基于无人机多光谱影像的槟榔黄化病遥感监测

赵晋陵，金 玉,，叶回春，黄文江,，董莹莹，范玲玲，马慧琴，江 静,

·农业航空工程·

基于无人机多光谱影像的槟榔黄化病遥感监测

赵晋陵1，金 玉1,2，叶回春2,3※，黄文江1,2,3，董莹莹2，范玲玲1，马慧琴2，江 静1,2

（1. 安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心，合肥 230601； 2. 中国科学院空天信息创新研究院，北京 100094； 3.海南省地球观测重点实验室，三亚 572029）

黄化病是一种严重危害槟榔生长的病害，迫切需要及时、准确地监测其侵染的严重度差异和空间分布。低空无人机遥感可有效解决槟榔种植区由于多云雨天气而造成光学卫星影像获取不足，提高槟榔黄化病监测的实时性。该文利用大疆精灵Phantom 4 Pro V2.0四旋翼无人机搭载MicaSense RedEdge-M多光谱相机获取5波段多光谱影像，基于最小冗余最大相关算法（Minimum Redundancy Maximum Relevance，mRMR）从15个潜在的植被指数中优选比值植被指数（Ratio Vegetation Index，RVI）、改进的简单比值指数（Modified Simple Ratio Index，MSR）和花青素反射指数（Anthocyanin Reflectance Index，ARI）作为敏感特征，分别利用后向传播神经网络（Back Propagation Neural Network, BPNN）、随机森林（Random Forest, RF）和支持向量机（Support Vector Machine, SVM）分类算法，构建了槟榔黄化病严重度监测模型。结果表明，BPNN模型总体精度达到91.7%，分别比RF模型和SVM模型提高6.7%和10.0%，且Kappa系数为0.875，为所有模型中最高，漏分、错分误差也最小，健康，轻度和重度分别为11.1%、15.8%，13.6%、9.5%和0、0。研究结果证明了无人机多光谱遥感影像监测槟榔黄化病的可行性，同时也可为其他热带作物病害监测提供案例研究。

无人机；遥感；槟榔黄化病；多光谱影像；敏感特征

0 引 言

槟榔（.）主要生长在热带和亚热带地区，是中国海南省的第一大热带经济作物[1]。然而，病害的频繁发生和严重度加剧已严重影响了槟榔种植业的发展。作为一种严重危害槟榔的传染病害，黄化病最早发现于印度，1981年在海南省屯昌县药材场出现，之后频繁发生，危害日益严重[2]，迫切需要及时、准确地监测病害发生的严重度空间分布，以便于实施早期防控。前期的调查方式主要基于地面人工调查，但耗时、费力、主观性强，严重影响了槟榔黄化病监测的及时性和有效性，不适于大面积快速监测与统防统治。

航天遥感技术的出现，为作物病虫害大面积、快速、准确监测提供了重要的技术手段[3]。Jonas等[4]基于病害前后的QuickBird影像开展小麦白粉病和条锈病的识别研究，识别精度达到88.6%。Zhang等[5]利用多时相中分辨率HJ-CCD影像，监测了区域尺度的小麦白粉病发生、发展情况。da Rocha等[6]选用Landsat-8 OLI遥感影像监测咖啡豆坏死病。由于卫星光学影像在成像过程中经常受到云、雨、雾等恶劣天气的影响，尤其在热带地区经常难以获取可用的遥感影像。相比之下，无人机可在云下飞行，具有成本低、操作简单、获取影像速度快、影像分辨率高等优势，有效弥补了光学卫星遥感和普通航空摄影易受云层遮挡的缺陷[7-9]。Su等[10]基于无人机航拍的多光谱影像，采用贝叶斯优化的随机森林方法建立了小麦条锈病监测模型。兰玉彬等[11]利用无人机采集的柑橘园高光谱影像，通过K近邻法和支持向量机法（Support Vector Machine，SVM）构建柑橘黄龙病判别模型。Backoulou等[12]利用色度指标法分割无人机多光谱影像，通过分析常斑块的面积、形状、连通度与聚集度等指标，有效识别了小麦蚜虫侵害的田块。上述研究表明，先前的作物病害遥感监测研究多基于卫星遥感数据，研究对象也主要集中于小麦、水稻等大田作物。无人机遥感技术为作物病害识别和监测提供了快速、高效的手段，但用于槟榔黄化病的监测研究还鲜有报道。

