摘要：玉米红蜘蛛是影响玉米产量的主要害虫，早期精准监测对于防控十分重要。利用消费级多光谱无人机（大疆M3M）遥感和机器学习相结合的方法，对害虫早期危害进行识别研究。以甘肃省张掖市玉米制种基地为试验区，获得玉米关键生长期的多光谱影像，同时开展地面样本调查。从多光谱影像中提取植被指数以及基于灰度共生矩阵的均值、方差等纹理特征。通过对比支持向量机、随机森林和逻辑回归模型发现，植被指数与纹理特征相结合的方案优于单用植被指数；随机森林模型性能最好，总体精度达92 .5%，Kappa系数为0 .85。研究结果表明，采用多光谱数据结合纹理特征可以对玉米红蜘蛛进行早期预警，为低成本、高效的作物病虫害智能监测提供了一种可行的方法。

       关键词：无人机遥感；特征提取；机器学习；玉米红蜘蛛；早期识别

       作为对玉米产量构成严重威胁的主要有害生物之一，玉米红蜘蛛的初期征兆往往不易发现。为了提高传统检测方法的效果，在张掖地区玉米种子种植区使用消费级多光谱无人机 (DJI M 3 M) 实现远程监控 [1]。结合能够显示危害水平的植物指标和可以揭示树冠区域差异的纹理特征，建立多种类信息集并进行不同机器学习算法对比，旨在解决前期轻度虫害识别难的问题，最终获得一套低成本高效可行的大田玉米红蜘蛛无人机初筛识别技术方案 [2]。

       1. 试验材料与方法

       1.1 研究区域试验设计

       研究区位于甘肃省张掖市甘州区毛家湾玉米制种基 地（E 100°15′— 100°29′，N 38°56′— 39°03′），属温带大陆性气候。2025 年 7 月玉米抽雄吐丝期红蜘蛛开始发生蔓延。在 30 公顷均匀田块上，农技人员采用五点取样法在每个 1 m× 1 m 的样方中标记 50 个样方，观察记录叶片背面红蜘蛛活体和危害症状。根据结果将样方分为健康样方（H，无害， 25 个）和早期胁迫样方（S，有虫并且叶片轻微失绿， 25 个）。各样方中心点均用高精度 RTK GPS 记录坐标，用以与无人机影像配准。

       1.2 无人机数据获取与预处理

       研究采用大疆禅思 M 3 M（DJI Zenmuse M 3 M）多光谱无人机系统进行数据采集。多光谱传感器集成一个RGB 相 机 和五个 多光 谱相 机（蓝波段：475 nm±16 nm，绿波段：560 nm±16 nm，红波段：668 nm±14 nm，红边波段：717 nm±12 nm，近红外波段：840 nm±26 nm）。

       数据获取于 2025 年 7 月 15 日晴朗无风、日照稳定的天气条件下，无人机飞行时间选择在地方时 10 : 00 至 14 : 00 之间，以尽量减少太阳高度角变化和阴影的影响。飞行高度设定为 100 米，航向重叠率和旁向重叠率分别设置为 80 % 和 70 %，地面采样距离（GSD）约为 5 . 4 厘米。飞行任务通过 DJI Pilot 2 软件规划并自动执行。

       获取的原始影像利用大疆智图（DJI Terra）软件进行处理。处理流程包括：（1）生成研究区的数字表面模型（DSM）；（2）进行辐射定标和反射率计算，生成每个波段的反射率正交影像；（3）拼接生成研究区的真彩色 RGB 影像和五个波段的多光谱反射率影像图。最终输出成果的坐标系为 UTM WGS- 84 Zone 48 N。

       1.3 特征提取

       采用经预处理过的多光谱影像，在 ArcGIS 10 . 8软件中将每个地表采样单元的中心位置（3 × 3）的像元作为感兴趣的目标像元区域进行裁切（ROI），以减少定位误差和像元混叠效应带来的影响；随后对各ROI 中的所有像元求平均数，将其作为样本区的特征因子，提取的特征分为植被指数和纹理特征两类。

       1.3.1 植被指数

       研究过程中选用的植被指数如表 1 所示。

       1.3.2 纹理特征

       纹理特征从信息量最丰富的近红外（NIR）波段提取。首先，将 NIR 波段的 DN 值量化为 32 级灰度。然后， 基于灰度共生矩阵（GLCM）， 在 ENVI 5. 6 软件中计算 4 个常用的纹理测度，窗口大小为 3 x 3，方向为 0°,偏移距离为 1。提取的纹理特征包括：

