冬小麥白粉病冠層光譜特征解析與病情指數反演

范友波，顧曉鶴，王雙亭，楊貴軍，王 磊，王立志，陳召霞

(1.河南理工大學測繪與國土信息工程學院，河南焦作 454000； 2.國家農業信息化工程技術研究中心，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.河南理工大學測繪與國土信息工程學院，河南焦作 454000； 2.國家農業信息化工程技術研究中心，北京 100097)

為探討利用高光譜技術快速無損地監測小麥白粉病災情的方法，通過人工田間誘發白粉病，在灌漿期對不同發病等級(病情指數)的冬小麥進行冠層高光譜測定，對原始光譜數據進行一階微分處理，篩選最佳光譜特征參量和植被指數，構建冬小麥白粉病病情指數反演模型。結果表明，在冠層尺度，小麥白粉病“紅邊”位置均在730 nm左右(±1 nm)；經驗證，5種模型中三角植被指數(TVI)模型估算精度最好，r2和RMSE分別達到了0.700和0.112，與精度最低的優化土壤調節植被指數(OSAVI)模型相比，r2提高了0.071，RMSE降低了0.013。小麥白粉病“紅邊”藍移現象并不明顯；五種模型r2都達到了0.6以上，說明高光譜技術都能夠有效地對冬小麥白粉病病情指數進行無損、快速、精確的反演，其中TVI的反演精度最佳。

冬小麥；白粉病；高光譜；特征參量；植被指數

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區均有分布。冬小麥白粉病的典型病狀表現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 ℃均可發病，15～25 ℃為最適發病溫度。當前冬小麥白粉病的防治主要是施用殺菌劑，然而多數情況下由于缺乏病情程度的空間監測信息，殺菌劑很容易被多施、漏施，不僅無法有效阻止病害的傳播，且造成冬小麥生產成本的增加和土壤、地下水污染等諸多環境問題[1]。

作物病蟲害監測目前主要依靠植保人員田間調查、田間取樣等傳統方式，不僅耗時、費力，而且存在代表性差、主觀性強、時效性差等問題，難以滿足大范圍病蟲害實時監測的需求[2]。高光譜遙感技術是20世紀后期遙感技術發展的最大成就之一，利用其可以獲取光譜分辨率達納米數量級的連續光譜曲線，對地物的識別能力更強，具備對細微光譜差異地物的探測能力[3]。高光譜遙感技術可以區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[4-6]，已廣泛應用于作物氮素含量、葉綠素含量、水分含量、生物量、葉面積指數等方面的反演研究。羅菊花等利用PHI影像進一步選取了620～718和770～805 nm兩個條銹病敏感波段范圍，并基于這些光譜波段構建了病情指數的多元線性回歸模型[7]。在敏感波段的基礎上，一些學者通過對原始波段信息進行組合和增強，篩選和構建了一些植被指數并應用于病蟲害遙感監測，這些光譜指數包括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]認為，以微分特征參數SDr/SDg為變量的模型適合監測冬小麥早期條銹病。王圓圓等[11]根據紅邊位置附近的光譜吸收特征構建了兩個紅邊指數參量Dsr和Ar，提高了對病害的監測精度。劉良云等[12]通過4景不同時期的Landsat TM影像，分析了小麥條銹病和白粉病的光譜變化特征，定量估算了產量損失，結果表明兩種病害的產量損失均在30%以上。馮 偉等[13]利用680、718和750 nm波段構建角度植被指數，其對冠層葉綠素密度的估算與傳統植被指數SDr/SDb和VOG3 相比，精度更高，檢驗誤差更小，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MCARI和VARIgreen對病害反應敏感，可用于構建小麥白粉病嚴重度的估算模型，得出小麥白粉病識別診斷病害嚴重度的臨界值為10%。衛黎光等[15]以Landsat5 TM波段響應函數為基礎，將地面實測冠層高光譜數據模擬為TM多光譜數據，構建了多光譜指數(PMSI)用來估測白粉病嚴重度，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個波段范圍，以及DEP550-770、SIWSI等11個光譜特征，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重度反演模型，判別精度達到89%，病情估測誤差低于15%，在葉片尺度基本達到了對兩種病害的區分和監測目的。總的來說，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的診斷研究還比較少。本研究在人工誘發白粉病田間試驗的基礎上，創建不同病害等級小麥白粉病樣本區，篩選高光譜敏感特征參量，構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 研究區域

