無人機遙感監測作物病蟲害研究進展

宋勇，陳兵，王瓊，蘇維，孫樂鑫，趙靜，韓煥勇，王方永

（1.新疆農墾科學院，新疆 石河子832000；2.石河子大學，新疆 石河子832003）

病蟲害是影響農業經濟發展的重要因素之一。隨著作物種類、品種類型的不斷豐富，種植區域不斷擴大，病蟲害發生種類及數量也在增多。病蟲害的發生可直接或間接對作物產量構成較大威脅，嚴重時導致作物大幅減產甚至絕收[1]。我國種植面積較大的農作物主要為水稻、小麥、玉米及棉花等，發生的病蟲害種類包括：水稻紋枯病、稻瘟病、小麥赤霉病、小麥白粉病、稻飛虱、稻縱卷葉螟、小麥蚜蟲、玉米螟、棉鈴蟲、棉花黃萎病等[2]。這些病蟲害已成為制約農業經濟發展的主要因素之一。如何準確、實時、高效監測病蟲的發生并及時做好早期病蟲的防治工作，最大程度地降低病蟲對作物造成的損失，是目前作物生產領域急需解決的重大問題。傳統的作物病蟲害監測方法主要依靠研究人員田間調查，獲取病蟲害發生動態信息，具有耗時費力、準確性低、時效性差、研究區域小以及受人為因素干擾大等缺點。遙感監測技術的原理是通過遙感傳感器非接觸性獲取不同目標物反射、散射或輻射的電磁波信息，并對其特征進行分析，從而實現對目標物的識別。無人機（Unmanned aerial vehicle，UAV）遙感作為遙感技術的重要組成部分，具有類似的監測原理，其研究領域主要包括：地物分類、地理測繪、氣象監測、農林應用等[3]。基于無人機遙感監測作物病蟲害是現階段作物安全生產應用中的一項先進技術，能夠有效解決傳統病蟲害監測過程中的弊端，是未來大面積病蟲害監測與產量損失評估的重要手段之一[4]。與傳統田間定位監測、航空監測以及衛星遙感監測相比，無人機遙感監測技術具有信息采集迅速、空間覆蓋率廣、成本低等優點[5]，將傳統位點監測、航空監測和衛星遙感監測等相結合的明顯優勢，可獲得高空間分辨率、高時間分辨率、高光譜分辨率的影像，該技術已經成為作物病蟲害遙感監測的一個重要研究方向，是數字化精準農業的熱點和必然趨勢[6]。

1 無人機遙感監測作物病蟲害概況

作物病蟲害的發生與作物生長的環境、氣候、土壤以及品種等因素密切相關，這些因素的變化導致不同病蟲害發生種類的多樣化。其中，引起作物病害的病原體以真菌為主，少數為細菌、放線菌以及線蟲等，這些病原體主要依靠土壤、風、雨水以及氣流等介質攜帶病原體或是孢子等進行傳播。蟲害則多是由于上一年的越冬代成蟲在下一年適宜季節繁殖危害。不同的病原菌及害蟲危害作物過程中，被侵染作物外部的形態學特征、顏色特征等存在較大的差異，這些特征變化為無人機遙感監測作物病蟲害提供了契機。目前，無人機遙感監測病蟲害的研究對象大部分集中于大田農作物病蟲害，也有部分研究對象為森林病蟲害。圖1是筆者2020年5月通過文獻檢索平臺Web of Science對2006—2019年無人機遙感監測作物病蟲害應用報道的檢索結果。通過檢索發現，在全球范圍內，美國、中國以及西班牙取得的病蟲害監測研究成果占全球的50%以上。其中，美國取得的相關研究成果占21.7%；中國與西班牙取得的相關研究成果比例較為接近，分別為13.4%與13.0%。同時，部分國家（如澳大利亞、德國、加拿大）已發表的相關研究成果相對較少，但成果占比也十分接近，范圍為5.2%～6.5%。由此可見，無人機遙感技術已經在全世界多個發達和發展中國家的病蟲害監測中得到了應用。

