基于时序高光谱和多任务学习的水稻病害早期预测研究

作者：曹益飞; 徐焕良; 吴玉强; 范加勤; 冯佳睿; 翟肇裕^*

来源：农业机械学报, 2022, 53(11): 288-298.

• 水稻
• 病害早期预测
• 时序高光谱
• 多任务学习
• 白叶枯

水稻病害是影响水稻产量的重要因素之一，水稻病害的早期预测对水稻病害防治至关重要。为了实现水稻白叶枯病害的预测，连续采集了从接种病菌到早期发病共7 d的白叶枯病害胁迫下的叶片高光谱图像。利用Savitzky-Golay算法对高光谱图像进行预处理，并利用主成分分析(Principal component analysis, PCA)和随机森林(Random forest, RF)算法提取光谱特征，构建多任务学习(Multi-task learning, MTL)与长短期记忆(Long short-term memory, LSTM)网络融合的预测模型，对水稻病害发病率和潜伏期进行预测，并利用鲸鱼优化算法(Whale optimization algorithm, WOA)对MTL-LSTM模型进行优化。实验结果表明：PCA和RF可以有效地从高光谱图像中提取光谱特征，降低高光谱数据维度，且基于光谱特征构建的预测模型性能优于全波段光谱构建的预测模型性能，建模时间降低约98%。基于时序高光谱构建的预测模型对发病率和潜伏期的预测取得了预期效果，基于前10个特征波长构建的WOA-MTL-LSTM模型取得了最优的预测性能，对发病率和潜伏期预测测试集的R2分别为0.93和0.85,RMSE分别为0.34和2.12,RE分别为0.33%和1.21%。通过WOA算法可以提升MTL-LSTM的预测性能，对发病率和潜伏期预测的R2均提升0.05。研究结果表明RF提取高光谱特征能有效表征全波段光谱，基于时序高光谱的WOA-MTL-LSTM模型可以准确预测白叶枯病害发病率和潜伏期，为水稻白叶枯病害的预防提供了技术支持。

• 单位
  南京农业大学