Yali Bai

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 efficiënte en nauwkeurige vroege detectie van ziekten is daarom een kritieke uitdaging geworden voor de moderne precisielandbouw. Met de snelle vooruitgang en adoptie van technologieën 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.

Als antwoord op deze hiaten ontvouwt deze doctoraatsstudie zich over vijf onderling verbonden dimensies — symptoomkarakterisering, hyperspectrale kenmerkextractie, indexontwikkeling, modelfusie en spatiotemporele uitbreiding — om een robuust monitoringsysteem te bouwen dat specifiek is afgestemd op de bladvlekkenziekte bij maïs. 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.

Hoofdstuk 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 — zoals spectraal-texturele eigenschappen, pigmentabsorptie, door de zon geïnduceerde chlorofylfluorescentie en temporele dynamiek. Vervolgens worden de gebruikte detectie-algoritmen onderzocht, variërend van traditionele statistische methoden tot machine-learning benaderingen en fysiek gebaseerde kaders. De sterke punten van deze methoden — vroege ziektedetectie, differentiatie van stressoren, resistentiebeoordeling en grootschalige bewaking — 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.

Hoofdstuk 3 introduceert de Disease Sensitive Index (DSI), een nieuwe metriek op bladerdekniveau die specifiek is ontworpen om vroege bladziekten bij maïs 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 (R² = 0,69 in 2021 en R² = 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 maïs mogelijk is.

Hoofdstuk 4 onderzoekt hoe gevoelig UAV-gebaseerde hyperspectrale kenmerken zijn voor de bladvlekkenziekte bij maïs. We volgden maïs 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.

Hoofdstuk 5 introduceert een PGDL-kader om de op UAV gebaseerde hyperspectrale bewaking van bladvlekkenziekte bij maïs te verbeteren. We genereren eerst drie soorten radiatieve overdrachtssimulaties — (1) uniform gevarieerd chlorofylgehalte, (2) gemeten spectra van zieke bladeren en (3) gemengde endmember-spectra — om te dienen als fysiek geïnformeerde 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 (R² ~0,97–0,99). 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: R² = 0,76 in 2021, 0,70 in 2023). Deze studie toont aan dat PGDL de vroege detectie van ziekten verbetert.

Hoofdstuk 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 maïs. 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.