崔美娜，戴建國(guó)，王守會(huì)，張國(guó)順，薛金利

(石河子大學(xué)信息科學(xué)與技術(shù)學(xué)院/兵團(tuán)空間信息工程技術(shù)研究中心，新疆石河子 832000)

0 引 言

【研究意義】病蟲害的發(fā)生與蔓延給農(nóng)業(yè)生產(chǎn)帶來(lái)不可忽略的損失[1-3]。據(jù)統(tǒng)計(jì)，世界糧食生產(chǎn)每年因病害損失10%，蟲害損失14%；棉花產(chǎn)量因病害損失14%，蟲害損失16%[4]。新疆作為我國(guó)最大的優(yōu)質(zhì)棉生產(chǎn)基地，播種面積占全國(guó)的30%左右，產(chǎn)量占全國(guó)的40%以上，出口量占全國(guó)的 70%以上[5]。而棉葉螨是棉花主要害蟲之一，對(duì)棉花生產(chǎn)危害極大，對(duì)其進(jìn)行大面積快速監(jiān)測(cè)是及時(shí)治理的重要前提。傳統(tǒng)的病蟲害識(shí)別、定位與監(jiān)測(cè)方法主要是田間人工調(diào)查，該方法耗時(shí)、費(fèi)力，適合于小面積種植的管理，難以滿足新疆大面積規(guī)模化種植的要求，影響了蟲情監(jiān)測(cè)的及時(shí)性[6]，降低了防治效果。因此，快速、準(zhǔn)確地對(duì)大面積棉花進(jìn)行棉葉螨蟲情監(jiān)測(cè)，及時(shí)掌握棉葉螨發(fā)生動(dòng)態(tài)，對(duì)于減少棉花產(chǎn)量損失有重要意義?！厩叭搜芯窟M(jìn)展】在大面積農(nóng)作物病蟲害遙感監(jiān)測(cè)方面，常用的方式和手段主要有近地遙感以及衛(wèi)星遙感[7]。競(jìng)霞等[8]基于PLS算法和變量投影重要性(VIP)準(zhǔn)則篩選出了棉花黃萎病病情嚴(yán)重度遙感估測(cè)的特征因子，利用高分辨率衛(wèi)星影像實(shí)現(xiàn)了棉花黃萎病病情嚴(yán)重度的遙感監(jiān)測(cè)。Jonas等[9]通過(guò)對(duì)Quickbird影像進(jìn)行處理和分析，在實(shí)驗(yàn)區(qū)域內(nèi)對(duì)小麥白粉病和條銹病的發(fā)生進(jìn)行了監(jiān)測(cè)識(shí)別，監(jiān)測(cè)制圖精度達(dá)到88.6%。Zhang等[10]基于多時(shí)相環(huán)境星可見(jiàn)光、近紅外、短波紅外和熱紅外通道計(jì)算相關(guān)特征，建立了結(jié)合生境信息的小麥白粉病發(fā)病概率預(yù)測(cè)模型。但衛(wèi)星遙感受時(shí)間分辨率、空間分辨率和光譜分辨率的影響，在監(jiān)測(cè)的及時(shí)性和準(zhǔn)確性上較為受限。近年來(lái)隨著無(wú)人機(jī)在農(nóng)業(yè)領(lǐng)域的廣泛使用，成為農(nóng)作物病蟲害監(jiān)測(cè)的新手段。陳雯等[11]闡述了無(wú)人機(jī)遙感在地塊面積估測(cè)、生長(zhǎng)狀況以及災(zāi)害監(jiān)測(cè)中的應(yīng)用現(xiàn)狀，為無(wú)人機(jī)在作物監(jiān)測(cè)領(lǐng)域的應(yīng)用提供了依據(jù)。劉良云等[12]利用無(wú)人機(jī)多時(shí)相高光譜數(shù)據(jù)構(gòu)建病害光譜指數(shù)，實(shí)現(xiàn)了冬小麥條銹病病害程度與發(fā)病區(qū)域監(jiān)測(cè)；喬紅波等[13]通過(guò)無(wú)人機(jī)航拍數(shù)碼圖像，建立基于HSV色彩空間的顏色特征模型，實(shí)現(xiàn)了小麥全蝕病的識(shí)別與等級(jí)分類。【本研究切入點(diǎn)】利用無(wú)人機(jī)遙感進(jìn)行農(nóng)作物分類、長(zhǎng)勢(shì)監(jiān)測(cè)、病蟲害識(shí)別等已逐漸成為農(nóng)業(yè)領(lǐng)域的研究熱點(diǎn)，但目前在棉葉螨監(jiān)測(cè)方面的研究還未見(jiàn)報(bào)道。研究機(jī)載多光譜影像提取棉田螨害光譜特征，建立監(jiān)測(cè)模型，以期獲得棉葉螨無(wú)人機(jī)遙感的監(jiān)測(cè)識(shí)別方法。【擬解決的關(guān)鍵問(wèn)題】基于無(wú)人機(jī)獲取高分辨率影像數(shù)據(jù)，結(jié)合受害棉田的光譜響應(yīng)規(guī)律，篩選特征光譜指數(shù)并建立分類模型，形成基于無(wú)人機(jī)多光譜遙感的棉葉螨識(shí)別方法，實(shí)現(xiàn)大面積棉田的高效、快速監(jiān)測(cè)，為新疆棉花種植的穩(wěn)產(chǎn)和高產(chǎn)提供技術(shù)支持。

