无人机低空高光谱遥感影像柑橘黄龙病植株监测模型探究

引言

为实现大范围的柑橘黄龙病监测预警，提供一种减少人工成本的柑橘黄龙病病害统计方法，本研究通过地面实测黄龙病植株，协同无人机采集低空高光谱遥感影像，经过异常数据剔除、平滑去噪、一阶微分变换、二阶微分变换等处理后，构建支持向量机（SVM）分类模型对柑橘黄龙病进行识别，探讨低空无人机高光谱遥感监测黄龙病的可行性。

数据来源及研究方法

2.1 数据来源

试验地点为广西壮族自治区柳州市鹿寨县平山，数据来源于使用无人机搭载机载高光谱成像仪采集的低空高光谱遥感影像。高光谱正射影像数据包含反射率为30%的漫反射定标板，影像分辨率默认设置为1m。采集图像的区域为柑橘健康植株和黄龙病植株的种植地块，如图1所示。

图1 无人机低空高光谱遥感影像采集区域

在前期的地面调研中，已通过田间诊断和PCR检测等地面实测方法对数据采集区域的柑橘植株感染黄龙病情况进行抽样确认，即对目标区域的柑橘植株采样（51株），以专家经验的方式选定目标植株进行随机抽样采集叶片，健康植株每株采集3张叶片，黄龙病植株症状较明显和症状不明显的叶片各采集3张。采用实时荧光定量PCR检测样本，结果显示21个样本感染黄龙病。基于此，本研究在获取到无人机低空高光谱遥感影像后，分别建立健康植株冠层和黄龙病植株冠层样本的感兴趣区域（ROI）。

2.2 研究方法

本研究通过使用软件完成样本制作。提取样本点的平均光谱数据，计算结果并导出 Excel格式文件，用于后续试验研究的数据处理分析。最后通过式（1）把提取到的柑橘植株冠层高光谱数据进行反射率转换，得到柑橘植株冠层的相对光谱反射率，计算公式如下。

式中，DNC为柑橘植株冠层的辐射亮度值，DNB为漫反射定标板的辐射亮度值，SRC为柑橘植株冠层 的相对光谱反射率，SRB为漫反射定标板的光谱反射率。

2.2.1 黄龙病分类与检测模型

选取400~1000的特征波段，使用通过软件获取的原始光谱、一阶微分光谱（FDR)和二阶微分光谱（SDR)作为样本变量；

采用经典机器学习分类方法中的支持向量机（SVM）建立柑橘黄龙病分类与检测模型；引入径向基核函数（RBF kernel）来处理高维数据；通过随机拆分数据集的方式使模型样本训练集和测试集的数据分布尽量保持一致。SVM是经典机器学习中的一类监督学习算法，常被用来解决二分类问题，对于高维、非线性的数据有较好的分类能力。

3、结果与分析

3.1 无人机低空高光谱遥感影像数据处理

通过地面实测与遥感协同的方式，验证无人机高光谱成像仪获取的光谱反射率曲线规律。首先，使用OneClassSVM 算法分别剔除无人机低空高光谱遥感数据样本中黄龙病柑橘植株和健康柑橘植株冠层的相对光谱反射率异常数据，如图2所示；

图2低空遥感无人机高光谱数据异常检测结果

然后将其进行SG平滑，效果如图3。结果表明，One⁃ClassSVM处理后的光谱数据中异常数据较少且较好地保留了初始光谱的主要信息，后续试验将异常剔除和SG 平滑后的光谱作为建模使用的原始光谱。

图3无人机低空高光谱遥感数据 SG平滑效果

最后将原始光谱进行一阶微分和二阶微分变换，对图像灰度变化有较强的响应，从而突出检测目标的特征光谱。本研究中，OneClassSVM 算法以波段反射率或者PCA主成分为变量，高光谱波段较多，因此通过PCA减少模型所用的变量数，提高分类速度。将原始光谱、FDR、SDR，3类光谱数据分别进行PCA降维，得到3类光谱数据的主成分变量。综合考虑累计方差贡献率，当累计方差贡献率达99.99%时，将主成分数目调至85。采用SVM模型分别对各类全波段光谱和主成分变量进行建模训练和测试。

