基于無人機低空高光譜遙感影像的柑橘黃龍病植株監測模型

摘要：以廣西壯族自治區柳州市鹿寨縣平山鎮九簡村的柑橘（Citrus reticulata Blanco）為研究對象，通過地面人工實測判別柑橘黃龍病（HLB）植株，協同無人機低空遙感獲取標定柑橘種植地塊的高光譜影像；計算柑橘健康植株和HLB植株冠層感興趣區域（ROI）的平均光譜，并對初始光譜進行異常數據剔除、平滑去噪和光譜變換，得到原始光譜、一階微分光譜（FDR）和二階微分光譜（SDR）；采用主成分分析法對其進行降維后，構建支持向量機（SVM）分類模型。結果表明，通過選擇400～1 000 nm的特征波段，使用ArcGIS軟件提取樣本平均光譜，其全波段一階微分光譜的訓練集和測試集分類準確率分別達87.41%、84.67%，SVM分類模型參數分別為C=35.39、γ=0.01；使用ENVI軟件提取樣本平均光譜，其全波段一階微分光譜的訓練集和測試集分類準確率分別達92.39%、96.43%，SVM分類模型參數分別為C=5.06、γ=1.02。無人機低空遙感高光譜監測柑橘HLB具有可行性，可快速識別柑橘種植園地的HLB植株。

關鍵詞：黃龍病（HLB）；無人機；高光譜；支持向量機；低空遙感；柑橘（Citrus reticulata Blanco）

中圖分類號：S127" " " " "文獻標識碼：A

文章編號：0439-8114（2023）08-0207-06

DOI：10.14088/j.cnki.issn0439-8114.2023.08.033 開放科學（資源服務）標識碼（OSID）：

Citrus huanglongbing plant monitoring model based on

UAV low altitude hyperspectral remote sensing imaging

LI Min， QIN Ze-lin， LAN Zong-bao，FANG Hui， YU Sheng-xin， MO Xiao-xiang， XIE Guo-xue， ZENG Zhi-kang

（Agricultural Science and Technology Information Research Institute，Guangxi Academy of Agricultural Sciences，Nanning" 530007，China）

Abstract： Taking the citrus （Citrus reticulata Blanco） in Jiujian Village， Pingshan Town， Luzhai County， Liuzhou， Guangxi as the research object， the citrus huanglongbing （HLB） plants were identified through the ground manual measurement， and the hyperspectral imaging of the calibrated citrus planting plot was obtained by cooperating with UAV low altitude remote sensing； the average spectra of the regions of interest （ROI） in the canopy of healthy citrus plants and HLB plants were calculated， and outlier removal， smooth denoising， and spectral transformation on the initial spectra were performed to obtain the original spectra， first-order differential spectra （FDR）， and second-order differential spectra （SDR）；after dimensionality reduction using principal component analysis， a support vector machine （SVM） classification model was constructed. The results showed that by selecting feature bands ranging from 400 to" " 1 000 nm and using ArcGIS software to extract sample average spectra， the classification accuracy of the training and testing sets of the full band first order differential spectra reached 87.41% and 84.67%， respectively. The SVM classification model parameters were C=35.39 γ= 0.01；using ENVI software to extract the average spectrum of samples， the classification accuracy of the training and testing sets for the full band first-order differential spectrum reached 92.39% and 96.43%， respectively. The SVM classification model parameters were C=5.06 γ=1.02. UAV low altitude remote sensing and hyperspectral monitoring of citrus HLB was feasible， which could quickly identify HLB plants in citrus plantations.

Key words： huanglongbing （HLB）； UAV； hyperspectral； support vector machine； low altitude remote sensing； citrus（Citrus reticulata Blanco）

