農作物病蟲害遙感監測綜述

簡俊凡，何宏昌，王曉飛，李 月

(黑龍江大學電子工程學院，黑龍江 哈爾濱 150000)

在作物生長過程中，病蟲害會對其產量和質量造成極大的影響，降低經濟效益。掌握病蟲害的征兆和發生特點，盡早發現并采取方法進行治理，在提高作物產量和質量，減少因病蟲害造成的經濟損失方面尤為重要。然而，傳統的作物病蟲害監測方法不僅效率低下，所獲取的信息還存在著低準確率和嚴重滯后性等問題，很難在大范圍內準確估測出染病區域和病情程度。因此，尋求準確率高、及時性強且成本低廉的病蟲害監測方法極為重要。近年來，隨著科技水平的發展，高光譜遙感技術在農業中獲得廣泛使用，因其實時、準確等優點成為病蟲害早期預警和病情控制的有效方法，逐漸成為農業遙感應用的主要前沿技術手段之一。

1 監測原理

高光譜遙感，通常其光譜具有低于10 nm的波譜寬度，其掃描系統可以同時獲取幾百乃至上千的光譜波段，所獲取的數據能夠形成一條完整而連續的光譜曲線，在極具成本效益的情況下取得很高的分辨率[1]，以準確獲取農作物病蟲害信息，在尚未對作物造成嚴重危害前，為生產決策者采取預防措施提供數據支撐，同時也為農業政策實施提供科學支持。

使用高光譜遙感技術能夠得到三維的數據信息，即空間信息、輻射信息和光譜維信息。相比于常規遙感技術，光譜維信息能夠將常規遙感技術中的相應光譜波段再次細分[2]，以探測作物葉片的生化組分(如葉綠素、氮含量、水含量等)信息和物理參數(如葉面積指數、生物量、冠層結構等)信息，為其精確反演提供可能[3]。與正常作物高光譜曲線相比，感染了病蟲害作物的高光譜曲線會發生改變，尤其是在可見光波段和近紅外波段之間。

2 遙感監測技術框架

利用遙感技術監測作物病蟲害的技術框架如圖1 所示，可以通過衛星遙感、無人機或便攜式儀器獲取影像，采取最優方法建立反演模型，最后結合實地采集參數對結果作精度分析。研究發現，直接使用選取的敏感波段進行反演效果并不理想，因此學者們對原始光譜進行不同形式的變換以提取特征光譜，使其更益于模型建立。本文將對目前廣泛使用的光譜特征變換技術進行介紹，并對反演模型的建立方法進行分析及比較。

圖1 農作物的遙感監測技術框架

3 光譜特征選擇及變換

3.1 原始光譜的導數、對數變換

導數光譜可以減弱背景及大氣散射的影響，提高各種光譜吸收特征對比度。研究發現，只要植被覆蓋度達到20%以上，背景對一階微分的影響就非常小[4]。二階導數可以在絕大程度上消除二次型背景噪聲光譜的影響，甚至完全消除線性噪聲光譜的影響[5]。原始光譜導數經過對數變換可以反映作物的光譜吸收特征，稱為偽吸收系數。進行對數變換后能增強可見光區域內反射特征之間的差異，減少因光照條件等因素變化而引起的乘性因素影響[2]。

吳曙雯等對感染不同病情等級的水稻原始反射光譜作一階微分處理，研究光譜中綠光、紅光及近紅外3個敏感波段隨病情等級加重的變化趨勢，發現受稻葉瘟脅迫的光譜曲線綠光反射峰發生“紅移”，紅光吸收峰和近紅外反射峰則發生“藍移”，同時近紅外反射光譜的斜率隨病情等級的加重而逐漸減小，且病情等級高時的變化率低于病情等級低時的變化率，即隨著稻葉瘟病情等級的加重，近紅外區域的陡坡效應將受到削弱[6]。沈艷等用高光譜的一階導數極值特征參數法提取植被葉片的各種生化組分，分析發現，對植被葉片全氮含量最為敏感的波段為1670～1730 nm區域內反射率的一階導數最小值，對光譜進行一階導數處理，不僅能夠消除背景因素的影響，還能得到更高的葉片生化組分提取精度[7]。

3.2 基于光譜位置和面積的特征參數

紅邊是綠色植被區別于其他地物最明顯的光譜特征，其參數包括：紅邊位置、紅邊面積、紅邊反射率等，藍邊、黃邊的情況類似。當作物感染病蟲害發生生物量降低、色素量減少等生理化參數變化時，紅邊會向短波方向移動，稱為“藍移”，反之，紅邊“紅移”。

