基于高光谱成像技术的水稻叶片稻纵卷叶螟虫害信息提取

田明璐,班松涛,袁 涛,马 超,孔 吉,周 远,王彦宇,李琳一*

(1 上海市农业科学院农业科技信息研究所,上海数字农业工程与技术研究中心,上海 201403；2上海优澈智能科技发展有限公司,上海 201702)

稻纵卷叶螟是水稻的一种常见害虫,其幼虫啃食水稻叶片的叶肉组织,造成水稻因光合能力下降而减产[1]。因此,对稻纵卷叶螟进行监测,掌握虫情发展状况对于水稻生产十分重要。传统评估稻纵卷叶螟对叶片为害严重程度的方法主要是依靠观察者的经验,目测估计叶片上被害部分占整个叶片的比率[2],主观性较强,缺乏精确而定量化的描述。高光谱技术的出现为水稻虫害的快速精确监测提供了技术支持。近年来,国内外学者尝试使用高光谱技术对水稻虫害进行监测。孙启花等[3]研究了稻纵卷叶螟为害孕穗期水稻的冠层和叶片光谱反射率,使用相关分析与回归建模方法建立了稻纵卷叶螟为害程度的光谱诊断模型。黄建荣等[4]使用便携式地物光谱仪获取遭受稻纵卷叶螟为害的水稻叶片的光谱反射率,分析虫害叶片的光谱反射特征,并建立了光谱与虫害程度间的回归模型。石晶晶等[5]分析了稻纵卷叶螟为害的水稻单叶的高光谱反射率特征,并采用支持向量机方法建立了识别健康叶片与受害初期虫害叶片的模型。吴昊等[6]和邱白晶等[7]研究了遭受白背飞虱为害的水稻冠层和单叶的光谱特性,得到虫害为害程度的敏感波段,并建立了相应的预测模型。Yang 等[8]研究了分蘖盛期水稻受稻纵卷叶螟为害的冠层光谱特征,发现波长为755 nm 和890 nm 以及归一化植被指数能够反演出褐飞虱虫量等级。

在已有的遥感病虫害监测研究中,主要对使用非成像光谱获取的水稻叶片或冠层的纯光谱数据进行分析,缺乏基于成像光谱技术的研究,因此在建立分类模型时仅能使用基于整体叶片或冠层的光谱,不能对单个叶片上虫害区域和健康区域进行精细区分。高光谱成像技术能够同时获取被测物体的图像信息和图像上每个像元的光谱信息,使得对被测物体不同位置特性的研究成为可能。本研究使用高光谱成像仪获取水稻健康叶片和稻纵卷叶螟虫害叶片的高光谱影像,通过分析虫害叶片光谱特征,建立叶片虫害区域和健康区域的分类模型,通过提取叶片上虫害区域的面积及所占叶片整体的比例,可以对虫害程度进行定量化描述,有助于准确判断虫害的进程和评估虫害对水稻造成的损害。

1 材料与方法

1.1 高光谱影像数据获取与处理

2018年8月20日,在同一块水稻田内采集50 片健康水稻叶片和50 片遭受稻纵卷叶螟虫害的叶片,装入保鲜袋中带回实验室。在暗室环境下,将叶片置于黑色吸光背景布上,使用高光谱成像系统分别获取每一片叶片的高光谱图像。该成像系统由高光谱成像仪、卤素光源和电动传动平台三部分构成。所用高光谱成像仪型号为Resonon Pika L,是一种外置推扫式高光谱成像仪,光谱范围为400—1 000 nm,光谱分辨率为2.1 nm,光谱通道数为281,空间通道数为900。

在ENVI 软件中,使用ROI(Region of interest)工具分别圈选每个叶片高光谱影像上遭受虫害的区域和健康的区域,并统计区域内所有像元光谱反射率的平均值,作为虫害叶片和健康叶片的光谱反射率数据。

1.2 研究方法

1.2.1 植被指数选取

植被指数能够突出高光谱数据中植被的信息,反映植被的健康状况[9]。本研究选取11 种植被指数分析遭受稻纵卷叶螟为害叶片和健康叶片的差异。各植被指数的名称及定义如表1 所示。

表1 植被指数及计算公式Table 1 Vegetation indexes and the formulas

1.2.2 虫害区域提取方法

采用决策树法[18]对水稻叶片上遭受虫害的区域和健康区域进行分类,实现对虫害区域的提取与统计。首先,通过数学统计和归纳方法等,分析虫害叶片和健康叶片的反射光谱特征和植被指数特征,获得分类规则；其次,根据分类规则,建立决策树分类模型对影像进行分类；最后,对分类结果进行检验,从中提取需要的信息。

