利用植被指數(shù)非相似性監(jiān)測水稻病蟲害方法研究

李福根，張保輝，段玉林

（1.中國農業(yè)科學院農業(yè)資源與農業(yè)區(qū)劃研究所/農業(yè)部農業(yè)遙感重點實驗室，北京100081；2.中國科學院空天信息創(chuàng)新研究院 遙感科學國家重點實驗室，北京100101）

0 引言

水稻作為我國最主要的糧食作物，種植面積約占全國糧食作物種植面積的28%，每年為全國60%以上的人口提供主食供應［1］。水稻的安全健康生長對保障國家農業(yè)生產(chǎn)，維護國家糧食安全起到了舉足輕重的作用。然而，每年因病蟲害爆發(fā)造成的水稻產(chǎn)量損失約占總產(chǎn)量的15%～40%［2］，成為制約我國水稻高產(chǎn)、優(yōu)質和可持續(xù)發(fā)展的主要限制因素之一，嚴重威脅國家糧食安全。

為降低水稻病蟲害對農業(yè)生產(chǎn)的危害，各地在種植一線建立了多個植保站來監(jiān)測水稻病蟲害發(fā)生的地點、范圍和嚴重程度。但這種基于人工調查鑒別的方法費時費力且主觀化嚴重［3］。隨著物聯(lián)網(wǎng)技術的發(fā)展，各種農情監(jiān)測設備可以通過網(wǎng)絡傳輸實現(xiàn)水稻病蟲害集中監(jiān)測［4］，但這些設備在監(jiān)測方面往往具有滯后性，且在較大尺度內形成空間全域布設監(jiān)測短期內仍是不可能實現(xiàn)的，難以滿足實際生產(chǎn)需求。遙感技術作為一種宏觀性強、時效快、經(jīng)濟成本低且數(shù)據(jù)綜合力強的新技術，在水稻病蟲害監(jiān)測方面具有廣闊應用潛力［5-6］。

利用遙感技術監(jiān)測水稻病蟲害的物理基礎主要是當水稻受到病蟲害脅迫時，往往會發(fā)生不同的應激癥狀或植株損傷，引發(fā)水稻植株光譜反射的變化，從而被遙感傳感器捕捉［7］。為證明這一理論，研究人員開展了大量的地面研究。Wang 等［8］利用ASD Fieldspec3地物光譜儀發(fā)現(xiàn)水稻褐斑病和水稻紋枯病發(fā)病早期會引起990 nm 附近的紅邊波段發(fā)生異常，但由于人類視覺的限制，這一異常難以被人工察覺；Yang 和Cheng［9］的研究發(fā)現(xiàn)水稻受褐飛虱侵擾時，737～925 nm 范圍內的近紅外波段反射率會發(fā)生改變；Liu等［10］通過對水稻稻穗的光譜分析發(fā)現(xiàn)水稻穎枯病會引發(fā)850 nm 附近波段的反射率發(fā)生變化；劉占宇等［11］研究發(fā)現(xiàn)水稻細菌性褐斑病同樣可以通過光譜異常現(xiàn)象監(jiān)測出來；黃建榮等［12］的研究發(fā)現(xiàn)水稻受稻縱卷葉螟危害后，水稻葉片的光譜會發(fā)生明顯變化，且受到的危害程度不同，波段也不同；Yang 等［13］研究發(fā)現(xiàn)水稻褐飛虱和卷葉螟危害后有相似的光譜異常發(fā)生。以上研究表明，水稻受不同病蟲害侵擾時，其光譜反射率會在一定波段范圍內發(fā)生變化，但這些波段可能會有一些重疊。因此，利用遙感技術監(jiān)測水稻光譜反射異常從而監(jiān)測水稻病蟲害是可行的，但要監(jiān)測具體某一種病蟲害還需要進一步探索。

雖然利用遙感技術觀測水稻病蟲害的可行性已經(jīng)在多次地面試驗中被證實，但是鮮有在區(qū)域尺度利用對地觀測技術監(jiān)測水稻病蟲害的研究。這可能是因為水稻生長過程中下墊面土壤含水量較高，甚至要經(jīng)歷水淹過程，造成下墊面屬性發(fā)生改變，從而使得水稻田整體的光譜曲線影像出現(xiàn)“藍移”現(xiàn)象［14］，與其他大田作物的反射光譜曲線形成了鮮明差異。Qin 和Zhang［15］研究發(fā)現(xiàn)，在區(qū)域尺度，考慮了藍光波段的植被指數(shù)對水稻病蟲害的發(fā)生更為敏感，并以此提出了水稻病蟲害指數(shù)和水稻病蟲害比值指數(shù)，其與水稻病蟲害的擬合結果優(yōu)于其他傳統(tǒng)植被指數(shù)。袁建清［16］利用無人機觀測到的健康水稻和受穗頸瘟病侵蝕的水稻影像做對比，發(fā)現(xiàn)傳統(tǒng)的基于近紅外、紅光、綠光波段計算的幾種植被指數(shù)對水稻病蟲害的分類精度并不理想。由此看來，通過計算植被指數(shù)來實現(xiàn)區(qū)域尺度（基于遙感監(jiān)測）水稻病蟲害仍是目前主要的研究方向。盡管植被指數(shù)在監(jiān)測甜菜［17］、小麥［18-19］、棉花［20］等作物病蟲害方面已有許多成熟研究，但在水稻病蟲害監(jiān)測領域尚未形成實際可操作普適性方法。然而，利用遙感技術監(jiān)測農田區(qū)域水稻病蟲害是保證水稻病蟲害在宏觀尺度快速、及時、準確識別監(jiān)測的主要手段。因此，建立一套可操作性強、準確度高的區(qū)域尺度遙感監(jiān)測水稻病蟲害方法具有重要的現(xiàn)實意義。

