水果病蟲害高光譜遙感應用研究進展

舒 田，陳智虎，劉春艷，許元紅，趙澤英

(1.貴州省農業科學院科技信息研究所，貴州貴陽 550006；2.貴州師范大學喀斯特研究院，貴州貴陽 550001)

果業作為我國農業的重要組成部分，在種植業中位列第三，其面積、產量和產值僅次于糧食和蔬菜[1]，在保障食物供給、居民健康、生態安全、農戶增收以及激發農村經濟活力和農業可持續發展中的作用日益顯著，是新時代鄉村振興的重要支柱產業之一。病蟲害是影響果樹生長、降低果品質量、影響果業健康發展的主要因素，已成為當今果樹種植及生產管理中最根本、最引人關注的災害之一。病蟲害種類繁多、規模大、時常暴發性成災或二次傳播，給果樹病蟲害有效防控帶來了巨大挑戰。同時，某些弱寄生菌逐漸成為果樹的主要病害，防控難度加大，病蟲害的蔓延將直接導致果樹樹體及果品質量安全，甚至引起消費恐慌，給水果產業發展帶來消極影響[2]。一般果園果樹的病蟲害防控是大范圍地定期噴藥以避免病蟲害的發生，存在過量過度使用農藥化學現象，致使果園土壤酸化嚴重、農業面源污染增加，最終導致果品質量安全風險大，果業綠色健康發展難度大。因此，如何及早發現并精準實現病蟲害的有效監控，從而精準指導適時適量施藥已成為農業研究者的關注熱點。傳統的人工檢測與監測費時費力，雖然準確性較高，但存在一定的主觀性和時間的滯后性，無法滿足現代精準農業對病蟲害發生類型、發病位置、發病程度和發生面積等信息進行定位、定時、定量以及快速有效、及時同步獲取的精準要求[3]。因此，實時、快速、精準、無損地監測、識別、防治水果病蟲害，對于提高水果產量、提升果品品質、減少果業損失、促進農民增收和鄉村產業振興尤其是山區經濟騰飛具有重要意義。

高光譜遙感能夠采集獲得用來描述地球表面物質光譜特性的一維光譜信息和描述其地理分布的二維空間信息，其光譜的分辨率達到了納米級，很多在多光譜圖像中無法獲得的對于某種植物特別波長的波譜信息被感知[4]。高光譜遙感具有分辨率高、連續性強、信息量巨大等優勢，可實時獲取植物生長過程中器官形態的細微變化[5]，在農業病蟲害鑒別上表現出強大的潛能，可以為大田、農場、果園等不同尺度的農作物病蟲害精準防控和高效防治提供參考[6]。通過利用高光譜傳感器可獲得地物在可見光波段(0.4～0.7 μm)、近紅外波段(0.7～1.1 μm)以及短波紅外波段(1.1～2.5 μm)范圍內的數百個波段的電磁波譜信息[7-10]，另外有些光譜傳感器還能探測優于1 nm的連續窄波段光譜信息用于地物研究分析[11]。對于光譜反射率高低而言，可見光范圍內由植被對色素的吸收和反射的強弱決定，近紅外波段由植物細胞的基本結構決定，而短波紅外范圍內則由植被對水汽的吸收情況決定[12]。全波段范圍內植被由于受病蟲害侵染，植物器官的微小變化就會引起葉片和形態的高度敏感表現，這就是病蟲害早期診斷和不同病蟲害識別的高光譜應用意義所在[13]，也正是近些年高光譜探測技術迅猛發展及被青睞的緣由[14]。可見光-近紅外是綠色植被對電磁波譜響應最為敏感的區間，尤其是近紅外區及“紅邊”位置[15-18]對于作物病蟲害癥狀的早期檢測和診斷、動態變化監測和分析有著舉足輕重的依據。作物病蟲害高光譜遙感監測依賴于作物受不同脅迫影響后發生的光譜響應[19]。可見光波段內，葉綠素含量影響著植物的光譜特性。當植物健康正常并旺長時，葉綠素含量高時“綠峰藍移”。當作物染病后，色素系統被破壞而“失綠”，從而出現病斑、黑斑或傷斑現象，這將導致可見光波段的反射率改變，導致“綠峰紅移”[20]；而在近紅外波段，綠色植物的光譜反射大小主要取決于植物葉片內部的細胞結構，染病后植物葉片組織的水分代謝受阻，病蟲害侵染繼續加重，這將導致植物植株的整體性損傷，如細胞破裂死亡腐爛、植物整株萎蔫等，最后導致近紅外及短波紅外波段范圍的光譜反射率改變，致使“紅邊藍移”[21-23]。農作物病蟲害的發生發展與其長期所處的生長發育環境、氣候條件、土壤狀況以及農作物品類等因素關系密切，作物病害的病原體主要為真菌、細菌、放線菌和部分線蟲，蟲害多是由一年多代的成蟲越冬，在來年適宜季節大量繁殖而帶來的作物危害[24]。果樹冠層受病蟲害后不同時期會出現細胞組織顏色黃化、葉片形狀殘缺、冠層形態矮化、植株枯死、萎蔫導致蒸騰速率下降等，這些癥狀過程都表現在一定的反射光譜上(圖1)。

