基于無人機(jī)低空高光譜遙感影像的柑橘黃龍病植株監(jiān)測(cè)模型

摘要：以廣西壯族自治區(qū)柳州市鹿寨縣平山鎮(zhèn)九簡(jiǎn)村的柑橘（Citrus reticulata Blanco）為研究對(duì)象，通過地面人工實(shí)測(cè)判別柑橘黃龍?。℉LB）植株，協(xié)同無人機(jī)低空遙感獲取標(biāo)定柑橘種植地塊的高光譜影像；計(jì)算柑橘健康植株和HLB植株冠層感興趣區(qū)域（ROI）的平均光譜，并對(duì)初始光譜進(jìn)行異常數(shù)據(jù)剔除、平滑去噪和光譜變換，得到原始光譜、一階微分光譜（FDR）和二階微分光譜（SDR）；采用主成分分析法對(duì)其進(jìn)行降維后，構(gòu)建支持向量機(jī)（SVM）分類模型。結(jié)果表明，通過選擇400～1 000 nm的特征波段，使用ArcGIS軟件提取樣本平均光譜，其全波段一階微分光譜的訓(xùn)練集和測(cè)試集分類準(zhǔn)確率分別達(dá)87.41%、84.67%，SVM分類模型參數(shù)分別為C=35.39、γ=0.01；使用ENVI軟件提取樣本平均光譜，其全波段一階微分光譜的訓(xùn)練集和測(cè)試集分類準(zhǔn)確率分別達(dá)92.39%、96.43%，SVM分類模型參數(shù)分別為C=5.06、γ=1.02。無人機(jī)低空遙感高光譜監(jiān)測(cè)柑橘HLB具有可行性，可快速識(shí)別柑橘種植園地的HLB植株。

關(guān)鍵詞：黃龍病（HLB）；無人機(jī)；高光譜；支持向量機(jī)；低空遙感；柑橘（Citrus reticulata Blanco）

中圖分類號(hào)：S127" " " " "文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：0439-8114（2023）08-0207-06

DOI：10.14088/j.cnki.issn0439-8114.2023.08.033 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

Citrus huanglongbing plant monitoring model based on

UAV low altitude hyperspectral remote sensing imaging

LI Min， QIN Ze-lin， LAN Zong-bao，F(xiàn)ANG Hui， YU Sheng-xin， MO Xiao-xiang， XIE Guo-xue， ZENG Zhi-kang

（Agricultural Science and Technology Information Research Institute，Guangxi Academy of Agricultural Sciences，Nanning" 530007，China）

Abstract： Taking the citrus （Citrus reticulata Blanco） in Jiujian Village， Pingshan Town， Luzhai County， Liuzhou， Guangxi as the research object， the citrus huanglongbing （HLB） plants were identified through the ground manual measurement， and the hyperspectral imaging of the calibrated citrus planting plot was obtained by cooperating with UAV low altitude remote sensing； the average spectra of the regions of interest （ROI） in the canopy of healthy citrus plants and HLB plants were calculated， and outlier removal， smooth denoising， and spectral transformation on the initial spectra were performed to obtain the original spectra， first-order differential spectra （FDR）， and second-order differential spectra （SDR）；after dimensionality reduction using principal component analysis， a support vector machine （SVM） classification model was constructed. The results showed that by selecting feature bands ranging from 400 to" " 1 000 nm and using ArcGIS software to extract sample average spectra， the classification accuracy of the training and testing sets of the full band first order differential spectra reached 87.41% and 84.67%， respectively. The SVM classification model parameters were C=35.39 γ= 0.01；using ENVI software to extract the average spectrum of samples， the classification accuracy of the training and testing sets for the full band first-order differential spectrum reached 92.39% and 96.43%， respectively. The SVM classification model parameters were C=5.06 γ=1.02. UAV low altitude remote sensing and hyperspectral monitoring of citrus HLB was feasible， which could quickly identify HLB plants in citrus plantations.

