DOI: 1013878/jcnkijnuist201801004黃文江1， 2張競(jìng)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(cè)與預(yù)測(cè)研究進(jìn)展摘要作物病蟲害作為嚴(yán)重的生物災(zāi)害已危及到世界農(nóng)業(yè)生產(chǎn)和糧食安全 ， 病蟲害對(duì)我國(guó)糧食生產(chǎn)造成的損失日益加劇 ， 植保部門目前使用的測(cè)報(bào)和防控方式無(wú)法滿足大范圍的精準(zhǔn) 、高效 、綠色科學(xué)防控需求 因此 ， 建立基于遙感手段的高效 、無(wú)損的大面積病蟲害監(jiān)測(cè)預(yù)測(cè)方法 ， 將提升我國(guó)大面積作物病蟲害的監(jiān)測(cè)和測(cè)報(bào)精度與防控水平 ， 有利于減少農(nóng)藥施用 ， 對(duì)保障國(guó)家糧食和食品安全 ，實(shí)現(xiàn)農(nóng)業(yè)可持續(xù)發(fā)展具有重要戰(zhàn)略意義 近年來出現(xiàn)的多種形式的作物病蟲害遙感監(jiān)測(cè)方法和技術(shù)手段為病蟲害的有效防治和管理提供了重要支撐 ， 通過對(duì)相關(guān)技術(shù)方法進(jìn)行綜述 ， 本文從多尺度下的作物病蟲害遙感監(jiān)測(cè)與預(yù)測(cè)機(jī)理 、監(jiān)測(cè)方法 、預(yù)測(cè)預(yù)報(bào)方法 、典型模型與應(yīng)用等方面闡述了作物病蟲害遙感監(jiān)測(cè)和預(yù)測(cè)預(yù)報(bào)研究進(jìn)展 ， 并探討了作物病蟲害遙感監(jiān)測(cè)當(dāng)前面臨的挑戰(zhàn)以及未來發(fā)展趨勢(shì) ， 建議通過建立全國(guó)尺度的作物病蟲害遙感監(jiān)測(cè)預(yù)測(cè)系統(tǒng) ， 構(gòu)建作物病蟲害綠色智能防控體系 ， 實(shí)現(xiàn)病蟲害大面積 、快速的監(jiān)測(cè) 、預(yù)測(cè)預(yù)報(bào)和精準(zhǔn) 、高效 、綠色科學(xué)防控 關(guān)鍵詞作物病蟲害 ; 遙感監(jiān)測(cè) ; 遙感預(yù)測(cè) ;系統(tǒng)中圖分類號(hào) TP13文獻(xiàn)標(biāo)志碼 A收稿日期 2017-10-28資助項(xiàng)目 國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目 ( 2016YFD0300702) ; 國(guó)家自然科學(xué)基金 ( 61661136004) ;中國(guó)科學(xué)院國(guó)際合作重點(diǎn)項(xiàng)目 ( 131211KYSB20150034)作者簡(jiǎn)介黃文江 ， 男 ， 博士 ， 研究員 ， 博士生導(dǎo)師 ， 主要研究方向?yàn)檗r(nóng)情遙感 huangwj radiaccn1 中國(guó)科學(xué)院遙感與數(shù)字地球研究所 數(shù)字地球重點(diǎn)實(shí)驗(yàn)室 ， 北京 ， 1000942 中國(guó)科學(xué)院大學(xué) ， 北京 ， 1000493 杭州電子科技大學(xué) 生命信息與儀器工程學(xué)院 ， 杭州 ， 3100180 引言作物病蟲害已成為威脅糧食安全 、制約農(nóng)業(yè)生產(chǎn)的重要因素之一 1-2據(jù)聯(lián)合國(guó)糧農(nóng)組織 ( FAO) 估計(jì) ， 全世界每年由病蟲害導(dǎo)致的糧食減產(chǎn)約占總產(chǎn)量的 1/4， 其中病害導(dǎo)致的損失約占 14%， 蟲害導(dǎo)致的損失約占 10%中國(guó)每年因作物病蟲害導(dǎo)致的糧食損失約 400 億kg， 占糧食總產(chǎn)量的 8. 8%Piao 等 3分析了中國(guó) 19712007 年間的作物病蟲害發(fā)生面積及對(duì)應(yīng)的農(nóng)藥施用量 ， 發(fā)現(xiàn)病蟲害發(fā)生面積呈明顯增長(zhǎng)趨勢(shì) ， 從 1971 年的約 1 億 hm2增加到 2007 年的約 3. 45 億hm2; 同時(shí) ， 農(nóng)藥施用量也顯著增加 ， 從 1971 年的約 600 萬(wàn) t 增加到2007 年的約 1 300 萬(wàn) t了解病蟲害發(fā)生的位置 、范圍以及嚴(yán)重程度是進(jìn)行植保工作的關(guān)鍵 目前傳統(tǒng)的病蟲害現(xiàn)場(chǎng)調(diào)查在很大程度上取決于專業(yè)調(diào)查人員的數(shù)量和素質(zhì) ， 不僅效率低下 ， 而且存在主觀性強(qiáng)的問題 ， 難以應(yīng)對(duì)日益復(fù)雜的病蟲害防治形勢(shì) 為了解決這一問題 ， 遙感技術(shù)提供了一種相對(duì)于傳統(tǒng)的作物保護(hù)調(diào)查方法的重要補(bǔ)充手段 ，能夠極大地提高大范圍病蟲害監(jiān)測(cè)的能力 4作物病蟲害的遙感監(jiān)測(cè)可以看作是對(duì)作物的 “放射診斷 ”， 這是一種以非接觸式的方式對(duì)病蟲害進(jìn)行空間連續(xù)監(jiān)測(cè)的方法 