Fernando Vanegas等人使用了一种基于无人机遥感的方法，以提高现有人工检查和昆虫诱捕器等监测手段来检测病虫害侵扰（例如葡萄园中的葡萄叶枯病，图1）的效率。该方法利用集成到无人机上的高光谱、多光谱和RGB传感器的数据，开发一种新的方法来收集、处理、分析和整合多光谱、高光谱、地面和空间数据，以获取不同分析结果。这种方式将为研究人员、农业专家和无人机从业者提供可靠的数据收集方法，以实现更快分析研究。
图1 葡萄叶枯病
葡萄园中的葡萄叶根瘤蚜存在于大多数葡萄种植国家，葡萄根瘤蚜是一种非常小的昆虫，主要生活在地下，以葡萄藤的根部为食，破坏其根系，阻碍其对水分和养分的吸收，从而损害地面上植株的光合作用，如色素比例的变化、冠层减少、生长发育迟缓和产量降低。感染的症状通常在两到三年后出现。
通常种植者是在12月至次年4月期间以肉眼来监测葡萄藤蔓，以寻找根瘤蚜感染导致葡萄损害的迹象，采用时空分析方法进行葡萄藤活力分析，以评估葡萄园的健康状况。现在应用于无人机上的可见光相机与多光谱相机已被用于生成正射影像，目的是产生可见光（VIS）和近红外（NIR ）光谱中的植被指数，典型的如归一化植被指数（NDVI）无法区分是否为从其他来源引起的压力，需要更高光谱分辨率的数据。目前，已经有利用高光谱数据进行地面光谱观测，以表征根瘤蚜胁迫的葡萄的光谱响应，但尚无针对无人机高光谱数据的研究。基于无人机的点云数据生成技术和高光谱成像系统已经被开发出来，并用于小麦和大麦作物的生物量估计，这种新技术仍需要在更广泛的应用范围中进行测试。
本文提出了一种利用无人机RGB图像、多光谱数据和高光谱数据并结合地面采集数据来开发病虫害预测检测的方法，用于处理数据的方法包括RGB图像摄影测量，基于RGB的数字高程模型评估树冠层活力，多光谱和高光谱图像的处理生成植被指数，以及提取平均光谱特征的葡萄不同程度的病害虫感染，并改善葡萄园行作物的植物健康监测、葡萄根瘤蚜早期检测、影响程度的预测模型。并建立葡萄园或其他行作物的病虫害预测模型方法。
该过程的第一阶段是数据收集，包括收集机载RGB、多光谱和高光谱图像，以及以地面控制点（GCP）、反射率参考资料、专家视觉活力评估、EM-38土壤电导率和地面陷阱计数等形式提供的地面数据。第二阶段为图像处理，第三和第四阶段分别是数据处理和病虫害预测模型的建立。
图2 病虫害预测模型方法
在第三阶段，提取不同冠层水平的作物的光谱特征，计算根据虫害症状选择的众多植被指数，数字表面模型（DSM），以产生数字活力模型（DVM）。在第四阶段：将所有的多个数据源合并到一个单一的信息系统中，开发害虫预测检测模型。
高分辨率RGB相机为5000万像素28mm焦距镜头的日本佳能5DsR，处理图像时使用Agisoft软件，生成整体地理空间正射图像和DEM数据。多光谱照相机为美国MicaSense Rededge相机，捕获5个离散的120万像素的光谱数据：475nm（蓝色）、560nm（绿色）、668nm（红色）、717nm（红色边缘）和840 nm（NIR）。高光谱传感器使用的是美国Headwall公司生产的Nano-Hyperspec，可获取400-1000nm范围内274个光谱波段的数据立方体，光谱采样间隔为2.2 nm，光谱分辨率为6nm。
图3a S800无人机搭载传感器飞行
图3b 定制高光谱稳定云台
在2016年12月和2017年2月期间，在两个地点进行了两次主要的飞行任务。部署不同的传感器来收集全面的数据集。目的是评估不同最先进的遥感能力及其组合，以评估早期检测根瘤蚜感染的方法。
活力评估模型：
