舒 田，陳智虎，劉春艷，許元紅，趙澤英

(1.貴州省農(nóng)業(yè)科學(xué)院科技信息研究所，貴州貴陽 550006；2.貴州師范大學(xué)喀斯特研究院，貴州貴陽 550001)

果業(yè)作為我國(guó)農(nóng)業(yè)的重要組成部分，在種植業(yè)中位列第三，其面積、產(chǎn)量和產(chǎn)值僅次于糧食和蔬菜[1]，在保障食物供給、居民健康、生態(tài)安全、農(nóng)戶增收以及激發(fā)農(nóng)村經(jīng)濟(jì)活力和農(nóng)業(yè)可持續(xù)發(fā)展中的作用日益顯著，是新時(shí)代鄉(xiāng)村振興的重要支柱產(chǎn)業(yè)之一。病蟲害是影響果樹生長(zhǎng)、降低果品質(zhì)量、影響果業(yè)健康發(fā)展的主要因素，已成為當(dāng)今果樹種植及生產(chǎn)管理中最根本、最引人關(guān)注的災(zāi)害之一。病蟲害種類繁多、規(guī)模大、時(shí)常暴發(fā)性成災(zāi)或二次傳播，給果樹病蟲害有效防控帶來了巨大挑戰(zhàn)。同時(shí)，某些弱寄生菌逐漸成為果樹的主要病害，防控難度加大，病蟲害的蔓延將直接導(dǎo)致果樹樹體及果品質(zhì)量安全，甚至引起消費(fèi)恐慌，給水果產(chǎn)業(yè)發(fā)展帶來消極影響[2]。一般果園果樹的病蟲害防控是大范圍地定期噴藥以避免病蟲害的發(fā)生，存在過量過度使用農(nóng)藥化學(xué)現(xiàn)象，致使果園土壤酸化嚴(yán)重、農(nóng)業(yè)面源污染增加，最終導(dǎo)致果品質(zhì)量安全風(fēng)險(xiǎn)大，果業(yè)綠色健康發(fā)展難度大。因此，如何及早發(fā)現(xiàn)并精準(zhǔn)實(shí)現(xiàn)病蟲害的有效監(jiān)控，從而精準(zhǔn)指導(dǎo)適時(shí)適量施藥已成為農(nóng)業(yè)研究者的關(guān)注熱點(diǎn)。傳統(tǒng)的人工檢測(cè)與監(jiān)測(cè)費(fèi)時(shí)費(fèi)力，雖然準(zhǔn)確性較高，但存在一定的主觀性和時(shí)間的滯后性，無法滿足現(xiàn)代精準(zhǔn)農(nóng)業(yè)對(duì)病蟲害發(fā)生類型、發(fā)病位置、發(fā)病程度和發(fā)生面積等信息進(jìn)行定位、定時(shí)、定量以及快速有效、及時(shí)同步獲取的精準(zhǔn)要求[3]。因此，實(shí)時(shí)、快速、精準(zhǔn)、無損地監(jiān)測(cè)、識(shí)別、防治水果病蟲害，對(duì)于提高水果產(chǎn)量、提升果品品質(zhì)、減少果業(yè)損失、促進(jìn)農(nóng)民增收和鄉(xiāng)村產(chǎn)業(yè)振興尤其是山區(qū)經(jīng)濟(jì)騰飛具有重要意義。

