對植物病害和植物脅迫的可靠檢測和識別是目前農業領域的一大挑戰。現有的標準檢測方法通常依賴于農作物學家手動檢查作物上可見的癥狀，還要受限于作物的類型和作物面積的大小（對于許多商業作物來說，面積往往很大），這種監測植物健康的方法既費時又費力。人工檢測還依賴于病害或壓力表現出明顯的癥狀，而這些癥狀經常在病害的中后期才表現出來，再通過人工檢測或診斷性測試來確定病原體。疾病通常從葉片上的一個小區域開始（例如，由真菌病原體Mycosphaerellagraminicola引起的小麥Septoria tritici blotch(STB)；由Venturiainaequalis引起的蘋果瘡痂），如果作物很大，目視檢查可能很難發現，而能夠在這個早期階段識別疾病將會提供一個早期干預的機會，在整個作物被感染或損害之前，控制、預防感染的擴散，或改變作物管理方法。識別受疾病影響的作物區域還有助于針對性地應用化學品。這種精確的方法將可以減少農藥和除草劑用量，從而對環境、生態系統服務、種植者的成本和最終消費者產生有利影響。因此，農業和園藝部門對用更自動化的、有針對性的和精確的方法來取代這種人工觀察的過程有著濃厚的興趣。Mahlein發表了關于通過成像傳感器檢測植物病害的文獻，其中包括RGB、多光譜、高光譜、熱能、葉綠素熒光和三維傳感器。最終觀點是，RGB和高光譜成像對于識別特定疾病的效果來說是比較好的。

       為了改善作物管理和植物健康，一些研究集中在如何在開始階段識別到病害，要在出現明顯跡象之前。圖像分析技術在這方面顯示出很大的潛力，它們代表了檢測植物中生物和非生物壓力的非侵入性和潛在的自主方法。Singh等人在最近的一篇論文中說明了這一點，該論文研究了用于脅迫表型的機器學習，探討了使用不同傳感器進行脅迫識別、分類、量化和預測的高通量表型。

       作為一個研究領域，圖像分析代表了大量的計算技術，能夠從數字圖像中提取信息。從實用的角度來看，這意味著對精心捕捉的圖像進行自動處理，從圖像中產生所需測量的數據集。圖像本身可以來自各種來源，從彩色數碼相機或智能手機，到更專業的相機，旨在捕捉圖像中的各種不同信息。這里的一個技術進步是高光譜圖像，相機捕捉到的不僅僅是傳統數字圖像中常見的三個彩色光帶。本論文將特別關注隨后的分析方法，即高光譜圖像分析。由于技術成本的下降，這種方法最近在經濟上已經可以被廣大用戶所接受。正在開發的分析方法使高光譜成像技術能夠被用于更廣泛的應用。高光譜成像在很大的光譜范圍內使用高保真顏色反射信息（超出人類視覺范圍），因此有可能識別植物生長和發展中的微小變化。

       在這篇評論中，我們概述了高光譜成像技術，以及如何在實驗室和田間應用中利用它來分類和識別植物葉子疾病和壓力的早期階段。從背景理論和高光譜成像技術的概述開始，我們考慮了該方法在植物和作物科學中的一些應用范圍。最后，我們討論了這些方法的一些實際問題；這是一個重要的方面，因為這種相機通常還不能作為作物監測的交鑰匙解決方案，所以在這些技術的部署可以在商業環境中實施之前，必須注意收集令人滿意的數據，并提供有意義的分析和解釋。

1. 彩色數字成像

       為了理解高光譜技術本身，首先考慮一下一個標準的、非高光譜的彩色數字圖像包括哪些內容，這將是很有幫助的。光的波長對應于顏色，藍光的中心波長約為475納米，綠光為520納米，紅光為650納米。一幅彩色圖像代表了三個寬波段的組成，紅、綠、藍。我們的眼睛包含三種類型的錐體，對光譜中的藍色、綠色和紅色部分敏感，每一種錐體都有一個顏色范圍，它們受到的刺激或強或弱，取決于發射光的波長。結合來自三種不同錐體的信息，我們在大腦中重建了一個彩色圖像。數字圖像試圖模擬錐體的敏感性，一個像素存儲了光譜中藍色、綠色或紅色部分的綜合強度，這取決于放置在該像素前端的過濾器類型。高光譜系統中捕獲的光線范圍也會有所不同。人眼可見的顏色是電磁波譜上的一個小范圍，從400到700納米（圖1）。通常用于植物高光譜成像的光譜部分從紫外線（UV）（始于約250納米）到短波紅外（SWIR，約2500納米）。照相機通常捕捉某個子范圍，如可見光和近紅外范圍（VIS-NIR，400-1300納米）或短波紅外（1300-2500納米）或紫外線（250-400納米），這些范圍在一些傳感器中被結合起來以增加光譜的覆蓋范圍。

