基于无人机多光谱影像的棉花黄萎病监测

宋勇，陈兵，王琼，王刚，王静，刘海建，郑登科，李金霞，陈子杰,2，孙乐鑫,2

（1.新疆农垦科学院棉花研究所，新疆 石河子 832000；2.石河子大学，新疆 石河子 832003；3.玉门市农业技术服务中心，甘肃 玉门 735200；4.新疆石河子职业技术学院水利建筑工程分院，新疆 石河子 832003）

黄萎病（Verticillium wilt）被普遍认为是棉花的“癌症”[1]，具有爆发性强、危害面积广等特点，严重发生时会导致棉花纤维品质降低、大幅减产甚至绝收，严重影响棉花生产效益。传统的棉花黄萎病调查主要靠技术人员在田间进行，时效性差、费时费力，难以及时、大面积展开，且病害严重度的划分易受调查者主观因素干扰，会在一定程度上影响病害监测的准确度[2]。而无人机多光谱遥感监测技术具有快速、高效、无损等特点，为大面积棉田的病害监测提供了新方法。病虫害易导致植株光合作用减弱、外部形态和内部结构等发生明显变化[3]，这些变化特征可造成特征波段范围内的光谱信息发生改变，表现出特有的诊断性光谱特征，这就是遥感技术监测作物病虫害的基本原理[4-5]。通常健康棉株受黄萎病病菌侵染后会出现“失水”、“褪绿”等特征，外部形态变化及内部结构改变造成棉株在特征波段范围内的光谱反射率发生明显改变，即在可见光波段的光谱值随病害加重而增大, 而在近红外波段的光谱值随病害的加重而减小，“绿峰”和“红边”表现出“单峰”现象，且在红边位置发生“蓝移”现象[6]，该光谱特征的变化为利用遥感技术监测棉花黄萎病提供了理论依据。

目前，关于利用遥感技术监测作物病害的研究大多以卫星遥感、近地遥感及数字影像等为主，以病害的光谱位置变量[7-8]、光谱特征吸收参量[9-10]、植被指数等为变量[11]进行分析并建立病情严重度的监测模型等。如陈兵[12]通过对受黄萎病危害的棉花叶片进行近地高光谱特征分析，建立线性回归诊断模型进行病害严重度估测，模型决定系数（coefficient of determination,R2）为0.72，均方根误差 （root mean square error,RMSE）为0.75。竞霞等[10]基于偏最小二乘回归法和卫星遥感影像建立了棉花黄萎病病情严重度的定量估测模型，R2、RMSE和相对误差（relative error，RE）分别为0.78、0.45 和9.2%。石志钰等[13]利用红、绿、蓝（red, green, and blue, RGB）棉花冠层图像以及色调、亮度和饱和度（hue,intensity,and saturation,HIS）彩色空间变换特征与植被指数之间的关系，结合Relief-F 算法构建了病害诊断模型，发现植被指数与棉花黄萎病病情严重度之间存在对数关系。高攀[14]以棉田监控视频为数据源获取多种病害信息相关的关键帧图像，建立的卷积神经网络对黄萎病棉花叶片的识别准确度较高（测试正确率为96.67%，预测正确率为88.75%）。陈兵等[15]基于TM（thematic mapper）卫星影像数据，利用平行六面体分类法将棉田划分为3 类：健康棉田、轻病棉田和重病棉田，总体预测精度高于85%、Kappa 系数高于90%。Yu 等[16]将无人机高光谱成像数据与激光雷达数据进行融合，对早期受松梢甲虫危害的松林枝条的损伤率进行评估，精度达到80%以上。Dang 等[17]利用无人机可见光遥感数据获取枯萎病侵染的萝卜、土壤和地膜区域的图像并采用线性谱聚类分割方法进行了分类，识别精度达到96%。Xavier 等[18]选取了不同病虫害胁迫下的棉花多光谱影像，提取其光谱参数并构建分类模型，分类精度、Kappa 系数分别为79%、51%。综上所述，前人大多通过获取卫星遥感影像、近地遥感数据以及监控视频数据等建立预测模型进行病害预测，其监测过程存在周期性长、易受主观因素干扰、时效性差、分辨率低等缺点，不能直观地对棉田病害的发生情况进行准确预测，而无人机多光谱遥感可以弥补卫星遥感周期性长、分辨率低的缺点，并且可以弥补近地遥感存在主观因素影响、时效性差的不足。

