馮子恒，宋莉，張少華，井宇航，段劍釗，賀利,3，尹飛，馮偉,3*

基于無人機(jī)多光譜和熱紅外影像信息融合的小麥白粉病監(jiān)測

馮子恒1,3，宋莉2，張少華2，井宇航2，段劍釗2，賀利2,3，尹飛1*，馮偉2,3*

1河南農(nóng)業(yè)大學(xué)信息與管理科學(xué)學(xué)院，鄭州 450046；2河南農(nóng)業(yè)大學(xué)農(nóng)學(xué)院，鄭州 450046；3國家小麥工程技術(shù)研究中心，鄭州 450046

【目的】白粉病嚴(yán)重危害小麥生長及制約產(chǎn)量形成，確立實時監(jiān)測小麥白粉病的多源數(shù)據(jù)融合方法，為精確防控及保證國家糧食安全提供技術(shù)支撐。【方法】在小麥開花和灌漿期，使用同時搭載多光譜儀和熱成像儀的六旋翼無人機(jī)作為遙感數(shù)據(jù)獲取平臺，通過ENVI軟件從小麥白粉病遙感影像中提取植被指數(shù)、紋理特征以及冠層溫度信息，進(jìn)而利用多元線性回歸（MLR）、后向傳播神經(jīng)網(wǎng)絡(luò)（BP）、隨機(jī)森林（RF）、極限學(xué)習(xí)機(jī)（ELM）算法將植被指數(shù)（VIs）、紋理特征（TFs）和溫度特征（T）進(jìn)行結(jié)合，以構(gòu)建小麥白粉病病情指數(shù)的監(jiān)測模型?！窘Y(jié)果】無論是單數(shù)據(jù)源建模，還是多數(shù)據(jù)源建模，隨機(jī)森林（RF）的精度均高于其他模型；3種數(shù)據(jù)源中植被指數(shù)的RF模型（VIs-RF，2=0.667，=5.712，RPD=1.572）更適宜白粉病監(jiān)測，其次是溫度特征（T-RF，2=0.559，=6.563，RPD=1.430），而紋理特征（TFs-RF，2=0.495，=7.014，RPD=1.348）效果最差；多數(shù)據(jù)源協(xié)同建模間比較，RF協(xié)同植被指數(shù)和紋理特征的模型2為0.701（VIs&TFs-RF，2=0.701，=5.308，RPD=1.724），僅比VIs-RF模型2提升5.101%，降低7.073%，RPD提高9.672%，而RF協(xié)同植被指數(shù)和溫度特征模型（VIs&T-RF）以及協(xié)同3種數(shù)據(jù)源模型（VIs&TFs&T-RF）的精度分別為2=0.750，=4.704，RPD=1.912和2=0.820，=4.677，RPD=1.996，較VIs-RF模型2分別提升12.453%和23.181%，分別降低17.640%和18.113%，RPD分別提高21.667%和26.981%。同時對不同模型進(jìn)行10折交叉驗證，進(jìn)一步證實了RF模型在多數(shù)據(jù)源融合建模中性能穩(wěn)定，估算效果最好。【結(jié)論】采用多數(shù)據(jù)源協(xié)同建模能夠提升小麥白粉病遙感監(jiān)測精度，研究結(jié)果為實現(xiàn)大面積高精度遙感監(jiān)測作物病害狀況提供了思路與方法。

小麥白粉?。粺o人機(jī)；機(jī)器學(xué)習(xí)；信息融合；遙感監(jiān)測

0 引言

【研究意義】近年來農(nóng)作物病蟲害發(fā)生具有種類多、影響大和局部暴發(fā)的特點(diǎn)，據(jù)聯(lián)合國糧食及農(nóng)業(yè)組織（FAO）測算，由病蟲害導(dǎo)致的糧食減產(chǎn)約占總產(chǎn)量25%。小麥白粉病是我國小麥主要病蟲害種類，部分麥田因白粉病而導(dǎo)致大量減產(chǎn)甚至絕收，嚴(yán)重影響了我國小麥生產(chǎn)安全。傳統(tǒng)人工方法調(diào)查小麥病情信息，既費(fèi)時費(fèi)力，又導(dǎo)致機(jī)械性損傷。因此，開展快速無損大面積的小麥病情監(jiān)測具有重要意義?！厩叭搜芯窟M(jìn)展】病蟲害的發(fā)生導(dǎo)致植物生物量降低，葉片結(jié)構(gòu)破壞，葉綠素和水分含量下降，而葉綠素、水分等生化組成的改變必然會在植物反射光譜曲線上表現(xiàn)出不同的吸收和反射特征，這就為利用遙感技術(shù)對小麥病害進(jìn)行實時監(jiān)測提供了理論依據(jù)和技術(shù)支撐[1-2]。近年來，隨著遙感技術(shù)的不斷發(fā)展，眾多學(xué)者利用遙感技術(shù)對小麥病害進(jìn)行監(jiān)測，解決了傳統(tǒng)人工方法的諸多弊端。通常，作物、品種及病害種類不同，光譜特征表現(xiàn)出多樣性，導(dǎo)致不同波段反射率對病害的敏感程度不同[1-2]，通過利用光譜響應(yīng)位置及其反射率的變化可實現(xiàn)作物病害的識別及發(fā)病程度估算[3-5]。前人在病害敏感波段提取的基礎(chǔ)上相繼構(gòu)建出病害監(jiān)測指數(shù)，例如白粉病指數(shù)PMI[6]、雙綠植被指數(shù)DGND[7]、紅邊植被脅迫指數(shù)RVSI[8]和條銹病遙感監(jiān)測指數(shù)WSRI[9]等，能夠?qū)κ懿【镜淖魑镞M(jìn)行監(jiān)測?；诜瓷渎蔬b感作物病害除與所選特征因子有關(guān)外，建模算法也是影響其精度的重要因素，并且已經(jīng)成為病害監(jiān)測的發(fā)展趨勢。當(dāng)前應(yīng)用遙感技術(shù)監(jiān)測病蟲害的算法主要為經(jīng)驗?zāi)Ｐ秃蜋C(jī)器學(xué)習(xí)算法，其中，經(jīng)驗?zāi)Ｐ头椒ê唵?，但?shù)據(jù)易受外界條件影響，普適性較差；而近年來機(jī)器學(xué)習(xí)方法發(fā)展迅速，利用該方法確立的作物病害監(jiān)測模型兼顧了訓(xùn)練誤差和泛化能力，解決了反射系數(shù)輕微變化而導(dǎo)致作物病害探測困難的難題[10-11]。沈文穎等[12]利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建病害反演模型，該方法能夠很好地反演小麥葉片白粉病發(fā)生狀況。郭偉等[13]利用偏最小二乘法監(jiān)測小麥全蝕病發(fā)病狀況。然而，僅用單一的光譜數(shù)據(jù)進(jìn)行病害監(jiān)測，在高植被密度條件下，冠層因病情脅迫導(dǎo)致反射率和植被指數(shù)變化不敏感，會出現(xiàn)所謂的“同譜異物，同物異譜”現(xiàn)象，進(jìn)而導(dǎo)致模型預(yù)測誤差較大[14-15]。近年來，成像光譜技術(shù)因圖譜合一的優(yōu)點(diǎn)已經(jīng)被廣泛應(yīng)用在病蟲害監(jiān)測，但主要還是利用反射率信息，較少應(yīng)用紋理信息。紋理信息對于病斑大小及病菌擴(kuò)展直觀明了，這為光譜數(shù)據(jù)增加了植株形態(tài)及冠層結(jié)構(gòu)信息，提高了遙感光譜監(jiān)測作物病害的精度[16-17]。不少研究者將光譜與紋理信息優(yōu)勢互補(bǔ)，明顯改善了作物生長參數(shù)及病害程度反演效果[18-19]?？梢?，紋理特征可為遙感監(jiān)測作物生長提供植株形態(tài)方面的信息，尤其在病害早期監(jiān)測中具有重要價值。紅外熱成像技術(shù)具有高靈敏性、強(qiáng)預(yù)警性的特點(diǎn)，在可見光圖像不能發(fā)現(xiàn)受感染的生理變化時，從紅外圖像已能顯示出感染區(qū)域的溫度變化[20]，因此，紅外熱成像技術(shù)可用于監(jiān)測作物生長及其生理狀況。劉又夫等[21]利用熱成像儀對水稻受褐飛虱侵害的冠層特征進(jìn)行評估，發(fā)現(xiàn)冠層溫度可為水稻蟲害的監(jiān)測提供參考。朱文靜等[22]使用邊緣檢測算法對紅外熱成像數(shù)據(jù)進(jìn)行小麥葉銹病分級，識別正確率達(dá)90%?？梢?，熱紅外數(shù)據(jù)能夠很好地反映脅迫作物冠層溫度的異常狀況，該技術(shù)在病害識別、病情分級等方面具有很好的應(yīng)用價值。隨著現(xiàn)代電子信息科學(xué)的快速發(fā)展，用于探測作物形態(tài)生理及冠層結(jié)構(gòu)的傳感器較多，例如反射率光譜儀、葉綠素?zé)晒鈨x、熱紅外儀以及顏色傳感器和水分傳感器等，它們均從不同方面檢測作物形態(tài)生理及生長狀況。與單傳感器相比，將多傳感器數(shù)據(jù)融合能夠提高實時探測的可靠性和魯棒性[23]。由于作物冠層結(jié)構(gòu)對病害脅迫響應(yīng)具有明顯的滯后性，當(dāng)作物病情指數(shù)低于20%時，反射率光譜難以探測到作物病害脅迫信息[24]。因此，開展多數(shù)據(jù)源協(xié)同進(jìn)行小麥病害監(jiān)測研究迫在眉睫。將機(jī)器學(xué)習(xí)算法引入到多數(shù)據(jù)源融合中，可進(jìn)一步提高多傳感數(shù)據(jù)融合的性能，增強(qiáng)作物病害監(jiān)測的可靠性。陳思媛等[25]利用SVM、SR和BP神經(jīng)網(wǎng)絡(luò)3種算法，將冠層SIF數(shù)據(jù)和反射率光譜指數(shù)協(xié)同構(gòu)建了小麥條銹病病情嚴(yán)重度監(jiān)測模型，較大程度改善了小麥條銹病病情嚴(yán)重度的探測精度。劉林毅等[26]將遙感數(shù)據(jù)和氣象數(shù)據(jù)結(jié)合，使用概率模型監(jiān)測小麥白粉病發(fā)病情況，并取得較好效果。Guo等[19]利用無人機(jī)提取的植被指數(shù)（VIs）和紋理特征（TFs），建立了基于偏最小二乘回歸法（PLSR）的小麥條銹病監(jiān)測模型。以上研究使用多源數(shù)據(jù)（反射率、熒光及紋理信息）協(xié)同監(jiān)測小麥病害，進(jìn)而改善了單一光譜信息源監(jiān)測時存在的飽和性及精度偏低等問題，提升了模型的魯棒性及模型反演性能。【本研究切入點(diǎn)】不同遙感傳感器所獲取的數(shù)據(jù)源均包含作物生長信息，但單一信息源所表征的作物信息往往是片面的，具有一定局限性，若將不同傳感器數(shù)據(jù)結(jié)合，可增強(qiáng)遙感對目標(biāo)物的探測能力。無人機(jī)作為新型遙感平臺，與衛(wèi)星遙感相比，在機(jī)動性、準(zhǔn)確度及分辨率方面具有其獨(dú)特優(yōu)勢，尤其該技術(shù)在新型經(jīng)營主體逐漸成為我國重要農(nóng)業(yè)經(jīng)營方式的背景下更具有廣闊的應(yīng)用前景。目前，將光譜數(shù)據(jù)與熱紅外溫度數(shù)據(jù)協(xié)同對小麥白粉病病情監(jiān)測的研究還較少，尤其在無人機(jī)搭載多傳感器平臺上將多光譜植被指數(shù)、紋理及溫度協(xié)同的病害監(jiān)測研究更少?！緮M解決的關(guān)鍵問題】本研究以六旋翼無人機(jī)作為遙感平臺，搭載多光譜和熱紅外相機(jī)，以小麥白粉病為研究對象，結(jié)合地面調(diào)查數(shù)據(jù)，利用多元線性回歸MLR、BP神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林RF、極限學(xué)習(xí)機(jī)ELM等現(xiàn)代建模反演算法對小麥白粉病的發(fā)病情況開展監(jiān)測研究，以期為小麥白粉病快速大面積監(jiān)測提供技術(shù)依據(jù)。

