范友波，顧曉鶴，王雙亭，楊貴軍，王 磊，王立志，陳召霞

(1.河南理工大學(xué)測繪與國土信息工程學(xué)院，河南焦作 454000； 2.國家農(nóng)業(yè)信息化工程技術(shù)研究中心，北京 100097)

冬小麥白粉病冠層光譜特征解析與病情指數(shù)反演

范友波1,2，顧曉鶴2，王雙亭1，楊貴軍2，王 磊1,2，王立志1,2，陳召霞2

(1.河南理工大學(xué)測繪與國土信息工程學(xué)院，河南焦作 454000； 2.國家農(nóng)業(yè)信息化工程技術(shù)研究中心，北京 100097)

為探討利用高光譜技術(shù)快速無損地監(jiān)測小麥白粉病災(zāi)情的方法，通過人工田間誘發(fā)白粉病，在灌漿期對不同發(fā)病等級(病情指數(shù))的冬小麥進(jìn)行冠層高光譜測定，對原始光譜數(shù)據(jù)進(jìn)行一階微分處理，篩選最佳光譜特征參量和植被指數(shù)，構(gòu)建冬小麥白粉病病情指數(shù)反演模型。結(jié)果表明，在冠層尺度，小麥白粉病“紅邊”位置均在730 nm左右(±1 nm)；經(jīng)驗(yàn)證，5種模型中三角植被指數(shù)(TVI)模型估算精度最好，r2和RMSE分別達(dá)到了0.700和0.112，與精度最低的優(yōu)化土壤調(diào)節(jié)植被指數(shù)(OSAVI)模型相比，r2提高了0.071，RMSE降低了0.013。小麥白粉病“紅邊”藍(lán)移現(xiàn)象并不明顯；五種模型r2都達(dá)到了0.6以上，說明高光譜技術(shù)都能夠有效地對冬小麥白粉病病情指數(shù)進(jìn)行無損、快速、精確的反演，其中TVI的反演精度最佳。

冬小麥；白粉??；高光譜；特征參量；植被指數(shù)

白粉病是小麥生長中的主要病蟲害之一，在世界各國冬小麥產(chǎn)區(qū)均有分布。冬小麥白粉病的典型病狀表現(xiàn)為葉片病部表面覆有一層白色粉狀霉層，在苗期至成株期均可危害植株，在0～25 ℃均可發(fā)病，15～25 ℃為最適發(fā)病溫度。當(dāng)前冬小麥白粉病的防治主要是施用殺菌劑，然而多數(shù)情況下由于缺乏病情程度的空間監(jiān)測信息，殺菌劑很容易被多施、漏施，不僅無法有效阻止病害的傳播，且造成冬小麥生產(chǎn)成本的增加和土壤、地下水污染等諸多環(huán)境問題[1]。

