确保植物健康是实现作物产量最大化的关键因素。尽管如此，目前的实地侦察和疾病监测方法往往依赖于视觉评价，因此是主观的和费时的。需要新的方法来协助疾病检测和严重程度评估，以便在田间表型研究中实现更好的作物管理和更高的吞吐量。为了实现这一目标，越来越多的人提出利用多光谱和高光谱图像检索植物性状和评估作物一般健康状况的技术，作为传统疾病监测方法的替代方法。相反，在许多情况下，对特定病原体的研究仍然缺乏，特别是对多源传感方法的研究，这些方法有可能提高检索/分类精度。在这项研究中，利用激光雷达或通过结构运动算法（Structure from Motion algorithm，SfM）获得的高光谱图像和点云应用于高分辨率RGB图像，作为检测马铃薯黑茎（由Pectobacterium和Dickeya属细菌引起）的可能替代方案。结果表明，所有不同的数据集都具有区分健康植物和患病植物的潜力。高光谱影像植被指数（Vegetation Indices，VIs）与LiDAR结构特征相结合，验证结果最佳（平衡精度BA = 0.915）。与单独使用VIs （BA = 0.846）相比，VIs与SfM特征相结合也取得了较小的改善（BA = 0.876）。对来自不同数据集的分类模型的特征重要性的评估表明，在将来自LiDAR或RGB图像的结构特征作为预测变量添加后，VIs对预测的相对重要性降低，特别是与LAI或其他描述冠层特性的特征相关的VIs。最后，对假阴性和假阳性的分析表明，不同数据集的预测潜力存在一定的局限性，与同类植物的预期相比，患病和健康植物最终表现出非典型的结构和光谱特征。因此，可能需要多源传感，包括其他方式（例如，热或荧光），以进一步改进对具有复杂症状的病原体的检测，如影响根、块茎和茎的病原体。

图1  在实验现场使用不同传感器获得的数据集概述。(A)给出了高光谱图像的彩色合成图。(b)和(c)表示植被指数（VIs）（LICI和MCARI2）。(d)和(e)分别给出了与SfM和LiDAR测量结果相对应的冠层表面模型（Canopy Surface Models，CSMs）。从(b)到(e)，仅表示背景去除后保留的像素。注意区域（蓝色）用于更好地可视化，其小矩形表面表示植物感兴趣区域（Areas of Interest，AOIs），用于提取随后用于分类框架的输入信息。值得一提的是，这里表示CSMs只是为了说明，只有点云被有效地用于分析/疾病检测，而不是从点云衍生的CSMs。

图2  构成分类框架的主要步骤的示意图。输入数据集包括：(i)高光谱图像；（ii）来自激光雷达测量的点云或（iii）来自高分辨率RGB图像（使用Structure from Motion - SfM）；（iv）病害发生率目测评估，用于田间鉴定病害植株。植物分别通过高光谱图像和点云的光谱和结构特征来表示。准备现场数据涉及使用GPS-GNSS接收器注册的坐标来定位研究地点的患病和健康植物。分类模型拟合和验证涉及多个步骤，从可变缩放和特征提取（PCA）到评估不同的重采样启发式和成本敏感支持向量机，旨在减轻与训练数据集不平衡相关的潜在问题。分类模型中信息量最大的特征是通过排列来确定的。

图3  投影叶面积(a, c；PLA)和投影冠层体积(b, d；PVol)由LiDAR点云（a, b）和SfM （c, d）点云，对应于患病植物，根据它们在田间首次识别的日期（红点，从种植后49天到71天- DAP）表示。同样，两个植被指数(LICI, e；和MCARI2， f)的图示。同样的特征也表示了在无人机飞行（71* DAP）的同一日期发现的健康植物（没有明显的疾病症状），图中以蓝点表示，以便进行比较。红色和蓝色的小点代表每个单株植物的中位数，而中间的点表示每个子数据集的总体中位数（根据日期和健康状态），在每种情况下，误差条划定了四分位数范围（IQR）。“+”表示由于低地面覆盖而从数据集中删除的观测值每个图表上方显示了每个日期和类别的样本数量(n)。

图4  种植后49 - 71天，田间首次发现的患病植株对应像元的平均光谱响应- DAP (a)。仅考虑去除背景后保留的数据，并表示健康植株的平均反射率进行比较。在(b)中，患病植物和健康植物的平均反射率之比。(a)中第一张图上方的紫色条形图和(a)中最后一张图中不同光谱响应的连接线表示用高光谱相机注册的光谱带的位置（即中心）。