文章研究了區(qū)域尺度水稻作物的植被指數(shù)計算，將植被指數(shù)（基于遙感數(shù)據(jù)反演）假設成具有概率統(tǒng)計特性的信息源，并基于信息理論［21］和光譜信息散度（SID，Spectral Information Divergence）模型［22］推導出植被指數(shù)非相似性（VID，Vegetation Index Divergence）計算方法。根據(jù)VID的計算方法，計算無病蟲害水稻田與病蟲害水稻田之間的植被指數(shù)VID。將計算出的VID與地面實測的水稻病蟲害等級數(shù)據(jù)進行回歸分析，確定二者的相關程度。最后選取與地面實測的水稻病蟲害等級數(shù)據(jù)相關程度較高的植被指數(shù)VID進行K-fold 交叉驗證［23-24］，得出利用植被指數(shù)非相似性監(jiān)測水稻病蟲害的準確性（精度）。

1 研究區(qū)與數(shù)據(jù)

1.1 試驗區(qū)域

該文選擇四川省成都市崇州市作為試驗區(qū)域（圖1），為研究提供不同病蟲害程度的水稻采樣數(shù)據(jù)，以實現(xiàn)監(jiān)測模型的擬合與驗證。四川省崇州市位于四川盆地向青藏高原過渡地帶的第一、二階梯，位于東經(jīng)103°07′～103°49′、北緯30°30′～30°53′之間，東鄰成都市溫江區(qū)和雙流區(qū)、南同新津縣毗連、西與大邑縣相接、北與都江堰市相依、西北部與汶川縣接壤，總面積1 090 km2。崇州市屬亞熱帶濕潤季風氣候，年平均氣溫16.4℃，年平均降水量969.2 mm，適合水稻等糧食作物生長，是我國主要的農業(yè)糧食生產(chǎn)區(qū)，素有“西蜀糧倉”的美譽。但由于陰雨寡照的氣候因素，該地區(qū)也是水稻病蟲害發(fā)生的重災區(qū)［25］。據(jù)不完全統(tǒng)計，崇州市發(fā)生的水稻病蟲害有30 余種，包括水稻螟蟲、稻飛虱、稻瘟病和紋枯病等，嚴重時病蟲害發(fā)生面積占水稻種植面積的90%左右［26］。近年來，受多種因素影響，水稻病蟲害具有發(fā)生面積廣、危害程度重的特點［27］，將其作為利用植被指數(shù)非相似性監(jiān)測水稻病蟲害方法的試驗區(qū)域具有現(xiàn)實意義。

圖1試驗區(qū)域Fig.1 Test area

1.2 參考區(qū)域

該文選擇四川省農科院現(xiàn)代農業(yè)科技創(chuàng)新示范園區(qū)作為參考區(qū)域（圖2），為研究提供健康水稻的光譜信息，以實現(xiàn)植被指數(shù)非相似性的計算。四川省農業(yè)科學院現(xiàn)代農業(yè)科技示范區(qū)位于四川省成都市新都區(qū)，占地面積約1.71 km2，與試驗區(qū)域直線距離約70 km。該示范園是集農業(yè)科技創(chuàng)新、成果示范、產(chǎn)業(yè)孵化等功能為一體的國內一流現(xiàn)代農業(yè)示范園，示范區(qū)分為七大功能區(qū)，其中最主要、占地面積最大的便是大田作物科研區(qū)［28］。

圖2參考區(qū)域Fig.2 Reference area

大田作物科研區(qū)主要分為大春作物區(qū)和小春作物區(qū)。其中，大春作物區(qū)主要從事水稻新品種選育、育種新材料和新方法研制以及科技成果轉化等研究工作。該示范園的水稻田均采用精細化管理，實施病蟲害早期監(jiān)測預警，確保示范園中水稻田盡量不出現(xiàn)病蟲害，或在出現(xiàn)病蟲害情況下也不會造成危害。這也為研究提供了良好的無病蟲害水稻的光譜參數(shù)數(shù)據(jù)。