1 材料與方法

1.1 材 料

1.1.1 研究區(qū)概況

研究區(qū)位于新疆生產(chǎn)建設(shè)兵團(tuán)146團(tuán)六分場(chǎng)二連，是北疆地區(qū)棉花生產(chǎn)基地之一。該區(qū)為典型的溫帶大陸性干旱氣候，冬季長(zhǎng)而嚴(yán)寒，夏季短而炎熱，光熱資源豐富，日照率 60%～80%，降水少、蒸發(fā)量大[14]。田間種植模式單一，灌溉設(shè)施齊全，全連以棉花為主要經(jīng)濟(jì)作物，種植品種為新陸早162號(hào)，種植模式采用66 cm+10 cm寬窄行設(shè)計(jì)。在研究區(qū)拍攝的無(wú)人機(jī)多光譜影像，影像覆蓋田間面積大約8 500 m2。棉葉螨作為研究區(qū)主要蟲害，于2017年7月初開(kāi)始點(diǎn)片發(fā)生。圖1

圖1 研究區(qū)影像
Fig.1 Map of research area

1.1.2 無(wú)人機(jī)多光譜數(shù)據(jù)的獲取與處理

無(wú)人機(jī)平臺(tái)為大疆Spreading Wing S1000+八旋翼無(wú)人機(jī)，整機(jī)重量4.4 kg，有效載荷3 kg，懸停功耗1 500 W，具有質(zhì)量輕、體積小，系統(tǒng)操控簡(jiǎn)單，輕便靈活等特點(diǎn)。無(wú)人機(jī)搭載的傳感器是美國(guó)Tetracam公司生產(chǎn)的Micro MCA12 Snap多光譜相機(jī)，該相機(jī)可同時(shí)獲取包含可見(jiàn)光與近紅外在內(nèi)的12個(gè)波段數(shù)據(jù)。前5個(gè)波段位于可見(jiàn)光區(qū)域，波段6、7位于紅邊區(qū)域，最后的5個(gè)波段位于近紅外區(qū)域。其中波段8、5、3、1分別近似TM 影像的4、3、2、1波段[15]，可進(jìn)行相應(yīng)指數(shù)的計(jì)算。表1，表2

