{"id":15245,"date":"2026-05-19T10:22:36","date_gmt":"2026-05-19T10:22:36","guid":{"rendered":"https:\/\/www.proefschriftmaken.nl\/portfolio\/yali-bai\/"},"modified":"2026-05-19T14:50:33","modified_gmt":"2026-05-19T14:50:33","slug":"yali-bai","status":"publish","type":"us_portfolio","link":"https:\/\/www.proefschriftmaken.nl\/en\/portfolio\/yali-bai\/","title":{"rendered":"Yali Bai"},"content":{"rendered":"","protected":true},"excerpt":{"rendered":"","protected":true},"author":7,"featured_media":15246,"comment_status":"closed","ping_status":"closed","template":"","meta":{"_acf_changed":false,"footnotes":""},"us_portfolio_category":[45],"class_list":["post-15245","us_portfolio","type-us_portfolio","status-publish","post-password-required","hentry","us_portfolio_category-new-template"],"acf":{"naam_van_het_proefschift":"UAV-based Maize Disease Monitoring","samenvatting":"De opkomst en verspreiding van gewasziekten vormen niet alleen een ernstige bedreiging voor de voedselzekerheid, maar ondermijnen ook de duurzaamheid van agrarische ecosystemen en het economisch welzijn van boeren. Het bereiken van een effici\u00ebnte en nauwkeurige vroege detectie van ziekten is daarom een kritieke uitdaging geworden voor de moderne precisielandbouw. Met de snelle vooruitgang en adoptie van technologie\u00ebn zoals hyperspectrale remote sensing, onbemande luchtvaartuigen (UAV's) en kunstmatige intelligentie-modellen, zijn onderzoekers steeds beter in staat om de gezondheid van gewassen te beoordelen van blad tot bladerdek, en over zowel ruimtelijke als temporele schalen. Ondanks veelbelovende vooruitgang blijven de complexe spectrale mechanismen die ten grondslag liggen aan de reactie op ziekten echter slecht begrepen. Bovendien kunnen datagestuurde modellen een hoge nauwkeurigheid bereiken bij ziektebewaking, maar ontbreekt het vaak aan fysieke beperkingen, wat leidt tot overfiting en slechte generalisatie.\n\nAls antwoord op deze hiaten ontvouwt deze doctoraatsstudie zich over vijf onderling verbonden dimensies \u2014 symptoomkarakterisering, hyperspectrale kenmerkextractie, indexontwikkeling, modelfusie en spatiotemporele uitbreiding \u2014 om een robuust monitoringsysteem te bouwen dat specifiek is afgestemd op de bladvlekkenziekte bij ma\u00efs. Hoofdstuk 2 bespreekt recente ontwikkelingen in hyperspectrale remote sensing voor de bewaking van gewasziekten; Hoofdstuk 3 onderzoekt de temporele gevoeligheid van hyperspectrale kenmerken uit meerdere bronnen; Hoofdstuk 4 stelt een nieuwe ziektegevoelige index op bladerdekniveau voor; Hoofdstukken 5 en 6 introduceren twee integratieve kaders: PGDL (fysiek model-gestuurd diep leren) en RS-DeepSpread (Synergetisch RS-diep leren en epidemisch kader). Via deze veelomvattende aanpak beoogt de studie vroege ziektedetectie mogelijk te maken.\n\nHoofdstuk 2 herziet hyperspectrale remote sensing bij de bewaking van gewasziekten. Het hoofdstuk begint met het beschrijven van de waarneembare spectrale symptomen van belangrijke gewasziekten en verdiept zich vervolgens in de belangrijkste hyperspectrale kenmerken \u2014 zoals spectraal-texturele eigenschappen, pigmentabsorptie, door de zon ge\u00efnduceerde chlorofylfluorescentie en temporele dynamiek. Vervolgens worden de gebruikte detectie-algoritmen onderzocht, vari\u00ebrend van traditionele statistische methoden tot machine-learning benaderingen en fysiek gebaseerde kaders. De sterke punten van deze methoden \u2014 vroege ziektedetectie, differentiatie van stressoren, resistentiebeoordeling en grootschalige bewaking \u2014 worden benadrukt. Het hoofdstuk sluit af met het voorstellen van toekomstige richtingen: het integreren van fysieke modellen met diep leren, het verbeteren van de robuustheid en gevoeligheid van kenmerken, en het ontwikkelen van open-access gedeelde datasets om de wereldwijde vooruitgang in ziektebewaking te versnellen.