冯子恒,宋莉,张少华,井宇航,段剑钊,贺利,3,尹飞,冯伟,3*
基于无人机多光谱和热红外影像信息融合的小麦白粉病监测
冯子恒1,3,宋莉2,张少华2,井宇航2,段剑钊2,贺利2,3,尹飞1*,冯伟2,3*
1河南农业大学信息与管理科学学院,郑州 450046;2河南农业大学农学院,郑州 450046;3国家小麦工程技术研究中心,郑州 450046
【目的】白粉病严重危害小麦生长及制约产量形成,确立实时监测小麦白粉病的多源数据融合方法,为精确防控及保证国家粮食安全提供技术支撑。【方法】在小麦开花和灌浆期,使用同时搭载多光谱仪和热成像仪的六旋翼无人机作为遥感数据获取平台,通过ENVI软件从小麦白粉病遥感影像中提取植被指数、纹理特征以及冠层温度信息,进而利用多元线性回归(MLR)、后向传播神经网络(BP)、随机森林(RF)、极限学习机(ELM)算法将植被指数(VIs)、纹理特征(TFs)和温度特征(T)进行结合,以构建小麦白粉病病情指数的监测模型。【结果】无论是单数据源建模,还是多数据源建模,随机森林(RF)的精度均高于其他模型;3种数据源中植被指数的RF模型(VIs-RF,2=0.667,=5.712,RPD=1.572)更适宜白粉病监测,其次是温度特征(T-RF,2=0.559,=6.563,RPD=1.430),而纹理特征(TFs-RF,2=0.495,=7.014,RPD=1.348)效果最差;多数据源协同建模间比较,RF协同植被指数和纹理特征的模型2为0.701(VIs&TFs-RF,2=0.701,=5.308,RPD=1.724),仅比VIs-RF模型2提升5.101%,降低7.073%,RPD提高9.672%,而RF协同植被指数和温度特征模型(VIs&T-RF)以及协同3种数据源模型(VIs&TFs&T-RF)的精度分别为2=0.750,=4.704,RPD=1.912和2=0.820,=4.677,RPD=1.996,较VIs-RF模型2分别提升12.453%和23.181%,分别降低17.640%和18.113%,RPD分别提高21.667%和26.981%。同时对不同模型进行10折交叉验证,进一步证实了RF模型在多数据源融合建模中性能稳定,估算效果最好。【结论】采用多数据源协同建模能够提升小麦白粉病遥感监测精度,研究结果为实现大面积高精度遥感监测作物病害状况提供了思路与方法。
小麦白粉病;无人机;机器学习;信息融合;遥感监测
【研究意义】近年来农作物病虫害发生具有种类多、影响大和局部暴发的特点,据联合国粮食及农业组织(FAO)测算,由病虫害导致的粮食减产约占总产量25%。小麦白粉病是我国小麦主要病虫害种类,部分麦田因白粉病而导致大量减产甚至绝收,严重影响了我国小麦生产安全。传统人工方法调查小麦病情信息,既费时费力,又导致机械性损伤。因此,开展快速无损大面积的小麦病情监测具有重要意义。【前人研究进展】病虫害的发生导致植物生物量降低,叶片结构破坏,叶绿素和水分含量下降,而叶绿素、水分等生化组成的改变必然会在植物反射光谱曲线上表现出不同的吸收和反射特征,这就为利用遥感技术对小麦病害进行实时监测提供了理论依据和技术支撑[1-2]。近年来,随着遥感技术的不断发展,众多学者利用遥感技术对小麦病害进行监测,解决了传统人工方法的诸多弊端。通常,作物、品种及病害种类不同,光谱特征表现出多样性,导致不同波段反射率对病害的敏感程度不同[1-2],通过利用光谱响应位置及其反射率的变化可实现作物病害的识别及发病程度估算[3-5]。前人在病害敏感波段提取的基础上相继构建出病害监测指数,例如白粉病指数PMI[6]、双绿植被指数DGND[7]、红边植被胁迫指数RVSI[8]和条锈病遥感监测指数WSRI[9]等,能够对受病菌浸染的作物进行监测。基于反射率遥感作物病害除与所选特征因子有关外,建模算法也是影响其精度的重要因素,并且已经成为病害监测的发展趋势。当前应用遥感技术监测病虫害的算法主要为经验模型和机器学习算法,其中,经验模型方法简单,但数据易受外界条件影响,普适性较差;而近年来机器学习方法发展迅速,利用该方法确立的作物病害监测模型兼顾了训练误差和泛化能力,解决了反射系数轻微变化而导致作物病害探测困难的难题[10-11]。沈文颖等[12]利用BP神经网络构建病害反演模型,该方法能够很好地反演小麦叶片白粉病发生状况。郭伟等[13]利用偏最小二乘法监测小麦全蚀病发病状况。然而,仅用单一的光谱数据进行病害监测,在高植被密度条件下,冠层因病情胁迫导致反射率和植被指数变化不敏感,会出现所谓的“同谱异物,同物异谱”现象,进而导致模型预测误差较大[14-15]。近年来,成像光谱技术因图谱合一的优点已经被广泛应用在病虫害监测,但主要还是利用反射率信息,较少应用纹理信息。纹理信息对于病斑大小及病菌扩展直观明了,这为光谱数据增加了植株形态及冠层结构信息,提高了遥感光谱监测作物病害的精度[16-17]。不少研究者将光谱与纹理信息优势互补,明显改善了作物生长参数及病害程度反演效果[18-19]。可见,纹理特征可为遥感监测作物生长提供植株形态方面的信息,尤其在病害早期监测中具有重要价值。红外热成像技术具有高灵敏性、强预警性的特点,在可见光图像不能发现受感染的生理变化时,从红外图像已能显示出感染区域的温度变化[20],因此,红外热成像技术可用于监测作物生长及其生理状况。刘又夫等[21]利用热成像仪对水稻受褐飞虱侵害的冠层特征进行评估,发现冠层温度可为水稻虫害的监测提供参考。朱文静等[22]使用边缘检测算法对红外热成像数据进行小麦叶锈病分级,识别正确率达90%。可见,热红外数据能够很好地反映胁迫作物冠层温度的异常状况,该技术在病害识别、病情分级等方面具有很好的应用价值。随着现代电子信息科学的快速发展,用于探测作物形态生理及冠层结构的传感器较多,例如反射率光谱仪、叶绿素荧光仪、热红外仪以及颜色传感器和水分传感器等,它们均从不同方面检测作物形态生理及生长状况。与单传感器相比,将多传感器数据融合能够提高实时探测的可靠性和鲁棒性[23]。由于作物冠层结构对病害胁迫响应具有明显的滞后性,当作物病情指数低于20%时,反射率光谱难以探测到作物病害胁迫信息[24]。因此,开展多数据源协同进行小麦病害监测研究迫在眉睫。将机器学习算法引入到多数据源融合中,可进一步提高多传感数据融合的性能,增强作物病害监测的可靠性。陈思媛等[25]利用SVM、SR和BP神经网络3种算法,将冠层SIF数据和反射率光谱指数协同构建了小麦条锈病病情严重度监测模型,较大程度改善了小麦条锈病病情严重度的探测精度。刘林毅等[26]将遥感数据和气象数据结合,使用概率模型监测小麦白粉病发病情况,并取得较好效果。Guo等[19]利用无人机提取的植被指数(VIs)和纹理特征(TFs),建立了基于偏最小二乘回归法(PLSR)的小麦条锈病监测模型。以上研究使用多源数据(反射率、荧光及纹理信息)协同监测小麦病害,进而改善了单一光谱信息源监测时存在的饱和性及精度偏低等问题,提升了模型的鲁棒性及模型反演性能。【本研究切入点】不同遥感传感器所获取的数据源均包含作物生长信息,但单一信息源所表征的作物信息往往是片面的,具有一定局限性,若将不同传感器数据结合,可增强遥感对目标物的探测能力。无人机作为新型遥感平台,与卫星遥感相比,在机动性、准确度及分辨率方面具有其独特优势,尤其该技术在新型经营主体逐渐成为我国重要农业经营方式的背景下更具有广阔的应用前景。目前,将光谱数据与热红外温度数据协同对小麦白粉病病情监测的研究还较少,尤其在无人机搭载多传感器平台上将多光谱植被指数、纹理及温度协同的病害监测研究更少。【拟解决的关键问题】本研究以六旋翼无人机作为遥感平台,搭载多光谱和热红外相机,以小麦白粉病为研究对象,结合地面调查数据,利用多元线性回归MLR、BP神经网络、随机森林RF、极限学习机ELM等现代建模反演算法对小麦白粉病的发病情况开展监测研究,以期为小麦白粉病快速大面积监测提供技术依据。
