无人机遥感监测作物病虫害胁迫方法

目前，基于无人机的遥感监测(无人驾驶飞行器、遥感传感器、遥测遥控、通讯、GPS差分定位、遥感应用等技术)技术已在作物病虫害胁迫领域被广泛应用与研究。当作物受到病虫害胁迫时通常在不同光谱波段上表现出吸收和反射特性的变化，即为作物病虫害胁迫的光谱响应。作物由于病虫害胁迫受损会引起色素、形态、结构等改变，通常可以通过提取其光谱响应特征并加以分析处理，实现对病虫害胁迫的精准、快速、无损监测。

一、概述

无人机遥感监测作物病虫害胁迫是以无人机为遥感监测平台，利用搭载的各种传感器获取目标作物的遥感影像、视频、点云等数据，通过对数据的处理、挖掘和建模来获取作物病虫害胁迫信息。监测方法大致可分为两类：①单一遥感监测方法，主要通过无人机搭载相应传感器进行作物病虫害胁迫数据获取、处理及分析;②综合遥感监测方法，主要利用无人机遥感监测技术与地面人工调查取样等方式综合进行作物病虫害胁迫数据获取、处理及分析。

根据实际监测情况的不同选择单一或综合无人机遥感监测作物病虫害胁迫方法，以实现作物病虫害信息的精准获取和高效动态监测，为作物病虫害科学防治提供支撑。其中，主要涉及以无人机飞行平台和机载传感器为代表的无人机遥感监测硬件系统，以无人机测绘摄影测量等专业处理软件和数据处理分析相关算法或模型为代表的无人机遥感监测软件系统。

二、监测数据获取方式

1、无人机飞行平台

无人机是利用无线电遥控设备和自备的程序控制装置操纵的不载人飞行器。大致可分为多旋翼、固定翼、单旋翼(直升机)和混合翼(垂直起降固定翼)几种。在使用无人机遥感监测作物病虫害胁迫时，关注的重点是无人机载荷、续航时间、飞行高度、监测精度和空间分辨率等。如表1所示为不同的无人机飞行平台。

由于遥感监测数据获取过程中飞行平台的选择对获取的数据质量有影响，因此选择的飞行平台应具备可操控性、高稳定性和飞行持久性等特点，以获取质量较好的数据。目前，多旋翼无人机因具有航速姿态可调、飞行稳定、能够定点悬停等优势，适用于定点重复获取多尺度、高分辨率的作物病虫害胁迫数据，在遥感监测作物病虫害胁迫研究与应用中最为广泛。

2、机载传感器

无人机遥感监测作物病虫害胁迫研究中的机载传感器类型主要包括多光谱相机、高光谱相机、数码相机、热红外相机、激光雷达等。无人机遥感监测作物病虫害胁迫的机载传感器通常为光学、光电学和热力学传感器，少部分机载传感器属于声学等领域。因此，利用无人机获取病虫害胁迫数据时，需要依据地域特征、病虫害爆发程度和作物种类等情况选择合适的传感器。

3、数据获取流程

无人机遥感监测作物病虫害胁迫的数据获取流程是保证每次飞行能正常操作且安全准确获取监测数据的重要流程，无人机数据获取的质量和数量对后续处理分析的结果有重要影响。对自主作业模式(全球定位系统模式，以实现精确悬停、指点飞行、规划航线等操作)下无人机遥感监测作物病虫害胁迫方法来说，主要有以下步骤：

(1)飞行前期准备。确认飞行任务区域及申请空域;查询地理、天气环境信息;选择并调试飞行与地面设备(无人机飞行平台、机载传感器、遥控器、导航等)以及检查电量、是否能正常工作等;是否携带其他设备，如辐射定标板等。

(2)正式飞行前准备。现场组装、调试、连接飞行与地面设备;根据任务区域地形、作物病虫害、续航、载荷等情况，设计飞行任务方案，如起降点、航线、高度、架次、重叠率等。

(3)飞行作业执行。实时关注无人机飞行平台的速度、位置、电量、电压、任务时间等飞行情况，监督飞行时稳定、安全作业，必要时可以手动接管飞行。

(4)飞行作业结束。自主返航或操控返航;返航完毕可关闭飞行与地面设备电源;回收飞行与地面设备，读取储存卡数据或在飞行作业时通过地面设备实时获取遥感监测数据。

三、监测数据处理方法

如何从无人机遥感监测作物病虫害胁迫获取的大量数据中高效提取表型特征十分重要，并且很大程度决定处理分析的结果。表型特征主要包括光谱特征、纹理特征、颜色特征、形状特征和生理特征等。目前，对这些表型特征的分析处理是无人机遥感监测作物病虫害胁迫研究的热点。现阶段主流的无人机遥感监测作物病虫害胁迫数据处理的方法可以大致分为统计分析方法和机器学习方法两类。