喬紅波和蔣金豹利用光譜微分技術對冬小麥的原始反射光譜作一階微分處理，前者求得紅邊斜率，發現冬小麥在受到條銹病脅迫后，冠層光譜的紅邊斜率在近紅外波段變化十分明顯，而紅邊位置變化則比較微弱。后者發現以紅邊峰值一階微分集合與綠邊峰值一階微分集合的比值為變量所建立的DI估測模型精度最高[8-9]。黃建榮等對光譜特征參數進行分析，發現差值植被指數、黃邊面積、紅邊和藍邊面積差值可以區分感染不同病情等級稻縱卷葉螟的葉片卷葉率，若以黃邊面積作為預測指標，可以達到86%的正確率[10]。

3.3 基于連續統去除的特征參數

連續統去除法，又被稱為包絡線消除法。可以在突出光譜特征的同時，將其歸一到一個一致的光譜背景上，以便于光譜中各種特征數值的比較[11]。它可以矯正由于波段依賴而引起的波段反射率極值點位移，從而將其校正到真正的位置。

劉占宇對健康水稻葉片和受倒桿線蟲脅迫水稻葉片的原始光譜和對數光譜分別進行連續統去除處理后，發現對原始光譜(CRRS)而言，病蟲害的敏感波段為藍光波段(430～530 nm)、綠光-近紅外波段(550～730 nm)；而對對數光譜(CRLS)而言，病蟲害的敏感波段為藍光-紅光波段(480～670 nm)、紅光-近紅外波段(680～960 nm)[12]。溫興平對參考光譜與像元光譜進行連續統去除處理后，分別進行SFF匹配，提取植被覆蓋度并生成植被覆蓋度圖，結果與植被指數法、光譜夾角映射法和實地調查資料之間均存在著較高的一致性[13]。張金恒將其引入水稻葉片反射光譜特征的研究中，對水稻的原始光譜和一階微分光譜作連續統去除處理并分析，發現隨著氮含量的增加，連續統去除光譜的反射率逐漸下降，而且連續統去除光譜的吸收特征參數與葉片的全氮量之間呈現明顯的負相關性[14]。

3.4 光譜指數

光譜指數即將光譜特征數據經過一系列的線性或非線性組合后，所構成的對目標地物有指示作用的數學模型，其可以在很大程度上增強目標地物的相關信息。常選對作物強吸收的可見光波段以及高反射與高透射的近紅外波段構建光譜指數。

黃木易等對感染不同病害等級的冬小麥冠層光譜進行分析，構建了病情指數(DI)，并建立了遙感監測DI的組合診斷模式定量模型[15]。唐延林等發現多光譜植被指數(NDVI)、比值植被指數(RVI)與水稻葉面積指數(LAI)之間存在著極其顯著的相關性，同時NDVI及其變量與植被覆蓋度、氮含量水平之間也存在著相關性[16]。黃木易等利用相關性最好的666 nm光譜波段和相關性最弱的758 nm光譜波段建立光譜角指數(SAI)，以SAI為基礎構建條銹病脅迫指數(SRSI)，用于反演冬小麥條銹病的發生情況[17]。HUANG等建立了受條銹病脅迫冬小麥的病情指數(DI)與歸一化光化學反射指數(NPRI)的反演模型，決定系數R2達到0.847 7，具有較高的參考價值[18]。PENUELAS等提出光化學反射指數(PRI)，用于預測作物的生化含量，還構建了水汽譜帶指數(WBI)，用于量化作物的水分脅迫[19-20]。

4 反 演

4.1 統計分析

統計分析作為經典的回歸分析方法得到大多數人的認可，這種方法對研究背景、區域、植被類型等具有較大的依賴性，不具備很好的通用性。但原理較為簡單，計算相對方便，便于在反演中進行推廣使用。運用SPSS等統計分析軟件可以實現絕大多數類型的回歸。

陳雪洋等選取了歸一化植被指數(NDVI)、比值植被指數(RVI)、土壤調節植被指數(SAVI)和增強植被指數(EVI)4種常用植被指數，利用統計分析方法反演冬小麥的葉面積指數(LAI)，最終發現RVI是反演LAI的最佳選擇，平均相對誤差僅為19%[21]。王靜以光化學反射指數(PRI)、水分脅迫指數(MSI)等7種植被指數作為輸入，分別用偏最小二乘回歸(PLS)、BP神經網絡法和光化學反射模型(PRI)預測小麥的病情指數(DI)，PLS取得了最好的預測結果，R2達到0.918[22]。孫陽陽等將使用主成分分析(PCA)提取的高光譜參數與玉米的葉綠素含量結合，建立一元和多元線性回歸模型，改善了由于高光譜波段間存在冗余而導致的反演模型精度低的狀況，研究顯示，在一元線性回歸模型中，近紅外反射率均值和綠峰峰值具有較高的反演精度，而在多元線性回歸模型中，以分波段提取的主成分作為參數會獲得較高的精度[23]。LIU等使用多元逐步回歸、主成分分析和偏最小二乘回歸(PLS)估測水稻葉片褐斑病的病情程度，結論表明，具有7個提取因子的PLS效果最好[24]。