本研究以六旋翼无人机及高分辨率的多光谱成像光谱仪为监测平台，以棉花黄萎病为研究对象，通过筛选出识别病害严重度的最佳波段组合、最佳影像等，创新性地提出了1 种影像分类方法可对棉花黄萎病病情严重度进行准确识别，更加直观地反映棉花黄萎病的发生情况，同时也可为利用无人机多光谱遥感技术识别其他作物类似病虫害的研究提供一定参考。

1 材料与方法

1.1 试验地概况及试验设计

于2019―2020 年在新疆农垦科学院棉花研究所棉花黄萎病病圃（44°32′N，85°97′E）开展试验。试验地土壤肥力中等，土壤含有机质21.3 g·kg－1、全氮0.2%、有效磷55.5 mg·kg－1、速效钾664.1 mg·kg－1，土壤pH 为7.8。

2 年采用相同的试验设计，同一地块，棉花品种均为新陆早8 号。播种期分别为2019 年4 月17 日、2020 年4 月20 日。采用膜上点播、膜下滴灌、宽窄行（66＋10）cm 的机采棉种植模式，株距为9.6 cm。试验地划分为3 个小区，作为3 个重复，每个小区面积为0.49 hm2（330 m×15 m）。棉花全生育期的总灌水量约为5 775 m3·hm－2。不施底肥，分别追施纯N、P2O5和K2O 420 kg·hm－2、210 kg·hm－2和1 655 kg·hm－2，追肥全部随水滴施。

按网格式布置地面监测点（共66 个，每个小区22 个监测点）。每个监测点均用全球定位系统（global positioning system, GPS）测量仪（合肥卓林电子科技有限公司）进行地理位置标记（图1）。

图1 试验区监测点分布示意图Fig.1 Distribution of monitoring points in the test region

1.2 无人机多光谱影像数据获取

以HY-6X 电动六旋翼无人机（上海寰鹰航空技术有限公司）搭载12 个通道的多光谱相机（Micro MCA12 Snap）作为主要监测平台，该相机配备1 280×1 024 像素的互补金属氧化物半导体（complementarymetal-oxide-semiconductor,CMOS）传感器，12 通道（即12 个波段）的镜头焦距均为9.6 mm，波长、波宽分别对应B1（470 nm，10 nm）、B2（515 nm，10 nm）、B3（550 nm，10 nm）、B4（610 nm，10 nm）、B5（656 nm，10nm）、B6（710nm，10 nm）、B7（760 nm，10 nm）、B8（800 nm，10 nm）、B9（830nm，10nm）、B10（860 nm，10 nm）、B11（900 nm，20 nm）、B12（950 nm，20 nm）。

选择晴朗无云、能见度高、无风等良好天气条件下进行无人机作业，时间为11：00－15：00。飞行高度为100 m，飞行速度为5 m·s－1，旁向重叠率为80%，航向重叠率为80%，多光谱分辨率在10～20 nm，空间分辨率约5.5 cm。试验田无人机多光谱影像获取时间：2019 年6 月30 日 （蕾期）、7 月17 日（花铃期）、7 月29 日（花铃期）、8月17 日（花铃期）、9 月2 日（吐絮期）、9 月20 日（吐絮期）；2020 年6 月29 日 （蕾期）、7 月15 日（花铃期）、7 月30 日（花铃期）、8 月15 日（花铃期）、9 月1 日（吐絮期）、9 月15 日（吐絮期）。

