摘要

农作物病虫害是影响粮食产量和品质的重要因素，传统病虫害监测依赖人工田间调查，存在发现滞后、覆盖有限、主观性强等突出问题。遥感技术以其大范围、高时效、客观定量等优势，为病虫害早期预警提供了全新的技术手段。本文系统阐述了农作物病虫害遥感早期预警的技术体系，深入分析了多光谱遥感、高光谱遥感和热红外遥感在病虫害识别中的原理与方法，详细介绍了基于植被指数异常、光谱特征变化和时序分析的病虫害早期预警技术流程，并结合时维遥感在小麦条锈病、水稻稻瘟病、玉米草地贪夜蛾等病虫害监测中的实践经验，提出了可落地实施的病虫害遥感预警解决方案，为农业植保部门和种植主体提供了科学有效的技术参考。

引言

病虫害是农业生产的重大威胁，据联合国粮农组织（FAO）统计，全球每年因病虫害造成的粮食损失约占总产量的20%-40%，直接经济损失超过2200亿美元。 我国是农业病虫害的重灾区，常年发生病虫害面积超过4亿公顷次，造成的产量损失约占粮食总产的10%-15%，严重威胁国家粮食安全和农产品质量安全。

传统的病虫害监测主要依靠基层农技人员田间调查和农户目测报告，存在"发现慢、监测难、预判差"三大痛点。 一方面，人工调查效率低下，一名植保人员日均调查面积不超过100亩，难以覆盖大范围农田；另一方面，病虫害初期症状不明显，人眼难以察觉，往往发现时已大面积扩散，错过最佳防治窗口。

遥感技术为破解这一难题提供了有效途径。 病虫害发生初期，作物叶片会出现退绿、坏死等微小变化，这些变化会反映在光谱特征中。卫星遥感和无人机遥感可以快速获取大范围农田的光谱信息，通过分析光谱特征变化，可在病虫害发生初期就发出预警，为及时防治争取宝贵时间。

时维遥感长期致力于农作物病虫害遥感监测技术研发，在多个省份开展了病虫害早期预警实践，取得了显著成效。本文将从技术原理、方法体系、实施流程和典型案例等维度，系统介绍农作物病虫害遥感早期预警方案。

一、病虫害光谱响应机理

1.1 健康作物光谱特征

1.1.1 基本光谱特征

绿色植物的光谱特征主要由叶绿素、细胞结构和水分含量决定，呈现典型的"红边效应"：

波段范围 波长(μm) 光谱特征 主导因素

蓝光 0.40-0.52 叶绿素强吸收 叶绿素a/b

绿光 0.52-0.60 叶绿素弱吸收/反射 叶绿素

红光 0.63-0.69 叶绿素强吸收谷 叶绿素

红边 0.69-0.75 反射率急剧上升 细胞结构

近红外 0.76-1.40 高反射平台 细胞结构

短波红外 1.40-2.50 水吸收谷 水分含量

健康植被的NDVI值一般在0.6-0.9之间，红边位置在0.70-0.73μm范围内。

1.1.2 影响光谱的因素

因素类型 对光谱的影响

叶绿素含量 含量降低导致红光吸收减少、绿光和红光反射增加

细胞结构 结构破坏导致近红外反射降低

水分含量 含量降低导致短波红外吸收减弱

表面蜡质层 影响可见光散射和反射

1.2 病虫害胁迫光谱响应

1.2.1 光谱响应机制

当作物受到病虫害侵袭时，会发生一系列生理变化，导致光谱特征发生响应：

营养亏缺阶段：

叶绿素合成受阻或降解加速

叶片出现褪绿、黄化症状

可见光反射增强

组织坏死阶段：

病原菌侵染导致细胞死亡

叶片出现病斑、穿孔

近红外反射显著下降

全株受害阶段：

光合作用面积锐减

蒸腾作用减弱

整株枯萎死亡

1.2.2 典型病虫害光谱特征

病虫害类型 可见光变化 近红外变化 红边特征

叶斑病 红光升高、绿光升高 下降 "蓝移"+斜率降低

白粉病 白色粉状物覆盖 下降 斜率降低

锈病 橙黄色孢子堆 下降 "蓝移"

