董錦繪，楊小冬，楊貴軍，王寶山

(1.河南理工大學測繪與國土信息學院，河南焦作454000; 2.北京農(nóng)業(yè)信息技術(shù)研究中心遙感技術(shù)部，

基于近地高光譜信息的小麥條銹病病情指數(shù)反演

董錦繪1,2,3，楊小冬2,3，楊貴軍2,3，王寶山1

(1.河南理工大學測繪與國土信息學院，河南焦作454000; 2.北京農(nóng)業(yè)信息技術(shù)研究中心遙感技術(shù)部，

北京 100097; 3.國家農(nóng)業(yè)信息化工程技術(shù)研究中心遙感技術(shù)部，北京 100097)

為探究小麥條銹病病情狀況與冠層光譜的關(guān)系，通過田間人工接種條銹病菌，在不同生育期測定各個種植小區(qū)的冠層光譜、病情指數(shù)，對測定的光譜進行了連續(xù)統(tǒng)去除，提取光譜吸收深度、吸收峰總面積、吸收峰左端面積、對稱度等吸收特征參數(shù)，計算光譜敏感度值，以病害區(qū)光譜吸收特征參數(shù)和光譜敏感度兩個指標定量分析了小麥病害隨生育期推進的變化程度，并且以不同生育期的光譜敏感度值和全生育期吸收特征參數(shù)為自變量建立回歸模型，精確反演了小麥全生育期的病情指數(shù)。結(jié)果表明，以光譜敏感度值為自變量的組合模型預測值擬合度為0.97，以光譜吸收特征參數(shù)為自變量的模型預測值擬合度為0.95，均達到顯著水平。

小麥條銹病；冠層光譜；光譜敏感度；吸收特征參數(shù)；病情指數(shù)

小麥是我國的主要農(nóng)作物之一，小麥條銹病的發(fā)生會對小麥品質(zhì)和產(chǎn)量產(chǎn)生重要影響。條銹病大流行時，小麥最高可減產(chǎn)60%，且病菌孢子易隨氣流傳播，危害范圍非常廣泛。遙感技術(shù)作為目前唯一能夠在大范圍內(nèi)快速獲取空間連續(xù)地表信息的手段可為農(nóng)作物病蟲害大范圍、多尺度的實時監(jiān)測預報、快速獲取作物和環(huán)境信息提供重要技術(shù)支持，尤其高光譜技術(shù)以其高光譜分辨率和空間分辨率，通過圖譜分析，及早了解作物健康狀況，獲得大面積病蟲害發(fā)生的嚴重度，可為及時準確地防治病蟲害提供參考依據(jù)，而近地高光譜遙感數(shù)據(jù)可為作物病害監(jiān)測的定性或定量理化參數(shù)提取和機理估算模型構(gòu)建奠定基礎(chǔ)。黃木易等[1]研究發(fā)現(xiàn)，不同處理下冬小麥葉片葉綠素含量及含水量與條銹病病情指數(shù)(DI)有較高的相關(guān)性，依此關(guān)系建立的多元回歸模型能夠很好地反演冬小麥條銹病DI。蔣金豹等[2]分別使用一階微分最大值法和Cho and Skidmore方法提取光譜紅邊、黃邊位置信息，對比分析了REP、YEP以及REP-YEP預測小麥條銹病DI的能力，提前12 d識別了小麥條銹病。袁 琳等[3]基于小麥白粉病與條銹病葉片光譜特征及敏感波段對二者進行區(qū)分，并采用FLDA構(gòu)建病害判別模型，借助PLSR分析構(gòu)建病情嚴重度反演模型。連續(xù)統(tǒng)去除法最初用來分析礦物質(zhì)高光譜數(shù)據(jù)，在礦質(zhì)和巖石光譜分析中去除背景吸收的影響，分離特征物質(zhì)吸收特征[4]。后來，國內(nèi)外研究者將其應用到植被高光譜分析研究中。Kokaly等[5]運用森林植被干葉片連續(xù)統(tǒng)去除光譜法評價氮素狀況，取得了較為理想的效果。Mutanga等[6]選擇不直接受水分影響并且能反映植被狀況的紅光吸收波段范圍，運用連續(xù)統(tǒng)去除法定性評價了不同氮素處理下熱帶草地冠層光譜的差異性。黃木易等[7]利用小麥單葉光譜特征建立了光譜角度指數(shù)(SAI)，并用連續(xù)統(tǒng)去除法進行歸一化定量分析，設(shè)計吸收面積指數(shù)(AAI)，較好地反演了小麥條銹病嚴重度。日本學者Kobayashi等[8]為了尋找受穗頸瘟脅迫水稻植株的光譜響應敏感區(qū)域和敏感波段，提出了光譜敏感度(spectral sensitivity)概念，使不同病情嚴重度的光譜曲線更具可比性，在病害嚴重度反演中取得了較高的估算精度。競 霞等[9]利用光譜敏感度曲線分析了棉花黃萎病不同病情嚴重度下的高光譜數(shù)據(jù)，提取了特征敏感波段，利用連續(xù)統(tǒng)去除法對光譜反射率進行處理，并構(gòu)建了基于光譜特征吸收參量的病情嚴重度估測模型。對于小麥條銹病的監(jiān)測預報模型研究，主要基于可見光550～700 nm及近紅外700～1 300 nm波段光譜特征信息與病情指數(shù)建立全生育期反演模型，尚未考慮由于不同生長階段小麥生理特征的差異性，其光譜響應特征也不盡相同。本研究通過人工誘發(fā)冬小麥條銹病，在不同生育期測定小麥冠層光譜及相應的病情指數(shù)，經(jīng)過連續(xù)統(tǒng)去除處理，提取光譜吸收特征，結(jié)合病害光譜敏感度，對小麥病害隨生育期推進的發(fā)展程度的光譜響應特征進行分析，并對比了基于小麥三個關(guān)鍵生育階段光譜敏感度特征的病情指數(shù)組合反演模型和基于全生育期光譜吸收特征的反演模型的精度，以期利用近地高光譜遙感技術(shù)手段進一步探究小麥條銹病病情狀況與冠層光譜的關(guān)系，為田間管理提供指導依據(jù)。

