基于高光谱技术的农作物常见病害监测研究
谢亚平1, 陈丰农1, 张竞成1, 周斌2, 王海江3, 吴开华1,*
1. 杭州电子科技大学生命信息与仪器工程学院, 浙江 杭州 310018
2. 杭州师范大学遥感与地球科学研究院, 浙江 杭州 311121
3. 石河子大学农学院农业资源与环境系, 新疆 石河子 832003
*通讯联系人  e-mail: wukaihua@hdu.edu.cn

作者简介: 谢亚平, 1990年生, 杭州电子科技大学生命信息与仪器工程学院硕士研究生 e-mail: 1216316685@qq.com;陈丰农, 1978年生, 杭州电子科技大学生命信息与仪器工程学院副教授 e-mail: fnchen@hdu.edu.cn;陈丰农, 谢亚平: 并列第一作者

摘要

农作物病害是制约产量的重要因素之一, 目前农作物病害的早期监测主要依靠植保人员田间取样判断危害等级的传统方式, 存在主观性强、效率低、滞后性等弊端, 也有些病害采用提前施药来进行预防, 但此方法有农药过量的风险, 从而影响到水稻生长的生态环境。 近年来随着信息技术的快速发展, 高光谱技术以数据量丰富、 灵敏、 可靠的特点迅速应用于农业生产中, 成为主要检测农作物病害的有效技术手段之一。 文章阐述了植物在病害胁迫下光谱响应机制, 从粮食作物、 经济作物、 蔬菜作物、 果类和其他农作物五个方面梳理和总结了近七年国内外高光谱技术在农作物病害的研究进展, 在此基础上提出目前该技术在农作物监测应用领域的不足以及对未来的展望。 为农作物的病害监测提供参考。

关键词: 高光谱技术; 农作物病害; 监测
中图分类号:S237 文献标志码:R
Study on Monitoring of Common Diseases of Crops Based on Hyperspectral Technology
XIE Ya-ping1, CHEN Feng-nong1, ZHANG Jing-cheng1, ZHOU Bin2, WANG Hai-jiang3, WU Kai-hua1,*
1. Hangzhou Dianzi University, College of Life Information Science and Instrument Engineering, Hangzhou 310018, China
2. Hangzhou Normal University, Institute of Remote Sensing and Earth Sciences, Hangzhou 311121, China
3. Department of Resources and Environmental Science, Shihezi University, Shihezi 832003, China
*Corresponding author

XIE Ya-ping and CHEN Feng-nong: joint first authors

Abstract

Crop disease is one of the important factors for yield. The early monitoring of crop diseases mainly rely on traditional methods of judging disease classes of plant protection, with strong subjectivity, low efficiency, delay and other defects, and crop-dust is also carried out to prevent plant diseases in advance. However, this method has the risk of excessive pesticide, which affects the ecological environment of rice growth. In recent years, with the rapid development of information technology, hyperspectral image technology has been applied in agricultural production with huge data, sensitive and reliable . It has become an effective method to detect crop diseases. This paper describes the spectral response mechanism under the plant disease stress, from 5 aspects of food crops, cash crops, vegetable crops, fruits and other crops, and summarizes the progress of hyperspectral image technology in the study of plant diseases in recent 7 years at home and abroad. On this basis, this paper puts forward the deficiencies of the technology in the field and the prospect for the future, also, provide a reference in the crop disease monitoring.

Keyword: Hyperspectral image technology; Crops disease; Identification model
引 言

农作物病害对农产品的产量和品质影响巨大, 对农民增收和农业发展是主要的制约因素。 通常情况下, 人们会提前预防或者根据受病害侵袭情况喷洒相应的农药, 以防止病害的进一步恶化和大面积扩散, 但这样又会增加成本投入、 污染环境与公害加剧等问题[1]。 尽早掌握农作物病害情况和发病特点, 对农作物品质和产量提升, 减少农民的经济损失意义重大[2]

目前, 我国大部分农田的发病情况监测仍以传统方式居多, 这些方法对监测人员要求高, 且劳动强度大, 有可能给农业生产造成不可估量的损失。 若利用高光谱技术监测农作物病害情况, 不但克服了传统方式的缺点, 而且覆盖面积广, 可连续动态的监测, 为及时准确的农作物病害监测提供了新的技术手段。 该技术能在大范围内快速获取连续地表作物信息, 在农作物种类识别[3, 4, 5, 6, 7]、 品质预报[8, 9, 10, 11]、 病虫害监测[12, 13, 14]等方面已有许多研究和不同程度的应用。 这为农作物病害的早期监测提供了技术手段, 也为优质、 高效益农业的持续发展奠定了基础。