高光譜遙感能夠采集獲得用來描述地球表面物質(zhì)光譜特性的一維光譜信息和描述其地理分布的二維空間信息，其光譜的分辨率達(dá)到了納米級(jí)，很多在多光譜圖像中無法獲得的對(duì)于某種植物特別波長(zhǎng)的波譜信息被感知[4]。高光譜遙感具有分辨率高、連續(xù)性強(qiáng)、信息量巨大等優(yōu)勢(shì)，可實(shí)時(shí)獲取植物生長(zhǎng)過程中器官形態(tài)的細(xì)微變化[5]，在農(nóng)業(yè)病蟲害鑒別上表現(xiàn)出強(qiáng)大的潛能，可以為大田、農(nóng)場(chǎng)、果園等不同尺度的農(nóng)作物病蟲害精準(zhǔn)防控和高效防治提供參考[6]。通過利用高光譜傳感器可獲得地物在可見光波段(0.4～0.7 μm)、近紅外波段(0.7～1.1 μm)以及短波紅外波段(1.1～2.5 μm)范圍內(nèi)的數(shù)百個(gè)波段的電磁波譜信息[7-10]，另外有些光譜傳感器還能探測(cè)優(yōu)于1 nm的連續(xù)窄波段光譜信息用于地物研究分析[11]。對(duì)于光譜反射率高低而言，可見光范圍內(nèi)由植被對(duì)色素的吸收和反射的強(qiáng)弱決定，近紅外波段由植物細(xì)胞的基本結(jié)構(gòu)決定，而短波紅外范圍內(nèi)則由植被對(duì)水汽的吸收情況決定[12]。全波段范圍內(nèi)植被由于受病蟲害侵染，植物器官的微小變化就會(huì)引起葉片和形態(tài)的高度敏感表現(xiàn)，這就是病蟲害早期診斷和不同病蟲害識(shí)別的高光譜應(yīng)用意義所在[13]，也正是近些年高光譜探測(cè)技術(shù)迅猛發(fā)展及被青睞的緣由[14]。可見光-近紅外是綠色植被對(duì)電磁波譜響應(yīng)最為敏感的區(qū)間，尤其是近紅外區(qū)及“紅邊”位置[15-18]對(duì)于作物病蟲害癥狀的早期檢測(cè)和診斷、動(dòng)態(tài)變化監(jiān)測(cè)和分析有著舉足輕重的依據(jù)。作物病蟲害高光譜遙感監(jiān)測(cè)依賴于作物受不同脅迫影響后發(fā)生的光譜響應(yīng)[19]?？梢姽獠ǘ蝺?nèi)，葉綠素含量影響著植物的光譜特性。當(dāng)植物健康正常并旺長(zhǎng)時(shí)，葉綠素含量高時(shí)“綠峰藍(lán)移”。當(dāng)作物染病后，色素系統(tǒng)被破壞而“失綠”，從而出現(xiàn)病斑、黑斑或傷斑現(xiàn)象，這將導(dǎo)致可見光波段的反射率改變，導(dǎo)致“綠峰紅移”[20]；而在近紅外波段，綠色植物的光譜反射大小主要取決于植物葉片內(nèi)部的細(xì)胞結(jié)構(gòu)，染病后植物葉片組織的水分代謝受阻，病蟲害侵染繼續(xù)加重，這將導(dǎo)致植物植株的整體性損傷，如細(xì)胞破裂死亡腐爛、植物整株萎蔫等，最后導(dǎo)致近紅外及短波紅外波段范圍的光譜反射率改變，致使“紅邊藍(lán)移”[21-23]。農(nóng)作物病蟲害的發(fā)生發(fā)展與其長(zhǎng)期所處的生長(zhǎng)發(fā)育環(huán)境、氣候條件、土壤狀況以及農(nóng)作物品類等因素關(guān)系密切，作物病害的病原體主要為真菌、細(xì)菌、放線菌和部分線蟲，蟲害多是由一年多代的成蟲越冬，在來年適宜季節(jié)大量繁殖而帶來的作物危害[24]。果樹冠層受病蟲害后不同時(shí)期會(huì)出現(xiàn)細(xì)胞組織顏色黃化、葉片形狀殘缺、冠層形態(tài)矮化、植株枯死、萎蔫導(dǎo)致蒸騰速率下降等，這些癥狀過程都表現(xiàn)在一定的反射光譜上(圖1)。

作為較晚興起的新型遙感技術(shù)，高光譜遙感在作物病蟲害監(jiān)測(cè)識(shí)別與應(yīng)用研究中得到極廣泛的關(guān)注[25-28]。根據(jù)數(shù)據(jù)采集方式的不同分為成像和非成像2種類型[29]。非成像高光譜原理就是測(cè)量傳感器探頭平視視域范圍內(nèi)的平均光譜[30]，多用于植株冠層、葉片特征的光譜變化分析，常用的就是ASD公司的地物光譜儀，比如Rumpf等利用ASD地物光譜儀測(cè)量了不同病害染病葉片的光譜數(shù)據(jù)，系統(tǒng)分析了不同病害的識(shí)別精度[31]；而成像高光譜以快照式 (窗掃式) 的成像高光譜傳感器性能最佳，掃射1次便能獲得整個(gè)區(qū)域內(nèi)高光譜“立方體”，這種“立方體”具有“圖像立方體”的形式和結(jié)構(gòu)，數(shù)據(jù)獲取穩(wěn)定且時(shí)效性強(qiáng)，體現(xiàn)了成像高光譜“圖譜合一”的優(yōu)勢(shì)[32](圖2)，已成為作物表型分析和不同病蟲害監(jiān)測(cè)識(shí)別不可或缺的光譜傳感器[33]。Apan等基于EO-1 hyperion 高光譜圖像實(shí)現(xiàn)了甘蔗黃銹病的監(jiān)測(cè)[34]，Lee等利用航空高光譜成像儀對(duì)柑橘黃龍病進(jìn)行了監(jiān)測(cè)和圖像分類[35-36]，同樣Qin等利用高光譜成像儀對(duì)柑橘潰瘍病進(jìn)行了探測(cè)分類[37]，Yeh等利用推掃式成像高光譜儀實(shí)現(xiàn)了對(duì)患炭疽病的草莓葉片不同病斑的識(shí)別[38]。從上述分析可以看出，地面平臺(tái)的非成像高光譜、航空平臺(tái)的機(jī)載成像高光譜傳感器在水果病蟲害監(jiān)測(cè)識(shí)別及其分類上得到大范圍的應(yīng)用和發(fā)展，而空間分辨率影響下的星載成像高光譜在水果及病蟲害監(jiān)測(cè)上應(yīng)用相對(duì)較少，受其分辨率的限制主要應(yīng)用于大尺度的作物種植面積提取及長(zhǎng)勢(shì)監(jiān)測(cè)。隨著“星-空-地”高光譜遙感多源多平臺(tái)的發(fā)展，為水果果樹病蟲害遙感監(jiān)測(cè)及其不同應(yīng)用方向的分析研究提供了多組合選擇[39-40]，研究方法也從經(jīng)典的統(tǒng)計(jì)分析向人工智能、模式識(shí)別、深度學(xué)習(xí)、大數(shù)據(jù)分析等方向擴(kuò)展[29]。因此，利用高光譜遙感技術(shù)對(duì)水果果樹病蟲害早期診斷、脅迫分類、監(jiān)測(cè)識(shí)別、危害程度進(jìn)行定量分析和品質(zhì)檢測(cè)成為可能。