Key words： huanglongbing （HLB）； UAV； hyperspectral； support vector machine； low altitude remote sensing； citrus（Citrus reticulata Blanco）

目前柑橘（Citrus reticulata Blanco）黃龍?。℉uanglongbing， HLB）無有效的方法徹底根治，且與其他病害癥狀并發(fā)現(xiàn)象嚴(yán)重，一旦病發(fā)其危害極大［1］。表征為患病的果樹無法結(jié)果、逐漸枯死，甚至?xí)窟B感染鄰近果園，造成毀滅性傷害［2，3］。廣西是中國柑橘的主產(chǎn)區(qū)［4］，2021年廣西水果總產(chǎn)量達(dá)" " 3 121.14萬t，其中柑橘類產(chǎn)量為1 496.78萬t［5］，占據(jù)廣西水果半壁江山，也是廣西首個(gè)產(chǎn)值突破1 000億元的水果產(chǎn)業(yè)。近年來，廣西部分地區(qū)柑橘HLB疫情逐年惡化，呈現(xiàn)蔓延趨勢(shì)，嚴(yán)重威脅到廣西地區(qū)柑橘的正常生產(chǎn)。面對(duì)迫在眉睫的柑橘HLB問題，科學(xué)快速地監(jiān)測(cè)HLB趨勢(shì)，并采取有效防控措施，對(duì)廣西柑橘產(chǎn)業(yè)可持續(xù)發(fā)展具有重要意義。柑橘HLB表現(xiàn)復(fù)雜，田間診斷和生化分析是當(dāng)前應(yīng)用較廣泛的判別方法。田間診斷簡(jiǎn)單易行，主要依靠植保專家或有經(jīng)驗(yàn)的柑橘果農(nóng)通過肉眼診斷識(shí)別，但其主觀性較強(qiáng)，需儲(chǔ)備專業(yè)的知識(shí)和豐富的經(jīng)驗(yàn)才能達(dá)到滿意的準(zhǔn)確率。生化分析，如聚合酶鏈反應(yīng)（Polymerase chain reaction，PCR）檢測(cè)，則需要依靠實(shí)驗(yàn)輔助設(shè)備，準(zhǔn)確率高，但檢測(cè)過程較復(fù)雜，外業(yè)采樣后對(duì)樣品進(jìn)行檢測(cè)，其檢測(cè)周期長(zhǎng)，且成本較高，不利于廣泛推廣［6，7］。汪恩國等［8］根據(jù)柑橘木虱種群數(shù)量的消長(zhǎng)情況建立柑橘HLB時(shí)序運(yùn)動(dòng)模型，并進(jìn)行預(yù)警；董望成等［9］通過在柑橘園部署無線傳感器網(wǎng)絡(luò)和蟲情監(jiān)測(cè)設(shè)備，采集果園環(huán)境、土壤等數(shù)據(jù)，建立量化關(guān)系模型來分析柑橘HLB發(fā)生的內(nèi)在機(jī)制，構(gòu)建預(yù)警防控系統(tǒng)開展早期預(yù)警；范世達(dá)等［10］利用圖像設(shè)備采集柑橘圖像數(shù)據(jù)，使用深度學(xué)習(xí)算法探究柑橘HLB識(shí)別診斷的可行性，田間遠(yuǎn)程診斷結(jié)果準(zhǔn)確率為77.1%，基本滿足遠(yuǎn)程診斷要求；鄒俊丞等［11］開展近紅外光譜技術(shù)檢測(cè)柑橘HLB的試驗(yàn)，以樹皮為樣本檢測(cè)識(shí)別柑橘HLB的精度和預(yù)測(cè)能力都達(dá)到良好水平；王慧等［12］提出基于約束性多目標(biāo)優(yōu)化算法的柑橘HLB識(shí)別算法，該算法對(duì)柑橘HLB識(shí)別準(zhǔn)確率高達(dá)98.55%。此外，林奕桐等［13］通過無人機(jī)可見光通道和支持向量機(jī)（Support vector machine，SVM）模型進(jìn)行柑橘HLB識(shí)別，在2個(gè)不同區(qū)域普適性驗(yàn)證試驗(yàn)中柑橘HLB植株識(shí)別準(zhǔn)確率分別達(dá)89.47%和86.67%；由于低空遙感技術(shù)能對(duì)大面積地塊進(jìn)行快速監(jiān)測(cè)，因此高光譜數(shù)據(jù)成為農(nóng)業(yè)領(lǐng)域研究作物病蟲害的熱點(diǎn)［14］。