1.3 病情调查及划分方法

待无人机多光谱影像数据采集完毕后，参考《棉花抗病虫性评价技术规范 第5 部分：黄萎病》（GB/T 22101.5－2009）[19]病级分级标准立即调查监测点棉株表型进行黄萎病分级，统计病情指数。然后根据病情指数大小划分病害严重度（b0～b4，分别对应0～4 病害等级）（详见表1）。同时利用相机拍照记录监测点棉花冠层发病情况。

表1 棉花黄萎病病害严重度分级标准Table 1 Classification standard of cotton Verticillium wilt disease severity

病情指数计算公式如下：

式中，DI为病情指数，dc为相应病级，nc为各病级的病株数，nt为调查总株数。

1.4 农学参数测定

农学参数测定与黄萎病发生情况调查同步进行，具体取样时间参见1.2 中无人机多光谱影像获取时间。选择监测点附近的与监测点棉株长势、病害严重度一致的4 株棉花。测定指标主要包括：地上部鲜物质质量、地上部干物质质量、植株含水量、叶面积指数（leaf area index,LAI）以及叶绿素含量。其中地上部鲜物质质量采用称重法进行测量；地上部干物质质量采用烘干后称重法进行测定；根据地上部鲜物质质量和地上部干物质质量计算植株含水量；采用打孔法测定LAI[9]；叶绿素含量采用分光光度法[9]进行测定，测定了植株上部、中部、下部叶片的叶绿素含量取其平均值。

1.5 数据处理与分析

1.5.1无人机多光谱影像预处理。在Pix 4D Mapper 软件中进行影像拼接、叠加、辐射矫正、精度（95%以上）校正等。此外，根据传感器特点结合前人研究发现的遥感识别病害中常用的植被指数特征[20-25]，本文选取了15 种作为监测棉花黄萎病的植被指数（表2），利用ENVI 5.3 软件提取植被指数。

1.5.2最佳波段组合筛选。多光谱遥感识别棉花黄萎病严重度的最佳波段组合筛选借助最佳指数因子（optimum index factor,OIF）完成。OIF[26]的计算公式如下：

式中，S1、S2和S3代表任意3 个多光谱波段的灰度值标准差，R12、R13和R23为任意3 个波段间对应的皮尔逊（Pearson）相关系数。12 个波段共产生220 个3 波段组合，选择OIF数值较大的前15位波段组合。灰度方差分析、相关性分析、OIF提取以及最佳波段组合的筛选均在SPSS 12.0 软件中完成。

1.5.3影像分类及评价指标。在ENVI 5.3 软件中，利用平行六面体分类法、最大似然分类法、支持向量机分类法 （support vector machine,SVM）进行棉田黄萎病病情严重度分类。其中，利用SVM 方法分类时选取径向基函数 （radial basis function）分类器，模型参数设置：γ＝0.083，惩罚系数C＝100。用总体分类精度（overall accuracy）、Kappa 系数对分类结果进行检验和评价。

2 结果与分析

2.1 黄萎病不同发生程度棉田冠层无人机多光谱影像特征及棉株农学参数的比较

与b0相比，b1～b4的棉株冠层光谱反射率发生变化 （图2）。在可见光波段范围内 （470～656 nm），470～515 nm 波段内，b1～b4棉株冠层光谱反射率无明显变化，b0植株的冠层光谱反射率较低；515～550 nm 波段内，b0～b4棉株的冠层光谱反射率均增加；波长为550 nm 处b0～b4的棉花冠层光谱反射率均达到峰值，且光谱反射率随着发病程度的减轻而增加；550～656 nm 波段内，b0～b4棉花冠层光谱反射率均呈降低趋势，且b0的冠层光谱反射率下降趋势更明显。656 nm～710 nm 波段内b0～b4棉花冠层光谱反射率均呈增大趋势，b0与b1的冠层光谱反射率变化趋势差异不明显，与b2、b3、b4的冠层光谱反射率变化趋势差异明显。在红边波段范围内（710～760 nm），b0～b4棉株的冠层光谱反射率明显增加；当波长为760 nm 时，b0～b4棉株的冠层光谱反射率差异较为明显。760～800 nm 波段内，b0～b4棉花冠层光谱反射率均呈增大趋势。在近红外波段范围内（800～950 nm），不同病害严重度（b0～b4）棉株冠层光谱反射率基本趋于稳定，光谱反射率表现为：b0＞b1＞b2＞b3＞b4，且b0～b4的棉花冠层光谱反射率差异较为明显。以上结果表明无人机多光谱影像特征（光谱反射率）随着棉花黄萎病发病程度的不同而发生了较大的规律性变化，可以很好地反应该病害的发生情况。