目前柑橘（Citrus reticulata Blanco）黃龍病（Huanglongbing， HLB）無有效的方法徹底根治，且與其他病害癥狀并發現象嚴重，一旦病發其危害極大［1］。表征為患病的果樹無法結果、逐漸枯死，甚至會牽連感染鄰近果園，造成毀滅性傷害［2，3］。廣西是中國柑橘的主產區［4］，2021年廣西水果總產量達" " 3 121.14萬t，其中柑橘類產量為1 496.78萬t［5］，占據廣西水果半壁江山，也是廣西首個產值突破1 000億元的水果產業。近年來，廣西部分地區柑橘HLB疫情逐年惡化，呈現蔓延趨勢，嚴重威脅到廣西地區柑橘的正常生產。面對迫在眉睫的柑橘HLB問題，科學快速地監測HLB趨勢，并采取有效防控措施，對廣西柑橘產業可持續發展具有重要意義。柑橘HLB表現復雜，田間診斷和生化分析是當前應用較廣泛的判別方法。田間診斷簡單易行，主要依靠植保專家或有經驗的柑橘果農通過肉眼診斷識別，但其主觀性較強，需儲備專業的知識和豐富的經驗才能達到滿意的準確率。生化分析，如聚合酶鏈反應（Polymerase chain reaction，PCR）檢測，則需要依靠實驗輔助設備，準確率高，但檢測過程較復雜，外業采樣后對樣品進行檢測，其檢測周期長，且成本較高，不利于廣泛推廣［6，7］。汪恩國等［8］根據柑橘木虱種群數量的消長情況建立柑橘HLB時序運動模型，并進行預警；董望成等［9］通過在柑橘園部署無線傳感器網絡和蟲情監測設備，采集果園環境、土壤等數據，建立量化關系模型來分析柑橘HLB發生的內在機制，構建預警防控系統開展早期預警；范世達等［10］利用圖像設備采集柑橘圖像數據，使用深度學習算法探究柑橘HLB識別診斷的可行性，田間遠程診斷結果準確率為77.1%，基本滿足遠程診斷要求；鄒俊丞等［11］開展近紅外光譜技術檢測柑橘HLB的試驗，以樹皮為樣本檢測識別柑橘HLB的精度和預測能力都達到良好水平；王慧等［12］提出基于約束性多目標優化算法的柑橘HLB識別算法，該算法對柑橘HLB識別準確率高達98.55%。此外，林奕桐等［13］通過無人機可見光通道和支持向量機（Support vector machine，SVM）模型進行柑橘HLB識別，在2個不同區域普適性驗證試驗中柑橘HLB植株識別準確率分別達89.47%和86.67%；由于低空遙感技術能對大面積地塊進行快速監測，因此高光譜數據成為農業領域研究作物病蟲害的熱點［14］。

為實現大范圍的柑橘HLB監測預警，提供一種減少人工成本的柑橘HLB病害統計方法，本研究通過地面實測HLB植株，協同無人機采集低空高光譜遙感影像，經過異常數據剔除、平滑去噪、一階微分變換、二階微分變換等處理后，構建支持向量機（SVM）分類模型對柑橘HLB進行識別，探討無人機低空高光譜遙感監測HLB的可行性。

1 數據來源與研究方法

1.1 數據來源

試驗地點為廣西壯族自治區柳州市鹿寨縣平山鎮九簡村，試驗數據來自廣西壯族自治區農業科學院農業科技信息研究所技術團隊使用無人機搭載Nano-Hyperspec微型機載高光譜成像儀（儀器參數見表1）采集的低空高光譜遙感影像。高光譜正射影像數據包含反射率為30%的漫反射定標板，影像分辨率默認設置為1 m。采集圖像的區域為柑橘健康植株和HLB植株的種植地塊，如圖1所示。

在前期的地面調研中，技術團隊已通過田間診斷和PCR檢測等地面實測方法對數據采集區域的柑橘植株感染HLB情況進行抽樣確認，即對目標區域的柑橘植株采樣（51株），以專家經驗的方式選定目標植株進行隨機抽樣采集葉片，健康植株每株采集3張葉片，HLB植株癥狀較明顯和癥狀不明顯的葉片各采集3張。采用實時熒光定量PCR檢測樣本，結果顯示21個樣本感染HLB。基于此，本研究在獲取到無人機低空高光譜遙感影像后，分別建立健康植株冠層和HLB植株冠層樣本的感興趣區域（Region of interest，ROI）。

1.2 研究方法

1.2.1 樣本制作 使用ArcGIS 10.5軟件的ArcMap組件手動框選樣本柑橘植株冠層，繪制圓形ROI矢量圖形并添加標記字段，患病的賦值為1，健康的賦值為0。感染HLB的柑橘植株冠層并不茂盛，且不同柑橘植株冠層葉片緊密程度不同，因此在對多個柑橘植株冠層繪制ROI成功后，在每個ROI內隨機創建更小的樣本ROI，如5 px×5 px矩陣，針對無人機低空高光譜遙感影像內的51株柑橘植株冠層進行框選，包括地面實測確認的30株健康植株和21株HLB植株，繪制共得到302個樣本ROI。其次，解譯每個樣本ROI的光譜曲線，均化處理每個樣本ROI的光譜值，把樣本ROI的平均光譜作為在該樣點的光譜，得到各樣本的光譜數據［15］。

