首页分享无人机遥感监测作物病虫害研究进展

无人机遥感监测作物病虫害研究进展

来源：花匠小妙招时间：2024-11-11 18:21

病虫害是影响农业经济发展的重要因素之一。随着作物种类、品种类型的不断丰富,种植区域不断扩大,病虫害发生种类及数量也在增多。病虫害的发生可直接或间接对作物产量构成较大威胁,严重时导致作物大幅减产甚至绝收[1]。我国种植面积较大的农作物主要为水稻、小麦、玉米及棉花等,发生的病虫害种类包括：水稻纹枯病、稻瘟病、小麦赤霉病、小麦白粉病、稻飞虱、稻纵卷叶螟、小麦蚜虫、玉米螟、棉铃虫、棉花黄萎病等[2]。这些病虫害已成为制约农业经济发展的主要因素之一。如何准确、实时、高效监测病虫的发生并及时做好早期病虫的防治工作,最大程度地降低病虫对作物造成的损失,是目前作物生产领域急需解决的重大问题。传统的作物病虫害监测方法主要依靠研究人员田间调查,获取病虫害发生动态信息,具有耗时费力、准确性低、时效性差、研究区域小以及受人为因素干扰大等缺点。遥感监测技术的原理是通过遥感传感器非接触性获取不同目标物反射、散射或辐射的电磁波信息,并对其特征进行分析,从而实现对目标物的识别。无人机（Unmanned aerial vehicle,UAV）遥感作为遥感技术的重要组成部分,具有类似的监测原理,其研究领域主要包括：地物分类、地理测绘、气象监测、农林应用等[3]。基于无人机遥感监测作物病虫害是现阶段作物安全生产应用中的一项先进技术,能够有效解决传统病虫害监测过程中的弊端,是未来大面积病虫害监测与产量损失评估的重要手段之一[4]。与传统田间定位监测、航空监测以及卫星遥感监测相比,无人机遥感监测技术具有信息采集迅速、空间覆盖率广、成本低等优点[5],将传统位点监测、航空监测和卫星遥感监测等相结合的明显优势,可获得高空间分辨率、高时间分辨率、高光谱分辨率的影像,该技术已经成为作物病虫害遥感监测的一个重要研究方向,是数字化精准农业的热点和必然趋势[6]。

1 无人机遥感监测作物病虫害概况

作物病虫害的发生与作物生长的环境、气候、土壤以及品种等因素密切相关,这些因素的变化导致不同病虫害发生种类的多样化。其中,引起作物病害的病原体以真菌为主,少数为细菌、放线菌以及线虫等,这些病原体主要依靠土壤、风、雨水以及气流等介质携带病原体或是孢子等进行传播。虫害则多是由于上一年的越冬代成虫在下一年适宜季节繁殖危害。不同的病原菌及害虫危害作物过程中,被侵染作物外部的形态学特征、颜色特征等存在较大的差异,这些特征变化为无人机遥感监测作物病虫害提供了契机。目前,无人机遥感监测病虫害的研究对象大部分集中于大田农作物病虫害,也有部分研究对象为森林病虫害。

图1

是笔者2020年5月通过文献检索平台Web of Science对2006―2019年无人机遥感监测作物病虫害应用报道的检索结果。通过检索发现,在全球范围内,美国、中国以及西班牙取得的病虫害监测研究成果占全球的50%以上。其中,美国取得的相关研究成果占21.7%;中国与西班牙取得的相关研究成果比例较为接近,分别为13.4%与13.0%。同时,部分国家（如澳大利亚、德国、加拿大）已发表的相关研究成果相对较少,但成果占比也十分接近,范围为5.2%~6.5%。由此可见,无人机遥感技术已经在全世界多个发达和发展中国家的病虫害监测中得到了应用。

图1 各国无人机遥感监测农作物病虫害论文数量比例

Fig.1 Proportion of the number of papers from different countries on crop diseases and insect pests monitoring by unmanned aerial vehicle remote sensing

Full size|PPT slide

2 无人机遥感监测作物病虫害的数据源种类及其应用进展

现阶段,无人机遥感监测技术运用飞行平台搭载传感器,结合外界地域特征获取能够反映目标物特征的数据,利用计算机软件进行数据处理提取有用的目标物信息,实现对目标物形态特征的监测[7]。

