基于無人機遙感的園林病蟲害早期識別技術研究

中圖分類號：S436.8 文獻標識碼：A 文章編號：1005-7897（2025）11-0187-03

0引言

具有隱蔽性與擴散性的園林病蟲害，對城市生態景觀構成重大威脅，傳統人工巡查與單點監測技術無法滿足大面積、實時預警需求，而無人機遙感憑借高時空分辨率及動態監測方面的優勢，成為植物健康評估的關鍵手段。基于深圳市園林的生態特性，針對多源數據融合精度、復雜場景識別魯棒性等存在的技術瓶頸，打造覆蓋整個鏈條的病蟲害早期識別技術體系，促進園林病蟲害防控智能化水平提高。

1園林病蟲害早期識別技術現狀

1.1傳統識別技術局限性

人力實地逐株巡檢中，工作人員需一株挨著一株檢查植物，面對廣袤的園林范圍，工作負荷超乎想象，效率極度低下。在錯綜復雜的園林植物群落里，工作人員易受身體疲勞、經驗短板等影響，難以精準辨認病蟲害早期的細微表征，如葉片上極小尺寸的病斑、初期數量不多的害蟲，較易引發漏檢狀況。而實施實驗室檢測時，得將植物樣本采集攜回，需經過切片、染色等一系列繁雜工序，操作程序瑣碎，檢測的時間周期長，無法迅速反饋病蟲害情形，造成病蟲害在等待檢測結果的階段進一步擴散，錯失病蟲害防治的絕佳時機，對園林植物健康構成極大的威脅。

1.2病蟲害生理與光譜特征變化機制

病蟲害引發植物細胞結構破壞，破壞植物正常新陳代謝的節奏，造成植物光合作用、呼吸作用等生理過程失調。就光譜特性而言，健康植物葉片于可見光、近紅外等波段，有著特定的反射、吸收及透射屬性，葉綠素對紅光的吸收十分強烈，在近紅外波段呈現較強反射性。若遭受病蟲害影響后，葉片所含葉綠素含量下降，葉片出現變色及萎蔫情形，這會引起紅光波段反射率增高，近紅外波段的反射率出現下降；病蟲害引發葉片水分含量的波動，也會在水分吸收波段呈現出光譜特征的顯著改變，這些特征變動為借助光譜實現病蟲害早期識別提供了關鍵支撐。

1.3無人機遙感技術應用缺口

就數據處理的層面而言，無人機采集的多源數據，如高分辨率影像和多光譜數據之類，數據量龐大，格式呈多樣化，現有的數據處理算法及配套軟件，在數據融合及快速分析方面表現欠佳。從海量數據中快速精準提取病蟲害相關特征并非易事，就識別精度的表現而言，處于復雜園林的環境里，各植物種類光譜特征出現了重疊，且病蟲害早期時，光譜變化就很微弱，現有的識別模型無法進行有效區分，造成識別準確率不高。天氣狀況極大地影響著無人機飛行，在風雨、霧霾這類惡劣的天氣環境中，無法實現作業的正常開展，而且無人機的續航能力欠佳，無法做到長時間、大范圍的連續監測，這些情況均對無人機遙感技術在園林病蟲害早期識別時的廣泛應用有所制約。

2無人機遙感園林病蟲害早期識別技術原理與系統構建

2.1無人機遙感光譜監測技術原理

對于深圳市的園林植物，健康葉片因富含葉綠素，在可見光的紅光波段（波長約為 0.62～0.76μm） 會強烈吸收光線，用于光合作用；在近紅外波段的范疇，歸因于葉片內部獨特的細胞構造，體現出高反射特征。若園林植物遭遇病蟲害，細胞的結構受損毀，葉綠素含量明顯降低，光合作用的進程受阻，紅光波段反射率向上攀升，葉片水分的狀態出現變動，近紅外波段反射率出現了下降。無人機搭載的光譜傳感器可精準捕捉這些細微光譜變化，通過采集、分析不同波段反射率數據，計算特定植被指數，如歸一化植被指數（NDVD，其計算公式如下：

式中：PNIR 近紅外波段反射率；pR 紅光波段反射率。

2.2無人機平臺及傳感器選型標準

續航層面，考慮到深圳市園林區域面積較大，為契合大面積巡查需求，續航時長通常需在30＼～120min，部分固定翼無人機續航可達數小時，具備飛行速度快、航程遠的特點，適用于大面積、布局規則的園林監測；多旋翼無人機雖續航較短，但靈活性極高，適合城市公園中植被分布復雜、空間受限的區域。飛行穩定性對數據采集質量有直接影響，需配備先進飛控系統，以保障無人機在微風甚至一定風力條件下穩定飛行，負載能力決定了可搭載傳感器的類型與數量，需依據實際監測需求，選取能承載相應重量傳感器的無人機平臺，如大疆M300RTK無人機負載能力較強，可滿足多種傳感器的搭載需求。傳感器選型亦為重要，光譜分辨率影響植物光譜特征區分的精細度，園林病蟲害早期識別宜選用高光譜傳感器，此類傳感器可提供數百個連續且窄波段的光譜信息，靈敏捕捉病蟲害導致的細微光譜變化，部分高光譜傳感器光譜分辨率可達1＼～10nm。空間分辨率關系到植物個體及病蟲害細節的分辨能力，深圳市園林植物監測一般采用空間分辨率在0.1＼～10cm的傳感器，以清晰展現單株植物甚至葉片上的病蟲害跡象。

