基于無人機多光譜遙感的水稻二化螟冬前蟲量測算

收稿日期：2024-06-19

基金項目：浙江省重點研發計劃項目（2022C02034）；浙江省糧油產業技術項目；浙江省農業重大技術協同推廣計劃項目（2023ZDXT01-5）

作者簡介：曹夢嬌（1990-），女，浙江嘉興人，碩士，農藝師，研究方向為農作物病蟲害監測預警。（E-mail）1240562399@ qq. com

通訊作者：徐紅星，（E-mail）hzxuhongxing@163.com

摘要： 為實現稻田二化螟冬前蟲量的精確測算，本研究在二化螟差異化防控的基礎上，利用無人機獲取水稻灌漿期和蠟熟期的雙時相多光譜數據，并結合蟲量穩定期的冬前蟲量田間調查，基于線性回歸、支持向量機回歸、隨機森林回歸、嶺回歸、Lasso回歸和貝葉斯回歸等方法構建稻田二化螟冬前蟲量的遙感估算模型。結果表明，灌漿期450 nm（b1）、660 nm（b3）波段的光譜反射率和蠟熟期的歸一化植被指數（NDVI）與稻田二化螟冬前蟲量存在極顯著的線性相關；不同回歸方法下，采用雙時相數據建立的稻田二化螟冬前蟲量遙感估算模型的估算值與觀測值的相關性整體上優于單時相數據，其中，基于雙時相遙感數據和隨機森林回歸模型建立的估算方法最佳，測試集和訓練集的估算蟲量和觀測蟲量相關系數分別達0.85和0.94，且此方法下稻田二化螟冬前蟲量的估算結果更符合田間實際情況。本研究基于無人機技術建立的稻田二化螟冬前蟲量估算方法，可為稻田二化螟的精確防控提供依據。

關鍵詞： 二化螟；冬前蟲量；多光譜；隨機森林；雙時相

中圖分類號： S431.9"" 文獻標識碼： A"" 文章編號： 1000-4440（2025）02-0305-08

Estimation of the pre-winter population of Chilo suppressalis in rice field based on unmanned aerial vehicle multi-spectral remote sensing

CAO Mengjiao¹， BAI Shi²， TANG Panpan²， XU Hongxing³， WANG Yeqing¹， ZHOU Guoxin⁴

（1.Jiaxing Soil Fertilizer， Plant Protection and Rural Energy Station， Jiaxing 314100， China;2.Big Data Technology Research Center， Nanhu Laboratory， Jiaxing 314100， China；3.Institute of Plant Protection and Microbiology， Zhejiang Academy of Agricultural Sciences， Hangzhou 310000， China;4.College of Advanced Agricultural Sciences， Zhejiang Aamp;F University， Hangzhou 311300， China）

Abstract： In order to accurately estimate the pre-winter population of Chilo suppressalis in paddy fields， based on differentiated prevention and control of C. suppressalis， this study used unmanned aerial vehicle （UAV） to obtain double-phase multi-spectral data of rice at filling stage and wax ripening stage. And combined with the field survey of pre-winter population in the stable period of insect population， based on linear regression， support vector machine regression， random forest regression， ridge regression， Lasso regression and Bayesian regression， the remote sensing estimation model of pre-winter population of C. suppressalis in paddy fields was constructed. The results showed that the spectral reflectance of 450 nm （b1） and 660 nm （b3） bands at the filling stage and the normalized difference vegetation index （NDVI） at the ripening stage were in extremely significantly linear correlation with the pre-winter population of C. suppressalis in paddy fields. Under different regression methods， the correlations between the estimated value and the observed value of the remote sensing estimation model of the pre-winter population of C. suppressalis in rice fields established by using double-phase data were better than those of the single-phase data. Among them， the estimation method based on double-phase remote sensing data and random forest regression model was the best. The correlation coefficients between the estimated and observed population of C. suppressalis in the test set and the training set were 0.85 and 0.94， respectively， and the estimation results of the pre-winter population of C. suppressalis in rice fields under this method were more in line with the actual situation in the fields. Based on UAV technology， this study established an estimation method for the pre-winter population of C. suppressalis in paddy fields， which provided a basis for accurate prevention and control of C. suppressalis in paddy fields.