       那么，彩色圖像就是一個三波段多光譜圖像的例子，其中每個波段記錄了三種顏色中的一種，即紅、綠和藍。在真正的多光譜圖像中，通常會有更多的波段，也許還會對光譜中的紅外區域的光進行采樣，即波長超過700納米的光。另一方面，高光譜圖像通常包含光譜范圍內數百個連續的窄波段。這種方法產生了密集的、信息豐富的彩色數據集，具有足夠的空間分辨率，每片葉子有數百個數據點（像素）。

       對于植物和植被，非常有用的分析波長范圍是可見光范圍和近紅外范圍。這個波長范圍可以捕捉到葉子色素（400-700納米）和間葉細胞結構（700-1300納米）的變化，但是要看到植物的含水量的變化，需要擴展范圍（1300-2500納米）。例如，嚴重脫水會影響葉子的中葉結構，這與近紅外反射率的變化有關，然而，輕微的干旱壓力通常不會有足夠的影響，無法被檢測到。

2.  高光譜成像技術

       高光譜成像光譜儀背后有各種硬件方法，這意味著有不同的方式來捕獲圖像。成像的設備包括推掃器、濾波輪、液晶可調諧過濾器等等。在一個使用推掃的案例中，入射光線通過一個凸面光柵（或棱鏡），將光線分離成狹窄的波長。這種分離后面會被記錄在一個光敏芯片上（類似于標準的數碼相機）。一個推掃器，有三個組成部分；照相機、光譜儀和鏡頭。這個系統同時捕捉圖像的單一空間線，以及整個彩色光譜范圍。然后相機或物體被移動，下一條線被捕獲（掃帚被"推"向前方，因此而得名），有效地使相機成為線掃描器，最終的圖像是在全部掃描完成后建立的。替代推掃的另一種方法是快照方法，即一次性采集整個圖像。迄今為止，推掃技術得到了很多的使用，但最近快照技術的進步正在增加與表型和分析有關的接受度和可能性。

       在本綜述的其余部分，我們考慮了高光譜成像技術和分析的應用，并將綜述分為以下四個部分：（1）現有的植被和病害指數；（2）健康和有病植物的檢測和分類與病害分類的應用；（3）量化病害的嚴重程度；以及（4）早期階段檢測壓力癥狀。

       在這些章節中，我們將考慮基于實驗室的成像方法，以及基于現場的遙感。除了明顯的生物差異外，值得考慮這些環境對高光譜圖像數據本身的影響。基于實驗室的成像方法是在一個受控的環境中進行的，其中包括人工光源。室外遙感數據通常取決于環境光照，盡管有一些系統使用受控照明進行室外高光譜成像的例子。使用自然光照，即太陽，意味著認識到存在著大氣效應，如光的吸收和散射。其他可能導致光譜特征變化的環境因素有：云影和物體表面之間的相互作用、一天中的時間、鏡面反射和其他物體的存在，它們可以將二次照明反射到感興趣的區域。由于這些影響中的許多都與時間有關，成功使用校準參考意味著每當環境照明發生變化時都要更新參考，這在自然照明情況下可能非常短的時間。在受控的照明下，仍然存在問題：存在著光強度的問題：反平方定律指出，照度會根據與光源的距離成反比下降。這意味著會出現不均勻的照明，選擇的光源類型需要仔細考慮，它不應該有橫跨光譜或圖像平面的高強度峰值。

       實驗室和現場成像之間的另一個潛在差異是分辨率。對于航空遙感數據，空間分辨率通常在每像素米的范圍內，這意味著像素通常包含一種以上材料的特征。分析這種數據的第一步是考慮這種多金屬問題，即必須考慮像素包含混合材料（稱為"混合像素"），并且必須應用光譜解混過程。換句話說，一個像素可能包含植物和土壤，必須使用算法來確定適當的混合。在實驗室中，圖像通常可以在植物的幾厘米范圍內拍攝，甚至可能有許多像素代表一片葉子或疾病區域。在這些情況下，一般沒有必要進行解混。

