郭偉，高春鳳，喬紅波，李成偉，張楓，張慧

(河南農(nóng)業(yè)大學(xué)信息與管理科學(xué)學(xué)院，鄭州市，450046)

0 引言

棉花是中國(guó)最主要的經(jīng)濟(jì)作物之一，主要分布在新疆、長(zhǎng)江流域和黃河流域[1]，而新疆作為我國(guó)棉花的主要生產(chǎn)基地，在出單總量、出口率等方面已經(jīng)連續(xù)27年保持全國(guó)第一[2]。棉葉螨俗稱紅蜘蛛，是棉花生產(chǎn)過(guò)程中的主要害蟲(chóng)之一，棉葉螨的大規(guī)模爆發(fā)對(duì)棉花的產(chǎn)量、質(zhì)量危害極大[3]，因此實(shí)施大面積的快速精準(zhǔn)監(jiān)測(cè)是進(jìn)行有效防控的關(guān)鍵措施。葉綠素主要用于植物的光合作用，葉綠素含量與植被營(yíng)養(yǎng)脅迫、農(nóng)作物生長(zhǎng)及發(fā)育狀況、植物病蟲(chóng)害等密切相關(guān)，是農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)的重要指標(biāo)[4-7]。Marenco等[8]通過(guò)研究發(fā)現(xiàn)使用SPAD葉綠素儀測(cè)量葉綠素含量精度很高，表明可使用SPAD來(lái)代替葉綠素含量。

傳統(tǒng)病蟲(chóng)害監(jiān)測(cè)主要依靠人工調(diào)查，影響蟲(chóng)情監(jiān)測(cè)的及時(shí)性和精準(zhǔn)性，導(dǎo)致長(zhǎng)期大量濫用農(nóng)藥防治，增加害蟲(chóng)耐藥性、污染環(huán)境[9-10]。近年來(lái)，遙感技術(shù)以快速、無(wú)損等優(yōu)勢(shì)廣泛應(yīng)用于作物的生理化參數(shù)反演[11]。衛(wèi)星遙感監(jiān)測(cè)雖然具有覆蓋面廣、數(shù)據(jù)易獲取等優(yōu)勢(shì)，但存在時(shí)域長(zhǎng)、光譜分辨率和空間分辨率相對(duì)較低、易受大氣干擾等問(wèn)題，其反演精度不足以滿足精準(zhǔn)農(nóng)業(yè)的要求[12]。無(wú)人機(jī)遙感技術(shù)憑借價(jià)格低廉、機(jī)動(dòng)靈活、不受衛(wèi)星過(guò)境時(shí)間和天氣影響、時(shí)空分辨率高等優(yōu)勢(shì)而逐漸成為農(nóng)情監(jiān)測(cè)的又一重要手段[13]。王麗愛(ài)等[14-17]基于無(wú)人機(jī)多光譜影像，計(jì)算多光譜植被指數(shù)，估測(cè)小麥葉片、番茄冠層、小麥冠層和玉米冠層的葉綠素含量，均達(dá)到了較好的估算結(jié)果。田明璐等[18]利用無(wú)人機(jī)高光譜數(shù)據(jù)構(gòu)建棉花葉片SPAD反演模型，研究發(fā)現(xiàn)采用偏最小二乘回歸(Partial Least Squares Regression，PLSR)模型反演精度最高。無(wú)人機(jī)搭載高光譜、多光譜和激光雷達(dá)傳感器設(shè)備可快速、便捷、高效地用于作物生理化參數(shù)反演和病蟲(chóng)害監(jiān)測(cè)，但由于傳感器價(jià)格昂貴，并且后續(xù)數(shù)據(jù)處理相對(duì)復(fù)雜，使無(wú)人機(jī)遙感平臺(tái)的發(fā)展受到一定制約。數(shù)碼相機(jī)因具有智能化、價(jià)格低、空間分辨率高等特點(diǎn)，使得無(wú)人機(jī)遙感數(shù)據(jù)獲取平臺(tái)得到快速的發(fā)展。孟沌超等[19]利用無(wú)人機(jī)可見(jiàn)光影像估測(cè)玉米葉綠素相對(duì)含量，研究發(fā)現(xiàn)基于植被指數(shù)+紋理特征作為輸入的PLSR模型效果最優(yōu)。陳向東等[20]將可見(jiàn)光植被指數(shù)閾值法與直方圖相結(jié)合的新方法用于夏季玉米的植被覆蓋度提取，發(fā)現(xiàn)利用過(guò)綠指數(shù)(Excess Green，EXG)來(lái)描述植被覆蓋度效果最佳。戴建國(guó)等[21]通過(guò)無(wú)人機(jī)可見(jiàn)光影像，建立農(nóng)作物分類模型，結(jié)果表明支持向量機(jī)分類方法精度最高。吳智超等[22]利用顏色轉(zhuǎn)換空間HSI(H-A法)從無(wú)人機(jī)數(shù)碼影像中快速提取馬鈴薯覆蓋度，精度較高。劉帥兵等[23]基于無(wú)人機(jī)數(shù)碼影像采用多元線性回歸算法，結(jié)果表明整體提取試驗(yàn)小區(qū)作物信息是反演冬小麥葉氮含量的最佳方式。