Key words：" Chilo suppressalis;pre-winter population of insects;multispectral;random forest;double phases

二化螟（Chilo suppressalis Walker）是鱗翅目草螟科禾草螟屬昆蟲。在中國長江流域水稻生長過程中，二化螟每年發生2～3代。二化螟蟻螟孵出后先危害水稻葉鞘，造成枯鞘；幼蟲發育至2齡后開始鉆蛀水稻莖稈內部，形成枯心、白穗和蟲傷株^[1]。目前生產中常利用性引誘劑進行水稻二化螟雄蟲蛾峰時間監測及防治適期推算，而田間蟲量信息的獲取需要依靠傳統的人工調查手段。由于二化螟的鉆蛀特性，使其蟲量調查費時費力，效率較低。隨著耕作制度、農藝措施等因素的變化，地區之間乃至田塊之間二化螟發生量差異較大。冬前蟲量即最后一代二化螟數量，是水稻二化螟測報調查中較為重要的一環，一方面對當年的藥劑防效評價和保險理賠評估至關重要，另一方面對次年二化螟防控具有較強的指導性。面對水稻生產規模化、基層植保人員短缺、田塊間蟲量差異等現狀，單純采用人工調查的方式進行二化螟冬前蟲量估算已經不適應當前的生產水平，因此利用現代化的信息技術手段，開展二化螟冬前蟲量估算對提高水稻生產水平和蟲害精準防控有重要意義。

近年來，無人機光譜成像技術在農作物長勢監測^[2-4]、病蟲害監測^[5-7]、產量監測^[8-10]和耕地利用精細分類^[11-12]等領域有越來越多的應用^[13]。在農作物病害遙感監測方面，趙晉陵等^[14]利用無人機得到的多光譜遙感數據，構建了檳榔黃化病監測模型，其中反向傳播神經網絡（BPNN）模型的識別總體精度達到 91.7%， Kappa系數為0.875。Chivasa等^[11] 建立了基于無人機多光譜遙感的玉米品種條紋病毒抗性鑒定模型，并將模型用于玉米輔助育種。Mandal等^[15]研究發現紅色波段指標（RBI）和歸一化建筑指數（NDBI）可較好地用于水稻稻瘟病的鑒定。在農作物蟲害遙感監測方面，郭銘淇等^[16] 基于無人機多光譜影像發現不同生育期的植被指數與卷葉率都極顯著相關，可用于水稻稻縱卷葉螟危害的監測。楊麗麗等^[17]基于冠層高光譜、近地多光譜、環境數據與地面調查相結合的多源數據，建立了棉田螨蟲危害大范圍監測方法。 Liu等^[18]研究發現水稻乳熟期750～1 000 nm波段的光譜反射率及成熟期400～531 nm和567～705 nm波段的光譜反射率與褐飛虱密度密切相關。

針對采用光譜技術進行區域水稻二化螟監測還鮮有研究的現狀，本研究在二化螟差異化防控的基礎上，基于無人機多光譜遙感技術，通過采集灌漿期和蠟熟期的多光譜數據結合稻田二化螟發生量調查，建立二化螟冬前蟲量的遙感估算模型，旨在為當年二化螟防控措施評估和次年二化螟防控提供依據。

1 材料與方法

1.1 試驗材料與試驗區域

供試水稻品種為甬優1540。供試藥劑包括25%乙基多殺菌素水分散粒劑[科迪華（中國）投資有限公司產品]、25%喹硫磷乳油（印度聯合磷化物有限公司產品）、助劑鷹踏（意大利寧柏迪集團產品）、助劑傲釜（意大利寧柏迪集團產品）、助劑火牛[艾普銳農（上海）化學科技有限公司產品]。

試驗地位于浙江省嘉興市桐鄉市烏鎮鎮陳莊村（30.685 2°N，120.865 9°E）。試驗地的種植制度為稻麥輪作，5月至11月為單季稻生長期，12月至次年5月為小麥生長期，當地二化螟可發生3代，其中第3代為不完全世代。

