基于無人機多光譜影像的檳榔黃化病遙感監測

趙晉陵，金 玉,，葉回春，黃文江,，董瑩瑩，范玲玲，馬慧琴，江 靜,

·農業航空工程·

基于無人機多光譜影像的檳榔黃化病遙感監測

趙晉陵1，金 玉1,2，葉回春2,3※，黃文江1,2,3，董瑩瑩2，范玲玲1，馬慧琴2，江 靜1,2

（1. 安徽大學農業生態大數據分析與應用技術國家地方聯合工程研究中心，合肥 230601； 2. 中國科學院空天信息創新研究院，北京 100094； 3.海南省地球觀測重點實驗室，三亞 572029）

黃化病是一種嚴重危害檳榔生長的病害，迫切需要及時、準確地監測其侵染的嚴重度差異和空間分布。低空無人機遙感可有效解決檳榔種植區由于多云雨天氣而造成光學衛星影像獲取不足，提高檳榔黃化病監測的實時性。該文利用大疆精靈Phantom 4 Pro V2.0四旋翼無人機搭載MicaSense RedEdge-M多光譜相機獲取5波段多光譜影像，基于最小冗余最大相關算法（Minimum Redundancy Maximum Relevance，mRMR）從15個潛在的植被指數中優選比值植被指數（Ratio Vegetation Index，RVI）、改進的簡單比值指數（Modified Simple Ratio Index，MSR）和花青素反射指數（Anthocyanin Reflectance Index，ARI）作為敏感特征，分別利用后向傳播神經網絡（Back Propagation Neural Network, BPNN）、隨機森林（Random Forest, RF）和支持向量機（Support Vector Machine, SVM）分類算法，構建了檳榔黃化病嚴重度監測模型。結果表明，BPNN模型總體精度達到91.7%，分別比RF模型和SVM模型提高6.7%和10.0%，且Kappa系數為0.875，為所有模型中最高，漏分、錯分誤差也最小，健康，輕度和重度分別為11.1%、15.8%，13.6%、9.5%和0、0。研究結果證明了無人機多光譜遙感影像監測檳榔黃化病的可行性，同時也可為其他熱帶作物病害監測提供案例研究。

無人機；遙感；檳榔黃化病；多光譜影像；敏感特征

0 引 言

檳榔（.）主要生長在熱帶和亞熱帶地區，是中國海南省的第一大熱帶經濟作物[1]。然而，病害的頻繁發生和嚴重度加劇已嚴重影響了檳榔種植業的發展。作為一種嚴重危害檳榔的傳染病害，黃化病最早發現于印度，1981年在海南省屯昌縣藥材場出現，之后頻繁發生，危害日益嚴重[2]，迫切需要及時、準確地監測病害發生的嚴重度空間分布，以便于實施早期防控。前期的調查方式主要基于地面人工調查，但耗時、費力、主觀性強，嚴重影響了檳榔黃化病監測的及時性和有效性，不適于大面積快速監測與統防統治。

航天遙感技術的出現，為作物病蟲害大面積、快速、準確監測提供了重要的技術手段[3]。Jonas等[4]基于病害前后的QuickBird影像開展小麥白粉病和條銹病的識別研究，識別精度達到88.6%。Zhang等[5]利用多時相中分辨率HJ-CCD影像，監測了區域尺度的小麥白粉病發生、發展情況。da Rocha等[6]選用Landsat-8 OLI遙感影像監測咖啡豆壞死病。由于衛星光學影像在成像過程中經常受到云、雨、霧等惡劣天氣的影響，尤其在熱帶地區經常難以獲取可用的遙感影像。相比之下，無人機可在云下飛行，具有成本低、操作簡單、獲取影像速度快、影像分辨率高等優勢，有效彌補了光學衛星遙感和普通航空攝影易受云層遮擋的缺陷[7-9]。Su等[10]基于無人機航拍的多光譜影像，采用貝葉斯優化的隨機森林方法建立了小麥條銹病監測模型。蘭玉彬等[11]利用無人機采集的柑橘園高光譜影像，通過K近鄰法和支持向量機法（Support Vector Machine，SVM）構建柑橘黃龍病判別模型。Backoulou等[12]利用色度指標法分割無人機多光譜影像，通過分析常斑塊的面積、形狀、連通度與聚集度等指標，有效識別了小麥蚜蟲侵害的田塊。上述研究表明，先前的作物病害遙感監測研究多基于衛星遙感數據，研究對象也主要集中于小麥、水稻等大田作物。無人機遙感技術為作物病害識別和監測提供了快速、高效的手段，但用于檳榔黃化病的監測研究還鮮有報道。

