板栗树红蜘蛛虫害无人机高光谱遥感监测研究

马书英 郭增长 王双亭 张 凯

(1.河南理工大学测绘与国土信息工程学院， 焦作 454003；2.河南工业职业技术学院城市建设学院， 南阳 473009； 3.河南测绘职业学院， 郑州 451464)

0 引言

红蜘蛛病虫害是影响板栗品质与产量的主要威胁之一[1]。据有关资料统计，近几年，仅邢台县西部太行山区坡面种植板栗已达年产4万余吨，价值5亿元左右。而因红蜘蛛病虫害造成的当年损失约占5%，病情严重时，不仅当年减产、绝收，而且影响到次年整株颗粒无收。传统的监测林业、农业病虫灾害的方法主要采取林间或田间定点监测和随机调查等方法，在病虫害发生较早时期，仅凭肉眼进行观察，这种方法费时、费力、效率低，也极易造成农药喷洒过量，增加对环境的污染。

近年来，高光谱与高光谱成像技术在农林业信息采集与检测方面的应用日益广泛。利用高光谱成像技术可以实现对农作物病害的早期识别和检测,比传统检测手段更加快速、准确,并且无需使用化学试剂，可有效降低污染[2]。

高光谱遥感技术在农作物分类识别[3-6]、品质鉴定[7-10]、病虫害监测[11-15]等方面已有很多研究和不同程度的应用[16]。伍南等[17]为实现对杉树炭疽病的早期检测预报，采用手持野外光谱辐射仪(Analytica spectra devices,ASD)对杉树冠层光谱进行测试，由回归分析方法获得与色素含量相关性最高的原始光谱和一阶微分波段。LAWRENCE等[18]从探测器-1传感器上采集高光谱图像，利用亚冠层空间分辨率高光谱图像区分道格拉斯冷杉树甲虫攻击道格拉斯冷杉，对逐步判别分析分类(Discrim)和回归树分析(Classification and regression tree,CART)的准确性进行了对比，发现CART在树健康类中具有最佳的可分性(总体上为93%)，通过交叉验证数据集的交叉验证，利用刀重采样技术对CART方法的预测精度进行估计，其总体分类准确率达到69%。文献[19-22]对马尾松受到的毛虫危害进行了研究。CALDERN等[23]利用无人机载窄带多光谱、高光谱和热相机获取叶片、冠层图像，对由土传真菌(dahliae kleb)引起的橄榄黄萎病(Verticillium wilt，VW)进行了研究。ZARCO-TEJADA等[24]研究表明，在症状出现之前，可由机载成像光谱和热成像中检索到的植物功能性状变化揭示橄榄树中叶缘焦枯病菌的感染情况，其检测准确性可达80%以上。胡荣明等[25]对带病斑苹果树叶片的高光谱图像进行病斑提取与分析。郭伟等[26]采用无人机高光谱对冬小麦全蚀病进行了监测研究。利用高光谱技术对板栗树病虫害监测方面，王植等[27]对高光谱在板栗病虫害监测上的应用可行性进行了探讨。文献[28-29]应用高光谱图像对板栗果实进行了品质鉴定和霉变监测。

本文利用高光谱成像技术采集板栗树健康叶片、受“红蜘蛛”不同程度侵染叶片的高光谱图像，及实验区无人机高光谱图像，通过提取各光谱曲线的光谱特征，定量和定性分析各光谱特征对红蜘蛛虫害的响应规律，探究板栗树红蜘蛛虫害的诊断性光谱特征，以期实现利用无人机高光谱遥感技术预警早期红蜘蛛虫害。