试验于2019—2020年度小麦生长季在河南农业大学科教示范园区(34°51′N,113°35′E)进行(图1)。主采样区的试验品种为易感品种的矮抗58和豫麦49-198。次采样区为品种对比试验田,分别为偃展4110、农麦18、周麦27、金丰205、郑麦1342、许麦318、百农207和新麦26。前茬为玉米,秸秆粉碎就地还田,土壤均为壤土,0—30 cm土壤中含全氮0.97—1.20 g·kg-1,速效磷28.32—35.28 mg·kg-1,速效钾115.17—120.46 mg·kg-1和有机质含量10.2—15.7 g·kg-1。在主采样区采用多浇水和多施氮肥措施,为白粉病发生创造有利条件。主采样区和次采样区施氮量分别为270 kg·hm-2和225 kg·hm-2,两个采样区在越冬期—拔节期的灌水量分别为900 m3·hm-2和675 m3·hm-2。另外,本试验区临近围墙、养猪场,且地势低洼,因地势、空气湿度、降雨量、往年病害等原因,小麦生长环境适宜小麦白粉病的发生和传播,没有进行田间接种,均为自然发病,并且发病情况较为严重。其他田间管理同当地小麦常规措施。
在小麦的开花期、灌浆前期以及灌浆中期,获取其无人机多光谱影像、热红外温度数据等信息,并同步进行地面病害数据调查,记录经纬度信息。主采样区共采集56个样点,次采样区共采集24个样点。
1.2.1 病情指数调查 在试验区共调查80个点位的白粉病病情指数,每个点位约1 m2,随机选取20株小麦。严格按照《农作物病害遥感监测技术规范第2部分:小麦白粉病》进行调查,病叶上病斑面积与叶片总面积的比率用分级法表示,设8个级别,分别用1%、5%、10%、20%、40%、60%、80%和100%表示,并利用网格法来计算病斑面积占叶片面积比值,具体操作为使用网格覆盖叶片,记录总网格数和带有病斑的网格,方便计算病斑面积占叶片面积比值,对处于等级之间的病情则取其接近值,虽已发病但严重度低于1%,按1%记。病叶平均严重度如下:
图1 试验区概况图
式中,为病叶平均严重度,单位为百分率(%);i为各严重度值;L为各严重度值对应的病叶数,单位为片;为调查总叶数,单位为片。
在病叶严重度基础上,计算病情指数(),以表示病害发生的平均水平:
=××100 (2)
式中,为病情指数;为病叶率;为病叶平均严重度。
1.2.2 无人机多光谱影像及热红外影像的获取 本文使用Matrice600PRO大疆六旋翼无人机作为遥感平台,并搭载K6多光谱传感器。该传感器像素为2 064×1 544,包含有蓝光波段(450 nm)、绿光波段(550 nm)、红光波段(685 nm)、红边波段(725 nm)、近红外波段(780 nm)等5个波段信息。同时该平台搭载Thermal Capture2.0热成像仪获取热红外图像,传感器像素为640×512。每个时期无人机影像都在当地12:00—14:00,于天空晴朗、无风无云时获取,飞行高度30 m。拍照方式为等时触发,拍摄间隔时间为2 s,航向重叠度75%,旁向重叠度70%。每次飞行时间大约耗时15 min。
1.2.3 多源遥感数据预处理 使用Agisoft Photoscan软件进行影像拼接,拼接后的多光谱影像和热红外影像的主要预处理包括几何校正和辐射定标,用来消除无人机传感器在成像过程中受到的几何畸变和辐射失真等因素对影像质量造成的干扰,本文中关于影像的预处理均在ENVI 5.1中进行的。首先进行几何校正,具体以无人机多光谱影像(450 nm)为参考影像,在影像上均匀选取20—30个参考点进行几何校正,误差在0.5个像元之内。由于无人机影像在拼接完成后会产生5个单波段影像数据和1个热红外影像,所以需要单独对每一个影像进行几何校正处理。其次进行辐射定标,具体采用伪标准地物辐射纠正法,通过地面目标测得的反射率将多光谱影像DN值转化为反射率。在试验田周边选取合适位置布置靶标布,确保试验田和定标靶标布出现在同一景影像之内,无人机飞行之前使用手持式ASD对铺设反射率为5%、20%、40%和70%的靶标布进行校准。靶标布方便进行后续影像的辐射校正,在多光谱影像中统计靶标布在各波段的DN值。无人机多光谱影像的辐射定标需要单独提取蓝、绿、红、红边和近红波段影像的靶标布DN值,依次进行单波段影像的辐射校正。最后,对经过辐射定标的蓝、绿、红、红边和近红波段影像进行波段合成处理,得到多光谱影像合成数据。
1.3.1 光谱植被指数选取 依据已有的多光谱植被指数,并结合多光谱影像特征,通过文献查阅筛选出与病害相关的多光谱植被指数,通过无人机获取的反射率计算相应的植被指数,鉴于无人机飞行高度和光谱分辨率因素,光谱反射率和植被指数是根据标定采样区的位置和范围通过平均值求得,植被指数的具体公式如表1。
表1 多光谱植被指数
RBlue、RGreen、RRed、RRe和RNIR分别为蓝光、绿光、红光、红边以及近红外波段反射率
Rblue, Rgreen, RRed, RRe, and RNIRdenote reflectivity at blue, green, red, red edge, and near-infrared bands, respectively
1.3.2 多光谱纹理特征提取 灰度共生矩阵法是1973年由HARALICK提出的目前应用最广的纹理提取方法之一[35]。因其具有旋转不变性和多尺度特性,且计算复杂度小等优点,灰度共生矩阵法广泛应用在图像处理、模式识别中[36],近年来随着许多学者对灰度共生矩阵法的深入研究,发现灰度共生矩阵法也可应用在遥感监测中[37]。在ENVI5.1中,利用灰度共生矩阵方法(GLCM)对多光谱影像中的5个波段,提取0°、45°、90°和135°方向的4个纹理特征的平均值,得到各波段的4个纹理特征(方差、对比度、差异性、熵)。利用ENVI 5.1软件对各波段的纹理特征影像分别进行采样区域划定,提取出所划区域的平均纹理值,并将该值作为这个小区的纹理特征值。
1.3.3 热红外温度参数提取 热红外技术广泛应用在作物水分胁迫、侵染性病害监测、冻害胁迫以及产量预测等方面。本研究从热红外影像中提取计算了3种温度参数,分别为冠层温度()、冠气温差()和归一化冠层温度()。以上温度参数与上述植被指数和纹理特征均在ENVI5.1中进行计算获得,同光谱反射率一致,根据记录的采样点GPS区域,取平均值作为该采样点温度数据。温度参数具体公式如下:
=CT-(3)
式中,为大气温度,CT为影像中第个像元的冠层温度,max为整个试验田测得的最高温度,min为整个试验田测得的最低温度。
1.3.4 估算模型 本文在开花期、灌浆前期和灌浆中期共采集了80个样点数据。单数据源输入变量为3组,分别为植被指数(VIs)、温度特征(T)、纹理特征(TFs);多数据源输入变量为4组,分别为植被指数+温度特征(VIs&T)、植被指数+纹理特征(VIs&TFs)、温度特征+纹理特征(T&TFs)、植被指数+纹理特征+温度特征(VIs&TFs&T)。采用多元线性回归、BP神经网络、极限学习机、随机森林等4种回归方法分别建立基于7种模型输入变量的小麦白粉病病情指数监测模型,共计28种模型。本文中所有算法建模均在Matlab2019a软件中完成,这4种方法如下:
(1)多元线性回归 多元线性回归(MLR)是一种利用多个自变量来获得预测值的数学算法[38]。MLR模型因其广泛性和良好的理论基础而被广泛应用于遥感监测中[39]。本文在已有样本数据的基础上,以植被指数、纹理特征、温度特征作为自变量,病情指数作为因变量,构建了MLR的小麦白粉病监测模型。计算方法如下:
式中,Y为病情指数,1—X为植被指数、纹理特征、温度特征等自变量,1—a为相应自变量的系数。
(2)BP神经网络 反向传播(back propagation,BP)神经网络具有并行处理、非线性、容错性和自学习的特点,在数据拟合与模拟中有着较高优越性[40],因此被广泛应用于遥感影像的定量分析中。在MATLAB 2019a中使用BP神经网络工具箱进行训练模型,为了得到更好的网络训练效果,在建模前对各输入变量进行了归一化处理。经过反复调试参数对数据进行训练,最终确定隐含层节点数为3,输出层节点数为1时为最佳模型。
(3)极限学习机 极限学习机(extreme learning machine,ELM)是一类基于前馈神经网络(feedforward neural network,FNN)形成的机器学习方法[41]。ELM克服了传统前馈神经网络在训练过程中易陷入局部极值、速度过慢与学习速率敏感等问题[42]。ELM具有学习与计算快、泛化性能良好等优点,在遥感监测研究中得到了大量的应用。
(4)随机森林 随机森林是一种基于分类回归树的机器学习算法[43]。随机森林利用bootstrap重采样方法从原始样本中抽取多个样本,对每个bootstrap样本进行决策树建模,组合成多棵决策树进行预测,并通过多数投票法决定最终分类结果的联合预测模型。该方法的优点在于训练速度相对较快且不需要进行交叉验证,同时抽样随机性和特征选择随机性使得随机森林不易陷入过拟合[44]。因此随机森林算法被广泛地应用在遥感影像的分类和预测中。
1.3.5 模型验证 在进行小麦白粉病病情指数监测模型构建和精度评价时,为了使评价结果更客观,将主采样区数据作为训练集,次采样区数据为验证集,且训练集(n=56)和验证集(n=24)样本数比例为7﹕3。以植被指数、温度数据、纹理特征为自变量,DI为因变量,基于4种算法建立小麦白粉病病情指数监测模型。同时将3种数据源融合作为模型的输入变量,
进行10折交叉验证分析不同模型的稳定性。
通过决定系数(coefficient of determination,2)、均方根误差(root mean square error,)、相对分析误差(relative percent deviation,RPD)3个指标对小麦白粉病病情指数监测模型进行精度评价。当1.0<RPD<1.4时,模型的预测性能较差;当1.4<RPD<1.8时,模型可用于相关性评价;当1.8<RPD<2.0时,模型可用于定量预测;当2.0<RPD<2.5时,可以获得更准确的定量预测;当RPD>2.5时,模型的预测性能更好。2越接近于1,越低,RPD越大,其监测模型的精度越高。公式如下:
由表2可知,光谱反射率在病情指数DI低于5%、10%、20%、30%和40%的群体之间表现出明显差异,450 nm、550 nm、685 nm和725 nm处的反射率随着病情的加重而增加,而780 nm反射率则相反。分析反射率与病情指数间相关性可知,450 nm、550 nm、685 nm和725 nm 均表现显著的正相关,相关系数分别为0.352、0.489、0.413和0.286,而780 nm则表现出显著的负相关(=-0.321)(图2)。比较而言,绿光和红光波段对病害变化较为敏感。
依据前人相关的病情监测文献,对选取的9个植被指数与病情指数进行相关性分析(表2)。选取的9个常规植被指数与DI的相关性均达到极显著水平(<0.01),其中相关性最强的是PSRI,相关系数为0.640,其次为GI和NRI(=0.614、0.602),以上3个参数均包含绿光和红光,说明该两波段组合对白粉病监测具有重要参考价值;最差的是GNDVI,相关系数为0.504;相关性由强到弱的顺序依次为:PSRI、GI、NRI、CLSI、ARI、PPR、TCARI、VARI和GNDVI。
图2 不同病情下的光谱反射率变化
分析小麦多光谱数据的纹理特征值与DI间相关性(表3),相关系数均为正值,除红光的方差和熵以及近红外的熵相关系数不显著外,其他均达显著水平。Var在5个波段下纹理值与DI相关系数范围为0.186—0.381,由高到低顺序为Blue、REDedge、Green、NIR和Red;Con的相关系数为0.227—0.370,由高到低顺序为REDedge、Blue、Green、NIR和Red;Dis的相关系数变化幅度为0.242—0.353,由高到低为REDedge、Blue、Green、NIR和Red,Ent的相关系数为0.208—0.382,大小依次为Blue、REDedge、Green、NIR和Red。从波段来看,Blue和REDedge表现最好,其中,Var和Ent在蓝光波段下表现突出,Con和Dis在红边波段下表现较好,因此,筛选出相关性最高的Var-Blue、Con-REDedge、Dis-REDedge、Ent-Blue 4种纹理特征作为模型的输入变量。
表2 多光谱参数与DI间相关系数
*和**分别为达到0.05和0.01显著性水平。下同
* and ** are significant at 0.05 and 0.01 levels, respectively.The same as below
表3 多光谱纹理特征(TFs)与DI间相关系数
从热红外影像中提取温度信息,分析温度特征与DI间相关性(图3)。冠层温度(CT)与病情指数DI相关系数为0.316,达到极显著水平(<0.01)。考虑到冠层温度(CT)随着每天大气温度的不同而变化,进而提取出冠气温差(CTD)和归一化冠层温度(NRCT)以消除大气温度对冠层温度的影响,CTD和NRCT与病情指数DI的相关系数分别为0.410和0.561,相关性显著水平进一步提高,均达极显著水平(<0.01)。因此,筛选出CTD和NRCT 2个温度特征作为下一步建模分析的输入变量。
采用方差膨胀因子(variance inflation factor,VIF)对输入变量进行共线性分析。由图4可知,任一输入变量对剩余变量的最大VIF值为9.427,平均VIF为5.356。依据判断标准:当0<VIF<10,不存在多重共线性;当10≤VIF<100,存在较强的多重共线性;当VIF≥100,存在严重多重共线性。可见,各输入变量间存在较小的多重共线性。
**达到0.01显著性水平。CT为冠层温度,CTD为冠气温差,NRCT为归一化冠层温度
根据上述VIs、T和TFs与DI的相关性,以单种数据源作为自变量,分别利用多元线性回归MLR、神经网络BP、极限学习机ELM和随机森林RF 4种方法反演运算小麦白粉病病情指数DI(表4)。建模方法间比较,随机森林表现最佳,其次为极限学习机,多元线性回归最差。从3种数据源结果看,无论采用哪种方法建模,VIs的表现均比T和TFs好,其次为T,纹理特征较差。从自变量数据类型与建模方法结合看,VIs作为自变量的随机森林算法最优,训练集2、和RPD分别为0.672、5.398和1.580,验证集2、和RPD分别为0.661、6.025和1.629;其次为VIs作为自变量的极限学习机算法,训练集2、和RPD分别为0.637、5.581和1.517,验证集2、和RPD分别为0.624、6.623和1.601。
GNDVI为绿度归一化指数,NRI为氮反应指数,ARI为花青素反射指数,CLSI为叶斑病指数,PPR为植物色素比例,GI为绿度指数,TCARI为优化土壤调节植被指数,VARI为可见光大气阻抗指数,PSRI为植被衰减指数,NRCT为归一化冠层温度,CTD为冠气温差,Var为方差,Con为对比度,Dis为差异性,Ent为熵