1 文獻(xiàn)引證分析

為探討水果病蟲害高光譜遙感應(yīng)用的研究熱點(diǎn)和發(fā)展趨勢(shì)，基于檢索平臺(tái)WOS (Web of Science)和中國(guó)知網(wǎng)(China National Knowledge Infrastructure，簡(jiǎn)稱CNKI)進(jìn)行文獻(xiàn)收集與統(tǒng)計(jì)分析，檢索時(shí)間為2021年12月31日。在WOS系統(tǒng)中，采取“TS=fruit disease”and “TS=hyperspectral”or “TS=fruit pest”and“TS=hyperspectral”or“TS=fruit disease and pest”and“TS=hyperspectral”方式檢索文獻(xiàn)，時(shí)間不限。經(jīng)過去重處理，共獲得文獻(xiàn)78篇，時(shí)間覆蓋范圍為2008年至2021年；在中國(guó)知網(wǎng)中，采取“主題=水果病蟲害”或含“主題=水果病害”或含“主題=水果蟲害”并且“主題=高光譜”方式檢索文獻(xiàn)，時(shí)間不限，僅檢索出文獻(xiàn)2篇。再擴(kuò)大檢索范圍，采取“主題=病蟲害”或含“主題=病害”或含“主題=蟲害”并且“主題=高光譜”方式檢索文獻(xiàn)，時(shí)間不限。分析和選擇水果類文獻(xiàn)，共獲得69篇文獻(xiàn)，時(shí)間覆蓋范圍為2007年至2021年。由圖3可知，國(guó)外國(guó)內(nèi)水果病蟲害高光譜遙感研究發(fā)文量基本相當(dāng)，發(fā)表時(shí)間也基本一致，總體呈現(xiàn)遞增趨勢(shì)，2018—2021年增加最為快速，發(fā)文量較少說明高光譜在該領(lǐng)域研究具有廣闊前景，大有可為；根據(jù)WOS題錄數(shù)據(jù)的發(fā)文量排名和CNKI對(duì)國(guó)內(nèi)科研機(jī)構(gòu)題錄數(shù)據(jù)的發(fā)文量來看，中國(guó)是高光譜遙感技術(shù)在水果病蟲害研究中發(fā)表論文最多的國(guó)家，總和為97篇，其次為美國(guó)、西班牙、德國(guó)；國(guó)內(nèi)高校和科研院所對(duì)水果病蟲害高光譜的研究也比較關(guān)注，其中以沈陽農(nóng)業(yè)大學(xué)、華南農(nóng)業(yè)大學(xué)、浙江大學(xué)、華東交通大學(xué)、西北農(nóng)林科技大學(xué)的學(xué)者研究最多，該結(jié)果如圖4-a、圖4-b所示。根據(jù)圖4-c分析，對(duì)文獻(xiàn)涉及的基礎(chǔ)學(xué)科研究發(fā)現(xiàn)，以農(nóng)學(xué)領(lǐng)域應(yīng)用為主，然后就是在遙感與光譜學(xué)、食品科學(xué)、化學(xué)、植物學(xué)及計(jì)算機(jī)學(xué)科上也得到廣泛應(yīng)用。由圖4-d可知，水果病蟲害高光譜的應(yīng)用研究集中在病蟲害檢測(cè)，病蟲害植株分類識(shí)別、病蟲害監(jiān)測(cè)估算和嚴(yán)重度等級(jí)分類也是研究的熱點(diǎn)。通過對(duì)檢索的147篇文獻(xiàn)進(jìn)行分析發(fā)現(xiàn)，學(xué)者對(duì)柑橘(柑桔)、蘋果果樹高光譜病蟲害研究最多，其次就是桃、梨、臍橙等水果，而且利用高光譜成像技術(shù)比非成像多，地面平臺(tái)比機(jī)載和星載平臺(tái)的要多。

綜上所述，星-空-地平臺(tái)的高光譜遙感技術(shù)為水果病蟲害的研究和應(yīng)用提供了多種模式或組合上的選擇，同時(shí)以無人機(jī)為載荷的高光譜成像技術(shù)越來越受到研究的青睞。大多數(shù)學(xué)者綜合了高光譜遙感、農(nóng)學(xué)、病理學(xué)、植物保護(hù)理論與計(jì)算機(jī)技術(shù)，并從傳統(tǒng)的統(tǒng)計(jì)分析向機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、人工智能、圖像與模式識(shí)別及大數(shù)據(jù)分析等方向擴(kuò)展。本文首先簡(jiǎn)述了高光譜遙感監(jiān)測(cè)的基本原理、數(shù)據(jù)獲取方式以及技術(shù)要點(diǎn)，然后從水果高光譜遙感對(duì)病蟲害早期診斷、病蟲害光譜響應(yīng)、不同病蟲害監(jiān)測(cè)識(shí)別、病蟲害危害度定量分析以及病蟲害無損檢測(cè)等方面的研究進(jìn)展進(jìn)行了深入探討，并結(jié)合近年來的高光譜研究實(shí)際，針對(duì)性地提出了高光譜遙感在水果病蟲害中應(yīng)用的趨勢(shì)與未來展望。

