基于无人机高光谱影像的冬小麦全蚀病监测模型研究

郭 伟 朱耀辉 王慧芳 张 娟 董 萍 乔红波

(1.河南农业大学信息与管理科学学院， 郑州 450002； 2.北京市气象局北京气候中心， 北京 100089)

0 引言

小麦全蚀病是世界各小麦产区危害十分严重的一种毁灭性病害，全蚀病的发生会引起植株成簇或大片枯死，严重时减产一半以上，甚至绝收，造成严重的产量损失，因此防治小麦全蚀病对保障国家粮食安全至关重要[1-4]。全蚀病为土传病害，一旦发病，次年发病概率较高，且预防来年小麦全蚀病的拌种剂价格昂贵。针对这一特点，在空间上及时、精确地监测当年小麦全蚀病的发病区域，估测病害严重度，可预测下一年的易发病区域，精准施药，降低生产成本，从而指导人们防治全蚀病病害。

小麦全蚀病由根部感染全蚀病菌引起，幼苗期植株矮小，灌浆期 “白穗”是其典型病状。采用遥感技术可以快速、准确获取其染病区域的空间信息。目前，基于传统遥感技术的作物病虫害监测已经广泛应用于作物病害监测。但是在获取农作物冠层光谱时，传统的非成像近地光谱仪每次只能获取单点光谱数据，而近地成像光谱仪受到平台高度的限制，获取的影像范围非常有限，且在大田环境中难以获取正射影像；遥感卫星虽可以快速获取大面积农田的影像，但受卫星过境时间、天气等条件限制较多，且成本较高[5]；近年来，无人机遥感技术以其数据测量时间灵活机动、时空分辨率高、观测范围大等优势，在农田生态环境信息监测与获取中开始应用[6-9]，但目前农业无人机遥感多以普通数码相机和多光谱相机为主要传感器，所获取的影像数据波段少、光谱信息有限，这些不足限制了遥感技术在农作物病虫害监测中的应用。低空无人机搭载高分辨率成像光谱仪对小麦病虫害进行空间监测可以很好地弥补以上不足。近年来，国内外已经陆续出现了利用无人机高光谱成像仪进行农田监测的研究[10-12]。初步评价了无人机成像高光谱数据在农业应用方面的潜力，并利用无人机高光谱技术对作物长势及生理生化参数进行估算。但在作物病虫害空间监测方面的研究鲜有报道。

本研究以低空无人机作为遥感平台，使用高光谱分辨率的新型成像光谱仪，以患全蚀病冬小麦为研究对象，结合地面调查数据和近地高光谱数据，客观评价无人机高光谱遥感数据质量，运用高光谱技术，综合分析不同光谱指数和最小二乘法在冬小麦全蚀病病情指数估测的能力，并通过低空无人机获取的高光谱成像数据实现冬小麦全蚀病病情指数的空间反演分布，以期为基于无人机高光谱遥感的作物病虫害空间监测积累经验。

1 材料与方法

1.1 试验地概况

试验在河南省中南部的漯河市郾城区裴城镇(33°43.1′N，113°49′E)进行，试验地长112 m、宽26 m，如图1所示。试验冬小麦品种为矮抗58，于2016年10月12日播种，冬小麦生长期间的栽培措施同一般高产田。

1.2 数据获取与处理

1.2.1病情指数调查

图1 研究区示意图Fig.1 Schematic of study area

数据获取时间为2017年5月21日，此时为冬小麦灌浆期，患全蚀病冬小麦的“白穗”特征最为明显。依据病害程度的不同，随机选取40个样点，于每个样点西南方向45°处插入标记板并使用差分GPS记录位置信息。获取样点冠层光谱数据和无人机高光谱成像数据后，以每一个光谱测定样点右前方1 m×1 m处作为病情指数调查样方，按照GB/T 17980.109—2004规定，每个样方按照传统的五点取样方法选取小麦样本，每个样方取1 m长双行冬小麦调查总穗数及白穗数。取回样品由植保专业实验员在实验室环境下提取病害组织置于培养基培养，纯化病原菌采用柯赫氏法则确定病原菌，鉴定冬小麦全蚀病病株。清水冲洗样品根系，在白色背景下调查根系发病情况，根据每个植株根部受侵染面积的百分比计算病情级数，病情级数分类标准如表1所示。