隨著計(jì)算機(jī)科學(xué)和遙感技術(shù)的迅速發(fā)展 ， 多種遙感數(shù)據(jù)被廣泛應(yīng)用于病蟲害的監(jiān)測(cè) ， 在多個(gè)尺度上開展了對(duì)病蟲害監(jiān)測(cè)特征和模型的研究 ， 使作物病蟲害成為農(nóng)業(yè)遙感研究中的一個(gè)重要研究方向 4-7隨著遙感科學(xué)與作物病理學(xué)之間聯(lián)系的不斷加強(qiáng) ， 研究從各個(gè)層面得到了深化 ，使其在農(nóng)作物估產(chǎn) 、品質(zhì)預(yù)報(bào)和病蟲害監(jiān)測(cè)等多個(gè)方面有著不同程度的應(yīng)用 這些應(yīng)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(dòng)著農(nóng)業(yè)朝高產(chǎn) 、優(yōu)質(zhì) 、高效 、生態(tài) 、安全和現(xiàn)代化 、信息化的方向發(fā)展 例如美國(guó)國(guó)家尺度作物生長(zhǎng)狀態(tài)及作物產(chǎn)量數(shù)據(jù)自 1995年起開始利用衛(wèi)星遙感數(shù)據(jù)進(jìn)行分析 ， 該技術(shù)對(duì)快速 、低成本地獲得全國(guó)尺度的各種糧食種植品種 、生長(zhǎng)狀態(tài) 、產(chǎn)量等數(shù)據(jù)具有重要作用 近期研究不僅希望監(jiān)測(cè)特定病蟲害的發(fā)生 ， 同時(shí)希望評(píng)估病蟲害感染的嚴(yán)重程度 ， 甚至對(duì)一些復(fù)雜情況下不同病蟲害脅迫進(jìn)行區(qū)分和制圖 2， 8-10隨著精密制造技術(shù)和測(cè)控技術(shù)的發(fā)展 ， 各類機(jī)載 、星載的遙感數(shù)據(jù)源不斷增多 ， 為各級(jí)用戶提供了多種時(shí)間 、空間和光譜分辨率的遙感信息 而這些技術(shù)和數(shù)據(jù)的涌現(xiàn)為作物病蟲害監(jiān)測(cè)提供了寶貴的契機(jī) ， 使得有可能更為準(zhǔn)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(shù)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(shí)別和統(tǒng)計(jì)方法 ， 一些新的信號(hào)處理技術(shù)和模式識(shí)別算法在監(jiān)測(cè)建模中不斷被應(yīng)用 4， 11-15這些方法在促進(jìn)精細(xì)的病蟲害防控管理等實(shí)際應(yīng)用方面顯示出了巨大潛力 本文通過對(duì)相關(guān)技術(shù)方法進(jìn)行綜述 ， 從多尺度下的作物病蟲害遙感監(jiān)測(cè)與預(yù)測(cè)機(jī)理 、作物病蟲害遙感監(jiān)測(cè)方法 、作物病蟲害遙感預(yù)測(cè)預(yù)報(bào)方法 、作物病蟲害遙感監(jiān)測(cè)與預(yù)測(cè)典型模型及應(yīng)用等 4 個(gè)方面闡述作物病蟲害遙感監(jiān)測(cè)方法 ， 希望提供一個(gè)現(xiàn)階段作物病蟲害遙感監(jiān)測(cè)研究的概述 ， 并在此基礎(chǔ)上探討了病蟲害遙感監(jiān)測(cè)當(dāng)前面臨的挑戰(zhàn)以及未來發(fā)展的趨勢(shì) 1 多尺度下作物病蟲害遙感監(jiān)測(cè)與預(yù)測(cè)機(jī)理光學(xué)遙感是目前作物病蟲害監(jiān)測(cè)中研究最為聚集 、應(yīng)用最為廣泛的領(lǐng)域 針對(duì)不同尺度下遙感數(shù)據(jù)源的特性以及病害脅迫的病理學(xué)基礎(chǔ) ， 主要存在 2種遙感監(jiān)測(cè)方法 : 1) 基于光譜特性的病蟲害直接檢測(cè) ， 即通過形式化表達(dá)病蟲害的光譜響應(yīng) ， 使其作為作物病蟲害光學(xué)遙感監(jiān)測(cè)的基本依據(jù) ; 2) 基于生境信息反演的病蟲害間接監(jiān)測(cè) ， 即通過對(duì)地表溫度 、田間濕度及作物長(zhǎng)勢(shì)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(biāo) 不同尺度作物病蟲害監(jiān)測(cè)數(shù)據(jù)源及特點(diǎn)如表 1 所示 1. 1 基于光譜特征的直接監(jiān)測(cè)機(jī)理作物在病蟲害脅迫條件下會(huì)在不同波段上表現(xiàn)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(xué)屬性是進(jìn)行作物病蟲害遙感監(jiān)測(cè)的病理學(xué)基礎(chǔ) 作物病蟲害的光譜響應(yīng)可以近似認(rèn)為是一個(gè)由病蟲害引起的作物色素 、水分 、形態(tài) 、結(jié)構(gòu)等變化的函數(shù) ， 因此往往呈現(xiàn)多效性 ， 并且與每一種病蟲害的特點(diǎn)有關(guān) 3-4， 12， 16-17而不同的病蟲害癥狀決定了在監(jiān)測(cè)中應(yīng)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(cè)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(jìn)行遙感監(jiān)測(cè) 