1 材料與方法

1.1 試驗區(qū)概況

試驗于2019—2020年度小麥生長季在河南農(nóng)業(yè)大學(xué)科教示范園區(qū)（34°51′N，113°35′E）進(jìn)行（圖1）。主采樣區(qū)的試驗品種為易感品種的矮抗58和豫麥49-198。次采樣區(qū)為品種對比試驗田，分別為偃展4110、農(nóng)麥18、周麥27、金豐205、鄭麥1342、許麥318、百農(nóng)207和新麥26。前茬為玉米，秸稈粉碎就地還田，土壤均為壤土，0—30 cm土壤中含全氮0.97—1.20 g·kg-1，速效磷28.32—35.28 mg·kg-1，速效鉀115.17—120.46 mg·kg-1和有機(jī)質(zhì)含量10.2—15.7 g·kg-1。在主采樣區(qū)采用多澆水和多施氮肥措施，為白粉病發(fā)生創(chuàng)造有利條件。主采樣區(qū)和次采樣區(qū)施氮量分別為270 kg·hm-2和225 kg·hm-2，兩個采樣區(qū)在越冬期—拔節(jié)期的灌水量分別為900 m3·hm-2和675 m3·hm-2。另外，本試驗區(qū)臨近圍墻、養(yǎng)豬場，且地勢低洼，因地勢、空氣濕度、降雨量、往年病害等原因，小麥生長環(huán)境適宜小麥白粉病的發(fā)生和傳播，沒有進(jìn)行田間接種，均為自然發(fā)病，并且發(fā)病情況較為嚴(yán)重。其他田間管理同當(dāng)?shù)匦←湷Ｒ?guī)措施。

1.2 數(shù)據(jù)獲取

在小麥的開花期、灌漿前期以及灌漿中期，獲取其無人機(jī)多光譜影像、熱紅外溫度數(shù)據(jù)等信息，并同步進(jìn)行地面病害數(shù)據(jù)調(diào)查，記錄經(jīng)緯度信息。主采樣區(qū)共采集56個樣點(diǎn)，次采樣區(qū)共采集24個樣點(diǎn)。

1.2.1 病情指數(shù)調(diào)查 在試驗區(qū)共調(diào)查80個點(diǎn)位的白粉病病情指數(shù)，每個點(diǎn)位約1 m2，隨機(jī)選取20株小麥。嚴(yán)格按照《農(nóng)作物病害遙感監(jiān)測技術(shù)規(guī)范第2部分：小麥白粉病》進(jìn)行調(diào)查，病葉上病斑面積與葉片總面積的比率用分級法表示，設(shè)8個級別，分別用1%、5%、10%、20%、40%、60%、80%和100%表示，并利用網(wǎng)格法來計算病斑面積占葉片面積比值，具體操作為使用網(wǎng)格覆蓋葉片，記錄總網(wǎng)格數(shù)和帶有病斑的網(wǎng)格，方便計算病斑面積占葉片面積比值，對處于等級之間的病情則取其接近值，雖已發(fā)病但嚴(yán)重度低于1%，按1%記。病葉平均嚴(yán)重度如下：

圖1 試驗區(qū)概況圖

式中，為病葉平均嚴(yán)重度，單位為百分率（%）；i為各嚴(yán)重度值；L為各嚴(yán)重度值對應(yīng)的病葉數(shù)，單位為片；為調(diào)查總?cè)~數(shù)，單位為片。

在病葉嚴(yán)重度基礎(chǔ)上，計算病情指數(shù)（），以表示病害發(fā)生的平均水平：

=××100 （2）

式中，為病情指數(shù)；為病葉率；為病葉平均嚴(yán)重度。

1.2.2 無人機(jī)多光譜影像及熱紅外影像的獲取 本文使用Matrice600PRO大疆六旋翼無人機(jī)作為遙感平臺，并搭載K6多光譜傳感器。該傳感器像素為2 064×1 544，包含有藍(lán)光波段（450 nm）、綠光波段（550 nm）、紅光波段（685 nm）、紅邊波段（725 nm）、近紅外波段（780 nm）等5個波段信息。同時該平臺搭載Thermal Capture2.0熱成像儀獲取熱紅外圖像，傳感器像素為640×512。每個時期無人機(jī)影像都在當(dāng)?shù)?2：00—14：00，于天空晴朗、無風(fēng)無云時獲取，飛行高度30 m。拍照方式為等時觸發(fā)，拍攝間隔時間為2 s，航向重疊度75%，旁向重疊度70%。每次飛行時間大約耗時15 min。

1.2.3 多源遙感數(shù)據(jù)預(yù)處理 使用Agisoft Photoscan軟件進(jìn)行影像拼接，拼接后的多光譜影像和熱紅外影像的主要預(yù)處理包括幾何校正和輻射定標(biāo)，用來消除無人機(jī)傳感器在成像過程中受到的幾何畸變和輻射失真等因素對影像質(zhì)量造成的干擾，本文中關(guān)于影像的預(yù)處理均在ENVI 5.1中進(jìn)行的。首先進(jìn)行幾何校正，具體以無人機(jī)多光譜影像（450 nm）為參考影像，在影像上均勻選取20—30個參考點(diǎn)進(jìn)行幾何校正，誤差在0.5個像元之內(nèi)。由于無人機(jī)影像在拼接完成后會產(chǎn)生5個單波段影像數(shù)據(jù)和1個熱紅外影像，所以需要單獨(dú)對每一個影像進(jìn)行幾何校正處理。其次進(jìn)行輻射定標(biāo)，具體采用偽標(biāo)準(zhǔn)地物輻射糾正法，通過地面目標(biāo)測得的反射率將多光譜影像DN值轉(zhuǎn)化為反射率。在試驗田周邊選取合適位置布置靶標(biāo)布，確保試驗田和定標(biāo)靶標(biāo)布出現(xiàn)在同一景影像之內(nèi)，無人機(jī)飛行之前使用手持式ASD對鋪設(shè)反射率為5%、20%、40%和70%的靶標(biāo)布進(jìn)行校準(zhǔn)。靶標(biāo)布方便進(jìn)行后續(xù)影像的輻射校正，在多光譜影像中統(tǒng)計靶標(biāo)布在各波段的DN值。無人機(jī)多光譜影像的輻射定標(biāo)需要單獨(dú)提取藍(lán)、綠、紅、紅邊和近紅波段影像的靶標(biāo)布DN值，依次進(jìn)行單波段影像的輻射校正。最后，對經(jīng)過輻射定標(biāo)的藍(lán)、綠、紅、紅邊和近紅波段影像進(jìn)行波段合成處理，得到多光譜影像合成數(shù)據(jù)。

1.3 研究方法

1.3.1 光譜植被指數(shù)選取 依據(jù)已有的多光譜植被指數(shù)，并結(jié)合多光譜影像特征，通過文獻(xiàn)查閱篩選出與病害相關(guān)的多光譜植被指數(shù)，通過無人機(jī)獲取的反射率計算相應(yīng)的植被指數(shù)，鑒于無人機(jī)飛行高度和光譜分辨率因素，光譜反射率和植被指數(shù)是根據(jù)標(biāo)定采樣區(qū)的位置和范圍通過平均值求得，植被指數(shù)的具體公式如表1。

表1 多光譜植被指數(shù)

RBlue、RGreen、RRed、RRe和RNIR分別為藍(lán)光、綠光、紅光、紅邊以及近紅外波段反射率

Rblue, Rgreen, RRed, RRe, and RNIRdenote reflectivity at blue, green, red, red edge, and near-infrared bands, respectively

