论文标题：Unmanned aerial vehicle hierarchical detection of leaf blast in rice crops based on a specific spectral vegetation index

期刊：Frontiers of Agricultural Science & Engineering

作者：Guangming LI, Dongxue ZHAO, Jinpeng LI, Shuai FENG, Chunling CHEN

发表时间：15 Jun 2025

DOI：10.15302/J-FASE-2024576

微信链接：点击此处阅读微信文章

智慧农业

Smart Agriculture

专 辑 文 章 介 绍

· 第四篇 ·

▎论文ID

Unmanned aerial vehicle hierarchical detection of leaf blast in rice crops based on a specific spectral vegetation index

无人机搭载高光谱遥感技术检测水稻叶瘟病

文章类型：Research Article

发表年份：2025年

第一作者：李光明

通讯作者：冯帅，陈春玲

Email: fengshuai@syau.edu.cn, chenchunling@syau.edu.cn

作者单位：沈阳农业大学信息与电气工程学院；辽宁省智能农业技术重点实验室。

Cite this article :

Guangming LI, Dongxue ZHAO, Jinpeng LI, Shuai FENG, Chunling CHEN. Unmanned aerial vehicle hierarchical detection of leaf blast in rice crops based on a specific spectral vegetation index. Front. Agr. Sci. Eng., 2025, 12(2): 231–244 https://doi.org/10.15302/J-FASE-2024576

· 文 章 摘 要 ·

叶瘟病是全球范围内的重要问题，对水稻的质量和产量造成了严重影响。因此，快速且无损的检测方法对于有效的田间管理来说至关重要。本研究利用无人机搭载高光谱遥感技术，收集了水稻作物的光谱数据。通过方差分析 (ANOVA) 和Relief-F算法，确定了对叶瘟病敏感的光谱波段，并构建了一种新的植被指数——稻瘟指数 (Rice Blast Index, RBI)。将RBI与30种已有的植被指数进行比较，利用相关分析和可视化方法进一步筛选出包括RBI在内的六种更优的植被指数。这些指数通过K最近邻 (KNN) 和随机森林 (RF) 分类模型进行了评估。结果显示，RBI在KNN模型中达到了95.0%的总体准确率和93.8%的kappa系数，在RF模型中达到了95.1%的总体准确率和92.5%的kappa系数，表明其在叶瘟病检测方面具有更高的准确性。本研究突出了RBI作为一种精确检测叶瘟病的有效工具的巨大潜力，为提高水稻栽培中的病害管理提供了新的有力机制和理论基础。

· 文 章 亮 点 ·

1. 构建了一种新的植被指数，即稻瘟指数 (RBI)，用于检测水稻叶瘟病。

2. RBI与TVI、DDI和MTVI1植被指数的病害检测性能。

3. 利用新构建的RBI对田间叶瘟病的发生程度进行了评估。

· Graphical abstract ·

· 研 究 内 容 ·

▎引言

水稻是全球重要的粮食作物，占全球谷物总产量的三分之一，为全球三分之二的人口提供主食。在中国，水稻种植面积占全球的五分之一，超过65%的人口以水稻为主食。然而，叶瘟病作为一种常见的水稻病害，已在全球85个国家以上广泛传播，每年导致10%―30%的产量损失，严重时甚至颗粒无收。因此，快速、准确地检测水稻叶瘟病对于高效的田间管理至关重要。

传统的水稻叶瘟病检测方法依赖于经验丰富的专业人员进行田间采样和病害程度评估，这种方法不仅需要大量的人力，而且具有一定的主观性。聚合酶链式反应 (PCR) 虽然能够快速准确地检测病害，但由于其复杂性、破坏性和耗时性，难以满足现代农业对快速、无损检测的需求。近年来，高光谱成像技术和无人机遥感技术因其能够提供丰富的电磁光谱信息和高效获取大面积作物信息，在作物病害检测等领域展现出巨大的应用潜力。本研究旨在构建一种专门用于水稻叶瘟病检测的植被指数，以实现大规模、高效且稳定的病害监测。

本研究旨在构建一种专门用于水稻叶瘟病检测的植被指数，以实现大规模、高效且稳定的病害监测。研究步骤包括光谱数据的预处理、数据分析、可视化比较和模型验证。通过比较30种已有的植被指数，筛选出包括新构建的稻瘟指数 (RBI) 在内的六种植被指数，并利用K最近邻 (KNN) 和随机森林 (RF) 模型进行评估，以验证RBI在水稻叶瘟病检测中的有效性和优越性。

▎材料与方法

1. 研究区域与实验设计

研究区域位于辽宁省海城市耿庄镇 (40°58′58″ N，122°39′18″ E)，该地区属温带大陆性季风气候，适宜水稻种植。实验采用随机完全区组设计，确保结果的准确性和代表性。植保专家根据历史数据和现场调查，将实验田划分为不同感染水平的试验区，从无感染 (0级) 到严重感染 (4级)，并使用无人机搭载高光谱传感器采集数据。

