地力夏提·依馬木，周建平,2，許 燕，樊湘鵬，亞里坤·沙吾提

(1 新疆大學(xué) 機(jī)械工程學(xué)院，新疆 烏魯木齊 830047； 2 新疆大學(xué) 新疆維吾爾自治區(qū)農(nóng)牧機(jī)器人及智能裝備工程研究中心，新疆 烏魯木齊 830047； 3 新疆維吾爾自治區(qū)農(nóng)牧業(yè)機(jī)械化技術(shù)推廣總站，新疆 烏魯木齊 830054)

近年來(lái)，提升大田作物品質(zhì)與保障農(nóng)田作物產(chǎn)量是農(nóng)業(yè)機(jī)械化領(lǐng)域的熱點(diǎn)研究問(wèn)題，給農(nóng)業(yè)生產(chǎn)造成損失的主要原因是蟲(chóng)害的發(fā)生與蔓延。據(jù)現(xiàn)有統(tǒng)計(jì)信息，2020年中國(guó)棉花總產(chǎn)量為591萬(wàn)噸，因病蟲(chóng)害損失15%～20%[1]。作為中國(guó)最大的優(yōu)質(zhì)棉生產(chǎn)區(qū)域，新疆棉花播種面積占全國(guó)的76%左右，總產(chǎn)占全國(guó)棉花產(chǎn)能的84.9%[2-3]。棉花高產(chǎn)量與優(yōu)產(chǎn)率得益于新疆獨(dú)特的地域優(yōu)勢(shì)與氣候環(huán)境優(yōu)勢(shì)[4-5]。棉蚜蟲(chóng)、棉紅蜘蛛、棉鈴蟲(chóng)是棉花的主要害蟲(chóng)，對(duì)棉花生產(chǎn)造成的危害較大。精準(zhǔn)、快速地對(duì)棉花蟲(chóng)害發(fā)生情況進(jìn)行監(jiān)測(cè)，及時(shí)了解棉花蟲(chóng)害動(dòng)態(tài)變化，對(duì)于棉花大面積穩(wěn)健生長(zhǎng)具有重要意義[6-7]。傳統(tǒng)的蟲(chóng)害識(shí)別監(jiān)測(cè)、定位方法需要耗費(fèi)大量的人力、物力，僅適用于小片區(qū)棉田，難以滿足新疆棉田規(guī)?；脖７乐蔚囊骩8]。趙亮等[9]基于便攜式光譜儀的光譜信息分析螨害嚴(yán)重度與棉葉螨葉片光譜反射率的相關(guān)性，構(gòu)建了基于敏感波段的蟲(chóng)害診斷模型，從而實(shí)現(xiàn)了對(duì)棉花螨害的識(shí)別提取。Prabhakar等[10]利用葉片波譜分析和受害葉片癥狀解讀方法，構(gòu)建葉蟬敏感波段，并利用比值指數(shù)組合構(gòu)建葉蟬指數(shù)(Leafhopper index，LHI)有效識(shí)別葉蟬發(fā)生區(qū)域；競(jìng)霞等[11]利用衛(wèi)星遙感數(shù)據(jù)提取歸一化差值植被指數(shù)(Normalized difference vegetation index，NDVI)、重歸一化差值植被指數(shù) (Renormalized difference vegetation index，RDVI)、增強(qiáng)植被指數(shù) (Enhanced vegetation index，EVI)、差值植被指數(shù) (Difference vegetation index，DVI)、全球環(huán)境監(jiān)測(cè)植被指數(shù)(Global environment monitoring index，GEMI)和修改型土壤植被指數(shù) (Modified soil-adjusted vegetation index，MSAVI)共6種影響因子，使用偏最小二乘法 (Partial least squares,PLS) 和變量投影重要性(Variable importance projection，VIP)準(zhǔn)則構(gòu)建棉花黃萎癥影響度估測(cè)模型，有效識(shí)別了病害發(fā)生區(qū)域并分析了其精度；胡根生等[12]利用植被中對(duì)蚜蟲(chóng)影響較大的植被指數(shù)生成8種特征因子，基于環(huán)保衛(wèi)星遠(yuǎn)程遙感影像資料，提取相應(yīng)光譜特征信息，利用最小二乘孿生支持向量機(jī)建立小麥蚜蟲(chóng)識(shí)別模型，且模型精度達(dá)到86.4%，較好地實(shí)現(xiàn)了對(duì)小麥蚜蟲(chóng)的監(jiān)測(cè)。