1.3.2 多光譜紋理特征提取 灰度共生矩陣法是1973年由HARALICK提出的目前應(yīng)用最廣的紋理提取方法之一[35]。因其具有旋轉(zhuǎn)不變性和多尺度特性，且計算復(fù)雜度小等優(yōu)點(diǎn)，灰度共生矩陣法廣泛應(yīng)用在圖像處理、模式識別中[36]，近年來隨著許多學(xué)者對灰度共生矩陣法的深入研究，發(fā)現(xiàn)灰度共生矩陣法也可應(yīng)用在遙感監(jiān)測中[37]。在ENVI5.1中，利用灰度共生矩陣方法（GLCM）對多光譜影像中的5個波段，提取0°、45°、90°和135°方向的4個紋理特征的平均值，得到各波段的4個紋理特征（方差、對比度、差異性、熵）。利用ENVI 5.1軟件對各波段的紋理特征影像分別進(jìn)行采樣區(qū)域劃定，提取出所劃區(qū)域的平均紋理值，并將該值作為這個小區(qū)的紋理特征值。

1.3.3 熱紅外溫度參數(shù)提取 熱紅外技術(shù)廣泛應(yīng)用在作物水分脅迫、侵染性病害監(jiān)測、凍害脅迫以及產(chǎn)量預(yù)測等方面。本研究從熱紅外影像中提取計算了3種溫度參數(shù)，分別為冠層溫度（）、冠氣溫差（）和歸一化冠層溫度（）。以上溫度參數(shù)與上述植被指數(shù)和紋理特征均在ENVI5.1中進(jìn)行計算獲得，同光譜反射率一致，根據(jù)記錄的采樣點(diǎn)GPS區(qū)域，取平均值作為該采樣點(diǎn)溫度數(shù)據(jù)。溫度參數(shù)具體公式如下：

=CT-（3）

式中，為大氣溫度，CT為影像中第個像元的冠層溫度，max為整個試驗田測得的最高溫度，min為整個試驗田測得的最低溫度。

1.3.4 估算模型 本文在開花期、灌漿前期和灌漿中期共采集了80個樣點(diǎn)數(shù)據(jù)。單數(shù)據(jù)源輸入變量為3組，分別為植被指數(shù)（VIs）、溫度特征（T）、紋理特征（TFs）；多數(shù)據(jù)源輸入變量為4組，分別為植被指數(shù)+溫度特征（VIs&T）、植被指數(shù)+紋理特征（VIs&TFs）、溫度特征+紋理特征（T&TFs）、植被指數(shù)+紋理特征+溫度特征（VIs&TFs&T）。采用多元線性回歸、BP神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機(jī)、隨機(jī)森林等4種回歸方法分別建立基于7種模型輸入變量的小麥白粉病病情指數(shù)監(jiān)測模型，共計28種模型。本文中所有算法建模均在Matlab2019a軟件中完成，這4種方法如下：

（1）多元線性回歸 多元線性回歸（MLR）是一種利用多個自變量來獲得預(yù)測值的數(shù)學(xué)算法[38]。MLR模型因其廣泛性和良好的理論基礎(chǔ)而被廣泛應(yīng)用于遙感監(jiān)測中[39]。本文在已有樣本數(shù)據(jù)的基礎(chǔ)上，以植被指數(shù)、紋理特征、溫度特征作為自變量，病情指數(shù)作為因變量，構(gòu)建了MLR的小麥白粉病監(jiān)測模型。計算方法如下：

式中，Y為病情指數(shù)，1—X為植被指數(shù)、紋理特征、溫度特征等自變量，1—a為相應(yīng)自變量的系數(shù)。

（2）BP神經(jīng)網(wǎng)絡(luò) 反向傳播（back propagation，BP）神經(jīng)網(wǎng)絡(luò)具有并行處理、非線性、容錯性和自學(xué)習(xí)的特點(diǎn)，在數(shù)據(jù)擬合與模擬中有著較高優(yōu)越性[40]，因此被廣泛應(yīng)用于遙感影像的定量分析中。在MATLAB 2019a中使用BP神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行訓(xùn)練模型，為了得到更好的網(wǎng)絡(luò)訓(xùn)練效果，在建模前對各輸入變量進(jìn)行了歸一化處理。經(jīng)過反復(fù)調(diào)試參數(shù)對數(shù)據(jù)進(jìn)行訓(xùn)練，最終確定隱含層節(jié)點(diǎn)數(shù)為3，輸出層節(jié)點(diǎn)數(shù)為1時為最佳模型。

（3）極限學(xué)習(xí)機(jī) 極限學(xué)習(xí)機(jī)（extreme learning machine，ELM）是一類基于前饋神經(jīng)網(wǎng)絡(luò)（feedforward neural network，F(xiàn)NN）形成的機(jī)器學(xué)習(xí)方法[41]。ELM克服了傳統(tǒng)前饋神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中易陷入局部極值、速度過慢與學(xué)習(xí)速率敏感等問題[42]。ELM具有學(xué)習(xí)與計算快、泛化性能良好等優(yōu)點(diǎn)，在遙感監(jiān)測研究中得到了大量的應(yīng)用。

（4）隨機(jī)森林 隨機(jī)森林是一種基于分類回歸樹的機(jī)器學(xué)習(xí)算法[43]。隨機(jī)森林利用bootstrap重采樣方法從原始樣本中抽取多個樣本，對每個bootstrap樣本進(jìn)行決策樹建模，組合成多棵決策樹進(jìn)行預(yù)測，并通過多數(shù)投票法決定最終分類結(jié)果的聯(lián)合預(yù)測模型。該方法的優(yōu)點(diǎn)在于訓(xùn)練速度相對較快且不需要進(jìn)行交叉驗證，同時抽樣隨機(jī)性和特征選擇隨機(jī)性使得隨機(jī)森林不易陷入過擬合[44]。因此隨機(jī)森林算法被廣泛地應(yīng)用在遙感影像的分類和預(yù)測中。

1.3.5 模型驗證 在進(jìn)行小麥白粉病病情指數(shù)監(jiān)測模型構(gòu)建和精度評價時，為了使評價結(jié)果更客觀，將主采樣區(qū)數(shù)據(jù)作為訓(xùn)練集，次采樣區(qū)數(shù)據(jù)為驗證集，且訓(xùn)練集（n=56）和驗證集（n=24）樣本數(shù)比例為7﹕3。以植被指數(shù)、溫度數(shù)據(jù)、紋理特征為自變量，DI為因變量，基于4種算法建立小麥白粉病病情指數(shù)監(jiān)測模型。同時將3種數(shù)據(jù)源融合作為模型的輸入變量，

進(jìn)行10折交叉驗證分析不同模型的穩(wěn)定性。

通過決定系數(shù)（coefficient of determination，2）、均方根誤差（root mean square error，）、相對分析誤差（relative percent deviation，RPD）3個指標(biāo)對小麥白粉病病情指數(shù)監(jiān)測模型進(jìn)行精度評價。當(dāng)1.0＜RPD＜1.4時，模型的預(yù)測性能較差；當(dāng)1.4＜RPD＜1.8時，模型可用于相關(guān)性評價；當(dāng)1.8＜RPD＜2.0時，模型可用于定量預(yù)測；當(dāng)2.0＜RPD＜2.5時，可以獲得更準(zhǔn)確的定量預(yù)測；當(dāng)RPD＞2.5時，模型的預(yù)測性能更好。2越接近于1，越低，RPD越大，其監(jiān)測模型的精度越高。公式如下：

2 結(jié)果

2.1 多光譜植被指數(shù)與DI間相關(guān)性分析

由表2可知，光譜反射率在病情指數(shù)DI低于5%、10%、20%、30%和40%的群體之間表現(xiàn)出明顯差異，450 nm、550 nm、685 nm和725 nm處的反射率隨著病情的加重而增加，而780 nm反射率則相反。分析反射率與病情指數(shù)間相關(guān)性可知，450 nm、550 nm、685 nm和725 nm 均表現(xiàn)顯著的正相關(guān)，相關(guān)系數(shù)分別為0.352、0.489、0.413和0.286，而780 nm則表現(xiàn)出顯著的負(fù)相關(guān)（=-0.321）（圖2）。比較而言，綠光和紅光波段對病害變化較為敏感。

依據(jù)前人相關(guān)的病情監(jiān)測文獻(xiàn)，對選取的9個植被指數(shù)與病情指數(shù)進(jìn)行相關(guān)性分析（表2）。選取的9個常規(guī)植被指數(shù)與DI的相關(guān)性均達(dá)到極顯著水平（＜0.01），其中相關(guān)性最強(qiáng)的是PSRI，相關(guān)系數(shù)為0.640，其次為GI和NRI（=0.614、0.602），以上3個參數(shù)均包含綠光和紅光，說明該兩波段組合對白粉病監(jiān)測具有重要參考價值；最差的是GNDVI，相關(guān)系數(shù)為0.504；相關(guān)性由強(qiáng)到弱的順序依次為：PSRI、GI、NRI、CLSI、ARI、PPR、TCARI、VARI和GNDVI。

圖2 不同病情下的光譜反射率變化

2.2 多光譜紋理特征與DI間相關(guān)性分析

分析小麥多光譜數(shù)據(jù)的紋理特征值與DI間相關(guān)性（表3），相關(guān)系數(shù)均為正值，除紅光的方差和熵以及近紅外的熵相關(guān)系數(shù)不顯著外，其他均達(dá)顯著水平。Var在5個波段下紋理值與DI相關(guān)系數(shù)范圍為0.186—0.381，由高到低順序為Blue、REDedge、Green、NIR和Red；Con的相關(guān)系數(shù)為0.227—0.370，由高到低順序為REDedge、Blue、Green、NIR和Red；Dis的相關(guān)系數(shù)變化幅度為0.242—0.353，由高到低為REDedge、Blue、Green、NIR和Red，Ent的相關(guān)系數(shù)為0.208—0.382，大小依次為Blue、REDedge、Green、NIR和Red。從波段來看，Blue和REDedge表現(xiàn)最好，其中，Var和Ent在藍(lán)光波段下表現(xiàn)突出，Con和Dis在紅邊波段下表現(xiàn)較好，因此，篩選出相關(guān)性最高的Var-Blue、Con-REDedge、Dis-REDedge、Ent-Blue 4種紋理特征作為模型的輸入變量。

