蘭玉彬，朱梓豪，鄧小玲，練碧楨，黃敬易，黃梓效，胡 潔

?

基于無人機高光譜遙感的柑橘黃龍病植株的監(jiān)測與分類

蘭玉彬1,3，朱梓豪1,3，鄧小玲2,3,4※，練碧楨2,3，黃敬易1,3，黃梓效1,3，胡 潔2,3

（1. 華南農(nóng)業(yè)大學工程學院，廣州 510642；2. 華南農(nóng)業(yè)大學電子工程學院，廣州 510642；3. 國家精準農(nóng)業(yè)航空施藥技術國際聯(lián)合中心，廣州 510642；4. 廣東省農(nóng)情信息監(jiān)測工程技術研究中心，廣州 510642）

柑橘黃龍?。℉uanglongbing，HLB）是柑橘產(chǎn)業(yè)的毀滅性病害，及早發(fā)現(xiàn)并挖除病株是防治HLB的有效手段。通過無人機低空遙感監(jiān)測大面積果園，可大大減少HLB排查工作量和勞動力。該文獲取了無人機低空柑橘果園的高光譜影像，分別提取并計算健康和感染HLB植株冠層的感興趣區(qū)域的平均光譜，并對初始光譜進行Savitzky-Golay平滑、異常數(shù)據(jù)剔除和光譜變換，得到原始光譜、一階導數(shù)光譜和反對數(shù)光譜3種光譜，對這3種光譜采用主成分分析法進行降維，與全波段信息比較，分別采用k近鄰（kNN）和支持向量機（SVM）進行建模和分類。結果表明，以二次核SVM判別模型對全波段一階導數(shù)光譜的分類準確率達到94.7%，對測試集的誤判率為3.36%。表明低空高光譜遙感監(jiān)測HLB的手段具有可行性，可大大提高果園管理效率和政府防控病情力度。

遙感；無人機；高光譜；黃龍病；柑橘；k近鄰；支持向量機

0 引 言

柑橘黃龍?。℉uanglongbing，HLB）是柑橘植株韌皮受革蘭氏陰性細菌感染而造成的毀滅性病害，最早在中國南方地區(qū)發(fā)現(xiàn)，目前已在40多個國家發(fā)生病情。感染HLB的柑橘植株初顯癥狀時，果樹長勢會快速衰退，樹葉出現(xiàn)斑駁、黃化，植株矮小，果實著色不正常，呈現(xiàn)“紅鼻果”，品質(zhì)變差[1-5]。HLB有極強的傳染能力，能夠迅速感染其他柑橘植株，對柑橘生產(chǎn)已造成嚴重影響[6-7]。HLB目前尚未有藥物可以根治，盡早挖除病株并對傳播病菌的害蟲加以防治是最有效的防治方法。而防治HLB的最根本的前提就是要快速、及早地檢測HLB。

HLB的癥狀較為復雜，目前檢測HLB的方法包括田間診斷和實驗室生化分析兩大類。田間診斷主要依靠人眼診斷識別，簡單易行且無需設備輔助，是診斷HLB最快速的方法，但該法所需知識和經(jīng)驗儲備較高，主觀性較強，準確率不高[8-9]。實驗室生化分析有多種方式檢測HLB[10-13]，但這些檢測方法檢測過程較為復雜，對檢測人員專業(yè)知識儲備要求較高，檢測周期長等，不利于很好地推廣到農(nóng)業(yè)實際生產(chǎn)中。

近些年來，國內(nèi)外研究人員將光譜檢測技術應該用到柑橘HLB的檢測中，致力于研發(fā)可實時高效檢測HLB的技術，并取得一些進展。孫旭東等[14]結合峰值比判別模型和偏最小二乘判別模型對健康、缺素和HLB這3類葉片的高光譜圖像進行二步快速診斷，模型準確率達到96.7%。Pereira等[15]通過分析和比較同一品種的健康和感染HLB的柑橘葉片熒光圖像，可在95%的置信水平上順利找到HLB病害植株。Pérez等[16]通過一種便攜式光譜裝置上的拉曼光譜結合主成分線性判別分析技術(principal component analysis-linear discriminant analysis)判別健康和HLB病害植株，其正確識別率可達到89.2%。Sankaran等[17]利用傅里葉近紅外光譜儀對被干燥和粉碎的柑橘葉片進行檢測，對HLB的識別率可達到95%。劉燕德等[18]在380～1 080 nm光譜范圍內(nèi)對HLB進行病情等級判別，對所采集的柑橘葉片高光譜圖像按感染病害程度和缺素分成5類，使用偏最小二乘判別分析法（PLS-DA）的準確率可達94.4%。本研究團隊成員Deng Xiaoling等[19-21]和梅慧蘭等[22]在實驗室環(huán)境下，采用高光譜成像儀以及可見光相機獲取圖像，采用了不同的特征提取方法與建模方法進行HLB診斷研究，得出HLB無損檢測病情分類模型。這些研究展現(xiàn)了高光譜技術對HLB的病情診斷有著較高可行性。

無人機低空遙感可實現(xiàn)大面積快速高效的監(jiān)測，可大面積作物果園實現(xiàn)智能化種植提供幫助，開展基于高光譜數(shù)據(jù)對農(nóng)作物病蟲害的遙感檢測是低空農(nóng)業(yè)遙感領域的重要研究方向之一[23-27]。通過無人機搭載高光譜相機，可快速獲取農(nóng)作物信息[28-31]。

