国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

無(wú)人機(jī)農(nóng)業(yè)遙感在農(nóng)作物病蟲草害診斷應(yīng)用研究進(jìn)展

2019-09-10 07:22蘭玉彬鄧小玲曾國(guó)亮

蘭玉彬 鄧小玲 曾國(guó)亮

摘? ?要:農(nóng)田作物信息的快速獲取與解析是開展精準(zhǔn)農(nóng)業(yè)實(shí)踐的前提和基礎(chǔ)。根據(jù)農(nóng)作物病蟲草害的實(shí)際程度進(jìn)行變量噴施和作業(yè)管理,可減少農(nóng)業(yè)生產(chǎn)成本、優(yōu)化作物栽培、提高農(nóng)作物產(chǎn)量和品質(zhì),從而實(shí)現(xiàn)農(nóng)業(yè)精準(zhǔn)管理。近年來(lái),隨著無(wú)人機(jī)產(chǎn)業(yè)的快速發(fā)展,無(wú)人機(jī)農(nóng)業(yè)遙感技術(shù)因其空間分辨率高、時(shí)效性強(qiáng)和成本低等特點(diǎn),在農(nóng)作物病蟲草害監(jiān)測(cè)應(yīng)用中發(fā)揮了重要作用。本文首先介紹了精準(zhǔn)農(nóng)業(yè)航空的基本思想與系統(tǒng)組成和無(wú)人機(jī)遙感在精準(zhǔn)農(nóng)業(yè)航空的地位。接著探討了無(wú)人機(jī)農(nóng)業(yè)遙感系統(tǒng)常見的成像方式和遙感影像解析方法,并闡述了國(guó)內(nèi)外無(wú)人機(jī)農(nóng)業(yè)遙感技術(shù)在農(nóng)作物病蟲草害檢測(cè)研究的最新進(jìn)展。最后總結(jié)了無(wú)人機(jī)農(nóng)業(yè)遙感技術(shù)發(fā)展至今面臨的挑戰(zhàn)并展望了未來(lái)的發(fā)展方向。本文將為開展無(wú)人機(jī)農(nóng)業(yè)遙感技術(shù)在精準(zhǔn)農(nóng)業(yè)航空領(lǐng)域的研究提供理論參考和技術(shù)支撐。

關(guān)鍵詞:無(wú)人機(jī)農(nóng)業(yè)遙感;病害檢測(cè);蟲害控制;雜草制圖;農(nóng)情解析

中圖分類號(hào):S435? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)志碼:A? ? ? ? ? ? ?文章編號(hào):201904-SA003

蘭玉彬, 鄧小玲, 曾國(guó)亮. 無(wú)人機(jī)農(nóng)業(yè)遙感在農(nóng)作物病蟲草害診斷應(yīng)用研究進(jìn)展[J]. 智慧農(nóng)業(yè), 2019, 1(2): 1-19.

Lan Y, Deng X, Zeng G. Advances in diagnosis of crop diseases, pests and weeds by UAV remote sensing[J]. Smart Agriculture, 2019, 1(2): 1-19. (in Chinese with English abstract)

1? 精準(zhǔn)農(nóng)業(yè)航空概述

農(nóng)作物病蟲草害對(duì)農(nóng)作物的質(zhì)量和產(chǎn)量都造成了極大影響,造成農(nóng)業(yè)產(chǎn)業(yè)巨額損失,是制約現(xiàn)代農(nóng)業(yè)發(fā)展的重要因素。據(jù)聯(lián)合國(guó)糧食及農(nóng)業(yè)組織(Food and Agriculture Organization of the United Nations,F(xiàn)AO)估計(jì),全世界每年由病蟲害導(dǎo)致的糧食減產(chǎn)約為總產(chǎn)量的1/4,其中病害造成的損失為14%,蟲害造成的損失為10%[1]。中國(guó)作為農(nóng)業(yè)大國(guó),農(nóng)作物種類多、分布廣,重要的農(nóng)作物病蟲害達(dá)1400多種,具有種類多、影響大和局部暴發(fā)成災(zāi)等特點(diǎn)。近年來(lái),中國(guó)農(nóng)作物病蟲害發(fā)生和造成的危害出現(xiàn)加重趨勢(shì)[2]。而傳統(tǒng)的農(nóng)作物病蟲害監(jiān)測(cè)以及防控主要依靠植保工作人員田間取樣和調(diào)查,具有耗時(shí)、費(fèi)力、效率低下和主觀性強(qiáng)等缺點(diǎn)。

未來(lái)農(nóng)業(yè)生產(chǎn)趨向于高度區(qū)域化、一體化、機(jī)械化、精準(zhǔn)化以及智能化,近幾年迅速發(fā)展起來(lái)的精準(zhǔn)農(nóng)業(yè)航空理念正符合未來(lái)農(nóng)業(yè)發(fā)展的方向。其基本思想如圖1所示:通過空中和地面遙感,采集并解析具有地理位置的農(nóng)田中的作物長(zhǎng)勢(shì)、病蟲草害、生長(zhǎng)環(huán)境等農(nóng)情信息,再將農(nóng)田分為作業(yè)網(wǎng)格,依據(jù)不同的農(nóng)情制定不同的作業(yè)處方圖,并對(duì)網(wǎng)格進(jìn)行按需作業(yè),即精準(zhǔn)施藥或精準(zhǔn)撒播等[3,4]。

如圖2所示,精準(zhǔn)農(nóng)業(yè)航空系統(tǒng)包含了遙感系統(tǒng)、地理信息系統(tǒng)、精準(zhǔn)導(dǎo)航系統(tǒng)、變量噴施系統(tǒng)等。它是一個(gè)整體的系統(tǒng)工程,其中遙感系統(tǒng)是其最基本的環(huán)節(jié)。借助于地理信息系統(tǒng),對(duì)遙感影像進(jìn)行解析可以生成農(nóng)作物的作業(yè)處方圖。在精準(zhǔn)導(dǎo)航系統(tǒng)和變量噴施系統(tǒng)的控制下,作業(yè)處方圖可以用于為作業(yè)機(jī)械的精準(zhǔn)噴施管理提供指導(dǎo)依據(jù),以便農(nóng)業(yè)專家優(yōu)化作物栽培管理,按需作業(yè)、變量噴施,從而提高作物質(zhì)量和產(chǎn)量,降低生產(chǎn)成本[5]。

對(duì)應(yīng)實(shí)施的過程,精準(zhǔn)農(nóng)業(yè)航空離不開各種技術(shù)與裝備的支持。如圖3所示,遙感圖像獲取過程需要遙感圖像采集系統(tǒng)的裝備支持;農(nóng)作物病蟲草害農(nóng)情解析過程需要農(nóng)業(yè)專家知識(shí)、地面遙感、地面農(nóng)情調(diào)查以及模式識(shí)別等技術(shù)的支持;農(nóng)情分布圖需要全球定位系統(tǒng)(GPS)和地理信息系統(tǒng)(GIS)等技術(shù)的支持;作業(yè)處方圖的生成過程需要結(jié)合植保無(wú)人機(jī)施藥?kù)F滴漂移沉積規(guī)律和植保無(wú)人機(jī)作業(yè)參數(shù)、氣象條件等技術(shù);在變量/精準(zhǔn)施藥實(shí)施過程中,需要作業(yè)平臺(tái)、精準(zhǔn)導(dǎo)航系統(tǒng)與變量施藥裝置等裝備支持,也需要全自主飛行、航線規(guī)劃、厘米級(jí)定位、斷點(diǎn)續(xù)噴等技術(shù)的支撐。

與高空遙感相比,低空遙感具有運(yùn)行成本低、靈活性高以及獲取數(shù)據(jù)實(shí)時(shí)快速等特點(diǎn),在農(nóng)作物病蟲害檢測(cè)應(yīng)用領(lǐng)域具有得天獨(dú)厚的優(yōu)

勢(shì)[6],因此成為了現(xiàn)代精準(zhǔn)農(nóng)業(yè)的重點(diǎn)研究方向。無(wú)人機(jī)農(nóng)業(yè)遙感作為低空遙感的重要組成部分,大大拓寬了農(nóng)業(yè)遙感在農(nóng)作物監(jiān)測(cè)中的應(yīng)用范

圍[7]。緊湊、輕便、耐用的傳感器和設(shè)備的快速發(fā)展,更促進(jìn)了無(wú)人機(jī)農(nóng)業(yè)遙感技術(shù)的發(fā)展。近年來(lái),無(wú)人機(jī)農(nóng)業(yè)遙感已成為精準(zhǔn)農(nóng)業(yè)航空的重要研究方向。

本研究圍繞無(wú)人機(jī)農(nóng)業(yè)遙感硬件、常見的圖像解析方法和農(nóng)業(yè)遙感應(yīng)用研究三部分展開綜述,首先介紹了無(wú)人機(jī)農(nóng)業(yè)遙感常見的低空遙感影像采集硬件系統(tǒng);之后介紹了無(wú)人機(jī)遙感圖像常見的處理方法,最后,以無(wú)人機(jī)遙感監(jiān)測(cè)農(nóng)作物病蟲草害的相關(guān)研究成果為主,分析總結(jié)了國(guó)內(nèi)外無(wú)人機(jī)遙感技術(shù)在農(nóng)作物病、蟲、草害的研究進(jìn)展,以期為農(nóng)業(yè)航空遙感領(lǐng)域的研究人員提供相關(guān)的技術(shù)參考和方向指引,為農(nóng)學(xué)從業(yè)人員提供信息化增產(chǎn)豐收的新思路,從而進(jìn)一步推進(jìn)精準(zhǔn)農(nóng)業(yè)航空技術(shù)的應(yīng)用和發(fā)展。

2? 無(wú)人機(jī)農(nóng)業(yè)遙感系統(tǒng)

無(wú)人機(jī)農(nóng)業(yè)遙感以無(wú)人駕駛飛機(jī)為探測(cè)平臺(tái),搭載各種傳感器(通常是高清攝像機(jī)和成像光譜儀)獲取農(nóng)田圖像,通過對(duì)數(shù)據(jù)進(jìn)行后期處理、挖掘和建模,來(lái)獲取更詳盡的農(nóng)情信息。

2.1? 無(wú)人機(jī)低空遙感影像采集系統(tǒng)

無(wú)人機(jī)低空遙感影像采集系統(tǒng)主要由傳感器、無(wú)人機(jī)、地面控制系統(tǒng)、數(shù)據(jù)處理軟件四部分組成??紤]到無(wú)人機(jī)續(xù)航能力和載重量等方面的局限性,所采用的遙感傳感器一般具備數(shù)字化、存儲(chǔ)量大、體積小、重量輕、精度高、性能優(yōu)異等特點(diǎn)。目前,常用于農(nóng)作物信息采集的傳感器主要有數(shù)碼相機(jī)、多光譜相機(jī)、高光譜相機(jī)、熱成像儀、激光雷達(dá)等。

(1)數(shù)碼相機(jī)成像遙感

數(shù)碼相機(jī)成像一般獲取的是400~760nm之間的RGB可見光影像,為了修正光線和還原圖像真實(shí)色彩,一般圖像傳感器都會(huì)通過濾光片把紅外線濾除掉。因此一般的攝像頭無(wú)近紅外波段信息。由于數(shù)碼相機(jī)使用方便,價(jià)格較低,且數(shù)字圖像處理技術(shù)相對(duì)成熟,因此利用無(wú)人機(jī)搭載高清數(shù)碼相機(jī)的遙感系統(tǒng),是農(nóng)作物生長(zhǎng)狀況以及病蟲害監(jiān)測(cè)的重要手段。由于無(wú)人機(jī)飛行高度較低,影像清晰,空間分辨率可達(dá)厘米級(jí),通過對(duì)數(shù)碼影像的紋理、顏色等圖像空間信息特征進(jìn)行提取與分析,可進(jìn)行農(nóng)作物葉面積指數(shù)計(jì)算、不同生長(zhǎng)周期長(zhǎng)勢(shì)評(píng)估、農(nóng)作物識(shí)別、病蟲草害診斷等研究。大疆公司的精靈Phantom 4 RTK,其內(nèi)置1英寸2000萬(wàn)像素CMOS傳感器,用以捕捉高清影像;集成全新RTK模塊,提供實(shí)時(shí)厘米級(jí)定位數(shù)據(jù);配套的地面站軟件,可輕松實(shí)現(xiàn)低空航拍任務(wù)。

