一、前言本文提出一种基于植被指数与纹理特征融合的棉蚜危害精准监测方法采用特征层融合策略将两类特征在输入模型前进行有效整合。构建基于支持向量机SVM的机器学习模型通过协方差矩阵自适应进化策略CMA-ES对其超参数进行优化用于棉蚜危害等级评估。最后利用SHAP方法对优化后的模型进行可解释性分析。二、背景棉蚜是影响棉花优质高产的主要虫害严重制约棉花产业的高质量发展。因此实现棉蚜的快速、精准检测对于指导田间精准施药、降低农药滥用风险、保障棉花安全生产与产业高质量发展具有重要的现实意义。传统的棉蚜监测主要依赖人工田间调查的方式存在效率低、主观性强、监测范围小等局限难以满足大规模棉田监测的需求。近年来基于光谱成像的无人机低空遥感监测技术被广泛应用于作物病虫害监测领域具有效率高和范围广的优势。但当前基于单一遥感数据源的作物病虫害监测方法仍存在显著局限性其一单一植被指数对作物早期病虫害的敏感性不足难以精准捕捉作物生理状态的细微变化其二现有方法难以有效表征田间病虫害胁迫下的作物冠层结构差异。植被指数可有效反映作物叶绿素含量、水分状况等生理状态而纹理特征能精准捕捉作物冠层结构的空间变化弥补光谱信息对结构变化敏感性不足的缺陷二者融合可实现信息互补。三、数据获取及数据集构建一地面数据采集图1 地面调查方法试验地点位于新疆昌吉玛纳斯县共设置3个试验田每块面积均为1亩。棉花种植采用适于机采的“一膜六行”宽窄行交替模式。供试棉花品种为“新农早139号”。棉蚜为田间主要害虫于试验期间自然繁殖田间管理措施均遵循当地生产惯例。地面调查采用四区域抽样法。将试验田划分为若干正方形地块地块边长与两行棉花种植间距保持一致。图中红色标记区域为抽样区每个抽样区包含9个地块总计36个调查地块。逐地块调查并记录各单元内的棉蚜危害情况。依据《棉蚜监测预报技术规范》GB/T 15799-2011将棉蚜危害程度ADS划分为4个等级。二无人机数据获取采用大疆Mavic 3M无人机进行遥感影像获取。多光谱包含4个波段绿波段G560±16 nm、红波段R650±16 nm、红边波段RE730±16 nm以及近红外波段NIR860±26 nm。无人机数据采集均在天气条件稳定的情况下进行优先选择晴朗天气。飞行高度为40 m飞行速度2 m/s航向重叠率80%旁向重叠率70%。飞行前使用辐射校正板采集25%、50%和75%反射率的光谱。获取的原始影像使用大疆智图软件进行拼接处理。该软件通过二维地图重建生成可见光及多光谱各波段的数字正射影像图DOM并进行辐射校正文件格式为Geo TIFF。基于生成的正射影像利用ENVI软件构建3块试验田的矢量文件用于后续影像数据的提取与分析。基于获取的影像生成棉田二维正射影像图。在此基础上提取各试验田的感兴趣区域ROI并计算相应的植被指数。结合地面样点调查数据对多光谱与可见光图像进行分割以精确划定棉株目标范围。对分割后的可见光图像提取纹理特征。三数据集构建植被指数的选取依据棉蚜危害的生理机制选取对叶绿素含量、生物量和植株水分变化敏感的植被指数作为量化监测的依据。纹理特征的提取基于灰度共生矩阵GLCM最终构建的特征集包含10个植被指数叶绿素绿指数CIG、红边叶绿素指数1Cl1、差分红边指数DRE、绿归一化植被指数GNDVI、修正叶绿素吸收比率指数MCARI、归一化差分红边植被指数NDRE、近红外-绿比值指数NGR、差分植被指数DVI、重归一化差分植被指数RDVI、三角植被指数TVI。与5个纹理特征均值MEAN、方差VAR、对比度CON、异质性DIS及相关性COR。将地面调查获取的棉蚜危害等级标签及植被指数特征、纹理特征进行整合构建用于模型训练的多特征融合数据集。将数据集按7:3的比例随机划分为训练集与测试集。四、基础介绍模型选择支持向量机SVM通过核函数将样本映射至高维空间以最大间隔分类超平面提升边界鲁棒性从而在危害初期与健康样本特征空间重叠的情况下仍能保持良好的小样本判别性能。