無(wú)人機(jī)遙感已經(jīng)廣泛應(yīng)用于作物生化指標(biāo)反演，但利用可見(jiàn)光影像進(jìn)行作物病蟲(chóng)害的空間監(jiān)測(cè)及嚴(yán)重度估測(cè)研究較少。本研究旨在利用無(wú)人機(jī)數(shù)碼影像提取多種可見(jiàn)光植被指數(shù)，構(gòu)建基于偏最小二乘回歸(PLSR)、BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network，BPNN)和隨機(jī)森林(Random Forest，RF)的棉花冠層葉片SPAD值遙感估測(cè)模型，并研究棉葉螨嚴(yán)重度與棉花冠層葉片SPAD值之間的關(guān)系，建立棉葉螨嚴(yán)重度估測(cè)模型，繪制試驗(yàn)區(qū)棉葉螨嚴(yán)重度空間分布圖，以便為新疆棉花種植的高產(chǎn)和病蟲(chóng)害防治提供技術(shù)支持，實(shí)現(xiàn)大區(qū)域棉田棉葉螨的快速高效監(jiān)測(cè)。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于新疆維吾爾自治區(qū)庫(kù)爾勒市的中國(guó)農(nóng)業(yè)科學(xué)院植物保護(hù)研究所試驗(yàn)區(qū)，地處北緯41°44′58″～41°45′0″，東經(jīng)85°48′23″～85°48′27″，庫(kù)爾勒市位于歐亞大陸和新疆中部，塔里木盆地東北邊緣，氣候類型屬于溫帶大陸性干旱氣候，年日照時(shí)間充足、晝夜溫差大、年積溫高、降水量低[24]，為棉花生長(zhǎng)提供了適宜的自然條件，是新疆地區(qū)的重要產(chǎn)棉區(qū)之一，植棉面積占耕地面積的70%以上。試驗(yàn)區(qū)供試棉花品種為中棉所49，進(jìn)行田間標(biāo)準(zhǔn)化管理，田間自然發(fā)生棉葉螨脅迫行為，期間不做人為干預(yù)。

1.2 數(shù)據(jù)收集與分析

1.2.1 無(wú)人機(jī)遙感數(shù)據(jù)獲取與預(yù)處理

無(wú)人機(jī)平臺(tái)為大疆Phantom 3 Pro四旋翼無(wú)人機(jī)，配備Sonny Exmor R CMOS影像傳感器。無(wú)人機(jī)及傳感器參數(shù)如表1所示。

表1 Phantom 3 Pro飛行平臺(tái)的技術(shù)參數(shù)Tab. 1 Technical parameters of Phantom 3 Pro flight platform

無(wú)人機(jī)數(shù)碼影像數(shù)據(jù)于2020年7月29日、2020年8月3日、2020年8月8日、2020年8月13日、2020年8月18日棉花蕾期棉葉螨較嚴(yán)重時(shí)期獲取，共飛行5次，每次飛行間隔5天，所有飛行均在晴朗、無(wú)風(fēng)、無(wú)云的天氣進(jìn)行，飛行時(shí)間為上午12：00～14：00，獲得的影像基本不受大氣因素的影響，5次飛行的飛行航線和參數(shù)相同。試驗(yàn)區(qū)在地面設(shè)置9個(gè)地面控制點(diǎn)(GCP)，并采用納米級(jí)全球定位系統(tǒng)(GPS)記錄GCP經(jīng)緯度，為后期正射校正做參考。使用Altizure軟件進(jìn)行航線規(guī)劃，飛行航高30 m，航行速度6 m/s，航向重疊度為80%，旁向重疊度為60%，拍攝時(shí)云臺(tái)相機(jī)保持垂直向下，穩(wěn)定拍攝。采用Pix4Dmapper軟件拼接無(wú)人機(jī)可見(jiàn)光影像，并導(dǎo)入GCP定位信息，最終獲取數(shù)字正射影像(DOM)。