3無人機遙感園林病蟲害早期識別技術應用3.1多源數據協同采集技術應用

開展深圳園林病蟲害早期識別的工作，需根據園林計算機輔助設計圖紙，結合實地勘測數據規劃無人機飛行航線，就大面積的園林地帶而言，采用“網格全面覆蓋 + 重點區域加密\"的做法，把無人機飛行高度調控至 50～100m ，借此得到空間分辨率為0.1＼～10cm的遙感數據。在無人機飛行進程內，由無人機搭載的多光譜傳感器，同步采集藍光 （450-520nm） 、紅光（630＼～690nm） 、近紅外 （760-1100nm） 等波段的測量數據，同時借助GNSS模塊來記錄厘米級定位數據，在地面布放氣象站，以10min的采樣間隔來采集溫度、濕度、光照強度等環境狀況參數。

數據處理環節，利用ENVI5.6軟件構建多源數據融合框架（圖1）。首先，對原始影像進行幾何校正與大氣校正，消除地形起伏與大氣散射影響。其次，通過Gram-Schmidt變換將高光譜與多光譜數據融合，生成兼具高空間分辨率（5cm）與高光譜分辨率的數據集。最后，基于Python編寫的自動化腳本，提取歸一化植被指數、歸一化差異紅外指數等12種植被參量，構建病蟲害特征數據集。

采集多源數據后開展光譜數據處理。運用 SavitzkyGolay濾波消除信號噪聲，通過連續統去除法規整光譜

3.2智能特征融合提取技術應用

曲線，著重凸顯 700-750nm 波段“紅邊\"位移現象，該波段變化與植物葉綠素含量波動緊密相關。圖像特征提取環節，借助Canny算子獲取葉片邊緣輪廓，進而計算周長、面積、圓形度等幾何參數；采用 ^8×8 像素窗口、1像素量化步長的局部二值模式提取葉片紋理特征。特征融合階段，實施加權策略，光譜特征權重設為0.6，圖像特征賦予0.4權重，利用主成分分析將高維特征向量壓縮至20維以內，同時確保保留 95% 以上原始信息。以深圳市常見樟樹為研究對象，當監測區域樟樹近紅外波段光譜反射率低于0.4，且葉片紋理粗糙度參數超過18時，結合其他形態與光譜特征，即可判定該區域樟樹存在病蟲害風險，據此構建包含多維度特征的病蟲害判別向量，為后續精準識別提供數據支撐。

3.3動態閥值自適應判定技術應用

在園林復雜的生態環境中，溫度、濕度、光照等環境因素時刻變化，植物生長周期也各有不同，靜態閾值難以精準識別病蟲害，動態閾值自適應判定技術便成為破局關鍵。數據采集階段，地面氣象站以 10min 為間隔，持續監測溫度（精度 ±0.5^°C） 、相對濕度（精度 12% ）、光照強度（精度 ±5μmol/m²?s^-1） 等環境參數；無人機搭載光譜分辨率達5nm、空間分辨率為5cm的高光譜傳感器，以及分辨率為4800萬像素的光學相機，在50＼～100m 飛行高度下，以0.1＼～10cm的空間分辨率獲取植物生長狀態數據，二者協同為病蟲害識別提供實時、全面的數據支撐。

該技術依據環境與植物生長情況智能調整閾值。當監測到連續3h環境溫度不低于 30% 且相對濕度不低于 80% 時，自動將葉片光譜異常判定標準中的紅光波段反射率閾值提高0.05，近紅外波段反射率閾值降低0.03，避免因高溫高濕導致的葉片生理變化造成誤判；針對不同生長階段植物，動態改變形態特征識別準則。以深圳市常見榕樹為例，在其生長旺盛期，模型會根據歷史數據與實時監測，精準調整葉片顏色、紋理等特征的識別閾值，實現病蟲害的早期預警。動態閾值自適應判定技術顯著提升了病蟲害識別準確率，有效避免漏檢誤判，為深圳市園林病蟲害防控決策提供了科學、可靠的依據。

