近日，我院植病流行与智慧植保实验室马占鸿教授团队在农业综合领域国际权威期刊《农业中的计算机和电子产品》(Computers and Electronics in Agriculture)（中科院一区TOP期刊，IF=8.3）上发表了题为《基于深度学习像素级回归算法和无人机高光谱影像定量反演小麦条锈病病情指数》（Pixel-level regression for UAV hyperspectral images: Deep learning-based quantitative inverse of wheat stripe rust disease index）的研究论文。

检测、鉴定和量化植物病害症状的系统化和专业化的方法论也被称为植物病害计量学（Phytopathometry），它代表了植物病理学的一个分支。植物病害定量评估非常重要，在产量损失评估、植物抗病育种、病害防控方法比较、植物和病原体种群互作和进化以及病害流行学等方面不可或缺。目前基于无人机光谱遥感影像以及深度学习方法检测条锈病方面的绝大部分研究集中在定性区分患病和健康区域，往往定义为分类问题并采用语义分割方法实现像素级分类。仍然缺乏使用高光谱成像数据和深度学习方法实现小麦条锈病病情指数（DI）的像素级回归反演。传统上，定量遥感往往是通过采用辐射传输模型或植被指数与机器学习方法相结合来实现的。这项研究则提出了基于深度学习技术的端到端、像素级定量回归方法，不仅仅可以更为精细的解析出病害分布图，对于农业系统中其他典型的定量回归任务如产量预测以及对株高等连续值表型的反演等也具有重大参考意义。

图1.本研究的总体流程图。首先基于无人机获取高光谱影像并同步调查DI。其次对高光谱影像中的每个小区进行粗略范围标注并赋值唯一的序号，并与相应的地面调查DI匹配并生成标签图。基于 UNet 算法的二分类模型来分类小麦和土壤区域以获取精确的小区边界。随后，对数据集进行划分，构建端到端的像素级定量回归模型，并进行模型训练和验证以实现小麦条锈病DI的像素级定量反演。

我院2023年毕业的博士研究生邓杰为本论文的第一作者，马占鸿教授为本论文的通讯作者，中国农业大学为论文第一署名单位，中国农业大学开封实验站参与了本项研究。该研究工作得到国家重点研发计划项目（2021YFD1401000）的资助，论文链接为：https://doi.org/10.1016/j.compag.2023.108434。

[责任编辑 黄鸿宇]