1 实验数据采集

1.1 叶片样本采集

叶片采样时间为2018年4月下旬至2018年8月下旬，采样地点为河北省邢台县西部太行山区板栗树种植区。共选取20棵板栗树作为叶片来源，对每棵树进行编号，分别在树干处粘贴标签，注明编号、品种、树龄、地点、时间等信息，如图1a所示。根据板栗树的生长变化情况，在有经验的技术人员指导下按一定的时间间隔进行采样，初期采样间隔较小，3～5 d一次，中后期基本固定在约10 d一次。方法为：根据树龄、植株大小及叶片疏密长势等状况，选取每棵树上受红蜘蛛危害较严重的区域，采集5～10片染病树叶；同时选取该树未受红蜘蛛危害的区域，采集5～10片健康树叶；采集未感染病虫害的板栗树每株5～20片。每棵树叶片采集后立刻用保鲜袋装好，贴上相应标签，记录样株编号、采样日期、时间、数量(病叶+健康叶)及天气等信息，如图1b所示。回到室内立刻放进保鲜柜保存。

对20棵树共进行18次摘叶采样，得到健康和染病叶片共1 000余片，除特殊说明外，本文样本采集时间为2018年6月21日。将每片叶片用薄双面胶粘贴在纯黑色不透明硬纸片上，并单独编号，标明实验日期、样本号、有无病虫害等信息，如图1c所示。

1.2 叶片高光谱图像采集

利用德国Cubert公司生产的UHD185型相机采集实验叶片的高光谱影像，其技术参数如表1所示。该相机可在0.001 s内得到波段450～950 nm范围内125个通道的数据立方体。由于在波段450～500 nm和900～950 nm范围内，光谱曲线的信噪比相对较低，所以，研究选取500～900 nm之间作为高光谱图像数据的分析处理波段。图像采集时，用两个(200 W、120 V，250 W、120 V)可调节的卤素标准光源照明。

表1 高光谱传感器技术参数Tab.1 Technical parameters of hyperspectral sensor

采集叶片图像前，先进行黑、白校正，扫描两次标准白板，得到全白标定图像；盖上镜头盖，得到全黑标定图像。然后将样品放在标准光源下的纯黑棉布上，手动点击按钮拍摄叶片，获取高光谱图像。使用Cubert软件简单预处理后融合输出，图像处理的进一步工作在ENVI 5.3软件平台完成。

1.3 原始光谱曲线获取

参考数码相机的RGB图像，在对应的高光谱图像上提取叶片相应部位感兴趣区域，按照4种类型：①局部感染分明的叶片。按照感染部位、健康部位及混合全叶分别提取。②感染轻、重不均匀的叶片。按照轻度部位、重度部位及全叶混合分别提取。③恢复中的感染叶片。按照正在恢复、尚未恢复及全叶混合分别提取。④健康叶片、轻度感染、中度感染、重度感染的叶片分别提取，分别计算出感兴趣区域的平均波谱。

1.4 光谱特征提取

利用Matlab平台编程实现对原始光谱曲线的特征提取。分别通过一阶微分为0提取绿峰、红谷、高肩，二阶微分为0提取红边，一阶微分为1提取低位、高位。低位是红谷与红边之间曲线切线斜率为1的点，高位为红边与高肩之间曲线切线斜率为1的点。

2 光谱特征分析

2.1 局部感染明显叶片光谱特征分析

对局部感染明显的叶片选取感兴趣区域(图2)，计算其平均波谱曲线，并提取6种光谱特征，如图3所示，其中绿峰、红谷、高肩用蓝点表示，红边采用红点，低位、高位采用黑点(下同)。

在绿光波段540～550 nm处，反射率光谱曲线呈现波峰，波峰特征波长向长波方向移动，发生“红移”，“红移”量由大到小为病斑区域、全叶平均、健康区域。“红移”量从健康波长543.7 nm到感染波长548.6 nm，移动值为4.9 nm。

在红光波段640～670 nm处，反射率光谱曲线呈现波谷，波谷“凹陷”程度由大到小为病斑区域、全叶平均、健康区域，“红谷”出现3个，取波长平均值。特征波长向长波方向移动，发生“红移”，“红移”量由大到小为病斑区域、全叶平均、健康区域。“红移”量从健康波长657.3 nm到感染波长667.2 nm，移动值为9.9 nm。