本研究分別使用ArcGIS和ENVI軟件完成樣本制作。提取以上樣本點的平均光譜數據，計算結果并導出Excel格式文件，分別記為samples_ArcGIS和samples_ENVI，用于后續試驗研究的數據處理分析。

最后通過式（1）把提取到的柑橘植株冠層高光譜數據進行反射率轉換，得到柑橘植株冠層的相對光譜反射率，計算公式如下［16］。

式中，DNC為柑橘植株冠層的輻射亮度值，DNB為漫反射定標板的輻射亮度值，SRC為柑橘植株冠層的相對光譜反射率，SRB為漫反射定標板的光譜反射率。

1.2.2 數據處理流程 建模數據處理流程如圖2所示，包括初始數據的異常數據剔除、數據平滑去噪、光譜變換、數據降維等。

1.2.3 HLB分類與檢測模型 選取400～1 000 nm的特征波段［17］，分別以使用ArcGIS 10.5、ENVI 5.3獲取的原始光譜、一階微分光譜（FDR）和二階微分光譜（SDR）作為樣本變量［18］；采用經典機器學習分類方法中的支持向量機（SVM）［19］建立柑橘HLB分類與檢測模型；引入徑向基核函數［20］（Radial basis function，RBF kernel）來處理高維數據；通過隨機拆分數據集的方式使模型樣本訓練集和測試集的數據分布盡量保持一致。SVM是經典機器學習中的一類監督學習算法，常被用來解決二分類問題，對于高維、非線性的數據有較好的分類能力。

2 結果與分析

2.1 無人機低空高光譜遙感影像數據處理

通過地面實測與遙感協同的方式，驗證無人機高光譜成像儀獲取的光譜反射率曲線規律。首先，使用OneClassSVM算法分別剔除無人機低空高光譜遙感數據樣本中HLB柑橘植株和健康柑橘植株冠層的相對光譜反射率異常數據，如圖3所示；然后將其進行SG平滑［21］，效果如圖4所示。結果表明，OneClassSVM處理后的光譜數據中異常數據較少且較好地保留了初始光譜的主要信息［22］，后續試驗將異常剔除和SG平滑后的光譜作為建模使用的原始光譜。

最后將原始光譜進行一階微分和二階微分變換，對圖像灰度變化有較強的響應，從而突出檢測目標的特征光譜。由圖5可知，從一階微分到二階微分變換，健康植株的特征光譜變化不明顯，而HLB植株則出現明顯不同的特征光譜，與馬淏等［23］、王剛等［24］的研究基本一致。

本研究中，OneClassSVM算法以波段反射率或者PCA主成分為變量，高光譜波段較多，因此通過PCA減少模型所用的變量數，提高分類速度。將原始光譜、FDR、SDR 3類光譜數據分別進行PCA降維，得到3類光譜數據的主成分變量。其中原始光譜的數據降維效果如圖6所示。

綜合考慮累計方差貢獻率，當累計方差貢獻率達99.99%時，將主成分數目調至85［25］。采用SVM模型分別對各類全波段光譜和主成分變量進行建模訓練和測試。

2.2 柑橘HLB SVM分類模型構建效果

各類全波段光譜和主成分變量的SVM分類模型訓練和測試效果如表2所示。SVM分類模型參數見表2，通過對比模型準確率，選取模型的最佳參數。FDR、SDR的準確率相對穩定，優化幅度較小，且均優于FDR、SDR原始光譜，表明原始光譜經過變換后，有助于SVM分類模型提升判別能力。

PCA降維后數據信息量減少，測試集單個樣本所需要的預測時間減少［26］。samples_ArcGI和samples_ENVI 2種樣本的訓練集準確率略有上升，但samples_ENVI的測試集準確率卻下降，說明PCA降維對SVM分類模型的判別準確率存在一定影響。SVM分類模型在引入RBF后對高維數據有較強的處理能力，與信息量不完整的主成分變量相比，信息完整的全波段光譜的SVM分類模型分類效果更好。

試驗采用隨機拆分數據集的方式，使訓練集和測試集的全波段光譜在高維空間中的分布和距離盡量保持一致，從而增加計算量。SVM分類模型對ENVI的全波段一階微分光譜訓練集和測試集分類準確率分別為92.39%和96.43%。可見SVM分類模型適用于柑橘HLB低空遙感監測。

