引言

為實現大范圍的柑橘黃龍病監測預警，提供一種減少人工成本的柑橘黃龍病病害統計方法，本研究通過地面實測黃龍病植株，協同無人機采集低空高光譜遙感影像，經過異常數據剔除、平滑去噪、一階微分變換、二階微分變換等處理后，構建支持向量機（SVM）分類模型對柑橘黃龍病進行識別，探討低空無人機高光譜遙感監測黃龍病的可行性。

數據來源及研究方法

2.1 數據來源

試驗地點為廣西壯族自治區柳州市鹿寨縣平山，數據來源于使用無人機搭載機載高光譜成像儀采集的低空高光譜遙感影像。高光譜正射影像數據包含反射率為30%的漫反射定標板，影像分辨率默認設置為1m。采集圖像的區域為柑橘健康植株和黃龍病植株的種植地塊，如圖1所示。

圖1 無人機低空高光譜遙感影像采集區域

在前期的地面調研中，已通過田間診斷和PCR檢測等地面實測方法對數據采集區域的柑橘植株感染黃龍病情況進行抽樣確認，即對目標區域的柑橘植株采樣（51株），以專家經驗的方式選定目標植株進行隨機抽樣采集葉片，健康植株每株采集3張葉片，黃龍病植株癥狀較明顯和癥狀不明顯的葉片各采集3張。采用實時熒光定量PCR檢測樣本，結果顯示21個樣本感染黃龍病。基于此，本研究在獲取到無人機低空高光譜遙感影像后，分別建立健康植株冠層和黃龍病植株冠層樣本的感興趣區域（ROI）。

2.2 研究方法

本研究通過使用軟件完成樣本制作。提取樣本點的平均光譜數據，計算結果并導出 Excel格式文件，用于后續試驗研究的數據處理分析。最后通過式（1）把提取到的柑橘植株冠層高光譜數據進行反射率轉換，得到柑橘植株冠層的相對光譜反射率，計算公式如下。

式中，DNC為柑橘植株冠層的輻射亮度值，DNB為漫反射定標板的輻射亮度值，SRC為柑橘植株冠層 的相對光譜反射率，SRB為漫反射定標板的光譜反射率。

2.2.1 黃龍病分類與檢測模型

選取400~1000的特征波段，使用通過軟件獲取的原始光譜、一階微分光譜（FDR)和二階微分光譜（SDR)作為樣本變量；

采用經典機器學習分類方法中的支持向量機（SVM）建立柑橘黃龍病分類與檢測模型；引入徑向基核函數（RBF kernel）來處理高維數據；通過隨機拆分數據集的方式使模型樣本訓練集和測試集的數據分布盡量保持一致。SVM是經典機器學習中的一類監督學習算法，常被用來解決二分類問題，對于高維、非線性的數據有較好的分類能力。

3、結果與分析

3.1 無人機低空高光譜遙感影像數據處理

通過地面實測與遙感協同的方式，驗證無人機高光譜成像儀獲取的光譜反射率曲線規律。首先，使用OneClassSVM 算法分別剔除無人機低空高光譜遙感數據樣本中黃龍病柑橘植株和健康柑橘植株冠層的相對光譜反射率異常數據，如圖2所示；

圖2低空遙感無人機高光譜數據異常檢測結果

然后將其進行SG平滑，效果如圖3。結果表明，One?ClassSVM處理后的光譜數據中異常數據較少且較好地保留了初始光譜的主要信息，后續試驗將異常剔除和SG 平滑后的光譜作為建模使用的原始光譜。

圖3無人機低空高光譜遙感數據 SG平滑效果

最后將原始光譜進行一階微分和二階微分變換，對圖像灰度變化有較強的響應，從而突出檢測目標的特征光譜。本研究中，OneClassSVM 算法以波段反射率或者PCA主成分為變量，高光譜波段較多，因此通過PCA減少模型所用的變量數，提高分類速度。將原始光譜、FDR、SDR，3類光譜數據分別進行PCA降維，得到3類光譜數據的主成分變量。綜合考慮累計方差貢獻率，當累計方差貢獻率達99.99%時，將主成分數目調至85。采用SVM模型分別對各類全波段光譜和主成分變量進行建模訓練和測試。

