基于Logistic算法與遙感影像的棉花蟲害監(jiān)測研究

地力夏提·依馬木，周建平,2，許 燕，樊湘鵬，亞里坤·沙吾提

(1 新疆大學 機械工程學院，新疆 烏魯木齊 830047； 2 新疆大學 新疆維吾爾自治區(qū)農(nóng)牧機器人及智能裝備工程研究中心，新疆 烏魯木齊 830047； 3 新疆維吾爾自治區(qū)農(nóng)牧業(yè)機械化技術推廣總站，新疆 烏魯木齊 830054)

近年來，提升大田作物品質與保障農(nóng)田作物產(chǎn)量是農(nóng)業(yè)機械化領域的熱點研究問題，給農(nóng)業(yè)生產(chǎn)造成損失的主要原因是蟲害的發(fā)生與蔓延。據(jù)現(xiàn)有統(tǒng)計信息，2020年中國棉花總產(chǎn)量為591萬噸，因病蟲害損失15%～20%[1]。作為中國最大的優(yōu)質棉生產(chǎn)區(qū)域，新疆棉花播種面積占全國的76%左右，總產(chǎn)占全國棉花產(chǎn)能的84.9%[2-3]。棉花高產(chǎn)量與優(yōu)產(chǎn)率得益于新疆獨特的地域優(yōu)勢與氣候環(huán)境優(yōu)勢[4-5]。棉蚜蟲、棉紅蜘蛛、棉鈴蟲是棉花的主要害蟲，對棉花生產(chǎn)造成的危害較大。精準、快速地對棉花蟲害發(fā)生情況進行監(jiān)測，及時了解棉花蟲害動態(tài)變化，對于棉花大面積穩(wěn)健生長具有重要意義[6-7]。傳統(tǒng)的蟲害識別監(jiān)測、定位方法需要耗費大量的人力、物力，僅適用于小片區(qū)棉田，難以滿足新疆棉田規(guī)模化植保防治的要求[8]。趙亮等[9]基于便攜式光譜儀的光譜信息分析螨害嚴重度與棉葉螨葉片光譜反射率的相關性，構建了基于敏感波段的蟲害診斷模型，從而實現(xiàn)了對棉花螨害的識別提取。Prabhakar等[10]利用葉片波譜分析和受害葉片癥狀解讀方法，構建葉蟬敏感波段，并利用比值指數(shù)組合構建葉蟬指數(shù)(Leafhopper index，LHI)有效識別葉蟬發(fā)生區(qū)域；競霞等[11]利用衛(wèi)星遙感數(shù)據(jù)提取歸一化差值植被指數(shù)(Normalized difference vegetation index，NDVI)、重歸一化差值植被指數(shù) (Renormalized difference vegetation index，RDVI)、增強植被指數(shù) (Enhanced vegetation index，EVI)、差值植被指數(shù) (Difference vegetation index，DVI)、全球環(huán)境監(jiān)測植被指數(shù)(Global environment monitoring index，GEMI)和修改型土壤植被指數(shù) (Modified soil-adjusted vegetation index，MSAVI)共6種影響因子，使用偏最小二乘法 (Partial least squares,PLS) 和變量投影重要性(Variable importance projection，VIP)準則構建棉花黃萎癥影響度估測模型，有效識別了病害發(fā)生區(qū)域并分析了其精度；胡根生等[12]利用植被中對蚜蟲影響較大的植被指數(shù)生成8種特征因子，基于環(huán)保衛(wèi)星遠程遙感影像資料，提取相應光譜特征信息，利用最小二乘孿生支持向量機建立小麥蚜蟲識別模型，且模型精度達到86.4%，較好地實現(xiàn)了對小麥蚜蟲的監(jiān)測。Stella等[13]基于農(nóng)作物受病蟲害侵害的時間構建作物病蟲害的Logistic模型，以總農(nóng)作物種群為常數(shù)，以病蟲害媒介種群為變量，以基本病蟲繁殖數(shù)為平衡點分析病蟲害發(fā)生情況，并在棉花、小麥、玉米等農(nóng)作物上進行模型驗證；馮煉等[14]在冬小麥病蟲害面積監(jiān)測研究中選擇二值Logistic回歸法，分別建立植被指數(shù)與病蟲害發(fā)生區(qū)域的Logistic模型，從模型識別結果來看，提取的冬小麥受病蟲害脅迫面積與實測值結果相符，能滿足農(nóng)作物病蟲害發(fā)生區(qū)域遙感監(jiān)測要求，該模型在棉田病蟲害識別方面也得到了較好的精度。學者們在預測蟲害發(fā)生趨勢研究方面利用Logistic模型確定性和隨機性、蟲害敏感波段、植被指數(shù)影響因子等方法，對比基于無人機遙感獲取的高光譜、多光譜傳感器影像數(shù)據(jù)，識別提取作物蟲害發(fā)生區(qū)域并預測蟲害發(fā)生趨勢。結合無人機光譜遙感精準、高時效、高分辨率的優(yōu)勢，可以實現(xiàn)蟲害區(qū)域預測研究[9,11,15-17]。而 Logistic模型可同時引用敏感波段、植被指數(shù)等數(shù)據(jù)[14,18]構建作物蟲害識別模型，且從精度數(shù)據(jù)來看，對作物蟲害識別的準確率均可滿足蟲害發(fā)生區(qū)域監(jiān)測要求，故本研究采用Logistic模型實現(xiàn)棉花蟲害監(jiān)測與分類?，F(xiàn)階段無人機遙感影像數(shù)據(jù)在識別監(jiān)測棉田蟲害研究領域中僅停留在對單一蟲害的識別監(jiān)測，鮮見對多種蟲害的識別監(jiān)測，且鮮見對影響遙感影像精度的因素及其解決方案的系統(tǒng)性研究。借助遙感影像處理軟件分析影響遙感影像精度的因素并對所獲取棉田遙感影像進行幾何校正、輻射校正，提升影像精度，其次利用Logistic模型、自相關性時間序列檢測的互相關函數(shù)(Cross correlation function，CCF)等算法，實現(xiàn)棉田多種蟲害快速精準識別監(jiān)測，以期為棉花穩(wěn)產(chǎn)高質提供技術服務，為蟲害識別提供數(shù)據(jù)支撐。

