Detection of Red Crown Rot of Soybean in Illinois Fields Using High-Resolution Satellite Imagery and Machine Learning
Bruno Daniel Pugliese · Juan Andrés Paredes · Andres Fabian Ruiz 等 7 人
利用高分辨率卫星影像和机器学习在大豆田中检测红冠腐病。
PlanetScope多光谱影像、植被指数与7种机器学习分类器，留一田块交叉验证
各分类器ROC-AUC达0.963-0.982，正则化逻辑回归最优，EVI、NDVI和红波段最重要。
可探索多时相卫星影像与无人机融合，提升病害斑块边界混合像元识别精度。
基于高分辨率卫星影像与机器学习实现大豆红冠腐病田间制图，方法扎实、数据规模可观，对作物病害遥感监测有参考价值。
由冬青丽赤壳菌（Calonectria ilicicola）引起的红冠腐病（RCR）是美国中西部一种新发大豆病害，目前尚缺乏可规模化表征田块内病害分布的方法。本研究评估了高分辨率PlanetScope卫星影像在2024年和2025年生长季对伊利诺伊州15块商业田块中受RCR影响的大豆冠层的制图能力。共有2,921个地理参考冠层样区被分类为无症状或受RCR影响，并与6个多光谱波段和7个植被指数配对。采用线性混合效应模型评估类别间的光谱差异，并通过空间独立的留一田块交叉验证比较了7种机器学习分类器，涵盖线性、基于树、神经网络、核函数和概率方法。与无症状冠层相比，受RCR影响的冠层在可见光和红边区域反射率增加，近红外反射率降低，植被指数值较低。所有分类器均表现出较强的判别能力，ROC-AUC值范围为0.963至0.982。正则化逻辑回归在优化决策阈值下取得了最高的整体性能，准确率为0.945，平衡准确率为0.945，F1分数为0.948，ROC-AUC为0.982。置换分析表明，在代表性模型架构中，EVI、NDVI和红光反射率是最具影响力的预测变量。卫星衍生的概率图和分类图总体上与高分辨率无人机影像中观察到的症状冠层模式一致，尽管混合像元降低了病害斑块边界附近的精度。这些结果证明了高分辨率卫星影像在独立商业大豆田块中对RCR相关冠层症状进行田块内制图的潜力。