2.1 无人机多光谱遥感影像

无人机多光谱遥感影像是通过应用2个以上波谱通道传感器实现地物同步成像,将目标物信息分成不同的光谱波段影像进行光谱数据提取。在作物病虫害信息监测时,将多个波段的光谱信息以构建模型的形式进行反演,预测病虫害发生的严重程度。国内外学者利用无人机多光谱遥感影像监测病虫害时,大多数获取不同时间维度、空间维度、区域尺度、冠层尺度、叶片尺度等影像展开研究,筛选与病虫害相关性强的植被指数提取目标物光谱特征,同时结合地面同步调查的方式,建立不同尺度影像的分类模型进行病虫害监测。如：在不同时间和空间维度的病虫害监测方面,学者从不同形态学特征出发,利用多光谱传感器获取不同病虫害胁迫区域的多光谱影像,通过提取光谱信息建立分类模型,成功识别了小麦蚜虫、棉花枯萎病的病虫害胁迫区域[8-9]。在冠层尺度的病虫害监测方面,提取受虫害胁迫的油菜多光谱遥感影像光谱特征,利用筛选的光谱信息与营养元素建立联系进行虫害胁迫的研究。结果表明,随着油菜钾含量的减少,虫害的严重度会加重[10]。在叶片尺度的病虫害监测方面,利用甘蔗病害叶片影像的光谱反射率值构建相关植被指数,根据植被指数的差异比实现对甘蔗白叶病的识别[11]。在植被指数的病虫害监测方面,利用多光谱遥感图像提取光谱信息,构建与作物病虫害症状密切相关的敏感植被指数,如归一化植被指数（Normalized difference vegetation index,NDVI）、变换植被指数（Transformed vegetation index,TVI）、差值植被指数（Difference vegetation index,DVI）、再归一化植被指数（Re-normalized difference vegetation index,RDVI）等,从而建立基于敏感植被指数的病虫害识别模型,并成功对葡萄、棉花、水稻等作物病虫害发生情况进行了有效的监测[12⇓-14]。

2.2 无人机高光谱遥感影像

无人机高光谱成像原理与多光谱成像原理较为相似。相比多光谱成像,高光谱成像波段连续,波段数量多,分辨率高,图像信息丰富。目前,无人机高光谱遥感病虫害监测对象主要集中于小麦、棉花、油菜、柑橘等作物病虫害。利用无人机高光谱技术进行不同目标病虫害监测,其方法与无人机多光谱遥感监测作物病虫害方法较为相似,也是将无人机高光谱影像数据与其他遥感数据结合提取目标病虫害特征信息,利用多种遥感分类技术以及分类建模进行病虫害识别,其中大多数取得了理想的结果。国外学者通过建立光谱带、阴影植被指数（Shadow vegetation index,SVI）以及NDVI等对小麦病害进行了准确分类与识别[15-16];也有研究利用敏感波段的近红外光谱反射率以及红边光谱反射率对柑橘病害进行了评价分析,但准确度较低[17]。在无人机高光谱成像与多平台遥感综合监测病虫害研究方面,国内外学者利用网络地理信息系统（Web GIS）平台、多光谱传感器、近地光谱仪等与高光谱传感器同步获取光谱信息,利用多平台综合光谱信息实现了区域尺度内小麦、棉花、油菜等作物病虫害的有效监测[18⇓-20]。在不同遥感影像分类技术研究方面,将高光谱遥感影像采用不同分类方法进行图像分类并评价分类精度,筛选最佳分类技术以及最佳分类组合波段,实现对病虫害影像精准分类与识别。如：Kumar等[21]利用图像衍生光谱库、混合调谐匹配滤波、光谱角映射等多种分类技术,分析解译柑橘黄龙病的高光谱图像和多光谱图像,成功对柑橘病株进行了分类。利用高光谱遥感病虫害影像的分类模型研究方面,采用支持向量机（Support vector machines,SVM）、卷积神经网络（Convolutional neural networks,CNN）以及k近邻（K-nearest neighbor,K-NN）等方法对病害区域与健康区域进行分类。如：Huang等[22]采用CNN分类方法对小麦叶斑病感染区和健康区进行了准确区分,兰玉彬等[23]采用K-NN 和SVM分类方法对健康和患黄龙病柑橘植株进行建模和分类。Thomasson等[24]利用无人机捕获的高分辨率图像,通过利用大气校正、散射方程等制作处方图,在单株水平上成功鉴定出根腐病感染棉株。

