無人機多光譜影像在稻縱卷葉螟危害監測中的應用

郭銘淇 包云軒 黃璐 陳晨 楊榮明 朱鳳

摘要： 為探討利用無人機多光譜影像監測稻縱卷葉螟危害的可行性，本研究于2021年6-10月開展了無人機對稻縱卷葉螟危害和田間水稻生育狀況的同步觀測試驗，分析了15種植被指數與卷葉率（蟲害指標）之間的相關關系；分別采用普通最小二乘法、多項式擬合、多元逐步回歸法和偏最小二乘法建立了水稻分蘗期、拔節期和孕穗期的卷葉率反演模型；在此基礎上，篩選出最優模型并分析卷葉率與水稻生理生態參數之間的關聯。結果表明，（1）3個生育期的大部分植被指數與卷葉率存在極顯著的相關性，每個生育期卷葉率與均一化植被指數（NDVI）的相關性都是最高的。（2）分蘗期的卷葉率反演模型效果最好，孕穗期的模型較好，拔節期的模型效果稍差。（3）在分蘗期，稻縱卷葉螟對水稻的危害反映在葉綠素濃度的下降和葉色的變化；在拔節期，蟲害會引起水稻的補償反應，導致葉綠素含量和葉面積增加；在孕穗期蟲害對水稻生長的危害主要表現為葉綠素含量下降。本研究結果可為無人機遙感技術在區域范圍內精確識別稻縱卷葉螟危害提供重要的參考。

關鍵詞： 稻縱卷葉螟；無人機遙感；植被指數；多光譜影像；反演模型

中圖分類號： TP79?? 文獻標識碼： A?? 文章編號： 1000-4440（2023）07-1530-13

Application of multispectral image taken by unmanned aerial vehicle in monitoring Cnaphalocrocis medinalis Güenée damage on rice growth

GUO Ming-qi1，2，3， BAO Yun-xuan1，2，3， HUANG Lu1，2，3， CHEN Chen1，2，3， YANG Rong-ming4， ZHU Feng4

（1.Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters， Nanjing University of Information Science and Technology， Nanjing 210044， China;2.Jiangsu Key Laboratory of Agricultural Meteorology/School of Applied Meteorology， Nanjing University of Information Science and Technology， Nanjing 210044， China;3.Key Laboratory of Meteorological Disaster of Ministry of Education/Joint International Research Laboratory of Climate and Environment Change， Nanjing University of Information Science and Technology， Nanjing 210044;4.Plant Protection Station in Jiangsu Province， Nanjing 210013， China）

Abstract： To explore the feasibility of using multispectral images taken by unmanned aerial vehicles （UAV） to monitor the damage of rice leaf folder （Cnaphalocrocis medinalis Güenée）， a set of synchronous observation experiments on the damage of C. medinalis and rice growth status in paddy fields were conducted by using UAV， during the period from June to October in 2021. Correlations between 15 spectral vegetation indexes and leaf-roll rate （insect damage index） of C. medinalis were analyzed. Inversion models for the leaf-roll rates during the tillering stage， jointing stage and booting stage of rice were established by using the ordinary least square method， polynomial fitting， multiple stepwise linear regression method and partial least square method respectively. The optimal model was selected， and the relationships between leaf-roll rate and rice physiological and ecological parameters were analyzed. The results showed that， firstly， during the three growth stages， most of the vegetation indexes showed extremely significant correlations with the leaf-roll rate， and during each growth stage the correlation between leaf-roll rate and normalized difference vegetation index （NDVI） was the highest. Secondly， during the tillering stage， effect of the leaf-roll rate inversion model was the best， followed by models for the booting stage， but the model for the jointing stage was slightly worse. Thirdly， during the tillering stage， the damage of C. medinalis to rice reflected in decreasing of chlorophyll concentration and changing of leaf color. During the jointing stage， damage of C. medinalis might cause compensatory response in rice， resulting in increasing of chlorophyll content and leaf area. During the booting stage， the damage of C. medinalis to rice growth mainly presented as the decreasing of chlorophyll content. The research results can provide important reference for using UAV remote sensing technology to identify the damage of C. medinalis accurately in regional range.

Key words： Cnaphalocrocis medinalis Güenée;remote sensing of unmanned aerial vehicle （UAV）;vegetation index;multispectral image;inversion model

水稻是全球超過半數人口的主要糧食[1]，但水稻的各個生育階段都容易受到一種或多種病蟲害的侵害。其中，稻縱卷葉螟是危害水稻的遷飛性害蟲之一，其幼蟲取食葉肉組織形成白色條斑，同時結繭時導致葉片卷曲，影響水稻正常生長[2-3]。

近年來，稻縱卷葉螟危害呈現程度變重、頻率增加的趨勢，有研究結果表明，全球變暖會導致稻縱卷葉螟危害加重[4]，同時稻縱卷葉螟對化學藥劑的抗藥性增強也減弱了對其防治效果[5]。有研究者發現田間寄主植物多樣性為稻縱卷葉螟的成蟲棲息和產卵提供了更多場所[6-7]，同時，水稻耕作栽培制度的多樣性也加大了稻縱卷葉螟監測和防治的難度[8]。根據全國農業技術推廣服務中心的預測，2023年稻縱卷葉螟在華南東部、江南、長江下游稻區偏重發生[9]。

水稻病蟲害人工調查方法費時費力，存在依賴調查者的專業知識和經驗、主觀性強、歷史數據難以追溯的缺點。數字圖像處理和識別方法的不斷改進使得研究人員更容易識別出受病菌感染的作物及病害品種[10]。目前紅綠藍顏色系統（RGB）、多光譜、高光譜、熱成像和熒光成像等多種技術也已被用于識別各種作物的病害[11]。針對單一病害，Lin等[12]發現葉鞘病變和葉片病變的光譜曲線形狀相似，但吸收谷、反射峰和反射陡坡的變化程度不同；另一個研究團隊研究發現，包絡線消除法提取的吸收谷參數與隨機森林模型相結合在預測稻瘟病病害發生程度上具有實用性[13]。針對水稻多種病害，Santosh等[14]提出了一種基于葉片圖像中病變大小、形狀和顏色的水稻植物病害識別與鑒定的有效方法；有研究團隊提出用一種新的密集連接型卷積神經網絡模型進行水稻葉部病害識別，結合感興趣區域提取算法的分類模型，提高了識別的準確率[15]。