作為較晚興起的新型遙感技術，高光譜遙感在作物病蟲害監測識別與應用研究中得到極廣泛的關注[25-28]。根據數據采集方式的不同分為成像和非成像2種類型[29]。非成像高光譜原理就是測量傳感器探頭平視視域范圍內的平均光譜[30]，多用于植株冠層、葉片特征的光譜變化分析，常用的就是ASD公司的地物光譜儀，比如Rumpf等利用ASD地物光譜儀測量了不同病害染病葉片的光譜數據，系統分析了不同病害的識別精度[31]；而成像高光譜以快照式 (窗掃式) 的成像高光譜傳感器性能最佳，掃射1次便能獲得整個區域內高光譜“立方體”，這種“立方體”具有“圖像立方體”的形式和結構，數據獲取穩定且時效性強，體現了成像高光譜“圖譜合一”的優勢[32](圖2)，已成為作物表型分析和不同病蟲害監測識別不可或缺的光譜傳感器[33]。Apan等基于EO-1 hyperion 高光譜圖像實現了甘蔗黃銹病的監測[34]，Lee等利用航空高光譜成像儀對柑橘黃龍病進行了監測和圖像分類[35-36]，同樣Qin等利用高光譜成像儀對柑橘潰瘍病進行了探測分類[37]，Yeh等利用推掃式成像高光譜儀實現了對患炭疽病的草莓葉片不同病斑的識別[38]。從上述分析可以看出，地面平臺的非成像高光譜、航空平臺的機載成像高光譜傳感器在水果病蟲害監測識別及其分類上得到大范圍的應用和發展，而空間分辨率影響下的星載成像高光譜在水果及病蟲害監測上應用相對較少，受其分辨率的限制主要應用于大尺度的作物種植面積提取及長勢監測。隨著“星-空-地”高光譜遙感多源多平臺的發展，為水果果樹病蟲害遙感監測及其不同應用方向的分析研究提供了多組合選擇[39-40]，研究方法也從經典的統計分析向人工智能、模式識別、深度學習、大數據分析等方向擴展[29]。因此，利用高光譜遙感技術對水果果樹病蟲害早期診斷、脅迫分類、監測識別、危害程度進行定量分析和品質檢測成為可能。