2 無人機遙感監測作物病蟲害的數據源種類及其應用進展

現階段，無人機遙感監測技術運用飛行平臺搭載傳感器，結合外界地域特征獲取能夠反映目標物特征的數據，利用計算機軟件進行數據處理提取有用的目標物信息，實現對目標物形態特征的監測[7]。

2.1 無人機多光譜遙感影像

無人機多光譜遙感影像是通過應用2個以上波譜通道傳感器實現地物同步成像，將目標物信息分成不同的光譜波段影像進行光譜數據提取。在作物病蟲害信息監測時，將多個波段的光譜信息以構建模型的形式進行反演，預測病蟲害發生的嚴重程度。國內外學者利用無人機多光譜遙感影像監測病蟲害時，大多數獲取不同時間維度、空間維度、區域尺度、冠層尺度、葉片尺度等影像展開研究，篩選與病蟲害相關性強的植被指數提取目標物光譜特征，同時結合地面同步調查的方式，建立不同尺度影像的分類模型進行病蟲害監測。如：在不同時間和空間維度的病蟲害監測方面，學者從不同形態學特征出發，利用多光譜傳感器獲取不同病蟲害脅迫區域的多光譜影像，通過提取光譜信息建立分類模型，成功識別了小麥蚜蟲、棉花枯萎病的病蟲害脅迫區域[8-9]。在冠層尺度的病蟲害監測方面，提取受蟲害脅迫的油菜多光譜遙感影像光譜特征，利用篩選的光譜信息與營養元素建立聯系進行蟲害脅迫的研究。結果表明，隨著油菜鉀含量的減少，蟲害的嚴重度會加重[10]。在葉片尺度的病蟲害監測方面，利用甘蔗病害葉片影像的光譜反射率值構建相關植被指數，根據植被指數的差異比實現對甘蔗白葉病的識別[11]。在植被指數的病蟲害監測方面，利用多光譜遙感圖像提取光譜信息，構建與作物病蟲害癥狀密切相關的敏感植被指數，如歸一化植被指數 （Normalized difference vegetation index，NDVI）、變換植被指數（Transformed vegetation index，TVI）、差值植被指數（Difference vegetation index，DVI）、再歸一化植被指數（Re-normalized difference vegetation index，RDVI）等，從而建立基于敏感植被指數的病蟲害識別模型，并成功對葡萄、棉花、水稻等作物病蟲害發生情況進行了有效的監測[12-14]。

2.2 無人機高光譜遙感影像

無人機高光譜成像原理與多光譜成像原理較為相似。相比多光譜成像，高光譜成像波段連續，波段數量多，分辨率高，圖像信息豐富。目前，無人機高光譜遙感病蟲害監測對象主要集中于小麥、棉花、油菜、柑橘等作物病蟲害。利用無人機高光譜技術進行不同目標病蟲害監測，其方法與無人機多光譜遙感監測作物病蟲害方法較為相似，也是將無人機高光譜影像數據與其他遙感數據結合提取目標病蟲害特征信息，利用多種遙感分類技術以及分類建模進行病蟲害識別，其中大多數取得了理想的結果。國外學者通過建立光譜帶、陰影植被指數（Shadow vegetation index，SVI）以及NDVI等對小麥病害進行了準確分類與識別[15-16]；也有研究利用敏感波段的近紅外光譜反射率以及紅邊光譜反射率對柑橘病害進行了評價分析，但準確度較低[17]。在無人機高光譜成像與多平臺遙感綜合監測病蟲害研究方面，國內外學者利用網絡地理信息系統（Web GIS）平臺、多光譜傳感器、近地光譜儀等與高光譜傳感器同步獲取光譜信息，利用多平臺綜合光譜信息實現了區域尺度內小麥、棉花、油菜等作物病蟲害的有效監測[18-20]。在不同遙感影像分類技術研究方面，將高光譜遙感影像采用不同分類方法進行圖像分類并評價分類精度，篩選最佳分類技術以及最佳分類組合波段，實現對病蟲害影像精準分類與識別。如：Kumar等[21]利用圖像衍生光譜庫、混合調諧匹配濾波、光譜角映射等多種分類技術，分析解譯柑橘黃龍病的高光譜圖像和多光譜圖像，成功對柑橘病株進行了分類。利用高光譜遙感病蟲害影像的分類模型研究方面，采用支持向量機（Support vector machines，SVM）、卷積神經網絡（Convolutional neural networks，CNN）以及k近鄰（K-nearest neighbor，K-NN）等方法對病害區域與健康區域進行分類。如：Huang等[22]采用CNN分類方法對小麥葉斑病感染區和健康區進行了準確區分，蘭玉彬等[23]采用K-NN和SVM分類方法對健康和患黃龍病柑橘植株進行建模和分類。Thomasson等[24]利用無人機捕獲的高分辨率圖像，通過利用大氣校正、散射方程等制作處方圖，在單株水平上成功鑒定出根腐病感染棉株。