2.3 无人机可见光影像

可见光影像通常主要包括3个波段,即红、蓝、绿。可见光传感器主要为数码相机与RGB传感器。国内外学者通过不同的无人机平台结合多种型号数码相机及RGB传感器对田间作物病虫害展开了研究,并且取得了较好的研究成果。基于数码影像的作物病虫害监测,采用不同飞行高度、区域划分等方式进行光谱数据获取,提取影像的颜色、纹理特征进行病害识别。在利用特征信息进行病虫害识别方面,为了能够更好地识别大豆病害与玉米螟的发生动态,设置不同飞行高度获取数码相机影像,提取影像颜色、纹理及空间变化等特征进行了大豆病害、玉米螟空间变化特征的监测[25-26];小麦、柑橘病害的相关研究利用影像的纹理特征,采用SVM、人工神经网络（Artificial neural net,ANN）等分类模型分别对小麦全蚀病[27]及柑橘黄龙病的病级信息进行了分类[28⇓-30]。无人机可见光技术也可以利用可见光波段提取特征信息,构建植被指数以及建立分类模型进行病虫害识别与监测。用植被指数进行病虫害识别时,利用近地高光谱数据筛选显著性较强的植被指数,如：DVI、NDVI、绿波段归一化植被指数（Green band normalized difference vegetation index,GNDVI）,将可见光影像的颜色特征参数与病情指数进行相关性分析,利用综合光谱信息预测小麦白粉病的发生[31]。针对不同作物病虫害发生量的识别,也有学者利用可见光影像与其他遥感数据综合进行监测,科学评估目标病虫害的发生量。采用MS Assess数据库、物联网大数据、深度学习的SSD300（Single shot multibox detector,SSD）目标检测框架以及病害识别系统分别对小麦病虫害[32-33]、水稻病虫害[34]、油松林的红脂蠹危害[35]进行了分析验证。利用无人机RGB影像进行作物病虫害监测时,由于波段信息量较少,通常将RGB影像与其他遥感影像结合同步进行病虫害监测,取得了理想的效果。如：识别板栗树病虫害、葡萄病害区域时,利用RGB影像结合多光谱、高光谱影像以及地面调查等方式进行了病害区域与正常区域的识别[36⇓-38];监测小麦发病区域时,利用RGB影像结合Java web数字影像,采用模糊C均值聚类分割算法对病害区域进行准确划分[39];监测马铃薯病害的发生量时,采用计算机视觉和深度学习法对正常植株与病害植株进行识别[40-41]。此外,利用RGB影像也能实现对农林松材线虫病的监测[42]。

2.4 其他成像方式

其他成像方式主要包括红外热成像仪与激光雷达。红外热成像遥感是基于温度的差异进行病虫害信息分析。但复杂的外界环境如风、云以及降雨等因素,为红外热成像技术精准监测作物病虫害带来了巨大的挑战,从而导致热红外影像在作物病虫害监测方面的研究相对较少。国内外在利用红外热成像仪进行作物病虫害监测时,通过利用健康植株与病害植株冠层温度的差异对受病虫害侵染的植株进行监测分类。如：Schmitz等[43]利用航空遥感热成像技术基于温度差异对健康甜菜与受线虫危害的甜菜进行了识别。Calderon等[44]使用无人机获取感染罂粟霜霉病的热成像图像,利用植株冠层温度的变化特征构建NDVI,建立Prospect叶片模型和Sailh冠层水平模型,分析绿/红指数比（R550/R670）与叶面积指数（Leaf area index,LAI）变化。结果表明,受感染植株的R550/R670指数与DNVI显著正相关。刘飞等[45]利用正常样本与染病样本的光谱特征和温度差异,使用热红外-RGB融合图对病害进行分级并绘制作物病害分布图。无人机搭载激光雷达传感器监测作物表型时,根据作物类型提取作物水平以及垂直结构的冠层信息,包括作物株高、生物量等。激光雷达系统的价格十分昂贵,一些算法、模型等存在一定的局限性;因此,其监测技术需要进一步改进,目前在农作物灾害监测和农作物估产方面的应用研究处在实验阶段,相关的技术和方法多数也处在研究阶段。如吴惠英等[46]基于无人机脉冲雷达、多波段光谱扫描仪、红外光谱仪开发出用于作物病虫害监测的的综合监测系统。

综上所述,无论国外还是国内,无人机遥感在监测作物病虫害时都采用了较为相似的光谱成像技术。基于无人机光谱成像技术监测不同作物病虫害时,分别基于时间维度、空间维度、区域尺度、冠层尺度、叶片尺度等对目标进行特征提取,采用特征信息构建分类监测模型对目标病虫害的发生量预测、对健康或受病虫害危害区域进行分类,同时利用模型评价指标进行精度验证,如决定系数（R2）、均方根误差（Root mean square error,RMSE）、分类精度及Kappa系数等。这些分类模型的应用及模型评价指标为后期病虫害的监测分类建模、精度验证提供了参考。尽管上述无人机遥感监测中出现了对一些病害监测效果不佳的现象,如柑橘病害的监测出现了错误的分类[23];但总体而言,对作物病虫害的监测结果与准确度基本达到了预期。