為實(shí)現(xiàn)大范圍的柑橘HLB監(jiān)測(cè)預(yù)警，提供一種減少人工成本的柑橘HLB病害統(tǒng)計(jì)方法，本研究通過地面實(shí)測(cè)HLB植株，協(xié)同無人機(jī)采集低空高光譜遙感影像，經(jīng)過異常數(shù)據(jù)剔除、平滑去噪、一階微分變換、二階微分變換等處理后，構(gòu)建支持向量機(jī)（SVM）分類模型對(duì)柑橘HLB進(jìn)行識(shí)別，探討無人機(jī)低空高光譜遙感監(jiān)測(cè)HLB的可行性。

1 數(shù)據(jù)來源與研究方法

1.1 數(shù)據(jù)來源

試驗(yàn)地點(diǎn)為廣西壯族自治區(qū)柳州市鹿寨縣平山鎮(zhèn)九簡(jiǎn)村，試驗(yàn)數(shù)據(jù)來自廣西壯族自治區(qū)農(nóng)業(yè)科學(xué)院農(nóng)業(yè)科技信息研究所技術(shù)團(tuán)隊(duì)使用無人機(jī)搭載Nano-Hyperspec微型機(jī)載高光譜成像儀（儀器參數(shù)見表1）采集的低空高光譜遙感影像。高光譜正射影像數(shù)據(jù)包含反射率為30%的漫反射定標(biāo)板，影像分辨率默認(rèn)設(shè)置為1 m。采集圖像的區(qū)域?yàn)楦涕俳】抵仓旰虷LB植株的種植地塊，如圖1所示。

在前期的地面調(diào)研中，技術(shù)團(tuán)隊(duì)已通過田間診斷和PCR檢測(cè)等地面實(shí)測(cè)方法對(duì)數(shù)據(jù)采集區(qū)域的柑橘植株感染HLB情況進(jìn)行抽樣確認(rèn)，即對(duì)目標(biāo)區(qū)域的柑橘植株采樣（51株），以專家經(jīng)驗(yàn)的方式選定目標(biāo)植株進(jìn)行隨機(jī)抽樣采集葉片，健康植株每株采集3張葉片，HLB植株癥狀較明顯和癥狀不明顯的葉片各采集3張。采用實(shí)時(shí)熒光定量PCR檢測(cè)樣本，結(jié)果顯示21個(gè)樣本感染HLB?；诖?，本研究在獲取到無人機(jī)低空高光譜遙感影像后，分別建立健康植株冠層和HLB植株冠層樣本的感興趣區(qū)域（Region of interest，ROI）。

1.2 研究方法

1.2.1 樣本制作 使用ArcGIS 10.5軟件的ArcMap組件手動(dòng)框選樣本柑橘植株冠層，繪制圓形ROI矢量圖形并添加標(biāo)記字段，患病的賦值為1，健康的賦值為0。感染HLB的柑橘植株冠層并不茂盛，且不同柑橘植株冠層葉片緊密程度不同，因此在對(duì)多個(gè)柑橘植株冠層繪制ROI成功后，在每個(gè)ROI內(nèi)隨機(jī)創(chuàng)建更小的樣本ROI，如5 px×5 px矩陣，針對(duì)無人機(jī)低空高光譜遙感影像內(nèi)的51株柑橘植株冠層進(jìn)行框選，包括地面實(shí)測(cè)確認(rèn)的30株健康植株和21株HLB植株，繪制共得到302個(gè)樣本ROI。其次，解譯每個(gè)樣本ROI的光譜曲線，均化處理每個(gè)樣本ROI的光譜值，把樣本ROI的平均光譜作為在該樣點(diǎn)的光譜，得到各樣本的光譜數(shù)據(jù)［15］。

本研究分別使用ArcGIS和ENVI軟件完成樣本制作。提取以上樣本點(diǎn)的平均光譜數(shù)據(jù)，計(jì)算結(jié)果并導(dǎo)出Excel格式文件，分別記為samples_ArcGIS和samples_ENVI，用于后續(xù)試驗(yàn)研究的數(shù)據(jù)處理分析。

最后通過式（1）把提取到的柑橘植株冠層高光譜數(shù)據(jù)進(jìn)行反射率轉(zhuǎn)換，得到柑橘植株冠層的相對(duì)光譜反射率，計(jì)算公式如下［16］。

式中，DNC為柑橘植株冠層的輻射亮度值，DNB為漫反射定標(biāo)板的輻射亮度值，SRC為柑橘植株冠層的相對(duì)光譜反射率，SRB為漫反射定標(biāo)板的光譜反射率。