采用數(shù)碼相機(jī)進(jìn)行無(wú)人機(jī)低空遙感農(nóng)作物的病蟲害,雖然成本較低、操作相對(duì)簡(jiǎn)單,但目前通用的數(shù)碼相機(jī)的空間分辨率還是難以從空中捕獲農(nóng)作物冠層以及葉片的細(xì)節(jié),在農(nóng)作物癥狀辨別特別是早期診斷應(yīng)用上還具有一定的局限性。

(2)高光譜相機(jī)成像遙感

利用高光譜遙感監(jiān)測(cè)技術(shù)進(jìn)行作物病蟲害的診斷與監(jiān)測(cè),可及時(shí)發(fā)現(xiàn)、及時(shí)處理,有利于早期防治。其原理是,病蟲害會(huì)造成作物葉片細(xì)胞結(jié)構(gòu)色素、水分、氮元素等性質(zhì)發(fā)生變化,從而引起反射光譜的變化,所以病蟲害作物的反射光譜和正常作物可見光到熱紅外波段的反射光譜有明顯差異[1]。

健康的綠色植物具有典型的光譜特征。遭受病蟲害的植被其光譜反射率曲線的波狀特征則被拉平[8]。圖4以柑橘葉片的光譜曲線為例,藍(lán)色曲線表示健康葉片的光譜反射率,灰色曲線表示癥狀不明顯但已確認(rèn)患柑橘黃龍病的葉片,橙色曲線表示明顯患柑橘黃龍病的葉片。從這個(gè)例子也可以看出,患病葉片的光譜反射率曲線波形被拉平。基于植被的光譜特征,以及其他遙感影像的特征,如可見光圖像的空間信息特征等,可以衍生出農(nóng)業(yè)航空遙感不同的應(yīng)用領(lǐng)域。

高光譜成像的光譜分辨率在0.01數(shù)量級(jí),其在可見光和近紅外區(qū)域有幾個(gè)到數(shù)百個(gè)波段,光譜分辨率可達(dá)納米級(jí)。高光譜圖像包含的波段信息豐富、分辨率高,能準(zhǔn)確地反映田間作物本身的光譜特征以及作物之間的光譜差異,在農(nóng)作物病蟲害監(jiān)測(cè)上更顯優(yōu)勢(shì)。但目前高光譜相機(jī)的價(jià)格普遍較高,廣大農(nóng)戶難以承受,因此目前主要應(yīng)用于科學(xué)研究領(lǐng)域。在高光譜成像方面,市面上許多公司也推出了機(jī)載高光譜相機(jī),如采用畫幅式高光譜成像技術(shù)的Cubert S185相機(jī)[9],采用線掃描技術(shù)的Hyperspec? ?系列高光譜成像傳感器[10],四川雙利合譜科技有限公司生產(chǎn)的GaiaSky-mini等[11]。圖5為無(wú)人機(jī)高光譜遙感試驗(yàn),該試驗(yàn)采用Cubert S185機(jī)載高光譜相機(jī),通過云臺(tái)搭載于大疆M600多旋翼無(wú)人機(jī),結(jié)合光譜校正板、地面站、和控制分析軟件,完成柑橘黃龍病的無(wú)人機(jī)高光譜遙感試驗(yàn)。

(3)多光譜相機(jī)成像遙感

多光譜成像的光譜分辨率在0.1數(shù)量級(jí),即在可見光和近紅外區(qū)域一般只有幾個(gè)波段。無(wú)人機(jī)農(nóng)業(yè)遙感領(lǐng)域常見的多光譜相機(jī)通??梢垣@取4個(gè)波段以上的光譜圖像,如圖6所示的Parrot Sequoia多光譜相機(jī),可同時(shí)捕捉綠光、紅光、紅邊和近紅外4個(gè)波段圖像以及用RGB圖像來(lái)反映植物的健康狀況。也可以定制特定窄波段的多光譜相機(jī),根據(jù)特定的遙感應(yīng)用對(duì)不同的波段以及波段范圍進(jìn)行量身定做。

本文作者早在2009年于美國(guó)農(nóng)業(yè)部南方平原農(nóng)業(yè)研究中心(Southern Plains Agricultural Research Center, Agricultural Research Service, USDA)已經(jīng)開展了低空遙感多光譜成像系統(tǒng)的研究。進(jìn)行了三種不同類型的機(jī)載遙感多光譜成像系統(tǒng)的性能研究[12],涵蓋低成本和相對(duì)高成本、手動(dòng)操作和自動(dòng)操作、使用單個(gè)攝像頭的自動(dòng)多光譜合成成像和多個(gè)攝像頭的集成成像,試驗(yàn)研究表明,低成本的多光譜成像系統(tǒng)因波段飽和、成像速度慢和圖像質(zhì)量差,比較適用于能靠近地面飛行的低速移動(dòng)平臺(tái),但不推薦用于固定翼飛機(jī)上的低空或高空航空遙感;由于對(duì)有效載荷的限制和安裝復(fù)雜,高成本成像系統(tǒng)不推薦適用于無(wú)人駕駛直升機(jī);成本適中的多光譜成像系統(tǒng),適用于基于地塊定位文件觸發(fā)的固定翼飛機(jī)低空航空遙感,也適用于全球定位觸發(fā)或人工操作的固定翼飛機(jī)高空航空遙感;建議在固定翼飛機(jī)上采用定制系統(tǒng)進(jìn)行高空航空遙感,觸發(fā)或手動(dòng)操作航路點(diǎn)全球定位。美國(guó)農(nóng)業(yè)部Yang等[13]采用兩個(gè)消費(fèi)級(jí)的彩色攝像機(jī)搭載了多光譜成像系統(tǒng),一個(gè)攝像頭捕捉正常的彩色圖像,另一個(gè)則被修改以獲得近紅外(Near Infrared, NIR)圖像,對(duì)該系統(tǒng)進(jìn)行了兩年的機(jī)載測(cè)試和評(píng)估,結(jié)果表明該雙攝像機(jī)成像系統(tǒng)性能可靠,成像系統(tǒng)具有監(jiān)測(cè)作物生長(zhǎng)狀況、檢測(cè)作物疾病和繪制農(nóng)田和濕地生態(tài)系統(tǒng)入侵雜草圖的潛力。以上研究表明,在農(nóng)業(yè)遙感領(lǐng)域,近紅外區(qū)域以及紅邊區(qū)域是農(nóng)作物生長(zhǎng)信息較敏感的波段。對(duì)數(shù)碼相機(jī)進(jìn)行結(jié)構(gòu)修改以獲取近紅外圖像,結(jié)合可見光波段,便可以實(shí)現(xiàn)多光譜成像。

目前機(jī)載多光譜相機(jī)的頻譜波段數(shù)較少,一般在四個(gè)波段左右,波段范圍較寬,光譜分辨率較低,且圖像的空間分辨率也較低,因此在應(yīng)用中通常與高分辨率的數(shù)碼相機(jī)或高光譜相機(jī)進(jìn)行圖像融合,以滿足更高的應(yīng)用需求。

(4)紅外熱成像遙感

熱紅外遙感(Infrared Remote Sensing)是指?jìng)鞲衅鞴ぷ鞑ǘ蜗抻诩t外波段范圍之內(nèi)的遙感。熱紅外遙感的信息源來(lái)自物體本身,只要地物溫度超過絕對(duì)零度,就會(huì)不斷發(fā)射紅外能量[14]。無(wú)人機(jī)熱紅外成像遙感就是利用機(jī)載熱紅外傳感器收集、記錄地物的熱紅外信息,并利用這種熱紅外信息來(lái)識(shí)別地物和反演地表參數(shù)如溫度、濕度和熱慣量等。

由于主動(dòng)式紅外熱成像方式對(duì)目標(biāo)物的人為操作可能破壞其物理特性,從而使得試驗(yàn)數(shù)據(jù)不準(zhǔn)確,因此,在植物病蟲害遙感應(yīng)用領(lǐng)域,紅外熱成像多數(shù)采用的是被動(dòng)式方式。但是,由于農(nóng)作物本身已經(jīng)達(dá)到了熱平衡狀態(tài),或者物體的熱福射差異微小,因此被動(dòng)式紅外熱成像技術(shù)難以獲得濕度場(chǎng)信息。此外,植物葉片災(zāi)害區(qū)域與正常區(qū)域的溫差一般相差不大,所得到的熱圖像缺少層次感。再加上探測(cè)器本身器件的原因和客觀探測(cè)條件的干擾,紅外熱成像的圖像邊緣模糊,信噪比低。因此,紅外熱成像在農(nóng)作物病蟲草害監(jiān)測(cè)應(yīng)用中,具有一定的局限性。

目前在農(nóng)業(yè)航空遙感應(yīng)用領(lǐng)域,通常采用數(shù)碼相機(jī)與紅外熱成像儀相結(jié)合的監(jiān)測(cè)方式。如無(wú)人機(jī)搭載紅外熱像儀和數(shù)碼相機(jī),可以識(shí)別地面的溫差,并定位區(qū)域,也可實(shí)現(xiàn)如鼠害識(shí)別方面的農(nóng)業(yè)應(yīng)用。

(5)激光雷達(dá)成像遙感

機(jī)載激光雷達(dá)(Light Detection and Ranging,LiDAR)與光學(xué)成像遙感不同,它是通過主動(dòng)探測(cè)目標(biāo)的散射光特性來(lái)獲取相關(guān)信息的遙感技術(shù),是近些年新興的遙感技術(shù),目前是植物表型研究中重要的監(jiān)測(cè)手段[15]。其主要優(yōu)勢(shì)在于可以獲取高精度的三維數(shù)據(jù),在植被垂直結(jié)構(gòu)探測(cè)上開辟了可能性,彌補(bǔ)了光學(xué)遙感在提取冠層結(jié)構(gòu)信息方面的不足。

目前在農(nóng)作物監(jiān)測(cè)領(lǐng)域,機(jī)載雷達(dá)成像遙感主要應(yīng)用于農(nóng)作物株高、生物量、葉面積指數(shù)等農(nóng)情監(jiān)測(cè)等方面[16-18],在農(nóng)作物病蟲害監(jiān)測(cè)領(lǐng)域上的研究成果鮮見報(bào)道[19]。但作為多源遙感的一種方式,與光譜成像相結(jié)合,從植被的垂直結(jié)構(gòu)和水平結(jié)構(gòu)信息兩方面,對(duì)農(nóng)作物進(jìn)行全方位解析,也是目前農(nóng)業(yè)航空遙感的發(fā)展趨勢(shì)。

2.2? 無(wú)人機(jī)遙感圖像解譯方法

不同類型的遙感圖像數(shù)字處理方法不盡相同,但基本上包含以下環(huán)節(jié):遙感圖像的輻射處理、幾何處理、遙感圖像增強(qiáng)以及遙感圖像解譯。前面三個(gè)環(huán)節(jié)主要是圖像預(yù)處理部分,相關(guān)的原理與方法可詳見相關(guān)教材或書籍。而解譯是根據(jù)遙感圖像的影像特征推論地表物體的過程,其與遙感應(yīng)用目的緊密相關(guān),因此,本節(jié)主要根據(jù)農(nóng)作物的病蟲草害檢測(cè)的特定應(yīng)用,對(duì)無(wú)人機(jī)遙感圖像常見的解譯方法進(jìn)行闡述。