2.3 無人機可見光影像

可見光影像通常主要包括3個波段，即紅、藍、綠?？梢姽鈧鞲衅髦饕獮閿荡a相機與RGB傳感器。國內外學者通過不同的無人機平臺結合多種型號數碼相機及RGB傳感器對田間作物病蟲害展開了研究，并且取得了較好的研究成果。基于數碼影像的作物病蟲害監測，采用不同飛行高度、區域劃分等方式進行光譜數據獲取，提取影像的顏色、紋理特征進行病害識別。在利用特征信息進行病蟲害識別方面，為了能夠更好地識別大豆病害與玉米螟的發生動態，設置不同飛行高度獲取數碼相機影像，提取影像顏色、紋理及空間變化等特征進行了大豆病害、玉米螟空間變化特征的監測[25-26]；小麥、柑橘病害的相關研究利用影像的紋理特征，采用SVM、人工神經網絡（Artificial neural net，ANN）等分類模型分別對小麥全蝕病[27]及柑橘黃龍病的病級信息進行了分類[28-30]。無人機可見光技術也可以利用可見光波段提取特征信息，構建植被指數以及建立分類模型進行病蟲害識別與監測。用植被指數進行病蟲害識別時，利用近地高光譜數據篩選顯著性較強的植被指數，如：DVI、NDVI、綠波段歸一化植被指數（Green band normalized difference vegetation index，GNDVI），將可見光影像的顏色特征參數與病情指數進行相關性分析，利用綜合光譜信息預測小麥白粉病的發生[31]。針對不同作物病蟲害發生量的識別，也有學者利用可見光影像與其他遙感數據綜合進行監測，科學評估目標病蟲害的發生量。采用MSAssess數據庫、物聯網大數據、深度學習的SSD300（Single shot multibox detector，SSD）目標檢測框架以及病害識別系統分別對小麥病蟲害[32-33]、水稻病蟲害[34]、油松林的紅脂蠹危害[35]進行了分析驗證。利用無人機RGB影像進行作物病蟲害監測時，由于波段信息量較少，通常將RGB影像與其他遙感影像結合同步進行病蟲害監測，取得了理想的效果。如：識別板栗樹病蟲害、葡萄病害區域時，利用RGB影像結合多光譜、高光譜影像以及地面調查等方式進行了病害區域與正常區域的識別[36-38]；監測小麥發病區域時，利用RGB影像結合Javaweb數字影像，采用模糊C均值聚類分割算法對病害區域進行準確劃分[39]；監測馬鈴薯病害的發生量時，采用計算機視覺和深度學習法對正常植株與病害植株進行識別[40-41]。此外，利用RGB影像也能實現對農林松材線蟲病的監測[42]。