       對這些基于位置的挑戰的進一步考慮將在本評論的后面充分探討，但在我們繼續之前，讓我們考慮一下為什么我們希望首先捕獲這種高光譜信息。

3. 應用于健康和患病植物的檢測和分類

       在本節中，我們將討論專門用于檢測植物中生物壓力的各種技術。分類技術，也就是把數據分成健康和病害兩類的技術，可以分為兩種類型：一種是專注于光譜中一些關鍵波長的技術，另一種是使用整個光譜反應的技術。更進一步說，疾病分類的討論涉及到多種疾病的識別和特定疾病的檢測。

       3.1現有的植被和疾病指數

       在高光譜成像設備出現之前，希望根據顏色信息對效果進行量化的研究人員已經使用多光譜成像或高光譜、點源設備（如不產生空間圖像的光譜儀）來獲取顏色數據。高光譜設備一般不提供點對點的測量。相反，用戶有很大的責任來開發捕獲過程。一旦獲得，必須對產生的大量數字數據集進行分析，以提供有用的信息。進入這種大型數據集的一個明智而簡單的方法是只考慮波長范圍內的少數位置，觀察在光譜中預定的關鍵點的不同條件的變化。使用這種方法，我們還可以通過考慮數據值的比率來抵消相對光變化的影響。這涉及到兩個或多個波長的組合，通常被稱為"指數"。

       為了解釋這些數據，通過預先考慮的生物推理（例如知道特定的波長與特定的細胞結構的特性有關），或者由于采集設備所能提供的特定波長的限制（例如從衛星多光譜遙感數據中得出的指數可能只有有限的波長可以使用），已經開發了一些此類指數。當應用于植物材料時，這些指數被稱為"植被指數"。存在許多不同的植被指數，每一種指數都使用不同的波長測量來描述植被的生理屬性，考察植物的一般屬性或其生長的具體參數。

       非常流行和廣泛的指標之一是歸一化差異植被指數（NDVI），它被用來測量作物的一般健康狀況。它是通過近紅外光和可見光的簡單比率來計算的（見表1）。NDVI已被用于許多不同的目的，例如，檢測由Sunnpest谷物害蟲EurygasterintegricepsPut.(Hemiptera:Scutelleridae)在小麥中造成的壓力。大多數指數是非常具體的，只對它們所設計的數據集有良好的效果。有一些以疾病為中心的研究專注于創建疾病指數來檢測和量化特定的疾病，例如，一項研究使用葉銹病嚴重程度指數（LRDSI）檢測小麥的葉銹病（Pucciniatriticina），準確率為87-91%，然而，據我們所知，它還沒有被廣泛測試。

       另一種常用的方法是檢測紅色/近紅外邊界處反射率突然增加的變化。這個"紅邊"位置是電磁波譜中的一個狹窄部分（690-740納米），可見光譜結束，近紅外開始（圖2）。這一段在規格反應（導數）上有很大的變化，對于綠色植物材料來說，由于葉綠素強烈吸收了700納米左右的波長，因此材料在這個范圍內的反射率很低，但它對紅外線（從720納米左右）有強烈的反射。Cho描述了一些提取或檢測紅邊的不同算法。一個基于紅邊位置的疾病指數被用來檢測小麥的白粉病（Blumeriagraminisf.sp.Tritici），然而它沒有部分最小二乘回歸（PLSR）那么準確，后者是一種使用統計學方法的技術。我們將在本評論中進一步考慮這些統計學方法中的一些。

       3.2使用選定波長的子集進行分類

       在這一節中，我們考慮的是依靠全光譜中特定波長的子采樣的分類方法。與真正的多光譜數據不同的是，特定的波長可以手動或自動從采集范圍的任何地方選擇，而多光譜數據則受技術限制。

       來自 "背景 "部分的分析通常使用指數來計算代表值，使用光譜中不同位置的離散波長。其中一項涉及小麥田間實驗的研究使用了歸一化差異植被指數（NDVI）響應，從數據集中消除了除葉子以外的一切數據集，然后用一種叫做"方差分析"的統計方法方差分析（測量統計協方差），以識別選定的波段，然后用二次方鑒別分析（QDA）來對光譜進行分類。在健康和病變葉片（黃銹病）之間進行分類。這代表了超規格分析的典型工作流程：隔離（或分割）圖像中感興趣的部分，然后使用數學技術來識別光譜中可能具有預測能力的區域，最后使用這些空間和光譜區域來學習分類方法。使用QDA，4個波段的總體準確性達到92%。