遙感圖像解譯方法主要分為目視解譯和計(jì)算機(jī)解譯兩種。目視解譯是指專業(yè)人員通過直接觀察或借助判讀儀器,在遙感圖像上獲取特定目標(biāo)地物信息的過程。計(jì)算機(jī)解譯是以計(jì)算機(jī)系統(tǒng)為支撐環(huán)境,利用模式識(shí)別技術(shù)與人工智能技術(shù)相結(jié)合,根據(jù)遙感圖像中目標(biāo)地物的各種影像特征,結(jié)合專家知識(shí)庫(kù)中目標(biāo)地物的解譯經(jīng)驗(yàn)和成像規(guī)律等知識(shí)進(jìn)行分析和推理,實(shí)現(xiàn)對(duì)遙感圖像的理解,完成對(duì)遙感圖像的解譯[20]。

在無(wú)人機(jī)農(nóng)業(yè)遙感領(lǐng)域,根據(jù)遙感圖像解譯的應(yīng)用目的可以分成兩大類,一類是對(duì)目標(biāo)農(nóng)作物的屬性或狀態(tài)進(jìn)行定性分析,如農(nóng)作物品種分類、病蟲草害診斷等;另一類是對(duì)農(nóng)作物進(jìn)行定量分析或信息提取,如農(nóng)作物葉片氮含量、水含量、葉面積指數(shù)等定量反演。根據(jù)無(wú)人機(jī)遙感圖像解譯時(shí)所采用的特征信息來(lái)分類,又可以分成基于光譜空間的解譯方法、基于圖像空間信息的解譯方法以及基于混合特征(光譜信息、圖像空間信息)的解譯方法。根據(jù)模型是否具有機(jī)理性和普適性,又可分為經(jīng)典統(tǒng)計(jì)分析和基于模式識(shí)別和機(jī)器學(xué)習(xí)的解譯方法等。

(1)經(jīng)典統(tǒng)計(jì)分析方法

經(jīng)典統(tǒng)計(jì)分析中,相關(guān)性分析、主成分分析、多元回歸和偏最小二乘回歸等統(tǒng)計(jì)分析方法原理在反演中常被使用。在進(jìn)行定量遙感反演農(nóng)作物生長(zhǎng)狀態(tài)時(shí),植被的光譜特征是遙感識(shí)別植被和判斷植被生長(zhǎng)狀態(tài)的主要依據(jù)?;诠庾V特征的數(shù)據(jù)分析方法主要是通過對(duì)光譜曲線進(jìn)行特征分析,發(fā)現(xiàn)不同地物的光譜曲線變化特征,從而達(dá)到識(shí)別地物或定量分析地物特性的目的。

光譜波段之間的運(yùn)算,如比值分析、歸一化等計(jì)算可以獲得若干個(gè)植被指數(shù)信息。通過對(duì)植被指數(shù)進(jìn)行相關(guān)性分析或回歸分析,可建立遙感影像數(shù)據(jù)與農(nóng)作物生長(zhǎng)信息的反演模型。歸一化植被指數(shù)(Normalized Difference Vegetation Index,NDVI)、比值植被指數(shù)(Ratio Vegetation Index,RVI)、土壤調(diào)節(jié)植被指數(shù)(Soil-Adjusted Vegetation Index,SAVI)和增強(qiáng)植被指數(shù)(Enhanced Vegetation Index,EVI)等是遙感反演中常用的植被指數(shù)[21]。這種建立植被指數(shù)與農(nóng)作物生長(zhǎng)信息的統(tǒng)計(jì)關(guān)系的遙感反演方法稱為經(jīng)驗(yàn)?zāi)P头椒?。?jīng)驗(yàn)?zāi)P头椒m然簡(jiǎn)單易行,但模型中函數(shù)與函數(shù)中的系數(shù)是經(jīng)驗(yàn)型的,對(duì)植被的生長(zhǎng)環(huán)境、生長(zhǎng)周期以及數(shù)據(jù)獲取方式敏感;需要大量實(shí)測(cè)樣本數(shù)據(jù);也容易受到遙感圖像中背景地物的影響;對(duì)農(nóng)作物長(zhǎng)勢(shì)的生理學(xué)方面解釋不足,缺乏明確的物理意義。

而針對(duì)植被參數(shù)反演提出的物理模型遙感分析方法,對(duì)植被的生理化過程有較好的解釋,具有良好的通用性。近年來(lái)應(yīng)用較多的如PROSAIL冠層光譜模型,是包含化學(xué)組分含量的葉片散射和吸收模型,將葉片模型耦合到冠層模型中反演整個(gè)冠層的生化組分含量,主要應(yīng)用于植被葉面積指數(shù)反演和含水量估算等定量分析應(yīng)用,但在無(wú)人機(jī)遙感農(nóng)作物病蟲草害監(jiān)測(cè)中鮮見報(bào)道[22-24]。

(2)基于模式識(shí)別和機(jī)器學(xué)習(xí)的圖像解譯

在農(nóng)作物遙感監(jiān)測(cè)中,對(duì)遙感圖像的定性分析可以歸納成分類問題。遙感圖像分類的新方法主要指的是基于模式識(shí)別和機(jī)器學(xué)習(xí)的分類方法。在無(wú)人機(jī)遙感影像分析應(yīng)用中,機(jī)器學(xué)習(xí)方法主要通過對(duì)數(shù)據(jù)輸入變量(如圖像灰度值、空間特征、光譜反射率、植被指數(shù)等)與輸出變量(待反演的農(nóng)作物長(zhǎng)勢(shì)參數(shù)、病蟲害等級(jí)、識(shí)別目標(biāo)類別等)之間的關(guān)系,從而建立一個(gè)非線性模型[25]。

機(jī)器學(xué)習(xí)方法主要分為經(jīng)典學(xué)習(xí)方法和深度學(xué)習(xí)方法。經(jīng)典學(xué)習(xí)方法主要有支持向量機(jī)、決策樹、邏輯回歸、隨機(jī)森林和K近鄰算法等,所需訓(xùn)練樣本數(shù)據(jù)量較小、設(shè)備性能要求較低、模型更容易理解。在經(jīng)典機(jī)器學(xué)習(xí)方法中,特征提取是決定圖像分類效果至關(guān)重要的環(huán)節(jié)。除了光譜特征信息,圖像的空間信息如紋理和顏色特征,也常用于進(jìn)行農(nóng)作物的生長(zhǎng)狀況監(jiān)測(cè)、作物種類識(shí)別和病蟲害程度診斷等。通過直方圖的統(tǒng)計(jì),可以分析遙感圖像中不同灰度值的概率分布;通過空間自相關(guān)函數(shù)、灰度共生矩陣和熵等計(jì)算,可以分析遙感影像紋理的深淺、粗細(xì)、均勻或復(fù)雜程度,從而實(shí)現(xiàn)對(duì)農(nóng)作物的識(shí)別或診斷。

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)研究中的一個(gè)新的領(lǐng)域,起源于人工神經(jīng)網(wǎng)絡(luò)模型。它具有特征學(xué)習(xí)和深層結(jié)構(gòu)兩個(gè)顯著特點(diǎn),有利于遙感圖像分類精度的提升。其中,特征學(xué)習(xí)能夠自動(dòng)從海量數(shù)據(jù)中學(xué)習(xí)到所需的高級(jí)特征表示,更能表達(dá)數(shù)據(jù)的內(nèi)在信息,無(wú)需設(shè)計(jì)特征提取算法。深層結(jié)構(gòu)通常擁有多層的隱層節(jié)點(diǎn),包含更多的非線性變換,因而擬合復(fù)雜模型的能力大大增強(qiáng)。基于深度學(xué)習(xí)網(wǎng)絡(luò)的遙感圖像分類方法對(duì)數(shù)據(jù)有很強(qiáng)的依賴性,對(duì)訓(xùn)練樣本數(shù)據(jù)量要求較高,需要高昂的GPU完成合理時(shí)間內(nèi)對(duì)大量數(shù)據(jù)的訓(xùn)練,其深層網(wǎng)絡(luò)是“黑匣子”型,不易被理解。常見的深度學(xué)習(xí)方法有卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)、深度置信網(wǎng)絡(luò)(Deep Belief Network,DBN)、稀疏自動(dòng)編碼(Sparse Autoencoder,SAE)以及對(duì)這些進(jìn)行優(yōu)化的深度學(xué)習(xí)方法。因算法自身問題、數(shù)據(jù)庫(kù)建立不完

善等問題,基于深度學(xué)習(xí)的遙感圖像分類方法目前仍處于探索階段,離大規(guī)模實(shí)際應(yīng)用還有一定距離。

3? 無(wú)人機(jī)遙感在農(nóng)作物病蟲草害監(jiān)測(cè)研究進(jìn)展

從1960年提出“遙感”這一術(shù)語(yǔ)以來(lái),多數(shù)指的是衛(wèi)星遙感。隨著無(wú)人機(jī)技術(shù)的快速發(fā)展,農(nóng)業(yè)航空遙感特別是無(wú)人機(jī)遙感成為了近些年的研究熱點(diǎn)。在農(nóng)作物病蟲害監(jiān)測(cè)應(yīng)用中,由于衛(wèi)星遙感影像分辨率低,難以識(shí)別農(nóng)作物病蟲害的局部特征,具有很大的局限性。而無(wú)人機(jī)遙感可以提供更高分辨率(如空間分辨率、光譜分辨率、時(shí)間分辨率)的影像數(shù)據(jù)。

近幾年陸續(xù)出現(xiàn)基于無(wú)人機(jī)遙感的農(nóng)作物病蟲草害監(jiān)測(cè)的研究。筆者通過在Web of Science檢索平臺(tái)對(duì)最近15年來(lái)有關(guān)無(wú)人機(jī)遙感在重要農(nóng)作物遙感應(yīng)用方面的學(xué)術(shù)出版物進(jìn)行檢索(采用以下檢索式:TS=(UAV or UAS or unmanned aerial vehicle or Airborne hyperspectral or airborne multispectral or airborne high resolution camera) AND TS=(citrus or cotton or rice or corn or potato or tomato or grape or wheat or weed or crop) AND TS=(distinguish or identification or classification or detection) AND TS=(low altitude remote sensing or remote sensing),篩選其中有關(guān)作物病蟲害監(jiān)測(cè)研究的報(bào)道,得出各國(guó)科科技論文數(shù)量。發(fā)現(xiàn)近15年來(lái),國(guó)內(nèi)外基于無(wú)人機(jī)遙感農(nóng)作物應(yīng)用研究的科技論文發(fā)表數(shù)量基本呈現(xiàn)從無(wú)到有且迅速增長(zhǎng)的趨勢(shì)。2015年至今,科技論文數(shù)量增加最為明顯,如圖7所示。圖8是世界重要農(nóng)業(yè)國(guó)家無(wú)人機(jī)遙感農(nóng)作物病蟲草害科技論文數(shù)量對(duì)比圖。由圖8可以看出,美國(guó)、中國(guó)、西班牙的相關(guān)研究成果相對(duì)較多,特別是美國(guó),其研究報(bào)道數(shù)量遙遙領(lǐng)先其他國(guó)家。通過這些數(shù)據(jù)表明了美國(guó)、中國(guó)和西班牙等國(guó)家在無(wú)人機(jī)遙感農(nóng)作物應(yīng)用的重視程度以及研究基礎(chǔ)。

3.1? 無(wú)人機(jī)遙感在農(nóng)作物病害識(shí)別的研究進(jìn)展

在病害檢測(cè)識(shí)別方面,已有不少文獻(xiàn)報(bào)道無(wú)人機(jī)遙感在水稻、柑橘、小麥、棉花、葡萄和大豆等農(nóng)作物病害檢測(cè)的研究[26-44],這些文獻(xiàn)里采用的無(wú)人機(jī)遙感影像有高光譜圖像、多光譜圖像以及數(shù)碼相機(jī)拍攝的RGB圖像,其中高光譜圖像尤為多見。