3 无人机遥感监测作物病虫害数据获取方法

无人机遥感监测作物病虫害的数据获取方法主要分为以下几种：（1）不同飞行平台（无人机）搭载不同传感器数据获取法;（2）无人机遥感与GIS、人工调查、ASD光谱仪及多时相遥感技术同步数据获取法。

3.1 无人机搭载不同传感器获取病虫害数据

3.1.1 传感器类型及其特点。传感器类型主要包括：高光谱仪、数码相机、热成像仪、多光谱仪、激光雷达等。不同传感器在监测作物病虫害时各有优势,但同时也存在一些弊端。表1详述了不同类型传感器的优缺点以及相关研究。表2详述了不同传感器在农业研究领域的监测指标以及应用范围。获取病虫害光谱信息时,需要依据地域特征、田间的病虫害发生情况以及作物种类进行传感器的选用。

表1 不同机载传感器优缺点及相关研究

Table 1 The advantages and disadvantages of different airborne sensors and related research

传感器
Sensor type 波长范围/nm
Wavelength range/nm 优点
Advantages 缺点
Disadvantages 文献编号
Reference number 多光谱仪
Multi-spectral sensor 390~3 000 波段多、信息量大、成本低、类型多样化等
Multiple bands, large amount of information, low cost, diversified camera types, etc. 波段易饱和、成像速度慢和图像质量差等
Band saturation, slow imaging speed and poor image quality, etc. [28,30] 高光谱仪
Hyper-spectral sensor 10~5 000 光谱信息量丰富、分辨率高、准确度高等
Rich in spectral information, high resolution and high accuracy, etc. 价格较昂贵等
More expensive, etc. [18,23] 数码相机
Digital camera 390~770 使用方便、成本低、类型多样化等
Easy to use, low cost, diversified camera types, etc. 信息量少、分辨率低,波段少等
Less information, low resolution, few bands, etc. [26] 红外热成像仪
Infrared thermal imaging sensor 3 000~18 000 对目标物温湿度敏感、便于监测作物蒸腾及旱情等
Sensitive to target temperature and humidity, easy to monitor crop transpiration and drought, etc. 图像分辨率低、信噪比低,受外界环境因素干扰大等
Low image resolution, low signal-to-
noise ratio, and interference from external environmental factors, etc. [44-45] 激光雷达
Light detection and ranging sensor 106~1010 获取作物冠层点云信息、作物水平和垂直冠层结构参数反演等
Obtain point cloud information of crop canopy, inversion of crop horizontal and vertical canopy structure parameters, etc. 价格昂贵、数据处理量大等
High price and large amount of data processing, etc. [46] 表2 不同机载传感器参数信息及相关应用

Table 2 Information on different on-board sensor parameters and related applications

传感器
Sensor type 电磁波类型
Type of electromagnetic wave 测量指标
Measurement index
standard 应用领域
Application fields 多光谱仪
Multi-spectral sensor 可见光、红边、近红外光
Visible light, red edge, near infrared light 覆盖度、叶面积、氮素营养、生物量等
Coverage, leaf area, nitrogen nutrition, biomass, etc. 病虫害监测、作物分类、UAV 应用、作物图谱等
Disease and pest monitoring, crop classification, UAV application, crop map, etc. 高光谱仪
Hyper-spectral sensor 可见光、近红外光、中红外光
Visible light, near infrared light, mid-infrared 覆盖度、叶面积、生物量、产量等
Coverage, leaf area, crop biomass, crop biomass, etc. 病虫害监测、作物分类、UAV 应用、作物图谱等
Disease and pest monitoring, crop classification, UAV application, crop map, etc. 红外热成像仪
Infrared thermal imaging 红外光
Infrared light 气孔导度、水分胁迫等
Stomatal conductance, water stress, etc. 作物冠层温度、蒸腾、旱情、病虫害监测等
Crop canopy temperature, transpiration, drought, disease and pest monitoring, etc. 数码相机
Digital camera 红光、绿光、蓝光
Red light, green light, blue-ray 覆盖度、倒伏等
Crop coverage, crop lodging, etc. 农业、地理测绘、拍照等
Agriculture, geographic mapping, take pictures, etc. 激光雷达
Light detection and ranging sensor 脉冲电磁波
Pulsed electromagnetic wave 作物株高、生物量、叶面积等Crop height, crop biomass, leaf area, etc. 农作物分类、估产、参数反演等
Crop classification, yield estimation, inversion of growth parameters, etc.

