基于無(wú)人機(jī)多光譜遙感的水稻二化螟冬前蟲(chóng)量測(cè)算

收稿日期：2024-06-19

基金項(xiàng)目：浙江省重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2022C02034）；浙江省糧油產(chǎn)業(yè)技術(shù)項(xiàng)目；浙江省農(nóng)業(yè)重大技術(shù)協(xié)同推廣計(jì)劃項(xiàng)目（2023ZDXT01-5）

作者簡(jiǎn)介：曹夢(mèng)嬌（1990-），女，浙江嘉興人，碩士，農(nóng)藝師，研究方向?yàn)檗r(nóng)作物病蟲(chóng)害監(jiān)測(cè)預(yù)警。（E-mail）1240562399@ qq. com

通訊作者：徐紅星，（E-mail）hzxuhongxing@163.com

摘要： 為實(shí)現(xiàn)稻田二化螟冬前蟲(chóng)量的精確測(cè)算，本研究在二化螟差異化防控的基礎(chǔ)上，利用無(wú)人機(jī)獲取水稻灌漿期和蠟熟期的雙時(shí)相多光譜數(shù)據(jù)，并結(jié)合蟲(chóng)量穩(wěn)定期的冬前蟲(chóng)量田間調(diào)查，基于線性回歸、支持向量機(jī)回歸、隨機(jī)森林回歸、嶺回歸、Lasso回歸和貝葉斯回歸等方法構(gòu)建稻田二化螟冬前蟲(chóng)量的遙感估算模型。結(jié)果表明，灌漿期450 nm（b1）、660 nm（b3）波段的光譜反射率和蠟熟期的歸一化植被指數(shù)（NDVI）與稻田二化螟冬前蟲(chóng)量存在極顯著的線性相關(guān)；不同回歸方法下，采用雙時(shí)相數(shù)據(jù)建立的稻田二化螟冬前蟲(chóng)量遙感估算模型的估算值與觀測(cè)值的相關(guān)性整體上優(yōu)于單時(shí)相數(shù)據(jù)，其中，基于雙時(shí)相遙感數(shù)據(jù)和隨機(jī)森林回歸模型建立的估算方法最佳，測(cè)試集和訓(xùn)練集的估算蟲(chóng)量和觀測(cè)蟲(chóng)量相關(guān)系數(shù)分別達(dá)0.85和0.94，且此方法下稻田二化螟冬前蟲(chóng)量的估算結(jié)果更符合田間實(shí)際情況。本研究基于無(wú)人機(jī)技術(shù)建立的稻田二化螟冬前蟲(chóng)量估算方法，可為稻田二化螟的精確防控提供依據(jù)。

關(guān)鍵詞： 二化螟；冬前蟲(chóng)量；多光譜；隨機(jī)森林；雙時(shí)相

中圖分類號(hào)： S431.9"" 文獻(xiàn)標(biāo)識(shí)碼： A"" 文章編號(hào)： 1000-4440（2025）02-0305-08

Estimation of the pre-winter population of Chilo suppressalis in rice field based on unmanned aerial vehicle multi-spectral remote sensing

CAO Mengjiao¹， BAI Shi²， TANG Panpan²， XU Hongxing³， WANG Yeqing¹， ZHOU Guoxin⁴

（1.Jiaxing Soil Fertilizer， Plant Protection and Rural Energy Station， Jiaxing 314100， China;2.Big Data Technology Research Center， Nanhu Laboratory， Jiaxing 314100， China；3.Institute of Plant Protection and Microbiology， Zhejiang Academy of Agricultural Sciences， Hangzhou 310000， China;4.College of Advanced Agricultural Sciences， Zhejiang Aamp;F University， Hangzhou 311300， China）

Abstract： In order to accurately estimate the pre-winter population of Chilo suppressalis in paddy fields， based on differentiated prevention and control of C. suppressalis， this study used unmanned aerial vehicle （UAV） to obtain double-phase multi-spectral data of rice at filling stage and wax ripening stage. And combined with the field survey of pre-winter population in the stable period of insect population， based on linear regression， support vector machine regression， random forest regression， ridge regression， Lasso regression and Bayesian regression， the remote sensing estimation model of pre-winter population of C. suppressalis in paddy fields was constructed. The results showed that the spectral reflectance of 450 nm （b1） and 660 nm （b3） bands at the filling stage and the normalized difference vegetation index （NDVI） at the ripening stage were in extremely significantly linear correlation with the pre-winter population of C. suppressalis in paddy fields. Under different regression methods， the correlations between the estimated value and the observed value of the remote sensing estimation model of the pre-winter population of C. suppressalis in rice fields established by using double-phase data were better than those of the single-phase data. Among them， the estimation method based on double-phase remote sensing data and random forest regression model was the best. The correlation coefficients between the estimated and observed population of C. suppressalis in the test set and the training set were 0.85 and 0.94， respectively， and the estimation results of the pre-winter population of C. suppressalis in rice fields under this method were more in line with the actual situation in the fields. Based on UAV technology， this study established an estimation method for the pre-winter population of C. suppressalis in paddy fields， which provided a basis for accurate prevention and control of C. suppressalis in paddy fields.