蚜虫 叶片卷曲、褪绿 变化不大 位置偏移

草地贪夜蛾 叶片啃食 局部下降 边缘不规则

1.3 红边参数分析

1.3.1 红边特征

红边是植被光谱中最敏感的特征区域，病虫害胁迫首先影响红边参数。

红边参数 定义 病虫害响应

红边位置（REP） 红边斜率最大处波长 "蓝移"（向短波方向移动）

红边斜率（RES） 红边范围内最大导数 降低

红边面积（REA） 红边曲线与基线围成面积 减小

1.3.2 量化关系

研究数据表明，红边参数与病虫害严重程度存在显著量化关系：

病虫害等级 REP位移(μm) RES变化(%) NDVI变化(%)

轻度 0.001-0.003 -5~-15 -5~-10

中度 0.003-0.008 -15~-30 -10~-25

重度 >0.008 <-30 <-25

二、遥感早期预警技术体系

2.1 技术体系框架

农作物病虫害遥感早期预警体系包括"监测-识别-预警-响应"四个核心环节：

2.1.1 天空地一体化监测

监测层级 监测手段 监测特点 监测周期

卫星遥感 Sentinel-2、Landsat、高分系列 大范围、低成本 周-月度

无人机遥感 多光谱/高光谱无人机 高分辨率、灵活 按需

地面遥感 田间监测站、手持设备 高精度、实时 连续

2.1.2 智能识别分析

分析方法 技术原理 应用场景

植被指数阈值法 NDVI低于阈值判定为发病 大面积快速筛查

时序分析法 NDVI下降速率异常识别 早期变化检测

机器学习法 RF、SVM等分类器 病虫害类型识别

深度学习法 CNN、Transformer 高精度目标检测

2.1.3 分级预警响应

预警级别 预警条件 推送对象 响应时限

蓝色预警 轻度异常 种植大户 7日内

黄色预警 中度异常 县乡农技人员 3日内

橙色预警 明显发病 县农业农村局 2日内

红色预警 大面积发生 市农业农村局 1日内

2.2 数据源选择

2.2.1 卫星遥感数据

数据源 空间分辨率 重访周期 适用场景

Sentinel-2 10-20米 5天 县域尺度常规监测

Landsat-8/9 30米 16天 大范围历史对比

高分一号/六号 16米 4天 国产数据保障

Planet 3-5米 日 高频次监测

高光谱卫星 30米 5天 精细光谱分析

2.2.2 无人机遥感数据

载荷类型 空间分辨率 光谱通道 适用场景

多光谱相机 2-10厘米 4-6个 大面积快速筛查

高光谱相机 5-15厘米 100+个 精准识别

热红外相机 10-20厘米 单波段 水分胁迫监测

2.3 关键算法

2.3.1 植被指数异常检测

基于时序NDVI分析检测病虫害早期异常：

方法 原理 优点 缺点

滑动窗口法 分析NDVI滑动窗口的变化趋势 简单直观 阈值难以确定

导数分析法 分析NDVI变化速率 敏感度高 易受噪声影响

STL分解法 分解趋势项和周期项 稳定可靠 计算复杂

深度学习法 LSTM时序分析 精度高 需要大量样本

2.3.2 病虫害区域分割

基于深度学习的病虫害区域自动分割：

U-Net网络：编码器-解码器结构，适合像素级分割

Mask R-CNN：目标检测+实例分割，适合目标级识别

Transformer分割：注意力机制，捕捉长距离依赖

2.3.3 病害严重度估算

基于光谱特征估算病虫害严重程度：

严重度指数（DSI）计算：

plaintext

DSI = α×ΔNDVI + β×ΔREP + γ×ΔRES

其中：

ΔNDVI为NDVI变化量

ΔREP为红边位置位移

ΔRES为红边斜率变化

α、β、γ为权重系数

三、主要病虫害预警方案

3.1 小麦条锈病预警

3.1.1 病害特征

小麦条锈病是我国小麦生产上的重大病害，可造成严重减产。

特征 描述

病原菌 条形柄锈菌（Puccinia striiformis）

发病时期 小麦返青至灌浆期

典型症状 叶片出现鲜黄色条状孢子堆

危害程度 严重时减产50%以上

3.1.2 光谱响应特征

病害阶段 NDVI变化 光谱特征