本研究主要通過無人機遙感技術獲取柑橘冠層高光譜圖像，探索一種可快速高效判別HLB病害的方法，建立HLB病害的判別模型。

1 材料與方法

1.1 試驗基地概況

本研究試驗基地位于廣東省惠州市博羅縣楊村鎮(zhèn)井水龍村柑橘黃龍病綠色防控與新栽培模式研發(fā)示范基地（N23°29￠57.812—N23°29￠59.31，E114°28￠8.392—E114°28￠12.262），海拔40 m，試驗時間為2017年12月9日正午11時至15時。當?shù)貧夂驕睾蜐駶?，適宜柑橘等果樹種植。本次試驗區(qū)域的作物品種均為砂糖橘（Citrus reticulate Blancocv Shangtanju），試驗區(qū)域種植9行，株間行距4 m，株間列距2.5 m，共有334棵柑橘植株，柑橘果樹分為健康和感染HLB病害2個類。該試驗基地為柑橘黃龍病防控示范基地，試驗區(qū)域選用植株長期由華南農(nóng)業(yè)大學黃龍病研究實驗室追蹤檢測，其感染HLB程度皆由PCR檢測確認。

1.2 數(shù)據(jù)采集及預處理

試驗區(qū)域包括健康和感染HLB的柑橘植株。本研究使用ASD地物光譜儀采集地面高光譜信息，用無人機搭載Nano-Hyperspec微型機載高光譜成像儀采集低空高光譜遙感圖像，分別獲取健康和感染HLB的柑橘植株冠層的光譜信息。

1.2.1 無人機高光譜數(shù)據(jù)獲取及預處理

本研究中低空遙感系統(tǒng)選用DJI Matrice 600 Pro六旋翼無人機（中國DJI公司生產(chǎn)）作為遙感平臺，該機單臂長437 mm，機身含電池質(zhì)量10 kg，飛行時有效載質(zhì)量6 kg，滿載續(xù)航時間為15～20 min。

本次試驗中使用的高光譜成像傳感器為Nano- Hyperspec（下文簡稱Nano）推掃式微型機載高光譜成像儀（Headwall公司生產(chǎn)），其像素大小為7.4m，幀頻（滿畫幅）大于200 幀/s，焦平面分辨率為640×480像素，鏡頭焦距17 mm，集成有GPS/IMU模塊和數(shù)據(jù)存儲模塊，總存儲空間480 GB。Nano在電動云臺控制下，可最大限度地減少無人機飛行時橫滾、俯仰和偏航震蕩等帶來的不良影響，有效提高圖像采集的質(zhì)量。

根據(jù)試驗區(qū)域的實際情況，在地面控制站上預先設置好飛行高度，飛行速度和飛行航線，飛行航跡如圖1所示。

如圖1左下角方框所示，在試驗區(qū)域的平坦地面上放置好尺寸為60 cm×60 cm、反射率為40%的漫反射定標板，且定標板表面無任何雜物和陰影。高光譜成像儀所獲取的高光譜影像中應包含有定標板，影像數(shù)據(jù)被存儲于相機的存儲模塊中。

圖1 定標板位置與試驗區(qū)域飛行航線

無人機的飛行高度為60 m，飛行速度為4～5 m/s，根據(jù)設定的航線飛行并采集數(shù)據(jù)，把獲取的高光譜影像導到電腦中，在Headwall SpectralView軟件完成試驗區(qū)域原始高光譜數(shù)據(jù)立方體的輻射校正和幾何校正處理，得到預處理后的高光譜正射影像。高光譜正射影像在ENVI5.3軟件中進行解譯。根據(jù)前期的地面調(diào)研，分別建立高光譜影像的健康植株冠層和HLB植株冠層樣本的感興趣區(qū)（region of interest，ROI）。感染HLB的柑橘植株在冠層上并不是都表現(xiàn)出HLB的癥狀，本研究中在ENVI5.3軟件中先提取前期調(diào)研中感染HLB程度嚴重的柑橘植株冠層的ROI光譜，考慮到感染HLB嚴重的植株冠層并不茂盛，而感染HLB較輕的植株冠層的染病范圍并不廣，因此對多個植株進行嘗試后，選用了每個植株繪制10個ROI。對所選取的柑橘植株冠層隨機繪制10個ROI，每個ROI為5×5的像素矩陣，通過ENVI5.3解譯每個ROI的光譜曲線，并以此為參考提取感染HLB程度較為輕緩的植株的冠層ROI。把一個ROI當做一個樣點，通過ENVI5.3均化處理每個ROI的光譜值，把得到的每個ROI的平均光譜作為在該樣點的光譜，得到各樣點的光譜數(shù)據(jù)。

把提取的柑橘植株冠層高光譜數(shù)據(jù)通過式（1）進行反射率轉(zhuǎn)換，得到柑橘植株冠層的相對光譜反射率。

式中DN1為柑橘植株冠層的輻射亮度值，DN2為定標板輻射亮度值，1為柑橘植株冠層的相對光譜反射率，2為定標板光譜反射率。

1.2.2 地面高光譜數(shù)據(jù)采集

地面高光譜數(shù)據(jù)與無人機高光譜數(shù)據(jù)進行同步采集，采用ASD FieldSpec HandHeld 2（下文簡稱HH2）手持式地物光譜儀(美國ASD公司生產(chǎn))對試驗區(qū)域的柑橘植株冠層葉片進行地面高光譜采集，并以此作為標準檢驗無人機高光譜影像對應地物光譜的質(zhì)量。低空與地面所使用的高光譜設備的主要參數(shù)如表1所示。

在HLB專家的指導下，對試驗區(qū)域的健康植株采樣30株，對所有HLB植株進行采樣，對采樣的健康植株冠層采集3個葉片，對采樣的HLB植株每棵分別采集3個癥狀明顯和3個癥狀不明顯的葉片，并摘取試驗葉片進行PCR檢測，經(jīng)確診，本研究對健康植株和HLB植株的采樣無誤。

采集地面光譜數(shù)據(jù)時，入射光線不應受到遮擋，避免陰影遮蓋HH2探頭25°視場角采集范圍，HH2探頭與采集葉片的距離為葉片大小的2倍，每采集完一棵柑橘果樹的數(shù)據(jù)，進行一次標準白板矯正，標準白板對光譜范圍內(nèi)入射光的漫反射接近100%。