本文对近七年高光谱技术在农作物病害监测的最新研究进行综述, 阐述了农作物病害光谱响应的生理机制, 从五大类农作物病害监测情况对国内外高光谱技术在农作物常见病害中的监测研究进行了综述, 最后提出了目前高光谱技术在农作物病害应用领域的不足和须解决的问题。

1 植物病害胁迫下光谱响应机制

由于各种植物的组成成分、 内部结构和外部状态的不同, 对电磁辐射的响应差异很大, 即各种植物都有其独特的电磁辐射特性。 植物受到病害侵袭后, 会改变其内部的生理结构和生物化学特性, 在外形上会表现出一定程度的叶片发黄、 枯萎、 凋零等现象, 同时其光谱特征也会随之改变, 这种变化间接反映了植物在病害胁迫下的生理特性, 因此可根据光谱的差异来监测植物的生长状况。 高光谱成像技术具有图像信息和光谱信息, 通过图像信息可以直接反映植物的外部表面缺陷, 光谱数据则能反映植物内部物理结构和化学成分, 因此高光谱图像的信息量非常丰富。 近年来, 该技术已在农作物的品质无损检测、 病害识别及分级、 产量预报等方面得到广泛应用[15], 该技术在土壤和环境监测、 采矿、 农业、 军事、 民事搜索和救援行动等领域也应用非常广[16, 17]。 其监测的原理是: 作物叶片中生物化学成分的变化可通过光谱的特征波形显现, 对所得到的光谱数据进行处理和分析, 就可以得到反映作物的生化组分信息。

通常情况下, 将不同病害的识别或分级与光谱信息的变化之间的关系看成一个函数, 找出病害程度与原始光谱、 植被指数、 导数光谱等变化之间的关系, 确定监测不同病害识别及病害分级的敏感波段和敏感时期, 定量分析病害的危害程度, 能够为大规模监测农作物病害发生情况及发展动态提供及时、 可靠的信息。 经过前几年的研究[10, 11, 12, 13, 14], 通过地面高光谱仪器所获取的不同健康状况的农作物冠层光谱曲线, 可以看出不同病害程度胁迫下的农作物在光谱上的反映差异明显, 这就为早期预防农作物病害和进行危害评估, 减少产量的损失提供了可能。

2 国内外研究进展

高光谱图像中每个像元都具有连续的高分辨率光谱曲线, 高分辨率的精细光谱数据能充分反映地物光谱的细微特征, 目前大多数高光谱相机的光谱范围在400~1 000 nm, 主要在可见光和部分近红外波段。 也有1 000~1 700 nm近红外波段的范围。 基于其分辨率高、 波段宽、 时效性强等特点, 该技术广泛应用于监测农田土壤环境、 作物生长、 杂草侵扰、 虫害、 病害和估产等方面, 为指导农业生产管理提供数据和信息[18, 19]。 例如Osher[16]提出一种基于l1最小化模板匹配算法, 该算法可用于高光谱分类和目标探测, 与光谱角(SAM)、 自适应相关估计(ACE)、 广义似然比检验(GLRT)和匹配滤波器方法相比, 可实现高速率、 高精度的匹配效果。Ashourloo等[20]采用一种新的机器学习回归技术研究患有不同程度叶锈病的小麦及其相应症状, 并与光谱植被指数(SVI)病情检测进行比较, 结果表明该技术的灵敏度及识别精度很高。近年来越来越多的国内外研究学者将高光谱技术应用于农作物病害的监测和识别上, 包括粮食作物、 经济作物、 蔬菜作物、 果类和其他农作物上, 大大提高了农作物常见病害监测的效率和准确性。

