基于无人机高光谱的果林灾害防治监测方案

果业作为我国农业的重要组成部分，在种植业中位列第三，其面积、产量和产值仅次于粮食和蔬菜，在保障食物供给、居民健康、生态安全、农户增收以及激发农村经济活力和农业可持续发展中的作用日益显著，是新时代乡村振兴的重要支柱产业之一。病虫害是影响果树生长、降低果品质量、影响果业健康发展的主要因素，已成为当今果树种植及生产管理中最根本、最引人关注的灾害之一。病虫害种类繁多、规模大、时常暴发性成灾或二次传播，给果树病虫害有效防控带来了巨大挑战。同时，某些弱寄生菌逐渐成为果树的主要病害，防控难度加大，病虫害的蔓延将直接导致果树树体及果品质量安全，甚至引起消费恐慌，给水果产业发展带来消极影响。一般果园果树的病虫害防控是大范围地定期喷药以避免病虫害的发生，存在过量过度使用农药化学现象，致使果园土壤酸化严重、农业面源污染增加，最终导致果品质量安全风险大，果业绿色健康发展难度大。因此，如何及早发现并精准实现病虫害的有效监控，从而精准指导适时适量施药已成为农业研究者的关注热点。传统的人工检测与监测费时费力，虽然准确性较高，但存在一定的主观性和时间的滞后性，无法满足现代精准农业对病虫害发生类型、发病位置、发病程度和发生面积等信息进行定位、定时、定量以及快速有效、及时同步获取的精准要求。因此，实时、快速、精准、无损地监测、识别、防治水果病虫害，对于提高水果产量、提升果品品质、减少果业损失、促进农民增收和乡村产业振兴尤其是山区经济腾飞具有重要意义。

高光谱遥感能够采集获得用来描述地球表面物质光谱特性的一维光谱信息和描述其地理分布的二维空间信息，其光谱的分辨率达到了纳米级，很多在多光谱图像中无法获得的对于某种植物特别波长的波谱信息被感知。高光谱遥感具有分辨率高、连续性强、信息量巨大等优势，可实时获取植物生长过程中器官形态的细微变化，在农业病虫害鉴别上表现出强大的潜能，可以为大田、农场、果园等不同尺度的农作物病虫害精准防控和高效防治提供参。通过利用高光谱传感器可获得地物在可见光波段(0.4～0.7μm)、近红外波段(0.7～1.1μm)以及短波红外波段(1.1～2.5μm)范围内的数百个波段的电磁波谱信息，另外有些光谱传感器还能探测优于1nm的连续窄波段光谱信息用于地物研究分析。对于光谱反射率高低而言，可见光范围内由植被对色素的吸收和反射的强弱决定，近红外波段由植物细胞的基本结构决定，而短波红外范围内则由植被对水汽的吸收情况决定。全波段范围内植被由于受病虫害侵染，植物器官的微小变化就会引起叶片和形态的高度敏感表现，这就是病虫害早期诊断和不同病虫害识别的高光谱应用意义所在，也正是近些年高光谱探测技术迅猛发展及被青睐的缘由。可见光-近红外是绿色植被对电磁波谱响应最为敏感的区间，尤其是近红外区及“红边”位置对于作物病虫害症状的早期检测和诊断、动态变化监测和分析有着举足轻重的依据。果树冠层受病虫害后不同时期会出现细胞组织颜色黄化、叶片形状残缺、冠层形态矮化、植株枯死、萎蔫导致蒸腾速率下降等，这些症状过程都表现在一定的反射光谱上(图2)。

