基于高光谱成像的水稻穗瘟病害程度分级方法

为了快速、准确地进行水稻穗瘟病害程度分级,以实现水稻品种抗性评价或精准的田间化学防治,该研究提出了一种光谱词袋(bag of spectrum words,Bo SW)模型分析方法,分析稻穗的高光谱图像,自动评判穗瘟病害程度。首先,稠密规整地将高光谱图像分割成小立方格,计算每个立方格像素的平均全波段包络矢量,用K-Means算法聚类形成典型光谱包络词典。词典中光谱包络"词"(word)用作高光谱图像表达的"基",直方图统计各光谱"词"在高光谱图像样本中的出现频度,形成光谱图像的词袋表达。采用Hyper SIS-VNIR-QE光谱成像仪获取田间采集的170株稻穗样本高光谱图像,用Bo SW方法生成其词袋表达;植保专家根据病害程度类别确定光谱图像样本标签。随机选择2/3"词袋表达-病害程度等级标签"数据对构成训练集,采用卡方-支持矢量机(chi-square support vector machine,Chi-SVM)分类算法建立穗瘟病害程度分级模型。余下的1/3样本构成测试集,测试穗瘟病害等级模型的预测性能,分类识别精度为94.72%,高于主成分分析(principle component analysis,PCA)、敏感波段选择等传统光谱分析方法,其识别精度分别为83.83%和79.83%。该研究提高了穗瘟病分级的自动化程度和准确率,也可为其他病害分级检测提供参考。     

基于深度卷积神经网络的水稻穗瘟病检测方法

穗瘟是一种严重影响水稻产量及品质的多发病害,有效地检测穗瘟是水稻病害防治的重要任务。该文提出基于深度卷积神经网络GoogLeNet模型的水稻穗瘟病检测方法,该方法利用Inception基本模块重复堆叠构建主体网络。Inception模块利用多尺度卷积核提取不同尺度穗瘟病斑分布式特征并进行级联融合。GoogLeNet利用其结构深度和宽度,学习复杂噪声高光谱图像的隐高维特征表达,并在统一框架中训练Softmax分类器,实现穗瘟病害预测建模。为验证该研究所提方法的有效性,以1 467株田间采集的穗株为试验对象,采用便携式户外高光谱成像仪Gaia Field-F-V10在自然光照条件下拍摄穗株高光谱图像,并由植保专家根据穗瘟病害描述确定其穗瘟标签。所有高光谱图像-标签数据对构成GoogLeNet模型训练和验证的原始数据集。该文采用随机梯度下降算法(SGD,stochastic gradient descent)优化GoogLeNet模型,提出随机扔弃1个波段图像和随机平移平均谱图像亮度的2种数据增强策略,增加训练数据规模,防止模型过拟合并改善其泛化性能。经测试,验证集上穗瘟病害预测最高准确率为92.0%。试验结果表明,利用GoogLeNet建立的深度卷积模型,可以很好地实现水稻穗瘟病害的精准检测,克服室外自然光条件下利用光谱图像进行病害预测面临的困难,将该类研究往实际生产应用推进一大步。     

基于高光谱成像技术的水稻叶瘟病病害程度分级方法

为了快速、准确地对水稻叶瘟病病害程度进行分级评估,结合定性分析与定量估算,提出了一种基于高光谱成像技术的水稻叶瘟病病害程度分级方法。利用HyperSIS高光谱成像系统采集了受稻瘟病侵染后不同病害等级的水稻叶片高光谱图像,通过分析叶瘟病斑区域与正常叶片部位的光谱特征,对差异较大的550和680 nm波段进行二维散点图分析,提取只含病斑的高光谱图像;然后通过主成分分析（principal component analysis,PCA）方法得到利于褐色病斑和灰色病斑分割的第2主成分图像,采用最大类间方差法（Otsu）分割出灰色病斑;最后结合延伸率和受害率2个参数对水稻叶瘟病病害程度进行分级。试验结果表明：测试的166个不同稻叶瘟病害等级的叶片样本中,其中160个样本可被准确分级,分级准确率为96.39%。该研究为稻叶瘟病田间病害程度评估提供了基础,也为稻瘟病抗性鉴定方法提供了新思路。     

