高光谱稻田杂草识别方案

      杂草作为农业生产中的典型有害生物，对作物生长构成了显著的负面影响。在人口持续增长及新&冠&肺&炎疫情的双重影响下，粮食的重要性日益凸显。水稻（Oryza sativa L.）作为全球主要粮食作物，其产量对于全球粮食安全的保障具有至关重要的作用。稻田杂草作为影响水稻生长与产量的关键因素，迫切需要采取有效的管理措施进行控制。

      目前主要的除草方法包括人工、机械和化学除草。化学除草具有经济性和高效性等特点，是目前大多数农业地区主要的除草方式。然而，除草剂的不当使用可能会给人类健康、环境和生态系统带来潜在的风险。采用精准施药是解决这一问题的有效途径口。

      奥谱天成利用光谱分析以及特征提取技术，结合机器学习算法实现对稗草的有效识别！

高光谱成像技术的独&特优势：结合了二维成像技术和光谱分析技术，具有分辨率高、信息量大、检测速度快等优点。无人机高光谱设备具有丰富的光谱信息，在杂草制图方面具有巨大的应用前景。基于低空遥感稻田环境下的稗草识别更贴近实际生产情况，杂草空间分布图的制作有利于指导精准施药。

• 本研究利用无人机载高光谱系统ATH9010收集低空稻田遥感影像

• 利用光谱分析以及特征提取技术，结合机器学习算法实现对稗草的有效识别，节约人力物力资源。

优势：大面积监测，非破坏性检测，保持样品完整、获取样品的空间分布信息。

      在飞行区域内设置黑白反射率板，用于辐射校正；飞行高度为30米，低空采集保证获得更高的空间分辨率。

优势：大面积监测，地面分辨率高，非破坏性检测，保持样品完整、获取整块样品的空间分布信息。

      对采集到的数据影像进行拼接，后进行辐射校正，将像元亮度值转化为反射率。在研究区域内均匀选择水稻、稗草、成熟稗草和背景四种类型样本，保证了样本间的差异，有利于模型泛化能力的提升。

▲样点分布图

      对采集到的原始光谱数据进行平滑处理（如Savitzky-Golay滤波），减少噪声。

优势：提高数据质量，减少噪声干扰。增强光谱信号的特征，提高分析的可靠性。

      利用高光谱成像技术获取水稻与杂草的光谱信息，使用连续投影算法（SPA）提取光谱数据中的主要特征分量，从原始的高维特征集中选择出最&具信息的特征子集，以提高模型性能或简化模型，降低数据维度。基于均方根误差（RMSE）最小原则，筛选出对鉴别有重要贡献的波段。

优势：提高模型性能，简化模型。提取光谱信号的主要特征，保证分析的可靠性。

      采用特征筛选出的特征波长数据结合分类样本建模，使用随机森林、支持向量机、一维卷积神经网络、三维卷积神经网络等方法进行分类精度比较。

      基于杂草空间分布图，通过图像二值化的方式提取稗草像素，突出目标轮廓，更加直观地展示稗草的分布情况。对于区块化管理的农业，准确获取杂草覆盖密度或病害侵扰程度可直接为防治与精准作业提供有力的信息支持。

      根据实际需求设定不同大小的窗口，对二值图像切块处理，统计每个小块稗草像素的占比，赋予1到5的密度等级，制成稗草密度分布图。

▲稗草密度图

高光谱成像技术是了野外复杂条件下识别杂草的有效手段，能够准确区分水稻与杂草。高光谱成像融合了光谱信息与图像信息，提供了丰富的数据支持，使得分析更加全面和深入，提高了识别的准确性和可靠性。通过SG滤波，增强水稻与稗草差异性；SPA提取的特征波段结合分类算法，实现了对杂草的快速提取。根据识别结果，以空间分布图和密度图的形式呈现做为应用指导，与实际生产作业紧密相连，为精准作业提供有力的数据支撑。

参考文献

[1]颜子一,沈奕扬,唐伟,等.基于无人机高光谱的稻田杂草识别和空间分布研究[J].激光生物学报,2024,33(04):335-346.

ATH9010