3.1.2 飞行平台及其特点。无人机遥感监测作物病虫害的机型（飞行平台）比较固定,主要有4种：直升机、多旋翼机、固定翼机以及混合翼机。表3总结了目前在无人机遥感监测病虫害领域使用的飞行器以及各自的优缺点。遥感数据采集过程中,飞行平台的好坏对数据质量存在一定的影响。选择飞行器时,要求飞行器速度与传感器获取数据速度相匹配,可操控性、稳定性高,从而保证获取质量较好的数据。

表3 不同飞行平台的优缺点

Table 3 Advantages and disadvantages of different flight platforms

机型Drone type 优点Advantages 缺点Disadvantages 固定翼无人机
Fixed-wing drone 巡航面积大;速度快;飞行高度高等
Large cruising area, fast speed, high flying altitude, etc. 不能悬停获取影像;飞行灵活度低;操作难度大;风险高;成本高等
Unable to hover to obtain continuous images, low flight flexibility, difficult to operate, high risk, high cost, etc. 混合翼无人机
Hybrid wing drone 良好的可操作性;稳定性高;可随意降落等
Good maneuverability, high stability, free landing, etc. 飞行速度低;到达指定地点慢;价格昂贵等 Low flying speed, slow to reach the designated location, expensive, etc. 无人直升机
Unmanned Helicopter 可靠性高;可低空、低速飞行等
High reliability, low altitude and low speed, etc. 振动、噪声高;维护检修工作量较大;成本高,速度较低;航程短等
High vibration and noise, heavy maintenance and repair work, high cost and low speed, short voyage, etc.
多旋翼无人机
Multi-rotor drone 种类多;可操控性强、可靠性高;勤务性高;安全系数高等
Wide variety, strong maneuverability, high reliability, high serviceability, high safety factor, etc. 成本高;灵活性不高等
High cost, low flexibility, etc.

3.1.3 无人机遥感数据（影像）获取优势。无人机遥感影像数据获取与近地遥感数据获取、卫星遥感影像数据获取存在较大的差异。无人机遥感影像获取时,根据具体情况,可随时调换搭载的传感器,调整光谱分辨率、时间分辨率、空间分辨率等参数,从而获得光谱分辨率、时间分辨率和空间分辨率均较高的光谱数据。近地遥感的光谱分辨率、时间分辨率、空间分辨率都较高,但是受设备、天气以及人为因素等影响较大,且一般很难进行实时调整,只能通过更换设备来实现,这会耗费大量资金,且对数据的兼容性造成较大的影响。卫星遥感影像受卫星自身特性的影响,采用同一传感器较难同时获取光谱分辨率、时间分辨率、空间分辨率均高的卫星遥感影像。虽然有时可以通过调整参数获取高质量的卫星遥感影像,但是与无人机遥感相比,过程复杂,周期也较长。

3.2 无人机遥感与人工调查、ASD光谱仪及多时相遥感技术等同步获取病虫害数据

为了在监测过程中获取高质量、客观的病虫害光谱数据,为后期病虫害的精准预测提供可靠的依据,前人在开展有关病虫害监测研究时,将无人机遥感监测技术与人工地面调查、多时相卫星遥感技术及大数据平台等结合进行病虫害精准监测,这种监测方法称为无人机综合遥感监测。无人机综合遥感监测通过地面光谱数据对无人机遥感数据进行精度验证分析,优化模型精度,提高无人机遥感监测模型的可靠性。在评价无人机遥感监测模型准确性时,国内外学者通过筛选敏感波段光谱信息、筛选光谱指数以及特征提取等方式对比分析光谱信息的准确性,建立基于不同光谱信息的病虫害监测模型。如：通过利用ASD光谱仪与UHD-185成像光谱分别获取受棉蚜危害的棉株冠层光谱信息,将2种光谱数据进行精度验证,筛选出光谱数据在450~890 nm波长范围内较强的可靠性[47],构建多种植被指数的棉蚜预测模型,其模型精度均达95%;郑晓梅[48]将卫星影像数据、地面调查数据和无人机遥感数据结合,分别提取受东亚飞蝗危害的芦苇冠层光谱特征,构建基于NDVI的芦苇损失量估测模型。

