植物病虫害不但会对农业产量造成重大损失，还会对粮食安全、生态系统完整性构成威胁，其严重性越来越受到社会的广泛关注。早期的病虫害监测主要依靠人工肉眼识别、判断，存在以下缺点：①效率低、误差大、滞后性严重；②以提前施药来预防病虫害，由于时间节点及药量把握不准确，往往造成用药过量，加剧环境污染等。社会老龄化问题逐渐严重，农户单打独斗的作业方式的弊端日益凸显，越来越不符合农业现代化的发展趋势。

高光谱技术在地物分类方面有大量研究和应用。刘冰等^[1]针对高光谱影像分类面临的小样本问题，提出了一种深度少样例学习算法，该算法能够在训练样本较少的情况下取得优于传统半监督分类方法的分类精度。武复宇等^[2]提出了一种改进的多级联森林深度学习模型，该模型能有效地进行高光谱遥感影像分类，且较传统的分类方法精度有所提升。不同地物间光谱差异较显著，但同一地物不同状态的光谱差异较小，需要从细微处着手。

Bach等^[3]率先从植被参数估计方面对高光谱数据和多光谱数据进行比较，并证明前者优于后者，从而将高光谱技术应用于植被参数研究。高光谱可对植物由病虫害侵染引起的内部结构变化做出相应的光谱变化反应，因而可以找出它们之间的变化规律，建立相应的函数关系。采用高光谱技术进行农作物病虫害监测，相较于传统人工目测检测，更快速准确，覆盖范围更大；相较于化学检测手段更快速有效、无损害，同时能避免化学检测带来的附带污染，并且可以对人类视觉发现症状前的早期病害特征进行监测^[4]。

本文对近20年高光谱技术在植物病虫害监测方面的进展进行研究，以农作物、生态观赏林、经济果树3种类型植物为研究对象，对基于高光谱的病虫害监测方法进行梳理、总结，并提出高光谱技术在农林果木方面应用的不足和需要解决的问题。

1 农作物方面

高光谱遥感技术已在农作物营养素诊断^{[5, 6]}、分类识别^[7-11]、品质鉴定^[12-15]、食品加工^{[16, 17]}、病虫害监测^[18-20]等方面有大量研究和不同程度的应用，尤其是粮食、经济、蔬菜、果品等农作物方面，包括小麦、大麦、水稻、玉米、大豆、棉花、黄瓜、番茄、油菜、茶叶、烟草、蘑菇、甜菜、花生、茄子、马铃薯、洋葱、苹果、梨、枣、柑橘、油桃、山楂、枸杞、脐橙、香蕉等。Al Bashish等^[7]通过图像降噪、K均值聚类方法分群，在色相-亮度-饱和度空间提取色彩和纹理特征后，输入具有10个隐含层的多层感知（multi-layer perceptron, MLP）神经网络进行分类，试图通过此方法找到5种不同植物病虫害。Song等^[8]将图像转换到YCbCr(Y指亮度分量灰阶值，Cb指蓝色色度分量，Cr指红色色度分量）颜色空间，确定阈值并对感染区进行分割，通过灰度共生矩阵提取纹理特征后，输入具有一个隐含层的MLP神经网络，以此识别玉米叶片的3种疾病。Raza等^[9]将近红外和可见光成像技术与深度学习结合起来，检验番茄植株是否感染白粉病，并得出近红外图像对作物疾病早期阶段有更好的预测效果。Mohanty等^[10]利用PlantVillage数据库中的作物叶片图像，将图像处理与GoogLeNet卷积神经网络结合起来建模以监测作物疾病。Zhao等^[11]通过分析高光谱图像，确定黄瓜叶片的叶绿素和类胡萝卜素含量，以此判断其是否感染角叶斑病。Pandey等^[5]将高光谱图像的光谱数据与化学数据关联起来，以量化玉米和大豆叶片的含水量与常量元素。Xu等^[12]应用高光谱成像技术研究玉米叶片弯孢菌的早期鉴定方法。Ramcharan等^[13]应用深度学习迁移训练卷积神经网络，对木薯褐斑病、褐条病、花叶病、红蜘蛛、绿螨害等病虫害进行识别。Zhu等^[14]利用高光谱图像，采用变量选择与机器学习相结合的方法，在烟草病可见症状前对其进行监测识别。黄双萍等^[15]结合高光谱图像处理技术与GoogleLeNet进行建模，对感染稻瘟病的水稻穗株进行检测。马惠玲等^[16]为了实现苹果品种的快速无损鉴定，对3种不同品种苹果采集其近红外高光谱图像，研究近红外成象高光谱在苹果品种鉴定中的应用。Wang等^[17]对高光谱图像进行主成分分析，选取特征波长后，提取纹理特征，使用融合数据的支持向量机（support vector machine, SVM）模型预测茶叶的施肥氮含量。Ye等^[6]采集苹果叶片和冠层的高光谱图像，结合VarioEL立方体测定苹果叶片氮含量，并进行相关分析，研究快速、无损地估算苹果叶片和冠层氮素含量的方法。张善文等^[18]设计11层深度卷积神经网络模型，对黄瓜叶片病害高光谱图像进行快速识别。刘阗宇等^[19]利用卷积神经网络对采集到的葡萄叶片高光谱图像进行分类，以检测其是否已经患病以及患病的种类。甘海明等^[20]利用深度学习的经典模型稀疏自编码建立了龙眼叶片叶绿素含量预测的高光谱反演模型。Xiong等^[21]采用高光谱成像技术对荔枝果实进行无损分级检测。Nagasubramanian等^[22]利用高光谱数据建立三维神经网络模型，以识别大豆炭腐病。