利用高光谱数据预测水稻籽粒粗蛋白含量研究

籽粒粗蛋白含量是水稻营养食味品质的重要指标之一。通过大田小区试验，测定了2个品种、3个供氮水平处理下水稻冠层和旗叶在成熟过程中不同时期的高光谱反射率，及茎、叶、穗和稻米的含氮量及粗蛋白含量，分析了它们之间的相关性。结果表明：稻穗和稻米粗蛋白质含量与孕穗期、灌浆期和乳熟期的茎、叶粗蛋白质含量极显著相关，与灌浆期、乳熟期的冠层光谱ρ_λ及其一阶导数光谱D_λ、冠层光谱RVI在某些波段也达到极显著相关；稻穗粗蛋白质含量与主茎旗叶某些高光谱指数极显著相关。这表明能用高光谱方法来估测水稻籽粒粗蛋白含量，它将为水稻品质遥感监测提供依据。     

区域水稻穗期叶片氮素的遥感估测初探

快速、无损、准确地监测水稻穗期氮素状况,对于诊断水稻生殖生长特征、提高氮肥运筹水平具有重要意义。本研究在浙江省海宁市晚稻试验点进行田间取样试验,并获取同时期CBERS-1遥感数据,分析了试验点晚稻穗期叶片氮素与CBERS-1影像冠层光谱信息之间的关系。结果表明,水稻穗期叶片氮素含量与同期CBERS-1影像的光谱信息NDVI之间有良好的相关性,可以建立水稻穗期叶片氮素含量反演的相关统计模型。但由于遥感影像特征与水稻穗期叶片氮素含量之间存在较复杂的非线性关系,因此统计模型反演精度不够理想。因而,又尝试运用BP人工神经网络方法来反演水稻穗期叶片氮素含量,发现BP人工神经网络模型具有很强的非线性拟合能力,与统计模型相比,其水稻穗期叶片氮素含量的反演精度有显著提高。由此表明,利用CBERS-1遥感影像可以对水稻穗期叶片氮素含量进行建模并反演,能够在较大的范围里估测水稻的氮素营养状况。     

基于无人机多源图谱融合的水稻稻穗表型监测

稻穗表型是表征水稻生长状况和产量品质的关键参数,稻穗表型的准确监测对于大田精准管理和水稻智慧育种具有重要意义。无人机图谱数据已被广泛用于水稻生长监测,然而大部分研究主要集中在水稻的营养生长阶段,针对抽穗期和成熟期稻穗表型监测方面的研究非常有限。因此,该研究利用无人机多源图谱数据进行水稻稻穗表型监测研究,分析了不同氮肥梯度和生长时期对稻穗表型的影响,构建了稻穗覆盖度、生物量以及倒伏等监测模型。结果表明,不同生长时期和氮肥梯度的稻穗表型呈现显著差异,稻穗覆盖度与图像特征高度相关。利用粒子群优化算法（Particle Swarm Optimization,PSO）和支持向量机（Support Vector Machine,SVM）回归模型能够从可见光图像中准确识别稻穗,计算的穗覆盖度与实际标记值高度相关,决定系数（coefficient of determination,R2）为0.87,将此结果与多光谱图像反射率融合,利用随机森林（Random Forest,RF）回归模型可以提高稻穗覆盖度的评估精度,R2为0.93,相对均方根误差（relative Root Mean Square Error,rRMSE）为9.47%。融合可见光图像的颜色和纹理以及多光谱图像的光谱反射率改善了穗生物量的评估精度,R2高达0.84,rRMSE为8.68%,此模型能够在不同种植年间迁移,进一步利用模型更新添加10%新样本能够改善模型迁移能力。基于PSO-SVM分类模型,联合可见光图像的颜色和纹理以及多光谱图像的光谱反射率也准确地识别稻穗倒伏,准确率达99.87%。上述研究结果证明了无人机遥感用于水稻稻穗表型监测的可行性,可为作物精准管理和智慧育种提供决策支持。     

