應用影像資料分群分析及機器學習偵測水稻稻熱病

Abstract

稻米為亞洲地區國家主要糧食作物之一，但在稻米生產期常面臨病害問題造成產量減產，其中影響最大的一個為水稻稻熱病。根據嘉義農業試驗分所的研究在不同罹病時期以及罹病等級所造成的產量損失會有明顯差異，在早期進行防治與在較晚期進行防治相比，水稻產量損失可以達到3倍以上。然而罹病狀態的判斷需要專業的知識，在專業人員的人力缺乏下，難以達成全田區的偵測。 本研究中透過無人機所拍攝之多光譜影像並以全新的影像處理方式建立新的光譜特徵。將每個光譜資料切分成不同大小之類別，重新組合成新光譜光段組合後計算該特徵於田區中發生頻率。並將罹病率與罹病株率利用階層式分群分為高罹病狀態與低罹病狀態，配合熱圖(heatmap)以及階層式分群探討在不同種發生光譜光段組合頻率對應高罹病、低罹病罹病狀態之間的關係，並利用Cramer’s V衡量罹病狀態以及該光譜特徵之相關性。 並利用K近鄰分類法、支持向量機、決策樹以及隨機森林四種常用的分類模型將各光譜光段頻率作為特徵偵測水稻罹病狀態。其罹病狀態的判斷正確率最高可達78.18%。於實際田間應用可輔助農民在大範圍水稻田區偵測其罹病狀態以及罹病的區域，並可依此偵測結果對水稻田稻熱病的危害進行風險管理以及病害防治處理。於改良場育種人員來說，可以在試驗的初期於多水稻品種中輔助快速篩選掉高罹病狀態的水稻品種，真正落實並降低專業人力的匱乏。