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)?？焖佟蚀_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換為棉田場景分類任務，然后構建了一個棉田場景(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%)?；诠庾V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.