Stella等[13]基于農(nóng)作物受病蟲(chóng)害侵害的時(shí)間構(gòu)建作物病蟲(chóng)害的Logistic模型，以總農(nóng)作物種群為常數(shù)，以病蟲(chóng)害媒介種群為變量，以基本病蟲(chóng)繁殖數(shù)為平衡點(diǎn)分析病蟲(chóng)害發(fā)生情況，并在棉花、小麥、玉米等農(nóng)作物上進(jìn)行模型驗(yàn)證；馮煉等[14]在冬小麥病蟲(chóng)害面積監(jiān)測(cè)研究中選擇二值Logistic回歸法，分別建立植被指數(shù)與病蟲(chóng)害發(fā)生區(qū)域的Logistic模型，從模型識(shí)別結(jié)果來(lái)看，提取的冬小麥?zhǔn)懿∠x(chóng)害脅迫面積與實(shí)測(cè)值結(jié)果相符，能滿足農(nóng)作物病蟲(chóng)害發(fā)生區(qū)域遙感監(jiān)測(cè)要求，該模型在棉田病蟲(chóng)害識(shí)別方面也得到了較好的精度。學(xué)者們?cè)陬A(yù)測(cè)蟲(chóng)害發(fā)生趨勢(shì)研究方面利用Logistic模型確定性和隨機(jī)性、蟲(chóng)害敏感波段、植被指數(shù)影響因子等方法，對(duì)比基于無(wú)人機(jī)遙感獲取的高光譜、多光譜傳感器影像數(shù)據(jù)，識(shí)別提取作物蟲(chóng)害發(fā)生區(qū)域并預(yù)測(cè)蟲(chóng)害發(fā)生趨勢(shì)。結(jié)合無(wú)人機(jī)光譜遙感精準(zhǔn)、高時(shí)效、高分辨率的優(yōu)勢(shì)，可以實(shí)現(xiàn)蟲(chóng)害區(qū)域預(yù)測(cè)研究[9,11,15-17]。而 Logistic模型可同時(shí)引用敏感波段、植被指數(shù)等數(shù)據(jù)[14,18]構(gòu)建作物蟲(chóng)害識(shí)別模型，且從精度數(shù)據(jù)來(lái)看，對(duì)作物蟲(chóng)害識(shí)別的準(zhǔn)確率均可滿足蟲(chóng)害發(fā)生區(qū)域監(jiān)測(cè)要求，故本研究采用Logistic模型實(shí)現(xiàn)棉花蟲(chóng)害監(jiān)測(cè)與分類(lèi)?，F(xiàn)階段無(wú)人機(jī)遙感影像數(shù)據(jù)在識(shí)別監(jiān)測(cè)棉田蟲(chóng)害研究領(lǐng)域中僅停留在對(duì)單一蟲(chóng)害的識(shí)別監(jiān)測(cè)，鮮見(jiàn)對(duì)多種蟲(chóng)害的識(shí)別監(jiān)測(cè)，且鮮見(jiàn)對(duì)影響遙感影像精度的因素及其解決方案的系統(tǒng)性研究。借助遙感影像處理軟件分析影響遙感影像精度的因素并對(duì)所獲取棉田遙感影像進(jìn)行幾何校正、輻射校正，提升影像精度，其次利用Logistic模型、自相關(guān)性時(shí)間序列檢測(cè)的互相關(guān)函數(shù)(Cross correlation function，CCF)等算法，實(shí)現(xiàn)棉田多種蟲(chóng)害快速精準(zhǔn)識(shí)別監(jiān)測(cè)，以期為棉花穩(wěn)產(chǎn)高質(zhì)提供技術(shù)服務(wù)，為蟲(chóng)害識(shí)別提供數(shù)據(jù)支撐。

1 研究平臺(tái)與方法

1.1 研究區(qū)概況

研究區(qū)位于新疆維吾爾自治區(qū)巴音郭楞蒙古自治州尉犁縣境內(nèi)，地處北緯 41°29′27″～41°29′58″，東經(jīng) 86°15′30″～86°16′3″，占地 127.3 hm2。屬暖溫帶大陸性荒漠氣候，冷熱差異懸殊，全年平均氣溫10.1 ℃，年平均降水量 43 mm，年平均蒸發(fā)量2 700 mm。本次研究選擇‘新陸中68號(hào)’棉花作為研究對(duì)象，生育期134～143 d，研究區(qū)棉花采取2膜12行種植模式，行距配置為(10+66+10+66+10) cm，種植行間距為寬行 66 cm，窄行 10 cm，株距10 cm。種植區(qū)域采用滴灌模式，其他管理措施按照當(dāng)?shù)卮筇锩藁ǜ弋a(chǎn)栽培模式進(jìn)行。