在构建作物病害遥感监测模型时，由于建模因子中存在不相关、弱相关或者冗余特征，会影响模型的分类精度和泛化能力。例如：相关分析法只对所选特征进行相关性分析，没有剔除无效的冗余特征，降低了分类模型的学习性能[13]；T检验方法只显示了特征的类间差异，并没有充分体现特征与类标签之间的联系[14]。相比之下，最小冗余最大相关算法（Minimum Redundancy Maximum Relevance，mRMR）具有保证特征与类别最大相关性的同时去除冗余特征的优势，已广泛应用于目标识别[15]、遥感影像分类[16]、病虫害遥感监测[17]等研究中。基于上述分析，由于海南多云雨天气，极大限制了光学卫星遥感影像的获取，本研究采集无人机多光谱影像，选用mRMR筛选对槟榔黄化病敏感的特征，并利用BP神经网络（Back Propagation Neural Network，BPNN）、随机森林（Random Forest，RF）和SVM 3种分类算法分别构建槟榔黄化病的遥感监测模型，对比获取最优的监测方法，以期为大面积槟榔黄化病监测与防控提供方法参考和案例支撑。

1 数据和方法

1.1 研究区

研究区位于海南省万宁市北大镇的一处槟榔林（18°54'41.66" N，110°17'46.01" E）（图1），属热带季风气候，年平均气温23.6 ℃，最冷月平均气温18.7 ℃，最热月平均气温28.5 ℃，年降水量约2 200 cm，年平均日照时数1 800 h以上。地处丘陵山区，土壤类型主要为红壤土和沙壤土。万宁市是海南省槟榔种植面积最大的市，2018年种植面积达18 138 hm2，占海南全省种植面积的16.5%[18]。槟榔黄化病已对本市槟榔种植造成了严重威胁，有调查结果显示，万宁市南部地区的槟榔黄化病平均发病率达39.6%[19]。本研究所选实验地水肥条件良好，槟榔黄化现象主要由黄化病导致。

图1 研究区地理位置及样本点空间分布

1.2 数据获取与处理

1.2.1 地面样点数据采集

地面调查于2018年12月10日上午10:00－12:30进行，共采集60个样点数据。研究区域面积为13.4 km2，槟榔树高10～15 m。首先人工现场初步判定染病程度，并利用亚米级高精度GPS接收机定位；然后采用无人机搭载高清数码相机，在距离槟榔树冠层高约10 m处垂直向下拍摄，通过图像处理计算叶片黄化面积占整个植株冠层面积的百分比。由于目前尚未有槟榔黄化病划分的行业标准，综合考虑病害为害特征及遥感影像可分性，将发生严重度划分为3个等级：健康（<1%）、轻度（1%～10%）和重度（≥10%），样本数分别为18、22和20。

1.2.2 无人机遥感数据获取与预处理

无人机平台使用大疆精灵Phantom 4 Pro V2.0四旋翼无人机，整机（含电池和桨）质量为1.375 kg，最大水平飞行速度72 km/s，最大飞行高度为6 000 m。搭载的传感器为美国Micasense公司生产的MicaSense RedEdge-M多光谱相机。该相机可同时获取5个波段数据，包含可见光波段、近红外波段和红边波段，具体参数如表1所示。在开展病害地面调查实验的同时进行无人机飞行实验。飞行时光照条件良好，且风力小于3级。无人机航拍实验前后，均在地面放置一块校准反射面板，使相机尽可能垂直面板。该操作主要用于像元值的相对定标，获取精准的反射率数据。为获取稳定的影像信息，起飞前首先规划好飞行航线，使无人机按照预先设定好的航线进行拍摄，飞行范围覆盖整个研究区域。飞行航高设为60 m，巡航速度为7 m/s，影像空间分辨率为4 cm，旁向重叠率为80%，航向重叠率为70%。获取无人机影像后，利用Pix4D Mapper软件对影像进行拼接，然后进行几何校正、辐射定标、裁剪等预处理[20]。

表1 MicaSense RedEdge-M多光谱相机参数

1.3 输入变量确定

1.3.1 特征选择

槟榔感染黄化病后，外部形态会发生变化，如叶片变黄、枯萎等；其内部生理也会发生变化，如叶绿素和水分含量下降等。无论是形态还是生理的变化，都会引起槟榔光谱信息的改变。植被指数将蓝波段、绿波段、红边波段等对大气、植被、土壤敏感的光谱波段进行线性或非线性组合，综合体现绿色植被的叶面积指数（Leaf Area Index，LAI）、盖度、叶绿素含量、绿色生物量、吸收光合有效辐射（Absorbed Photosynthetically Active Radiation，APAR）等参数[21]，已被广泛应用于作物病虫害的遥感监测和诊断研究中，取得了令人满意的分类精度[22]。基于预处理后的无人机多光谱影像，初步选取15个常用于植被长势和病虫害监测的植被指数作为监测槟榔长势和病害胁迫的候选特征集，如表2所示。

表2 用于槟榔黄化病监测的植被指数

注：Blue、Green、Red和NIR分别表示蓝波段、绿波段、红波段和近红外波段反射率；R(=550、670、678、700、800和5 670 mm)表示对应波数的反射率。

Note:Blue,Red,GreenandNIRrepresents the reflectivity of blue waveband, green waveband, red waveband and near-infrared waveband, respectively;R(=550, 670, 678, 700, 800 and 5 670 mm)is the reflectivity of corresponding wavelength.