为充分发挥不同数据源间信息协同作用,将T和TFs分别与VIs结合进行4种建模方法比较分析(表5)。在VIs数据基础上融合TFs数据后,训练集2、、RPD平均值为0.629、5.624、1.672,较单一VIs数据源2提高了3.497%,降低0.257%,RPD提升11.765%,验证集2均值为0.619,较单一VIs数据源2提高2.781%,降低14.000%,RPD提升17.613%。在VIs数据基础上加入T数据信息后,模型精度进一步提高,验证集和训练集的2平均值分别为0.670和0.705,分别为5.710和5.547,RPD分别为1.745和1.689,较单一VIs数据源2提高了10.284%和17.061%,在训练集上增大1.264%,在验证集降低21.323%,RPD提升16.644%和27.771%。同时,将T和TFs数据进行组合建模,估算效果都优于单一数据源T和TFs,但该模型无论是训练集还是验证集均差于VIs,2降低了3.167%和1.951%,RPD降低6.066%和2.819%。
以单一数据源VIs作为基准,在进行多数据源协同建模时,TFs对模型精度的提升作用较小,而T对模型改善具有较大作用。利用4种建模方法将VIs、TFs和T 3种数据源协同,训练集和验证集的2均较2种数据源结合进一步提高。3种数据源融合的训练集和验证集2平均值分别为0.707和0.744,分别为5.378和5.175,RPD分别为1.883和1.863,较单一VIs数据源2分别提高16.372%和23.620%,降低4.633%和26.600%,RPD提升25.836%和40.976%。
从不同建模算法的效果看,从表5和图5可知,随机森林RF的2最高、最低、模型预测能力最高,其次为极限学习机ELM和BP,线性模型MLR最差。RF融合3种数据源的2在训练集和验证集中分别达到0.806和0.836,分别为4.853和4.501,RPD分别为1.968和2.023,极限学习机ELM的2分别为0.753和0.786,分别为4.754和5.445,RPD分别为1.972和1.812,显示出多源数据融合改善了单数据源建模的信息片面弊端,从而使模型具有更好的拟合性、精度及预测能力。BP与ELM间比较,ELM的2较高,在自变量个数较少的情况下ELM的比BP略大,而当自变量个数增加时,两者间表现无差异。但从网络结构看,BP为后向传播神经网络,而ELM为前向传播神经网络,这就减少后向传播的运算量,从训练成本上考虑ELM所用时间比BP要少。
表4 基于不同算法的单数据源模型表现
表5 基于不同算法的多数据源模型表现
图5 3种数据源融合的模型比较
独立试验建模的验证结果表明,RF模型表现最佳,3种数据源融合效果最好。为了进一步分析不同模型的稳定性,以3种数据源融合作为输入变量,进行10折交叉验证。由表6可知,4种建模方法比较,从均值上看,RF模型的2、和RPD均最优,MLR模型最差,ELM模型比BP模型较好;从方差上看,RF模型在各项评价指标的方差均最小,而其他模型同类评价指标间的方差无明显差异;从极差上看,RF模型的各评价指标变幅较小,导致极差数值较低,而其他模型的评价指标变幅较大,极差偏高。结合最优模型的表现综合可知,RF模型的稳定性最优,其次为ELM和BP,MLR模型最差。
前人相关文献从不同尺度上证实了反射光谱数据在作物病害监测中的重要性及其应用价值,先后明确了可见光和近红外区域是不同作物病虫害光谱识别的敏感波段,不同的作物和不同的病害的光谱敏感波段也不同。小麦白粉病的敏感波段位于580—720 nm[45],依据病害的反射率特征先后确立了不同形式的病害植被指数[7-9],所采用波段主要为550、580、670、705、780、860和1 300 nm等[46-47]。本试验无人机搭载的多光谱仪波段为450、550、685、725和780 nm,其中550 nm较685 nm对叶绿素变化更敏感[48],725 nm兼具色素吸收和冠层结构信息,其对氮含量监测效果较好[49]。从本试验各波长反射率对病害程度的反应及相关性看,绿光550 nm和红光685 nm较敏感,在病害发生早期以及扩张期均可作为该类病害监测的波段;而780 nm反射率在病情较轻时区分度差(<5%),当病害较严重时才影响冠层结构,说明该波段不适宜病害的早期监测。病害的发生过程是由内部生理生化向外部形态结构逐步发展进而表现出遥感可检测的外部病症,由于叶肉细胞、水分、叶绿素、叶片黄化干枯等内外因素综合作用,单一波段提取病害信息的能力有限,本文表现较好的植被指数PSRI、GI和NRI均含有550 nm和685 nm信息,显示出绿光和红光的组合在白粉病监测中良好的应用价值,尤其是三波段的PSRI相关系数最高,说明多波段信息联合对病害监测具有重要意义。由于本文无人机搭载的多光谱仪分辨率较低,导致由此提取的植被指数对病害的监测能力不足,PSRI的线性决定系数仅为0.384。因此,采用多变量分析方法对病害进行识别与监测已成为定量遥感研究热点,进一步探索应用BP神经网络、极限学习机、随机森林等方法对于病害精确监测与防控具有十分重要的意义。
表6 基于3种数据源融合的不同模型交叉验证
白粉病发病具有显著的由下而上特点,在发病中前期病症主要集中在植株中下部层次,而冠层反射光谱主要来源于上部信息,这导致了采集的光谱信息与病害特征不够吻合,增加了仅利用冠层光谱监测白粉病的监测难度。本研究将植被指数作为自变量,采用MLR、ELM、BPNN和RF 4种算法对病情指数进行预测,RF模型的监测精度最高,但2依然低于0.7,从精确植保防控的应用角度考虑,只使用光谱数据进行小麦白粉病监测是不够的。一些学者在利用反射光谱进行病害监测时,尝试融入荧光数据进行建模,取得了较好的监测效果[50]。病菌侵染植株时,在生理生化胁变的同时,冠层结构也会变化,而纹理特征在一定程度上能够反映出这种因病菌侵害导致的冠层结构响应变化[51-52]。前人使用高光谱植被指数结合纹理特征进行了小麦条锈病监测,2种数据源结合的估算结果明显优于单一数据源[19]。本文将植被指数和纹理特征协同进行建模,整体上模型精度都有所提升,与单一数据源植被指数相比,RF模型2提升了7.887%,降低了2.890%,RPD提升了9.494%。但是,模型验证集精度最高仅为0.676,优化效果有限,还不能满足精确施药的信息需求。这可能是因为小麦开花期以后叶片逐渐衰老、植株枯萎导致背景复杂度增加,甚至部分地块病害、干旱、衰老、大气温度等多因素叠加,无法精确分辨出枯萎叶片及结构变化是否因病害胁迫导致。
前人相关文献表明,热红外成像技术在遥感监测中也具有较大的应用潜力[53-55]。作物被真菌和病原体等病原体感染后,细胞膜渗透性增加,水分流失,植株呈失水萎蔫状态。同时,叶片气孔异质性关闭,叶片表面的热量流失程度发生变化,导致叶面温度响应。作物发病后,植株失水、气孔关闭以及呼吸增强引起的热辐射能量的变化,可以在红外热图上直观地反映出来[20],但大多侧重在病情分级和病害识别等方面。马慧琴等[56]在卫星尺度上使用宽波段植被指数结合气温数据判定小麦灌浆期白粉病的发病等级,但没有定量估算病情指数。本文相关分析表明,热红外温度对病害响应敏感,由于受测定时天气背景等因素差异化影响,将冠层温度转换为冠气温差和归一化值更为有效。与冠层纹理特征相比,温度信息在病害监测中具有更大作用,RF模型表现最佳(2=0.561),较TFs-RF模型验证集2提升14.257%,降低5.467%,RPD提升5.712%,但明显低于VIs-RF模型。单数据源建模间比较,植被指数更适合进行小麦白粉病的监测,其次是热红外温度信息,而冠层纹理特征稍差。为进一步改善单一数据源的信息片面性,将植被指数和热红外温度数据协同建模(VIs&T),不同算法的模型精度整体上均高于VIs&TFs,其中RF模型的精度最高(2>0.74),较VIs&TFs-RF模型平均提升7.169%,降低了11.361%。可见,在病害定量监测中冠层温度信息具有十分重要的应用价值。前人基于不同数据源提取作物病害信息的各自优点,将2种数据源融合估算病情严重程度取得了较好效果[19,50,56],但缺少3种或更多数据源协同互补提高病害监测精度的相关研究。为此,本文将植被指数、纹理特征和冠层温度进行融合建模(VIs&TFs&T),结果显示出3种数据源协同比单数据源或者2种数据源协同均具有明显优势,其中利用RF算法协同3种数据源模型2高于0.8,这为小麦白粉病的精确防控提供了信息支持和方法参考。