1.2.2 數(shù)據(jù)處理流程 建模數(shù)據(jù)處理流程如圖2所示，包括初始數(shù)據(jù)的異常數(shù)據(jù)剔除、數(shù)據(jù)平滑去噪、光譜變換、數(shù)據(jù)降維等。

1.2.3 HLB分類與檢測(cè)模型 選取400～1 000 nm的特征波段［17］，分別以使用ArcGIS 10.5、ENVI 5.3獲取的原始光譜、一階微分光譜（FDR）和二階微分光譜（SDR）作為樣本變量［18］；采用經(jīng)典機(jī)器學(xué)習(xí)分類方法中的支持向量機(jī)（SVM）［19］建立柑橘HLB分類與檢測(cè)模型；引入徑向基核函數(shù)［20］（Radial basis function，RBF kernel）來處理高維數(shù)據(jù)；通過隨機(jī)拆分?jǐn)?shù)據(jù)集的方式使模型樣本訓(xùn)練集和測(cè)試集的數(shù)據(jù)分布盡量保持一致。SVM是經(jīng)典機(jī)器學(xué)習(xí)中的一類監(jiān)督學(xué)習(xí)算法，常被用來解決二分類問題，對(duì)于高維、非線性的數(shù)據(jù)有較好的分類能力。

2 結(jié)果與分析

2.1 無人機(jī)低空高光譜遙感影像數(shù)據(jù)處理

通過地面實(shí)測(cè)與遙感協(xié)同的方式，驗(yàn)證無人機(jī)高光譜成像儀獲取的光譜反射率曲線規(guī)律。首先，使用OneClassSVM算法分別剔除無人機(jī)低空高光譜遙感數(shù)據(jù)樣本中HLB柑橘植株和健康柑橘植株冠層的相對(duì)光譜反射率異常數(shù)據(jù)，如圖3所示；然后將其進(jìn)行SG平滑［21］，效果如圖4所示。結(jié)果表明，OneClassSVM處理后的光譜數(shù)據(jù)中異常數(shù)據(jù)較少且較好地保留了初始光譜的主要信息［22］，后續(xù)試驗(yàn)將異常剔除和SG平滑后的光譜作為建模使用的原始光譜。

最后將原始光譜進(jìn)行一階微分和二階微分變換，對(duì)圖像灰度變化有較強(qiáng)的響應(yīng)，從而突出檢測(cè)目標(biāo)的特征光譜。由圖5可知，從一階微分到二階微分變換，健康植株的特征光譜變化不明顯，而HLB植株則出現(xiàn)明顯不同的特征光譜，與馬淏等［23］、王剛等［24］的研究基本一致。

本研究中，OneClassSVM算法以波段反射率或者PCA主成分為變量，高光譜波段較多，因此通過PCA減少模型所用的變量數(shù)，提高分類速度。將原始光譜、FDR、SDR 3類光譜數(shù)據(jù)分別進(jìn)行PCA降維，得到3類光譜數(shù)據(jù)的主成分變量。其中原始光譜的數(shù)據(jù)降維效果如圖6所示。

綜合考慮累計(jì)方差貢獻(xiàn)率，當(dāng)累計(jì)方差貢獻(xiàn)率達(dá)99.99%時(shí)，將主成分?jǐn)?shù)目調(diào)至85［25］。采用SVM模型分別對(duì)各類全波段光譜和主成分變量進(jìn)行建模訓(xùn)練和測(cè)試。

2.2 柑橘HLB SVM分類模型構(gòu)建效果

各類全波段光譜和主成分變量的SVM分類模型訓(xùn)練和測(cè)試效果如表2所示。SVM分類模型參數(shù)見表2，通過對(duì)比模型準(zhǔn)確率，選取模型的最佳參數(shù)。FDR、SDR的準(zhǔn)確率相對(duì)穩(wěn)定，優(yōu)化幅度較小，且均優(yōu)于FDR、SDR原始光譜，表明原始光譜經(jīng)過變換后，有助于SVM分類模型提升判別能力。