1 文獻引證分析

為探討水果病蟲害高光譜遙感應用的研究熱點和發展趨勢，基于檢索平臺WOS (Web of Science)和中國知網(China National Knowledge Infrastructure，簡稱CNKI)進行文獻收集與統計分析，檢索時間為2021年12月31日。在WOS系統中，采取“TS=fruit disease”and “TS=hyperspectral”or “TS=fruit pest”and“TS=hyperspectral”or“TS=fruit disease and pest”and“TS=hyperspectral”方式檢索文獻，時間不限。經過去重處理，共獲得文獻78篇，時間覆蓋范圍為2008年至2021年；在中國知網中，采取“主題=水果病蟲害”或含“主題=水果病害”或含“主題=水果蟲害”并且“主題=高光譜”方式檢索文獻，時間不限，僅檢索出文獻2篇。再擴大檢索范圍，采取“主題=病蟲害”或含“主題=病害”或含“主題=蟲害”并且“主題=高光譜”方式檢索文獻，時間不限。分析和選擇水果類文獻，共獲得69篇文獻，時間覆蓋范圍為2007年至2021年。由圖3可知，國外國內水果病蟲害高光譜遙感研究發文量基本相當，發表時間也基本一致，總體呈現遞增趨勢，2018—2021年增加最為快速，發文量較少說明高光譜在該領域研究具有廣闊前景，大有可為；根據WOS題錄數據的發文量排名和CNKI對國內科研機構題錄數據的發文量來看，中國是高光譜遙感技術在水果病蟲害研究中發表論文最多的國家，總和為97篇，其次為美國、西班牙、德國；國內高校和科研院所對水果病蟲害高光譜的研究也比較關注，其中以沈陽農業大學、華南農業大學、浙江大學、華東交通大學、西北農林科技大學的學者研究最多，該結果如圖4-a、圖4-b所示。根據圖4-c分析，對文獻涉及的基礎學科研究發現，以農學領域應用為主，然后就是在遙感與光譜學、食品科學、化學、植物學及計算機學科上也得到廣泛應用。由圖4-d可知，水果病蟲害高光譜的應用研究集中在病蟲害檢測，病蟲害植株分類識別、病蟲害監測估算和嚴重度等級分類也是研究的熱點。通過對檢索的147篇文獻進行分析發現，學者對柑橘(柑桔)、蘋果果樹高光譜病蟲害研究最多，其次就是桃、梨、臍橙等水果，而且利用高光譜成像技術比非成像多，地面平臺比機載和星載平臺的要多。

綜上所述，星-空-地平臺的高光譜遙感技術為水果病蟲害的研究和應用提供了多種模式或組合上的選擇，同時以無人機為載荷的高光譜成像技術越來越受到研究的青睞。大多數學者綜合了高光譜遙感、農學、病理學、植物保護理論與計算機技術，并從傳統的統計分析向機器學習、深度學習、人工智能、圖像與模式識別及大數據分析等方向擴展。本文首先簡述了高光譜遙感監測的基本原理、數據獲取方式以及技術要點，然后從水果高光譜遙感對病蟲害早期診斷、病蟲害光譜響應、不同病蟲害監測識別、病蟲害危害度定量分析以及病蟲害無損檢測等方面的研究進展進行了深入探討，并結合近年來的高光譜研究實際，針對性地提出了高光譜遙感在水果病蟲害中應用的趨勢與未來展望。

2 水果病蟲害高光譜遙感研究進展

2.1 水果病蟲害早期診斷

病蟲害防治堅持“預防為主，早發現，早防治”的原則，傳統的農業生產管理存在對病蟲害農情信息監測不及時，監測結果以定性方式展示，無法將監測結果實現定量化等難題，而高光譜技術則能夠盡早通過對作物微小生理變化的識別判定疾病的發生。病蟲害對作物的影響主要分為外部形態和內部生理變化，何種變化都將不可避免地導致作物光譜特征的改變，尤其是中、近紅外光譜特征的變化。趙英時等指出只有近紅外波段反射率發生變化，可見光波段的反射率才會發生變化[41-42]，在觀測病蟲害方面，紅外波段光譜特征監測相較于肉眼要快速很多，這對病蟲害的早期防治具有非常重要的意義[43]。Delalieux等利用多個時期的蘋果分析黑星病脅迫葉片和健康葉片的光譜變化特點，發現在1 375～1 750、2 200～2 500 nm的光譜范圍內對葉片侵染初期能夠快速識別，而在580～660、685～715 nm范圍內可以快速地、較精準地識別侵染3周后的病害葉片[44]。梅慧蘭等獲取了370～1 000 nm 范圍內的健康、不同染病程度和缺鋅等5類柑桔葉片的高光譜圖像，利用偏最小二乘判別分析構建了柑桔黃龍病的分級監測模型[45]。Oerke等利用不同時期葡萄葉片光譜特征變化分析和監測霜霉病感染程度時發現，接種天數越長，健康和染病葉片的光譜差異就會越大，可用于染病監測的光譜數量也會越多。400、1 400、1 900 nm可用于早期預測，接種后第8.5天的疾病檢測宜采用紅邊波長，接種第9.5天后的疾病診斷宜采用 500～700 nm范圍內檢測[46]。

