无人机农业遥感在农作物病虫草害诊断应用研究进展

分类：论文范文 发表时间：2021-11-24 11:01

　　摘要：农田作物信息的快速获取与解析是开展精准农业实践的前提和基础。根据农作物病虫草害的实际程度进行变量喷施和作业管理，可减少农业生产成本、优化作物栽培、提高农作物产量和品质，从而实现农业精准管理。近年来，随着无人机产业的快速发展，无人机农业遥感技术因其空间分辨率高、时效性强和成本低等特点，在农作物病虫草害监测应用中发挥了重要作用。本文首先介绍了精准农业航空的基本思想与系统组成和无人机遥感在精准农业航空的地位。接着探讨了无人机农业遥感系统常见的成像方式和遥感影像解析方法，并阐述了国内外无人机农业遥感技术在农作物病虫草害检测研究的最新进展。最后总结了无人机农业遥感技术发展至今面临的挑战并展望了未来的发展方向。本文将为开展无人机农业遥感技术在精准农业航空领域的研究提供理论参考和技术支撑。

　　关键词：无人机农业遥感；病害检测；虫害控制；杂草制图；农情解析

　　1精准农业航空概述

　　农作物病虫草害对农作物的质量和产量都造成了极大影响，造成农业产业巨额损失，是制约现代农业发展的重要因素。据联合国粮食及农业组织（FoodandAgricultureOrganizationoftheUnitedNations，FAO）估计，全世界每年由病虫害导致的粮食减产约为总产量的1/4，其中病害造成的损失为14%，虫害造成的损失为10%[1]。中国作为农业大国，农作物种类多、分布广，重要的农作物病虫害达1400多种，具有种类多、影响大和局部暴发成灾等特点。近年来，农作物病虫害发生和造成的危害出现加重趋势[2]。而传统的农作物病虫害监测以及防控主要依靠植保工作人员田间取样和调查，具有耗时、费力、效率低下和主观性强等缺点。

　　2无人机农业遥感系统

　　无人机农业遥感以无人驾驶飞机为探测平台，搭载各种传感器（通常是高清摄像机和成像光谱仪）获取农田图像，通过对数据进行后期处理、挖掘和建模，来获取更详尽的农情信息。

　　2.1无人机低空遥感影像采集系统

　　无人机低空遥感影像采集系统主要由传感器、无人机、地面控制系统、数据处理软件四部分组成。考虑到无人机续航能力和载重量等方面的局限性，所采用的遥感传感器一般具备数字化、存储量大、体积小、重量轻、精度高、性能优异等特点。目前，常用于农作物信息采集的传感器主要有数码相机、多光谱相机、高光谱相机、热成像仪、激光雷达等。

　　（1）数码相机成像遥感数码相机成像一般获取的是400～760nm之间的RGB可见光影像，为了修正光线和还原图像真实色彩，一般图像传感器都会通过滤光片把红外线滤除掉。因此一般的摄像头无近红外波段信息。由于数码相机使用方便，价格较低，且数字图像处理技术相对成熟，因此利用无人机搭载高清数码相机的遥感系统，是农作物生长状况以及病虫害监测的重要手段。由于无人机飞行高度较低，影像清晰，空间分辨率可达厘米级，通过对数码影像的纹理、颜色等图像空间信息特征进行提取与分析，可进行农作物叶面积指数计算、不同生长周期长势评估、农作物识别、病虫草害诊断等研究。大疆公司的精灵Phantom4RTK，其内置1英寸2000万像素CMOS传感器，用以捕捉高清影像；集成全新RTK模块，提供实时厘米级定位数据；配套的地面站软件，可轻松实现低空航拍任务。采用数码相机进行无人机低空遥感农作物的病虫害，虽然成本较低、操作相对简单，但目前通用的数码相机的空间分辨率还是难以从空中捕获农作物冠层以及叶片的细节，在农作物症状辨别特别是早期诊断应用上还具有一定的局限性。

　　（2）高光谱相机成像遥感利用高光谱遥感监测技术进行作物病虫害的诊断与监测，可及时发现、及时处理，有利于早期防治。其原理是，病虫害会造成作物叶片细胞结构色素、水分、氮元素等性质发生变化，从而引起反射光谱的变化，所以病虫害作物的反射光谱和正常作物可见光到热红外波段的反射光谱有明显差异[1]。

　　2.2无人机遥感图像解译方法

　　不同类型的遥感图像数字处理方法不尽相同，但基本上包含以下环节：遥感图像的辐射处理、几何处理、遥感图像增强以及遥感图像解译。前面三个环节主要是图像预处理部分，相关的原理与方法可详见相关教材或书籍。而解译是根据遥感图像的影像特征推论地表物体的过程，其与遥感应用目的紧密相关，因此，本节主要根据农作物的病虫草害检测的特定应用，对无人机遥感图像常见的解译方法进行阐述。