       Moshou描述了一個多層感知器（MLP）的例子，他的目的是使用范圍為460-900納米、光譜分辨率為20納米的光譜儀來檢測田間生長的小麥的黃銹病。該分光儀在現場使用一個手持系統拍攝了圖像。然后選擇了四個重要的波長。前兩個波長是使用"變量選擇"選擇的，這涉及到使用逐步判別分析和使用F檢驗來比較波長。第二對波長使用NDVI波長。Moshou使用的神經網絡是一個簡單的架構，有四個輸入，一個由十個神經元組成的隱藏層和兩個輸出（健康和病態）。架構是由輸入的數量、選定的隱藏神經元的數量和所需的輸出數量決定的。試驗和錯誤可以用來確定一個合適的結構。Moshou嘗試了不同數量的神經元并選擇了非常有效的。使用這種方法達到的分類精度對健康植物來說是98.9%，對病變植物來說是99.4%。

       MLP方法使用一個簡單的架構，由輸入、隱藏層和輸出組成。在機器學習中，一種新的、更復雜的方法，即深度學習，正在變得流行。深度學習指的是人工神經網絡，其結構包含很多層，在每一層中，神經元能夠隱含地代表數據的特征，通過這樣做，可以在后面的層中獲得更復雜的信息，圖像特征由網絡自動確定。深度學習方法的一個具體例子是卷積神經網絡（CNN）。而人工神經網絡（ANN）使用神經元激活網絡作為其類似的模型。CNN則是基于視覺系統中的視網膜場。無論哪種方法，深度學習需要更長的時間來然而，深度學習需要更長的時間來訓練，其架構也更加復雜。然而，隨著復雜性的增加，非常令人印象深刻的分類和識別率是可以實現的。

       深度學習已經被應用于植物病害檢測問題。Mohanty使用CNN檢測了14種作物的26種疾病。使用了由54,306張彩色圖像組成的數據集，80%用于訓練，20%用于測試AlexNet和GoogLeNet（兩種流行的預訓練CNN版本）。AlexNet的準確率為97.82%，GoogLeNet的準確率為98.36%，使用彩色圖像從頭開始訓練（轉移學習的數值更高，分別為99.27和99.34%）。他們選擇了具有同質背景的單個葉片。如果在與訓練圖像不同的條件下對網絡進行測試，準確率為31.4%。Sladojevic也使用CNN檢測各種作物植物的13種疾病，包括蘋果（白粉病、銹病）、梨（葉斑病）、葡萄（枯萎病、螨蟲、白粉病、霜霉病），使用CaffeNet，準確率為96.3%。

       目前很少有完整的研究將深度學習應用于高光譜數據，盡管這是一個活躍的研究領域。為了將高光譜數據用于深度學習，有幾個挑戰需要解決。高光譜數據的大小，包括波長的數量，需要大量的處理時間和功率，最好是需要一個圖形處理單元。超光譜波長的數量很可能包括來自特定波長的噪聲。另外，在訓練/測試過程中，需要有足夠的數據量和標記的數據。還有一種可能性是，誤差會比其他方法高。

       其他非深度學習方法包括Yuan，使用FishersLinearDiscriminantAnalysis與遙感數據檢測小麥作物的黃銹病和白粉病，總體準確率為93%，選擇的波長范圍（531,570-654,685-717nm）對檢測白粉病和黃銹病在這些規格反射范圍內的差異有意義，結果是獨立t檢驗。

       有時，數據分析方法與簡單的圖像處理步驟相結合，以增加特征識別。一系列被稱為形態學運算符的圖像處理技術可以用來清理二元（黑白）圖像。其中一種技術叫做侵蝕，通過將邊界像素變成背景像素來縮減物體的前景。相反的技術被稱為"擴張"，其效果是擴大前景物體的邊界。它們可以一起用于填補孔洞，或去除二進制標記數據中的斑點噪聲（取決于使用的順序）。使用這種方法的一種方法是對黃瓜葉子數據的研究，在這個例子中，這種技術被用來分析不同類型的霉菌；霜霉病（Pseudoperonosporacubensis）。首先應用原則成分分析（PCA）來減少數據的大小，并產生一個二進制圖像，然后在第二步中使用侵蝕和擴張來增強疾病特征。準確率為90%，但是只使用了20個樣本（10個健康的和10個感染的）。這種方法不太可能在其他高光譜圖像上有很好的效果來檢測疾病，除非葉片數據相似，即使如此，結果也是不確定的。