無(wú)人機(jī)多光譜數(shù)據(jù)的獲取于2017年8月8日進(jìn)行，時(shí)間為上午12:00～14:00，研究區(qū)域面積8 500 m2，飛行時(shí)光照條件良好且風(fēng)力小于3級(jí)。在進(jìn)行無(wú)人機(jī)航拍實(shí)驗(yàn)前，設(shè)置多個(gè)地面控制點(diǎn)，并放置一塊1 m×1 m大小的白板，用于像元值的相對(duì)定標(biāo)。數(shù)據(jù)獲取時(shí)，根據(jù)預(yù)定的航線垂直拍攝，范圍覆蓋整個(gè)研究地塊。飛行航高80 m，巡航速度5m/s，所拍攝影像空間分辨率為0.04 m，影像旁向重疊率為80%，航向重疊率為60%，滿足后期影像處理需求。無(wú)人機(jī)影像的拼接處理使用Pix4D Mapper軟件。處理過(guò)程中首先進(jìn)行自動(dòng)空三加密，再結(jié)合相應(yīng)的地面控制點(diǎn)數(shù)據(jù)利用3階多項(xiàng)式模型對(duì)影像校正，結(jié)果輸出數(shù)字正射影像(Digital orthophoto map,DOM)，最后對(duì)得到的影像再進(jìn)行幾何校正和輻射定標(biāo)[15-16]。由于圖像邊緣數(shù)據(jù)產(chǎn)生的畸變較大，光譜信息異常，因此預(yù)處理結(jié)束后再對(duì)研究區(qū)域進(jìn)行圖像裁剪，剔除邊緣區(qū)域。

表1 Micro MCA12 Snap 傳感器波長(zhǎng)及波段特征Table 1 Wavelength and band features of MicroMCA12 Snap

1.1.3 螨害調(diào)查數(shù)據(jù)獲取

在獲取無(wú)人機(jī)多光譜數(shù)據(jù)的時(shí)間點(diǎn)附近(8月7日～8月9日)，同步進(jìn)行螨害的地面調(diào)查。在研究區(qū)內(nèi)隨機(jī)、均勻布設(shè)采樣點(diǎn)，分散覆蓋整個(gè)研究地塊，并控制受害點(diǎn)和健康點(diǎn)數(shù)量基本相同，每個(gè)樣點(diǎn)調(diào)查20株。地面螨害分級(jí)標(biāo)準(zhǔn)參照《棉花葉螨測(cè)報(bào)技術(shù)規(guī)范》(GB/T 15802-2011)[17]國(guó)家標(biāo)準(zhǔn)中進(jìn)行劃分，0級(jí)：無(wú)為害；1級(jí)：葉面有零星黃色斑塊；2級(jí)：紅色斑塊占葉面1/3以下；3級(jí)：紅色斑塊占葉面1/3以上。并通過(guò)統(tǒng)計(jì)樣點(diǎn)棉葉數(shù)以及各棉葉螨害級(jí)別，計(jì)算平均螨害級(jí)數(shù)，以此作為螨害發(fā)生情況(發(fā)生螨害、健康)的依據(jù)。當(dāng)平均螨害級(jí)數(shù)為2級(jí)以上(包括2級(jí))時(shí)，認(rèn)為達(dá)到當(dāng)?shù)胤乐我螅磳⒃摬蓸狱c(diǎn)標(biāo)記為螨害發(fā)生點(diǎn)，否則標(biāo)記為健康點(diǎn)。同時(shí)在各個(gè)樣點(diǎn)中心使用全球定位系統(tǒng)(global position system,GPS)精準(zhǔn)定位，獲得坐標(biāo)信息。實(shí)驗(yàn)共布設(shè)180個(gè)調(diào)查樣點(diǎn)。圖1

1.2 方 法

1.2.1 建模因子的選取

棉花受螨害脅迫后，會(huì)在外部形態(tài)及內(nèi)部生理上發(fā)生一系列變化，反映在植物的反射光譜上為可見(jiàn)光與近紅外波段反射峰的改變。選取影像中6個(gè)可見(jiàn)光、近紅外波段數(shù)據(jù)，結(jié)合作物病蟲害遙感監(jiān)測(cè)中常用的14個(gè)植被指數(shù)，共得到20個(gè)初選特征因子，作為棉葉螨識(shí)別的建模變量。表2