参数优化策略采用协方差矩阵自适应进化策略CMA-ES通过自适应学习特征协方差结构能够在参数空间中实现高效且稳定的搜索。五、模型结果分别将植被指数、纹理特征及两者融合特征输入SVM模型对棉蚜危害等级判别性能进行对比结果如表所示。从单一特征输入的判别效果来看植被指数的性能优于纹理特征。在引入融合特征后模型的各项评估指标均有所提升。表明多特征融合策略在病虫害识别中有明显优势。SVM在融合特征下精确率、召回率、F1和准确率分别提升至92.49%、94.37%、93.26%和93.72%。较单一植被指数提升1.57%~1.88%较单一纹理特征提升6%~8%。这是因为其基于间隔最大化的分类机制能够有效利用植被指数与纹理特征在生理与结构维度上的互补信息从而在特征信息充分时实现更精准的棉蚜危害等级划分。超参数调优是影响模型性能的关键步骤。SVM模型的性能高度依赖其核心参数——惩罚系数C与径向基核函数参数γ的合理配置。研究选用协方差矩阵自适应进化策略CMA-ES对模型进行参数寻优为后续特征贡献分析提供了性能可靠的基准模型。六、基于SHAP的模型可解释性分析一特征重要性分析为提升模型决策的透明性基于CMA-ES优化后的SVM模型引入SHAP方法对特征重要性进行系统解析。图2展示了基于平均绝对SHAP值排序的15个特征其中归一化差分红边植被指数NDRE、三角植被指数TVI和修正叶绿素吸收比率指数MCARI贡献最为显著。图2基于SHAP的棉蚜危害程度解释性分析SHAP分析揭示了NDRE、TVI等光谱指数在棉蚜早期胁迫识别中的主要作用及生理基础同时明确了纹理特征在捕捉受害区域空间异质性方面的补充价值。植被指数与纹理特征形成有效互补共同支撑棉蚜危害等级的准确判别。二关键特征依赖性分析为进一步解析各特征对SVM模型输出的贡献模式及其生理机制基于测试集n150构建SHAP依赖性图。结果显示DIS及Cl1的SHAP值随特征值升高由正转负表明其对模型输出存在阈值型影响转折阈值分别为0.48、0.15。这种阈值型特征为模型实现健康与受害样本的二分类判别提供了明确的决策边界。图3不同特征依赖图分析DIS表征叶片表面纹理复杂度其SHAP值呈先正后负的变换。这一变化精准反映了模型对蚜害叶片结构变化的捕捉能力叶片虽未发生明显变形但蚜虫刺吸诱导的细胞排列紊乱使叶片表面纹理复杂度升高这种变化成为模型识别受害的重要依据。Cl1作为冠层光谱指数对叶绿素含量变化高度敏感。棉蚜刺吸导致叶肉细胞生理功能紊乱叶绿素含量响应性下降进而使绿光波段反射率上升、近红外波段反射率下降。依赖图显示当SHAP0时DVI有两个阈值0.22和-0.18表明其对模型输出的贡献受其他特征或不同危害等级的调节呈现分段的依赖模式。NDRE的SHAP依赖呈S型分布。当NDRE标准化值高于-0.02时SHAP值为正推动模型判断为受害低于-0.02时SHAP值为负推动模型判断为健康。LOWESS曲线在特征值为-0.02附近快速过渡两端趋于饱和表明NDRE对极端状态敏感但对中间状态的细微变化响应较弱。这一响应模式源于NDRE基于红边区域反射率计算对叶绿素浓度及叶片内部结构变化具有放大效应。NDRE的依赖曲线呈现高斜率与低离散度表明该指数与棉蚜危害程度之间存在高度稳定且敏感的响应关系在棉蚜危害识别中具备优异的诊断潜力受个体差异和环境噪声干扰较小。七、结论针对单一来源遥感特征难以全面表征棉蚜早期危害的问题研究提出一种基于可解释无人机特征融合的棉蚜危害早期监测方法。获取无人机多光谱与可见光影像分别提取其植被指数特征与纹理特征。构建基于协方差矩阵自适应进化策略CMA-ES超参数寻优的支持向量机SVM模型用于棉蚜危害早期监测模型准确率达94.86%。采用SHAP分析对敏感特征作用机制进行解析。研究结果可为基于无人机谱图信息的田间作物病虫害早期监测提供理论依据和方法参考。