1 研究平臺與方法

1.1 研究區(qū)概況

研究區(qū)位于新疆維吾爾自治區(qū)巴音郭楞蒙古自治州尉犁縣境內(nèi)，地處北緯 41°29′27″～41°29′58″，東經(jīng) 86°15′30″～86°16′3″，占地 127.3 hm2。屬暖溫帶大陸性荒漠氣候，冷熱差異懸殊，全年平均氣溫10.1 ℃，年平均降水量 43 mm，年平均蒸發(fā)量2 700 mm。本次研究選擇‘新陸中68號’棉花作為研究對象，生育期134～143 d，研究區(qū)棉花采取2膜12行種植模式，行距配置為(10+66+10+66+10) cm，種植行間距為寬行 66 cm，窄行 10 cm，株距10 cm。種植區(qū)域采用滴灌模式，其他管理措施按照當?shù)卮筇锩藁ǜ弋a(chǎn)栽培模式進行。

1.2 試驗設計

棉田遙感影像數(shù)據(jù)獲取試驗于2020年7月15日早間進行，天氣晴，氣溫22 ℃，風向西北，風速3.1 m/s，適宜無人機航拍作業(yè)。無人機遙感平臺選用DJI大疆經(jīng)緯 Matrice 600多旋翼無人機，搭載MicaSense RedEdge-M 5通道光譜相機構成多旋翼無人機遙感系統(tǒng)。RedEdge-M 5通道光譜相機分辨率為 1 280×960，光譜波段包括藍光 475 nm、綠光 560 nm、紅光 668 nm、近紅外 840 nm 和紅邊 717 nm，其對應的帶寬分別為 20、20、10、40 和 10 nm。

