农作物病虫害遥感监测综述

简俊凡，何宏昌，王晓飞，李 月

(黑龙江大学电子工程学院，黑龙江 哈尔滨 150000)

在作物生长过程中，病虫害会对其产量和质量造成极大的影响，降低经济效益。掌握病虫害的征兆和发生特点，尽早发现并采取方法进行治理，在提高作物产量和质量，减少因病虫害造成的经济损失方面尤为重要。然而，传统的作物病虫害监测方法不仅效率低下，所获取的信息还存在着低准确率和严重滞后性等问题，很难在大范围内准确估测出染病区域和病情程度。因此，寻求准确率高、及时性强且成本低廉的病虫害监测方法极为重要。近年来，随着科技水平的发展，高光谱遥感技术在农业中获得广泛使用，因其实时、准确等优点成为病虫害早期预警和病情控制的有效方法，逐渐成为农业遥感应用的主要前沿技术手段之一。

1 监测原理

高光谱遥感，通常其光谱具有低于10 nm的波谱宽度，其扫描系统可以同时获取几百乃至上千的光谱波段，所获取的数据能够形成一条完整而连续的光谱曲线，在极具成本效益的情况下取得很高的分辨率[1]，以准确获取农作物病虫害信息，在尚未对作物造成严重危害前，为生产决策者采取预防措施提供数据支撑，同时也为农业政策实施提供科学支持。

使用高光谱遥感技术能够得到三维的数据信息，即空间信息、辐射信息和光谱维信息。相比于常规遥感技术，光谱维信息能够将常规遥感技术中的相应光谱波段再次细分[2]，以探测作物叶片的生化组分(如叶绿素、氮含量、水含量等)信息和物理参数(如叶面积指数、生物量、冠层结构等)信息，为其精确反演提供可能[3]。与正常作物高光谱曲线相比，感染了病虫害作物的高光谱曲线会发生改变，尤其是在可见光波段和近红外波段之间。

2 遥感监测技术框架

利用遥感技术监测作物病虫害的技术框架如图1 所示，可以通过卫星遥感、无人机或便携式仪器获取影像，采取最优方法建立反演模型，最后结合实地采集参数对结果作精度分析。研究发现，直接使用选取的敏感波段进行反演效果并不理想，因此学者们对原始光谱进行不同形式的变换以提取特征光谱，使其更益于模型建立。本文将对目前广泛使用的光谱特征变换技术进行介绍，并对反演模型的建立方法进行分析及比较。

图1 农作物的遥感监测技术框架

3 光谱特征选择及变换

3.1 原始光谱的导数、对数变换

导数光谱可以减弱背景及大气散射的影响，提高各种光谱吸收特征对比度。研究发现，只要植被覆盖度达到20%以上，背景对一阶微分的影响就非常小[4]。二阶导数可以在绝大程度上消除二次型背景噪声光谱的影响，甚至完全消除线性噪声光谱的影响[5]。原始光谱导数经过对数变换可以反映作物的光谱吸收特征，称为伪吸收系数。进行对数变换后能增强可见光区域内反射特征之间的差异，减少因光照条件等因素变化而引起的乘性因素影响[2]。

吴曙雯等对感染不同病情等级的水稻原始反射光谱作一阶微分处理，研究光谱中绿光、红光及近红外3个敏感波段随病情等级加重的变化趋势，发现受稻叶瘟胁迫的光谱曲线绿光反射峰发生“红移”，红光吸收峰和近红外反射峰则发生“蓝移”，同时近红外反射光谱的斜率随病情等级的加重而逐渐减小，且病情等级高时的变化率低于病情等级低时的变化率，即随着稻叶瘟病情等级的加重，近红外区域的陡坡效应将受到削弱[6]。沈艳等用高光谱的一阶导数极值特征参数法提取植被叶片的各种生化组分，分析发现，对植被叶片全氮含量最为敏感的波段为1670～1730 nm区域内反射率的一阶导数最小值，对光谱进行一阶导数处理，不仅能够消除背景因素的影响，还能得到更高的叶片生化组分提取精度[7]。

3.2 基于光谱位置和面积的特征参数

红边是绿色植被区别于其他地物最明显的光谱特征，其参数包括：红边位置、红边面积、红边反射率等，蓝边、黄边的情况类似。当作物感染病虫害发生生物量降低、色素量减少等生理化参数变化时，红边会向短波方向移动，称为“蓝移”，反之，红边“红移”。