       均值（Mean）：反映像元灰度的平均值；

       方差（Variance）：度量像元灰度相对于均值的离散程度；

       同质性（Homogeneity）：衡量影像局部区域的均匀性；

       对比度（Contrast）：反映影像的清晰度和纹理沟纹深浅。

       同样，计算每个样方 ROI 内这些纹理特征值的平均值。最终， 每个样本共获得 9 个特征变量（5 个植被指数 + 4 个纹理特征）。

       2. 结果与分析

       2.1 特征分析

       表 2 展示了健康及早期的植被指数和纹理特征的平均 数 值。从 整 体 上 看，健 康 的 样 本 中，包 括NDVI、 OSAVI、NDRE、GNDVI 和 LCI等指标都明显超 过受早期危害影响的样本。这些结果符合对红蜘蛛侵害可能导致的叶绿素分解和光合作用减弱的预测。在纹理特征方面，受危害样点的NIR 波段均值虽略低于健壮样点，但方差、对比度显著高于后者而更不均匀[ 3]。这也表明，在近红外波段，被红蜘蛛早期危害过的玉米冠层的空间变异性更大，冠层纹理更加粗大，可能是因为叶面斑点失绿造成的局部范围上的反照率差异所致（表 2）。

       2.2 不同识别效果

       采用不同特征集与机器学习模型，对玉米红蜘蛛的识别效果开展对比试验。结果表明：结合植被指数和纹理特征大大提高了模型表达能力 (P< 0 . 05 )，如仅采 用 植 被 指 数 作 为 输 入 样 本 其 精 度 为 85 . 3 % (Kappa= 0 . 70 )。但是加入纹理属性后，准确性提高到了 92 . 5 %(Kappa= 0 . 85 )，表明纹理属性为特征集带来了大量的有关空间结构的信息，并允许模型更好地捕获早期的小型危害状态。对于这一特定特征集来说，最 有 效 的 是RF模 型(总 精 度 达 到 了92 . 5%，Kappa=0 . 85，F 1 = 0 . 92 )，优于 SVM 和 LR(P< 0 . 05 )， 同时其集成学习策略能更好地捕捉到各特征之间的相互作用关系而不易出现过拟合的情况，在该分类任务中表现出了较强的优势。

       3. 讨论

       研究使用消费级多光谱无人机（大疆 M 3 M）成功地实现了玉米红蜘蛛危害的早期识别。利用多光谱图像分析可以准确区分健康和受害植株，这与以前作物病虫害遥感监测的结论一致。纹理特征的加入明显提高了模型的精度。红蜘蛛危害初期只引起冠层局部斑块变化，光谱响应差异不大，但是会导致图像局部纹理格 局 改 变（方差增大、对 比度 升 高）。 GLCM 纹 理特征可以很好地捕捉到这种空间异质性，弥补了单纯依靠光谱特征的不足，突出了将光谱和空间信息结合在一起的重要性。在算法比较中，随机森林（RF）由于可以处理高维特征、不容易过拟合而表现最好；支持向量机（SVM）次之，但是需要参数调优；逻辑回归由于线性限制精度较低而被使用。研究还存在以下不足：样本量只有 50 组，需要扩大来验证试验结论的普适性；数据只限于单季的部分时段，需要时间序列分析来加深认识；没有考虑水分、养分等环境因素的干扰。尽管如此，该方法成本低、操作简单、可以高精度地实现病虫害的早期监测，为农业部门和农户提供及时的病虫害信息，指导精准施药，减少农药滥用，保护生态环境 [4,5]。

参考文献：

[1] 刘涛 , 韩伊曼 , 杨奉源 , 等 . 基于无人机遥感影像土壤背景剔除的玉米叶部病害等级识别模型 [J]. 农业机械学报 ,2025(11):408-417.

[2] 张淑贞.小麦病虫害遥感监测技术研究[J].种子科技 ,2025(16):137-139.

[3] 黄利加禾 . 基于无人机遥感测绘的 GIS 数据处理技术 [J]. 微型计算机 ,2026(01):37-39.

[4] 杨军义 . 无人机遥感技术在生态安全监测与评价中的应用研究 [J].科技资讯 ,2025(01):191-193.

[5] 郑恒彪 , 吉文翰 , 郭彩丽 , 等 . 无人机遥感作物估产研究进展 [J].南京农业大学学报 ,2025(01):1-13.