田明璐,班松濤,袁 濤,王彥宇,馬 超,李琳一*

(1 上海市農(nóng)業(yè)科學(xué)院農(nóng)業(yè)科技信息研究所,上海市數(shù)字農(nóng)業(yè)工程技術(shù)研究中心,上海201403;2西北農(nóng)林科技大學(xué)資源環(huán)境學(xué)院,咸陽712100)

全世界每年因蟲害引起的糧食減產(chǎn)占糧食總產(chǎn)量的14%左右[1]。 傳統(tǒng)的蟲害調(diào)查方法主要依靠人力在田間觀察,不僅費時費力,而且受觀察者自身經(jīng)驗的影響較大[2];在大范圍內(nèi)農(nóng)田中,蟲害難以被及時發(fā)現(xiàn)。 發(fā)展更加快速、客觀的蟲害監(jiān)測手段是規(guī)模化種植農(nóng)業(yè)的必要需求。 在傳統(tǒng)水稻蟲害的防治中,農(nóng)藥的使用往往依靠經(jīng)驗實施,并不對蟲害分布區(qū)域做出區(qū)分進行普遍噴施,缺乏精準(zhǔn)的指導(dǎo)依據(jù)[3]。 對于蟲害嚴重的區(qū)域,施藥不足則達不到防治蟲害的效果;對于蟲害較輕的區(qū)域,過量施藥又會對環(huán)境造成污染[4-6]。 因此,實時、準(zhǔn)確地判斷水稻遭受蟲害的分布區(qū)域和嚴重程度、及時采取有效措施,不但具有重要的理論意義,而且具有重要的實用價值。 根據(jù)蟲害嚴重程度進行精準(zhǔn)施藥、變量施藥,不但可以節(jié)省農(nóng)業(yè)生產(chǎn)成本,更能從源頭上大幅度降低農(nóng)藥對環(huán)境的污染[4]。

精準(zhǔn)施藥的前提是需要對農(nóng)作物蟲害狀況的空間和時間變異信息進行快速、準(zhǔn)確、高效的監(jiān)測,遙感技術(shù)是實現(xiàn)這一目標(biāo)的最佳也是唯一手段[7]。 國內(nèi)外學(xué)者在農(nóng)作物蟲害遙感監(jiān)測上進行了廣泛的研究。黃建榮等[8]使用便攜式地物光譜儀獲取水稻葉片和冠層在不同生育期遭受稻縱卷葉螟和稻飛虱危害的光譜反射率,并建立起光譜與蟲害程度間的回歸模型。 孫嘉懌等[9]研究了稻飛虱蟲量和危害時間與光譜之間的關(guān)系,發(fā)現(xiàn)隨著蟲量的增加,水稻植株的反射率在綠波段和近紅外波段呈下降趨勢。 Reisig 等[10]研究了遭受蚜蟲和紅蜘蛛為害的棉花葉片光譜,發(fā)現(xiàn)與正常葉片相比,蟲害葉片在850 nm 的近紅外波段反射率顯著升高。 袁琳等[11]使用Landsat8 和Worldview2 衛(wèi)星遙感影像,在區(qū)域尺度上建立區(qū)分冬小麥的蚜蟲、白粉病和健康植株的模型,總體精度達到了81%。

在已有的遙感病蟲害監(jiān)測研究中,非成像光譜儀僅能對樣點小區(qū)域進行信息獲取,無法獲取大面積水稻冠層尺度完整信息。 而衛(wèi)星遙感則受到空間分辨率和時間分辨率的限制,只能對大規(guī)模連片種植的地塊在特定時段進行監(jiān)測,二者均無法滿足對分散種植的小規(guī)模地塊在時間上連續(xù)監(jiān)測的需求,需要借助更為靈活的無人機遙感平臺。 綜上考慮,本研究使用無人機平臺搭載多種傳感器獲取的遙感數(shù)據(jù),結(jié)合田間實驗測量數(shù)據(jù)建立水稻蟲害嚴重程度(卷葉率)的反演模型,實現(xiàn)對大田水稻蟲害狀況的快速診斷并確定其危害程度,得到蟲害診斷圖,為蟲害快速調(diào)查提供理論依據(jù)和技術(shù)支持,也可以為精準(zhǔn)施藥提供科學(xué)依據(jù),實現(xiàn)對農(nóng)田蟲害的精確管理。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于上海市青浦區(qū)重固鎮(zhèn),地處長江三角洲沖積平原,屬于亞熱帶海洋性季風(fēng)氣候。 歷年年平均氣溫15.5 ℃,降水量1 044.7 mm,無霜期為236 d。 本研究的試驗田位于重固鎮(zhèn)上海市農(nóng)業(yè)科學(xué)院良種繁育基地,坐標(biāo)為東經(jīng)121°11′44″,北緯31°11′47″,總面積3 333.33 m2,共有64 個水稻小區(qū)(每個小區(qū)規(guī)格4 m×4 m),采用常規(guī)大田種植管理措施。 2018 年7 月中下旬,水稻在自然狀態(tài)下遭受稻縱卷葉螟危害。 蟲害初期,對其中16 個小區(qū)不做施藥處理,作為對照組;其余48 個小區(qū)分別使用不同濃度、不同品類的農(nóng)藥進行防治,因此各小區(qū)蟲害程度有一定的差異。