作物病蟲害監(jiān)測目前主要依靠植保人員田間調(diào)查、田間取樣等傳統(tǒng)方式，不僅耗時(shí)、費(fèi)力，而且存在代表性差、主觀性強(qiáng)、時(shí)效性差等問題，難以滿足大范圍病蟲害實(shí)時(shí)監(jiān)測的需求[2]。高光譜遙感技術(shù)是20世紀(jì)后期遙感技術(shù)發(fā)展的最大成就之一，利用其可以獲取光譜分辨率達(dá)納米數(shù)量級的連續(xù)光譜曲線，對地物的識別能力更強(qiáng)，具備對細(xì)微光譜差異地物的探測能力[3]。高光譜遙感技術(shù)可以區(qū)分同一物種的不同類別，也可以獲得植物冠層的生物生化參數(shù)[4-6]，已廣泛應(yīng)用于作物氮素含量、葉綠素含量、水分含量、生物量、葉面積指數(shù)等方面的反演研究。羅菊花等利用PHI影像進(jìn)一步選取了620～718和770～805 nm兩個(gè)條銹病敏感波段范圍，并基于這些光譜波段構(gòu)建了病情指數(shù)的多元線性回歸模型[7]。在敏感波段的基礎(chǔ)上，一些學(xué)者通過對原始波段信息進(jìn)行組合和增強(qiáng)，篩選和構(gòu)建了一些植被指數(shù)并應(yīng)用于病蟲害遙感監(jiān)測，這些光譜指數(shù)包括OSAVI、PRI、TCARI(小麥條銹病)、MCARI、VARI、GNDVI、RVSI、WI(葡萄卷葉病)、NPCI(小麥蚜蟲)[8-9]。蔣金豹[10]認(rèn)為，以微分特征參數(shù)SDr/SDg為變量的模型適合監(jiān)測冬小麥早期條銹病。王圓圓等[11]根據(jù)紅邊位置附近的光譜吸收特征構(gòu)建了兩個(gè)紅邊指數(shù)參量Dsr和Ar，提高了對病害的監(jiān)測精度。劉良云等[12]通過4景不同時(shí)期的Landsat TM影像，分析了小麥條銹病和白粉病的光譜變化特征，定量估算了產(chǎn)量損失，結(jié)果表明兩種病害的產(chǎn)量損失均在30%以上。馮 偉等[13]利用680、718和750 nm波段構(gòu)建角度植被指數(shù)，其對冠層葉綠素密度的估算與傳統(tǒng)植被指數(shù)SDr/SDb和VOG3 相比，精度更高，檢驗(yàn)誤差更小，可作為白粉病侵染條件下小麥葉綠素密度的最佳估算模型。沈文穎等[14]研究表明，光譜參數(shù)MCARI和VARIgreen對病害反應(yīng)敏感，可用于構(gòu)建小麥白粉病嚴(yán)重度的估算模型，得出小麥白粉病識別診斷病害嚴(yán)重度的臨界值為10%。衛(wèi)黎光等[15]以Landsat5 TM波段響應(yīng)函數(shù)為基礎(chǔ)，將地面實(shí)測冠層高光譜數(shù)據(jù)模擬為TM多光譜數(shù)據(jù)，構(gòu)建了多光譜指數(shù)(PMSI)用來估測白粉病嚴(yán)重度，并取得了較理想的反演精度。袁 琳等[16]篩選出對白粉病和條銹病敏感度差異較顯著的665～684、718～726 nm等6個(gè)波段范圍，以及DEP550-770、SIWSI等11個(gè)光譜特征，并基于FLDA和PLSR方法，分別建立了兩種病害的判別模型和病情嚴(yán)重度反演模型，判別精度達(dá)到89%，病情估測誤差低于15%，在葉片尺度基本達(dá)到了對兩種病害的區(qū)分和監(jiān)測目的?？偟膩碚f，目前基于作物葉片尺度的病害診斷研究較多，但面向冬小麥冠層尺度反演白粉病病情指數(shù)的診斷研究還比較少。本研究在人工誘發(fā)白粉病田間試驗(yàn)的基礎(chǔ)上，創(chuàng)建不同病害等級小麥白粉病樣本區(qū)，篩選高光譜敏感特征參量，構(gòu)建冠層尺度冬小麥白粉病病情程度的高光譜診斷模型，以期探索高光譜技術(shù)在冬小麥白粉病冠層尺度的診斷能力和可行性。

1 材料與方法

1.1 研究區(qū)域

2011年10月-2012年6月在北京市農(nóng)林科學(xué)院院內(nèi)試驗(yàn)田開展小區(qū)控制試驗(yàn)，經(jīng)度和緯度分別為39°56′N、116°16′E，供試品種為京雙16，該品種對小麥白粉病中度易感，在北京及河北省種植較為廣泛。白粉病在小麥生長早期癥狀表現(xiàn)并不明顯，到灌漿中期葉片出現(xiàn)明顯癥狀，是小麥栽培管理中控制病情的重要時(shí)期。為避免其他因素的干擾，試驗(yàn)中各個(gè)病情等級的小區(qū)均保持水肥、播期和田間管理措施一致。

1.2 數(shù)據(jù)采集

試驗(yàn)數(shù)據(jù)采集在2012年5月23日(灌漿期)進(jìn)行，共計(jì)25個(gè)病害樣本區(qū)。采用美國ASD FieldSpec Pro FR光譜儀測定冬小麥冠層光譜，光譜范圍350～2 500 nm，光譜分辨率在350～1 000 nm內(nèi)為1.4 nm，在1 000～2 500 nm內(nèi)為2 nm，測量時(shí)間為10:00-14:00。當(dāng)日天氣條件晴朗、無風(fēng)無云。觀測時(shí)光譜探頭垂直向下，距地面1.3 m，視場角25°。每個(gè)樣區(qū)測量10次，取10次均值作為該樣區(qū)測量結(jié)果，每次測量前后用標(biāo)準(zhǔn)白板糾正。高光譜數(shù)據(jù)采集后，利用ASD數(shù)據(jù)處理軟件ViewSpecPro進(jìn)行數(shù)據(jù)預(yù)處理。