综上所述,使用单一的无人机遥感监测平台监测病虫害时,不仅须合理选择适用的飞行平台与传感器,还须考虑地域因素、监测对象等不确定性因素。而无人机综合遥感监测技术将无人机遥感与人工调查、地面ASD光谱仪、GIS、全球定位系统（Global positioning system,GPS）及卫星遥感技术等相结合获取作物病虫害数据,具有信息更全面、更准确、更广的优势。因此,实现目标作物病虫害监测时,应根据实际情况综合考虑,采用无人机单一或综合遥感监测技术获取病虫害信息,快速、精准地完成作物病虫害动态监测,为病虫害的防治提供科学依据。

4 无人机遥感监测作物病虫害数据处理流程及方法

4.1 无人机遥感监测作物病虫害数据处理流程

当前,国内外利用无人机遥感影像监测作物病虫害的数据处理流程相似,大致包括影像格式转换、影像筛选、影像拼接、影像校正、特征提取、模型构建、精度评价等（

图2

）。

图2 无人机遥感作物病虫害影像处理流程

Fig. 2 UAV remote sensing crop pest and disease image processing process

Full size|PPT slide

通常,近地遥感数据不需要影像拼接的预处理,卫星遥感获取的大面积作物病虫害数据需要影像拼接。而无人机影像数据须经过影像格式转换、影像拼接等步骤后才能用于后续处理。目前,无人机遥感影像进行数据格式转换时大多采用传感器自带软件,软件种类较多,如PixelWrench2 x64、MAPIR_Camera_Control_Kernel_HID等;影像拼接时使用较多的软件是Photo scan、Pix4D Mapper等。

4.2 无人机遥感病虫害数据处理方法

作物受病虫侵染达到一定程度后,作物表型及生理等发生明显的变化。基于这些明显特征的变化,现阶段无人机遥感病虫害数据处理的方法包括：特征信息选择提取、经典统计分析模型以及人工智能模型等（

图3

）。

图3 作物病虫害无人机遥感影像处理方法

Fig. 3 UAV remote sensing image processing method for crop diseases and insect

Full size|PPT slide

4.2.1 特征信息选择提取。无人机作物病虫害特征信息提取主要包括光谱特征、纹理特征、空间特征以及生境特征等。

光谱特征以提取受病虫危害植株的光谱反射率为主。作物受病虫害侵染后会表现出不同的严重度,其细胞结构、叶绿素、氮素、水分以及部分生理生化参数发生变化,导致不同危害程度作物冠层光谱反射率具有一定的变化特征。为了能够清楚了解不同病虫害危害的作物表型光谱特征变化,通常采用构建植被指数、波段组合以及光谱微分等方法提高光谱特征提取的准确度,提升病虫害监测模型的精度。在作物病虫害发生初期,病虫害的危害较轻,但光谱特征会有细微变化;因此,可利用敏感波段的光谱特征变化进行监测,如绘制NDVI图片[49]以及用RGB图像辅助热红外图像提取叶片光谱信息等方法[50],对早期病害监测分析具有一定的实用性。Li等[51]利用地面光谱仪与多光谱传感器同步获取遥感数据,构建水稻病虫害等级反演模型,为作物生长前期的病虫害监测提供了可行的监测手段;Prabhakar等[52]采用遥感数据结合人工地面调查数据,提取受害作物冠层光谱特征,构建基于光谱指数的早期棉花蚧虫种群密度、空间分布监测模型。

纹理特征提取方法包括灰度共生矩阵、方向梯度直方图以及局部二值模式。作物受病虫侵染后,外部形态结构、内部生理结构与健康植株相比差异明显。外部形态特征变化包括叶面积、株高、冠层颜色、形态轮廓以及空间大小变化等,这些表型特征变化都是当前无人机遥感进行作物病虫害监测与识别的热点。而生理特征的变化需要根据提取具体指标才能实现。生理评价指标包括叶绿素、植株生物量以及植株含水量等。国内外学者利用纹理特征估测玉米、小麦病虫害的发生量时,采用纹理分割和简单线性迭代聚类（Simple linear iterative clustering,SLIC）进行病虫害特征识别,利用二进制支持向量机（Binary support vector machines,BSVM）和多类支持向量机（Multi-class support vector machines,MSVM）对不同病虫害分类[53]。也有学者提取判别能力较佳的植被指数[54]、纹理特征[55]以及颜色特征[27]等指标,采用不同分类监测模型进行病虫害发生量的估测,其监测结果较为理想。