1.2.2 邏輯回歸模型的構(gòu)建

邏輯回歸 (Logistic Regression,LR)分析實(shí)際上屬于判別分析，用于處理因變量為分類變量的數(shù)據(jù)。同時(shí)，二值邏輯回歸法可以很好的解釋在一定條件下事件發(fā)生的概率[18]。在邏輯回歸分析中，因變量是二分類變量，通常使用0和1代表兩種不同的狀態(tài)。同時(shí)螨害發(fā)生與否是非線性的變化過(guò)程，因此螨害監(jiān)測(cè)問(wèn)題屬于非線性的二分類問(wèn)題，建立如下logistic邏輯回歸模型：

(1)

其中，β0為常數(shù)項(xiàng)或截距，β1,β2,…βp為logistic模型回歸系數(shù)。X1,X2,…,XP表示p個(gè)自變量，P表示在p個(gè)自變量的作用下發(fā)生的條件概率，即在影響Y取值的p個(gè)自變量作用下螨害發(fā)生的條件概率為P=P(Y=1|X1,X2,…,XP)。

對(duì)式(1)作logit變換(邏輯變換)，logistic回歸模型可以變成下列線性形式：

(2)

從式(2)可以看出，回歸系數(shù)(β)是在控制了其他因素的條件下變量的影響能力，響應(yīng)變量Y是一個(gè)二分類變量，其取值Y=1和Y=0，分別代表發(fā)生與不發(fā)生，P為發(fā)生概率，以0.5作為分界點(diǎn)，當(dāng)P≥0.5，邏輯為真，表示發(fā)生螨害，當(dāng)P<0.5表示健康(未發(fā)生)。

表2 光譜指數(shù)及其定義Table 2 Summary of spectral indexes used in this study and definition

1.2.3 赤池信息準(zhǔn)則

赤池信息準(zhǔn)則也被稱為AIC準(zhǔn)則(Akaike’s Information Criterion) 。該準(zhǔn)則于1973年提出，它建立在熵的概念基礎(chǔ)上，可以權(quán)衡所估計(jì)模型的復(fù)雜度和此模型擬合數(shù)據(jù)的優(yōu)良性[33]。AIC由兩部分組成，一部分反映模型的擬合精度，一部分反映了模型中參數(shù)的個(gè)數(shù)，即模型的繁簡(jiǎn)程度。AIC值由下式確定：

VAIC=-2lnA+2B.

(3)

式中A為模型的極大似然函數(shù)；B為模型參數(shù)個(gè)數(shù)。

赤池信息準(zhǔn)則的思想是：在一組可供選擇的模型中，AIC最小的模型通常是最佳模型。當(dāng)式(3)中構(gòu)成AIC值的兩部分之間存在較大的差異時(shí)，這個(gè)差異主要體現(xiàn)在第1項(xiàng)，即似然函數(shù)項(xiàng)，而當(dāng)作為似然函數(shù)的第1項(xiàng)不出現(xiàn)顯著性差異時(shí)，第2項(xiàng)模型復(fù)雜度則起作用，從而參數(shù)個(gè)數(shù)少的模型是較好的選擇。

一般而言，當(dāng)模型復(fù)雜度提高(B增大)時(shí)，似然函數(shù)A也會(huì)增大，從而使AIC變小。但當(dāng)B增大到一定程度時(shí)似然函數(shù)增速減緩，當(dāng)似然函數(shù)增速小于B的增大速度時(shí)會(huì)導(dǎo)致AIC增大，此時(shí)說(shuō)明模型過(guò)于復(fù)雜造成了過(guò)擬合現(xiàn)象。而AIC值小的模型在模型擬合度和復(fù)雜度之間找到了合適平衡點(diǎn)，在保證似然函數(shù)盡可能大的同時(shí)，復(fù)雜度盡可能的小，也就是在盡可能提高模型擬合度的同時(shí)，使模型參數(shù)盡可能少，降低了模型過(guò)擬合的可能性[34]。因此AIC值是模型選擇的重要指標(biāo)。