1.2 試驗(yàn)設(shè)計(jì)

棉田遙感影像數(shù)據(jù)獲取試驗(yàn)于2020年7月15日早間進(jìn)行，天氣晴，氣溫22 ℃，風(fēng)向西北，風(fēng)速3.1 m/s，適宜無(wú)人機(jī)航拍作業(yè)。無(wú)人機(jī)遙感平臺(tái)選用DJI大疆經(jīng)緯 Matrice 600多旋翼無(wú)人機(jī)，搭載MicaSense RedEdge-M 5通道光譜相機(jī)構(gòu)成多旋翼無(wú)人機(jī)遙感系統(tǒng)。RedEdge-M 5通道光譜相機(jī)分辨率為 1 280×960，光譜波段包括藍(lán)光 475 nm、綠光 560 nm、紅光 668 nm、近紅外 840 nm 和紅邊 717 nm，其對(duì)應(yīng)的帶寬分別為 20、20、10、40 和 10 nm。

數(shù)據(jù)采集時(shí)，根據(jù)預(yù)定航線采取垂直拍攝模式，覆蓋整片研究區(qū)地塊，飛行高度50 m，影像航向重疊率80%，旁向重疊率70%，滿足影像處理需求。從研究區(qū)棉田劃分4.67 hm2棉田作為驗(yàn)證區(qū)，取20個(gè)采樣節(jié)點(diǎn)，每個(gè)采樣節(jié)點(diǎn)為3 m×3 m空間范圍，采樣點(diǎn)地理位置信息采取空地設(shè)備結(jié)合方式，地面選取輕測(cè)Lite RTK設(shè)備獲取地理位置信息，該設(shè)備滿足5 Hz刷新率，RTK精度達(dá)到±(10+1×10-6D)mm，其中D為被測(cè)點(diǎn)間距；選用本研究執(zhí)飛無(wú)人機(jī)GPS模塊獲取空間地理位置信息。獲取的地理位置數(shù)據(jù)經(jīng)由幾何校正后，生成試驗(yàn)區(qū)正射影像圖，從而保證采樣點(diǎn)定位精度。選取此空間范圍內(nèi)所有棉花植株作為采樣對(duì)象，采樣對(duì)象包含棉花植株葉片、花蕾、花鈴所發(fā)生的蟲(chóng)害，采樣節(jié)點(diǎn)位置示意圖如圖1所示。采樣過(guò)程樣葉分成左基部、右基部?jī)啥?，每端各測(cè)2次，每次測(cè)2條光譜，生成4組光譜波長(zhǎng)數(shù)據(jù)，取其平均值作為樣葉光譜值，棉花葉片采樣位置如圖2所示。在20個(gè)采樣節(jié)點(diǎn)中選取300株棉花驗(yàn)證模型準(zhǔn)確度，從中選取總樣本數(shù)2/3的棉花植株(200株)用于模型訓(xùn)練，其中，100個(gè)樣本選取受棉蚜蟲(chóng)、棉紅蜘蛛、棉鈴蟲(chóng)蟲(chóng)害的棉花植株，100個(gè)樣本為健康棉花植株；剩余1/3的棉花植株樣本數(shù)據(jù)用來(lái)測(cè)試精準(zhǔn)度，其中，50個(gè)樣本為受棉蚜蟲(chóng)、棉紅蜘蛛、棉鈴蟲(chóng)蟲(chóng)害的棉花植株，50個(gè)樣本為健康棉花植株。本研究中健康棉葉與受蟲(chóng)害棉葉區(qū)分標(biāo)準(zhǔn)為：受蟲(chóng)害棉葉指葉片受蟲(chóng)害侵蝕區(qū)域面積大于單個(gè)葉片面積的5%，健康棉葉指葉片受蟲(chóng)害侵蝕區(qū)域面積少于單個(gè)葉片面積的5%。