作为较晚兴起的新型遥感技术，高光谱遥感在作物病虫害监测识别与应用研究中得到极广泛的关注。根据数据采集方式的不同分为成像和非成像2种类型。非成像高光谱原理就是测量传感器探头平视视域范围内的平均光，多用于植株冠层、叶片特征的光谱变化分析，常用的就是ASD公司的地物光谱仪，比如Rumpf等利用ASD地物光谱仪测量了不同病害染病叶片的光谱数据，系统分析了不同病害的识别精度;而成像高光谱以快照式(窗扫式)的成像高光谱传感器性能最佳，扫射1次便能获得整个区域内高光谱“立方体”，这种“立方体”具有“图像立方体”的形式和结构，数据获取稳定且时效性强，体现了成像高光谱“图谱合一”的优势(图3)，已成为作物表型分析和不同病虫害监测识别不可或缺的光谱传感器。随着“星-空-地”高光谱遥感多源多平台的发展，为水果果树病虫害遥感监测及其不同应用方向的分析研究提供了多组合选择，研究方法也从经典的统计分析向人工智能、模式识别、深度学习、大数据分析等方向扩展。因此，利用高光谱遥感技术对水果果树病虫害早期诊断、胁迫分类、监测识别、危害程度进行定量分析和品质检测成为可能。

水果病虫害早期诊断

病虫害防治坚持“预防为主，早发现，早防治”的原则，传统的农业生产管理存在对病虫害农情信息监测不及时，监测结果以定性方式展示，无法将监测结果实现定量化等难题，而高光谱技术则能够尽早通过对作物微小生理变化的识别判定疾病的发生。病虫害对作物的影响主要分为外部形态和内部生理变化，何种变化都将不可避免地导致作物光谱特征的改变，尤其是中、近红外光谱特征的变化。赵英时等指出只有近红外波段反射率发生变化，可见光波段的反射率才会发生变化，在观测病虫害方面，红外波段光谱特征监测相较于肉眼要快速很多，这对病虫害的早期防治具有非常重要的意义。Delalieux等利用多个时期的苹果分析黑星病胁迫叶片和健康叶片的光谱变化特点，发现在1375~1750、2200~2500nm的光谱范围内对叶片侵染初期能够快速识别，而在580~660、685~715nm范围内可以快速地、较精准地识别侵染3周后的病害叶片。梅慧兰等获取了370~1000nm范围内的健康、不同染病程度和缺锌等5类柑桔叶片的高光谱图像，利用偏最小二乘判别分析构建了柑桔黄龙病的分级监测模型。Oerke等利用不同时期葡萄叶片光谱特征变化分析和监测霜霉病感染程度时发现，接种天数越长，健康和染病叶片的光谱差异就会越大，可用于染病监测的光谱数量也会越多。400、1400、1900nm可用于早期预测，接种后第8.5天的疾病检测宜采用红边波长，接种第9.5天后的疾病诊断宜采用500~700nm范围内检测。通过文献检索分析，虽然国内外将高光谱技术应用在水果病虫害防治方面的研究成果相对较少，但是应用潜力已得到充分证实，而且早期诊断研究的热点波段集中在近红外及“红边”位置。对于病虫害的早期诊断监测，还需结合高光谱遥感信息、作物发病机理机制及所处气象环境条件，利用长时间序列的遥感数据对病虫害开展生境监测是实现病虫害早期防治的关键技术之一。

从上述分析可知，作物对电磁波谱的响应主要由作物表面特征和内部生理特征决定，植物自身的色素、细胞结构、水汽吸收分别影响并决定了可见光、近红外及短波红外范围的光谱特征。由图4可知，由于叶绿素和类胡萝卜素强吸收带的存在，绿色健康植被在可见光波段的反射率较低，同时在蓝光和红光谱段内存在2个吸收谷，绿光波段内则存在1个强反射峰;然而介于可见光红光波段与近红外波段的700~770nm波段范围内，植被光谱反射率曲线急剧上升几乎近似垂直直线，该波段范围的斜率与植被单位面积叶绿素含量关系密切，学界称为“红边位置”;此后在短波红外的1400~1900nm附近有2个吸收谷，主要由水汽强烈吸收造成。在受到病菌侵染后叶绿素遭到破坏，可见光范围内的光谱反射率增强，红边位置向短波方向移动。同时，染病植株在受到胁迫较严重时就会出现叶倾角变化甚至植株倒伏等冠层形态的变化，当胁迫达到某一临界阈值，作物植株内部的水分代谢会受到破坏，导致植株及叶片严重缺水，这都会引起近红外波段反射率的变化。红外波段反射率有增加也有降低，不同病虫害对应的光谱响应不太一致，但1400、1900nm附近出现吸收谷反射率增加的现象。

