田间高通量表型系统的应用为评估作物胁迫提供了新的机遇。然而，现有的研究主要集中在个体胁迫上，忽视了作物在田间条件下经常遇到多重胁迫的事实，这可能会表现出类似的症状或干扰其他胁迫因素的检测。因此，本研究旨在探讨小麦黄锈病对反射率测量和氮素状况评价的影响。在为期两年的施肥-杀菌剂试验中，利用多传感器移动平台采集RGB和多光谱图像。为了识别病害引起的损伤，将U-NET结构和像素级分类器相结合的SegVeg方法应用于RGB图像，生成了一个能够区分健康和损伤区域的掩膜。图像中观察到的损害比例显示出与视觉评分方法在解释作物产量方面有相似的有效性。此外，研究还发现该病害不仅通过叶片损伤影响反射率，而且通过破坏植株的整体氮状态影响健康区域的反射率。这强调了将病害影响纳入基于反射率的决策支持工具以说明其对光谱数据影响的重要性。通过采用完全从叶片健康部分计算的NDRE植被指数或将损害比例纳入模型，成功地缓解了这种影响。然而，这些发现也强调了进一步研究的必要性，特别是应对作物表型的多重胁迫所带来的挑战。

图1 本研究中使用的移动平台与传感器吊舱固定在冠层上方1.6米。

表1 试验处理包括总氮投入和杀菌剂施用次数组合。加粗字体的处理组合用于动态破坏性数据采样。

表2 小麦真菌病害视觉评分量表。该尺度基于三个标准:i)受影响的叶面(L1指旗叶，L2指第二层叶，…)，ii)叶片感染的平均强度(Lo=低，M=中，Hi=高)，iii)病害在小区或植株叶片内的分布情况。

图2 图像分析通道。利用RGB图像将场景分割为土壤、穗、绿叶和损伤。结合多光谱图像，该通道可以提取上述各类别的BRFs

表3 IoU和SegVeg模型的准确性。Soil-Plant结果采用U-NET模型，Green-Damage结果参考像素级分类器。

图3 从左到右分别为4月25日、5月5日和5月30日使用SegVeg方法，该方法结合了EfficientNetB2和XGboost模型，以及使用YoloV5和DeepMac进行穗的分割示例。在分割结果中，土壤区域用灰色阴影表示，绿色植物用蓝色，穗用天蓝色，受损区域用红色。

图4 2022年季节的标准视觉评分和损害指数曲线。阴影带表示标准差。

图5 2022年作物产量与AUDPCsVS和AUDPCDI之间的皮尔逊相关性。

图6 双向反射系数的箱线图，其来源即整个图像，只有叶片，只有不同生长阶段的绿色元素。

表4 图像与叶片BRFs、叶片与绿色元素BRFs的变化率，以%表示。

图7 NDREgreen按主要生长阶段处理划分。字母代表事后Tukey HSD检验创建的组。

表5 不同生长阶段氮营养指数（NNI）、叶片氮浓度（N%）、叶片氮吸收、全株氮浓度（N%）、全株氮吸收的P值(ANOVA方差分析)，其中“Total”为整个植株。

图8 不同生长阶段NDRE与氮素状态变量之间的相关矩阵。