2. 数据采集

实验依据国家标准《稻瘟病调查及报告标准 (GB/T 15790-2009) 》，将叶瘟病严重程度分为0到4级，通过病害指数 (DI) 量化。使用大疆Matrice 600无人机搭载GaiaSky-mini高光谱成像仪采集数据，光谱范围400–1000 nm，分辨率3.5 nm。数据采集于晴朗无风的白天11:00至14:00进行，无人机在100米高度悬停。采集的高光谱图像经Hyperscan Pro软件预处理，包括辐射校正、反射率校正和区域校正，并通过ENVI 5.3软件提取光谱数据，建立250个感兴趣区域 (ROI)，每个病害等级50个ROI，用于后续分析。

3. 特征选择与植被指数构建

使用Relief-F算法选择敏感波段，评估特征对分类的贡献，确定权重后选择重要特征。基于选定波段构建稻瘟指数 (RBI)，公式为

其中λ1是权重最高的波段，λ2和λ3是标准化结构中权重最高的波段，系数a和b通过线性判别分析确定。RBI结合可见光和近红外波段变化，突出不同病害等级水稻光谱差异。

4. 分类算法

选用K最近邻 (KNN) 和随机森林 (RF) 算法评估植被指数分类性能。KNN基于样本间距离分类，RF通过构建多决策树集成学习分类。KNN对局部结构敏感，RF对全局结构敏感，两者结合提升预测鲁棒性和泛化能力。

5. 评估指标

使用总体准确率 (OA) 和Cohen’s kappa系数评估分类准确性。OA反映分类器正确分类比例，kappa系数衡量分类结果与随机分类偏差。两者结合全面评估分类器性能。

▎研究结果

1. 不同病害等级的平均光谱反射率

研究分析了400–1000 nm范围内不同病害等级水稻的高光谱反射率，发现各等级光谱反射率变化趋势相似。在400–550 nm范围内，反射率渐增并在550 nm处形成局部峰值，随后下降；680–770 nm范围内反射率急剧上升，770–900 nm范围内趋于平稳；900–1000 nm范围内反射率先缓慢下降后逐渐增加，且750–1000 nm范围内反射率随病害等级增加而渐降 (图1)。

图1 五种病害等级的平均光谱反射率。

2. 不同病害等级的可分性

通过单因素方差分析 (ANOVA) 评估不同波段对病害等级的可分性，结果显示，400–700 nm范围内的单波段可分性较差，而740–880 nm范围内的波段可分性最佳，880–1000 nm范围内波段的可分性逐渐降低 (图2)。

图2 不同光谱波长的单因素方差分析结果。

由于高光谱数据的波段间隔较小，往往导致信息冗余。结果显示，400–720 nm和720–1000 nm范围内的波段相关性超过0.7 (图3)，分别从这两个范围内选择一个波段来代表标准化植被结构参数，以减少信息冗余的影响。通过穷举法对波段组合进行归一化处理，并使用单因素方差分析评估每种波段组合的可分性 (图4)。结果表明，由720–1000 nm和650–680 nm波段组合构成的标准化结构展现出最佳的可分性。

图3 波段之间的相关性。

图4 标准化结构波段组合的可分性。

3. 波段选择结果

利用Relief-F算法选择敏感波段，根据最大权重原则，选择的单一波段为778 nm，选定的波段组合为722 nm和664 nm (图5)。

图5 使用Relief-F算法进行波段选择的结果和权重。

4. 构建的植被指数与已建立植被指数的比较

对31种植被指数进行Spearman相关性分析，筛选出6种与病害严重程度高度相关的植被指数 (相关系数＞0.95，表1)，其中RBI在区分不同病害等级时重叠较少，分类效果更优 (图6)。

表1 31种植被指数与病害严重程度的相关性

图6 不同植被指数在区分不同病害严重程度方面的分类效果。

5. 分类性能

使用KNN和RF模型对六种植被指数进行分类性能评估，RBI在两种模型中均表现出最高的分类准确率，KNN模型中总体准确率95.0%、kappa系数93.8%，RF模型中总体准确率95.1%、kappa系数92.5% (表2)。

表2 植被指数的分类结果

· 结 论 ·

本研究通过无人机高光谱遥感技术收集水稻叶瘟病光谱数据，经ANOVA和Relief-F算法分析，构建了稻瘟指数 (RBI)，并与已有的30种植被指数进行对比，结合KNN和RF模型评估其分类性能。结果表明，RBI在检测水稻叶瘟病方面表现出色，总体准确率和kappa系数分别达95.0%和93.8% (KNN模型)、95.1%和92.5% (RF模型)。这证明RBI能精准识别水稻叶瘟病，为现代农业病害管理提供了有力的技术支持和科学依据。

《前沿》系列英文学术期刊

由教育部主管、高等教育出版社主办的《前沿》（Frontiers）系列英文学术期刊，于2006年正式创刊，以网络版和印刷版向全球发行。系列期刊包括基础科学、生命科学、工程技术和人文社会科学四个主题，是我国覆盖学科最广泛的英文学术期刊群，其中12种被SCI收录，其他也被A&HCI、Ei、MEDLINE或相应学科国际权威检索系统收录，具有一定的国际学术影响力。系列期刊采用在线优先出版方式，保证文章以最快速度发表。

中国学术前沿期刊网

http://journal.hep.com.cn