2 水果病蟲害高光譜遙感研究進(jìn)展

2.1 水果病蟲害早期診斷

病蟲害防治堅(jiān)持“預(yù)防為主，早發(fā)現(xiàn)，早防治”的原則，傳統(tǒng)的農(nóng)業(yè)生產(chǎn)管理存在對(duì)病蟲害農(nóng)情信息監(jiān)測(cè)不及時(shí)，監(jiān)測(cè)結(jié)果以定性方式展示，無法將監(jiān)測(cè)結(jié)果實(shí)現(xiàn)定量化等難題，而高光譜技術(shù)則能夠盡早通過對(duì)作物微小生理變化的識(shí)別判定疾病的發(fā)生。病蟲害對(duì)作物的影響主要分為外部形態(tài)和內(nèi)部生理變化，何種變化都將不可避免地導(dǎo)致作物光譜特征的改變，尤其是中、近紅外光譜特征的變化。趙英時(shí)等指出只有近紅外波段反射率發(fā)生變化，可見光波段的反射率才會(huì)發(fā)生變化[41-42]，在觀測(cè)病蟲害方面，紅外波段光譜特征監(jiān)測(cè)相較于肉眼要快速很多，這對(duì)病蟲害的早期防治具有非常重要的意義[43]。Delalieux等利用多個(gè)時(shí)期的蘋果分析黑星病脅迫葉片和健康葉片的光譜變化特點(diǎn)，發(fā)現(xiàn)在1 375～1 750、2 200～2 500 nm的光譜范圍內(nèi)對(duì)葉片侵染初期能夠快速識(shí)別，而在580～660、685～715 nm范圍內(nèi)可以快速地、較精準(zhǔn)地識(shí)別侵染3周后的病害葉片[44]。梅慧蘭等獲取了370～1 000 nm 范圍內(nèi)的健康、不同染病程度和缺鋅等5類柑桔葉片的高光譜圖像，利用偏最小二乘判別分析構(gòu)建了柑桔黃龍病的分級(jí)監(jiān)測(cè)模型[45]。Oerke等利用不同時(shí)期葡萄葉片光譜特征變化分析和監(jiān)測(cè)霜霉病感染程度時(shí)發(fā)現(xiàn)，接種天數(shù)越長(zhǎng)，健康和染病葉片的光譜差異就會(huì)越大，可用于染病監(jiān)測(cè)的光譜數(shù)量也會(huì)越多。400、1 400、1 900 nm可用于早期預(yù)測(cè)，接種后第8.5天的疾病檢測(cè)宜采用紅邊波長(zhǎng)，接種第9.5天后的疾病診斷宜采用 500～700 nm范圍內(nèi)檢測(cè)[46]。

通過文獻(xiàn)檢索分析，雖然國(guó)內(nèi)外將高光譜技術(shù)應(yīng)用在水果病蟲害防治方面的研究成果相對(duì)較少，但是應(yīng)用潛力已得到充分證實(shí)，而且早期診斷研究的熱點(diǎn)波段集中在近紅外及“紅邊”位置。對(duì)于病蟲害的早期診斷監(jiān)測(cè)，還需結(jié)合高光譜遙感信息、作物發(fā)病機(jī)理機(jī)制及所處氣象環(huán)境條件，利用長(zhǎng)時(shí)間序列的遙感數(shù)據(jù)對(duì)病蟲害開展生境監(jiān)測(cè)是實(shí)現(xiàn)病蟲害早期防治的關(guān)鍵技術(shù)之一。

2.2 水果病蟲害光譜響應(yīng)

從上述分析可知，作物對(duì)電磁波譜的響應(yīng)主要由作物表面特征和內(nèi)部生理特征決定，植物自身的色素、細(xì)胞結(jié)構(gòu)、水汽吸收分別影響并決定了可見光、近紅外及短波紅外范圍的光譜特征。由圖5可知，由于葉綠素和類胡蘿卜素強(qiáng)吸收帶的存在，綠色健康植被在可見光波段的反射率較低，同時(shí)在藍(lán)光和紅光譜段內(nèi)存在2個(gè)吸收谷，綠光波段內(nèi)則存在1個(gè)強(qiáng)反射峰；然而介于可見光紅光波段與近紅外波段的700～770 nm波段范圍內(nèi)，植被光譜反射率曲線急劇上升幾乎近似垂直直線，該波段范圍的斜率與植被單位面積葉綠素含量關(guān)系密切，學(xué)界稱為“紅邊位置”；此后在短波紅外的1 400、1 900 nm附近有2個(gè)吸收谷，主要由水汽強(qiáng)烈吸收造成。在受到病菌侵染后葉綠素遭到破壞，可見光范圍內(nèi)的光譜反射率增強(qiáng)，紅邊位置向短波方向移動(dòng)[21]。同時(shí)，染病植株在受到脅迫較嚴(yán)重時(shí)就會(huì)出現(xiàn)葉傾角變化甚至植株倒伏等冠層形態(tài)的變化，當(dāng)脅迫達(dá)到某一臨界閾值，作物植株內(nèi)部的水分代謝會(huì)受到破壞，導(dǎo)致植株及葉片嚴(yán)重缺水，這都會(huì)引起近紅外波段反射率的變化[22，47-48]。紅外波段反射率有增加也有降低，不同病蟲害對(duì)應(yīng)的光譜響應(yīng)不太一致，但1 400、1 900 nm附近出現(xiàn)吸收谷反射率增加的現(xiàn)象[40]。