2.4 其他成像方式

其他成像方式主要包括紅外熱成像儀與激光雷達。紅外熱成像遙感是基于溫度的差異進行病蟲害信息分析。但復雜的外界環境如風、云以及降雨等因素，為紅外熱成像技術精準監測作物病蟲害帶來了巨大的挑戰，從而導致熱紅外影像在作物病蟲害監測方面的研究相對較少。國內外在利用紅外熱成像儀進行作物病蟲害監測時，通過利用健康植株與病害植株冠層溫度的差異對受病蟲害侵染的植株進行監測分類。如：Schmitz等[43]利用航空遙感熱成像技術基于溫度差異對健康甜菜與受線蟲危害的甜菜進行了識別。Calderon等[44]使用無人機獲取感染罌粟霜霉病的熱成像圖像，利用植株冠層溫度的變化特征構建NDVI，建立Prospect葉片模型和Sailh冠層水平模型，分析綠/紅指數比（R550/R670）與葉面積指數（Leaf area index，LAI）變化。結果表明，受感染植株的R550/R670指數與DNVI顯著正相關。劉飛等[45]利用正常樣本與染病樣本的光譜特征和溫度差異，使用熱紅外-RGB融合圖對病害進行分級并繪制作物病害分布圖。無人機搭載激光雷達傳感器監測作物表型時，根據作物類型提取作物水平以及垂直結構的冠層信息，包括作物株高、生物量等。激光雷達系統的價格十分昂貴，一些算法、模型等存在一定的局限性；因此，其監測技術需要進一步改進，目前在農作物災害監測和農作物估產方面的應用研究處在實驗階段，相關的技術和方法多數也處在研究階段。如吳惠英等[46]基于無人機脈沖雷達、多波段光譜掃描儀、紅外光譜儀開發出用于作物病蟲害監測的的綜合監測系統。

綜上所述，無論國外還是國內，無人機遙感在監測作物病蟲害時都采用了較為相似的光譜成像技術?；跓o人機光譜成像技術監測不同作物病蟲害時，分別基于時間維度、空間維度、區域尺度、冠層尺度、葉片尺度等對目標進行特征提取，采用特征信息構建分類監測模型對目標病蟲害的發生量預測、對健康或受病蟲害危害區域進行分類，同時利用模型評價指標進行精度驗證，如決定系數（R2）、均方根誤差（Root mean square error，RMSE）、分類精度及Kappa系數等。這些分類模型的應用及模型評價指標為后期病蟲害的監測分類建模、精度驗證提供了參考。盡管上述無人機遙感監測中出現了對一些病害監測效果不佳的現象，如柑橘病害的監測出現了錯誤的分類[23]；但總體而言，對作物病蟲害的監測結果與準確度基本達到了預期。

3 無人機遙感監測作物病蟲害數據獲取方法

無人機遙感監測作物病蟲害的數據獲取方法主要分為以下幾種：（1）不同飛行平臺（無人機）搭載不同傳感器數據獲取法；（2）無人機遙感與GIS、人工調查、ASD光譜儀及多時相遙感技術同步數據獲取法。

3.1 無人機搭載不同傳感器獲取病蟲害數據

3.1.1傳感器類型及其特點。傳感器類型主要包括：高光譜儀、數碼相機、熱成像儀、多光譜儀、激光雷達等。不同傳感器在監測作物病蟲害時各有優勢，但同時也存在一些弊端。表1詳述了不同類型傳感器的優缺點以及相關研究。表2詳述了不同傳感器在農業研究領域的監測指標以及應用范圍。獲取病蟲害光譜信息時，需要依據地域特征、田間的病蟲害發生情況以及作物種類進行傳感器的選用。

3.1.2飛行平臺及其特點。無人機遙感監測作物病蟲害的機型（飛行平臺）比較固定，主要有4種：直升機、多旋翼機、固定翼機以及混合翼機。表3總結了目前在無人機遙感監測病蟲害領域使用的飛行器以及各自的優缺點。遙感數據采集過程中，飛行平臺的好壞對數據質量存在一定的影響。選擇飛行器時，要求飛行器速度與傳感器獲取數據速度相匹配，可操控性、穩定性高，從而保證獲取質量較好的數據。

表2 不同機載傳感器參數信息及相關應用Table 2 Information on different on-board sensor parameters and related applications

表3 不同飛行平臺的優缺點Table 3 Advantages and disadvantages of different flight p latform s