随着计算机建模科学的快速发展,机器学习技术在作物病害监测中得到了广泛应用,并取得了显著成效[57-58]。张春兰等[59]在冬小麦叶面积指数遥感反演时表现出随机森林算法的优越性,岳继博等[60]在冬小麦生物量遥感估测中证明了随机森林算法的估算潜力。本文使用了4种计算方法(MLR、BP、ELM、RF)进行建模,无论是单数据源建模还是多数据源协同建模,RF模型表现均最好,多数据源融合时RF模型的验证集精度比MLR、BP和ELM模型2分别提高31.034%、16.435%、6.361%,分别降低8.739%、22.663%、17.337%,RPD分别提升11.093%、12.639%、11.645%;仅利用单一植被指数(VIs)时,RF模型精度提升相对较少,较其他模型验证集2分别提高25.189%、10.906%、5.929%,分别降低29.893%、12.896%、9.575%,RPD分别提升63.323%、15.521%、10.616%。这种结果与竞霞等[61]关于SIF和反射率协同监测小麦条锈病的结果一致。这主要是由于RF算法具有良好的抗噪能力,不易陷入过拟合,而MLR算法在选用因子及其表达式时存在推测概率,这导致了因选用因子多样性和某些因子不可预测性造成的回归偏差而受到限制。BP神经网络极易陷入局部极小化,也会出现预测能力和训练能力相矛盾的问题,应用时应注重把握学习的度,避免出现所谓“过拟合”现象。ELM具有良好的泛化能力,比BP神经网络有更快的学习速度和逼近能力,本文利用ELM协同3种数据源信息,模型精度平均达到0.77,综合考虑模型运算效率及预测精度,该方法也是一种监测病害的有效方法。本研究中尽管RF模型综合表现最好,但是其在病情较严重条件下,存在估算值低于实测值的现象,这在其他模型算法中也是同样存在的,如MLR和BP模型,这与小麦白粉病的群体密度越大,透风透光性越差,白粉病病情越严重,光谱及热成像数据对病情严重程度的敏感性下降有关。本文在应用不同模型算法协同植被指数、纹理特征和热红外温度监测小麦白粉病时,并没有考虑不同数据源参数对模型的贡献率,如何利用不同算法确定不同数据源参数的权重,进一步提升模型精度还有待进一步研究。当然,白粉病的发生及表征还与品种、生育期以及其他逆境因子有关,研究利用针对性强的信息提取算法,以明确各影响因子的效应及贡献程度,这将有利于综合多种效应参数精确监测病害发生状况,为变量喷施和精确作业提供理论与数据依据。
随着现代传感器技术的快速发展,当前在无人机平台上可以搭载集成多种类型传感器,高光谱影像包含波段较多,谱带较窄,探测光谱细节优势突出,但是传感器造价高,成本昂贵;而本试验采用的是多光谱传感器,成本较低,更适宜于农业生产应用,但是该类光谱仪波段较少,一些与病害相关的敏感波段及植被指数难以提取,其对病情监测的精度达不到精确监测及防控应用的要求。为此,本试验在无人机平台上同时搭载热成像仪,以弥补多光谱数据分辨率偏低的不利影响,进而将植被指数、纹理特征及冠层温度信息进行有效融合,以提高病害监测精度。本文基于低空无人机遥感监测小麦白粉病是一种较好的技术手段。相较于卫星遥感,低空无人机遥感可以有效解决由于天气、周期因素造成的光学卫星影像获取不足,空间分辨率差等问题[62],显著提升了小麦白粉病监测的实时性及应用性。而相较于地面遥感,低空无人机遥感具有成本低、采集速度快及监测面积大等优点,尤其随着土地流转进程加快,农业新型经营主体队伍不断壮大,土地集中规模化经营的背景下,无人机病害遥感将越来越显示出巨大的应用潜力及实用价值。目前卫星遥感搭载的传感器类型少,空间分辨率往往偏低,天气状况也严重影响影像质量,导致在大尺度上提取目标物的遥感参数(如纹理、温度)精度不高,这在很大程度上影响了多传感器融合在卫星尺度上应用效果。当然,低空无人机遥感也存在不足之处,不如近地遥感数据的细致、准确,也没有卫星遥感的宏观性。因此,下一步的研究重点是如何把低空无人机遥感的机动性和地面遥感的细致性以及卫星遥感的宏观性相结合来进行遥感大面积高精度监测。
本文为提高无人机遥感监测小麦白粉病的精度,综合利用植被指数、纹理特征和温度信息相融合的优势,开展基于4种建模方法的白粉病病情指数估算研究。3种数据源比较,植被指数更适宜小麦白粉病监测,其次为温度信息,纹理特征最差;多源信息融合时,3种信息融合的模型精度最高,其次为VIs&T、VIs&TFs和T&TFs,纹理特征对于模型的贡献较小;无论利用单一数据或多源信息融合,RF模型的监测精度均高于其他算法模型,RF更适合无人机遥感监测小麦白粉病发病状况及其精确植保防控的应用。
[1] 张凝, 杨贵军, 赵春江, 张竞成, 杨小冬, 潘瑜春, 黄文江, 徐波, 李明, 朱西存, 李振海.作物病虫害高光谱遥感进展与展望.遥感学报, 2021, 25(1): 403-422.
ZHANG N, YANG G J, ZHAO C J, ZHANG J C, YANG X D, PAN Y C, HUANG W J, XU B, LI M, ZHU X C, LI Z H.Progress and prospects of hyperspectral remote sensing technology for crop diseases and pests.National Remote Sensing Bulletin, 2021, 25(1): 403-422.(in Chinese)
[2] 黄文江, 师越, 董莹莹, 叶回春, 邬明权, 崔贝, 刘林毅.作物病虫害遥感监测研究进展与展望.智慧农业, 2019, 1(4): 1-11.
HUANG W J, SHI Y, DONG Y Y, YE H C, WU M Q, CUI B, LIU L Y.Progress and prospects of crop diseases and pests monitoring by remote sensing.Smart Agriculture, 2019, 1(4): 1-11.(in Chinese)
[3] SHI Y, HUANG W J, GONZALEZ-MORENO P, LUKE B, DONG Y Y, ZHENG Q, MA H Q, LIU L Y.Wavelet-based rust spectral feature set (WRSFs): A novel spectral feature set based on continuous wavelet transformation for tracking progressive host- pathogen interaction of yellow rust on wheat.Remote Sensing, 2018, 10(4): 525.