2.1 粮食作物

国内外高光谱技术在监测不同病害胁迫下粮食作物的研究和应用最广泛和深入, 尤其是水稻和小麦的病害研究已经从理论逐渐走向应用。

在水稻病害方面: 杨燕等[21]利用高光谱图像处理技术结合化学计量学方法, 建立稻瘟病潜育期内稻苗冠层高光谱图像与抗氧化酶 SOD 酶活之间的关联预测模型。 Kobayashi等[22]利用机载高光谱成像仪探测日本大田水稻穗瘟的严重程度(计算波段比), 为合理使用杀菌剂和预测产量损失提供依据。 郑志雄等[23]通过分析叶瘟病斑区域与正常叶片部位的光谱特征, 采用主成分分析和最大类间方差法(Otsu)分割出灰色病斑, 试验分级准确率为96.39%。 袁建清等[24]获取2个品种4类水稻叶片(健康、 缺氮、 轻度感病和重度感病)的反射率光谱。 分类识别方法采用偏最小二乘判别分析(PLS-DA)和主成分分析-支持向量机(PCA-SVM)方法构建水稻叶瘟病识别模型, 结果显示多个判别模型都获得了较高的识别率。 程术希等[25]采用偏最小二乘法对不同水稻稻叶瘟染病程度的叶片进行化学计量学分析, 分别建立基于全波段、 特征波段的稻叶瘟染病程度定量检测模型, 结果表明全波段建模的染病程度检测正确率达到96.7%。 陈铭涛等[26]通过采集感染不同程度的白叶枯病的水稻冠层进行高光谱检测, 运用移动平均法、 一阶微分法和峰值面积归一化法对数据进行处理, 结果表明健康水稻与感染不同程度病害的水稻在冠层光谱反射率确实存在差异, 尤其是在感染病害的早期即存在较大的差异, 可以利用水稻冠层的光谱反射率进行水稻病害的早期检测及防治。 刘占宇等比较了受稻干尖线虫病胁迫的水稻叶片和健康水稻叶片色素含量、 高光谱特征参数和光谱反射率。 结果表明, 以红边位置和红边面积作为非线性支持向量机的特征向量, 能100%对受害和健康叶片进行识别。

目前在水稻的三大主要病害稻瘟病、 白叶枯病、 纹枯病研究中, 高光谱技术在稻瘟病方面的研究较多, 对白叶枯病、 纹枯病的研究较少。 另外在其他比较严重的病如稻曲病、 干尖线虫病、 恶苗病等研究也很少。

在小麦病害方面: Ashourloo等[20]采用偏最小二乘回归(PLSR), V支持向量回归和高斯过程回归(GPR)检测不同严重度及相应症状的小麦叶锈病, 结果表明对于不同程度叶锈病症状的小麦识别精度较好。 王爽等[27]用高光谱遥感技术分析不同发病程度的混种小麦冠层光谱, 建立了用于表示小麦病情指数和产量的反演模型, 并较好的用归一化植被指数NDVI对条锈病胁迫下的产量及其构成因素进行模拟。 蒋金豹等检测了在不同生育期对不同等级条锈病的冬小麦冠层光谱及病情指数(DI), 用Cho, Skidmore和一阶微分最大值法两种方法分别提取光谱黄边位置(YEP) 与红边位置(REP), 在模型预测中以REP-YEP为变量, 能提前12天识别出病害胁迫与健康的小麦, 且精度较好。 梁琨等[28]研究了小麦赤霉病的识别方法, 光谱预处理时用多元散射校正(MSC)和标准正态变量变换(SNV)两种方法, 变量筛选提取特征波段分别用正自适应加权算法(CARS)和连续投影算法(SPA), 结果表明用支持向量机和BP神经网络算法建立模型的识别率均达到90%以上。 袁琳等通过相关分析和独立T检验, 采用Fisher线性判别分析对小麦白粉病和条锈病叶片进行识别, 对反射率波段和光谱特征进行筛选能够较好地区分这两种病害。 冯伟等[29]在病害胁迫下不同生育时期测定群体光谱及叶绿素密度, 分析了群体光谱反射率、 一阶微分及传统光谱特征参数与冠层叶绿素密度间关系, 建立病害叶绿素密度估算模型并验证, 结果表明随病情指数增加叶绿素含量下降, 不同感性品种均如此, 对易感品种(白粉病)的危害较重。 乔红波等[31]通过ASD非成像光谱仪获取小麦全蚀病的光谱信息, 提取全蚀病特征光谱, 建立光谱波段比, 同时利用无人机获取实时田间数码图像, 对其颜色特征进行量化, 用SVM的决策树对不同全蚀病等级进行分类的分类精度均大于86%, 平均运算时间小于30 s。 Zhang等[32]利用高光谱成像仪检测小麦白粉病, 通过分类回归树(CRT)建立小麦白粉病预测模型, 结果表明该模型识别率达80%以上。

由上可知, 从近七年国内外对小麦病害研究的分析来看, 对小麦条锈病、 白粉病、 全蚀病研究较多, 其他比较严重的病如赤霉病、 纹枯病、 黄花叶病等研究较少。

在马铃薯病害方面: Daeal等[33]获取马铃薯黑星病的高光谱图像, 采用SVM和随机分类法对每个像素进行分类, 最终的准确率可达97.1%。 胡耀华等于ENVI软件处理平台提取马铃薯晚疫病图像中感兴趣区的光谱信息, 并采用光谱变换、 移动平均平滑、 导数处理、 基线变换等预处理方法提高信噪比, 用LS-SVM的识别模型识别率均可达94.87%。 在大豆病害方面: 冯雷等[34]应用可见/近红外光谱技术结合连续投影算法(SPA)和LS-SVM对大豆豆荚炭疽病进行了早期快速无损检测, 用PCA和SPA结合LS-SVM进行降维和识别, 结果显示SPA-LS-SVM模型效果比较好, 最高的识别准确率可达95.45%。