2011年10月-2012年6月在北京市農林科學院院內試驗田開展小區控制試驗，經度和緯度分別為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并不明顯，到灌漿中期葉片出現明顯癥狀，是小麥栽培管理中控制病情的重要時期。為避免其他因素的干擾，試驗中各個病情等級的小區均保持水肥、播期和田間管理措施一致。

1.2 數據采集

試驗數據采集在2012年5月23日(灌漿期)進行，共計25個病害樣本區。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內為1.4 nm，在1 000～2 500 nm內為2 nm，測量時間為10:00-14:00。當日天氣條件晴朗、無風無云。觀測時光譜探頭垂直向下，距地面1.3 m，視場角25°。每個樣區測量10次，取10次均值作為該樣區測量結果，每次測量前后用標準白板糾正。高光譜數據采集后，利用ASD數據處理軟件ViewSpecPro進行數據預處理。

同步進行白粉病樣本病情嚴重度調查，采用通用的病情指數(disease index，DI)進行量化，定義為病斑在葉片上的覆蓋比率，通過目視方式進行判讀，參照國家農業行業標準(NY/T163-2002)“小麥白粉病測報調查規范”進行調查。具體采取五點調查法，即每個樣本小區選擇對稱的五個點，每點選擇20株小麥，5點求平均獲得該樣本的病情指數。為減小病斑比例的估計誤差，由3名專業人員綜合判讀每個樣本的病情，按病情嚴重程度分為9個梯度進行記錄, 即0、1%、10%、20%、30%、45%、60%、80%和100%[17]。通過統計每個樣本小區的小麥葉片數及其病情程度, 進而計算出該樣本小區的冠層病情指數(DI)。

其中，DI為病情指數，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。所采樣的25個病害樣本基本涵蓋了上述9個病情嚴重度，保證了實驗數據的全面性。

1.3 數據分析

數據分析主要包括病害冠層光譜分析、特征參量選取與計算、病情指數反演模型構建、模型驗證等步驟。在樣區冠層高光譜數據中，1 350～2 500 nm屬于葉片水分吸收的主導波段，水分在1 450、1 940 nm附近具有強吸收特征，在進行光譜數據分析時將350～2 500 nm光譜范圍內的水汽吸收帶1 330～1 480 nm、1 780～2 500 nm范圍內的噪聲波段進行剔除。

白粉病脅迫下小麥葉片生理結構與生化組分會發生變化，導致冠層尺度的光譜也會發生相應的變化。對原始光譜進行一階微分變換，計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、藍邊、黃邊)、光譜面積參量、光譜歸一化指數參量等光譜微分參量，從中篩選出與白粉病病情指數響應的敏感光譜參量。由于一階微分是高光譜分析中的基本技術，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]的報道內容。此外，本研究還選取了一些適用于冠層尺度的植被指數，據此來分析植被指數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通過對原始光譜進行不同形式的組合變換，可以增強和突出某些特定組分的光譜響應信號，共選取了如表1所示的16個光譜特征參量集，計算分析各個特征參量與小麥白粉病病情指數的相關性，篩選敏感光譜參量。

1.4 模型驗證

精度評價采用留一交叉驗證法，即每次取n-1(即24)個樣本構建模型，剩下的1個樣本作為驗證樣本對模型進行驗證，此方法使得每個樣本都參與建模和驗證模型，避免對樣本進行隨機劃分而造成的精度偏差，可以實現模型精度的客觀衡量。模型精度用決定系數(r2)和均方根誤差(RMSE)兩個指標來衡量。

式中，Ytest為病情指數預測值，Ymea為病情指數實測值，n為實測樣本量。

2 結果與分析

2.1 冬小麥白粉病冠層光譜特征

本研究隨機選取了病情指數為25.5%、44.7%、86%的3個實測樣本進行光譜分析(圖1)。冬小麥遭受白粉病脅迫后，葉片生理結構和生化組分會發生變化，最明顯的癥狀是灌漿期葉片會出現肉眼可見的白色病斑，會導致植株生理功能發生紊亂，表現在生化組分上就是葉綠素含量減少，這些白色病斑是導致光譜變化的主要原因，直接影響葉綠素在藍、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)范圍是植物細胞結構變化的敏感響應區。冠層尺度視場內的主要組成部分是葉片，冠層光譜反射率與視場內的白粉病病情指數密切相關。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，反射率隨病情嚴重度的增加呈一個明顯的圓肩形下降趨勢。而在長紅外波段，病情指數與光譜反射率并沒有明顯的相關性。