生境特征与作物生长的环境息息相关。影响作物生境特征的因素通常有环境温度、环境湿度以及土壤含水量等。利用这些生境特征监测作物病虫害,是通过借助与生境因子相关性较强的光谱信息实现病虫害的监测。如利用地面调查数据、多时相卫星影像以及航空影像,通过变量投影重要性准则筛选出小麦条锈病识别的生境特征,建立多源多时相数据的小麦条锈病监测模型[56]。

4.2.2 经典统计分析模型。无人机遥感病虫害数据分析过程中所用的经典统计学分析方法主要包括主成分分析、相关性分析、判别分析、聚类分析以及线性回归模型等。经典统计分析法各有优点,国内外学者通过调查病害的发病率、病情指数[57-58],筛选敏感波段、计算光谱平均值等建立小麦病虫害的线性回归模型实现对发病区域、健康区域以及病害发生量的监测;基于无人机遥感小麦全蚀病的监测,将地面调查数据、病情指数以及光谱指数三者结合建立偏最小二乘回归（Partial least-squares regression,PLS）、线性回归模型等综合比较分析了各类模型的预测准确性[59]。Dehkordi等[60]通过光谱带组合的方法研究小麦植株在红、绿、蓝光谱通道之间的变化确定小麦病叶面积,实现了健康植株与发病植株的区分。

4.2.3 人工智能模型。人工智能模型主要包括机器学习与模式识别,现阶段无人机遥感作物病虫害数据处理分析主要集中于这2种方法的研究。

机器学习图像法运用较多的模型包括SVM、逻辑回归、决策树（Decision tree）、K-近邻算法、卷积神经网络（Convolutional neural network,CNN）等。张学敏[61]利用深度学习图像法中的SVM-决策树分类方法对小麦病害进行监测,提取发病小麦的颜色特征对小麦病害等级进行了准确分类。杨俊等[62]采用无人机搭载RGB相机获取小麦赤霉病图像,建立Faster R-CNN深度学习网络模型对健康和发病植株进行了准确区分。Abdulridha等[63]利用无人机高光谱成像,借助SVM和K-NN方法对柑橘溃疡病进行了有效的监测分析。也有学者将多种遥感数据综合应用,采用偏最小二乘支持向量机（PLS-SVM）、CNN等分类方法实现了对水稻、棉花等作物病虫害的有效识别[64-65]。

基于模式识别解译法可分为监督分类法与非监督分类法。监督分类法包括SVM、人工神经网络（Artificial neural networks,ANN）、最大似然法（Maximum likehood,ML）、最小距离法（Minimum distance,MD）、波谱角分类（Spectral angle mapper,SAM）等。非监督分类法包括K-means聚类法、等混合距离法分类（Iso Data）等。基于模式识别分类法进行作物病虫害分类时,国内学者[66]利用基于植被指数的线性回归模型及支持向量机分类模型进行小麦全蚀病等级分类,其中基于差值光谱指数（Difference spectral index,DSI）的线性回归模型与支持向量机径向基核函数的分类模型对病害的分类精度较高。袁建清[67]以室内成像高光谱、近地成像高光谱、无人机航空多光谱数据为基础,从叶片、冠层和区域3个尺度提取稻瘟病害、缺氮水稻的光谱特征,利用逐步判别分析模型、支持向量机分类模型、神经网络分类模型及Iso Data分类模型从不同尺度对水稻病虫害发生严重度进行识别与区分,结果显示基于叶片、冠层尺度的判别分析模型对病害识别效果最佳;而对冠层尺度的水稻穗颈瘟图像区分时,Iso Data分类算法的分类精度最高。前人借助非监督分类法对作物的早期病虫害遥感影像进行分类,如利用萝卜影像的颜色和纹理特征进行早期病害监测,采用K-means聚类法对早期枯萎病进行识别[68]。

4.2.4 其他监测方法。目前,利用无人机遥感进行作物病虫害监测时,也尝试通过构建特殊的监测系统进行病虫害的监测。王佳宇等[69]通过设计全面的天、空、地一体化蝗虫智能监测体系,实现对草原蝗虫的有效监测与防控。Gao等[70]通过制作农业结构框架,分析病虫害的发生与天气参数之间的特定关系,将无人机遥感与云平台、光能模型、频谱分析技术结合,进行小麦病害感病温度范围与病害严重度的监测。