从目前高光谱技术在农作物常见病害的研究情况来看, 粮食作物病害的研究最多, 表1对上述光谱特征波段和方法做了归纳和总结。

表1 粮食作物病害光谱特征波段和分析方法 Table 1 Analysis methods of spectrum characteristics in food crop diseases

由于植物类型和染病的种类不同, 其光谱响应波段和分析方法也不同, 这与前面所述的植物在病害胁迫下光谱响应机制观点一致。

2.2 经济作物

在棉花病害方面: Prabhakar等[35]采用光谱指数对印度南部地区的3个感染叶蝉病害的棉花区域进行了分析研究, 检测了棉花感染叶蝉病害之后的6个敏感波段, 结果表明光谱指数能够较好地监测棉花叶蝉病害感染情况。 陈兵等检测了棉花受黄萎病感染不同生育时期的叶绿素含量和叶片光谱, 建立了多个极为显著的特征参数的估测模型, 最终表明对叶绿素含量的估测精度较高, 该方法对棉花长势以及棉花病害监测有显著意义。 在烟草病害方面: Yusuf等[36]用380~1 030 nm的高光谱相机采集烟草植物黑胫病的数据, 黑柄真菌损害水平的最优波长由光谱灵敏度的反射率参数来确定和评价, 通过PCA来获取判别黑胫病严重性级别的最佳波段范围。 徐冬云等[37]用偏最小二乘法建立病害程度估测模型, 并进一步将模型应用于资源3号卫星遥感数据, 建立烟草花叶病发病等级分布图, 结果显示烟草受花叶病感染后, 在可见光波段反射率上升, 而在近红外波段反射率明显下降, 并且随着病害程度的加重, 上述变化也越来越明显。

高光谱技术用于经济作物病害的研究较多, 表2对上述光谱特征波段和方法做了归纳和总结。

表2 经济作物病害光谱特征波段和分析方法 Table 2 Analysis methods of spectrum characteristics in economics crop diseases
2.3 蔬菜作物

在黄瓜病害方面: 田有文等[38]采用高光谱图像技术与线性核函数研究了黄瓜霜霉病和白粉病, 研究结果表明诊断率均达100%。 柴阿丽等对黄瓜白粉病、 角斑病、 霜霉病、 褐斑病和无病区域用光谱成像技术进行识别, 降维方法采用逐步判别分析和典型判别分析, 结果表明逐步判别构建的模型对训练样本和测试样本的判别比较好, 识别率分别为100%和94%, 典型判别构建的效果更好, 对训练和测试样本的识别率均为100%。 在番茄病害方面: 孔汶汶等应用PLS模型的隐含变量载荷分布选取了多个特征波长, 建立了番茄茎秆灰霉病早期诊断的LS-SVM模型, 结果表明经过变量标准化(SNV)及多元散射校正(MSC)预处理所建立的模型获得了满意的判别效果, 优于全波段的PLS模型。 Lu等[39]对四波段比图像(560/575, 712/729, 586/690和720/840 nm)与四个广泛使用的植被指数(VIS)的进行了比较, 利用灰度共生矩阵提取24个纹理特征(GLCM), 计算各特征的最佳阈值, 结果表明其在最佳阈值时, 识别精度为100%。 谢传奇等选取染早疫病和健康番茄叶片的光谱反射率值, 用灰度共生矩阵作为纹理特征, 通过PCA和连续投影算法(SPA)进行降维, 结合LS-SVM识别模型构建早疫病的早期鉴别模型, 对比多个识别模型采用光谱反射率值的LS-SVM模型的识别率最高, 可达到100%。 冯雷等[40]通过PCA对茄子灰霉病叶片高光谱数据进行降维, 并从中优选出3个特征波段的特征图像, 提取了灰度共生矩阵的纹理特征参数, 通过连续投影算法提取了13个特征变量, 用LS-SVM建立鉴别模型的准确率为97.5%。 Wang等[41]对洋葱的酸皮病用短波近红外高光谱进行无损检测, 降维用PCA选取两个最优波段图像, 再对最优图像先采用Fisher判别分析法, 对感染伯克霍尔德氏菌的洋葱进行检测, 所得的准确率达80%; 再用SVM分析判别, 对健康和感染伯克霍尔德氏菌的洋葱的分类准确率可达87.14%。 Mahlein等[42]采用光谱角制图分类的方法对甜菜叶片的褐斑病、 白粉病和锈病进行了无损检测, 以健康样本作为对照组, 对染病8, 11, 14, 17和20 d后的甜菜褐斑病、 白粉病和锈病最高正确分类率分别为98.9%, 97.2%和61.7%。 Roscher等[43]结合光谱图像数据与三维几何数据对甜菜褐斑病症状进行探测, 并与一类支持向量机方法作比较, 结果表明, 光谱信息和几何信息的融合技术有较高的识别精度。 表3对本节内容进行了总结。