PCA降維后數(shù)據(jù)信息量減少，測(cè)試集單個(gè)樣本所需要的預(yù)測(cè)時(shí)間減少［26］。samples_ArcGI和samples_ENVI 2種樣本的訓(xùn)練集準(zhǔn)確率略有上升，但samples_ENVI的測(cè)試集準(zhǔn)確率卻下降，說明PCA降維對(duì)SVM分類模型的判別準(zhǔn)確率存在一定影響。SVM分類模型在引入RBF后對(duì)高維數(shù)據(jù)有較強(qiáng)的處理能力，與信息量不完整的主成分變量相比，信息完整的全波段光譜的SVM分類模型分類效果更好。

試驗(yàn)采用隨機(jī)拆分?jǐn)?shù)據(jù)集的方式，使訓(xùn)練集和測(cè)試集的全波段光譜在高維空間中的分布和距離盡量保持一致，從而增加計(jì)算量。SVM分類模型對(duì)ENVI的全波段一階微分光譜訓(xùn)練集和測(cè)試集分類準(zhǔn)確率分別為92.39%和96.43%?？梢奡VM分類模型適用于柑橘HLB低空遙感監(jiān)測(cè)。

3 討論

1）對(duì)于高光譜數(shù)據(jù)，合適的光譜變換能有效地提高HLB植株區(qū)域判別準(zhǔn)確率，如試驗(yàn)中從原始光譜變換到FDR數(shù)據(jù)后，判別模型有較好的優(yōu)化效果，但再變換到SDR數(shù)據(jù)后，模型優(yōu)化效果不明顯。后續(xù)的研究中，可嘗試把原始光譜變換成反對(duì)數(shù)光譜（Inverse logarithmic reflectance，ILR spectra），因?yàn)榉磳?duì)數(shù)光譜可以有效放大相似光譜間的差異［27］。

2）空中高光譜圖像受設(shè)備、地面、大氣等客觀因素的干擾，因此要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理以便消除干擾，提高數(shù)據(jù)的可區(qū)分性。

在ArcGIS軟件的ArcMap組件中，首先將柵格轉(zhuǎn)點(diǎn)，按位置選擇樣本框內(nèi)的點(diǎn)，空間連接獲取樣本框的ID，然后多值提取至點(diǎn)，最后匯總統(tǒng)計(jì)，以樣本框的ID為分組，求框內(nèi)點(diǎn)的各波段平均值。最終通過ArcMap提取樣本平均光譜，效果如圖7所示。

在ENVI 軟件的ROI統(tǒng)計(jì)工具中，首先將樣本矢量圖形shape文件導(dǎo)入ENVI中，如圖8所示，ENVI軟件中各彩色方框即為樣本ROI，可直接導(dǎo)出各框的波段像元平均值。在ROI上的統(tǒng)計(jì)中可看到該ROI內(nèi)的像元統(tǒng)計(jì)信息，均值就是ROI內(nèi)的各波段平均值。從試驗(yàn)結(jié)果來看，ENVI軟件提取樣本平均光譜的方式優(yōu)于ArcGIS軟件。

3）從SVM分類模型對(duì)全波段光譜和主成分變量的判別效果來看，全波段光譜的分類準(zhǔn)確率更優(yōu)，但全波段光譜數(shù)據(jù)量大，處理效率低，不便于未來的推廣和應(yīng)用。后續(xù)的研究中可以嘗試更適合于主成分變量的判別模型，如經(jīng)典機(jī)器學(xué)習(xí)分類方法中的k近鄰［28］（k-Nearest neighbor，kNN）以及深度神經(jīng)網(wǎng)絡(luò)模型等，進(jìn)一步優(yōu)化提升分類模型的準(zhǔn)確率。

此外，本研究目標(biāo)區(qū)域的柑橘種植時(shí)期有可能不同，暫無法排除罹患HLB是造成與健康植株長(zhǎng)勢(shì)差異的惟一原因，冠層疏密程度不同，在光譜上可能存在差異，對(duì)最后的SVM模型分類效果存在影響。