1.3.2 特征变量优选

由于不同特征变量之间会存在一定的相关性，从而带来较多的冗余数据，增大计算量，因此对初选的15个植被指数进行优选，得到反映槟榔黄化病最敏感的植被指数。相比于相关分析法、T检验法，mRMR算法能够得到相关度高且冗余性小的特征数据集，同时考虑到所选特征与黄化病严重度之间的相关性以及特征之间的冗余性。mRMR算法利用互信息作为度量标准[38]，主要思想是从特征空间中找出个最优特征，这个特征与目标类别之间拥有最大相关性，且特征之间冗余性最小。特征集与类的相关性由各个特征x和类之间的所有互信息值的平均值的关系为

集合中所有特征的冗余（）由特征x与特征x之间的所有互信息值的平均值表示：

式中(x,)、(x,x)分别为特征和类之间、特征与特征之间的互信息。其中，互信息(,)的计算公式为

式中()、()为随机变量、的概率密度函数，()为和的联合概率密度函数。

联合（1）和式（2），得到基于mRMR选择特征的目标函数为

max(−R) （4）

1.4 建模方法

基于Matlab软件平台，选用BPNN、RF和SVM 3种算法分别构建槟榔黄化病发生严重度监测模型，并对结果进行比较分析。

1.4.1 BPNN算法模型

BPNN是一种多层前馈神经网络，具有信号向前传播、误差反向传播的特点，主要以误差逆向传播算法训练模型，是目前应用最广泛的神经网络[39]。基本思想是梯度下降法，使得到的实际输出值与期望输出值之间的误差均方差最小。本文BPNN主要构建2层神经网络，即隐藏层和输出层，具体实现过程如下：

1）输入数据集。给定随机划分的训练集P_train和验证集T_test，以及训练标签P_class和验证标签T_class。

2）数据归一化。使用mapminmax函数进行数据归一化，将数据映射到[0, 1]范围内，避免输入和输出数据的显著差异。

3）建立神经网络，并设置网络参数。

4）设置训练参数，进行网络训练。设置迭代次数为200次，学习率设置为0.001，训练误差目标为10-4，最大失败次数为10。使用train（net, P, T）函数进行网络训练。

5）网络仿真，使用sim（net, 测试矩阵）函数。根据预测值和期望值求得BPNN总体识别精度。

1.4.2 RF算法模型

RF是一种基于集合学习的组合分类算法，中心思想是：利用自助法（Bootstrap）从原始训练样本集中有放回地随机抽取个样本，进行次采样后，得到个训练集；分别基于每个新的训练集建立模型，得到个决策树模型；将生成的个决策树组成随机森林，并以多棵树分类器投票决定最终的预测结果[40]。在训练阶段构建多个决策树，其中最终的类输出是单个决策树类的模式。建模时，设置决策树个数ntree为500，其他参数取默认值。

1.4.3 SVM算法模型

SVM是一种基于统计学习理论的新型机器学习方法，主要利用结构风险最小化原则实现[41]。通过在高维特征空间中寻找最优分割超平面，将不同类别的样本分开，且误差最小，从而实现数据的正确分类。由于其结构简单，具有较强的适应性和较好的鲁棒性，在线性、非线性、分类和回归问题中都有广泛应用。利用SVM构建槟榔黄化病监测模时，使用mapminmax函数对训练集和验证集进行归一化处理，将数据缩放在区间[0, 1]范围内；调用LIBSVM 3.23软件中的svmtrain命令对训练集进行训练，并使用svmpredict命令对验证集进行测试。其中，SVM使用线性核函数，惩罚因子、核参数等参数均使用系统默认值。

2 结果与分析

2.1 最优特征变量选择

利用mRMR方法进一步对15个植被指数进行筛选，得到特征重要性从高到低的顺序为：RVI、MSR、ARI、GNDVI、OSAVI、WDRVI、NDVI、EVI、TVI、NDGI、MSAVI、PSRI、SAVI、RDVI和DVI。为了进一步确定最优特征，分别输入15个特征变量构建BPNN分类模型，得到图2所示的特征变量个数与总体精度（Overall Accuracy，OA）关系曲线。由图2可知，当特征个数为3时分类精度达到最大值91.7%；随着特征变量个数的增加，总体精度开始下降且波动幅度较小，因此确定最优特征变量个数为3。根据特征重要性优先原则，选择RVI、MSR、ARI作为最优特征组合。