在波段670～680 nm，由红谷向红边转折的低位处，波谱反射率由小到大为病斑区域、全叶平均、健康区域。特征波长向短波方向移动，发生“蓝移”，“蓝移”量由大到小为病斑区域、全叶平均、健康区域。“蓝移”量从健康波长677.1 nm到感染波长673.5 nm，移动值为3.6 nm。

在波段700～720 nm，反射率光谱曲线线性急剧上升，红边位置反射率由大到小为病斑区域、全叶平均、健康区域，特征波长向短波方向移动，发生“蓝移”，“蓝移”量由大到小为病斑区域、全叶平均、健康区域。“蓝移”量从健康波长712.5 nm到感染波长703.9 nm，移动值为8.6 nm。

在波段750～800 nm，反射率光谱曲线由急剧转为缓和上升，转折点为高位，其反射率由小到大为病斑区域、全叶平均、健康区域，特征波长向短波方向移动，发生“蓝移”，“蓝移”量由大到小为病斑区域、健康区域、全叶平均。“蓝移”量从健康波长778.4 nm到感染波长764.6 nm，移动值为13.8 nm。

在波段820～850 nm，反射率光谱曲线呈现波峰，波峰由小到大为病斑区域、全叶平均、健康区域，特征波长向长波方向移动，发生“红移”，“红移”量由大到小为病斑区域、全叶平均、健康区域。“红移”量从健康波长825.8 nm到感染波长839.4 nm，移动值为13.6 nm。

2.2 感染不均匀叶片光谱特征分析

感染不均匀叶片感兴趣区域如图4所示，其光谱特征如图5所示。

在绿光波段540～550 nm处，波峰由大到小为重度感染、全叶平均、轻度感染，特征波长向长波方向移动，发生“红移”，“红移”量由大到小为重度感染、全叶平均、轻度感染。从轻度感染波长544.1 nm到重度感染波长546.8 nm，移动值为2.7 nm。

在红光波段640～670 nm处，波谷“凹陷”程度由大到小为重度感染、全叶平均、轻度感染，特征波长向长波方向移动，发生“红移”，“红移”量由大到小为重度感染、全叶平均、轻度感染。“红移”量从轻度感染波长645.2 nm到重度感染波长659.2 nm，移动值为14 nm。

在波段670～680 nm低位处，特征波长向短波方向移动，发生“蓝移”，“蓝移”量由大到小为重度感染、全叶平均、轻度感染。“蓝移”量从轻度感染波长673.8 nm到重度感染波长671.5 nm，移动值为2.3 nm。

在波段700～720 nm红边处，红边位置反射率由大到小为重度感染、全叶平均、轻度感染，特征波长向短波方向移动，发生“蓝移”，“蓝移”量由大到小为重度感染、全叶平均、轻度感染。“蓝移”量从轻度感染波长714.1 nm到重度感染波长701.7 nm，移动值为12.4 nm。

在波段750～800 nm高位处，其反射率由小到大为重度感染、全叶平均、轻度感染，特征波长向短波方向移动，发生“蓝移”，“蓝移”量由大到小为重度感染、全叶平均、轻度感染。“蓝移”量从轻度感染波长775.4 nm到重度感染波长759.8 nm，移动值为15.6 nm。

在波段820～850 nm高肩处，波峰由小到大为重度感染、全叶平均、轻度感染，特征波长向长波方向移动，发生“红移”，“红移”量由大到小为重度感染、全叶平均、轻度感染。“红移”量从轻度感染波长841.7 nm到重度感染波长847.0 nm，移动值为5.3 nm。

2.3 恢复中感染叶片光谱特征分析

叶片经过用药或彻底雨淋后，“红蜘蛛”消灭一次，叶片组织开始恢复，其波谱曲线也发生相应变化。以2018年6月12日采样叶片为例。

恢复中感染叶片感兴趣区域如图6所示，其光谱特征如图7所示。

在绿峰波段540～560 nm处，波峰由小到大为重度感染、全叶平均、恢复中，特征波长由大到小为重度感染、全叶平均、恢复中。从正在恢复中波长546.8 nm到尚未恢复波长550.1 nm，移动值为3.3 nm。