對(duì)于線性回歸模型，AIC準(zhǔn)則可表示為：

(4)

由于所建logistic回歸模型經(jīng)過(guò)logit變換(邏輯變換)后成為線性模型，因此可以根據(jù)上述AIC準(zhǔn)則公式對(duì)模型進(jìn)行對(duì)比分析，從而求得最佳模數(shù)參數(shù)和模型方程。

1.2.4 模型評(píng)價(jià)

評(píng)價(jià)分類器性能的指標(biāo)一般是分類準(zhǔn)確率(Accuracy)，其定義是：對(duì)于給定的樣本數(shù)據(jù)集，分類器正確分類的樣本數(shù)和總樣本數(shù)之比。對(duì)于二分類問(wèn)題常見(jiàn)的評(píng)價(jià)指標(biāo)是精確率(precision)、召回率(recall)和F1值[35]。

通常以關(guān)注的類為正類，其他類為負(fù)類，分類器在樣本數(shù)據(jù)集上的預(yù)測(cè)或正確或不正確，一共4種情況分別是：

TP—將正類預(yù)測(cè)為正類數(shù)(TruePositive)；

FN—將正類預(yù)測(cè)為負(fù)類數(shù)(FalseNegative)；

FP—將負(fù)類預(yù)測(cè)為正類數(shù)(FalsePositive)；

TN—將負(fù)類預(yù)測(cè)為負(fù)類數(shù)(TrueNegative)。

其中，準(zhǔn)確率、精確率、召回率和F1值四種指標(biāo)的計(jì)算公式分別如下：

(5)

(6)

(7)

(8)

2 結(jié)果與分析

2.1 光譜指數(shù)與螨害發(fā)生情況的相關(guān)性

利用ArcMap空間分析工具，結(jié)合調(diào)查點(diǎn)的螨害調(diào)查情況和包含坐標(biāo)信息的矢量文件，提取影像中對(duì)應(yīng)區(qū)域的光譜指數(shù)，再分別與螨害發(fā)生情況作相關(guān)性分析，研究表明，除了B3與B6與螨害發(fā)生不存在顯著關(guān)系，其他光譜指數(shù)與螨害發(fā)生均表現(xiàn)較好相關(guān)性，其中ARI與螨害發(fā)生存在顯著關(guān)系，剩余的光譜指數(shù)與螨害發(fā)生存在極顯著關(guān)系(P< 0.01)。B1與B5與螨害發(fā)生呈極顯著正相關(guān)，B7、B8、NDVI、NDGI、GNDVI、RENDVI、RVI、DVI、RDVI、MSR、SAVI、OSAVI、MSAVI、TVI與EVI與螨害發(fā)生呈極顯著負(fù)相關(guān)。按照|r|對(duì)光譜指數(shù)與螨害發(fā)生之間的相關(guān)系數(shù)進(jìn)行排序，相關(guān)性由大到小依次為：TVI、DVI、RDVI、SAVI、B7、MSAVI、B8、RVI、MSR、OSAVI、NDVI、GNDVI、EVI、NDGI、RENDVI、B5、B1、ARI、B3、B6。因此，根據(jù)|r|的大小，后續(xù)可進(jìn)行模型的變量選擇分析。表3

表3 螨害發(fā)生情況與光譜指數(shù)之間相關(guān)性Table 3 Correlation between the occurrence of spider mite and Spectral Indexes

注：**和*分別表示0.01,0.05的顯著水平，NS表示不顯著
Note:**and*represent significant at the 0.01 and 0.05 levels of probability respectively,NS represent insignificant