潜育期 变化不明显 需要高光谱检测

发病初期 NDVI下降5-10% 可见光轻微升高

扩展期 NDVI下降15-25% 黄橙色孢子堆可见

爆发期 NDVI下降>30% 大量孢子堆覆盖

3.1.3 预警技术方案

时维遥感在小麦条锈病预警中的技术方案：

监测时间表：

生育期 监测时间 监测重点

返青期 3月上旬 病原基数调查

拔节期 3月下旬-4月上旬 首批发病中心

抽穗期 4月中旬 病害扩散监测

灌浆期 4月下旬-5月 病情动态跟踪

预警阈值：

预警级别 NDVI较常年同期下降 红边位移 响应措施

蓝色 5-10% 0.001-0.002μm 关注

黄色 10-20% 0.002-0.005μm 田间调查

橙色 20-30% 0.005-0.008μm 应急防控

红色 >30% >0.008μm 全域防控

3.2 水稻稻瘟病预警

3.2.1 病害特征

特征 描述

病原菌 灰梨孢菌（Magnaporthe oryzae）

发病时期 水稻全生育期

典型症状 叶瘟、节瘟、穗颈瘟

危害程度 严重时减产40-50%

3.2.2 光谱响应特征

病害阶段 NDVI变化 NDRE变化 特征描述

叶枕绿期 轻微下降 下降 需要精细监测

病害初期 下降10-15% 下降明显 病斑出现

扩展期 下降20-30% 显著下降 病斑扩大

爆发期 下降>40% 急剧下降 叶片枯死

3.2.3 预警技术方案

监测时间表：

生育期 监测时间 监测重点

苗期 5月 苗瘟监测

分蘖期 6月 叶瘟监测

孕穗期 7月 穗颈瘟预防

成熟期 8-9月 病情总结

关键预警指标：

指标 预警阈值 说明

NDVI异常下降 较常年下降>10% 初步异常

NDRE/NDVI比值 比值<0.8 氮素代谢异常

田间湿度指数 >0.7 高湿利于发病

3.3 玉米草地贪夜蛾预警

3.3.1 虫害特征

特征 描述

害虫名称 草地贪夜蛾（Spodoptera frugiperda）

入侵害虫 2019年侵入我国

危害时期 玉米全生育期

危害程度 严重时减产50%以上

3.3.2 危害特征与遥感识别

草地贪夜蛾主要危害玉米叶片和生长点：

危害等级 危害特征 NDVI变化 影像特征

轻度 叶片零星咬食 下降5-10% 小斑点

中度 大量叶片受损 下降15-25% 叶片缺刻

重度 生长点被毁 下降>30% 心叶枯死

3.3.3 预警技术方案

监测策略：

重点区域监测：云南、广西等周年繁殖区全年监测

迁飞路径监测：黄淮海夏玉米区5-9月重点监测

发生期预测：结合性诱监测和气象条件预测

预警指标：

预警指标 阈值设置 预警级别

虫源地虫口密度 >50头/性诱捕器 橙色预警

迁入虫量 >100头/性诱捕器/周 红色预警

作物受害面积 >100亩 黄色预警

NDVI异常下降 >15% 橙色预警

3.4 柑橘黄龙病预警

3.4.1 病害特征

特征 描述

病原体 韧皮部杆菌（Candidatus Liberibacter）

传播介体 柑橘木虱

典型症状 叶片斑驳黄化、果实畸形

危害程度 无药可治，只能砍树

3.4.2 光谱响应特征

病害阶段 叶片光谱 NDVI变化 RGB影像特征

初期 叶绿素下降 下降5-10% 局部黄化

中期 叶绿素显著下降 下降15-25% 斑驳黄化

后期 几乎无叶绿素 下降>35% 整片黄化

3.4.3 预警技术方案

监测方法：

无人机多光谱监测：获取单株柑橘树光谱

单木尺度分析：提取单木NDVI，识别发病单株

空间聚类分析：识别发病中心和扩散趋势

四、预警系统建设

4.1 系统总体架构

病虫害遥感早期预警系统采用"感知-分析-预警-响应"的闭环架构：

系统层级 组成模块 功能描述

数据采集层 卫星接收、无人机作业、物联网感知 多源数据获取

数据处理层 数据预处理、特征提取、变化检测 数据分析处理

业务应用层 病虫害识别、严重度评估、预警生成 业务逻辑

用户交互层 Web平台、移动App、微信服务 信息推送