“农业航空工程”专题导读

2017年4月22—24日，“国际工程科技发展战略高端论坛—农业航空技术”在北京召开，农业部农机化司李伟国司长在致辞中指出：农业航空技术是新兴的高端农业机械化技术，在现代农业生产中特别是航化作业、病虫害防治等方面发挥了越来越重要的作用。为全面、深入地了解中国农业航空行业的发展现状和趋势，反映行业面临的困难和问题，本刊特策划“农业航空工程”专题，共刊发8篇相关研究成果报道。 兰玉彬院士团队的研究综合分析了植保无人机旋翼风场分布特性、雾滴与无人机旋翼风场交互机理、雾滴沉降与飘移机理、雾滴与叶片表面的交互机理及雾滴分散和蒸发特性等国内外研究现状，并给出植保无人机施药技术的未来发展建议，对优化植保无人机结构、科学应用植保无人机、提高农药利用率、减少环境污染具有重要意义。杨宁等采用无人机获取了内蒙古河套灌区沙壕渠灌域内试验地的无人机多光谱遥感图像数据及不同深度的土壤盐分数据，使用3种光谱指数筛选方法，对比3种建模方法，模拟3个深度土层的土壤盐分分布，比较了传统光谱指数及引入红边波段的改进光谱指数在盐渍化建模方面的潜力，具有创新性和一定的学术价值。陈锋军等针对云杉计数问题给出了较为完整的基于航拍和机器视觉的解决方案，对YOLOv3的网络结构进行了有益探索和改进，解决了YOLOv3模型小样本训练过拟合问题和云杉特征丢失问题，提升了云杉计数的准确率，具有重要的研究意义和实用价值。王玉娜、陈晓凯等基于低空无人机平台和成像光谱仪获取陕西关中地区拔节期冬小麦高光谱影像，将无人机高光谱遥感应用于冬小麦氮素营养监测和叶面积指数估算，对降低监测成本、增强时效特性等具有一定新意和重要意义。陈日强等利用无人机载激光雷达采集苹果园的果树单木冠层信息，并评价空间分辨率对于果树单木树冠检测与提取的影响，具有一定的学术价值和实用性，对精准果园管理生产具有重要意义。杜蒙蒙等提出了一种基于多旋翼无人机与激光测距技术的农田地形测绘方法，在多旋翼无人机测绘平台上搭载激光测距模块与后处理动态差分全球定位系统设备获取激光测距值序列、PPK-GPS三维定位数据以及无人机的飞行姿态数据，综合激光测距、GPS数据进行高程测量，对农田微地形测量具有很好的实用价值。孔繁昌等以东北地区粳稻稻瘟病高光谱识别诊断为选题，运用多旋翼无人机载高光谱遥感技术获取健康、轻度、中度和重度等级水稻穗茎的冠层指数，利用随机森林的方法对光谱预处理变换数据、光谱曲线特征提取参数、植被指数组合进行建模，填补了无人机高光谱遥感监测大田穗颈瘟病和实验室穗颈瘟病光谱理论研究之间的研究空白。 本专题集中刊发的8 篇系列文章，分别来自华南农业大学、沈阳农业大学、西北农林科技大学、北京林业大学、河南理工大学、河南科技大学、东北农业大学等机构，源于国家自然科学基金、国家重点研发计划项目、广东省重点领域研发计划项目、广东省引进领军人才项目、中央高校基本科研业务项目、河南省高等学校重点科研计划项目等的研究成果，从理论综述、机理模型到实用技术，具有创新性、重要性、实用性等特点，对促进国内航空植保事业发展、农业航空技术全面推广应用、明确航空植保施药发展方向和未来智慧农业的发展与实现具有重要的理论和现实意义。     

基于拉曼光谱分析寒地水稻叶瘟病害植株特征

稻叶瘟是影响寒地水稻产量的重要病害之一。为了减少病害受灾程度,增加早期检测的手段,该文利用拉曼光谱仪对正常水稻与感染稻叶瘟的水稻叶片进行拉曼光谱采集,指认出了水稻叶片的特征频率。通过对无病害叶片与病害叶片官能团的拉曼特性谱峰和特征频率偏移的对比分析,指出稻叶瘟水稻叶片的特征谱峰和稻瘟病敏感谱线为1 800~2 600 cm-1的频谱区域,分析得到984和994 cm-1的双峰连线的斜率以及828和851 cm-1的双峰连线的斜率随着病害程度的增加而逐渐增大。通过对随机抽取的50个拉曼光谱样本的分析,得到2 000~2 300 cm-1散射截面随着病害程度的加重而增加,说明散射截面的变化与稻瘟病害存在良好对应关系。研究表明拉曼光谱分析为早期检测水稻稻叶瘟病提供了一种有效的手段。     