傳統的監測稻縱卷葉螟方法主要指試驗者采用驅蟲棒在田間對蟲量進行測量，以及利用化學試劑[16]或誘蟲燈[17]夜間捕獲蛾蟲進行測量。隨著遙感技術的進步，研究人員通過把受稻縱卷葉螟侵害的葉片轉移到實驗室內進行與光譜相關的分析，如利用主成分分析方法結合神經網絡對單葉片的稻縱卷葉螟危害進行識別[18]，或采用波段擴展過程（The band expansion process，BEP）方法進行有效波段選擇[19]。Huang等[20]研究獲得了表征葉片受害程度和卷葉大小的光譜指標，如741 nm的反射率（R741）、近紅外反射率-紅光反射率（Rnir-Rred）、黃邊（550～590 nm）的面積和黃邊內一階微分光譜中的最小值。后來，研究人員利用便攜式光譜儀測定不同受害等級的水稻冠層光譜反射率，結果發現紅邊參數可較好地反映水稻受稻縱卷葉螟危害的程度[21]，這與室內的結果[20]產生差異。野外的試驗中還加入水稻其他生理指標的數據進行病蟲害分析[22]，如葉綠素含量，它是一個非常有效表征植物生長狀況的指標[23]，常被研究者作為重要參數進行研究。有研究者發現，孕穗期光譜指數與作物參數的相關性最高[24]，說明此生育期利用光譜指數對水稻的健康狀況進行監測是有效的。

隨著無人機技術的發展，基于無人機遙感對作物病蟲害進行監測的研究可以通過圖像識別、目視檢查和粗略的損害評估等方法實現[25]。植被受到病蟲害脅迫后會導致葉片色素及冠層結構的改變[26]，特別是葉綠素含量會發生改變，因此，對葉綠素含量敏感的光譜特征可用于病蟲害遙感診斷[27]。在病害和蟲害發生后，利用遙感數據識別植物反射光譜的變化，并通過模型對受害程度進行估算[28]。有學者利用無人機多光譜影像對棉花葉枯病進行不同觀測高度（100 m、300 m和500 m）的監測，發現可以檢測到2個比例的感染水平[29]。研究人員提取與小麥條銹病發生顯著相關的22種光譜指數進行研究，發現紅邊-差值指數（Red edge-DVI）、 均一化植被指數（NDVI）和紅邊-均一化植被指數（Red edge-NDVI）可以同時描述群體小麥條銹病發病階段和病害嚴重程度[30]。還有研究結果證明基于多光譜影像計算的NDVI十分適合監測水稻紋枯病的病害嚴重程度，而比值植被指數（RVI）的監測效果次之[31]。

國內有學者于2020年開始探索無人機技術在稻縱卷葉螟危害監測中的應用，他們利用無人機平臺獲取了水稻冠層的高光譜數據，發現410 nm、470 nm、490 nm、570 nm、625 nm、665 nm和720 nm附近的光譜波段是葉片檢測稻縱卷葉螟侵害的敏感區域[32]。其后，另一個研究團隊利用低空多光譜數據對水稻生長后期的稻縱卷葉螟受害情況進行了診斷[28]，但無法確定無人機多光譜數據能否應用于水稻早期生長階段對蟲害的識別。

鑒于稻縱卷葉螟危害對中國南方稻區的嚴重影響，本研究于2021年在江蘇省南京市開展了稻縱卷葉螟的無人機觀測試驗，希望能實現以下3個目標：（1）評估無人機多光譜數據在稻縱卷葉螟遙感監測方面的可行性；（2）篩選出各生育期定量評估稻縱卷葉螟危害程度效果較好的植被指數，并分析其與水稻生理生態參數之間存在的關聯；（3）比較不同建模方法在各生育期的計算效果，并利用各生育期最優模型獲取試驗區的蟲害等級空間分布狀況。本研究旨在為監測稻縱卷葉螟的無人機遙感精確識別提供參考，幫助植保工作者科學地開展稻縱卷葉螟的防治工作。

1 材料與方法

1.1 試驗區概況

試驗大田位于中國江蘇省南京市浦口區的高標準水稻種植示范區內（圖1），地理經緯度為：118°29′E～118°30′E，31°52′N～31°53′N。該地區位于長江北岸，屬于亞熱帶濕潤性季風氣候，年均降水量達1 200 mm以上，無霜期長，年平均日照時長2 150 h。夏季為水稻主要生長季，最高氣溫超過35 ℃。2處試驗田內水稻品種均為南粳46，播種時間為2021年6月1日，6月30日移栽，栽插密度為1 m2 33穴，全生育期內采用常規大田種植管理，防治試驗田進行稻縱卷葉螟的農藥防治，非防治試驗田不進行稻縱卷葉螟的防治。2021年7月中旬開始，大田水稻在自然狀態下開始陸續受到稻縱卷葉螟的侵害。蟲害發生后，非防治試驗田內劃分出9個區域，每個區域內依照蟲害等級選取樣點，地面數據采集圍繞樣點附近植株進行。防治田在區域內隨機選取6個樣點進行數據采集。

1.2 無人機平臺和多光譜傳感器

無人機多光譜影像采集利用中國深圳大疆公司的M600 Pro多旋翼無人機作為飛行平臺（最高飛行高度120 m，最大續航時間30 min），搭載多光譜相機 Red Edge-MX，該相機有5個波段[Blue（475±10） nm、 Green（560±10） nm、Red（668±5） nm、NIR（840±20） nm、Red-edge（717±5） nm]，1次采集5個波段的影像，最小拍攝時間間隔1 s；相機鏡頭焦距為5.4 mm。