表1 冬小麦全蚀病病情级数分类标准Tab.1 Classification criteria for winter wheat take-all grade

白穗率从冠层角度反映了冬小麦发病区域和面积，病情级数则是从根系角度反映了冬小麦患全蚀病的严重程度。病情指数是全面考虑发病率与严重度的综合指标，作为本文评价冬小麦全蚀病患病程度的综合指标。其计算公式为

(1)

(2)

式中WHR——白穗率DWH——枯白穗数

TWE——总穗数AGWH——各级白穗数

TWH——总白穗数DG——病情级数

HDG——最高病情级数

DI——病情指数

1.2.2无人机高光谱成像数据

无人机遥感平台如图2所示，包含八旋翼无人机、飞行控制系统、成像高光谱仪、微型单板计算机Pokini Z、无线遥感系统、地面控制系统和数据处理系统。其中八旋翼无人机为天途公司生产的AZUP-T8，单臂长60 cm，机身净质量7 kg，可载质量10 kg，续航时间为30 min；成像光谱仪为Cubert UHD185，拍摄方式为全画幅、非扫描、实时成像，光谱范围为450～950 nm，波段数125，光谱采样间隔4 nm，光谱分辨率8 nm。无人机遥感作业在天气晴朗无云、风速较小时进行，航速6 m/s，航高50 m，航向重叠度80%，旁向重叠度60%，地面控制站通过无线网络远程遥控Pokini Z运行，并将拍摄数据存储在Pokini Z中。

UHD185型机载高速成像光谱仪获取的数据包含：空间分辨率21 cm的高光谱立方体影像；空间分辨率1 cm的全色jpg图像。UHD185遥感数据预处理包括两部分：高光谱立方体影像的拼接和试验区域样点冬小麦冠层平均光谱的提取。采用德国Cubert公司研发的Cube-Pilot软件与Agisoft LLC公司研发的Agisoft PhotoScan软件进行高光谱影像拼接，高光谱影像拼接流程如图3所示。

图2 无人机高光谱设备与遥感影像采集Fig.2 UAV hyperspectral equipment and remote sensing image acquisition

图3 高光谱影像的拼接流程图Fig.3 Splicing process of hyperspectral image

1.2.3冠层光谱数据

地面数据采集工作与无人机空中作业同步开展。在进行冬小麦全蚀病病情指数调查前，先对样点进行光谱测量。光谱测量采用美国ASD HandHeld手持地物光谱仪，光谱范围为 325～1 075 nm，光谱采样间隔为1 nm，光谱分辨率为3 nm，每次采集目标光谱前均进行参考板校正，传感器探头垂直向下，且探头高度始终距离地面1.3 m(此时小麦平均株高为0.78 m)，探头视场角25°，地面视场范围直径为50 cm，每个样点均随机采集10次光谱数据，取其平均值作为该采样点的光谱测量值，并用标记板标记样点序号，同时用差分GPS记录样点经纬度坐标。

以ASD Viewspec-pro软件处理光谱数据。为了更好地反映不同病害程度在冠层光谱上的响应特点，依据前人研究[13-15]根据不同DI值将其划分为4个病害等级，分别是正常(0)、轻微(0～30%)、中等(30%～50%)和严重(>50%)。

1.3 方法

1.3.1光谱指数的构建

为了更好地反映病情指数与光谱信息之间的关系，本研究从拼接后的UHD185高光谱影像上提取每个样点的平均光谱数据，在450～950 nm范围内将任意两个光谱波段构建光谱指数，以便更好地利用光谱信息。光谱指数是不同光谱波段的植被-土壤系统的反射率因子以一定的代数形式组合而成的一种参数[16],依据小麦患全蚀病后的外部及生理特征和前人研究进展[17-18]选取能够较好反映植物结构或者叶面积指数、生物量等生理活性参数的归一化差异光谱指数(NDSI)、差值光谱指数(DSI)和比值光谱指数(RSI)，定义为

(3)

DSI(Ri,Rj)=Ri-Rj

(4)

(5)