Garcia-Ruiz等利用2種不同的成像系統(tǒng)對(duì)柑橘黃龍病進(jìn)行識(shí)別，結(jié)果表明健康與染病果樹在波長(zhǎng)710 nm和紅邊波長(zhǎng)處的反射光譜存在明顯差異，模型的分類精度在65%～87%之間[49]。鄧小玲等利用DJI MATRICE 600 pro六旋翼無人機(jī)搭載S185成像光譜儀，采用連續(xù)投影算法對(duì)柑橘患黃龍病植株進(jìn)行分類識(shí)別，分類準(zhǔn)確率超過95%，并提取出了最佳識(shí)別特征波段(698、762nm)[50]。郭冬梅基于柑橘葉片高光譜，應(yīng)用逐步判別分析篩選出柑橘黃龍病9個(gè)特征波長(zhǎng)(400.19、403.17、406.15、407.64、412.12、721.14、730.74、740.34、823.98 nm)[51]。譚明等利用高光譜圖像識(shí)別技術(shù)對(duì)柑橘潰瘍病進(jìn)行識(shí)別研究，認(rèn)為柑橘正常果樹葉片與潰瘍病葉片在可見光波段的510.9、575.4、600.88 nm和近紅外波段的 998.97 nm 具有很好的光譜響應(yīng)[52]。李江波等以臍橙為研究對(duì)象，基于高光譜成像并利用特征波段主成分分析法和波段比算法對(duì)潰瘍病果實(shí)進(jìn)行分類識(shí)別，提取處潰瘍病特征波段5個(gè)(630、685、720、810、875 nm)，正確識(shí)別率達(dá)到95.4%[53]。Knauer等利用非成像高光譜(400～2 500 nm)和成像光譜儀HySpex VNIR 1600、HySpex SWIR-320m-e對(duì)葡萄白粉病進(jìn)行識(shí)別研究，通過基于線性判別分析法(linear discriminant analysis，簡(jiǎn)稱LDA)提取了特征光譜波段(440、498、549、640、651、811、1 081、1 652、2 253 nm)和基于積分圖像提取了紋理特征，識(shí)別分類精度達(dá)到99.8%[54]。溫淑嫻等利用高光譜成像技術(shù)對(duì)患有炭疽病的碭山酥梨進(jìn)行識(shí)別，也提取了識(shí)別酥梨炭疽病的特征波長(zhǎng)，分別為572.0、613.2、652.6、749.2、806.5、874.6 nm[55]?？梢钥闯?，可見光-短波紅外波段范圍內(nèi)對(duì)特定水果及其病蟲害光譜響應(yīng)非常明顯，對(duì)柑橘病蟲害的研究比較常見，逐漸擴(kuò)大到其他水果及果樹病蟲害的研究應(yīng)用也是大勢(shì)所趨，這些敏感波段或特定波長(zhǎng)可為后續(xù)低成本的特定品種監(jiān)測(cè)儀器的開發(fā)提供依據(jù)。

2.3 水果不同病蟲害識(shí)別

高光譜不但可以針對(duì)單一果樹的同一病蟲害脅迫植株進(jìn)行分類提取，還可以對(duì)果樹不同病蟲害以及不同水果果樹同種病蟲害進(jìn)行識(shí)別，這也是高光譜技術(shù)應(yīng)用于作物病蟲害監(jiān)測(cè)識(shí)別和防治的重點(diǎn)。Qin等利用光譜信息散度法(SID)對(duì)患病的葡萄柚進(jìn)行了識(shí)別檢查，準(zhǔn)確率達(dá)到96.2%[37]。郭冬梅采集了感染褐斑病、黑星病和潰瘍病的柑橘葉片高光譜圖像，分析并比較病斑及附近不同組織的光譜反射率特征，提取了區(qū)分3種病害的光譜特征波段(404.66、421.10、428.60、434.62、436.12、446.68、618.04、700.40、719.55、727.54、864.38、938.93、998.96 nm)，并利用特征波段結(jié)合多方向Fisher線性判別分析法對(duì)褐斑病、黑星病和潰瘍病的識(shí)別率為100%[51]。王建濤等利用高光譜成像系統(tǒng)提取450～900 nm下81個(gè)波段作為模型輸入數(shù)據(jù)，構(gòu)建了基于卷積神經(jīng)網(wǎng)絡(luò)的柑橘潰瘍病、紅蜘蛛等脅迫病葉分類模型。在迭代次數(shù)為1 000次和學(xué)習(xí)率為0.001時(shí)，模型識(shí)別的準(zhǔn)確率達(dá)到98.75%[56]。Abdulridha等利用高光譜成像系統(tǒng)采集了患病的鱷梨葉片高光譜圖像，采用多層感知機(jī)(multi-layer perceptron，簡(jiǎn)稱MLP)和決策樹(decision tree，簡(jiǎn)稱DT)等2種分類算法，實(shí)現(xiàn)了對(duì)鱷梨枯萎病及缺氮的識(shí)別，最高精度可達(dá)100%[57]。張建華等從蜜柚和葡萄病害葉片局部圖像信息入手，分別采用最優(yōu)二叉樹支持向量機(jī)和卷積神經(jīng)網(wǎng)絡(luò)區(qū)域建議算法對(duì)4種蜜柚葉片病害和6種葡萄病葉進(jìn)行了識(shí)別檢測(cè)[58-59]。研究表明，基于高光譜圖像利用不同分類算法對(duì)不同病蟲害識(shí)別成為可能，而且準(zhǔn)確率較高，表1為部分水果病蟲害識(shí)別相關(guān)研究使用到的高光譜分類算法。