\n\nHoofdstuk 3 introduceert de Disease Sensitive Index (DSI), een nieuwe metriek op bladerdekniveau die specifiek is ontworpen om vroege bladziekten bij ma\u00efs te detecteren. De DSI vertoont een sterke gevoeligheid voor pigmentvariatie in plaats van plantafstand, waardoor het de mogelijkheid biedt om het begin van een ziekte vroegtijdig te isoleren. We hebben deze index toegepast op multispectrale UAV-gegevens verzameld over meerdere jaren en locaties, waarbij de robuustheid ervan werd aangetoond (R\u00b2 = 0,69 in 2021 en R\u00b2 = 0,62 in 2022 voor de schatting van de ziekte-index). Tijdserie-analyse van vegetatie-indices onthulde dat the DSI het begin van de infectie al 10 dagen na de infectie kan identificeren. Deze bevindingen suggereren dat de DSI een veelbelovend hulpmiddel is voor precisielandbouw, waarmee betrouwbare vroege bewaking van bladvlekkenziekte bij ma\u00efs mogelijk is.\n\nHoofdstuk 4 onderzoekt hoe gevoelig UAV-gebaseerde hyperspectrale kenmerken zijn voor de bladvlekkenziekte bij ma\u00efs. We volgden ma\u00efs gedurende 30 dagen na infectie met behulp van hyperspectrale UAV-beeldvorming met hoge resolutie, waarbij we biofysische parameters (via het PROSAIL-model) en spectrale kenmerken (reflectie, vegetatie-indices en wavelet-kenmerken) extraheerden. We ontdekten dat wavelet-kenmerken de ziekte al op dag 6 na infectie detecteerden, gevolgd door vegetatie-indices op dag 8 en veranderingen in het chlorofylgehalte op dag 10. Classificatiemodellen die chlorofylgehalte, vegetatie-indices en wavelet-kenmerken combineren, presteerden het best en behaalden een tot 9,36% hogere nauwkeurigheid dan modellen die alleen vegetatie-indices of spectra gebruikten in vroege en ernstige stadia. In milde en vroege ernstige stadia bereikten modellen met alleen spectrale kenmerken echter een nauwkeurigheid van 86,21%. Deze bevindingen tonen aan dat kenmerken uit meerdere bronnen complementair zijn in vroege en ernstige stadia van de ziekte, maar redundant worden in de milde en vroege ernstige stadia.\n\nHoofdstuk 5 introduceert een PGDL-kader om de op UAV gebaseerde hyperspectrale bewaking van bladvlekkenziekte bij ma\u00efs te verbeteren. We genereren eerst drie soorten radiatieve overdrachtssimulaties \u2014 (1) uniform gevarieerd chlorofylgehalte, (2) gemeten spectra van zieke bladeren en (3) gemengde endmember-spectra \u2014 om te dienen als fysiek ge\u00efnformeerde priors. Vervolgens trainen we diepe neurale netwerken met behulp van deze simulaties en dragen we deze over naar op UAV verzamelde hyperspectrale gegevens over vier ziektestadia (vroeg, mild, matig, ernstig). Onze resultaten tonen aan dat simulaties gebaseerd op spectra van echte zieke bladeren (SIM #2 en SIM #3) nauw overeenkomen met UAV-metingen (R\u00b2 ~0,97\u20130,99). Bij het ophalen van de ziekte-index presteren de PGDL-modellen, vooral wanneer ze vooraf zijn getraind op SIM #2, beter dan zowel puur datagestuurde als fysiek gebaseerde benaderingen (vroeg stadium: R\u00b2 = 0,76 in 2021, 0,70 in 2023). Deze studie toont aan dat PGDL de vroege detectie van ziekten verbetert.\n\nHoofdstuk 6 presenteert het RS-DeepSpread-kader, een nieuwe integratie van door remote sensing aangedreven diep leren en stochastische epidemische modellering voor spatiotemporele bewaking van bladvlekkenziekte bij ma\u00efs. We hebben de voorspellende output van de deep-learning component gecombineerd met een stochastisch epidemisch verspreidingsmodel. RS-DeepSpread presteerde aanzienlijk beter dan het zelfstandige diepe netwerk: in 2021 behaalde het een kwadratisch gewogen kappa (QWK) = 92,54% en een algehele nauwkeurigheid (OA) = 85,37%, en in 2023 QWK = 89,71% en OA = 91,67%. Bovendien verminderde het de onder- en overschattingspercentages (2021: 5,36% onder, 8,93% over; 2023: elk 3,97%) en voorspelde het de timing van de epidemische piek tot drie dagen eerder dan veldobservaties. Deze resultaten tonen aan dat het koppelen van remote-sensing diep leren met epidemische modellering een veelbelovende oplossing biedt voor tijdige, ruimtelijk expliciete