表1 2種高光譜儀器參數(shù)的比較

1.3 數(shù)據(jù)處理方法

本文的研究思路如圖2所示，主要分為數(shù)據(jù)預處理、數(shù)據(jù)的特征提取和建模過程。

圖2 數(shù)據(jù)處理流程圖

1.3.1 異常數(shù)據(jù)剔除

對于感染HLB病害程度較輕緩的柑橘植株，其冠層生長著健康和感染HLB的葉片，對感染HLB病害植株所提取的冠層ROI區(qū)域存在包含健康葉片的可能性；不同植株冠層葉片密集程度不同，個別植株冠層葉片較為稀疏，ROI所提取區(qū)域存在包含土壤的可能性；試驗時期果實豐碩，ROI所提取區(qū)域存在包含果實的可能性；因此，對所提取的初始光譜數(shù)據(jù)進行異常數(shù)據(jù)剔除對檢測模型可靠性至關重要。本研究中通過判定樣本光譜曲線到所有樣本平均光譜曲線的距離剔除異常樣本。

由于Nano高光譜相機在獲取數(shù)據(jù)時受到設備內(nèi)部和外部環(huán)境的影響，所獲取的高光譜圖像在以401、404、407 nm為中心波長的波段的圖像出現(xiàn)DN值為0的現(xiàn)象，需要將這3個數(shù)據(jù)異常的光譜波段剔除。因此在本研究中不僅剔除異常光譜樣本，也需要剔除異常的光譜波段。

1.3.2 數(shù)據(jù)平滑與變換

高光譜成像儀在外界因素和設備內(nèi)部的影響下，易出現(xiàn)“失真”的現(xiàn)象。因此，對初始數(shù)據(jù)進行去噪和平滑，有利于獲取接近真實狀態(tài)的光譜信息。Savitzky- Golay濾波器（簡稱SG平滑）是一種基于多項式、移動窗口和最小二乘法擬合的平滑算子，能夠很好地保存原始光譜中的信息，在光譜分析中被廣泛應用。

原始光譜通過光譜變換可以增強數(shù)據(jù)特征，消減干擾，從而更有利于數(shù)據(jù)的分析。一階微分光譜（first-order derivative reflectance spectra，F(xiàn)DR）可去除光譜信息中部分線性背景和噪聲等對地物目標光譜的影響；反對數(shù)光譜（inverse logarithmic reflectance spectra，ILR）可以有效放大相似光譜之間的差異。

1.3.3 數(shù)據(jù)降維

高光譜的波段之間有著很高的相關性，對高光譜數(shù)據(jù)進行降維可有效減少數(shù)據(jù)的冗余度；主成分分析法（principal component analysis，PCA）是常用的數(shù)據(jù)降維方法，能夠去除波段間信息的冗余，在保留較多原始數(shù)據(jù)特征的前提下，減少數(shù)據(jù)使用的維度。

1.3.4 數(shù)據(jù)集處理

本研究將光譜變換后的原始光譜、FDR和ILR分別作為樣本變量，構建判別模型。建立判別模型之前，首先對479個樣本按3∶1的比例劃分為訓練集和測試集，訓練集數(shù)據(jù)用于判別模型的構建。在模型使用訓練集訓練階段，內(nèi)部采用K-折疊交叉驗證（K-folds cross validation），根據(jù)本研究中的訓練集有360個光譜樣本，對的取值為5；最后用測試集數(shù)據(jù)對判別模型進行預測。因此，本試驗模型的驗證包含訓練集數(shù)據(jù)的分類精度以及測試集數(shù)據(jù)的預測誤判率兩個指標。

1.4 模型建立方法

本研究使用經(jīng)典機器學習分類方法中的k近鄰（k-Nearest Neighbor，kNN）與支持向量機（support vector machine，SVM），分別建立HLB分類與檢測模型，并進行比較分析。

kNN通過計算維空間中一個點與其他點的距離或相似度來判斷該點與其他點的差異來選擇類域，且訓練簡單、高效。本研究中使用歐式距離（Euclidean Distance）和余弦相似度（Cosine Similarity）作為判別基準建立kNN判別模型。

SVM是機器學習中用來解決二分類問題的監(jiān)督學習算法，對于高維、非線性的數(shù)據(jù)問題有著良好分類能力。引入核函數(shù)能夠避免高維變換帶來的計算復雜性，本研究中分別采用線性核函數(shù)（Linear kernel function）、徑向基核函數(shù)（RBF kernel function）和多項式核函數(shù)（Polynomial kernel function）作為核函數(shù)進行對比。

2 結果與評價

2.1 無人機高光譜影像數(shù)據(jù)分析

ASD系列光譜儀在農(nóng)業(yè)遙感中被廣泛使用，其光譜信息于作物長勢和病蟲害監(jiān)測有著諸多研究[32-34]。在本研究中，將HH2采集的健康和癥狀明顯的葉片高光譜數(shù)據(jù)作為參考，用來驗證Nano獲取的光譜反射率曲線規(guī)律與HH2是否一致。

將低空Nano高光譜數(shù)據(jù)與地面HH2高光譜數(shù)據(jù)進行SG平滑，通過選用不同的窗口寬度和多項式的階數(shù)進行對比，得到窗口寬度為11和多項式階數(shù)為3是較佳的平滑參數(shù)，采用該平滑參數(shù)得到的效果如圖3a所示，較好地保留了原始光譜的主要信息，將圖3a光譜曲線在740～1000 nm的平滑效果進行局部放大，該部分的平滑效果如圖3b所示。本研究將SG平滑后的光譜作為建模使用的原始光譜（下文中的提到的原始光譜皆為SG平滑后的光譜反射率）。

圖3 平均光譜數(shù)據(jù)SG平滑前后對比

圖4為健康和感染HLB病害植株冠層在地面遙感和低空遙感方式下的平均光譜反射率。由圖4中可見，雖然在可見光波段HH2的光譜反射率高于Nano光譜反射率，在近紅外波段HH2的光譜反射率則低于Nano的光譜反射率，此現(xiàn)象可能由HH2和Nano的數(shù)據(jù)采集方式不同和采集高度不同造成。但對于整體而言，Nano光譜反射率曲線與HH2的變化趨勢是相對應的。