[4] CHEN T T, ZHANG J L, CHEN Y, WAN S B, ZHANG L.Detection of peanut leaf spots disease using canopy hyperspectral reflectance.Computers and Electronics in Agriculture, 2019, 156: 677-683.
[5] FRANCESCHINI M H D, BARTHOLOMEUS H, APELDOORN D F, SUOMALAINEN J, KOOISTRA L.Feasibility of Unmanned Aerial Vehicle optical imagery for early detection and severity assessment of late blight in potato.Remote Sensing, 2019, 11(3): 224.
[6] MAHLEIN AK, RUMPF T, WELKE P, DEHNE HW, PLUMER L, STEINER U, OERKE E C.Development of spectral indices for detecting and identifying plant diseases.Remote Sensing of Environment, 2013, 128: 21-30.
[7] FENG W, SHEN W Y, HE L, DUAN J Z, GUO B B, LI Y X, WANG C Y, GUO T C.Improved remote sensing detection of wheat powdery mildew using dual-green vegetation indices.Precision Agriculture, 2016, 17(5): 608-627.
[8] NAIDU R A, Perry E M, PIERCE F J, MEKURIA T.The potential of spectral reflectance technique for the detection of Grapevine leafroll-associated virus-3 in two red-berried wine grape cultivars.Computers and Electronics in Agriculture, 2009, 66(1): 38-45.
[9] 王利民, 刘佳, 杨福刚, 杨玲波, 姚保民, 高建孟.基于GF-1/WFV数据的冬小麦条锈病遥感监测.农业工程学报, 2017, 33(20): 153-160.
WANG L M, LIU J, YANG F G, YANG L B, YAO B M, GAO J M.Winter wheat stripe rust remote sensing monitoring based on GF-1/WFV data.Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(20): 153-160.(in Chinese)
[10] 白雪冰, 余建树, 傅泽田, 张领先, 李鑫星.可见光谱图像联合区间的黄瓜白粉病分割与检测.光谱学与光谱分析, 2019, 39(11): 3592-3598.
BAI X B, YU J S, FU Z T, ZHANG L X, LI X X.Segmentation and detection of cucumber powdery mildew based on visible spectrum and image processing.Spectroscopy and Spectral Analysis, 2019, 39(11): 3592-3598.(in Chinese)
[11] ASHOURLOO D, AGHIGHI H, MATKAN A A, MOBASHERI M R, RAD A M.An investigation into machine learning regression techniques for the leaf rust disease detection using hyperspectral measurement.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 9: 1-8.
[12] 沈文颖, 李映雪, 冯伟, 张海艳, 张元帅, 谢迎新, 郭天财.基于因子分析-BP神经网络的小麦叶片白粉病反演模型.农业工程学报, 2015, 31(22): 183-190.
SHEN W Y, LI Y X, FENG W, ZHANG H Y, ZHANG Y S, XIE Y X, GUO T C.Inversion model for severity of powdery mildew in wheat leaves based on factor analysis-BP neural network.Transactions of the Chinese Society of Agricultural Engineering, 2015, 31(22): 183-190.(in Chinese)
[13] 郭伟, 朱耀辉, 王慧芳, 张娟, 董萍, 乔红波.基于无人机高光谱影像的冬小麦全蚀病监测模型研究.农业机械学报, 2019, 50(9): 162-169.
GUO W, ZHU Y H, WANG H F, ZHANG J, DONG P, QIAO H B.Monitoring model of winter wheat take-all based on UAV hyperspectral imaging.Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(9): 162-169.(in Chinese)
[14] 简俊凡, 何宏昌, 王晓飞, 李月.农作物病虫害遥感监测综述.测绘通报, 2018(9): 24-28.
JIAN J F, HE H C, WANG X F, LI Y.Review of remote sensing monitoring of crop pests and diseases.Bulletin of Surveying and Mapping, 2018(9): 24-28.(in Chinese)
[15] 刘畅, 杨贵军, 李振海, 汤伏全, 王建雯, 张春兰, 张丽妍.融合无人机光谱信息与纹理信息的冬小麦生物量估测.中国农业科学, 2018, 51(16): 3060-3073.
LIU C, YANG G J, LI Z H, TANG F Q, WANG J W, ZHANG C L, ZHANG L Y.Biomass estimation in winter wheat by uav spectral information and texture information fusion.Scientia Agricultura Sinica, 2018, 51(16): 3060-3073.(in Chinese)
[16] 梁栋, 刘娜, 张东彦, 赵晋陵, 林芬芳, 黄林生, 张庆, 丁玉婉.利用成像高光谱区分冬小麦白粉病与条锈病(英文).红外与激光工程, 2017, 46(1): 50-58.
LIANG D, LIU N, ZHANG D Y, ZHAO J L, LIN F F, HUANG L S, ZHANG Q, DING Y W.Discrimination of powdery mildew and yellow rust of winter wheat using high resolution hyper-spectra and imageries.Infrared and Laser Engineering, 2017, 46(1): 50-58.(in Chinese)
[17] 张东彦, 张竞成, 朱大洲, 王纪华, 罗菊花, 赵晋陵, 黄文江.小麦叶片胁迫状态下的高光谱图像特征分析研究.光谱学与光谱分析, 2011, 31(4): 1101-1105.
ZHANG D Y, ZHANG J C, ZHU D Z, WANG J H, LUO J H, ZHAO J L, HUANG W J.Investigation of the hyperspectral image characteristics of wheat leaves under different stress.Spectroscopy and Spectral Analysis, 2011, 31(4):1101-1105.(in Chinese)
[18] ZHENG H B, CHENG T, ZHOU M, LI D, YAO X, TIAN Y, CAO W, ZHU Y.Improved estimation of rice aboveground biomass combining textural and spectral analysis of UAV imagery.Precision Agriculture, 2018, 20: 1-19.
[19] GUO A T, HUANG W J, DONG Y Y, YE H Q, MA H Q, LIU B, WU W B, REN Y, RUAN C, GENG Y.Wheat yellow rust detection using UAV-based hyperspectral technology.Remote Sensing, 2021, 13(1): 123.(in Chinese)
[20] 杨成娅, 张艳, 赵明珠, 朱应燕.基于红外热像的农作物早期病害检测识别技术的研究进展.激光杂志, 2020, 41(6): 1-4.
YANG C Y, ZHANG Y, ZHAO M Z, ZHU Y Y.Research progress of infrared thermal imaging in early disease detection of crops.Laser Journal, 2020, 41(6): 1-4.(in Chinese)
[21] 刘又夫, 肖德琴, 刘亚兰, 钟伯平, 周志艳.褐飞虱诱导的水稻冠层热图像温度特征变异评估方法.农业机械学报, 2020, 51(5): 165-172.
LIU Y F, XIAO D Q, LIU Y L, ZHONG B P, ZHOU Z Y.Temperature eigenvalues evaluation method of rice canopy thermal image induced by brown rice planthopper.Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(5): 165-172.(in Chinese)
[22] 朱文静, 陈华, 李林, 魏新华, 毛罕平, SPANER D.基于红外热成像边缘检测算法的小麦叶锈病分级研究.农业机械学报, 2019, 50(4): 36-41, 48.
ZHU W J, CHEN H, LI L,WEI X H, MAO H P, SPANER D.Grading of wheat leaf rust based on edge detection of infrared thermal imaging.Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(4): 36-41, 48.(in Chinese)
[23] MAIMAITIJIANG M, SAGAN V, SIDIKE P, HARTING S, FRITSCHI F B.Soybean yield prediction from UAV using multimodal data fusion and deep learning.Remote Sensing of Environment, 2019, 237: 111599.
[24] 赵叶, 竞霞, 黄文江, 董莹莹, 李存军.日光诱导叶绿素荧光与反射率光谱数据监测小麦条锈病严重度的对比分析.光谱学与光谱分析, 2019, 39(9): 2739-2745.
