Detection of Eulecanium giganteum Infestation in Jujube Orchards Based on UAV Multispectral Remote Sensing
Yueteng Chao · Yulong Wang · Zhuoyang Xu 等 7 人
用无人机多光谱植被指数与SPAD估算枣园大球蚧发生程度。
24个植被指数筛选19个，7种机器学习+网格搜索与分组交叉验证。
CatBoost估SPAD R²达0.84；实测SPAD提升分类，预测SPAD无增益。
可探索预测SPAD失效原因及跨果园、物候期泛化与多源数据融合监测。
方法扎实、数据完整的单果园研究，但作者自述尚未达到大规模业务化监测水平，属细分领域进展，可入精选但非重大突破。
遥感技术在农业病虫害监测中的应用，为作物健康的快速、无损评估提供了有效途径。本研究评估了一种集成植被指数与SPAD信息的无人机多光谱遥感框架，用于评估枣园中枣球蜡蚧（Eulecanium giganteum）的危害情况。首先，从冠层多光谱影像中提取了24个植被指数，并采用Pearson相关分析进行特征筛选，最终得到包含19个植被指数的精简子集。在模型开发过程中评估了7种机器学习算法，采用网格搜索结合树级分组7折交叉验证进行超参数选择。以植被指数作为预测变量，分别将SPAD值和危害程度作为回归任务和分类任务的响应变量。在内部模型开发中，CatBoost-19opt模型在SPAD估算中取得了R²为0.81、RMSE为1.84的结果。在由58株枣树构成的独立测试集上，先前选定的模型取得了R²为0.84、RMSE为1.56的结果。在内部模型开发中，引入实测SPAD值提升了病虫害分类性能，XGBoost-19sopt取得了OA为0.89、Kappa系数为0.84的结果。在独立测试集上，实测SPAD配置取得了OA为0.88的结果，而仅使用植被指数以及植被指数结合预测SPAD的配置均取得了OA为0.71的结果。因此，相对于仅使用植被指数，引入预测SPAD并未提升整体分类精度。在该方法可被视为适用于业务化大规模监测之前，仍需进一步的模型优化，并在不同枣园、生长季和物候期开展额外验证。