综上所述,无人机遥感影像数据分析处理方法复杂多样。所以,针对无人机遥感监测病虫害的数据源种类,需要选择恰当的算法与模型进行病虫害严重度的预测与评价。基于上述无人机遥感病虫害数据处理方法分析可知：（1）影像特征提取需要借助相关算法完成。（2）经典统计分析方法是从统计学角度进行数据处理,具有一定的难度,要求具备一定的统计学理论基础,可以定性定量地分析,是现阶段较为常用且准确的方法。（3）人工智能模型数据处理方法,需要较强的数学思维和计算机知识,学科交叉多,属于专业的定量分析方法,是更准确的方法。（4）其他新兴监测方法是现阶段作物病虫害监测过程中不断发展的监测技术,为无人机遥感病虫害监测技术发展提供了新的思路。

5 无人机遥感监测作物病虫害存在问题及展望

无人机遥感监测病虫害是一项将近地遥感、卫星遥感优点相结合的技术,目前在作物病虫害监测方面已开始大量使用。同时,飞行平台与传感器类型的不断开发,遥感影像数据处理的思路及方法不断更新,为作物病虫害监测领域的研究搭建了良好的平台,但该技术在病虫害监测领域的应用也存在一些弊端。因此,对该领域主要存在的问题与挑战进行分析,并展望科研攻关方向。

5.1 病虫害特征训练选择

特征选择的目的是通过相关算法选择合适的特征集构建模型,但在特征选择的过程中会面临许多问题,如特征训练选择数据集中特征变量不足,特征训练数据集不能够充分反映整体特点。在获取大量特征时,需要通过相关算法筛选相关性强的特征信息,能够准确地反映病虫害发生的整体情况。目前算法的种类较多,但精度不高。未来,在无人机遥感监测作物病虫害特征训练选择问题上,需要深化特征训练算法,优化算法的精度,提高模型的预测效果。

5.2 病虫害分类识别

病虫害造成农作物生理机制与形态特征发生变化,从而影响作物的光谱特征,其生理机制与农作物受自然胁迫等因素相似。不同胁迫同一时期可能出现相同的光谱特征,同一胁迫在作物生长不同时期也会有不同的光谱特征,即出现“同物异谱”和“同谱异物”现象,这是无人机遥感准确识别作物病虫害面临的挑战之一。例如：棉花受氮素胁迫严重时呈现的光谱特征与棉花受黄萎病危害后的光谱特征相似,对其监测结果会造成一定的误差。所以,须建立重要作物病虫害专属光谱特征库,作为某些作物病虫害识别的科学依据。借助这些依据判断不同病虫害在监测过程中表现出的光谱特征与差异性,有利于无人机遥感监测技术在实际作物病虫害监测中推广应用。未来应根据作物遭受不同条件的危害,建立专一的病虫害光谱库,支持无人机遥感监测的特征识别和模型研究,提升无人机遥感对复杂条件下作物病虫害的识别准确度。

5.3 传感器优化

在信息农业不断发展的过程中,无人机携带的传感器类型也变得多样化。现阶段,在病虫害监测领域使用较多的传感器是数码相机、多光谱传感器、高光谱传感器以及热成像仪等。对于不同的监测目标,不同的传感器各有优劣。如数码相机仅可采集可见光范围内的数据,易导致信息量不足;多光谱传感器信息量大,但存在分辨率低、波段易饱和等问题;高光谱传感器分辨率高,信息采集面广,但由于价格昂贵,导致其使用量低;热成像仪的光谱信息也相对较少,主要根据温度的变化进行信息的采集。目前,大多数传感器还不能够完全应对复杂的外界环境,导致不同生境特征下采集的病虫害光谱信息质量差异显著。因此,利用无人机监测作物病虫害时,应根据实际情况来选择无人机类型和搭载的传感器,或开发性能较优的专用无人机病虫害监测传感器,以达到准确、经济、实用等目的。

5.4 无人机遥感数据处理

当前,无人机遥感影像数据处理面临一定的困难,这也是制约无人机遥感监测作物病虫害技术发展的因素之一。无人机遥感影像数据的获取、拼接、作物病虫害发生动态解析以及处方图作业等,需借助算法和软件完成,加之大批量的数据处理须花费大量的时间,一方面会导致田间病虫害动态信息不能及时反馈,为病虫害有效监测和防治造成了一定的影响;另一方面,各软件间的兼容性较差,容易导致病虫害的监测结果出现误差。在后续研发中,须不断完善数据处理方法,研发无人机遥感病虫害数据处理的专一软件与特殊算法,缩短数据处理时间,提高数据处理的准确性,加快目标病虫害严重度的预测,从而更加准确了解作物病虫害发生动态,为制定符合实际情况的病虫害防治预案提供可靠依据。

=2" class="main_content_center_left_zhengwen_bao_erji_title main_content_center_left_one_title" style="font-size: 16px;">{{custom_sec.title}}{{custom_sec.content}}