1.3 遙感數(shù)據(jù)源

該文主要采用Planet 公司提供的PlanetScope小衛(wèi)星星群（簡稱PS群）數(shù)據(jù)［29］。PS群現(xiàn)有在軌衛(wèi)星共170 余顆，是全球最大的衛(wèi)星星座，可實現(xiàn)每天監(jiān)測全球一次，這對其在農情監(jiān)測方面的應用有十分重要的意義。每個PS群衛(wèi)星成員都是一顆3U立方體（10 cm×10 cm×30 cm）小衛(wèi)星Dove，每個Dove航天器均裝備一個光學系統(tǒng)和相機，能夠拍攝地面分辨率為3～4 m 的多光譜影像，符合大田農情監(jiān)測的實際需求。

表1 Planet 衛(wèi)星主要載荷參數(shù)Table 1 Specifications of the Planet main payloads

為提高數(shù)據(jù)的穩(wěn)定性和研究的可靠行，研究使用了3B級PlanetScope正射影像產(chǎn)品，該產(chǎn)品經(jīng)過傳感器校正、輻射校正、大氣校正、幾何校正等處理，形成幅寬為24×7 km，空間分辨率為3 m 的正射影像。影像采用UTM坐標系，定位精度的均方根誤差（RMSE）小于10 m。在輻射校正方面，3B級Planet 產(chǎn)品采用了一種十分嚴謹?shù)妮椛湫Ｕ惴ǎ撍惴▽l(fā)射前校正、月球校正和與在軌的RapidEye和Landsat8等傳感器交叉校正相結合，大氣層頂（TOA）輻射精度在±10%范圍內，星座的整體不確定性在5%～6%之間，符合研究需求。為消除大氣效應的影響，產(chǎn)品采用6S大氣校正算法和大氣狀態(tài)數(shù)據(jù)，利用不同傳感器的光譜響應函數(shù)、特定場景視圖和光照幾何模擬不同場景下的大氣校正系數(shù)，從而獲得真實的地表反射率，使得定量反演地表各類參數(shù)更加準確。

由于研究區(qū)地處四川盆地，受周圍地形、水汽和風力等因素影響，云層覆蓋率高，對多光譜衛(wèi)星數(shù)據(jù)的選取與應用產(chǎn)生較大影響，因此可獲得的高質量研究影像十分有限［30］。綜合影像質量和水稻生長周期，研究選用6組Planet 衛(wèi)星影像作為研究數(shù)據(jù)，日期分別為2019年4 月25日、5月12 日、5月27日、6月29日、7月14 日和8月6日。

1.4 地面實測數(shù)據(jù)源

地面實測數(shù)據(jù)為研究提供了樣本區(qū)域、訓練數(shù)據(jù)以及驗證依據(jù)，是研究的重要組成部分。為保證衛(wèi)星影像反演的植被指數(shù)與水稻病蟲害信息的耦合性，提高研究的可靠性，該研究選用了崇州市農業(yè)技術推廣綜合服務中心在崇州市燎原鄉(xiāng)、公議鄉(xiāng)、道明鎮(zhèn)、懷遠鎮(zhèn)、江源鎮(zhèn)、榿泉鎮(zhèn)和隆興鎮(zhèn)（2個，分別稱為隆興1站和2站）布設的8處水稻田植保站采集到的水稻病蟲害信息作為研究的地面實測數(shù)據(jù)。

崇州市農業(yè)技術推廣綜合服務中心依據(jù)成都市農業(yè)發(fā)展要求和《植物檢疫條例》的有關規(guī)定，根據(jù)農作物生育期及氣候等條件對農田主要的病蟲草鼠害進行監(jiān)測預報，并及時發(fā)布病蟲發(fā)生范圍和趨勢預報，提供防治信息，指導全區(qū)農作物病蟲防治工作［31］。

研究選用的8處水稻田植保站均位于較大面積水稻田中，播種方式為插秧式播種。植保站在水稻田中心位置附近安裝了蟲情監(jiān)測系統(tǒng)和高清攝像頭，并有專業(yè)的植保人員定期對農田進行巡視、采樣、數(shù)據(jù)統(tǒng)計及分析。蟲情監(jiān)測系統(tǒng)可實時監(jiān)測水稻田中各種害蟲的數(shù)量，高清探頭和專業(yè)人員巡視、采樣可以較為全面的監(jiān)控、判別水稻病害情況。根據(jù)《四川省病蟲測報規(guī)范和標準》，植保人員將統(tǒng)計的水稻病蟲害信息總結歸納為5 個等級：1級為有發(fā)生但不造成危害，2 級為輕度危害，3級為中度危害，4 級為較嚴重危害，5級為嚴重危害。

根據(jù)獲取的衛(wèi)星數(shù)據(jù)和水稻的插秧日期，研究整理統(tǒng)計了衛(wèi)星過境時刻8個植保站點的水稻病蟲害監(jiān)測結果分級（表2）。其中，道明、懷遠、公議、燎原、隆興2號和江源6個站點由于2019年4月25 日并未插秧，造成數(shù)據(jù)空缺。