由表3 可知，随着黄萎病的加重发生，叶绿素含量、单株地上部鲜物质质量、单株地上部干物质质量、植株含水量以及LAI 均呈逐渐降低的趋势。b0与b1棉株的上述5 个指标值均无显著差异；b2～b4植株的叶绿素含量、单株地上部鲜物质质量、单株地上部干物质质量及LAI 均显著低于b0。因此，本研究中的这5 个指标也可作为棉花黄萎病发生程度的识别指标。综上，黄萎病不同发生程度（b0～b4）棉株的叶绿素含量、单株地上部鲜物质质量、单株地上部干物质质量、植株含水量以及LAI 差异明显。

表3 黄萎病不同发生程度棉田棉株农学参数变化Table 3 Changes of agronomy parameters of cotton in fields differing in the severity of Verticillium wilt

2.2 无人机多光谱遥感影像识别棉花黄萎病的最佳植被指数筛选

提取监测点棉株冠层光谱反射率，构建植被指数并与黄萎病病情指数进行相关分析。结果表明，NDGI、WBI 及NDWI 与黄萎病病情指数存在极显著或显著正相关关系，但相关系数较小；DVI、TVI、RDVI、SAVI、MSAVI、GNDVI、ARI、OSAVI、RENDVI、NDVI、EVI 和RVI 与黄萎病病情指数均呈极显著负相关关系，其中DVI 与黄萎病病情指数的相关性最强，相关系数达－0.86（表4）。因此，DVI 可初步作为无人机多光谱影像识别棉花黄萎病发生程度的最佳植被指数。

表4 棉花黄萎病病情指数与15 个植被指数的相关分析Table 4 Correlation analysis of 15 vegetation indexes and disease index of cotton Verticillium wilt

2.3 无人机多光谱遥感影像识别棉花黄萎病的最佳波段组合筛选

在可见光波段至近红外波段（B1～B12），12 个波段下不同发病程度棉株的冠层灰度值标准差见表5。在可见光波段（B1～B5），B5的棉株冠层灰度值标准差最大，B3次之；在红边波段（B6～B7），B6的棉株冠层灰度值标准差最大；在近红外波段（B8～B12），B8的棉株冠层灰度值标准差最大。标准差越大，灰度值与均值的差值就越大，反映的图像信息量越多[26]。依据冠层灰度值的标准差分析 结 果 结 合 波 长 划 分 范 围，B3、B5、B6、B8分 别 为不同波长范围内其灰度值标准差较大的波段，其反映的图像信息量较多。

表5 12 个波段下棉花冠层灰度值标准差Table 5 Standard deviations of gray value of cotton canopy under 12 bands

基于上述波段下棉花冠层灰度值标准差的分析结果，借助OIF值进一步筛选无人机多光谱影像识别棉花黄萎病的最佳波段组合。排名前15位的波段组合的OIF值为67.83～153.44，排序前3 位的波段组合分别为：B3、B5与B8（即B3-5-8），B4、B6与B8（即B4-6-8）和B4、B6与B9（即B4-6-9）（表6）。由于B3、B5、B8这3 个波段组合对应的OIF值最大，该组合的波长分别对应550 nm、656 nm、800 nm，分别代表了绿光波段、红光波段、红边波段，是植被识别的敏感波段[2]，且与2.1 中的分析结果一致，能较好地反映棉花黄萎病发病情况。因此，B3-5-8可作为无人机多光谱遥感监测棉花黄萎病的最佳波段组合。