圖1 采樣節(jié)點(diǎn)位置示意圖Fig.1 Schematic diagram of sampling node location

圖2 棉花葉片采樣位置示意圖Fig.2 Schematic diagram of sampling position of cotton leaves

1.3 研究方法

針對(duì)現(xiàn)階段無(wú)人機(jī)遙感在規(guī)?；r(nóng)田蟲(chóng)害識(shí)別研究中存在的遙感影像質(zhì)量嚴(yán)重依賴(lài)天氣、圖片質(zhì)量影響蟲(chóng)害識(shí)別精度及當(dāng)前研究停留于單一蟲(chóng)害識(shí)別等問(wèn)題，本研究利用幾何校正、輻射校正方法，提升圖像地理位置精度與像素覆蓋密度，有效提升遙感影像質(zhì)量；利用邏輯回歸(Logistic regression，LR)方法識(shí)別蟲(chóng)害發(fā)生區(qū)域，對(duì)蟲(chóng)害識(shí)別精度及蟲(chóng)害發(fā)生區(qū)域特征進(jìn)行分析。

LR又稱(chēng)為廣義線性回歸，屬于判別分析，用于處理因變量為分類(lèi)變量的數(shù)據(jù)。在實(shí)際應(yīng)用過(guò)程中響應(yīng)變量為二值變量，為解決二分類(lèi)問(wèn)題，延伸出二值邏輯回歸法[19]。在解決二分類(lèi)問(wèn)題過(guò)程中，因變量為二分類(lèi)變量，利用0與1代替表達(dá)不同狀態(tài)。本研究中棉蚜蟲(chóng)、棉紅蜘蛛、棉鈴蟲(chóng)3種蟲(chóng)害發(fā)生與否為非線性變化求解問(wèn)題，因此，以上3種蟲(chóng)害監(jiān)測(cè)問(wèn)題屬于非線性二分類(lèi)問(wèn)題，基于此建立Logistic回歸判定模型：

式中，β0為常數(shù)項(xiàng)或截距，β1，β2，…，βp為模型回歸系數(shù)，x1，x2，…，xp代表p個(gè)自變量，P表示在p個(gè)自變量作用下的概率。也可表示為在影響Y取值范圍的p個(gè)自變量條件作用下棉蚜蟲(chóng)、棉紅蜘蛛、棉鈴蟲(chóng)發(fā)生的概率為P=P(Y=1|x1，x2，…，xp)。

對(duì)式(1)進(jìn)行Logistic變換，其線性表達(dá)式如下：

從式(2)可以看出，回歸系數(shù)β在控制自變量條件下反映變量影響力，響應(yīng)變量Y求解二分類(lèi)問(wèn)題時(shí)分別取值0和1，表示發(fā)生與不發(fā)生，P為發(fā)生概率，以P=0.5作為界限，P≥0.5表示邏輯為真，即棉花植株發(fā)生蟲(chóng)害，當(dāng)P＜0.5表示棉花植株健康(未發(fā)生蟲(chóng)害)。

2 結(jié)果與分析

2.1 遙感影像預(yù)處理

影像拼接及幾何校正過(guò)程使用瑞士Pix4D Mapper軟件進(jìn)行，可實(shí)現(xiàn)空三加密，結(jié)合控制點(diǎn)信息與所采集圖像地理位置信息數(shù)據(jù)進(jìn)行幾何校正，生成研究區(qū)正射影像[20-22]，幾何校正過(guò)程利用歸一化函數(shù)提高配準(zhǔn)點(diǎn)精度，從而有效提高圖像精度。

經(jīng)幾何校正后，有效提升圖像最優(yōu)模型精度，模型精度達(dá)到（0.059±0.012） m。所生成正射影像如圖3所示，幾何校正后絕對(duì)位置和方向不確定性參數(shù)如表1所示。

圖3 研究區(qū)正射影像圖Fig.3 Orthophoto map of the study area

表1 絕對(duì)位置和方向不確定性參數(shù)Table 1 Absolute geographic location and directional uncertainty parameters

由于受光照強(qiáng)度及其他因素影響，遙感影像光譜響應(yīng)誤差表現(xiàn)為像元值像素覆蓋密度數(shù)值波動(dòng)，造成圖像解析不準(zhǔn)確，無(wú)法精準(zhǔn)有效反映光譜反射率。為消除數(shù)值波動(dòng)造成的像素密度誤差，本研究利用Back propagation(BP)神經(jīng)網(wǎng)絡(luò)模型對(duì)棉田遙感影像數(shù)據(jù)進(jìn)行監(jiān)督分類(lèi)。輻射校正過(guò)程使用ENVI軟件Band Math工具定義輻射定標(biāo)公式：