1.2.2 地面數(shù)據(jù)采集

依據(jù)新疆棉田的實(shí)際情況，棉葉螨發(fā)生為害后與國(guó)家標(biāo)準(zhǔn)存在一定差異,本文將棉葉螨嚴(yán)重度等級(jí)[25]重新劃分，如表2所示。

表2 棉葉螨嚴(yán)重度劃分標(biāo)準(zhǔn)Tab. 2 Classification standard of cotton spider mite severity

地面調(diào)查數(shù)據(jù)的采集與無(wú)人機(jī)的飛行工作同步開(kāi)展。本次試驗(yàn)設(shè)置5天一期，每期采集80個(gè)樣點(diǎn)，共400個(gè)樣點(diǎn)。使用天寶Trimble GeoExplorer 6000 Series設(shè)備記錄樣點(diǎn)的GPS信息，其誤差在2 cm左右。在研究區(qū)內(nèi)均勻布設(shè)采樣點(diǎn)，覆蓋整個(gè)研究地塊。采用SPAD-502型手持式葉綠素儀同步測(cè)量棉花冠層葉片SPAD值，在每個(gè)調(diào)查樣點(diǎn)中心范圍內(nèi)選取周圍5株，每株隨機(jī)選取冠層5個(gè)棉葉測(cè)量SPAD值，在不同的部位測(cè)量3次并求平均值，最終取5個(gè)葉片的平均值作為該樣點(diǎn)的SPAD值，同時(shí)記錄樣點(diǎn)螨害嚴(yán)重度信息。5個(gè)時(shí)期共測(cè)SPAD數(shù)據(jù)和螨害調(diào)查數(shù)據(jù)400個(gè),最終篩選保留200個(gè)棉花冠層葉片SPAD值數(shù)據(jù)和螨害調(diào)查數(shù)據(jù)。

1.3 數(shù)據(jù)處理

將預(yù)處理后的DOM影像歸一化，R、G和B表示紅、綠和藍(lán)通道的DN值，r、g和b表示歸一化后的可見(jiàn)光波段[26]。

(1)

(2)

(3)

除利用數(shù)碼影像的3個(gè)原始波段和3個(gè)歸一化波段外，結(jié)合以往農(nóng)作物病蟲(chóng)害遙感監(jiān)測(cè)研究成果選擇常用的14個(gè)植被指數(shù)作為棉葉螨害監(jiān)測(cè)的初選特征因子。表3為20個(gè)植被指數(shù)的名稱、計(jì)算公式和參考文獻(xiàn)。

表3 植被指數(shù)Tab. 3 Vegetation index

1.4 數(shù)據(jù)分析與模型選擇

1.4.1 特征選取算法

ReliefF算法是一種特征權(quán)重算法，權(quán)重越大，表示該植被指數(shù)對(duì)棉花冠層葉片SPAD值估測(cè)的貢獻(xiàn)度越高，反之亦然。Pearson相關(guān)系數(shù)表征植被指數(shù)與棉花冠層葉片SPAD值的線性相關(guān)關(guān)系。相關(guān)系數(shù)的絕對(duì)值越大，說(shuō)明該植被指數(shù)與棉花冠層葉片SPAD相關(guān)性越強(qiáng)。本文采用ReliefF-Pearson方法計(jì)算各植被指數(shù)與棉花冠層葉片SPAD值的權(quán)重以及相關(guān)性，消除冗余特征來(lái)提高模型的準(zhǔn)確性，并減少其計(jì)算復(fù)雜度。

1.4.2 建模方法

1) PLSR模型通過(guò)最小化誤差的平方和找到一組數(shù)據(jù)的最佳函數(shù)匹配，包含多元線性回歸、典型相關(guān)分析與主成分分析，該方法能夠很好地解決選取的自變量存在共線性的問(wèn)題，并且在減少變量個(gè)數(shù)的同時(shí)，能夠在最大程度上揭示出反映棉花冠層葉片SPAD值變化的主控因子，使建立的棉花冠層葉片SPAD遙感估測(cè)模型具有更好的魯棒性。