乔红波和蒋金豹利用光谱微分技术对冬小麦的原始反射光谱作一阶微分处理，前者求得红边斜率，发现冬小麦在受到条锈病胁迫后，冠层光谱的红边斜率在近红外波段变化十分明显，而红边位置变化则比较微弱。后者发现以红边峰值一阶微分集合与绿边峰值一阶微分集合的比值为变量所建立的DI估测模型精度最高[8-9]。黄建荣等对光谱特征参数进行分析，发现差值植被指数、黄边面积、红边和蓝边面积差值可以区分感染不同病情等级稻纵卷叶螟的叶片卷叶率，若以黄边面积作为预测指标，可以达到86%的正确率[10]。

3.3 基于连续统去除的特征参数

连续统去除法，又被称为包络线消除法。可以在突出光谱特征的同时，将其归一到一个一致的光谱背景上，以便于光谱中各种特征数值的比较[11]。它可以矫正由于波段依赖而引起的波段反射率极值点位移，从而将其校正到真正的位置。

刘占宇对健康水稻叶片和受倒杆线虫胁迫水稻叶片的原始光谱和对数光谱分别进行连续统去除处理后，发现对原始光谱(CRRS)而言，病虫害的敏感波段为蓝光波段(430～530 nm)、绿光-近红外波段(550～730 nm)；而对对数光谱(CRLS)而言，病虫害的敏感波段为蓝光-红光波段(480～670 nm)、红光-近红外波段(680～960 nm)[12]。温兴平对参考光谱与像元光谱进行连续统去除处理后，分别进行SFF匹配，提取植被覆盖度并生成植被覆盖度图，结果与植被指数法、光谱夹角映射法和实地调查资料之间均存在着较高的一致性[13]。张金恒将其引入水稻叶片反射光谱特征的研究中，对水稻的原始光谱和一阶微分光谱作连续统去除处理并分析，发现随着氮含量的增加，连续统去除光谱的反射率逐渐下降，而且连续统去除光谱的吸收特征参数与叶片的全氮量之间呈现明显的负相关性[14]。

3.4 光谱指数

光谱指数即将光谱特征数据经过一系列的线性或非线性组合后，所构成的对目标地物有指示作用的数学模型，其可以在很大程度上增强目标地物的相关信息。常选对作物强吸收的可见光波段以及高反射与高透射的近红外波段构建光谱指数。

黄木易等对感染不同病害等级的冬小麦冠层光谱进行分析，构建了病情指数(DI)，并建立了遥感监测DI的组合诊断模式定量模型[15]。唐延林等发现多光谱植被指数(NDVI)、比值植被指数(RVI)与水稻叶面积指数(LAI)之间存在着极其显著的相关性，同时NDVI及其变量与植被覆盖度、氮含量水平之间也存在着相关性[16]。黄木易等利用相关性最好的666 nm光谱波段和相关性最弱的758 nm光谱波段建立光谱角指数(SAI)，以SAI为基础构建条锈病胁迫指数(SRSI)，用于反演冬小麦条锈病的发生情况[17]。HUANG等建立了受条锈病胁迫冬小麦的病情指数(DI)与归一化光化学反射指数(NPRI)的反演模型，决定系数R2达到0.847 7，具有较高的参考价值[18]。PENUELAS等提出光化学反射指数(PRI)，用于预测作物的生化含量，还构建了水汽谱带指数(WBI)，用于量化作物的水分胁迫[19-20]。

4 反 演

4.1 统计分析

统计分析作为经典的回归分析方法得到大多数人的认可，这种方法对研究背景、区域、植被类型等具有较大的依赖性，不具备很好的通用性。但原理较为简单，计算相对方便，便于在反演中进行推广使用。运用SPSS等统计分析软件可以实现绝大多数类型的回归。

陈雪洋等选取了归一化植被指数(NDVI)、比值植被指数(RVI)、土壤调节植被指数(SAVI)和增强植被指数(EVI)4种常用植被指数，利用统计分析方法反演冬小麦的叶面积指数(LAI)，最终发现RVI是反演LAI的最佳选择，平均相对误差仅为19%[21]。王静以光化学反射指数(PRI)、水分胁迫指数(MSI)等7种植被指数作为输入，分别用偏最小二乘回归(PLS)、BP神经网络法和光化学反射模型(PRI)预测小麦的病情指数(DI)，PLS取得了最好的预测结果，R2达到0.918[22]。孙阳阳等将使用主成分分析(PCA)提取的高光谱参数与玉米的叶绿素含量结合，建立一元和多元线性回归模型，改善了由于高光谱波段间存在冗余而导致的反演模型精度低的状况，研究显示，在一元线性回归模型中，近红外反射率均值和绿峰峰值具有较高的反演精度，而在多元线性回归模型中，以分波段提取的主成分作为参数会获得较高的精度[23]。LIU等使用多元逐步回归、主成分分析和偏最小二乘回归(PLS)估测水稻叶片褐斑病的病情程度，结论表明，具有7个提取因子的PLS效果最好[24]。