式中，Lλ為單元像元 (Digital number，DN)內(nèi)像素覆蓋密度，LMAXλ為單元像元最大值光譜反射率，LMINλ為單元像元最小值光譜反射率，QCAL為單元像元值，QCALMAX是最大量化定標(biāo)像素值。紅光波段、綠光波段、藍(lán)光波段、近紅外波段輻射校正前單位像元內(nèi)覆蓋密度分析結(jié)果如圖4a所示。

圖4 輻射校正前（a）、后（b）單位像元內(nèi)像素覆蓋密度Fig.4 Pixel coverage density in unit pixel before (a) and after radiation collection (b)

對(duì)所獲取無(wú)人機(jī)遙感棉田影像提取的紅光波段 (Red)、綠光波段 (Green)、藍(lán)光波段 (Blue)、近紅外波段(Near-infrared，Nir)組合作為輸入層構(gòu)建Red-BP、Green-BP、Blue-BP、Nir-BP 多層感知器模型優(yōu)化波段反射率，光譜波段反射率作為輸出層。以輻射校正前影像像素反射率數(shù)值作為預(yù)測(cè)值，該預(yù)測(cè)值數(shù)據(jù)由Micro-Hyperspec小型光譜檢測(cè)儀實(shí)測(cè)葉片波長(zhǎng)數(shù)據(jù)計(jì)算得出，輻射校正后BP模型反射率數(shù)值作為實(shí)測(cè)值，選用Sigmoid函數(shù)作為激活函數(shù)，實(shí)數(shù)值自變量區(qū)間為[0，1]，采用梯度下降法訓(xùn)練數(shù)據(jù)集。經(jīng)輻射校正后紅光波段、綠光波段、藍(lán)光波段、近紅外波段單位像元內(nèi)覆蓋密度結(jié)果如圖4b所示。由輻射校正模型預(yù)測(cè)值-實(shí)測(cè)值散點(diǎn)圖(圖5)可知，紅光波段、藍(lán)光波段、近紅外波段和綠光波段基于BP法的Red-BP、Blue-BP、Nir-BP和Green-BP模型光譜反射率預(yù)測(cè)值與實(shí)測(cè)值分布較為均勻，其預(yù)測(cè)值與實(shí)測(cè)值有較好的擬合效果，且決定系數(shù)(R2)分別為0.945、0.906、0.913和0.875，模型精度較高，滿足圖像解析要求。

圖5 BP神經(jīng)網(wǎng)絡(luò)模型對(duì)輻射校正模型光譜反射率估測(cè)結(jié)果Fig.5 Estimation results of spectral reflectance of image pixel after radiation correction by BP neural network model

根據(jù)圖4提取輻射校正前、后單元DN內(nèi)像素覆蓋密度數(shù)據(jù)，再針對(duì)像素覆蓋密度數(shù)據(jù)繪制ROC曲線(圖6)，對(duì)比數(shù)據(jù)預(yù)測(cè)價(jià)值比較如表2所示。

圖6 4種波段像素覆蓋密度Fig.6 ROC curves of pixel coverage densities of four bands

表2 4種波段像素覆蓋密度預(yù)測(cè)價(jià)值比較Table 2 Comparison of the prediction values for the pixel coverage densities of four bands

輻射校正后單元DN內(nèi)紅光波段、藍(lán)光波段、近紅外波段和綠光波段像素覆蓋密度的ROC曲線下面積 (The area under the ROC curve，AUC)分別為0.875、0.750、0.688和0.875；在最佳點(diǎn)位置，像素覆蓋密度靈敏度分別為88.3%、79.3%、80.9%和87.1%。從靈敏度、ROC曲線下面積及校正情況來(lái)看，輻射校正可有效降低光譜響應(yīng)誤差，增強(qiáng)影像像素密度。