Garcia-Ruiz等利用2种不同的成像系统对柑橘黄龙病进行识别，结果表明健康与染病果树在波长710nm和红边波长处的反射光谱存在明显差异，模型的分类精度在68%~75%之间，利用天源六旋翼无人机搭载ATH9010成像光谱仪，采用连续投影算法对柑橘患黄龙病植株进行分类识别，分类准确率超过95%，并提取出了最佳识别特征波段(698、762nm)。郭冬梅基于柑橘叶片高光谱，应用逐步判别分析筛选出柑橘黄龙病9个特征波长(400.19、403.17、406.15、407.64、412.12、721.14、730.74、740.34、823.98nm)。谭明等利用高光谱图像识别技术对柑橘溃疡病进行识别研究，认为柑橘正常果树叶片与溃疡病叶片在可见光波段的510.9、575.4、600.88nm和近红外波段的998.97nm具有很好的光谱响应。李江波等以脐橙为研究对象，基于高光谱成像并利用特征波段主成分分析法和波段比算法对溃疡病果实进行分类识别，提取处溃疡病特征波段5个(630、685、720、810、875nm)，正确识别率达到95.4%。

高光谱不但可以针对单一果树的同一病虫害胁迫植株进行分类提取，还可以对果树不同病虫害以及不同水果果树同种病虫害进行识别，这也是高光谱技术应用于作物病虫害监测识别和防治的重点。研究表明，基于高光谱图像利用不同分类算法对不同病虫害识别    成为可能，而且准确率较高,表1为部分水果病虫害识别相关研究使用到的高光谱分类算法。

由于高光谱庞大的光谱特征和图像特征，数据量大，高维度信息的冗余性导致处理时间长，数据降维难度大，特征提取及选择的方法、数据降维方法以及数据的前期处理方式等都会对判别精度造成影响。同时，算法的选择以及不同算法的结合会极大提高模型识别的精度，研究表明融入深度学习对于作物病虫害的识别以及精度的提高是一种行之有效的方法。

在水果病虫害分类识别的基础上，定量测评分析病虫害的危害程度对于指导果园精准施药等作业管理具有重要意义，高光谱及其成像技术的定量分析为其提供了可能。邢东兴等分析了红富士苹果树在各级红蜘蛛虫害、黄叶病害胁迫下的反射光谱特征，构造了6种光谱指数并分别建立了红蜘蛛虫害和黄叶病害级别(正常、轻度、中度、重度)的测评数学模型，测评准确率分别为96%、98%。同样，温淑娴等采集了酥梨样本接种炭疽病初期到发病直至腐烂整个过程的高光谱图像及210个样品作为研究对象，采用阈值分割法、权重系数法、主成分分析及聚类分析等方法，样本正确识别率为98.41%，根据时序高光谱图像的K-Means分类发现酥梨在第2天和第3天的发病症状明显，推测出这个时段对病害施加诊治手段最为有利。随着病害程度的进一步加深，病害区域含水率升高，光谱反射率降低。梅慧兰等采集了健康、染病和缺锌柑橘叶片370~1000nm波长范围的高光谱图像，建立了偏最小二乘判别模型，模型判别精度达到96.4%。同样，刘燕德等也通过采集鉴别为轻度、中度、重度、缺锌和正常的5类柑橘叶片高光谱图像，利用最小二乘支持向量机法构建的柑橘黄龙病判别模型最好，误判率为0。孙晔利用图像分割算法及统计学方法，选取了水蜜桃全果实高光谱图像中709、807、874nm3个有效的单波段图像，通过设置阈值进行桃子腐烂与健康区域的定位，对严重腐烂、一般腐烂、轻度腐烂和健康桃子的检测精度分别达到100% 、100%、66%和99%，该研究表明健康果、腐烂果的检测和鉴别效果好，而轻度腐烂果表面ROI像素比高光谱成像更小而不合适，从而导致检测精度低。文献分析中发现，水果病虫害的危害程度定量分析中，大多数学者以病虫害危害等级为因变量，自变量可为全波段、特征波长或特定区间光谱，基于统计的回归分析方法(PLSR、FLDA、SVM、Logistic回归、多线性回归、Dirichlet聚集回归或分类算法(SAM、DT、ANN)，以特定病虫害特征图谱或特征波段开展研究。光谱植被指数(spectral vegetation index，简称SVI)是遥感传感器的不同光谱波段间的线性与非线性的几何集合，从不同角度反映作物生育期的生长状况而受到广泛关注，针对性地进行作物疾病特异性数据分析，利用不同波长数据构建特定的病虫害识别指数(SDI)，相较于单纯的SDI，特定SDI能更快捷、更简单地实现特定病虫害的量化反演分析。与SVI一样，特定水果SDI的构建也将成为水果病虫害危害等级量化分析的研究方向。