數(shù)據(jù)采集時，根據(jù)預定航線采取垂直拍攝模式，覆蓋整片研究區(qū)地塊，飛行高度50 m，影像航向重疊率80%，旁向重疊率70%，滿足影像處理需求。從研究區(qū)棉田劃分4.67 hm2棉田作為驗證區(qū)，取20個采樣節(jié)點，每個采樣節(jié)點為3 m×3 m空間范圍，采樣點地理位置信息采取空地設備結合方式，地面選取輕測Lite RTK設備獲取地理位置信息，該設備滿足5 Hz刷新率，RTK精度達到±(10+1×10-6D)mm，其中D為被測點間距；選用本研究執(zhí)飛無人機GPS模塊獲取空間地理位置信息。獲取的地理位置數(shù)據(jù)經(jīng)由幾何校正后，生成試驗區(qū)正射影像圖，從而保證采樣點定位精度。選取此空間范圍內(nèi)所有棉花植株作為采樣對象，采樣對象包含棉花植株葉片、花蕾、花鈴所發(fā)生的蟲害，采樣節(jié)點位置示意圖如圖1所示。采樣過程樣葉分成左基部、右基部兩端，每端各測2次，每次測2條光譜，生成4組光譜波長數(shù)據(jù)，取其平均值作為樣葉光譜值，棉花葉片采樣位置如圖2所示。在20個采樣節(jié)點中選取300株棉花驗證模型準確度，從中選取總樣本數(shù)2/3的棉花植株(200株)用于模型訓練，其中，100個樣本選取受棉蚜蟲、棉紅蜘蛛、棉鈴蟲蟲害的棉花植株，100個樣本為健康棉花植株；剩余1/3的棉花植株樣本數(shù)據(jù)用來測試精準度，其中，50個樣本為受棉蚜蟲、棉紅蜘蛛、棉鈴蟲蟲害的棉花植株，50個樣本為健康棉花植株。本研究中健康棉葉與受蟲害棉葉區(qū)分標準為：受蟲害棉葉指葉片受蟲害侵蝕區(qū)域面積大于單個葉片面積的5%，健康棉葉指葉片受蟲害侵蝕區(qū)域面積少于單個葉片面積的5%。

圖1 采樣節(jié)點位置示意圖Fig.1 Schematic diagram of sampling node location

圖2 棉花葉片采樣位置示意圖Fig.2 Schematic diagram of sampling position of cotton leaves

1.3 研究方法

針對現(xiàn)階段無人機遙感在規(guī)?；r(nóng)田蟲害識別研究中存在的遙感影像質量嚴重依賴天氣、圖片質量影響蟲害識別精度及當前研究停留于單一蟲害識別等問題，本研究利用幾何校正、輻射校正方法，提升圖像地理位置精度與像素覆蓋密度，有效提升遙感影像質量；利用邏輯回歸(Logistic regression，LR)方法識別蟲害發(fā)生區(qū)域，對蟲害識別精度及蟲害發(fā)生區(qū)域特征進行分析。

LR又稱為廣義線性回歸，屬于判別分析，用于處理因變量為分類變量的數(shù)據(jù)。在實際應用過程中響應變量為二值變量，為解決二分類問題，延伸出二值邏輯回歸法[19]。在解決二分類問題過程中，因變量為二分類變量，利用0與1代替表達不同狀態(tài)。本研究中棉蚜蟲、棉紅蜘蛛、棉鈴蟲3種蟲害發(fā)生與否為非線性變化求解問題，因此，以上3種蟲害監(jiān)測問題屬于非線性二分類問題，基于此建立Logistic回歸判定模型：

式中，β0為常數(shù)項或截距，β1，β2，…，βp為模型回歸系數(shù)，x1，x2，…，xp代表p個自變量，P表示在p個自變量作用下的概率。也可表示為在影響Y取值范圍的p個自變量條件作用下棉蚜蟲、棉紅蜘蛛、棉鈴蟲發(fā)生的概率為P=P(Y=1|x1，x2，…，xp)。

對式(1)進行Logistic變換，其線性表達式如下：

從式(2)可以看出，回歸系數(shù)β在控制自變量條件下反映變量影響力，響應變量Y求解二分類問題時分別取值0和1，表示發(fā)生與不發(fā)生，P為發(fā)生概率，以P=0.5作為界限，P≥0.5表示邏輯為真，即棉花植株發(fā)生蟲害，當P＜0.5表示棉花植株健康(未發(fā)生蟲害)。

2 結果與分析

2.1 遙感影像預處理

影像拼接及幾何校正過程使用瑞士Pix4D Mapper軟件進行，可實現(xiàn)空三加密，結合控制點信息與所采集圖像地理位置信息數(shù)據(jù)進行幾何校正，生成研究區(qū)正射影像[20-22]，幾何校正過程利用歸一化函數(shù)提高配準點精度，從而有效提高圖像精度。

經(jīng)幾何校正后，有效提升圖像最優(yōu)模型精度，模型精度達到（0.059±0.012） m。所生成正射影像如圖3所示，幾何校正后絕對位置和方向不確定性參數(shù)如表1所示。

圖3 研究區(qū)正射影像圖Fig.3 Orthophoto map of the study area

表1 絕對位置和方向不確定性參數(shù)Table 1 Absolute geographic location and directional uncertainty parameters