       高光譜成像也可以與顯微鏡相結合，以更高的分辨率捕捉圖像。對具有不同基因型的大麥進行了微觀層面的研究，以了解是否可以確定基因型之間的光譜差異。還分析了健康和患病植物的大麥葉片，這些植物被接種了白粉病（B.graminis）。結果表明，除了那些含有霜霉病基因座o（mlo）的品種外，健康和接種的葉片之間存在著時間上的差異，該基因座提供了植物對B.graminis的抗性。在這項研究中，由于噪聲的影響，光譜范圍被縮小到420-830納米，然后用Savitzky-Golay濾波器進行歸一化和平滑處理，然后用SiVM來尋找極端光譜，接著用Dirichlet聚集回歸來尋找葉痕。

       3.3使用全光譜數據進行分類

       分類方法的目的是將數據分為若干不同的類別。它們源于一系列的統計或機器學習技術。其中一種方法是二次判別分析（QDA），它通過使用協方差矩陣來進行分類，該矩陣將各個類別進行比較。QDA方法被用于牛油果植物的研究，以檢查真菌疾病月桂樹枯萎病（Raffaelealauricola），使用位于田間和玻璃溫室的植物。QDA的分類準確率為94%。當然，在分析管道的每個階段都有可能使用替代方法。例如，不使用QDA，而是使用決策樹方法（一種機器學習技術），其準確率達到95%。為數據選擇正確的方法，以及確保足夠的數據集大小和質量，是關鍵。這種機器學習方法代表了一套越來越常見的分類和預測算法。機器學習方法使用訓練數據集來訓練算法，目的是分析和預測新的、未見過的數據的結果。多層網絡（MultilayerLowe）是這種技術的一個例子。MLP是簡單的網絡（稱為人工神經網絡），將輸入數據映射到輸出。這個過程是基于對神經元激活網絡的生物學理解，其中信息在神經元之間被發射。輸入節點連接到輸出，使用激活函數和權重進行更新，可以優化產生正確的輸出（使用訓練數據）。這種算法需要先驗知識（訓練數據），因此，如果"疾病光譜"是未知的，那么這種技術將是不適合的。

       第三種分類方法是通過使用導數來觀察規格特征；這時要分析數據的基本模式或變化。二階（及以上）導數通常對光照的變化不敏感；但是它們對高光譜數據通常遭受的噪聲敏感，因此在使用導數之前需要應用"平滑"。平滑化是一個過程，利用平均化的形式減少單個像素強度和相鄰像素之間的差異，以創造一個更平滑的信號。兩個平滑的例子是Savitsky-Golay和高斯過濾。Savitszky-Golay提出了一種通過對輸入數據的子集擬合局部多項式來平滑噪聲數據的方法，然后在單點評估多項式來平滑信號。高斯濾波通過使用高斯加權核對中心信息進行平均化，從而減少噪聲。

       Huang試圖通過使用帶有一階和二階導數的偏最小二乘回歸（PLSR）來檢測芹菜作物的硬霉菌腐爛病。部分最小二乘法回歸選擇一組小的成分。這種技術在預測因子是串聯的/高度相關的情況下是有用的，它將減少對數據的過度擬合的風險。使用原始光譜的偏最小二乘回歸的分類精度為88.92%，使用Savitzky-Golay一階導數的PLSR為88.18%，使用二階導數的PLRS為86.38%。準確率相似，二階導數的表現稍差。Yuan在Fisher的線性判別分析（FLDA）上使用PLSR來檢測小麥的病蟲害。它對蚜蟲危害的準確率為60%，對黃銹病的準確率為92%。在另一項研究中，Zhang使用FLDA檢測小麥的白粉病（使用嚴重受損的葉片），準確率超過90%。