通常而言 ， 作物病蟲害遙感監(jiān)測(cè)的一個(gè)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(yīng) 多數(shù)作物病蟲害的遙感監(jiān)測(cè)包括 4 種癥狀或傷害類型 ( 表 2) : 1) 生物量或葉面積指數(shù) ( 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(dǎo)致作物 LAI 或生物量顯著下降 18這種傷害類型的遙感響應(yīng)通常缺乏特異性 ， 因此監(jiān)測(cè)時(shí)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(duì)病蟲害監(jiān)測(cè)至關(guān)重要 18-203) 色素系統(tǒng)破壞 很多情況下 ， 病蟲害會(huì)導(dǎo)致葉綠體或其他細(xì)胞器的破壞 ， 進(jìn)而導(dǎo)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(cè)通常需要使用高光譜遙感數(shù)據(jù) 5， 214) 脫水 脫水在病蟲害初起時(shí)并不是一種常見癥狀 ， 而隨著侵染程度加重會(huì)在后期普遍出現(xiàn) 某些害蟲 ( 如甲蟲或蚜蟲 ) 的穿孔和吮吸行為可直接導(dǎo)致作物脫水 此外 ， 當(dāng)感染病蟲害的作物水分傳輸系統(tǒng)被破壞時(shí)會(huì)影響水分代謝從而導(dǎo)致脫水 21作物病蟲害可導(dǎo)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(xiàn)一個(gè)時(shí)間過程 ， 由不同形式的癥狀疊加或相互作用 ，進(jìn)而在作物的不同生長(zhǎng)階段表現(xiàn)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(huì)引起葉片損傷和葉綠素含量下降 ， 如不進(jìn)行適當(dāng)防治 ， 因光合作用系統(tǒng)受損會(huì)導(dǎo)致生物量下降 ， 甚至影響作物的水分代謝 ， 使嚴(yán)重感染病害的作物在后期出現(xiàn)脫水癥狀 22表 1 不同尺度作物病蟲害監(jiān)測(cè)數(shù)據(jù)源及特點(diǎn)Table 1 Data and characteristics of crop pests and diseases monitoring and forecasting at different scales觀測(cè)尺度 特點(diǎn)及應(yīng)用 常用設(shè)備葉片及冠層尺度觀測(cè)光譜特征明確 ， 準(zhǔn)確度高 ， 觀測(cè)范圍小 ， 成本較高 以農(nóng)機(jī)具作為平臺(tái) ， 常作為噴藥輔助設(shè)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(nóng)田地塊尺度監(jiān)測(cè)觀測(cè)范圍較大 ， 成本較高 ， 精度較高 以航空飛行器為平臺(tái) ， 輸出田間病害處方圖成像多光譜儀 ( MS-4100)成像高光譜相機(jī) ( PHI， OMIS)熱紅外成像儀 ( FLI)區(qū)域尺度監(jiān)測(cè)觀測(cè)范圍極大 ， 成本低 ， 以遙感衛(wèi)星為數(shù)據(jù)源 ， 為大尺度檢測(cè)和預(yù)報(bào)提供依據(jù)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(xué)報(bào) ( 自然科學(xué)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(cè)指標(biāo)Table 2 Crop pests and diseases indices associated with remote monitoring破壞類型與監(jiān)測(cè)指標(biāo) 示例病蟲害類型 癥狀表現(xiàn)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(duì)不同波段范圍內(nèi)的光學(xué)信號(hào)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(qiáng)度等重要屬性的改變對(duì)作物組分 、結(jié)構(gòu)的改變進(jìn)行探測(cè)常作為農(nóng)作物長(zhǎng)勢(shì)和病蟲害脅迫的診斷方式 22-23在病害監(jiān)測(cè)中通常使用的光學(xué)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(duì)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(chǎn)生比較直接的響應(yīng) 14， 24-25， 因此成為作物病害遙感探測(cè)的重要途徑 在光學(xué)遙感中 ，高光譜和多光譜技術(shù)都可以作為病害監(jiān)測(cè)的重要信息源 ， 