通過文獻檢索分析，雖然國內外將高光譜技術應用在水果病蟲害防治方面的研究成果相對較少，但是應用潛力已得到充分證實，而且早期診斷研究的熱點波段集中在近紅外及“紅邊”位置。對于病蟲害的早期診斷監測，還需結合高光譜遙感信息、作物發病機理機制及所處氣象環境條件，利用長時間序列的遙感數據對病蟲害開展生境監測是實現病蟲害早期防治的關鍵技術之一。

2.2 水果病蟲害光譜響應

從上述分析可知，作物對電磁波譜的響應主要由作物表面特征和內部生理特征決定，植物自身的色素、細胞結構、水汽吸收分別影響并決定了可見光、近紅外及短波紅外范圍的光譜特征。由圖5可知，由于葉綠素和類胡蘿卜素強吸收帶的存在，綠色健康植被在可見光波段的反射率較低，同時在藍光和紅光譜段內存在2個吸收谷，綠光波段內則存在1個強反射峰；然而介于可見光紅光波段與近紅外波段的700～770 nm波段范圍內，植被光譜反射率曲線急劇上升幾乎近似垂直直線，該波段范圍的斜率與植被單位面積葉綠素含量關系密切，學界稱為“紅邊位置”；此后在短波紅外的1 400、1 900 nm附近有2個吸收谷，主要由水汽強烈吸收造成。在受到病菌侵染后葉綠素遭到破壞，可見光范圍內的光譜反射率增強，紅邊位置向短波方向移動[21]。同時，染病植株在受到脅迫較嚴重時就會出現葉傾角變化甚至植株倒伏等冠層形態的變化，當脅迫達到某一臨界閾值，作物植株內部的水分代謝會受到破壞，導致植株及葉片嚴重缺水，這都會引起近紅外波段反射率的變化[22，47-48]。紅外波段反射率有增加也有降低，不同病蟲害對應的光譜響應不太一致，但1 400、1 900 nm附近出現吸收谷反射率增加的現象[40]。

Garcia-Ruiz等利用2種不同的成像系統對柑橘黃龍病進行識別，結果表明健康與染病果樹在波長710 nm和紅邊波長處的反射光譜存在明顯差異，模型的分類精度在65%～87%之間[49]。鄧小玲等利用DJI MATRICE 600 pro六旋翼無人機搭載S185成像光譜儀，采用連續投影算法對柑橘患黃龍病植株進行分類識別，分類準確率超過95%，并提取出了最佳識別特征波段(698、762nm)[50]。郭冬梅基于柑橘葉片高光譜，應用逐步判別分析篩選出柑橘黃龍病9個特征波長(400.19、403.17、406.15、407.64、412.12、721.14、730.74、740.34、823.98 nm)[51]。譚明等利用高光譜圖像識別技術對柑橘潰瘍病進行識別研究，認為柑橘正常果樹葉片與潰瘍病葉片在可見光波段的510.9、575.4、600.88 nm和近紅外波段的 998.97 nm 具有很好的光譜響應[52]。李江波等以臍橙為研究對象，基于高光譜成像并利用特征波段主成分分析法和波段比算法對潰瘍病果實進行分類識別，提取處潰瘍病特征波段5個(630、685、720、810、875 nm)，正確識別率達到95.4%[53]。Knauer等利用非成像高光譜(400～2 500 nm)和成像光譜儀HySpex VNIR 1600、HySpex SWIR-320m-e對葡萄白粉病進行識別研究，通過基于線性判別分析法(linear discriminant analysis，簡稱LDA)提取了特征光譜波段(440、498、549、640、651、811、1 081、1 652、2 253 nm)和基于積分圖像提取了紋理特征，識別分類精度達到99.8%[54]。溫淑嫻等利用高光譜成像技術對患有炭疽病的碭山酥梨進行識別，也提取了識別酥梨炭疽病的特征波長，分別為572.0、613.2、652.6、749.2、806.5、874.6 nm[55]。可以看出，可見光-短波紅外波段范圍內對特定水果及其病蟲害光譜響應非常明顯，對柑橘病蟲害的研究比較常見，逐漸擴大到其他水果及果樹病蟲害的研究應用也是大勢所趨，這些敏感波段或特定波長可為后續低成本的特定品種監測儀器的開發提供依據。