1 材料與方法

1.1 試驗方案

試驗于2014年在北京市昌平區(qū)小湯山國家精準農(nóng)業(yè)示范研究基地進行。試驗田長100 m，寬50 m，共劃分為18個小區(qū)，其中對照區(qū)與病害區(qū)各9個，每個小區(qū)面積為24 m2。供試小麥選用易感條銹病品種京9843。2014年4月5日采用噴霧法進行條銹病病菌接種，每個小區(qū)接種的菌量相等。接種菌源為甘肅省農(nóng)科院植保所提供的條銹病夏孢子混合生理小種，接種在17:00開始，用小型噴霧器將制備好的孢子懸浮液噴在植株葉片上，接種后蓋上塑料薄膜，過夜，次日9:30左右揭去塑料薄膜，完成接種。接種病菌10 d后，接種區(qū)小麥逐漸顯癥，并且在挑旗時接種區(qū)內(nèi)全部發(fā)病。顯癥后分別在小麥挑旗期、灌漿早期(開花后7 d)和灌漿中期(開花后21 d)進行冠層光譜和生理生化參數(shù)的測定，每個小區(qū)隨機選取一個光譜調(diào)查點。

1.2 數(shù)據(jù)獲取

1.2.1 冠層光譜測定

冠層光譜測定采用ASD FieldSpec Pro光譜儀，測定時間為北京時間10：30-14：30，天氣狀況良好，晴朗無云。觀測時探頭垂直向下，高度始終離地面1.6 m，探頭視場角25°，地面視場范圍直徑50 cm，每小區(qū)測量20次，各小區(qū)測量前后立即進行參考板校正，通過反射率和DN灰度值轉(zhuǎn)換公式計算出目標物的反射率，將20次的反射率平均得到該小區(qū)的作物冠層光譜反射率值。

(1)

式中，R目標表示通過參考板反射率求得到的目標冠層光譜反射率，DN目標表示通過光譜儀在田間測得的目標冠層光譜DN灰度值，DN參考板表示通過光譜儀在田間與目標準同步測量的參考板DN灰度值，R參考板是已知的參考板反射率。