图5  根据不同类别对验证数据集的分类结果总结：患病（真阳性和假阳性- TP和FP）或健康（真阴性和假阴性- TN和FN）。

图6  验证数据集的真阳性和假阴性比例。数值是根据在田间首次观察到患病植物的日期（即从49到71 DAP），以及用于分类的不同特征集（即植被指数- VIs，来自LiDAR或SfM点云的结构特征，以及VIs与LiDAR或SfM的组合）来排列的。健康植物的分类结果也显示（绿色），允许与患病植物（红色）获得的性能进行比较。每个图的上方显示了每组中用于计算比例的观测总数(n)。

图7  根据特征对疾病发病率分类的重要程度对特征进行排序，通过特征置换算法进行排序。(a)中表示的结果对应于仅包含来自高光谱数据集的光谱特征的数据集，而(b)和(c)分别描述了VIs与来自LiDAR或高分辨率RGB图像的结构特征相结合的结果。点表示通过从原始模型中去除pc和相应的分类精度降低来估计的特征重要性。单个功能的重要性是按比例估计的，相对于它们在移除的pc中的参与。绿线表示如果所有特征对模型的贡献相同，则预期的重要性。填充点对应的特征对分类的贡献大于“预期”或“高于平均水平”。对于结构特征，首字母“I”后面加一个数字表示不同的冠层。背景颜色表示具有相似特征的特征（与叶片叶绿素、类胡萝卜素、花青素、LAI、冠层性状或冠层结构综合或分层特征相关）。

图8  田间健康和患病植物的空间分布(a)以及每种情况下观察日期的指示(b)；健康植株总是71 DAP，未指示，而患病植株在47 - 71 DAP之间。不同数据集对应的分类结果：植被指数- VIs (c)；VIs与LIDAR (d)；和VIs结合高分辨率RGB图像(SfM；e)。只表示选择用于验证的观测值。(c)至(e)中的图像下方也显示了真阳性或假阳性和阴性的数量。将结构特征添加到数据集中后的真阳性或假阳性和阴性的新情况被突出显示（d和e中的填充点），以便与仅包含VIs作为预测变量的数据集(c)进行比较。

图9  “典型”患病植物（a、b、c、d）和健康植物（e、f、g、h）的图示。这些观测是使用投影叶面积（PLA）作为标准选择的（即，分别最接近每个类别的中位数）。高光谱数据（VIs）见（a, e）；VI1 - LICI)和（b,f）；VI2 - MCARI2)，而LiDAR和高分辨率RGB图像获得的点云分别如图（c,g）和（d,h）所示。对于VIs (a,b,e,f)，每个点代表去除背景后保留的一个像素。这些像素的高度是从高光谱数据本身获得的数字表面模型中得出的，这里仅用于说明。（c,g）和（d,h）中点云周围的灰线代表每个植物的凸壳。红线表示山脊的顶部，用作从点云中移除背景点的标准。

图10  代表假阴性（FNs）的“典型”错误分类观测的说明；患病观察被归类为健康)。每组特征一个案例(植被指数- VIs；和VIs结合来自激光雷达或高分辨率RGB图像的结构特征)进行说明。这些观测结果是使用投影叶面积（PLA）作为标准选择的（即，根据每组特征，仅最接近FNs的中位数）。高光谱数据（VIs）见（a,e,i）；VI1 - LICI)和(b,f,j；VI2 - MCARI2)，而LiDAR获得的点云和高分辨率RGB图像分别如图（c,g, k）和（d,h,l）所示。对于VIs (a,b,e,f,i,j)，每个点代表去除背景后保留的一个像素。这些像素的高度是从高光谱数据本身获得的数字表面模型中得出的，这里仅用于说明。（c,g,k）和（d,h,l）中点云周围的灰线表示每个植物的凸壳。红线表示山脊的顶部，用作从点云中移除背景点的标准。

图11   代表误报（FPs）的“典型”误分类观测的说明；健康观察归为患病)。每组特征一个案例(植被指数- VIs；和VIs结合来自激光雷达或高分辨率RGB图像的结构特征)进行显示。这些观测是使用投影叶面积（PLA）作为标准选择的（即，根据每组特征，只有FPs的中位数）。高光谱数据（VIs）见（a,e,i）；VI1 - LICI)和(b,f,j；VI2 - MCARI2)，而LiDAR获得的点云和高分辨率RGB图像分别如图（c,g,k）和（d,h,l）所示。对于VIs (a,b,e,f,i,j)，每个点代表去除背景后保留的一个像素。这些像素的高度是从高光谱数据本身获得的数字表面模型中得出的，这里仅用于说明。（c,g,k）和（d,h,l）中点云周围的灰线表示每种情况下的凸包拟合。