但高光譜數(shù)據(jù)由于具有更高的光譜分辨率 ， 能夠探測(cè)到植被光譜曲線在某些特定波段下的細(xì)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(duì)作物病蟲害癥狀進(jìn)行光譜觀測(cè)通常在器官 ( 葉 、穗 ) 和冠層尺度上進(jìn)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(yīng)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(shù)對(duì)大豆萎黃病進(jìn)行監(jiān)測(cè) ; Liu 等 13采用類似的儀器測(cè)定了水稻穎枯病的穗光譜 ， 建立了光譜與病情等級(jí)之間的關(guān)系模型 在針對(duì)冠層的研究方面 ， Huang 等 24采用 ASD光譜儀測(cè)定了小麥條銹病的冠層光譜 ， 構(gòu)建了適合于監(jiān)測(cè)該病的光譜指數(shù) ; Muhammed 等 21利用小麥病害的冠層光譜 ， 進(jìn)行了病害特征的提取研究 同時(shí) ， 隨著傳感器制造技術(shù)的進(jìn)步 ， 研究者們?cè)絹碓絻A向利用圖譜合一的成像光譜數(shù)據(jù) Moshou 等 11， 23利用車載成像高光譜進(jìn)行小麥病害的實(shí)時(shí)監(jiān)測(cè) ; Zhang等 29采用一臺(tái)光譜范圍在 2002 500 nm 之間的成像光譜儀對(duì)小麥條銹病的病斑進(jìn)行了遙感探測(cè) ;Fiore 等 30利用成像高光譜技術(shù)成功識(shí)別了番茄黃祛病 1. 2 基于生境信息反演的病蟲害遙感預(yù)測(cè)對(duì)作物病蟲害進(jìn)行大范圍監(jiān)測(cè)和發(fā)生預(yù)測(cè)是植被定量遙感研究和應(yīng)用的重點(diǎn) 通常 ， 對(duì)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(duì)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(guān)的關(guān)鍵環(huán)境信息提取是作物病蟲害遙感預(yù)測(cè)的基礎(chǔ) 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(shù)據(jù)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(jī) 、無(wú)人機(jī) ) 平臺(tái)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(cè) 例如 ， 利用航天平臺(tái)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(cè)與預(yù)測(cè)研究進(jìn)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(shù)在不同田塊中的空間變異情況 ， 進(jìn)一步在田塊尺度上解析關(guān)鍵環(huán)境因子對(duì)小麥病蟲害發(fā)生的影響 31Wang 等 32通過對(duì)全國(guó) 15 個(gè)主要茶樹種植省的采樣分析 ， 發(fā)現(xiàn)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(guān)系 ， 發(fā)現(xiàn)線條花葉病毒在農(nóng)作物中的流行與長(zhǎng)季小麥品種的種植有關(guān) Gtz 等 34針對(duì)泰國(guó)和越南的 2 種主要煙粉虱 B tabaci Asia1 和 MiddleEast-Asia Minor 進(jìn)行了分析 ， 并發(fā)現(xiàn) 2 種煙粉虱在熱帶和亞熱帶地區(qū)存在物種替代現(xiàn)象 Graziosi 等 35發(fā)現(xiàn)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(duì) 5 個(gè)國(guó)家 、429 塊樣田的采樣分析 ， 發(fā)現(xiàn)遭受粉蚧和螨蟲侵染的木薯種植區(qū)分別達(dá)到了 70% 和 54%2 作物病蟲害遙感監(jiān)測(cè)方法近年來 ， 隨著高空間和時(shí)間分辨率國(guó)內(nèi)外衛(wèi)星的發(fā)射 ， 使得作物病蟲害遙感監(jiān)測(cè)技術(shù)在不同作物病蟲害脅迫早期的實(shí)時(shí) 、快速 、非破壞性的監(jiān)測(cè)和識(shí)別成為可能 中國(guó)的高分辨率對(duì)地觀測(cè)計(jì)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?qū)Φ赜^測(cè)數(shù)據(jù)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(guó)的風(fēng)云 ( FY) 系列 、資源 ( ZY) 系列 、環(huán)境 ( HJ) 系列等衛(wèi)星正構(gòu)筑起一個(gè)高頻度 、高空間分辨率 、多譜段 、全覆蓋的對(duì)地觀測(cè)系統(tǒng) 