ZHAO Y, JING X, HUANG W J, DONG Y Y, LI C J.Comparison of sun-induced chlorophyll fluorescence and reflectance data on estimating severity of wheat stripe rust.Spectroscopy and Spectral Analysis, 2019, 39(9): 2739-2745.(in Chinese)
[25] 陈思媛, 竞霞, 董莹莹, 刘良云.基于日光诱导叶绿素荧光与反射率光谱的小麦条锈病探测研究.遥感技术与应用, 2019, 34(3): 511-520.
CHEN S Y, JING X, DONG Y Y, LIU L Y.Detection of wheat stripe rust using solar-induced chlorophyll fluorescence and reflectance spectral indices.Remote Sensing Technology and Application, 2019, 34(3): 511-520.(in Chinese)
[26] 刘林毅, 黄文江, 董莹莹, 杜小平, 马慧琴.基于概率模型的冬小麦白粉病监测研究.中国农业信息, 2018, 30(1): 79-92.
LIU L Y, HUANG W J, DONG Y Y, DU X P, MA H Q.Wheat powdery mildew monitoring using probabilistic model.China Agricultural Informatics, 2018, 30(1): 79-92.(in Chinese)
[27] GITELSON A A, KAUFMAN Y J, MERZLYAK M N.Use of a green channel in remote sensing of global vegetation from EOS-MODIS.Remote Sensing of Environment, 1996, 58(3): 289-298.
[28] FILELLA I, SERRANO L, SERRA J, PENUELAS J.Evaluating wheat nitrogen status with canopy reflectance indices and discriminant analysis.Crop Science, 1995, 35(5): 1400-1405.
[29] GITELSON A A, MERZLYAK M N, CHIVKUNOVA O B.Optical properties and nondestructive estimation of anthocyanin content in plant leaves.Photochemistry and Photobiology, 2001, 74(1): 38-45.
[30] WANG Z J, WANG J H, LIU L Y, HUANG W J, ZHAO C J,WANG C Z.Prediction of grain protein content in winter wheat (L.) using plant pigment ratio (PPR).Field Crops Research, 2004, 90(2) : 311-321.
[31] ZARCO-TEJADA P J, BERJÓN A, LÓPEZ-LOZANO R, MILLER J R, MARTÍN P, CACHORRO V, GONZÁLEZ M R, FRUTOS A D.Assessing vineyard condition with hyperspectral indices: Leaf and canopy reflectance simulation in a row-structured discontinuous canopy.Remote Sensing of Environment, 2005, 99(3): 271-287.
[32] HABOUDANE D, MILLER J R, TREMBLAY N, ZARCO-TEJADA P J, DEXTRAZE L.Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture.Remote Sensing of Environment, 2002, 81(2): 416-426.
[33] NAIDU R A, PERRY E M, PIERCE F J, MEKURIA T.The potential of spectral reflectance technique for the detection of Grapevine leafroll-associated virus-3 in two red-berried wine grape cultivars.Computers and Electronics in Agriculture, 2009, 66(1): 38-45.
[34] MERZLYAK M N, GITELSON A A, CHIVKUNOVA O B, RAKITIN V Y.Non-destructive optical detection of pigment changes during leaf senescence and fruit ripening.Physiologia Plantarum, 1999, 106(1): 135-141.
[35] HARALICK R M, SHANMUGAM K, DINSTEIN I.Textural features for image classification.Studies in Media and Communication, 1973, 3(6): 610-621.
[36] VANI K, POONGODI S, HARIKRISHNA B.K-Means cluster based leaf disease identification in cotton plants.Indian Journal of Public Health Research and Development, 2018, 9(10): 1117.
[37] LI S Y, YUAN F, ATA-UI-KARIM S T, ZHENG H B, CAO Q.Combining color indices and textures of UAV-based digital imagery for rice LAI estimation.Remote Sensing, 2019, 11(15): 1763.
[38] XU J X, MA J, TANG Y N, WU W X.Estimation of sugarcane yield using a machine learning approach based on UAV-LiDAR data.Remote Sensing, 2020, 12(17): 2823.
[39] FU Z P, JIANG J, GAO Y, KRIENKE B.Wheat growth monitoring and yield estimation based on multi-rotor unmanned aerial vehicle.Remote Sensing, 2020, 12(3): 508.
[40] HUANG G B, ZHU Q Y, SIEW C K.Extreme learning machine: Theory and applications.Neurocomputing, 2006, 70(1/3): 489-501.
[41] 孙立影, 杨晨, 赵海士, 常志勇.基于极限学习机的遥感地球化学反演模型.吉林大学学报(地球科学版), 2020, 50(6): 1929-1938.
SUN L Y, YANG C, ZHAO H S, CHANG Z Y.Remote sensing geochemical inversion model by using extreme learning machine.Journal of Jilin University (Earth Science Edition), 2020, 50(6): 1929-1938.(in Chinese)
[42] 王鑫梅, 张劲松, 孟平, 杨洪国, 孙圣.基于无人机遥感影像的核桃冠层氮素含量估算.农业机械学报, 2021, 52(2):178-187.
WANG X M, ZHANG J S, MENG P, YANG H G, SUN S.Estimation of nitrogen content in walnut canopy based on uav remote sensing image.Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(2): 178-187.(in Chinese)
[43] BREIMAN L.Random forest.Machine Learning, 2001, 45: 5-32.
[44] 刘冀, 张特, 魏榕, 张茜, 刘艳丽, 董晓华.基于随机森林偏差校正的农业干旱遥感监测模型研究.农业机械学报, 2020, 51(7): 170-177.
LIU J, ZHANG T, WEI R, ZHANG Q, LIU Y L, DONG X H.Development of agricultural drought monitoring model using remote sensing based on bias-correcting random forest.Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(7): 170-177.(in Chinese)
[45] 冯伟, 王晓宇, 宋晓, 贺利, 王永华, 郭天财.基于冠层反射光谱的小麦白粉病严重度估测.作物学报, 2013, 39(8): 1469-1477.
FENG W, WANG X Y, SONG X, HE L, WANG Y H, GUO T C.Estimation of severity level of wheat powdery mildew based on canopy spectral reflectance.Acta Agronomica Sinica, 2013, 39(8): 1469-1477.(in Chinese)
[46] 沈文颖, 冯伟, 李晓, 王晓宇, 贺利, 郭天财, 李映雪.基于叶片高光谱特征的小麦白粉病严重度估算模式.麦类作物学报, 2015, 35(1): 129-137.
SHEN W Y, FENG W, LI X, WANG X Y, HE L, GUO T C, LI Y X.Estimation model of wheat powdery mildew severity based on leaves hyperspectral characteristics.Journal of Triticeae Crops, 2015, 35(1): 129-137.(in Chinese)
[47] GRAEFF S, LINK J, CLAUPEIN W.Identification of powdery mildew (sp.tritici) and take-all disease (sp.tritici) in wheat (L.) by means of leaf reflectance measurements.Central European Journal of Biology, 2006, 1(2): 275-288.
[48] PEÑUELAS J, FILELLA I.Visible and near-infrared reflectance techniques for diagnosing plant physiological status.Trends in Plant Science, 1998, 3(4): 151-156.
[49] MAIRE G L, FRANÇOIS C, DUFRÊNE E.Towards universal broad leaf chlorophyll indices using PROSPECT simulated database and hyperspectral reflectance measurements.Remote Sensing of Environment, 2004, 89(1): 1-28.
[50] 白宗璠, 竞霞, 张腾, 董莹莹.MDBPSO算法优化的全波段光谱数据协同冠层SIF监测小麦条锈病.作物学报, 2020, 46(8): 1248-1257.
