — одна из наиболее широко используемых сетевых моделей в дистанционном зондировании (Yang et al., 2011). Это многослойная нейронная сеть, основанная на обучении алгоритму обратного распространения ошибок, обычно включающая в себя входной слой, скрытый слой и выходной слой. При вводе набора информации сеть может достигать целевой точности посредством непрерывного повторного обучения и настройки, чтобы получить удовлетворительные результаты. Алгоритм непрерывно собирает ошибки, генерируемые моделью в период обучения, возвращает эти ошибки в качестве выходных значений через обратное распространение, а затем непрерывно корректирует вес каждого нейрона в соответствии со значением ошибки. Наконец, достигается лучшая классификация по модели.

Всего 100 образцов со слабой, умеренной и сильной прогрессией заболевания были случайным образом разделены на калибровочный набор и набор предсказаний (4:1 соотношение). Калибровочный набор использовался для построения модели, а набор предсказаний предварительно использовался для оценки возможностей классификации модели. Для дальнейшей оценки точности и предотвращения переобучения модели использовался набор валидации для проверки способности модели к обобщению. Мы использовали пятикратный метод перекрестной валидации для равномерного деления набора данных на пять частей, каждая из которых была независимым набором валидации. Была оценена точность каждого набора валидации, а в качестве конечной точности валидации модели использовался средний. Точность калибровки, точность прогнозирования и точность валидации продемонстрировали способность модели обнаруживать FHB пшеницы в нашем исследовании. Используя программное обеспечение ArcGIS 10.6 для картирования повреждения FHB пшеницы и расчета соотношения количества пшеницы.

инфицированные пиксели к количеству здоровых пикселей к статистике пропорции пшеничных участков с разными инфекционными классами.

На рисунке 4A показан оригинальный средний спектр навесной пшеницы, измеренный спектрометром ASD и извлеченный из изображений БПЛА более 450–950 нм. С точки зрения сходства формы волны вариации двух спектров в видимой ближней инфракрасной области (450–850 нм) согласуются со значительными пиками (около 550 нм) и впадинами (около 680 нм). Однако спектр, измеренный спектром спектрометра ASD в целом ниже спектра, извлеченного изображениями БПЛА. Выше 850 нм спектральная отражательная способность изображений БПЛА постепенно уменьшается, а спектральная кривая показывает значительную тенденцию к снижению по сравнению с ASD, в то время как спектральная кривая ASD имеет небольшие колебания. На рисунке 4B показана корреляция между спектром БПЛА и спектром ASD в диапазоне 450–950 нм. Два спектра сильно коррелируют, при этом R2 выше 0,97, что указывает на то, что качество изображения БПЛА заслуживает доверия. Далее была проанализирована корреляция между спектром БПЛА и спектром ASD в пределах 450–850 нм: R2 достиг 0,99 (рисунок 4C). Таким образом, полоса больше, чем 850 нм, сильно влияет на изображения БПЛА. Поэтому последние 100 полос изображений БПЛА были исключены из постобработки.

Алгоритм RF использовался для оценки значимости каждого признака в моделях выявления FHB для фильтрации избыточных признаков. На рисунке 5 показано распределение значимости спектральных признаков и признаков изображения. Чем больше вес, тем важнее соответствующие признаки. Согласно последовательному обратному исключению, все признаки с весом более 0,2 были выбраны для обнаружения образцов пшеницы со слабой, умеренной и сильной инфекцией; в результате было пять спектральных признаков, три текстурные признаки и два цветовых признака (таблица 3). Весы выбранных спектральных признаков были намного выше, чем оставшиеся спектральные признаки (рисунок 5А). Один выбранный спектральный признак находился в видимой области, три — в области красного края, один — в ближней инфракрасной области. Для особенностей изображения были выбраны три фактурных признака и два цветовых признака, чтобы проиллюстрировать распределение болезней и степень заражения в пшенице; максимальный вес выбранных признаков изображения достиг 0,39. Таблица 4 демонстрирует способность этих выбранных признаков обнаруживать мягкие, умеренные и тяжелые образцы ANOVA. В целом выбранные признаки показывают разные средние и стандартные значения отклонения среди многоклассовых образцов. Были значительные различия среди мягких, умеренных и тяжелых.

выборки всех признаков, а уровень значимости достиг 0,95. Поэтому выбранные признаки обладают сильной способностью к разделению для обнаружения инфицированных образцов в данном исследовании.

Цель нашего исследования – эффективно идентифицировать поле FHB на основе объединения спектральных и графических особенностей изображений БПЛА, чтобы иметь возможность своевременно контролировать развитие полевых заболеваний.

Поэтому модели классификации были разработаны путем объединения различных сочетаний признаков с SVM, RF и BPNN для анализа выявления FHB у пшеницы. Точность калибровки и точность прогнозирования моделей показаны в таблице 5. Точность моделей, построенных на основе разных признаков

Интеграция спектральных, текстурных и цветовых признаков, по-видимому, достигает наилучшей точности. При использовании спектральных признаков в качестве входных данных модели RF лучше всего работала с точностью предсказания 70%, за ней следуют BPNN и SVM с точностью предсказания 65 и 60% соответственно. При рассмотрении интеграции спектральных и текстурных признаков точность трех моделей классификации

Таблица 5. Точность классификации моделей на основе различных признаков и алгоритмов.

