黃萎?。╒W）是棉花常見的土傳病害。它主要發(fā)生在幼苗和棉鈴開放階段，嚴重影響棉花的產(chǎn)量和品質(zhì)。快速、準確地識別和評估病害嚴重程度（VWS）是田間棉花病害控制的基礎，

對棉花生產(chǎn)具有重要意義。棉花的VWS值通常是經(jīng)過現(xiàn)場觀測和實驗室測試來診斷測量的，這需要大量的時間和專業(yè)知識。及時、準確地評價棉花黃萎病，對棉花病害防治和快速育種具有重要意義。

本研究于2023年和2024年在3個試驗點進行了原位調(diào)查，收集了361個棉花冠層的VWS值、原位圖像和光譜。為了估計棉花在冠層尺度上的VWS值，我們開發(fā)了兩種深度學習方法，

分別使用原位圖像和光譜?；趫D像的方法，考慮到現(xiàn)場環(huán)境的復雜性較高，首先將棉花病害葉片識別任務轉(zhuǎn)換為棉田場景分類任務，然后構(gòu)建了一個棉田場景(CFS)數(shù)據(jù)集，

每個場景單元類型包含1000多幅圖像。我們使用CFS數(shù)據(jù)集進行了預訓練卷積神經(jīng)網(wǎng)絡（CNN）訓練和驗證，然后使用訓練后的網(wǎng)絡對每個冠層的場景單元進行分類。

結(jié)果表明，DarkNet-19模型在CFS分類和VWS值估計方面取得了令人滿意的效果(R2=0.91，均方根誤差(RMSE)=6.35%)。基于光譜的方法，

首先設計了一個具有4個卷積層的一維回歸網(wǎng)絡(1D CNN)。作者首先通過敏感波段選擇和主成分分析進行降維后，

用不同數(shù)量的主成分（PCs）擬合了1D CNN。1D CNN模型在前20個PCs的回歸網(wǎng)絡表現(xiàn)最佳(R2=0.93, RMSE=5.77%)。

這些深度學習驅(qū)動的方法提供了從空間和光譜角度評估作物病害嚴重程度的潛力。從空間和光譜兩個角度，我們提供了兩種實用且有效的方法。

圖1 研究區(qū)域和采樣位置。（a）研究區(qū)在中國新疆的位置;（b）三個試驗地點;

（c）地點1（S1）及其取樣點;（d）地點2（S2）及其取樣點;（e）地點3（S3）及其取樣點。

                                                    圖2 本研究基于圖像和光譜方法的整體工作流程。

圖3 基于圖像的模型在棉花VWS評估中的性能比較。（a）DarkNet-19;（b）VGG-16;（c）ResNet-50; （d）InceptionV3.; P<0.001.