1.2 試驗方法與處理

5月8日秧盤育秧，6月6日采用久保田2ZGO-6D1（SPV-6CMD）插秧機[久保田農業機械（蘇州）有限公司產品]插秧，種植密度每1 hm² 1.8×105穴，借助綜合防治技術和精細化管理，確保試驗田水稻生長期內除二化螟為害外無明顯其他生物脅迫和非生物脅迫。

研究中通過施用不同配方或劑量的農藥，得到不同二化螟冬前蟲量的田塊。首先根據水稻植株的現場查剝，確定試驗地塊第3代二化螟防治適期為9月3日。防治時，設置不同藥劑、助劑及劑量的處理14個。處理1～處理13的小區面積約為500 m²，處理14的小區面積約為2 200 m²。采用擔架式噴霧機進行施藥，各處理用水量統一為900 kg/hm²。各處理所用藥劑、助劑及劑量見表1。

1.3 數據采集與數據處理

1.3.1 多光譜影像采集與影像處理 于水稻灌漿期和蠟熟期，選擇天氣晴朗或少云、風力3級及以下的日期（2023年10月11日和2023年10月23日），使用飛馬無人機D2000（深圳飛馬機器人股份有限公司產品）采集稻田多光譜遙感影像。數據采集時間為12：00-14：00，每期共采集2次影像，選取圖像質量較高的影像作為試驗數據。采集的影像包括b1（450 nm）、b2（555 nm）、b3（660 nm）、b4（720 nm）、b5（750 nm）、b6（840 nm）等6個波段的反射率數據。無人機飛行高度為40 m，影像的分辨率為0.04 m。每期影像通過1次飛行后拼接而成。每次影像采集前，在試驗區域內用油漆標記11個控制點，使用華測X6慣導版RTK（上海華測導航科技服務股份有限公司產品）記錄控制點位置，并以此信息校正遙感影像，以確保其與地面采集的二化螟冬前蟲量數據在空間上的精準對齊。

獲取遙感數據后，利用YuSenseRef軟件進行輻射定標，再利用Pix4D軟件對定標后的影像進行拼接，最后利用ArcGIS軟件實現實時差分定位（RTK）數據和遙感數據、地面采樣數據的位置配準。

1.3.2 確定二化螟蟲量調查時間與調查方式 2023年4-10月，采用性信息素誘捕雄蛾的方式，利用SPT-R-02S智慧性誘測報系統（寧波紐康生物技術有限公司產品）進行稻田螟蛾發生量監測。監測頻率每天1次，判斷發生代次，于第3代二化螟老熟幼蟲期開展田間蟲量調查。

考慮到各處理冬前蟲量的差異，在蟲量較低的小區增加調查樣本量，而蟲量較高的小區適當減少樣本量。處理1～處理8、處理10～處理13每個小區選取5個樣本點，處理9選取3個樣本點，處理14選取10個樣本點，共計73個樣本點進行稻田冬前蟲量調查。調查時，每樣本點隨機選取3行、每行2穴，共6叢水稻植株，齊土收割并剝查蟲量，計算單位面積蟲量。取樣時，使用華測X6慣導版RTK精確記錄采樣點位置。取樣點位置及分布如圖1所示。各樣本點冬前蟲量的計算采用下式：

冬前蟲量（×10⁴頭，1 hm²）=調查蟲量/被調查叢數×種植密度。（1）

1.4 數據集劃分和稻田二化螟冬前蟲量估算方法的建立

從73個二化螟冬前蟲量樣本中隨機選取66個樣本作為訓練集，用于模型的建立和訓練。剩余的7個樣本作為測試集，用于模型的檢驗。

本研究采用機器學習方法^[19-22]和多時相遙感數據^[23]進行二化螟冬前蟲量的估算。由于均一化植被指數（NDVI）在作物長勢、病蟲害識別中發揮著重要作用^[24-25]，因此本研究亦將NDVI作為回歸模型的輸入特征之一，其計算公式為：