表2 多光譜參數(shù)與DI間相關(guān)系數(shù)

*和**分別為達(dá)到0.05和0.01顯著性水平。下同

* and ** are significant at 0.05 and 0.01 levels, respectively.The same as below

表3 多光譜紋理特征（TFs）與DI間相關(guān)系數(shù)

2.3 熱紅外溫度特征與DI間相關(guān)性分析

從熱紅外影像中提取溫度信息，分析溫度特征與DI間相關(guān)性（圖3）。冠層溫度（CT）與病情指數(shù)DI相關(guān)系數(shù)為0.316，達(dá)到極顯著水平（＜0.01）?？紤]到冠層溫度（CT）隨著每天大氣溫度的不同而變化，進(jìn)而提取出冠氣溫差（CTD）和歸一化冠層溫度（NRCT）以消除大氣溫度對冠層溫度的影響，CTD和NRCT與病情指數(shù)DI的相關(guān)系數(shù)分別為0.410和0.561，相關(guān)性顯著水平進(jìn)一步提高，均達(dá)極顯著水平（＜0.01）。因此，篩選出CTD和NRCT 2個溫度特征作為下一步建模分析的輸入變量。

2.4 輸入變量間共線性分析

采用方差膨脹因子（variance inflation factor，VIF）對輸入變量進(jìn)行共線性分析。由圖4可知，任一輸入變量對剩余變量的最大VIF值為9.427，平均VIF為5.356。依據(jù)判斷標(biāo)準(zhǔn)：當(dāng)0＜VIF＜10，不存在多重共線性；當(dāng)10≤VIF＜100，存在較強(qiáng)的多重共線性；當(dāng)VIF≥100，存在嚴(yán)重多重共線性。可見，各輸入變量間存在較小的多重共線性。

**達(dá)到0.01顯著性水平。CT為冠層溫度，CTD為冠氣溫差，NRCT為歸一化冠層溫度

2.5 基于單數(shù)據(jù)源的不同模型算法間比較

根據(jù)上述VIs、T和TFs與DI的相關(guān)性，以單種數(shù)據(jù)源作為自變量，分別利用多元線性回歸MLR、神經(jīng)網(wǎng)絡(luò)BP、極限學(xué)習(xí)機(jī)ELM和隨機(jī)森林RF 4種方法反演運(yùn)算小麥白粉病病情指數(shù)DI（表4）。建模方法間比較，隨機(jī)森林表現(xiàn)最佳，其次為極限學(xué)習(xí)機(jī)，多元線性回歸最差。從3種數(shù)據(jù)源結(jié)果看，無論采用哪種方法建模，VIs的表現(xiàn)均比T和TFs好，其次為T，紋理特征較差。從自變量數(shù)據(jù)類型與建模方法結(jié)合看，VIs作為自變量的隨機(jī)森林算法最優(yōu)，訓(xùn)練集2、和RPD分別為0.672、5.398和1.580，驗證集2、和RPD分別為0.661、6.025和1.629；其次為VIs作為自變量的極限學(xué)習(xí)機(jī)算法，訓(xùn)練集2、和RPD分別為0.637、5.581和1.517，驗證集2、和RPD分別為0.624、6.623和1.601。

GNDVI為綠度歸一化指數(shù)，NRI為氮反應(yīng)指數(shù)，ARI為花青素反射指數(shù)，CLSI為葉斑病指數(shù)，PPR為植物色素比例，GI為綠度指數(shù)，TCARI為優(yōu)化土壤調(diào)節(jié)植被指數(shù)，VARI為可見光大氣阻抗指數(shù)，PSRI為植被衰減指數(shù)，NRCT為歸一化冠層溫度，CTD為冠氣溫差，Var為方差，Con為對比度，Dis為差異性，Ent為熵

2.6 基于多數(shù)據(jù)源融合的不同模型算法比較

為充分發(fā)揮不同數(shù)據(jù)源間信息協(xié)同作用，將T和TFs分別與VIs結(jié)合進(jìn)行4種建模方法比較分析（表5）。在VIs數(shù)據(jù)基礎(chǔ)上融合TFs數(shù)據(jù)后，訓(xùn)練集2、、RPD平均值為0.629、5.624、1.672，較單一VIs數(shù)據(jù)源2提高了3.497%，降低0.257%，RPD提升11.765%，驗證集2均值為0.619，較單一VIs數(shù)據(jù)源2提高2.781%，降低14.000%，RPD提升17.613%。在VIs數(shù)據(jù)基礎(chǔ)上加入T數(shù)據(jù)信息后，模型精度進(jìn)一步提高，驗證集和訓(xùn)練集的2平均值分別為0.670和0.705，分別為5.710和5.547，RPD分別為1.745和1.689，較單一VIs數(shù)據(jù)源2提高了10.284%和17.061%，在訓(xùn)練集上增大1.264%，在驗證集降低21.323%，RPD提升16.644%和27.771%。同時，將T和TFs數(shù)據(jù)進(jìn)行組合建模，估算效果都優(yōu)于單一數(shù)據(jù)源T和TFs，但該模型無論是訓(xùn)練集還是驗證集均差于VIs，2降低了3.167%和1.951%，RPD降低6.066%和2.819%。

以單一數(shù)據(jù)源VIs作為基準(zhǔn)，在進(jìn)行多數(shù)據(jù)源協(xié)同建模時，TFs對模型精度的提升作用較小，而T對模型改善具有較大作用。利用4種建模方法將VIs、TFs和T 3種數(shù)據(jù)源協(xié)同，訓(xùn)練集和驗證集的2均較2種數(shù)據(jù)源結(jié)合進(jìn)一步提高。3種數(shù)據(jù)源融合的訓(xùn)練集和驗證集2平均值分別為0.707和0.744，分別為5.378和5.175，RPD分別為1.883和1.863，較單一VIs數(shù)據(jù)源2分別提高16.372%和23.620%，降低4.633%和26.600%，RPD提升25.836%和40.976%。

從不同建模算法的效果看，從表5和圖5可知，隨機(jī)森林RF的2最高、最低、模型預(yù)測能力最高，其次為極限學(xué)習(xí)機(jī)ELM和BP，線性模型MLR最差。RF融合3種數(shù)據(jù)源的2在訓(xùn)練集和驗證集中分別達(dá)到0.806和0.836，分別為4.853和4.501，RPD分別為1.968和2.023，極限學(xué)習(xí)機(jī)ELM的2分別為0.753和0.786，分別為4.754和5.445，RPD分別為1.972和1.812，顯示出多源數(shù)據(jù)融合改善了單數(shù)據(jù)源建模的信息片面弊端，從而使模型具有更好的擬合性、精度及預(yù)測能力。BP與ELM間比較，ELM的2較高，在自變量個數(shù)較少的情況下ELM的比BP略大，而當(dāng)自變量個數(shù)增加時，兩者間表現(xiàn)無差異。但從網(wǎng)絡(luò)結(jié)構(gòu)看，BP為后向傳播神經(jīng)網(wǎng)絡(luò)，而ELM為前向傳播神經(jīng)網(wǎng)絡(luò)，這就減少后向傳播的運(yùn)算量，從訓(xùn)練成本上考慮ELM所用時間比BP要少。

表4 基于不同算法的單數(shù)據(jù)源模型表現(xiàn)

表5 基于不同算法的多數(shù)據(jù)源模型表現(xiàn)

圖5 3種數(shù)據(jù)源融合的模型比較

2.7 模型穩(wěn)定性分析

獨(dú)立試驗建模的驗證結(jié)果表明，RF模型表現(xiàn)最佳，3種數(shù)據(jù)源融合效果最好。為了進(jìn)一步分析不同模型的穩(wěn)定性，以3種數(shù)據(jù)源融合作為輸入變量，進(jìn)行10折交叉驗證。由表6可知，4種建模方法比較，從均值上看，RF模型的2、和RPD均最優(yōu)，MLR模型最差，ELM模型比BP模型較好；從方差上看，RF模型在各項評價指標(biāo)的方差均最小，而其他模型同類評價指標(biāo)間的方差無明顯差異；從極差上看，RF模型的各評價指標(biāo)變幅較小，導(dǎo)致極差數(shù)值較低，而其他模型的評價指標(biāo)變幅較大，極差偏高。結(jié)合最優(yōu)模型的表現(xiàn)綜合可知，RF模型的穩(wěn)定性最優(yōu)，其次為ELM和BP，MLR模型最差。

3 討論

3.1 植被指數(shù)融合紋理特征監(jiān)測作物病害

前人相關(guān)文獻(xiàn)從不同尺度上證實了反射光譜數(shù)據(jù)在作物病害監(jiān)測中的重要性及其應(yīng)用價值，先后明確了可見光和近紅外區(qū)域是不同作物病蟲害光譜識別的敏感波段，不同的作物和不同的病害的光譜敏感波段也不同。小麥白粉病的敏感波段位于580—720 nm[45]，依據(jù)病害的反射率特征先后確立了不同形式的病害植被指數(shù)[7-9]，所采用波段主要為550、580、670、705、780、860和1 300 nm等[46-47]。本試驗無人機(jī)搭載的多光譜儀波段為450、550、685、725和780 nm，其中550 nm較685 nm對葉綠素變化更敏感[48]，725 nm兼具色素吸收和冠層結(jié)構(gòu)信息，其對氮含量監(jiān)測效果較好[49]。從本試驗各波長反射率對病害程度的反應(yīng)及相關(guān)性看，綠光550 nm和紅光685 nm較敏感，在病害發(fā)生早期以及擴(kuò)張期均可作為該類病害監(jiān)測的波段；而780 nm反射率在病情較輕時區(qū)分度差（＜5%），當(dāng)病害較嚴(yán)重時才影響冠層結(jié)構(gòu)，說明該波段不適宜病害的早期監(jiān)測。病害的發(fā)生過程是由內(nèi)部生理生化向外部形態(tài)結(jié)構(gòu)逐步發(fā)展進(jìn)而表現(xiàn)出遙感可檢測的外部病癥，由于葉肉細(xì)胞、水分、葉綠素、葉片黃化干枯等內(nèi)外因素綜合作用，單一波段提取病害信息的能力有限，本文表現(xiàn)較好的植被指數(shù)PSRI、GI和NRI均含有550 nm和685 nm信息，顯示出綠光和紅光的組合在白粉病監(jiān)測中良好的應(yīng)用價值，尤其是三波段的PSRI相關(guān)系數(shù)最高，說明多波段信息聯(lián)合對病害監(jiān)測具有重要意義。由于本文無人機(jī)搭載的多光譜儀分辨率較低，導(dǎo)致由此提取的植被指數(shù)對病害的監(jiān)測能力不足，PSRI的線性決定系數(shù)僅為0.384。因此，采用多變量分析方法對病害進(jìn)行識別與監(jiān)測已成為定量遙感研究熱點(diǎn)，進(jìn)一步探索應(yīng)用BP神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機(jī)、隨機(jī)森林等方法對于病害精確監(jiān)測與防控具有十分重要的意義。