2.3 水果不同病蟲害識別

高光譜不但可以針對單一果樹的同一病蟲害脅迫植株進行分類提取，還可以對果樹不同病蟲害以及不同水果果樹同種病蟲害進行識別，這也是高光譜技術應用于作物病蟲害監測識別和防治的重點。Qin等利用光譜信息散度法(SID)對患病的葡萄柚進行了識別檢查，準確率達到96.2%[37]。郭冬梅采集了感染褐斑病、黑星病和潰瘍病的柑橘葉片高光譜圖像，分析并比較病斑及附近不同組織的光譜反射率特征，提取了區分3種病害的光譜特征波段(404.66、421.10、428.60、434.62、436.12、446.68、618.04、700.40、719.55、727.54、864.38、938.93、998.96 nm)，并利用特征波段結合多方向Fisher線性判別分析法對褐斑病、黑星病和潰瘍病的識別率為100%[51]。王建濤等利用高光譜成像系統提取450～900 nm下81個波段作為模型輸入數據，構建了基于卷積神經網絡的柑橘潰瘍病、紅蜘蛛等脅迫病葉分類模型。在迭代次數為1 000次和學習率為0.001時，模型識別的準確率達到98.75%[56]。Abdulridha等利用高光譜成像系統采集了患病的鱷梨葉片高光譜圖像，采用多層感知機(multi-layer perceptron，簡稱MLP)和決策樹(decision tree，簡稱DT)等2種分類算法，實現了對鱷梨枯萎病及缺氮的識別，最高精度可達100%[57]。張建華等從蜜柚和葡萄病害葉片局部圖像信息入手，分別采用最優二叉樹支持向量機和卷積神經網絡區域建議算法對4種蜜柚葉片病害和6種葡萄病葉進行了識別檢測[58-59]。研究表明，基于高光譜圖像利用不同分類算法對不同病蟲害識別成為可能，而且準確率較高，表1為部分水果病蟲害識別相關研究使用到的高光譜分類算法。

表1 水果病蟲害識別的高光譜分類算法

由于高光譜龐大的光譜特征和圖像特征，數據量大，高維度信息的冗余性導致處理時間長，數據降維難度大，特征提取及選擇的方法、數據降維方法以及數據的前期處理方式等都會對判別精度造成影響。同時，算法的選擇以及不同算法的結合會極大提高模型識別的精度，研究表明融入深度學習對于作物病蟲害的識別以及精度的提高是一種行之有效的方法。

2.4 水果病蟲害危害度定量分析

在水果病蟲害分類識別的基礎上，定量測評分析病蟲害的危害程度對于指導果園精準施藥等作業管理具有重要意義，高光譜及其成像技術的定量分析為其提供了可能。邢東興等分析了紅富士蘋果樹在各級紅蜘蛛蟲害、黃葉病害脅迫下的反射光譜特征，構造了6種光譜指數并分別建立了紅蜘蛛蟲害和黃葉病害級別(正常、輕度、中度、重度)的測評數學模型，測評準確率分別為96%、98%[60]。同樣，溫淑嫻等采集了酥梨樣本接種炭疽病初期到發病直至腐爛整個過程的高光譜圖像及210個樣品作為研究對象，采用閾值分割法、權重系數法、主成分分析及聚類分析等方法，樣本正確識別率為98.41%，根據時序高光譜圖像的K-Means分類發現酥梨在第2天和第3天的發病癥狀明顯，推測出這個時段對病害施加診治手段最為有利。隨著病害程度的進一步加深，病害區域含水率升高，光譜反射率降低[55]。梅慧蘭等采集了健康、染病和缺鋅柑橘葉片370～1 000 nm 波長范圍的高光譜圖像，建立了偏最小二乘判別模型，模型判別精度達到96.4%[45]。同樣，劉燕德等也通過采集鑒別為輕度、中度、重度、缺鋅和正常的5類柑橘葉片高光譜圖像(圖6)，利用最小二乘支持向量機法構建的柑橘黃龍病判別模型最好，誤判率為0[61]。孫曄利用圖像分割算法及統計學方法，選取了水蜜桃全果實高光譜圖像中709、807、874 nm 3個有效的單波段圖像，通過設置閾值進行桃子腐爛與健康區域的定位，對嚴重腐爛、一般腐爛、輕度腐爛和健康桃子的檢測精度分別達到100%、100%、66%和99%[62]，該研究表明健康果、腐爛果的檢測和鑒別效果好，而輕度腐爛果表面ROI像素比高光譜成像更小而不合適，從而導致檢測精度低。