表6 OIF 值前15 位的波段组合Table 6 The top 15 band combinations based on OIF value

2.4 基于无人机多光谱遥感监测棉花黄萎病的最佳时相选择

借鉴前人研究结果[15]（本研究所采用的传感器波段信息与TM 卫星遥感影像的波段信息具有相似特征），利用棉花不同生育时期的棉田多光谱原始影像结合地面监测点中黄萎病病情调查数据，采用平行六面体分类法对试验区2019年棉花黄萎病原始影像进行分类，结果如图3 所示。6 月30 日－7 月17 日，试验区棉田内棉株主要 表 现 为 健 康（b0）、轻 度 发 病 症 状（b1）；7 月29日－8 月17 日，棉株除表现为健康（b0）、轻度症状（b1）外，中度发病棉株（b2）比例增加趋势较为明显，重度病害（b3）及极严重病害（b4）局部发生，但发病面积不明显；8 月17 日－9 月2 日，重度病害（b3）及极严重病害（b4）呈现大面积增加趋势。

图3 不同时间基于无人机多光谱影像的棉花黄萎病发病程度分类Fig.3 Classification of the severity of cotton Verticillium wilt based on UAV multispectral images at different times

根据无人机多光谱棉田原始影像分类结果及田间实际调查情况分析判断，棉田黄萎病的爆发是在8 月17 日以后，该阶段无人机影像特征明显，分类结果准确，验证结果一致性较好。同时，利用平行六面体分类法对试验区棉花黄萎病原始影像进行分类，发现8 月17 日影像分类精度（总体分类精度90.24%，Kappa 系数87.29%）最高，9 月2 日影像的分类精度 （总体分类精度86.24%，Kappa 系数81.25%）次之，7 月29 日影像的分类精度（总体分类精度83.58%，Kappa 系数78.17%）较低。9 月2 日后棉花陆续开始吐絮，受棉株衰老、吐絮等因素的影响，棉田内黄萎病发生程度的分类结果准确性降低，不能作为棉花黄萎病监测的最佳时相。因此，8 月17 日－9 月2日为当地无人机多光谱遥感识别棉花黄萎病的最佳时相。

2.5 基于不同多光谱影像的棉花黄萎病发病程度分类结果及精度统计

通过筛选的最佳时相（8 月17 日）进行黄萎病发病程度分类，结果见图4，并进行精度评价分析，结果见表7。针对3 种不同的影像类型，即12波段原始影像、最佳波段组合（B3-5-8）影像、最佳波段组合与DVI 综合影像 （最佳波段组合影像与DVI 图组合而成的影像），利用平行六面体分类法对不同影像进行分类并评价其精度，总体分类精度及Kappa 系数表现为：最佳波段组合与DVI综合影像＞最佳波段组合影像＞12 波段原始影像。利用最大似然分类法对不同波段组合的影像进行分类及精度评价，总体分类精度及Kappa 系数表现为：最佳波段组合与DVI 综合影像＞最佳波段组合影像＞12 波段原始影像。利用支持向量机径向基函数分类法对不同波段组合的影像进行分类并评价其精度，总体分类精度及Kappa 系数表现为：最佳波段组合与DVI 综合影像＞最佳波段组合影像＞12 波段原始影像。

图4 基于不同光谱影像的棉花黄萎病发生程度分类Fig.4 Classification of cotton Verticillium wilt severity degree based on different spectral images