Была улучшена на 10%, а модель RF достигла наивысшей точности на 80%. При интеграции в качестве входных переменных спектральных, текстурных и цветовых признаков точность предсказания модели RF была дополнительно улучшена до 85%. Точность предсказания модели SVM осталась неизменной, но точность предсказания модели BPNN также улучшилась на 5%. Точность калибровки модели также показывает ту же тенденцию, что и точность предсказания. Среди всех моделей точность калибровки модели RF достигла 100%. С добавлением особенностей изображения точность калибровки модели продолжала улучшаться. Вышеприведенные результаты свидетельствуют о том, что объединение спектральных и признаков изображения может улучшить производительность модели с помощью текстурных и цветовых признаков в плане выявления FHB у пшеницы. Для дальнейшей проверки модели был использован метод пятикратной перекрестной валидации, чтобы доказать ее универсальность. Результаты валидации показаны в таблице 5. Результаты показывают, что самая высокая точность валидации составила 83%, что отражается в интеграции спектрального признака, фактурного признака, цветового признака и алгоритма RF. Вышеприведенные результаты показывают, что слияние спектрального и графического признака в сочетании с алгоритмом RF может принести пользу быстрому обнаружению и точному анализу пшеничного поля со слабой, умеренной и сильной инфекцией.

Чтобы понять пространственное распределение зараженной FHB пшеницы в исследуемой области, модели, основанные на различных интеграции признаков и оптимальном алгоритме RF, были адаптированы для отображения повреждения FHBпшеницы 3 и 8 мая 2019 года. Результаты показаны на рисунке 6. Из результатов картирования степень заражения пшеницей со временем увеличилась. Хотя инфекция распространилась по всей сельскохозяйственной территории 3 мая, пшеница в поле показала легкую и умеренную инфекцию, а тяжелая инфекция была почти нулевой (спорадическое распределение). Однако 8 мая почти вся пшеница в исследуемой области показала умеренную или тяжелую инфекцию, что указывает на то, что быстро произошла крупная вспышка. В таблице 6 приведены данные о пропорциях площади пшеницы со слабой инфекцией, умеренной инфекцией и сильной инфекцией, соответствующие каждому рисунку на рисунке 6. Умеренная инфекция затронула более 75% пшеницы 8 мая, а тяжелая инфекция затронула более 10%. Добавление признаков изображения улучшило модель с точки зрения обнаружения сильно инфицированной пшеницы. Доля сильно инфицированной пшеницы 8 мая на рисунке 6B (18,12%) и рисунке 6C (18,85%) выше, чем на рисунке 6A (11,73%); эти результаты в основном отражены

при наличии какой-либо сильной инфекции вдоль края участка. Это тяжелое инфекционное явление согласуется с результатами нашего полевого обследования.

В настоящей работе подробная информация, содержащаяся в гиперспектральных изображениях БПЛА, была полностью использована для выявления FHB у пшеницы в полевых условиях. FHB может изменять пигмент, содержание воды и клеточную структуру пшеницы, а также структуру, форму и цвет пшеничного навеса. Поэтому мы слили спектральные признаки, которые представляют внутренние физиологические изменения, с особенностями изображения, которые представляют пространственную информацию пшеницы, чтобы эффективно обнаруживать FHB пшеницы.

Перед анализом изображений БПЛА мы сначала оценили качество гиперспектральных изображений БПЛА, что является критическим шагом для обеспечения того, чтобы изображения БПЛА точно идентифицировали FHB. Мы оценили качество изображений БПЛА путем сравнения и анализа данных, полученных с помощью спектрального спектра ASD. Спектральные кривые точек выборки пшеницы, извлеченных из изображений БПЛА, имеют общую тенденцию с таковыми в области VIS-NIR. Однако значения спектральных значений, полученных из изображений ASD, были ниже, чем спектральные значения, полученные из изображений БПЛА, что, вероятно, связано с влиянием функции двунаправленного распределения отражения (BRDF), вызванной разницей в геометрических положениях солнце-таргетингов двух наборов данных. Некоторые исследования доказали, что BRDF оказывает значительное влияние на гиперспектральные данные БПЛА (Burkart et al., 2015). Выше 850 нм спектральная кривая БПЛА показывает тенденцию к снижению по сравнению со спектральной кривой ASD, в то время как спектральная кривая ASD имеет небольшую вариацию, что согласуется с наблюдениями других ученых (Gao et al., 2016; Chen et al., 2018). Датчик может иметь слишком много шума на границе обнаружения. Кроме того, ему могут потребоваться безоблачные условия в день измерения, поэтому существует длительный интервал времени между полетом БПЛА и сбором информации ASD, а также изменения в условиях освещения. Согласно рисунку 4, спектральная отражательная способность точек выборки, полученных различными датчиками, значительно коррелирует в пределах 450–850 нм (R2 0,99). Гиперспектральные данные ASD являются обширными.

Метод идентификации дистанционного зондирования для вредителей сельскохозяйственных культур и болезней (Cao etal., 2013; Shi et al., 2018; Guo et al., 2020). Этот спектр используется для точной выявления FHB у пшеницы в полевых условиях (Huang et al., 2019a,b; Ma et al., 2020). Высокая корреляция между спектрами БПЛА и ASD дополнительно доказывает надежность изображений БПЛА.