由于受光照強度及其他因素影響，遙感影像光譜響應誤差表現(xiàn)為像元值像素覆蓋密度數(shù)值波動，造成圖像解析不準確，無法精準有效反映光譜反射率。為消除數(shù)值波動造成的像素密度誤差，本研究利用Back propagation(BP)神經(jīng)網(wǎng)絡模型對棉田遙感影像數(shù)據(jù)進行監(jiān)督分類。輻射校正過程使用ENVI軟件Band Math工具定義輻射定標公式：

式中，Lλ為單元像元 (Digital number，DN)內(nèi)像素覆蓋密度，LMAXλ為單元像元最大值光譜反射率，LMINλ為單元像元最小值光譜反射率，QCAL為單元像元值，QCALMAX是最大量化定標像素值。紅光波段、綠光波段、藍光波段、近紅外波段輻射校正前單位像元內(nèi)覆蓋密度分析結果如圖4a所示。

圖4 輻射校正前（a）、后（b）單位像元內(nèi)像素覆蓋密度Fig.4 Pixel coverage density in unit pixel before (a) and after radiation collection (b)

對所獲取無人機遙感棉田影像提取的紅光波段 (Red)、綠光波段 (Green)、藍光波段 (Blue)、近紅外波段(Near-infrared，Nir)組合作為輸入層構建Red-BP、Green-BP、Blue-BP、Nir-BP 多層感知器模型優(yōu)化波段反射率，光譜波段反射率作為輸出層。以輻射校正前影像像素反射率數(shù)值作為預測值，該預測值數(shù)據(jù)由Micro-Hyperspec小型光譜檢測儀實測葉片波長數(shù)據(jù)計算得出，輻射校正后BP模型反射率數(shù)值作為實測值，選用Sigmoid函數(shù)作為激活函數(shù)，實數(shù)值自變量區(qū)間為[0，1]，采用梯度下降法訓練數(shù)據(jù)集。經(jīng)輻射校正后紅光波段、綠光波段、藍光波段、近紅外波段單位像元內(nèi)覆蓋密度結果如圖4b所示。由輻射校正模型預測值-實測值散點圖(圖5)可知，紅光波段、藍光波段、近紅外波段和綠光波段基于BP法的Red-BP、Blue-BP、Nir-BP和Green-BP模型光譜反射率預測值與實測值分布較為均勻，其預測值與實測值有較好的擬合效果，且決定系數(shù)(R2)分別為0.945、0.906、0.913和0.875，模型精度較高，滿足圖像解析要求。

圖5 BP神經(jīng)網(wǎng)絡模型對輻射校正模型光譜反射率估測結果Fig.5 Estimation results of spectral reflectance of image pixel after radiation correction by BP neural network model

根據(jù)圖4提取輻射校正前、后單元DN內(nèi)像素覆蓋密度數(shù)據(jù)，再針對像素覆蓋密度數(shù)據(jù)繪制ROC曲線(圖6)，對比數(shù)據(jù)預測價值比較如表2所示。

圖6 4種波段像素覆蓋密度Fig.6 ROC curves of pixel coverage densities of four bands

表2 4種波段像素覆蓋密度預測價值比較Table 2 Comparison of the prediction values for the pixel coverage densities of four bands

輻射校正后單元DN內(nèi)紅光波段、藍光波段、近紅外波段和綠光波段像素覆蓋密度的ROC曲線下面積 (The area under the ROC curve，AUC)分別為0.875、0.750、0.688和0.875；在最佳點位置，像素覆蓋密度靈敏度分別為88.3%、79.3%、80.9%和87.1%。從靈敏度、ROC曲線下面積及校正情況來看，輻射校正可有效降低光譜響應誤差，增強影像像素密度。

2.2 指數(shù)模型構建

為更好地反映出大田棉花種植區(qū)域、棉花長勢情況及棉葉光譜反射率基本情況，為Logistic模型提供數(shù)據(jù)，本研究構建NDVI、EVI、SAVI模型。NDVI是體現(xiàn)農(nóng)作物植被覆蓋度的參數(shù)，是描述植被生長狀態(tài)的一個重要指標[23-25]，對于本研究識別棉花蟲害區(qū)域有著重要的意義。為增強植被反射率信息，EVI在歸一化指數(shù)基礎上加入藍光波段數(shù)據(jù)，矯正土壤參數(shù)和氣溶膠散射數(shù)據(jù)的影響，EVI常用于植被覆蓋密度較大區(qū)域[24,26]。SAVI是基于NDVI和大量遙感數(shù)據(jù)觀測修正后提出用以減小土壤背景影響的指數(shù)模型。利用ENVI軟件Spectral Math工具構建指數(shù)模型，包括NDVI模型、EVI模型和SAVI模型，3種植被指數(shù)模型公式如下：