表1 水果病蟲害識(shí)別的高光譜分類算法

由于高光譜龐大的光譜特征和圖像特征，數(shù)據(jù)量大，高維度信息的冗余性導(dǎo)致處理時(shí)間長(zhǎng)，數(shù)據(jù)降維難度大，特征提取及選擇的方法、數(shù)據(jù)降維方法以及數(shù)據(jù)的前期處理方式等都會(huì)對(duì)判別精度造成影響。同時(shí)，算法的選擇以及不同算法的結(jié)合會(huì)極大提高模型識(shí)別的精度，研究表明融入深度學(xué)習(xí)對(duì)于作物病蟲害的識(shí)別以及精度的提高是一種行之有效的方法。

2.4 水果病蟲害危害度定量分析

在水果病蟲害分類識(shí)別的基礎(chǔ)上，定量測(cè)評(píng)分析病蟲害的危害程度對(duì)于指導(dǎo)果園精準(zhǔn)施藥等作業(yè)管理具有重要意義，高光譜及其成像技術(shù)的定量分析為其提供了可能。邢東興等分析了紅富士蘋果樹在各級(jí)紅蜘蛛蟲害、黃葉病害脅迫下的反射光譜特征，構(gòu)造了6種光譜指數(shù)并分別建立了紅蜘蛛蟲害和黃葉病害級(jí)別(正常、輕度、中度、重度)的測(cè)評(píng)數(shù)學(xué)模型，測(cè)評(píng)準(zhǔn)確率分別為96%、98%[60]。同樣，溫淑嫻等采集了酥梨樣本接種炭疽病初期到發(fā)病直至腐爛整個(gè)過程的高光譜圖像及210個(gè)樣品作為研究對(duì)象，采用閾值分割法、權(quán)重系數(shù)法、主成分分析及聚類分析等方法，樣本正確識(shí)別率為98.41%，根據(jù)時(shí)序高光譜圖像的K-Means分類發(fā)現(xiàn)酥梨在第2天和第3天的發(fā)病癥狀明顯，推測(cè)出這個(gè)時(shí)段對(duì)病害施加診治手段最為有利。隨著病害程度的進(jìn)一步加深，病害區(qū)域含水率升高，光譜反射率降低[55]。梅慧蘭等采集了健康、染病和缺鋅柑橘葉片370～1 000 nm 波長(zhǎng)范圍的高光譜圖像，建立了偏最小二乘判別模型，模型判別精度達(dá)到96.4%[45]。同樣，劉燕德等也通過采集鑒別為輕度、中度、重度、缺鋅和正常的5類柑橘葉片高光譜圖像(圖6)，利用最小二乘支持向量機(jī)法構(gòu)建的柑橘黃龍病判別模型最好，誤判率為0[61]。孫曄利用圖像分割算法及統(tǒng)計(jì)學(xué)方法，選取了水蜜桃全果實(shí)高光譜圖像中709、807、874 nm 3個(gè)有效的單波段圖像，通過設(shè)置閾值進(jìn)行桃子腐爛與健康區(qū)域的定位，對(duì)嚴(yán)重腐爛、一般腐爛、輕度腐爛和健康桃子的檢測(cè)精度分別達(dá)到100%、100%、66%和99%[62]，該研究表明健康果、腐爛果的檢測(cè)和鑒別效果好，而輕度腐爛果表面ROI像素比高光譜成像更小而不合適，從而導(dǎo)致檢測(cè)精度低。

文獻(xiàn)分析中發(fā)現(xiàn)，水果病蟲害的危害程度定量分析中，大多數(shù)學(xué)者以病蟲害危害等級(jí)為因變量，自變量可為全波段、特征波長(zhǎng)或特定區(qū)間光譜，基于統(tǒng)計(jì)的回歸分析方法(PLSR、FLDA、SVM、Logistic回歸、多線性回歸、Dirichlet聚集回歸)[25，63-66]或分類算法(SAM、DT、ANN)[31]，以特定病蟲害特征圖譜或特征波段開展研究。光譜植被指數(shù)(spectral vegetation index，簡(jiǎn)稱SVI)是遙感傳感器的不同光譜波段間的線性與非線性的幾何集合，從不同角度反映作物生育期的生長(zhǎng)狀況而受到廣泛關(guān)注[31，67-69]，針對(duì)性地進(jìn)行作物疾病特異性數(shù)據(jù)分析，利用不同波長(zhǎng)數(shù)據(jù)構(gòu)建特定的病蟲害識(shí)別指數(shù)(SDI)，相較于單純的SDI，特定SDI能更快捷、更簡(jiǎn)單地實(shí)現(xiàn)特定病蟲害的量化反演分析[70-71]。與SVI一樣，特定水果SDI的構(gòu)建也將成為水果病蟲害危害等級(jí)量化分析的研究方向。

