Apple mosaic is a prevalent disease worldwide, causing premature leaf shedding, severe yield reduction, and shortened lifespan of fruit trees. Visible light-near-infrared (VIS-NIR) hyperspectral imaging (HSI) has emerged as a rapid and non-destructive technique for detecting leaf diseases, playing a significant role in plant disease prevention and control. In this study, HSI data was collected on apple leaves infected with the Apple mosaic virus. Gabor images were generated using a three-dimensional Gabor filter. A method based on Simple Linear Iterative Clustering and the Kennard-Stone algorithm was proposed to extract and select representative samples of superpixel scales. Subsequently, an Equilibrium Optimizer was used to select optimal spectral features, and the Fisher Score was utilized to choose optimal Gabor features. Finally, a Support Vector Machine, Multilayer Perceptron, and Random Forest were trained using the optimal features to establish a disease area detection model. The results indicate that the combination features and the Random Forest model achieved the best classification performance, with an overall accuracy of 99.38% and an area under the curve of 0.9985. In conclusion, applying Gabor features effectively improves identification performance, enabling accurate identification of apple mosaic disease areas.

Accurately measuring leaf chlorophyll content (LCC) is crucial for monitoring maize growth. This study aims to rapidly and non-destructively estimate the maize LCC during four critical growth stages and investigate the ability of phenological parameters (PPs) to estimate the LCC. First, four spectra were obtained by spectral denoising followed by spectral transformation. Next, sensitive bands (Rλ), spectral indices (SIs), and PPs were extracted from all four spectra at each growth stage. Then, univariate models were constructed to determine their potential for independent LCC estimation. The multivariate regression models for the LCC (LCC-MR) were built based on SIs, SIs + Rλ, and SIs + Rλ + PPs after feature variable selection. The results indicate that our machine-learning-based LCC-MR models demonstrated high overall accuracy. Notably, 83.33% and 58.33% of these models showed improved accuracy when the Rλ and PPs were successively introduced to the SIs. Additionally, the model accuracies of the milk-ripe and tasseling stages outperformed those of the flare–opening and jointing stages under identical conditions. The optimal model was created using XGBoost, incorporating the SI, Rλ, and PP variables at the R3 stage. These findings will provide guidance and support for maize growth monitoring and management.

Anthocyanin can improve the stress tolerance and disease resistance of winter wheat to a certain extent, so timely and accurate monitoring of anthocyanin content is crucial for the growth and development of winter wheat. This study measured the ground-based hyperspectral reflectance and the corresponding anthocyanin concentration at four key growth stages—booting, heading, flowering, and filling—to explore the spectral detection of anthocyanin in winter wheat leaves. Firstly, the first-order differential spectra (FDS) are obtained by processing based on the original spectra (OS). Then, sensitive bands (SBS), the five vegetation indices for optimal two-band combinations (VIo2), and the five vegetation indices for optimal three-band combinations (VIo3) were selected from OS and FDS by band screening methods. Finally, modeling methods such as RF, BP, and KELM, as well as models optimized by genetic algorithm (GA), were used to estimate anthocyanin content at different growth stages. The results showed that (1) among all the models, the GA_RF had incredible performance, VIo3 was the superior parameter for estimating anthocyanin values, and the model GA_RF of FDS data based on VIo3 for the filling stage (Rv2 = 0.950, RMSEv = 0.005, RPDv = 4.575) provided the best estimation of anthocyanin. (2) the first-order differential processing could highlight the degree of response of SBS, VIo2, and VIo3 to the anthocyanin values. The model performances of the FDS were better than that of OS on the whole, and the Rv2 of the optimal models of FDS were all greater than 0.89. (3) GA had optimizing effects on the RF, BP, and KELM, and overall, the GA models improved the R2 by 0.00%-18.93% compared to the original models. These results will provide scientific support for the use of hyperspectral techniques to monitor anthocyanin in the future.

Leaf chlorophyll content (LCC) is an important indicator of plant nutritional status and can be a guide for plant disease diagnosis. In this study, we took apple leaves infected with mosaic disease as a research object and extracted two types of information on spectral and textural features from hyperspectral images, with a view to realizing non-destructive detection of LCC. First, the collected hyperspectral images were preprocessed and spectral reflectance was extracted in the region of interest. Subsequently, we used the successive projections algorithm (SPA) to select the optimal wavelengths (OWs) and extracted eight basic textural features using the gray-level co-occurrence matrix (GLCM). In addition, composite spectral and textural metrics, including vegetation indices (VIs), normalized difference texture indices (NDTIs), difference texture indices (DTIs), and ratio texture indices (RTIs) were calculated. Third, we applied the maximal information coefficient (MIC) algorithm to select significant VIs and basic textures, as well as the tandem method was used to fuse the spectral and textural features. Finally, we employ support vector regression (SVR), backpropagation neural network (BPNN), and K-nearest neighbors regression (KNNR) methods to explore the efficacy of single and combined feature models for estimating LCC. The results showed that the VIs model (R2 = 0.8532, RMSE = 2.1444, RPD = 2.6179) and the NDTIs model (R2 = 0.7927, RMSE = 2.7453, RPD = 2.2032) achieved the best results among the single feature models for spectra and texture, respectively. However, textural features generally exhibit inferior regression performance compared to spectral features and are unsuitable for standalone applications. Combining textural and spectral information can potentially improve the single feature models. Specifically, when combining NDTIs with VIs as input parameters, three machine learning models outperform the best single feature model. Ultimately, SVR achieves the highest performance among the LCC regression models (R2 = 0.8665, RMSE = 1.8871, RPD = 2.7454). This study reveals that combining textural and spectral information improves the quantitative detection of LCC in apple leaves infected with mosaic disease, leading to higher estimation accuracy.

The anthocyanins in apple leaves can indicate their growth status, and the health of apple leaves not only reveals the nutritional supply of the apple tree but also reflects the quality of the fruit. Therefore, real-time monitoring of anthocyanins in apple leaves can monitor apple growth, thereby promoting the development of the apple industry. This study utilizes ground hyperspectral imaging to estimate anthocyanins in Fuji apple leaves in the Loess Plateau through spectral transformation, feature extraction (including band selection and spectral indices construction), and regression algorithm selection, establishing models for three growth stages. The results indicate: (1) The average anthocyanins in apple leaves decrease from the Final Flowering stage to the Fruit Enlargement stage. The original hyperspectral imaging at wavelengths before 720 nm shows a decrease in reflectance as the growth stages progress, while the spectral curves after 720 nm remain largely consistent across stages; (2) Compared to single original spectral variables, multivariate estimation models using original spectra and second-order derivative transformed spectra show improved accuracy for anthocyanins estimation across different growth stages, with the most significant improvement during the Fruit Enlargement stage; (3) Although the computation of the three-band spectral indices is resource-intensive and time-consuming, it can enhance anthocyanins estimation accuracy; (4) Among all models, the CatBoost model based on original spectra and second-order derivative transformed spectra indices for the entire growth period achieved the highest accuracy, with a validation set R2 of 0.934 and a RPD of 3.888, and produced effective leaf anthocyanins inversion maps. In summary, this study achieves accurate estimation and visualization of anthocyanins in apple leaves across different growth stages, enabling rapid, accurate, and real-time monitoring of apple growth. It provides theoretical guidance and technical support for apple production and fertilization management.