作物病蟲害遙感監(jiān)測與預測研究進展

DOI: 1013878/jcnkijnuist201801004黃文江1， 2張競成3師越1， 2董瑩瑩1劉林毅1， 2作物病蟲害遙感監(jiān)測與預測研究進展摘要作物病蟲害作為嚴重的生物災害已危及到世界農業(yè)生產和糧食安全 ， 病蟲害對我國糧食生產造成的損失日益加劇 ， 植保部門目前使用的測報和防控方式無法滿足大范圍的精準 、高效 、綠色科學防控需求 因此 ， 建立基于遙感手段的高效 、無損的大面積病蟲害監(jiān)測預測方法 ， 將提升我國大面積作物病蟲害的監(jiān)測和測報精度與防控水平 ， 有利于減少農藥施用 ， 對保障國家糧食和食品安全 ，實現農業(yè)可持續(xù)發(fā)展具有重要戰(zhàn)略意義 近年來出現的多種形式的作物病蟲害遙感監(jiān)測方法和技術手段為病蟲害的有效防治和管理提供了重要支撐 ， 通過對相關技術方法進行綜述 ， 本文從多尺度下的作物病蟲害遙感監(jiān)測與預測機理 、監(jiān)測方法 、預測預報方法 、典型模型與應用等方面闡述了作物病蟲害遙感監(jiān)測和預測預報研究進展 ， 并探討了作物病蟲害遙感監(jiān)測當前面臨的挑戰(zhàn)以及未來發(fā)展趨勢 ， 建議通過建立全國尺度的作物病蟲害遙感監(jiān)測預測系統(tǒng) ， 構建作物病蟲害綠色智能防控體系 ， 實現病蟲害大面積 、快速的監(jiān)測 、預測預報和精準 、高效 、綠色科學防控 關鍵詞作物病蟲害 ; 遙感監(jiān)測 ; 遙感預測 ;系統(tǒng)中圖分類號 TP13文獻標志碼 A收稿日期 2017-10-28資助項目 國家重點研發(fā)計劃項目 ( 2016YFD0300702) ; 國家自然科學基金 ( 61661136004) ;中國科學院國際合作重點項目 ( 131211KYSB20150034)作者簡介黃文江 ， 男 ， 博士 ， 研究員 ， 博士生導師 ， 主要研究方向為農情遙感 huangwj radiaccn1 中國科學院遙感與數字地球研究所 數字地球重點實驗室 ， 北京 ， 1000942 中國科學院大學 ， 北京 ， 1000493 杭州電子科技大學 生命信息與儀器工程學院 ， 杭州 ， 3100180 引言作物病蟲害已成為威脅糧食安全 、制約農業(yè)生產的重要因素之一 1-2據聯合國糧農組織 ( FAO) 估計 ， 全世界每年由病蟲害導致的糧食減產約占總產量的 1/4， 其中病害導致的損失約占 14%， 蟲害導致的損失約占 10%中國每年因作物病蟲害導致的糧食損失約 400 億kg， 占糧食總產量的 8. 8%Piao 等 3分析了中國 19712007 年間的作物病蟲害發(fā)生面積及對應的農藥施用量 ， 發(fā)現病蟲害發(fā)生面積呈明顯增長趨勢 ， 從 1971 年的約 1 億 hm2增加到 2007 年的約 3. 45 億hm2; 同時 ， 農藥施用量也顯著增加 ， 從 1971 年的約 600 萬 t 增加到2007 年的約 1 300 萬 t了解病蟲害發(fā)生的位置 、范圍以及嚴重程度是進行植保工作的關鍵 目前傳統(tǒng)的病蟲害現場調查在很大程度上取決于專業(yè)調查人員的數量和素質 ， 不僅效率低下 ， 而且存在主觀性強的問題 ， 難以應對日益復雜的病蟲害防治形勢 為了解決這一問題 ， 遙感技術提供了一種相對于傳統(tǒng)的作物保護調查方法的重要補充手段 ，能夠極大地提高大范圍病蟲害監(jiān)測的能力 4作物病蟲害的遙感監(jiān)測可以看作是對作物的 “放射診斷 ”， 這是一種以非接觸式的方式對病蟲害進行空間連續(xù)監(jiān)測的方法 隨著計算機科學和遙感技術的迅速發(fā)展 ， 多種遙感數據被廣泛應用于病蟲害的監(jiān)測 ， 在多個尺度上開展了對病蟲害監(jiān)測特征和模型的研究 ， 使作物病蟲害成為農業(yè)遙感研究中的一個重要研究方向 4-7隨著遙感科學與作物病理學之間聯系的不斷加強 ， 研究從各個層面得到了深化 ，使其在農作物估產 、品質預報和病蟲害監(jiān)測等多個方面有著不同程度的應用 這些應用在很大程度上改變了傳統(tǒng)的作業(yè)和管理模式 ， 極大地推動著農業(yè)朝高產 、優(yōu)質 、高效 、生態(tài) 、安全和現代化 、信息化的方向發(fā)展 例如美國國家尺度作物生長狀態(tài)及作物產量數據自 1995年起開始利用衛(wèi)星遙感數據進行分析 ， 該技術對快速 、低成本地獲得全國尺度的各種糧食種植品種 