基于无人机多光谱遥感与SPAD信息的枣园大球蚧危害检测

《Horticulturae》：Detection of Eulecanium giganteum Infestation in Jujube Orchards Based on UAV Multispectral Remote Sensing

　　

遥感技术在农业病虫害监测中的应用为快速、无损评估作物健康提供了有效途径。本研究评估了一种集成植被指数（Vegetation Indices, VIs）与SPAD信息的无人机（Unmanned Aerial Vehicle, UAV）多光谱遥感框架，用于评估枣园大球蚧（Eulecanium giganteum）危害。首先，从冠层多光谱影像中提取24个植被指数，并通过Pearson相关分析进行特征筛选，得到19个植被指数的精简子集。模型开发过程中评估了七种机器学习算法，采用网格搜索（Grid Search）结合树级分组7折交叉验证进行超参数选择。植被指数作为预测变量，SPAD值和危害严重度分别作为回归和分类任务的响应变量。在内部模型开发中，CatBoost-19opt模型在SPAD估算上取得R²=0.81、RMSE=1.84。在由58棵枣树组成的独立测试集上，先前选定的模型取得R²=0.84、RMSE=1.56。在内部模型开发中，加入实测SPAD值改善了害虫分类性能，XGBoost-19sopt取得总体精度（Overall Accuracy, OA）=0.89、Kappa系数=0.84。在独立测试集上，实测SPAD配置取得OA=0.88，而仅植被指数配置和植被指数结合预测SPAD配置均取得OA=0.71。因此，加入预测SPAD相对于单独使用植被指数并未提高总体分类精度。在将该方法考虑用于业务化大规模监测之前，还需进一步的模型优化以及在不同枣园、生长季和物候期进行额外验证。

新疆是中国最大的红枣产区，年产量占全国90%以上，但南疆枣园普遍遭受枣大球蚧（Eulecanium giganteum）危害。该害虫通过刺吸叶片和枝条汁液，削弱光合作用，导致叶片发黄、果实萎缩，严重时造成枝干或整株死亡。传统人工田间调查劳动密集、耗时，难以同步评估大面积枣园。无人机（UAV）搭载多光谱传感器为果园病虫害无损监测提供了灵活、经济、高分辨率的途径。害虫胁迫会改变植物细胞结构、色素降解和水分状况，进而影响冠层光谱反射率；SPAD值与叶绿素含量密切相关，可作为害虫胁迫的生理指标。已有研究多集中于近端高光谱或叶片、果实尺度，尚缺乏冠层尺度的大范围枣大球蚧监测方法。为此，研究人员提出并评估了一种集成冠层植被指数（VIs）与SPAD信息的无人机多光谱遥感框架，用于枣园大球蚧危害评估。研究发现，CatBoost-19opt模型可准确估算树级SPAD（独立测试集R²=0.84），融合实测SPAD可显著提高危害等级分类精度（XGBoost-19sopt独立测试集OA=0.88），但用预测SPAD替代实测SPAD未带来整体精度提升。该研究为冠层尺度、大面积枣园大球蚧监测提供了一种新的建模策略。

在技术方法上，研究区位于新疆阿拉尔市（40°32′N, 81°17′E），开发数据集包含40棵枣树、共200个树级样本，采集时间为2025年5月15日至7月15日；独立测试集包含58棵枣树，来自另一农户管理的枣园，于7月10日采集。研究人员使用DJI Mavic 3 Multispectral无人机在20 m高度获取绿、红、红边和近红外四个多光谱波段影像，空间分辨率约0.58 cm/pixel，并利用辐射校正面板进行反射率标定。通过感兴趣区（ROI）提取冠层数字值，计算24个植被指数，再经Pearson相关分析筛选出19个与SPAD相关性较强（|r|≥0.30）的指数。采用七种机器学习算法（Ridge、KNN、SVR、BPNN、RF、XGBoost、CatBoost）建立回归与分类模型，并用网格搜索结合树级分组7折交叉验证进行超参数选择。以R²和RMSE评价SPAD回归，以总体精度（OA）、Kappa系数和F₁值评价危害分类。