表2衛(wèi)星過境時刻8 個植保站點的水稻病蟲害檢測結果分級Table 2 Statistical results for the diseases and pests in rice from 8 plant protection stations at satellite overpass time

2 研究方法

該文利用遙感技術，通過遙感數(shù)據(jù)和數(shù)學運算定量分析水稻病蟲害的嚴重程度。遙感數(shù)據(jù)本質是地物對特定電磁波反射能力的記錄。對于植被而言，根據(jù)其獨特的反射特性，對傳感器獲取的各波段反射率進行重組計算，形成各種植被指數(shù)，從而實現(xiàn)對地表植被狀態(tài)的度量是常用的簡單、可靠的數(shù)學手段。同時，基于光譜計算出的植被指數(shù)既包含了光譜對地表植被的度量，又消除了冗余信息，可以認為是對地表植被信息的一種更加準確的量化測度。因此可以使用信息理論相關原理對不確定性引起的相同植被指數(shù)間的變化進行模擬。

當水稻受到病蟲害脅迫時，植株葉片中葉綠素會受到破壞，甚至會出現(xiàn)葉片枯萎，從而影響植株的光譜反射，進而影響植被指數(shù)的信息表達。因此，該文假設健康水稻和受病蟲害脅迫的水稻在植被指數(shù)信息測度方面會形成一定差異，這種差異可以通過隨機模型表達。為證明這一假設，根據(jù)Planet 衛(wèi)星參數(shù)特點，研究選擇了10種常見的植被指數(shù)進行討論，并提出了植被指數(shù)非相似性定量化計算方法，通過植被指數(shù)的非相似性與地面實測水稻病蟲害等級數(shù)據(jù)的回歸分析，研究利用植被指數(shù)非相似性監(jiān)測水稻病蟲害的方法。同時，通過回歸分析選擇出與水稻病蟲害等級數(shù)據(jù)相關程度較高的幾種植被指數(shù)非相似性，通過K-fold 交叉驗證判斷植被指數(shù)非相似性監(jiān)測水稻病蟲害的精度，從而分析利用植被指數(shù)非相似性監(jiān)測水稻病蟲害方法的可行性。具體流程如圖3所示。

2.1 數(shù)據(jù)選擇

利用植被指數(shù)非相似性監(jiān)測水稻病蟲害研究的前提是保證參考區(qū)域和試驗區(qū)域的水稻漲勢盡可能相同或相近。由于8處試驗區(qū)域均為插秧式播種，該文根據(jù)試驗區(qū)域插秧時間來挑選參考區(qū)域相對應的地塊，從而使得兩處數(shù)據(jù)之間具有較高的耦合性。

圖3利用植被指數(shù)非相似性監(jiān)測水稻病蟲害研究流程Fig.3 Flowchart of the study on detection and discrimination of pests and diseases in rice using vegetation index divergen

根據(jù)統(tǒng)計數(shù)據(jù)，試驗區(qū)8個植保站所在的水稻田的插秧時間主要集中在兩個時段，分別是2019年4月下旬（榿泉站為4月20日，隆興1站為4月22日）和2019年5 月上旬（道明站為5月6日，懷遠站和隆興2 站為5月7日，公議站、江源站和燎原站為5月8日）。根據(jù)試驗區(qū)插秧時間，研究從參考區(qū)多個地塊中篩選了2 個與試驗區(qū)插秧時間最為接近的地塊（表3），地塊一的插秧時間為2019年4月20日，對應討論的試驗站點為榿泉站和隆興1站；地塊二的插秧時間為2019年5月7日，對應討論的試驗站點為道明站、懷遠站、公議站、燎原站、隆興2站和江源站。

表3 參考區(qū)域與試驗區(qū)域及二者插秧時間對應表Table 3 Correspondence between reference area and test area and their transplanting time

2.2 植被指數(shù)計算

研究使用的Planet 衛(wèi)星數(shù)據(jù)含有可見光和近紅外4 個波段。根據(jù)衛(wèi)星數(shù)據(jù)特點，研究選擇了10種相對應植被指數(shù)進行討論，如表4。其中，NDI［32］和GLI［33］是基于可見光波段 計算的植被指數(shù)，NDVI［34-37］、GNDVI［38］、SAVI［39］、OSAVI［40］、MSR［41］和RDVI［42］為基于可見光、近紅外波段計算的植被指數(shù)，這些指數(shù)已經(jīng)被證實可以較好的模擬作物的物候現(xiàn)象以及一些理化參數(shù)。DI14和RI14為Qin等人［15］研究發(fā)現(xiàn)的與水稻病蟲害相關程度最高的水稻病蟲害指數(shù)。