1.2 數(shù)據(jù)獲取與處理

1.2.1 地面調(diào)查

2018 年8 月12 日,對每個小區(qū)蟲情進行蟲情調(diào)查,采用巡視目測法,目測每個小區(qū)稻株頂部3 片葉的卷葉率,根據(jù)每個小區(qū)內(nèi)的卷葉率判斷受害程度。 各小區(qū)卷葉率統(tǒng)計結(jié)果如表1 所示。

表1 水稻卷葉率(%)統(tǒng)計特征Table 1 Statistical characteristics of the rate of roll leaf

1.2.2 無人機多光譜影像獲取

在蟲情調(diào)查的同一天,使用無人機搭載多光譜成像儀獲取試驗田的多光譜遙感影像。 使用的無人機為DJI M600 六旋翼無人機,軸距1 133 mm,最大起飛質(zhì)量15.1 kg,最大飛行時間35 min。 搭載的傳感器為Micasense RedEdge 多光譜成像儀,鏡頭焦距為5.5 mm,視場角為47.2°;一次成像能同時獲取藍、綠、紅、紅邊和近紅外5 個波段上的影像,各波段對應(yīng)的中心波長分別為475 nm、560 nm、668 nm、717 nm 和840 nm;其中藍、綠2 個波段的寬度為20 nm,紅、紅邊2 個波段的寬度為10 nm,近紅外波段的寬度為40 nm;此外儀器配有日光照度計和GPS 模塊,用于實時記錄所拍攝影像對應(yīng)的太陽輻射值和中心坐標(biāo);拍攝前使用反射率為50%的參考板進行輻射校正。 無人機多光譜遙感影像獲取于12:00—13:00 進行。 無人機飛行高度30 m,設(shè)置航線的旁向重疊率為90%,航向重疊率為80%;影像空間分辨率為2 cm∕pixel。

1.2.3 影像數(shù)據(jù)處理

在Pix4Dmapper 軟件中,對獲取的多光譜影像進行輻射校正、拼接和幾何校正處理,得到試驗田完整的整幅多光譜正射影像(圖1)。 在ENVI 軟件中,使用ROI(Region of interest,感興趣區(qū))工具圈選個小區(qū)邊界以內(nèi)的水稻區(qū)域,并統(tǒng)計區(qū)域內(nèi)所有像元的光譜反射率的平均值作為該小區(qū)水稻冠層的光譜反射率數(shù)據(jù)。

1.3 研究方法

1.3.1 植被指數(shù)選取

植被指數(shù)(Vegetation Index,VI)通過對不同波段反射率進行數(shù)學(xué)組合,可以消除大氣散射、背景差異等因素的干擾,增強植被特征[12]。 結(jié)合前人研究,根據(jù)Micasense RedEdge 波段特點,選取歸一化植被指數(shù)(Normalized Difference Vegetation Index,NDVI)[13]、比值植被指數(shù)(Ratio Vegetation Index,RVI)[14]、差值植被指數(shù)(Difference Vegetation Index,RVI)[15]、綠波段歸一化植被指數(shù)(Green Normalized Difference Vegetation Index,GNDVI)[16]、綠波段比值植被指數(shù)(Green Ratio Vegetation Index,GRVI)[17]、綠波段差值植被指數(shù)(Green Difference Vegetation Index,GRVI)[17]、紅邊歸一化植被指數(shù)(Red-edge Normalized Difference Vegetation Index,RENDVI)[18]、紅邊比值植被指數(shù)(Red-edge Ratio Vegetation Index,RERVI)[17]、紅邊差值植被指數(shù)(Red-edge Difference Vegetation Index,REDVI)[17]共9 種植被指數(shù),參與稻縱卷葉螟蟲害監(jiān)測。