Далее мы извлекли признаки спектральных каналов, текстурные признаки и цветовые признаки, содержащиеся в гиперспектральных изображениях. В таблице 3 показаны детали извлеченных признаков. Признаки спектральных каналов

извлекаемые нами в основном расположены в зеленой кромке, красной кромке и ближней инфракрасной области. Зеленая кромка в основном связана с содержанием пигментов пшеницы (включая каротиноиды и хлорофилл) (Al Masri et al., 2017; Zhang Z. P. et al., 2020b), а положение красной кромки чувствительно к движению красной кромки, вызванному изменением концентраций хлорофилла (Zhang Z. P. et al., 2020a). Длины ближнего инфракрасного диапазона в основном связаны с содержанием влаги в пшенице,

Поскольку концентрация DON пшеницы на ранних стадиях находится на низком уровне и типичные симптомы повреждения Fusarium не могут быть обнаружены визуально, спектральные признаки более благоприятны для наблюдения ранних симптомов инфекции пшеницы (Femenias et al., 2020; Zhang et al., 2021). Метод экстракции текстур на основе GLCMбыл основан на Fu et al. (2022). Метод GLCM описывает текстуру путем изучения пространственных корреляционных характеристик серых уровней (Haralick and Shanmugam, 1973). Фактически, текстурная информация может помочь отличить пространственную информацию, независимую от тона, для идентификации объектов или областей, представляющих интерес для изображения, но не рекомендуется использовать ее сама по себе из-за плохой работы параметров текстуры (Sarker and Nichol, 2011). Ранее вспомогательная текстурная информация эффективно комбинировалась со спектральной информацией, чтобы значительно повысить точность оценки GPC пшеницы (Fu et al., 2022). Поэтому в этом исследовании мы попытались объединить текстурные признаки и спектральные признаки для повышения точности обнаружения поля FHB. Результаты показывают, что текстурные признаки могут служить дополнительной информацией для увеличения размерности данных гиперспектрального изображения БПЛА (таблица 5). Кроме того, мы рассчитали некоторые цветовые признаки по комбинациям полос, чтобы указать на различные аспекты инфекции пшеницы. В то время как текстурные признаки могут добавить дополнительную информацию к оценке FHB, инфекция сельскохозяйственных культур более непосредственно связана с цветовой информацией, а не с пространственным расположением цветов (Li et al., 2019). Более того, поскольку цветные изображения подчеркивают специфическую зелень растительности и считаются менее чувствительными к изменениям условий освещения, цветовые признаки, извлеченные из изображений RGB, имеют потенциал для обеспечения роста урожая и питательного статуса, немедленно предоставляя исследователям и фермерам реалистичную и интуитивную визуализацию статуса роста сельскохозяйственных культур (Du and Noguchi, 2017; Ge et al., 2021). В настоящее время некоторые ученые используют цветовые признаки для оценки плотности азота листьев озимой пшеницы (Rorie et al., 2011), оценки индекса площади листьев риса (Li et al., 2019), мониторинга состояния роста пшеницы (Du and Noguchi, 2017) и точного выявления FHB у пшеницы по уровне колоса (Huang et al., 2020).

Обнаружение полевой пшеницы на основе цветовых признаков пока не исследовано. Поэтому в данном исследовании мы дополнительно дополнили цветовые признаки во входных моделях на основе спектральных и текстурных признаков для выявления FHB у пшеницы. Собственно, цветовые признаки в цифровых изображениях БПЛА обычно основаны на камерах RGB, поскольку системы БПЛА с камерами RGB недороги, компактны и удобны. В дальнейшем следует рассмотреть систему БПЛА, подходящую для мониторинга FHB в полевых условиях. Полосы RGB в данном исследовании являются основой для будущих камер RGB, избегая сложности гиперспектральной обработки данных.

В таблице 5 показаны результаты классификации моделей пшеницы в полевых условиях с разной степенью инфицирования по разным входным переменным. Добавление текстурных и цветовых признаков может дополнительно повысить точность модели по сравнению с методами, использующими спектральные признаки для выявления FHB у пшеницы. Как видно из таблицы 6, улучшение точности в основном проявляется в разнице в выявлении моделью образцов слабой, умеренной и сильной болезни. На ранней стадии поражения пшеницы FHB (3 мая), 57,16% и 42,76% пшеницы в полевых условиях со слабой и умеренной инфекцией соответственно, можно было идентифицировать моделью с использованием спектральных признаков. С добавлением особенностей текстуры и цветовых особенностей доля слабо инфицированной пшеницы в выявленном моделью поле постепенно уменьшалась, а доля умеренно инфицированной пшеницы увеличивалась. В поздней стадии поражения пшеницы FHB (8 мая) модель указывала, что пропорции слабо и умеренно инфицированной пшеницы постепенно уменьшались с добавлением признаков изображения, а сильно зараженная область постепенно увеличивалась. То есть, до добавления признаков изображения модель всегда пропускает пшеницу с более тяжелым заболеванием. На самом деле по мере распространения пшеничной инфекции сухие и белые участки ушей пшеницы становились больше, пока пшеница не умирала (Huang et al., 2020). Добавление особенностей изображения может позволить модели запечатлеть этот процесс. Когда информация, содержащаяся в модели, увеличивается, улучшается обнаружение образцов с тяжелым заболеванием, что согласуется с результатами нашего исследования.

