?

在大豆的種植中，對雜草的管理有利于作物產量最大化。研究發現麥草畏可有效防除數種一年生和多年生的闊葉雜草。然而，麥草畏噴霧偏離目標漂移或蒸氣漂移會嚴重危害易感作物，包括麥草畏不耐受性作物。因此評估麥草畏漂移對農作物的損害對于有效控制雜草具有重要的意義。目前，作物損害主要是通過評估生理和生化變化（葉面積，葉色，植物高度，產量等）來確定的。但是，這些評估需要耗費大量的勞動力。對于大尺度農田的評估，則需要更快速且經濟高效的方法。高光譜成像（HSI）可以快速掃描植物樣品且能獲得圖像中每個像素的完整反射光譜，已用于植物生理和生化特性的鑒定以及有毒金屬，鹽和病蟲害引起的植物脅迫的檢測。同時結合許多機器學習（ML）算法，例如貝葉斯決策，最大似然分類，K均值聚類，隨機森林，支持向量機和人工神經網絡可以檢測，監測和量化作物損害。

在這篇文章中，科學家們利用Resonon Pika Ⅱ VNIR高光譜成像系統進行了相關的研究，旨在：

（1）了解不同麥草畏噴霧比率下生理參數，產量和相應光譜響應的變化；

（2）確定適當的光譜特征，以評估麥草畏比率對植物的影響；

（3）基于高光譜成像，使用機器學習算法建立模型，評估麥草畏比率。

?

1 研究區域

田間試驗于美國密西根州斯通維爾市農作物生產系統研究農場的美國農業部農業研究處4.5公頃的區域內進行。試驗場布設如圖1所示。大豆于2014年5月7日播種。2014年3月下旬，在實驗區域的周圍種植了玉米用于建立緩沖區，最大程度地減少麥草畏向/從鄰近田間的噴灑漂移。

?

2?結果

2.1 麥草畏引起的光譜響應和生理變化

比較不同麥草畏比率下大豆的平均光譜時，從1WAT和3WAT的結果中都可以清楚地觀察到有序變化模式（圖5（A，B））。隨著麥草畏比率的增加，綠色植被的一些典型光譜特征，如綠色峰值，紅色山谷和紅色邊緣逐漸變得模糊。與未處理的對照樣品相比，1WAT和3WAT上的光譜比曲線提供了清晰的光譜變化圖，在480-510 nm和640-690 nm處有兩個峰，在730 nm以上光譜比較低且變化平穩（圖5（C，D ））。此外，可以看出，0.2X麥草畏比率是一個轉折點，接受較低劑量的植物將恢復，而接受較高劑量（包括0.2X）的植物將變得衰弱。在1WAT時可以觀察到0.05–0.1X樣品與0.2–1.0X樣品之間的光譜差異（圖5（A）），而在3WAT時則更加清晰（圖5（B））。

?

2.2 區分可恢復和不可恢復的情況

0.05–0.1X樣品和0.2–1.0X樣品之間的JM距離和t檢驗的P值曲線（圖6（A，B））顯示了波段對麥草畏處理后大豆植株可恢復性的敏感性。圖6（C）顯示了基于1WAT和3WAT合并數據的JM距離。從中確定了三個最佳敏感波段，分別位于495、679和752 nm處，它們對應于JM距離曲線的光譜峰值。這些光譜值用于開發可恢復性指數。1和3WAT三個波段的t檢驗結果證實，0.05–0.1X樣本和0.2–1.0X樣本在統計學上具有顯著性差異。如圖6（C）所示，麥草畏處理的樣品在495和679 nm處的反射率趨于明顯增加，而在752nm處則降低。如圖7所示，HDRI（除草劑破壞比指數）的臨界值為2.89（1WAT）和2.58（3WAT），HDNI（除草劑破壞歸一化指數）的臨界值為2.15（1WAT）和2.82（3WAT）。根據驗證樣本，HDRI的可恢復和不可恢復樣品的OA達到0.91（1WAT）和0.95（3WAT），而HDNI分別達到0.92（1WAT）和0.97（3WAT）。因此通過HIS分析可以將大豆植物的可恢復性和不可恢復性區分開。

?

?

2.3 通過光譜特征量化麥草畏比率

圖8（A）顯示了可恢復情況下，基于1和3WAT合并數據的0.05X樣本和0.1X樣本之間的JM距離和t檢驗的P值。在JM距離曲線的峰值處識別出三個敏感波段，分別位于409、516、684 nm處。波段的P＜0.01，這樣可以確保差異的統計顯著性。對敏感性光譜特征進行以R2≤0.8為標準的互相關檢查，共保留了八個敏感性光譜特征作為模型的輸入變量：409和684nm，b，r，WID_550-750，GI，TCARI和PSRI。

圖8（B）顯示了不可恢復情況下，Spearman相關系數的絕對值|R|以及相關分析的P值。在|R|曲線的峰值處確定了403、540和719 nm處的三個敏感波段。波段的P＜0.01，確保了波段選擇的有效性。同樣地，根據敏感性分析和互相關檢查，保留了七個敏感性光譜特征：403，719 nm，SD_b，DEP_550-750，WID_550-750，PRI，MCARI。

?

基于可恢復和不可恢復情況下選擇的SFs，使用NB，GA-SVM和1WAT和3WAT上的RF建立了分類模型。除了僅基于SFs的模型外，還建立了同時包含SFs和植物Ht的綜合模型。表2總結了兩種模型在不同算法和特征組合下的OA和Kappa系數。可恢復情況模型的準確性顯著高于不可恢復情況模型的準確性。與僅由SFs驅動的模型（以下稱為SFs模型）相比，由SFs和Ht驅動的模型（以下稱為SFs+Ht模型）顯示出更高的準確性。?對于這三種算法，NB或RF在不同變量組合下顯示出最高的準確性。

對于與可恢復情況相對應的模型，SFs模型的OA和Kappa系數在1WAT時范圍分別為0.69–0.75和0.38–0.50，在3WAT時分別為0.56–0.69和0.13–0.38。SFs+Ht模型顯示出更高的準確性，因為在1WAT時OA和Kappa分別為0.88–0.94和0.75–0.88，且在3WAT時三種算法均達到0.94（OA）和0.88（Kappa）。除了在1WAT時的SFs模型（NB算法準確性最高），其余均表現為RF優于其他兩種算法。

對于與不可恢復情況相對應的模型，在1WAT時，SFs模型中OA和Kappa值從最高值分別降低到0.53和0.38，而在3WAT時，僅降低到0.38和0.17。SFs+Ht模型產生相對較高的準確性，在1WAT時，OA和Kappa值最高分別達到0.63和0.46，在3WAT時分別達到0.69和0.58。

?

3?結論

（1）HIS可以清楚地捕捉到麥草畏噴霧造成的大豆傷害的光譜響應；

（2）通過除草劑可恢復性光譜指數—除草劑破壞比指數（HDRI）和除草劑破壞歸一化指數（HDNI）可以準確地區分噴灑除草劑引起的可恢復和不可恢復的損害，總體準確度（OA）高于90%；

（3）使用最佳光譜特征集，可以確定可恢復和不可恢復情況下的麥草畏噴霧比率。在可恢復的情況下，光譜特征加上植物高度可以產生相對較高的精度（OA=94%）。

高光譜成像系統在評估農作物損害上的應用.pdf