2) BPNN模型利用誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練多層前饋網(wǎng)絡(luò)，采用最速下降法的學(xué)習(xí)規(guī)則，通過(guò)反向傳播不斷地調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使誤差平方和達(dá)到最小。BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為輸入層、隱含層和輸出層，本研究使用的BPNN模型的網(wǎng)絡(luò)訓(xùn)練函數(shù)設(shè)置為“trainlm”，傳遞函數(shù)設(shè)置為“tansig”，訓(xùn)練次數(shù)設(shè)置為10 000，學(xué)習(xí)速率為0.001，訓(xùn)練目標(biāo)最小誤差為0.000 01。BP神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性映射能力、高度自學(xué)習(xí)和自適應(yīng)的能力和泛化容錯(cuò)能力。

(4)

(5)

式中：Sj——第j個(gè)神經(jīng)元的凈輸入值；

m——輸入層節(jié)點(diǎn)數(shù)目；

wij——節(jié)點(diǎn)i和節(jié)點(diǎn)j之間的權(quán)值；

xi——節(jié)點(diǎn)i的值；

bj——節(jié)點(diǎn)j的閥值；

E(i)——單個(gè)樣本的誤差函數(shù)；

n——輸出層節(jié)點(diǎn)數(shù)目；

dj——第j個(gè)神經(jīng)元的期望輸出；

yj——第j個(gè)神經(jīng)元的輸出。

3) RF模型采用隨機(jī)的方式創(chuàng)建一個(gè)森林，其中包含多個(gè)決策樹(shù)，且彼此之間無(wú)關(guān)聯(lián)性。采用自助(bootstrap)法重采樣技術(shù)，在S個(gè)原始樣本中，抽取自助樣本集S1個(gè)，每次抽取后放回，構(gòu)建S1棵回歸樹(shù)，其余樣本作為S1個(gè)袋外數(shù)據(jù)集；在訓(xùn)練決策樹(shù)節(jié)點(diǎn)時(shí)，從全部的p個(gè)特征中，隨機(jī)抽取k個(gè)(其中k

本文在使用RF模型時(shí)通過(guò)選取的自變量個(gè)數(shù)和模型參數(shù)的調(diào)整，將決策樹(shù)數(shù)量和分割節(jié)點(diǎn)隨機(jī)變量數(shù)設(shè)為1 000和2。隨機(jī)森林算法無(wú)需考慮選取的變量間的多重共線性問(wèn)題，也不必進(jìn)行變量選擇，對(duì)離群值不敏感，學(xué)習(xí)過(guò)程快。

1.4.3 精度評(píng)估指標(biāo)

使用決定系數(shù)R2和均方根誤差RMSE評(píng)估棉花冠層葉片SPAD值遙感估測(cè)模型的準(zhǔn)確性。

(6)

(7)

式中：n——數(shù)據(jù)量；

yi——實(shí)測(cè)SPAD值；

上述兩種模型精度驗(yàn)證指標(biāo)中，R2的值越大，說(shuō)明模型的擬合度越好，RMSE的值越小，說(shuō)明模型的精度越高，模型的預(yù)測(cè)性能越好。

2 結(jié)果與分析

2.1 植被指數(shù)和棉花冠層葉片SPAD值的關(guān)系

模型構(gòu)建時(shí)篩選出對(duì)棉花冠層葉片SPAD值較為敏感的植被指數(shù)，可以提高模型精度，也可以有效去除不相關(guān)變量和冗余變量，提升模型的魯棒性?；赗eliefF算法的20種植被指數(shù)的特征權(quán)重排列情況如圖1所示。由圖1可以看出植被指數(shù)G-B權(quán)重最高，其次分別為GBRI、NGBDI和b。為增加所選植被指數(shù)的可靠性，將20種植被指數(shù)與棉花冠層葉片SPAD值作Pearson相關(guān)性分析,表4列出了各植被指數(shù)與棉花冠層葉片SPAD值的相關(guān)性分析結(jié)果，其中GBRI與SPAD值的相關(guān)性最高，達(dá)到0.789，G-B、GBRI、NGBDI與棉花冠層葉片SPAD值顯著相關(guān)(r>0.7)。綜合分析兩種篩選變量算法的結(jié)果，最終選取G-B、GBRI、NGBDI作為最終特征參與模型構(gòu)建。

圖1 基于ReliefF算法的植被指數(shù)的特征權(quán)值Fig. 1 Characteristic weights of vegetation index based on ReliefF algorithm