3 討論

1）對于高光譜數據，合適的光譜變換能有效地提高HLB植株區域判別準確率，如試驗中從原始光譜變換到FDR數據后，判別模型有較好的優化效果，但再變換到SDR數據后，模型優化效果不明顯。后續的研究中，可嘗試把原始光譜變換成反對數光譜（Inverse logarithmic reflectance，ILR spectra），因為反對數光譜可以有效放大相似光譜間的差異［27］。

2）空中高光譜圖像受設備、地面、大氣等客觀因素的干擾，因此要對數據進行預處理以便消除干擾，提高數據的可區分性。

在ArcGIS軟件的ArcMap組件中，首先將柵格轉點，按位置選擇樣本框內的點，空間連接獲取樣本框的ID，然后多值提取至點，最后匯總統計，以樣本框的ID為分組，求框內點的各波段平均值。最終通過ArcMap提取樣本平均光譜，效果如圖7所示。

在ENVI 軟件的ROI統計工具中，首先將樣本矢量圖形shape文件導入ENVI中，如圖8所示，ENVI軟件中各彩色方框即為樣本ROI，可直接導出各框的波段像元平均值。在ROI上的統計中可看到該ROI內的像元統計信息，均值就是ROI內的各波段平均值。從試驗結果來看，ENVI軟件提取樣本平均光譜的方式優于ArcGIS軟件。

3）從SVM分類模型對全波段光譜和主成分變量的判別效果來看，全波段光譜的分類準確率更優，但全波段光譜數據量大，處理效率低，不便于未來的推廣和應用。后續的研究中可以嘗試更適合于主成分變量的判別模型，如經典機器學習分類方法中的k近鄰［28］（k-Nearest neighbor，kNN）以及深度神經網絡模型等，進一步優化提升分類模型的準確率。

此外，本研究目標區域的柑橘種植時期有可能不同，暫無法排除罹患HLB是造成與健康植株長勢差異的惟一原因，冠層疏密程度不同，在光譜上可能存在差異，對最后的SVM模型分類效果存在影響。

4 結論

本研究通過地面實測判別出罹患HLB的柑橘植株，協同無人機低空遙感獲取標定柑橘種植地塊的高光譜影像，分別使用ArcGIS和ENVI軟件獲取健康植株和HLB植株冠層感興趣區域的平均光譜，通過降噪和光譜變換得到原始光譜、一階微分光譜和二階微分光譜，引入徑向基核函數構建HLB支持向量機（SVM）分類模型。使用ArcGIS軟件提取樣本平均光譜，其全波段一階微分光譜的訓練集和測試集分類準確率分別為87.41%和84.67%；使用ENVI提取樣本平均光譜，其全波段一階微分光譜的訓練集和測試集分類準確率分別為92.39%和96.43%。從試驗結果可以看出，無人機低空高光譜遙感影像結合機器學習識別柑橘HLB的方法可行；同時也可以預見，在其技術成熟并且得到推廣應用后，將會極大提高柑橘種植區域的有效管理和生產效率，可為柑橘種植區域的HLB防控提供信息技術支撐，加快柑橘數字化發展進程。

參考文獻：

［1］ 鄒 敏，宋 震，唐科志，等.柑橘黃龍病病原DNA微量提取方法比較［J］.植物檢疫，2005（5）：271-274.

［2］ 李家英.柑橘黃龍病的發生和防控措施［J］.福建農業科技，2010（1）：57-58.

［3］ 陳新寧.柑橘黃龍病的防治研究進展［J］.南方農業，2019，13（2）：23-24.

［4］ 高 興.廣西柑橘產業現狀、存在問題及提高質量探討［J］.南方園藝，2020，31（3）：36-39.

［5］ 廣西壯族自治區統計局.廣西統計年鑒2022［M］.北京：中國統計出版社，2022.

［6］ 羅志達，葉自行，許建楷，等.柑桔黃龍病的田間診斷方法［J］.廣東農業科學，2009（3）：91-93.

［7］ GOPAL K G， KALYANI V， SREELATHA L，et al.Symptom-based diagnosis of Huanglongbing （citrus greening） disease by PCR in sweet orange （Citrus sinensis Osbeck） and acid lime （Citrus aurantifolia Swingle）［J］.Archives of phytopathology and plant protection， 2010， 43（7/9）：863-870.

