Utforskende analyse av hyperspektral data i NIR og SWIR til diskriminering av gulrust og bladflekksykdommer på hveteblad

Abstract

Hyperspektrale bilder i NIR- og SWIR-området (950nm – 2500 nm) ble fanget av hveteblad for å utforske evne til diskriminering av gulrust og bladflekksykdommer. Spektrene ble representert med ulike korrigeringer og deriverte. Gjennom PCA og kryssvalidering av tre ulike maskinlæringsmodeller, støttevektorklassifikator (SVC), tilfeldig skogklassifisator (RFC) og partial least squaresdiscriminant analysis (PLS-DA), ble EMSC identifisert som den beste korrigeringen for spektrene. Deretter ble sensitive bølgelengder valgt ut basert på en PCAs komponenters- og en RFCs bølgelengdevektlegging, og ble identifisert i hele spekteret med størst vekt på vannovertonene sentrert rundt 1450nm og 1930nm. SVC trent på hele spekteret oppnådde en nøyaktighet på 92.0 ± 2.7%, RFC trent på 10 sensitive bånd oppnådde 90.7±2.2%, mens RFC trent på 8 sensitive bånd utenfor vannovertonene oppnådde 88.9 ± 2.7%. Det ble ikke identifisert noen direkte tilknytning til kjente absorpsjonsområder til nitrogen i NIR eller SWIR, selv om noen sensitive bølgelengder lå nært disse. Vannrelaterte bølgelengder ble studert i mer detalj i et aquagram og det ble oppdaget store forskjeller i absorpsjon mellom sunt og sykt blad, og for sunt blad og blotch chlorosis ble bølgelengder knyttet til C1-C3 identifisert som viktige. NIR/SWIR-området virker egnet for sykdomsdiskriminering og burde brukes sammen med VIS, men det er nødvendig med videre forskning på både planter og sykdommene, deres bestanddelers unike absorpsjonsmønstre, samt hvordan vannabsorpsjon påvirker målinger i SWIR. Framtidige studier bør inkludere romlig og temporal informasjon, i tillegg til den spektrale.

Hyperspectral images in the NIR and SWIR range (950 nm - 2500 nm) were captured of wheat leaves to explore the ability to discriminate yellow rust and leaf spot diseases. The spectra were represented with different corrections and derivatives. Through PCA and cross-validation of three different machine learning models, support vector classifier (SVC), random forest classifier (RFC) and partial least squares-discriminant analysis (PLS-DA), EMSC was identified as the best correction for the spectra. Sensitive wavelengths were selected based on a PCA’s component and an RFC’s wavelength weighting (feature selection), and were identified throughout the spectrum with greatest emphasis on the water overtones centered around 1450nm and 1930nm. SVC trained on the whole spectrum achieved an accuracy of 92.0±2.7%, RFC trained on 10 sensitive bands achieved 90.7±2.2%, while RFC trained on 8 sensitive bands outside the water harmonics achieved 88.9 ± 2.7%. No direct association with known absorption features of nitrogen in NIR or SWIR was identified, although some sensitive wavelengths laid close. Water-related wavelengths were studied in more detail in an aquagram and large differences in absorption between healthy and diseased leaf were detected, and for healthy leaf and blotch chlorosis, wavelengths associated with C1-C3 were identified as important. The NIR / SWIR area seems suitable for disease discrimination and should be used together with VIS, but further research is needed on both plants and the diseases, their unique absorption features and patterns of constituents, and how water absorption affects measurements in SWIR. Future studies should include spatial and temporal information, in addition to spectral.