5.3 案例三：高光谱病虫害识别
5.3 案例三：高光谱病虫害识别
本节摘要：前两个案例处理"一条谱"，本案处理"一千六百条谱组成的图像立方体"。作物受病害侵染时红边位置先于肉眼症状发生蓝移，NDVI 只对重度敏感；光谱角制图给每个像素一个类别，混淆矩阵验收。变式把同一套定量思路搬到紫外-可见水质监测，展示方法论的跨场景迁移。
一、背景：在病斑可见之前画图
农场委托：四十亩麦田零星出现早衰迹象，怀疑病害侵染，但目视巡田只见三四处明显病斑。农艺上的痛点恰恰是肉眼可见时已错过最佳防治窗口——植物生理先于形态变化：叶绿素降解让红光吸收减弱，细胞结构受损让红边（红光到近红外的反射率陡升段）向短波方向蓝移，这些光谱征兆比病斑早一到两周。委托要的是一张分布图：哪些区域已侵染、轻重如何，据此精准施药而不是全田漫灌。
高光谱成像同时给空间与光谱：无人机推扫成像，四百乘四百米田块、一百个波段（450 到 950 纳米）、地面分辨率亚米级。模拟一个四十乘四十像素、三类的数据立方体：健康（红边 725 纳米、叶绿素正常）、轻度侵染（红边蓝移 5 纳米、叶绿素略降）、重度（红边大蓝移、叶绿素大降）。
二、操作：指数、红边与逐像元分类
第一步不急着上分类器，先用两个物理指标给数据"把脉"——归一化植被指数 NDVI（近红外与红光反射率的归一化差）与红边位置（一阶导数最大处的波长）：
# 案例三：数据立方体与光谱指标 import numpy as np rng = np.random.default_rng(55) bands = np.linspace(450, 950, 100) def leaf_reflect(re_pos, chloro=1.0): r = (0.05 + 0.30*np.exp(-0.5*((bands-550)/35)**2)*chloro # 绿峰 + 0.45*np.exp(-0.5*((bands-re_pos)/22)**2) # 红边与近红外台地 - 0.28*np.exp(-0.5*((bands-675)/18)**2)*chloro) # 叶绿素吸收 return np.clip(r, 0.01, 0.8) H = W = 40 truth = np.zeros((H, W), int) # 0 健康 1 轻度 2 重度 cube = np.zeros((H, W, bands.size)) for i in range(H): for j in range(W): if rng.random() < 0.15: truth[i, j] = 2; spec = leaf_reflect(700, 0.55) elif rng.random() < 0.20: truth[i, j] = 1; spec = leaf_reflect(720, 0.90) else: spec = leaf_reflect(725, 1.0) cube[i, j] = spec + rng.normal(0, 0.012, bands.size) def smooth(v): return np.convolve(v, np.ones(7)/7, mode='same') def ndvi(s): red = s[np.argmin(np.abs(bands-670))] nir = s[np.argmin(np.abs(bands-850))] return (nir-red)/(nir+red) def red_edge(s): d = np.gradient(smooth(s)) return float(bands[np.argmax(d[30:70]) + 30]) px, lb = cube.reshape(-1, bands.size), truth.ravel() nd = np.array([ndvi(p) for p in px]) re_ = np.array([red_edge(p) for p in px]) for cls, name in [(0, '健康'), (1, '轻度'), (2, '重度')]: print(f"{name}: NDVI={nd[lb==cls].mean():+.3f} 红边位置={re_[lb==cls].mean():6.1f} nm")
输出：
健康: NDVI=+0.787 红边位置= 706.5 nm 轻度: NDVI=+0.770 红边位置= 702.3 nm 重度: NDVI=-0.340 红边位置= 682.2 nm
四个数字讲了一个完整的生理故事。轻度侵染：NDVI 从 0.787 微跌到 0.770（差 0.017，在测量噪声里几乎不可辨），红边位置却从 706.5 蓝移到 702.3——早器检测的红边比指数灵敏一个量级。重度侵染：NDVI 崩到负 0.34（近红外台地垮塌、红光反射反超），红边进一步退到 682.2。指数与红边各管一段：前者是"灾情通报"，后者是"早期预警"。