在構建作物病害遙感監測模型時，由于建模因子中存在不相關、弱相關或者冗余特征，會影響模型的分類精度和泛化能力。例如：相關分析法只對所選特征進行相關性分析，沒有剔除無效的冗余特征，降低了分類模型的學習性能[13]；T檢驗方法只顯示了特征的類間差異，并沒有充分體現特征與類標簽之間的聯系[14]。相比之下，最小冗余最大相關算法（Minimum Redundancy Maximum Relevance，mRMR）具有保證特征與類別最大相關性的同時去除冗余特征的優勢，已廣泛應用于目標識別[15]、遙感影像分類[16]、病蟲害遙感監測[17]等研究中。基于上述分析，由于海南多云雨天氣，極大限制了光學衛星遙感影像的獲取，本研究采集無人機多光譜影像，選用mRMR篩選對檳榔黃化病敏感的特征，并利用BP神經網絡（Back Propagation Neural Network，BPNN）、隨機森林（Random Forest，RF）和SVM 3種分類算法分別構建檳榔黃化病的遙感監測模型，對比獲取最優的監測方法，以期為大面積檳榔黃化病監測與防控提供方法參考和案例支撐。

1 數據和方法

1.1 研究區

研究區位于海南省萬寧市北大鎮的一處檳榔林（18°54'41.66" N，110°17'46.01" E）（圖1），屬熱帶季風氣候，年平均氣溫23.6 ℃，最冷月平均氣溫18.7 ℃，最熱月平均氣溫28.5 ℃，年降水量約2 200 cm，年平均日照時數1 800 h以上。地處丘陵山區，土壤類型主要為紅壤土和沙壤土。萬寧市是海南省檳榔種植面積最大的市，2018年種植面積達18 138 hm2，占海南全省種植面積的16.5%[18]。檳榔黃化病已對本市檳榔種植造成了嚴重威脅，有調查結果顯示，萬寧市南部地區的檳榔黃化病平均發病率達39.6%[19]。本研究所選實驗地水肥條件良好，檳榔黃化現象主要由黃化病導致。

圖1 研究區地理位置及樣本點空間分布

1.2 數據獲取與處理

1.2.1 地面樣點數據采集

地面調查于2018年12月10日上午10:00－12:30進行，共采集60個樣點數據。研究區域面積為13.4 km2，檳榔樹高10～15 m。首先人工現場初步判定染病程度，并利用亞米級高精度GPS接收機定位；然后采用無人機搭載高清數碼相機，在距離檳榔樹冠層高約10 m處垂直向下拍攝，通過圖像處理計算葉片黃化面積占整個植株冠層面積的百分比。由于目前尚未有檳榔黃化病劃分的行業標準，綜合考慮病害為害特征及遙感影像可分性，將發生嚴重度劃分為3個等級：健康（<1%）、輕度（1%～10%）和重度（≥10%），樣本數分別為18、22和20。

1.2.2 無人機遙感數據獲取與預處理

無人機平臺使用大疆精靈Phantom 4 Pro V2.0四旋翼無人機，整機（含電池和槳）質量為1.375 kg，最大水平飛行速度72 km/s，最大飛行高度為6 000 m。搭載的傳感器為美國Micasense公司生產的MicaSense RedEdge-M多光譜相機。該相機可同時獲取5個波段數據，包含可見光波段、近紅外波段和紅邊波段，具體參數如表1所示。在開展病害地面調查實驗的同時進行無人機飛行實驗。飛行時光照條件良好，且風力小于3級。無人機航拍實驗前后，均在地面放置一塊校準反射面板，使相機盡可能垂直面板。該操作主要用于像元值的相對定標，獲取精準的反射率數據。為獲取穩定的影像信息，起飛前首先規劃好飛行航線，使無人機按照預先設定好的航線進行拍攝，飛行范圍覆蓋整個研究區域。飛行航高設為60 m，巡航速度為7 m/s，影像空間分辨率為4 cm，旁向重疊率為80%，航向重疊率為70%。獲取無人機影像后，利用Pix4D Mapper軟件對影像進行拼接，然后進行幾何校正、輻射定標、裁剪等預處理[20]。

表1 MicaSense RedEdge-M多光譜相機參數

1.3 輸入變量確定

1.3.1 特征選擇

檳榔感染黃化病后，外部形態會發生變化，如葉片變黃、枯萎等；其內部生理也會發生變化，如葉綠素和水分含量下降等。無論是形態還是生理的變化，都會引起檳榔光譜信息的改變。植被指數將藍波段、綠波段、紅邊波段等對大氣、植被、土壤敏感的光譜波段進行線性或非線性組合，綜合體現綠色植被的葉面積指數（Leaf Area Index，LAI）、蓋度、葉綠素含量、綠色生物量、吸收光合有效輻射（Absorbed Photosynthetically Active Radiation，APAR）等參數[21]，已被廣泛應用于作物病蟲害的遙感監測和診斷研究中，取得了令人滿意的分類精度[22]。基于預處理后的無人機多光譜影像，初步選取15個常用于植被長勢和病蟲害監測的植被指數作為監測檳榔長勢和病害脅迫的候選特征集，如表2所示。

