近日，我院植病流行与智慧植保实验室马占鸿教授团队在遥感领域国际权威期刊IEEE Transactions on Geoscience and Remote Sensing (TGRS)发表论文“Quantitative Estimation of Wheat Stripe Rust Disease Index Using Unmanned Aerial Vehicle Hyperspectral Imagery and Innovative Vegetation Indices”。IEEE TGRS是地球科学和遥感领域的顶级期刊之一，是IEEE地球科学与遥感技术协会（GRSS）会刊，在遥感技术和地球科学领域具有较高影响力。中科院最新分区为1区TOP期刊，影响因子（IF）为8.2。

小麦条锈病对我国粮食安全具有重大威胁，流行年份可导致小麦产量损失40%以上甚至绝收。小麦条锈病是典型的气传病害，开展中短期监测预警对于病害的防治非常重要。传统上基于植保人员逐点调查，难以实现大范围的准确监测，极大制约着病害流行监测的发展，难以开展达标防治工作。通过无人机搭载高光谱相机获取数据，实现航空尺度的小麦条锈病病情指数的定量反演，能应用于抗病表型的高通量分析，也可以对小麦条锈病病情发展实现及时准确的监测预警，以实现对传统上耗时耗力的“型普严”（即反应型、普遍率、严重度）调查方法实现高效替代。为此，该研究基于河南本地近千余个小麦品种（系）为试验材料，基于无人机获取了100米高度的高光谱影像，编写程序遍历了30余种不同的植被指数计算方法及其346余万种波段组合，采用机器学习回归算法方法进行建模和评价以筛选出最佳植被指数和波段组合，同时还对比了以往发表的植被指数，研究结果可为作物高通量表型研究、产量反演以及植物病虫害监测提供参考依据。

图1 在1920个小区种植将近千余个品种，人工接菌初发病后每隔3~7天进行无人机光谱数据采集和相应的小区病情指数调查，构建了较大规模的小麦条锈病高光谱-病情指数数据集。

基于二波段指数筛选结果表明，531nm和571nm波段组合对于条锈病病情指数的定量反演至关重要，在不同算法形式指数中都是最佳波段组合（图2），多层感知器回归算法单特征建模R²评分最高达0.747±0.01582。结合前人研究发现，531 nm处的反射率变化与叶黄素循环色素的相互转换和反式类囊体pH梯度相关的叶绿体可逆构象变化有关，是广泛使用的光合功能指标。而570nm则作为参考波段，以可以帮助标准化由各种光学效应（如叶绿体运动或太阳角度变化）引起的“背景”反射率变化。

基于三波段指数筛选结果表明，ARI2指数（b₃* ((1 /b₁) - (1 / b₂))）反演效果最佳，最佳波段组合集中在ARI2(531, 550±10, 640±25)。结合前人研究表明，550±10 nm处的光谱吸收同时取决于叶绿素含量和花青素含量的变化，与531nm, 640±25nm组合恰恰能较好反演条锈病病情指数。

基于四波段指数筛选结果表明，DBSI形式指数效果最佳，最佳波段组合DBSI(531,551,750,799)的R²为0.778±0.01300，进一步证明了531nm和551nm是小麦条锈病反演的关键波段，同时引入750nm和799nm近红外波段则进一步稳定了反演效果（图4），实现了小条锈病病情指数的定量反演，单指数建模效果即与全波段建模效果相当。

图2 不同二波段植被指数计算方式及其不同波段组合多层感知器三折交叉验证回归建模结果。结果表明531nm和571nm波段组合对于条锈病病情指数的定量反演至关重要，在不同形式指数中都是最佳波段组合。

图3 固定b₁为531nm波段反射率，遍历b₂、b₃不同组合的ARI2指数多层感知器三折交叉验证回归建模R²结果。A、B、C子图分别表示b₂、b₃不同波段范围的R²结果。

图4 不同病情指数小区平均光谱反射率的区别

该研究还通过最大相关最小冗余（mRMR）算法和递归式特征选择算法（RFE）筛选多个特征，结果表明联用多个指数建模可以更为精确的反演小麦条锈病病情指数，获得更为稳定的性能（图5），还评价了12种经典机器学习回归算法的表现，其中GradientBoost和MLPRegressor性能稳定，在不同特征集中都获得了较佳的结果。

图5 mRMR算法和RFE算法特征选择后不同回归算法建模R²结果（三折交叉验证），结果表明，四波段植被指数反演效果优于三波段和二波段植被指数，适当数量的植被指数（如F12、F6）联用建模可较大程度提高反演效果。

以上这些结果都清晰地展示了联用机器学习算法和植被指数定量反演小麦条锈病的潜力，并且可以作为开发机载/星载成像传感器的基础，实现大范围高效的小麦条锈病监测。

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。中国农业大学开封实验站参与了该项研究。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/10.1109/TGRS.2023.3292130。

此外，邓杰博士另一篇相关研究《Applying convolutional neural networks for detecting wheat stripe rust transmission centers under complex field conditions using RGB-based high spatial resolution images from UAVs》已发表在农业综合领域国际权威期刊Computers and Electronics in Agriculture（中科院一区TOP，IF=8.3）中，基于无人机RGB影像和深度学习算法实现了小麦条锈病发病中心的准确检测。