同步進(jìn)行白粉病樣本病情嚴(yán)重度調(diào)查，采用通用的病情指數(shù)(disease index，DI)進(jìn)行量化，定義為病斑在葉片上的覆蓋比率，通過目視方式進(jìn)行判讀，參照國家農(nóng)業(yè)行業(yè)標(biāo)準(zhǔn)(NY/T163-2002)“小麥白粉病測報(bào)調(diào)查規(guī)范”進(jìn)行調(diào)查。具體采取五點(diǎn)調(diào)查法，即每個(gè)樣本小區(qū)選擇對稱的五個(gè)點(diǎn)，每點(diǎn)選擇20株小麥，5點(diǎn)求平均獲得該樣本的病情指數(shù)。為減小病斑比例的估計(jì)誤差，由3名專業(yè)人員綜合判讀每個(gè)樣本的病情，按病情嚴(yán)重程度分為9個(gè)梯度進(jìn)行記錄, 即0、1%、10%、20%、30%、45%、60%、80%和100%[17]。通過統(tǒng)計(jì)每個(gè)樣本小區(qū)的小麥葉片數(shù)及其病情程度, 進(jìn)而計(jì)算出該樣本小區(qū)的冠層病情指數(shù)(DI)。

其中，DI為病情指數(shù)，x為各梯度的級值，n為梯度值(最高為9)，f為各梯度的葉片數(shù)。所采樣的25個(gè)病害樣本基本涵蓋了上述9個(gè)病情嚴(yán)重度，保證了實(shí)驗(yàn)數(shù)據(jù)的全面性。

1.3 數(shù)據(jù)分析

數(shù)據(jù)分析主要包括病害冠層光譜分析、特征參量選取與計(jì)算、病情指數(shù)反演模型構(gòu)建、模型驗(yàn)證等步驟。在樣區(qū)冠層高光譜數(shù)據(jù)中，1 350～2 500 nm屬于葉片水分吸收的主導(dǎo)波段，水分在1 450、1 940 nm附近具有強(qiáng)吸收特征，在進(jìn)行光譜數(shù)據(jù)分析時(shí)將350～2 500 nm光譜范圍內(nèi)的水汽吸收帶1 330～1 480 nm、1 780～2 500 nm范圍內(nèi)的噪聲波段進(jìn)行剔除。

白粉病脅迫下小麥葉片生理結(jié)構(gòu)與生化組分會(huì)發(fā)生變化，導(dǎo)致冠層尺度的光譜也會(huì)發(fā)生相應(yīng)的變化。對原始光譜進(jìn)行一階微分變換，計(jì)算一些特定波段范圍的位置變化和變化幅度，提取基于高光譜位置和面積的特征參量，包括光譜位置參量(紅邊、藍(lán)邊、黃邊)、光譜面積參量、光譜歸一化指數(shù)參量等光譜微分參量，從中篩選出與白粉病病情指數(shù)響應(yīng)的敏感光譜參量。由于一階微分是高光譜分析中的基本技術(shù)，在此已不作贅述，其具體原理及提取流程參考Gong等[18]和Pu等[19]的報(bào)道內(nèi)容。此外，本研究還選取了一些適用于冠層尺度的植被指數(shù)，據(jù)此來分析植被指數(shù)在小麥白粉病診斷方面的適用性。微分特征參量和植被指數(shù)通過對原始光譜進(jìn)行不同形式的組合變換，可以增強(qiáng)和突出某些特定組分的光譜響應(yīng)信號，共選取了如表1所示的16個(gè)光譜特征參量集，計(jì)算分析各個(gè)特征參量與小麥白粉病病情指數(shù)的相關(guān)性，篩選敏感光譜參量。

1.4 模型驗(yàn)證

精度評價(jià)采用留一交叉驗(yàn)證法，即每次取n-1(即24)個(gè)樣本構(gòu)建模型，剩下的1個(gè)樣本作為驗(yàn)證樣本對模型進(jìn)行驗(yàn)證，此方法使得每個(gè)樣本都參與建模和驗(yàn)證模型，避免對樣本進(jìn)行隨機(jī)劃分而造成的精度偏差，可以實(shí)現(xiàn)模型精度的客觀衡量。模型精度用決定系數(shù)(r2)和均方根誤差(RMSE)兩個(gè)指標(biāo)來衡量。