1.3.2 模型構(gòu)建與檢驗

使用隨機抽樣法,按照3∶1的比例將64 個小區(qū)的數(shù)據(jù)分為建模數(shù)據(jù)集(共計48 組數(shù)據(jù),記為Cal)和驗證數(shù)據(jù)集(共計16 組數(shù)據(jù),記為Val)。 分別采用多元線性回歸(Multiple Linear Regression,MLR)、多元逐步回歸(Multiple Stepwise Regression,MSR)、偏最小二乘回歸(Partial Least Squares Regression,PLSR)和支持向量機回歸(Support Vector Regression,SVR)方法建立水稻卷葉率的估算模型。 使用建模數(shù)據(jù)集建立的模型的決定系數(shù)Rcal2和均方根誤差RMSEcal對建模精度進行評估;對使用模型計算得到的驗證數(shù)據(jù)集的估測值與實測值進行線性擬合,以擬合方程的Rval2和RMSEval對模型評估預(yù)測能力。 決定系數(shù)R2越接近1、均方根誤差RMSE 越小,模型精度越高。

2 結(jié)果與分析

2.1 稻縱卷葉螟為害的水稻葉片和冠層光譜特征

葉片卷曲、發(fā)白是水稻遭受稻縱卷葉螟危害后的典型癥狀,光譜也會發(fā)生明顯的變化。 如圖2(a)所示,與正常水稻葉片相比,遭受稻縱卷葉螟幼蟲啃食的葉片的光譜曲線有著很大差異,具體表現(xiàn)為蟲害葉片在藍(475 nm)、綠(560 nm)、紅(668 nm)和紅邊(717 nm)波段的反射率升高,而在近紅外(840 nm)波段的反射率降低。 遭受蟲害的水稻冠層光譜反射率特征與葉片有一定的差異,如圖2(b)所示。 主要體現(xiàn)在:與正常水稻冠層光譜相比,蟲害水稻冠層光譜反射率在藍、綠、紅邊和近紅外波段較低,而在紅波段較高。

2.2 稻縱卷葉螟為害的水稻卷葉率與冠層光譜相關(guān)性分析

對各小區(qū)水稻卷葉率與多光譜影像上各小區(qū)的冠層光譜反射率的相關(guān)性進行分析,結(jié)果如圖3 所示:卷葉率與藍(475 nm)、綠(560 nm)、紅邊(717 nm)和近紅外(840 nm)波段的光譜反射率呈負相關(guān),其中與綠、紅邊和近紅外波段相關(guān)性最為顯著(0.05 水平),相關(guān)系數(shù)分別達到-0.54、-0.61 和-0.67;卷葉率與紅光波段(668 nm)反射率表現(xiàn)出顯著正相關(guān),相關(guān)系數(shù)為0.53。 因此,對稻縱卷葉螟為害程度最為敏感的波段為紅邊波段和近紅外波段,其次為可見光的綠波段和紅波段。

2.3 稻縱卷葉螟為害的水稻卷葉率與植被指數(shù)相關(guān)性分析

對各小區(qū)水稻卷葉率與多光譜影像上各小區(qū)植被指數(shù)的相關(guān)性進行分析,結(jié)果如圖4 所示:在0.05水平上,與卷葉率顯著相關(guān)的植被指數(shù)有NDVI、RVI、DVI 和RE_DVI;其中相關(guān)系數(shù)最高的為NDVI 和DVI,相關(guān)系數(shù)分別為-0.67 和-0.77;RVI 和RE_DVI 相關(guān)系數(shù)較低,分別為-0.36 和-0.32。 因此,對稻縱卷葉螟為害程度最為敏感的植被指數(shù)為NDVI 和DVI。

2.4 稻縱卷葉螟為害的水稻卷葉率估算模型

選擇各個小區(qū)卷葉率對應(yīng)的綠(R560)、紅(R668)、紅邊(R717)和近紅外波段(R840)的光譜反射率和NDVI、DVI 作為自變量,使用建模數(shù)據(jù)集,分別采用多元線性回歸(MLR)、多元逐步回歸(MSR)、偏最小二乘回歸(PLSR)和支持向量機回歸(SVR)方法建立水稻卷葉率的估算模型,分別記為Model_MLR、Model_ MSR、Model_PLSR、Model_SVR;使用驗證數(shù)據(jù)集,對模型預(yù)測精度進行評價。 結(jié)果如表2 所示:其中以Model_PLSR 模型的建模精度和檢驗精度最高:模型的決定系數(shù)R2較高,為0.652,RMSE 較低,為0.841,對驗證集數(shù)據(jù)的預(yù)測值與實測值的線性擬合方程的決定系數(shù)R2為0.675,RMSE 為0.753。 Model_MSR 模型的精度較低。 但總體而言,各模型的精度沒有太大的差異,各個模型的建模精度和檢驗精度R2均在0.6—0.7,RMSE 為0.7—0.9。

在多元逐步回歸的建模過程中,算法會評價每個自變量對模型的價值,進而對自變量進行篩選,在本次建模中Model_MSR 最終選取的變量為R717和DVI;盡管Model_MSR 模型的精度略低于其他模型,但模型更為簡潔,在對精度要求不高的場景下,可以作為簡化模型來使用,以提高運算速度。