表3 蔬菜作物病害光谱特征波段和分析方法 Table 3 Analysis methods of spectrum characteristics in vegetable crop diseases
2.4 果类

刘思伽等[44]采用高光谱成像技术对苹果的炭疽病、 苦痘病、 黑腐病和褐斑病的病害果进行无损检测研究, 将3个特征波段下对应的光谱相对反射率分别组合, 作为BP神经网络的输入矢量, 检测苹果是否为病害果, 结果表明选择700与904 nm波段下的光谱相对反射率为最佳组合, 病害果的检测正确率达96.25%。 Xian等[45]分析和比较了苹果叶子分别在三种病胁迫下的高光谱反射特性, 建立Logit模型、 功率模型、 指数模型三种诊断模型, 实验取得很好的识别效果。 李江波等[46]采用高光谱荧光成像技术对脐橙的早期腐烂果进行检测, 用最佳指数OIF理论提取光谱中的最佳波段, 再对最优波长的图像进行双阈值分割来识别正常脐橙与腐烂脐橙, 研究表明识别率可达到100%。 周鹏等[47]用主成分分析对南疆红枣的枣锈病、 黑斑病、 缩果病、 枣疯病和无病区域的高光谱图像进行最佳波段选取, 用均值置信区间带筛选红枣病虫害高光谱特征谱段的方法, 并运用逐步判别法进行降维。 王斌等[48]利用线性的逐步判别分析法和非线性的LS-SVM建立病害梨枣分类模型, 比较了全波段模型、 近似系数模型和主成分模型的参数和预测效果, 研究表明, 以光谱近似系数为特征参数结合逐步判别分析法建立的模型分类效果最佳, 准确率可达99.12%。 梅慧兰等[49]用高光谱成像技术对柑橘黄龙病进行了早期无损检测及病情分级, 并分别比较了多种预处理方法的建模结果, 结果表明经SG平滑及一阶微分预处理所建立的模型分类效果最佳。 Pourreza等[50]利用光谱成像仪在柑橘林检测患有黄龙病(HLB)植株, 采用平均灰度值、 标准差进行分类, 结果表明, HLB的检测精度为95.5%~98.5%。 黄锋华等[51]采用高光谱成像技术对裂纹果、 锈病果、 异形果和暗伤果的“ 中油9号” 油桃进行检测判别, 对光谱数据进行主成分分析, 并采用6项图像纹理指标, 即均值、 对比度、 相关性、 能量、 同质性、 熵值, 将主成分值和纹理值融合建立极限学习机(ELM)模型来检测油桃外部缺陷, 该模型对缺陷样本和完好样本的判别正确率分别为 91.67%和100%。 Ochoa等[52]建立一个超光谱(HS)成像系统, 检测香蕉叶斑病症状, 采用像素合并去噪来改善图像质量, 实现了香蕉叶斑病的自动分类。 总结归纳如表4所示。

表4 果类病害光谱特征波段和分析方法 Table 4 Analysis methods of spectrum characteristics in fruit diseases
2.5 其他农作物

Del Fiore等[53]用高光谱成像技术检测玉米真菌感染的情况, 最佳小段提取方法采用主成分分析法, 用方差分析和费舍尔显著性差异的方法对玉米真菌感染检测准确率可达95%。 王利民等[54]分析了不同种植区不同生长期春玉米冠层光谱反射率和光谱一阶微分特征, 并构建了专门的春玉米大斑病的遥感监测指数, 研究结果表明乳熟期的春玉米大斑病在红边波段内的响应较为敏感, 尤其红边核心区(725~740 nm)的光谱一阶微分与病害严重程度间存在明显地单调变化关系, 具有非常显著的负相关性, 且利用红边一阶微分指数的对病害程度的聚类总体精度达到 100.0%。 Gaston等[55]利用PLS-DA和决策树识别方法对染有褐斑病和受机械损伤的蘑菇的光谱图像进行分析判别, 结果表明识别率为95%以上。 马菁等[56, 57]对枸杞木虱、 瘿螨、 负泥虫和白粉病4种病虫害危害冠层的近地高光谱进行研究, 研究发现枸杞病虫害识别的最敏感波段为红边区(680~760 nm), 枸杞病情指数反演的最佳模型是以波段比R760/R700为变量的模型, 且受白粉病胁迫下的枸杞冠层光谱反射率在600~730 nm处升高, 在730~760 nm和近红外波段处降低。 本节的总结如表5所示。