Key words：" Chilo suppressalis;pre-winter population of insects;multispectral;random forest;double phases

二化螟（Chilo suppressalis Walker）是鱗翅目草螟科禾草螟屬昆蟲(chóng)。在中國(guó)長(zhǎng)江流域水稻生長(zhǎng)過(guò)程中，二化螟每年發(fā)生2～3代。二化螟蟻螟孵出后先危害水稻葉鞘，造成枯鞘；幼蟲(chóng)發(fā)育至2齡后開(kāi)始鉆蛀水稻莖稈內(nèi)部，形成枯心、白穗和蟲(chóng)傷株^[1]。目前生產(chǎn)中常利用性引誘劑進(jìn)行水稻二化螟雄蟲(chóng)蛾峰時(shí)間監(jiān)測(cè)及防治適期推算，而田間蟲(chóng)量信息的獲取需要依靠傳統(tǒng)的人工調(diào)查手段。由于二化螟的鉆蛀特性，使其蟲(chóng)量調(diào)查費(fèi)時(shí)費(fèi)力，效率較低。隨著耕作制度、農(nóng)藝措施等因素的變化，地區(qū)之間乃至田塊之間二化螟發(fā)生量差異較大。冬前蟲(chóng)量即最后一代二化螟數(shù)量，是水稻二化螟測(cè)報(bào)調(diào)查中較為重要的一環(huán)，一方面對(duì)當(dāng)年的藥劑防效評(píng)價(jià)和保險(xiǎn)理賠評(píng)估至關(guān)重要，另一方面對(duì)次年二化螟防控具有較強(qiáng)的指導(dǎo)性。面對(duì)水稻生產(chǎn)規(guī)?；?、基層植保人員短缺、田塊間蟲(chóng)量差異等現(xiàn)狀，單純采用人工調(diào)查的方式進(jìn)行二化螟冬前蟲(chóng)量估算已經(jīng)不適應(yīng)當(dāng)前的生產(chǎn)水平，因此利用現(xiàn)代化的信息技術(shù)手段，開(kāi)展二化螟冬前蟲(chóng)量估算對(duì)提高水稻生產(chǎn)水平和蟲(chóng)害精準(zhǔn)防控有重要意義。

近年來(lái)，無(wú)人機(jī)光譜成像技術(shù)在農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)^[2-4]、病蟲(chóng)害監(jiān)測(cè)^[5-7]、產(chǎn)量監(jiān)測(cè)^[8-10]和耕地利用精細(xì)分類^[11-12]等領(lǐng)域有越來(lái)越多的應(yīng)用^[13]。在農(nóng)作物病害遙感監(jiān)測(cè)方面，趙晉陵等^[14]利用無(wú)人機(jī)得到的多光譜遙感數(shù)據(jù)，構(gòu)建了檳榔黃化病監(jiān)測(cè)模型，其中反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）模型的識(shí)別總體精度達(dá)到 91.7%， Kappa系數(shù)為0.875。Chivasa等^[11] 建立了基于無(wú)人機(jī)多光譜遙感的玉米品種條紋病毒抗性鑒定模型，并將模型用于玉米輔助育種。Mandal等^[15]研究發(fā)現(xiàn)紅色波段指標(biāo)（RBI）和歸一化建筑指數(shù)（NDBI）可較好地用于水稻稻瘟病的鑒定。在農(nóng)作物蟲(chóng)害遙感監(jiān)測(cè)方面，郭銘淇等^[16] 基于無(wú)人機(jī)多光譜影像發(fā)現(xiàn)不同生育期的植被指數(shù)與卷葉率都極顯著相關(guān)，可用于水稻稻縱卷葉螟危害的監(jiān)測(cè)。楊麗麗等^[17]基于冠層高光譜、近地多光譜、環(huán)境數(shù)據(jù)與地面調(diào)查相結(jié)合的多源數(shù)據(jù)，建立了棉田螨蟲(chóng)危害大范圍監(jiān)測(cè)方法。 Liu等^[18]研究發(fā)現(xiàn)水稻乳熟期750～1 000 nm波段的光譜反射率及成熟期400～531 nm和567～705 nm波段的光譜反射率與褐飛虱密度密切相關(guān)。

針對(duì)采用光譜技術(shù)進(jìn)行區(qū)域水稻二化螟監(jiān)測(cè)還鮮有研究的現(xiàn)狀，本研究在二化螟差異化防控的基礎(chǔ)上，基于無(wú)人機(jī)多光譜遙感技術(shù)，通過(guò)采集灌漿期和蠟熟期的多光譜數(shù)據(jù)結(jié)合稻田二化螟發(fā)生量調(diào)查，建立二化螟冬前蟲(chóng)量的遙感估算模型，旨在為當(dāng)年二化螟防控措施評(píng)估和次年二化螟防控提供依據(jù)。

