無(wú)人機(jī)遙感監(jiān)測(cè)作物病蟲(chóng)害脅迫方法

目前，基于無(wú)人機(jī)的遙感監(jiān)測(cè)(無(wú)人駕駛飛行器、遙感傳感器、遙測(cè)遙控、通訊、GPS差分定位、遙感應(yīng)用等技術(shù))技術(shù)已在作物病蟲(chóng)害脅迫領(lǐng)域被廣泛應(yīng)用與研究。當(dāng)作物受到病蟲(chóng)害脅迫時(shí)通常在不同光譜波段上表現(xiàn)出吸收和反射特性的變化，即為作物病蟲(chóng)害脅迫的光譜響應(yīng)。作物由于病蟲(chóng)害脅迫受損會(huì)引起色素、形態(tài)、結(jié)構(gòu)等改變，通?？梢酝ㄟ^(guò)提取其光譜響應(yīng)特征并加以分析處理，實(shí)現(xiàn)對(duì)病蟲(chóng)害脅迫的精準(zhǔn)、快速、無(wú)損監(jiān)測(cè)。

一、概述

無(wú)人機(jī)遙感監(jiān)測(cè)作物病蟲(chóng)害脅迫是以無(wú)人機(jī)為遙感監(jiān)測(cè)平臺(tái)，利用搭載的各種傳感器獲取目標(biāo)作物的遙感影像、視頻、點(diǎn)云等數(shù)據(jù)，通過(guò)對(duì)數(shù)據(jù)的處理、挖掘和建模來(lái)獲取作物病蟲(chóng)害脅迫信息。監(jiān)測(cè)方法大致可分為兩類：①單一遙感監(jiān)測(cè)方法，主要通過(guò)無(wú)人機(jī)搭載相應(yīng)傳感器進(jìn)行作物病蟲(chóng)害脅迫數(shù)據(jù)獲取、處理及分析;②綜合遙感監(jiān)測(cè)方法，主要利用無(wú)人機(jī)遙感監(jiān)測(cè)技術(shù)與地面人工調(diào)查取樣等方式綜合進(jìn)行作物病蟲(chóng)害脅迫數(shù)據(jù)獲取、處理及分析。

根據(jù)實(shí)際監(jiān)測(cè)情況的不同選擇單一或綜合無(wú)人機(jī)遙感監(jiān)測(cè)作物病蟲(chóng)害脅迫方法，以實(shí)現(xiàn)作物病蟲(chóng)害信息的精準(zhǔn)獲取和高效動(dòng)態(tài)監(jiān)測(cè)，為作物病蟲(chóng)害科學(xué)防治提供支撐。其中，主要涉及以無(wú)人機(jī)飛行平臺(tái)和機(jī)載傳感器為代表的無(wú)人機(jī)遙感監(jiān)測(cè)硬件系統(tǒng)，以無(wú)人機(jī)測(cè)繪攝影測(cè)量等專業(yè)處理軟件和數(shù)據(jù)處理分析相關(guān)算法或模型為代表的無(wú)人機(jī)遙感監(jiān)測(cè)軟件系統(tǒng)。

二、監(jiān)測(cè)數(shù)據(jù)獲取方式

1、無(wú)人機(jī)飛行平臺(tái)

無(wú)人機(jī)是利用無(wú)線電遙控設(shè)備和自備的程序控制裝置操縱的不載人飛行器。大致可分為多旋翼、固定翼、單旋翼(直升機(jī))和混合翼(垂直起降固定翼)幾種。在使用無(wú)人機(jī)遙感監(jiān)測(cè)作物病蟲(chóng)害脅迫時(shí)，關(guān)注的重點(diǎn)是無(wú)人機(jī)載荷、續(xù)航時(shí)間、飛行高度、監(jiān)測(cè)精度和空間分辨率等。如表1所示為不同的無(wú)人機(jī)飛行平臺(tái)。