3.1.1? 無(wú)人機(jī)高光譜遙感病害進(jìn)展

在病害檢測(cè)方面,已有不少團(tuán)隊(duì)針對(duì)柑橘、小麥、棉花等農(nóng)作物開展了無(wú)人機(jī)高光譜遙感研究。

在柑橘黃龍?。℉uanglongbin)的無(wú)人機(jī)遙感研究上,佛羅里達(dá)大學(xué)Lee[26]團(tuán)隊(duì)利用地面高光譜儀建立光譜庫(kù),用來(lái)為低空高光譜圖像進(jìn)行波譜匹配識(shí)別分類。但由于獲取光譜的采集設(shè)備和拍攝條件有別,該方法的識(shí)別準(zhǔn)確率較低;Kumar等[27]利用圖像衍生光譜庫(kù)、混合調(diào)諧匹配濾波(Mixture Tuned Matched Filtering,MTMF)、光譜角映射(Spectral Angle Mapping,SAM)等技術(shù)對(duì)無(wú)人機(jī)機(jī)載高光譜圖像和多光譜圖像進(jìn)行分析,以實(shí)現(xiàn)柑橘黃龍病感染區(qū)域的識(shí)別,研究結(jié)果表明在基于光譜庫(kù)的方法在柑橘黃龍病檢測(cè)上,準(zhǔn)確率并不理想。因此采用地物譜儀建議光譜庫(kù)以識(shí)別低空高光譜圖像的柑橘黃龍病特征,具有一定的局限性。蘭玉彬等[28]通過無(wú)人機(jī)獲取低空柑橘果園的高光譜影像,對(duì)健康和患HLB植株的光譜進(jìn)行對(duì)數(shù)和一階微分計(jì)算,并采用K鄰近(K-Nearest Neighbor,KNN)和支持向量機(jī)(Support Vector Machine,SVM)進(jìn)行建模和分類,分類準(zhǔn)確率達(dá)到94.7%,該方法表明基于機(jī)器學(xué)習(xí)的方法實(shí)現(xiàn)低空高光譜遙感檢測(cè)HLB的手段具有一定的可行性,但不同柑橘品種、種植區(qū)域以及拍攝條件對(duì)該算法的應(yīng)用具有一定的挑戰(zhàn)性,試驗(yàn)數(shù)量和算法的優(yōu)化是下一步完善的方向。

目前無(wú)人機(jī)遙感柑橘病害的文獻(xiàn)報(bào)道較少,已有的研究中,采用的無(wú)人機(jī)低空拍攝高度大多在100m以內(nèi),在患病嚴(yán)重的植株區(qū)域才能獲得較顯著的檢測(cè)或診斷結(jié)果[28]。對(duì)于早期病害檢測(cè)或者病害等級(jí)分類等應(yīng)用,目前的方法還具有一定的局限性。在病情已經(jīng)嚴(yán)重的情況下,進(jìn)行識(shí)別診斷的意義并不顯著。大范圍研究患病以及病情蔓延規(guī)律,對(duì)于病情預(yù)測(cè),早期發(fā)現(xiàn)更具有實(shí)際應(yīng)用價(jià)值,因此,病情擴(kuò)散規(guī)律的遙感監(jiān)測(cè)以及早期預(yù)報(bào)將是下一步研究的方向。

在小麥的無(wú)人機(jī)遙感病害研究上,黃文江

等[29]基于無(wú)人機(jī)高光譜圖像,運(yùn)用光化學(xué)植被指數(shù)(Photochemical Reflectance Index,PRI)成功監(jiān)測(cè)了小麥條繡病,表明了PRI在定量檢測(cè)小麥條銹病方面的潛力。同一團(tuán)隊(duì)的羅菊花等[30]利用多時(shí)相的高光譜航空?qǐng)D像對(duì)冬小麥條銹病也進(jìn)行了監(jiān)測(cè)研究,首先從地面高光譜數(shù)據(jù)中提取敏感波段范圍,基于敏感波段范圍的平均反射率計(jì)算病情指數(shù),從而建立多元線性回歸模型。該模型較好地實(shí)現(xiàn)了對(duì)冬小麥條銹病的發(fā)生程度和范圍的監(jiān)測(cè)。以上研究表明,無(wú)人機(jī)高光譜遙感農(nóng)作物病害和病情等級(jí)的監(jiān)測(cè),關(guān)鍵在于特征波段的優(yōu)選和病情指數(shù)的計(jì)算。

在棉花的病害監(jiān)測(cè)上,早在2005年,美國(guó)農(nóng)業(yè)部南方平原中心已經(jīng)開展了棉花根腐病的無(wú)人機(jī)遙感監(jiān)測(cè)研究,Yang等[31]從機(jī)載三波段的數(shù)字圖像開始,到后來(lái)采用多光譜和高光譜影像在監(jiān)測(cè)棉花根腐病上進(jìn)行了不斷地嘗試。結(jié)果表明,可見光、多光譜和高光譜圖像在無(wú)人機(jī)遙感棉田內(nèi)的根腐病區(qū)域都具有可行性,高光譜圖像在病害早期監(jiān)測(cè)上更具有可行性。在棉花黃萎

?。–otton Verticillium)嚴(yán)重程度的檢測(cè)上,Jin等[32]也開展了基于高光譜遙感的研究。該研究采用小波變換提取主要信息并降維,然后建立了四種識(shí)別模型(判別分析、反向傳播(BP)神經(jīng)網(wǎng)絡(luò)、遺傳反向傳播(GA-BP)神經(jīng)網(wǎng)絡(luò)和SVM,得出SVM識(shí)別效果最好的結(jié)論。該研究表明了無(wú)人機(jī)高光譜遙感在棉花黃萎病的監(jiān)測(cè)可行性。

綜上所述,無(wú)人機(jī)高光譜遙感農(nóng)作物病害,具有較高的監(jiān)測(cè)可行性。目前無(wú)人機(jī)高光譜圖像的解譯關(guān)鍵在于病害特征波段的優(yōu)選。不同農(nóng)作物、不同病害的特征波段往往不具有唯一性,各個(gè)特征波段的組合運(yùn)算可以構(gòu)造特定病害的脅迫指數(shù),以此用于病害診斷和識(shí)別,因此優(yōu)選的特征波段質(zhì)量和數(shù)量與遙感檢測(cè)效果息息相關(guān)。此外,在無(wú)人機(jī)遙感高光譜圖像處理過程中,感興趣區(qū)域ROI(Region of Interest)的提取、地物與背景的分割效果對(duì)提取出的光譜數(shù)據(jù)也有一定的影響。

3.1.2? ?無(wú)人機(jī)多光譜遙感病害檢測(cè)研究進(jìn)展

在無(wú)人機(jī)多光譜遙感病害方面,國(guó)內(nèi)外學(xué)

者在多種農(nóng)作物上,也探索了低空遙感病害的可行性。

在葡萄園的大面積監(jiān)測(cè)領(lǐng)域,歐洲的學(xué)者在無(wú)人機(jī)遙感監(jiān)測(cè)方式上進(jìn)行了探索。葡萄黃萎病(Flavescence dorée)對(duì)歐洲的葡萄園造成了嚴(yán)重的經(jīng)濟(jì)損失,因無(wú)法治愈,至今仍威脅著歐洲葡萄種植業(yè)。法國(guó)學(xué)者Johanna等[33]使用單變量和多變量的分類方法,用無(wú)人機(jī)圖像(如光譜帶、植被指數(shù)和生物物理指數(shù))計(jì)算出健康和有癥狀的葡萄藤的光譜特征,結(jié)果發(fā)現(xiàn)紅色栽培品種獲得了最佳的分類結(jié)果。意大利學(xué)者GeNNaro等[34]則對(duì)葡萄條紋?。℅rapevine Leaf Stripe Disease,GLSD)監(jiān)測(cè)開展了研究,使用無(wú)人機(jī)獲得高分辨率多光譜圖像計(jì)算歸一化差異植被指數(shù)(NDVI),與通過地面調(diào)查檢測(cè)的GLSD葉片癥狀進(jìn)行相關(guān)性分析,結(jié)果顯示了兩者之間具有高度相關(guān)性,該研究在每一棵葡萄樹上都裝了GPS,用于定量和定性分析有癥狀植物的空間分布,該系統(tǒng)還可以用于探索GLSD的生理學(xué)基礎(chǔ),并預(yù)測(cè)該疾病的發(fā)作。

Calderón等[35]探討了使用高分辨率熱成像和多光譜圖像作為罌粟霜霉病感染的指標(biāo),使用積分球測(cè)量罌粟霜霉病無(wú)癥狀和有癥狀的罌粟葉的葉片反射率和透射光譜。通過使用氣溫(Tc-Ta)和綠/紅指數(shù)(R550/R670)歸一化的圖像導(dǎo)出冠層溫度。結(jié)果表明,Tc-Ta和R550/R670指數(shù)與罌粟霜霉病感染引起的生理應(yīng)激有關(guān)。此外,該團(tuán)隊(duì)還探討了通過獲取高分辨率航空高光譜和熱成像,利用冠層溫度、窄帶光譜指數(shù)等,可以通過無(wú)人機(jī)遙感方式,早期檢測(cè)大麗花病毒感染和鑒別病毒水平[36]。該研究是為數(shù)不多的開展無(wú)人機(jī)熱成像進(jìn)行農(nóng)作物早期病害監(jiān)測(cè)的研究成果。

Nebiker等[37]研究對(duì)比了兩種多光譜機(jī)載傳感器的性能,并對(duì)油菜、大麥、洋蔥、土豆和其他作物進(jìn)行遙感試驗(yàn)。比較的傳感器包括一個(gè)高端多光譜4c相機(jī),帶通濾色片和天頂方向的參考通道,以及一個(gè)低成本的消費(fèi)級(jí)佳能S110 NIR相機(jī),帶拜耳模式濾色片。地面參考測(cè)量是通過地面高光譜儀獲得的。研究表明,高端系統(tǒng)的測(cè)量結(jié)果與地物譜儀的測(cè)量結(jié)果一致,平均偏差僅為0.01~0.04 NDVI值。低成本系統(tǒng)在提供更好的空間分辨率的同時(shí),表現(xiàn)出明顯的偏差。傳感器隨后被用來(lái)進(jìn)行油菜和大麥的作物產(chǎn)量估算和馬鈴薯、洋蔥栽培的植物病害檢測(cè)。油菜和大麥的不同植被指數(shù)與參考產(chǎn)量測(cè)量之間存在高度相關(guān)性。利用高幾何分辨率和低至2.5cm的地面采樣距離,分析了洋蔥薊馬侵?jǐn)_的影響,并在侵?jǐn)_初期成功地檢測(cè)到馬鈴薯枯萎病。該研究表明,單個(gè)多光譜傳感器具有卓越的干擾濾波器和天頂方向的參考通道,確保了光譜測(cè)量的高質(zhì)量,并可以不需要對(duì)地面光譜參考測(cè)量。高分辨率RGB圖像與多光譜圖像的結(jié)合,在農(nóng)業(yè)遙感應(yīng)用領(lǐng)域更有應(yīng)用前景。

3.1.3? ?無(wú)人機(jī)數(shù)碼影像遙感病害進(jìn)展

數(shù)碼相機(jī)因其設(shè)備成本低、實(shí)用便利、空間分辨率高等特點(diǎn),也常作為無(wú)人機(jī)機(jī)載傳感器,用于多種農(nóng)作物病害檢測(cè)的探索研究中。

王震等[38]利用無(wú)人機(jī)遙感數(shù)碼圖像,設(shè)計(jì)了一種小型多旋翼無(wú)人機(jī)水稻病害識(shí)別系統(tǒng),首先對(duì)白穗圖像提取Haar-like特征,其次以Adaboost算法進(jìn)行白穗識(shí)別,識(shí)別率達(dá)93.62%。該方法是目前首個(gè)利用“無(wú)人機(jī)遙感+可見光”圖像進(jìn)行水稻白穗識(shí)別的研究報(bào)道,對(duì)于大面積稻田病害識(shí)別具有一定的參考作用,后期需要針對(duì)高強(qiáng)度光照和遮擋問題,在白穗圖像特征提取算法以及分類識(shí)別算法上進(jìn)行優(yōu)化研究。