1.3 數據獲取和處理

1.3.1 地面樣點數據采集 根據南京市浦口區植保站提供的前期蟲情數據、當前蟲情數據和未來蟲情預測，結合南京市氣象局對研究區天氣的預報，選擇天氣狀況晴好的2021年7月19日、2021年8月18日、2021年8月31日無人機多光譜遙感觀測數據進行分析，其中2021年7月19日為第五代稻縱卷葉螟危害初期，水稻處于分蘗期，當時溫暖潮濕的環境、充足的食物為稻縱卷葉螟的發生、繁殖提供了有利條件[33-34]；2021年8月18日水稻進入拔節后期，此時處于第五代稻縱卷葉螟危害末期；2021年8月31日為第六代稻縱卷葉螟危害中期，此時水稻進入孕穗期，是影響水稻產量和品質的關鍵生育期之一。由于非防治試驗田內未對稻縱卷葉螟進行防治，各區域的蟲害程度存在一定的差異，單個區域內每個蟲害等級隨機選取樣點進行蟲害程度調查。其中蟲害程度（卷葉率=受害葉片數/總葉片數×100%）的分級標準見表1。防治田是作為非防治田的對照，進行蟲害防治后，其中的水稻默認為健康或輕度（Ⅰ級）蟲害，在田中隨機選取6個樣點進行數據采集。表2為非防治田水稻卷葉率調查情況，各生育期的45個樣點中均包含未受蟲害水稻的數據（健康水稻卷葉率統一記為0.01%）。

1.3.2 多光譜影像采集 試驗前，首先對試驗區及其周邊環境進行調查研究，確定在無人機飛行過程中不會受到高壓線、樹木、信號塔等障礙物的干擾，而且起飛降落時所選區域應盡量平坦無雜物。無人機飛行作業時要求天氣晴朗無云或少云，風速小于5.5 m/s，選取的3次無人機觀測時間均在當日10：00-14：00，相對飛行高度40 m，采集正射影像，地面分辨率為2.78 cm，旁向重疊率為70%，航向重疊率為80%。

1.3.3 多光譜影像處理 無人機航拍后采集的多光譜影像，經過篩選，剔除無人機起飛、降落以及其他無效數據，保留試驗區有效數據，利用瑞士Pix4D 公司集成開發的Pix4D mapper軟件進行拼接，先后進行點云和紋理處理、輻射校正等，最終輸出拼接好的單波段正射圖像。預處理結束后得到完整試驗區圖像，通過ENVI 5.3軟件進行波段運算，得到初步的植被指數。根據每個樣本點的全球定位系統（GPS）位置信息，在ENVI軟件中構建這些樣點的感興趣區域（Region of interest，ROI），并利用ROI提取相應的植被指數值。利用SPSS軟件對15種植被指數（表3）與卷葉率進行相關性分析和逐步回歸建模，利用Python軟件編程構建偏最小二乘法模型，最后在Origin 2022中繪制驗證結果圖。

1.4 研究方法

1.4.1 植被指數篩選 水稻遭受稻縱卷葉螟的侵害后，稻縱卷葉螟的1齡幼蟲取食葉肉組織，取食后僅留下表皮，造成葉片出現條狀淡黃色或白色斑紋，2齡幼蟲開始吐絲將葉片卷成“小苞”并在葉苞內啃食葉肉，嚴重影響葉片的葉綠素含量[3]，同時葉片外形的改變也會影響葉片對太陽輻射的吸收，進而影響植株的光合作用。因此，本研究參考了前人的一些研究成果初步選擇了15種植被指數[35-39]，進行稻縱卷葉螟危害的監測。

1.4.2 模型的構建方法 選擇相關系數較高的多個植被指數作為自變量，以田間調查的卷葉率作為因變量，分別采用普通最小二乘法（Ordinary least squares matching， OLS）、多項式擬合（Polynomial fitting， PF）、多元逐步回歸法（Stepwise multiple linear regression， SMLR）以及偏最小二乘法（Partial least squares regression， PLSR）構建卷葉率反演模型，其中OLS和PF為單因素模型，SMLR和PLSR為多因素模型。從每個生育期的45個卷葉率數據樣本中隨機抽選35個作為建模樣本，建立植被指數與卷葉率之間的線性或非線性回歸模型，剩下的10個樣本作為驗證集，對模型進行驗證。非防治試驗田中9個區域的卷葉率數據均參與了建模或驗證。以防治田的數據作為模型適用性檢驗的數據集。

1.4.3 模型的檢驗 利用驗證數據集代入最優反演模型得到估算值，通過構建估算值與實測值的線性或非線性擬合，對擬合模型的驗證采用4個指標進行精度評價：決定系數（R2）、均方根誤差（RMSE）、平均絕對百分比誤差（MAPE）和相對分析誤差（RPD），其中R2又稱為擬合優度，指回歸曲線對觀測值的擬合程度，其值越大說明曲線擬合真實值的時間變化序列越逼近；MAPE值越接近0說明該模型越接近完美[40]，該指標把每個樣點的誤差進行了歸一化，降低了特殊點帶來的絕對誤差的影響；RPD的劃分標準參照已有的研究結論[41-43]。各指標的計算公式如下：

RMSE= 1m∑mi=1（yi-y¨i）2（1）

MAPE=100%m∑mi=1yi-y¨iy¨i（2）

SD= 1m∑mi=1（y¨i-y-i）2 （3）

RPD=SDRMSE （4）

式中，m為驗證集樣本數量，yi 為估算值，y¨i 為實測值，y-i 為實測值的平均值，SD為標準偏差。

2 結果與分析

2.1 水稻卷葉率與植被指數之間的關系

稻縱卷葉螟對水稻的影響主要表現在減少了水稻葉片的葉綠素含量[44]，以及葉片卷曲導致光合能力下降。為了獲取能有效監測稻縱卷葉螟危害的植被指數，對未防治田中15種植被指數與卷葉率進行了相關性檢驗（表4）。在分蘗期、拔節期和孕穗期，3個生育期中NDVI與卷葉率存在最大的相關系數（以絕對值計），證明NDVI在監測稻縱卷葉螟方面有著巨大潛力。在分蘗期和孕穗期都存在特有的、與卷葉率有極顯著相關關系的植被指數。大部分植被指數與卷葉率的相關系數絕對值存在先減后增的情況，根據前人的研究結論[45]，推測這是由水稻生長愈加旺盛和稻縱卷葉螟世代更迭兩方面原因所造成的，導致在拔節期植被指數對稻縱卷葉螟危害的敏感度下降。