式中，Ytest為病情指數(shù)預(yù)測值，Ymea為病情指數(shù)實(shí)測值，n為實(shí)測樣本量。

2 結(jié)果與分析

2.1 冬小麥白粉病冠層光譜特征

本研究隨機(jī)選取了病情指數(shù)為25.5%、44.7%、86%的3個(gè)實(shí)測樣本進(jìn)行光譜分析(圖1)。冬小麥遭受白粉病脅迫后，葉片生理結(jié)構(gòu)和生化組分會(huì)發(fā)生變化，最明顯的癥狀是灌漿期葉片會(huì)出現(xiàn)肉眼可見的白色病斑，會(huì)導(dǎo)致植株生理功能發(fā)生紊亂，表現(xiàn)在生化組分上就是葉綠素含量減少，這些白色病斑是導(dǎo)致光譜變化的主要原因，直接影響葉綠素在藍(lán)、綠、紅波段(530～730 nm)對可見光的吸收，反映在光譜上就是隨著病情嚴(yán)重度的加劇，反射能力呈上升趨勢，“綠峰”和“紅谷”處反射率增高。近紅外波段(730～1 350 nm)范圍是植物細(xì)胞結(jié)構(gòu)變化的敏感響應(yīng)區(qū)。冠層尺度視場內(nèi)的主要組成部分是葉片，冠層光譜反射率與視場內(nèi)的白粉病病情指數(shù)密切相關(guān)。隨著白粉病脅迫程度的加劇，植株葉綠素和水分含量降低，所以在冠層近紅外波段，反射率隨病情嚴(yán)重度的增加呈一個(gè)明顯的圓肩形下降趨勢。而在長紅外波段，病情指數(shù)與光譜反射率并沒有明顯的相關(guān)性。

表1 高光譜特征參量及其描述Table 1 Hyperspectral characteristic parameters and their descriptions

圖1 小麥不同等級白粉病冠層光譜

當(dāng)綠色植物葉綠素含量高、生長旺盛時(shí)，“紅邊”會(huì)向紅外方向移動(dòng)(稱為紅移，即往長波方向移動(dòng))；當(dāng)植物由于感染病蟲害或因污染或物候變化而失綠時(shí)，“紅邊”則向藍(lán)光方向移動(dòng)(藍(lán)移)。從圖2可以看出，通過對冠層原始光譜數(shù)據(jù)做一階微分變換，一階微分波譜特征在紅邊范圍內(nèi)差異明顯，但是紅邊位置都在730 nm左右(±1 nm)，在冠層尺度“藍(lán)移”現(xiàn)象不明顯。

2.2 基于高光譜特征參量的病情指數(shù)估算

對光譜特征參量和病情指數(shù)之間進(jìn)行相關(guān)性分析，選擇達(dá)到極顯著相關(guān)(P<0.01)的特征參量作為備選建模參量，各變量相關(guān)系數(shù)(r)見表2。其中，在用植被指數(shù)OSAVI、DVI進(jìn)行敏感波段的選取時(shí)，通過MATLAB編程計(jì)算所有近紅外波段、紅波段與病情指數(shù)的相關(guān)系數(shù)，選擇相關(guān)系數(shù)最高的波段用于建模。根據(jù)相關(guān)系數(shù)計(jì)算結(jié)果，其中植被指數(shù)OSAVI在675、855 nm波段的相關(guān)系數(shù)最高，而植被指數(shù)DVI在630、795 nm波段的相關(guān)系數(shù)最高。

為進(jìn)一步提高病情指數(shù)估算精度，選擇相關(guān)系數(shù)絕對值大于0.8的特征參量進(jìn)行反演建模，共篩選出5個(gè)特征參量?；谶@5種特征參量構(gòu)建的冬小麥白粉病病情指數(shù)反演模型見表3。

采用野外實(shí)測樣本對上述模型進(jìn)行留一交叉法驗(yàn)證，并繪制5種反演模型的病情指數(shù)預(yù)測值和實(shí)測值的散點(diǎn)圖(圖3)。