Исследование показывает, что объединение спектральных и признаков изображения может различать заболеваемость пшеницей в полевых условиях; этот метод может помочь будущему точному земледелию и мониторингу пшеницы большой площади FHB. Однако текущие исследования все еще существуют ограничения. В дополнение к рассмотрению спектральных особенностей, особенностей текстуры и цветовых особенностей, некоторые растительные признаки, такие как Индекс отражения структуры нечувствительных пигментов (SIPI), Индекс отражения нормализованной разницы (NDVI) и Индекс отражения сенсации растений (PSRI), часто используются для отражения стрессового статуса болезни растений (Xiao et al., 2021). Следовательно, эффективность особенностей растительности в обнаружении FHB пшеницы на основе гиперспектральных изображений БПЛА стоит рассмотреть. Дополнительно в данном исследовании использовались только три алгоритма машинного обучения (RF, BPNN и SVM). Необходимо проверить обобщающую способность моделей во временном и пространственном измерениях. Дополнительное внимание можно уделить сочетанию методов увеличения данных и глубокого обучения для разработки более стабильных и независимых моделей, а также снижения

Неопределенность применимости модели в других регионах. Масштаб стал популярной темой в исследованиях дистанционного зондирования, и информация, содержащаяся в одном пикселе при разных разрешениях, существенно изменится. Для сельскохозяйственного мониторинга необходимы изображения соответствующего пространственного разрешения (Na et al., 2016). В нашем исследовании для выявления FHB использовались только два изображения с пространственным разрешением 4 см, что относительно просто. В будущем стоит рассмотреть различные изображения пространственного разрешения. Наконец, возникновение FHB пшеницы связано со временем заражения (Alisaac et al., 2020) и метеорологическими факторами, такими как температура и влажность. В будущем мы будем стремиться учитывать время заражения пшеницей и метеорологические факторы для изучения ранних методов выявления FHB и эффективного предотвращения и контроля возникновения и вспышки FHB. Влияние сортов пшеницы и развитие различных вредителей и заболеваний на распространение FHB пшеницы нельзя игнорировать. Необходимы дополнительные исследования для изучения влияния сортов и множественных инфекций на производительность модели в будущем.

В настоящем исследовании количественное выявление слабого, умеренного и сильного поражения пшеницы фузариозом колоса (FHB) в полевых условиях осуществляли посредством объединения спектральных признаков и признаков изображения, извлечённых из гиперспектральных данных БПЛА. После получения гиперспектральных изображений сначала оценили их качество и выбрали для последующего анализа данные диапазона 450–850 нм, сопоставив форму спектральных кривых и их корреляцию с гиперспектральными данными ASD. Затем извлекли спектральные признаки, отражающие физиологические и биохимические изменения в растении-хозяине, а также текстурные и цветовые признаки, характеризующие пространственные изменения посевов пшеницы. Алгоритм RF применяли для дополнительного исключения избыточных признаков и повышения вычислительной эффективности модели. На заключительном этапе с использованием алгоритмов BPNN, SVM и RF были построены модели количественного выявления FHB, основанные на различных сочетаниях спектральных, текстурных и цветовых признаков. Результаты классификации разных моделей были сопоставлены, после чего с помощью наилучшего алгоритма составили карту повреждения пшеницы, связанного с FHB. Результаты показывают, что спектральные признаки потенциально позволяют определить степень поражения FHB, однако качество соответствующих моделей оказалось недостаточным. Объединение спектральных и текстурных признаков повысило эффективность выявления, но максимальная точность прогноза составила лишь 80 %. Наилучшей оказалась модель, основанная на объединении спектральных, текстурных и цветовых признаков: точность прогноза алгоритма RFдостигла 85 %. Карта поражения показывает, что FHB пшеницы развивался очень быстро в течение короткого периода и приводил к повреждению посевов. Настоящее исследование развивает предыдущие модели в части типов признаков, методов и пространственного масштаба мониторинга и предлагает новую методику выявления FHB в поле на основе углублённого извлечения признаков из изображений БПЛА и совместного использования нескольких видов спектральной информации.

Сырые данные, подтверждающие выводы этой статьи, будут предоставлены авторами без необоснованных оговорок.

HZ: курирование данных, методология и письменный оригинал проекта. HM и LL: исследование и сбор данных. JZ и SW: формальный анализ, методология и надзор. LH: концептуализация и приобретение финансирования. YD и WH: письменный обзор и редактирование. Все авторы внесли свой вклад в статью и одобрили представленную версию.

Представленная здесь работа была поддержана Национальной ключевой программой исследований и разработок Китая (2021YFB3901303), Национальным фондом естественных наук Китая (42071423), Программой Бюро международного сотрудничества, Китайской академией наук (183611KYSB20200080), Альянсом международных научных организаций (грант No ANSO-CR-KP-2021-06), Проектом исследований естественных наук Департамента образования провинции Аньхой (KJ2019A0030).