3.1.3無人機遙感數據（影像）獲取優勢。無人機遙感影像數據獲取與近地遙感數據獲取、衛星遙感影像數據獲取存在較大的差異。無人機遙感影像獲取時，根據具體情況，可隨時調換搭載的傳感器，調整光譜分辨率、時間分辨率、空間分辨率等參數，從而獲得光譜分辨率、時間分辨率和空間分辨率均較高的光譜數據。近地遙感的光譜分辨率、時間分辨率、空間分辨率都較高，但是受設備、天氣以及人為因素等影響較大，且一般很難進行實時調整，只能通過更換設備來實現，這會耗費大量資金，且對數據的兼容性造成較大的影響。衛星遙感影像受衛星自身特性的影響，采用同一傳感器較難同時獲取光譜分辨率、時間分辨率、空間分辨率均高的衛星遙感影像。雖然有時可以通過調整參數獲取高質量的衛星遙感影像，但是與無人機遙感相比，過程復雜，周期也較長。

3.2 無人機遙感與人工調查、ASD光譜儀及多時相遙感技術等同步獲取病蟲害數據

為了在監測過程中獲取高質量、客觀的病蟲害光譜數據，為后期病蟲害的精準預測提供可靠的依據，前人在開展有關病蟲害監測研究時，將無人機遙感監測技術與人工地面調查、多時相衛星遙感技術及大數據平臺等結合進行病蟲害精準監測，這種監測方法稱為無人機綜合遙感監測。無人機綜合遙感監測通過地面光譜數據對無人機遙感數據進行精度驗證分析，優化模型精度，提高無人機遙感監測模型的可靠性。在評價無人機遙感監測模型準確性時，國內外學者通過篩選敏感波段光譜信息、篩選光譜指數以及特征提取等方式對比分析光譜信息的準確性，建立基于不同光譜信息的病蟲害監測模型。如：通過利用ASD光譜儀與UHD-185成像光譜分別獲取受棉蚜危害的棉株冠層光譜信息，將2種光譜數據進行精度驗證，篩選出光譜數據在450～890 nm波長范圍內較強的可靠性[47]，構建多種植被指數的棉蚜預測模型，其模型精度均達95%；鄭曉梅[48]將衛星影像數據、地面調查數據和無人機遙感數據結合，分別提取受東亞飛蝗危害的蘆葦冠層光譜特征，構建基于NDVI的蘆葦損失量估測模型。

綜上所述，使用單一的無人機遙感監測平臺監測病蟲害時，不僅須合理選擇適用的飛行平臺與傳感器，還須考慮地域因素、監測對象等不確定性因素。而無人機綜合遙感監測技術將無人機遙感與人工調查、地面ASD光譜儀、GIS、全球定位系統（Global positioning system，GPS）及衛星遙感技術等相結合獲取作物病蟲害數據，具有信息更全面、更準確、更廣的優勢。因此，實現目標作物病蟲害監測時，應根據實際情況綜合考慮，采用無人機單一或綜合遙感監測技術獲取病蟲害信息，快速、精準地完成作物病蟲害動態監測，為病蟲害的防治提供科學依據。

4 無人機遙感監測作物病蟲害數據處理流程及方法

4.1 無人機遙感監測作物病蟲害數據處理流程

當前，國內外利用無人機遙感影像監測作物病蟲害的數據處理流程相似，大致包括影像格式轉換、影像篩選、影像拼接、影像校正、特征提取、模型構建、精度評價等（圖2）。

通常，近地遙感數據不需要影像拼接的預處理，衛星遙感獲取的大面積作物病蟲害數據需要影像拼接。而無人機影像數據須經過影像格式轉換、影像拼接等步驟后才能用于后續處理。目前，無人機遙感影像進行數據格式轉換時大多采用傳感器自帶軟件，軟件種類較多，如PixelW rench2 x64、MAPIR_Camera_Control_Kernel_HID等；影像拼接時使用較多的軟件是Photo scan、Pix4D Mapper等。

4.2 無人機遙感病蟲害數據處理方法

作物受病蟲侵染達到一定程度后，作物表型及生理等發生明顯的變化。基于這些明顯特征的變化，現階段無人機遙感病蟲害數據處理的方法包括：特征信息選擇提取、經典統計分析模型以及人工智能模型等（圖3）。