BAI Z F, JING X, ZHANG T, DONG Y Y.Canopy SIF synergize with total spectral reflectance optimized by the MDBPSO algorithm to monitor wheat stripe rust.Acta Agronomica Sinica, 2020, 46(8): 1248-1257.(in Chinese)
[51] 李鑫星, 朱晨光, 白雪冰, 毛富焕, 傅泽田, 张领先.基于可见光谱和支持向量机的黄瓜叶部病害识别方法研究.光谱学与光谱分析, 2019, 39(7): 2250-2256.
LI X X, ZHU C G, BAI X B, MAO F H, BO Z T, ZHANG L X.Recognition method of leaves based on visual spectrum and support vector machine.Spectroscopy and Spectral Analysis, 2019, 39(7): 2250-2256.(in Chinese)
[52] GUO A T, HUANG W J, YE H C, DONG Y Y, MA H Q, REN Y, RUAN C.Identification of wheat yellow rust using spectral and texture features of hyperspectral images.Remote Sensing, 2020, 12(9): 1419.
[53] CAO W X, QIAO Z Y, GAO Z Y, LU S H, TIAN F.Use of unmanned aerial vehicle imagery and a hybrid algorithm combining a watershed algorithm and adaptive threshold segmentation to extract wheat lodging.Physics and Chemistry of the Earth, 2021(6): 103016.
[54] CHANDEL A K, KHOT L R, YU L X.Alfalfa (.) crop vigor and yield characterization using high-resolution aerial multispectral and thermal infrared imaging technique.Computers and Electronics in Agriculture, 2021, 182(2): 105999.
[55] FRANCESCONI S, HARFOUCHE A, MAESANO M, BALESTRA G M.UAV-based thermal, RGB imaging and gene expression analysis allowed detection of fusarium head blight and gave new insights into the physiological responses to the disease in durum wheat.Frontiers in Plant Science, 2021, 12: 628575.
[56] 马慧琴, 黄文江, 景元书.遥感与气象数据结合预测小麦灌浆期白粉病.农业工程学报, 2016, 32(9): 165-172.
MA H Q, HUANG W J, JING Y S.Wheat powdery mildew forecasting in filling stage based on remote sensing and meteorological data.Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(9): 165-172.(in Chinese)
[57] 张帅堂, 王紫烟, 邹修国, 钱燕, 余磊.基于高光谱图像和遗传优化神经网络的茶叶病斑识别.农业工程学报, 2017, 33(22): 200-207.
ZHANG S T, WANG Z Y, ZOU X G, QIAN Y, Yu L.Recognition of tea disease spot based on hyperspectral image and genetic optimization neural network.Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(22): 200-207.(in Chinese)
[58] ZHENG Q, HUANG W J, CUI X M, SHI Y, LIU L Y.New spectral index for detecting wheat yellow rust using sentinel-2 multispectral imagery.Sensors, 2018, 18(3): 868.
[59] 张春兰, 杨贵军, 李贺丽, 汤伏全, 刘畅, 张丽妍.基于随机森林算法的冬小麦叶面积指数遥感反演研究.中国农业科学, 2018, 51(5): 855-867.
ZHANG C L, YANG G J, LI H L, TANG F Q, LIU C, ZHANG L Y.Remote sensing inversion of leaf area index of winter wheat based on random forest algorithm.Scientia Agricultura Sinica, 2018, 51(5): 855-867.(in Chinese)
[60] 岳继博, 杨贵军, 冯海宽.基于随机森林算法的冬小麦生物量遥感估算模型对比.农业工程学报, 2016, 32(18): 175-182.
YUE J B, YANG G J, FENG H K.Comparative of remote sensing estimation models of winter wheat biomass based on random forest algorithm.Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(18): 175-182.(in Chinese)
[61] 竞霞, 白宗璠, 高媛, 刘良云.利用随机森林法协同SIF和反射率光谱监测小麦条锈病.农业工程学报, 2019, 35(13): 154-161.
JING X, BAI Z F, GAO Y, LIU L Y.Wheat stripe rust monitoring by random forest algorithm combined with SIF and reflectance spectrum.Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(13): 154-161.(in Chinese)
[62] 赵晋陵, 金玉, 叶回春, 黄文江, 董莹莹, 范玲玲, 马慧琴, 江静.基于无人机多光谱影像的槟榔黄化病遥感监测.农业工程学报, 2020, 36(8): 54-61.
ZHAO J L, JIN Y, YE H C, HUANG W J, DONG Y Y, FAN L L, MA H Q, JIANG J.Remote sensing monitoring of areca yellow leaf disease based on UAV multi-spectral images.Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(8): 54-61.(in Chinese)
Wheat Powdery Mildew Monitoring Based on Information Fusion of Multi-Spectral and Thermal Infrared Images Acquired with an Unmanned Aerial Vehicle
FENG ZiHeng1, 3, SONG Li2, ZHANG ShaoHua2, JING YuHang2, DUAN JianZhao2, HE Li2, 3, YIN Fei1*, FENG Wei2, 3*
1College of Information and Management Science, Henan Agricultural University, Zhengzhou 450046;2College of Agronomy, Henan Agricultural University, Zhengzhou 450046;3National Engineering Research Centre for Wheat, Zhengzhou 450046
【objective】Wheat growth and yield can be seriously affected by powdery mildew.Establishing the multi-source data fusion method for real-time monitoring of powdery mildew of wheat could provide technical support for accurate prevention and control of diseases and guaranteeing national food security.【Method】During the wheat flowering and filling period, a six-rotor UAV equipped with multi-spectral sensor and thermal imager was used as a remote sensing data acquisition platform to obtain remote sensing images of different degrees of wheat powdery mildew.Then, vegetation index (VIs), texture feature (TFs) and temperature feature (T) were extracted from multi-spectral and thermal infrared images of different disease degrees on a low-altitude drone platform by ENVI software.Finally, the wheat powdery mildew disease index model were built by multiple linear regression (MLR), back propagation neural network (BP), random forest (RF) and extreme learning machine (ELM).【Result】The precision of the RF model based on both single and multiple data sources was higher than that of the other models.Among the three data sources of the RF model, the vegetation indices (VIs-RF,2= 0.667,=5.712, RPD=1.572) were the most suitable for powdery mildew monitoring, followed by the temperature feature (T-RF,2= 0.559,=6.563, RPD=1.430) and texture features (TFs-RF,2= 0.495,=7.014, RPD=1.348).When combining multiple data sources, a precision for the RF model combining vegetation indices and texture features (VIs & TFs-RF) of 0.701 could be obtained, which was 5.101% higher than that of the VIs-RF model, whilewas 7.073% lower and RPD was 9.672% higher, whereas the precision parameters of the RF model combining vegetation indices and the temperature feature (VIs & T-RF) were2= 0.750,= 4.704, RPD = 1.912.For all three remote sensing data sources (VIs & TFs & T-RF), the following accuracies resulted:2= 0.820,= 4.677, RPD=1.996.As compared to the VIs-RF model,2improved by 12.453%,by 17.640% and RPD by 21.667% for the (VIs & T-RF) model, whereas for the three remote sensing sources,2improved by 23.181%,by 18.113% and RPD by 26.981%.At the same time, 10 fold cross validation of different models was carried out, which further confirmed that RF model had stable performance and good estimation results in multi-data source fusion modeling.【Conclusion】The precision of wheat powdery mildew monitoring could be improved by using multi-data-sources collaborative ML modeling.This research provided technical support for large-area and high-precision remote sensing of crop diseases.
powdery mildew; UAV; machine learning; information fusion; remote sensing monitoring
2021-05-15;
2021-09-27
国家自然科学基金(31971791)、粮食丰产增效科技创新项目(2017YFD0301105)
冯子恒,E-mail:fzhfzh88@163.com。通信作者尹飞,E-mail:yin.fei@foxmail.com。通信作者冯伟,E-mail:fengwei78@126.com
(责任编辑 杨鑫浩)