基于適宜尺度選擇的冬小麥赤霉病遙感監測

李衛國，陳 華，金正婷，張琤琤，葛廣秀，嵇福建

(江蘇省農業科學院農業信息研究所，江蘇南京 210014)

由于作物病蟲害的發生與氣候環境條件變化關系明顯，近年來，有學者開始考慮將遙感光譜信息與氣候、環境因素結合進行作物病蟲害的監測預報研究。如Bhattacharya等[7]將氣象數據及多個遙感植被指數結合進行芥菜腐爛病多階段遙感追蹤監測。Zhang等[8]綜合遙感信息及氣象數據預報北京麥區區域尺度內冬小麥白粉病。Otuka等[9]結合區域氣候環境條件研究了越南湄公河三角洲褐飛虱遙感監測的可行性。Silva等[10]將MSG 衛星數據和地表溫度數據結合進行番茄蟲害風險區劃研究。當冬小麥發生病蟲害時，不但植株長勢狀況(如郁閉程度、葉色、形態等)會發生改變，而且其生長的農田氣候、環境也與正常年份或正常區域有所不同[11-14]，因此，利用遙感信息和生長狀況進行作物病害識別與估測，從研究機理和方法上也就成為可能[15-16]。

本研究在對高空間分辨率GF-1全色影像進行重采樣基礎上，分別將2 m×2 m、8 m×8 m和16 m×16 m的 GF-1全色波段影像與HJ-1衛星30 m×30 m的多光譜影像融合，通過融合質量評價及光譜特征比較，篩選適宜區域冬小麥田塊分布特征的融合遙感影像。進一步分析冬小麥長勢指標、光譜信息與赤霉病病情指數之間的互作關系，篩選與赤霉病病發生關系較為緊密的主要長勢因子(或農學參數指標)。基于主要長勢因子建立冬小麥赤霉病病情指數估測模型，結合適宜尺度遙感影像對研究區域冬小麥赤霉病進行空間變化監測，以期為區域冬小麥生產上病害防治中的準確信息獲取提供方法參考。

1 材料與方法

1.1 研究區域

研究區1(東經120.417°～120.79°，北緯32.757°～33.156°)為江蘇省東臺市東北部及大豐市東南部交界處，位于江蘇省中部沿海，屬北亞熱帶季風氣候，四季分明，雨量充沛，全年無霜期220 d左右，作物一年兩熟，是典型的稻麥連作區。該區域雖地勢平坦，但河網密布，田塊破碎，對冬小麥面積的遙感提取造成一定的困難，這種地理狀況在江蘇省中部具有普遍性。研究區2為江蘇省泰州興化市區(東經119°48′～120°18′，北緯32°20′～32°42′)，該區域地理屬性與研究區域1基本相近。

1.2 遙感影像數據與預處理

選用2014年3月16日空間分辨率為2 m×2 m的GF-1全色波段影像和8 m×8 m多光譜影像，HJ-1選用同年同月21日空間分辨率為30 m×30 m的多光譜影像。由于數據獲取期間天氣晴好，成像質量佳，有利于冬小麥生長監測。

在ERDAS IMAGINE軟件中，運用多項式幾何校正模型，依據采集地面控制點對各遙感影像進行幾何校正，校正誤差控制在0.5個像元內。在ENVI軟件中，利用FLAASH大氣校正模型對所需影像進行大氣校正。最后，利用研究區域的AOI文件，分別裁剪經過大氣校正HJ-1多光譜影像和GF-1多光譜影像，得到研究區域的遙感(反射率)影像。

1.3 遙感影像融合

在ERDAS IMAGINE軟件中利用正射校正以及雙線性插值(bilinear interpolation)對GF-1全色波段影像重采樣，形成空間分辨率為8 m×8 m 和16 m×16 m的全色影像。通過主成分變換法，將3景全色波段影像分別與HJ-1多光譜影像進行融合，得到2 m×2 m、8 m×8 m、16 m×16 m的多光譜融合影像。另外，用相同融合方法將GF-1空間分辨率為2 m×2 m的全色波段影像與8 m×8 m多光譜影像進行融合得到2 m×2 m 的多光譜影像，用于研究區域冬小麥種植面積提取精度的驗證參考。