、生長狀態(tài) 、產量等數據具有重要作用 近期研究不僅希望監(jiān)測特定病蟲害的發(fā)生 ， 同時希望評估病蟲害感染的嚴重程度 ， 甚至對一些復雜情況下不同病蟲害脅迫進行區(qū)分和制圖 2， 8-10隨著精密制造技術和測控技術的發(fā)展 ， 各類機載 、星載的遙感數據源不斷增多 ， 為各級用戶提供了多種時間 、空間和光譜分辨率的遙感信息 而這些技術和數據的涌現為作物病蟲害監(jiān)測提供了寶貴的契機 ， 使得有可能更為準確 、快速地了解作物病蟲害發(fā)生發(fā)展的狀況 隨著這些技術的日漸成熟 ， 特征提取與建模過程不再局限于一些傳統(tǒng)的特征識別和統(tǒng)計方法 ， 一些新的信號處理技術和模式識別算法在監(jiān)測建模中不斷被應用 4， 11-15這些方法在促進精細的病蟲害防控管理等實際應用方面顯示出了巨大潛力 本文通過對相關技術方法進行綜述 ， 從多尺度下的作物病蟲害遙感監(jiān)測與預測機理 、作物病蟲害遙感監(jiān)測方法 、作物病蟲害遙感預測預報方法 、作物病蟲害遙感監(jiān)測與預測典型模型及應用等 4 個方面闡述作物病蟲害遙感監(jiān)測方法 ， 希望提供一個現階段作物病蟲害遙感監(jiān)測研究的概述 ， 并在此基礎上探討了病蟲害遙感監(jiān)測當前面臨的挑戰(zhàn)以及未來發(fā)展的趨勢 1 多尺度下作物病蟲害遙感監(jiān)測與預測機理光學遙感是目前作物病蟲害監(jiān)測中研究最為聚集 、應用最為廣泛的領域 針對不同尺度下遙感數據源的特性以及病害脅迫的病理學基礎 ， 主要存在 2種遙感監(jiān)測方法 : 1) 基于光譜特性的病蟲害直接檢測 ， 即通過形式化表達病蟲害的光譜響應 ， 使其作為作物病蟲害光學遙感監(jiān)測的基本依據 ; 2) 基于生境信息反演的病蟲害間接監(jiān)測 ， 即通過對地表溫度 、田間濕度及作物長勢狀況等生境信息的遙感反演 ， 使其作為病蟲害發(fā)生情況的定量指標 不同尺度作物病蟲害監(jiān)測數據源及特點如表 1 所示 1. 1 基于光譜特征的直接監(jiān)測機理作物在病蟲害脅迫條件下會在不同波段上表現出差異性的吸收和反射特性 ， 作物病蟲害所引起的不同癥狀及光學屬性是進行作物病蟲害遙感監(jiān)測的病理學基礎 作物病蟲害的光譜響應可以近似認為是一個由病蟲害引起的作物色素 、水分 、形態(tài) 、結構等變化的函數 ， 因此往往呈現多效性 ， 并且與每一種病蟲害的特點有關 3-4， 12， 16-17而不同的病蟲害癥狀決定了在監(jiān)測中應采取不同的方法 一些情況下作物病蟲害由于缺乏可被遙感探測的特征 ( 如一些穗部感染的病害或發(fā)生在作物體下部的病蟲害 ) 而難以進行遙感監(jiān)測 通常而言 ， 作物病蟲害遙感監(jiān)測的一個基本要求是作物的癥狀能夠引起特定傳感器或傳感器系統(tǒng)的響應 多數作物病蟲害的遙感監(jiān)測包括 4 種癥狀或傷害類型 ( 表 2) : 1) 生物量或葉面積指數 ( Leaf Area Index， LAI) 的減少 如某些害蟲 ( 如玉米粘蟲 ) 啃食作物葉 、莖等部位 ， 導致作物 LAI 或生物量顯著下降 18這種傷害類型的遙感響應通常缺乏特異性 ， 因此監(jiān)測時存在較高的不確定性 2) 病斑蟲傷 一些作物病害特別是真菌性病害往往在作物葉片上形成孢子堆 ， 以及由感染組織壞死引起的病斑 不同病蟲害引起的病斑 、蟲傷在顏色 、形狀和分布 ( 均勻分布或聚集分布 ) 等方面都存在差異 ， 而這些差異對病蟲害監(jiān)測至關重要 18-203) 色素系統(tǒng)破壞 很多情況下 ， 病蟲害會導致葉綠體或其他細胞器的破壞 ， 進而導致作物色素含量 ( 如葉綠素 、類胡蘿卜素和花青素 ) 的變化 這種類型病癥的監(jiān)測通常需要使用高光譜遙感數據 5， 214) 脫水 脫水在病蟲害初起時并不是一種常見癥狀 ， 而隨著侵染程度加重會在后期普遍出現 某些害蟲 ( 如甲蟲或蚜蟲 ) 的穿孔和吮吸行為可直接導致作物脫水 此外 ， 當感染病蟲害的作物水分傳輸系統(tǒng)被破壞時會影響水分代謝從而導致脫水 21作物病蟲害可導致上述癥狀中的一種或幾種 此外 ， 病蟲害的侵染和破壞往往呈現一個時間過程 ， 由不同形式的癥狀疊加或相互作用 ，進而在作物的不同生長階段表現出不同程度和方式的危害 10， 19例如 ， 感染黃銹病的冬小麥初期會引起葉片損傷和葉綠素含量下降 ， 如不進行適當防治 ， 因光合作用系統(tǒng)受損會導致生物量下降 ， 甚至影響作物的水分代謝 ， 使嚴重感染病害的作物在后期出現脫水癥狀 22表 1 不同尺度作物病蟲害監(jiān)測數據源及特點Table 1 Data and characteristics of crop pests and diseases monitoring and forecasting at different scales觀測尺度 特點及應用 常用設備葉片及冠層尺度觀測光譜特征明確 ， 準確度高 ， 觀測范圍小 ， 成本較高 以農機具作為平臺 ， 常作為噴藥輔助設備非成像高光譜掃描儀 ( ASD-2500)高光譜成像儀 ( Headwall)熒光成像掃描儀 ( PAM-2100)農田地塊尺度監(jiān)測觀測范圍較大 ， 成本較高 ， 精度較高 以航空飛行器為平臺 ， 輸出田間病害處方圖成像多光譜儀 ( MS-4100)成像高光譜相機 ( PHI， OMIS)熱紅外成像儀 ( FLI)區(qū)域尺度監(jiān)測觀測范圍極大 ， 成本低 ， 以遙感衛(wèi)星為數據源 ， 為大尺度檢測和預報提供依據多光譜衛(wèi)星 ( Quickbird， IKONOS， Landsat， GF， Sentinel)高光譜衛(wèi)星 ( Hyperion)熱紅外衛(wèi)星 ( Landsat， Aster， HJ)13學報 ( 自然科學版 ) ， 2018， 10( 1) : 30-43Journal of Nanjing University of Information Science and Technology( Natural Science Edition) ， 2018， 10( 1) : 30-43表 2 作物病蟲害典型遙感監(jiān)測指標Table 2 Crop pests and diseases indices associated with remote monitoring破壞類型與監(jiān)測指標 示例病蟲害類型 癥狀表現1 生物量或 LAI 的減少 玉米粘蟲2 病斑蟲傷 小麥條銹病 、白粉病3 色素系統(tǒng)破壞 ( 葉綠素 、類胡蘿卜素 、花青素等 ) 水稻白葉枯病4 脫水 小麥蚜蟲目前 ， 依靠對不同波段范圍內的光學信號在傳輸 、反射 、折射 、衍射過程中與物體的相互作用后發(fā)生的速率 、強度等重要屬性的改變對作物組分 、結構的改變進行探測常作為農作物長勢和病蟲害脅迫的診斷方式 22-23在病害監(jiān)測中通常使用的光學遙感系統(tǒng)的波譜范圍主要涉及紫外 ( 200400 nm) 、可見光 ( 400800 nm) 和近紅外 ( 8002 500 nm) 波段 植被在這些波段上的反射率由于能對作物病蟲害引起的生物量和 LAI 減少 、病斑蟲傷 、色素系統(tǒng)破壞以及脫水等生理變化產生比較直接的響應 14， 24-25， 因此成為作物病害遙感探測的重要途徑 在光學遙感中 ，高光譜和多光譜技術都可以作為病害監(jiān)測的重要信息源 ， 但高光譜數據由于具有更高的光譜分辨率 ， 能夠探測到植被光譜曲線在某些特定波段下的細節(jié)信息 ， 在研究中受到廣泛的重視 26-28基于地物光譜儀對作物病蟲害癥狀進行光譜觀測通常在器官 ( 葉 、穗 ) 和冠層尺度上進行 ， 主要通過研究病蟲害在可見光至近紅外波段的光譜響應為特征 、模型研究提供重要信息 如 Adams 等 19基于大豆葉片光譜 ， 采用光譜微分技術對大豆萎黃病進行監(jiān)測 ; Liu 等 13采用類似的儀器測定了水稻穎枯病的穗光譜 ， 建立了光譜與病情等級之間的關系模型 在針對冠層的研究方面 ， Huang 等 24采用 ASD光譜儀測定了小麥條銹病的冠層光譜 ， 構建了適合于監(jiān)測該病的光譜指數 ; Muhammed 等 21利用小麥病害的冠層光譜 ， 進行了病害特征的提取研究 同時 ， 隨著傳感器制造技術的進步 ， 研究者們越來越傾向利用圖譜合一的成像光譜數據 Moshou 等 11， 23利用車載成像高光譜進行小麥病害的實時監(jiān)測 ; Zhang等 29采用一臺光譜范圍在 2002 500 nm 之間的成像光譜儀對小麥條銹病的病斑進行了遙感探測 ;Fiore 等 30利用成像高光譜技術成功識別了番茄黃祛病 1. 