圖2 小麥不同等級白粉病冠層光譜一階微分值

特征參量Characteristicparameter相關(guān)系數(shù)Correlationcoefficent特征參量Characteristicparameter相關(guān)系數(shù)CorrelationcoefficentDb-0.652**(SDr-SDb)/(SDr+SDb)-0.598**Dy-0.169(SDr-SDy)/(SDr+SDy)-0.298Dr-0.854**TVI-0.856**SDb-0.572**OSAVI-0.819**SDy0.775**CARI-0.482SDr-0.855**NDVI0.679**SDr/SDb-0.579**PSRI0.639**SDr/SDy-0.343DVI-0.854**

**:P<0.01.

表3 基于光譜特征參量的冬小麥白粉病病情指數(shù)(DI)反演模型Table 3 Regression model of powdery mildew disease indices of winter wheat based on spectral characteristic variables

圖3 基于光譜特征參量的冬小麥白粉病DI預(yù)測值與實(shí)測值散點(diǎn)圖

從表4可以看出，基于光譜特征參量的冬小麥白粉病病情指數(shù)估算的精度總體上相差不大，r2均達(dá)到0.6以上，RMSE均小于0.13，說明利用高光譜技術(shù)進(jìn)行冬小麥白粉病嚴(yán)重度診斷是完全可行的。其中TVI模型估算精度最高，這主要是因?yàn)門VI、DVI等植被指數(shù)對土壤、葉綠素等干擾因素的影響有削弱作用；TVI模型與精度最低的OSAVI模型相比，r2提高了0.071，而RMSE降低了0.013。說明5種特征參量都可以用來進(jìn)行白粉病病情指數(shù)的快速、無損、精確估算，其中以TVI模型效果最佳。

表4 五種模型精度分析結(jié)果Table 4 Accuracy analysis of five models

3 討論與結(jié)論

白粉菌屬于寄生菌，它可以破壞細(xì)胞結(jié)構(gòu)，使冬小麥葉片水分和葉綠素含量降低，導(dǎo)致植株光合和代謝發(fā)生紊亂。病害初期在葉片表面形成褪綠斑，而后逐漸擴(kuò)大為圓形或橢圓形病斑，并在表面附著一層白粉狀霉層[27]。冬小麥?zhǔn)懿『γ{迫后，水分和葉綠素含量減少，光合作用減弱，可見光波段反射率增大，而在近紅外波段減小。冬小麥冠層光譜反射率對于白粉病病情具有很好的響應(yīng)能力，可見光和近紅外波段光譜發(fā)射率均發(fā)生明顯變化，但二者對病害嚴(yán)重度的反應(yīng)敏感度存在差異，可見光波段的冠層反射率變化較小，而近紅外波段冠層反射率變化較明顯，前人的研究結(jié)果也是如此[28]，但也有不一致的結(jié)果，認(rèn)為可見光波段的反應(yīng)更為敏感[29-30]。本研究表明，550～800 nm波段反射率與冬小麥白粉病病情指數(shù)顯著相關(guān)，擬合程度較好的植被指數(shù)也大多位于此波段范圍，由于小麥品種、地域、光譜尺度的差異，擬合程度較高的植被指數(shù)與前人研究存在一些差異[16,30]，但對白粉病都可實(shí)現(xiàn)快速、精確的監(jiān)測。紅邊是由于葉綠素在紅波段的強(qiáng)烈吸收和近紅外波段在葉片內(nèi)部的多次散射而形成的高反射造成的。在680～780 nm波段范圍，紅邊區(qū)域內(nèi)蘊(yùn)含著豐富的植被健康狀況信息[11]。本研究中，冠層尺度紅邊“藍(lán)移”現(xiàn)象不明顯，這可能是由于冠層光譜受植被結(jié)構(gòu)、土壤、水分等因素影響較單葉片所受的影響更多，冠層光譜的變化更復(fù)雜，這需要在后續(xù)研究中進(jìn)一步探討。

本研究選取了16個(gè)光譜特征參量組成一個(gè)供篩選的光譜特征參量集，計(jì)算分析各個(gè)特征參量與小麥白粉病病情指數(shù)的相關(guān)性，進(jìn)而篩選敏感光譜參量，構(gòu)建病情指數(shù)光譜反演模型，可以作為白粉病田間快速無損診斷的有效方法。但由于冬小麥冠層光譜是病害脅迫、植被結(jié)構(gòu)、葉綠素、水分等因素共同作用的結(jié)果，在今后的研究中擬嘗試綜合這些影響因子的敏感波段組合來構(gòu)建反演模型，進(jìn)一步提高建模精度。此外，由于本研究采用的實(shí)測數(shù)據(jù)為人工誘發(fā)的白粉病，研究方法和模型有待于進(jìn)一步在自然發(fā)生白粉病的條件下驗(yàn)證與改進(jìn)。

[1] SANKARAN S,MISHRA A,EHSANI R,etal.A review of advanced techniques for detecting plant diseases [J].ComputersandElectronicsinAgriculture,2010,72(1):2.