1 材料與方法

1.1 試驗(yàn)材料與試驗(yàn)區(qū)域

供試水稻品種為甬優(yōu)1540。供試藥劑包括25%乙基多殺菌素水分散粒劑[科迪華（中國(guó)）投資有限公司產(chǎn)品]、25%喹硫磷乳油（印度聯(lián)合磷化物有限公司產(chǎn)品）、助劑鷹踏（意大利寧柏迪集團(tuán)產(chǎn)品）、助劑傲釜（意大利寧柏迪集團(tuán)產(chǎn)品）、助劑火牛[艾普銳農(nóng)（上海）化學(xué)科技有限公司產(chǎn)品]。

試驗(yàn)地位于浙江省嘉興市桐鄉(xiāng)市烏鎮(zhèn)鎮(zhèn)陳莊村（30.685 2°N，120.865 9°E）。試驗(yàn)地的種植制度為稻麥輪作，5月至11月為單季稻生長(zhǎng)期，12月至次年5月為小麥生長(zhǎng)期，當(dāng)?shù)囟砂l(fā)生3代，其中第3代為不完全世代。

1.2 試驗(yàn)方法與處理

5月8日秧盤(pán)育秧，6月6日采用久保田2ZGO-6D1（SPV-6CMD）插秧機(jī)[久保田農(nóng)業(yè)機(jī)械（蘇州）有限公司產(chǎn)品]插秧，種植密度每1 hm² 1.8×105穴，借助綜合防治技術(shù)和精細(xì)化管理，確保試驗(yàn)田水稻生長(zhǎng)期內(nèi)除二化螟為害外無(wú)明顯其他生物脅迫和非生物脅迫。

研究中通過(guò)施用不同配方或劑量的農(nóng)藥，得到不同二化螟冬前蟲(chóng)量的田塊。首先根據(jù)水稻植株的現(xiàn)場(chǎng)查剝，確定試驗(yàn)地塊第3代二化螟防治適期為9月3日。防治時(shí)，設(shè)置不同藥劑、助劑及劑量的處理14個(gè)。處理1～處理13的小區(qū)面積約為500 m²，處理14的小區(qū)面積約為2 200 m²。采用擔(dān)架式噴霧機(jī)進(jìn)行施藥，各處理用水量統(tǒng)一為900 kg/hm²。各處理所用藥劑、助劑及劑量見(jiàn)表1。

1.3 數(shù)據(jù)采集與數(shù)據(jù)處理

1.3.1 多光譜影像采集與影像處理 于水稻灌漿期和蠟熟期，選擇天氣晴朗或少云、風(fēng)力3級(jí)及以下的日期（2023年10月11日和2023年10月23日），使用飛馬無(wú)人機(jī)D2000（深圳飛馬機(jī)器人股份有限公司產(chǎn)品）采集稻田多光譜遙感影像。數(shù)據(jù)采集時(shí)間為12：00-14：00，每期共采集2次影像，選取圖像質(zhì)量較高的影像作為試驗(yàn)數(shù)據(jù)。采集的影像包括b1（450 nm）、b2（555 nm）、b3（660 nm）、b4（720 nm）、b5（750 nm）、b6（840 nm）等6個(gè)波段的反射率數(shù)據(jù)。無(wú)人機(jī)飛行高度為40 m，影像的分辨率為0.04 m。每期影像通過(guò)1次飛行后拼接而成。每次影像采集前，在試驗(yàn)區(qū)域內(nèi)用油漆標(biāo)記11個(gè)控制點(diǎn)，使用華測(cè)X6慣導(dǎo)版RTK（上海華測(cè)導(dǎo)航科技服務(wù)股份有限公司產(chǎn)品）記錄控制點(diǎn)位置，并以此信息校正遙感影像，以確保其與地面采集的二化螟冬前蟲(chóng)量數(shù)據(jù)在空間上的精準(zhǔn)對(duì)齊。

獲取遙感數(shù)據(jù)后，利用YuSenseRef軟件進(jìn)行輻射定標(biāo)，再利用Pix4D軟件對(duì)定標(biāo)后的影像進(jìn)行拼接，最后利用ArcGIS軟件實(shí)現(xiàn)實(shí)時(shí)差分定位（RTK）數(shù)據(jù)和遙感數(shù)據(jù)、地面采樣數(shù)據(jù)的位置配準(zhǔn)。

1.3.2 確定二化螟蟲(chóng)量調(diào)查時(shí)間與調(diào)查方式 2023年4-10月，采用性信息素誘捕雄蛾的方式，利用SPT-R-02S智慧性誘測(cè)報(bào)系統(tǒng)（寧波紐康生物技術(shù)有限公司產(chǎn)品）進(jìn)行稻田螟蛾發(fā)生量監(jiān)測(cè)。監(jiān)測(cè)頻率每天1次，判斷發(fā)生代次，于第3代二化螟老熟幼蟲(chóng)期開(kāi)展田間蟲(chóng)量調(diào)查。