在红谷波段650～670 nm处，波谷“凹陷”程度由大到小为全叶平均、重度感梁、恢复中，特征波长由大到小为全叶平均、重度感染、恢复中。三者之间最大差值为2.5 nm。

在低位波段670～680 nm处，特征波长由大到小为恢复中、重度感染、全叶平均。三者之间最大差值为0.4 nm。

在红边波段700～720 nm处，红边位置反射率由大到小为重度感染、恢复中、全叶平均，特征波长由大到小为重度感染、全叶平均、恢复中。从正在恢复中波长703.8 nm到尚未恢复波长709.9 nm，移动值为6.1 nm。

在高位波段750～800 nm处，其反射率由小到大为全叶平均、重度感染、恢复中，特征波长由大到小为重度感染、全叶平均、恢复中。从正在恢复中波长756.4 nm到尚未恢复波长765.7 nm，移动值为9.3 nm。

在高肩波段870～910 nm处，波峰由大到小为恢复中、重度感染、全叶平均，重度感染部分特征波长不唯一，出现3个，取最小波长值，则特征波长由大到小为恢复中、全叶平均、重度感染。从正在恢复中波长881.9 nm到尚未恢复波长878.2 nm，移动值为3.7 nm。

2.4 不同感染程度叶片光谱特征分析

以2018年6月21日采样1#10样株高光谱图像数据为例进行研究说明，其为具有代表性的10片不同程度感染叶片。样本编号为1～10(图8)。

由图9可知，绿峰数据相对单一，取波段540～550 nm之间的极值点波长。红谷存在多个，在波段640～670 nm之间选择。低位数据单一，取值波段670～680 nm之间的变速点波长。红边数据相对单一，取值波段700～720 nm之间的转折点波长。高位存在多个，取值波段760～790 nm之间的波长较小变速点的波长。高肩存在多个，取值波段830～890 nm之间较小高肩的波长。

对各特征波长按照一定顺序进行相应图像排列(图10)。绿峰特征波长从小到大进行排列，呈现出较优由轻到重不同感染程度规律，表明了感染“红蜘蛛”后其具有“红移”现象；感染初期样本8排到了尚未感染样本7和9前面，说明在绿峰处具有监测板栗树病虫害初期阶段感染的敏感性。红谷特征波长从小到大进行排列，呈现出较好的由轻到重不同感染程度规律，表明了感染“红蜘蛛”后其具有“红移”现象；感染初期样本8排到了尚未感染样本7和9之间，是感染初期阶段回到感染状态的一个过渡点。低位特征波长从大到小进行排列，将未感染与已感染叶片分离开来，呈现出较优由轻到重不同感染程度规律，同时也证明了感染“红蜘蛛”后其具有“蓝移”现象。红边特征波长从大到小进行排列，同样能够严格地将未感染与已感染叶片分离开来，总体上呈现出较好的由轻到重不同感染程度规律，并且证明了感染“红蜘蛛”后其具有“蓝移”现象。高位特征波长从大到小进行排列，呈现出较为凌乱的感染规律。高肩特征波长从小到大进行排列，个别样本位置不太合适，但基本能够呈现出由轻到重不同感染程度规律。

由分析可知，叶片级光谱特征中的绿峰、红谷、低位和红边都能较为准确地分辨叶片感染红蜘蛛病虫害的程度，而高位和高肩辨识红蜘蛛危害程度的能力较弱，在实际应用中可以排除。但在冠层级红蜘蛛病虫害识别中，绿峰、低位、红谷、红边表现如何，仍需做进一步研究。