       3.4疾病識別

       除了檢測疾病的存在，研究的另一個方向是區分不同的疾病，以確定特定的病原體。其中一種方法是光譜信息分歧分類。該方法比較了觀察到的光譜和參考光譜（光譜庫，或數據中感興趣的平均光譜）之間的分歧，分歧值越小，光譜就越相似，如果它們大于設定的閾值，則不被歸類為參考光譜。光譜信息分歧被用來檢測柑橘類水果（葡萄柚）上的柑橘軍團，數據的光譜范圍是450-930納米，有92個波段，其中有1個波段的數據。5.2納米的光譜分辨率。在分析數據之前，通過合并相鄰的像素來減少一半的尺寸，進行了預處理步驟。腐爛的葡萄果實與正常的葡萄果實以及出現其他疾病或損害癥狀的葡萄果實進行了比較，包括：油漬、昆蟲損害、黑色素、結痂和風疤；這種方法的分類準確率為95.2%。

       4. 量化疾病的嚴重程度

       在檢測和分類疾病的同時，我們可能希望記錄疾病的有效數量，或其嚴重程度。這種方法確實遇到了一些特殊的挑戰。病害對葉片的損害和覆蓋程度會影響葉片被歸類為健康或病害的準確性。極端的病害會影響葉片的外觀，以至于它們可能根本就不能被算作植物材料。盡管如此，仍有許多方法可以估計嚴重程度，下面我們介紹一些方法。

       光譜角度映射器（SAM）方法將像素光譜與參考光譜相匹配，通過計算光譜之間的角度對像素進行分類，這些光譜被視為空間中的n維向量。這種技術已被廣泛用于高光譜數據的分類，包括植物病害，并取得了一定的成功。Yuhas研究了收獲前小麥鐮刀菌頭孢病的嚴重程度。高光譜數據的波長范圍為400-1000納米，光譜分辨率為2.5納米。SAM用于檢測病害的數量，分類準確率為87%。對小麥植物進行了兩個實驗，一個在玻璃溫室，一個在田間。對植物從接種到建立感染的整個發展階段進行了成像。Yuhas確定，在感染后，健康和受感染的植物是無法區分的，因為感染還沒有建立。然而，當高光譜數據在成熟階段被檢查時，小麥的色素組成發生了變化，健康的植株就會顯示為患病的植株。

       Mahlein使用同樣的技術來分析甜菜病害，特別是Cerospora葉斑病、白粉病和葉銹病。范圍是400-1000納米，2.8納米的光譜分辨率和0.19毫米的空間分辨率。在一段時期內（>20天）對植物進行分析，以監測每種病害的不同階段，并將葉片分類為健康或病害。Cerospora葉斑病的分類精度取決于疾病的嚴重程度（89.01-98.90%），白粉病的精度在90.18-97.23%之間，甜菜銹病達到61.70%，在第20天之前沒有使用SAM進行分類。

       Rumpf等人使用了與Mahlein相同的數據集，但采用了不同的分析方法；決策樹（DT）、人工神經網絡（ANN）和支持向量機（SVM）。所有的方法都需要先驗知識，但是一旦經過訓練就被證明是有效的。例如，對于Cerospora葉斑病，SVM的準確率為97%（DT為95%，ANN為96%）；對于甜菜銹病，準確率為93%（DT為92%，ANN為95%）；而對于白粉病，準確率為93%（DT為86%，ANN為91%）。在病害覆蓋了1-2%的葉片后，用葉片面積覆蓋率測量嚴重程度，準確率為62-68%，對于超過10%的葉片覆蓋率，準確率幾乎為100%。這表明，在同一組高光譜數據上使用各種分析方法來闡明不同的見解并達到不同的準確度--選擇技術很重要。表2列出了用于識別特定疾病的常用技術以及與之相關的準確性。

       5.檢測早期的壓力癥狀

       這種檢測系統的最終目標是在對植物進行最少的物理改變的情況下識別疾病。盡可能早地識別疾病或非生物問題有明顯的好處。通過使用高光譜技術與適當的分析方法相結合，我們可以現實地希望在人工觀察之前識別壓力癥狀。

       干旱對許多作物來說是一個重大問題，特別是一些植物種類或品種在一段時間內不會明顯顯示出這種壓力，到這時，作物的潛在產量或質量可能已經下降，因為植物的正常發育過程已經通過壓力反應受到影響。干旱的定義也可以從少量缺水到完全缺水不等。本節所討論的研究在植被指數檢測到干旱之前就已經檢測到了干旱的發生，而且是在明顯跡象出現之前幾天。