考慮到各處理冬前蟲(chóng)量的差異，在蟲(chóng)量較低的小區(qū)增加調(diào)查樣本量，而蟲(chóng)量較高的小區(qū)適當(dāng)減少樣本量。處理1～處理8、處理10～處理13每個(gè)小區(qū)選取5個(gè)樣本點(diǎn)，處理9選取3個(gè)樣本點(diǎn)，處理14選取10個(gè)樣本點(diǎn)，共計(jì)73個(gè)樣本點(diǎn)進(jìn)行稻田冬前蟲(chóng)量調(diào)查。調(diào)查時(shí)，每樣本點(diǎn)隨機(jī)選取3行、每行2穴，共6叢水稻植株，齊土收割并剝查蟲(chóng)量，計(jì)算單位面積蟲(chóng)量。取樣時(shí)，使用華測(cè)X6慣導(dǎo)版RTK精確記錄采樣點(diǎn)位置。取樣點(diǎn)位置及分布如圖1所示。各樣本點(diǎn)冬前蟲(chóng)量的計(jì)算采用下式：

冬前蟲(chóng)量（×10⁴頭，1 hm²）=調(diào)查蟲(chóng)量/被調(diào)查叢數(shù)×種植密度。（1）

1.4 數(shù)據(jù)集劃分和稻田二化螟冬前蟲(chóng)量估算方法的建立

從73個(gè)二化螟冬前蟲(chóng)量樣本中隨機(jī)選取66個(gè)樣本作為訓(xùn)練集，用于模型的建立和訓(xùn)練。剩余的7個(gè)樣本作為測(cè)試集，用于模型的檢驗(yàn)。

本研究采用機(jī)器學(xué)習(xí)方法^[19-22]和多時(shí)相遙感數(shù)據(jù)^[23]進(jìn)行二化螟冬前蟲(chóng)量的估算。由于均一化植被指數(shù)（NDVI）在作物長(zhǎng)勢(shì)、病蟲(chóng)害識(shí)別中發(fā)揮著重要作用^[24-25]，因此本研究亦將NDVI作為回歸模型的輸入特征之一，其計(jì)算公式為：

NDVI=（NIR-RED）/（NIR+RED）（2）

式中，NDVI為歸一化植被指數(shù)， NIR和RED分別為近紅外波段和紅光波段的光譜反射率。本研究中，分別用b6波段和b3波段的反射率代替。

研究中首先分析灌漿期和蠟熟期獲取的多光譜數(shù)據(jù)與二化螟冬前蟲(chóng)量的相關(guān)性，接著利用6個(gè)波段的單時(shí)相數(shù)據(jù)和雙時(shí)相數(shù)據(jù)，分別基于線性回歸（Linear regression）、隨機(jī)森林（Random forest， RF）回歸、支持向量回歸（Support vector regression， SVR）、嶺回歸（Ridge regression）、貝葉斯回歸（Bayesian regression）和Lasso回歸（Least absolute shrinkage and selection operator regression）算法構(gòu)建稻田二化螟冬前蟲(chóng)量估算模型。通過(guò)對(duì)測(cè)試集和訓(xùn)練集得到的相關(guān)系數(shù)的比較，篩選適宜的稻田二化螟冬前蟲(chóng)量估算方法。最后利用雙時(shí)相數(shù)據(jù)和6種算法得到的估算模型進(jìn)行區(qū)域稻田二化螟冬前蟲(chóng)量反演，并結(jié)合稻田冬前蟲(chóng)量的實(shí)際空間分布進(jìn)一步驗(yàn)證篩選的估算方法的合理性。

本研究所使用模型及數(shù)據(jù)處理基于Python語(yǔ)言和Scikit-learn開(kāi)源庫(kù)實(shí)現(xiàn)。

1.5 數(shù)據(jù)分析

利用Excel 2003對(duì)樣本數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，用SPSS 21.0軟件對(duì)不同處理下的蟲(chóng)量進(jìn)行單因素方差分析（ANOVA），用Duncan’s多重比較法分析處理間的差異顯著性。

2 結(jié)果與分析

2.1 試驗(yàn)稻田螟蛾發(fā)生期監(jiān)測(cè)結(jié)果

2023年試驗(yàn)稻田二化螟雄蛾發(fā)生趨勢(shì)如圖2所示。從監(jiān)測(cè)數(shù)據(jù)推斷，4月上旬至6月下旬為越冬代螟蛾發(fā)生期，7月上旬至8月中旬為第1代螟蛾發(fā)生期，9月上旬至9月下旬的第2代螟蛾產(chǎn)下第3代的卵。在嘉興地區(qū)第2代二化螟成蟲(chóng)誘捕量低于第1代，第2代螟蛾發(fā)生期沒(méi)有顯著蛾峰。但根據(jù)二化螟發(fā)育歷期來(lái)判斷，9月是第2代螟蛾發(fā)生期。10月下旬，第3代二化螟幼蟲(chóng)發(fā)育成老熟幼蟲(chóng)進(jìn)入越冬狀態(tài)，因此，本次蟲(chóng)量調(diào)查時(shí)間為10月28日，符合冬前蟲(chóng)量調(diào)查要求。