2.2 水稻3個生育期的稻縱卷葉螟危害反演模型分析

2.2.1 3個生育期的卷葉率反演模型的構建與驗證 分蘗期是水稻移栽后經歷的第一個重要時期，在南京地區該時期常與稻縱卷葉螟第5代蟲卵孵化期重合。在未防治田的分蘗期，多因素線性模型（SMLR、PLSR）的擬合度優于單因素線性模型（PF），SMLR模型和PLSR模型建模集的決定系數（R2）均在0.90以上，并且驗證集的各項指標均優于OLS模型和PF模型（表5）。對比SMLR模型和PLSR模型，兩者的驗證結果非常接近，兩者的RMSE和MAPE分別相差0.07個百分點和1.43個百分點（表5）。拔節期是水稻快速生長時期，稻縱卷葉螟已經從幼蟲蛻變成蛾。拔節期基于4種方法構建的模型的擬合效果都比分蘗期差（圖2），而SMLR模型和PLSR模型需要更多的自變量才能有效估算卷葉率。拔節期驗證集的結果同樣呈現出多因素模型優于單因素模型，效果較好的是SMLR模型和PLSR模型，其中PLSR模型建模集的R2比SMLR稍差，但驗證集的R2和MAPE均較好（表5）。水稻孕穗期是影響水稻產量的一個重要階段[46]，此時期恰逢稻縱卷葉螟第六代的幼蟲期。孕穗期的PF模型、SMLR模型和PLSR模型在建模集表現出色（R2≥0.85）。但在驗證集出現了些微差異，自變量數量越多的模型估算值與實際值的偏差更大，PF模型是孕穗期估算卷葉率的最佳模型，它的R2為0.88，RMSE為1.59%，MAPE為13.95%，RPD為2.70（表5）。綜上，在3個生育期內，未防治田中多因素模型的估算結果總體上比單因素模型更理想，并且在分蘗期和孕穗期對卷葉螟進行觀測估算的效果比拔節期好。

2.2.2 3個生育期的稻縱卷葉螟卷葉率反演模型的適用性檢驗 為了檢驗所獲得的卷葉率反演模型的適用性，利用同一時段收集的防治田無人機數據和卷葉率觀測數據進行驗證。驗證結果（圖3）表明，分蘗期和孕穗期的最優卷葉率估算模型在防治田的估算效果較好，拔節期較差。分蘗期的卷葉率估算值與真實值之間擬合效果出色，并沒有出現個別的點誤差較大的情況。拔節期的卷葉率估算值全部為負值，推測是由于健康的水稻葉面積指數（LAI）達到了NDVI和綠光-均一化植被指數（GNDVI）的飽和范圍，而無法對輕微的蟲害進行良好的估算。孕穗期的卷葉率模型在防治田的估算結果非常接近真實值，擬合效果達到預期目標（圖3）。

2.3 水稻不同生育期的最優卷葉率反演模型分析

通過對分蘗期、拔節期和孕穗期獲得的卷葉螟蟲害程度反演模型進行比較和驗證分析，得到了3個時期的最優卷葉率反演模型，分別為：

Y分蘗期=-169.6×GNDVI-86.3×GRVI+167.8（5）

Y拔節期=-1.313×CI-G-1.915×CI-RE+? 270.610×GNDVI-248.323×NDVI+18.420×OSAVI+15.479（6）

Y孕穗期=12 457×NDVI2-23 824×NDVI+11 391（7）

其中，Y為卷葉率，各植被指數含義如表3所示。

由公式（5）可知，在分蘗期，能最有效地反映稻縱卷葉螟為害情況的植被指數組合是GRVI和GNDVI，兩者在進行卷葉率的估算中的貢獻程度是接近的（表6）。根據前人的研究結果，GRVI對冠層可見光波段（尤其是綠色波段）的變化很敏感，常作為葉片顏色從綠色到黃色或紅色變化的檢驗指標[47-48]。另一方面，GNDVI比NDVI能更精確地評估葉綠素的濃度[49]，同時，綠色波段對LAI的敏感性低于紅色波段，但敏感范圍更廣，GNDVI在估計葉面積指數方面也更出色[50]，能更好地監測植物的健康狀態。水稻在分蘗期時，葉綠素含量處于較低值，GNDVI能更好地反演由稻縱卷葉螟為害引起的葉綠素濃度下降的情況，另外，GRVI對稻縱卷葉螟幼蟲導致的水稻葉片上的淡黃色條斑非常敏感，因此，這2個植被指數的組合能更好地反演該時期的蟲害程度。

隨著水稻的生長，水稻生育期從分蘗期進展到拔節期，相應的水稻葉面積指數、葉綠素含量較前一階段有大幅度增加（圖4）。在拔節期，最優估算卷葉率的植被指數組合為：NDVI、GNDVI、OSAVI、CI-RE和CI-G。NDVI對綠色植被表現敏感，可以用于進行植被和土壤的區分[51]，并通過植被覆蓋密度確定光合生物量，常被用于度量地表植被數量和活力[52]。OSAVI具有描述植被覆蓋和土壤背景變化，并削弱土壤背景效應影響的優勢[53]，在估計LAI方面具有統計學意義[54]。GNDVI在評估LAI和葉綠素含量方面的出色表現在前面已經有了說明，CI-RE和CI-G與所有植物葉片中的總葉綠素含量均密切相關[55]。結合公式（6）和表6分析，NDVI對卷葉率估算的影響是最大的，其次是GNDVI和OSAVI，最小的是CI-RE和CI-G。另外，在拔節期NDVI的標準化系數與其他4種植被指數（GNDVI、OSAVI、CI-RE和CI-G）的相反，說明NDVI的變化與卷葉率是相反的，其他4種植被指數與卷葉率的變化方向一致（表6）。因此，當其他4種植被指數（GNDVI、OSAVI、CI-RE和CI-G）增加時，卷葉率有明顯的增加趨勢。綜上所述，在拔節期稻縱卷葉螟為害的加重會促進水稻葉面積和葉綠素含量的增加，根據相關文獻所述，這可能是植物為了抵抗害蟲的侵害而采用補償手段以彌補蟲害造成的損失[56]。