基于高光谱成像的寒地水稻叶瘟病与缺氮识别

为进行水稻叶瘟病与养分缺失的区分、实现叶瘟病及时、准确的诊断,以大田试验为基础,利用高光谱成像仪获取2个品种的健康、缺氮、轻度感病和重度感病共4类水稻叶片的反射率光谱,对其光谱特性进行分析,并采用多种预处理方法、分别结合偏最小二乘判别分析(partial least squares-discriminate analysis,PLS-DA)和主成分加支持向量机(principle component analysis-support vector machine,PCA-SVM)方法构建水稻叶瘟病识别模型。试验结果显示6个判别模型都获得了较高的识别准确率,经标准正态变量(standard normal variate,SNV)变换预处理的PLS-DA模型获得了最佳的识别结果,预测准确率达100%,经多元散射校正(multiplicative scatter correction,MSC)预处理的PCA-SVM模型的预测准确率也达到97.5%。本研究为水稻叶瘟病的判别和分级提供了新方法,也为稻瘟病大范围遥感监测提供了基础。     

冬小麦灌浆期蚜虫危害高光谱特征研究

为了有效控制农业生产中麦蚜的危害,提高利用遥感技术对麦蚜监测预报的时效性,在冬小麦蚜虫发生的关键生育时期（灌浆期）,获取了26个地面调查点的蚜害等级和冠层光谱数据。对比分析了不同蚜害等级的冠层光谱,发现随着蚜虫危害程度的加重,在可见光、近红外和短波红外波段的冬小麦冠层反射率均逐渐减小。通过进一步筛选各波段范围的最敏感波段,初步构建了冬小麦蚜害高光谱指数,并建立了蚜害高光谱指数与蚜害等级的遥感反演模型。结果表明,该模型可以用来反演灌浆期冬小麦的蚜害等级,为高光谱遥感识别和监测冬小麦灌浆期蚜虫危害提供理论依据。     

基于无人机高光谱遥感的冬小麦叶面积指数反演

叶面积指数(leaf area index,LAI)是评价作物长势和预测产量的重要依据。光谱特征信息作为高光谱遥感的突出优势在追踪LAI动态变化方面极其重要;然而,围绕光谱特征信息所开展的无人机高光谱遥感反演作物LAI的相关研究鲜有报道。该文利用ASD Field Spec FR Pro 2500光谱辐射仪(ASD Field Spec FR Pro 2500 spectroradiometer,ASD)和Cubert UHD185 Firefly成像光谱仪(Cuber UHD185 Firefly imaging spectrometer,UHD185)在冬小麦试验田进行空地联合试验,基于获取的孕穗期、开花期以及灌浆期地面数据和无人机高光谱遥感数据,估测冬小麦LAI。该文选择同步获取的冬小麦冠层ASD光谱反射率数据作为评价无人机UHD185高光谱数据质量的标准,依次从光谱曲线变化趋势、光谱相关性以及目标地物光谱差异三方面展开分析,结果表明458~830 nm(第3~96波段)的UHD185光谱数据可靠,可使用其探测冬小麦LAI,这为今后无人机UHD185高光谱数据的使用提供了参考。该文研究对比分析了UHD185数据计算的红边参数和光谱指数与冬小麦LAI的相关性,结果表明:12种参数中比值型光谱指数RSI(494,610)与LAI高度正相关,是估测LAI的最佳参数;基于比值型光谱指数的对数形式lg(RSI)构建的线性模型展现出lg(RSI)与lg(LAI)较优的线性关系(决定系数R2=0.737,参与建模的样本个数n=103),且lg(LAI)预测值和lg(LAI)实测值高度拟合性(R2=0.783,均方根误差RMSE=0.127,n=41,P0.001);该研究为利用无人机高光谱遥感数据开展相关研究积累了经验,也为发展无人机高光谱遥感的精准农业应用提供了参考。     