2.2 模型構(gòu)建

在模型訓(xùn)練之前，為使得所有參與建模的特征值在同一尺度下，對(duì)特征變量進(jìn)行歸一化處理，在180個(gè)地面調(diào)查點(diǎn)中，均勻地選取出總樣本數(shù)的2/3即120個(gè)樣本數(shù)據(jù)(螨害點(diǎn)與健康點(diǎn)各60個(gè))用來(lái)訓(xùn)練，而剩余的1/3 即60個(gè)樣本數(shù)據(jù)(螨害點(diǎn)與健康點(diǎn)各30個(gè))用來(lái)測(cè)試。根據(jù)相關(guān)性大小，順序增加光譜指數(shù)個(gè)數(shù)作為輸入因子構(gòu)建邏輯回歸模型，同時(shí)計(jì)算模型的AIC值。如表4所示，隨著自變量的不斷引入，AIC值發(fā)生了從大到小再變大的過(guò)程。當(dāng)引入1個(gè)特征因子時(shí)，AIC值為35.5。當(dāng)引入3個(gè)特征因子時(shí)為18.5，其值最小。在超出6個(gè)特征因子后，AIC值仍在增加，并且7個(gè)特征變量時(shí)增大異常(7個(gè)特征時(shí)為304.4，20個(gè)特征時(shí)為42)。根據(jù)赤池信息準(zhǔn)則，AIC值最小的模型是最好的模型。由TVI、DVI和RDVI建立的logistic回歸模型可以認(rèn)為是最優(yōu)模型。

2.3 模型比較與效果評(píng)價(jià)

基于AIC值選擇有代表性的回歸模型進(jìn)行評(píng)價(jià)比較。表5為分別選擇1個(gè)、3個(gè)和全部特征因子(20個(gè)變量)所建模型分類結(jié)果的混淆矩陣。AIC值為18.5(3個(gè)變量)的模型在識(shí)別效果上最好，而AIC值為35.7(1個(gè)變量)的模型在準(zhǔn)確率、精確率、召回率和F1值上都要低于前者。全部特征因子建立的模型在訓(xùn)練數(shù)據(jù)集上表現(xiàn)出了最好的準(zhǔn)確率，但在測(cè)試數(shù)據(jù)集上的準(zhǔn)確率卻下降明顯，而其他兩個(gè)模型在測(cè)試數(shù)據(jù)集上的準(zhǔn)確率卻變化不大。 這說(shuō)明用全部特征因子建立的回歸模型變量過(guò)多，模型過(guò)于復(fù)雜，存在過(guò)擬合問(wèn)題，導(dǎo)致在測(cè)試集上表現(xiàn)較低的準(zhǔn)確率。因此，由TVI、DVI和RDVI所建立的模型是最佳螨害監(jiān)測(cè)模型，其分類準(zhǔn)確率達(dá)到95%，精確率、召回率分別為93.5%，96.7%，F(xiàn)1值為95.1%。表5

表4 不同自變量所建的邏輯回歸方程的AIC值Table 4 AIC value of logistic regression equations built by different independent variables

表5 模型分類結(jié)果比較Table 5 Comparison of model classification results

注：n表示變量個(gè)數(shù)
Note: n represents the number of variables

2.4 模型應(yīng)用

得到的螨害監(jiān)測(cè)模型對(duì)整個(gè)研究區(qū)進(jìn)行了監(jiān)測(cè)識(shí)別，螨害基本上分布在棉田東部以及中部以北區(qū)域，這是因?yàn)檠芯繀^(qū)的東部是靠近路邊區(qū)域，雜草較多，因此在其附近一側(cè)，螨害易發(fā)生和擴(kuò)散。同時(shí)，棉田中部以及以偏北部地塊，棉花長(zhǎng)勢(shì)較弱，導(dǎo)致螨害成片發(fā)生，這與實(shí)地調(diào)查情況相一致。圖2