水稻進入孕穗期后，反演蟲害程度最有效的植被指數是NDVI。此階段水稻葉片的葉綠素含量開始衰減（圖4），說明葉綠素含量的變化不僅受到蟲害的影響，還隨著水稻走向成熟而發生衰減，NDVI較好地描述了這種復合的結果。根據前人的研究結果，當LAI≥2.0時，NDVI容易出現數值飽和現象[57]，這可能是該模型只能解釋卷葉率85%的原因。由公式（7）可知，NDVI與卷葉率之間呈開口向上的拋物線關系，當NDVI值超過拐點后，卷葉率會增大，這與拔節期得到的水稻存在補償作用的推論一致。

2.4 不同生育期蟲害等級的空間分布

基于模型估算結果和樣點實測的卷葉率，采用樣條法進行了空間插值。圖5中不同顏色代表不同的稻縱卷葉螟危害等級，由圖5可知，非防治田的稻縱卷葉螟危害程度是隨著生育期的推進而逐漸加重的。非防治田3個生育期的模型結果插值與樣點數據插值結果均較為接近。其中，分蘗期的空間分布呈現中部區域受蟲害威脅較輕，東部和東北部邊緣則較嚴重（蟲害等級Ⅲ～Ⅳ級）；拔節期的蟲害分布呈現北部、東部和東南部邊緣受害嚴重；孕穗期的蟲害在中部呈現多點暴發，在西部和北部邊緣蟲害程度加重。因此，利用基于無人機多光譜數據的植被指數對稻縱卷葉螟危害程度進行反演估算的結果，較好地描述了在非防治田中水稻受稻縱卷葉螟侵害的空間分布情況，可為水稻蟲害防治和精細化管理決策提供支持。

3 討論

3.1 稻縱卷葉螟蟲害指標的表現

基于前期學者們對植被指數能實現定量估計作物病蟲害的研究結論和這類方法已被廣泛應用于小麥、棉花、水稻等作物的病蟲害研究[58-61]并具簡便性、可解釋性的前提，在研究不同生育期水稻受稻縱卷葉螟侵害時，需要考慮用單一植被指數能否有效地估算蟲害程度。因此，本研究選取了基于無人機多光譜數據源的15種植被指數。此前很少有關于植被指數對不同生育期的稻縱卷葉螟危害情況的敏感性差異方面的研究，并探討其背后的生物學意義。在研究作物病害方面，許多研究者都發現了作物病害都有其發生的特殊時期，如小麥白粉病和水稻的紋枯病的最佳監測時期是開花期[61-62]，水稻葉瘟病對產量造成危害的關鍵期為孕穗期[63]。研究結果表明，分蘗期和孕穗期的水稻更適合稻縱卷葉螟取食和產卵[64]，說明稻縱卷葉螟在水稻生育過程中是有偏好的，這會導致不同生育期蟲害程度出現差異。因此，生長階段在植被指數估計稻縱卷葉螟危害程度的敏感性和有效性中起著重要作用，需要根據生長階段篩選最佳植被指數[65]。

拔節期水稻冠層的覆蓋度已經達到較高水平，根據以往的研究結果，此時根據大部分的植被指數已經難以準確地估計生物量[66]。本研究發現，OSAVI在拔節期和孕穗期對卷葉率的估計具有重要影響，這證明了它消除土壤背景效應的能力[53]。但是，拔節期利用植被指數對卷葉率進行估算的精度一般，推測是由于稻縱卷葉螟危害后會影響葉片的反射光譜，如：與葉面積指數有非常緊密相關性的近紅外波段[67]。另一方面，稻縱卷葉螟與水稻之間存在一定的反饋機制，即植物會對食草性昆蟲作出2方面的響應，包括補償性生長和誘導抗性[68]。水稻在拔節期可能存在超補償生長，指適度的昆蟲采食可以促進植物生長，使得植物的累積生物量超過正常生長植物[69]。同時，在分蘗期蟲害導致頂端優勢被打破，對植物的補償性生長具有重要作用[70]。

3.2 無人機多光譜成像的性能

研究結果表明，無人機平臺相較于地面遙感和衛星遙感有其獨特的優勢。在過去的研究中，受限于試驗儀器和人力等條件，對稻縱卷葉螟的研究主要集中在單葉尺度的光譜研究[70]以及小面積的冠層光譜研究[71]。單葉尺度的高光譜圖像雖然能提供非常詳細的光譜信息[19]，但是缺乏對水稻整體的了解；盆栽試驗和小區域試驗所采集的冠層高光譜信息彌補了單葉尺度研究的缺陷，但由于其極高的光譜分辨率，導致不同試驗環境和方案都會產生新的結果[72-73]。

無人機平臺的飛行高度低于機載和衛星平臺，具有更高的空間分辨率，同時由于它的靈活性和簡便性，提高了觀測的時間分辨率[33]。因此，本研究結果在對稻縱卷葉螟為害程度的估計上確實優于基于衛星數據的研究結果[74]。多光譜數據相比于RGB三波段的影像數據具有更高的反演精度[75]。然而，高光譜成像遙感分辨率更高，數據量更大，相鄰波段有很強的相關性，同時包含了光譜域與空間域信息[76-78]，這是多光譜影像無法達到的精度[79]。但是，無人機多光譜影像可看作是篩選、提取特征波段后的高光譜數據，理論上具有與高光譜影像等效的定量反演能力，具有低成本、操作流程簡單等優點[80]。本研究結果對基于無人機多光譜的農作物長勢參數獲取及其精準反演具有重要的理論意義和應用價值。

此外，本研究利用多光譜影像變量估算稻縱卷葉螟危害情況，僅限于1年的數據，監測結果容易受到氣候變化、監測時間、昆蟲遷飛等因素影響，為提高模型的精度和適用性，未來需要對蟲害進行不間斷的監測，總結各個時間段的監測結果，再作全面和綜合的評判。