NDVI=（NIR-RED）/（NIR+RED）（2）

式中，NDVI為歸一化植被指數， NIR和RED分別為近紅外波段和紅光波段的光譜反射率。本研究中，分別用b6波段和b3波段的反射率代替。

研究中首先分析灌漿期和蠟熟期獲取的多光譜數據與二化螟冬前蟲量的相關性，接著利用6個波段的單時相數據和雙時相數據，分別基于線性回歸（Linear regression）、隨機森林（Random forest， RF）回歸、支持向量回歸（Support vector regression， SVR）、嶺回歸（Ridge regression）、貝葉斯回歸（Bayesian regression）和Lasso回歸（Least absolute shrinkage and selection operator regression）算法構建稻田二化螟冬前蟲量估算模型。通過對測試集和訓練集得到的相關系數的比較，篩選適宜的稻田二化螟冬前蟲量估算方法。最后利用雙時相數據和6種算法得到的估算模型進行區域稻田二化螟冬前蟲量反演，并結合稻田冬前蟲量的實際空間分布進一步驗證篩選的估算方法的合理性。

本研究所使用模型及數據處理基于Python語言和Scikit-learn開源庫實現。

1.5 數據分析

利用Excel 2003對樣本數據進行統計，用SPSS 21.0軟件對不同處理下的蟲量進行單因素方差分析（ANOVA），用Duncan’s多重比較法分析處理間的差異顯著性。

2 結果與分析

2.1 試驗稻田螟蛾發生期監測結果

2023年試驗稻田二化螟雄蛾發生趨勢如圖2所示。從監測數據推斷，4月上旬至6月下旬為越冬代螟蛾發生期，7月上旬至8月中旬為第1代螟蛾發生期，9月上旬至9月下旬的第2代螟蛾產下第3代的卵。在嘉興地區第2代二化螟成蟲誘捕量低于第1代，第2代螟蛾發生期沒有顯著蛾峰。但根據二化螟發育歷期來判斷，9月是第2代螟蛾發生期。10月下旬，第3代二化螟幼蟲發育成老熟幼蟲進入越冬狀態，因此，本次蟲量調查時間為10月28日，符合冬前蟲量調查要求。

2.2 二化螟冬前蟲量特征

各處理二化螟冬前蟲量如表2所示。從表中可以看出，不同藥劑、不同劑量處理下，二化螟冬前蟲量變化明顯。總體上看，隨著25%乙基多殺菌素水分散粒劑施用量的增加，稻田二化螟冬前蟲量呈減少趨勢。施用180 g/hm2 25%乙基多殺菌素水分散粒劑的處理1～處理3平均蟲量每1 hm²低于2.00×106頭，顯著低于處理8～處理10及處理12，處理4的蟲量高于處理1～處理3，可能是由于處理4的蟲量受到處理5二化螟遷飛產卵和轉株為害影響，同樣的情況在處理8和處理10中亦有發生（受未施藥的處理9影響）；施用144 g/hm2 25%乙基多殺菌素水分散粒劑的處理5～7的蟲量顯著低于處理9、處理10，高于處理14；施用90 g/hm2 25%乙基多殺菌素水分散粒劑的處理11～處理13的蟲量顯著低于未放藥的處理9。相同的25%乙基多殺菌素水分散粒劑劑量下添加不同的助劑對二化螟冬前蟲量整體上無顯著影響。施用25%喹硫磷乳油（有機磷農藥）的處理14能有效降低二化螟冬前蟲量，因此在生產中25%喹硫磷乳油常作為二化螟防治的應急藥劑。未施藥處理9蟲量每1 hm²高達9.80×106頭，水稻植株枯死、倒伏明顯。此外，由于小區設置較為狹長，且灌漿期和蠟熟期雜交稻植株較高，會影響施藥者的視野，導致施藥不均勻和同一處理內的樣本點蟲量差異較大。總體來說，各處理的蟲量與施藥處理水平和類型是一致的。