图2 特征变量个数与总体精度的关系

分析筛选的植被指数构建机理可以发现，RVI增强了植被与土壤之间的辐射差异，能够表征不同植被覆盖下的生物量信息并与叶绿素含量高度相关[42]；MSR能够改善由于植被生化参数变化而出现的饱和性问题，且能够克服大气、土壤和背景等因素的影响[43]；ARI可用于植物的色素成分和含量变化分析[44]，可以很好地指示槟榔黄化病发生时色素成分和含量的变化。由于槟榔树有一定的种植间距，从影像上看会有一定面积的裸露土壤，故RVI可减小土壤背景对槟榔树光谱的影响。因此，利用RVI、MSR和ARI指数的组合能有效地提取槟榔黄化病信息。

2.2 模型评估与验证

将最优特征子集（RVI、MSR和ARI）作为模型输入，分别利用BPNN、RF和SVM，构建槟榔黄化病发生严重度监测模型，并利用验证集评价3种模型的监测结果，如表3所示。

表3 不同模型的槟榔黄化病分类结果对比

从表3可以看出，基于BPNN、RF和SVM的槟榔黄化病监测模型均具有较好的分类精度。其中，BPNN模型的OA最高，达到91.7%，RF模型的OA为85.0%，略低于BPNN模型，而SVM模型的OA最低，为81.7%，且BPNN模型的OA比RF和SVM模型分别高出6.7%和10.0%；从Kappa系数来看，BPNN模型的Kappa系数为0.875，高于RF的0.774和SVM的0.727；对比3种方法所建模型的漏分、错分情况发现，BPNN模型将重度分为健康和轻度发的情况较少，RF模型次之，SVM模型最为严重，且BPNN模型对健康和轻度的漏分、错分在3种模型中最少，说明BPNN模型对重度样本识别效果最好，且该模型对健康和轻度分类混淆情况比RF、SVM模型对健康和轻度混淆情况较少。上述结果说明，SVM模型的漏分、错分情况总体最为严重，RF模型次之，BPNN模型最低。综合分析，BPNN模型对槟榔黄化病的识别效果优于RF模型和SVM模型。

2.3 槟榔黄化病严重度空间分布

基于已建立的BPNN、RF和SVM槟榔黄化病遥感监测模型，将mRMR方法筛选出的特征变量组合（RVI、MSR和ARI）作为模型输入，分别绘制黄化病严重度的遥感监测空间分布图（图3）。结果表明，基于3种监测模型得到的槟榔黄化病空间分布格局基本一致，总体上研究区西南部发病较为严重，而北部地区发病较轻，但3种方法生成的分布图在局部地区仍存在一定差异。分析BPNN模型的分布图（图3a），重度发病面积相对较少且分布较均匀，主要发生在西南部，其他区域也有零星分布；轻度发病槟榔主要分布在西南部以及中东部区域。从验证结果来看，BPNN模型对重度发病的槟榔识别率较高，但是出现小部分健康与轻度发病的槟榔分类混淆现象，尤其是研究区东部，由于轻度发病槟榔样本光谱信息接近于健康槟榔，导致健康槟榔与轻度发病槟榔部分混淆。观察RF模型的分布图（图3b），槟榔黄化病严重度总体分布与图3a较为一致，但在南部区域出现部分轻度与重度发病的槟榔分类混淆现象。相比之下，SVM模型的分布图中（图3c），受黄化病侵害的槟榔数量明显多于图3a和图3b，主要表现为黄化病轻发区最多，主要集中于东北角区域，这是因为该区域的部分正常槟榔被错分为轻度发病；另外，在研究区的南部区域也有部分轻度发病的槟榔被错分为重度发病。综上所述，BPNN模型对研究区槟榔黄化病的分类识别效果比其他2种模型要好，再次证明了BPNN方法的优越性。

对比BPNN模型、RF模型和SVM模型的结果，发现BPNN模型的监测效果好于RF模型和SVM模型。主要由于BPNN方法具有较强的非线性拟合能力和泛化能力，建立的网络模型稳定性较好，使得BPNN可较为准确地实现小区域的槟榔黄化病严重度监测。SVM虽然能通过核函数的选择处理各种非线性问题，但是SVM算法对核函数以及惩罚因子等参数的选择较为复杂，使其在线性、非线性、分类以及回归等应用中受到一定的限制[45]，且SVM多用于解决二分类问题。RF具有较强的容噪能力，也不易产生过度拟合现象[46]，但是该方法参数较复杂，且RF的决策容易受取值划分较多的特征影响，导致模型的精度受到影响。