在蘿卜的枯萎病上,Hassan等[39]人采用計(jì)算機(jī)視覺和深度學(xué)習(xí)方法,處理低空無(wú)人機(jī)采集的RGB圖像,識(shí)別染枯萎病的蘿卜。該研究比較了經(jīng)典學(xué)習(xí)算法如隨機(jī)森林與深度學(xué)習(xí)算法如深度卷積網(wǎng)絡(luò)(CNN)在健康蘿卜和枯萎病蘿卜的分類性能,研究結(jié)果表明深度卷積網(wǎng)絡(luò)的識(shí)別效果較理想,準(zhǔn)確率為93.3%。在植物表型研究領(lǐng)域,無(wú)人機(jī)機(jī)載遙感系統(tǒng)也常用于監(jiān)測(cè)農(nóng)作物的生長(zhǎng)狀況。Sugiura等[40]使用無(wú)人機(jī)獲取的RGB圖像,開展了晚枯萎病的田間抗性試驗(yàn)研究。該研究較有效、客觀地評(píng)估馬鈴薯晚疫?。≒otato late blight)的感染程度,比傳統(tǒng)的視覺評(píng)估更有效,更節(jié)省勞動(dòng)力。

Castelao Tetila等[41]針對(duì)大豆葉病,提出了一種計(jì)算機(jī)視覺系統(tǒng),利用低成本無(wú)人機(jī)模型DJI Phantom 3捕獲的可見光圖像跟蹤野外大豆葉片病害。該研究提取RGB圖像中顏色、梯度、紋理、形狀等視覺特征,比較了不同飛行高度獲取的數(shù)據(jù)和6種分類器的性能,試驗(yàn)結(jié)果表明,顏色和紋理屬性導(dǎo)致更高的分類率,在1m到2m之間的高度達(dá)到98.34%的精度,每米衰減2%。該研究結(jié)果為無(wú)人機(jī)低空遙感飛行高度的選擇以及遙感圖像特征選擇提供了理論依據(jù)和指導(dǎo)。Deng等[42-44]根據(jù)圖像的紋理顏色等特征,采用支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)等建模方法,在可見光圖像進(jìn)行柑橘黃龍病的檢測(cè)分類,也獲得較好的分類結(jié)果。以上研究成果表明,即使是癥狀復(fù)雜的農(nóng)作物病害,只要人眼能夠識(shí)別出的癥狀鑒定或分類識(shí)別,采用數(shù)字圖像處理技術(shù)也能取得較好的檢測(cè)效果。

綜上所述,無(wú)人機(jī)遙感在水稻、柑橘、棉花、葡萄等農(nóng)作物病害監(jiān)測(cè)上均取得了一些進(jìn)展,最早由無(wú)人機(jī)搭載可見光相機(jī),到近幾年多采用多光譜相機(jī)、高光譜相機(jī)乃至熱紅外成像儀,獲取低空遙感影像進(jìn)行統(tǒng)計(jì)分析、圖像處理和機(jī)器學(xué)習(xí)方法等農(nóng)情解析。這些研究成果離大規(guī)模應(yīng)用轉(zhuǎn)化還有一段距離,目前的研究成果主要是針對(duì)特定農(nóng)作物、特定試驗(yàn)園區(qū)以及特定病害監(jiān)測(cè)進(jìn)行的可行性研究,多數(shù)研究成果與農(nóng)學(xué)植保、病理等理論知識(shí)結(jié)合不夠緊密,對(duì)農(nóng)作生長(zhǎng)規(guī)律和病害發(fā)生規(guī)律的研究深度不足。

3.2? 無(wú)人機(jī)遙感在蟲害控制中的應(yīng)用進(jìn)展

在農(nóng)作物的蟲害監(jiān)測(cè)方面,由于一般蟲害具有移動(dòng)性,目前農(nóng)作物在蟲害監(jiān)控上,多數(shù)采用地面視頻監(jiān)控法。利用無(wú)人機(jī)遙感進(jìn)行農(nóng)作物蟲害監(jiān)測(cè)的研究報(bào)道并不多見。黃華盛等[45]利用無(wú)人機(jī)多光譜圖像檢測(cè)了棉花上蜘蛛螨的侵染情況。該研究采用兩級(jí)分類法進(jìn)行螨類入侵檢測(cè),在第一階段,應(yīng)用支持向量機(jī)分類器將每個(gè)像素分為三類:棉花、陰影和其他;在第二階段,使用一個(gè)轉(zhuǎn)移深度學(xué)習(xí)網(wǎng)絡(luò)—Alexnet將所有的棉花像素分為四類:正常、輕、中、重,試驗(yàn)結(jié)果表明,該方法的總體精度可達(dá)95.4%,開辟了無(wú)人機(jī)多光譜圖像的螨類感染檢測(cè)新方法。Fernando等[46]使用RGB、多光譜和高光譜相機(jī)獲取多源遙感圖像,提出了評(píng)估葡萄園害蟲(葡萄園葉狀體)的監(jiān)測(cè)預(yù)測(cè)模型。該研究也證明了高光譜圖像也可以檢測(cè)人眼暫未發(fā)現(xiàn)的葡萄葉狀體,研究中提出的方法、工作流程、結(jié)果和分析將有助于為植物病蟲害監(jiān)測(cè)提供有價(jià)值的信息,所提出的方法也可以外推到遙感研究的其他領(lǐng)域,如礦產(chǎn)勘探、生物多樣性和生態(tài)評(píng)估。

Severtson等[47]使用無(wú)人機(jī)多光譜圖像檢測(cè)油菜籽缺鉀與綠桃蚜蟲感染之間的關(guān)系,發(fā)現(xiàn)油菜籽缺鉀使其更容易感染綠桃蚜蟲。吳才聰?shù)萚48]使用大疆精靈4獲取高度為100m的無(wú)人機(jī)數(shù)碼影像,并對(duì)影像進(jìn)行分類,提取村莊、秸稈垛和玉米地。通過人工調(diào)查,獲取玉米受蟲害株率數(shù)據(jù),進(jìn)行蟲源基數(shù)的分級(jí)。該研究利用無(wú)人機(jī)獲取玉米地的分布和調(diào)查秸稈垛的百稈含蟲量,探尋蟲源和受蟲害株率的相關(guān)性。Morley等[49]使用配備遙感攝像機(jī)的無(wú)人機(jī)可以在森林和殘余灌木地上空飛行,通過分析植被的光譜特征,檢測(cè)負(fù)鼠的存在及其造成的損害?;诒O(jiān)測(cè)結(jié)果,無(wú)人機(jī)可以精確地分配毒素或陷阱到這些確定的地點(diǎn)。Zhang等[50]采用無(wú)人機(jī)遙感高光譜圖像,展開了翡翠灰蛀蟲早期監(jiān)測(cè)的研究,利用植被指數(shù)對(duì)葉綠素含量進(jìn)行反演,為高光譜在病蟲害預(yù)測(cè)及早期診斷的應(yīng)用提供了可能性。Samseemoung等[51]應(yīng)用無(wú)人機(jī)多光譜圖像識(shí)別油棕櫚樹的蟲害,研究表明歸一化植被指數(shù)(NDVI)與作物的蟲害侵染程度具有良好的相關(guān)性,通過聚類分析可將受感染植物與健康植物區(qū)別開來(lái)。Huang等[52]于2008年就利用MS4100機(jī)載多光譜相機(jī)搭載了無(wú)人機(jī)多光譜成像系統(tǒng),分析近紅外、紅、綠波段圖像,計(jì)算出NR、NG、NDVI和NDNG指數(shù),用于評(píng)估農(nóng)業(yè)領(lǐng)域的生物量、作物健康、生物類型和蟲害,該研究是較早地提出無(wú)人機(jī)遙感農(nóng)作物的報(bào)道之一,為后來(lái)的研究指引了方向。Yue等[53]在白洋淀農(nóng)業(yè)區(qū)開展了無(wú)人機(jī)數(shù)碼影像的蟲害監(jiān)測(cè)研究,該研究在快速處理無(wú)人機(jī)圖像上進(jìn)行了探索,采用改進(jìn)的尺度不變特征變換(SIFT)算法和面向?qū)ο蟮男畔⑻崛〖夹g(shù)進(jìn)行圖像處理,研究對(duì)當(dāng)?shù)剞r(nóng)作物病蟲害防治取得了良好的效果。

綜上所述,無(wú)人機(jī)遙感在農(nóng)作物蟲害監(jiān)測(cè)領(lǐng)域尚處于嘗試探索階段,目前研究報(bào)道較少,尤其無(wú)人機(jī)遙感蝗蟲的文獻(xiàn)鮮有報(bào)道,主要報(bào)道集中在無(wú)人機(jī)數(shù)碼影像、多光譜和高光譜遙感圖

像的處理分析方法。在此領(lǐng)域的研究方向可結(jié)合熱紅外成像獲取害蟲的溫差信息,采用視頻或定時(shí)獲取遙感圖像的方式,研究蟲害的蔓延規(guī)律等,從而加快無(wú)人機(jī)遙感在農(nóng)作物蟲害監(jiān)測(cè)的研究進(jìn)展。

3.3? 無(wú)人機(jī)遙感在農(nóng)作物雜草識(shí)別中的應(yīng)用

近年來(lái),基于無(wú)人機(jī)遙感的雜草識(shí)別研究引起了廣大學(xué)者的關(guān)注。目前采用的機(jī)載傳感器主要是多光譜相機(jī)和數(shù)碼相機(jī)。

在多光譜圖像識(shí)別雜草應(yīng)用方面,Pérez-Ortiz等[54]通過無(wú)人機(jī)獲取向日葵農(nóng)田遙感光譜圖像,提出了一種作物行距檢測(cè)方法,結(jié)合作物的行排列特性以及遙感圖像的光譜信息,采用半監(jiān)督學(xué)習(xí)方法實(shí)現(xiàn)了精確的雜草識(shí)別。該研究不僅利用了遙感圖像的光譜圖像信息,也利用了農(nóng)學(xué)經(jīng)驗(yàn)知識(shí)進(jìn)行雜草識(shí)別,簡(jiǎn)化了雜草和作物的鑒別過程。Afroditi等[55]使用固定翼無(wú)人機(jī)搭載多光譜相機(jī)(綠—紅—近紅外)獲取高分辨率圖像,利用具有自動(dòng)相關(guān)性測(cè)定的多層感知器(MLP-ARD)來(lái)鑒別水飛薊。Alexandridis等[56]采用無(wú)人機(jī)采集田塊的多光譜遙感圖像,識(shí)別田塊中水飛薊的分布信息。該研究采用綠、紅、藍(lán)三個(gè)波段以及近紅外波段的局部差異信息作為特征向量,分別使用單分類支持向量機(jī)、單分類自組織映射圖、單分類主成分分析法進(jìn)行分類判別,將每個(gè)像素分為兩個(gè)類別:雜草和非雜草,試驗(yàn)結(jié)果證明,基于單分類支持向量機(jī)算法對(duì)水飛薊的識(shí)別率達(dá)到了96%。Pantazi等[57]也采用無(wú)人機(jī)機(jī)載多光譜相機(jī)采集高分辨率圖像,并采用重采樣和三種分類方法Supervised Kohonen網(wǎng)絡(luò)(SKN)、反向傳播人工神經(jīng)網(wǎng)絡(luò)(CP-ANN)和xy融合網(wǎng)絡(luò)(xy-F)進(jìn)行了雜草與作物的識(shí)別,研究表明三種分類方法的識(shí)別率均高于98%以上。Inkyu等[58]針對(duì)深度學(xué)習(xí)網(wǎng)絡(luò)在無(wú)人機(jī)遙感多光譜圖像中雜草識(shí)別應(yīng)用中的問題,采用一種站式滑動(dòng)窗口方法改進(jìn)深度學(xué)習(xí)網(wǎng)絡(luò)基本模型開發(fā)了一種新的作物與雜草分割和識(shí)別方法。