       特別是在干旱脅迫的早期檢測中，有一項技術已經成為流行的技術，那就是單純體積最大化（SiVM），它是一種數據聚類技術。這種技術選擇健康和受壓植物的光譜特征，然后用這些類別對數據進行聚類。當簽名變得與預先學習的樣本簽名相似時，它就被歸類為此類。

       Romer研究了包含在防雨棚中的大麥試驗和在田間種植的玉米試驗中的干旱壓力。用來檢測壓力的技術是單純的體積最大化，這是一種無監督的技術。光譜范圍為400-900納米，光譜分辨率為4納米。在預處理過程中，一些波長由于噪聲而被去除（<470和>750納米）。這是高光譜數據常見的情況，因為光譜范圍末端的光線不足，特別是基于實驗室的光源，可能在光譜的這些區域沒有產生很多光線。為了減少數據的大小并去除背景，采用了K-means聚類方法，用平均顏色將數據分成選定的若干組。然后將SiVM與四種眾所周知的植被指數--NDVI、光化學反射指數（PRI）、紅邊滲透點（REIP）和類胡蘿卜素反射指數（CRI）進行比較。對于大麥的數據，使用SiVM（第9天）比Vegeta-tionIndices（第13天）更早發現部分水脅迫的減少。對于無水/完全干旱條件下的植物，植被指數在第8天檢測到脅迫，比SiVM快一天，但它們未能在第9天和第10天檢測到脅迫；然而SiVM確實從第9天開始可靠地檢測到脅迫植物。

       Behmann還使用支持向量機（SVM）分析了大麥的干旱壓力。這種算法是超視距的，需要標記的訓練數據，在這種情況下，它被標記為干旱或健康。在用SVM分析之前，數據經過K-means預處理，以減少數據集的大小。光譜范圍為430-890納米，光譜分辨率為4納米。使用這種方法，Behmann在第6天檢測到干旱壓力，在第16天檢測到NDVI差異。

       小麥的干旱脅迫已經通過兩種組合技術進行了分析，試圖提高檢測率。Moshou使用最小二乘支持向量機（LSSVM）來嘗試檢測干旱脅迫。在溫室中研究了小麥植物，并對光譜反射和熒光進行了分析。熒光包括使用高強度的光來激發植物組織，使其發出不同波長的光，這可以用來獲得額外的生物洞察力。LSSVM需要進行訓練，846個數據樣本被用于訓練，而302個數據樣本被用于測試階段。對于一些技術來說，由于計算時間的原因，數據集的大小和/或波長的數量將決定分析數據的時間。因此，Moshou使用了六個波長-503、545、566、608、860和881納米。LSSVM對脅迫葉片的準確率達到76.3%，對健康葉片的準確率達到86.6%。然而，該研究指出，通過使用融合光譜和熒光特征的LSSVM模型，總體準確率大于99%。熒光是對葉子中葉綠素熒光的測量，以確定生理變化。

       根據Kersting，許多這些技術很難用于非機器學習或數據挖掘專家，因為高光譜數據需要預先處理或適應（即尋找葉片或使用選定的波長）。此外，除了之外，其他技術都沒有對大量植物進行幾天的分析。當有大量的數據需要分析時，這是植物表型分析需要考慮的一個重要因素。Ker-Sting聲稱擁有第一個使用高光譜數據進行干旱壓力預測的人工智能技術。開發了一種新的方法，其中包括一種不調整數據或縮小尺寸的干旱預測技術。Kersting在一個大麥干旱實驗中展示了該方法，其數據是在五周內收集的。使用的技術被稱為Dirichlet聚集回歸（DAR），它是基于矩陣因子化的。首先，SimplexVol-umeMaximisation被用來從數據中找到50個光譜特征并對它們進行分類。然后，在對這些值使用高斯過程之前，對潛在的迪里切特聚集值進行估計，以找到每個植物和每個時間點的干旱程度。最后，在出現明顯跡象之前，該過程預先預測受干旱影響的植物。根據一個為期五周的大麥實驗，干旱的預測發生在可見跡象出現之前的1.5周。對SiVM和DAR的運行時間進行了評估，結果是并行的SiVM的運行時間為30分鐘，而使用DAR模型只需幾分鐘。這表明，開發定制的分析技術可以超越現有方法的直接應用（無論是在計算時間、所需假設、易用性還是最終的準確性方面）。