2.3 光譜數據與二化螟發生量之間的相關性

2.3.1 不同波段反射率與蟲量之間的相關性 不同時期不同波段反射率和NDVI與冬前蟲量的線性回歸相關系數如表3所示。灌漿期可見光區b1、b2和b3波段的光譜反射率與冬前蟲量的相關系數在0.33～0.45，且相關性均極顯著；而b4、b5和b6波段的光譜反射率與冬前蟲量的相關系數在0.18～0.30，低于b1～b3波段。蠟熟期b4、b5和b6波段的光譜反射率與冬前蟲量的相關性更低，均未超過0.10；而可見光區b1、b3波段光譜反射率與冬前蟲量具有較好的相關性，相關系數分別為0.29和0.31，均達極顯著相關水平。無論是灌漿期還是蠟熟期的NDVI與冬前蟲量均極顯著相關，相關系數分別為0.39和0.41。可見，與二化螟冬前蟲量的相關性上，灌漿期的反射率優于蠟熟期，可見光區光譜反射率特別是b1和b3波段與冬前蟲量相關性更佳，這可能是由于水稻表面這2種光波對二化螟取食反應更敏感。在蠟熟期，NDVI與水稻冬前蟲量也表現出較好的相關性，這可能是NDVI可較好地區分蠟熟期水稻自然變黃和二化螟取食變枯黃之間的差異。

2.3.2 基于多方法得到的估算蟲量與觀測蟲量之間的相關性 利用單時相和雙時相數據，采用不同回歸方式，測試集和訓練集得到的估算蟲量與觀測蟲量（冬前蟲量）的相關性如表4所示。從表中可以看出，使用單時相數據時，線性回歸、嶺回歸和貝葉斯回歸在訓練集和測試集上的相關性差異較小，表明這3個模型泛化能力較好，相關系數介于0.47～0.62，說明這3個模型在一定程度上可以估算冬前蟲量，但是準確度還不夠高。Lasso回歸模型在測試集和訓練集的相關系數差異較大，且灌漿期和蠟熟期測試集估算蟲量與觀測蟲量的相關系數均低于0.40，表明在該數據集上Lasso回歸模型的泛化能力較差，估算蟲量與觀測蟲量的相關性較弱，因此，Lasso回歸模型不宜作為預測模型。利用支持向量機回歸模型進行冬前蟲量估算時，灌漿期數據集同樣出現測試集與訓練集上估算蟲量與觀測蟲量相關系數差異大、測試集上相關系數低（lt;0.40）的現象，所以該模型同樣不宜用于根據灌漿期光譜數據進行冬前蟲量的估算；而利用蠟熟期數據集后，測試集和訓練集上估算蟲量與觀測蟲量的相關系數趨于一致，且相關系數接近0.50，說明支持向量機回歸模型可用于基于蠟熟期光譜數據的冬前蟲量估算，但準確度不高。隨機森林回歸模型在灌漿期和蠟熟期測試集與訓練集上估算蟲量與觀測蟲量的相關系數雖有所提升，但兩者之間差異較大，模型泛化性不理想，因此其不宜作為冬前蟲量的估算模型。

利用灌漿期和蠟熟期2個時相（雙時相）光譜數據后，6種模型在測試集和訓練集上估算蟲量與觀測蟲量的相關系數均有較大幅度的提高，相關系數均在0.60以上。其中，隨機森林回歸模型表現最佳，測試集和訓練集上估算蟲量與觀測蟲量的相關系數分別達0.85和0.94，模型具有較高的擬合能力。