Авторы благодарят Кехуэй Рен из Университета Китайской академии наук за его тяжелую работу в эксперименте и Хон Чан из Национального инженерного исследовательского центра информационных технологий в сельском хозяйстве за ее руководство.

Авторы заявляют, что исследование проводилось в отсутствие каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Все утверждения, представленные в настоящей статье, принадлежат исключительно авторам и не обязательно отражают позицию связанных с ними организаций, издателя, редакторов или рецензентов. Издатель не гарантирует и не одобряет какие-либо продукты, которые могут оцениваться в статье, либо заявления их производителей.

Al Masri, A., Hau, B., Dehne, H. W., Mahlein, A. K., and Oerke, E. C. (2017). Impact of primary infection site of fusarium species on head blight development in wheat ears evaluated by IR-thermography. Eur. J. Plant Pathol. 147, 855–868. doi: 10.1007/s10658-016-1051-2

Alisaac, E., Rathgeb, A., Karlovsky, P., and Mahlein, A. K. (2020). Fusarium head blight: effect of infection timing on spread of fusarium graminearum and spatial distribution of deoxynivalenol within wheat spikes. Microorganisms 9:1 doi: 10.3390/microorganisms9010079

Alisaac, E., Behmann, J., Rathgeb, A., Karlovsky, P., Dehne, H.-W., and Mahlein, A.-K. (2019). Assessment of fusarium infection and mycotoxin contamination of wheat kernels and flour using hyperspectral imaging. Toxins 11:556. doi: 10.3390/toxins11100556

Amar, A. B., Oueslati, S., Ghorbel, A., and Mliki, A. (2012). Prediction and early detection of mycotoxigenic fusarium culmorum in wheat by direct PCR-based procedure. Food Control 23, 506–510. doi: 10.1016/j.foodcont.2011.08.021

Ashourloo, D., Mobasheri, M., and Huete, A. (2014). Evaluating the effect of different wheat rust disease symptoms on vegetation indices using hyperspectral measurements. Remote Sens. 6, 5107–5123. doi: 10.3390/rs6065107

Atoui, A., El Khoury, A., Kallassy, M., and Lebrihi, A. (2012). Quantification of fusarium graminearum and fusarium culmorum by real-time PCR system and zearalenone assessment in maize. Int. J. Food Microbiol. 154, 59–65. doi: 10.1016/j.ijfoodmicro.2011.12.022

Barbedo, J. G., Tibola, C. S., and Fernandes, J. M. (2015). Detecting fusarium head blight in wheat kernels using hyperspectral imaging. Biosyst. Eng. 131, 65–76. doi: 10.1016/j.biosystemseng.2015.01.003

Bareth, G., Aasen, H., Bendig, J., Gnyp, M. L., Bolten, A., Jung, A., et al. (2015). Low-weight and UAV-based hyperspectral full-frame cameras for monitoring crops: spectral comparison with portable spectroradiometer measurements. Photogramm. Fernerkund. Geoinf. 103:7. doi: 10.1127/pfg/2015/0256

Bauriegel, E., Giebel, A., and Herppich, W. B. (2011a). Hyperspectral and chlorophyll fluorescence imaging to analyse the impact of fusarium culmorum on the photosynthetic integrity of infected wheat ears. Sensors 11, 3765–3779. doi: 10.3390/s110403765

Bauriegel, E., Giebel, A., Geyer, M., Schmidt, U., and Herppich, W. (2011b). Early detection of fusarium infection in wheat using hyper-spectral imaging. Comput. Electron. Agric. 75, 304–312. doi: 10.1016/j.compag.2010.12.006

Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., et al. (2015). Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley. Int. J. Appl. Earth Obs. Geoinf. 39, 79–87. doi: 10.1016/j.jag.2015.02.012

Breiman, (2001). Random forests. Mach. Learn. 45, 5–32. doi: 10.1023/A:1010933404324

Burkart, A., Aasen, H., Alonso, L., Menz, G., Bareth, G., and Rascher, U. (2015). Angular dependency of hyperspectral measurements over wheat characterized by a novel UAV based goniometer. Remote Sens. 7, 725–746. doi: 10.3390/rs70100725

Cao, X. R., Luo, Y., Zhou, Y. L., Duan, X. Y., and Cheng, D. F. (2013). Detection of powdery mildew in two winter wheat cultivars using canopy hyperspectral reflectance. Crop Prot. 45, 124–131. doi: 10.1016/j.cropro.2012.12.002

Chen, P. F., Li, G., Shi, Y. J., Xu, Z. T., Yang, F. T., and Cao, Q. J. (2018). Validation of an unmanned aerial vehicle hyperspectral sensor and its application in maize leaf area index estimation. Sci. Agric. Sin. 51, 1464–1474. doi: 10.3864/j.issn.0578-1752.2018.08.004

Dammer, K.-H., Möller, B., Rodemann, B., and Heppner, D. (2011). Detection of head blight (fusarium ssp.) in winter wheat by color and multispectral image analyses. Crop Prot. 30, 420–428. doi: 10.1016/j.cropro.2010.12.015

Delwiche, S. R., Kim, M. S., and Dong, Y. (2011). Fusarium damage assessment in wheat kernels by Vis/NIR hyperspectral imaging. Sens. Instrumen. Food Qual. 5, 63–71. doi: 10.1007/s11694-011-9112-x