由于遙感監(jiān)測(cè)數(shù)據(jù)獲取過(guò)程中飛行平臺(tái)的選擇對(duì)獲取的數(shù)據(jù)質(zhì)量有影響，因此選擇的飛行平臺(tái)應(yīng)具備可操控性、高穩(wěn)定性和飛行持久性等特點(diǎn)，以獲取質(zhì)量較好的數(shù)據(jù)。目前，多旋翼無(wú)人機(jī)因具有航速姿態(tài)可調(diào)、飛行穩(wěn)定、能夠定點(diǎn)懸停等優(yōu)勢(shì)，適用于定點(diǎn)重復(fù)獲取多尺度、高分辨率的作物病蟲(chóng)害脅迫數(shù)據(jù)，在遙感監(jiān)測(cè)作物病蟲(chóng)害脅迫研究與應(yīng)用中最為廣泛。

2、機(jī)載傳感器

無(wú)人機(jī)遙感監(jiān)測(cè)作物病蟲(chóng)害脅迫研究中的機(jī)載傳感器類型主要包括多光譜相機(jī)、高光譜相機(jī)、數(shù)碼相機(jī)、熱紅外相機(jī)、激光雷達(dá)等。無(wú)人機(jī)遙感監(jiān)測(cè)作物病蟲(chóng)害脅迫的機(jī)載傳感器通常為光學(xué)、光電學(xué)和熱力學(xué)傳感器，少部分機(jī)載傳感器屬于聲學(xué)等領(lǐng)域。因此，利用無(wú)人機(jī)獲取病蟲(chóng)害脅迫數(shù)據(jù)時(shí)，需要依據(jù)地域特征、病蟲(chóng)害爆發(fā)程度和作物種類等情況選擇合適的傳感器。

3、數(shù)據(jù)獲取流程

無(wú)人機(jī)遙感監(jiān)測(cè)作物病蟲(chóng)害脅迫的數(shù)據(jù)獲取流程是保證每次飛行能正常操作且安全準(zhǔn)確獲取監(jiān)測(cè)數(shù)據(jù)的重要流程，無(wú)人機(jī)數(shù)據(jù)獲取的質(zhì)量和數(shù)量對(duì)后續(xù)處理分析的結(jié)果有重要影響。對(duì)自主作業(yè)模式(全球定位系統(tǒng)模式，以實(shí)現(xiàn)精確懸停、指點(diǎn)飛行、規(guī)劃航線等操作)下無(wú)人機(jī)遙感監(jiān)測(cè)作物病蟲(chóng)害脅迫方法來(lái)說(shuō)，主要有以下步驟：

(1)飛行前期準(zhǔn)備。確認(rèn)飛行任務(wù)區(qū)域及申請(qǐng)空域;查詢地理、天氣環(huán)境信息;選擇并調(diào)試飛行與地面設(shè)備(無(wú)人機(jī)飛行平臺(tái)、機(jī)載傳感器、遙控器、導(dǎo)航等)以及檢查電量、是否能正常工作等;是否攜帶其他設(shè)備，如輻射定標(biāo)板等。

(2)正式飛行前準(zhǔn)備。現(xiàn)場(chǎng)組裝、調(diào)試、連接飛行與地面設(shè)備;根據(jù)任務(wù)區(qū)域地形、作物病蟲(chóng)害、續(xù)航、載荷等情況，設(shè)計(jì)飛行任務(wù)方案，如起降點(diǎn)、航線、高度、架次、重疊率等。

(3)飛行作業(yè)執(zhí)行。實(shí)時(shí)關(guān)注無(wú)人機(jī)飛行平臺(tái)的速度、位置、電量、電壓、任務(wù)時(shí)間等飛行情況，監(jiān)督飛行時(shí)穩(wěn)定、安全作業(yè)，必要時(shí)可以手動(dòng)接管飛行。

(4)飛行作業(yè)結(jié)束。自主返航或操控返航;返航完畢可關(guān)閉飛行與地面設(shè)備電源;回收飛行與地面設(shè)備，讀取儲(chǔ)存卡數(shù)據(jù)或在飛行作業(yè)時(shí)通過(guò)地面設(shè)備實(shí)時(shí)獲取遙感監(jiān)測(cè)數(shù)據(jù)。