2.2 二化螟冬前蟲(chóng)量特征

各處理二化螟冬前蟲(chóng)量如表2所示。從表中可以看出，不同藥劑、不同劑量處理下，二化螟冬前蟲(chóng)量變化明顯?？傮w上看，隨著25%乙基多殺菌素水分散粒劑施用量的增加，稻田二化螟冬前蟲(chóng)量呈減少趨勢(shì)。施用180 g/hm2 25%乙基多殺菌素水分散粒劑的處理1～處理3平均蟲(chóng)量每1 hm²低于2.00×106頭，顯著低于處理8～處理10及處理12，處理4的蟲(chóng)量高于處理1～處理3，可能是由于處理4的蟲(chóng)量受到處理5二化螟遷飛產(chǎn)卵和轉(zhuǎn)株為害影響，同樣的情況在處理8和處理10中亦有發(fā)生（受未施藥的處理9影響）；施用144 g/hm2 25%乙基多殺菌素水分散粒劑的處理5～7的蟲(chóng)量顯著低于處理9、處理10，高于處理14；施用90 g/hm2 25%乙基多殺菌素水分散粒劑的處理11～處理13的蟲(chóng)量顯著低于未放藥的處理9。相同的25%乙基多殺菌素水分散粒劑劑量下添加不同的助劑對(duì)二化螟冬前蟲(chóng)量整體上無(wú)顯著影響。施用25%喹硫磷乳油（有機(jī)磷農(nóng)藥）的處理14能有效降低二化螟冬前蟲(chóng)量，因此在生產(chǎn)中25%喹硫磷乳油常作為二化螟防治的應(yīng)急藥劑。未施藥處理9蟲(chóng)量每1 hm²高達(dá)9.80×106頭，水稻植株枯死、倒伏明顯。此外，由于小區(qū)設(shè)置較為狹長(zhǎng)，且灌漿期和蠟熟期雜交稻植株較高，會(huì)影響施藥者的視野，導(dǎo)致施藥不均勻和同一處理內(nèi)的樣本點(diǎn)蟲(chóng)量差異較大?？傮w來(lái)說(shuō)，各處理的蟲(chóng)量與施藥處理水平和類型是一致的。

2.3 光譜數(shù)據(jù)與二化螟發(fā)生量之間的相關(guān)性

2.3.1 不同波段反射率與蟲(chóng)量之間的相關(guān)性 不同時(shí)期不同波段反射率和NDVI與冬前蟲(chóng)量的線性回歸相關(guān)系數(shù)如表3所示。灌漿期可見(jiàn)光區(qū)b1、b2和b3波段的光譜反射率與冬前蟲(chóng)量的相關(guān)系數(shù)在0.33～0.45，且相關(guān)性均極顯著；而b4、b5和b6波段的光譜反射率與冬前蟲(chóng)量的相關(guān)系數(shù)在0.18～0.30，低于b1～b3波段。蠟熟期b4、b5和b6波段的光譜反射率與冬前蟲(chóng)量的相關(guān)性更低，均未超過(guò)0.10；而可見(jiàn)光區(qū)b1、b3波段光譜反射率與冬前蟲(chóng)量具有較好的相關(guān)性，相關(guān)系數(shù)分別為0.29和0.31，均達(dá)極顯著相關(guān)水平。無(wú)論是灌漿期還是蠟熟期的NDVI與冬前蟲(chóng)量均極顯著相關(guān)，相關(guān)系數(shù)分別為0.39和0.41。可見(jiàn)，與二化螟冬前蟲(chóng)量的相關(guān)性上，灌漿期的反射率優(yōu)于蠟熟期，可見(jiàn)光區(qū)光譜反射率特別是b1和b3波段與冬前蟲(chóng)量相關(guān)性更佳，這可能是由于水稻表面這2種光波對(duì)二化螟取食反應(yīng)更敏感。在蠟熟期，NDVI與水稻冬前蟲(chóng)量也表現(xiàn)出較好的相關(guān)性，這可能是NDVI可較好地區(qū)分蠟熟期水稻自然變黃和二化螟取食變枯黃之間的差異。