Deng, H., and Runger, G. (2013). Gene selection with guided regularized random forest. Pattern Recogn. 46, 3483–3489. doi: 10.1016/j.patcog.2013.05.018

Du, M., and Noguchi, N. (2017). Monitoring of wheat growth status and mapping of wheat yield’s within-field spatial variations using color images acquired from UAV-camera system. Remote Sens. 9:3. doi: 10.3390/rs9030289

Faris, H., Hassonah, M. A., Al-Zoubi, A. M., Mirjalili, S., and Aljarah, I. (2017). A multi-verse optimizer approach for feature selection and optimizing SVM parameters based on a robust system architecture. Neural Comput. Appl. 30, 2355–2369. doi: 10.1007/s00521-016-2818-2

Femenias, A., Gatius, F., Ramos, A. J., Sanchis, V., and Marín, S. (2020). Standardisation of near infrared hyperspectral imaging for quantification and classification of don contaminated wheat samples. Food Control 111:107074. doi: 10.1016/j.foodcont.2019.107074

Fu, Z. P., Yu, S. S., Zhang, J. Y., Xi, H., Gao, Y., Lu, R. H., et al. (2022). Combining UAV multispectral imagery and ecological factors to estimate leaf nitrogen and grain protein content of wheat. Eur. J. Agron. 132. doi: 10.1016/j.eja.2021.126405

Gao, L., Yang, G. J., Yu, H. Y., Xu, B., Zhao, X. Q., Dong, J. H., et al. (2016). Retrieving winter wheat leaf area index based on unmanned aerial vehicle hyperspectral remote sensing. Trans. Chin. Soc. Agric. Eng. 32, 113–120. doi: 10.11975/j.issn.1002-6819.2016.22.016

Ge, H. X., Xiang, H. T., Ma, F., Li, Z. W., Qiu, Z. C., Tan, Z. Z., et al. (2021). Estimating plant nitrogen concentration of rice through fusing vegetation indices and color moments derived from UAV-RGB images. Remote Sens. 13:9. doi: 10.3390/rs13091620

Gislason, P. O., Benediktsson, J. A., and Sveinsson, J. R. (2006). Random forests for land cover classification. Pattern Recogn. Lett. 27, 294–300. doi: 10.1016/j.patrec.2005.08.011

Gitelson, A. A., Kaufman, Y. J., Stark, R., and Rundquist, D. (2002). Novel algorithms for remote estimation of vegetation fraction. Remote Sens. Environ. 80, 76–87. doi: 10.1016/S0034-4257(01)00289-9

Guo, A. T., Huang, W. J., Ye, H. C., Dong, Y. Y., Ma, H. Q., Ren, Y., et al. (2020). Identification of wheat yellow rust using spectral and texture features of hyperspectral images. Remote Sens. 12:9. doi: 10.3390/rs12091419

Guo, L., Chehata, N., Mallet, C., and Boukir, S. (2011). Relevance of airborne lidar and multispectral image data for urban scene classification using random forests. ISPRS J. Photogramm. Remote Sens. 66, 56–66. doi: 10.1016/j.isprsjprs.2010.08.007

Haralick, R. M., and Shanmugam, K. (1973). Textural features for image classification. IEEE Trans. Syst. Man Cybern.-Syst. SMC-3, 610–621. doi: 10.1109/TSMC.1973.4309314

Huang, L. S., Wu, Z. C., Huang, W. J., Ma, H. Q., and Zhao, J. L. (2019a). Identification of fusarium head blight in winter wheat ears based on fisher's linear discriminant analysis and a support vector machine. Appl. Sci. 9:3894. doi: 10.3390/app9183894

Huang, L. S., Zhang, H. S., Ding, W. J., Huang, W. J., Hu, T. G., and Zhao, J. L. (2019b). Monitoring of wheat scab using the specific spectral index from ASD hyperspectral dataset. J. Spectrosc. doi: 10.1155/2019/9153195

Huang, L. S., Li, T. K., Ding, C. L., Zhao, J. L., Zhang, D. Y., and Yang, G. J. (2020). Diagnosis of the severity of fusarium head blight of wheat ears on the basis of image and spectral feature fusion. Sensors 20:2887. doi: 10.3390/s20102887

Huang, L. S., Wu, K., Huang, W. J., Dong, Y. Y., Ma, H. Q., Liu, Y., et al. (2021). Detection of fusarium head blight in wheat ears using continuous wavelet analysis and PSO-SVM. Agriculture 11:998. doi: 10.3390/agriculture11100998

Jaillais, B., Roumet, P., Pinson-Gadais, L., and Bertrand, D. (2015). Detection of fusarium head blight contamination in wheat kernels by multivariate imaging. Food Control 54, 250–258. doi: 10.1016/j.foodcont.2015.01.048

Kawashima, S., and Nakatani, M. (1998). An algorithm for estimating chlorophyll content in leaves using a video camera. Ann. Bot. 81, 49–54. doi: 10.1006/anbo.1997.0544

Li, S. Y., Yuan, F., Ata-Ui-Karim, S. T., Zheng, H. B., Cheng, T., Liu, X. J., et al. (2019). Combining color indices and textures of UAV-based digital imagery for rice LAI estimation. Remote Sens. 11:1763. doi: 10.3390/rs11151763