4 結論

本研究針對水稻不同生育期構建的卷葉率反演模型顯示，植被指數與卷葉率的相關性越強，構建的模型穩定性和精度也越高；在分蘗期和孕穗期對稻縱卷葉螟為害情況進行檢測效果較好，拔節期效果稍差。另外，分蘗期的GNDVI和GRVI能有效表達由稻縱卷葉螟引起的葉綠素濃度下降，從而推測葉片出現淡黃色條狀斑紋。水稻在拔節期可能存在補償效應，導致模型估算效果不理想。孕穗期，水稻冠層由衰老和蟲害綜合引起的葉綠素含量的變化能被NDVI有效地反映。因此，要在水稻分蘗期和孕穗期對稻縱卷葉螟危害進行更好的監測，應及早、科學地進行蟲害防控。

參考文獻：

[1] KUMAR S P， AKSHAY N， PREETI A， et al. Prospects of understanding the molecular biology of disease resistance in Rice[J]. International Journal of Molecular Sciences， 2018， 19（4）： 1141.

[2] MATTESON P C. Insect pest management in tropical Asian irrigated rice[J]. Annual Review of Entomology， 2000， 45（1）： 549-574.

[3] PADMAVATHI C， KATTI G， PADMAKUMARI A P， et al. The effect of leaffolder Cnaphalocrocis medinalis （Guenee） （Lepidoptera： Pyralidae） injury on the plant physiology and yield loss in rice[J]. Journal of Applied Entomology， 2013， 137（4）： 249-256.

[4] WAN N F ， JI X Y ， CAO L M ，et al. The occurrence of rice leaf roller， Cnaphalocrocis medinalis Guenée in the large-scale agricultural production on Chongming Eco-island in China[J].Ecological Engineering， 2015， 77： 37-39.

[5] ZHANG S K， REN X B， WANG Y C， et al. Resistance in Cnaphalocrocis medinalis （Lepidoptera： Pyralidae） to new chemistry insecticides[J]. Journal of Economic Entomology， 2014， 107（2）： 815-820.

[6] 劉 歡，侯茂林. 稻縱卷葉螟發生為害與寄主植物間關系的研究進展[J]. 應用昆蟲學報， 2019， 56（6）： 1178-1185.

[7] CHINTALAPATI P， GURURAJ K， VALLABUNI S， et al. Physiological age status of female adults and off-season survival of rice leaf-folder Cnaphalocrocis medinalis in India[J]. Rice Science， 2015， 22（5）： 237-244.

[8] 張海維，姜碩琛，孔 盼，等. 不同稻作模式下品種混作對稻縱卷葉螟發生和水稻生長的影響[J]. 生態學雜志， 2021， 40（9）： 2783-2792.

[9] 劉 杰，曾 娟，楊清坡，等. 2023年農作物重大病蟲害發生趨勢預報[J]. 中國植保導刊， 2023， 43（1）： 32-35.

[10]BASHIR K， REHMAN M， BARI M. Detection and classification of rice diseases： an automated approach using textural features[J]. Mehran University Research Journal of Engineering and Technology， 2019， 38（1）： 239-250.

[11]ANNE-KATRIN M. Plant disease detection by imaging sensors-parallels and specific demands for precision agriculture and plant phenotyping[J]. Plant Disease， 2016， 100（2）： 241-251.

[12]LIN F F， GUO S， TAN C W， et al. Identification of rice sheath blight through spectral responses using hyperspectral images[J]. Sensors （Basel， Switzerland）， 2020， 20（21）： 6243.

[13]HAN Y， LIU H J， ZHANG X L， et al. Prediction model of rice panicles blast disease degree based on canopy hyperspectral reflectance[J]. Spectroscopy and Spectral Analysis， 2021， 41（4）： 1220-1226.

[14]SANTOSH K U， AVADHESH K. A novel approach for rice plant diseases classification with deep convolutional neural network[J]. International Journal of Information Technology， 2022， 14： 185-199.

[15]LIU W F， YU L， LUO J X. A hybrid attention-enhanced DenseNet neural network model based on improved U-Net for rice leaf disease identification[J]. Frontiers in Plant Science， 2022， 13： 922809.

[16]LIU L S， PENG Y L， ZENG L G， et al. Application of sex attractants in the control of rice stem borer and rice leaf roller[J]. Hunan Agricultural Sciences， 2013（20）： 25-27.

[17]QI H H， ZHANG Y H， WANG J， et al. Rhythm of rice leaf folder （Cnaphalocrocis medinalis） to the searchlight trap[J]. Scientia Agricultura Sinica， 2014， 47（22）： 4436-4444.

[18]李 波，劉占宇，黃敬峰，等. 基于PCA和PNN的水稻病蟲害高光譜識別[J]. 農業工程學報， 2009， 25（9）： 143-147.

[19]LIANG G C， OUYANG Y C， DAI S M. Detection and classification of rice infestation with rice leaf folder （Cnaphalocrocis medinalis） using hyperspectral imaging techniques[J]. Remote Sensing， 2021， 13（22）： 4587.

[20]HUANG J R， SUN Q H， LIU X D. Spectral characteristics of rice leaves damaged by rice leaf roller[J]. Scientia Agricultura Sinica， 2010， 43（13）： 2679-2687.

[21]孫啟花，劉向東. 稻縱卷葉螟危害孕穗期水稻的光譜診斷[J]. 中國農業科學， 2012， 45（24）： 5040-5048.

[22]FENG W， WANG X Y， SONG X， et al. Hyperspectral estimation of canopy chlorophyll density in winter wheat under stress of powdery mildew[J]. Editorial Office of Transactions of the Chinese Society of Agricultural Engineering， 2013， 29（13）： 114-123.

[23]KIARA B， ALISTAIR C， MBULISI S， et al. Predicting the chlorophyll content of maize over phenotyping as a proxy for crop health in smallholder farming systems[J]. Remote Sensing， 2022， 14（3）： 518.

[24]KAUR R， SINGH M， KINGRA P K. Hyperspectral remote sensing for monitoring growth of rice （Oryza sativa） crop[J]. Indian Journal of Agronomy， 2016， 61（2）： 191-196.

