基于特征波段选择和机器学习的小麦白粉病高光谱遥感监测

白粉病严重危害小麦生长及制约产量形成,精确监测该病害对精确防控及保障国家粮食安全具有重要意义.在小麦孕穗、开花和灌浆期使用地物高光谱仪获取小麦冠层光谱数据,利用一阶导数(FD)、二阶导数(SD)、对数变换(LOG)、倒数变换(1/R)和连续去除法(CR)对原始光谱(OR)进行光谱变换,基于CARS算法和SPA算法相结合对五种变换的光谱数据和原始光谱进行特征波段提取,进而利用偏最小二乘回归(PLSR)、岭回归(RR)和高斯过程回归(GPR)建模方法确立小麦白粉病病情指数(mDI)监测模型.结果表明,一阶导数在Pearson相关性、两波段优化组合以及机器学习方法建模中,综合表现最好,是一种处理病害光谱数据的较好预处理方法.经过光谱数据变换后,再使用CARS-SPA算法可以更有效的提取特征波段,特征波段为411、450、476、543、561、594、624、671、726、780、835和950 nm.在不同机器学习建模方法对比中,高斯过程回归(GPR)模型表现最佳,其次为岭回归(RR)和偏最小二乘法回归(PLSR).其中,一阶导数结合GPR模型的估算精度最高,建模集和验证集的平均R2为0.805,RMSE和MAE分别为2.532和2.164,相较于OR-GPR模型,R2提升12％,RMSE和MAE分别降低19.6％和17.6％,表明GPR模型在小麦白粉病监测中具有良好的估算能力.可见,使用一阶导数预处理光谱数据,采用CARS-SPA结合算法提取特征波段,再利用高斯过程回归建模方法能够提升小麦白粉病遥感监测精度.研究结果为实现遥感监测作物病害提供了思路与方法.