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

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

2.2 基于高光譜特征參量的病情指數估算

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

為進一步提高病情指數估算精度，選擇相關系數絕對值大于0.8的特征參量進行反演建模，共篩選出5個特征參量。基于這5種特征參量構建的冬小麥白粉病病情指數反演模型見表3。

采用野外實測樣本對上述模型進行留一交叉法驗證，并繪制5種反演模型的病情指數預測值和實測值的散點圖(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相關系數Correlationcoefficent特征參量Characteristicparameter相關系數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(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預測值與實測值散點圖

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估算的精度總體上相差不大，r2均達到0.6以上，RMSE均小于0.13，說明利用高光譜技術進行冬小麥白粉病嚴重度診斷是完全可行的。其中TVI模型估算精度最高，這主要是因為TVI、DVI等植被指數對土壤、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行白粉病病情指數的快速、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果Table 4 Accuracy analysis of five models

3 討論與結論

白粉菌屬于寄生菌，它可以破壞細胞結構，使冬小麥葉片水分和葉綠素含量降低，導致植株光合和代謝發生紊亂。病害初期在葉片表面形成褪綠斑，而后逐漸擴大為圓形或橢圓形病斑，并在表面附著一層白粉狀霉層[27]。冬小麥受病害脅迫后，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能力，可見光和近紅外波段光譜發射率均發生明顯變化，但二者對病害嚴重度的反應敏感度存在差異，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，前人的研究結果也是如此[28]，但也有不一致的結果，認為可見光波段的反應更為敏感[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顯著相關，擬合程度較好的植被指數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與前人研究存在一些差異[16,30]，但對白粉病都可實現快速、精確的監測。紅邊是由于葉綠素在紅波段的強烈吸收和近紅外波段在葉片內部的多次散射而形成的高反射造成的。在680～780 nm波段范圍，紅邊區域內蘊含著豐富的植被健康狀況信息[11]。本研究中，冠層尺度紅邊“藍移”現象不明顯，這可能是由于冠層光譜受植被結構、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雜，這需要在后續研究中進一步探討。

本研究選取了16個光譜特征參量組成一個供篩選的光譜特征參量集，計算分析各個特征參量與小麥白粉病病情指數的相關性，進而篩選敏感光譜參量，構建病情指數光譜反演模型，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、植被結構、葉綠素、水分等因素共同作用的結果，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建反演模型，進一步提高建模精度。此外，由于本研究采用的實測數據為人工誘發的白粉病，研究方法和模型有待于進一步在自然發生白粉病的條件下驗證與改進。

[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,王紀華,等.作物病蟲害遙感監測研究進展[J].農業工程學報,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.水稻生物化學參數與高光譜遙感特征參數的相關分析[J].農業工程學報,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.高光譜與葉綠素計快速測定大麥氮素營養狀況研究[J].麥類作物學報,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].農業工程學報,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測研究[J].光譜學與光譜分析,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重度的兩個新的紅邊參數[J].遙感學報,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.冬小麥病害與產量損失的多時相遙感監測[J].農業工程學報,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測模型研究[J].麥類作物學報,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重度估算模式[J].麥類作物學報,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] 衛黎光,蔣金豹,楊貴軍,等.模擬多光譜衛星傳感器數據的冬小麥白粉病遙感監測[J].麥類作物學報,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分及病情反演研究[J].光譜學與光譜分析,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,王紀華,黃文江,等.冬小麥條銹病的光譜特征及遙感監測[J].農業工程學報,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].農業工程學報,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.小麥白粉病發生氣象條件和氣象預報研究進展[J].中國農業氣象,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的不同小麥品種條銹病病情指數的反演[J].光譜學與光譜分析,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.小麥葉片脅迫狀態下的高光譜圖像特征分析研究 [J].光譜學與光譜分析,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重度估測[J].作物學報,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

時間：2017-01-03

2016-06-14

2016-07-23

國家自然科學基金項目(41571323)；國家公益性行業(農業)科研專項(201303109)；北京市優秀人才青年拔尖個人項目(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

網絡出版地址：http://www.cnki.net/kcms/detail/61.1359.S.20170103.1629.038.html