圖2 研究區(qū)棉花螨害的識(shí)別結(jié)果
Fig.2 Identification of cotton mite damage in research area

3 討 論

對(duì)于統(tǒng)計(jì)學(xué)習(xí)算法，選擇合適的特征變量能夠提高模型整體精度，但特征因子過(guò)多會(huì)發(fā)生過(guò)擬合現(xiàn)象，因此確定自變量是模型優(yōu)化的關(guān)鍵之一。研究使用AIC準(zhǔn)則對(duì)模型進(jìn)行比較分析和篩選，確定了建模特征和模型方程，從分類結(jié)果可以看出，AIC值最小的模型的確具有更好的分類精度和識(shí)別效果。但研究建模所采用的特征是基于光譜信息構(gòu)造的光譜指數(shù)，變量之間不可避免存在多重共線性，導(dǎo)致特征之間可能存在相關(guān)性冗余，而AIC準(zhǔn)則并沒(méi)有從變量之間的相關(guān)性角度出發(fā)去除冗余特征，消除變量間的多重共線性問(wèn)題，因此，后續(xù)可以從這個(gè)方面做深入研究。

在棉葉螨點(diǎn)片發(fā)生的初期，螨害級(jí)數(shù)一般為1級(jí)，螨害點(diǎn)片發(fā)生的采樣點(diǎn)在光譜響應(yīng)上的變化表現(xiàn)較小，整體采樣點(diǎn)接近于健康情況，與完全健康點(diǎn)的光譜差異很難區(qū)分。因此，實(shí)驗(yàn)在取樣時(shí)，將平均螨害級(jí)數(shù)達(dá)到2級(jí)以上(包括2級(jí))，歸類為螨害發(fā)生。由此可見(jiàn)，這種處理方法可能會(huì)對(duì)模型精度造成影響，導(dǎo)致螨害早期輕微發(fā)生的區(qū)域無(wú)法得到有效判別。因此，如何改進(jìn)方法，提高模型分類精度，尤其是提高螨害早期監(jiān)測(cè)精度，還需進(jìn)一步討論。

地面螨害分級(jí)參照國(guó)家標(biāo)準(zhǔn)《棉花葉螨測(cè)報(bào)技術(shù)規(guī)范》(GB/T 15802-2011)進(jìn)行了劃分，但針對(duì)新疆地區(qū)獨(dú)特的棉花種植模式和農(nóng)田生態(tài)環(huán)境，國(guó)家標(biāo)準(zhǔn)危害級(jí)別和防治指標(biāo)與新疆棉田實(shí)際危害情況并不完全一致。而且由于新疆地區(qū)棉葉螨危害特點(diǎn)和規(guī)律也不同于其他地區(qū)，與國(guó)家標(biāo)準(zhǔn)制定的棉葉螨危害程度有所差別。因此，在參考國(guó)家標(biāo)準(zhǔn)進(jìn)行地面調(diào)查實(shí)驗(yàn)時(shí)，結(jié)合棉區(qū)實(shí)際情況確定更適合當(dāng)?shù)靥攸c(diǎn)的螨害監(jiān)測(cè)分級(jí)閾值是需要進(jìn)一步研究的問(wèn)題。

4 結(jié) 論

以無(wú)人機(jī)獲取的多光譜數(shù)據(jù)為基礎(chǔ)，利用AIC準(zhǔn)則進(jìn)行特征因子的篩選，得到用于建立螨害監(jiān)測(cè)模型的最佳光譜指數(shù)TVI、DVI和RDVI，并把平均螨害級(jí)數(shù)達(dá)到2級(jí)以上(包括2級(jí))作為判別螨害發(fā)生的依據(jù)，建立了logistic回歸模型，模型分類準(zhǔn)確率為95%，F(xiàn)1值為95.1%。經(jīng)檢驗(yàn)表明，該模型可以較好的實(shí)現(xiàn)對(duì)棉田棉葉螨的識(shí)別。