每年，全球約30%的糧食因病蟲害受損，而氣候變化進一步加劇了害蟲的擴散。在我國，稻縱卷葉螟和稻飛虱等害蟲每年造成400-500萬噸糧食減產。如何精準監測病蟲害，減少農藥使用，同時保障水稻健康生長，已成為農業生產中的關鍵問題。高光譜成像技術為這一問題提供了新的解決思路。

傳統的人工調查方法費時費力，難以滿足大規模農田的實時監測需求。相比之下，無人機（UAV）搭載的高光譜成像系統能夠提供大范圍、高分辨率的數據，精準捕捉水稻葉片的生理變化，為病蟲害識別提供可靠依據。

01高光譜成像的優勢：

提供豐富的光譜信息，可檢測細微的作物生理變化；

適用于大范圍農田監測，提高數據采集效率；

結合人工智能算法，實現智能化蟲害識別。

圖1. 實驗場地

02 實地研究：高光譜成像在水稻病蟲害監測中的應用

本研究在廣東省黃埔區一塊8600平方米的稻田內，利用300TC機載高光譜成像系統開展水稻病蟲害監測。該系統由北京依銳思遙感技術有限公司提供，其核心參數如下：

光譜范圍：400~1000nm

光譜分辨率：3~4nm

影像分辨率：高達4.5cm（100米飛行高度）

03 實驗設計：構建對照區與實驗區

為了分析害蟲發生情況，研究團隊設立了兩個實驗區，以對比不同病蟲害管理方式的影響。

對照區：定期噴灑農藥，并實施標準化水肥管理； 

實驗區：完全不使用農藥，以觀察害蟲自然發生情況。

研究團隊在水稻拔節期（9月28日）和抽穗期（10月25日）分別采集光譜數據，首先從MegaCube軟件（Version 2.14.0，北京依銳思遙感技術有限公司）導出研究區域的高光譜影像，并基于輻射校準文件和數字高程數據進行幾何校正。隨后，利用ArcGIS軟件基于研究區域的正射影像和地面控制點對高光譜影像進行地理配準。利用ENVI軟件進行高光譜影像拼接，然后基于MegaCube軟件（Version 2.14.0）生成超立方體數據。最后，根據地面白板反射率數據和反射率灰布數據將超立方體數據轉化為反射率數據，以獲得可用于光譜分析的高光譜影像。

圖2.本研究的技術流程

圖 3. 健康水稻和受感染水稻的光譜反射率：（A）9 月 28 日；（B）10 月 25 日

圖4. 不同特征的貢獻排名

圖5. 水稻害蟲發生空間分布：（A）9月28日；（B）10月25日

研究成果：精準識別害蟲分布

分析結果表明，稻縱卷葉螟的發生面積在短短一個月內，從64.28%上升到90.53%。結合高光譜數據與人工智能算法（XGBoost模型），研究團隊成功提取了受害水稻的光譜特征，并繪制了害蟲分布圖，為精準施藥提供了科學依據。

關鍵技術亮點

光譜特征提取：識別健康水稻與受害水稻的光譜差異；

人工智能分析：利用XGBoost模型優化病蟲害識別精度；

害蟲分布圖繪制：直觀展示害蟲擴散趨勢，為精準施藥提供支持。

本研究表明，無人機+高光譜成像+人工智能 的組合能夠有效提升農田病蟲害監測精度，為農業生產提供更科學的數據支撐。這一技術的推廣有望實現：

 精準施藥，減少農藥浪費，降低環境污染；

 高效監測，節省人力，提高農業生產效率； 

 智能分析，為水稻管理提供科學數據支持。

隨著智能農業的發展，高光譜成像技術將在病蟲害監測、作物長勢評估、土壤分析等領域發揮更大作用，為農業生產提供更加高效、綠色、可持續的解決方案。