4.2 机器学习

利用机器学习来进行回归分析和解决分类问题已经成为近年来的主要发展趋势。机器学习方法有很多，如支持向量机、相关向量机、人工神经网络、深度学习等。

管青松以归一化植被指数、比值植被指数和NRGB波段数据作为自变量，叶面积指数作为因变量，分别建立NDVI-SVR、RVI-SVR和NRGB-SVR回归模型，试验证明SVM受到物候期限制的程度较低，3个模型中NRGB-SVR的效果最好[25]。杨可明等采用线性回归、模糊识别及BP神经网络3种方法建立玉米叶绿素含量的反演模型，精度分析表明，玉米的高光谱数据与其叶绿素含量之间并不是单纯的线性关系，采用BP神经网络法建立的反演模型精度较高，R2达到0.902[26]。李波等使用主成分分析(PCA)从水稻叶片的可见光光谱和短波红外光谱中获取主分量光谱，并使用概率神经网络(PNN)进行识别，结果显示，两种方法相结合可以快速、精确地实现不同水稻病虫害的识别，精度达到95%以上[27]。WANG等选择与水稻病虫害等级相关度最高的红边边缘作为建立模型的参数，采用逐步回归法和BP神经网络法建立基于光谱的水稻病虫害识别模型，研究显示，与逐步回归法相比，BP神经网络法在660、990和1193 nm的特征波段处具有更好的识别效果[28]。

4.3 物理模型

针对植物参数反演提出的物理模型被广泛使用。物理模型法对植被的生理化过程有较好的解释，具有良好通用性。但是物理模型在应用时需要植被的多种结构参数作为输入，模型复杂，难以推广使用。近年来应用较多的如PROSAIL冠层光谱模型。

郭云开等分别使用TM影像和PRO4SAIL模型模拟的冠层反射率反演植被叶绿素含量，R2分别达到0.732 9和0.801 9，试验证明，模型反演达到了更好的效果[29]。叶舒选用PROSAIL冠层光谱模型进行玉米的叶面积指数(LAI)和叶片生理参数反演，建立了LAI、叶片生理参数和高分一号波段反射率值的查找表，LAI反演的平均精度达到60.59%[30]。DURBHA等利用PROSAIL冠层光谱模型，结合核主成分分析(KPCA)与支持向量机(SVR)，选取多角度数据反演叶面积指数[31]。王强等结合几何光学模型和辐射传输模型(SAIL)得到改进的MGeoSAIL模型，结果表明模型简单实用，效果较好[32]。吕杰等使用辐射传输模型(PROSPECT)模拟玉米的高光谱反射率，将其与叶绿素含量结合训练数据集，并结合粒子群优化算法和SVR学习数据集，依次建立玉米的叶绿素含量估测模型，R2达到0.871 2[33]。

5 遥感监测农作物病虫害的优势及存在问题

较之传统病虫害的监测技术而言，高光谱遥感不仅实时、准确，还具有多重优势:

(1) 高光谱遥感技术应用中，对敏感波段的选择这一特性可以为监测所使用特定传感器的进一步研究提供辅助信息和理论保障[1]。

(2) 遥感技术的使用可以扩大所需数据的来源，极大地提高获取数据的速度和质量。

(3) 遥感、GIS和GPS等技术组合，可以在对作物本身状况进行分析的同时为管理者提供及时、准确的决策信息。

将高光谱遥感应用于农作物病虫害监测也存在一些需要尽快解决的问题：

(1) “异物同谱”和“同谱异物”现象。在作物病虫害的监测过程中，不同病虫害胁迫同一种作物时可能产生同样或相似的光谱特征，即“异物同谱”现象；相反，同种病虫害胁迫同一种作物时，可能具有不同的光谱特征，即“同物异谱”现象。针对这一现象应进一步挖掘光谱中的有效信息，利用不同尺度遥感数据相结合的方法来解决这一问题。

(2) 数据容量大。高光谱数据的高分辨率带来了极大的数据量，对设备的数据存储性能有很高要求，同时也对卫星的下行链接施加很大压力，限制了通道容量。目前已经提出了对应的处理技术，如压缩感知技术等，但高光谱的数据容量问题仍然是一个重点问题。

(3) 适用性。影响高光谱数据的因素有很多，如传感器类型、作物种类、数据获取状态等。获取的数据通常较为适用于某种特定环境，在大范围的应用中适应性较差。因此，在保证监测要求和监测精度的情况下，如何提高适用性是必须要解决的问题[4]。

(4) 费用昂贵。高光谱遥感所具有的光谱滤波器、高度敏感的探测器和二维的传感器阵列等仪器可以获得更丰富的数据，其样本的获取需要这些精密仪器的支持，科技的不断进步确保了高光谱遥感技术的不断突破，但由于其复杂系统，使用代价也是相当昂贵的。