1.4 融合影像定量評價

選用均值、標準差及平均梯度值對影像進行定量(客觀)評價，其運算是通過Matlab編程計算實現。

在民宿這樣廣泛的概念基礎上，通過對“攜程”“去哪兒”等旅游網站的觀察，不難看出，民宿可分為城市民宿和鄉村民宿兩種，城市民宿主要存在于大型城市中，通過展現外來文化形成主題房間，體現著新潮的流行文化；鄉村民宿多依托景區或者地域特色資源而發展，核心內涵體現為鄉村文化。

用影像中所有像元的灰度平均值(μ)，度量光譜信息的轉變，反映影像亮度大小，如果均值適中，則表示影像視覺效果良好。其表達式為：

(1)

標準差(Std)描述影像中像元值與均值的離散程度，可以評價影像的反差程度。一般情況下，標準差大，則影像反差大，所含信息多；反之，則說明影像反差小，色調單一，所含信息量小。其表達式為：

(2)

式(1)和(2)中，M、N分別為影像的行列數，F是融合影像灰度值，i、j為同一波段影像中各像元的行列號。

平均梯度(g)是影像在多維度方向上密度變化的速率，能夠敏感地反映影像中的微小細節差異，平均梯度越大，影像層次越多，視覺越清晰。其表達式為：

(3)

1.5 試驗區數據調查

在研究區1利用GPS定位建立試驗監測樣點30個，每個監測樣點均選擇冬小麥種植面積大，能代表附近冬小麥長勢的田塊。在冬小麥抽穗-揚花期調查各監測樣點冬小麥赤霉病病情、生物量，采用對角線測定方法，分別用Green Seeker 冠層光譜儀、Sun Scan葉面積指數儀和SPAD儀分別測量試驗樣點冬小麥的地物光譜信息(包括紅光反射率和近紅外反射率)、葉面積指數(LAI)以及葉片葉綠素含量。取植株地上部于取樣袋中，置室內烘箱105 ℃殺青20 min，75 ℃烘干并稱取其作為生物量數據。該數據用于分析建模。研究區2建立試驗監測樣點15個，數據調查與處理同研究區1，數據用于模型驗證。

2 結果與分析

2.1 不同空間尺度融合影像質量評價

三種空間尺度(2 m×2 m、8 m×8 m和16 m×16 m)影像融合的均值分別為81.2、79.26和79.44，三者之間相差不大，說明這三幅融合影像的平均亮度相近(表1)。三種融合尺度的平均梯度存在明顯差異，以16 m×16 m融合影像清晰度最好，細節表現力最強。標準差作為衡量信息豐富程度的重要指標，其值越大，反差就越大，視覺信息就越明顯。三種空間尺度融合影像的平均標準差也存在差異， 且以16 m×16 m融合影像的信息量最多。總體上，16 m×16 m融合影像較適合研究區域冬小麥種植的田塊分布特征。

表1 不同空間尺度融合影像定量評價Table 1 Quantitative evaluation of fusion image on differet spatial scales

2.2 不同空間尺度融合影像植被指數特征

利用ENVI遙感軟件在三景融合影像中通過建立ROI感興趣點隨機提取88個冬小麥種植樣點，形成冬小麥樣點的光譜信息基礎數據，然后計算歸一化差值植被指數(NDVI)和比值植被指數(RVI)[11]。

以88個冬小麥種植樣點順序作為橫坐標，兩種植被指數分別作為縱坐標，依次生成散點圖(圖1)。圖1(a)和(b)分別是88個樣點所對應的NDVI和RVI值結果，每幅圖都包含2 m×2 m、8 m×8 m、16 m×16 m三種尺度融合影像的樣點光譜信息。為了更直觀地展現三種不同尺度融合影像的植被指數差異，在圖1中添加線性趨勢線，輔以說明融合影像的植被指數的變化特征。從圖1(a)可以看出，冬小麥拔節期的NDVI處于0.19～0.54范圍，多數樣點的NDVI集中在0.30～0.43，樣點間NDVI存在明顯差異，說明不同田塊冬小麥之間的長勢不盡相同。結合冬小麥樣點趨勢線看，16 m×16 m融合影像的NDVI值明顯高于2 m×2 m和8 m×8 m融合影像，說明16 m×16 m融合影像光譜信息量較豐富。在圖1(b)中，RVI介于1.49～3.45范圍，密集分布于2.3左右，趨勢線也表明16 m×16 m融合影像所含光譜信息量多于2 m×2 m和8 m×8 m融合影像，融合影像光譜信息增加，有利于冬小麥的識別。