2 生态绿化林方面

在杉木病虫害方面，Lawrence等^[23]从探测器-1传感器上采集高光谱图像，利用亚冠层空间分辨率高光谱图像区分道格拉斯冷杉树甲虫攻击的道格拉斯冷杉。对逐步判别分析分类和回归树分析的准确性进行比较，发现回归树分析在树健康类中具有最佳的可分性（总体上为93%）。通过交叉验证，用多重采样技术对回归树分析方法的预测精度进行估计。总体分类准确率达到69%，对健康和受到攻击但仍在存活的树木分类准确率达到70%。伍南等^[24]为实现对杉树炭疽病的早期检测预报，手持ASD野外光谱辐射仪，对杉树冠层光谱进行测试，然后剪枝采样，在实验室用SP-752型紫外可见光光度计进行色素含量测定；采用回归分析方法建模。

在杨树病虫害方面，李军等^[25]为研究意大利214杨受杨扇舟蛾和杨小舟蛾危害后的光谱变化，以电力工程车载人，手持ASD野外光谱辐射仪测试冠层，并摘叶采样进行实验室内单叶反射光谱测定及生化参数测定；并利用微分光谱和t检验法进行分析，结果表明，在受害冠层和叶片光谱的红边具有“双峰”且呈现“蓝移”现象。

松树病虫害方面，有学者对马尾松受毛虫的危害进行了研究，许章华等^[26]采用ISI921VF-256型野外地物光谱辐射计实地测定松针光谱数据，并采用SPSS、Excel等软件，应用一阶微分、单因素方差等方法分析获取的特征波段；彭隆赞等^[27]对马尾松剪枝取样，用ASD便携式野外光谱仪实时测量，以指数指标、回归分析法获取敏感波段。在马尾松和黑松受松材线虫侵染引起的松萎蔫病方面，王晓堂^[28]人为接种松材线虫，实地冠层选点进行光谱测量，并剪枝、叶取样，实验室测定生化参数，采用原始光谱、一阶导数光谱与生化参数结合的方法定量反演叶绿素含量；徐华潮等^[29]实地进行冠层光谱测量，选取上中下东南西北各方位枝叶采集光谱，采用导数光谱结合生化参数进行分析。马尾松松材线虫病方面，杜华强等^[30]剪取活枝进行采样，实时测量光谱，采用分形理论分析研究；王震等^[31]对树冠选点实地测量，采用光谱仪自带软件statistics、Graph Data功能及Matalab进行一阶导数分析；黄明祥等^[32]剪取针叶作为样本进行室内光谱测量，采用时序方法观察时序特征、敏感时期、敏感特征，应用一阶微分分析。石韧等^[33]、白雪琪等^[34]分别对落叶松早落病、油松毛虫观察研究，两者均采用野外便携式光谱仪，取样枝叶进行光谱测量，不同的是，前者用吸收光谱法测定生化参数，并剪取枝叶进行采样，采用归一化、一元线性回归、多元线性回归法分析数据；后者用分光光度法测叶绿素含量，烘箱烘干测含水量，采用逐步回归法分析。

在橡树病虫害方面，Hernández-Clemente等^[35]对西班牙西南部受水分胁迫和疫霉菌侵染的橡树林（Quercus Ilex）进行检测，利用高分辨率（6 002 cm）高光谱图像提取太阳光冠、全冠和聚集像素，利用具有3个光谱带的夫琅和费线路深度（Fraunhofer line depth, FLD3）原理进行反演。结果表明，从光照下提取的FLD 3与受病树的生理状况存在显著相关性；并开发了三维辐射转移模型FluorFLIGHT的修正版本，从而模拟冠层辐射和反射率。该模型可在树木一级绘制太阳诱导荧光（Sun-induced fluorescence, SIF）图，以便在早期疾病检测的背景下对单株森林生理状况进行评估。