Li, X. C., Zhang, Y. J., Bao, Y. S., Luo, J. H., Jin, X. L., Xu, X. G., et al. (2014). Exploring the best hyperspectral features for LAI estimation using partial least squares regression. Remote Sens. 6, 6221–6241. doi: 10.3390/rs6076221

Liang, K., Huang, J. N., He, R. Y., Wang, Q. J., Chai, Y. Y., and Shen, M. X. (2020). Comparison of Vis-NIR and SWIR hyperspectral imaging for the nondestructive detection of don levels in fusarium head blight wheat kernels and wheat flour. Infrared Phys. Techn. 106:103281. doi: 10.1016/j.infrared.2020.103281

Liu, L. Y., Dong, Y. Y., Huang, W. J., Du, X. P., and Ma, H. Q. (2020a). Monitoring wheat fusarium head blight using unmanned aerial vehicle hyperspectral imagery. Remote Sens. 12:22. doi: 10.3390/rs12223811

Liu, L. Y., Dong, Y. Y., Huang, W. J., Du, X. P., Ren, B. Y., Huang, L. S., et al. (2020b). A disease index for efficiently detecting wheat fusarium head blight using sentinel-2 multispectral imagery. IEEE Access 8, 52181–52191. doi: 10.1109/ACCESS.2020.2980310

Louhaichi, M., Borman, M. M., and Johnson, D. E. (2001). Spatially located platform and aerial photography for documentation of grazing impacts on wheat. Geocarto Int. 16, 65–70. doi: 10.1080/10106040108542184

Ma, H., Huang, W., Jing, Y., Pignatti, S., Laneve, G., Dong, Y., et al. (2020). Identification of fusarium head blight in winter wheat ears using continuous wavelet analysis. Sensors 20:20. doi: 10.3390/s20010020

Ma, H. Q., Huang, W. J., Dong, Y. Y., Liu, L. Y., and Guo, A. T. (2021). Using UAV-based hyperspectral imagery to detect winter wheat fusarium head blight. Remote Sens. 13:15. doi: 10.3390/rs13153024

Maragos, C., Busman, M., and Sugita-Konishi, Y. (2006). Production and characterization of a monoclonal antibody that cross-reacts with the mycotoxins nivalenol and 4-deoxynivalenol. Food Addit. Contam. 23, 816–825. doi: 10.1080/02652030600699072

Menesatti, P., Antonucci, F., Pallottino, F., Giorgi, S., Matere, A., Nocente, F., et al. (2013). Laboratory vs. in-field spectral proximal sensing for early detection of fusarium head blight infection in durum wheat. Biosyst. Eng. 114, 289–293. doi: 10.1016/j.biosystemseng.2013.01.004

Meyer, G. E., and Neto, J. C. (2008). Verification of color vegetation indices for automated crop imaging applications. Comput. Electron. Agric. 63, 282–293. doi: 10.1016/j.compag.2008.03.009

Na, L., Gaodi, X., Demin, Z., Changshun, Z., and Cuicui, J. (2016). Remote sensing classification of marsh wetland with different resolution images. J. Resour. Ecol. 7, 107–114. doi: 10.5814/j.issn.1674-764x.2016.02.005

Pal, M., and Foody, G. M. (2010). Feature selection for classification of hyperspectral data by SVM. IEEE T. Geosci. Remote Sens. 48, 2297–2307. doi: 10.1109/TGRS.2009.2039484

Rodriguez-Galiano, V. F., Ghimire, B., Rogan, J., Chica-Olmo, M., and Rigol-Sanchez, J. P. (2012). An assessment of the effectiveness of a random forest classifier for land-cover classification. ISPRS J. Photogramm. Remote Sens. 67, 93–104. doi: 10.1016/j.isprsjprs.2011.11.002

Rorie, R. L., Purcell, L. C., Mozaffari, M., Karcher, D. E., King, C. A., Marsh, M. C., et al. (2011). Association of “greenness” in corn with yield and leaf nitrogen concentration. Agron. J. 103, 529–535. doi: 10.2134/agronj2010.0296

Sarker, L. R., and Nichol, J. E. (2011). Improved forest biomass estimates using ALOS AVNIR-2 texture indices. Remote Sens. Environ. 115, 968–977. doi: 10.1016/j.rse.2010.11.010

Shi, Y., Huang, W., González-Moreno, P., Luke, B., Dong, Y., Zheng, Q., et al. (2018). Wavelet-based rust spectral feature set (WRSFS): a novel spectral feature set based on continuous wavelet transformation for tracking progressive host–pathogen interaction of yellow rust on wheat. Remote Sens. 10:4. doi: 10.3390/rs10040525

Simsek, S., Burgess, K., Whitney, K. L., Gu, Y., and Qian, S. Y. (2012). Analysis of deoxynivalenol and deoxynivalenol-3-glucoside in wheat. Food Control 26, 287–292. doi: 10.1016/j.foodcont.2012.01.056

Tucker, C. J. (1979). Red and photographic infrared linear combinations for monitoring vegetation. Remote Sens. Environ. 8, 127–150. doi: 10.1016/0034-4257(79)90013-0