同時，根據(jù)植被的光譜特性，這10種植被指數(shù)在水稻生長階段都應為正數(shù)，這也為之后的研究提供了較充足的便利條件。

表4 10種植被指數(shù)及其表達形式Table 4 The 10 selected vegetation indices examined in this research，together with their band-specific formulations and associated principal reference

2.3 植被指數(shù)非相似計算

由于植被指數(shù)是一種通過光譜計算獲取地表植被信息的度量手段，通過假設每種植被指數(shù)變量隨機分布，該文提出基于信息理論［21］和光譜信息散度模型（SID）［22］的一種計算相同植被指數(shù)之間相似性差異的方法。該方法通過信息測度原理，將每個植被指數(shù)向量視為具有概率統(tǒng)計特性的信息源，從而將植被指數(shù)相似性問題假設為植被指數(shù)向量之間概率行為差異問題。

具體而言，將植被指數(shù)影像根據(jù)列優(yōu)先原則轉換成一組植被指數(shù)向量x=（x1，…，xL）T，其中xl代表指數(shù)向量中的第l個指數(shù)值，O≤l≤L。假設｛λi｝I（i=1）是一個植被指數(shù)I的集合，集合中每一個元素代表一種植被指數(shù)。以x為隨機變量進行建模，定義概率空間（Ω，∑，P），Ω是樣本空間，∑是事件空間，P 為概率測度。因為x代表水稻生長期間水稻田區(qū)域的植被指數(shù)，因此x為非負的。根據(jù)以上假設，可以定義概率測度：

式（1）中，向量p=（p1，p2，…pI）T是由像素向量x得到的期望概率向量。因此，任何植被指數(shù)向量x=（x1，…，xL）T可以看作是一個單一的信息源，其統(tǒng)計數(shù)據(jù)受向量p=（p1，p2，…，pI）T約束，從而使得向量p可用于描述植被指數(shù)的可變性。

根據(jù)Fano信息理論，定義參考區(qū)域（x）和試驗區(qū)域（y）的自信息：

式（2）和（3）中，pi和qi分別為參考區(qū)域和試驗區(qū)域的期望概率。

y相對于x的相對熵（即散度）可以定義為：

對應的，x相對于y的散度可以定義為：

因此該文基于SID模型定義植被指數(shù)非相似度參數(shù)為：

VID可以看作是SID在植被指數(shù)領域的變形和應用，它通過度量兩組相同植被指數(shù)之間的互信息大小確定兩組相同植被指數(shù)之間的相似程度。VID值越高，說明兩組相同植被指數(shù)之間的相似性越低；反之，VID值越低，則兩組相同植被指數(shù)之間的相似性越高。但具體的非相似性度量區(qū)間還需進一步研究。

2.4 單變量回歸分析

地面實測水稻病蟲害等級數(shù)據(jù)將水稻病蟲害的嚴重程度進行了量化分級，為VID 與水稻病蟲害建立模型關系提供了數(shù)學基礎。研究將計算出的10種植被指數(shù)VID與植保站監(jiān)測的水稻病蟲害等級數(shù)據(jù)進行單變量回歸分析和曲線擬合，以此建立植被指數(shù)非相似性監(jiān)測水稻病蟲害的方法模型以及評估監(jiān)測能力。在分析過程中，每種植被指數(shù)VID 與水稻病蟲害等級數(shù)據(jù)逐一進行回歸建模，包括線性擬合、二次擬合、多次擬合、指數(shù)擬合、對數(shù)擬合和冪函數(shù)擬合等趨勢分析方法。

由于VID為離散變量，水稻病蟲害等級為類別變量，二者擬合時很難計算準確的均方根誤差，因此研究主要根據(jù)決定系數(shù)（R2）確定最佳擬合模型。同時，根據(jù)規(guī)范標準，水稻病蟲害總共分為5個等級，但由于缺乏第5等級的訓練數(shù)據(jù)，容易出現(xiàn)高等級水稻病蟲害區(qū)域欠擬合和訓練模型整體過擬合現(xiàn)象，因此最佳擬合模型篩選時不能僅考慮R2，還要考慮模型在實際監(jiān)測水稻病蟲害過程中的可行性。

雖然單變量回歸分析原理簡單，普適性不強，但研究獲取到的并不特別復雜空間變量難以滿足更高級的數(shù)據(jù)分析方法，在未充分掌握高度復雜和更高維度空間數(shù)據(jù)的前提下，簡單單變量回歸不失為一種快速、簡便建模的方法，

2.5 K-fold 交叉驗證

研究通過單變量回歸分析確定了各植被指數(shù)VID與水稻病蟲害等級的定量關系。由于變量類型不同，簡單的單變量擬合回歸無法定量描述VID監(jiān)測水稻病蟲害的精度狀況。為更加準確評估VID監(jiān)測水稻病蟲害的能力，確定監(jiān)測精度，研究將水稻病蟲害等級人為設置為離散變量，同時選擇擬合程度較高的幾種植被指數(shù)通過K-fold交叉驗證來對VID監(jiān)測水稻病蟲害的精度進行討論。