表6 基于3種數(shù)據(jù)源融合的不同模型交叉驗證

白粉病發(fā)病具有顯著的由下而上特點(diǎn)，在發(fā)病中前期病癥主要集中在植株中下部層次，而冠層反射光譜主要來源于上部信息，這導(dǎo)致了采集的光譜信息與病害特征不夠吻合，增加了僅利用冠層光譜監(jiān)測白粉病的監(jiān)測難度。本研究將植被指數(shù)作為自變量，采用MLR、ELM、BPNN和RF 4種算法對病情指數(shù)進(jìn)行預(yù)測，RF模型的監(jiān)測精度最高，但2依然低于0.7，從精確植保防控的應(yīng)用角度考慮，只使用光譜數(shù)據(jù)進(jìn)行小麥白粉病監(jiān)測是不夠的。一些學(xué)者在利用反射光譜進(jìn)行病害監(jiān)測時，嘗試融入熒光數(shù)據(jù)進(jìn)行建模，取得了較好的監(jiān)測效果[50]。病菌侵染植株時，在生理生化脅變的同時，冠層結(jié)構(gòu)也會變化，而紋理特征在一定程度上能夠反映出這種因病菌侵害導(dǎo)致的冠層結(jié)構(gòu)響應(yīng)變化[51-52]。前人使用高光譜植被指數(shù)結(jié)合紋理特征進(jìn)行了小麥條銹病監(jiān)測，2種數(shù)據(jù)源結(jié)合的估算結(jié)果明顯優(yōu)于單一數(shù)據(jù)源[19]。本文將植被指數(shù)和紋理特征協(xié)同進(jìn)行建模，整體上模型精度都有所提升，與單一數(shù)據(jù)源植被指數(shù)相比，RF模型2提升了7.887%，降低了2.890%，RPD提升了9.494%。但是，模型驗證集精度最高僅為0.676，優(yōu)化效果有限，還不能滿足精確施藥的信息需求。這可能是因為小麥開花期以后葉片逐漸衰老、植株枯萎導(dǎo)致背景復(fù)雜度增加，甚至部分地塊病害、干旱、衰老、大氣溫度等多因素疊加，無法精確分辨出枯萎葉片及結(jié)構(gòu)變化是否因病害脅迫導(dǎo)致。

3.2 植被指數(shù)融合冠層溫度信息監(jiān)測作物病害

前人相關(guān)文獻(xiàn)表明，熱紅外成像技術(shù)在遙感監(jiān)測中也具有較大的應(yīng)用潛力[53-55]。作物被真菌和病原體等病原體感染后，細(xì)胞膜滲透性增加，水分流失，植株呈失水萎蔫狀態(tài)。同時，葉片氣孔異質(zhì)性關(guān)閉，葉片表面的熱量流失程度發(fā)生變化，導(dǎo)致葉面溫度響應(yīng)。作物發(fā)病后，植株失水、氣孔關(guān)閉以及呼吸增強(qiáng)引起的熱輻射能量的變化，可以在紅外熱圖上直觀地反映出來[20]，但大多側(cè)重在病情分級和病害識別等方面。馬慧琴等[56]在衛(wèi)星尺度上使用寬波段植被指數(shù)結(jié)合氣溫數(shù)據(jù)判定小麥灌漿期白粉病的發(fā)病等級，但沒有定量估算病情指數(shù)。本文相關(guān)分析表明，熱紅外溫度對病害響應(yīng)敏感，由于受測定時天氣背景等因素差異化影響，將冠層溫度轉(zhuǎn)換為冠氣溫差和歸一化值更為有效。與冠層紋理特征相比，溫度信息在病害監(jiān)測中具有更大作用，RF模型表現(xiàn)最佳（2=0.561），較TFs-RF模型驗證集2提升14.257%，降低5.467%，RPD提升5.712%，但明顯低于VIs-RF模型。單數(shù)據(jù)源建模間比較，植被指數(shù)更適合進(jìn)行小麥白粉病的監(jiān)測，其次是熱紅外溫度信息，而冠層紋理特征稍差。為進(jìn)一步改善單一數(shù)據(jù)源的信息片面性，將植被指數(shù)和熱紅外溫度數(shù)據(jù)協(xié)同建模（VIs&T），不同算法的模型精度整體上均高于VIs&TFs，其中RF模型的精度最高（2＞0.74），較VIs&TFs-RF模型平均提升7.169%，降低了11.361%?？梢?，在病害定量監(jiān)測中冠層溫度信息具有十分重要的應(yīng)用價值。前人基于不同數(shù)據(jù)源提取作物病害信息的各自優(yōu)點(diǎn)，將2種數(shù)據(jù)源融合估算病情嚴(yán)重程度取得了較好效果[19,50,56]，但缺少3種或更多數(shù)據(jù)源協(xié)同互補(bǔ)提高病害監(jiān)測精度的相關(guān)研究。為此，本文將植被指數(shù)、紋理特征和冠層溫度進(jìn)行融合建模（VIs&TFs&T），結(jié)果顯示出3種數(shù)據(jù)源協(xié)同比單數(shù)據(jù)源或者2種數(shù)據(jù)源協(xié)同均具有明顯優(yōu)勢，其中利用RF算法協(xié)同3種數(shù)據(jù)源模型2高于0.8，這為小麥白粉病的精確防控提供了信息支持和方法參考。

3.3 機(jī)器學(xué)習(xí)算法在病害監(jiān)測中作用

隨著計算機(jī)建?？茖W(xué)的快速發(fā)展，機(jī)器學(xué)習(xí)技術(shù)在作物病害監(jiān)測中得到了廣泛應(yīng)用，并取得了顯著成效[57-58]。張春蘭等[59]在冬小麥葉面積指數(shù)遙感反演時表現(xiàn)出隨機(jī)森林算法的優(yōu)越性，岳繼博等[60]在冬小麥生物量遙感估測中證明了隨機(jī)森林算法的估算潛力。本文使用了4種計算方法（MLR、BP、ELM、RF）進(jìn)行建模，無論是單數(shù)據(jù)源建模還是多數(shù)據(jù)源協(xié)同建模，RF模型表現(xiàn)均最好，多數(shù)據(jù)源融合時RF模型的驗證集精度比MLR、BP和ELM模型2分別提高31.034%、16.435%、6.361%，分別降低8.739%、22.663%、17.337%，RPD分別提升11.093%、12.639%、11.645%；僅利用單一植被指數(shù)（VIs）時，RF模型精度提升相對較少，較其他模型驗證集2分別提高25.189%、10.906%、5.929%，分別降低29.893%、12.896%、9.575%，RPD分別提升63.323%、15.521%、10.616%。這種結(jié)果與競霞等[61]關(guān)于SIF和反射率協(xié)同監(jiān)測小麥條銹病的結(jié)果一致。這主要是由于RF算法具有良好的抗噪能力，不易陷入過擬合，而MLR算法在選用因子及其表達(dá)式時存在推測概率，這導(dǎo)致了因選用因子多樣性和某些因子不可預(yù)測性造成的回歸偏差而受到限制。BP神經(jīng)網(wǎng)絡(luò)極易陷入局部極小化，也會出現(xiàn)預(yù)測能力和訓(xùn)練能力相矛盾的問題，應(yīng)用時應(yīng)注重把握學(xué)習(xí)的度，避免出現(xiàn)所謂“過擬合”現(xiàn)象。ELM具有良好的泛化能力，比BP神經(jīng)網(wǎng)絡(luò)有更快的學(xué)習(xí)速度和逼近能力，本文利用ELM協(xié)同3種數(shù)據(jù)源信息，模型精度平均達(dá)到0.77，綜合考慮模型運(yùn)算效率及預(yù)測精度，該方法也是一種監(jiān)測病害的有效方法。本研究中盡管RF模型綜合表現(xiàn)最好，但是其在病情較嚴(yán)重條件下，存在估算值低于實測值的現(xiàn)象，這在其他模型算法中也是同樣存在的，如MLR和BP模型，這與小麥白粉病的群體密度越大，透風(fēng)透光性越差，白粉病病情越嚴(yán)重，光譜及熱成像數(shù)據(jù)對病情嚴(yán)重程度的敏感性下降有關(guān)。本文在應(yīng)用不同模型算法協(xié)同植被指數(shù)、紋理特征和熱紅外溫度監(jiān)測小麥白粉病時，并沒有考慮不同數(shù)據(jù)源參數(shù)對模型的貢獻(xiàn)率，如何利用不同算法確定不同數(shù)據(jù)源參數(shù)的權(quán)重，進(jìn)一步提升模型精度還有待進(jìn)一步研究。當(dāng)然，白粉病的發(fā)生及表征還與品種、生育期以及其他逆境因子有關(guān)，研究利用針對性強(qiáng)的信息提取算法，以明確各影響因子的效應(yīng)及貢獻(xiàn)程度，這將有利于綜合多種效應(yīng)參數(shù)精確監(jiān)測病害發(fā)生狀況，為變量噴施和精確作業(yè)提供理論與數(shù)據(jù)依據(jù)。