基于机器学习的棉花叶面积指数监测

为实现基于机器学习和无人机高光谱影像进行棉花全生育期叶面积指数(Leaf Area Index, LAI)监测,该研究基于大田种植滴灌棉花,在不同品种及不同施氮处理的小区试验基础上,对无人机获取的高光谱数据分别采用一阶导(First Derivative, FDR)、二阶导(Second Derivative, SDR)、SG(Savitzky-Golay)平滑和多元散射校正(Multiplicative Scatter Correction, MSC)进行预处理,并结合Pearson相关系数法、连续投影(Successive Projections Algorithm, SPA)、随机蛙跳(Shuffled Frog Leaping Algorithm, SFLA)和竞争性自适应重加权(Competitive Adaptive Reweighting, CARS)筛选敏感波段,将筛选出的波段,使用偏最小二乘回归(Partial Least Squares Regression, PLSR)、支持向量回归(Support Vector Regression, SVR)和随机森林回归(Random Forest Regression, RFR)3种机器学习算法构建棉花LAI监测模型。结果表明:棉花冠层LAI敏感响应波段集中在可见光(400～780 nm)和近红外(900 nm之后)波段;对比3种机器学习算法,各预处理下RFR建立的LAI监测模型精度最高,稳定性最好,其中以FDR-SFLA-RFR模型最佳,在建模集的决定系数为0.74,均方根误差为1.648 3,相对均方根误差为26.39%;验证集的决定系数、均方根误差分别为0.67和1.622 0,相对均方根误差为25.97%。该研究基于无人机获取的棉花冠层光谱反射率,从不同光谱预处理、波段筛选及建模方法建立的模型中筛选出最佳估算模型用于棉花全生育期LAI监测,研究结果可为棉花大田精准管理及变量施肥提供依据。     

基于高光谱遥感处方图的寒地分蘖期水稻无人机精准施肥

分蘖期根外追肥是水稻生产的重要田间管理环节,也是水稻生长中的第一个需肥高峰期,追肥效果直接影响分蘖数以及中后期长势。为了探究利用无人机遥感构建施肥量处方图指导农用无人机对分蘖期水稻精准追肥,在保障水稻产量的前提下降低化肥施用量,该研究在水稻分蘖期追肥窗口期,利用无人机遥感诊断与农用无人机精准作业相结合,采用无人机高光谱技术建立水稻分蘖期施肥量处方图,结合农用无人机作业参数对待施肥地块进行栅格划分,确定精准施肥量,并通过农用无人机进行精准施肥。结果表明:利用特征波段选择与特征提取的方式在450～950nm范围内共提取5个水稻高光谱特征变量用于水稻氮素含量的反演;利用粒子群优化的极限学习机(Particle Swarm Optimization-Extreme Learning Machine,PSO-ELM)构建的水稻氮素含量反演模型效果要好于极限学习机(Extreme Learning Machine,ELM)反演效果,模型决定系数为0.838;结合待追肥区域反演氮素含量(N_r),标准田氮素含量(N_(std))、氮肥浓度(p)、水稻地上生物量(B_(std))、水稻覆盖度(C_(std))、化肥利用率(k)及转化率(u)等构建了农用无人机追肥量决策模型,与对照组相比,利用该研究构建的处方图变量施肥方法使氮肥追施量减少27.34%。研究结果可为寒地水稻分蘖期农用无人机精准变量追肥提供数据与模型基础。     

基于无人机载高光谱空间尺度优化的大豆育种产量估算

为探讨无人机载高光谱空间尺度对大豆产量预测精度的影响,该文以山东嘉祥圣丰大豆为研究对象,设计以多旋翼无人机为平台搭载Cubert UHD185成像高光谱传感器的无人机遥感农情监测系统,获取了大豆多个生育期的无人机高光谱数据。首先,该研究利用盛荚期-始粒期(R4-R5期)的高光谱影像,由21个不同光谱空间尺度提取的高光谱数据构建植被指数,通过植被指数方差分析结果可知所选冠层植被指数与不同品种大豆植株的生长状况密切相关,但是不同空间尺度下的F值仍存在较为明显的差异;其次,采用偏最小二乘回归建立产量与不同空间尺度的植被指数之间的回归模型,通过模型方程估算精度的曲线变化趋势进一步将最优空间尺度面积确认至9.03~10.13 m2,即当采样空间尺度区域长、宽与小区总长、宽比例介于4.25:5和4.5:5时,所得到的冠层光谱能够尽可能准确地估测大豆产量,此时估算产量和实测产量呈极显著相关(相关系数r=0.811 7,参与建模的样本个数270)。该研究可为使用高、低空高光谱影像进行作物表型信息解析和估产提供参考。     