式中Ri——450～950 nm波段内的第i个波长对应的光谱反射率

Rj——450～950 nm波段内的第j个波长对应的光谱反射率

实现工具为Matlab 2015b。

通过任意两波段构建DVI、NDSI和RSI与病情指数的决定系数等势图，寻找具有更高预测能力的光谱指数和敏感波段。

1.3.2偏最小二乘回归

偏最小二乘回归(Partial least squares regression, PLSR)方法已经被广泛应用到植被生理参数估测中。其在多元线性回归方法的基础上，结合了主成分分析(PCA)和典型相关分析(CCA)的思想，这样自变量之间相互独立且能够最大程度反映与因变量之间的差异，解决了多元线性回归分析中常常遇到的小样本以及多重共线性问题。本研究将每个样点的病情指数(DI)作为因变量，构建的3种光谱指数作为自变量，建立PLSR预测模型，预测病情指数。

1.3.3统计分析

1.3.3.1决定系数

决定系数R2为评价UHD185和重采样后ASD的光谱反射率的相关性，以及各个样点DI值与光谱指数构建模型的相关性评价标准。R2越大，表示参与评价的变量间相关性越好，参考价值越大；R2越小，表示两者相关性较差，参考价值越低。

通过Matlab软件编辑代码计算462～874 nm(4～102波段)范围内任意两波长构建的差值光谱指数(DSI)、归一化差异光谱指数(NDSI)和比值光谱指数(RSI)，并构建小麦全蚀病病情指数的R2等势图，选出线性关系最优的波段组合，分析对比具有较高预测能力的光谱指数。

1.3.3.2均方根误差和平均绝对误差

均方根误差(Root mean square error, RMSE)和平均绝对误差(Mean absolute error, MAE)被用来作为评价估算病情指数值与实测病情指数值的标准。

对于病情指数，RMSE对较大误差非常敏感，RMSE越小，表示对病情指数的估算精度越高。MAE将各次测量值的绝对误差取绝对值后再求平均值，平均绝对误差由于离差被绝对值化了，平均误差可以更好地反映预测值误差的实际情况，同时使用RMSE和MAE有助于更好地分析误差，避免个别误差造成RMSE过大。

2 结果与分析

2.1 UHD185影像可靠性评价

UHD185成像高光谱数据由高光谱影像与全色影像融合得到，在利用其进行冬小麦全蚀病监测前，评价其光谱数据的可靠性是必要的。与无人机空中拍摄成像高光谱影像同步作业的ASD地物光谱仪在农业遥感中已被广泛使用，其光谱信息往往作为作物长势和病虫害监测的重要依据[17-19]，因此本文以ASD光谱数据为标准，在每个样点西南方向插入标记板并使用差分GPS记录位置信息。利用地面布设标记板来确保采集的ASD与UHD185光谱数据为相同样点测量区域，通过对比ASD与UHD185的光谱反射率，对UHD185数据进行可靠性评价。

图5 不同病害等级的UHD185与重采样ASD光谱反射率的相关性Fig.5 Correlation between UHD185 and resampled ASD spectral reflectance at different disease grades

首先，将ASD光谱数据重采样为UHD185波段，分别计算不同病害等级的UHD185与ASD光谱数据的平均光谱反射率，如图4所示。UHD185光谱曲线与ASD光谱曲线的变化趋势总体一致。UHD185在550 nm附近出现“绿峰”特征，在680 nm附近出现“红谷”特征，与ASD光谱曲线相符。原因在于冬小麦冠层光谱反射率随叶片中叶绿素含量的增加而减少，由于叶绿素水平的升高，相应叶片光合作用增强，对红蓝光吸收能力增强，相应的光谱反射率减少[20]；在680～750 nm的红边区域，两者的光谱反射率急剧上升，此波段内光谱曲线对应斜率最大值的波长是红边位置REP；在770～910 nm的近红外区域，相同冬小麦全蚀病病害等级的冠层光谱曲线近似一致，呈现近红外高反射平台，不同病害等级间ASD和UHD185光谱反射率由大到小为正常、轻微、中等、严重，原因是冬小麦白穗程度越高，冬小麦冠层叶片中水分越少，叶绿素含量、氮含量和叶面积指数减少，导致冠层光谱在近红外波段的反射率也随之降低，BONHAM-CARTER[21]的研究验证了近红外波段反射率与氮素水平正相关，与本文结果相似；在910 nm之后，ASD和UHD185光谱反射率逐渐降低，且UHD185光谱曲线波动性较大。