另一方面 ，無(wú)人機(jī)平臺(tái) ( 如大疆 、極飛 、全豐等 ) 和輕小型無(wú)人機(jī)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(cè)分辨率 ( 從米級(jí)提高至厘米級(jí) ) ， 同時(shí)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(gòu)數(shù)據(jù)中的互補(bǔ)信息形成具有更高分辨率和精度的時(shí)空連續(xù)數(shù)據(jù)集 ， 為大范圍的病蟲害監(jiān)測(cè)提供數(shù)據(jù)支撐 當(dāng)前國(guó)內(nèi)外研究成果主要基于高光譜和多光譜遙感特性 ， 針對(duì)不同病蟲害脅迫下的病理機(jī)制的差異 ， 在不同尺度的應(yīng)用條件下 ， 構(gòu)建作物病蟲害的遙感監(jiān)測(cè)和識(shí)別方法 2. 1 基于高光譜分析技術(shù)的遙感監(jiān)測(cè)研究高光譜作物監(jiān)測(cè)和脅迫診斷能夠同時(shí)支持圖像維和光譜維的信息提取 ， 能夠精細(xì)對(duì)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?yàn)槊{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(cè)研究結(jié)果表明 ， 可見 -近紅外波段和熒光波段是作物病蟲害監(jiān)測(cè)的 2 個(gè)主要的光譜監(jiān)測(cè) “窗口 ”2. 1. 1 可見 -近紅外光譜響應(yīng)特征光譜波段反射率特征是最簡(jiǎn)單和直接的特征 ，可見 -近紅外波段的光譜反射信號(hào)反映了植被脅迫引起的物理生化組分的變化 ， 已經(jīng)被廣泛地應(yīng)用于作物病蟲害的遙感監(jiān)測(cè)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(xiàn)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(dǎo)數(shù)特征對(duì)火瘟病進(jìn)行早期的遙感識(shí)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(jìn)而對(duì)病害的早期發(fā)生進(jìn)行判別 ;Purcell 等 43利用傅里葉變換 ( FT) 對(duì)甘蔗樣本的可見 -近紅外波段的光譜特征進(jìn)行提取 ， 再利用主成分分析和偏最小二乘建模 ， 對(duì)不同甘蔗病害進(jìn)行判別研究 ， 研究結(jié)果表明 ， 二階微分光譜對(duì)病害的識(shí)別具有顯著效果 ， 并在實(shí)際的病害早期識(shí)別和發(fā)生預(yù)測(cè)應(yīng)用中顯示出充足的潛力 另一方面 ， 基于植被指數(shù)形式的光譜特征也是病蟲害監(jiān)測(cè)中較為常用的特征 基于一定生理意義的植被指數(shù)能夠增強(qiáng)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(duì)葡萄卷葉病進(jìn)行診斷 ， 結(jié)果表明在綠波段和近紅外波段對(duì)病害脅迫有顯著的響應(yīng) ， 因此 ， 通過構(gòu)造植被指數(shù) ， 實(shí)現(xiàn)了對(duì)葡萄病害的遙感監(jiān)測(cè)和識(shí)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(gòu)造基于相關(guān)植被指數(shù)的核判別分析的非線性分類器 ， 研究表明在相關(guān)植被指數(shù)構(gòu)造的特征空間中 ， 基于Sigmoid 核函數(shù)對(duì)其進(jìn)行映射 ， 有利于加強(qiáng)樣本的類間距離 ， 提高類精度 ， 對(duì)多脅迫的小麥病蟲害遙感監(jiān)測(cè)與區(qū)分具有很強(qiáng)的應(yīng)用價(jià)值 在病蟲害的發(fā)生預(yù)測(cè)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(hào) ， 利用偏最小二乘回歸分析 ， 發(fā)現(xiàn)一階和二階光譜信號(hào)對(duì)枯萎病的侵染有敏感的響應(yīng) ， 研究還發(fā)現(xiàn) ， 提取可見 -近紅外光譜波段 ( 4001 300 nm) 的光譜信息進(jìn)行建模 ， 在滿足分類精度的同時(shí) ， 極大地提高了33學(xué)報(bào) ( 自然科學(xué)版 ) ， 2018， 10( 1) : 30-43Journal of Nanjing University of Information Science and Technology( Natural Science Edition) ， 2018， 10( 1) : 30-43運(yùn)算效率 ， 預(yù)測(cè)精度大于 87%; Chen 等 46對(duì)棉花黃萎病的冠層光譜進(jìn)行分析 ， 發(fā)現(xiàn) 680760 nm 的可見光波段和 7311 371 nm 的近紅外波段對(duì)黃萎病的侵染有顯著的響應(yīng) ， 