基于无人机数码影像和高光谱数据的冬小麦产量估算对比

作物产量准确估算在农业生产中具有重要意义。该文利用无人机获取冬小麦挑旗期、开花期和灌浆期数码影像和高光谱数据,并实测产量。首先利用无人机数码影像和高光谱数据分别提取数码影像指数和光谱参数,然后将数码影像指数和光谱参数与冬小麦产量作相关性分析,挑选出相关性较好的9个指数和参数,最后以选取的数码影像指数和光谱参数为建模因子,通过MLR(multiple linear regression,MLR)和RF(random forest,RF)对产量进行估算。结果表明:数码影像指数和光谱参数与实测产量均有很强的相关性。利用数码影像指数和光谱参数通过MLR和RF构建的产量估算模型均在灌浆期表现精度最高,在灌浆期,数码影像指数和光谱参数构建的MLR模型R~2和NRMSE分别为0.71、12.79%,0.77、10.32%。对模型对比分析可知,以光谱参数为因子的MLR模型精度较高,更适合用于估算冬小麦产量。利用无人机遥感数据,通过光谱参数建立的MLR模型能够快速、方便地对作物进行产量预测,并可以根据不同生育期的产量估算模型有效地对作物进行监测。     

基于无人机高光谱遥感的柑橘黄龙病植株的监测与分类

柑橘黄龙病(Huanglongbing,HLB)是柑橘产业的毁灭性病害,及早发现并挖除病株是防治HLB的有效手段。通过无人机低空遥感监测大面积果园,可大大减少HLB排查工作量和劳动力。该文获取了无人机低空柑橘果园的高光谱影像,分别提取并计算健康和感染HLB植株冠层的感兴趣区域的平均光谱,并对初始光谱进行Savitzky-Golay平滑、异常数据剔除和光谱变换,得到原始光谱、一阶导数光谱和反对数光谱3种光谱,对这3种光谱采用主成分分析法进行降维,与全波段信息比较,分别采用k近邻(kNN)和支持向量机(SVM)进行建模和分类。结果表明,以二次核SVM判别模型对全波段一阶导数光谱的分类准确率达到94.7%,对测试集的误判率为3.36%。表明低空高光谱遥感监测HLB的手段具有可行性,可大大提高果园管理效率和政府防控病情力度。     

基于多源无人机影像特征融合的冬小麦LAI估算

为探讨无人机多源影像特征融合估测作物叶面积指数的能力,该研究以冬小麦为研究对象,利用多旋翼无人机搭载高清数码相机和UHD185成像光谱仪获取研究区冬小麦关键生育期（扬花期、灌浆期）的可见光和高光谱影像。综合考虑可见光、高光谱影像特征与冬小麦叶面积指数的相关性及影像特征重要性进行特征筛选,然后,以可见光植被指数、纹理特征、可见光植被指数+纹理特征、高光谱波段、高光谱植被指数及高光谱波段+植被指数分别作为输入变量构建多元线性回归、支持向量回归和随机森林回归的叶面积指数估测模型（单传感器数据源）;以优选的两种影像特征结合支持向量回归、随机森林回归构建叶面积指数估测模型（两种传感器数据源）,比较分析单源与多源影像特征监测冬小麦叶面积指数的性能。进一步地,考虑到小区土壤空间异质性会影响冬小麦叶面积指数估测结果,该研究探讨了不同影像采样面积下基于单源遥感数据构建的小麦叶面积指数估测模型精度。研究结果表明：在扬花期和灌浆期,使用两种影像优选特征构建的随机森林回归估测模型精度最佳,验证集决定系数分别为0.733和0.929,均方根误差为0.193和0.118。可见光影像采样面积分别为30%和50%,高光谱影像采样面积为65%时,基于单源影像特征构建的随机森林回归估测模型在扬花期和灌浆期效果最好。综上,该研究结果可为无人机遥感监测作物生理参数提供有价值的依据和参考。