文獻分析中發現，水果病蟲害的危害程度定量分析中，大多數學者以病蟲害危害等級為因變量，自變量可為全波段、特征波長或特定區間光譜，基于統計的回歸分析方法(PLSR、FLDA、SVM、Logistic回歸、多線性回歸、Dirichlet聚集回歸)[25，63-66]或分類算法(SAM、DT、ANN)[31]，以特定病蟲害特征圖譜或特征波段開展研究。光譜植被指數(spectral vegetation index，簡稱SVI)是遙感傳感器的不同光譜波段間的線性與非線性的幾何集合，從不同角度反映作物生育期的生長狀況而受到廣泛關注[31，67-69]，針對性地進行作物疾病特異性數據分析，利用不同波長數據構建特定的病蟲害識別指數(SDI)，相較于單純的SDI，特定SDI能更快捷、更簡單地實現特定病蟲害的量化反演分析[70-71]。與SVI一樣，特定水果SDI的構建也將成為水果病蟲害危害等級量化分析的研究方向。

2.5 水果病蟲害無損檢測

水果在產存運銷過程中易受病菌侵染以及害蟲侵蝕，對其生理機能、組織結構造成一定影響，出現如斑點、腐爛、霉粉和蟲蛀等反常癥狀，從而造成果業損失和影響食品安全。一直以來，水果品質的無損檢測是農業工程領域的研究熱點和重要課題[72]，對水果病蟲害進行無損檢測與準確評價成為提升水果品質以及保障食品安全的重要舉措[73]。水果病蟲害無損檢測主要基于近紅外透射光譜技術和高光譜成像技術，韓東海等基于短波近紅外透射光譜研制出蘋果水心病檢測儀，檢測結果發現蘋果不同級別水心病的透射光譜強度不同[74]，從而實現對蘋果水心病的判別，與全球同類檢測方法相比，該方法檢測正確率高、儀器設備簡單易操作。此外，韓東海等還利用透射光譜技術對蘋果內部褐變開展無損檢測，其準確率達到95.65%[75]。Teerachaichayut等基于近紅外透射光譜，利用波長660～960 nm檢測山竹果硬果皮病，并區分山竹果健康果皮與病害果皮的光譜特征，可準確檢測出山竹果的硬果皮病[76]。劉思伽等利用高光譜成像技術對感染炭疽病、苦痘病、黑腐病和褐斑病4種病害的寒富蘋果進行了檢測，選取3個特征波長、10個特征波長以及全波長光譜信息，利用線性判別分析、支持向量機和BP人工神經網絡模型分別對不同光譜信息進行病害識別，病害果的檢測率達96.25%[77]。Siedliska等利用高光譜成像技術檢測草莓感染腐敗真菌情況，選取19個波長作為最適合草莓感染鑒別的波長，并建立了監督分類模型[78]。章林忠等基于近紅外光譜開展了葡萄病害研究，得到最佳預處理方法為多元散射校正、一階導數結合Norris平滑處理，利用判別分析模型分析，正確率達96.15%[79]。

傳統的水果病蟲害檢測多為人工診斷，其效率低、耗時久、主觀性強、內部病蟲害無法肉眼識別，而理化指標檢測又存在破壞性強、樣品處理繁瑣、檢測周期長等問題，雖然大部分研究成果都處于試驗或實驗室研究階段，樣本量不大，但足以證明利用高光譜技術開展水果病蟲害的無損檢測是可行的，對保障果業健康發展、減少經濟損失具有重要意義。