三、監(jiān)測(cè)數(shù)據(jù)處理方法

如何從無(wú)人機(jī)遙感監(jiān)測(cè)作物病蟲(chóng)害脅迫獲取的大量數(shù)據(jù)中高效提取表型特征十分重要，并且很大程度決定處理分析的結(jié)果。表型特征主要包括光譜特征、紋理特征、顏色特征、形狀特征和生理特征等。目前，對(duì)這些表型特征的分析處理是無(wú)人機(jī)遙感監(jiān)測(cè)作物病蟲(chóng)害脅迫研究的熱點(diǎn)。現(xiàn)階段主流的無(wú)人機(jī)遙感監(jiān)測(cè)作物病蟲(chóng)害脅迫數(shù)據(jù)處理的方法可以大致分為統(tǒng)計(jì)分析方法和機(jī)器學(xué)習(xí)方法兩類。

目前，監(jiān)測(cè)數(shù)據(jù)處理方法的流程主要為：遙感影像的格式調(diào)整、清洗、預(yù)處理、拼接、校正、特征提取、特征選擇、設(shè)計(jì)方法模型、評(píng)價(jià)指標(biāo)與調(diào)優(yōu)等。對(duì)于遙感影像格式調(diào)整一般使用機(jī)載傳感器配套軟件處理，對(duì)于遙感影像拼接和校正等則使用無(wú)人機(jī)測(cè)繪攝影測(cè)量軟件。

1、統(tǒng)計(jì)分析方法

在無(wú)人機(jī)遙感監(jiān)測(cè)作物病蟲(chóng)害脅迫相關(guān)研究中，常用描述統(tǒng)計(jì)、相關(guān)分析、回歸分析、判別分析、方差分析和聚類分析等統(tǒng)計(jì)分析方法。

通常，借助上述方法使用植被的光譜特征進(jìn)行作物病蟲(chóng)害脅迫遙感監(jiān)測(cè)。通過(guò)對(duì)光譜曲線進(jìn)行分析，可以發(fā)現(xiàn)不同作物病蟲(chóng)害脅迫的光譜曲線變化特征。一般基于特定光譜波段、波段計(jì)算與組合以及植被指數(shù)(Vegetation Index，VI)等方法進(jìn)行光譜特征提取。因?yàn)椴煌∠x(chóng)害脅迫對(duì)作物生長(zhǎng)造成的影響程度不一致，所以特定光譜波段更有利于對(duì)不同病蟲(chóng)害脅迫進(jìn)行監(jiān)測(cè)。光譜波段經(jīng)運(yùn)算組合后可以得到反映植被生長(zhǎng)狀況、植被覆蓋度等有相關(guān)意義的值，即VI。VI已廣泛用來(lái)定性和定量評(píng)價(jià)植被覆蓋及其生長(zhǎng)活力，常用于作物病蟲(chóng)害脅迫監(jiān)測(cè)的VI主要由2~3個(gè)波段構(gòu)成。

利用VI進(jìn)行回歸或相關(guān)分析可以建立遙感監(jiān)測(cè)數(shù)據(jù)與作物生長(zhǎng)信息的反演模型，即經(jīng)驗(yàn)?zāi)Ｐ汀Ｓ捎诮?jīng)驗(yàn)?zāi)Ｐ托枰罅康膶?shí)測(cè)數(shù)據(jù)為基礎(chǔ)，而實(shí)測(cè)數(shù)據(jù)的精度如何，很大程度取決于實(shí)測(cè)數(shù)據(jù)的測(cè)量精度;經(jīng)驗(yàn)?zāi)Ｐ痛嬖趨^(qū)域適用性的限制，常常在實(shí)測(cè)數(shù)據(jù)采集的區(qū)域模型的適用性較高，在其他區(qū)域適用性較低;地表粗糙度的變化經(jīng)驗(yàn)?zāi)Ｐ蜔o(wú)法考慮。目前，由于植被參數(shù)的遙感反演物理模型具有因果關(guān)系和數(shù)學(xué)物理基礎(chǔ)，因而正成為遙感反演作物病蟲(chóng)害脅迫研究的主要方向，但主要集中在輻射傳輸模型，尚無(wú)幾何光學(xué)模型和混合模型等在作物病蟲(chóng)害脅迫中研究與應(yīng)用。