式中，L是隨著植被覆蓋度變化的參數(shù)，取值閾值為0～1，當植被密度很高時為0，反之為1。很明顯，如果L=0，SAVI=NDVI。對于棉花植株，L取0.5時SAVI消除土壤背景影響的效果較好[27]。

NDVI模型可直觀地表述棉花與土壤分布情況，EVI模型可直觀地表述棉花生長趨勢情況，SAVI模型可直觀地表述土壤分布及棉花生長趨勢；3種模型均可精準提取棉花長勢信息及分布面積，在棉田蟲害模型構建過程中提供棉花分布情況數(shù)據(jù)及土壤邊界。

2.3 棉花蟲害敏感波段提取

使用Micro-Hyperspec小型光譜檢測儀對采樣節(jié)點受蟲害區(qū)域及健康棉花區(qū)域進行光譜值測定，利用Excel軟件對樣葉光譜波長數(shù)據(jù)進行統(tǒng)計分析，利用反射率公式生成蟲害反射率及健康棉花葉片波長數(shù)據(jù)，為Logistic模型提供敏感波段數(shù)據(jù)公式如下：

式中，LMAX、LMIN分別為像元輻射亮度最大值和最小值；QCAL為某一像元DN值；QCALMAX、QCALMIN分別為像元所取最大值和最小值。

使用Origin軟件構建棉田蟲害光譜敏感波段模型及健康棉葉光譜波長信息模型，由圖7可以看出，棉蚜蟲的嚴重程度與713～831 nm波段的棉花蚜蟲葉片光譜反射率顯著相關；棉紅蜘蛛的嚴重程度與605～724 nm波段的棉花紅蜘蛛葉片光譜反射率顯著相關；棉鈴蟲的嚴重程度與709～794 nm波段的棉花鈴蟲葉片光譜反射率顯著相關，此范圍內(nèi)遙感因子可以作為辨認棉花棉蚜蟲、棉紅蜘蛛、棉鈴蟲3種蟲害的敏感波段。

圖7 健康棉葉及棉花蟲害光譜波長反射率曲線Fig.7 Spectral wavelength reflectance curves of healthy cotton leaves and cotton pests

2.4 Logistic算法蟲害識別研究

2.4.1 基于 Logistic 算法蟲害識別模型 模型構建前，為使構建模型特征相同，對特征變量進行歸一化分析?；诖?，利用SPSS軟件分析300株棉花數(shù)據(jù)，將本研究中應用的3種植被指數(shù)作為回歸模型輸入變量因子，構建蟲害識別Logistic回歸模型，同時計算均方根誤差 (Root mean square error,RMSE)。當引入1個輸入變量因子時，回歸模型為y=10.25+9.4SAVI，RMSE為0.193；輸入2個變量因子時，回歸模型為y=-13.16+155.1SAVI-24.6NDVI，RMSE為0.187；輸入3個變量因子時，回歸模型為y=-9.85+138.38SAVI-75.7NDVI-44.8EVI，RMSE 為 0.376。NDVI、EVI、SAVI與棉花受害情況的相關系數(shù)分別為-0.914，-0.813和0.937，分別達到0.01、0.05和0.01水平。綜上，構建蟲害識別模型選取2個變量因子的識別效果最佳，由SAVI模型和NDVI模型建立的Logistic回歸模型是識別棉蚜蟲、棉紅蜘蛛、棉鈴蟲的最優(yōu)模型。

利用ENVI軟件基于規(guī)則面向對象工作流程工具，波譜類型選取SAVI模型、NDVI模型與棉蚜蟲、棉紅蜘蛛、棉鈴蟲3種蟲害光譜反射率曲線，基于Logistic回歸判定的蟲害識別模型，生成蟲害識別區(qū)域如圖8所示，由圖8可明顯看出受蟲害影響區(qū)域。

圖8 3種害蟲為害區(qū)域識別結果Fig.8 Identification results of three pests infested arer

2.4.2 模型分類結果 基于RMSE選擇具有代表性的Logistic回歸蟲害識別模型進行評價比較，具體分類結果分為選擇1、2、3個輸入變量因子，模型分類比較結果如表3所示。從比較結果中可以看出，輸入變量為2的蟲害識別模型識別效果最佳，而輸入變量為3的蟲害識別模型在準確率、召回率及F1值上均低于其他2個蟲害識別模型。結合模型構建過程，由SAVI模型和NDVI模型建立的棉蚜蟲、棉紅蜘蛛、棉鈴蟲識別模型為最優(yōu)模型，其訓練樣本準確率和測試樣本準確率分別達到93.7%和90.5%，召回率、F1值分別為96.6%和93.5%。