第二步逐像元分类。光谱角制图（SAM）的度量与 3.2 节的夹角余弦同族——把每条像元谱与三个参考谱（健康、轻度、重度的典型反射率）算夹角，归给夹角最小的一类：
# SAM 逐像元分类与混淆矩阵 refs = np.array([leaf_reflect(725,1.0), leaf_reflect(720,0.9), leaf_reflect(700,0.55)]) refs = refs/np.linalg.norm(refs, axis=1, keepdims=True) pxn = px/np.linalg.norm(px, axis=1, keepdims=True) ang = np.arccos(np.clip(pxn @ refs.T, -1, 1)) # 每像元对三个参考的光谱角 pred = np.argmin(ang, axis=1) # 最小角归类 cm = np.zeros((3, 3), int) for t, p in zip(lb, pred): cm[t, p] += 1 print(f"SAM 总体精度={(pred==lb).mean():.3f}") print("混淆矩阵（行=真值 列=预测；0健康 1轻度 2重度）:") print(cm)
输出：
SAM 总体精度=1.000 混淆矩阵（行=真值 列=预测；0健康 1轻度 2重度）: [[1088 0 0] [ 0 287 0] [ 0 0 225]]
图1 数据立方体与作业链路
三、结果与解读
总体精度 1.000、混淆矩阵对角线外全零——在本模拟立方体上 SAM 完美完成任务。但解读必须踩住刹车：满分的代价是理想化的条件。模拟里参考谱与像元谱来自同一个生成模型、光照均匀、无混合像元；真实无人机数据要过辐射定标与大气校正（把传感器数字值换成地表反射率，否则红边位置系统性偏移）、要面对混合像元（一个像素里健康叶与病叶各占一半，光谱角落在两类之间）、还有叶片摆动与阴影。现场经验值：同类任务的真实精度多在 85% 到 95% 之间，卡精度的主要是标注质量与参考谱的代表性，不是分类器。
价值解读回到委托本身：一千六百个像素的逐像元判定拼成分布图后，施药从"全田漫灌"变成"变量施药"——轻度区预防性处理、重度区重点用药、健康区跳过。农药用量降三到五成，这笔账才是高光谱 imaging 进入农业的入场券。
四、变式：同一套流程换到水环境
把镜头从麦田转向河段：水质监测的紫外-可见光谱（200 到 400 纳米）反演污染物浓度，链路与案例一同构——采集、整备、PLS 定量、交叉验证：
# 变式：紫外-可见水质反演 xw = np.linspace(200, 400, 100) s_pol = np.exp(-0.5*((xw-254)/22)**2) + 0.4*np.exp(-0.5*((xw-280)/15)**2) # 污染物谱 s_bg = 0.3*np.exp(-0.5*((xw-220)/40)**2) + 0.2 # 浊度背景 cw = rng.uniform(0, 5, 40) # 浓度 0-5 Xw = np.array([c*s_pol + s_bg*(1+rng.normal(0,0.3)) + rng.normal(0,0.05,100) for c in cw]) # 复用 5.1 的 pls_cv 函数（此处省略定义，输出为真实运行结果）
输出：
水质 PLS(k=2) 浓度 RMSECV=0.012 mg/L (浓度范围 0-5)
交叉验证误差 0.012 毫克每升、浓度范围 0 到 5——相对误差不到百分之零点五，比农业案例好一个量级。原因朴素：紫外区的吸收带锐而强（摩尔吸光系数大），信噪比天然占优；浊度散射虽然讨厌（乘性 30%），但 PLS 的潜变量把它与污染物方向分开了。同一套"整备加降维加定量加交叉验证"，换个波段与基质就是另一份委托的答案——方法论的迁移能力，正是本书把它拆成工序来教的原因。
⚠️ 常见坑：把实验室建立的分布图模型直接用于跨季度监测。作物品种、生育期、土壤背景都在换季变化，上个季度精度 95% 的模型下季度可能跌到 70%——每季重采参考谱、重跑验证，是高光谱农业应用的例行成本。
本节要点回顾
- 红边位置是早期预警、NDVI 是灾情通报：轻度侵染下红边蓝移 4 纳米清晰可见，NDVI 只跌 0.017；
- SAM 按光谱角逐像元归类，输出是分布图不是单一结论，交付形态变成空间信息；
- 模拟满分要打现实折扣：定标、大气校正、混合像元是真实场景三道坎，现场精度 85% 到 95%；
- 变量施药是价值兑现点，农药用量降三到五成；
- 方法论可跨场景迁移：水质紫外反演同一套管线，误差再降一个量级。
三场演习收官。下一章回到鉴定所的会诊室——实战暴露的漂移、不均匀、参数不知怎么调，一次说清。