隨著現(xiàn)代傳感器技術(shù)的快速發(fā)展，當(dāng)前在無人機(jī)平臺上可以搭載集成多種類型傳感器，高光譜影像包含波段較多，譜帶較窄，探測光譜細(xì)節(jié)優(yōu)勢突出，但是傳感器造價高，成本昂貴；而本試驗采用的是多光譜傳感器，成本較低，更適宜于農(nóng)業(yè)生產(chǎn)應(yīng)用，但是該類光譜儀波段較少，一些與病害相關(guān)的敏感波段及植被指數(shù)難以提取，其對病情監(jiān)測的精度達(dá)不到精確監(jiān)測及防控應(yīng)用的要求。為此，本試驗在無人機(jī)平臺上同時搭載熱成像儀，以彌補(bǔ)多光譜數(shù)據(jù)分辨率偏低的不利影響，進(jìn)而將植被指數(shù)、紋理特征及冠層溫度信息進(jìn)行有效融合，以提高病害監(jiān)測精度。本文基于低空無人機(jī)遙感監(jiān)測小麥白粉病是一種較好的技術(shù)手段。相較于衛(wèi)星遙感，低空無人機(jī)遙感可以有效解決由于天氣、周期因素造成的光學(xué)衛(wèi)星影像獲取不足，空間分辨率差等問題[62]，顯著提升了小麥白粉病監(jiān)測的實時性及應(yīng)用性。而相較于地面遙感，低空無人機(jī)遙感具有成本低、采集速度快及監(jiān)測面積大等優(yōu)點(diǎn)，尤其隨著土地流轉(zhuǎn)進(jìn)程加快，農(nóng)業(yè)新型經(jīng)營主體隊伍不斷壯大，土地集中規(guī)模化經(jīng)營的背景下，無人機(jī)病害遙感將越來越顯示出巨大的應(yīng)用潛力及實用價值。目前衛(wèi)星遙感搭載的傳感器類型少，空間分辨率往往偏低，天氣狀況也嚴(yán)重影響影像質(zhì)量，導(dǎo)致在大尺度上提取目標(biāo)物的遙感參數(shù)（如紋理、溫度）精度不高，這在很大程度上影響了多傳感器融合在衛(wèi)星尺度上應(yīng)用效果。當(dāng)然，低空無人機(jī)遙感也存在不足之處，不如近地遙感數(shù)據(jù)的細(xì)致、準(zhǔn)確，也沒有衛(wèi)星遙感的宏觀性。因此，下一步的研究重點(diǎn)是如何把低空無人機(jī)遙感的機(jī)動性和地面遙感的細(xì)致性以及衛(wèi)星遙感的宏觀性相結(jié)合來進(jìn)行遙感大面積高精度監(jiān)測。

4 結(jié)論

本文為提高無人機(jī)遙感監(jiān)測小麥白粉病的精度，綜合利用植被指數(shù)、紋理特征和溫度信息相融合的優(yōu)勢，開展基于4種建模方法的白粉病病情指數(shù)估算研究。3種數(shù)據(jù)源比較，植被指數(shù)更適宜小麥白粉病監(jiān)測，其次為溫度信息，紋理特征最差；多源信息融合時，3種信息融合的模型精度最高，其次為VIs&T、VIs&TFs和T&TFs，紋理特征對于模型的貢獻(xiàn)較??；無論利用單一數(shù)據(jù)或多源信息融合，RF模型的監(jiān)測精度均高于其他算法模型，RF更適合無人機(jī)遙感監(jiān)測小麥白粉病發(fā)病狀況及其精確植保防控的應(yīng)用。

[1] 張凝, 楊貴軍, 趙春江, 張競成, 楊小冬, 潘瑜春, 黃文江, 徐波, 李明, 朱西存, 李振海.作物病蟲害高光譜遙感進(jìn)展與展望.遙感學(xué)報, 2021, 25(1): 403-422.

ZHANG N, YANG G J, ZHAO C J, ZHANG J C, YANG X D, PAN Y C, HUANG W J, XU B, LI M, ZHU X C, LI Z H.Progress and prospects of hyperspectral remote sensing technology for crop diseases and pests.National Remote Sensing Bulletin, 2021, 25(1): 403-422.(in Chinese)

[2] 黃文江, 師越, 董瑩瑩, 葉回春, 鄔明權(quán), 崔貝, 劉林毅.作物病蟲害遙感監(jiān)測研究進(jìn)展與展望.智慧農(nóng)業(yè), 2019, 1(4): 1-11.

HUANG W J, SHI Y, DONG Y Y, YE H C, WU M Q, CUI B, LIU L Y.Progress and prospects of crop diseases and pests monitoring by remote sensing.Smart Agriculture, 2019, 1(4): 1-11.(in Chinese)

[3] SHI Y, HUANG W J, GONZALEZ-MORENO P, LUKE B, DONG Y Y, ZHENG Q, MA H Q, LIU L Y.Wavelet-based rust spectral feature set (WRSFs): A novel spectral feature set based on continuous wavelet transformation for tracking progressive host- pathogen interaction of yellow rust on wheat.Remote Sensing, 2018, 10(4): 525.

[4] CHEN T T, ZHANG J L, CHEN Y, WAN S B, ZHANG L.Detection of peanut leaf spots disease using canopy hyperspectral reflectance.Computers and Electronics in Agriculture, 2019, 156: 677-683.

[5] FRANCESCHINI M H D, BARTHOLOMEUS H, APELDOORN D F, SUOMALAINEN J, KOOISTRA L.Feasibility of Unmanned Aerial Vehicle optical imagery for early detection and severity assessment of late blight in potato.Remote Sensing, 2019, 11(3): 224.

[6] MAHLEIN AK, RUMPF T, WELKE P, DEHNE HW, PLUMER L, STEINER U, OERKE E C.Development of spectral indices for detecting and identifying plant diseases.Remote Sensing of Environment, 2013, 128: 21-30.

[7] FENG W, SHEN W Y, HE L, DUAN J Z, GUO B B, LI Y X, WANG C Y, GUO T C.Improved remote sensing detection of wheat powdery mildew using dual-green vegetation indices.Precision Agriculture, 2016, 17(5): 608-627.

[8] NAIDU R A, Perry E M, PIERCE F J, MEKURIA T.The potential of spectral reflectance technique for the detection of Grapevine leafroll-associated virus-3 in two red-berried wine grape cultivars.Computers and Electronics in Agriculture, 2009, 66(1): 38-45.

[9] 王利民, 劉佳, 楊福剛, 楊玲波, 姚保民, 高建孟.基于GF-1/WFV數(shù)據(jù)的冬小麥條銹病遙感監(jiān)測.農(nóng)業(yè)工程學(xué)報, 2017, 33(20): 153-160.

WANG L M, LIU J, YANG F G, YANG L B, YAO B M, GAO J M.Winter wheat stripe rust remote sensing monitoring based on GF-1/WFV data.Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(20): 153-160.(in Chinese)

[10] 白雪冰, 余建樹, 傅澤田, 張領(lǐng)先, 李鑫星.可見光譜圖像聯(lián)合區(qū)間的黃瓜白粉病分割與檢測.光譜學(xué)與光譜分析, 2019, 39(11): 3592-3598.

BAI X B, YU J S, FU Z T, ZHANG L X, LI X X.Segmentation and detection of cucumber powdery mildew based on visible spectrum and image processing.Spectroscopy and Spectral Analysis, 2019, 39(11): 3592-3598.(in Chinese)

[11] ASHOURLOO D, AGHIGHI H, MATKAN A A, MOBASHERI M R, RAD A M.An investigation into machine learning regression techniques for the leaf rust disease detection using hyperspectral measurement.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 9: 1-8.

[12] 沈文穎, 李映雪, 馮偉, 張海艷, 張元帥, 謝迎新, 郭天財.基于因子分析-BP神經(jīng)網(wǎng)絡(luò)的小麥葉片白粉病反演模型.農(nóng)業(yè)工程學(xué)報, 2015, 31(22): 183-190.

SHEN W Y, LI Y X, FENG W, ZHANG H Y, ZHANG Y S, XIE Y X, GUO T C.Inversion model for severity of powdery mildew in wheat leaves based on factor analysis-BP neural network.Transactions of the Chinese Society of Agricultural Engineering, 2015, 31(22): 183-190.(in Chinese)

[13] 郭偉, 朱耀輝, 王慧芳, 張娟, 董萍, 喬紅波.基于無人機(jī)高光譜影像的冬小麥全蝕病監(jiān)測模型研究.農(nóng)業(yè)機(jī)械學(xué)報, 2019, 50(9): 162-169.

GUO W, ZHU Y H, WANG H F, ZHANG J, DONG P, QIAO H B.Monitoring model of winter wheat take-all based on UAV hyperspectral imaging.Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(9): 162-169.(in Chinese)

[14] 簡俊凡, 何宏昌, 王曉飛, 李月.農(nóng)作物病蟲害遙感監(jiān)測綜述.測繪通報, 2018(9): 24-28.

JIAN J F, HE H C, WANG X F, LI Y.Review of remote sensing monitoring of crop pests and diseases.Bulletin of Surveying and Mapping, 2018(9): 24-28.(in Chinese)

[15] 劉暢, 楊貴軍, 李振海, 湯伏全, 王建雯, 張春蘭, 張麗妍.融合無人機(jī)光譜信息與紋理信息的冬小麥生物量估測.中國農(nóng)業(yè)科學(xué), 2018, 51(16): 3060-3073.

LIU C, YANG G J, LI Z H, TANG F Q, WANG J W, ZHANG C L, ZHANG L Y.Biomass estimation in winter wheat by uav spectral information and texture information fusion.Scientia Agricultura Sinica, 2018, 51(16): 3060-3073.(in Chinese)

[16] 梁棟, 劉娜, 張東彥, 趙晉陵, 林芬芳, 黃林生, 張慶, 丁玉婉.利用成像高光譜區(qū)分冬小麥白粉病與條銹病(英文).紅外與激光工程, 2017, 46(1): 50-58.