2 基于生境信息反演的病蟲害遙感預測對作物病蟲害進行大范圍監(jiān)測和發(fā)生預測是植被定量遙感研究和應用的重點 通常 ， 對蟲害而言 ，蟲卵的出土 、羽化 、成蟲 ， 需要適宜的景觀格局和土壤濕度等生境條件 ; 對病害而言 ， 病菌孢子的繁殖 、傳播 、侵染等過程需要合適的寄主 、有效積溫及濕度條件 ， 這些與病害發(fā)生相關的關鍵環(huán)境信息提取是作物病蟲害遙感預測的基礎 目前在這一方面 ， 主要基于高光譜和多光譜遙感傳感器 ， 在近地獲得光譜數據支持特征和模型方法研究 ， 并通過在航天 ( 遙感衛(wèi)星 ) 或航空 ( 有人機 、無人機 ) 平臺上搭載傳感器獲得遙感影像以支持大范圍的病蟲害監(jiān)測 例如 ， 利用航天平臺獲取的熱紅外通道信息 ( 例如衛(wèi)星熱紅23黃文江 ， 等 作物病蟲害遙感監(jiān)測與預測研究進展 HUANG Wenjiang， et alProgress in monitoring and forecasting of crop pests and diseases by remote sensing外波段 ) 可反演得到地表溫度 LST、土壤含水量 SWC等生境參數在不同田塊中的空間變異情況 ， 進一步在田塊尺度上解析關鍵環(huán)境因子對小麥病蟲害發(fā)生的影響 31Wang 等 32通過對全國 15 個主要茶樹種植省的采樣分析 ， 發(fā)現了 11 種侵染茶樹葉的炭疽菌 ， 并比較了每一種炭疽菌的侵染特性 Umina 等 33通過研究澳大利亞東南部小麥線條花葉病毒與小麥種植的關系 ， 發(fā)現線條花葉病毒在農作物中的流行與長季小麥品種的種植有關 Gtz 等 34針對泰國和越南的 2 種主要煙粉虱 B tabaci Asia1 和 MiddleEast-Asia Minor 進行了分析 ， 并發(fā)現 2 種煙粉虱在熱帶和亞熱帶地區(qū)存在物種替代現象 Graziosi 等 35發(fā)現在全球氣候變化的大背景下 ， 一種新的病害正在侵染東南亞地區(qū)的木薯種植區(qū) ， 通過對 5 個國家 、429 塊樣田的采樣分析 ， 發(fā)現遭受粉蚧和螨蟲侵染的木薯種植區(qū)分別達到了 70% 和 54%2 作物病蟲害遙感監(jiān)測方法近年來 ， 隨著高空間和時間分辨率國內外衛(wèi)星的發(fā)射 ， 使得作物病蟲害遙感監(jiān)測技術在不同作物病蟲害脅迫早期的實時 、快速 、非破壞性的監(jiān)測和識別成為可能 中國的高分辨率對地觀測計劃發(fā)射了高分 ( GF) 系列衛(wèi)星 ， 歐州太空局發(fā)射的哨兵系列( Sentinel series) 等衛(wèi)星都大大縮短了全球對地觀測數據的重訪周期 ( 從 16 d 縮短至 510 d) 上述新發(fā)射衛(wèi)星連同我國的風云 ( FY) 系列 、資源 ( ZY) 系列 、環(huán)境 ( HJ) 系列等衛(wèi)星正構筑起一個高頻度 、高空間分辨率 、多譜段 、全覆蓋的對地觀測系統(tǒng) 另一方面 ，無人機平臺 ( 如大疆 、極飛 、全豐等 ) 和輕小型無人機載遙感傳感器 ( 如 UHD185 畫幅式成像高光譜儀 )的不斷突破不僅極大地提高了觀測分辨率 ( 從米級提高至厘米級 ) ， 同時為一些地塊破碎及多云多雨的區(qū)域提供了更為靈活的影像獲取手段 此外 ， 多源信息融合算法的發(fā)展有助于充分利用多源異構數據中的互補信息形成具有更高分辨率和精度的時空連續(xù)數據集 ， 為大范圍的病蟲害監(jiān)測提供數據支撐 當前國內外研究成果主要基于高光譜和多光譜遙感特性 ， 針對不同病蟲害脅迫下的病理機制的差異 ， 在不同尺度的應用條件下 ， 構建作物病蟲害的遙感監(jiān)測和識別方法 2. 1 基于高光譜分析技術的遙感監(jiān)測研究高光譜作物監(jiān)測和脅迫診斷能夠同時支持圖像維和光譜維的信息提取 ， 能夠精細對比植株局部光譜差異 ， 提取脅迫的光譜特征 另一方面 ， 豐富的窄波段光譜信息能夠為脅迫的區(qū)分提供更全面的觀察角度和更豐富的信息 目前的基于高光譜分析的病害監(jiān)測研究結果表明 ， 可見 -近紅外波段和熒光波段是作物病蟲害監(jiān)測的 2 個主要的光譜監(jiān)測 “窗口 ”2. 1. 