2.3.2 基于多方法得到的估算蟲(chóng)量與觀測(cè)蟲(chóng)量之間的相關(guān)性 利用單時(shí)相和雙時(shí)相數(shù)據(jù)，采用不同回歸方式，測(cè)試集和訓(xùn)練集得到的估算蟲(chóng)量與觀測(cè)蟲(chóng)量（冬前蟲(chóng)量）的相關(guān)性如表4所示。從表中可以看出，使用單時(shí)相數(shù)據(jù)時(shí)，線性回歸、嶺回歸和貝葉斯回歸在訓(xùn)練集和測(cè)試集上的相關(guān)性差異較小，表明這3個(gè)模型泛化能力較好，相關(guān)系數(shù)介于0.47～0.62，說(shuō)明這3個(gè)模型在一定程度上可以估算冬前蟲(chóng)量，但是準(zhǔn)確度還不夠高。Lasso回歸模型在測(cè)試集和訓(xùn)練集的相關(guān)系數(shù)差異較大，且灌漿期和蠟熟期測(cè)試集估算蟲(chóng)量與觀測(cè)蟲(chóng)量的相關(guān)系數(shù)均低于0.40，表明在該數(shù)據(jù)集上Lasso回歸模型的泛化能力較差，估算蟲(chóng)量與觀測(cè)蟲(chóng)量的相關(guān)性較弱，因此，Lasso回歸模型不宜作為預(yù)測(cè)模型。利用支持向量機(jī)回歸模型進(jìn)行冬前蟲(chóng)量估算時(shí)，灌漿期數(shù)據(jù)集同樣出現(xiàn)測(cè)試集與訓(xùn)練集上估算蟲(chóng)量與觀測(cè)蟲(chóng)量相關(guān)系數(shù)差異大、測(cè)試集上相關(guān)系數(shù)低（lt;0.40）的現(xiàn)象，所以該模型同樣不宜用于根據(jù)灌漿期光譜數(shù)據(jù)進(jìn)行冬前蟲(chóng)量的估算；而利用蠟熟期數(shù)據(jù)集后，測(cè)試集和訓(xùn)練集上估算蟲(chóng)量與觀測(cè)蟲(chóng)量的相關(guān)系數(shù)趨于一致，且相關(guān)系數(shù)接近0.50，說(shuō)明支持向量機(jī)回歸模型可用于基于蠟熟期光譜數(shù)據(jù)的冬前蟲(chóng)量估算，但準(zhǔn)確度不高。隨機(jī)森林回歸模型在灌漿期和蠟熟期測(cè)試集與訓(xùn)練集上估算蟲(chóng)量與觀測(cè)蟲(chóng)量的相關(guān)系數(shù)雖有所提升，但兩者之間差異較大，模型泛化性不理想，因此其不宜作為冬前蟲(chóng)量的估算模型。

利用灌漿期和蠟熟期2個(gè)時(shí)相（雙時(shí)相）光譜數(shù)據(jù)后，6種模型在測(cè)試集和訓(xùn)練集上估算蟲(chóng)量與觀測(cè)蟲(chóng)量的相關(guān)系數(shù)均有較大幅度的提高，相關(guān)系數(shù)均在0.60以上。其中，隨機(jī)森林回歸模型表現(xiàn)最佳，測(cè)試集和訓(xùn)練集上估算蟲(chóng)量與觀測(cè)蟲(chóng)量的相關(guān)系數(shù)分別達(dá)0.85和0.94，模型具有較高的擬合能力。

2.4 不同模型二化螟冬前蟲(chóng)量反演結(jié)果比較

利用雙時(shí)相光譜數(shù)據(jù)和不同模型，反演得到的稻田二化螟冬前蟲(chóng)量分布如圖3所示。從圖中可以看出，利用線性回歸方法和Lasso回歸方法反演得到的稻田二化螟冬前蟲(chóng)量在整個(gè)試驗(yàn)區(qū)都是高聚集表達(dá)。結(jié)合各處理冬前蟲(chóng)量特征（表2）與2期影像數(shù)據(jù)，取樣點(diǎn)64～73號(hào)（處理14）因使用有機(jī)磷農(nóng)藥，冬前蟲(chóng)量明顯低于其他樣本點(diǎn)，且未呈現(xiàn)大片枯死倒伏情況。處理14與處理1～處理13應(yīng)該有較大差異，但這2個(gè)模型的反演結(jié)果均無(wú)法體現(xiàn)實(shí)際的冬前蟲(chóng)量差異（圖3a、圖3c）。利用嶺回歸方法和貝葉斯回歸方法反演得到的冬前蟲(chóng)量（圖3b和圖3d）在高蟲(chóng)量情況下其空間差異性表達(dá)不足。根據(jù)表2，除編號(hào)41～43樣本點(diǎn)所在的處理9區(qū)域（未施藥）外，處理1～處理3、處理5～處理7、處理11～處理13的藥劑用量呈下降趨勢(shì)，蟲(chóng)量呈上升趨勢(shì)，模型中的蟲(chóng)量分布理應(yīng)符合低聚集表達(dá)到高聚集表達(dá)的趨勢(shì)，但是這2個(gè)模型并不能很好體現(xiàn)該趨勢(shì)，因此不符合實(shí)際情況。利用支持向量機(jī)回歸方法（圖3e）和隨機(jī)森林回歸方法（圖3f）得到的冬前蟲(chóng)量與實(shí)際情況較為相符，支持向量機(jī)在雙時(shí)相下表現(xiàn)較好，但存在過(guò)擬合現(xiàn)象，即訓(xùn)練集相關(guān)系數(shù)小于測(cè)試集相關(guān)系數(shù)（表3）。隨機(jī)森林回歸在雙時(shí)相數(shù)據(jù)下表現(xiàn)最佳，測(cè)試集和訓(xùn)練集的相關(guān)系數(shù)分別為0.85和0.94，且預(yù)測(cè)結(jié)果符合蟲(chóng)害分布狀態(tài)。但隨機(jī)森林模型的預(yù)測(cè)結(jié)果仍然受到干擾，在道路和行道樹(shù)上容易產(chǎn)生高蟲(chóng)害的預(yù)測(cè)結(jié)果。這是因?yàn)樵谟?xùn)練數(shù)據(jù)中不存在該類地物，因此模型無(wú)法正確判斷該類地物與蟲(chóng)害的關(guān)系。