圖4 Nano與HH2獲取柑橘樹冠層反射率曲線

對于健康柑橘植株的光譜曲線應滿足健康作物的一般規(guī)律，即在藍光和紅光波段附近反射率較低，綠光波段有一處反射峰，紅邊的光譜反射率出現(xiàn)較陡波峰。因此圖4中位于原始光譜波長560 nm存在較為明顯的“綠峰”和在760 nm波長附近存在明顯的反射峰。HLB病害植株在可見光波段的光譜反射率高于正常作物，“綠峰”附近表現(xiàn)最為明顯；而在近紅外波段，HLB病害植株要比健康植株的光譜反射率低。造成這個區(qū)別的主要原因為HLB病害植株內(nèi)部生理結構發(fā)生變化，葉綠素含量減少，光合作用和養(yǎng)分水分吸收衰退等造成外部的斑駁、黃化等現(xiàn)象[35-36]。圖4中光譜曲線變化趨勢與文獻[37-39]中呈現(xiàn)的規(guī)律一致。

將原始光譜進行一階微分變換，得到FDR，F(xiàn)DR對地物目標的特征光譜更加明顯。由圖5a中可以看到，在藍波段、紅波段與近紅外波段的FDR的重疊率較高，在綠波段和紅邊波段呈現(xiàn)出明顯的區(qū)別。在綠波段，感染HLB病害的植株冠層FDR峰值高于健康果樹，兩者都在530 nm附近達到峰值。在紅邊波段，感染HLB病害植株冠層FDR波峰前移，峰值低于健康植株。

將原始光譜進行反對數(shù)變換，得到ILR，相較于原始光譜曲線，ILR曲線對于感染HLB植株與健康植株的光譜曲線區(qū)分度更大。由圖5b可見，在可見光波段，HLB植株ILR高于健康植株，在近紅外波段，HLB植株ILR低于健康植株。

2.2 建立判別模型

本研究中的模型以波段反射率或PCA主成分為變量。高光譜波段較多，通過PCA減少模型的所用的變量數(shù)，可提高分類速度。將原始光譜、FDR和ILR這3類光譜數(shù)據(jù)分別進行PCA降維得到3類光譜數(shù)據(jù)的主成分變量。

圖5 一階微分光譜與反對數(shù)光譜

取每類光譜PCA的前3個主成分，每類光譜前3個主成分分別包含原數(shù)據(jù)信息量如表2所示。原始光譜、FDR和ILR經(jīng)PCA降維后，前3個主成分共包含原數(shù)據(jù)的信息量，分別為99.5%、82.4%和97.6%。

分別采用kNN模型和SVM模型對各類全波段光譜和主成分變量進行分別建模。建模過程中所用到每類光譜數(shù)據(jù)的訓練集樣本含感染HLB和健康樣本各180個，測試集樣本有119個，含HLB樣本60個，健康樣本59個。各類全波段光譜和主成分變量在各判別模型訓練和測試效果如表3所示。

表2 3種光譜PCA前3個主成分包含信息量

表3 全波段光譜不同處理下分類模型的分類結果

注：模型訓練數(shù)據(jù)量為360個，預測樣本量為119個；為kNN模型的值，為SVM模型的懲罰系數(shù)，是徑向基核函數(shù)的核參數(shù)。分類準確率是針對訓練集的結果，誤判率是針對測試集的結果。

Note：360 samples are used to train the model and 119 samples used to predict the model;is the k-value of the kNN model,is the penalty coefficient of the SVM model, andis the kernel parameter of the radial basis kernel function; Classification accuracy is for the training set while the misjudgment rate is for the predicted set.

2.2.1 k近鄰判別模型及其效果（kNN）

本研究把樣本數(shù)據(jù)在分別在以歐氏距離和余弦相似度為判別基準的kNN模型中進行建模和測試，對取不同的值進行對比分析，選取分類準確率較高的模型的值為參數(shù)。

kNN模型對各類變量的分類準確率由表3可見，以全波段光譜或是以主成分變量訓練的模型，歐式距離或余弦相似度為基準的kNN模型對同種光譜的分類準確率差異并不大。對模型輸入測試集數(shù)據(jù)進行驗證，各模型對輸入的測試變量存在誤判，kNN模型對原始光譜和ILR測試變量的誤判率較高，誤判率達8.40%。

2.2.2 支持向量機判別模型及其效果（SVM）

除了確定模型的懲罰系數(shù)外，還需要確定輸入變量和核函數(shù)。本研究中SVM模型參數(shù)的具體數(shù)值如表3所示，通過設置不同的和訓練模型來調(diào)試各模型的較優(yōu)參數(shù)，對比模型訓練的準確率，選取分類準確率較高的模型的參數(shù)。由于多項式核函數(shù)的系數(shù)過高會給模型的求解帶來一些計算的困難，對于值<1的樣本容易造成趨近于0，對于值>1的樣本容易造成數(shù)值過大不穩(wěn)定，在調(diào)試過程中多項式系數(shù)分別代入2和3進行建模，參數(shù)和都為默認值，其中默認為“auto”，默認為0。

光譜數(shù)據(jù)在不同核函數(shù)的SVM判別模型中的分類效果由表3可見，在SVM模型中，以二次核SVM模型對3種全波段光譜類型的分類準確率較為穩(wěn)定，準確率可以保持在92%以上，其中，對全波段FDR的分類準確率可達94.7%。用測試集數(shù)據(jù)在SVM模型中測試，以線性函數(shù)為核的SVM對原始光譜的誤判率為1.68%，其余情況的誤判率在3%～7%。

由表3中準確率可以看到，相同類型的判別模型，則對FDR的分類準確率保持較為穩(wěn)定。對于FDR光譜數(shù)據(jù)，其全波段光譜或主成分變量光譜在各模型中分類準確率要優(yōu)于另外2種光譜數(shù)據(jù)的全波段或主成分變量，全波段ILR的分類效果稍優(yōu)于原始光譜。說明原始光譜經(jīng)過變換后可以放大光譜的特征，有助于判別模型提升判別能力。