　　3无人机遥感在农作物病虫草害监测研究进展

　　从1960年提出“遥感”这一术语以来，多数指的是卫星遥感。随着无人机技术的快速发展，农业航空遥感特别是无人机遥感成为了近些年的研究热点。在农作物病虫害监测应用中，由于卫星遥感影像分辨率低，难以识别农作物病虫害的局部特征，具有很大的局限性。而无人机遥感可以提供更高分辨率（如空间分辨率、光谱分辨率、时间分辨率）的影像数据。近几年陆续出现基于无人机遥感的农作物病虫草害监测的研究。笔者通过在WebofScience检索平台对最近15年来有关无人机遥感在重要农作物遥感应用方面的学术出版物进行检索（采用以下检索式：TS=(UAVorUASorunmannedaerialvehicleorAirbornehyperspectralorairbornemultispectralorairbornehighresolutioncamera)ANDTS=(citrusorcottonorriceorcornorpotatoortomatoorgrapeorwheatorweedorcrop)ANDTS=(distinguishoridentificationorclassificationordetection)ANDTS=(lowaltituderemotesensingorremotesensing)，筛选其中有关作物病虫害监测研究的报道，得出各国科科技论文数量。发现近15年来，国内外基于无人机遥感农作物应用研究的科技论文发表数量基本呈现从无到有且迅速增长的趋势。2015年至今，科技论文数量增加最为明显，如图7所示。图8是世界重要农业无人机遥感农作物病虫草害科技论文数量对比图。由图8可以看出，美国、、西班牙的相关研究成果相对较多，特别是美国，其研究报道数量遥遥领先其他。通过这些数据表明了美国、中国和西班牙等在无人机遥感农作物应用的重视程度以及研究基础。

　　3.1无人机遥感在农作物病害识别的研究进展

　　在病害检测识别方面，已有不少文献报道无人机遥感在水稻、柑橘、小麦、棉花、葡萄和大豆等农作物病害检测的研究[26-44]，这些文献里采用的无人机遥感影像有高光谱图像、多光谱图像以及数码相机拍摄的RGB图像，其中高光谱图像尤为多见。

　　3.1.1无人机高光谱遥感病害进展

　　在病害检测方面，已有不少团队针对柑橘、小麦、棉花等农作物开展了无人机高光谱遥感研究。

　　在柑橘黄龙病（Huanglongbin）的无人机遥感研究上，佛罗里达大学Lee[26]团队利用地面高光谱仪建立光谱库，用来为低空高光谱图像进行波谱匹配识别分类。但由于获取光谱的采集设备和拍摄条件有别，该方法的识别准确率较低；Kumar等[27]利用图像衍生光谱库、混合调谐匹配滤波（MixtureTunedMatchedFiltering，MTMF）、光谱角映射（SpectralAngleMapping，SAM）等技术对无人机机载高光谱图像和多光谱图像进行分析，以实现柑橘黄龙病感染区域的识别，研究结果表明在基于光谱库的方法在柑橘黄龙病检测上，准确率并不理想。因此采用地物谱仪建议光谱库以识别低空高光谱图像的柑橘黄龙病特征，具有一定的局限性。兰玉彬等[28]通过无人机获取低空柑橘果园的高光谱影像，对健康和患HLB植株的光谱进行对数和一阶微分计算，并采用K邻近（K-NearestNeighbor，KNN）和支持向量机（SupportVectorMachine，SVM）进行建模和分类，分类准确率达到94.7%，该方法表明基于机器学习的方法实现低空高光谱遥感检测HLB的手段具有一定的可行性，但不同柑橘品种、种植区域以及拍摄条件对该算法的应用具有一定的挑战性，试验数量和算法的优化是下一步完善的方向。目前无人机遥感柑橘病害的文献报道较少，已有的研究中，采用的无人机低空拍摄高度大多在100m以内，在患病严重的植株区域才能获得较显著的检测或诊断结果[28]。对于早期病害检测或者病害等级分类等应用，目前的方法还具有一定的局限性。在病情已经严重的情况下，进行识别诊断的意义并不显著。大范围研究患病以及病情蔓延规律，对于病情预测，早期发现更具有实际应用价值，因此，病情扩散规律的遥感监测以及早期预报将是下一步研究的方向。

　　3.1.2无人机多光谱遥感病害检测研究进展

　　在无人机多光谱遥感病害方面，国内外学者在多种农作物上，也探索了低空遥感病害的可行性。

　　在葡萄园的大面积监测领域，欧洲的学者在无人机遥感监测方式上进行了探索。葡萄黄萎病（Flavescencedorée）对欧洲的葡萄园造成了严重的经济损失，因无法治愈，至今仍威胁着欧洲葡萄种植业。法国学者Johanna等[33]使用单变量和多变量的分类方法，用无人机图像（如光谱带、植被指数和生物物理指数）计算出健康和有症状的葡萄藤的光谱特征，结果发现红色栽培品种获得了最佳的分类结果。意大利学者GeNNaro等[34]则对葡萄条纹病（GrapevineLeafStripeDisease，GLSD）监测开展了研究，使用无人机获得高分辨率多光谱图像计算归一化差异植被指数（NDVI），与通过地面调查检测的GLSD叶片症状进行相关性分析，结果显示了两者之间具有高度相关性，该研究在每一棵葡萄树上都装了GPS，用于定量和定性分析有症状植物的空间分布，该系统还可以用于探索GLSD的生理学基础，并预测该疾病的发作。