表2 用于檳榔黃化病監測的植被指數

注：Blue、Green、Red和NIR分別表示藍波段、綠波段、紅波段和近紅外波段反射率；R(=550、670、678、700、800和5 670 mm)表示對應波數的反射率。

Note:Blue,Red,GreenandNIRrepresents the reflectivity of blue waveband, green waveband, red waveband and near-infrared waveband, respectively;R(=550, 670, 678, 700, 800 and 5 670 mm)is the reflectivity of corresponding wavelength.

1.3.2 特征變量優選

由于不同特征變量之間會存在一定的相關性，從而帶來較多的冗余數據，增大計算量，因此對初選的15個植被指數進行優選，得到反映檳榔黃化病最敏感的植被指數。相比于相關分析法、T檢驗法，mRMR算法能夠得到相關度高且冗余性小的特征數據集，同時考慮到所選特征與黃化病嚴重度之間的相關性以及特征之間的冗余性。mRMR算法利用互信息作為度量標準[38]，主要思想是從特征空間中找出個最優特征，這個特征與目標類別之間擁有最大相關性，且特征之間冗余性最小。特征集與類的相關性由各個特征x和類之間的所有互信息值的平均值的關系為

集合中所有特征的冗余（）由特征x與特征x之間的所有互信息值的平均值表示：

式中(x,)、(x,x)分別為特征和類之間、特征與特征之間的互信息。其中，互信息(,)的計算公式為

式中()、()為隨機變量、的概率密度函數，()為和的聯合概率密度函數。

聯合（1）和式（2），得到基于mRMR選擇特征的目標函數為

max(?R) （4）

1.4 建模方法

基于Matlab軟件平臺，選用BPNN、RF和SVM 3種算法分別構建檳榔黃化病發生嚴重度監測模型，并對結果進行比較分析。

1.4.1 BPNN算法模型

BPNN是一種多層前饋神經網絡，具有信號向前傳播、誤差反向傳播的特點，主要以誤差逆向傳播算法訓練模型，是目前應用最廣泛的神經網絡[39]。基本思想是梯度下降法，使得到的實際輸出值與期望輸出值之間的誤差均方差最小。本文BPNN主要構建2層神經網絡，即隱藏層和輸出層，具體實現過程如下：

1）輸入數據集。給定隨機劃分的訓練集P_train和驗證集T_test，以及訓練標簽P_class和驗證標簽T_class。

2）數據歸一化。使用mapminmax函數進行數據歸一化，將數據映射到[0, 1]范圍內，避免輸入和輸出數據的顯著差異。

3）建立神經網絡，并設置網絡參數。

4）設置訓練參數，進行網絡訓練。設置迭代次數為200次，學習率設置為0.001，訓練誤差目標為10-4，最大失敗次數為10。使用train（net, P, T）函數進行網絡訓練。

5）網絡仿真，使用sim（net, 測試矩陣）函數。根據預測值和期望值求得BPNN總體識別精度。

1.4.2 RF算法模型

RF是一種基于集合學習的組合分類算法，中心思想是：利用自助法（Bootstrap）從原始訓練樣本集中有放回地隨機抽取個樣本，進行次采樣后，得到個訓練集；分別基于每個新的訓練集建立模型，得到個決策樹模型；將生成的個決策樹組成隨機森林，并以多棵樹分類器投票決定最終的預測結果[40]。在訓練階段構建多個決策樹，其中最終的類輸出是單個決策樹類的模式。建模時，設置決策樹個數ntree為500，其他參數取默認值。

1.4.3 SVM算法模型

SVM是一種基于統計學習理論的新型機器學習方法，主要利用結構風險最小化原則實現[41]。通過在高維特征空間中尋找最優分割超平面，將不同類別的樣本分開，且誤差最小，從而實現數據的正確分類。由于其結構簡單，具有較強的適應性和較好的魯棒性，在線性、非線性、分類和回歸問題中都有廣泛應用。利用SVM構建檳榔黃化病監測模時，使用mapminmax函數對訓練集和驗證集進行歸一化處理，將數據縮放在區間[0, 1]范圍內；調用LIBSVM 3.23軟件中的svmtrain命令對訓練集進行訓練，并使用svmpredict命令對驗證集進行測試。其中，SVM使用線性核函數，懲罰因子、核參數等參數均使用系統默認值。