利用這 2 個(gè)響應(yīng)區(qū)域構(gòu)造棉花黃萎病的冠層發(fā)生預(yù)測(cè)模型 ， 預(yù)測(cè)精度達(dá)到 82%;Shi 等 47對(duì)小麥條銹病和白粉病的冠層高光譜的小波特征進(jìn)行了定量提取和分析 ， 結(jié)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(duì)其進(jìn)行區(qū)分 ; Dela-lieux 等 48測(cè)量了 3502 500 nm 波段范圍內(nèi)的蘋果黑星病光譜響應(yīng)信號(hào) ， 通過構(gòu)建基于偏最小二乘和線性判別分析 ( PLS-LDA) 的決策樹算法 ， 對(duì)健康蘋果和感病蘋果進(jìn)行自動(dòng)識(shí)別和篩選 ， 結(jié)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(yīng) ， 而 580660 nm 以及688715 nm 的可見 -近紅外波段對(duì)表征病害中期的光譜特征并對(duì)其進(jìn)行識(shí)別和預(yù)測(cè)有更顯著的效果 大量的信號(hào)處理和機(jī)器學(xué)習(xí)算法被用于敏感波段選擇和目標(biāo)識(shí)別等光譜分析過程中 例如 ， oggo等 49對(duì)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(jīng)網(wǎng)絡(luò) ( NN)和支持向量機(jī) ( SVM) 等 8 種主流的分類算法進(jìn)行對(duì)比 ， 評(píng)價(jià)其在甜菜病害的光譜特征篩選和分類中的性能 ， 結(jié)果表明 DPLS、SIMCA 和 PCD 算法對(duì)病害的識(shí)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(jīng)網(wǎng)絡(luò)算法 ( PCA-BPNN) 和基于偏最小二乘的神經(jīng)網(wǎng)絡(luò) ( PLS-BPNN) 分別對(duì)茄子灰霉病冠層光譜進(jìn)行分類和識(shí)別 ， 結(jié)果表明 PCA-BPNN 算法對(duì)病害的識(shí)別精度達(dá)到 85%， 優(yōu)于 PLS-BPNN 算法的 78%上述關(guān)于病蟲害光譜監(jiān)測(cè)和預(yù)測(cè)特征的研究顯示 ， 病蟲害敏感光譜特征的波段位置和表現(xiàn)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(shí)際監(jiān)測(cè)中 ， 如何根據(jù)目標(biāo)病蟲害的監(jiān)測(cè)特點(diǎn) ， 研究特征的選擇和構(gòu)建方法 ， 找到高專一性的監(jiān)測(cè)特征是監(jiān)測(cè)中的關(guān)鍵問題 通過對(duì)敏感波段的篩選和組合 ， 大量的學(xué)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(shù) ， 用于對(duì)不同病蟲害脅迫的區(qū)分和識(shí)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(cè)和預(yù)測(cè)方面也取得了充分的發(fā)展 ， 其響應(yīng)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(yīng)效率及使用成本等方面的限制 ， 目前主要應(yīng)用在冠層尺度和近地表的田間病蟲害監(jiān)測(cè)和預(yù)測(cè)研究中 9， 21， 63-65例如 ， Aleixos 等 66利用光譜圖像對(duì)柑橘病害及其長(zhǎng)勢(shì)進(jìn)行分類 ; Grown 等 63利用多種圖像處理技術(shù)對(duì)近地面的高光譜影像進(jìn)行處理 ，實(shí)現(xiàn)了在田塊尺度上的小麥長(zhǎng)勢(shì)及質(zhì)量監(jiān)測(cè) ; Bravo等 67基于高光譜圖像建立了線性判別模型 ， 實(shí)現(xiàn)了對(duì)小麥條銹病發(fā)生的早期監(jiān)測(cè) ， 分類精度高達(dá)92%98%; Moshou 等 11分析了小麥條銹病在 460900 nm 范圍內(nèi)的光譜圖像的光譜特征和空間分布特征 ， 構(gòu)建了多層感知器用于小麥條銹病的監(jiān)測(cè)和管理 ， 結(jié)果表明 543、630 和 750 nm 波段組合下的分類效果最高 ， 對(duì)健康和發(fā)病樣本的分類精度分別達(dá)到 98. 9%和 99. 4%; Kumar 等 68利用無(wú)人機(jī)平臺(tái)的高光譜成像儀獲取柑橘種植園的高光譜影響 ， 結(jié)合“紅邊 ”參數(shù)和多種植被指數(shù)特征構(gòu)造了病蟲害的監(jiān)測(cè)預(yù)警系統(tǒng) ， 分類精度達(dá)到 84%2. 1. 