所有模型對PCA后測試集的單個樣本所需要的預測時間都有所減少。各模型對原始光譜主成分和FDR主成分的測試集預測的誤判率都有所增加，對ILR主成分變量測試集的誤判率下降。對同類型全波段變量降維前后相比，SVM判別模型對PCA主成分變量的分類準確率下降，而kNN模型的分類準確率則略有上升。

由表3所示，對于相同類型的變量，以二次核SVM判別模型的分類準確率較高；對于同種全波段光譜數(shù)據(jù)，SVM模型分類的準確率總體效果要優(yōu)于kNN模型，而對于PCA后的主成分變量，kNN模型的分類效果和SVM的分類效果無明顯差異。

PCA降維可有效提高模型的判別速度，對模型的判別準確率存在一定影響，對模型有一定的優(yōu)化效果。與同類型全波段光譜相比，SVM對PCA主成分的分類準確率下降，kNN模型對PCA主成分的分類準確率提高。PCA后數(shù)據(jù)的信息量減少，SVM模型對高維數(shù)據(jù)有著較強的處理能力，因此對于信息完整的全波段光譜變量，SVM的分類效果要優(yōu)于信息量不完整主成分變量。另一方面，全波段光譜在高維空間中的分布和距離，對kNN模型判斷樣本之間的距離或者相似度造成大量的計算量且不好判斷其類域，通過PCA降維后的樣本維數(shù)只有3個，kNN能夠較好判別樣本的類域，因此在kNN對于PCA主成分變量的分類準確較全波段光譜變量有所提高。

由Nano微型機載高光譜成像儀獲取的數(shù)據(jù)如圖6的高光譜圖像條帶所示。該高光譜影像由第32、68、108（中心波段分別為470.7、550.7、639.5）這3個波段組成的可見光影像。在圖6中，用圓圈圈出的植株是用于創(chuàng)建ROI計算光譜反射率并應用于建立判別模型的植株，黃色圈內(nèi)的植株為HLB病害植株，紅色圈內(nèi)的植株為健康植株。把全波段的FDR在以二次核SVM判別模型的分類結果在圖6中加以展現(xiàn)。由圖6可見，F(xiàn)DR在該模型下，對健康植株的判別準確率達到100%，出現(xiàn)誤判的植株均為HLB植株，而造成該結果的影響很大可能來自于HLB在果樹冠層的分布不均勻所導致。

圖6 全波段FDR在二次核SVM模型中的分類效果

3 討 論

1）合適的光譜變換可有效提高對HLB植株的判別準確率。將全波段光譜變量和PCA后主成分變量分別在kNN和SVM分類器中訓練判別模型并進行對比，全波段的原始光譜經(jīng)過一階微分變換和反對數(shù)變換后得到的FDR和ILR可提高判別模型的分類精度。

2）對于全波段FDR或者是FDR主成分，以該變量所建立的判別模型的分類準確率較其余2種高?？罩懈吖庾V圖像受到來自設備、地面、大氣等多方面的干擾，而FDR能夠較好的消除這些干擾，提高數(shù)據(jù)的可區(qū)分性。

3）在本研究中二次核SVM對全波段FDR的分類準確率較優(yōu)，但是全波段光譜數(shù)據(jù)量大，處理效率底，對于未來的推廣和應用造成問題。

4）需要優(yōu)化對數(shù)據(jù)提取的方法。本研究中對ROI的選取存在隨機性，對感染HLB病害程度低的HLB植株存在提取到健康葉片冠層光譜的可能性。全波段光譜變量的二次核SVM判別模型中，對健康植株的判別準確率達到100%，出現(xiàn)誤判的植株均為HLB植株，而造成該結果的影響很大可能來自于HLB在果樹冠層的分布不均勻所導致。

5）Nano與HH2獲取的高光譜數(shù)據(jù)在趨勢上相近，但光譜反射率有著較大的區(qū)別。主要原因可能為Nano高光譜成像儀獲取數(shù)據(jù)的方式是搭載在無人機上采集，而HH2是人手持在地面對植株冠層的葉片采集，兩者的區(qū)別來源于傳感器的差異和光照條件的不一樣。

6）模型方面缺乏優(yōu)化。研究中二次核核函數(shù)對樣本的判別效果達到94.7%，但對多項式SVM模型的參數(shù)缺乏優(yōu)化，因此，該模型的準確率可進一步提高。

7）本次研究區(qū)域的柑橘植株不是同時期種植，長勢略有差異，樹上結果程度不同，在作物光譜上可能存在差異，對最后的分類效果的存在影響。

4 結 論

本文基于低空高光譜遙感對柑橘果園進行監(jiān)測，以無人機搭載高光譜相機采集果園高光譜影像，建立判別模型對果園HLB病株進行鑒別。通過本研究的試驗與分析，對經(jīng)過輻射校正、幾何校正后的高光譜影像感興趣區(qū)域提取和反射率換算，分別得到健康植株和HLB病害植株的冠層反射率光譜，將初始反射率光譜經(jīng)過異常數(shù)據(jù)剔除后，用窗口寬度為11和階數(shù)為的Savitzky-Golay平滑算法對反射率光譜進行平滑，把平滑后的原始光譜進行一階微分變換和反對數(shù)變換得到一階微分光譜和反對數(shù)光譜，把原始光譜、一階微分光譜和反對數(shù)光譜進行PCA降維，取各類光譜前3個主成分變量與全波段光譜變量作為用于建模的變量并進行比較。結合kNN模型和SVM模型對果園HLB植株進行判別，其中二次核SVM模型在本研究中對360個訓練樣本的分類準確率達到94.7%，對119個測試樣本的誤判率為3.36%?？梢钥闯觯瑹o人機低空高光譜遙感對柑橘HLB的大面積監(jiān)測是可行的，該方式可有效提高管理和生產(chǎn)效率，降低果園種植的工作量和勞動力，降低果園在生產(chǎn)過程的損失，可為果園智能化種植提供幫助。

[1] Bové J M. Huanglongbing: A destructive, newly-emerging, century-old disease of citrus. [J]. Journal of Plant Pathology, 2006, 88(1): 7－37.