[2] 張競成,袁 琳,王紀(jì)華,等.作物病蟲害遙感監(jiān)測研究進(jìn)展[J].農(nóng)業(yè)工程學(xué)報(bào),2012,28(20):1.

ZHANG JC,YUAN L,WANG J H,etal.Research progress of crop diseases and pests monitoring based on remote sensing [J].TransactionsoftheChineseSocietyofAgriculturalEngineering(TransactionsoftheCSAE),2012,28(20):1.

[3] GOETZ A F,VANE G,SOLOMON J E,etal.Imaging spectrometry for earth remote sensing [J].Science,1985,228(4704):1147.

[4] 王秀珍,黃敬峰,李云梅,等.水稻生物化學(xué)參數(shù)與高光譜遙感特征參數(shù)的相關(guān)分析[J].農(nóng)業(yè)工程學(xué)報(bào),2003,19(2):144.

WANG X Z,HUANG J F,LI Y M,etal.Correlation between chemiecal contents of leaves and characteristic variables of hyperspectral on rice field [J].TransactionsoftheChineseSocietyofAgriculturalEngineering(TransactionsoftheCSAE),2003,19(2):144.

[5] 唐延林,王人潮,張金恒,等.高光譜與葉綠素計(jì)快速測定大麥氮素營養(yǎng)狀況研究[J].麥類作物學(xué)報(bào),2003,23(1):64.

TANG Y L,WANG R C,ZHANG J H,etal.Study on determining nitrogenous levels of barley by hyperspectral and chlorophyll meter [J].JournalofTriticeaeCrops,2003,23(1):64.

[6] 馮 偉,王曉宇,宋 曉,等.白粉病脅迫下小麥冠層葉綠素密度的高光譜估測[J].農(nóng)業(yè)工程學(xué)報(bào),2013,29(13):114.

FENG W,WANG X Y,ZHU X,etal.Hyperspectral estimation of canopy chlorophyll density in winter wheat under stress of powdery mildew [J].TransactionsoftheChineseSocietyofAgriculturalEngineering(TransactionsoftheCSAE),2013,29(13):114.

[7] 羅菊花,黃文江,顧曉鶴,等.基于PHI影像敏感波段組合的冬小麥條銹病遙感監(jiān)測研究[J].光譜學(xué)與光譜分析,2010(1):184.

LUO J H,HUANG W J,GU X H,etal.Monitoring stripe rust of winter wheat using PHI based on sensitive bands [J].SpectroscopyandSpectralAnalysis,2010(1):184.

[8] RIEDELL W E,BLACKMER T M.Leaf reflectance spectra of cereal aphid-damaged wheat [J].CropScience,1999,39(6):1835.

[9] ROSE S,PETERS FUTRE E M.The potential of spectral reflectance technique for the detection of grapevine leaf roll-associated virus-3 in two red-berried wine grape cultivars [J].Fuel,1996,75:385.

[10] 蔣金豹,陳云浩,黃文江,病害脅迫下冬小麥冠層葉片色素含量高光譜遙感估測研究[J].光譜學(xué)與光譜分析,2007,27(7):1363.

JIANG J B,CHEN Y H,HUANG W J.Study on hyperspectral estimation of pigment contents in canopy leaves of winter wheat under disease stress [J].SpectroscopyandSpectralAnalysis,2007,27(7):1363.

[11] 王圓圓,陳云浩,李 京,等.指示冬小麥條銹病嚴(yán)重度的兩個(gè)新的紅邊參數(shù)[J].遙感學(xué)報(bào),2007,11(6):875.

WANG YY,CHEN Y H,LI J,etal.Two new red edge indices as indicators for stripe rust disease severity of winter wheat [J].JournalofRemoteSensing,2007,11(6):875.

[12] 劉良云,宋曉宇,李存軍,等.冬小麥病害與產(chǎn)量損失的多時(shí)相遙感監(jiān)測[J].農(nóng)業(yè)工程學(xué)報(bào),2009,25(1):137.

