features data

普通细菌性枯萎病 （CBB） 是一种普遍存在的疾病，严重 威胁芸豆的生长和产量。及时 通过无人机 （UAV） 光谱图像准确量化 CBB 严重程度对于疾病管理至关重要。 然而，数据处理偏差、实时性不足等挑战 处理能力和可解释性差在作物病害中持续存在 监测。为了应对这些挑战，我们采用了一种创新方法，将 将 SelectFromModel （SFM） 特征选择方法引入机器学习 模型。我们从芸豆的无人机多光谱图像中提取了三个特征参数：多光谱 波段 （MB）、植被指数 （VI） 和纹理特征 （TF）。这三个 特征及其组合用作估计的输入 疾病指数 （DIs） 通过三个模型：随机森林回归 （RFR）， 支持向量机回归 （SVR） 和偏最小二乘回归 （PLSR） 的结果表明 TFs 和 DI 之间存在显著相关性 在红色波段中，VI 的特征重要性达到 26.41。这些 结果表明，所选特征有可能用于 构建 DI 监控模型。使用 验证集的 M + VI + TF 为 0.89，特征数 被 SFM 选中的是 39 人。但是，使用 VI + TF 构建的 RFR 模型使用 只有 9 个特征，验证集 R2 达到 0.87。SFM 演示 在疾病特征选择方面表现出色，为 作物病害的低空遥感监测。