针对12 波段原始影像，不同分类方法的分类精度及Kappa 系数表现为：平行六面体分类法＞最大似然分类法＞支持向量机径向基函数分类法；针对最佳波段组合影像，不同分类方法的分类精度及Kappa 系数表现为：最大似然分类法＞平行六面体分类法＞支持向量机径向基函数分类法；针对最佳波段组合与DVI 综合影像，不同分类方法的分类精度及Kappa 系数表现为：支持向量机径向基函数分类法＞最大似然分类法＞平行六面体分类法。3 种分类方法的分类精度结果显示，基于支持向量机径向基函数分类法对最佳波段组合与DVI 综合影像进行分类的总体分类精度（96.64%）及Kappa 系数（95.61%）均最高。因此，基于支持向量机径向基函数分类法和最佳波段组合与DVI 综合影像可以更准确地识别花铃期棉花黄萎病发病程度。

2.6 基于最佳分类影像和分类法的棉花黄萎病严重度实地验证结果

根据上述分析结果，任意选取2020 年黄萎病不同发病程度的地面监测点作为验证点进行实地验证，结果如图5 所示。将监测点的实拍图像与最佳分类影像的分类结果进行对比验证，结果显示基于支持向量机径向基函数分类法、最佳波段组合与DVI 综合影像的分类结果与棉田实际调查选择的30 个验证点的黄萎病发病情况一致，验证准确度达95%以上，符合棉田黄萎病实际发生情况。因此，支持向量机径向基函数分类法及最佳波段组合与DVI 综合影像可以准确地监测试验区内棉花黄萎病的发生程度。

图5 基于最佳分类影像的棉花黄萎病发生程度分类结果实地验证Fig.5 Field verification of cotton Verticillium wilt occurrence degree classification results based on the optimum classification images

3 讨论

棉花受黄萎病病菌侵染后，会在维管束内部产生胼胝体，影响植株体内的水分运输，降低叶片蒸腾效率，且易产生有毒物质，从而使外部形态和冠层特征发生改变，典型症状表现为失绿、失水、LAI 降低、冠层覆盖度下降和生物量减少等[5]，该现象易引起特定波段内的光谱特征发生明显变化[3-4]。本研究通过提取不同生育时期黄萎病棉田无人机多光谱影像的光谱特征，筛选出识别黄萎病的较佳植被指数，分别是DVI、TVI、RDVI，通过对比验证后结果表明与病情指数相关性最强的植被指数——DVI 的识别效果最好，其结果与陈兵等[3]利用光谱指数估测棉花黄萎病发生程度所筛选出的植被指数一致。洪帅等[27]利用高光谱数据分析比较盛蕾期与现蕾期棉花冠层叶片叶绿素含量，发现盛蕾期棉叶螨大面积发生导致棉花冠层光谱反射率降低。陈兵等[28]利用光谱红边参数建立黄萎病氮素含量诊断模型，结果显示随着病害加重，氮素含量显著减低。Wang等[29]通过获取受雹灾棉花的高光谱遥感数据并筛选相关植被指数建立了基于NDVI、RVI 和DVI的产量损失预测模型，结果显示基于这3 种植被指数建立的棉花产量损失预测模型效果较好，其植被指数的筛选结果与本研究的相符，可能是由于棉花受雹灾或病害侵染后其冠层光谱特征具有一定的相似性。

可见光波段（470～656 nm）的光谱反射率主要受叶绿素含量影响[9]。黄萎病发生后棉花叶片的叶绿素含量随着病害的加重逐渐降低，对蓝光和红光的吸收减弱、反射增强，同时对绿光的反射减弱。近红外波段（710～950 nm）的光谱反射率主要受叶绿素含量、植株含水量和冠层结构的影响[9]。病害引起植株内部叶绿素含量及含水量降低、生理结构遭受破坏，植株冠层结构发生相应的变化，致使近红外波段的反射率下降。本研究发现不同发病程度棉株的农学参数在光谱曲线上的光谱响应特征与前人研究结果一致。本研究采用类似方法筛选出的最佳波段组合为B3-5-8，而赵庆展等[26]运用无人机多光谱影像特征筛选出的最佳波段组合为B1-6-12，可能是由于分类目标的不同，本研究的目标主要是黄萎病棉田冠层，而赵庆展等[26]的研究目标是裸地、林地和耕地等，其光谱特征存在较大差异。在最佳时相选择方面，本研究采取的方法与陈兵等[15]的方法一致，但筛选出的最佳时相存在偏差；陈兵等[15]研究发现基于TM 卫星遥感监测棉花黄萎病的最佳时相为7月中下旬至8 月中旬，本研究筛选的最佳时相为8 月下旬，最佳时相选择出现偏差的原因可能与棉花品种、当年的气候因素及棉田实际发病情况等有关。