2.5 水果病蟲害無損檢測(cè)

水果在產(chǎn)存運(yùn)銷過程中易受病菌侵染以及害蟲侵蝕，對(duì)其生理機(jī)能、組織結(jié)構(gòu)造成一定影響，出現(xiàn)如斑點(diǎn)、腐爛、霉粉和蟲蛀等反常癥狀，從而造成果業(yè)損失和影響食品安全。一直以來，水果品質(zhì)的無損檢測(cè)是農(nóng)業(yè)工程領(lǐng)域的研究熱點(diǎn)和重要課題[72]，對(duì)水果病蟲害進(jìn)行無損檢測(cè)與準(zhǔn)確評(píng)價(jià)成為提升水果品質(zhì)以及保障食品安全的重要舉措[73]。水果病蟲害無損檢測(cè)主要基于近紅外透射光譜技術(shù)和高光譜成像技術(shù)，韓東海等基于短波近紅外透射光譜研制出蘋果水心病檢測(cè)儀，檢測(cè)結(jié)果發(fā)現(xiàn)蘋果不同級(jí)別水心病的透射光譜強(qiáng)度不同[74]，從而實(shí)現(xiàn)對(duì)蘋果水心病的判別，與全球同類檢測(cè)方法相比，該方法檢測(cè)正確率高、儀器設(shè)備簡(jiǎn)單易操作。此外，韓東海等還利用透射光譜技術(shù)對(duì)蘋果內(nèi)部褐變開展無損檢測(cè)，其準(zhǔn)確率達(dá)到95.65%[75]。Teerachaichayut等基于近紅外透射光譜，利用波長(zhǎng)660～960 nm檢測(cè)山竹果硬果皮病，并區(qū)分山竹果健康果皮與病害果皮的光譜特征，可準(zhǔn)確檢測(cè)出山竹果的硬果皮病[76]。劉思伽等利用高光譜成像技術(shù)對(duì)感染炭疽病、苦痘病、黑腐病和褐斑病4種病害的寒富蘋果進(jìn)行了檢測(cè)，選取3個(gè)特征波長(zhǎng)、10個(gè)特征波長(zhǎng)以及全波長(zhǎng)光譜信息，利用線性判別分析、支持向量機(jī)和BP人工神經(jīng)網(wǎng)絡(luò)模型分別對(duì)不同光譜信息進(jìn)行病害識(shí)別，病害果的檢測(cè)率達(dá)96.25%[77]。Siedliska等利用高光譜成像技術(shù)檢測(cè)草莓感染腐敗真菌情況，選取19個(gè)波長(zhǎng)作為最適合草莓感染鑒別的波長(zhǎng)，并建立了監(jiān)督分類模型[78]。章林忠等基于近紅外光譜開展了葡萄病害研究，得到最佳預(yù)處理方法為多元散射校正、一階導(dǎo)數(shù)結(jié)合Norris平滑處理，利用判別分析模型分析，正確率達(dá)96.15%[79]。

傳統(tǒng)的水果病蟲害檢測(cè)多為人工診斷，其效率低、耗時(shí)久、主觀性強(qiáng)、內(nèi)部病蟲害無法肉眼識(shí)別，而理化指標(biāo)檢測(cè)又存在破壞性強(qiáng)、樣品處理繁瑣、檢測(cè)周期長(zhǎng)等問題，雖然大部分研究成果都處于試驗(yàn)或?qū)嶒?yàn)室研究階段，樣本量不大，但足以證明利用高光譜技術(shù)開展水果病蟲害的無損檢測(cè)是可行的，對(duì)保障果業(yè)健康發(fā)展、減少經(jīng)濟(jì)損失具有重要意義。

3 結(jié)論與展望

本文從病蟲害的早期診斷、光譜響應(yīng)分析、不同病蟲害識(shí)別、危害度定量分析及無損檢測(cè)等5個(gè)方面對(duì)高光譜遙感在水果病蟲害應(yīng)用領(lǐng)域的研究現(xiàn)狀進(jìn)行綜述分析，高光譜遙感對(duì)于水果病蟲害監(jiān)測(cè)具有廣闊的應(yīng)用前景，這5個(gè)方面的研究正成為該領(lǐng)域的研究熱點(diǎn)。利用高光譜技術(shù)對(duì)水果冠層、葉片、果實(shí)內(nèi)微小生理變化的識(shí)別可以在早期判定疾病的發(fā)生，從而施以措施進(jìn)行提前預(yù)防。果樹染病后葉綠素遭到破壞、植株水分代謝受到干擾、葉片和植株缺水導(dǎo)致可見光和近紅外波段的反射率發(fā)生根本性變化，產(chǎn)生明顯的光譜響應(yīng)?；谔囟úㄩL(zhǎng)及模型算法，高光譜及其成像技術(shù)為病蟲害危害程度的定量分析和水果病蟲害的無損檢測(cè)提供了完全可能?；诟吖庾V圖像并通過不同分類算法對(duì)不同病蟲害識(shí)別已經(jīng)可行，準(zhǔn)確率也較高。