表5 其他作物病害光谱特征波段和分析方法 Table 5 Analysis methods of spectrum characteristics in the other crop Diseases
3 结论与展望

从国内外的研究进展来看, 在农作物病害中的研究中, 高光谱技术的应用已经越来越广泛, 粮食作物、 经济作物、 蔬菜作物和果类病害的实验和研究尤其多, 其他方面的研究也在逐渐增多, 未来高光谱技术具有广阔的应用前景。 本文在详细介绍植物病害胁迫下光谱响应机制基础上, 从五方面分别梳理和总结了近7年国内外高光谱技术在农作物病害方面的研究进展。 从目前的研究进展可知, 高光谱成像技术的优点在植物检测上潜力巨大, 能同时获得植物的光谱信息和空间分布信息, 对农作物病害的无损检测具有优势和潜力。

但高光谱技术在我国农作物病害方面的研究还有待发展, 尤其在精准农业和智慧农业风靡的今天更需进一步探索:

(1)目前在农作物病害的高光谱技术以实验室的理论研究为主, 从文献和公开报道中看, 用高光谱技术对农作物病害监测具有可行性, 可对农作物进行早期监测, 根据病害情况采取相应的措施及时治理, 为农作物的健康成长排除隐患, 但实际生产中, 由于成像光谱仪在室外受光线和其他环境的干扰, 所得到的数据量太大、 波段过多, 导致该技术在病害识别方面存在着较大误差, 也影响了识别速度, 因此研究高光谱数据的预处理方法对后面光谱数据处理的运行速率及结果的准确性至关重要。

(2)根据植物类型和染病的种类不同, 其光谱响应波段和分析方法也不同, 由此可以对不同植物常见病害的敏感波段和鉴别方法进行全面汇总, 建立一个作物病害光谱特征和鉴别模型的数据库, 将会极大提高病害鉴别的效率, 同时也便于数据交互和共享。

(3)当前无论在实验室或者室外的农作物高光谱技术研究中, 由于高光谱的数据量大, 对病害监测的实时性考虑不多。 另外, 在田间采集的高光谱数据受环境中光线、 噪声、 障碍物等多变因素的影响, 对监测结果形成干扰, 未来对田间作物病害实时监测时尚需进行更深入的研究, 使得采集到的数据更加真实可靠。

(4)目前高光谱技术在农作物病害研究主要通过提取特征波段进行数据压缩, 以识别病害植物的内部信息, 但通过图像来分析的外部信息这一特性却有些忽略。 若把光谱特征和图像特征融合, 可以克服单一使用光谱特征和外部特征的不足, 甚至加上高光谱的荧光, 可达到精准识别农作物病虫害的目的。

综上所述, 目前我国高光谱技术在农作物病害方面的研究和应用尚处于较早期, 有许多难题待解决, 须将该技术和农田管理技术、 气象数据等多源数据协调配合并有效融合。 随着大数据结合深度学习等技术的进一步发展, 高光谱技术在农作物领域的应用将能发挥出其巨大的潜力。

The authors have declared that no competing interests exist.