Wang 等[30]通过获取棉花根腐病无人机多光谱遥感影像并建立分类算法，实现了对棉花根腐病的分级分类。因此，借助无人机多光谱影像也可对棉花黄萎病发生程度进行分类。本研究利用监督分类法中的平行六面体分类法、最大似然分类法及支持向量机分类法分别对黄萎病棉田的原始波段影像、最佳波段组合影像、最佳波段组合与DVI 综合影像进行了分类及精度评价。不同分类算法在3 个波段和多个波段上的运行时间有差异，其中支持向量机径向基函数分类法运行时间最长，其次是最大似然分类法，最后为平行六面体分类法，但不同分类算法的运行时间差异较小，均能满足研究要求。因此，运行时间可作为病害识别的次要考虑因素。从病害识别的精度方面考虑，基于支持向量机分类法和最佳波段组合与DVI 综合影像的分类精度最高，而陈兵等[15]基于TM 卫星遥感影像进行棉花黄萎病严重度分类时选用的平行六面体分类法的分类精度最高。分类结果不同的原因可能是陈兵等[15]采用的影像为TM 卫星原始遥感影像，而本研究采用的分类影像是最佳波段组合与DVI 综合影像，2 种影像在波段特征上存在一定的差异；其次，这2 种影像在波段特征与分辨率方面存在较大差异，造成分类精度也存在一定的差异。朱耀辉[31]利用支持向量机分类法对预处理后的无人机高光谱小麦全蚀病影像进行分类，结果表明支持向量机的径向基函数分类法分类精度最高，可以较好地实现小麦全蚀病的实时监测，与本研究的结果一致。Xavier 等[18]利用多项逻辑回归、多项增强逻辑回归、支持向量机、随机森林4 种不同分类法对获取的无人机多光谱棉花枯萎病影像进行分类，结果显示基于支持向量机分类法的分类影像更符合棉田实际发病情况。因此，将支持向量机分类法、最佳波段组合与DVI 综合影像相结合可以精准实现对棉田黄萎病发生程度的监测，可为病害的精准防治提供理论指导。

此外，本研究以无人机多光谱遥感为平台，以棉花黄萎病为研究对象，在棉花黄萎病病圃开展了小区试验研究，与大田示范推广相比，具有一定的局限性。由于大田试验的不确定性因素较多，未来研究过程中需要综合考虑各种因素的影响，采用多因素融合（如气象条件、土壤类型、地理特征、多种病虫胁迫并存等）试验来验证该多光谱影像分类监测模型的准确度，建立并优化棉花黄萎病发病程度分类模型。本研究筛选出了能够精准识别棉花黄萎病病情严重度的分类影像及分类方法，可为类似病害发生情况的监测提供研究思路。

4 结论

本研究条件下，差值植被指数（DVI）为无人机多光谱影像识别棉田黄萎病发病程度的最佳植被指数。B3-5-8（波长分别为550 nm、656 nm、800 nm）为无人机多光谱遥感监测棉花黄萎病的最佳波段组合。采用支持向量机径向基函数分类法基于最佳波段组合B3-5-8与DVI 综合影像能够准确地对棉花黄萎病病情严重度进行分类，总体分类精度为96.64%，Kappa 系数为95.61%。相关研究结果可为利用无人机多光谱影像监测作物病害发生情况提供借鉴。