在使用统计分析方法方面,国内外研究通常在提取光谱特征后,再筛选、组合与作物病虫害胁迫遥感监测任务相关的VI,如归一化植被指数(Normalized Difference Vegetation Index,NDVI)、增强型植被指数和垂直植被指数等常用VI或提出新的植被指数如Excess Near-Infrared和Excess Red-Edge
[39],同时结合地面调查的方式人工采集相关数据。基于上述VI,主要通过指数统计相关性、方差分析、线性回归、二元逻辑回归等统计分析方法识别敏感指数以及结合多时空变化进行小麦
[40]、辣椒
[41]、香蕉
[42]、西瓜
[43]、大豆
[44]和油棕
[45]作物病虫害的定量评估和分析。部分研究建立了不同的机器学习分类模型对梨
[10]、槟榔
[46,47]、柑橘
[48,49]、花生
[50]、柠檬
[51]和马铃薯
[52]等病虫害发生情况进行了有效地监测,其中使用SVM和RF的方法占多数,还有使用径向基函数(Radical Basis Function,RBF)和kNN等。部分研究测试不同的输入波段组合,改进分割算法U-net进行小麦黄锈病检测
[53]以及开发新的分割算法处理获取的RGB、CIR(Color and Infrared)和NDVI图像,随后使用线性判别分析对受木质部难养菌(
Xylella Fastidiosa)影响的橄榄树进行分类
[54]。一些研究将统计分析方法和机器学习方法相结合,如Lan等
[11]先计算VI,然后使用主成分分析和AutoEncoder进行相关分析和特征压缩以发现潜在特征,之后比较了几种机器学习分类算法以实现对柑橘黄龙病的监测。Chivasa等
[12]通过玉米品种对玉米条纹病毒的反应,使用基于无人机的多光谱遥感数据来提高作物表型分析效率,用RF评估无人机衍生的光谱和VI,再对无人机获取的数据与人工玉米条纹病毒评分之间进行相关性分析。马云强等
[55]通过深度学习技术定量反演云南切梢小蠹胁迫情况,结果显示NDVI与虫害的危害程度呈负相关。