voorspelling van ziektedynamiek, wat een verschuiving ondersteunt van reactieve controle naar preventief ziektebeheer.","summary":"The emergence and spread of crop diseases pose not only a severe threat to food security, but also undermine the sustainability of agricultural ecosystems and the economic well\u2011being of farmers. Achieving efficient and precise early detection of disease has thus become a critical challenge for modern precision agriculture. With the rapid advancement and adoption of technologies such as hyperspectral remote sensing, unmanned aerial vehicles (UAVs), and artificial intelligence models, researchers are increasingly able to assess crop health from the leaf to the canopy, and across both spatial and temporal scales. However, despite promising progress, the complex spectral mechanisms underlying disease response remain poorly understood. Moreover, data\u2011driven models can achieve high accuracy in disease monitoring, but often lack physical constraints, leading to overfitting and poor generalization.\n\nIn response to these gaps, this doctoral study unfolds across five interlinked dimensions\u2014symptom characterization, hyperspectral feature extraction, index development, model fusion, and spatiotemporal extension\u2014to build a robust monitoring system specifically tailored for maize leaf spot disease. Chapter 2 reviews recent advances in hyperspectral remote sensing for crop disease monitoring; Chapter 3 investigates the temporal sensitivity of multi\u2011source hyperspectral features; Chapter 4 proposes a novel canopy\u2011scale disease sensitive index Chapters 5 and 6 introduce two integrative frameworks: PGDL (physical model-guided deep learning) and RS\u2011DeepSpread (Synergistic RS\u2013deep learning and epidemic framework). Through this comprehensive approach, the study aims to enable early disease detection.\n\nChapter 2 reviews hyperspectral remote sensing in crop disease monitoring. The chapter begins by describing the observable spectral symptoms of major crop diseases, then delves into key hyperspectral features\u2014such as spectral\u2013textural traits, pigment absorption, solar-induced chlorophyll fluorescence, and temporal dynamics. It then examines the detection algorithms in use, spanning traditional statistical methods, machine-learning approaches, and physically-based frameworks. The strengths of these methods\u2014early disease detection, stressor differentiation, resistance assessment and large-scale monitoring\u2014are highlighted. The chapter concludes by proposing future directions: integrating physical models with deep learning, enhancing the robustness and sensitivity of features, and developing open-access shared datasets to accelerate global progress in disease monitoring.\n\nChapter 3 introduces the Disease Sensitive Index (DSI), a novel canopy\u2011scale metric specifically designed to detect early maize leaf diseases. The DSI exhibits strong responsiveness to pigment variation, rather than plant spacing, thereby offering the ability to isolate early disease onset. We applied this index to multispectral UAV data collected over multiple years and sites, demonstrating its robustness (R\u00b2 = 0.69 in 2021 and R\u00b2 = 0.62 in 2022 for disease\u2011index estimation). Time\u2011series analysis of vegetation indices revealed that the DSI can identify infection onset as early as 10 days post\u2011infection. These findings suggest that the DSI is a promising tool for precision agriculture, enabling reliable early maize leaf spot monitoring.