2 結果與分析

2.1 最優特征變量選擇

利用mRMR方法進一步對15個植被指數進行篩選，得到特征重要性從高到低的順序為：RVI、MSR、ARI、GNDVI、OSAVI、WDRVI、NDVI、EVI、TVI、NDGI、MSAVI、PSRI、SAVI、RDVI和DVI。為了進一步確定最優特征，分別輸入15個特征變量構建BPNN分類模型，得到圖2所示的特征變量個數與總體精度（Overall Accuracy，OA）關系曲線。由圖2可知，當特征個數為3時分類精度達到最大值91.7%；隨著特征變量個數的增加，總體精度開始下降且波動幅度較小，因此確定最優特征變量個數為3。根據特征重要性優先原則，選擇RVI、MSR、ARI作為最優特征組合。

圖2 特征變量個數與總體精度的關系

分析篩選的植被指數構建機理可以發現，RVI增強了植被與土壤之間的輻射差異，能夠表征不同植被覆蓋下的生物量信息并與葉綠素含量高度相關[42]；MSR能夠改善由于植被生化參數變化而出現的飽和性問題，且能夠克服大氣、土壤和背景等因素的影響[43]；ARI可用于植物的色素成分和含量變化分析[44]，可以很好地指示檳榔黃化病發生時色素成分和含量的變化。由于檳榔樹有一定的種植間距，從影像上看會有一定面積的裸露土壤，故RVI可減小土壤背景對檳榔樹光譜的影響。因此，利用RVI、MSR和ARI指數的組合能有效地提取檳榔黃化病信息。

2.2 模型評估與驗證

將最優特征子集（RVI、MSR和ARI）作為模型輸入，分別利用BPNN、RF和SVM，構建檳榔黃化病發生嚴重度監測模型，并利用驗證集評價3種模型的監測結果，如表3所示。

表3 不同模型的檳榔黃化病分類結果對比

從表3可以看出，基于BPNN、RF和SVM的檳榔黃化病監測模型均具有較好的分類精度。其中，BPNN模型的OA最高，達到91.7%，RF模型的OA為85.0%，略低于BPNN模型，而SVM模型的OA最低，為81.7%，且BPNN模型的OA比RF和SVM模型分別高出6.7%和10.0%；從Kappa系數來看，BPNN模型的Kappa系數為0.875，高于RF的0.774和SVM的0.727；對比3種方法所建模型的漏分、錯分情況發現，BPNN模型將重度分為健康和輕度發的情況較少，RF模型次之，SVM模型最為嚴重，且BPNN模型對健康和輕度的漏分、錯分在3種模型中最少，說明BPNN模型對重度樣本識別效果最好，且該模型對健康和輕度分類混淆情況比RF、SVM模型對健康和輕度混淆情況較少。上述結果說明，SVM模型的漏分、錯分情況總體最為嚴重，RF模型次之，BPNN模型最低。綜合分析，BPNN模型對檳榔黃化病的識別效果優于RF模型和SVM模型。

2.3 檳榔黃化病嚴重度空間分布

基于已建立的BPNN、RF和SVM檳榔黃化病遙感監測模型，將mRMR方法篩選出的特征變量組合（RVI、MSR和ARI）作為模型輸入，分別繪制黃化病嚴重度的遙感監測空間分布圖（圖3）。結果表明，基于3種監測模型得到的檳榔黃化病空間分布格局基本一致，總體上研究區西南部發病較為嚴重，而北部地區發病較輕，但3種方法生成的分布圖在局部地區仍存在一定差異。分析BPNN模型的分布圖（圖3a），重度發病面積相對較少且分布較均勻，主要發生在西南部，其他區域也有零星分布；輕度發病檳榔主要分布在西南部以及中東部區域。從驗證結果來看，BPNN模型對重度發病的檳榔識別率較高，但是出現小部分健康與輕度發病的檳榔分類混淆現象，尤其是研究區東部，由于輕度發病檳榔樣本光譜信息接近于健康檳榔，導致健康檳榔與輕度發病檳榔部分混淆。觀察RF模型的分布圖（圖3b），檳榔黃化病嚴重度總體分布與圖3a較為一致，但在南部區域出現部分輕度與重度發病的檳榔分類混淆現象。相比之下，SVM模型的分布圖中（圖3c），受黃化病侵害的檳榔數量明顯多于圖3a和圖3b，主要表現為黃化病輕發區最多，主要集中于東北角區域，這是因為該區域的部分正常檳榔被錯分為輕度發病；另外，在研究區的南部區域也有部分輕度發病的檳榔被錯分為重度發病。綜上所述，BPNN模型對研究區檳榔黃化病的分類識別效果比其他2種模型要好，再次證明了BPNN方法的優越性。