图3 基于BPNN、RF和SVM的槟榔黄化病严重度空间分布

3 结 论

本文利用无人机多光谱遥感数据，以mRMR算法筛选出的特征变量组合比值植被指数RVI、改进的简单比值指数MSR和花青素反射指数ARI作为输入，利用BPNN、RF和SVM方法分别构建槟榔黄化病遥感监测模型，并对比分析了3种模型的分类精度。结果表明BPNN、RF和SVM模型均具有较好的分类效果，其中，BPNN模型的OA最高，达到91.7%；RF模型的OA为85.0%，略低于BPNN识别模型；SVM模型的OA最低，为81.7%。BPNN模型的OA比RF模型和SVM模型分别高出6.7%和10.0%，且BPNN模型的Kappa系数为0.875，为所有模型中最高；总体上，BPNN模型的漏分、错分误差也最小，健康，轻度和重度的误差分别为11.1%、15.8%，13.6%、9.5%和0、0。研究结果证明了无人机多光谱影像监测槟榔黄化病的可行性。

由于研究中采用一个高度获取槟榔无人机多光谱影像，没有考虑飞行高度对解析槟榔黄化病精度的影响，后续研究中可进一步解析病害反演精度的“尺度效应”。随着更多亚米级高分辨率遥感卫星发射，为作物病害监测提供了丰富的数据源。如何结合无人机的机动性和卫星的宏观性，通过“尺度转换”和“模型扩展”实现大面积监测槟榔黄化病将是后续研究的重点方向。

在构建病害遥感监测模型时，建模方法的选择会影响病害严重度反演的精度和效率。相比于SVM和RF，BPNN也存在一些需要解决的问题，例如，如何准确确定隐含层节点的个数，节点个数较少，导致网络不能收敛，容错性差，节点个数较多，导致网络学习时间过长易出现过拟合现象；当样本量数量过多或过少时，会产生欠拟合或过拟合现象。今后的研究中，需要保证不同病害严重度样本的均衡性和代表性，另外也可以参考适合小样本量分类的深度学习训练策略，选择参数范数惩罚、数据增强、提前终止等方法，减缓和防止过拟合现象，保证模型的泛化能力，提升病害等级分类精度。

[1] 孙慧洁，龚敏. 海南槟榔种植、加工产业发展现状及对策研究[J]. 热带农业科学，2019，39(2)：91-94.

Sun Huijie, Gong Min. Current development status and countermeasures of arecanut planting and processing industry in Hainan[J]. Chinese Journal of Tropical Agriculture, 2019, 39(2): 91-94. (in Chinese with English abstract)

[2] 金开璇，孙福生，陈慕容，等. 槟榔黄化病的病原的研究初报[J]. 林业科学，1995，31(6)：556-558.

Jin Kaixuan, Sun Fusheng, Chen Murong, et al. Yellows disease of betel nut palm in Hainan, China[J]. Scientia Silvae Sinicae, 1995, 31(6): 556-558. (in Chinese with English abstract)

[3] 张竞成，袁琳，王纪华，等. 作物病虫害遥感监测研究进展[J]. 农业工程学报，2012，28(20)：1-11.

Zhang Jingcheng, Yuan Lin, Wang Jihua, et al. Research progress of crop diseases and pests monitoring based on remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(20): 1-11. (in Chinese with English abstract)

[4] Jonas F, Menz G. Multi-temporal wheat disease detection by multi-spectral remote sensing[J]. Precision Agriculture, 2007, 8(3): 161-172.

[5] Zhang J C, Pu R L, Yuan L, et al. Integrating remotely sensed and meteorological observations to forecast wheat powdery mildew at a regional scale[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(11): 4328-4339.

[6] da Rocha Miranda J, de Carvalho Alves M, Pozza E A, et al. Detection of coffee berry necrosis by digital image processing of landsat 8 oli satellite imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2020, 85, 101983.

[7] 汪小钦，王苗苗，王绍强，等. 基于可见光波段无人机遥感的植被信息提取[J]. 农业工程学报，2015，31(5)：152-159.

Wang Xiaoqin, Wang Miaomiao, Wang Shaoqiang, et al. Extraction of vegetation information from visible unmanned aerial vehicle images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(5): 152-159. (in Chinese with English abstract)

[8] 王利民，刘佳，杨玲波，等. 基于无人机影像的农情遥感监测应用[J]. 农业工程学报，2013，29(18)：136-145.