利用高分变率RGB相机生成密集点云（DPC），并将这些密集的点分类为两类：葡萄藤和地形。同时利用地面种植点，处理的重投影误差在2 px以下。作为分类中的分割标准，我们使用了一组几何定义的约束条件，并对其进行了实验优化。我们设置了最大距离= 0.6 m，即限制了问题点与地形模型之间的距离，并设置了最大角度= 70°，这限制了场景内地面的最大坡度。生成一个数字表面模型（DSM），并缩小葡萄藤下的间隙构造推断去面，生成一个数字地形模型（DTM）。然后，我们从DSM中减去DTM的海拔高度，得到一个数字活力模型（DVM），以便分析和更好地表示活力差异。
图4 DSM与DTM并生成DVM
不同葡萄藤的平均光谱类型：
我们提取了不同的改良叶绿素吸收比指数（MCARI）的平均光谱特征。在ArcMap 10.5中，我们选择了包含单个作物或葡萄藤的像素的多边形。图5显示了一个选择不同区域进行提取的过程示例。红色、橙色和黄色区域内的葡萄藤显示出根瘤蚜侵染的迹象，而绿色区域内的葡萄藤则是健康的。基于活力评估，将个别植物或葡萄藤的光谱特征提取分为四类。根据葡萄的位置和活力评估，每个类有4个不同的多边形区域。
图5 标记四种不同活力程度
我们从多光谱和高光谱图像中计算了植被指数，选择所使用的指标是为了评估虫感染的症状，如叶片过早变黄和叶绿素含量的降低。表1列出了所使用的指数及其方程，其中指数H代表高光谱数据，M代表多光谱数据。基于对受感染葡萄和未受感染葡萄的光谱反射率的分析，我们还建立了6个新的指标。减去两种不同的光谱响应，突出主要差异，探索差异较高的相关波段和反射率相等的波段。通过这种方法，我们检测到了7个相关的光谱带，从这里我们创建了指数PI1到PI6。
(a) (b)
（c) (d)
图6 2016年12月(a)（c）2017年2月(b)（d）葡萄不同活力水平的平均光谱特征
植被指数相关性分析：
从多光谱图像中提取的指数和波段的皮尔逊相关性的计算结果。特别是，我们计算了以下数据之间的相关性：蓝色、绿色、红色、NIR和红边，以及NDVIM，NDVIGreenM，归一化差异红边(NDREM), OSAVIM, MCARIM，转化叶绿素吸收反射率指数（TCARIM），MCARI1M , MCARI2M，蓝色/绿色指数(BGI2M )，蓝色/红色指数（2M )、EM-38、DVM和专家视觉活力评估（Vigour）。下方显示了2017年2月多光谱植被指数与专家和数字活力评估之间的关系强度。橙色表示负相关，蓝色表示正相关，颜色的强度表示相对强度。
图7 皮尔逊相关系数矩阵
图8 图7中数据的相关散点图
与多光谱指数相比，大多数新创建的高光谱植被指数与活力和DVM的相关性更高(图9和图10)。这可能是由于光谱分辨率的不同，使用具有更高光谱分辨率的高光谱相机，我们能够区分特定的波段或感兴趣点，如图9所示，从而产生多光谱相机无法创建的指数。下方橙色表示负相关；蓝色表示与颜色强度正相关表示相对强度，突出的红色字体是与数字活力模型（DVM）和专家活力评估正相关的指标。
图9 2016年12月收集的数据的相关系数矩阵。
图10 图9中数据的相关散点图
总结：
在这项工作中，研究人员使用RGB、多光谱和高光谱相机，用于评估葡萄园的状况，生成用于检测作物和葡萄病虫害的预测模型，该方法可以检测葡萄叶枯病。该工作介绍了数字活力模型、几个植被指数的评估、以及创建基于高光谱特征的新指标评价叶枯病侵扰，并展示了数字活力模型与专家视觉模型的比较结果
该项工作已经证明高光谱图像有可能在葡萄叶枯病肉眼可见之前检测到，下一阶段是确定这些高光谱指数是否有潜力在不损失性能的情况下适应多光谱数据。未来的工作重点是利用这些推导预测模型，并测试其在预测植物害虫的准确性。
原文链接：https://www.mdpi.com/1424-8220/18/1/260
NanoHP超微型机载高光谱成像光谱仪，凸面全息光栅全反射光路。光谱波段范围400-1000nm，1020个空间通道，342个光谱通道，内置APX15高精度惯导，可适配各型无人机。