在水杉、银杏等病虫害方面，Lin等^[36]利用ASD高光谱辐射计观察水杉、银杏等树种在落叶期间的高密度高光谱变化，采用一阶微分及对数变换法处理高光谱数据，发现两种树的可见光反射率位置与其健康状况密切相关，光谱反射峰分别出现在550 nm和650 nm处，并且鉴定了健康叶片和落叶的光谱变化。黄带出现的光谱反射峰暗示了树木的亚健康状态。

3 经济果树方面

在橄榄树病虫害方面，针对由土传真菌（dahliae kleb）引起的橄榄黄萎病（verticillium wilt, VW), Calderón等^[37]利用无人机机载窄带多光谱、高光谱和热相机获取叶片、冠层图像，利用微型惯性测量单元（inertial measuring unit, IMU）获取高度数据，利用便携式气象站WXT500测气温和湿度，利用红外温度传感器CR10X测树冠温度，利用叶片测定仪SC-1测气孔导度，利用PAM-2100脉冲调幅荧光计测叶片叶绿素荧光，使用前人提出的34个植被指数进行计算，采用SAS 9.2的一般线性模型（general linear model, GLM）程序，对现场采集的数据进行方差分析，使用Dunnett’s双尾检验，确定无症状树木与每种疾病严重程度在p < 0.05时的显着性差异。研究证实了早期检测橄榄作物中的土传真菌感染和鉴别VW严重程度的可能性，冠温、作物水分应力指数（crop water stress index, CWSI）、蓝（blue, B）、蓝绿1(blue-green 1, BG1）、蓝红1(blue-red 1, BR1）和FLD3被确定为疾病早期检测VW的最佳指标，归一化植被指数（normalized difference vegetation index, NDVI）、光化学反射植被指数（photochemical reflectance index, PRI）、叶绿素和类胡萝卜素指数被证明是较好的指标。Zarco-Tejada等^[38]采用机载成像光谱和热成像检索植物功能性状的变化，在症状出现之前揭示橄榄树中叶缘焦枯病菌的感染情况。定量聚合酶链反应证实，将蒙特卡罗三维场景法热应激指标定量的高分辨率荧光、色素快速动态和降解敏感的光合特性结合起来，疾病检测的准确性在80%以上；并且提出了一种基于径向基函数核的非线性SVM分类方法，采用没有交叉验证的径向基函数和随机梯度增强机的非线性SVM分类模型对提出的遥感支持向量机SVM-PSFT进行疾病检测模型测试。

在棕榈树病虫害方面，Shafr等^[39]利用机载高光谱成像技术对油棕榈植物园的灵芝茎基腐病进行检测，现场获取高光谱图像，并用Trimble手持定位系统测量51个全球差分定位系统点，用不同植被指数和红边技术来区分病变和健康植株，发现其分类精度在73%~84%之间，指出航空高光谱成像可被用于规模较大的种植园内病虫害的监测和管理。

在苹果树病虫害方面，Wang等^[40]应用PlantVillage数据库中的高光谱图像，采用图像处理技术与VGG16结构卷积神经网络结合的方法对感染真菌的苹果叶片进行分类。胡荣明等^[41]采摘叶片取样，在室内用推扫成像光谱仪（pushbroom imaging spectrometer, PIS）采集图像，采用波谱角分类和面向对象分类两种方法对带病斑苹果树叶片的高光谱图像进行病斑提取，并加以分析，发现采用对象分类法可以避免结果图中的椒盐噪声，并且总体精度在98%以上。Nouri等^[42]对接种赤霉病的苹果叶片的高光谱图像进行分析，通过反射校正来校准高光谱图像并进行配准，以匹配一个参考图像的几何形状，最后提供了赤霉病的位置。Fang等^[43]采叶取样，使用ASD野外光谱仪对3种病害叶片分别在上中下3个部位采集光谱，分析、比较了各种病害胁迫下的苹果叶子高光谱反射特性，建立对数模型、幂模型、指数模型3种诊断模型，实验取得了很好的识别效果。Bagheri等^[44]利用高光谱技术对苹果、梨树叶片感染火疫病进行研究，评价了可见光近红外光谱法在火疫病早期检测中的应用价值。

邢东兴等^[45]采用手持ASD野外光谱仪实地测量红富士苹果受红蜘蛛虫害、黄叶病害的光谱，应用一阶微分，并构造6种光谱指数处理数据，分别建立红蜘蛛、黄叶病病虫害级别测评模型，测评准确率分别为96%、98%。