采用可見光圖像及其與多光譜圖像的融合方法在無(wú)人機(jī)遙感農(nóng)田雜草識(shí)別也在研究領(lǐng)域不斷涌現(xiàn)。Irene等[59]使用重采樣圖像(RS圖像,可見和近紅外光譜)精確提取了高分辨率無(wú)人機(jī)圖像在30m高度的光譜值和高度為60m、100m的遙感圖像數(shù)據(jù),采用多源融合方法,識(shí)別雜草覆蓋并生成除草劑應(yīng)用圖譜。該研究在遙感范圍和遙感圖像的分辨率之間取得了折中,這種多源融合方法可以借鑒到無(wú)人機(jī)遙感的其他研究領(lǐng)域。López-Granados等[60]采用基于對(duì)象的圖像分析(OBIA)方法,通過分析在30m和60m高空飛行的無(wú)人機(jī)收集的可見和近紅外光譜的重疊航空?qǐng)D像,生成兩個(gè)向日葵田的雜草幼苗侵?jǐn)_圖。王術(shù)波等[61]提出一種基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的雜草分類和密度測(cè)算方法,通過無(wú)人機(jī)低空拍攝采集3種雜草(藜草、葎草、蒼耳)和3種作物(小麥、花生、玉米)的數(shù)碼圖像作為數(shù)據(jù)集,經(jīng)過裁剪、灰度化等前期處理,并通過旋轉(zhuǎn)方式擴(kuò)充數(shù)據(jù)集,訓(xùn)練集輸送給卷積神經(jīng)網(wǎng)絡(luò),采用Softmax回歸,實(shí)現(xiàn)6類植物的分類。分類結(jié)果表明300×300分辨率時(shí)識(shí)別率最高可達(dá)到95.6%[62]。Calvin等[63]基于無(wú)人機(jī)獲取的可見光圖像,使用特征學(xué)習(xí)的方法縮減所需的手動(dòng)工作量,生成一組圖像濾波器,提取區(qū)分相關(guān)雜草和其他背景對(duì)象的特征。Lottes等[64]基于無(wú)人機(jī)遙感數(shù)碼影像,在甜菜等作物中實(shí)現(xiàn)了雜草識(shí)別。黃華盛等[65]使用無(wú)人機(jī)在水稻田上獲取高分辨率可見光圖像,采用全卷積網(wǎng)絡(luò)(Fully Convolutional Network, FCN)進(jìn)行像素級(jí)分類,并采用棋盤分割過程構(gòu)建處方圖。此后,還使用了基于補(bǔ)丁的CNN算法和基于像素的CNN方法與FCN進(jìn)行比較,結(jié)果表明FCN算法性能最佳[66,67]。

綜上所述,機(jī)器學(xué)習(xí)分類方法在無(wú)人機(jī)遙感雜草識(shí)別應(yīng)用中較為常見,且多數(shù)采用多光譜圖像、可見光圖像以及兩者的融合。近幾年,無(wú)人機(jī)遙感與深度學(xué)習(xí)算法的結(jié)合的研究,突顯了其在大面積農(nóng)作物病蟲草害診斷識(shí)別應(yīng)用上的優(yōu)勢(shì)以及發(fā)展趨勢(shì)。相比起病蟲害診斷,無(wú)人機(jī)遙感在雜草識(shí)別的應(yīng)用更具操作性和推廣價(jià)值。

4? 面臨的挑戰(zhàn)

盡管近幾年中國(guó)無(wú)人機(jī)技術(shù)發(fā)展迅猛,中國(guó)的農(nóng)業(yè)無(wú)人機(jī)已經(jīng)走向全球,處于領(lǐng)跑地位,然而無(wú)人機(jī)農(nóng)業(yè)遙感離實(shí)際應(yīng)用還有一定的距離。目前無(wú)人機(jī)遙感農(nóng)作物病蟲害的進(jìn)展主要受到以下方面的制約。

4.1? 無(wú)人機(jī)遙感數(shù)據(jù)庫(kù)

多數(shù)研究成果僅僅適用于當(dāng)次獲取的無(wú)人機(jī)遙感影像,研究方法或模型難以在實(shí)際應(yīng)用推廣。其主要原因之一在于農(nóng)作物的生長(zhǎng)具有周期性、連續(xù)性、季節(jié)性和地域性,對(duì)于同一種病害在作物不同生長(zhǎng)時(shí)期表現(xiàn)特征和光譜響應(yīng)特征有所差異。同理,不同地域、不同農(nóng)作物品種的遙感影像也具有差異性。因此,目前已有的研究成果多數(shù)不具有普適性、穩(wěn)定性和通用性。即使在單次的遙感試驗(yàn)中獲得很高的識(shí)別率,但并不能保證用于其他時(shí)刻獲取的遙感數(shù)據(jù)的有效性。此外,目前已有的軟件如ENVI的光譜庫(kù)主要用于地物識(shí)別,農(nóng)作物病蟲害的光譜數(shù)據(jù)庫(kù)以及圖像數(shù)據(jù)庫(kù)等仍處于空白階段。

4.2? 農(nóng)作物病蟲害早期診斷

農(nóng)作物病蟲害監(jiān)測(cè)應(yīng)用中,早期診斷的表現(xiàn)癥狀不明顯,無(wú)論是目視觀測(cè)還是計(jì)算機(jī)解譯,都具有較大的難度。但早期診斷的研究意義和需求更大,更有利于農(nóng)作物的預(yù)防和控制,防止病蟲害的蔓延發(fā)展。

由于無(wú)人機(jī)與地面農(nóng)作物之間具有一定的遙感拍攝距離,因此,當(dāng)前的機(jī)載傳感器獲取的遙感影像難以捕捉圖像細(xì)節(jié),對(duì)農(nóng)作物病蟲害早期癥狀表述不清。此外,病害發(fā)生早期,即使高分辨率圖像也難以解析,需要結(jié)合病蟲害發(fā)生的溫度、濕度等氣象和植保數(shù)據(jù),才有可能實(shí)現(xiàn)病蟲害遙感監(jiān)測(cè)和預(yù)測(cè)預(yù)報(bào)。

通過查閱已有研究文獻(xiàn),目前針對(duì)無(wú)人機(jī)遙感農(nóng)作物病蟲害早期診斷的研究鮮有報(bào)道,少部分研究表明高光譜低空遙感在農(nóng)作物病蟲害診斷研究中,具有一定的可行性。

4.3? 無(wú)人機(jī)機(jī)載傳感器

無(wú)人機(jī)遙感影像質(zhì)量嚴(yán)重依賴天氣。由于目前無(wú)人機(jī)遙感多數(shù)是被動(dòng)式光學(xué)成像方式,采集數(shù)據(jù)時(shí)對(duì)太陽(yáng)光照有較高的要求。遙感作業(yè)的最佳時(shí)間是正午時(shí)分,太陽(yáng)光照最充足的時(shí)候能獲取最佳的圖像質(zhì)量,多云天氣作業(yè)則會(huì)增加圖像預(yù)處理復(fù)雜度,也會(huì)導(dǎo)致監(jiān)測(cè)效果降低。此外,目前大多數(shù)機(jī)載光譜相機(jī),需要通過定標(biāo)板完成輻射校準(zhǔn),這給實(shí)際操作帶來(lái)諸多不便。雖然Sequoia+聲稱是第一個(gè)提供相對(duì)反射測(cè)量而不需求輻射校準(zhǔn)板的多光譜相機(jī)。然而在實(shí)際應(yīng)用中,為了得到更加精準(zhǔn)的測(cè)量效果,多數(shù)試驗(yàn)研究和應(yīng)用仍然需要經(jīng)過輻射校準(zhǔn)板及相關(guān)數(shù)據(jù)處置軟件,來(lái)解讀這些輻照度值并測(cè)量反射率。

低空遙感農(nóng)作物病蟲草害,對(duì)遙感影像的空間分辨率和光譜分辨率都提出了較高的要求,滿足需求的機(jī)載傳感器造價(jià)高昂,特別是高光譜相機(jī)的價(jià)格,嚴(yán)重限制了無(wú)人機(jī)遙感的實(shí)際應(yīng)用。針對(duì)設(shè)備昂貴的問題,在進(jìn)行遙感試驗(yàn)研究時(shí),可以重點(diǎn)加強(qiáng)對(duì)農(nóng)作物病蟲害敏感波段的研究,根據(jù)敏感的特征波段定制光譜相機(jī),便于在實(shí)際推廣應(yīng)用。

4.4? 軟件與算法

目前,針對(duì)無(wú)人機(jī)遙感數(shù)據(jù)的處理軟件具有一定的拼接性,也就是說(shuō)從遙感影像的拍攝控制、拼接、預(yù)處理、農(nóng)情解析直至作業(yè)處方圖的生成,往往都是在不同的軟件環(huán)境下進(jìn)行,導(dǎo)致在實(shí)際使用過程中對(duì)操作人員的專業(yè)性提出較高的要求。因此,軟件和算法的不成熟制約無(wú)人機(jī)農(nóng)業(yè)遙感發(fā)展的重要因素之一。此外,雖然無(wú)人機(jī)遙感影像處理方法已經(jīng)不斷涌現(xiàn)了新方法,例如機(jī)器學(xué)習(xí)方法。然而這些新方法大多數(shù)局限于簡(jiǎn)單的照搬照套,缺乏對(duì)算法在無(wú)人機(jī)遙感影像中的適用性研究,目前無(wú)人機(jī)遙感解析算法仍處于應(yīng)用初探水平。

5? 結(jié)論與展望

無(wú)人機(jī)農(nóng)業(yè)遙感是目前精準(zhǔn)農(nóng)業(yè)領(lǐng)域的研究熱點(diǎn)。比起衛(wèi)星農(nóng)業(yè)遙感方式,無(wú)人機(jī)農(nóng)業(yè)遙感技術(shù)具有機(jī)動(dòng)性強(qiáng)、分辨率高、設(shè)備成本低等優(yōu)勢(shì)[68];比起地面感知方式,具有范圍廣、速度快、人力成本低等優(yōu)勢(shì)。因此無(wú)人機(jī)農(nóng)業(yè)遙感方式前景遼闊,發(fā)展?jié)摿薮蟆?/p>

隨著無(wú)人機(jī)和傳感器技術(shù)的不斷完善,遙感圖像分析處理技術(shù)和算法的不斷發(fā)展,無(wú)人機(jī)遙感農(nóng)作物病蟲草害的監(jiān)測(cè)方式將不斷向?qū)嶋H應(yīng)用邁進(jìn)??紤]到無(wú)人機(jī)遙感農(nóng)作物病蟲害監(jiān)測(cè)中面臨的多種挑戰(zhàn),未來(lái)該領(lǐng)域?qū)⒅饕獜囊韵路矫嬲归_科學(xué)研究:

(1)開展基于無(wú)人機(jī)遙感的農(nóng)作物病蟲害早期監(jiān)測(cè)的研究。需要認(rèn)清無(wú)人機(jī)遙感圖像在細(xì)節(jié)表征上的局限性。高分辨率的高光譜圖像結(jié)合地面遙感方式在早期病蟲害監(jiān)測(cè)的探索,仍需進(jìn)一步深化。借助于大數(shù)據(jù)技術(shù)與人工智能,分析農(nóng)作物在不同生長(zhǎng)周期的影像特征,研究早期預(yù)報(bào)和診斷模型,將可能促進(jìn)農(nóng)作物早期診斷的研究進(jìn)展。

(2)研發(fā)針對(duì)特定應(yīng)用的低成本機(jī)載傳感器。通用型機(jī)載傳感器如高光譜相機(jī)造價(jià)過高,限制了其在田間的廣泛應(yīng)用。針對(duì)特定病蟲草害,未來(lái)可以通過科學(xué)研究探索特征波段或植被指數(shù),進(jìn)行低成本機(jī)載傳感器的定制,從而降低設(shè)備成本。此外,可以結(jié)合光照等傳感器,使得無(wú)人機(jī)光譜遙感過程無(wú)需輻射校準(zhǔn)任務(wù),朝著操作簡(jiǎn)易性方向發(fā)展。

(3)開展遙感數(shù)據(jù)處理的實(shí)時(shí)性研究。大多數(shù)無(wú)人機(jī)遙感獲取的影像很難實(shí)時(shí)完成農(nóng)情解析。目前,Parrot bluegrass field 解決方案聲稱可在飛行過程中實(shí)時(shí)生成NDVI地圖[69],意味著遙感數(shù)據(jù)的實(shí)時(shí)處理技術(shù)已經(jīng)有了質(zhì)的飛躍,未來(lái)的研究將在此基礎(chǔ)上深入探索。實(shí)時(shí)處理算法以及實(shí)時(shí)處理器將大大加速農(nóng)業(yè)航空遙感的發(fā)展和應(yīng)用進(jìn)程。