表2 卷葉率估算模型與精度檢驗Table 2 Estimation models of rate of roll leaf and the accuracy test

2.5 稻縱卷葉螟為害的水稻卷葉率分布

利用精度最高的Model_PLSR 模型對多光譜影像進行逐像元解算,得到各個小區(qū)卷葉率分布(圖5),圖中各小區(qū)內(nèi)每個像元的值表示該點的卷葉率;圖上反映出的稻縱卷葉螟為害情況與實際調(diào)查結(jié)果基本一致。

3 討論與結(jié)論

水稻遭受稻縱卷葉螟危害后,對水稻葉片和冠層都有著顯著的影響。 對葉片而言,稻縱卷葉螟幼蟲一方面將葉片卷起來包裹自身,致使葉片打卷、形態(tài)發(fā)生變化;另一方面啃食葉片葉肉,造成葉片失去光合能力,葉片結(jié)構(gòu)發(fā)生變化(葉片變薄),發(fā)黃直至變白。 葉綠素隨著葉肉的被啃食消失,導(dǎo)致葉片光譜在綠光波段的強反射和紅光波段的強吸收作用喪失,因而隨著病情的加重(卷葉率升高)綠波段反射率減弱、紅波段反射率增強;葉片結(jié)構(gòu)的變化導(dǎo)致葉片對近紅外光線的反射能力降低,如圖2(a)所示。 對冠層而言,葉片的這些變化會導(dǎo)致冠層葉面積減少、葉片間隙變大,導(dǎo)致冠層對大部分可見光、紅邊和近紅外光線的反射能力都減弱,如圖2(b)所示,因此,卷葉率與水稻冠層綠波段和近紅外波段反射率表現(xiàn)出顯著的負相關(guān)(圖3);但由于葉綠素在對600—700 nm 的紅光具有強烈吸收作用,在紅波段正常水稻的反射率較蟲害水稻偏低(圖2(b)),因此卷葉率與紅波段反射率變現(xiàn)為正相關(guān)(圖3)。 這一結(jié)果與黃建榮等[19]在實驗室內(nèi)使用非成像地物光譜儀測量模擬不同卷葉率水稻得到的光譜特征相一致。

從卷葉率估算模型的建模和檢驗結(jié)果來看,基于多光譜影像數(shù)據(jù)的卷葉率估算模型精度R2均低于0.7,預(yù)測精度偏低。 造成這一現(xiàn)象可能的原因有:1)稻縱卷葉螟病情不嚴重(各小區(qū)卷葉率普遍低于5%),小區(qū)之間的卷葉率數(shù)據(jù)差異較小,從而導(dǎo)致模型的建立不夠精準(zhǔn);2)傳感器為寬波段光譜成像儀,光譜分辨率的不足也有可能造成敏感波段的缺失,導(dǎo)致模型不夠精確。

通過研究水稻稻縱卷葉螟蟲害嚴重程度(卷葉率)與冠層光譜之間的相關(guān)關(guān)系,使用冠層光譜的特征光譜及提取的多種光譜指數(shù)構(gòu)建卷葉率估算模型,主要結(jié)論有:(1)卷葉率與藍、綠、紅邊和近紅外波段的光譜反射率呈負相關(guān),其中與綠、紅邊和近紅外波段相關(guān)性最為顯著,相關(guān)系數(shù)分別達到-0.54、 -0.61和-0.67;卷葉率與紅光波段反射率表現(xiàn)出顯著正相關(guān),相關(guān)系數(shù)為0.53。 NDVI、RVI、DVI 和RE_DVI 四個植被指數(shù)與卷葉率顯著負相關(guān);其中相關(guān)系數(shù)最高的為NDVI 和DVI,分別為-0.67 和-0.77。 總的來說,對水稻稻縱卷葉螟蟲害嚴重程度敏感的光譜特征為綠、紅邊、近紅外波段的反射率以及NDVI、RVI、DVI 和RE_DVI。 (2)以敏感光譜特征為自變量、使用多種建模方法構(gòu)建的卷葉率估算模型能夠較為精確地預(yù)測卷葉率,各模型的建模精度和驗證精度的R2均大于0.6,RMSE 小于0.9。 其中以使用PLSR 算法構(gòu)建的Model_PLSR 模型精度最高,建模R2達到0.625,驗證R2達到0.675;而使用MSR 算法構(gòu)建的模型最為簡潔,經(jīng)過對變量的篩選后僅用R717和DVI 兩個變量也取得了相對較好的精度。 通過使用Model_PLSR 模型對多光譜影像進行逐像元解算得到的卷葉率分布圖與實際調(diào)查結(jié)果基本一致。