1 可見 -近紅外光譜響應特征光譜波段反射率特征是最簡單和直接的特征 ，可見 -近紅外波段的光譜反射信號反映了植被脅迫引起的物理生化組分的變化 ， 已經被廣泛地應用于作物病蟲害的遙感監(jiān)測和早期脅迫診斷研究 37-40黃文江等 4系統(tǒng)闡述了小麥 、水稻 、玉米和棉花主要病害的葉片和冠層光譜特性 ; Luo 等 41發(fā)現小麥蚜蟲的發(fā)生能夠引起 700750、750930、9501 030和 1 0401 130 nm 范圍的光譜反射率的顯著改變 除原始光譜波段外 ， Spilenlli 等 42利用梨樹冠層的近紅外光譜的導數特征對火瘟病進行早期的遙感識別 ， 研究表明高維的光譜信息能夠提供更豐富的病害脅迫信息 ， 進而對病害的早期發(fā)生進行判別 ;Purcell 等 43利用傅里葉變換 ( FT) 對甘蔗樣本的可見 -近紅外波段的光譜特征進行提取 ， 再利用主成分分析和偏最小二乘建模 ， 對不同甘蔗病害進行判別研究 ， 研究結果表明 ， 二階微分光譜對病害的識別具有顯著效果 ， 并在實際的病害早期識別和發(fā)生預測應用中顯示出充足的潛力 另一方面 ， 基于植被指數形式的光譜特征也是病蟲害監(jiān)測中較為常用的特征 基于一定生理意義的植被指數能夠增強和突顯一些光譜變化 ， 從而得到較理想的效果 Naidu 等 39利用葉片的可見光反射率特征對葡萄卷葉病進行診斷 ， 結果表明在綠波段和近紅外波段對病害脅迫有顯著的響應 ， 因此 ， 通過構造植被指數 ， 實現了對葡萄病害的遙感監(jiān)測和識別 ; Shi 等 44利用多年的小麥條銹病 、白粉病和蚜蟲葉片和冠層高光譜 ， 構造基于相關植被指數的核判別分析的非線性分類器 ， 研究表明在相關植被指數構造的特征空間中 ， 基于Sigmoid 核函數對其進行映射 ， 有利于加強樣本的類間距離 ， 提高類精度 ， 對多脅迫的小麥病蟲害遙感監(jiān)測與區(qū)分具有很強的應用價值 在病蟲害的發(fā)生預測方面 ， Huang 等 45利用便攜式光譜儀獲取芹菜枯萎病的冠層高光譜反射信號 ， 利用偏最小二乘回歸分析 ， 發(fā)現一階和二階光譜信號對枯萎病的侵染有敏感的響應 ， 研究還發(fā)現 ， 提取可見 -近紅外光譜波段 ( 4001 300 nm) 的光譜信息進行建模 ， 在滿足分類精度的同時 ， 極大地提高了33學報 ( 自然科學版 ) ， 2018， 10( 1) : 30-43Journal of Nanjing University of Information Science and Technology( Natural Science Edition) ， 2018， 10( 1) : 30-43運算效率 ， 預測精度大于 87%; Chen 等 46對棉花黃萎病的冠層光譜進行分析 ， 發(fā)現 680760 nm 的可見光波段和 7311 371 nm 的近紅外波段對黃萎病的侵染有顯著的響應 ， 利用這 2 個響應區(qū)域構造棉花黃萎病的冠層發(fā)生預測模型 ， 預測精度達到 82%;Shi 等 47對小麥條銹病和白粉病的冠層高光譜的小波特征進行了定量提取和分析 ， 結果表明 ， 在 480、633 和 943 nm 波段處的小波特征變化可以有效診斷出小麥條銹病和白粉病脅迫 ， 并對其進行區(qū)分 ; Dela-lieux 等 48測量了 3502 500 nm 波段范圍內的蘋果黑星病光譜響應信號 ， 通過構建基于偏最小二乘和線性判別分析 ( PLS-LDA) 的決策樹算法 ， 對健康蘋果和感病蘋果進行自動識別和篩選 ， 結果表明 ，1 3501 750 nm 和 2 2002 500 nm 的光譜波段在黑星病感染早期有明顯的響應 ， 而 580660 nm 以及688715 nm 的可見 -近紅外波段對表征病害中期的光譜特征并對其進行識別和預測有更顯著的效果 大量的信號處理和機器學習算法被用于敏感波段選擇和目標識別等光譜分析過程中 例如 ， oggo等 49對線性判別分析 ( LDA) 、最臨近判別 ( KNN) 、偏最小二乘判別 ( DPLS) 、主成分判別 ( PCD) 、回歸分析 ( A) 、極大似然分析 ( SIMCA) 、神經網絡 ( NN)和支持向量機 ( SVM) 等 8 種主流的分類算法進行對比 ， 評價其在甜菜病害的光譜特征篩選和分類中的性能 ， 結果表明 DPLS、SIMCA 和 PCD 算法對病害的識別精度優(yōu)于其他算法 ; Wu 等 50利用基于主成分分析的神經網絡算法 ( PCA-BPNN) 和基于偏最小二乘的神經網絡 ( PLS-BPNN) 分別對茄子灰霉病冠層光譜進行分類和識別 ， 結果表明 PCA-BPNN 算法對病害的識別精度達到 85%， 優(yōu)于 PLS-BPNN 算法的 78%上述關于病蟲害光譜監(jiān)測和預測特征的研究顯示 ， 病蟲害敏感光譜特征的波段位置和表現形式較為多樣化 ， 在不同病蟲害之間存在很大差別 ， 因此在實際監(jiān)測中 ， 如何根據目標病蟲害的監(jiān)測特點 ， 研究特征的選擇和構建方法 ， 