對比BPNN模型、RF模型和SVM模型的結果，發現BPNN模型的監測效果好于RF模型和SVM模型。主要由于BPNN方法具有較強的非線性擬合能力和泛化能力，建立的網絡模型穩定性較好，使得BPNN可較為準確地實現小區域的檳榔黃化病嚴重度監測。SVM雖然能通過核函數的選擇處理各種非線性問題，但是SVM算法對核函數以及懲罰因子等參數的選擇較為復雜，使其在線性、非線性、分類以及回歸等應用中受到一定的限制[45]，且SVM多用于解決二分類問題。RF具有較強的容噪能力，也不易產生過度擬合現象[46]，但是該方法參數較復雜，且RF的決策容易受取值劃分較多的特征影響，導致模型的精度受到影響。

圖3 基于BPNN、RF和SVM的檳榔黃化病嚴重度空間分布

3 結 論

本文利用無人機多光譜遙感數據，以mRMR算法篩選出的特征變量組合比值植被指數RVI、改進的簡單比值指數MSR和花青素反射指數ARI作為輸入，利用BPNN、RF和SVM方法分別構建檳榔黃化病遙感監測模型，并對比分析了3種模型的分類精度。結果表明BPNN、RF和SVM模型均具有較好的分類效果，其中，BPNN模型的OA最高，達到91.7%；RF模型的OA為85.0%，略低于BPNN識別模型；SVM模型的OA最低，為81.7%。BPNN模型的OA比RF模型和SVM模型分別高出6.7%和10.0%，且BPNN模型的Kappa系數為0.875，為所有模型中最高；總體上，BPNN模型的漏分、錯分誤差也最小，健康，輕度和重度的誤差分別為11.1%、15.8%，13.6%、9.5%和0、0。研究結果證明了無人機多光譜影像監測檳榔黃化病的可行性。

由于研究中采用一個高度獲取檳榔無人機多光譜影像，沒有考慮飛行高度對解析檳榔黃化病精度的影響，后續研究中可進一步解析病害反演精度的“尺度效應”。隨著更多亞米級高分辨率遙感衛星發射，為作物病害監測提供了豐富的數據源。如何結合無人機的機動性和衛星的宏觀性，通過“尺度轉換”和“模型擴展”實現大面積監測檳榔黃化病將是后續研究的重點方向。

在構建病害遙感監測模型時，建模方法的選擇會影響病害嚴重度反演的精度和效率。相比于SVM和RF，BPNN也存在一些需要解決的問題，例如，如何準確確定隱含層節點的個數，節點個數較少，導致網絡不能收斂，容錯性差，節點個數較多，導致網絡學習時間過長易出現過擬合現象；當樣本量數量過多或過少時，會產生欠擬合或過擬合現象。今后的研究中，需要保證不同病害嚴重度樣本的均衡性和代表性，另外也可以參考適合小樣本量分類的深度學習訓練策略，選擇參數范數懲罰、數據增強、提前終止等方法，減緩和防止過擬合現象，保證模型的泛化能力，提升病害等級分類精度。

[1] 孫慧潔，龔敏. 海南檳榔種植、加工產業發展現狀及對策研究[J]. 熱帶農業科學，2019，39(2)：91-94.

Sun Huijie, Gong Min. Current development status and countermeasures of arecanut planting and processing industry in Hainan[J]. Chinese Journal of Tropical Agriculture, 2019, 39(2): 91-94. (in Chinese with English abstract)

[2] 金開璇，孫福生，陳慕容，等. 檳榔黃化病的病原的研究初報[J]. 林業科學，1995，31(6)：556-558.

Jin Kaixuan, Sun Fusheng, Chen Murong, et al. Yellows disease of betel nut palm in Hainan, China[J]. Scientia Silvae Sinicae, 1995, 31(6): 556-558. (in Chinese with English abstract)

[3] 張競成，袁琳，王紀華，等. 作物病蟲害遙感監測研究進展[J]. 農業工程學報，2012，28(20)：1-11.

Zhang Jingcheng, Yuan Lin, Wang Jihua, et al. Research progress of crop diseases and pests monitoring based on remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(20): 1-11. (in Chinese with English abstract)

[4] Jonas F, Menz G. Multi-temporal wheat disease detection by multi-spectral remote sensing[J]. Precision Agriculture, 2007, 8(3): 161-172.

[5] Zhang J C, Pu R L, Yuan L, et al. Integrating remotely sensed and meteorological observations to forecast wheat powdery mildew at a regional scale[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(11): 4328-4339.

[6] da Rocha Miranda J, de Carvalho Alves M, Pozza E A, et al. Detection of coffee berry necrosis by digital image processing of landsat 8 oli satellite imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2020, 85, 101983.

[7] 汪小欽，王苗苗，王紹強，等. 基于可見光波段無人機遙感的植被信息提取[J]. 農業工程學報，2015，31(5)：152-159.