### 3.1 植被指数与叶绿素含量之间的相关性

通过Pearson相关分析，所有24个植被指数均与SPAD显著相关（p≤0.01），其中NLI相关系数最高（r=0.55），MTVI和TVI次之（r=0.54），CSI为唯一负相关指数。根据|r|<0.30的筛选阈值，MCARI2、MTCI、TCARI、CSI和MRVI被剔除，最终保留19个植被指数用于后续建模。

### 3.2 模型性能评估

内部开发中，CatBoost-19opt模型在SPAD估算上取得R²=0.81、RMSE=1.84；在58棵枣树的独立测试集上，该模型取得R²=0.84、RMSE=1.56，表明其具有良好的树级SPAD预测能力。对于危害等级分类，融合实测SPAD显著提升性能，XGBoost-19sopt在内部取得OA=0.89、Kappa=0.84；独立测试集上，实测SPAD配置的OA=0.88，而仅VI配置和VI+预测SPAD配置的OA均为0.71，表明预测SPAD未带来整体精度提升。

### 3.3 模型对比分析

特征筛选对线性模型和传统模型影响较大，如SVM的R²从0.61降至0.52；非线性模型（CatBoost、KNN、RF）对特征缩减不敏感。超参数优化显著提升了SVM和XGBoost的性能，例如SVM-19sopt的精度从0.63升至0.88，XGBoost-19sopt从0.77升至0.89。多源特征融合（VI+实测SPAD）普遍提高了分类精度，如CatBoost-24从0.72升至0.84。独立测试集上，预测SPAD的加入使Kappa从0.55略升至0.56、F₁从0.69升至0.71，但OA仍为0.71。类别分析显示，实测SPAD时健康、轻度、重度的F₁分别为0.91、0.84和0.89；预测SPAD时分别降至0.74、0.65和0.74，轻度类最难区分。

讨论部分指出，Pearson相关筛选可在减少输入变量时保持模型稳定性，但被剔除变量不应视为冗余噪声，因筛选依据是与SPAD的相关性而非特征间冗余。超参数优化对模型性能影响明显，但结果属于内部开发性能，不能完全代表泛化能力。多源特征融合的优势在于SPAD提供了与叶绿素相关的生理信息，与光谱信息互补，从而提高分类精度。然而，SPAD和光谱响应也可能受水分、养分、物候和冠层结构影响，因此应视为与大球蚧危害相关而非严格害虫特异性。间接监测中，预测SPAD来源于相同光谱指数，并非独立信息源，且误差可能在两阶段中传播，导致分类性能未提升。尽管如此，预测SPAD仍可作为一种生理可解释的中间表示，支持两阶段间接监测框架作为概念验证。未来需在不同枣园、生长季和物候期进行更多外部验证。

本研究将无人机多光谱植被指数与SPAD值结合机器学习算法，用于评估枣园大球蚧危害。主要结论如下：（1）基于Pearson相关分析，将24个植被指数筛选为19个与SPAD关联更强的指数。内部开发中，CatBoost-19opt模型取得R²=0.81、RMSE=1.84；在58棵枣树的独立测试集上，最终模型取得R²=0.84、RMSE=1.56，为树级SPAD估算提供了独立评估。（2）与单独使用植被指数相比，加入实测SPAD值提高了害虫分类性能。在比较的模型中，XGBoost-19sopt表现最佳，内部OA=0.89、Kappa=0.84；独立测试集上，使用实测SPAD的模型取得OA=0.88、Kappa=0.82、F₁=0.88。（3）当用预测SPAD替代实测SPAD时，独立测试集上的分类性能降至OA=0.71、Kappa=0.56、F₁=0.71。与仅VI模型（OA=0.71，Kappa=0.55，F₁=0.69）相比，加入预测SPAD并未提高OA，但Kappa和F₁略有提升。这些发现表明，预测SPAD目前未提供明确的整体分类性能提升，但可在两阶段间接监测框架中作为一种生理可解释的中间表示。