2.2 指數(shù)模型構(gòu)建

為更好地反映出大田棉花種植區(qū)域、棉花長(zhǎng)勢(shì)情況及棉葉光譜反射率基本情況，為L(zhǎng)ogistic模型提供數(shù)據(jù)，本研究構(gòu)建NDVI、EVI、SAVI模型。NDVI是體現(xiàn)農(nóng)作物植被覆蓋度的參數(shù)，是描述植被生長(zhǎng)狀態(tài)的一個(gè)重要指標(biāo)[23-25]，對(duì)于本研究識(shí)別棉花蟲(chóng)害區(qū)域有著重要的意義。為增強(qiáng)植被反射率信息，EVI在歸一化指數(shù)基礎(chǔ)上加入藍(lán)光波段數(shù)據(jù)，矯正土壤參數(shù)和氣溶膠散射數(shù)據(jù)的影響，EVI常用于植被覆蓋密度較大區(qū)域[24,26]。SAVI是基于NDVI和大量遙感數(shù)據(jù)觀測(cè)修正后提出用以減小土壤背景影響的指數(shù)模型。利用ENVI軟件Spectral Math工具構(gòu)建指數(shù)模型，包括NDVI模型、EVI模型和SAVI模型，3種植被指數(shù)模型公式如下：

式中，L是隨著植被覆蓋度變化的參數(shù)，取值閾值為0～1，當(dāng)植被密度很高時(shí)為0，反之為1。很明顯，如果L=0，SAVI=NDVI。對(duì)于棉花植株，L取0.5時(shí)SAVI消除土壤背景影響的效果較好[27]。

NDVI模型可直觀地表述棉花與土壤分布情況，EVI模型可直觀地表述棉花生長(zhǎng)趨勢(shì)情況，SAVI模型可直觀地表述土壤分布及棉花生長(zhǎng)趨勢(shì)；3種模型均可精準(zhǔn)提取棉花長(zhǎng)勢(shì)信息及分布面積，在棉田蟲(chóng)害模型構(gòu)建過(guò)程中提供棉花分布情況數(shù)據(jù)及土壤邊界。

2.3 棉花蟲(chóng)害敏感波段提取

使用Micro-Hyperspec小型光譜檢測(cè)儀對(duì)采樣節(jié)點(diǎn)受蟲(chóng)害區(qū)域及健康棉花區(qū)域進(jìn)行光譜值測(cè)定，利用Excel軟件對(duì)樣葉光譜波長(zhǎng)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，利用反射率公式生成蟲(chóng)害反射率及健康棉花葉片波長(zhǎng)數(shù)據(jù)，為L(zhǎng)ogistic模型提供敏感波段數(shù)據(jù)公式如下：

式中，LMAX、LMIN分別為像元輻射亮度最大值和最小值；QCAL為某一像元DN值；QCALMAX、QCALMIN分別為像元所取最大值和最小值。

使用Origin軟件構(gòu)建棉田蟲(chóng)害光譜敏感波段模型及健康棉葉光譜波長(zhǎng)信息模型，由圖7可以看出，棉蚜蟲(chóng)的嚴(yán)重程度與713～831 nm波段的棉花蚜蟲(chóng)葉片光譜反射率顯著相關(guān)；棉紅蜘蛛的嚴(yán)重程度與605～724 nm波段的棉花紅蜘蛛葉片光譜反射率顯著相關(guān)；棉鈴蟲(chóng)的嚴(yán)重程度與709～794 nm波段的棉花鈴蟲(chóng)葉片光譜反射率顯著相關(guān)，此范圍內(nèi)遙感因子可以作為辨認(rèn)棉花棉蚜蟲(chóng)、棉紅蜘蛛、棉鈴蟲(chóng)3種蟲(chóng)害的敏感波段。

圖7 健康棉葉及棉花蟲(chóng)害光譜波長(zhǎng)反射率曲線Fig.7 Spectral wavelength reflectance curves of healthy cotton leaves and cotton pests