3.4識別結果空間可視化技術應用

針對病蟲害致疫木情況，將病蟲害導致疫木的識別結果存儲于數據層PostGIS數據庫，字段包含病蟲害類型、嚴重程度、空間坐標，利用GIST格式空間索引提升查詢效率。服務層借助GeoServer發布WMS/WFS服務，疊加矢量數據（點線面要素，對應疑似疫木點位等）與柵格數據（可輔助分析植被背景信息）進行顯示。前端采用OpenLayers框架，加載對應區域基礎地圖作基礎層，病蟲害致疫木專題層以分級圖呈現感染密度，暖色區域為高風險區（即疑似病腐木數量多、病蟲害影響重的區域），動態時序層可按周期展示病蟲害擴散及致疫木發展的動畫。系統交互功能豐富，點擊病蟲害致疫木分布區域，彈出對應樹種、病害類型及防治建議；框選區域可生成感染（致疫木分布）面積與嚴重程度占比報表，還能導出KML數據，為無人機針對病蟲害防治作業（噴藥抑制病害擴散、處置疫木）導航提供數據支撐，實現基于病蟲害致疫木監測的林業或對應場景的病蟲害防治。

4無人機遙感早期識別技術在深圳園林的應用成效

4.1病蟲害識別提前期顯著縮短

傳統園林病蟲害識別模式中，鑒于人工巡查頻次的局限性，往往得等到病蟲害發展成一定規模，癥狀十分明顯時才可察覺，應用無人機遙感早期識別技術之后，借助多源數據的協同采集，可周期性全面監測園林區域。在針對深圳市一處大型公園的監測工作里，無人機循著既定路線，每周開展一次綜合性巡查。在該技術引入前，面對常見的朱紅毛斑蛾蟲害現象，平均發現蟲害的時間是在爆發后15d左右；采用無人機遙感技術后，依靠智能特征融合提取及深度學習模型優化部署相關技術，可以于蟲害初發時期，也就是在3＼～5d內實現精準識別，大幅縮短了識別提前期達10＼～12d，為迅速落實防治舉措爭取到寶貴時段。

4.2定位精度大幅提高

以往依靠人工巡查，難以精準鎖定病蟲害發生的具體位置，多采用大致區域說明，對精準防治工作不利，而無人機所配備的GNSS模塊可記錄厘米級定位信息，結合多源數據做處理，能精準聚焦單株植物。在深圳市某條道路兩側榕樹的病蟲害防治作業里，在采用這項技術之前，定位存在數十米的誤差，不容易對每一棵受病蟲害影響的榕樹進行靶向處理。引入早期的無人機遙感識別技術后，可實現 0.1～0.5m 的定位精度，采用空間可視化的技術，直觀地在地圖上呈現病蟲害位置，清晰展現出不同區域受病蟲害植株的準確坐標點，使防治人員可迅速、精準地鎖定目標植株，顯著提升了防治工作的精準度及工作效能。表1為深圳某道路榕樹病蟲害位置信息示例。

4.3整體防控效果顯著增強

受益于病蟲害識別提前時段的縮短及定位精準程度的提高，深圳市園林對病蟲害的整體防控成效呈質的躍升。若早期就發現了病蟲害，能即刻采用有針對性的防治辦法，阻止病蟲害大規模蔓延，降低防治成本。例如，開展海欖雌瘤斑螟對白骨壤侵害的防治工作時，運用無人機開展早期探查，可在蟲害初起階段開展精準噴藥，與過去蟲害大面積肆虐后才著手防治相比較，農藥使用量約減少了40個百分點，切實節約了開支，又減輕了對整個環境的污染壓力。因精準定位，防治措施能更有效地作用在目標區域，提升了防治工作成效，以蓮花山公園為例，自應用這項技術起，與之前情況比，病蟲害發生率降低了 30%～40% ，園林植物的健康態勢明顯好轉，生態景觀實現了更好的維護效果，為市民造就了更優質的園林天地。

5結語

借助無人機遙感的園林病蟲害早期識別技術構架，證明了多源數據協同采集與深度學習模型在深圳園林場景中切實有效，病蟲害識別提前期縮短，定位精準至厘米級別，為園林病蟲害的防治工作提供了科學決策的支撐。未來，還需進一步增強復雜環境里模型泛化能力，推動該技術跟物聯網監測網絡深度結合，進而實現園林生態的智慧化管控。

參考文獻

[1]高輝.濟南市園林病蟲害防治存在的問題及其對策[J].南方農業，2024，18（16）：159-161.

[2]張翠翠，潘業田，易春燕，等.成都市城市園林植物病蟲害防治現狀及措施[J].四川農業科技，2024（11）：64-66.

[3]孫麗娜，王德華.園林花卉病蟲害的發生特點及防治技術探究[J].園藝與種苗，2022，42（8）：45-46.

[4]閆菁，唐淑芬.無人機遙感在城市園林綠化調查的應用研究[J].江西通信科技，2024（1）：37-41.

[5]周小成，廖鴻燕，崔雅君，等.無人機遙感估算綠化園林三維綠量：以福州大學旗山校區為例[J]福州大學學報（自然科學版），2020，48（6）：699-705.

作者簡介：李琪安（1973一），男，漢族，廣東深圳人，本科，高級工程師，主要從事園林專業工作。