3.2 柑橘黄龙病SVM 分类模型构建效果

各类全波段光谱和主成分变量在SVM分类模型训练和测试效果如表1所示。SVM分类模型参数见表1，通过对比模型准确率，选取模型的最佳参数。

表1波段光谱不同处理下SVM模型的分类结果

FDR、SDR的准确率相对稳定，优化幅度较小，且均优于FDR、SDR原始光谱，表明原始光谱经过变换后，有助于SVM分类模型提升判别能力。PCA降维后数据信息量减少，测试集单个样本所需要的预测时间减少。2种样本的训练集准确率略有上升，但样本1的测试集准确率却下降，说明PCA降维对 SVM分类模型的判别准确率存在一定影响。SVM分类模型在引入 RBF后对高维数据有较强的处理能力，与信息量不完整的主成分变量相比，信息完整的全波段光谱的SVM分类模型分类效果更好。试验采用随机拆分数据集的方式，使训练集和测试集的全波段光谱在高维空间中的分布和距离尽量保持一致，从而增加计算量。SVM分类模型对ENVI的全波段一阶微分光谱训练集和测试集分类 准确率分别达到92.39%和96.43%。可见SVM分类模型适用于柑橘黄龙病低空遥感监测。

4、讨论

1）对于高光谱数据，合适的光谱变换能有效地提高黄龙病植株区域判别准确率，如试验中从原始光谱变换到FDR数据后，判别模型有较好地优化效果，但再变换到SDR数据后，模型优化效果不明显。后续的研究中，可尝试把原始光谱变换成反对数光谱（ILR spectra），因为反对数光谱可以有效地放大相似光谱间的差异。

2）空中高光谱图像受设备、地面、大气等多客观因素的干扰，因此要对数据进行预处理以便消除干扰，提高数据的可区分性。在软件的ROI统计工具中，首先将样本矢量图形shape文件导入样本中，在软件中每个彩色方框即为样本ROI，可直接导出每个框的各波段像元平均值。在ROI上的统计中 可看到该ROI 内的像元统计信息，均值就是ROI内的各波段平均值。

3）从SVM分类模型对全波段光谱和主成分变量的判别效果来看，全波段光谱的分类准确率更优，但全波段光谱数据量大，处理效率低，不便于未来的推广和应用。后续的研究中可以尝试更适合于主成分变量的判别模型，如经典机器学习分类方法中的k近邻（kNN）以及深度神经网络模型等，进一步优化提升分类模型的准确率。此外，本研究目标区域的柑橘有可能种植时期不同，暂无法排除罹患黄龙病是造成与健康植株长势差异的唯一原因，冠层疏密程度不同，在光谱上可能存在差异，对最后的SVM模型分类效果存在影响。

5、结论

本研究通过地面实测判别出罹患黄龙病的柑橘植株，协同无人机低空遥感获取标定柑橘种植地块的高光谱影像，通过软件获取健康植株和黄龙病植株冠层感兴趣区域的平均光谱， 通过降噪和光谱变换得到原始光谱、一阶微分光谱 和二阶微分光谱，引入径向基核函数构建黄龙病支持向量机（SVM）分类模型。使用软件提取样本平均光谱，其全波段一阶微分光谱的训练集和测试集分类准确率分别为 87.41% 和 84.67%；使用另一软件提取样本平均光谱，其全波段一阶微分光谱的训练 集和测试集分类准确率分别为92.39%和96.43%。从试验结果可以看出，无人机低空高光谱遥感影像结合机器学习识别黄龙病的方法可行；同时也可以预见，在其技术成熟并且得到推广应用后，将会极大提高柑橘种植区域的有效管理和生产效率，可为柑橘种植区域的黄龙病防控提供信息技术支撑， 加快柑橘数字化发展进程。

推荐：

无人机机载高光谱成像系统iSpecHyper-VM100

一款基于小型多旋翼无人机机载高光谱成像系统，该系统由高光谱成像相机、稳定云台、机载控制与数据采集模块、机载供电模块等部分组成。无人机机载高光谱成像系统通过独特的内置式或外部扫描和稳定控制，有效地解决了在微型无人机搭载推扫式高光谱照相机时，由于振动引起的图像质量较差的问题，并具备较高的光谱分辨率和良好的成像性能。

审核编辑 黄宇