2.4 Logistic算法蟲(chóng)害識(shí)別研究

2.4.1 基于 Logistic 算法蟲(chóng)害識(shí)別模型 模型構(gòu)建前，為使構(gòu)建模型特征相同，對(duì)特征變量進(jìn)行歸一化分析?；诖?，利用SPSS軟件分析300株棉花數(shù)據(jù)，將本研究中應(yīng)用的3種植被指數(shù)作為回歸模型輸入變量因子，構(gòu)建蟲(chóng)害識(shí)別Logistic回歸模型，同時(shí)計(jì)算均方根誤差 (Root mean square error,RMSE)。當(dāng)引入1個(gè)輸入變量因子時(shí)，回歸模型為y=10.25+9.4SAVI，RMSE為0.193；輸入2個(gè)變量因子時(shí)，回歸模型為y=-13.16+155.1SAVI-24.6NDVI，RMSE為0.187；輸入3個(gè)變量因子時(shí)，回歸模型為y=-9.85+138.38SAVI-75.7NDVI-44.8EVI，RMSE 為 0.376。NDVI、EVI、SAVI與棉花受害情況的相關(guān)系數(shù)分別為-0.914，-0.813和0.937，分別達(dá)到0.01、0.05和0.01水平。綜上，構(gòu)建蟲(chóng)害識(shí)別模型選取2個(gè)變量因子的識(shí)別效果最佳，由SAVI模型和NDVI模型建立的Logistic回歸模型是識(shí)別棉蚜蟲(chóng)、棉紅蜘蛛、棉鈴蟲(chóng)的最優(yōu)模型。

利用ENVI軟件基于規(guī)則面向?qū)ο蠊ぷ髁鞒坦ぞ?，波譜類(lèi)型選取SAVI模型、NDVI模型與棉蚜蟲(chóng)、棉紅蜘蛛、棉鈴蟲(chóng)3種蟲(chóng)害光譜反射率曲線，基于Logistic回歸判定的蟲(chóng)害識(shí)別模型，生成蟲(chóng)害識(shí)別區(qū)域如圖8所示，由圖8可明顯看出受蟲(chóng)害影響區(qū)域。

圖8 3種害蟲(chóng)為害區(qū)域識(shí)別結(jié)果Fig.8 Identification results of three pests infested arer

2.4.2 模型分類(lèi)結(jié)果 基于RMSE選擇具有代表性的Logistic回歸蟲(chóng)害識(shí)別模型進(jìn)行評(píng)價(jià)比較，具體分類(lèi)結(jié)果分為選擇1、2、3個(gè)輸入變量因子，模型分類(lèi)比較結(jié)果如表3所示。從比較結(jié)果中可以看出，輸入變量為2的蟲(chóng)害識(shí)別模型識(shí)別效果最佳，而輸入變量為3的蟲(chóng)害識(shí)別模型在準(zhǔn)確率、召回率及F1值上均低于其他2個(gè)蟲(chóng)害識(shí)別模型。結(jié)合模型構(gòu)建過(guò)程，由SAVI模型和NDVI模型建立的棉蚜蟲(chóng)、棉紅蜘蛛、棉鈴蟲(chóng)識(shí)別模型為最優(yōu)模型，其訓(xùn)練樣本準(zhǔn)確率和測(cè)試樣本準(zhǔn)確率分別達(dá)到93.7%和90.5%，召回率、F1值分別為96.6%和93.5%。

表3 模型分類(lèi)比較結(jié)果1）Table 3 Comparison results of model classification

分別對(duì)3種蟲(chóng)害發(fā)生區(qū)域像元數(shù)據(jù)參數(shù)估算，分析基于Logistic模型識(shí)別的棉田蟲(chóng)害區(qū)域預(yù)測(cè)值-實(shí)測(cè)值數(shù)據(jù)，驗(yàn)證Logistic模型在棉田蟲(chóng)害區(qū)域監(jiān)測(cè)的精準(zhǔn)度。3種蟲(chóng)害預(yù)測(cè)值-實(shí)測(cè)值相關(guān)性分析如圖9所示。由圖9可知，Logistic模型在棉田蟲(chóng)害區(qū)域監(jiān)測(cè)的精準(zhǔn)度較高，對(duì)棉蚜蟲(chóng)、棉紅蜘蛛、棉鈴蟲(chóng)發(fā)生區(qū)域識(shí)別模型的決定系數(shù)分別為0.942、0.851和 0.663。

圖9 3種蟲(chóng)害發(fā)生區(qū)域識(shí)別精準(zhǔn)度Fig.9 Accuracy of the occurrence area of three types of pests