3 討論

二化螟冬前蟲(chóng)量是二化螟監(jiān)測(cè)預(yù)警中重要的參數(shù)，不但是次年二化螟防控依據(jù)，亦是當(dāng)年二化螟防治效果與保險(xiǎn)理賠評(píng)判的基礎(chǔ)。由于二化螟的鉆蛀特性，二化螟蟲(chóng)量的田間調(diào)查大多依賴人工方式進(jìn)行，這不僅需要調(diào)查人員具備相應(yīng)的專業(yè)知識(shí)，且調(diào)查效率低下，難以用于實(shí)際大范圍的二化螟蟲(chóng)量調(diào)查。因此，利用現(xiàn)代化的信息技術(shù)手段開(kāi)展二化螟蟲(chóng)量的區(qū)域調(diào)查是稻田蟲(chóng)害精準(zhǔn)防控的需求。

隨著無(wú)人機(jī)光譜成像技術(shù)的發(fā)展，基于無(wú)人機(jī)的農(nóng)作物病蟲(chóng)害監(jiān)測(cè)與防控方面取得了較多研究成果，但稻田二化螟的監(jiān)測(cè)還鮮有研究。本研究通過(guò)差異化防控，采用無(wú)人機(jī)搭載多光譜相機(jī)，獲取水稻關(guān)鍵生育期的多光譜數(shù)據(jù)，分析稻田二化螟冬前蟲(chóng)量與不同時(shí)期、不同波段光譜反射率的相關(guān)性，并基于機(jī)器學(xué)習(xí)方法，建立基于光譜數(shù)據(jù)的稻田二化螟冬前蟲(chóng)量估算模型。結(jié)果表明，二化螟冬前蟲(chóng)量分別與灌漿期b1、b3波段的光譜反射率、蠟熟期NDVI呈極顯著線性相關(guān)，但相關(guān)系數(shù)較低，說(shuō)明簡(jiǎn)單的線性模型較難描述實(shí)際生產(chǎn)中復(fù)雜的水稻二化螟為害。采用雙時(shí)相數(shù)據(jù)并結(jié)合隨機(jī)森林回歸模型建立的估算方法更加符合實(shí)際和可靠。當(dāng)然，該模型在反演道路和行道樹(shù)等植被時(shí)，仍然受到干擾，原因在于訓(xùn)練數(shù)據(jù)集缺乏相應(yīng)的樣本。因此，獲取更多的地物與蟲(chóng)量樣本可增強(qiáng)模型的泛化性和反演能力。

除二化螟外，褐飛虱、雜草稻等亦會(huì)影響水稻生長(zhǎng)，其為害癥狀與二化螟存在一定的相似性。如何結(jié)合少量的人為鑒定，提高本研究建立的模型的適用性尚需進(jìn)一步研究。此外，結(jié)合高光譜或近紅外影像數(shù)據(jù)，篩選和優(yōu)化的二化螟監(jiān)測(cè)模型亦是未來(lái)的研究方向之一。

參考文獻(xiàn)：

[1] 洪曉月. 農(nóng)業(yè)昆蟲(chóng)學(xué)[M]. 3版. 北京：中國(guó)農(nóng)業(yè)出版社，2017：77-80.

[2] 付虹雨，王 薇，盧建寧，等. 基于無(wú)人機(jī)多光譜遙感和機(jī)器學(xué)習(xí)的苧麻理化性狀估測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（5）：194-200，347.

[3] 向友珍，安嘉琪，趙 笑，等. 基于無(wú)人機(jī)多光譜遙感的大豆生長(zhǎng)參數(shù)和產(chǎn)量估算[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（8）：230-239.

[4] 姜友誼，劉博偉，張成健，等. 利用無(wú)人機(jī)多光譜影像的多品種玉米成熟度監(jiān)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2023，39（20）：84-91.