图4 不同病害等级UHD185光谱曲线与重采样的ASD光谱曲线对比Fig.4 Comparison between UHD185 spectral curves and resampled ASD spectral curves at different disease grades

然后，计算冬小麦冠层的重采样ASD和UHD185光谱反射率在462～874 nm(4～102波段)波段内的线性关系，结果表明，两者决定系数R2均在0.97以上，如图5所示。综上两方面的分析得出，在462～874 nm(4～102波段)范围的UHD185光谱数据最为可靠，可利用其对不同全蚀病冬小麦病害等级进行精准分类。

2.2 基于成像高光谱数据的冬小麦全蚀病病情指数预测模型

2.2.1估测冬小麦全蚀病病情指数的最优光谱指数

图6为任意两波长组合构成的DSI(Ri,Rj)、NDSI(Ri,Rj)和RSI(Ri,Rj)与病情指数的决定系数等势图。

图6 任意两波长组合构成的DSI(Ri,Rj)、NDSI(Ri,Rj)和RSI(Ri,Rj) 与病情指数的决定系数等势图Fig.6 Contours of R2 between disease index and DSI(Ri,Rj), NDSI(Ri,Rj) and RSI(Ri,Rj)

从图6的R2等势图中可看出估测冬小麦全蚀病病情指数的光谱指数最优波段组合。对于DSI(Ri,Rj)(图6a)，R2>0.5的波段区域为730～874 nm与462～760 nm的波段组合，其中DSI(R818,R534)波长组合的相关性最好，决定系数R2达到了0.860 5；对于NDSI(图6b)，R2>0.5的波段区域为510～710 nm与740～850 nm、550～660 nm与550～580 nm，其中NDSI(R530,R758)波长组合的相关性最好，决定系数R2达到了0.653 6；对于RSI(图6c)，R2>0.5的波段区域为510～710 nm与740～850 nm、550～660 nm与550～580 nm，其中RSI(R758,R530)波长组合的相关性最好，决定系数R2达到了0.659 0，如表2所示。

表2 特征波长组合的光谱指数与病情指数相关性Tab.2 Correlation between spectral index and disease index of characteristic band combination

从波段位置看，DSI、NDSI和RSI所优选出的波段距550 nm“绿峰”非常近，说明其构建的DSI(R818,R534)、RSI(R530,R758)和NDSI(R758,R530)与病情指数的相关性受叶片色素含量影响较为明显，这是由患全蚀病冬小麦的白穗特征导致；整体而言，DSI光谱指数与冬小麦全蚀病病情指数相关性最好，DSI与全蚀病冬小麦病害指数的敏感性波段相较于NDSI、RSI更宽，冬小麦全蚀病病情指数与矩阵联立形式任意波段组合的相关性也最高，验证了DSI(R818,R534)在精准监测冬小麦全蚀病病害的能力上优于NDSI(R758,R530)、RSI(R530,R758)。

2.2.2基于光谱指数的冬小麦全蚀病DI模型构建及检验

基于本研究中UHD185高光谱影像提取的40个样点数据，其中20个样点作为建模集，另外20个样点作为验证集，以冬小麦全蚀病DI为因变量，分别以DSI、NDSI和RSI为自变量，建立冬小麦全蚀病病情指数高光谱监测模型。通过建模得出3个模型的决定系数R2均在0.65以上，其中DSI(R818,R534)与病害指数的相关性最高，R2=0.860 5，RMSE=7.3%，MAE=19.1%；其次为RSI(R530,R758)，R2=0.659 0，RMSE=11.5%，MAE=20.6%；NDSI(R758,R530)与病害指数的相关性最低，R2=0.653 6，RMSE=11.6%，MAE=38.9%。综上可知，DSI(R818,R534)对冬小麦全蚀病病情指数的监测精度最高，并采用同期独立验证数据对3个模型的监测精度进行检验，验证精度R2均在0.6以上，其中DSI(R818,R534)构建的模型验证精度最高(R2=0.76，RMSE=14.9%，MAE=11.7%，验证样本数n=20)，结果如图7所示。