目前，监测数据处理方法的流程主要为：遥感影像的格式调整、清洗、预处理、拼接、校正、特征提取、特征选择、设计方法模型、评价指标与调优等。对于遥感影像格式调整一般使用机载传感器配套软件处理，对于遥感影像拼接和校正等则使用无人机测绘摄影测量软件。

1、统计分析方法

在无人机遥感监测作物病虫害胁迫相关研究中，常用描述统计、相关分析、回归分析、判别分析、方差分析和聚类分析等统计分析方法。

通常，借助上述方法使用植被的光谱特征进行作物病虫害胁迫遥感监测。通过对光谱曲线进行分析，可以发现不同作物病虫害胁迫的光谱曲线变化特征。一般基于特定光谱波段、波段计算与组合以及植被指数(Vegetation Index，VI)等方法进行光谱特征提取。因为不同病虫害胁迫对作物生长造成的影响程度不一致，所以特定光谱波段更有利于对不同病虫害胁迫进行监测。光谱波段经运算组合后可以得到反映植被生长状况、植被覆盖度等有相关意义的值，即VI。VI已广泛用来定性和定量评价植被覆盖及其生长活力，常用于作物病虫害胁迫监测的VI主要由2~3个波段构成。

利用VI进行回归或相关分析可以建立遥感监测数据与作物生长信息的反演模型，即经验模型。由于经验模型需要大量的实测数据为基础，而实测数据的精度如何，很大程度取决于实测数据的测量精度;经验模型存在区域适用性的限制，常常在实测数据采集的区域模型的适用性较高，在其他区域适用性较低;地表粗糙度的变化经验模型无法考虑。目前，由于植被参数的遥感反演物理模型具有因果关系和数学物理基础，因而正成为遥感反演作物病虫害胁迫研究的主要方向，但主要集中在辐射传输模型，尚无几何光学模型和混合模型等在作物病虫害胁迫中研究与应用。

2、机器学习方法

当前，无人机遥感监测作物病虫害胁迫的数据处理方法主要集中于机器学习方法。机器学习最基本的做法是使用算法来解析遥感监测数据，然后对真实世界中的病虫害胁迫做出决策和预测。机器学习传统的算法包括决策树、聚类、贝叶斯分类、随机森林、支持向量机、k-近邻算法等。从学习方法上划分，机器学习算法可以分为监督学习、无监督学习、半监督学习、集成学习、深度学习和强化学习等。

在机器学习传统的算法中，如何最大限度地在数据中提取有用的特征以供算法和模型使用至关重要。当作物受到一定程度病虫害胁迫后，患病虫害的作物外部形态(叶面积、株高、颜色等)与内部生理均会发生较为明显地改变。因此，除了使用无人机遥感监测获取作物病虫害胁迫影像的光谱特征之外，颜色特征(如颜色直方图、颜色熵、颜色矩、颜色聚合向量等)、纹理特征(如局部二值模式、灰度直方图、灰度共生矩阵、小波变换等)和形状特征(如傅立叶变换、形状不变矩、小波轮廓描述符等)等也常被提取使用。此外，还可以结合实地调查取样获取作物病虫害胁迫下的株高、叶绿素含量、生物量和含水量等各项指标。特别地，作物受病虫害胁迫的环境(温度、湿度、海拔、土壤含水量、养分等)也会对病虫害胁迫有影响，也是需要重点关注与开展长期性、周期性的研究。

近年来，随着数据的高速增长、算力的迅猛增强、算法的完善成熟，深度学习逐渐在无人机遥感监测作物病虫害胁迫领域得以大量应用。使用传统的机器学习方法提取特征往往需要进行手工提取或特征工程，并且需要大量的时间优化，而深度学习减少人为设计特征的过程，将自动学习与任务相关的特征即特征学习融入建立模型的过程。

不过，使用深度学习方法面临需要大量训练数据和性能较高的计算机硬件支持，以及更优的模型等主要限制。尽管如此，相关研究表明使用深度学习方法比机器学习传统的算法能获得更好的分类、检测、识别和分割性能，因此未来也需要不断深入研究与改进。同时，随着高光谱机载传感器和深度学习技术的不断发展，利用深度学习技术可以充分挖掘高光谱影像的潜在特征，实现更好地对各种作物病虫害胁迫进行监测。

审核编辑 黄宇