K-fold 交叉驗證是通過將整個擬合數(shù)據(jù)集分成一個訓練數(shù)據(jù)集和一個測試數(shù)據(jù)集，這個過程是隨機進行，并不會將數(shù)據(jù)集固定分成訓練數(shù)據(jù)集和測試數(shù)據(jù)集，這個過程就像是把數(shù)據(jù)折疊成K 份，然后進行迭代運算。每次迭代運算都會利用（K-1）/K 個數(shù)據(jù)集作為訓練數(shù)據(jù)，然后評估另外1/K 個子集的精度。經(jīng)過K 次迭代之后，使用每次迭代的測試數(shù)據(jù)集得到的估算值的平均值作為最終的估算值，并進行誤差分析。雖然K-fold交叉驗證會因為減少訓練數(shù)據(jù)的數(shù)據(jù)量而降低估算的精度，但是該方法獨立測試的屬性和通過迭代運算彌補訓練數(shù)據(jù)量的損失還是能比較客觀的評價模型反演的精度。

根據(jù)該研究的數(shù)據(jù)特點和K-fold交叉驗證理論，研究選擇6-fold交叉驗證的方式。即將全部擬合數(shù)據(jù)隨機分成6份。每次迭代運算時選擇其中的5份作為訓練數(shù)據(jù)進行擬合分析，確定擬合參數(shù)，同時用另外一份對擬合模型的精度進行測試。經(jīng)過6 次迭代運算，每份數(shù)據(jù)都經(jīng)過了6次訓練和驗證，我們可以根據(jù)這6次訓練和驗證的平均結果生成最終的監(jiān)測精度。

3 結果

3.1 回歸分析

在遙感領域，植被的生理參數(shù)通常通過與植被指數(shù)的特定聯(lián)系來進行估算，這些聯(lián)系往往是在現(xiàn)場測量的基礎上擬合標準回歸函數(shù)來建立的。為了判斷研究提出的基于植被指數(shù)計算的變量VID是否能夠準確監(jiān)測水稻病蟲害，該文對每種植被指數(shù)的VID與地面實測水稻病蟲害等級進行了回歸分析。在對各種類型的回歸分析進行評價（根據(jù)R2和可行性）后，為每種植被指數(shù)的VID選擇最佳擬合模型，并記錄相關參數(shù)（圖4）。

圖4 10 種植被指數(shù)回歸分析和曲線擬合結果Fig.4 Regression analysis and curve fitting results of the 10 vegetation indices

如圖4 所示，每種植被指數(shù)VID都與水稻病蟲害等級有很高的相關性，R2的值在0.63～0.95之間，說明植被指數(shù)VID在監(jiān)測水稻病蟲害方面有較強的可行性。其中，擬合最好的是水稻病蟲害指數(shù)（DI14）（圖4（i）），其多次擬合的R2為0.95。為了防止由于訓練數(shù)據(jù)量的限制多次擬合方程發(fā)生過擬合現(xiàn)象，研究還記錄了其線性擬合的相關參數(shù)，結果表明R2為0.90。說明DI14與水稻病蟲害等級有很強的相關性。相反的，在所選的10種植被指數(shù)中，與水稻病蟲害等級擬合最差的是綠波段歸一化植被指數(shù)（圖4（d）），其R2僅為0.67。這可能是因為綠波段歸一化植被指數(shù)所選用的兩個波段（綠光波段和近紅外波段）在植被反射光譜中均為高反射波段，對植被的敏感性與其他植被指數(shù)相比相對較差，同時易受到大氣逆輻射、環(huán)境輻射、太陽輻射等外界因素的影響。

作為可見光波段的植被指數(shù)，NDI 的VID與水稻病蟲害等級在10種植被指數(shù)中具有最強的線性相關性（圖4（a）），R2達到了0.94。這主要是因為研究是在已知水稻作物的樣方影像中進行的分析，排除了其他地類信息的干擾。但同樣作為可見光波段植被指數(shù)的GLI，由于其較高的敏感性（圖4（b）），通常只作為可見光影像植被與非植被的分類使用，造成了其VID與水稻病蟲害的相關程度較低，R2僅有0.78。

對于其他傳統(tǒng)植被指數(shù)，NDVI 的VID與水稻病蟲害等級相關程度最高（圖4（c）），其R2達到了0.90。這與其在遙感領域普遍的應用性相吻合。但SAVI（圖4（e））和OSAVI（圖4（f））的VID與水稻病蟲害等級的相關程度較差，R2分別為0.79和0.81。這主要是因為SAVI和OSAVI 主要是消除植被下墊面的土壤對光譜影響的植被指數(shù)，但水稻下墊面主要是水體和土壤的混合物，該指數(shù)對水稻的生理參數(shù)反演是否適應還需進一步的討論。