Wang Xiaoqin, Wang Miaomiao, Wang Shaoqiang, et al. Extraction of vegetation information from visible unmanned aerial vehicle images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(5): 152-159. (in Chinese with English abstract)

[8] 王利民，劉佳，楊玲波，等. 基于無人機影像的農情遙感監測應用[J]. 農業工程學報，2013，29(18)：136-145.

Wang Limin, Liu Jia, Yang Lingbo, et al. Applications of unmanned aerial vehicle images on agricultural remote sensing monitoring[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(18): 136-145. (in Chinese with English abstract)

[9] 李冰，劉镕源，劉素紅，等. 基于低空無人機遙感的冬小麥覆蓋度變化監測[J]. 農業工程學報，2012，28(13)：160-165.

Li Bing, Liu Rongyuan, Liu Suhong, et al. Monitoring vegetation coverage variation of winter wheat by low-altitude UAV remote sensing system[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(13): 160-165. (in Chinese with English abstract)

[10] Su J Y, Liu C J, Coombes M, et al. Wheat yellow rust monitoring by learning from multispectral UAV aerial imagery[J]. Computers and Electronics in Agriculture, 2018, 155: 157-166.

[11] 蘭玉彬，朱梓豪，鄧小玲，等. 基于無人機高光譜遙感的柑橘黃龍病植株的監測與分類[J]. 農業工程學報，2019，35(3)：92-100.

Lan Yubin, Zhu Zihao, Deng Xiaoling, et al. Monitoring and classification of citrus Huanglongbing based on UAV hyperspectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(3): 92-100. (in Chinese with English abstract)

[12] Backoulou G F, Elliott N C, Giles K, et al. Spatially discriminating Russian wheat aphid induced plant stress from other wheat stressing factors[J]. Computers and Electronics in Agriculture, 2011, 78(2): 123-129.

[13] 王新峰，邱靜，劉冠軍. 基于特征相關性和冗余性分析的機械故障特征選擇研究[J]. 中國機械工程，2006，17(4)：379-382.

Wang Xinfeng, Qiu Jing, Liu Guanjun. Research on mechanical fault feature selection based on feature relevancy and redundancy analysis[J]. China Mechanical Engineering, 2006, 17(4): 379-382. (in Chinese with English abstract)

[14] 肖憶南，謝榕，杜娟. 基于t檢驗和彈性網的數據分類特征選擇方法[J]. 小型微型計算機系統，2015，36(10)：2213-2217.

Xiao Yinan, Xie Rong, Du Juan. Feature selection method for data classification based on t-test and elastic net[J]. Journal of Chinese Computer Systems, 2015, 36(10): 2213-2217. (in Chinese with English abstract)

[15] Li D Y, Wen G H. MRMR-based ensemble pruning for facial expression recognition[J]. Multimedia Tools and Applications, 2017, 77(10): 1-22.

[16] 程希萌，沈占鋒，邢廷炎，等. 基于mRMR特征優選算法的多光譜遙感影像分類效率精度分析[J]. 地球信息科學學報，2016，18(6)：815-823.

Cheng Ximeng, Shen Zhanfeng, Xing Tingyan, et al. Efficiency and accuracy analysis of multispectral image classification based on mRMR feature selection method[J]. Journal of Geo-information Science, 2016, 18(6): 815-823. (in Chinese with English abstract)

[17] Huang W J, Guan Q S, Luo J H, et al. New optimized spectral indices for identifying and monitoring winter wheat diseases[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(6): 2516-2524.

[18] 海南省統計局. 海南統計年鑒2019[M]. 北京：中國統計出版社，2019.

[19] 楊春雨，戰晴晴，周亞奎，等. 萬寧市南部地區檳榔黃化病情調查[J]. 中國藥業，2018，27(1)：70-71.

Yang Chunyu, Zhan Qingqing, Zhou Yakui, et al. Investigation on the condition of areca yellow leaf disease in the South of Wanning[J]. China Pharmaceuticals, 2018, 27(1): 70-71. (in Chinese with English abstract)

[20] 魏鵬飛，徐新剛，李中元，等. 基于無人機多光譜影像的夏玉米葉片氮含量遙感估測[J]. 農業工程學報，2019，35(8)：126-133，335.

Wei Pengfei, Xu Xingang, Li Zhongyuan, et al. Remote sensing estimation of nitrogen content in summer maize leaves based on multispectral images of UAV[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(8): 126-133, 335. (in Chinese with English abstract)

[21] Gitelson A A. Wide dynamic range vegetation index for remote quantification of biophysical characteristics of vegetation[J]. Journal of Plant Physiology, 2004, 161(2): 165-173.