1.2.2 病情指數(shù)獲取

小麥條銹病田間調(diào)查按照GBT 15795-1995(小麥條銹病測報調(diào)查規(guī)范)進行。小麥出現(xiàn)癥狀后每隔10 d在地面光譜測定后，立即進行一次田間病情指數(shù)的調(diào)查。病情調(diào)查采用五點調(diào)查法，即每塊調(diào)查小區(qū)選取對稱的五點，每點面積約2 m2，每點選取20株小麥，分別調(diào)查其發(fā)病情況，將嚴重度分為8個梯度(1%、5%、10%、20%、40%、60%、80%和100%)，分別記錄各嚴重度的小麥葉片數(shù)，然后按以下公式算出病情指數(shù)(DI)。

(2)

式中，x為各梯度的極值；n為最高梯度值，為8；f為各梯度的葉片數(shù)。

1.3 數(shù)據(jù)處理方法

1.3.1 光譜敏感度

光譜敏感度定義：

SI=(Rs-Rn)/Rn

(3)

式中,SI為光譜敏感度；Rs為受脅迫植株光譜反射率；Rn為正常植株光譜反射率。

感染小麥植株與未感染小麥植株之間的反射率差異能夠更明確地表達不同病害程度下光譜的差異。光譜敏感度在某一波段為正值時，受脅迫植株的光譜反射率高于正常植株，并且光譜敏感度值越大，受脅迫植株的光譜反射率與正常植株光譜反射率差異越顯著，反之亦然。本研究中，計算多個重復的光譜反射率平均值，得到不同生育期的Rs、Rn，根據(jù)式3得到不同生育期的SI值(圖1)。

圖1 小麥不同生育期光譜敏感度曲線

1.3.2 冠層光譜連續(xù)統(tǒng)去除

連續(xù)統(tǒng)被定義為逐點直線連接那些凸出的“峰”值點，并使折線在峰值點上的外角大于180°[10]。連續(xù)統(tǒng)去除也稱為包絡線去除，就是用實際光譜波段值除以連續(xù)統(tǒng)上相應波段值，用連續(xù)統(tǒng)法歸一化后，“峰”值點上的相對值均為1，非“峰”值點均小于1，如圖2所示。小麥葉片原始光譜曲線經(jīng)過連續(xù)統(tǒng)去除后，可以得到葉片組織結(jié)構(gòu)、色素含量、水分和蛋白質(zhì)中各種基團對反射光譜響應的重要特征，這些吸收特征參數(shù)主要包括吸收波段波長位置(P)、深度(Dh)、寬度(W)、斜率(K)、對稱度(S)、面積(A)和光譜絕對反射值[11]。本研究中只選用較為常用的吸收波段深度(Dh)、吸收面積(A)及對稱度(S)三個特征。

波段深度Dh的計算公式為

Dh= 1 -R′

(4)

R′是連續(xù)統(tǒng)去除后的相對反射率。

吸收峰面積A的計算公式為

(5)

式中，d為吸收深度， △λ為波長增量，a、b分別為吸收帶起止波段值。為便于分析，把最大波段深度線左邊的吸收峰面積記為A1，右邊的記為A2。

對稱度S的計算公式為

S=A1/A

(6)

1.4 反演模型的建立

小麥受到條銹病菌侵染時，因缺乏水分和營養(yǎng)，葉片光合色素含量和內(nèi)部結(jié)構(gòu)產(chǎn)生一定變化，其冠層反射光譜曲線也會發(fā)生一定程度的改變[12]，病情嚴重度不同，光譜曲線變化的程度也會不同。本研究通過分析小麥三個生育期的光譜敏感度曲線特征及其與病情指數(shù)的相關(guān)關(guān)系，選取相關(guān)度較高的特征波段建立基于不同生育階段小麥特征的組合反演模型，并與以連續(xù)統(tǒng)去除后光譜吸收特征為自變量的全生育期線性回歸模型進行小麥病情指數(shù)預測能力的比較。以上兩個模型在驗證方面均采用留一法交叉驗證，以預測值與實測值的決定系數(shù)(r2)及標準誤差RMSE作為精度評價指標。留一交叉驗證法(leave-one-out cross validation)是假設(shè)有N個樣本，將每個樣本單獨作為測試集，其余N-1個樣本作為訓練集，循環(huán)N次，每一個樣本都參與測試和訓練，克服了模型訓練樣本不豐富的缺陷，是評價回歸模型泛化能力和可靠性的有效方法。本研究中，將三個生育期27個樣點的光譜敏感度值和吸收特征參數(shù)作為測試集，其余26個樣點值作為訓練集，用于模型精度檢驗。