[2] 柏自琴，周常勇. 柑橘黃龍病病原分化及發(fā)生規(guī)律研究進展[J]. 中國農(nóng)學通報，2012，28(1)：133－137. Bai Ziqin, Zhou Changyong. The research progress of citrus Huanglongbing on pathogen diversity and epidemiology[J]. Chinese Agricultural Science Bulletin, 2012, 28(1): 133－137. (in Chinese with English abstract)

[3] Rosales R, Burns J K. Phytohormone changes and carbohydrate status in sweet orange fruit from Huanglongbing- infected trees[J]. Journal of Plant Growth Regulation, 2011, 30(3): 312－321.

[4] Shokrollah H, Abdullah T L, Sijam K, et al. Identification of physical and biochemical characteristic of mandarin () fruit infected by Huanglongbing (HLB)[J]. Australian Journal of Crop Science, 2011, 5(2): 181－186.

[5] 袁亦文，戈麗清，王德善，等. 柑橘黃龍病對柑橘產(chǎn)量和品質(zhì)的影響[J]. 浙江農(nóng)業(yè)科學，2007(1)：87－88.

[6] 鹿連明，范國成，胡秀榮，等. 田間柑橘植株不同部位黃龍病菌的PCR檢測及發(fā)病原因分析[J]. 植物保護，2011，37(2)：45－49. Lu Lianming, Fan Guocheng, Hu Xiurong, et al. PCR detection of Huanglongbing pathogen in different parts of citrus plants in the field and analysis of the cause of the disease[J]. Plant Protection, 2011, 37(2): 45－49. (in Chinese with English abstract)

[7] Deng Xiaoling, Gao Yidi, Chen Jianchi, et al. Curent situation of "candidatus liberibacter asiaticus" in Guangdong, China, where citrus Huanglongbing was first described[J]. Journal of Integrative Agriculture, 2012, 11(3): 424－429.

[8] 鄒敏，宋震，唐科志，等. 柑橘黃龍病病原DNA微量提取方法比較[J]. 植物檢疫，2005，19(5)：271－274. Zou Min, Song Zhen, Tang Kezhi, et al. Comparing of micro extraction methods of DNA from citrus Huanglongbing pathogen[J]. Phytosanitary Diseases, 2005, 19(5): 271－274. (in Chinese with English abstract)

[9] 羅志達，葉自行，許建楷，等. 柑桔黃龍病的田間診斷方法[J]. 廣東農(nóng)業(yè)科學，2009(3)：91－93.

[10] 王愛民，鄧曉玲. 柑桔黃龍病診斷技術研究進展[J]. 廣東農(nóng)業(yè)科學，2008(6)：101－103.

[11] 王春梅. 湖南柑橘黃龍病檢測及DNA片段克隆[D].長沙：湖南農(nóng)業(yè)大學，2006. Wang Chunmei. Detection of Citrus Huanglongbing Pathogen in Hunan Province and Cloning[D]. Changsha: Hunan Agricultural University, 2006. (in Chinese with English abstract)

[12] Planet P, Jagoueix S, Bové J M, et al. Detection and characterization of the African citrus greening Liberobacter by amplification, cloning, and sequencing of the rpl KAJL- rpo BC operon[J]. Current Microbiology, 1995, 30(3): 137－141.

[13] 李德望，唐偉文，范懷忠. 柑桔黃龍病的血清學檢測與診斷方法的初步研究[J]. 華南農(nóng)業(yè)大學學報，1992，13(2)：16－22. Li Dewang, Tang Weiwen, Fan Huaizhong. Preliminary studies on the methods of rapid serological detection and diagnosis of the BLO associated with citrus shoot-yellowing[J]. Journal of South China Agricultural University, 1992, 13(2): 16－22. (in Chinese with English abstract)

[14] 孫旭東，劉燕德，肖懷春，等. 正常、缺素和黃龍病柑桔葉片高光譜成像快速診斷[J]. 光譜學與光譜分析，2017，37(2)：551－556. Sun Xudong, Liu Yande, Xiao Huaichun, et al. Rapid diagnosis of sound, yellow and citrus greening leaves with hyperspectral imaging[J]. Spectroscopy and Spectral Analysis, 2017, 37(2): 551－556. (in Chinese with English abstract)

[15] Pereira F M V, Pereira-Filho E R, Venancio A L, et al. Laser-induced fluorescence imaging method to monitor citrus greening disease[J]. Computers & Electronics in Agriculture, 2011, 79(1): 90－93.

[16] Pérez M R, Mendoza M G, Elías M G, et al. Raman spectroscopy an option for the early detection of citrus Huanglongbing [J]. Applied Spectroscopy, 2016, 70(5): 829－839.

[17] Sankaran S, Ehsani R. Visible-near infrared spectroscopy based citrus greening detection: Evaluation of spectral feature extraction techniques[J]. Crop Protection, 2011, 30(11): 1508－1513.

[18] 劉燕德，肖懷春，孫旭東，等. 基于高光譜成像的柑橘黃龍病無損檢測[J]. 農(nóng)業(yè)機械學報，2016，47(11)：231－238. Liu Yande, Xiao Huaichun, Sun Xudong, et al. Non- destructive detection of citrus huanglong disease using hyperspectral image technique[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(11): 231－238. (in Chinese with English abstract)

[19] Deng Xiaoling, Kong Chen, Wu Weibin, et al. Detection of citrus Huanglongbing based on principal component analysis and back propagation neural network[J]. Acta Photonica Sinica, 2014, 43(4): 10－16

[20] Deng Xiaoling, Li Zhen, Deng Xiaoling, et al. Citrus disease recognition based on weighted scalable vocabulary tree[J]. Precision Agriculture, 2014, 15(3): 321－330.