LIANG D, LIU N, ZHANG D Y, ZHAO J L, LIN F F, HUANG L S, ZHANG Q, DING Y W.Discrimination of powdery mildew and yellow rust of winter wheat using high resolution hyper-spectra and imageries.Infrared and Laser Engineering, 2017, 46(1): 50-58.(in Chinese)

[17] 張東彥, 張競成, 朱大洲, 王紀(jì)華, 羅菊花, 趙晉陵, 黃文江.小麥葉片脅迫狀態(tài)下的高光譜圖像特征分析研究.光譜學(xué)與光譜分析, 2011, 31(4): 1101-1105.

ZHANG D Y, ZHANG J C, ZHU D Z, WANG J H, LUO J H, ZHAO J L, HUANG W J.Investigation of the hyperspectral image characteristics of wheat leaves under different stress.Spectroscopy and Spectral Analysis, 2011, 31(4):1101-1105.(in Chinese)

[18] ZHENG H B, CHENG T, ZHOU M, LI D, YAO X, TIAN Y, CAO W, ZHU Y.Improved estimation of rice aboveground biomass combining textural and spectral analysis of UAV imagery.Precision Agriculture, 2018, 20: 1-19.

[19] GUO A T, HUANG W J, DONG Y Y, YE H Q, MA H Q, LIU B, WU W B, REN Y, RUAN C, GENG Y.Wheat yellow rust detection using UAV-based hyperspectral technology.Remote Sensing, 2021, 13(1): 123.(in Chinese)

[20] 楊成婭, 張艷, 趙明珠, 朱應(yīng)燕.基于紅外熱像的農(nóng)作物早期病害檢測識別技術(shù)的研究進(jìn)展.激光雜志, 2020, 41(6): 1-4.

YANG C Y, ZHANG Y, ZHAO M Z, ZHU Y Y.Research progress of infrared thermal imaging in early disease detection of crops.Laser Journal, 2020, 41(6): 1-4.(in Chinese)

[21] 劉又夫, 肖德琴, 劉亞蘭, 鐘伯平, 周志艷.褐飛虱誘導(dǎo)的水稻冠層熱圖像溫度特征變異評估方法.農(nóng)業(yè)機(jī)械學(xué)報, 2020, 51(5): 165-172.

LIU Y F, XIAO D Q, LIU Y L, ZHONG B P, ZHOU Z Y.Temperature eigenvalues evaluation method of rice canopy thermal image induced by brown rice planthopper.Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(5): 165-172.(in Chinese)

[22] 朱文靜, 陳華, 李林, 魏新華, 毛罕平, SPANER D.基于紅外熱成像邊緣檢測算法的小麥葉銹病分級研究.農(nóng)業(yè)機(jī)械學(xué)報, 2019, 50(4): 36-41, 48.

ZHU W J, CHEN H, LI L,WEI X H, MAO H P, SPANER D.Grading of wheat leaf rust based on edge detection of infrared thermal imaging.Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(4): 36-41, 48.(in Chinese)

[23] MAIMAITIJIANG M, SAGAN V, SIDIKE P, HARTING S, FRITSCHI F B.Soybean yield prediction from UAV using multimodal data fusion and deep learning.Remote Sensing of Environment, 2019, 237: 111599.

[24] 趙葉, 競霞, 黃文江, 董瑩瑩, 李存軍.日光誘導(dǎo)葉綠素?zé)晒馀c反射率光譜數(shù)據(jù)監(jiān)測小麥條銹病嚴(yán)重度的對比分析.光譜學(xué)與光譜分析, 2019, 39(9): 2739-2745.

ZHAO Y, JING X, HUANG W J, DONG Y Y, LI C J.Comparison of sun-induced chlorophyll fluorescence and reflectance data on estimating severity of wheat stripe rust.Spectroscopy and Spectral Analysis, 2019, 39(9): 2739-2745.(in Chinese)

[25] 陳思媛, 競霞, 董瑩瑩, 劉良云.基于日光誘導(dǎo)葉綠素?zé)晒馀c反射率光譜的小麥條銹病探測研究.遙感技術(shù)與應(yīng)用, 2019, 34(3): 511-520.

CHEN S Y, JING X, DONG Y Y, LIU L Y.Detection of wheat stripe rust using solar-induced chlorophyll fluorescence and reflectance spectral indices.Remote Sensing Technology and Application, 2019, 34(3): 511-520.(in Chinese)

[26] 劉林毅, 黃文江, 董瑩瑩, 杜小平, 馬慧琴.基于概率模型的冬小麥白粉病監(jiān)測研究.中國農(nóng)業(yè)信息, 2018, 30(1): 79-92.

LIU L Y, HUANG W J, DONG Y Y, DU X P, MA H Q.Wheat powdery mildew monitoring using probabilistic model.China Agricultural Informatics, 2018, 30(1): 79-92.(in Chinese)

[27] GITELSON A A, KAUFMAN Y J, MERZLYAK M N.Use of a green channel in remote sensing of global vegetation from EOS-MODIS.Remote Sensing of Environment, 1996, 58(3): 289-298.

[28] FILELLA I, SERRANO L, SERRA J, PENUELAS J.Evaluating wheat nitrogen status with canopy reflectance indices and discriminant analysis.Crop Science, 1995, 35(5): 1400-1405.

[29] GITELSON A A, MERZLYAK M N, CHIVKUNOVA O B.Optical properties and nondestructive estimation of anthocyanin content in plant leaves.Photochemistry and Photobiology, 2001, 74(1): 38-45.

[30] WANG Z J, WANG J H, LIU L Y, HUANG W J, ZHAO C J,WANG C Z.Prediction of grain protein content in winter wheat (L.) using plant pigment ratio (PPR).Field Crops Research, 2004, 90(2) : 311-321.

[31] ZARCO-TEJADA P J, BERJóN A, LóPEZ-LOZANO R, MILLER J R, MARTíN P, CACHORRO V, GONZáLEZ M R, FRUTOS A D.Assessing vineyard condition with hyperspectral indices: Leaf and canopy reflectance simulation in a row-structured discontinuous canopy.Remote Sensing of Environment, 2005, 99(3): 271-287.

[32] HABOUDANE D, MILLER J R, TREMBLAY N, ZARCO-TEJADA P J, DEXTRAZE L.Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture.Remote Sensing of Environment, 2002, 81(2): 416-426.

[33] NAIDU R A, PERRY E M, PIERCE F J, MEKURIA T.The potential of spectral reflectance technique for the detection of Grapevine leafroll-associated virus-3 in two red-berried wine grape cultivars.Computers and Electronics in Agriculture, 2009, 66(1): 38-45.

[34] MERZLYAK M N, GITELSON A A, CHIVKUNOVA O B, RAKITIN V Y.Non-destructive optical detection of pigment changes during leaf senescence and fruit ripening.Physiologia Plantarum, 1999, 106(1): 135-141.

[35] HARALICK R M, SHANMUGAM K, DINSTEIN I.Textural features for image classification.Studies in Media and Communication, 1973, 3(6): 610-621.

[36] VANI K, POONGODI S, HARIKRISHNA B.K-Means cluster based leaf disease identification in cotton plants.Indian Journal of Public Health Research and Development, 2018, 9(10): 1117.

[37] LI S Y, YUAN F, ATA-UI-KARIM S T, ZHENG H B, CAO Q.Combining color indices and textures of UAV-based digital imagery for rice LAI estimation.Remote Sensing, 2019, 11(15): 1763.

[38] XU J X, MA J, TANG Y N, WU W X.Estimation of sugarcane yield using a machine learning approach based on UAV-LiDAR data.Remote Sensing, 2020, 12(17): 2823.

[39] FU Z P, JIANG J, GAO Y, KRIENKE B.Wheat growth monitoring and yield estimation based on multi-rotor unmanned aerial vehicle.Remote Sensing, 2020, 12(3): 508.

[40] HUANG G B, ZHU Q Y, SIEW C K.Extreme learning machine: Theory and applications.Neurocomputing, 2006, 70(1/3): 489-501.

[41] 孫立影, 楊晨, 趙海士, 常志勇.基于極限學(xué)習(xí)機(jī)的遙感地球化學(xué)反演模型.吉林大學(xué)學(xué)報(地球科學(xué)版), 2020, 50(6): 1929-1938.

SUN L Y, YANG C, ZHAO H S, CHANG Z Y.Remote sensing geochemical inversion model by using extreme learning machine.Journal of Jilin University (Earth Science Edition), 2020, 50(6): 1929-1938.(in Chinese)

[42] 王鑫梅, 張勁松, 孟平, 楊洪國, 孫圣.基于無人機(jī)遙感影像的核桃冠層氮素含量估算.農(nóng)業(yè)機(jī)械學(xué)報, 2021, 52(2):178-187.

WANG X M, ZHANG J S, MENG P, YANG H G, SUN S.Estimation of nitrogen content in walnut canopy based on uav remote sensing image.Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(2): 178-187.(in Chinese)

[43] BREIMAN L.Random forest.Machine Learning, 2001, 45: 5-32.

[44] 劉冀, 張?zhí)? 魏榕, 張茜, 劉艷麗, 董曉華.基于隨機(jī)森林偏差校正的農(nóng)業(yè)干旱遙感監(jiān)測模型研究.農(nóng)業(yè)機(jī)械學(xué)報, 2020, 51(7): 170-177.

LIU J, ZHANG T, WEI R, ZHANG Q, LIU Y L, DONG X H.Development of agricultural drought monitoring model using remote sensing based on bias-correcting random forest.Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(7): 170-177.(in Chinese)

[45] 馮偉, 王曉宇, 宋曉, 賀利, 王永華, 郭天財.基于冠層反射光譜的小麥白粉病嚴(yán)重度估測.作物學(xué)報, 2013, 39(8): 1469-1477.