2.2 不同棉葉螨嚴(yán)重度的棉花冠層葉片SPAD值變化分析

基于篩選保留的200個(gè)棉花冠層葉片SPAD值數(shù)據(jù)和相對(duì)應(yīng)的螨害嚴(yán)重度數(shù)據(jù)，對(duì)不同棉葉螨嚴(yán)重度的棉花冠層葉片SPAD值求取平均值，分析不同棉葉螨嚴(yán)重度的棉花冠層葉片SPAD值的變化情況。結(jié)果見(jiàn)圖2，受害棉株的棉花冠層葉片SPAD值受螨害等級(jí)的影響，并且隨著螨害嚴(yán)重度的增加，棉花冠層SPAD平均值逐漸下降，棉花冠層SPAD值與棉株螨害嚴(yán)重度呈明顯的負(fù)相關(guān)關(guān)系，R2=0.939 5，且4個(gè)嚴(yán)重度間的棉花冠層葉片SPAD值無(wú)交叉區(qū)間，結(jié)果表明可以利用棉花冠層葉片SPAD值的變化來(lái)監(jiān)測(cè)棉葉螨的嚴(yán)重度。

表4 植被指數(shù)與棉花冠層葉片SPAD值的相關(guān)性分析結(jié)果Tab. 4 Correlation analysis between vegetation index and SPAD value of cotton canopy leaves

圖2 棉葉螨嚴(yán)重度與棉花冠層葉片SPAD值的關(guān)系Fig. 2 Relationship between severity of cotton spider mite and SPAD value of cotton canopy leaves

2.3 棉葉螨嚴(yán)重度監(jiān)測(cè)模型的構(gòu)建與分析驗(yàn)證

通過(guò)RelieF-Pearson算法得出20種植被指數(shù)反映棉花冠層葉片SPAD值的權(quán)重以及與棉花冠層葉片SPAD值的相關(guān)性分析結(jié)果，選定其中3個(gè)植被指數(shù)G-B、NGBDI、BGRI為自變量，以棉花冠層葉片SPAD值為因變量，構(gòu)建PLSR、BPNN、RF棉花冠層葉片SPAD值估測(cè)回歸模型，將最終保留的200個(gè)棉花冠層葉片SPAD值數(shù)據(jù)劃分為140個(gè)建模集數(shù)據(jù)和60個(gè)驗(yàn)證集數(shù)據(jù)，表5列出3種模型的分析結(jié)果，3種棉花冠層葉片SPAD值估測(cè)模型中，SPAD估測(cè)值與SPAD實(shí)測(cè)值均表現(xiàn)為極顯著相關(guān)，訓(xùn)練集和驗(yàn)證集的R2和RMSE都達(dá)到預(yù)期要求。

表5 各個(gè)棉花冠層葉片SPAD估測(cè)模型分析結(jié)果Tab. 5 Analysis results of SPAD estimation model of cotton canopy leaves

圖3為各個(gè)模型的棉花冠層葉片SPAD值的估測(cè)回歸結(jié)果。綜合考慮建模集和驗(yàn)證集的R2和RMSE，RF模型效果最佳，表明利用RF的SPAD估測(cè)模型能間接反映出棉葉螨嚴(yán)重度。

(a) PLSR模型

(b) BPNN模型

(c) RF模型圖3 各個(gè)棉花冠層葉片SPAD值估測(cè)模型驗(yàn)證結(jié)果散點(diǎn)圖Fig. 3 Scatter diagram of SPAD value estimation model verification results of cotton canopy leaves

2.4 棉葉螨病害嚴(yán)重度空間監(jiān)測(cè)

利用研究區(qū)2020年7月29日、2020年8月3日、2020年8月8日、2020年8月13日和2020年8月18日五期無(wú)人機(jī)數(shù)碼影像為底圖，以單個(gè)像元為基本處理單元，采用ReliefF-Pearson方法篩選出的G-B、NGBDI、BGRI三個(gè)可見(jiàn)光植被指數(shù)作為特征集，輸入隨機(jī)森林模型，構(gòu)建棉花冠層葉片SPAD遙感估測(cè)模型，得到研究區(qū)棉花冠層SPAD空間分布情況，最終得到研究區(qū)棉葉螨嚴(yán)重度空間分布圖如圖4所示。由圖4可以看出，隨時(shí)間的推移，螨害為害區(qū)域明顯增加且為害程度逐漸加深，通過(guò)實(shí)際調(diào)查數(shù)據(jù)分析，本次研究較真實(shí)地反映出螨害分布的實(shí)際情況，通過(guò)五期影像數(shù)據(jù)和實(shí)際調(diào)查數(shù)據(jù)，本研究實(shí)現(xiàn)了棉葉螨為害情況及嚴(yán)重度的動(dòng)態(tài)監(jiān)測(cè)，為利用無(wú)人機(jī)遙感來(lái)監(jiān)測(cè)棉葉螨為害情況提供了一種可行方法。