3 无人机高光谱影像光谱特征分析

3.1 实验区实地调查

本研究于2018年5月20日，利用大彊M600型无人机搭载UHD185型高光谱相机对实验区进行了高光谱遥感，获取了实验区657幅高光谱图像，经拼接后得到实验区完整的高光谱影像，其波段组合后的真彩色影像如图11所示。同时，对实验区进行红蜘蛛病虫害实地调查，确定每个实验样株的红蜘蛛病虫害等级。本次实验将板栗树冠层的红蜘蛛病虫害感染程度划分为健康(未感染)、轻度感染、中度感染、重度感染4个等级，并对每个等级分别按0、0～25%、25%～50%、50%～100%的病斑所占叶面积百分比进行赋值。每级感染程度的实地情况如图12所示。

3.2 光谱特征与红蜘蛛病虫害相关性分析

在实验区无人机高光谱影像上，提取每个样株冠层的绿峰、低位、红谷和红边4个光谱特征，结合样株的红蜘蛛感染程度，对这4个特征与红蜘蛛病虫害的相关性进行数值分析，结果如图13所示。

从图13可以看出，绿峰与虫害程度呈现正相关关系，决定系数R2为0.513，关系式为y=5.47×102+20.18x，基本呈线性关系；红谷与虫害程度有较弱的相关性，决定系数R2为0.041，接近零，其线性关系式为y=6.64×102-5.08x，低位与虫害程度呈现负相关关系，决定系数R2为0.612，线性关系式为y=6.8×102-15.54x，有较强的相关性；红边与虫害程度呈现较强负相关关系，决定系数R2为0.638，线性关系式为y=7.18×102-25.16x。

从决定系数可以看出(图13)，各个特征和红蜘蛛危害程度的相关性从高到低依次为红边、低位、绿峰、红谷，且红边、低位与红蜘蛛病虫害的决定系数大于0.6，说明通常情况下引起红边、低位变化的主要原因是板栗树红蜘蛛病虫害的发生，可以由此判断板栗树是否发生红蜘蛛病虫害，以及其危害程度。绿峰的决定系数为0.513，其与红蜘蛛病虫害发生的相关性不是太强，说明绿峰在检测红蜘蛛病虫害的实际应用中并不能得到可靠的结果。红谷的决定系数仅有0.041，说明其与红蜘蛛病虫害没有直接的因果关系。拟合直线斜率的绝对值是反映光谱特征对红蜘蛛病虫害敏感性的一个重要指标。从图13可以看出，红边的直线斜率绝对值为25.16，绿峰、低位、红谷则分别为20.18、15.54、5.08，斜率绝对值越大越有利于探测板栗树的红蜘蛛病虫害，说明红边对红蜘蛛病虫害敏感程度最高，其次为绿峰、低位和红谷。

若综合考虑光谱特征对红蜘蛛病虫害的相关性和敏感性，则识别板栗树红蜘蛛病虫害的最佳光谱特征是红边和低位。从图13可得，当板栗树红蜘蛛出现轻度感染时，红边波长的“蓝移”量可达7 nm，低位波长的“蓝移”量约为5 nm，而UHD185相机的物理光谱间隔为4 nm，拟合后波长间隔可优于1 nm，因此在无人机高光谱影像上用红边、低位特征波长的变化完全可以在大规模发生前14～21 d检测到板栗树是否发生了红蜘蛛病虫害，以及感染程度。

4 结束语

利用大量实测的板栗树叶片和冠层光谱数据，通过进行稳定性、准确性、相关性、敏感性分析，得到了绿峰、红谷、低位、红边、高位、高肩6个光谱特征随红蜘蛛病虫害危害程度的变化规律。研究表明，基于无人机高光谱技术监测板栗树红蜘蛛病虫害危害程度的最佳光谱特征是红边和低位，其与红蜘蛛病虫害的决定系数均大于0.6，利用红边波长和低位波长的“蓝移”量和UHD185型相机的技术参数，由无人机和UHD185型相机组成的高光谱遥感系统辨识板栗树红蜘蛛病虫害危害程度是可行的。该系统具有发现早期(轻度感染)红蜘蛛病虫害的能力，这为在板栗树红蜘蛛病虫害大规模暴发前杀灭红蜘蛛争取了14～21 d，具有重要的实际应用价值。