[25]PARTHASARATHY V， SANTHOSH R， KUMAR M R， et al. Unmanned aerial vehicles （UAV） in precision agriculture： applications and challenges[J]. Energies， 2021， 15（1）： 217.

[26]ZHANG J C， PU R L， HUANG W J， et al. Using in-situ hyperspectral data for detecting and discriminating yellow rust disease from nutrient stresses[J]. Field Crops Research， 2012， 134（3）： 165-174.

[27]CHEW W C， HASHIM M， LAU A M S， et al. Early detection of plant disease using close range sensing system for input into digital earth environment[J]. IOP Conference Series： Earth and Environmental Science， 2014， 18（1）： 12143.

[28]GOGOI N K， DEKA B， BORA L C. Remote sensing and its use in detection and monitoring plant diseases： a review[J]. Agricultural Reviews， 2018， 39（4）： 307-313.

[29]THOMAS F， HAI P， ALESSANDRO G， et al. Active and passive electro-optical sensors for health assessment in food crops[J]. Sensors （Basel， Switzerland）， 2020， 21（1）： 171.

[30]蘇寶峰，劉昱麟，黃彥川，等. 群體小麥條銹病發病動態無人機遙感監測方法[J]. 農業工程學報， 2021， 37（23）： 127-135.

[31]趙曉陽，張 建，張東彥，等. 低空遙感平臺下可見光與多光譜傳感器在水稻紋枯病病害評估中的效果對比研究[J]. 光譜學與光譜分析， 2019， 39（4）： 1192-1198.

[32]LIU T， SHI T Z， ZHANG H， et al. Detection of rise damage by leaf folder （Cnaphalocrocis medinalis） using unmanned aerial vehicle based hyperspectral data[J]. Sustainability， 2020， 12（22）： 9343.

[33]包云軒，曹 云，謝曉金，等. 中國稻縱卷葉螟發生特點及北遷的大氣背景[J]. 生態學報， 2015， 35（11）： 3519-3533.

[34]董紅剛，耿 躍，左 希，等. 揚州邗江地區稻縱卷葉螟發生動態及影響因素分析[J]. 環境昆蟲學報， 2021， 43（4）： 850-857.

[35]DASH J， CURRAN P J. Evaluation of the MERIS terrestrial chlorophyll index （MTCI）[J]. Advances in Space Research， 2006， 39（1）： 100-104.

[36]FITZGERALD G J， RODRIGUEZ D， CHRISTENSEN L K， et al. Spectral and thermal sensing for nitrogen and water status in rainfed and irrigated wheat environments[J]. Precision Agriculture， 2006， 7（4）： 233-248.

[37]關 麗，劉湘南. 兩種用于作物冠層葉綠素含量提取的改進光譜指數[J]. 地球科學進展， 2009， 24（5）： 548-554.

[38]LUCAS P O， PAULA M R A， DANILO R P， et al. Predicting canopy nitrogen content in citrus-trees using random forest algorithm associated to spectral vegetation indices from UAV-imagery[J]. Remote Sensing， 2019， 11（24）： 2925.

[39]CANH N， VASIT S， MATTHEW M， et al. Early detection of plant viral disease using hyperspectral imaging and deep learning[J]. Sensors， 2021， 21（3）： 742.

[40]DE MYTTENAERE A， BORIS G， LE GRAND B， et al. Mean absolute percentage error for regression models[J]. Neurocomputing， 2016， 192（5）： 38-48.

[41]李文濤，楊江波，張 績，等. 基于不同傳感器的紐荷爾臍橙葉片葉綠素含量檢測技術評價[J]. 中國農業科學， 2018， 51（6）： 1057-1066.

[42]YAO Z F， LEI Y， HE D J. Early visual detection of wheat stripe rust using visible/near-infrared hyperspectral imaging[J]. Sensors （Basel， Switzerland）， 2019， 19（4）： 952.

[43]REI S， YUDAI S， RYOHEI K， et al. Hyperspectral wavelength selection for estimating chlorophyll content of muskmelon leaves[J]. European Journal of Remote Sensing， 2021， 54（1）： 512-523.

[44]周 曉，包云軒，王 琳，等. 稻縱卷葉螟為害水稻的冠層光譜特征及葉綠素含量估算[J]. 中國農業氣象， 2020， 41（3）： 173-186.

[45]KUMAR P， SINGH R， PANDEY S K. Population dynamics of rice leaf folder， Cnaphalocrocis medinalis Guen.， in relation to stage of the crop， weather factors and predatory spiders[J]. Journal of Entomological Research， 1996， 20（3）： 205-210.

[46]KAWAMURA K， IKEURA H， PHONGCHANMAIXAY S， et al. Canopy hyperspectral sensing of paddy fields at the booting stage and PLS regression can assess grain yield[J]. Remote Sensing， 2018， 10（8）： 1249.

[47]MOTOHKA T， NASAHARA K N， OGUMA H， et al. Applicability of green-red vegetation index for remote sensing of vegetation phenology[J]. Remote Sensing， 2010， 2（10）： 2369-2387.

[48]ALBETIS J， JACQUIN A， GOULARD M， et al. On the potentiality of UAV multispectral imagery to detect flavescence dorée and grapevine trunk diseases[J]. Remote Sensing， 2018， 11（1）： 23.

[49]GITELSON A A， KAUFMAN Y J， MERZLYAK M N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS[J]. Remote Sensing of Environment， 1996， 58（3）： 289-298.

[50]DONG T F， MENG J H， SHANG J L， et al. Modified vegetation indices for estimating crop fraction of absorbed photosynthetically active radiation[J]. International Journal of Remote Sensing， 2015， 36（12）： 3097-3113.

[51]VYGODSKAYA N N， GORSHKOVA I I， FADEYEVA Y V. Theoretical estimates of sensitivity in some vegetation indices to variation in the canopy condition[J]. International Journal of Remote Sensing， 1989， 10（12）： 1857-1872.

[52]PETTORELLI N， VIK J O， MYSTERUD A， et al. Using the satellite-derived NDVI to assess ecological responses to environmental change[J]. Trends in Ecology & Evolution， 2005， 20（9）： 503-510.