在柑橘树病虫害方面，梅慧兰等^[46]用Zolix HyperSIS高光谱成像仪将采样叶片室内成像，对柑橘黄龙病（HLB）进行了早期无损检测及病情分级，比较多种预处理方法的建模结果。结果表明，经一阶微分、萨维兹克-戈拉格（Savizkg-Golag, SG）平滑预处理，结合偏最小二乘判别分析建立的模型分类效果最佳。Pourreza等^[47]用视觉传感器在柑橘林检测患有HLB的植株，并对叶片采样，从3种不同距离拍摄同片叶片，室内定量聚合酶联反应（quantitative polymerase chain reaction, qPCR）法检测，采用平均灰度值、标准差直方图、最大裕度法导出类间最佳分割阈值线，采用三重交叉验证法建立逐步分类法进行分类。结果表明，HLB的检测精度在95.5%~98.5%间。孙旭东等^[48]应用高光谱成像系统，经留一法交互验证，由峰值比判别法和相关分析偏最小二乘判别构成的二步快速诊断法可以快速识别正常、缺素和HLB柑桔叶片。李震等^[49]用Hypersis农产品高光谱成像仪对采样叶片成像，检测红蜘蛛危害柑橘叶片的色素含量。用原始光谱、一阶微分曲线、波段比值与色素含量相关性、常见植被指数等方法对数据进行处理、分析，建立叶片色素含量预测模型，可较好地预测叶片的叶绿素a、叶绿素b和类胡萝卜素含量。Wang等^[50]从健康果园和HLB感染的果园中采集正常色叶样本和绿叶样本，获得叶片高光谱数据，以检测无症状的HLB受感染植物。

在香蕉林病虫害方面，Ochoa等^[51]为检测香蕉林由菲吉斯霉菌引起的叶斑病症状，建立了一个超光谱（high-sensitivity, HS）成像系统（包括机动级、高灵敏度近红外摄像机和光学摄谱仪），采用推扫成像，并用像素合并去噪来改善图像质量，实现了香蕉叶斑病的自动分类。

在甘蔗林病虫害方面，Mokhele等^[52]针对盆栽甘蔗植株，在遮阴条件下用ASD手持光谱辐射计检测甘蔗枯萎病螟，人工给甘蔗茎接种枯萎病螟虫卵，收割时现场测量光谱。结果表明，甘蔗叶片光谱反射率的平均值均表现为健康甘蔗的性状，故甘蔗叶片光谱反射率的测定不受甘蔗茎健康状态的影响。

4 结束语

近20年来，高光谱技术在农林业病虫害方面的应用越来越广泛，方法手段也不断发展。从实验仪器来说，主要有成像、非成像光谱仪两种，非成像光谱仪已有20多年的使用史，成像光谱仪近10年才开始被广泛应用。从实验设计来说，大多学者在实验室或室外实验田内人为培养病株跟踪观察并采集高光谱数据，而自然状态下的观测主要是在平坦地区的植物种植区，山区坡面种植区的果树林木病虫害监测尚未被发现和开展。从检测植物与病虫害种类来说，农作物、绿化生态林、经济林、果树等植物物种及具有显著影响的病虫害种类均有涉及，有近百种。然而，不同物种或不同病虫害类型的光谱响应波段不尽相同，故对不同植物不同病虫害的鉴别方法不同。目前，高光谱鉴别植物病虫害方面的研究取得了一定进展，但在将来建立比较全面的植物病虫害光谱特征和鉴别模型数据库的道路上，这只是起步阶段，未来任重而道远。植物种类、病虫害种类都留有巨大空白，等待人们探索。

成像光谱相较于非成像光谱，其优势显而易见。基于高光谱图像的分类方法主要有：①基于基本光谱信息，如K最近邻、最大似然分类、SVM等方法；②基于空谱联合信息的分类，如三维小波变换等；③改进高斯过程回归的高光谱空谱联合分类算法；④高斯线性回归与多邻域优化。张建伟等^[53]认为利用空间光谱联合的分类方法可以取得比仅依赖光谱信息的逐像素分类方法更好的分类效果。由于高光谱图像类别繁多，很难选择一种适用于所有类型高光谱数据特征的提取方法，而深度学习可以自主从数据中学习特征，根据预先设计的特征提取规则，从数据中提取特征模式，在多种深度学习模型中，基于空谱联合特征的分类方法精度最高^[54]。

本文从高光谱数据采集、处理、分析方法等方面进行研究，为植物分类识别、病虫害监测等工作的发展进步提供了一定的线索。