　　3.2无人机遥感在虫害控制中的应用进展

　　在农作物的虫害监测方面，由于一般虫害具有移动性，目前农作物在虫害监控上，多数采用地面视频监控法。利用无人机遥感进行农作物虫害监测的研究报道并不多见。黄华盛等[45]利用无人机多光谱图像检测了棉花上蜘蛛螨的侵染情况。该研究采用两级分类法进行螨类入侵检测，在第一阶段，应用支持向量机分类器将每个像素分为三类：棉花、阴影和其他；在第二阶段，使用一个转移深度学习网络—Alexnet将所有的棉花像素分为四类：正常、轻、中、重，试验结果表明，该方法的总体精度可达95.4%，开辟了无人机多光谱图像的螨类感染检测新方法。Fernando等[46]使用RGB、多光谱和高光谱相机获取多源遥感图像，提出了评估葡萄园害虫（葡萄园叶状体）的监测预测模型。该研究也证明了高光谱图像也可以检测人眼暂未发现的葡萄叶状体，研究中提出的方法、工作流程、结果和分析将有助于为植物病虫害监测提供有价值的信息，所提出的方法也可以外推到遥感研究的其他领域，如矿产勘探、生物多样性和生态评估。

　　4面临的挑战

　　尽管近几年无人机技术发展迅猛，的农业无人机已经走向全球，处于领跑地位，然而无人机农业遥感离实际应用还有一定的距离。目前无人机遥感农作物病虫害的进展主要受到以下方面的制约。

　　4.1无人机遥感数据库

　　多数研究成果仅仅适用于当次获取的无人机遥感影像，研究方法或模型难以在实际应用推广。其主要原因之一在于农作物的生长具有周期性、连续性、季节性和地域性，对于同一种病害在作物不同生长时期表现特征和光谱响应特征有所差异。同理，不同地域、不同农作物品种的遥感影像也具有差异性。因此，目前已有的研究成果多数不具有普适性、稳定性和通用性。即使在单次的遥感试验中获得很高的识别率，但并不能保证用于其他时刻获取的遥感数据的有效性。此外，目前已有的软件如ENVI的光谱库主要用于地物识别，农作物病虫害的光谱数据库以及图像数据库等仍处于空白阶段。

　　4.2农作物病虫害早期诊断

　　农作物病虫害监测应用中，早期诊断的表现症状不明显，无论是目视观测还是计算机解译，都具有较大的难度。但早期诊断的研究意义和需求更大，更有利于农作物的预防和控制，防止病虫害的蔓延发展。

　　由于无人机与地面农作物之间具有一定的遥感拍摄距离，因此，当前的机载传感器获取的遥感影像难以捕捉图像细节，对农作物病虫害早期症状表述不清。此外，病害发生早期，即使高分辨率图像也难以解析，需要结合病虫害发生的温度、湿度等气象和植保数据，才有可能实现病虫害遥感监测和预测预报。

　　通过查阅已有研究文献，目前针对无人机遥感农作物病虫害早期诊断的研究鲜有报道，少部分研究表明高光谱低空遥感在农作物病虫害诊断研究中，具有一定的可行性。

　　5结论与展望

　　无人机农业遥感是目前精准农业领域的研究热点。比起卫星农业遥感方式，无人机农业遥感技术具有机动性强、分辨率高、设备成本低等优势[68]；比起地面感知方式，具有范围广、速度快、人力成本低等优势。因此无人机农业遥感方式前景辽阔，发展潜力巨大。

　　参考文献

　　[1]黄文江,刘林毅,董莹莹,等.基于遥感技术的作物病虫害监测研究进展[J].农业工程技术,2018,38(09):39-45.

　　[2]张竞成,袁琳,王纪华,等.作物病虫害遥感监测研究进展[J].农业工程学报,2012,28(20):1-11.ZhangJ,YuanL,WangJ,etal.Researchprogressofcropdiseasesandpestsmonitoringbasedonremotesensing[J].TransactionsoftheCSAE,2012,28(20):1-11.

　　[3]LanY,ChenS.CurrentstatusandtrendsofplantprotectionUAVanditssprayingtechnologyinChina[J].IntJPrecisAgricAviat,2018,1(1):1-9

　　[4]LanY,ThomsonSJ,HuangY,etal.Currentstatusandfuturedirectionsofprecisionaerialapplicationforsite-specificcropmanagementintheUSA[J].ComputersandElectronicsinAgriculture,2010,74(1):34-38.

　　兰玉彬1，3，邓小玲2，3*，曾国亮2，3

上一篇：我国农业信息化精准管理技术重构路径 下一篇：物理在农业生产和包装中的应用研究