找到高專一性的監(jiān)測特征是監(jiān)測中的關鍵問題 通過對敏感波段的篩選和組合 ， 大量的學者提出了基于高光譜波段的一階微分 、連續(xù)統(tǒng)特征及植被指數 ， 用于對不同病蟲害脅迫的區(qū)分和識別 ， 具體如表 3 所示 近年來 ， 成像高光譜傳感器在病蟲害監(jiān)測和預測方面也取得了充分的發(fā)展 ， 其響應范圍主要在可見光 -近紅外波段 ( 3501 300 nm) ， 由于其成像條件 、光譜響應效率及使用成本等方面的限制 ， 目前主要應用在冠層尺度和近地表的田間病蟲害監(jiān)測和預測研究中 9， 21， 63-65例如 ， Aleixos 等 66利用光譜圖像對柑橘病害及其長勢進行分類 ; Grown 等 63利用多種圖像處理技術對近地面的高光譜影像進行處理 ，實現了在田塊尺度上的小麥長勢及質量監(jiān)測 ; Bravo等 67基于高光譜圖像建立了線性判別模型 ， 實現了對小麥條銹病發(fā)生的早期監(jiān)測 ， 分類精度高達92%98%; Moshou 等 11分析了小麥條銹病在 460900 nm 范圍內的光譜圖像的光譜特征和空間分布特征 ， 構建了多層感知器用于小麥條銹病的監(jiān)測和管理 ， 結果表明 543、630 和 750 nm 波段組合下的分類效果最高 ， 對健康和發(fā)病樣本的分類精度分別達到 98. 9%和 99. 4%; Kumar 等 68利用無人機平臺的高光譜成像儀獲取柑橘種植園的高光譜影響 ， 結合“紅邊 ”參數和多種植被指數特征構造了病蟲害的監(jiān)測預警系統(tǒng) ， 分類精度達到 84%2. 1. 2 熒光波段光譜響應特征近 20 年來 ， 目標地物的熒光特性越來越多地應用在植被遙感監(jiān)測的研究當中 ， 例如監(jiān)測脅迫等級 、長勢狀態(tài)以及糧食估產等方面 69400 600 nm 和650800 nm 范圍是 2 種常用的熒光誘導波段 ， 利用這 2 個波段提供的植被熒光特性 ， 可以有效地對作物養(yǎng)分狀態(tài) 、脅迫狀態(tài)及生境狀況進行監(jiān)測 70-72Belasque 等 71利用 532 nm 波長 10 mW 的激光進行主動誘導 ， 收集了柑橘主要生長期長達 60 d 的連續(xù)的熒光光譜數據 ， 并對熒光光譜的光學屬性區(qū)分葉片的養(yǎng)分脅迫 、病害脅迫 、人工損壞等脅迫狀態(tài)的能力進行評價 ， 結果表明熒光波段的響應對 3 種脅迫有顯著的區(qū)分能力 ， 分類精度達到 87%; Lins 等 73通過田間控制實驗和實驗室測量獲取了柑橘萎黃病的實驗室誘導熒光數據 ， 該研究應用 2 種指標對健康和病害脅迫的柑橘葉片的熒光特性進行評價 ， 結果表明 ， 健康樣本和病害脅迫的熒光參數有顯著差異 ， 利用這種差異構建的分類平面可以有效地對病害的發(fā)生進行區(qū)分和識別 熒光成像技術是近年來新發(fā)展的植被遙感方法 ， 主要應用 440450 nm 藍波段 、520550 nm 綠波段 、690 nm 紅波段 、740800 nm 近紅外波段進行誘導 70， 72， 74， Lenk 等 72在其研究中對多種波段的激光誘導的熒光圖像在作物長勢監(jiān)測 、光合效率 、病斑監(jiān)測等方面的應用進行了討論 在作物病蟲害監(jiān)測和預測方面 ， 目前的研究主要集中在藍 -綠熒光和葉綠43黃文江 ， 等 作物病蟲害遙感監(jiān)測與預測研究進展 HUANG Wenjiang， et alProgress in monitoring and forecasting of crop pests and diseases by remote sensing表 3 用于病蟲害高光譜特征區(qū)分的一階微分 、連續(xù)統(tǒng)特征及植被指數Table 3 The first derivative features， continuum features and vegetation indices used inhyperspectral feature discrimination for crop pests and diseases指標 定義 特點 文獻微分光譜Db 藍波段一階微分最大值( 藍邊 ) 藍邊一般分布在 490539 nm 波段范圍 51bDb的波長 b表征了藍邊 Db處的波長 51Db， S 藍波段一階微分光譜的和 表征了藍邊部分35 個波段一階微分光譜的和 51Dy 黃波段一階微分最大值( 黃邊 ) 黃邊一般分布在 