[21] Deng Xiaoling, Lan Yubin, Hong Tiansheng, et al. Citrus greening detection using visible spectrum imaging and C-SVC[J]. Computers & Electronics in Agriculture, 2016, 130: 177－183.

[22] 梅慧蘭，鄧小玲，洪添勝，等. 柑橘黃龍病高光譜早期鑒別及病情分級[J]. 農(nóng)業(yè)工程學報，2014，30(9)：140－147. Mei Huilan, Deng Xiaoling, Hong Tiansheng, et al. Early detection and grading of citrus Huanglongbing using hyperspectral imaging technique[J]. Transactions of the ChineseSociety of Agricultural Engineering (Transactions of the CSAE), 2014, 30(9): 140－147. (in Chinese with English abstract)

[23] Huang Y B, Thomson S J, Hoffmann W C, et al. Development and prospect of unmanned aerial vehicle technologies for agricultural production management[J]. International Journal of Agricultural & Biological Engineering, 2013, 6(3): 1－10.

[24] 金偉，葛宏立，杜華強，等. 無人機遙感發(fā)展與應用概況[J]. 遙感信息，2009(1)：88－92. Jin Wei, Ge Hongli, Du Huaqiang, et al. A review on unmanned aerial vehicle remote sensing and its application[J]. Remote Sensing Information, 2009(1): 88－92. (in Chinese with English abstract)

[25] 王柯，付怡然，彭向陽，等. 無人機低空遙感技術進展及典型行業(yè)應用綜述[J]. 測繪通報，2017(增刊1)：79－83. Wang Ke, Fu Yiran, Peng Xiangyang, et al. Overview of UAV low altitude remote sensing technology and application in typical industries [J]. Surveying and Mapping Bulletin, 2017 (Supp.1): 79－83. (in Chinese with English abstract)

[26] 陳仲新，任建強，唐華俊，等. 農(nóng)業(yè)遙感研究應用進展與展望[J]. 遙感學報，2016，20(5)：748－767. Chen Zhongxin, Ren Jianqiang, Tang Huajun, et al. Progress and perspectives on agricultural remote sensing research and applications in China [J]. Journal of Remote Sensing, 2016, 20 (5): 748－767. (in Chinese with English abstract)

[27] Zhang M, Qin Z, Liu X, et al. Detection of stress in tomatoes induced by late blight disease in California, USA, using hyperspectral remote sensing[J]. International Journal of Applied Earth Observations & Geoinformation, 2003, 4(4): 295－310.

[28] 高林，楊貴軍，于海洋，等. 基于無人機高光譜遙感的冬小麥葉面積指數(shù)反演[J]. 農(nóng)業(yè)工程學報，2016，32(22)：113－120. Gao Lin, Yang Guijun, Yu Haiyang, et al. Retrieving winter wheat leaf area index based on unmanned aerial vehicle hyperspectral remote sensing [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(22): 113－120. (in Chinese with English abstract)

[29] 于豐華. 基于無人機高光譜遙感的東北粳稻生長信息反演建模研究[D]. 沈陽：沈陽農(nóng)業(yè)大學，2017. Yu Fenghua. Retrieval Nutrient Information of Japonica Rice Based on Unmanned Aerial Vehicle Hyperspectral Remote Sensing [D]. Shenyang: Shenyang Agricultural University, 2017. (in Chinese with English abstract)

[30] 秦占飛，常慶瑞，謝寶妮，等. 基于無人機高光譜影像的引黃灌區(qū)水稻葉片全氮含量估測[J]. 農(nóng)業(yè)工程學報，2016，32(23)：77－85. Qin Zhanfei, Chang Qingrui, Xie Baoni, et al. Rice leaf nitrogen content estimation based on hyperspectral imagery of UAV in Yellow River diversion irrigation district[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32 (23): 77－85. (in Chinese with English abstract)

[31] Yue J, Yang G, Li C, et al. Estimation of winter wheat above-ground biomass using unmanned aerial vehicle-based snapshot hyperspectral sensor and crop height improved models[J]. Remote Sensing, 2017, 9(7): 708.

[32] Lukas V, Novák J, Neudert L, et al. The combination of UAV survey and Landsat imagery for monitoring of crop vigor in precision agriculture[C]// ISPRS - XXIII ISPRS Congress, Remote Sensing and Spatial Information Sciences, Prague, Czech Republic: International Archives of the Photogrammetry, 2016: 953－957.

[33] Makinde-Omodanisi E O. Spectral indices for detecting change trend in vegetation affected by hydrocarbon spillage, 2015[C]// 2015 5th International Conference on Environment Science and Engineering, Turkey: International Proceedings of Chemical, Biological and Environmental Engineering , 2015, 83(16): 97－102.

[34] 毛博慧，孫紅，劉豪杰，等. 基于正交變換與SPXY樣本劃分的冬小麥葉綠素診斷[J]. 農(nóng)業(yè)機械學報，2017，48(增刊1)：160－165.

Mao Bohui, Sun Hong, Liu Haojie, et al. Prediction of winter wheat chlorophyll content based on gram-schmidt and SPXY algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017,48(Supp.1): 160－165. (in Chinese with English abstract)

[35] 閆峰，李茂松，王艷姣，等. 遙感技術在農(nóng)業(yè)災害監(jiān)測中的應用[J]. 自然災害學報，2006，15(6)：131－136. Yan Feng, Li Maosong, Wang Yanjiao, et al. Application of remote sensing technique to monitor agricultural disasters[J]. Journal of Natural Disasters, 2006, 15(6): 131－136. (in Chinese with English abstract)

[36] 李修華，李民贊，Won Suk Lee，等. 柑桔黃龍病的可見-近紅外光譜特征[J].光譜學與光譜分析，2014，34(6)：1553－1559. Li Xiuhua, Li Minzan, Won Suk Lee, et al. Visible-NIR spectral feature of citrus greening disease[J]. Spectroscopy and Spectral Analysis, 2014, 34(6) :1553－1559. (in Chinese with English abstract)

[37] Li X, Lee W S, Li M, et al. Spectral difference analysis and airborne imaging classification for citrus greening infected trees[J]. Computers & Electronics in Agriculture, 2012, 79(1): 32－46.