4 結(jié)論

本研究通過地面實(shí)測(cè)判別出罹患HLB的柑橘植株，協(xié)同無人機(jī)低空遙感獲取標(biāo)定柑橘種植地塊的高光譜影像，分別使用ArcGIS和ENVI軟件獲取健康植株和HLB植株冠層感興趣區(qū)域的平均光譜，通過降噪和光譜變換得到原始光譜、一階微分光譜和二階微分光譜，引入徑向基核函數(shù)構(gòu)建HLB支持向量機(jī)（SVM）分類模型。使用ArcGIS軟件提取樣本平均光譜，其全波段一階微分光譜的訓(xùn)練集和測(cè)試集分類準(zhǔn)確率分別為87.41%和84.67%；使用ENVI提取樣本平均光譜，其全波段一階微分光譜的訓(xùn)練集和測(cè)試集分類準(zhǔn)確率分別為92.39%和96.43%。從試驗(yàn)結(jié)果可以看出，無人機(jī)低空高光譜遙感影像結(jié)合機(jī)器學(xué)習(xí)識(shí)別柑橘HLB的方法可行；同時(shí)也可以預(yù)見，在其技術(shù)成熟并且得到推廣應(yīng)用后，將會(huì)極大提高柑橘種植區(qū)域的有效管理和生產(chǎn)效率，可為柑橘種植區(qū)域的HLB防控提供信息技術(shù)支撐，加快柑橘數(shù)字化發(fā)展進(jìn)程。

參考文獻(xiàn)：

［1］ 鄒 敏，宋 震，唐科志，等.柑橘黃龍病病原DNA微量提取方法比較［J］.植物檢疫，2005（5）：271-274.

［2］ 李家英.柑橘黃龍病的發(fā)生和防控措施［J］.福建農(nóng)業(yè)科技，2010（1）：57-58.

［3］ 陳新寧.柑橘黃龍病的防治研究進(jìn)展［J］.南方農(nóng)業(yè)，2019，13（2）：23-24.

［4］ 高 興.廣西柑橘產(chǎn)業(yè)現(xiàn)狀、存在問題及提高質(zhì)量探討［J］.南方園藝，2020，31（3）：36-39.

［5］ 廣西壯族自治區(qū)統(tǒng)計(jì)局.廣西統(tǒng)計(jì)年鑒2022［M］.北京：中國統(tǒng)計(jì)出版社，2022.

［6］ 羅志達(dá)，葉自行，許建楷，等.柑桔黃龍病的田間診斷方法［J］.廣東農(nóng)業(yè)科學(xué)，2009（3）：91-93.

［7］ GOPAL K G， KALYANI V， SREELATHA L，et al.Symptom-based diagnosis of Huanglongbing （citrus greening） disease by PCR in sweet orange （Citrus sinensis Osbeck） and acid lime （Citrus aurantifolia Swingle）［J］.Archives of phytopathology and plant protection， 2010， 43（7/9）：863-870.

［8］ 汪恩國，鐘列權(quán)，明 珂，等.柑橘黃龍病疫情運(yùn)動(dòng)規(guī)律與預(yù)警模型研究［J］.浙江農(nóng)業(yè)學(xué)報(bào)，2014，26（4）：994-998.

［9］ 董望成，肖德琴，趙榮澤，等.基于物聯(lián)網(wǎng)的柑橘黃龍病監(jiān)測(cè)防控技術(shù)研究［J］.現(xiàn)代農(nóng)業(yè)裝備，2019，40（3）：50-55.

［10］ 范世達(dá)，馬偉榮，姜文博，等.基于深度學(xué)習(xí)的柑橘黃龍病遠(yuǎn)程診斷技術(shù)初探［J］.中國果樹，2022（4）：76-79，86.

［11］ 鄒俊丞，盧占軍，喬 寧，等.監(jiān)測(cè)部位差異對(duì)黃龍病近紅外監(jiān)測(cè)模型的影響［J］.光譜學(xué)與光譜分析，2020，40（8）：2605-2610.

［12］ 王 慧，李康順，蔡 鐵，等.基于約束性多目標(biāo)優(yōu)化算法的柑橘黃龍病識(shí)別算法［J］.江蘇農(nóng)業(yè)科學(xué)，51（6）：19-167.

［13］ 林奕桐，梁 健，劉書田，等.基于無人機(jī)可見光通道及支持向量機(jī)模型的柑橘黃龍病個(gè)體識(shí)別方法［J］.西南農(nóng)業(yè)學(xué)報(bào)，35（11）：2254-2563.

［14］ 陳仲新，任建強(qiáng)，唐華俊，等.農(nóng)業(yè)遙感研究應(yīng)用進(jìn)展與展望［J］.遙感學(xué)報(bào)，2016，20（5）：748-767.

