学院新闻

2024年1月19日，塔里木大学信息工程学院白铁成教授团队在《Computers and Electronics in Agriculture》(SCI，中科院一区Top期刊，JCR农业综合学科排名第一，IF：8.3) 发表了题为“Cotton Verticillium wilt monitoring based on UAV multispectral-visible multi-source feature fusion”的研究论文。该研究提出了一种新的棉花黄萎病检测方法，该方法结合了植被指数（VI）、颜色指数（CI）和纹理特征，旨在提高基于无人机（UAV）图像的棉花黄萎病（CVW）疾病严重程度估计精度。张楠楠副教授、白铁成教授为共同通讯作者、硕士研究生马瑞为第一作者。该研究得到国家自然科学基金、兵团科技项目和塔里木绿洲农业教育部重点实验室的支持。

棉花黄萎病是一种危害严重的世界性病害，被称为棉花的“癌症”。黄萎病的快速监测是有效防治的基础。常规的监测方法是通过田间观察以及实验室测试诊断，耗时费力，主观性较强，且获取信息严重滞后，这可能会影响结果的准确性。通过无人机遥感技术手段，利用不同敏感波段来反映棉花植株生长情况及其病害的严重程度，实现了棉花黄萎病的准确监测和快速诊断，为及时发现病害、减少经济损失提供了有效的技术支持。

在该研究中，使用同时搭载多光谱相机和RGB相机的六旋翼无人机作为遥感数据获取平台，通过ENVI软件从棉花黄萎病遥感影像中提取植被指数（VI）、颜色指数（CI）以及纹理特征。通过一元和多元线性回归，确定VI、CI、纹理特征和棉花黄萎病病情指数（DI）之间的相关性。采用灰狼优化（GWO）极限学习机（ELM）和粒子群优化（PSO）反向传播神经网络（BP）模型，探究各模型对棉花黄萎病病情程度的估测能力，发现结合植被指数、颜色指数和纹理特征的协同建模方法，能显著提高病情的估测精度，验证集的R²在花期为0.65（RRMSE=42.96），在花铃期为0.66（RRMSE=20.00），在铃期为0.88（RRMSE=10.53），为今后利用低空遥感监测作物病害状况提供思路和方法。（文/张楠楠）

图1 总体流程图

表1基于不同算法的多数据源模型性能

论文链接：https://doi.org/10.1016/j.compag.2024.108628