2.4.3 蟲(chóng)害發(fā)生區(qū)域特征分析 對(duì)棉田受棉蚜蟲(chóng)、棉紅蜘蛛、棉鈴蟲(chóng)災(zāi)害區(qū)域進(jìn)行自相關(guān)性時(shí)間序列檢測(cè)(CCF)，分析隨時(shí)間變化的棉田受蟲(chóng)害面積的相關(guān)性，結(jié)果見(jiàn)圖10。由圖10可知，棉蚜蟲(chóng)、棉紅蜘蛛與棉鈴蟲(chóng)的發(fā)生與蔓延均具有相似的條件。隨時(shí)間推移，棉蚜蟲(chóng)與棉紅蜘蛛的發(fā)生蔓延在1周內(nèi)相關(guān)系數(shù)達(dá)到0.863，隨后逐漸降低，棉蚜蟲(chóng)與棉鈴蟲(chóng)的發(fā)生蔓延相關(guān)系數(shù)從開(kāi)始的0.394逐漸降低，而棉紅蜘蛛與棉鈴蟲(chóng)的發(fā)生蔓延相關(guān)系數(shù)在2周內(nèi)保持為0.35～0.40；從CCF相關(guān)性系數(shù)變化范圍與對(duì)比數(shù)據(jù)來(lái)看，3種蟲(chóng)害發(fā)生初期其發(fā)生條件受彼此影響。

圖10 3種棉田蟲(chóng)害受災(zāi)面積相關(guān)性分析Fig.10 Correlation a Analysis of the areas affected by three types of pests in cotton field

本研究主要開(kāi)展棉田蟲(chóng)害識(shí)別監(jiān)測(cè)與分類(lèi)，對(duì)于蟲(chóng)害識(shí)別，健康棉葉與受蟲(chóng)害棉葉光譜反射率有明顯偏差，受蟲(chóng)害侵蝕越嚴(yán)重，其反射率偏差越明顯。蟲(chóng)害發(fā)生早期癥狀不明顯，其反射率數(shù)值偏差較低，但在開(kāi)展蟲(chóng)害識(shí)別監(jiān)測(cè)與分類(lèi)研究時(shí)，經(jīng)量化細(xì)分，反射率數(shù)值偏差仍能較好反映，因此對(duì)樣葉的采樣標(biāo)準(zhǔn)會(huì)對(duì)蟲(chóng)害識(shí)別模型結(jié)果造成影響，但僅表現(xiàn)于蟲(chóng)害發(fā)生早期，不會(huì)造成顯著影響。

3 結(jié)論

利用Logistic回歸判定方法提取棉蚜蟲(chóng)、棉紅蜘蛛、棉鈴蟲(chóng)發(fā)生區(qū)域，由SAVI模型和NDVI模型建立的棉蚜蟲(chóng)、棉紅蜘蛛、棉鈴蟲(chóng)識(shí)別模型為最優(yōu)模型，其訓(xùn)練樣本準(zhǔn)確率和測(cè)試樣本準(zhǔn)確率分別達(dá)到93.7%和90.5%，召回率、F1值分別為96.6%和93.5%。本研究在識(shí)別3種蟲(chóng)害發(fā)生區(qū)域過(guò)程中使用了Logistic模型，并利用自相關(guān)性時(shí)間序列檢測(cè)法對(duì)蟲(chóng)害發(fā)生區(qū)域進(jìn)行動(dòng)態(tài)識(shí)別監(jiān)測(cè)，從試驗(yàn)數(shù)據(jù)來(lái)看，Logistic模型在棉田蟲(chóng)害區(qū)域監(jiān)測(cè)的精準(zhǔn)度達(dá)到較高水平，該方法可應(yīng)用于多種蟲(chóng)害的監(jiān)測(cè)識(shí)別，并可基本滿足棉田精準(zhǔn)植保作業(yè)相關(guān)要求。借助識(shí)別區(qū)域Shapefile矢量文件，可為精準(zhǔn)植保作業(yè)提供經(jīng)緯度等數(shù)據(jù)，便于實(shí)現(xiàn)智慧農(nóng)田管理的相關(guān)作業(yè)。

本研究仍存在一定的局限性，遙感影像數(shù)據(jù)優(yōu)化過(guò)程中使用方法仍存在改進(jìn)空間，此外對(duì)于會(huì)造成蟲(chóng)害發(fā)生與蔓延的人為土地管理干預(yù)、蟲(chóng)害天敵、極端氣候氣象條件等影響因子未做進(jìn)一步研究，后續(xù)開(kāi)展研究時(shí)，應(yīng)多方面考慮蟲(chóng)害發(fā)生與蔓延的相關(guān)因子，以提高蟲(chóng)害動(dòng)態(tài)監(jiān)測(cè)模型精度。