2.4 不同模型二化螟冬前蟲量反演結果比較

利用雙時相光譜數據和不同模型，反演得到的稻田二化螟冬前蟲量分布如圖3所示。從圖中可以看出，利用線性回歸方法和Lasso回歸方法反演得到的稻田二化螟冬前蟲量在整個試驗區都是高聚集表達。結合各處理冬前蟲量特征（表2）與2期影像數據，取樣點64～73號（處理14）因使用有機磷農藥，冬前蟲量明顯低于其他樣本點，且未呈現大片枯死倒伏情況。處理14與處理1～處理13應該有較大差異，但這2個模型的反演結果均無法體現實際的冬前蟲量差異（圖3a、圖3c）。利用嶺回歸方法和貝葉斯回歸方法反演得到的冬前蟲量（圖3b和圖3d）在高蟲量情況下其空間差異性表達不足。根據表2，除編號41～43樣本點所在的處理9區域（未施藥）外，處理1～處理3、處理5～處理7、處理11～處理13的藥劑用量呈下降趨勢，蟲量呈上升趨勢，模型中的蟲量分布理應符合低聚集表達到高聚集表達的趨勢，但是這2個模型并不能很好體現該趨勢，因此不符合實際情況。利用支持向量機回歸方法（圖3e）和隨機森林回歸方法（圖3f）得到的冬前蟲量與實際情況較為相符，支持向量機在雙時相下表現較好，但存在過擬合現象，即訓練集相關系數小于測試集相關系數（表3）。隨機森林回歸在雙時相數據下表現最佳，測試集和訓練集的相關系數分別為0.85和0.94，且預測結果符合蟲害分布狀態。但隨機森林模型的預測結果仍然受到干擾，在道路和行道樹上容易產生高蟲害的預測結果。這是因為在訓練數據中不存在該類地物，因此模型無法正確判斷該類地物與蟲害的關系。

3 討論

二化螟冬前蟲量是二化螟監測預警中重要的參數，不但是次年二化螟防控依據，亦是當年二化螟防治效果與保險理賠評判的基礎。由于二化螟的鉆蛀特性，二化螟蟲量的田間調查大多依賴人工方式進行，這不僅需要調查人員具備相應的專業知識，且調查效率低下，難以用于實際大范圍的二化螟蟲量調查。因此，利用現代化的信息技術手段開展二化螟蟲量的區域調查是稻田蟲害精準防控的需求。

隨著無人機光譜成像技術的發展，基于無人機的農作物病蟲害監測與防控方面取得了較多研究成果，但稻田二化螟的監測還鮮有研究。本研究通過差異化防控，采用無人機搭載多光譜相機，獲取水稻關鍵生育期的多光譜數據，分析稻田二化螟冬前蟲量與不同時期、不同波段光譜反射率的相關性，并基于機器學習方法，建立基于光譜數據的稻田二化螟冬前蟲量估算模型。結果表明，二化螟冬前蟲量分別與灌漿期b1、b3波段的光譜反射率、蠟熟期NDVI呈極顯著線性相關，但相關系數較低，說明簡單的線性模型較難描述實際生產中復雜的水稻二化螟為害。采用雙時相數據并結合隨機森林回歸模型建立的估算方法更加符合實際和可靠。當然，該模型在反演道路和行道樹等植被時，仍然受到干擾，原因在于訓練數據集缺乏相應的樣本。因此，獲取更多的地物與蟲量樣本可增強模型的泛化性和反演能力。

除二化螟外，褐飛虱、雜草稻等亦會影響水稻生長，其為害癥狀與二化螟存在一定的相似性。如何結合少量的人為鑒定，提高本研究建立的模型的適用性尚需進一步研究。此外，結合高光譜或近紅外影像數據，篩選和優化的二化螟監測模型亦是未來的研究方向之一。

參考文獻：

[1] 洪曉月. 農業昆蟲學[M]. 3版. 北京：中國農業出版社，2017：77-80.

[2] 付虹雨，王 薇，盧建寧，等. 基于無人機多光譜遙感和機器學習的苧麻理化性狀估測[J]. 農業機械學報，2023，54（5）：194-200，347.

[3] 向友珍，安嘉琪，趙 笑，等. 基于無人機多光譜遙感的大豆生長參數和產量估算[J]. 農業機械學報，2023，54（8）：230-239.

[4] 姜友誼，劉博偉，張成健，等. 利用無人機多光譜影像的多品種玉米成熟度監測[J]. 農業工程學報，2023，39（20）：84-91.

[5] 蘇寶峰，劉砥柱，陳啟帆，等." 基于時間序列植被指數的小麥條銹病抗性等級鑒定方法[J]." 農業工程學報，2024，40（4）：155-165.