4.2.1特征信息選擇提取。無人機作物病蟲害特征信息提取主要包括光譜特征、紋理特征、空間特征以及生境特征等。

圖2 無人機遙感作物病蟲害影像處理流程Fig.2 UAV remote sensing crop pest and disease image processing process

光譜特征以提取受病蟲危害植株的光譜反射率為主。作物受病蟲害侵染后會表現出不同的嚴重度，其細胞結構、葉綠素、氮素、水分以及部分生理生化參數發生變化，導致不同危害程度作物冠層光譜反射率具有一定的變化特征。為了能夠清楚了解不同病蟲害危害的作物表型光譜特征變化，通常采用構建植被指數、波段組合以及光譜微分等方法提高光譜特征提取的準確度，提升病蟲害監測模型的精度。在作物病蟲害發生初期，病蟲害的危害較輕，但光譜特征會有細微變化；因此，可利用敏感波段的光譜特征變化進行監測，如繪制NDVI圖片[49]以及用RGB圖像輔助熱紅外圖像提取葉片光譜信息等方法[50]，對早期病害監測分析具有一定的實用性。Li等[51]利用地面光譜儀與多光譜傳感器同步獲取遙感數據，構建水稻病蟲害等級反演模型，為作物生長前期的病蟲害監測提供了可行的監測手段；Prabhakar等[52]采用遙感數據結合人工地面調查數據，提取受害作物冠層光譜特征，構建基于光譜指數的早期棉花蚧蟲種群密度、空間分布監測模型。

圖3 作物病蟲害無人機遙感影像處理方法Fig.3 UAV remote sensing image processing method for crop diseases and insect

紋理特征提取方法包括灰度共生矩陣、方向梯度直方圖以及局部二值模式。作物受病蟲侵染后，外部形態結構、內部生理結構與健康植株相比差異明顯。外部形態特征變化包括葉面積、株高、冠層顏色、形態輪廓以及空間大小變化等，這些表型特征變化都是當前無人機遙感進行作物病蟲害監測與識別的熱點。而生理特征的變化需要根據提取具體指標才能實現。生理評價指標包括葉綠素、植株生物量以及植株含水量等。國內外學者利用紋理特征估測玉米、小麥病蟲害的發生量時，采用紋理分割和簡單線性迭代聚類（Simple linear iterative clustering，SLIC）進行病蟲害特征識別，利用二進制支持向量機（Binary support vector machines，BSVM）和多類支持向量機（Multi-class support vector machines，MSVM）對不同病蟲害分類[53]。也有學者提取判別能力較佳的植被指數[54]、紋理特征[55]以及顏色特征[27]等指標，采用不同分類監測模型進行病蟲害發生量的估測，其監測結果較為理想。

生境特征與作物生長的環境息息相關。影響作物生境特征的因素通常有環境溫度、環境濕度以及土壤含水量等。利用這些生境特征監測作物病蟲害，是通過借助與生境因子相關性較強的光譜信息實現病蟲害的監測。如利用地面調查數據、多時相衛星影像以及航空影像，通過變量投影重要性準則篩選出小麥條銹病識別的生境特征，建立多源多時相數據的小麥條銹病監測模型[56]。

4.2.2經典統計分析模型。無人機遙感病蟲害數據分析過程中所用的經典統計學分析方法主要包括主成分分析、相關性分析、判別分析、聚類分析以及線性回歸模型等。經典統計分析法各有優點，國內外學者通過調查病害的發病率、病情指數[57-58]，篩選敏感波段、計算光譜平均值等建立小麥病蟲害的線性回歸模型實現對發病區域、健康區域以及病害發生量的監測；基于無人機遙感小麥全蝕病的監測，將地面調查數據、病情指數以及光譜指數三者結合建立偏最小二乘回歸（Partial least-squares regression，PLS）、線性回歸模型等綜合比較分析了各類模型的預測準確性[59]。Dehkordi等[60]通過光譜帶組合的方法研究小麥植株在紅、綠、藍光譜通道之間的變化確定小麥病葉面積，實現了健康植株與發病植株的區分。