Wang Limin, Liu Jia, Yang Lingbo, et al. Applications of unmanned aerial vehicle images on agricultural remote sensing monitoring[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(18): 136-145. (in Chinese with English abstract)

[9] 李冰，刘镕源，刘素红，等. 基于低空无人机遥感的冬小麦覆盖度变化监测[J]. 农业工程学报，2012，28(13)：160-165.

Li Bing, Liu Rongyuan, Liu Suhong, et al. Monitoring vegetation coverage variation of winter wheat by low-altitude UAV remote sensing system[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(13): 160-165. (in Chinese with English abstract)

[10] Su J Y, Liu C J, Coombes M, et al. Wheat yellow rust monitoring by learning from multispectral UAV aerial imagery[J]. Computers and Electronics in Agriculture, 2018, 155: 157-166.

[11] 兰玉彬，朱梓豪，邓小玲，等. 基于无人机高光谱遥感的柑橘黄龙病植株的监测与分类[J]. 农业工程学报，2019，35(3)：92-100.

Lan Yubin, Zhu Zihao, Deng Xiaoling, et al. Monitoring and classification of citrus Huanglongbing based on UAV hyperspectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(3): 92-100. (in Chinese with English abstract)

[12] Backoulou G F, Elliott N C, Giles K, et al. Spatially discriminating Russian wheat aphid induced plant stress from other wheat stressing factors[J]. Computers and Electronics in Agriculture, 2011, 78(2): 123-129.

[13] 王新峰，邱静，刘冠军. 基于特征相关性和冗余性分析的机械故障特征选择研究[J]. 中国机械工程，2006，17(4)：379-382.

Wang Xinfeng, Qiu Jing, Liu Guanjun. Research on mechanical fault feature selection based on feature relevancy and redundancy analysis[J]. China Mechanical Engineering, 2006, 17(4): 379-382. (in Chinese with English abstract)

[14] 肖忆南，谢榕，杜娟. 基于t检验和弹性网的数据分类特征选择方法[J]. 小型微型计算机系统，2015，36(10)：2213-2217.

Xiao Yinan, Xie Rong, Du Juan. Feature selection method for data classification based on t-test and elastic net[J]. Journal of Chinese Computer Systems, 2015, 36(10): 2213-2217. (in Chinese with English abstract)

[15] Li D Y, Wen G H. MRMR-based ensemble pruning for facial expression recognition[J]. Multimedia Tools and Applications, 2017, 77(10): 1-22.

[16] 程希萌，沈占锋，邢廷炎，等. 基于mRMR特征优选算法的多光谱遥感影像分类效率精度分析[J]. 地球信息科学学报，2016，18(6)：815-823.

Cheng Ximeng, Shen Zhanfeng, Xing Tingyan, et al. Efficiency and accuracy analysis of multispectral image classification based on mRMR feature selection method[J]. Journal of Geo-information Science, 2016, 18(6): 815-823. (in Chinese with English abstract)

[17] Huang W J, Guan Q S, Luo J H, et al. New optimized spectral indices for identifying and monitoring winter wheat diseases[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(6): 2516-2524.

[18] 海南省统计局. 海南统计年鉴2019[M]. 北京：中国统计出版社，2019.

[19] 杨春雨，战晴晴，周亚奎，等. 万宁市南部地区槟榔黄化病情调查[J]. 中国药业，2018，27(1)：70-71.

Yang Chunyu, Zhan Qingqing, Zhou Yakui, et al. Investigation on the condition of areca yellow leaf disease in the South of Wanning[J]. China Pharmaceuticals, 2018, 27(1): 70-71. (in Chinese with English abstract)

[20] 魏鹏飞，徐新刚，李中元，等. 基于无人机多光谱影像的夏玉米叶片氮含量遥感估测[J]. 农业工程学报，2019，35(8)：126-133，335.

Wei Pengfei, Xu Xingang, Li Zhongyuan, et al. Remote sensing estimation of nitrogen content in summer maize leaves based on multispectral images of UAV[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(8): 126-133, 335. (in Chinese with English abstract)

[21] Gitelson A A. Wide dynamic range vegetation index for remote quantification of biophysical characteristics of vegetation[J]. Journal of Plant Physiology, 2004, 161(2): 165-173.

[22] Huang W J, Lamb D W, Niu Z, et al. Identification of yellow rust in wheat using in-situ spectral reflectance measurements and airborne hyperspectral imaging[J]. Precision Agriculture, 2007, 8(4/5): 187-197.