(4)開展低空遙感數(shù)據(jù)與農(nóng)學(xué)植保、病理等理論知識(shí)的融合研究。只有更緊密的融合經(jīng)驗(yàn)數(shù)據(jù)與農(nóng)學(xué)植保等理論,才能建立更符合作物生長(zhǎng)規(guī)律的田間診斷模型,將更進(jìn)一步提高無(wú)人機(jī)遙感農(nóng)作物病蟲草害監(jiān)測(cè)的有效性和準(zhǔn)確性。未來(lái)需要從表觀層面的遙感圖像分析深入到結(jié)合病蟲害發(fā)生機(jī)制的遙感監(jiān)測(cè),從簡(jiǎn)單的試驗(yàn)環(huán)境過渡到綜合考慮作物生長(zhǎng)規(guī)律、環(huán)境因素等的實(shí)際應(yīng)用研究中。

(5)建立無(wú)人機(jī)遙感多源數(shù)據(jù)庫(kù)以及開展大數(shù)據(jù)、人工智能等新技術(shù)在農(nóng)業(yè)遙感領(lǐng)域的深入開拓與適用性研究。針對(duì)病蟲草害光譜響應(yīng)特征專屬認(rèn)證不足的問題,在今后的研究中若能提取作物病蟲害的專屬光譜響應(yīng)特征,建立作物病蟲害光譜庫(kù),以支持特征構(gòu)建和模型研究,則可以提升監(jiān)測(cè)模型對(duì)復(fù)雜農(nóng)田環(huán)境的適應(yīng)能力[1],并結(jié)合大數(shù)據(jù)、人工智能等手段,更好地研究農(nóng)作物病蟲草害的光譜特征波段提取和診斷監(jiān)測(cè)模型的構(gòu)建方法。

(6)從無(wú)人機(jī)定性遙感發(fā)展到定量遙感的研究。目前機(jī)器學(xué)習(xí)和模式識(shí)別在無(wú)人機(jī)遙感領(lǐng)域的應(yīng)用,多數(shù)屬于定性遙感,即看圖識(shí)物,且多數(shù)屬于拿來(lái)主義。未來(lái)更值得考慮的事,應(yīng)該是如何將定量遙感的物理模型與大數(shù)據(jù)的數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)等手段相結(jié)合,通過物理學(xué)意義的模型或者是其他模型表達(dá)無(wú)人機(jī)遙感數(shù)據(jù)與農(nóng)作物病蟲害之間定量反演的關(guān)系,更深入地進(jìn)行內(nèi)在機(jī)制的理論研究。

總之,雖然無(wú)人機(jī)遙感在病蟲害草監(jiān)測(cè)領(lǐng)域仍處于起步階段,與實(shí)際生產(chǎn)應(yīng)用普及仍存在著較大距離,但該技術(shù)具有巨大的發(fā)展?jié)摿蛻?yīng)用價(jià)值。要充分發(fā)掘該技術(shù)潛力,還需要相關(guān)學(xué)科專家的共同努力,將農(nóng)學(xué)和植保經(jīng)驗(yàn)知識(shí)與遙感信息與模型進(jìn)行有效整合,使無(wú)人機(jī)遙感技術(shù)走向成熟。

參考文獻(xiàn)

[1]? ?黃文江, 劉林毅, 董瑩瑩, 等. 基于遙感技術(shù)的作物病蟲害監(jiān)測(cè)研究進(jìn)展[J]. 農(nóng)業(yè)工程技術(shù), 2018, 38(09): 39-45.

[2]? ?張競(jìng)成, 袁琳, 王紀(jì)華, 等. 作物病蟲害遙感監(jiān)測(cè)研究進(jìn)展[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2012, 28(20): 1-11.

Zhang J, Yuan L, Wang J, et al. Research progress of crop diseases and pests monitoring based on remote sensing[J]. Transactions of the CSAE, 2012, 28(20): 1-11.

[3]? ?Lan Y, Chen S. Current status and trends of plant protection UAV and its spraying technology in China[J]. Int J Precis Agric Aviat, 2018, 1(1): 1-9

[4]? ?Lan Y, Thomson S J , Huang Y, et al. Current status and future directions of precision aerial application for site-specific crop management in the USA[J]. Computers and Electronics in Agriculture, 2010, 74(1): 34-38.

[5]? ?Huang Y, Lan Y, Westbrook J K, et al. Remote sensing and GIS applications for precision area-wide pest management: implications for homeland security[M]. Geospatial Technologies and Homeland Security. Springer Netherlands, 2008.

[6]? ?Lan Y, Chen S, Fritz B K. Current status and future trends of precision agricultural aviation technologies[J]. Int J Agric & Biol Eng, 2017, 10(3): 1-17.

[7]? ?紀(jì)景純, 趙原, 鄒曉娟, 等. 無(wú)人機(jī)遙感在農(nóng)田信息監(jiān)測(cè)中的應(yīng)用進(jìn)展[J]. 土壤學(xué)報(bào), 2019: 1-13.

Ji J, Zhao Y, Zou X, et al. Adcancement in application of UAV remote sensing to monitoring of farmlands[J]. Acta Pedologica Sinica, 2019: 1-13.

[8]? ?鄧小玲, 孔晨, 吳偉斌, 等. 基于主成分分析和BP神經(jīng)網(wǎng)絡(luò)的柑橘黃龍病診斷技術(shù)[J]. 光子學(xué)報(bào), 2014, 43(04): 16-22.

Deng X, Kong C, Wu W, et al. Detection of citrus huanglongbing based on principal component analysis and back propagation neural network[J]. Acta Photonica Sinica, 2014, 43(04): 16-22.

[9]? ?高林, 楊貴軍, 于海洋, 等. 基于無(wú)人機(jī)高光譜遙感的冬小麥葉面積指數(shù)反演[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2016, 32(22): 113-120.

Gao L, Yang G, Yu H, etal. Retrieving winter wheat leaf area index based on unmanned aerial vehicle hyperspectral remoter sensing[J]. Transactions of the CSAE, 2016,

32(22): 113-120.

[10]? Juan S, Geoff P, Felipe G, et al. Aerial mapping of forests affected by Pathogens using UAVs, hyperspectral sensors, and artificial intelligence[J]. Sensors, 2018, 18(4): 944.

[11]? 易興松, 蘭安軍, 文錫梅, 等. 基于 ASD 和 GaiaSky-mini 的農(nóng)田土壤重金屬污染監(jiān)測(cè)[J]. 生態(tài)學(xué)雜志, 2018, 37(6): 1781-1788.

Yi X, Lan A, Wen X, et al. Monitoring of heavy metals in farmland soils based on ASD and Gaia Sky-mini[J]. Chinese Journal of Ecology, 2018, 37(6): 1781-1788.

[12]? Huang Y, Thomson S J , Lan Y, et al. Multispectral imaging systems for airborne remote sensing to support agricultural production management[J]. Int J Agric & Biol Eng, 2010, 3(1): 50-62.

[13]? Yang C, John W, Charles S, et al. An airborne multispectral imaging system based on two consumer-grade cameras for agricultural remote sensing[J]. Remote Sensing, 2014, 6(6): 5257-5278.

[14]? Kustas W, Anderson M. Advances in thermal infrared remote sensing for land surface modeling[J]. Agricultural and Forest Meteorology, 2009, 149(12): 2071-2081.

[15]? 趙一鳴, 李艷華, 商雅楠, 等. 激光雷達(dá)的應(yīng)用及發(fā)展趨勢(shì)[J]. 遙測(cè)遙控, 2014, 35(05): 4-22.

Zhao Y, Li Y, Shang Y, et al. Application and development direction of lidar [J]. Journal of Telemetry, Tracking and Command, 2014, 35(05): 4-22.

[16]? Hammerle M, Hafle B. Effects of reduced terrestrial LiDAR point density on high-resolution grain crop surface models in precision agriculture[J]. Sensors, 2014, 14(12): 24212-24230.

[17]? 楊凡. 基于無(wú)人機(jī)激光雷達(dá)和高光譜的冬小麥生物量反演研究[D]. 西安: 西安科技大學(xué), 2017.

Yang, F. Estimation of winter wheat aboveground biomass with UAV LiDAR and hyperspectral data[D]. Xi'an: Xi'an University of Science and Technology, 2017.

[18]? Anthony D, Elbaum S, Lorenz A, et al. On crop height estimation with UAVs[C]. IEEE/RSJ International Conference on Intelligent Robots & Systems. IEEE, 2014.

[19]? 周夢(mèng)維, 柳欽火, 劉強(qiáng), 等. 機(jī)載激光雷達(dá)的作物葉面積指數(shù)定量反演[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2011, 27(04): 207-213.

Zhou M, Liu Q, Liu Q, et al. Inversion of leaf area index based on small-footprint waveform airborne LIDAR[J]. Transactions of the CSAE, 2011, 27(04): 207-213.

[20]? 關(guān)澤群. 遙感圖像解譯[M]. 武漢大學(xué)出版社, 2007.

[21]? Tahir M N, Syed Zaigham Abbas Naqvi, Lan Y, et al. Real time monitoring chlorophyll content based on vegetation indices derived from multispectral UAVs in the kinnow orchard[J]. Int J Precis Agric Aviat, 2018, 1(1): 24-31.

[22]? Cheng X, Yang G, Xu X, et al. Estimating canopy water content in wheat based on new vegetation water index[J]. Spectroscopy and Spectral Analysis, 2014, 34(12): 3391.

[23]? Duan S, Li Z, Wu H, et al. Inversion of the PROSAIL model to estimate leaf area index of maize, potato, and sunflower fields from unmanned aerial vehicle hyperspectral data[J]. International Journal of Applied Earth Observation and Geoinformation, 2014, 26: 12-20.

[24]? 蘇偉, 郭皓, 趙冬玲, 等. 基于優(yōu)化PROSAIL葉傾角分布函數(shù)的玉米LAI反演方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2016, 47(03): 234-241.

Su W, Guo H, Zhao D, et al. Leaf area index retrivel for maize canopy using optimized leaf angle distribution function of PROSAIL model[J]. Transactions of the CSAM, 2016, 47(03): 234-241.

[25]? Yu F , Xu T , Chen C , et al. Machine learning methods for crop chlorophyll variable retrieval[J]. Int J Precis Agric Aviat, 2018, 1(1): 32-36.

[26]? Li X, Lee W S, Li M, et al. Spectral difference analysis and airborne imaging classification for citrus greening infected trees[J]. Computers and Electronics in Agriculture, 2012, 83: 32-46.

[27]? Kumar A, Lee W S, Ehsani Reza J, et al. Citrus greening disease detection using aerial hyperspectral and multispectral imaging techniques[J]. Journal of Applied Remote Sensing, 2012, 6(1): 63542.

[28]? 蘭玉彬, 朱梓豪, 鄧小玲, 等. 基于無(wú)人機(jī)高光譜遙感的柑橘黃龍病植株的監(jiān)測(cè)與分類[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2019, 35(3): 92-100.

Lan Y, Zhu Z, Deng X, et al. Monitoring and classification of citrus Huanglongbing based on UAV hyperspectral remote sensing[J]. Transactions of the CSAE, 2019, 35

(3): 92-100.

[29]? Huang W, Lamb D W, Niu Z, et al. Identification of yellow rust in wheat using in-situ spectral reflectance measurements and airborne hyperspectral imaging[J]. Precision Agriculture, 2007, 8(4-5): 187-197.

[30]? 羅菊花, 黃文江. 基于PHI影像敏感波段組合的冬小麥條銹病遙感監(jiān)測(cè)研究[J]. 光譜學(xué)與光譜分析, 2010, 30(01): 184-187.

Luo J, Huang W. Monitoring stripe rust of winter wheat using PHI based on sensitive bands[J]. Spectroscopy and Spectral Analysis, 2010, 30(01): 184-187.