2 结果与分析

2.1 稻纵卷叶螟为害的水稻叶片和冠层光谱特征

水稻叶片在遭受稻纵卷叶螟为害后会发白、卷曲,光谱发生明显的变化。如图1 所示,与健康水稻叶片相比,遭受稻纵卷叶螟幼虫啃食的水稻叶片在波长为400—720 nm 的可见光-红边波段范围内的光谱反射率高于健康叶片,在波长为720—1 000 nm 的近红外波段范围内的光谱反射率低于健康叶片。

对每个波段上虫害叶片和健康叶片的光谱反射率进行单因素方差分析,计算其F统计量(图2)。F值越大,表明该波段上虫害叶片和健康叶片反射率在统计学意义上的差异越大。与图1 中光谱反射率表现出的差异一致,在波长为400—710 nm 的可见光-红边波段范围内,虫害叶片与健康叶片的反射率表现出极显著差异(P＜0.01)；以F＞150 为界线,差异最大的两个波长范围为416—520 nm 和570—700 nm；其中差异最大的波段波长为690 nm,对应的F值为200.52。在波长为740—930 nm 的近红外波段范围内,虫害叶片与健康叶片的反射率也表现出极显著差异,但差异程度相对较低,此范围内F值最高仅为30.5。

图1 遭受稻纵卷叶螟为害的水稻和健康水稻叶片的光谱曲线Fig.1 Spectral curves of leaves of rice damaged by rice leaf roller and healthy rice

图2 遭受稻纵卷叶螟为害的水稻和健康水稻叶片的反射率差异Fig.2 Difference in leaf reflectance between rice damaged by rice leaf roller and healthy rice

2.2 稻纵卷叶螟为害的水稻叶片植被指数特征

对比虫害叶片和健康叶片的各个植被指数值的分布情况,制作植被指数值箱型图(图3)。总体来说,虫害叶片的各类植被指数值有低于健康叶片的趋势。对于虫害叶片和健康叶片,在11 种植被指数中,NDVI、RVI、RARS 和SIPI 4 种植被指数分布区间的间隔较大,差异较明显；DVI、GNDVI 和GRVI 3 种植被指数分布区间尽管没有重合,但间距较小,差异相对较小；GDVI、RE-NDVI、RE-RVI 和RE-DVI 4 种植被指数分布区间出现重合,不能有效区分虫害叶片和健康叶片。

图3 遭受稻纵卷叶螟为害的水稻和健康水稻叶片的植被指数分布Fig.3 Vegetation index distribution of leaves of rice damaged by rice leaf roller and healthy rice

2.3 稻纵卷叶螟为害的水稻叶片虫害区域提取

根据2.2 节的分析结果,选用NDVI、RVI、RARS 和SIPI 4 种能够有效区分虫害叶片和健康叶片的植被指数,对同一片叶子上遭受虫害的区域和健康区域进行分类。以8 号叶片为例(图4a),在ENVI 中,首先使用波段计算工具得到叶片的4 种植被指数图像；然后,按表2 所示设置分类条件,分别建立决策树分类模型,并执行分类,对比分类效果；其中效果最好的是基于RVI 的分类模型,结果如图3b 所示。以人工目视选取的ROI 为真实值,对自动分类结果进行精度验证,健康区域的分类精度均达到98.7%,与虫害区域的分类精度均达到99.2%。对分类结果进行统计,该叶片健康区域像元数为135 191,占叶片总面积的73.1%；虫害区域像元数为49 811,占叶片总面积的26.9%。

图4 水稻叶片虫害区域提取Fig.4 Extraction of infested area on rice leaves

表2 水稻叶片虫害区域和健康区域分类条件Table 2 Classification condition of infested area and healthy area on rice leaves

3 结论与讨论

遭受稻纵卷叶螟为害的水稻叶片在形态和外观上均有很大变化,如叶片打卷、发白。由于叶肉被稻纵卷叶螟幼虫啃食,叶绿素也随之消失,导致叶片对可见光的吸收能力减弱,反射增强；此外,被啃食的叶片的结构也发生了变化,叶片对近红外光线的反射也有所降低。本研究表明:遭受稻纵卷叶螟为害的水稻叶片与健康水稻叶片的光谱反射率最主要的差异出现在波长为400—710 nm 的可见光-红边波段范围内；在近红外波段,二者也有极显著差异,但差异程度较低。这与黄建荣等[4]、石晶晶等[5]使用非成像地物光谱仪测量得到的遭受稻纵卷叶螟为害的水稻叶片的光谱特征相似。

遭受稻纵卷叶螟为害的水稻叶片的植被指数也有明显的差异。对虫害叶片和健康叶片的多个植被指数进行分析,发现NDVI、RVI、RARS 和SIPI 4 种植被指数可以有效区分虫害叶片和健康叶片。基于RVI 建立的决策树分类模型能够准确地对同一个叶片上的虫害区域和健康区域进行分类,并据此计算出虫害区域所占比例,进而对虫害严重程度进行定量化评估。