[53]RONDEAUX G， STEVEN M， BARET F. Optimization of soil-adjusted vegetation indices[J]. Remote Sensing of Environment， 1996， 55（2）： 95-107.

[54]KIMURA R， OKADA S， MIURA H， et al. Relationships among the leaf area index， moisture availability， and spectral reflectance in an upland rice field[J]. Agricultural Water Management， 2004， 69（2）： 83-100.

[55]GITELSON A A， GRITZ Y， MERZLYAK M N. Relationships between leaf chlorophyll content and spectral reflectance and algorithms for non-destructive chlorophyll assessment in higher plant leaves[J]. Journal of Plant Physiology， 2003， 160（3）： 271-282.

[56]陳 彥，朱 奇，劉樹真. 植物對蟲害的超越補償作用[J]. 生物學通報， 2000（5）： 19-21.

[57]HASHIMOTO N， SAITO Y， MAKI M， et al. Simulation of reflectance and vegetation indices for unmanned aerial vehicle （UAV） monitoring of paddy fields[J]. Remote Sensing， 2019， 11（18）： 2119.

[58]SINGH N Y， KUMAR G S， CHANDRAMANI S， et al. A study on light trap catches of rice leaf folder， （Cnaphalocrocis medinalis） Guenée in relation to meteorological parameters[J]. Trends in Biosciences， 2016， 8（9）： 2251-2255.

[59]XAVIER T W F， SOUTO R N V， STATELLA T， et al. Identification of ramularia leaf blight cotton disease infection levels by multispectral， multiscale UAV imagery[J]. Drones， 2019， 3（2）： 33.

[60]MA H Q， HUANG W J， DONG Y Y， et al. Using UAV-based hyperspectral imagery to detect winter wheat fusarium head blight[J]. Remote Sensing， 2021， 13（15）： 3024.

[61]SINGH R， SINGH L S， PRASAD D， et al. Relationship of susceptibility and growth stages of plant for development of epidemic of sheath blight in rice[J]. Journal of Applied and Natural Science， 2010， 2（2）： 230-233.

[62]FENG Z H， SONG L， ZHANG S H， et al. Wheat powdery mildew monitoring based on information fusion of multi-spectral and thermal infrared images acquired with an unmanned aerial vehicle[J]. Scientia Agricultura Sinica， 2022， 55（5）： 890-906.

[63]ZHANG G S， XU T Y， TIAN Y W， et al. Assessment of rice leaf blast severity using hyperspectral imaging during late vegetative growth[J]. Australasian Plant Pathology： Journal of the Australasian Plant Pathology Society， 2020， 49（5）： 571-578.

[64]LIU H， HAN Y Q， ZHONG Y Q， et al. Preference and performance of the rice leaf folder， Cnaphalocrocis medinalis， in relation to rice developmental stage[J]. Entomologia Experimentalis et Applicata， 2021， 169（8）： 701-710.

[65]ZHU W X， SUN Z G， YANG T， et al. Estimating leaf chlorophyll content of crops via optimal unmanned aerial vehicle hyperspectral data at multi-scales[J]. Computers and Electronics in Agriculture， 2020， 178： 105786.

[66]QIAO K， ZHU W Q， XIE Z Y. Application conditions and impact factors for various vegetation indices in constructing the LAI seasonal trajectory over different vegetation types[J]. Ecological Indicators， 2020， 112（C）： 106153.

[67]VIA A， GITELSON A A， NGUY-ROBERTSON A L， et al. Comparison of different vegetation indices for the remote assessment of green leaf area index of crops[J]. Remote Sensing of Environment， 2011， 115（12）： 3468-3478.

[68]STIEHA C R， ABBOTT K C， POVEDA K. The effects of plant compensatory regrowth and induced resistance on herbivore population dynamics.[J]. The American Naturalist， 2016， 187（2）： 167-181.

[69]趙 威，王征宏. 植物的補償性生長[J]. 生物學通報， 2008（3）： 12-13.

[70]黃建榮，孫啟花，劉向東. 稻縱卷葉螟危害后水稻葉片的光譜特征[J]. 中國農業科學， 2010， 43（13）： 2679-2687.

[71]孫 紅，李民贊，周志艷，等. 基于光譜技術的水稻稻縱卷葉螟受害區域檢測[J]. 光譜學與光譜分析， 2010， 30（4）： 1080-1083.

[72]HUANG J R， LIAO H J， ZHU Y B， et al. Hyperspectral detection of rice damaged by rice leaf folder （Cnaphalocrocis medinalis）[J]. Computers and Electronics in Agriculture， 2012， 82： 100-107.

[73]SINGH B， SINGH M， SURI K， et al. Use of hyper-spectral data for detection of rice leaf folder infestation[J]. Journal of Research， 2013， 50（3/4）： 147-150.

[74]高文婷，陳心怡，包云軒，等. 奇異交叉譜分析方法在中國南方稻縱卷葉螟發生預測中的應用[J]. 中國農業氣象， 2017， 38（9）： 583-596.

[75]宋 勇，陳 兵，王 瓊，等. 無人機遙感監測作物病蟲害研究進展[J]. 棉花學報， 2021， 33（3）： 291-306.

[76]郭 松，常慶瑞，鄭智康，等.基于無人機高光譜影像的玉米葉綠素含量估測[J].江蘇農業學報，2022，38（4）：976-984.

[77]彭曉偉，張愛軍，楊曉楠.基于WOS的高光譜技術在農業方面應用的計量分析[J].江蘇農業學報，2022，38（1）：239-249.

[78]金宇豪，石 楠，文雙雅，等.菜油兼用型油菜籽粒油酸含量的高光譜模型構建[J].南方農業學報，2021，52（6）：1674-1682.

[79]劉 忠，萬 煒，黃晉宇，等. 基于無人機遙感的農作物長勢關鍵參數反演研究進展[J]. 農業工程學報， 2018， 34（24）： 60-71.

[80]劉 濤，張 寰，王志業，等. 利用無人機多光譜估算小麥葉面積指數和葉綠素含量[J]. 農業工程學報， 2021， 37（19）： 65-72.

（責任編輯：陳海霞）