綜上所述，研究最終選用與水稻病蟲害等級數(shù)據(jù)相關程度最高的DI14、NDI和NDVI的VID進行進一步的監(jiān)測精度討論。

3.2 K-fold 交叉驗證結果

為了驗證利用植被指數(shù)VID監(jiān)測水稻病蟲害的精度，在還未獲得最新配套數(shù)據(jù)的情況下，該文將水稻病蟲害等級數(shù)據(jù)由類別數(shù)據(jù)假設為離散數(shù)據(jù)，基于已采集到的擬合數(shù)據(jù)通過6-fold 交叉驗證方法驗證了DI14、NDVI和NDI這3種植被指數(shù)VID監(jiān)測水稻病蟲害的精度。

結果如圖5所示，通過對交叉驗證反演得到的水稻病蟲害等級和實測水稻病蟲害等級比較發(fā)現(xiàn)，3種植被指數(shù)VID監(jiān)測到的水稻病蟲害等級與實測水稻病蟲害等級數(shù)據(jù)有較好的耦合。精度最高的植被指數(shù)是NDI（圖5（a）），R2達到0.97，RMSE僅有0.16，這可能受益于研究所選衛(wèi)星影像均為已知水稻地塊，無其他地類干擾。精度第二高的植被指數(shù)為DI14（圖5（c）），其R2為0.91，RMSE為0.19，這與Chong 等人的研究結果類似。這可能是因為水稻種植過程中下墊面土壤含水量較高，尤其是水淹之后，下墊面幾乎為水體，所以通過遙感技術研究水稻生理參數(shù)時，利用考慮水體反射率較高的藍光波段計算的植被指數(shù)可能有更好的反演效果。精度相對較差的為NDVI（圖5（b）），其R2為0.92，RMSE為0.24。這可能是因為NDVI在反演作物生理參數(shù)時常會因為其飽和性的缺點造成對植被的生理變化不敏感。

圖5 K-fold 交叉驗證結果Fig.5 Results of K-fold cross validation

交叉驗證反演到的水稻病蟲害等級數(shù)據(jù)根據(jù)“四舍五入”原則取整，使其重新變?yōu)轭悇e變量。如圖5，結果發(fā)現(xiàn)3種植被指數(shù)的VID對水稻病蟲害監(jiān)測都取得了很高的精度。其中，DI14和NDVI的監(jiān)測精度都達到了100%；NDI 由于4 級病蟲害出現(xiàn)了低估，造成了監(jiān)測精度下降，但也達到了97.62%，這可能是因為NDI易受其他輻射影響，造成植被指數(shù)差異性降低造成的。同時，利用3種植被指數(shù)監(jiān)測4 級病蟲害時都出現(xiàn)了較大誤差，這主要是由于訓練數(shù)據(jù)集中僅有一組4級病蟲害的數(shù)據(jù)，可能會導致交叉驗證時假設空間變小。這說明利用植被指數(shù)VID監(jiān)測水稻病蟲害的方法在實際農業(yè)生產(chǎn)有廣闊的應用前景。但由于受限于訓練數(shù)據(jù)量，該結果還缺乏一定的公信力，需要在日后的研究中進一步完善拓展。

4 討論

該文提出了植被指數(shù)非相似性的計算方法，并通過兩種途徑討論了植被指數(shù)非相似性監(jiān)測水稻病蟲害能力：（1）將植被指數(shù)非相似性與實測的水稻病蟲害等級進行回歸分析，判定植被指數(shù)非相似性與水稻病蟲害之間的相關性；（2）采用K-fold 交叉驗證的方法判定植被指數(shù)非相似性監(jiān)測水稻病蟲害等級的精度。結果表明，植被指數(shù)非相似性與水稻病蟲害等級具有普遍相關性，利用相關性較高的3種植被指數(shù)非相似性監(jiān)測水稻病蟲害同樣具有相當高的監(jiān)測精度。該方法具有以下特點。

（1）研究將空間特性的植被指數(shù)影像假設成了具有概率統(tǒng)計特性的信息量，并基于信息理論和SID 模型首次提出了植被指數(shù)非相似性（VID）計算方法。該方法的提出，可以將遙感對植被區(qū)域的單一觀測由靜態(tài)轉換成動態(tài)，為利用遙感技術對植被區(qū)域進行變化監(jiān)測提供了全新手段和思路。研究過程中，已經(jīng)證明VID與水稻病蟲害有很強相關性。隨著日后研究的深入，可以將VID應用到作物長勢監(jiān)測、災害恢復監(jiān)測、植被覆蓋度變化等多個領域。

（2）研究方法原理簡單、可操作性強。研究所需數(shù)據(jù)均選擇目前已有數(shù)據(jù)，提高了研究方法的普適性。同時，首次將四川省農科院現(xiàn)代農業(yè)科技創(chuàng)新示范園區(qū)精準化管理的農田影像作為參考，根據(jù)地理學第一定律［43-44］對附近水稻田間的病蟲害進行監(jiān)測。這也為現(xiàn)代化農業(yè)科技創(chuàng)新示范園創(chuàng)造了新的應用途徑，增加了其內在價值。隨著全國各地農業(yè)科技創(chuàng)新示范園以及標準化農田的建設，該研究可基于充足的參考數(shù)據(jù)擴展該文方法的應用范圍。