雖然高光譜技術(shù)已經(jīng)在柑橘、蘋果、桃子、梨、臍橙、草莓等水果病蟲害研究上取得了很好的分類識(shí)別效果，但大多數(shù)處在試驗(yàn)和理論探索性研究階段，樣本數(shù)量相對(duì)少，對(duì)于大范圍大尺度農(nóng)田現(xiàn)實(shí)場(chǎng)景的病蟲害監(jiān)測(cè)仍然面臨著多方面的問題和挑戰(zhàn)，同時(shí)亟需提出快速高效的解決辦法，以滿足高光譜技術(shù)在水果病蟲害遙感監(jiān)測(cè)識(shí)別上更深層次的應(yīng)用研究，從以下方面提出展望：

(1)大多病蟲害的病原菌或其產(chǎn)生的霉素，在與寄主植被相互作用時(shí)均可能引起相似癥狀或表現(xiàn)，導(dǎo)致所謂的“同譜異物”現(xiàn)象，比如柑橘、臍橙及柚子等果樹易產(chǎn)生此現(xiàn)象。同時(shí)，同一病原菌在同一果樹不同環(huán)境下也會(huì)產(chǎn)生不同病癥，從而表征“同物異譜”。涉及水果類的病理病害和生理病害的高光譜檢測(cè)技術(shù)研究相對(duì)較少，同一病害具有不同癥狀或相似癥狀的精確識(shí)別成為該領(lǐng)域的瓶頸問題。因此，利用成像和非成像高光譜技術(shù)，結(jié)合光譜與圖像特征的技術(shù)與分析方法，提取不同病蟲害的最佳特征波段，針對(duì)不同病蟲害建立圖譜數(shù)據(jù)庫，為同一病害不同癥狀以及不同病蟲害相似癥狀的精確識(shí)別提供更高的可能性。

(2)在模型方法上選擇合適高效的算法建立水果病蟲害高光譜預(yù)測(cè)模型。在回歸模型、主成分分析、聚類分析等經(jīng)典方法上，選取優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)、K近鄰、隨機(jī)森林、極限學(xué)習(xí)機(jī)以及支持向量機(jī)等判別算法，不斷發(fā)展深度學(xué)習(xí)算法、光譜角制圖法、光譜信息散度法、混合調(diào)諧濾波法。

(3)開展“星-空-地”協(xié)同一體應(yīng)用平臺(tái)和田間(實(shí)驗(yàn)室)-區(qū)域-國(guó)家的小-中-大尺度的綜合研究，為水果病蟲害的高精度監(jiān)測(cè)識(shí)別提供技術(shù)支撐。隨著航空遙感技術(shù)的快速發(fā)展，基于無人機(jī)+高光譜成像系統(tǒng)研究越來越受到關(guān)注，利用地面非成像高光譜也是研究的熱點(diǎn)。由于受空間分辨率的影響，以至于利用星載高光譜傳感器研究水果病蟲害的研究相對(duì)較少，因此利用全譜段衛(wèi)星或小衛(wèi)星傳感器監(jiān)測(cè)作物病蟲害亟待發(fā)展。因此，開展結(jié)合星-空-地協(xié)同的綜合平臺(tái)應(yīng)用，充分利用遙感技術(shù)在光譜、時(shí)間和空間分辨率的三維優(yōu)勢(shì)，將水果病蟲害的監(jiān)測(cè)識(shí)別從小尺度(田間、實(shí)驗(yàn)室尺度)擴(kuò)展到中尺度(農(nóng)場(chǎng)、區(qū)域尺度)，再到大尺度(國(guó)家尺度)，如何用好現(xiàn)有技術(shù)及資源，實(shí)現(xiàn)不同尺度、不同平臺(tái)水果病蟲害的高精度監(jiān)測(cè)識(shí)別及預(yù)測(cè)成為了今后亟待解決的科學(xué)問題。

(4)目前，高光譜遙感技術(shù)在水果病蟲害監(jiān)測(cè)識(shí)別上取得了一些成果，后續(xù)研究中，應(yīng)將水果病蟲害監(jiān)測(cè)與熒光、SAR、Lidar、伽馬射線、X射線以及紫外線等各種遙感系統(tǒng)進(jìn)行綜合應(yīng)用，使各系統(tǒng)優(yōu)勢(shì)發(fā)揮最大化，實(shí)現(xiàn)對(duì)病蟲害監(jiān)測(cè)的連續(xù)性、長(zhǎng)效性。尤其是加強(qiáng)高光譜協(xié)同熒光、熱紅外等技術(shù)力度，根據(jù)熒光、熱紅外對(duì)周邊環(huán)境信息反應(yīng)的敏感性，結(jié)合歷史數(shù)據(jù)、長(zhǎng)時(shí)間序列氣象數(shù)據(jù)和病蟲害發(fā)展擴(kuò)散模型等，分析病蟲害對(duì)植被產(chǎn)生脅迫表征及由脅迫引起的周邊環(huán)境變化，實(shí)現(xiàn)水果病蟲害的早期診斷和提前預(yù)防。