摘要
水稻作为我国第一大粮食作物，其产量和质量对我国的农业生产丰收和国家粮食安全至关重要，而水稻病虫害是直接影响水稻质量和产量的重要原因之一。水稻细菌条斑病是一种细菌性病害，发病后蔓延性强，治理难度大，严重时可减产30%-50%，因此对于水稻细菌条斑病的及时监测显得尤为重要。传统人工监测的方法耗时费力，且易受观测人员田间经验的影响，造成诊断不及时，错误率高，效率低下等问题。高光谱成像技术可以快速及时的对大面积农作物的生长情况进行动态监测，同时具有高空间分辨率、高光谱分辨率的优势，为农作物的病虫害现代化监测提供了新的思路。 本文以滁州市明光市石坝镇一水稻田为研究区，以基于无人机的成像高光谱数据为主要数据，首先对高光谱数据进行一阶微分，其次对原始光谱和一阶光谱进行相关性分析、敏感度分析和OIF最佳指数分析来获取特征波段，最后用支持向量机和随机森林的方法对水稻冠层尺度的细菌条斑病受害程度进行分级识别并制图，本研究从高效高精度的角度展开，为农作物病虫害及时大面积的监测提供了一定思路，基于此，主要结论如下： （1）水稻受细菌条斑病侵害时，其反射率发生了明显的变化。在绿峰区（515-577nm），水稻重度病害（S）冠层反射率明显低于健康（H）和轻度病害（L）的反射率；在红谷区(662-705nm)，水稻重度病害（S）冠层反射率略高于健康（H）和轻度病害（L）的反射率；随着病害程度的增加，近红外区(780-1000nm)的水稻冠层光谱反射率降低，并在红边区域（680-780nm）出现明显的“红移”现象。总体表现为随病害程度的增加水稻冠层光谱反射率曲线出现“峰降谷升”的变化特点。 （2）使用相关性分析、敏感度分析以及OIF指数法对特征波段进行选取，选出了4个特征波段组合，分别是基于原始光谱数据利用相关性分析、敏感度分析得到的404nm、684nm、787nm、796nm处；利用OIF最佳指数法得到的835nm、875nm、879nm处；基于一阶光谱数据利用相关性分析、敏感度分析得到的461nm、735nm、937nm、964nm处和利用OIF最佳指数法得到的474nm、739nm、791nm处。特征波段主要分布在蓝紫光区域（400-480nm），红边区域（680-780nm）和近红外区域（780-1000nm），表明这三个波长范围最能反映水稻受细菌条斑病胁迫后的光谱变化。 （3）对原始光谱进行相关性和敏感度分析得到的特征波段组，用支持向量机和随机森林的方法进行水稻病害等级的识别，总体精度分别为93.48%和82.61%，Kappa系数分别为0.901和0.7371；而基于OIF最佳指数法所得到的特征波段组，用支持向量机和随机森林的方法进行水稻病害等级的识别，总体精度均为76.09%，Kappa系数分别为0.6429和0.6401。对一阶光谱进行相关性和敏感度分析得到的特征波段组，用支持向量机和随机森林的方法进行水稻病害等级的识别，总体精度分别为91.30%和84.78%，Kappa系数分别为0.8696和0.7748；而基于OIF最佳指数法所得到的特征波段组，用支持向量机和随机森林的方法进行水稻病害等级的识别，总体精度分别为89.13%和82.61%，Kappa系数分别为0.8376和0.7441；而对于全波段，用支持向量机和随机森林的方法进行水稻病害等级的识别，原始光谱的精度分别为86.96%和78.26%，Kappa系数分别为0.8029和0.6738；一阶光谱的精度分别为89.13%和71.74%，Kappa系数分别为0.8375和0.5541。在水稻细菌条斑病的识别上，相关性分析法和敏感度分析法得到的特征波段组的精度要高于OIF最佳指数法得到的特征波段组，且相较于全波段的分级识别，精度有明显提高。因此，相关性分析法和敏感度分析法更适用于特征波段的选取。 （4）利用支持向量机和随机森林基于四组特征波段对水稻细菌条斑病进行病害分级识别。其中，总体精度最高的是基于支持向量机和R404、R684、R787、R796的识别，总体精度为93.48%，Kappa系数为0.901。对于相同的特征波段组合，基于支持向量机的分类识别总体精度高于随机森林，支持向量机的方法更适用于本研究。 （5）从混淆矩阵可知，两种机器学习方法在健康（H）和重度病害（S）水稻上都有良好的表现，其中支持向量机方法更适用于重度病害（S）水稻的提取，随机森林则在健康（H）水稻的提取上精度较高；基于支持向量机和R404、R684、R787、R796分类策略在三个病害等级上均有较高的精度，能够在冠层尺度对水稻细菌条斑病的发生获得较好的分级监测效果。
NETL