参考文献
[1] FENG Lei, GAO Ji-xing, HE Yong(冯雷, 高吉兴, 何勇). Transactions of the Chinese Society of Agricultural Machinery(农业机械学报), 2013, 44(9): 169. [本文引用:1]
[2] LUO Hong-xia, KAN Ying-bo, WANG Ling-ling, et al(罗红霞, 阚应波, 王玲玲, ). Guangdong Agricultural Sciences(广东农业科学), 2012, 18(5): 76. [本文引用:1]
[3] Morsier F D, Borgeaud M, Gass V, et al. IEEE Transactions on Geoscience & Remote Sensing, 2016, 54(6): 3410. [本文引用:1]
[4] FENG Zhao-li, ZHU Qi-bing, ZHU Xiao, et al(冯朝丽, 朱启兵, 朱晓, ). Journal of Jiangnan University·Natural Science Edition(江南大学学报·自然科学版), 2012, 11(2): 149. [本文引用:1]
[5] ZOU Wei-na, ZHANG Li-quan, YUAN Lin(邹维娜, 张利权, 袁琳). J. of East China Normal University(华东师范大学学报), 2014(4): 132. [本文引用:1]
[6] CHENG Quan, YANG Fang, WANG Dan-hong, et al(程权, 杨方, 王丹红, ). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2014, 34(3): 656. [本文引用:1]
[7] ZHANG Fu-hua, HUANG Ming-xiang, ZHANG Jing, et al(张富华, 黄明祥, 张晶, ). J. of Mapping(测绘通报), 2014, (7): 66. [本文引用:1]
[8] WANG Shu-wen, ZHAO Yue, WANG Li-feng, et al(王树文, 赵越, 王丽凤, ). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2016, 32(20): 197. [本文引用:1]
[9] CHEN Shou-man(陈守满). J. of Ankang College(安康学院学报), 2011, 23(6): 1. [本文引用:1]
[10] Tian Yongchao, Gu Kaijian, Chu Xu, et al. Plant Soil, 2014, 376: 193. [本文引用:2]
[11] Wang Z, Zhu X, Fang X, et al. Intelligent Automation & Soft Computing, 2015, 21(3): 383. [本文引用:2]
[12] Zhang Jingcheng, Pu Ruiliang, Wang Jihua, et al. Computers and Electronics in Agriculture, 2012, 85: 13. [本文引用:2]
[13] Zhang Hao, Hu Hao, Zhang Xiaobin, et al. Acta Physiol Plant, 2011, (33): 2461. [本文引用:2]
[14] Ashish Mishra, Davood Karimi, Reza Ehsani, et al. Biosystems Engineering, 2011, 110: 302. [本文引用:2]
[15] Peng Yanying, Sun Xudong, Liu Yand e. Laser & Infrared, 2010, 40(6): 586. [本文引用:1]
[16] Guo Z, Osher S. Inverse Problems & Imaging, 2017, 5(1): 19. [本文引用:2]
[17] Zeng W Z, Huang J S, Xu C, et al. Ecological Chemistry & Engineering S, 2016, 23(1): 117. [本文引用:1]
[18] Huang Y, Lee M A, Thomson S J, et al. International Journal of Agricultural & Biological Engineering, 2016, 9(2): 98. [本文引用:1]
[19] Sankey T T, Mcvay J, Swetnam T L, et al. Remote Sensing in Ecology & Conservation, 2017, 10(2): 1. [本文引用:1]
[20] Ashourloo D, Aghighi H, Matkan A A, et al. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2016, 9(9): 4344. [本文引用:2]
[21] YANG Yan, HE Yong(杨燕, 何勇). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2013, 29(20): 135. [本文引用:1]
[22] Kobayashi T, Sasahara M, Kand a E, et al. Open Agriculture Journal, 2016, 10(1): 28. [本文引用:1]
[23] ZHENG Zhi-xiong, QI Long, MA Xu, et al(郑志雄, 齐龙, 马旭, ). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2013, 29(19): 138. [本文引用:1]
[24] YUAN Jian-qing, SU Zhong-bin, JIA Yin-jiang, et al(袁建清, 苏中滨, 贾银江, ). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2016, 32(13): 155. [本文引用:1]
[25] CHENG Shu-xi, SHAO Yong-ni, WU Di, et al(程术希, 邵咏妮, 吴迪, ). J. of Zhejiang University(浙江大学学报), 2011, 37(3): 307. [本文引用:1]
[26] CHEN Ming-tao, FAN Jun-wei, PENG Ji-huang, et al(陈铭涛, 范俊伟, 彭继煌, ). Modern Agricultural Science and Technology(现代农业科技), 2014, (6): 142. [本文引用:1]
[27] WANG Shuang, HUANG Chong, SUN Zhen-ning, et al(王爽, 黄冲, 孙振宁, ). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2010, 26(7): 199. [本文引用:1]
[28] LIANG Kun, DU Ying-ying, LU Wei, et al(梁琨, 杜莹莹, 卢伟, ). Transactions of the Chinese Society of Agricultural Machinery(农业机械学报), 2016, 47(2): 309. [本文引用:1]
[29] FENG Wei, WANG Xiao-yu, SONG Xiao, et al(冯伟, 王晓宇, 宋晓, ). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2013, 29(13): 114. [本文引用:1]