550582 nm 波段范圍 51yDy的波長 y表征了紅邊 Dy處的波長 51Dy， S 黃波段一階微分光譜的和 表征了黃邊部分35 個波段一階微分光譜的和 51Dr 紅波段一階微分最大值( 紅邊 ) 紅邊一般分布在 670737 nm 波段范圍 51rDr的波長 r表征了紅邊 Dr處的波長 51Dr， S 紅波段一階微分光譜的和 表征了紅邊部分35 個波段一階微分光譜的和 51連續(xù)統(tǒng)特征DEP550-750 波段范圍 550750 nm 52DEP920-1120 光譜深度 波段范圍 9201 120 nm 52DEP1070-1320 波段范圍 1 0701 320 nm 52WID550-750 波段范圍 550750 nm 52WID920-1120 半波段寬度 DEP( nm) 波段范圍 9201 120 nm 52WID1070-1320 波段范圍 1 0701 320 nm 52AEA550-750 波段范圍 550750 nm 52AEA920-1120 DEP 和 WID 組成區(qū)域的面積 波段范圍 9201 120 nm 52AEA1070-1320 波段范圍 1 0701 320 nm 52植被指數GI Greendness Index 554/677 53NDVI Normalized Difference Vegetation Index ( NI) /( NI+) 54TVI Triangular Vegetation Index 0. 5 120( 750550) 200( 670550) 55PI Photochemical eflectance Index ( 570531) /( 570+531) 16CAI Chlorophyll Absorption atio Index( |( 670a+670+b) | /( 2a+1) 1/2) ( 700/670) ，a=( 700550) /150， b=550( 550a) 56MCAIModified Chlorophyll( a and b) Absorption ineflectance Index( 700670) 0. 2( 700550) ( 700/670) 39CIededgeed-edge Chlorophyll Index ( NI/E) 1 57SIPI Structural Independent Pigment Index ( 800445) /( 800+680) 58PSI Plant Senescence eflectance Index ( 678550) /750 58NPCI Normalized Pigment Chlorophyll ratio Index ( 680430) /( 680+430) 58OSAVI Optimized Soil Adjusted Vegetation Index ( NI) /( NI+0. 16) 59S Simple atio 1 600/819 60WI Water Index 900/970 39NDWI Normalized Difference Water Index ( 8601 240) /( 860+1 240) 37AI Aphid Index ( 740887) /( 691698) 61GNDVI Grern Normalized Difference Vegetation Index ( NIG) /( NI+G) 18DSSI2 Damage Sensitive Spectral Index2 ( 747901537572) /( 747901+537572) 61HI Healthy Index ( 534698) /( 534+698) 0. 5704 10TVI ation Triangular Vegetation Index 55( 750570) 90( 680570) / 90( 750+570) 62素熒光成像技術的應用方面 Chaerle 等 74利用藍 -綠熒光圖像對煙草花葉病毒的侵染等級和空間分布進行分類和制圖 ， 研究表明 ， 在葉片受病毒侵染時間達到 4055 h 時 ， 550 和 800 nm 的熒光強度有明顯53學報 ( 自然科學版 ) ， 2018， 10( 1) : 30-43Journal of Nanjing University of Information Science and Technology( Natural Science Edition) ， 2018， 10( 1) : 30-43增加 ， 