2 熒光波段光譜響應(yīng)特征近 20 年來 ， 目標(biāo)地物的熒光特性越來越多地應(yīng)用在植被遙感監(jiān)測(cè)的研究當(dāng)中 ， 例如監(jiān)測(cè)脅迫等級(jí) 、長(zhǎng)勢(shì)狀態(tài)以及糧食估產(chǎn)等方面 69400 600 nm 和650800 nm 范圍是 2 種常用的熒光誘導(dǎo)波段 ， 利用這 2 個(gè)波段提供的植被熒光特性 ， 可以有效地對(duì)作物養(yǎng)分狀態(tài) 、脅迫狀態(tài)及生境狀況進(jìn)行監(jiān)測(cè) 70-72Belasque 等 71利用 532 nm 波長(zhǎng) 10 mW 的激光進(jìn)行主動(dòng)誘導(dǎo) ， 收集了柑橘主要生長(zhǎng)期長(zhǎng)達(dá) 60 d 的連續(xù)的熒光光譜數(shù)據(jù) ， 并對(duì)熒光光譜的光學(xué)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(jìn)行評(píng)價(jià) ， 結(jié)果表明熒光波段的響應(yīng)對(duì) 3 種脅迫有顯著的區(qū)分能力 ， 分類精度達(dá)到 87%; Lins 等 73通過田間控制實(shí)驗(yàn)和實(shí)驗(yàn)室測(cè)量獲取了柑橘萎黃病的實(shí)驗(yàn)室誘導(dǎo)熒光數(shù)據(jù) ， 該研究應(yīng)用 2 種指標(biāo)對(duì)健康和病害脅迫的柑橘葉片的熒光特性進(jìn)行評(píng)價(jià) ， 結(jié)果表明 ， 健康樣本和病害脅迫的熒光參數(shù)有顯著差異 ， 利用這種差異構(gòu)建的分類平面可以有效地對(duì)病害的發(fā)生進(jìn)行區(qū)分和識(shí)別 熒光成像技術(shù)是近年來新發(fā)展的植被遙感方法 ， 主要應(yīng)用 440450 nm 藍(lán)波段 、520550 nm 綠波段 、690 nm 紅波段 、740800 nm 近紅外波段進(jìn)行誘導(dǎo) 70， 72， 74， Lenk 等 72在其研究中對(duì)多種波段的激光誘導(dǎo)的熒光圖像在作物長(zhǎng)勢(shì)監(jiān)測(cè) 、光合效率 、病斑監(jiān)測(cè)等方面的應(yīng)用進(jìn)行了討論 在作物病蟲害監(jiān)測(cè)和預(yù)測(cè)方面 ， 目前的研究主要集中在藍(lán) -綠熒光和葉綠43黃文江 ， 等 作物病蟲害遙感監(jiān)測(cè)與預(yù)測(cè)研究進(jìn)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(shù)Table 3 The first derivative features， continuum features and vegetation indices used inhyperspectral feature discrimination for crop pests and diseases指標(biāo) 定義 特點(diǎn) 文獻(xiàn)微分光譜Db 藍(lán)波段一階微分最大值( 藍(lán)邊 ) 藍(lán)邊一般分布在 490539 nm 波段范圍 51bDb的波長(zhǎng) b表征了藍(lán)邊 Db處的波長(zhǎng) 51Db， S 藍(lán)波段一階微分光譜的和 表征了藍(lán)邊部分35 個(gè)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(zhǎng) y表征了紅邊 Dy處的波長(zhǎng) 51Dy， S 黃波段一階微分光譜的和 表征了黃邊部分35 個(gè)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(zhǎng) r表征了紅邊 Dr處的波長(zhǎng) 51Dr， S 紅波段一階微分光譜的和 表征了紅邊部分35 個(gè)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(shù)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?zé)晒獬上窦夹g(shù)的應(yīng)用方面 Chaerle 等 74利用藍(lán) -綠熒光圖像對(duì)煙草花葉病毒的侵染等級(jí)和空間分布進(jìn)行分類和制圖 ， 研究表明 ， 在葉片受病毒侵染時(shí)間達(dá)到 4055 h 時(shí) ， 550 和 800 nm 的熒光強(qiáng)度有明顯53學(xué)報(bào) ( 自然科學(xué)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(duì)熒光成像技術(shù)在小麥條銹病的分類和識(shí)別效果進(jìn)行了評(píng)價(jià) ， 該研究分別獲取了背景場(chǎng)的圖像和熒光誘導(dǎo)圖像 ， 從而獲取病害脅迫下的熒光信號(hào) ， 研究表明 ， 健康葉片和感病葉片在550 和 690 nm 激光誘導(dǎo)下的熒光強(qiáng)度有明顯差異 ，并通過構(gòu)造二次判別模型 ， 實(shí)現(xiàn)了對(duì)病害樣本和健康樣本的精準(zhǔn)分類 ， 分類精度達(dá)到 71%; Moshou等 23嘗試?yán)贸上窀吖庾V與熒光圖像融合的方法對(duì)小麥條銹病進(jìn)行監(jiān)測(cè)和識(shí)別 ， 結(jié)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(shí)現(xiàn)對(duì)病害發(fā)生的快速 、精準(zhǔn)的監(jiān)測(cè) ， 分類精度達(dá) 70%90%2. 