2、機(jī)器學(xué)習(xí)方法

當(dāng)前，無(wú)人機(jī)遙感監(jiān)測(cè)作物病蟲(chóng)害脅迫的數(shù)據(jù)處理方法主要集中于機(jī)器學(xué)習(xí)方法。機(jī)器學(xué)習(xí)最基本的做法是使用算法來(lái)解析遙感監(jiān)測(cè)數(shù)據(jù)，然后對(duì)真實(shí)世界中的病蟲(chóng)害脅迫做出決策和預(yù)測(cè)。機(jī)器學(xué)習(xí)傳統(tǒng)的算法包括決策樹(shù)、聚類、貝葉斯分類、隨機(jī)森林、支持向量機(jī)、k-近鄰算法等。從學(xué)習(xí)方法上劃分，機(jī)器學(xué)習(xí)算法可以分為監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)、集成學(xué)習(xí)、深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)等。

在機(jī)器學(xué)習(xí)傳統(tǒng)的算法中，如何最大限度地在數(shù)據(jù)中提取有用的特征以供算法和模型使用至關(guān)重要。當(dāng)作物受到一定程度病蟲(chóng)害脅迫后，患病蟲(chóng)害的作物外部形態(tài)(葉面積、株高、顏色等)與內(nèi)部生理均會(huì)發(fā)生較為明顯地改變。因此，除了使用無(wú)人機(jī)遙感監(jiān)測(cè)獲取作物病蟲(chóng)害脅迫影像的光譜特征之外，顏色特征(如顏色直方圖、顏色熵、顏色矩、顏色聚合向量等)、紋理特征(如局部二值模式、灰度直方圖、灰度共生矩陣、小波變換等)和形狀特征(如傅立葉變換、形狀不變矩、小波輪廓描述符等)等也常被提取使用。此外，還可以結(jié)合實(shí)地調(diào)查取樣獲取作物病蟲(chóng)害脅迫下的株高、葉綠素含量、生物量和含水量等各項(xiàng)指標(biāo)。特別地，作物受病蟲(chóng)害脅迫的環(huán)境(溫度、濕度、海拔、土壤含水量、養(yǎng)分等)也會(huì)對(duì)病蟲(chóng)害脅迫有影響，也是需要重點(diǎn)關(guān)注與開(kāi)展長(zhǎng)期性、周期性的研究。

近年來(lái)，隨著數(shù)據(jù)的高速增長(zhǎng)、算力的迅猛增強(qiáng)、算法的完善成熟，深度學(xué)習(xí)逐漸在無(wú)人機(jī)遙感監(jiān)測(cè)作物病蟲(chóng)害脅迫領(lǐng)域得以大量應(yīng)用。使用傳統(tǒng)的機(jī)器學(xué)習(xí)方法提取特征往往需要進(jìn)行手工提取或特征工程，并且需要大量的時(shí)間優(yōu)化，而深度學(xué)習(xí)減少人為設(shè)計(jì)特征的過(guò)程，將自動(dòng)學(xué)習(xí)與任務(wù)相關(guān)的特征即特征學(xué)習(xí)融入建立模型的過(guò)程。

不過(guò)，使用深度學(xué)習(xí)方法面臨需要大量訓(xùn)練數(shù)據(jù)和性能較高的計(jì)算機(jī)硬件支持，以及更優(yōu)的模型等主要限制。盡管如此，相關(guān)研究表明使用深度學(xué)習(xí)方法比機(jī)器學(xué)習(xí)傳統(tǒng)的算法能獲得更好的分類、檢測(cè)、識(shí)別和分割性能，因此未來(lái)也需要不斷深入研究與改進(jìn)。同時(shí)，隨著高光譜機(jī)載傳感器和深度學(xué)習(xí)技術(shù)的不斷發(fā)展，利用深度學(xué)習(xí)技術(shù)可以充分挖掘高光譜影像的潛在特征，實(shí)現(xiàn)更好地對(duì)各種作物病蟲(chóng)害脅迫進(jìn)行監(jiān)測(cè)。

審核編輯 黃宇