［15］ 蘭玉彬，朱梓豪，鄧小玲，等.基于無人機(jī)高光譜遙感的柑橘黃龍病植株的監(jiān)測(cè)與分類［J］.農(nóng)業(yè)工程學(xué)報(bào)，2019，35（3）：92-100.

［16］ 尹 球， 張風(fēng)麗， 許衛(wèi)東，等. 一種實(shí)現(xiàn)航空高光譜遙感飛行地面同步定標(biāo)及反射率轉(zhuǎn)換的方法［P］.中國專利： 200310122943.3， 2007-10-24.

［17］ 高 穎，王延倉，顧曉鶴，等.基于微分變換定量反演土壤有機(jī)質(zhì)及全氮含量［J］.江蘇農(nóng)業(yè)科學(xué)，2020，48（24）：220-225.

［18］ ZHANG W Q，YAN Z F，XIAO G，et al. Learning distance metric for support vector machine： A multiple kernel learning approach［J］. Neural processing letters，2019，50（3）：2899-2923.

［19］ LIANG X，YIN F F，WANG C H，et al.A robust deformable image registration enhancement method based on radial basis function［J］. Quantitative imaging in medicine and surgery，2019，9（7）：DOI： 10.21037/qims.2019.07.05.

［20］ 吳水龍，郭 陽，曲廣浩，等.基于Savitzky-Golay濾波器的多變量監(jiān)控報(bào)警方法研究［J］.計(jì)算機(jī)與應(yīng)用化學(xué)，2019，36（5）：478-482.

［21］ 尚方信，郭 浩，李 鋼，等.基于One-class SVM的噪聲圖像分割方法［J］.計(jì)算機(jī)應(yīng)用，2019，39（3）：874-881.

［22］ LI X， LEE W， LI M，et al.Spectral difference analysis and airborne imaging classification for citrus greening infected trees［J］.Computers and electronics in agriculture， 2012，83：32-46.

［23］ 馬 淏，吉海彥，LEE W S.基于Vis-NIR光譜的柑橘葉片黃龍病檢測(cè)及其光譜特性研究［J］.光譜學(xué)與光譜分析，2014，34（10）：2713-2718.

［24］ 王 剛，馮貴玉，胡德文.一種基于信號(hào)-噪聲模型的主元數(shù)目選擇方法［J］.計(jì)算機(jī)工程與應(yīng)用，2003（6）：11-12，72.

［25］ 刁許玲. 基于PCANet的高光譜圖像分類方法［D］.西安：西安電子科技大學(xué)，2020.

［26］ 陳方圓，周 鑫，陳奕云，等.不同核函數(shù)支持向量機(jī)和可見-近紅外光譜的多種植被葉片生化組分估算［J］.光譜學(xué)與光譜分析，2019，39（2）：428-434.

［27］ 鄒冠貴，任 珂，吉 寅，等.基于主成分分析和最近鄰算法的斷層識(shí)別研究［J］.煤田地質(zhì)與勘探，49（4）：15-23.

［28］ 鄧小玲，曾國亮，朱梓豪，等.基于無人機(jī)高光譜遙感的柑橘患病植株分類與特征波段提取［J］.華南農(nóng)業(yè)大學(xué)學(xué)報(bào)，2020，41（6）：100-108.

收稿日期：2023-06-19

作者簡(jiǎn)介：廣西創(chuàng)新驅(qū)動(dòng)發(fā)展專項(xiàng)資金項(xiàng)目（桂科AA20108003；桂科AA22036002）；廣西壯族自治區(qū)農(nóng)業(yè)科學(xué)院科技發(fā)展基金項(xiàng)目（桂農(nóng)科2021JM73；桂農(nóng)科2023YM84）；南寧市江南區(qū)科學(xué)研究與技術(shù)開發(fā)計(jì)劃項(xiàng)目（2020020905）

作者簡(jiǎn)介：李 敏（1992-），男，廣西玉林人，工程師，碩士，主要從事農(nóng)業(yè)信息技術(shù)、機(jī)器學(xué)習(xí)研究，（電話）18776966432（電子信箱）383293935@qq.com；通信作者，曾志康（1983-），男，廣東梅州人，高級(jí)工程師，主要從事數(shù)字農(nóng)業(yè)研究，（電話）18978936088（電子信箱）zengzkang@126.com。