2 基于航空 /航天平臺(tái)的多光譜遙感監(jiān)測(cè)研究當(dāng)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(shù)據(jù)有望與其他多源異構(gòu)信息進(jìn)行優(yōu)勢(shì)互補(bǔ) ， 形成具有更高分辨率和精度的時(shí)空連續(xù)數(shù)據(jù)集 ， 為病害的預(yù)警及流行區(qū)空間變化研究提供技術(shù)支撐 36， 76-77Huang等 16采用機(jī)載的 PHI 高光譜儀實(shí)現(xiàn)了小麥條銹病情嚴(yán)重度反演和填圖 ; Li 等 27通過航空高光譜影像對(duì)柑橘黃龍病進(jìn)行遙感分類監(jiān)測(cè)研究 ， 結(jié)果表明通過合理的特征和方法選擇能夠在獨(dú)立檢驗(yàn)的樣本中達(dá)到 60%以上的精度 在基于衛(wèi)星影像的研究方面 ，F(xiàn)ranke 等 12使用 Quickbird 影像對(duì)小麥病害進(jìn)行了識(shí)別和監(jiān)測(cè) ; Lin 等 36基于 SPOT-6 影像和 SAM 算法 ， 提出了結(jié)合地面高光譜和多光譜影像的小麥白粉病監(jiān)測(cè)方法 ， 對(duì)陜西關(guān)中地區(qū)小麥白粉病的發(fā)生進(jìn)行了監(jiān)測(cè) ， 精度可達(dá) 78%; Apan 等 78采用 “病 -水脅迫指數(shù) DWSI”對(duì)甘蔗銹病進(jìn)行識(shí)別 ， 基于 EO-1Hyperion 高光譜影像成功監(jiān)測(cè)了受病害影響的區(qū)域范圍 ; Lenthe 等 79通過對(duì)熱紅外影像進(jìn)行處理和分析 ， 在實(shí)驗(yàn)區(qū)域內(nèi)對(duì)小麥白粉病和條銹病的發(fā)生進(jìn)行了監(jiān)測(cè)識(shí)別 ， 監(jiān)測(cè)制圖精度達(dá)到 88. 6%; Yang等 80比較了多光譜和高光譜影像在監(jiān)測(cè)棉花根腐病上的效果 ， 發(fā)現(xiàn)采用多光譜影像亦能達(dá)到較滿意的制圖精度 ; Leucker 等 31針對(duì)甜菜葉斑病監(jiān)測(cè) ， 基于 400900 nm 的圖像立方體同時(shí)對(duì)光譜和圖像特征進(jìn)行提取和分析 ， 實(shí)現(xiàn)對(duì)病害的精確識(shí)別 ; Zhang等 15采用多時(shí)相環(huán)境星影像在區(qū)域尺度上對(duì)小麥白粉病進(jìn)行監(jiān)測(cè) ， 分別檢驗(yàn)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(diào)諧濾波的混合像元分解法 ( MTMF) 在病害監(jiān)測(cè)方面的表現(xiàn) ， 并提出一種耦合 PLS 和 MTMF 的監(jiān)測(cè)方法 ， 區(qū)域監(jiān)測(cè)制圖精度達(dá)到 78%基于航空 、航天平臺(tái)的大尺度病蟲害遙感監(jiān)測(cè)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(shí)別大豆的幾種葉部病害 ( 黃斑病 、黑點(diǎn)病 、瘡痂病 ) 時(shí) ， 采用了 13 個(gè)紋理特征進(jìn)行分析 ， 識(shí)別精度達(dá)到 95%; Kim 等 56基于顏色共生矩陣方法提取了信息熵 、對(duì)比度等紋理特征對(duì)柚皮病進(jìn)行檢測(cè) ， 成功實(shí)現(xiàn)了病害識(shí)別 ， 分類精度達(dá)到96. 7%進(jìn)一步地 ， Wang 等 82結(jié)合圖像顏色 、紋理 、形狀等特征對(duì)番茄瘟病 、紋枯病和胡麻斑病進(jìn)行區(qū)分和監(jiān)測(cè) 此外 ， 值得注意的是近年來一些研究者針對(duì)病蟲害癥狀特點(diǎn)提出了一些新的圖像形態(tài)學(xué)分析方法 ， 如 Yao 等 83基于圖像的方向一致性特征對(duì)小麥條銹病與白粉病進(jìn)行了識(shí)別 ， 準(zhǔn)確率達(dá)到 90%以上 在大尺度上 ， 有時(shí)病蟲害的發(fā)生會(huì)在空間上呈現(xiàn)出一些景觀特征 ， 因而可以通過對(duì)遙感影像進(jìn)行分析輔助識(shí)別 Backoulou 等 77基于航拍多光譜影像 ，在監(jiān)測(cè)小麥俄羅斯蚜蟲時(shí)首先采用簡(jiǎn)單的色度指標(biāo)對(duì)圖像進(jìn)行分割 ， 然后對(duì)景觀中異常斑塊的面積 、形狀 、隔離 /連通度和聚集度進(jìn)行分析 ， 并基于這些指標(biāo)有效識(shí)別了蟲害脅迫的田塊 在這一方向上 ， 成像光譜技術(shù)由于具有圖 -譜合一的天然優(yōu)勢(shì) ， 方便同時(shí)從圖像和光譜兩方面對(duì)病蟲害進(jìn)行特征提取和監(jiān)測(cè) ， 因此得到了研究者的關(guān)注 總體上