LIU L Y,SONG X Y,LI C J,etal.Monitoring and evaluation of the diseases of and yield winter wheat from multi-temporal remotely-sensed data [J].TransactionsoftheChineseSocietyofAgriculturalEngineering(TransactionsoftheCSAE),2009,25(1):137.

[13] 馮 偉,姚 霞,朱 艷,等.基于高光譜遙感的小麥葉片含氮量監(jiān)測模型研究[J].麥類作物學(xué)報(bào),2008,25(5):851.

FENG W,YAO X,ZHU Y,etal.Monitoring leaf nitrogen concentration by hyperspectral remote sensing in wheat [J].JournalofTriticeaeCrops,2008,25(5):851.

[14] 沈文穎,馮 偉,李 曉,等.基于葉片高光譜特征的小麥白粉病嚴(yán)重度估算模式[J].麥類作物學(xué)報(bào),2015,35(1):129.

SHEN W Y,FENG W,LI X,etal.Estimation model of wheat powdery mildew severity based on leaf hyperspectral characteristics [J].JournalofTriticeaeCrops,2013,2015,35(1):129.

[15] 衛(wèi)黎光,蔣金豹,楊貴軍,等.模擬多光譜衛(wèi)星傳感器數(shù)據(jù)的冬小麥白粉病遙感監(jiān)測[J].麥類作物學(xué)報(bào),2014,34(12):1699.

WEI L G, JIANG J B, YANG G J,etal. Remote sensing monitoring powdery mildew of winter wheat using simulated data of multi-spectral satellite sensor [J].JournalofTriticeaeCrops,2014,34(12):1699.

[16] 袁 琳,張競成,趙晉陵,等.基于葉片光譜分析的小麥白粉病與條銹病區(qū)分及病情反演研究[J].光譜學(xué)與光譜分析,2013,33(6):1608.

YUAN L,ZHANG J C,ZHAO J L,etal.Differentiation of yellow rust and powdery mildew in winter wheat and retrieving of disease severity based on leaf level spectral analysis [J].SpectroscopyandSpectralAnalysis,2013,33(6):1608.

[17] 黃木易,王紀(jì)華,黃文江,等.冬小麥條銹病的光譜特征及遙感監(jiān)測[J].農(nóng)業(yè)工程學(xué)報(bào),2003,19(6):154.

HUANG M Y,WANG J H,HUANG W J,etal.Hyperspectral character of stripe rust on winter wheat and monitoring by remote sensing [J].TransactionsoftheChineseSocietyofAgriculturalEngineering(TransactionsoftheCSAE),2003,19(6):154.

[18] GONG P,PU R,HEALD R C.Analysis of in situ hyperspectral data for nutrient estimation of giant sequoia [J].InternationalJournalofRemoteSensing,2002,23(23):1828.

[19] CORRESPONDING R P,GONG L F P.Spectral feature analysis for assessment of water status and health level in coast live oak(Quercusagrifolia) leaves [J].InternationalJournalofRemoteSensing,2004,25(20):4267.

[20] 胡珍珠,潘存德,肖 冰,等.基于光譜特征參量的核桃葉片氮素含量估測模型[J].農(nóng)業(yè)工程學(xué)報(bào),2015,31(9):182.

HU Z Z,PAN C D,XIAO B,etal,Spectral characteristic parameter-based models for foliar nitrogen concentration estimation ofJuglansregia[J].TransactionsoftheChineseSocietyofAgriculturalEngineering(TransactionsoftheCSAE),2015,31(9):182.

[21] ZHAO C,HUANG M,HUANG W,etal.Analysis of winter wheat stripe rust characteristic spectrum and establishing of inversion models [C]//Geoscience and Remote Sensing Symposium.IGARSS'04.Proceedings.IEEE International,2004:4318.

[22] RONDEAUX G,STEVEN M,BARET F.Optimization of soil-adjusted vegetation indices [J].RemoteSensingofEnvironment,1996,55(2):95.

[23] KIM M S,DAUGHTRY C S T,CHAPPELLE E W,etal.The use of high spectral resolution bands for estimating absorbed photosynthetically active radiation(APAR)// Proceedings of the 6th International Symposium on Physical Measurements and Signatures in Remote Sensing [C].France:Val d'Isere,1999:299.

[24] ROUSE J W,HAAS R H,SCHELL J A,etal.Monitoring vegetation systems in the great plains with erts [J].NasaSpecialPublication,1974:309.

