40、利用高光谱数据和机器学习技术早期检测油棕幼苗疾病感染

利用高光谱数据和机器学习技术早期检测油棕幼苗疾病感染

1. 数据采集与处理

1.1 图像采集

将油棕幼苗放置在 2 m × 2 m 的黑色背景板上，由于黑色不反射光线，相机传感器在拍摄图像时捕捉到的光线完全是由幼苗的叶片反射的。为了模拟种植园中的实际应用，使用无人机（UAV）从幼苗的顶部视角拍摄图像。

1.2 光谱提取

对获取的高光谱图像进行处理，以获得未接种（H）和接种（U）叶片的光谱。选取叶片 1（F1）和叶片 2（F2）的小叶进行光谱提取，这两个叶片在俯视图图像中清晰可见。F1 是最年轻的展开叶片，倾斜度小于 F2，可据此区分 F1 和 F2。从 F1 和 F2 左右两侧的前四个小叶中随机提取光谱，为了减少叶片倾斜引起的光谱反射率变化，本研究仅选取四个小叶。每个叶片平均产生 20 个光谱读数，F1 共收集到 558 个光谱（H 幼苗 263 个，U 幼苗 295 个），F2 为 564 个（H 幼苗 277 个，U 幼苗 287 个）。

1.3 重要波段筛选

计算 F1 和 F2 中 H 和 U 幼苗的平均光谱，并将其与反射率绘制在一起，以揭示可见光和近红外光谱模式，以及 H 和 U 之间的差异。一个光谱反射率由 125 个波段组成，但并非所有波段都包含与研究相关的信息，有些可能存在内容冗余和无关信息。因此，根据前 35 个波段（占总数的 30%）进行筛选，这些波段在 H 和 U 之间提供了较高的分离值。然后使用 SPSS 统计软件对这些波段进行 t 检验统计分析，比较 H 和 U 处理的均值，以确定在这些波段上处理是否不同。P ≤0.05 的波段被认为是重要的，因为它们包含了关于 H 和 U 幼苗差异