[31]? Yang C, Everitt J H, Fernandez C J. Comparison of airborne multispectral and hyperspectral imagery for mapping cotton root rot[J]. Biosystems Engineering, 2010, 107(2): 131-139.

[32]? Jin N, Huang W, Ren Y, et al. Hyperspectral identification of cotton verticillium disease severity[J]. Optik-International Journal for Light and Electron Optics, 2013, 124(16): 2569-2573.

[33]? Johanna A, Sylvie D, Fabio G, et al. Detection of flavescence dorée grapevine disease using unmanned aerial vehicle (UAV) multispectral imagery[J]. Remote Sensing, 2017, 9(4): 308.

[34]? Di Gennaro S F, Battiston E, Di Marco S. Unmanned aerial vehicle (UAV)-based remote sensing to monitor grapevine leaf stripe disease within a vineyard affected by esca complex[J]. Phytopathologia Mediterranea, 2016, 55(2): 262-275.

[35]? Calderón R, Montes-Borrego M, Landa B B, et al. Detection of downy mildew of opium poppy using high-resolution multi-spectral and thermal imagery acquired with an unmanned aerial vehicle[J]. Precision Agriculture, 2014, 15(6): 639-661.

[36]? Calderón R, Navas-Cortés J A, Lucena C, et al. High-resolution airborne hyperspectral and thermal imagery for early detection of Verticillium wilt of olive using fluorescence, temperature and narrow-band spectral indices[J]. Remote Sensing of Environment, 2013, 139: 231-245.

[37]? Nebiker S, Lack N, Abacherli M, et al. Light-weight multispectral UAV sensors and their capabilities for predicting grain yield and detecting plant diseases[J]. ISPRS-International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2016, XLI-B1: 963-970.

[38]? 王震, 褚桂坤, 張宏建, 等. 基于無(wú)人機(jī)可見光圖像Haar-like特征的水稻病害白穂識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2018, 34(20): 73-82.

Wang Z, Chu G, Zhang H, et al. Identification of diseased empty rice panicles based on Haar-like feature of UAV optical image[J]. Transactions of the CSAE, 2018,

34(20):73-82.

[39]? Hassan S I. Deep convolutional neural network for classifying Fusarium wilt of radish from unmanned aerial vehicles[J]. Journal of Applied Remote Sensing, 2017, 11(4): 1.

[40]? Sugiura R, Tsuda S, Tamiya S, et al. Field phenotyping system for the assessment of potato late blight resistance using RGB imagery from an unmanned aerial vehicle[J]. Biosystems Engineering, 2016, 148: 1-10.

[41]? Castelao Tetila E, Brandoli Machado B, Belete NADS, et al. Identification of soybean foliar diseases using unmanned aerial vehicle images[J]. IEEE Geoscience and Remote Sensing Letters, 2017, 14(12): 2190-2194.

[42]? Deng X, Li Z , Deng X , et al. Citrus disease recognition based on weighted scalable vocabulary tree[J]. Precision Agriculture, 2014, 15(3): 321-330.

[43]? Deng X, Lan Y, Hong T, et al. Citrus greening detection using visible spectrum imaging and C-SVC[J]. Computers and Electronics in Agriculture, 2016, 130: 177-183.

[44]? Deng X, Lan Y, Xing X, et al. Citrus Huanglongbing detection based on image feature extraction and two-stage back propagation neural network modeling[J]. Int J Agric & Biol Eng, 2016, 9(6): 20-26.

[45]? Huang H, Deng J, Lan Y, et al. A two-stage classification approach for the detection of spider mite-infested cotton using UAV multispectral imagery[J]. Remote Sensing Letters, 2018, 9(10): 933-941.

[46]? Fernando V, Dmitry B, Kevin P, et al. A novel methodology for improving plant pest surveillance in vineyards and crops using UAV-based hyperspectral and spatial data[J]. Sensors, 2018, 18(1): 260.

[47]? Severtson D, Callow N, Flower K, et al. Unmanned aerial vehicle canopy reflectance data detects potassium deficiency and green peach aphid susceptibility in canola[J]. Precision Agriculture, 2016, 17(6): 659-677.

[48]? 吳才聰, 胡冰冰, 趙明, 等. 基于無(wú)人機(jī)影像和半變異函數(shù)的玉米螟空間分布預(yù)報(bào)方法[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2017, 33(9): 84-91.

Wu C, Hu B, Zhao M, et al. Prediction method for spatial distribution of corn borer based on unmanned aerial vehicle images and semivariance function[J]. Transactions of the CSAE, 2017, 33(9): 84-91.

[49]? Morley C, Braodley J, Hartley R, et al. The potential of using unmanned aerial vehicles (UAVs) for precision pest control of possums (Trichosurus vulpecula)[J]. Rethinking Ecology, 2017, 2: 27-39.

[50]? Zhang K, Hu B, Robinson J. Early detection of emerald ash borer infestation using multisourced data: a case study in the town of Oakville, Ontario, Canada[J]. Applied Remote Sensing, 2014, 8(1): 083602.

[51]? Samseemoung G, Jayasuriya H P W, Soni P. Oil palm pest infestation monitoring and evaluation by helicopter-mounted, low altitude remote sensing platform[J]. Applied Remote Sensing, 2011, 5(5): 3540.

[52]? Huang Y, Lan Y, Hoffmann W C. Use of airborne multi-spectral imagery in pest management systems[J]. Agricultural Engineering International: the CIGR Ejournal, 2008, X(07): 10.

[53]? Yue J, Lei T, Li C. The application of unmanned aerial vehicle remote sensing in quickly monitoring crop pests[J]. Intelligent Automation & Soft Computing, 2012, 18(8): 1043-1052.

[54]? PérezOrtiz M, Pena-Barragán J M, Gutiérrez P A, et al. A semi-supervised system for weed mapping in sunflower crops using unmanned aerial vehicles and a crop row detection method[J]. Applied Soft Computing, 2015, 37(C): 533-544.

[55]? Afroditi T, Thomas A, Xanthoula P, et al. Application of multilayer perceptron with automatic relevance determination on weed mapping using UAV multispectral imagery[J]. Sensors, 2017, 17(10): 2307.

[56]? Thomas A, Alexandra T A, Eirini P X, et al. Novelty detection classifiers in weed mapping: silybum marianum detection on UAV multispectral images[J]. Sensors (Basel, Switzerland), 2017, 17(9): 2007.

[57]? Pantazi X E, Tamouridou A A, Alexandridis T K, et al. Evaluation of hierarchical self-organising maps for weed mapping using UAS multispectral imagery[J]. Computers and Electronics in Agriculture, 2017, 139: 224-230.

[58]? Inkyu S, Marija P, Raghav K, et al. WeedMap: a large-scale semantic weed mapping framework using aerial multispectral imaging and deep neural network for precision farming[J]. Remote Sensing, 2018, 10(9):1423.

[59]? Irene B S, Pena José, Torres-Sánchez Jorge, et al. Spatial quality evaluation of resampled unmanned aerial vehicle- imagery for weed mapping[J]. Sensors, 2015, 15(8): 19688-19708.

[60]? López-Granados F, Torres-Sánchez J, Serrano-Pérez A, et al. Early season weed mapping in sunflower using UAV technology: variability of herbicide treatment maps against weed thresholds[J]. Precision Agriculture, 2016, 17(2): 183-199.

[61]? 王術(shù)波, 韓宇, 陳建, 等. 基于深度學(xué)習(xí)的無(wú)人機(jī)遙感生態(tài)灌區(qū)雜草分類[J]. 排灌機(jī)械工程學(xué)報(bào), 2018, 36(11): 1137-1141.

Wang S, Han Y, Chen J, et al. Weed classification of remote sensing by UAV in ecological irrigation areas based on deep learning[J]. Journal of Drainage and Irrigation Machinery Engineering, 2018, 36(11): 1137-1141.

[62]? Ana Isabel de C, Jorge T S, Jose Pena P, et al. An automatic random forest-OBIA algorithm for early weed mapping between and within crop rows using UAV imagery[J]. Remote Sensing, 2018, 10(3): 285.

[63]? Calvin H, Zhe X, Salah S. Feature learning based approach for weed classification using high resolution aerial images from a digital camera mounted on a UAV[J]. Remote Sensing, 2014, 6(12): 12037-12054.

[64]? Lottes P, Khanna R, Pfeifer J, et al. UAV-based crop and weed classification for smart farming: 2017 IEEE International Conference on Robotics and Automation (ICRA), 2017[C]. 2017 29 May-3 June 2017.

[65]? Huang H, Deng J, Lan Y, et al. Accurate weed mapping and prescription map generation based on fully convolutional networks using UAV imagery[J]. Sensors, 2018, 18(10): 3299.

[66]? Huang H, Deng J, Lan Y, et al. A fully convolutional network for weed mapping of unmanned aerial vehicle (UAV) imagery[J]. PLoS One, 2018, 13(4): e196302.

[67]? Huang H, Lan Y, Deng J, et al. A semantic labeling approach for accurate weed mapping of high resolution UAV imagery[J]. Sensors, 2018, 18(7): 2113.

[68]? 劉忠, 萬(wàn)煒, 黃晉宇, 等. 基于無(wú)人機(jī)遙感的農(nóng)作物長(zhǎng)勢(shì)關(guān)鍵參數(shù)反演研究進(jìn)展[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2018, 34(24): 60-71.

Liu Z, Wan W, Huang J, et al. Progress on key parameters inversion of crop growth based on unmanned aerial vehicle remote sensing[J]. Transactions of the CSAE, 2018, 34(24): 60-71.

[69]? PARROT BLUEGRASS FIELDS, The end-to-end drone solution for agriculture[DB/OL]. [2019-4-22] https://www.parrot.com/business-solutions-us/parrot-professional/parrot-bluegrass#actionable-in-field-insights-with-parrotfields-mobile-app.

Advances in diagnosis of crop diseases, pests and

weeds by UAV remote sensing

Yubin Lan1,3, Xiaoling Deng2,3*, Guoliang Zeng2,3

(1.College of Engineering, South China Agricultural University, Guangzhou 510642, China; 2. College of Electronic Engineering, South China Agricultural University, Guangzhou 510642, China; 3. National Center for International Collaboration Research on Precision Agricultural Aviation Pesticides Spraying Technology, Guangzhou 510642, China)

Abstract: Rapid acquisition and analysis of crop information is the precondition and basis for carrying out precision agricultural practice. Variable spraying and agricultural operation management based on the actual degree of crop diseases, pests and weeds can reduce the cost of agricultural production, optimize crop cultivation, improve crop yield and quality, and thus achieve precise agricultural management. In recent years, with the rapid development of UAV industry, UAV agricultural remote sensing technologies have played an important role in monitoring crop diseases, insects and weeds because of high spatial resolution, strong timeliness and low cost. Firstly, this research introduces the basic idea and system composition of precision agricultural aviation, and the status of UAV remote sensing in precision agricultural aviation. Then, the common UAV remote sensing imaging and interpreting methods were discussed, and the progress of UAV agricultural remote sensing technologies in detecting crop diseases, pests and weeds were respectively expounded. Finally, the challenges in the development of UAV agricultural remote sensing technologies nowadays were summarized, and the future development directions of UAV agricultural remote sensing were prospected. This research can provide theoretical references and technical supports for the development of UAV remote sensing technology in the field of precision agricultural aviation.

Key words: UAV remote sensing; diseases control; pests control; weeds drawing; agruiculture situation analysis

房产| 福贡县| 长子县| 东光县| 井研县| 临沭县| 全椒县| 扎赉特旗| 潮州市| 天峨县| 延长县| 温泉县| 长春市| 溧阳市| 郧西县| 云浮市| 宾阳县| 监利县| 常德市| 海阳市| 虹口区| 时尚| 福贡县| 阳东县| 鹤岗市| 遂溪县| 铁岭县| 威远县| 九台市| 思茅市| 辽阳市| 连平县| 鄂托克前旗| 弥勒县| 扎赉特旗| 阳西县| 雷波县| 乐业县| 佳木斯市| 青浦区| 吐鲁番市|