[23] Gitelson A A, Merzlyak M N, Chivkunova O B. Optical properties and nondestructive estimation of anthocyanin content in Plant leaves[J]. Photochemistry and Photobiology, 2001, 74(1): 38-45.

[24] Jordan C F. Derivation of leaf area index from quality of light on the forest floor[J]. Ecology, 1969, 50(4): 663-666.

[25] Verstraete M M, Pinty B, Myneni R B. Potential and imitations of information extraction on the terrestrial biosphere from satellite remote sensing[J]. Remote Sensing of Environment, 1996, 58(2): 201-214.

[26] Yang C M, Cheng C H, Chen R K. Changes in spectral characteristics of rice canopy infested with brown planthopper and leaffolder[J]. Crop Science, 2007, 47(1): 329-335.

[27] Qi J, Chehbouni A, Huete A R, et al. A modified soil adjusted vegetation index[J]. Remote Sensing of Environment, 1994, 48(2): 119-126.

[28] Chen S F, Goodman J. An empirical study of smoothing techniques for language modeling[J]. Computer Speech and Language, 1999, 13(4): 359-394.

[29] Gamon J A, Penuelas J, Field C B. A narrow-waveband spectral index that tracks diurnal changes in photosynthetic efficiency[J]. Remote Sensing of Environment, 1992, 41(1): 35-44.

[30] Rouse J W, Haas R H, Schell J A, et al. Monitoring the vernal advancement of retrogradation of natural vegetation[R]. NASA/GSFC Type III Final Report, Greenbelt, MD, 1973.

[31] Rondeaux G, Steven M, Baret F, Optimization of soil-adjusted vegetation indices[J]. Remote Sensing of Environment, 1996, 55(2): 95-107.

[32] Merzlyak M N, Gitelson A A, Chivkunova O B, et al. Non-destructive optical detection of pigment changes during leaf senescence and fruit ripening[J]. Physiologia Plantarum, 1999, 106(1): 135-141.

[33] Roujean J L, Breon F M. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements[J]. Remote Sensing of Environment, 1995, 51(3): 375-384.

[34] Pearson R L, Miller, L D. Remote mapping of standing crop biomass for estimation of the productivity of the shortgrass prairie[C]//Proceedings of the Eighth International Symposium on Remote Sensing of Environment, 1972: 1357-1381.

[35] Huete A R. A soil-adjusted vegetation index (SAVI)[J]. Remote Sensing of Environment, 1988, 25(3): 295-309.

[36] Zhao C, Huang M, Huang W, et al. Analysis of winter wheat stripe rust characteristic spectrum and establishing of inversion models[C]//IEEE International Geoscience and Remote Sensing Symposium, 2004: 4318-4320.

[37] Gitelson A A. Wide dynamic range vegetation index for remote quantification of biophysical characteristics of vegetation[J]. Journal of Plant Physiology, 2004, 161(2): 165-173.

[38] Mundra P A, Rajapakse J C. SVM-RFE with MRMR filter for gene selection[J]. IEEE Transactions on Nanobioscience, 2009, 9(1): 31-37.

[39] Dai H, MacBeth C. Effects of learning parameters on learning procedure and performance of a BPNN[J]. Neural Networks, 1997, 10(8): 1505-1521.

[40] Liaw A, Wiener M. Classification and regression by randomForest[J]. R News, 2002, 2(3): 18-22.

[41] Vapnik V, Guyon I, Hastie T. Support vector machines. Machine Learning[J], 1995, 20(3): 273-297.

[42] 唐翠翠. 基于多源遥感数据的小麦病虫害大尺度监测预测研究[D]. 合肥：安徽大学，2016.

Tang Cuicui. Large Scale Monitoring and Forecasting of Wheat Diseases and Pests Based on Multi-source Remote Sensing Data[D]. Hefei: AnhuiUniversity, 2016. (in Chinese with English abstract)

[43] 吴朝阳，牛铮. 基于辐射传输模型的高光谱植被指数与叶绿素浓度及叶面积指数的线性关系改进[J]. 植物学通报，2008，25(6)：714-721.

Wu Chaoyang, Niu Zheng. Improvement in linearity between hyperspectral vegetation indices and chlorophyll content, leaf area index based on radiative transfer models[J]. Chinese Bulletin of Botany, 2008, 25(6): 714-721. (in Chinese with English abstract)

[44] 伏静，戴思兰. 基于高光谱成像技术的菊花花色表型和色素成分分析[J]. 北京林业大学学报，2016，38(8)：88-98.