4.2 機器學習

利用機器學習來進行回歸分析和解決分類問題已經成為近年來的主要發展趨勢。機器學習方法有很多，如支持向量機、相關向量機、人工神經網絡、深度學習等。

管青松以歸一化植被指數、比值植被指數和NRGB波段數據作為自變量，葉面積指數作為因變量，分別建立NDVI-SVR、RVI-SVR和NRGB-SVR回歸模型，試驗證明SVM受到物候期限制的程度較低，3個模型中NRGB-SVR的效果最好[25]。楊可明等采用線性回歸、模糊識別及BP神經網絡3種方法建立玉米葉綠素含量的反演模型，精度分析表明，玉米的高光譜數據與其葉綠素含量之間并不是單純的線性關系，采用BP神經網絡法建立的反演模型精度較高，R2達到0.902[26]。李波等使用主成分分析(PCA)從水稻葉片的可見光光譜和短波紅外光譜中獲取主分量光譜，并使用概率神經網絡(PNN)進行識別，結果顯示，兩種方法相結合可以快速、精確地實現不同水稻病蟲害的識別，精度達到95%以上[27]。WANG等選擇與水稻病蟲害等級相關度最高的紅邊邊緣作為建立模型的參數，采用逐步回歸法和BP神經網絡法建立基于光譜的水稻病蟲害識別模型，研究顯示，與逐步回歸法相比，BP神經網絡法在660、990和1193 nm的特征波段處具有更好的識別效果[28]。

4.3 物理模型

針對植物參數反演提出的物理模型被廣泛使用。物理模型法對植被的生理化過程有較好的解釋，具有良好通用性。但是物理模型在應用時需要植被的多種結構參數作為輸入，模型復雜，難以推廣使用。近年來應用較多的如PROSAIL冠層光譜模型。

郭云開等分別使用TM影像和PRO4SAIL模型模擬的冠層反射率反演植被葉綠素含量，R2分別達到0.732 9和0.801 9，試驗證明，模型反演達到了更好的效果[29]。葉舒選用PROSAIL冠層光譜模型進行玉米的葉面積指數(LAI)和葉片生理參數反演，建立了LAI、葉片生理參數和高分一號波段反射率值的查找表，LAI反演的平均精度達到60.59%[30]。DURBHA等利用PROSAIL冠層光譜模型，結合核主成分分析(KPCA)與支持向量機(SVR)，選取多角度數據反演葉面積指數[31]。王強等結合幾何光學模型和輻射傳輸模型(SAIL)得到改進的MGeoSAIL模型，結果表明模型簡單實用，效果較好[32]。呂杰等使用輻射傳輸模型(PROSPECT)模擬玉米的高光譜反射率，將其與葉綠素含量結合訓練數據集，并結合粒子群優化算法和SVR學習數據集，依次建立玉米的葉綠素含量估測模型，R2達到0.871 2[33]。

5 遙感監測農作物病蟲害的優勢及存在問題

較之傳統病蟲害的監測技術而言，高光譜遙感不僅實時、準確，還具有多重優勢:

(1) 高光譜遙感技術應用中，對敏感波段的選擇這一特性可以為監測所使用特定傳感器的進一步研究提供輔助信息和理論保障[1]。

(2) 遙感技術的使用可以擴大所需數據的來源，極大地提高獲取數據的速度和質量。

(3) 遙感、GIS和GPS等技術組合，可以在對作物本身狀況進行分析的同時為管理者提供及時、準確的決策信息。

將高光譜遙感應用于農作物病蟲害監測也存在一些需要盡快解決的問題：

(1) “異物同譜”和“同譜異物”現象。在作物病蟲害的監測過程中，不同病蟲害脅迫同一種作物時可能產生同樣或相似的光譜特征，即“異物同譜”現象；相反，同種病蟲害脅迫同一種作物時，可能具有不同的光譜特征，即“同物異譜”現象。針對這一現象應進一步挖掘光譜中的有效信息，利用不同尺度遙感數據相結合的方法來解決這一問題。

(2) 數據容量大。高光譜數據的高分辨率帶來了極大的數據量，對設備的數據存儲性能有很高要求，同時也對衛星的下行鏈接施加很大壓力，限制了通道容量。目前已經提出了對應的處理技術，如壓縮感知技術等，但高光譜的數據容量問題仍然是一個重點問題。

(3) 適用性。影響高光譜數據的因素有很多，如傳感器類型、作物種類、數據獲取狀態等。獲取的數據通常較為適用于某種特定環境，在大范圍的應用中適應性較差。因此，在保證監測要求和監測精度的情況下，如何提高適用性是必須要解決的問題[4]。

(4) 費用昂貴。高光譜遙感所具有的光譜濾波器、高度敏感的探測器和二維的傳感器陣列等儀器可以獲得更豐富的數據，其樣本的獲取需要這些精密儀器的支持，科技的不斷進步確保了高光譜遙感技術的不斷突破，但由于其復雜系統，使用代價也是相當昂貴的。