圖2 小麥可見光波段相對反射率

2 結(jié)果與分析

2.1 小麥生長光譜曲線分析

從圖3可以看出，對照區(qū)與病害區(qū)植株冠層反射率的差異主要集中在450～1 400 nm范圍內(nèi)，其中在可見光波段450～700 nm兩區(qū)有輕微差異，而在近紅波段770～1 300 nm內(nèi)，病害區(qū)植株冠層反射峰明顯低于對照區(qū)植株。

圖3 不同生育期對照區(qū)與病害區(qū)小麥光譜曲線對比

小麥接種條銹病菌后15 d即挑旗期時，植株病害癥狀較輕，田間調(diào)查的病情指數(shù)平均值為0.12。在病菌侵染下，小麥葉片葉綠素含量降低，葉綠素的藍區(qū)和紅區(qū)吸收帶減弱，病害區(qū)小麥紅光波段反射率增強，略高于對照區(qū)小麥；在750～1 300 nm波段，由于條銹病菌破壞了小麥葉片的內(nèi)部結(jié)構(gòu)，病害區(qū)小麥冠層光譜反射率低于對照區(qū)小麥，但光譜曲線整體上呈現(xiàn)健康綠色植物光譜波形特征。

小麥灌漿早期時，病害接種區(qū)田間調(diào)查的病情指數(shù)平均值為0.24，高于前期，說明條銹病菌侵染的程度加重。病害區(qū)葉片褪綠變黃，葉片結(jié)構(gòu)組織受到的破壞增大，冠層光譜近紅波段反射率明顯低于挑旗期，近紅波段波形逐漸變?yōu)閳A肩形；對照區(qū)小麥冠層光譜曲線形態(tài)也逐漸顯露病害特征，在550～700 nm黃光區(qū)光譜反射率較挑旗期略高，近紅波段750～1 300 nm波形與病害區(qū)相似，這些變化表明條銹病菌在灌漿早期可能發(fā)生了擴散，病菌潛伏于對照區(qū)小麥中。

灌漿中期，病害區(qū)小麥受病菌危害達到最大程度，病情指數(shù)平均值達到0.76，可見光波段黃光區(qū)反射率逐漸增大，近紅波段反射率明顯降低，且低于對照區(qū)小麥；對照區(qū)小麥在該生育期內(nèi)顯露輕度病害癥狀，光譜曲線表現(xiàn)為黃光區(qū)反射率持續(xù)上升，近紅波段反射率繼續(xù)下降，吸收谷變淺，紅邊藍移，紅邊幅值大幅下降，呈明顯病態(tài)。

挑旗期，病害區(qū)小麥病害癥狀初現(xiàn)，尚未發(fā)生擴散，對照區(qū)小麥光譜曲線正常，可見光波段和近紅波段病害的SI分別呈正值和負值。灌漿早期，病害區(qū)小麥癥狀加重，對照區(qū)小麥雖然田間調(diào)查并無病害癥狀，但冠層光譜曲線已呈現(xiàn)病害特征，病害小麥冠層反射率整體上大于對照區(qū)小麥，SI值呈正值，在660 nm紅光附近二者差異達到最大。灌漿中期，病害區(qū)小麥病癥十分顯著，對照區(qū)小麥田間調(diào)查也發(fā)現(xiàn)病癥，對照區(qū)與病害接種區(qū)之間反射率差異在可見光波段范圍內(nèi)逐漸減小，SI值由負值增長為正值；700～780 nm紅邊波段對照區(qū)小麥紅邊幅值大于病害區(qū)，SI值變?yōu)樨撝?，二者差異逐漸增大。