Fu Jing, Dai Silan. Analysis of color phenotypic and pigment contents of chrysanthemum based on hyperspectral imaging[J]. Journal of Beijing Forestry University, 2016, 38(8): 88-98. (in Chinese with English abstract)

[45] 王丽爱，马昌，周旭东，等. 基于随机森林回归算法的小麦叶片SPAD值遥感估算[J]. 农业机械学报，2015，46(1)：259-265.

Wang Liai, Ma Chang, Zhou Xudong, et al. Estimation of wheat leaf SPAD value using RF algorithmic model and remote sensing data[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(1): 259-265. (in Chinese with English abstract)

[46] 靳然，李生才. 基于BP神经网络的麦蚜最大虫株率预测[J]. 山西农业大学学报：自然科学版，2015，35(4)：361-366.

Jin Ran, Li Shengcai. Forecast of the maximum rate of wheat aphids strains based on BP neural network[J]. Journal of Shanxi Agricultural University: Natural Science Edition, 2015, 35(4): 361-366. (in Chinese with English abstract)

Remote sensing monitoring of areca yellow leaf disease based on UAV multi-spectral images

Zhao Jinling1, Jin Yu1,2, Ye Huichun2,3※, Huang Wenjiang1,2,3, Dong Yingying2, Fan Lingling1, Ma Huiqin2, Jiang Jing1,2

(1.,230601,; 2.,100094,; 3.,572029,)

Yellow leaf disease is a serious disease that endangers the growth of areca, it is urgent to monitor the infection severity and spatial distribution in time and accurately. However, the traditional monitoring methods are mainly depend on visual inspection and manual investigation, which affects the efficiency and spatial scope of monitoring. Low altitude UAV remote sensing technology can effectively solve the problems of insufficient optical satellite images acquisition caused by cloudy and rainy weather in areca planting area, and improve the real-time monitoring of areca yellow leaf disease. In this paper, in order to identify the severities and spatial distribution of areca yellow leaf disease, five band(including blue, green, red, near-infrared and red-edge wavebands) multispectral images were obtained by using the MicaSense RedEdge-M multispectral camera mounted on the DJI Phantom 4 Pro V2.0. Based on the Minimum Redundancy Maximum Relevance (mRMR), three sensitive features were selected from 15 potential vegetation indexes. Using Back Propagation Neural Network(BPNN), Random Forest(RF) and Support Vector Machine(SVM) classification algorithms respectively, a monitoring model of areca yellow leaf disease severity was constructed. A total sixty in-situ sampling points were selected and the disease index (DI) were obtained, according to the characteristics of the disease and the separability of remote sensing images, the severities of the disease were divided into three grades: health (DI<1%), slight (1%≤DI＜10%) and serious (DI≥10%), and the number of samples was 18, 22 and 20 respectively. According to the priority principle of importance of feature variables, Ratio Vegetation Index (RVI), Modified Simple Ratio Index (MSR) and Anthocyanin Reflectance Index (ARI) were finally selected. Two-tier neural networks including hidden layer and output layer were used to build the BPNN model. The results showed that the overall accuracy (OA) of BPNN model was 91.7%, which was 6.7% and 10.0% higher than that of RF model and SVM model, respectively. The Kappa coefficient of the BPNN model was 0.875, which was the highest among the three models. In general, the omission errors and commission errors of BPNN model were the smallest, the errors of health, slight and serous levels were 11.1%, 15.8%, 13.6%, 9.5% and 0, 0 respectively. Consequently, it is feasible to monitor the severities of arecanut yellow leaf disease based on the UAV multispectral image. The study can provide a reference for the diseases monitoring of other tropical crops.

unmanned aerial vehicle; remote sensing; areca yellow leaf disease; multispectral image; sensitive characteristic

赵晋陵，金玉，叶回春，等. 基于无人机多光谱影像的槟榔黄化病遥感监测[J]. 农业工程学报，2020，36(8)：54-61.doi：10.11975/j.issn.1002-6819.2020.08.007 http://www.tcsae.org

Zhao Jinling, Jin Yu, Ye Huichun, et al. Remote sensing monitoring of areca yellow leaf disease based on UAV multi-spectral images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(8): 54-61. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.08.007 http://www.tcsae.org

2019-12-23

2020-02-17

海南省重点研发计划项目（ZDYF2018073）；国家高层次人才特殊支持计划（万人计划）；海南省万人计划配套项目

赵晋陵，博士，副教授，研究方向为作物病虫害遥感监测研究。Email：zhaojl@ahu.edu.cn

叶回春，博士，副研究员，研究方向为农业遥感机理及应用研究。Email：yehc@aircas.ac.cn

10.11975/j.issn.1002-6819.2020.08.007

S435.122+.2; TP79

A

1002-6819(2020)-08-0054-08