[25] DEVADAS R,LAMB D W,Simpfendorfer S,etal.Evaluating ten spectral vegetation indices for identifying rust infection in individual wheat leaves [J].PrecisionAgriculture,2008,10(6):459.

[26] JORDAN C F.Derivation of leaf area index from quality of light on the forest floor [J].Ecology,1969,50(4):663.

[27]鄭秋紅,楊霏云,朱玉潔.小麥白粉病發(fā)生氣象條件和氣象預(yù)報(bào)研究進(jìn)展[J].中國農(nóng)業(yè)氣象,2013,34(3):359.

ZHENG Q H,YANG F Y,ZHUN Y J,Meteorological factors and its forecast on wheat powdery mildew occurrence in China [J].ChineseJournalofAgrometeorology,2013,34(3):359.

[28] 郭潔濱,黃 沖,王海光,等.基于高光譜遙感技術(shù)的不同小麥品種條銹病病情指數(shù)的反演[J].光譜學(xué)與光譜分析,2009,29(12):3353.

GUO J B,HUANG C,WANG H G,etal.Disease index inversion of wheat stripe rust on different wheat varieties with hyperspectral remote sensing [J].Spectroscopy&SpectralAnalysis,2009,29(12):3353.

[29] 張東彥,張競成,朱大洲,等.小麥葉片脅迫狀態(tài)下的高光譜圖像特征分析研究 [J].光譜學(xué)與光譜分析,2011,31(4):1103.

ZHANG D Y,ZHANG J C,ZHU D Z,etal.Investigation of the hyperspectral image characteristics of wheat leaves under different stress [J].SpectroscopyandSpectralAnalysis,201l,31(4):1103.

[30] 馮 偉,王曉宇,宋 曉,等.基于冠層反射光譜的小麥白粉病嚴(yán)重度估測[J].作物學(xué)報(bào),2013,39(8):1472.

FENG W,WANG X Y,SONG X,etal.Estimation of severity level of wheat powdery mildew based on canopy spectral reflectance [J].ActaAgronomicaSinica,2013,39(8):1472.

Analysis of Canopy Spectral Characteristics of Winter Wheat Powdery Mildew and Disease Index Inversion

FAN Youbo1,2, GU Xiaohe2, WANG Shuangting1, YANG Guijun2,WANG Lei1,2, WANG Lizhi1,2,CHEN Zhaoxia2

(1.College of Surveying and Land Information Engineering, Henan Polytechnic University, Jiaozuo, Henan 454000, China；2.National Engineering Research Center for Information Technology in Agriculture, Beijing 100097, China)

In order to enable rapid and non-destructive monitor of winter wheat powdery mildew utilizing remote sensing technologies, we artificially introduced the disease and measured the spectrums of different disease degrees (quantified in disease index) in filling stage, then performed the first-order differential transformation procedure to the primary spectrums and built the model for estimating the disease index of winter wheat.Results showed that the red edge position was mainly at 730±1 nm. The results of precision verification indicated that the triangle vegetation index (TVI) model amongst the five kinds of model gained a better precision of estimating, of whichr2and RMSE could reach 0.700 and 0.112, respectively. When compared with the lowest accuracy of the inversion model with optimized soil-adjusted vegetation index (OSAVI),r2was increased by 0.071 and RMSE was reduced by 0.013. Results showed that the red edge position shifted to the shorter wavelength was not obvious at canopy level. Ther2values of all five models reached above 0.6, which indicated that hyperspectral technology can effectively, non-destructively, rapidly, accurately retrieve winter wheat powdery mildew disease index (DI). The TVI could be considered as the optimal parameter used to inverse the disease index of powdery mildew of winter wheat.

Winter wheat; Powdery mildew; Hyperspectral; Characteristic parameter; Vegetation index

時(shí)間：2017-01-03

2016-06-14

2016-07-23

國家自然科學(xué)基金項(xiàng)目(41571323)；國家公益性行業(yè)(農(nóng)業(yè))科研專項(xiàng)(201303109)；北京市優(yōu)秀人才青年拔尖個(gè)人項(xiàng)目(2014000021223ZK38)

E-mail：13849111416@163.com

顧曉鶴(E-mail:guxh@nercita.org.cn)

S512.1；S314

A

1009-1041(2017)01-0136-07

網(wǎng)絡(luò)出版地址：http://www.cnki.net/kcms/detail/61.1359.S.20170103.1629.038.html