（3）研究方法可移植程度高。該文選用了高分辨率的多光譜Planet 衛(wèi)星數(shù)據(jù)，討論了可見光、多光譜波段的多種植被指數(shù)。其中，可見光波段的NDI和多光譜波段的DI14、NDVI 在監(jiān)測水稻病蟲害方面取得了較高的精度。因此該方法在未來可以完全移植到其他中高分辨率衛(wèi)星數(shù)據(jù)（如Landsat、Spot、Quickbird 等）以及無人機遙感影像中。隨著研究的進一步深入，可以將該方法理論擴展到具有紅邊波段的多光譜數(shù)據(jù)以及高光譜數(shù)據(jù)中，進一步提高該方法的穩(wěn)定性和準確性。

當然，像許多首次提出的方法一樣，該研究方法還有一些局限性。

（1）受限于研究區(qū)域，研究獲取到的可用衛(wèi)星數(shù)據(jù)十分有限。盡管研究選用了時間分辨率為1 d的Planet衛(wèi)星數(shù)據(jù)，但是因為成都地區(qū)多云天氣，只在水稻生長周期中獲取到了6景可用的遙感數(shù)據(jù)，使得研究可用的訓練數(shù)據(jù)十分有限。這在一定程度上降低了研究成果的公信力。在之后的研究中，應將該方法擴展到其他區(qū)域，并增加更多訓練數(shù)據(jù)對該方法進行進一步討論。

（2）受限于水稻插秧期和已知信息，研究沒有對植被指數(shù)非相似性進行敏感性分析，因此不能排除植被指數(shù)非相似性的偶然誤差對實驗結果產(chǎn)生的影響。這需要在日后的研究中精心設計試驗去進一步論證。

（3）該研究是在已知水稻地塊情況下進行的討論分析，這就意味著在未來的應用中需要依托準確的地塊作物分類信息。但是目前尚無精度較高的地表作物分類影像產(chǎn)品，這對研究方法的實際應用帶來了一定障礙。

5 結論

遙感技術被認為是一種快速、經(jīng)濟且高效的水稻病蟲害監(jiān)測手段。該文為探索遙感技術有效監(jiān)測水稻病蟲害的方法，將植被指數(shù)（基于遙感數(shù)據(jù)反演）假設成具有概率統(tǒng)計特性的信息源，并基于信息理論和SID模型提出了植被指數(shù)非相似性（VID）計算方法，通過VID與地面實測數(shù)據(jù)建立起的回歸關系，估算水稻病蟲害等級。

該文根據(jù)選用的多光譜衛(wèi)星數(shù)據(jù)的特點，選擇了10種有可操作性的植被指數(shù)進行評估。利用四川省農科院現(xiàn)代農業(yè)科技創(chuàng)新示范園區(qū)內精準化管理的水稻田作為參考區(qū)域，四川省崇州市8處具有病蟲害監(jiān)測系統(tǒng)的水稻田作為試驗區(qū)域，通過計算二者的VID得到兩處研究區(qū)同時間段的定量化植被指數(shù)非相似性。將VID 與植保站統(tǒng)計的水稻病蟲害等級進行回歸分析，發(fā)現(xiàn)10 種植被指數(shù)的VID與水稻病蟲害等級具有較高的相關性，R2的范圍在0.67～0.95之間。其中相關程度最高的3種植被指數(shù)為DI14、NDI和NDVI。為進一步討論利用植被指數(shù)非相似性監(jiān)測水稻病蟲害的精度，研究將水稻病蟲害等級數(shù)據(jù)由類別數(shù)據(jù)假設為離散數(shù)據(jù)，采用K-fold 交叉驗證方法對VID的監(jiān)測精度進行了進一步的論證。結果發(fā)現(xiàn)，NDI的VID監(jiān)測水稻病蟲害精度最高，R2為0.97，RMSE為0.16；其次是DI14，R2為0.91，RMSE 為0.19；相對較差的NDVI，R2也達到了0.92，RMSE 為0.24。將交叉驗證反演后的離散的水稻病蟲害等級數(shù)據(jù)根據(jù)“四舍五入”原則重新轉換成類別數(shù)據(jù)，發(fā)現(xiàn)NDI、DI14和NDVI這3種植被指數(shù)的VID監(jiān)測水稻病蟲害的精度分別為97.62%，100%和100%。該研究雖受限于訓練數(shù)據(jù)集中的數(shù)據(jù)量，結果公信力有待進一步提升，但該方法的提出也為之后利用遙感技術監(jiān)測水稻病蟲害的研究應用提供了新思路。