2.2.3冬小麦全蚀病估测的偏最小二乘模型

为探讨多元线性回归模型对冬小麦全蚀病DI的估测精度，本研究利用偏最小二乘回归分析(PLSR)的方法，选取与光谱指数法相同的建模样本，通过3种光谱指数与病情指数进行模型的构建，得到多元线性回归模型y=0.576 6-2.604 6DSI(R818,R534)-0.015 0NDSI(R758,R530)+0.390 3RSI(R530,R758)，模型预测值与实测值的散点图如图8所示(R2=0.629 2,RMSE=10.2%,MAE=16.6%)。由偏最小二乘回归分析结果可得出，相较于DSI(R818,R534)差值光谱指数，NDSI (R758,R530)和RSI(R530,R758)对回归模型的贡献度均较低，DSI(R818,R534)对模型贡献度最高，与2.2.1节光谱指数和病情指数之间相关性结果一致。所以，本文最终利用DSI光谱指数单独与病情指数构建线性回归模型y=-6.490 1DSI(R818,R534)+1.461 3(R2=0.860 5,RMSE=7.3%,MAE=19.1%)。

图7 病情指数反演与验证Fig.7 Retrieving and validation of disease index

图8 利用PLSR得到的实测值与预测值的相关性Fig.8 Correlation between predicted and measured disease indexes based on PLSR

2.3 冬小麦全蚀病病情指数反演与精度验证

经过校正拼接处理后的无人机高光谱影像见图9。从影像中提取40个样点的DSI(R818,R534) 以构建冬小麦全蚀病病害指数估测模型，并应用于灌浆期的无人机高光谱影像，依据病害分级标准，通过ArcGIS 10.2软件对冬小麦全蚀病病情指数阈值进行划分，得到研究区域冬小麦全蚀病病情指数等级空间分布图，见图 10。通过独立验证数据集对该模型进行验证，得到模型预测值与实测值的验证精度(R2=0.76，RMSE=14.9%，MAE=11.7%，n=20)。

图9 高光谱影像及采样点分布Fig.9 Hyperspectral imagery and samples distribution in study area

图10 冬小麦全蚀病病情指数等级空间分布图Fig.10 Spatial distribution of disease index of wheat take-all in study area

综上可知，通过对PLSR、线性回归模型的建模精度进行检验，可得验证精度R2均在0.62以上，其中DSI(R818,R534)构建线性回归模型的精度更高。因此本文采用DSI(R818,R534)与DI构建的线性回归模型y=-6.490 1x+1.461 3进行研究区冬小麦全蚀病的病害等级反演。

3 结论

(1)在462～874 nm波长范围内(4～102波段)，UHD185成像光谱仪与ASD手持地物光谱仪所获取的不同病害程度的冬小麦全蚀病光谱特征具有良好的一致性，二者光谱数据相关性显著，决定系数R2达0.97以上，说明其数据具有较高的精度与准确性。

(2)冬小麦全蚀病病情指数与冠层反射率在734～874 nm波长范围内呈显著负相关。病害指数越高，冬小麦冠层光谱反射率越低。

(3)将DSI(R818,R534)、NDSI(R758,R530)和RSI(R530,R758)作为自变量与病情指数构建偏最小二乘回归模型，尽管参与估测的光谱指数更为丰富，但模型验证结果为R2=0.629 2,RMSE=10.2%,MAE=16.6%，其中DSI(R818,R534)对模型贡献度最高，然而对DI 的估测较光谱指数DSI(R818,R534)模型精度差，只能粗略估测病情指数。

(4)DSI(R818,R534)差异光谱指数构建的线性回归模型为病情指数的最优估测模型，模型精度为R2=0.860 5,RMSE=7.3%,MAE=19.1%，模型验证精度为R2=0.76，RMSE=14.9%，MAE=11.7%。将构建的线性模型应用于无人机成像高光谱影像，并把反演后的病情指数分成4个等级，生成研究区冬小麦全蚀病病情指数等级空间分布图，为来年防治冬小麦全蚀病精准拌种提供了底图，也为冬小麦及其他作物病害在田块尺度上的监测提供了解决思路。