Whetton, R. L., Waine, T. W., and Mouazen, A. M. (2018a). Hyperspectral measurements of yellow rust and fusarium head blight in cereal crops: part 2: online field measurement. Biosyst. Eng. 167, 144–158. doi: 10.1016/j.biosystemseng.2018.01.004

Whetton, R. L., Hassall, K. L., Waine, T. W., and Mouazen, A. M. (2018b). Hyperspectral measurements of yellow rust and fusarium head blight in cereal crops: part 1: laboratory study. Biosyst. Eng. 166, 101–115. doi: 10.1016/j.biosystemseng.2017.11.008

Woebbecke, D. M., Meyer, G. E., Von Bargen, K., and Mortensen, D. A. (1995). Color indices for weed identification under various soil, residue, and lighting conditions. Trans. ASAE 38, 259–269. doi: 10.13031/2013.27838

Xia, J. S., Chanussot, J., Du, P. J., and He, X. Y. (2016). Rotation-based support vector machine ensemble in classification of hyperspectral data with limited training samples. IEEE T. Geosci. Remote Sens. 54, 1519–1531. doi: 10.1109/TGRS.2015.2481938

Xiao, Y., Dong, Y., Huang, W., Liu, L., and Ma, H. (2021). Wheat fusarium head blight detection using UAV-based spectral and texture features in optimal window size. Remote Sens. 13:13. doi: 10.3390/rs13132437

Yang, Y., Zhu, J., Zhao, C., Liu, S., and Tong, X. (2011). The spatial continuity study of NDVI based on kriging and BPNN algorithm. Math. Comput. Model. 54, 1138–1144. doi: 10.1016/j.mcm.2010.11.046

Ye, H. C., Huang, W. J., Huang, S. Y., Cui, B., Dong, Y. Y., Guo, A. T., et al. (2020). Recognition of banana fusarium wilt based on UAV remote sensing. Remote Sens. 12:6. doi: 10.3390/rs12060938

Zhang, D. Y., Zhou, X. G., Zhang, J., Lan, Y. B., Xu, C., and Liang, D. (2018). Detection of rice sheath blight using an unmanned aerial system with high-resolution color and multispectral imaging. PLoS One 13:e0187470. doi: 10.1371/journal.pone.0187470

Zhang, D. Y., Wang, Q., Lin, F. F., Yin, X., Gu, C. Y., and Qiao, H. B. (2020a). Development and evaluation of a new spectral disease index to detect wheat fusarium head blight using hyperspectral imaging. Sensors 20:2260. doi: 10.3390/s20082260

Zhang, D. Y., Wang, D. Y., Gu, C. Y., Jin, N., Zhao, H. T., Chen, G., et al. (2019). Using neural network to identify the severity of wheat fusarium head blight in the field environment. Remote Sens. 11:2375. doi: 10.3390/rs11202375

Zhang, D. Y., Chen, G., Zhang, H. H., Jin, N., Gu, C. Y., Weng, S. Z., et al. (2020b). Integration of spectroscopy and image for identifying fusarium damage in wheat kernels. Spectrochim. Acta Part A 236:118344. doi: 10.1016/j.saa.2020.118344

Zhang, X., Cui, J. T., Wang, W. S., and Lin, C. (2017). A study for texture feature extraction of high-resolution satellite images based on a direction measure and gray level co-occurrence matrix fusion algorithm. Sensors 17:7. doi: 10.3390/s17071474

Zhang, Z. P., Ding, J. L., Wang, J. Z., and Ge, X. Y. (2020a). Prediction of soil organic matter in northwestern China using fractional-order derivative spectroscopy and modified normalized difference indices. Catena 185:104257. doi: 10.1016/j.catena.2019.104257

Zhang, Z. P., Ding, J. L., Zhu, C. M., and Wang, J. Z. (2020b). Combination of efficient signal pre-processing and optimal band combination algorithm to predict soil organic matter through visible and near-infrared spectra. Spectrochim. Acta Part A 240:118553. doi: 10.1016/j.saa.2020.118553

Zhang, Z. P., Ding, J. L., Zhu, C. M., Wang, J. Z., Ma, G. L., Ge, X. Y., et al. (2021). Strategies for the efficient estimation of soil organic matter in salt-affected soils through Vis-NIR spectroscopy: optimal band combination algorithm and spectral degradation. Geoderma 382:114729. doi: 10.1016/j.geoderma.2020.114729

Zheng, Q., Huang, W. J., Cui, X. M., Dong, Y. Y., Shi, Y., Ma, H. Q., et al. (2018). Identification of wheat yellow rust using optimal three-band spectral indices in different growth stages. Sensors 19:1. doi: 10.3390/s19010035

Zhu, C. M., Ding, J. L., Zhang, Z. P., and Wang, Z. (2022a). Exploring the potential of UAV hyperspectral image for estimating soil salinity: effects of optimal band combination algorithm and random forest. Spectrochim. Acta Part A 279:121416. doi: 10.1016/j.saa.2022.121416

Zhu, C. M., Ding, J. L., Zhang, Z. P., Wang, J. J., Wang, Z., Chen, X. Y., et al. (2022b). SPAD monitoring of saline vegetation based on Gaussian mixture model and UAV hyperspectral image feature classification. Comput. Electron. Agric. 200:107236. doi: 10.1016/j.compag.2022.107236