水果在产存运销过程中易受病菌侵染以及害虫侵蚀，对其生理机能、组织结构造成一定影响，出现如斑点、腐烂、霉粉和虫蛀等反常症状，从而造成果业损失和影响食品安全。一直以来，水果品质的无损检测是农业工程领域的研究热点和重要课题，对水果病虫害进行无损检测与准确评价成为提升水果品质以及保障食品安全的重要举措。水果病虫害无损检测主要基于近红外透射光谱技术和高光谱成像技术，韩东海等基于短波近红外透射光谱研制出苹果水心病检测仪，检测结果发现苹果不同级别水心病的透射光谱强度不同，从而实现对苹果水心病的判别，与全球同类检测方法相比，该方法检测正确率高、仪器设备简单易操作。此外，韩东海等还利用透射光谱技术对苹果内部褐变开展无损检测，其准 确率达到95.65%。Teerachaichayut等基于近红外透射光谱，利用波长660~960nm检测山竹果硬果皮病，并区分山竹果健康果皮与病害果皮的光谱特征，可准确检测出山竹果的硬果皮病。刘思伽等利用高光谱成像技术对感染炭疽病、苦痘病、黑腐病和褐斑病4种病害的寒富苹果进行了检测，选取3个特征波长、10个特征波长以及全波长光谱信息，利用线性判别分析、支持向量机和BP人工神经网络模型分别对不同光谱信息进行病害识别， 病害果的检测率达96. 25%。Siedliska等利用高光谱成像技术检测草莓感染腐败真菌情况，选取19个波长作为最适合草莓感染鉴别的波长，并建立了监督分类模型。章林忠等基于近红外光谱开展了葡萄病害研究，得到最佳预处理方法为多元散射校正、一阶导数结合Norris平滑处理，利用判别分析模型分析，正确率达96.15%。传统的水果病虫害检测多为人工诊断，其效率低、耗时久、主观性强、内部病虫害无法肉眼识别，而理化指标检测又存在破坏性强、样品处理繁琐、检测周期长等问题，虽然大部分研究成果都处于试验或实验室研究阶段，样本量不大，但足以证明利用高光谱技术开展水果病虫害的无损检测是可行的，对保障果业健康发展、减少经济损失具有重要意义。

无人机高光谱成像仪实测数据处理

野外实测时天气晴朗且风速较小，采样时间控制在北京时间10:00~17:00这一时间段，使用无人机载高光谱成像仪ATH9010进行了柑橘黄龙病灾害植株光谱采集。

奥谱天成利用全国产化的高光谱成像仪ATH9010针对柑橘黄龙病植株进行识别，受天气影响小、距地面近获取空间分辨率高，光谱信息更完整，能够对于柑橘黄龙病植株进行针对识别;具体过程如下。

1、现场勘察，确定最终飞行航线。时间预计1个工作日;

原始数据→数据拼接→参数反演→反演结果专题图制作(表现柑橘植株黄龙病分布情况)。

根据客户需求，对指定柑橘树林区域利用无人机划定航线后进行飞行。

综上反演结果可知，目前感染HLB植株分类结果较理想，错误分类点较少，反演结果很好地呈现了黄龙病感染植株空间分布，为黄龙病灾害防治治理提供了直观的数据分析基础。