       6.高光譜數據采集和軟件

       高光譜數據的尺寸很大，尤其是對多種植物進行連續幾天的成像時。對一種植物的掃描可以很容易地達到大約一千兆字節的大小。如果對整個光譜范圍進行分析，那么這個過程將比選擇幾個波段進行分析要長得多。然而，有大量的信息數據中包含的信息可能是有價值的。研究人員必須決定使用多少光譜分辨率，以及放棄多少。如果你的相機收集了800個光譜帶，你必須問自己是否需要所有的800個光譜帶，還是分成400個或200個等光譜帶就足夠了。這類似于對RGB圖像使用類似JPEG的壓縮方式。這種壓縮創造了更小的文件尺寸，但代價破壞了圖像信息（特別是色彩信息）。儲存較少的光譜帶會產生較小的文件大小，并降低數據分析的復雜性，但代價是丟掉潛在的重要顏色屬性。Polder等人探討了使用三個系統設置的攝譜儀的校準和特性。實驗研究了不同類型的噪聲和信噪比。實驗還確定，通過計算分辨率、光譜范圍和像素數量，在一定程度上可以進行分選而不損失信息。

       6.1高光譜相機的設置

       在分析之前，需要對高光譜數據進行校準，以確保產生的圖像由于存在的照明顏色而得到調整；相機軟件可能有此選項，但如果沒有，則可在捕獲數據后進行校準。照明是通過一個已知的白平衡目標進行校準的，它由相機系統成像。這個目標將在光譜上反映一個已知的百分比的光，例如，在相機的整個工作光譜上反映99%。照明的非均勻性可以通過將觀察到的數據除以捕獲的白平衡數據來校正[49]。此外，系統必須對傳感器在無光情況下出現的電噪聲（稱為暗電流）進行校正。這通常是通過在沒有任何光線的情況下用相機拍攝圖像來進行的，并使用由此產生的低水平噪聲讀數來調整未來的措施。

       一個重要的問題是多長時間進行一次白平衡校準。在實驗室環境中，每個月只拍攝一個白平衡目標可能是合適的。實驗中，假設照明已經達到一個平衡點（即燈泡已經完全預熱）。然而，在實驗室外，照明受到的變化要大得多。云層、陰影和一天中的時間都會非常影響外面的光線顏色，因此必須定期進行白平衡讀數，以確保準確的校準。還必須仔細選擇一天中拍攝圖像的時間，以及是否在陰天和陽光直射的情況下進行拍攝（這可能導致陰影和鏡面反射的問題--植物上的亮斑直接反射照明源（即太陽））。還應考慮照明的均勻性--傳感器是否在其空間范圍內記錄了均勻的亮度水平？一種被稱為漸暈的效果會導致鏡頭邊緣的像素看起來比中心的像素更暗。

       7.結論

       近年來，專注于利用高光譜圖像分析檢測植物壓力的科學文獻顯著增加。植物病害檢測是農業和園藝作物管理中的一項重要活動。特別是，檢測早期的壓力和疾病將對農民和種植者有利，因為它將使早期干預有助于減輕作物損失和降低作物質量。高光譜成像是一個非侵入性的過程，通過掃描植物來收集高分辨的數據。該技術正變得越來越流行，因為相機生產成本的下降使研究人員和開發人員能夠更多地使用這種技術。有各種技術可用于分析數據，以檢測植物的生物和非生物脅迫，本評論中討論了其中的例子，重點是健康和患病植物的分類、疾病的嚴重程度和脅迫癥狀的早期檢測。

       植被和疾病指數的數量每年都在增加。顯著的波長組合在一起可以表明特定物種的健康或疾病狀況。然而，指數對于檢測植被的具體標準是很有價值的；指數是根據當時的數據集、物種和對實驗有利的條件選擇的。有些指數更具有普遍性；NDVI、PRI和其他幾個植被指數將致力于發現植物的一般健康狀況。但一般來說，要把為植物X設計的指數應用于植物Y的數據集是比較困難的。這就是考慮在光譜上采用更大范圍的波長的動機，這有可能產生更好的結果。

摘自：Hyperspectralimageanalysistechniquesforthedetectionandclassificationoftheearlyonsetofplantdiseaseandstress：AmyLowe,NicolaHarrisonandAndrewPFrench