表3 模型分類比較結果1）Table 3 Comparison results of model classification

分別對3種蟲害發(fā)生區(qū)域像元數(shù)據(jù)參數(shù)估算，分析基于Logistic模型識別的棉田蟲害區(qū)域預測值-實測值數(shù)據(jù)，驗證Logistic模型在棉田蟲害區(qū)域監(jiān)測的精準度。3種蟲害預測值-實測值相關性分析如圖9所示。由圖9可知，Logistic模型在棉田蟲害區(qū)域監(jiān)測的精準度較高，對棉蚜蟲、棉紅蜘蛛、棉鈴蟲發(fā)生區(qū)域識別模型的決定系數(shù)分別為0.942、0.851和 0.663。

圖9 3種蟲害發(fā)生區(qū)域識別精準度Fig.9 Accuracy of the occurrence area of three types of pests

2.4.3 蟲害發(fā)生區(qū)域特征分析 對棉田受棉蚜蟲、棉紅蜘蛛、棉鈴蟲災害區(qū)域進行自相關性時間序列檢測(CCF)，分析隨時間變化的棉田受蟲害面積的相關性，結果見圖10。由圖10可知，棉蚜蟲、棉紅蜘蛛與棉鈴蟲的發(fā)生與蔓延均具有相似的條件。隨時間推移，棉蚜蟲與棉紅蜘蛛的發(fā)生蔓延在1周內(nèi)相關系數(shù)達到0.863，隨后逐漸降低，棉蚜蟲與棉鈴蟲的發(fā)生蔓延相關系數(shù)從開始的0.394逐漸降低，而棉紅蜘蛛與棉鈴蟲的發(fā)生蔓延相關系數(shù)在2周內(nèi)保持為0.35～0.40；從CCF相關性系數(shù)變化范圍與對比數(shù)據(jù)來看，3種蟲害發(fā)生初期其發(fā)生條件受彼此影響。

圖10 3種棉田蟲害受災面積相關性分析Fig.10 Correlation a Analysis of the areas affected by three types of pests in cotton field

本研究主要開展棉田蟲害識別監(jiān)測與分類，對于蟲害識別，健康棉葉與受蟲害棉葉光譜反射率有明顯偏差，受蟲害侵蝕越嚴重，其反射率偏差越明顯。蟲害發(fā)生早期癥狀不明顯，其反射率數(shù)值偏差較低，但在開展蟲害識別監(jiān)測與分類研究時，經(jīng)量化細分，反射率數(shù)值偏差仍能較好反映，因此對樣葉的采樣標準會對蟲害識別模型結果造成影響，但僅表現(xiàn)于蟲害發(fā)生早期，不會造成顯著影響。

3 結論

利用Logistic回歸判定方法提取棉蚜蟲、棉紅蜘蛛、棉鈴蟲發(fā)生區(qū)域，由SAVI模型和NDVI模型建立的棉蚜蟲、棉紅蜘蛛、棉鈴蟲識別模型為最優(yōu)模型，其訓練樣本準確率和測試樣本準確率分別達到93.7%和90.5%，召回率、F1值分別為96.6%和93.5%。本研究在識別3種蟲害發(fā)生區(qū)域過程中使用了Logistic模型，并利用自相關性時間序列檢測法對蟲害發(fā)生區(qū)域進行動態(tài)識別監(jiān)測，從試驗數(shù)據(jù)來看，Logistic模型在棉田蟲害區(qū)域監(jiān)測的精準度達到較高水平，該方法可應用于多種蟲害的監(jiān)測識別，并可基本滿足棉田精準植保作業(yè)相關要求。借助識別區(qū)域Shapefile矢量文件，可為精準植保作業(yè)提供經(jīng)緯度等數(shù)據(jù)，便于實現(xiàn)智慧農(nóng)田管理的相關作業(yè)。

本研究仍存在一定的局限性，遙感影像數(shù)據(jù)優(yōu)化過程中使用方法仍存在改進空間，此外對于會造成蟲害發(fā)生與蔓延的人為土地管理干預、蟲害天敵、極端氣候氣象條件等影響因子未做進一步研究，后續(xù)開展研究時，應多方面考慮蟲害發(fā)生與蔓延的相關因子，以提高蟲害動態(tài)監(jiān)測模型精度。