马铃薯生产系统存在各种植物检疫问题。其中，马铃薯早死病（PED）是由轮枝菌（Verticillium spp.）是一种在早期阶段难以检测的疾病，其表达发生在作物的关键生长阶段，例如块茎充实，产生高经济影响。本研究的目的是利用光谱数据对马铃薯植株进行分类，并利用在温室和商业生产条件下捕获的马铃薯植株的光谱特征和多光谱图像来识别PED的严重程度。采用主成分分析（PCA）、随机森林（RF）、支持向量机（SVM）和人工神经网络（ANN）算法等方法。所有算法均表现良好；但是，迭代后的RF更准确。RF对PED具有良好的间接检测能力，平均准确率为60.9%。与红边和红边相关的波长，特别是从710到735 nm，被证明是高度信息化的。由于田间和温室数据之间的一致性，RECI、NDRE、VWI和GRVI光谱指数与症状和PED严重程度水平的区分一致。所识别的波长可应用于光学传感器的设计，该光学传感器与ML算法的使用一起可在马铃薯作物早亡的远程检测中实现。

图1  用于确定马铃薯艾德检测中的对比带和光谱指数的工作流程。

图2  不同严重程度的Diacol-Capiro Var PED症状的发展。（A）在温室条件下接种黄萎病的植物。（B） 位于昆迪纳马卡苏巴乔克的商业作物中的植物。比较在温室条件下接种黄萎病和早逝症状的Var、Diacol Capiro马铃薯植株中捕获的光谱特征的平均反射率值。蓝色方块表示光谱中被识别为具有高视觉区分潜力的区域。（C）健康和患病的植物。（D）疾病的严重程度。

图3  接种黄萎病菌的Diacol Capiro在不同叶片和植物发育阶段不同病害水平下光谱特征平均值的比较。（A）叶四（L4）（B） 叶七（L7）（C）捕获光谱特征的植物叶子的位置（D）植物发育不同阶段的光谱特征。

图4  PCA分析的结果应用于受PED影响的马铃薯植物光谱特征的预处理数据集。(A)叶四（L4:UT）-GSD。(B)叶七（L7:MT）-GSD。

图5  从不同马铃薯叶片上捕获的光谱特征数据生成的模型评估指标结果(L4:UT，L7:MT)。(A)RF-存在ED-GSD集。(B)RF-GSD集的严重程度。

图6  RF应用于GSD集的多向分类变量的重要性。(A)PED叶四(UT)的存在。(B)PED叶七(MT)的存在。(C)PED叶四的严重程度(UT)。(D)PED叶七的严重程度(MT)。

图7 使用RF计算的植被指数数据集的分类变量的重要性，该数据集是从植物叶片四(UT)捕获的光谱特征计算的(A)PED的存在。(B)PED的严重程度。(C)马铃薯植株早期死亡症状存在时重要光谱指数的行为。

图8  使用RF对健康VAR的频谱特征进行分类的形成频带。Diacol Capiro马铃薯植物和具有早逝症状的植物。(A)有意义的乐队。(B)Parrot Sequoia相机光谱中重要波段的比较。(C)光谱行为在区分马铃薯植物PED症状的重要领域。

图9  根据使用光谱数据计算的指数，为艾德的存在和严重程度生成的模型的评价指标的结果。(A)存在感。(B)严重程度。

图10   根据光谱数据计算的指标，PED的存在和严重程度分类的混淆矩阵。（A）预频谱特征。（B）严重性光谱信号（C）存在多光谱图像。（D） 严重多光谱图像。

图11 关于健康Var的光谱信息指数。Diacol Capiro马铃薯植物和具有早期死亡症状的植物，使用RF算法。(A)根据光谱面积的平均值计算的指数。(B)从多光谱图像制作的指数。

附录：

表A1 植被指数用作本研究中使用的两个数据源生成的模型的训练变量。

图A1 研究区的位置，在马铃薯生产区开发的两个试验田Cundinamarca的EAS，以及位于哥伦比亚首都波哥大DC的温室试验。（a）Field-Subachoque。（b）Field-Mosquera。（c）温室-UNAL。