[38] Li H, Lee W S, Wang K, et al. 'Extended spectral angle mapping (ESAM)' for citrus greening disease detection using airborne hyperspectral imaging[J]. Precision Agriculture, 2014, 15(2): 162－183.

[39] 馬淏，吉海彥. 基于Vis-NIR光譜的柑橘葉片黃龍病檢測及其光譜特性研究[J]. 光譜學與光譜分析，2014，34(10)：2713－2718. Ma Yao, Ji Haiyan. Detection of citrus greening based on Vis-NIR spectroscopy and spectral feature analysis[J]. Spectroscopy and Spectral Analysis, 2014, 34(10): 2713－2718. (in Chinese with English abstract)

Monitoring and classification of citrus Huanglongbing based on UAV hyperspectral remote sensing

Lan Yubin1,3, Zhu Zihao1,3, Deng Xiaoling2,3,4※, Lian Bizhen2,3, Huang Jingyi1,3, Huang Zixiao1,3, Hu Jie2,3

(1.510642,; 2.510642,; 3.510642,; 4.510642,)

Citrus Huanglongbing (HLB) is an extremely destructive disease without cured medicine. Finding citrus trees suffering from HLB as soon as possible and eradicating the infected tree timely is an effective measure to prevent citrus from HLB. For large-scale citrus orchards, monitoring HLB is a heavy workload that requires a lot of time and effort.- Using remote sensing by unmanned aerial vehicle (UAV) to monitor the citrus orchards is a feasible measure which could reduce a lot of work and cost. In this study, a hyperspectral image of citrus in orchard was obtained by a UAV equipped with hyperspectral camera, flying at a height of 60 m. 26 healthy trees and 26 trees infected HLB were selected from the hyperspectral image, which was radiational corrected and geometric corrected. 10 regions of interest (ROIs) were created (5×5 pixel size) on each selected citrus canopy and the mean reflectance spectra in every ROI was calculated. The abnormal spectra wereremoved by observing the mean reflectance spectra, and the remaining spectra were smoothed and denoised by Savitzky-Golay. The ground reflectance spectra captured by ASD FieldSpec HandHeld 2 Spectroradiometer was used as a reference to verify the effect of the spectra by hyperspectral camera in UAV and it was found that the reflectance spectra of hyperspectral camera had a same trend with the spectra from gound. The first-orderderivative reflectance spectra (FDR) and the inverse logarithmtic reflectance spectra (ILR) were obtained by spectral transformation. The dataset was divided into a training set and a test set by a ratio of 3:1, and the training set was used to train the discriminant model.In the training phase of the model, K-folds cross validation was used internally. Finally, the test data was used to predict in the discriminant model. The k-Nearest Neighbor (kNN) and support vector machine (SVM) model were adopted as classifiers respectively, and 3 kinds of spectra transformed from the full-band spectra and first 3 principal components after PCA were compared as input variables to establish the discriminant model. Different input variables in different classifiers, different kernels in SVM model and different distance calculating way in the kNN were compared. The parameters of different models were gradually tried, and the parameters with the highest training accuracy were selected for modeling. Some conclusions were gotten in the paper. First, the reflectance spectra acquired by remote sensing by UAV could be used to establish the discriminant model for trees injected HLB after a series of processing. Such as the SVM classification model with the quadratic kernel had a classification accuracy of 94.7% for full-band FDR and the predictive error rate for the test data was 3.36%. Second, spectral variable obtained by spectral transformation can improve the classification accuracy of the model. For example, the classification accuracy with FDR as the input variables was the highest in each model. Third, principal component analysis (PCA) dimensionality reduction on spectral variables can significantly improve the recognition speed. We could find that the error rate had decreased for model with ILR after PCA and increased for models with other spectra after PCA. Last but not least, in the SVM classification model with the quadratic kernel,the discriminative accuracy for healthy plants was 100%, and the plants with misjudged just were plants injected HLB, the impact of this result was likely to come from part with HLB in the canopy of fruit trees. In summary, hyperspectral remote sensing by UAV was used to monitor the cultivation of orchards in large areas. It was an effective management method to monitor citrus HLB by establishing a discriminant model.

remote sensing; unmanned aerial vehicle; hyperspectral; Huanglongbing; citrus; k-Nearest Neighbor; support vector machine

蘭玉彬，朱梓豪，鄧小玲，練碧楨，黃敬易，黃梓效，胡 潔. 基于無人機高光譜遙感的柑橘黃龍病植株的監(jiān)測與分類[J]. 農(nóng)業(yè)工程學報，2019，35(3)：92－100. doi：10.11975/j.issn.1002-6819.2019.03.012 http://www.tcsae.org

Lan Yubin, Zhu Zihao, Deng Xiaoling, Lian Bizhen, Huang Jingyi, Huang Zixiao, Hu Jie. 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) doi：10.11975/j.issn.1002-6819.2019.03.012 http://www.tcsae.org

10.11975/j.issn.1002-6819.2019.03.012

TP79

A

1002-6819(2019)-03-0092-09

2018-09-19

2019-01-22

國家自然科學基金（61675003）；國家重點研發(fā)計劃項目（2016YFD0200700）；廣東省教育廳平臺建設項目（2015KGJHZ007）；廣東省領軍人才項目（2016LJ06G689）；廣東省省級科技計劃項目（2017B010117010）

蘭玉彬，國家“千人計劃”特聘專家，教授，博士生導師，主要從事精準農(nóng)業(yè)航空方向研究。Email：ylan@scau.edu.cn

鄧小玲，副教授，主要從事農(nóng)業(yè)航空遙感應用研究。 Email：dengxl@scau.edu.cn

中國農(nóng)業(yè)工程學會高級會員：蘭玉彬（E041200725S）