病害脅迫與健康葉片在熒光圖像中顯示出顯著的差別 ; Bravo 等 75對熒光成像技術在小麥條銹病的分類和識別效果進行了評價 ， 該研究分別獲取了背景場的圖像和熒光誘導圖像 ， 從而獲取病害脅迫下的熒光信號 ， 研究表明 ， 健康葉片和感病葉片在550 和 690 nm 激光誘導下的熒光強度有明顯差異 ，并通過構造二次判別模型 ， 實現了對病害樣本和健康樣本的精準分類 ， 分類精度達到 71%; Moshou等 23嘗試利用成像高光譜與熒光圖像融合的方法對小麥條銹病進行監(jiān)測和識別 ， 結果表明 ， 在二次判別分類算法的條件下 ， 融合后的圖像可以實現對病害發(fā)生的快速 、精準的監(jiān)測 ， 分類精度達 70%90%2. 2 基于航空 /航天平臺的多光譜遙感監(jiān)測研究當前 ， 隨著多源信息融合算法的不斷發(fā)展與成熟 ， 具有高分辨率和高精度的新發(fā)衛(wèi)星遙感數據有望與其他多源異構信息進行優(yōu)勢互補 ， 形成具有更高分辨率和精度的時空連續(xù)數據集 ， 為病害的預警及流行區(qū)空間變化研究提供技術支撐 36， 76-77Huang等 16采用機載的 PHI 高光譜儀實現了小麥條銹病情嚴重度反演和填圖 ; Li 等 27通過航空高光譜影像對柑橘黃龍病進行遙感分類監(jiān)測研究 ， 結果表明通過合理的特征和方法選擇能夠在獨立檢驗的樣本中達到 60%以上的精度 在基于衛(wèi)星影像的研究方面 ，Franke 等 12使用 Quickbird 影像對小麥病害進行了識別和監(jiān)測 ; Lin 等 36基于 SPOT-6 影像和 SAM 算法 ， 提出了結合地面高光譜和多光譜影像的小麥白粉病監(jiān)測方法 ， 對陜西關中地區(qū)小麥白粉病的發(fā)生進行了監(jiān)測 ， 精度可達 78%; Apan 等 78采用 “病 -水脅迫指數 DWSI”對甘蔗銹病進行識別 ， 基于 EO-1Hyperion 高光譜影像成功監(jiān)測了受病害影響的區(qū)域范圍 ; Lenthe 等 79通過對熱紅外影像進行處理和分析 ， 在實驗區(qū)域內對小麥白粉病和條銹病的發(fā)生進行了監(jiān)測識別 ， 監(jiān)測制圖精度達到 88. 6%; Yang等 80比較了多光譜和高光譜影像在監(jiān)測棉花根腐病上的效果 ， 發(fā)現采用多光譜影像亦能達到較滿意的制圖精度 ; Leucker 等 31針對甜菜葉斑病監(jiān)測 ， 基于 400900 nm 的圖像立方體同時對光譜和圖像特征進行提取和分析 ， 實現對病害的精確識別 ; Zhang等 15采用多時相環(huán)境星影像在區(qū)域尺度上對小麥白粉病進行監(jiān)測 ， 分別檢驗了馬氏距離法 ( MD) 、最大似然法 ( MLC) 、偏最小二乘回歸 ( PLS) 和混合調諧濾波的混合像元分解法 ( MTMF) 在病害監(jiān)測方面的表現 ， 并提出一種耦合 PLS 和 MTMF 的監(jiān)測方法 ， 區(qū)域監(jiān)測制圖精度達到 78%基于航空 、航天平臺的大尺度病蟲害遙感監(jiān)測除用到光譜特征外 ， 也用到一些圖像分析和圖像特征 Panmanas 等 81在識別大豆的幾種葉部病害 ( 黃斑病 、黑點病 、瘡痂病 ) 時 ， 采用了 13 個紋理特征進行分析 ， 識別精度達到 95%; Kim 等 56基于顏色共生矩陣方法提取了信息熵 、對比度等紋理特征對柚皮病進行檢測 ， 成功實現了病害識別 ， 分類精度達到96. 7%進一步地 ， Wang 等 82結合圖像顏色 、紋理 、形狀等特征對番茄瘟病 、紋枯病和胡麻斑病進行區(qū)分和監(jiān)測 此外 ， 值得注意的是近年來一些研究者針對病蟲害癥狀特點提出了一些新的圖像形態(tài)學分析方法 ， 如 Yao 等 83基于圖像的方向一致性特征對小麥條銹病與白粉病進行了識別 ， 準確率達到 90%以上 在大尺度上 ， 有時病蟲害的發(fā)生會在空間上呈現出一些景觀特征 ， 因而可以通過對遙感影像進行分析輔助識別 Backoulou 等 77基于航拍多光譜影像 ，在監(jiān)測小麥俄羅斯蚜蟲時首先采用簡單的色度指標對圖像進行分割 ， 然后對景觀中異常斑塊的面積 、形狀 、隔離 /連通度和聚集度進行分析 ， 并基于這些指標有效識別了蟲害脅迫的田塊 在這一方向上 ， 成像光譜技術由于具有圖 -譜合一的天然優(yōu)勢 ， 方便同時從圖像和光譜兩方面對病蟲害進行特征提取和監(jiān)測 ， 因此得到了研究者的關注 總體上