3 結論與展望

本文從病蟲害的早期診斷、光譜響應分析、不同病蟲害識別、危害度定量分析及無損檢測等5個方面對高光譜遙感在水果病蟲害應用領域的研究現狀進行綜述分析，高光譜遙感對于水果病蟲害監測具有廣闊的應用前景，這5個方面的研究正成為該領域的研究熱點。利用高光譜技術對水果冠層、葉片、果實內微小生理變化的識別可以在早期判定疾病的發生，從而施以措施進行提前預防。果樹染病后葉綠素遭到破壞、植株水分代謝受到干擾、葉片和植株缺水導致可見光和近紅外波段的反射率發生根本性變化，產生明顯的光譜響應。基于特定波長及模型算法，高光譜及其成像技術為病蟲害危害程度的定量分析和水果病蟲害的無損檢測提供了完全可能。基于高光譜圖像并通過不同分類算法對不同病蟲害識別已經可行，準確率也較高。

雖然高光譜技術已經在柑橘、蘋果、桃子、梨、臍橙、草莓等水果病蟲害研究上取得了很好的分類識別效果，但大多數處在試驗和理論探索性研究階段，樣本數量相對少，對于大范圍大尺度農田現實場景的病蟲害監測仍然面臨著多方面的問題和挑戰，同時亟需提出快速高效的解決辦法，以滿足高光譜技術在水果病蟲害遙感監測識別上更深層次的應用研究，從以下方面提出展望：

(1)大多病蟲害的病原菌或其產生的霉素，在與寄主植被相互作用時均可能引起相似癥狀或表現，導致所謂的“同譜異物”現象，比如柑橘、臍橙及柚子等果樹易產生此現象。同時，同一病原菌在同一果樹不同環境下也會產生不同病癥，從而表征“同物異譜”。涉及水果類的病理病害和生理病害的高光譜檢測技術研究相對較少，同一病害具有不同癥狀或相似癥狀的精確識別成為該領域的瓶頸問題。因此，利用成像和非成像高光譜技術，結合光譜與圖像特征的技術與分析方法，提取不同病蟲害的最佳特征波段，針對不同病蟲害建立圖譜數據庫，為同一病害不同癥狀以及不同病蟲害相似癥狀的精確識別提供更高的可能性。

(2)在模型方法上選擇合適高效的算法建立水果病蟲害高光譜預測模型。在回歸模型、主成分分析、聚類分析等經典方法上，選取優化卷積神經網絡、K近鄰、隨機森林、極限學習機以及支持向量機等判別算法，不斷發展深度學習算法、光譜角制圖法、光譜信息散度法、混合調諧濾波法。

(3)開展“星-空-地”協同一體應用平臺和田間(實驗室)-區域-國家的小-中-大尺度的綜合研究，為水果病蟲害的高精度監測識別提供技術支撐。隨著航空遙感技術的快速發展，基于無人機+高光譜成像系統研究越來越受到關注，利用地面非成像高光譜也是研究的熱點。由于受空間分辨率的影響，以至于利用星載高光譜傳感器研究水果病蟲害的研究相對較少，因此利用全譜段衛星或小衛星傳感器監測作物病蟲害亟待發展。因此，開展結合星-空-地協同的綜合平臺應用，充分利用遙感技術在光譜、時間和空間分辨率的三維優勢，將水果病蟲害的監測識別從小尺度(田間、實驗室尺度)擴展到中尺度(農場、區域尺度)，再到大尺度(國家尺度)，如何用好現有技術及資源，實現不同尺度、不同平臺水果病蟲害的高精度監測識別及預測成為了今后亟待解決的科學問題。

(4)目前，高光譜遙感技術在水果病蟲害監測識別上取得了一些成果，后續研究中，應將水果病蟲害監測與熒光、SAR、Lidar、伽馬射線、X射線以及紫外線等各種遙感系統進行綜合應用，使各系統優勢發揮最大化，實現對病蟲害監測的連續性、長效性。尤其是加強高光譜協同熒光、熱紅外等技術力度，根據熒光、熱紅外對周邊環境信息反應的敏感性，結合歷史數據、長時間序列氣象數據和病蟲害發展擴散模型等，分析病蟲害對植被產生脅迫表征及由脅迫引起的周邊環境變化，實現水果病蟲害的早期診斷和提前預防。