[22] Huang W J, Lamb D W, Niu Z, et al. Identification of yellow rust in wheat using in-situ spectral reflectance measurements and airborne hyperspectral imaging[J]. Precision Agriculture, 2007, 8(4/5): 187-197.

[23] Gitelson A A, Merzlyak M N, Chivkunova O B. Optical properties and nondestructive estimation of anthocyanin content in Plant leaves[J]. Photochemistry and Photobiology, 2001, 74(1): 38-45.

[24] Jordan C F. Derivation of leaf area index from quality of light on the forest floor[J]. Ecology, 1969, 50(4): 663-666.

[25] Verstraete M M, Pinty B, Myneni R B. Potential and imitations of information extraction on the terrestrial biosphere from satellite remote sensing[J]. Remote Sensing of Environment, 1996, 58(2): 201-214.

[26] Yang C M, Cheng C H, Chen R K. Changes in spectral characteristics of rice canopy infested with brown planthopper and leaffolder[J]. Crop Science, 2007, 47(1): 329-335.

[27] Qi J, Chehbouni A, Huete A R, et al. A modified soil adjusted vegetation index[J]. Remote Sensing of Environment, 1994, 48(2): 119-126.

[28] Chen S F, Goodman J. An empirical study of smoothing techniques for language modeling[J]. Computer Speech and Language, 1999, 13(4): 359-394.

[29] Gamon J A, Penuelas J, Field C B. A narrow-waveband spectral index that tracks diurnal changes in photosynthetic efficiency[J]. Remote Sensing of Environment, 1992, 41(1): 35-44.

[30] Rouse J W, Haas R H, Schell J A, et al. Monitoring the vernal advancement of retrogradation of natural vegetation[R]. NASA/GSFC Type III Final Report, Greenbelt, MD, 1973.

[31] Rondeaux G, Steven M, Baret F, Optimization of soil-adjusted vegetation indices[J]. Remote Sensing of Environment, 1996, 55(2): 95-107.

[32] Merzlyak M N, Gitelson A A, Chivkunova O B, et al. Non-destructive optical detection of pigment changes during leaf senescence and fruit ripening[J]. Physiologia Plantarum, 1999, 106(1): 135-141.

[33] Roujean J L, Breon F M. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements[J]. Remote Sensing of Environment, 1995, 51(3): 375-384.

[34] Pearson R L, Miller, L D. Remote mapping of standing crop biomass for estimation of the productivity of the shortgrass prairie[C]//Proceedings of the Eighth International Symposium on Remote Sensing of Environment, 1972: 1357-1381.

[35] Huete A R. A soil-adjusted vegetation index (SAVI)[J]. Remote Sensing of Environment, 1988, 25(3): 295-309.

[36] Zhao C, Huang M, Huang W, et al. Analysis of winter wheat stripe rust characteristic spectrum and establishing of inversion models[C]//IEEE International Geoscience and Remote Sensing Symposium, 2004: 4318-4320.

[37] Gitelson A A. Wide dynamic range vegetation index for remote quantification of biophysical characteristics of vegetation[J]. Journal of Plant Physiology, 2004, 161(2): 165-173.

[38] Mundra P A, Rajapakse J C. SVM-RFE with MRMR filter for gene selection[J]. IEEE Transactions on Nanobioscience, 2009, 9(1): 31-37.

[39] Dai H, MacBeth C. Effects of learning parameters on learning procedure and performance of a BPNN[J]. Neural Networks, 1997, 10(8): 1505-1521.

[40] Liaw A, Wiener M. Classification and regression by randomForest[J]. R News, 2002, 2(3): 18-22.

[41] Vapnik V, Guyon I, Hastie T. Support vector machines. Machine Learning[J], 1995, 20(3): 273-297.

[42] 唐翠翠. 基于多源遙感數據的小麥病蟲害大尺度監測預測研究[D]. 合肥：安徽大學，2016.

Tang Cuicui. Large Scale Monitoring and Forecasting of Wheat Diseases and Pests Based on Multi-source Remote Sensing Data[D]. Hefei: AnhuiUniversity, 2016. (in Chinese with English abstract)

[43] 吳朝陽，牛錚. 基于輻射傳輸模型的高光譜植被指數與葉綠素濃度及葉面積指數的線性關系改進[J]. 植物學通報，2008，25(6)：714-721.

Wu Chaoyang, Niu Zheng. Improvement in linearity between hyperspectral vegetation indices and chlorophyll content, leaf area index based on radiative transfer models[J]. Chinese Bulletin of Botany, 2008, 25(6): 714-721. (in Chinese with English abstract)

[44] 伏靜，戴思蘭. 基于高光譜成像技術的菊花花色表型和色素成分分析[J]. 北京林業大學學報，2016，38(8)：88-98.