4.2 核心功能模块

4.2.1 遥感监测模块

功能项 功能描述

影像获取 自动订购/接收多源遥感数据

预处理 辐射校正、几何纠正、云检测

指数计算 NDVI、NDRE、GNDVI等指数计算

时序分析 历史数据管理和趋势分析

4.2.2 预警分析模块

功能项 功能描述

异常检测 识别NDVI等指数的异常变化

类型识别 基于光谱特征识别病虫害类型

严重度评估 评估病虫害发生严重程度

预警生成 根据阈值和规则生成预警信息

4.2.3 信息发布模块

功能项 功能描述

预警推送 通过微信、短信、App推送预警

地图发布 生成病虫害分布专题图

报告生成 自动生成监测预警报告

历史查询 支持历史预警记录查询

4.3 业务流程

病虫害遥感预警的业务流程：

数据获取：按监测计划自动获取遥感数据

预处理：完成辐射校正、几何纠正等处理

指数计算：计算NDVI、NDRE等植被指数

变化检测：与历史数据对比分析变化

异常识别：识别异常区域，判断是否需要预警

预警生成：符合条件自动生成预警

核实反馈：基层核实预警准确性

防治指导：提供防治建议和措施

五、实施案例

5.1 某省小麦病虫害遥感监测预警项目

5.1.1 项目概况

项目要素 内容说明

监测范围 全省4500万亩小麦

覆盖县区 86个县（市、区）

监测周期 3月-5月（小麦生育期）

项目周期 连续3年

5.1.2 技术方案

时维遥感为该项目设计的技术方案：

监测层级 数据源 监测频率 监测内容

省级监测 Sentinel-2 每周 全省宏观监测

县级监测 高分一号 每两周 县域详查

重点监测 无人机 按需 发病中心详查

5.1.3 应用成效

项目实施三年来取得显著成效：

成效指标 2019年（实施前） 2022年（实施后） 改善幅度

病虫害发现时间 发病后7-10天 发病前3-5天 提前12-15天

统防统治覆盖率 45% 85% +40个百分点

农药使用量 基准100% 72% 减少28%

产量损失率 8.5% 3.2% 降低5.3个百分点

5.2 某县水稻病虫害精准防控项目

5.2.1 项目背景

该县是南方优质稻产区，水稻种植面积28万亩。稻瘟病、纹枯病、稻飞虱是主要病虫害，传统防控方式农药用量大、效果不理想。

5.2.2 技术方案

基于无人机遥感的精准防控技术方案：

遥感监测：利用多光谱无人机获取全县水稻影像

病虫害识别：基于深度学习算法识别发病区域

精准施药：将病虫害分布图导入植保无人机

效果评估：施药后再次航拍评估防控效果

5.2.3 应用效果

指标 传统方式 精准防控 改善效果

发现面积 500亩（人工） 2800亩（遥感） 扩大5.6倍

农药用量 100% 65% 减少35%

防控成本 基准100% 78% 降低22%

防治效果 70% 92% 提高22个百分点

六、发展建议

6.1 技术发展建议

发展方向 具体建议

高光谱应用 加强高光谱数据获取和分析能力

AI深度应用 训练病虫害专用深度学习模型

多源融合 融合遥感、气象、土壤等多源数据

地面验证 建设病虫害地面监测验证网络

6.2 业务应用建议

应用场景 建议措施

制度建设 将遥感监测纳入病虫害测报体系

资金保障 将遥感监测费用纳入植保预算

队伍建设 加强基层植保人员遥感技术培训

协同机制 建立农业农村部门与气象部门协作

总结

农作物病虫害遥感早期预警是提升植保信息化水平、保障粮食安全的重要技术手段。 本文系统阐述了病虫害光谱响应机理、遥感早期预警技术体系、主要病虫害预警方案和预警系统建设方法。

时维遥感的实践经验表明，遥感技术可在病虫害发生初期提前3-7天发出预警，大幅提升病虫害防控的时效性和精准度。通过"天空地一体化"监测体系建设和智能预警系统部署，可实现病虫害的"早发现、早预警、早防治"，有效减少农药使用、降低产量损失、提高防治效益。

随着遥感技术、人工智能和5G通信技术的持续进步，病虫害遥感早期预警将更加智能、更加精准、更加及时，为保障国家粮食安全和农业绿色高质量发展贡献力量。