\n\nChapter 4 investigates how sensitive UAV-based hyperspectral features are to maize leaf spot disease. We tracked maize over 30 days post-infection using high-resolution UAV hyperspectral imaging, extracting biophysical parameters (via the PROSAIL model) and spectral features (reflectance, vegetation indices, and wavelet features). We found that wavelet features detected disease as early as day 6 after infection, followed by VIs at day 8 and changes in chlorophyll content at day 10. Classification models combining chlorophyll content, VIs, and wavelet features performed best, achieving up to 9.36 % higher accuracy than models using only VIs or spectra in early and severe stages. In mild and early severe stages, however, spectral-only models reached 86.21 % accuracy. These findings show that multi-source features are complementary in early and severe stages of disease but become redundant in the mild and early severe stages.\n\nChapter 5 introduces a PGDL framework to improve UAV-based hyperspectral monitoring of maize leaf spot disease. We first generate three types of radiative transfer simulations \u2014 (1) uniformly varied chlorophyll content, (2) measured disease leaf spectra, and (3) mixed endmember spectra \u2014 to serve as physically informed priors. We then train deep neural networks using these simulations and transfer them to UAV-collected hyperspectral data across four disease stages (early, mild, moderate, severe). Our results show that simulations based on real diseased leaf spectra (SIM #2 and SIM #3) align closely with UAV measurements (R\u00b2 ~0.97\u20130.99). In disease-index retrieval, the PGDL models, especially when pre-trained on SIM #2, outperform both purely data-driven and physically based approaches (early stage: R\u00b2 = 0.76 in 2021, 0.70 in 2023). This study demonstrates that PGDL enhances early disease detection.\n\nChapter 6 presents the RS\u2011DeepSpread framework, a novel integration of remote\u2011sensing\u2011driven deep learning and stochastic epidemic modelling for spatiotemporal monitoring of maize leaf spot disease. We combined the deep\u2011learning component predictive output with a stochastic epidemic spread model. RS\u2011DeepSpread significantly outperformed the standalone deep network: in 2021 it achieved quadratic weighted kappa (QWK) = 92.54 % and overall accuracy (OA) = 85.37 %, and in 2023 QWK = 89.71 % and OA = 91.67 %. Moreover, it reduced under\u2011 and over\u2011estimation rates (2021: 5.36 % under, 8.93 % over; 2023: 3.97 % each) and forecasted epidemic peak timing up to three days earlier than field observations. These results demonstrate that coupling remote\u2011sensing deep learning with epidemic modelling offers a promising solution for timely, spatially explicit prediction of disease dynamics, supporting a shift from reactive to preventive disease management.","auteur":"Yali Bai","auteur_slug":"yali-bai","publicatiedatum":"3 juni 2026","taal":"EN","url_flipbook":"https:\/\/ebook.proefschriftmaken.nl\/ebook\/yalibai?iframe=true","url_download_pdf":"https:\/\/ebook.proefschriftmaken.nl\/download\/efa64fa2-59db-4926-85bb-0e32101a3069\/optimized","url_epub":"","ordernummer":"18824","isbn":"","doi_nummer":"","naam_universiteit":"Wageningen University","afbeeldingen":15247,"naam_student:":"","binnenwerk":"","universiteit":"Wageningen University","cover":"","afwerking":"","cover_afwerking":"","design":""},"_links":{"self":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio\/15245","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio"}],"about":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/types\/us_portfolio"}],"author":[{"embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/users\/7"}],"replies":[{"embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/comments?post=15245"}],"version-history":[{"count":1,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio\/15245\/revisions"}],"predecessor-version":[{"id":15248,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio\/15245\/revisions\/15248"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/media\/15246"}],"wp:attachment":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/media?parent=15245"}],"wp:term":[{"taxonomy":"us_portfolio_category","embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio_category?post=15245"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}