FENG W, WANG X Y, SONG X, HE L, WANG Y H, GUO T C.Estimation of severity level of wheat powdery mildew based on canopy spectral reflectance.Acta Agronomica Sinica, 2013, 39(8): 1469-1477.(in Chinese)

[46] 沈文穎, 馮偉, 李曉, 王曉宇, 賀利, 郭天財, 李映雪.基于葉片高光譜特征的小麥白粉病嚴(yán)重度估算模式.麥類作物學(xué)報, 2015, 35(1): 129-137.

SHEN W Y, FENG W, LI X, WANG X Y, HE L, GUO T C, LI Y X.Estimation model of wheat powdery mildew severity based on leaves hyperspectral characteristics.Journal of Triticeae Crops, 2015, 35(1): 129-137.(in Chinese)

[47] GRAEFF S, LINK J, CLAUPEIN W.Identification of powdery mildew (sp.tritici) and take-all disease (sp.tritici) in wheat (L.) by means of leaf reflectance measurements.Central European Journal of Biology, 2006, 1(2): 275-288.

[48] PE?UELAS J, FILELLA I.Visible and near-infrared reflectance techniques for diagnosing plant physiological status.Trends in Plant Science, 1998, 3(4): 151-156.

[49] MAIRE G L, FRAN?OIS C, DUFRêNE E.Towards universal broad leaf chlorophyll indices using PROSPECT simulated database and hyperspectral reflectance measurements.Remote Sensing of Environment, 2004, 89(1): 1-28.

[50] 白宗璠, 競霞, 張騰, 董瑩瑩.MDBPSO算法優(yōu)化的全波段光譜數(shù)據(jù)協(xié)同冠層SIF監(jiān)測小麥條銹病.作物學(xué)報, 2020, 46(8): 1248-1257.

BAI Z F, JING X, ZHANG T, DONG Y Y.Canopy SIF synergize with total spectral reflectance optimized by the MDBPSO algorithm to monitor wheat stripe rust.Acta Agronomica Sinica, 2020, 46(8): 1248-1257.(in Chinese)

[51] 李鑫星, 朱晨光, 白雪冰, 毛富煥, 傅澤田, 張領(lǐng)先.基于可見光譜和支持向量機(jī)的黃瓜葉部病害識別方法研究.光譜學(xué)與光譜分析, 2019, 39(7): 2250-2256.

LI X X, ZHU C G, BAI X B, MAO F H, BO Z T, ZHANG L X.Recognition method of leaves based on visual spectrum and support vector machine.Spectroscopy and Spectral Analysis, 2019, 39(7): 2250-2256.(in Chinese)

[52] GUO A T, HUANG W J, YE H C, DONG Y Y, MA H Q, REN Y, RUAN C.Identification of wheat yellow rust using spectral and texture features of hyperspectral images.Remote Sensing, 2020, 12(9): 1419.

[53] CAO W X, QIAO Z Y, GAO Z Y, LU S H, TIAN F.Use of unmanned aerial vehicle imagery and a hybrid algorithm combining a watershed algorithm and adaptive threshold segmentation to extract wheat lodging.Physics and Chemistry of the Earth, 2021(6): 103016.

[54] CHANDEL A K, KHOT L R, YU L X.Alfalfa (.) crop vigor and yield characterization using high-resolution aerial multispectral and thermal infrared imaging technique.Computers and Electronics in Agriculture, 2021, 182(2): 105999.

[55] FRANCESCONI S, HARFOUCHE A, MAESANO M, BALESTRA G M.UAV-based thermal, RGB imaging and gene expression analysis allowed detection of fusarium head blight and gave new insights into the physiological responses to the disease in durum wheat.Frontiers in Plant Science, 2021, 12: 628575.

[56] 馬慧琴, 黃文江, 景元書.遙感與氣象數(shù)據(jù)結(jié)合預(yù)測小麥灌漿期白粉病.農(nóng)業(yè)工程學(xué)報, 2016, 32(9): 165-172.

MA H Q, HUANG W J, JING Y S.Wheat powdery mildew forecasting in filling stage based on remote sensing and meteorological data.Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(9): 165-172.(in Chinese)

[57] 張帥堂, 王紫煙, 鄒修國, 錢燕, 余磊.基于高光譜圖像和遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)的茶葉病斑識別.農(nóng)業(yè)工程學(xué)報, 2017, 33(22): 200-207.

ZHANG S T, WANG Z Y, ZOU X G, QIAN Y, Yu L.Recognition of tea disease spot based on hyperspectral image and genetic optimization neural network.Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(22): 200-207.(in Chinese)

[58] ZHENG Q, HUANG W J, CUI X M, SHI Y, LIU L Y.New spectral index for detecting wheat yellow rust using sentinel-2 multispectral imagery.Sensors, 2018, 18(3): 868.

[59] 張春蘭, 楊貴軍, 李賀麗, 湯伏全, 劉暢, 張麗妍.基于隨機(jī)森林算法的冬小麥葉面積指數(shù)遙感反演研究.中國農(nóng)業(yè)科學(xué), 2018, 51(5): 855-867.

ZHANG C L, YANG G J, LI H L, TANG F Q, LIU C, ZHANG L Y.Remote sensing inversion of leaf area index of winter wheat based on random forest algorithm.Scientia Agricultura Sinica, 2018, 51(5): 855-867.(in Chinese)

[60] 岳繼博, 楊貴軍, 馮海寬.基于隨機(jī)森林算法的冬小麥生物量遙感估算模型對比.農(nóng)業(yè)工程學(xué)報, 2016, 32(18): 175-182.

YUE J B, YANG G J, FENG H K.Comparative of remote sensing estimation models of winter wheat biomass based on random forest algorithm.Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(18): 175-182.(in Chinese)

[61] 競霞, 白宗璠, 高媛, 劉良云.利用隨機(jī)森林法協(xié)同SIF和反射率光譜監(jiān)測小麥條銹病.農(nóng)業(yè)工程學(xué)報, 2019, 35(13): 154-161.

JING X, BAI Z F, GAO Y, LIU L Y.Wheat stripe rust monitoring by random forest algorithm combined with SIF and reflectance spectrum.Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(13): 154-161.(in Chinese)

[62] 趙晉陵, 金玉, 葉回春, 黃文江, 董瑩瑩, 范玲玲, 馬慧琴, 江靜.基于無人機(jī)多光譜影像的檳榔黃化病遙感監(jiān)測.農(nóng)業(yè)工程學(xué)報, 2020, 36(8): 54-61.

ZHAO J L, JIN Y, YE H C, HUANG W J, DONG Y Y, FAN L L, MA H Q, JIANG J.Remote sensing monitoring of areca yellow leaf disease based on UAV multi-spectral images.Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(8): 54-61.(in Chinese)

Wheat Powdery Mildew Monitoring Based on Information Fusion of Multi-Spectral and Thermal Infrared Images Acquired with an Unmanned Aerial Vehicle

FENG ZiHeng1, 3, SONG Li2, ZHANG ShaoHua2, JING YuHang2, DUAN JianZhao2, HE Li2, 3, YIN Fei1*, FENG Wei2, 3*

1College of Information and Management Science, Henan Agricultural University, Zhengzhou 450046;2College of Agronomy, Henan Agricultural University, Zhengzhou 450046;3National Engineering Research Centre for Wheat, Zhengzhou 450046

【objective】Wheat growth and yield can be seriously affected by powdery mildew.Establishing the multi-source data fusion method for real-time monitoring of powdery mildew of wheat could provide technical support for accurate prevention and control of diseases and guaranteeing national food security.【Method】During the wheat flowering and filling period, a six-rotor UAV equipped with multi-spectral sensor and thermal imager was used as a remote sensing data acquisition platform to obtain remote sensing images of different degrees of wheat powdery mildew.Then, vegetation index (VIs), texture feature (TFs) and temperature feature (T) were extracted from multi-spectral and thermal infrared images of different disease degrees on a low-altitude drone platform by ENVI software.Finally, the wheat powdery mildew disease index model were built by multiple linear regression (MLR), back propagation neural network (BP), random forest (RF) and extreme learning machine (ELM).【Result】The precision of the RF model based on both single and multiple data sources was higher than that of the other models.Among the three data sources of the RF model, the vegetation indices (VIs-RF,2= 0.667,=5.712, RPD=1.572) were the most suitable for powdery mildew monitoring, followed by the temperature feature (T-RF,2= 0.559,=6.563, RPD=1.430) and texture features (TFs-RF,2= 0.495,=7.014, RPD=1.348).When combining multiple data sources, a precision for the RF model combining vegetation indices and texture features (VIs & TFs-RF) of 0.701 could be obtained, which was 5.101% higher than that of the VIs-RF model, whilewas 7.073% lower and RPD was 9.672% higher, whereas the precision parameters of the RF model combining vegetation indices and the temperature feature (VIs & T-RF) were2= 0.750,= 4.704, RPD = 1.912.For all three remote sensing data sources (VIs & TFs & T-RF), the following accuracies resulted:2= 0.820,= 4.677, RPD=1.996.As compared to the VIs-RF model,2improved by 12.453%,by 17.640% and RPD by 21.667% for the (VIs & T-RF) model, whereas for the three remote sensing sources,2improved by 23.181%,by 18.113% and RPD by 26.981%.At the same time, 10 fold cross validation of different models was carried out, which further confirmed that RF model had stable performance and good estimation results in multi-data source fusion modeling.【Conclusion】The precision of wheat powdery mildew monitoring could be improved by using multi-data-sources collaborative ML modeling.This research provided technical support for large-area and high-precision remote sensing of crop diseases.

powdery mildew; UAV; machine learning; information fusion; remote sensing monitoring

2021-05-15；

2021-09-27

國家自然科學(xué)基金（31971791）、糧食豐產(chǎn)增效科技創(chuàng)新項目（2017YFD0301105）

馮子恒，E-mail：fzhfzh88@163.com。通信作者尹飛，E-mail：yin.fei@foxmail.com。通信作者馮偉，E-mail：fengwei78@126.com

（責(zé)任編輯 楊鑫浩）