趨勢線由上到下分別為16 m×16 m、2 m×2 m和8 m×8 m。The trend lines belong to 16 m×16 m,2 m×2 m and 8 m×8 m from the top.

2.3 冬小麥長勢指標與赤霉病發生間的關系

葉面積指數(LAI)、葉綠素含量(SPAD值)和地上部生物量是反映冬小麥長勢好壞的重要指標。相關分析表明，在冬小麥抽穗-揚花期，這三個指標與赤霉病病情指數均呈顯著正相關(P<0.05，n=30)(圖2)，線性擬合的決定系數R2分別為0.688、0.709和0.669，說明在冬小麥抽穗-揚花期， 這三個生長指標越大，赤霉病的發病幾率越高，病情越嚴重，這可能因為試驗區4月份的氣溫較高，小麥生長較快，如果長勢過旺，田間郁閉程度會較高，冠層下面光照不足，容易引起赤霉病發生，同時雖然葉綠素含量較高，植株干物質累積較多，但營養生長和生殖生長不協調，導致植株抗病性下降。因此，可將LAI、SPAD值和地上部生物量確定為容易導致冬小麥赤霉病發生的生長指標。

圖2 冬小麥LAI(a)、SPAD(b)和地上部生物量(c)與赤霉病病情指數間的關系Fig.2 Relationship between LAI(a), SPAD(b) and aboveground biomass(c) and scab disease index of winter wheat

2.4 縣域冬小麥赤霉病發生的遙感估測

基于上述分析的冬小麥長勢指標與赤霉病病情指數之間的特征關系，采用多元回歸方法，綜合LAI、SPAD值和地上部生物量，構建冬小麥赤霉病發生的農學參數估測模型(WSEMgi，winter wheat scab estimation model based on growth index)：

DIws = 2.01×LAI+1.25×SPAD+0.000 68×ABG-59.07

(4)

式中，DIws(disease index of winter wheat scab)是冬小麥赤霉病病情指數，LAI是冬小麥葉面積指數，SPAD是葉片葉綠素含量，AGB是地上部生物量(kg·hm-2)。

為實現對縣域空間尺度冬小麥赤霉病發生的遙感估測，選用經過影像融合質量評價較好的16 m×16 m重采樣影像作為影像數據源。引用金正婷[12]構建的冬小麥長勢指標遙感監測模型，對WSEMgi模型進行修訂，即分別用不同的植被指數算法替代LAI、SPAD值和地上部生物量，以實現對進行冬小麥赤霉病病情指數的遙感估測。

LAI = 3.48×NDVI+2.79

(5)

SPAD =18.04×NDVI+35.29

(6)

AGB = -42.62×RVI2+1 119.4×RVI+5 365.42

(7)

在遙感影像處理軟件ERDAS IMAGINE的Modeler模塊中分別調入16 m×16 m重采樣影像、WSEMgi模型和生長指標監測模型，編程運行后即可生成冬小麥赤霉病病情指數遙感監測圖。冬小麥病等級按照赤霉病病情指數大小初步分成4個等級：0級用綠色顯示，為長勢正常(無病害)；Ⅰ級為輕度病害(病情指數0～15%)，用黃色顯示；Ⅱ為較重病害(15%～25%)，用桔紅色表示；Ⅲ為嚴重病害(25%～35%)，用紅色表示。再經過上述分級運算，添加圖例、比例尺和指北針信息，最終生成縣域冬小麥赤霉病病情遙感監測信息專題圖(圖3)。利用研究區域2內建立的15個試驗監測樣點對冬小麥赤霉病病情遙感監測信息進行精度驗證，REMS(平方根誤差)為10.5%，相對誤差為14.6%，說明冬小麥赤霉病病情遙感監測算法的精度較為可靠。