[5] 蘇寶峰，劉砥柱，陳啟帆，等." 基于時(shí)間序列植被指數(shù)的小麥條銹病抗性等級(jí)鑒定方法[J]." 農(nóng)業(yè)工程學(xué)報(bào)，2024，40（4）：155-165.

[6] DHAU I， ADAM E， MUTANGA O， et al. Detecting the severity of maize streak virus infestations in maize crop using in situ hyperspectral data[J]. Transactions of the Royal Society of South Africa，2018，73（1）：8-15.

[7] 楊 寧，張?zhí)炀?，張釗源，? 水稻病害孢子多光譜衍射識(shí)別與病害源定位方法研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（4）：250-258.

[8] 嚴(yán)海軍，卓 越，李茂娜，等. 基于機(jī)器學(xué)習(xí)和無(wú)人機(jī)多光譜遙感的苜蓿產(chǎn)量預(yù)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2022，38（11）：64-71.

[9] 向友珍，安嘉琪，趙 笑，等. 基于無(wú)人機(jī)多光譜遙感的大豆生長(zhǎng)參數(shù)和產(chǎn)量估算［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（8）：230-239.

[10]胡田田，趙 璐，崔曉路，等. 無(wú)人機(jī)多光譜數(shù)據(jù)可靠性分析與冬小麥產(chǎn)量估算研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（12）：217-225.

[11]CHIVASA W， MUTANGA O， BURGUEO J. UAV-based high-throughput phenotyping to increase prediction and selection accuracy in maize varieties under artificial MSV inoculation[J]. Computers and Electronics in Agriculture，2021，184：106128.

[12]FENNELL J， VEYS C， DINGLE J， et al. A method for real-time classification of insect vectors of mosaic and brown streak disease in cassava plants for future implementation within a low-cost，handheld，in-field multispectral imaging sensor[J]. Plant Methods，2018，14：82.

[13]彭要奇，肖穎欣，鄭永軍，等. 無(wú)人機(jī)光譜成像技術(shù)在大田中的應(yīng)用研究進(jìn)展[J]. 光譜學(xué)與光譜分析，2020，40（5）：1356-1361.

[14]趙晉陵，金 玉，葉回春，等. 基于無(wú)人機(jī)多光譜影像的檳榔黃化病遙感監(jiān)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36（8）：54-61.

[15]MANDAL N， ADAK S， DAS D K， et al. Spectral characterization and severity assessment of rice blast disease using univariate and multivariate models[J]. Frontiers in Plant Science，2023，14：1067189.

[16]郭銘淇，包云軒，黃 璐，等. 無(wú)人機(jī)多光譜影像在稻縱卷葉螟危害監(jiān)測(cè)中的應(yīng)用[J]. 江蘇農(nóng)業(yè)學(xué)報(bào)，2023，39（7）：1530-1542.

[17]楊麗麗，張大衛(wèi)，羅 君，等. 基于SVM和AdaBoost的棉葉螨危害等級(jí)識(shí)別[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2019，50（2）：14-20.

[18]LIU X D， SUN Q H. Early assessment of the yield loss in rice due to the brown planthopper using a hyperspectral remote sensing method[J]. International Journal of Pest Management，2016，62（3）：205-213.

[19]KASINATHAN T， SINGARAJU D， UYYALA S R. Insect classification and detection in field crops using modern machine learning techniques[J]. Information Processing in Agriculture，2021，8（3）：446-457.

[20]TUDA M， LUNA-MALDONADO A I. Image-based insect species and gender classification by trained supervised machine learning algorithms[J]. Ecological Informatics，2020，60：101135.

[21]MARKOVIC D， VUJICIC D， TANASKOVIC S， et al. Prediction of pest insect appearance using sensors and machine learning[J]. Sensors，2021，21（14）：4846.

[22]王 震，李映雪，吳 芳，等. 冠層光譜紅邊參數(shù)結(jié)合隨機(jī)森林機(jī)器學(xué)習(xí)估算冬小麥葉綠素含量[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2024，40（4）：166-176.

[23]汪 航，師 茁，王 巖，等." 基于MODIS時(shí)間序列數(shù)據(jù)的春尺蠖蟲(chóng)害遙感監(jiān)測(cè)方法研究——以新疆巴楚胡楊為例[J]." 遙感技術(shù)與應(yīng)用， 2018， 33（4）： 686-695.

[24]OLSSON P O， LINDSTR M J， EKLUNDH L. Near real-time monitoring of insect induced defoliation in subalpine birch forests with MODIS derived NDVI[J]. Remote Sensing of Environment，2016，181：42-53.

[25]GREENE A D， REAY-JONES F P F， KIRK K R， et al. Spatial associations of key lepidopteran pests with defoliation，NDVI，and plant height in soybean[J]. Environmental Entomology，2021，50（6）：1378-1392.

（責(zé)任編輯：石春林）