基于高光谱数据与机器学习的稻飞虱监测光谱指数模型构建及其生态行为研究

为解决稻飞虱（Nilaparvata lugens、Sogatella furcifera、Laodelphax striatellus）危害监测难题，研究人员利用高光谱遥感技术，通过分析害虫胁迫下水稻相对反射率特征，开发了420-509 nm、600-698 nm、728-986 nm三个敏感波段的光谱指数，并构建BPNN（反向传播神经网络）等机器学习模型。该研究实现了分蘖期和孕穗期虫口密度精准预测，为智慧农业虫情监测系统提供了创新技术方案。

　　

稻飞虱（Hemiptera: Delphacidae）作为危害中国水稻生产的三大刺吸式害虫，其种群动态监测一直是农业生态领域的重大挑战。科研团队创新性地将高光谱遥感技术与机器学习算法相结合，系统研究了不同虫种（褐飞虱Nilaparvata lugens、白背飞虱Sogatella furcifera、灰飞虱Laodelphax striatellus）在不同生育期（分蘖期tillering、孕穗期booting）危害后水稻叶片的光谱响应规律。

研究发现，受虫害胁迫的水稻在420-509 nm（蓝紫光区）、600-698 nm（红橙光区）和728-986 nm（近红外区）表现出显著变化的相对反射率特征。基于这三个特征波段构建的平均相对反射率指数，与虫害持续时间呈现明显相关性。研究团队开发了包含线性回归和多种机器学习算法（BPNN、SVR支持向量回归、CatBoost梯度提升等）的预测模型，其中BPNN模型表现最优，其训练集和测试集的确定系数R²最高而均方根误差RMSE最低。

这项研究不仅揭示了稻飞虱危害的光谱诊断特征波段，更建立了首个融合高光谱指数与虫龄因件的智能监测模型，为发展"星-机-地"协同的精准植保技术体系提供了重要理论支撑。