圖3較為直觀地顯示出研究區(縣域)冬小麥抽穗-揚花期冬小麥赤霉病發生狀況，其中，縣域南部的周莊、茅山、陳堡、沈倫、臨城以及大朵鎮和東北部大營鎮的顏色顯示較紅黃，大多數田塊赤霉病發病較重，其東南部的一些鄉鎮如戴南、張郭、狄垛、陶莊、戴窯和合陳等鄉鎮的田塊均有不同程度發生，其他的鄉鎮也有零星發生。冬小麥揚花期是進行赤霉病防治的理想時期，針對田塊冬小麥的不同發病等級，可以分鄉鎮或分片區采用相應的植保防治措施，以實現高效、環保的防治目的。

3 討 論

傳統的人工實地抽樣調查一直是冬小麥赤霉病監測的主要手段，雖已在冬小麥病害防治方面發揮了重要作用，但對于大面積冬小麥病害發生而言，傳統監測方法不僅需花費大量人力物力成本，且取樣范圍和樣本量較為有限，很難及時獲得大范圍的病情數據信息，在很大程度上影響到防治措施的有效實施。因此，需要采用及時、大范圍、低成本的遙感監測方法來解決大面積農田冬小麥赤霉病信息獲取問題。遙感方法是基于單個或多個植被光譜信息指標進行冬小麥病情估算[2,4,6]，當植被光譜信息指標與冬小麥病情指標關聯程度高時，估測精度較好，當植被光譜信息指標與冬小麥病情指標關聯性弱時，幾乎無法估測。麥田偏施氮肥、密度大以及田間郁閉極發會誘發赤霉病的發生。本研究結合赤霉病發生的物候與生態特點，綜合冬小麥生長指標(葉面積指數、葉片葉綠素含量和地上部生物量)和遙感光譜信息來監測冬小麥的病發情況，在增強遙感監測模型解釋性的同時，明顯提高了病情監測的準確性。

圖3 縣域冬小麥赤霉病發生狀況遙感監測Fig.3 Remote sensing monitoring of winter wheat scab in county area

位居江淮區域的江蘇省興化市內部水網密集，田塊較為破碎，種植結構多樣。利用中低空間分辨率衛星影像，由于其混合像元較多，常常會造成“異物同譜”、“同物異譜”現象，較難滿足該類縣區冬小麥生長監測精度要求[11-12, 14]。因此，適宜空間分辨率(空間尺度)的遙感影像數據選取成為進行冬小麥長勢與病害有監測的前提與必要條件。本研究通過對空間分辨率2 m×2 m的 GF-1衛星全色影像進行重采樣，分別與空間分辨率30 m×30 m 的HJ-1衛星多光譜影像進行融合，生成2 m×2 m、8 m×8 m 和16 m×16 m 3 種尺度多光譜影像。通過對多尺度融合影像質量評價比較，發現16 m×16 m融合影像質量較原始多光譜影像質量發生明顯改善，突出豐富的植被光譜信息，比較適合江蘇省冬小麥田塊分布特征，有利于冬小麥遙感識別與信息提取。以16 m×16 m 影像作為影像數據源，引用WSEMgi模型和長勢指標監測模型，對縣域冬小麥抽穗-揚花期赤霉病病情進行遙感監測，有效獲取到赤霉病發生狀況與空間分布信息，該方法對于縣域冬小麥病害防治措施制定有很好參考作用。

影響冬小麥赤霉病發生的因素很多[4，15,17]，本文僅對與冬小麥赤霉病發生較緊密的主要長勢指標(葉面積指數、葉片葉綠素含量和生物量)進行了分析研究，其他影響因素的存在及其不確定性也是影響本研究所建模精度的主要原因。今后仍有必要綜合氣候、環境以及物候等影響因素，完善或改進冬小麥赤霉病遙感估測模型與方法，以更好實現對縣域冬小麥病害的精準化監測。