4.2.3人工智能模型。人工智能模型主要包括機器學習與模式識別，現階段無人機遙感作物病蟲害數據處理分析主要集中于這2種方法的研究。機器學習圖像法運用較多的模型包括SVM、邏輯回歸、決策樹（Decision tree）、K-近鄰算法、卷積神經網絡（Convolutional neural network，CNN）等。張學敏[61]利用深度學習圖像法中的SVM-決策樹分類方法對小麥病害進行監測，提取發病小麥的顏色特征對小麥病害等級進行了準確分類。楊俊等[62]采用無人機搭載RGB相機獲取小麥赤霉病圖像，建立Faster R-CNN深度學習網絡模型對健康和發病植株進行了準確區分。Abdulridha等[63]利用無人機高光譜成像，借助SVM和K-NN方法對柑橘潰瘍病進行了有效的監測分析。也有學者將多種遙感數據綜合應用，采用偏最小二乘支持向量機（PLS-SVM）、CNN等分類方法實現了對水稻、棉花等作物病蟲害的有效識別[64-65]。

基于模式識別解譯法可分為監督分類法與非監督分類法。監督分類法包括SVM、人工神經網絡（Artificial neural networks，ANN）、最大似然法（Maximum likehood，ML）、最小距離法（M inimum distance，MD）、波譜角分類（Spectral angle mapper，SAM）等。非監督分類法包括K-means聚類法、等混合距離法分類（Iso Data）等?；谀Ｊ阶R別分類法進行作物病蟲害分類時，國內學者[66]利用基于植被指數的線性回歸模型及支持向量機分類模型進行小麥全蝕病等級分類，其中基于差值光譜指數（Difference spectral index，DSI）的線性回歸模型與支持向量機徑向基核函數的分類模型對病害的分類精度較高。袁建清[67]以室內成像高光譜、近地成像高光譜、無人機航空多光譜數據為基礎，從葉片、冠層和區域3個尺度提取稻瘟病害、缺氮水稻的光譜特征，利用逐步判別分析模型、支持向量機分類模型、神經網絡分類模型及Iso Data分類模型從不同尺度對水稻病蟲害發生嚴重度進行識別與區分，結果顯示基于葉片、冠層尺度的判別分析模型對病害識別效果最佳；而對冠層尺度的水稻穗頸瘟圖像區分時，Iso Data分類算法的分類精度最高。前人借助非監督分類法對作物的早期病蟲害遙感影像進行分類，如利用蘿卜影像的顏色和紋理特征進行早期病害監測，采用K-means聚類法對早期枯萎病進行識別[68]。

4.2.4其他監測方法。目前，利用無人機遙感進行作物病蟲害監測時，也嘗試通過構建特殊的監測系統進行病蟲害的監測。王佳宇等[69]通過設計全面的天、空、地一體化蝗蟲智能監測體系，實現對草原蝗蟲的有效監測與防控。Gao等[70]通過制作農業結構框架，分析病蟲害的發生與天氣參數之間的特定關系，將無人機遙感與云平臺、光能模型、頻譜分析技術結合，進行小麥病害感病溫度范圍與病害嚴重度的監測。

綜上所述，無人機遙感影像數據分析處理方法復雜多樣。所以，針對無人機遙感監測病蟲害的數據源種類，需要選擇恰當的算法與模型進行病蟲害嚴重度的預測與評價?；谏鲜鰺o人機遙感病蟲害數據處理方法分析可知：（1）影像特征提取需要借助相關算法完成。（2）經典統計分析方法是從統計學角度進行數據處理，具有一定的難度，要求具備一定的統計學理論基礎，可以定性定量地分析，是現階段較為常用且準確的方法。（3）人工智能模型數據處理方法，需要較強的數學思維和計算機知識，學科交叉多，屬于專業的定量分析方法，是更準確的方法。（4）其他新興監測方法是現階段作物病蟲害監測過程中不斷發展的監測技術，為無人機遙感病蟲害監測技術發展提供了新的思路。