［8］ 汪恩國，鐘列權，明 珂，等.柑橘黃龍病疫情運動規律與預警模型研究［J］.浙江農業學報，2014，26（4）：994-998.

［9］ 董望成，肖德琴，趙榮澤，等.基于物聯網的柑橘黃龍病監測防控技術研究［J］.現代農業裝備，2019，40（3）：50-55.

［10］ 范世達，馬偉榮，姜文博，等.基于深度學習的柑橘黃龍病遠程診斷技術初探［J］.中國果樹，2022（4）：76-79，86.

［11］ 鄒俊丞，盧占軍，喬 寧，等.監測部位差異對黃龍病近紅外監測模型的影響［J］.光譜學與光譜分析，2020，40（8）：2605-2610.

［12］ 王 慧，李康順，蔡 鐵，等.基于約束性多目標優化算法的柑橘黃龍病識別算法［J］.江蘇農業科學，51（6）：19-167.

［13］ 林奕桐，梁 健，劉書田，等.基于無人機可見光通道及支持向量機模型的柑橘黃龍病個體識別方法［J］.西南農業學報，35（11）：2254-2563.

［14］ 陳仲新，任建強，唐華俊，等.農業遙感研究應用進展與展望［J］.遙感學報，2016，20（5）：748-767.

［15］ 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.

［16］ 尹 球， 張風麗， 許衛東，等. 一種實現航空高光譜遙感飛行地面同步定標及反射率轉換的方法［P］.中國專利： 200310122943.3， 2007-10-24.

［17］ 高 穎，王延倉，顧曉鶴，等.基于微分變換定量反演土壤有機質及全氮含量［J］.江蘇農業科學，2020，48（24）：220-225.

［18］ ZHANG W Q，YAN Z F，XIAO G，et al. Learning distance metric for support vector machine： A multiple kernel learning approach［J］. Neural processing letters，2019，50（3）：2899-2923.

［19］ LIANG X，YIN F F，WANG C H，et al.A robust deformable image registration enhancement method based on radial basis function［J］. Quantitative imaging in medicine and surgery，2019，9（7）：DOI： 10.21037/qims.2019.07.05.

［20］ 吳水龍，郭 陽，曲廣浩，等.基于Savitzky-Golay濾波器的多變量監控報警方法研究［J］.計算機與應用化學，2019，36（5）：478-482.

［21］ 尚方信，郭 浩，李 鋼，等.基于One-class SVM的噪聲圖像分割方法［J］.計算機應用，2019，39（3）：874-881.

［22］ LI X， LEE W， LI M，et al.Spectral difference analysis and airborne imaging classification for citrus greening infected trees［J］.Computers and electronics in agriculture， 2012，83：32-46.

［23］ 馬 淏，吉海彥，LEE W S.基于Vis-NIR光譜的柑橘葉片黃龍病檢測及其光譜特性研究［J］.光譜學與光譜分析，2014，34（10）：2713-2718.

［24］ 王 剛，馮貴玉，胡德文.一種基于信號-噪聲模型的主元數目選擇方法［J］.計算機工程與應用，2003（6）：11-12，72.

［25］ 刁許玲. 基于PCANet的高光譜圖像分類方法［D］.西安：西安電子科技大學，2020.

［26］ 陳方圓，周 鑫，陳奕云，等.不同核函數支持向量機和可見-近紅外光譜的多種植被葉片生化組分估算［J］.光譜學與光譜分析，2019，39（2）：428-434.

［27］ 鄒冠貴，任 珂，吉 寅，等.基于主成分分析和最近鄰算法的斷層識別研究［J］.煤田地質與勘探，49（4）：15-23.

［28］ 鄧小玲，曾國亮，朱梓豪，等.基于無人機高光譜遙感的柑橘患病植株分類與特征波段提取［J］.華南農業大學學報，2020，41（6）：100-108.

收稿日期：2023-06-19

作者簡介：廣西創新驅動發展專項資金項目（桂科AA20108003；桂科AA22036002）；廣西壯族自治區農業科學院科技發展基金項目（桂農科2021JM73；桂農科2023YM84）；南寧市江南區科學研究與技術開發計劃項目（2020020905）

作者簡介：李 敏（1992-），男，廣西玉林人，工程師，碩士，主要從事農業信息技術、機器學習研究，（電話）18776966432（電子信箱）383293935@qq.com；通信作者，曾志康（1983-），男，廣東梅州人，高級工程師，主要從事數字農業研究，（電話）18978936088（電子信箱）zengzkang@126.com。