Fu Jing, Dai Silan. Analysis of color phenotypic and pigment contents of chrysanthemum based on hyperspectral imaging[J]. Journal of Beijing Forestry University, 2016, 38(8): 88-98. (in Chinese with English abstract)

[45] 王麗愛，馬昌，周旭東，等. 基于隨機森林回歸算法的小麥葉片SPAD值遙感估算[J]. 農業機械學報，2015，46(1)：259-265.

Wang Liai, Ma Chang, Zhou Xudong, et al. Estimation of wheat leaf SPAD value using RF algorithmic model and remote sensing data[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(1): 259-265. (in Chinese with English abstract)

[46] 靳然，李生才. 基于BP神經網絡的麥蚜最大蟲株率預測[J]. 山西農業大學學報：自然科學版，2015，35(4)：361-366.

Jin Ran, Li Shengcai. Forecast of the maximum rate of wheat aphids strains based on BP neural network[J]. Journal of Shanxi Agricultural University: Natural Science Edition, 2015, 35(4): 361-366. (in Chinese with English abstract)

Remote sensing monitoring of areca yellow leaf disease based on UAV multi-spectral images

Zhao Jinling1, Jin Yu1,2, Ye Huichun2,3※, Huang Wenjiang1,2,3, Dong Yingying2, Fan Lingling1, Ma Huiqin2, Jiang Jing1,2

(1.,230601,; 2.,100094,; 3.,572029,)

Yellow leaf disease is a serious disease that endangers the growth of areca, it is urgent to monitor the infection severity and spatial distribution in time and accurately. However, the traditional monitoring methods are mainly depend on visual inspection and manual investigation, which affects the efficiency and spatial scope of monitoring. Low altitude UAV remote sensing technology can effectively solve the problems of insufficient optical satellite images acquisition caused by cloudy and rainy weather in areca planting area, and improve the real-time monitoring of areca yellow leaf disease. In this paper, in order to identify the severities and spatial distribution of areca yellow leaf disease, five band(including blue, green, red, near-infrared and red-edge wavebands) multispectral images were obtained by using the MicaSense RedEdge-M multispectral camera mounted on the DJI Phantom 4 Pro V2.0. Based on the Minimum Redundancy Maximum Relevance (mRMR), three sensitive features were selected from 15 potential vegetation indexes. Using Back Propagation Neural Network(BPNN), Random Forest(RF) and Support Vector Machine(SVM) classification algorithms respectively, a monitoring model of areca yellow leaf disease severity was constructed. A total sixty in-situ sampling points were selected and the disease index (DI) were obtained, according to the characteristics of the disease and the separability of remote sensing images, the severities of the disease were divided into three grades: health (DI<1%), slight (1%≤DI＜10%) and serious (DI≥10%), and the number of samples was 18, 22 and 20 respectively. According to the priority principle of importance of feature variables, Ratio Vegetation Index (RVI), Modified Simple Ratio Index (MSR) and Anthocyanin Reflectance Index (ARI) were finally selected. Two-tier neural networks including hidden layer and output layer were used to build the BPNN model. The results showed that the overall accuracy (OA) of BPNN model was 91.7%, which was 6.7% and 10.0% higher than that of RF model and SVM model, respectively. The Kappa coefficient of the BPNN model was 0.875, which was the highest among the three models. In general, the omission errors and commission errors of BPNN model were the smallest, the errors of health, slight and serous levels were 11.1%, 15.8%, 13.6%, 9.5% and 0, 0 respectively. Consequently, it is feasible to monitor the severities of arecanut yellow leaf disease based on the UAV multispectral image. The study can provide a reference for the diseases monitoring of other tropical crops.

unmanned aerial vehicle; remote sensing; areca yellow leaf disease; multispectral image; sensitive characteristic

趙晉陵，金玉，葉回春，等. 基于無人機多光譜影像的檳榔黃化病遙感監測[J]. 農業工程學報，2020，36(8)：54-61.doi：10.11975/j.issn.1002-6819.2020.08.007 http://www.tcsae.org

Zhao Jinling, Jin Yu, Ye Huichun, et al. Remote sensing monitoring of areca yellow leaf disease based on UAV multi-spectral images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(8): 54-61. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.08.007 http://www.tcsae.org

2019-12-23

2020-02-17

海南省重點研發計劃項目（ZDYF2018073）；國家高層次人才特殊支持計劃（萬人計劃）；海南省萬人計劃配套項目

趙晉陵，博士，副教授，研究方向為作物病蟲害遙感監測研究。Email：zhaojl@ahu.edu.cn

葉回春，博士，副研究員，研究方向為農業遙感機理及應用研究。Email：yehc@aircas.ac.cn

10.11975/j.issn.1002-6819.2020.08.007

S435.122+.2; TP79

A

1002-6819(2020)-08-0054-08