5 無人機遙感監測作物病蟲害存在問題及展望

無人機遙感監測病蟲害是一項將近地遙感、衛星遙感優點相結合的技術，目前在作物病蟲害監測方面已開始大量使用。同時，飛行平臺與傳感器類型的不斷開發，遙感影像數據處理的思路及方法不斷更新，為作物病蟲害監測領域的研究搭建了良好的平臺，但該技術在病蟲害監測領域的應用也存在一些弊端。因此，對該領域主要存在的問題與挑戰進行分析，并展望科研攻關方向。

5.1 病蟲害特征訓練選擇

特征選擇的目的是通過相關算法選擇合適的特征集構建模型,但在特征選擇的過程中會面臨許多問題，如特征訓練選擇數據集中特征變量不足，特征訓練數據集不能夠充分反映整體特點。在獲取大量特征時，需要通過相關算法篩選相關性強的特征信息，能夠準確地反映病蟲害發生的整體情況。目前算法的種類較多，但精度不高。未來，在無人機遙感監測作物病蟲害特征訓練選擇問題上，需要深化特征訓練算法，優化算法的精度，提高模型的預測效果。

5.2 病蟲害分類識別

病蟲害造成農作物生理機制與形態特征發生變化，從而影響作物的光譜特征，其生理機制與農作物受自然脅迫等因素相似。不同脅迫同一時期可能出現相同的光譜特征，同一脅迫在作物生長不同時期也會有不同的光譜特征，即出現“同物異譜”和“同譜異物”現象，這是無人機遙感準確識別作物病蟲害面臨的挑戰之一。例如：棉花受氮素脅迫嚴重時呈現的光譜特征與棉花受黃萎病危害后的光譜特征相似，對其監測結果會造成一定的誤差。所以，須建立重要作物病蟲害專屬光譜特征庫，作為某些作物病蟲害識別的科學依據。借助這些依據判斷不同病蟲害在監測過程中表現出的光譜特征與差異性，有利于無人機遙感監測技術在實際作物病蟲害監測中推廣應用。未來應根據作物遭受不同條件的危害，建立專一的病蟲害光譜庫，支持無人機遙感監測的特征識別和模型研究，提升無人機遙感對復雜條件下作物病蟲害的識別準確度。

5.3 傳感器優化

在信息農業不斷發展的過程中，無人機攜帶的傳感器類型也變得多樣化?，F階段，在病蟲害監測領域使用較多的傳感器是數碼相機、多光譜傳感器、高光譜傳感器以及熱成像儀等。對于不同的監測目標，不同的傳感器各有優劣。如數碼相機僅可采集可見光范圍內的數據，易導致信息量不足；多光譜傳感器信息量大，但存在分辨率低、波段易飽和等問題；高光譜傳感器分辨率高，信息采集面廣，但由于價格昂貴，導致其使用量低；熱成像儀的光譜信息也相對較少，主要根據溫度的變化進行信息的采集。目前，大多數傳感器還不能夠完全應對復雜的外界環境，導致不同生境特征下采集的病蟲害光譜信息質量差異顯著。因此，利用無人機監測作物病蟲害時，應根據實際情況來選擇無人機類型和搭載的傳感器，或開發性能較優的專用無人機病蟲害監測傳感器，以達到準確、經濟、實用等目的。

5.4 無人機遙感數據處理

當前，無人機遙感影像數據處理面臨一定的困難，這也是制約無人機遙感監測作物病蟲害技術發展的因素之一。無人機遙感影像數據的獲取、拼接、作物病蟲害發生動態解析以及處方圖作業等，需借助算法和軟件完成，加之大批量的數據處理須花費大量的時間，一方面會導致田間病蟲害動態信息不能及時反饋，為病蟲害有效監測和防治造成了一定的影響；另一方面，各軟件間的兼容性較差，容易導致病蟲害的監測結果出現誤差。在后續研發中，須不斷完善數據處理方法，研發無人機遙感病蟲害數據處理的專一軟件與特殊算法，縮短數據處理時間，提高數據處理的準確性，加快目標病蟲害嚴重度的預測，從而更加準確了解作物病蟲害發生動態，為制定符合實際情況的病蟲害防治預案提供可靠依據。