3.2 柑橘黃龍病SVM 分類模型構建效果

各類全波段光譜和主成分變量在SVM分類模型訓練和測試效果如表1所示。SVM分類模型參數見表1，通過對比模型準確率，選取模型的最佳參數。

表1波段光譜不同處理下SVM模型的分類結果

FDR、SDR的準確率相對穩定，優化幅度較小，且均優于FDR、SDR原始光譜，表明原始光譜經過變換后，有助于SVM分類模型提升判別能力。PCA降維后數據信息量減少，測試集單個樣本所需要的預測時間減少。2種樣本的訓練集準確率略有上升，但樣本1的測試集準確率卻下降，說明PCA降維對 SVM分類模型的判別準確率存在一定影響。SVM分類模型在引入 RBF后對高維數據有較強的處理能力，與信息量不完整的主成分變量相比，信息完整的全波段光譜的SVM分類模型分類效果更好。試驗采用隨機拆分數據集的方式，使訓練集和測試集的全波段光譜在高維空間中的分布和距離盡量保持一致，從而增加計算量。SVM分類模型對ENVI的全波段一階微分光譜訓練集和測試集分類 準確率分別達到92.39%和96.43%。可見SVM分類模型適用于柑橘黃龍病低空遙感監測。

4、討論

1）對于高光譜數據，合適的光譜變換能有效地提高黃龍病植株區域判別準確率，如試驗中從原始光譜變換到FDR數據后，判別模型有較好地優化效果，但再變換到SDR數據后，模型優化效果不明顯。后續的研究中，可嘗試把原始光譜變換成反對數光譜（ILR spectra），因為反對數光譜可以有效地放大相似光譜間的差異。

2）空中高光譜圖像受設備、地面、大氣等多客觀因素的干擾，因此要對數據進行預處理以便消除干擾，提高數據的可區分性。在軟件的ROI統計工具中，首先將樣本矢量圖形shape文件導入樣本中，在軟件中每個彩色方框即為樣本ROI，可直接導出每個框的各波段像元平均值。在ROI上的統計中 可看到該ROI 內的像元統計信息，均值就是ROI內的各波段平均值。

3）從SVM分類模型對全波段光譜和主成分變量的判別效果來看，全波段光譜的分類準確率更優，但全波段光譜數據量大，處理效率低，不便于未來的推廣和應用。后續的研究中可以嘗試更適合于主成分變量的判別模型，如經典機器學習分類方法中的k近鄰（kNN）以及深度神經網絡模型等，進一步優化提升分類模型的準確率。此外，本研究目標區域的柑橘有可能種植時期不同，暫無法排除罹患黃龍病是造成與健康植株長勢差異的唯一原因，冠層疏密程度不同，在光譜上可能存在差異，對最后的SVM模型分類效果存在影響。

5、結論

本研究通過地面實測判別出罹患黃龍病的柑橘植株，協同無人機低空遙感獲取標定柑橘種植地塊的高光譜影像，通過軟件獲取健康植株和黃龍病植株冠層感興趣區域的平均光譜， 通過降噪和光譜變換得到原始光譜、一階微分光譜 和二階微分光譜，引入徑向基核函數構建黃龍病支持向量機（SVM）分類模型。使用軟件提取樣本平均光譜，其全波段一階微分光譜的訓練集和測試集分類準確率分別為 87.41% 和 84.67%；使用另一軟件提取樣本平均光譜，其全波段一階微分光譜的訓練 集和測試集分類準確率分別為92.39%和96.43%。從試驗結果可以看出，無人機低空高光譜遙感影像結合機器學習識別黃龍病的方法可行；同時也可以預見，在其技術成熟并且得到推廣應用后，將會極大提高柑橘種植區域的有效管理和生產效率，可為柑橘種植區域的黃龍病防控提供信息技術支撐， 加快柑橘數字化發展進程。

推薦：

無人機機載高光譜成像系統iSpecHyper-VM100

一款基于小型多旋翼無人機機載高光譜成像系統，該系統由高光譜成像相機、穩定云臺、機載控制與數據采集模塊、機載供電模塊等部分組成。無人機機載高光譜成像系統通過獨特的內置式或外部掃描和穩定控制，有效地解決了在微型無人機搭載推掃式高光譜照相機時，由于振動引起的圖像質量較差的問題，并具備較高的光譜分辨率和良好的成像性能。

審核編輯 黃宇