(a)

(b)

(c)

(d)

(e)圖4 五期影像的棉葉螨嚴(yán)重度空間分布圖Fig. 4 Spatial distribution map of cotton spider mite severity in phase V images

3 結(jié)論

為快速、實(shí)時(shí)、準(zhǔn)確地了解研究區(qū)棉田棉葉螨的發(fā)生情況，本研究利用無(wú)人機(jī)數(shù)碼影像的3種可見(jiàn)光植被指數(shù)，使用隨機(jī)森林方法構(gòu)建了不同棉葉螨嚴(yán)重度的棉花冠層葉片SPAD值的遙感估測(cè)模型和棉葉螨嚴(yán)重度遙感估測(cè)模型，建立了一種快速動(dòng)態(tài)的棉葉螨嚴(yán)重度監(jiān)測(cè)方法。

1) 將20種可見(jiàn)光植被指數(shù)與棉花冠層葉片SPAD值進(jìn)行相關(guān)性分析，結(jié)果表明植被指數(shù)G-B、BGRI和NGBDI與棉花冠層葉片SPAD值達(dá)到極顯著相關(guān)水平(r>0.7)。

2) 基于選擇的140個(gè)訓(xùn)練集數(shù)據(jù)分別建立棉花冠層葉片SPAD值遙感估測(cè)模型,剩余的60個(gè)驗(yàn)證集數(shù)據(jù)用于驗(yàn)證各個(gè)棉花冠層葉片SPAD值估測(cè)模型,結(jié)果顯示,以G-B、BGRI和NGBDI作為輸入的RF模型精度最優(yōu)，建模集的R2和RMSE分別為0.86、1.66，驗(yàn)證集的R2和RMSE分別為0.74、2.13。該模型可實(shí)現(xiàn)棉田棉葉螨的快速有效監(jiān)測(cè)。

3) 隨著棉葉螨嚴(yán)重度的增加，棉花冠層葉片SPAD值逐漸下降，棉葉螨嚴(yán)重度和棉花冠層葉片SPAD值之間存在極顯著的負(fù)相關(guān)關(guān)系，且4個(gè)為害嚴(yán)重度間棉花冠層葉片SPAD值無(wú)交叉區(qū)間，表明可以通過(guò)監(jiān)測(cè)棉花冠層葉片SPAD值的變化來(lái)間接監(jiān)測(cè)棉葉螨為害情況。

4) 以多期無(wú)人機(jī)數(shù)碼影像為數(shù)據(jù)源，采用最佳模型隨機(jī)森林模型進(jìn)行研究區(qū)棉花冠層葉片SPAD值估測(cè)，可間接實(shí)現(xiàn)對(duì)螨害嚴(yán)重度的空間動(dòng)態(tài)監(jiān)測(cè)。

5) 由于技術(shù)不成熟和實(shí)測(cè)調(diào)查數(shù)據(jù)的限制，采集數(shù)據(jù)的好壞會(huì)直接影響到估測(cè)模型的精度，本次試驗(yàn)也有很多不足的地方，首先研究區(qū)域較為單一，僅限于新疆庫(kù)爾勒市的中國(guó)農(nóng)業(yè)科學(xué)院植物保護(hù)研究所試驗(yàn)區(qū)，且對(duì)單一棉花品種的棉葉螨為害情況進(jìn)行了研究，缺乏普適性，還需要針對(duì)不同地區(qū)，更多的棉花品種以及不同的作物品種(小麥、玉米、水稻等)進(jìn)行驗(yàn)證。另外僅比較了3種機(jī)器學(xué)習(xí)方法來(lái)估測(cè)棉花冠層葉片SPAD值從而實(shí)現(xiàn)棉花螨害監(jiān)測(cè)，而深度學(xué)習(xí)在植物病蟲(chóng)害分類和監(jiān)測(cè)等領(lǐng)域應(yīng)用前景更為廣闊，下一步需要進(jìn)一步探索深度學(xué)習(xí)等方法在植物病蟲(chóng)害及植物生長(zhǎng)監(jiān)測(cè)方面的潛力。