[6] DHAU I， ADAM E， MUTANGA O， et al. Detecting the severity of maize streak virus infestations in maize crop using in situ hyperspectral data[J]. Transactions of the Royal Society of South Africa，2018，73（1）：8-15.

[7] 楊 寧，張天緯，張釗源，等. 水稻病害孢子多光譜衍射識別與病害源定位方法研究[J]. 農業機械學報，2023，54（4）：250-258.

[8] 嚴海軍，卓 越，李茂娜，等. 基于機器學習和無人機多光譜遙感的苜蓿產量預測[J]. 農業工程學報，2022，38（11）：64-71.

[9] 向友珍，安嘉琪，趙 笑，等. 基于無人機多光譜遙感的大豆生長參數和產量估算［J］. 農業機械學報，2023，54（8）：230-239.

[10]胡田田，趙 璐，崔曉路，等. 無人機多光譜數據可靠性分析與冬小麥產量估算研究[J]. 農業機械學報，2023，54（12）：217-225.

[11]CHIVASA W， MUTANGA O， BURGUEO J. UAV-based high-throughput phenotyping to increase prediction and selection accuracy in maize varieties under artificial MSV inoculation[J]. Computers and Electronics in Agriculture，2021，184：106128.

[12]FENNELL J， VEYS C， DINGLE J， et al. A method for real-time classification of insect vectors of mosaic and brown streak disease in cassava plants for future implementation within a low-cost，handheld，in-field multispectral imaging sensor[J]. Plant Methods，2018，14：82.

[13]彭要奇，肖穎欣，鄭永軍，等. 無人機光譜成像技術在大田中的應用研究進展[J]. 光譜學與光譜分析，2020，40（5）：1356-1361.

[14]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.

[15]MANDAL N， ADAK S， DAS D K， et al. Spectral characterization and severity assessment of rice blast disease using univariate and multivariate models[J]. Frontiers in Plant Science，2023，14：1067189.

[16]郭銘淇，包云軒，黃 璐，等. 無人機多光譜影像在稻縱卷葉螟危害監測中的應用[J]. 江蘇農業學報，2023，39（7）：1530-1542.

[17]楊麗麗，張大衛，羅 君，等. 基于SVM和AdaBoost的棉葉螨危害等級識別[J]. 農業機械學報，2019，50（2）：14-20.

[18]LIU X D， SUN Q H. Early assessment of the yield loss in rice due to the brown planthopper using a hyperspectral remote sensing method[J]. International Journal of Pest Management，2016，62（3）：205-213.

[19]KASINATHAN T， SINGARAJU D， UYYALA S R. Insect classification and detection in field crops using modern machine learning techniques[J]. Information Processing in Agriculture，2021，8（3）：446-457.

[20]TUDA M， LUNA-MALDONADO A I. Image-based insect species and gender classification by trained supervised machine learning algorithms[J]. Ecological Informatics，2020，60：101135.

[21]MARKOVIC D， VUJICIC D， TANASKOVIC S， et al. Prediction of pest insect appearance using sensors and machine learning[J]. Sensors，2021，21（14）：4846.

[22]王 震，李映雪，吳 芳，等. 冠層光譜紅邊參數結合隨機森林機器學習估算冬小麥葉綠素含量[J]. 農業工程學報，2024，40（4）：166-176.

[23]汪 航，師 茁，王 巖，等." 基于MODIS時間序列數據的春尺蠖蟲害遙感監測方法研究——以新疆巴楚胡楊為例[J]." 遙感技術與應用， 2018， 33（4）： 686-695.

[24]OLSSON P O， LINDSTR M J， EKLUNDH L. Near real-time monitoring of insect induced defoliation in subalpine birch forests with MODIS derived NDVI[J]. Remote Sensing of Environment，2016，181：42-53.

[25]GREENE A D， REAY-JONES F P F， KIRK K R， et al. Spatial associations of key lepidopteran pests with defoliation，NDVI，and plant height in soybean[J]. Environmental Entomology，2021，50（6）：1378-1392.

（責任編輯：石春林）