[30] QIAO Hong-bo, SHI Yue, GUO Wei, et al(乔红波, 师越, 郭伟, ). Journal of Plant Protection(植物保护学报), 2015, 42(3): 475. [本文引用:1]
[31] QIAO Hong-bo, SHI Yue, SI Hai-ping, et al(乔红波, 师越, 司海平, ). Journal of Plant Protection(植物保护学报), 2015, 41(6): 157. [本文引用:1]
[32] Zhang D, Lin F, Huang Y, et al. International Journal of Agriculture & Biology, 2016, 18(4): 747. [本文引用:1]
[33] Dacal Nieto A, Formella A, Carrion P. Lecture Notes in Competuer Science, 2011, 6976: 303. [本文引用:1]
[34] FENG Lei, CHEN Shuang-shuang, FEN Bin, et al(冯雷, 陈双双, 冯斌, ). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2012, 28(1): 139. [本文引用:1]
[35] Prabhakar M, Prasad Y G, Thirupathi M, et al. Computers and Electronics in Agriculture, 2011, 79: 189. [本文引用:1]
[36] Yusuf B L, He Y. African Journal of Agricultural Research, 2011, 6(29): 6267. [本文引用:1]
[37] XU Dong-yun, LI Xin-ju, YANG Yong-hua, et al(徐冬云, 李新举, 杨永花, ). Journal of Chinese Tobacco(中国烟草学报), 2016, 22(1): 76. [本文引用:1]
[38] TIAN You-wen, LI Tian-lai, ZHANG Lin, et al(田有文, 李天来, 张琳, ). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2010, 26(5): 202. [本文引用:1]
[39] Lu J, Zhou M, Gao Y, et al. Precision Agriculture, 2017, (1): 1. [本文引用:1]
[40] FENG Lei, ZHANG De-rong, CHEN Shuang-shuang, et al(冯雷, 张德荣, 陈双双, ). J. of Zhejiang University(浙江大学学报), 2012, 38(3): 311. [本文引用:1]
[41] Wang W, Li C, Tollner E W, et al. Journal of Food Engineering, 2012, 109(1): 38. [本文引用:1]
[42] Mahlein A K, Ulrike Steiner, Christian Hillnhutter, et al. Plant Methods, 2012, 8(1): 3. [本文引用:1]
[43] Roscher R, Behmann J, Mahlein A K, et al. Remote Sensing and Spatial Information Sciences, 2016, 30(7): 89. [本文引用:1]
[44] LIU Si-jia, TIAN You-wen, FENG Di, et al(刘思伽, 田有文, 冯迪, ). Journal of Shenyang Agricultural University(沈阳农业大学学报), 2016, 47(5): 634. [本文引用:1]
[45] Fang Xianyi, Zhu Xicun, Wang Zhuoyuan, et al. Remote Sensing Science, 2014, 2(3): 14. [本文引用:1]
[46] LI Jiang-bo, RAO Xiu-qin, YING Yi-bin, et al(李江波, 饶秀勤, 应义斌, ). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2010, 26(8): 222. [本文引用:1]
[47] ZHOU Peng, ZHANG Xiao-gang, XU Biao, et al(周鹏, 张小刚, 徐彪, ). Jiangsu Journal of Agricultural Science(江苏农业科学), 2013, 41(4): 108. [本文引用:1]
[48] WANG Bin, XUE Jian-xin, ZHANG Shu-juan(王斌, 薛建新, 张淑娟). Transactions of the Chinese Society of Agricultural Machinery(农业机械学报), 2013, 44(1): 205. [本文引用:1]
[49] MEI Hui-lan, DENG Xiao-ling, HONG Tian-sheng, et al(梅慧兰, 邓小玲, 洪添胜, ). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2014, 30(9): 140. [本文引用:1]
[50] Pourreza A, Lee W S, Ehsani R, et al. Computers & Electronics in Agriculture, 2015, 110(C): 221. [本文引用:1]
[51] HUANG Feng-hua, ZHANG Shu-juan, YANG Yi, et al(黄锋华, 张淑娟, 杨一, ). Transactions of the Chinese Society of Agricultural Machinery(农业机械学报), 2015, 46(11): 252. [本文引用:1]
[52] Ochoa D, Cevallos J, Vargas G, et al. Hyperspectral Imaging System for Disease Scanning on Banana Plants. SPIE Commercial+Scientific Sensing and Imaging, 2016, 98(64): 1. [本文引用:1]
[53] Del Fiore A, Reverberi M, Ricelli A, et al. International Journal of Food Microbiology, 2010, 144(1): 64. [本文引用:1]
[54] WANG Li-min, LIU Jia, SHAO Jie, et al(王利民, 刘佳, 邵杰, ). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2017, 33(5): 170. [本文引用:1]
[55] Gaston E, Frias JM, Cullen P, et al. Journal of Near Infrared Spectroscopy, 2010, 18(5): 341. [本文引用:1]
[56] MA Jing, ZHANG Xue-jian(马菁, 张学俭). Guangdong Agricultural Sciences(广东农业科学), 2015, 13(8): 165. [本文引用:1]
[57] MA Jing, ZHANG Xue-jian(马菁, 张学俭). Guizhou Agricultural Sciences(贵州农业科学), 2016, 43(3): 65. [本文引用:1]