基于高光谱和集成学习的库尔勒香梨黑斑病潜育期诊断

黑斑病是危害库尔勒香梨的真菌病害之一.若在黑斑病症状显证之前实现早期诊断,对于防止病害蔓延、减少经济损失具有重要的意义.结合高光谱成像技术和Stacking集成学习算法,构建了香梨黑斑病早期快速诊断模型.获取了健康、潜育期、轻度发病和重度发病的黑斑病库尔勒香梨的高光谱图像,提取感兴趣区域内的平均光谱,经标准正态变量变换、一阶导数、二阶导数及组合预处理后,利用主成分分析进行数据降维.然后,以K最近邻法(KNN)、最小二乘支持向量机(LS-SVM)和随机森林(RF)算法为基学习器,以LS-SVM为元学习器,构建了黑斑病病害程度的Stacking集成学习预测模型.结果表明,随着病害程度加深,光谱反射率整体呈下降趋势,且存在显著性差异,为分类模型的建立提供了理论依据.所建模型对健康和不同病害程度黑斑病库尔勒香梨的总体判别准确率为98.28％,对潜育期香梨的判别准确率为100％.与利用单一分类器建模结果相比,总体判别准确率和潜育期香梨判别准确率分别上升5.18、23.08个百分点.结果证明,Stacking集成学习具有较强的特征学习能力,将其与高光谱成像技术结合,能实现库尔勒香梨黑斑病潜育期的识别.该结果为库尔勒香梨黑斑病的早期快速诊断和发病过程的实时监测提供了一种新的方法.