2.2 小麥吸收特征分析

受到病害侵擾時，小麥缺乏營養(yǎng)和水分，海綿組織遭到破壞，葉片色素比例發(fā)生變化，可見光區(qū)的兩個吸收谷不明顯，近紅外光區(qū)的反射峰值被削低。在光譜敏感度曲線中，各個生育期不同處理間差異較大的波段也在可見光區(qū)到近紅外區(qū)。通過連續(xù)統(tǒng)去除法對550到850 nm波段的光譜曲線作歸一化處理之后，得到各個生育期小麥的光譜反射率吸收特征參數(shù)(吸收峰總面積A、吸收峰左端面積A1、吸收深度Dh、對稱度S)。統(tǒng)計結(jié)果表明，隨著小麥的生長，病害程度逐漸加重，吸收峰面積與吸收深度逐漸降低；正常小麥的吸收峰面積和吸收深度都略低于病害小麥，正常小麥生長區(qū)對稱度略高于病害區(qū)小麥(表1)。

表1 連續(xù)統(tǒng)去除光譜吸收特征參數(shù)平均值

Table 1 Average value of the characteristic parameters of the continuum removal

參數(shù)Parameters挑旗期Flagleafstage對照區(qū)CK病害區(qū)Yellowrust灌漿早期Earlygrainfillingstage對照區(qū)CK病害區(qū)Yellowrust灌漿中期Grainfillingstage對照區(qū)CK病害區(qū)YellowrustA136．41129．20125．60116．3485．5472．43Dh0．930．910．880．810．700．62S0．680．690．690．690．680．68A193．3488．4186．8181．2658．73249．33

圖4 小麥光譜敏感度與病情指數(shù)的相關(guān)關(guān)系

2.3 病情指數(shù)反演

相關(guān)分析表明，小麥挑旗期、灌漿早期和灌漿中期的光譜敏感度與病情指數(shù)的相關(guān)性分別在987、1 362和1 386 nm波段最大(圖4)，相關(guān)系數(shù)分別為0.80、0.87和-0.84，均達到0.05顯著性水平，因此本研究最終選用這三個波段的光譜敏感度值做為自變量與病情指數(shù)進行線性回歸分析，得到基于不同生育階段光譜特征的組合反演模型；同時選用吸收峰面積A、吸收峰左端面積A1、吸收深度Dh、對稱度S為自變量與病情指數(shù)線性回歸得到全生育期反演模型。經(jīng)過檢驗，反演模型均通過0.01顯著性水平，說明模型擬合性很好，具有一定可靠性。利用留一交叉驗證法對反演模型進行循環(huán)27次測試和訓練，得到的平均決定系數(shù)r2分別為0.94、0.92，平均RMSE分別為0.068、0.063，與表2中回歸建模結(jié)果接近，表明回歸模型有一定可靠性和泛化能力。最后，以田間實測病情指數(shù)作為驗證數(shù)據(jù)，與模型得到的預測值進行比較，得到基于三個生育期光譜敏感度特征的分段式組合回歸預測模型和基于全生育期吸收特征預測模型的反演精度(圖5)。

表2 條銹病病情指數(shù)反演線性回歸模型結(jié)果

Table 2 Results of regression linear regression model for disease index of stripe rust

自變量Independentvariable模型表達式Modelequation擬合rFittingrP值PvalueSI 挑旗期FlagleafstageY1=0．0602x+0．11330．6420．009 灌漿早期EarlygrainfillingstageY2=-0．8313x+0．19440．7730．001 灌漿中期MiddlegrainfillingstageY3=-0．9010x+0．88150．7140．004吸收特征參數(shù)AbsorptioncharacteristicparameterY=-1．143-1．40Dh-0．0627A1+0．0398A+4．392S0．9270．001

圖5 SI組合回歸模型(a)與冠層吸收特征模型(b)反演精度對比

3 討 論

本研究表明,隨著小麥生育期的推進，病害區(qū)植株病情指數(shù)逐漸增大，對照區(qū)與病害區(qū)小麥的光譜敏感度和光譜吸收特征參量差異越來越大，其中可見光波段550～700 nm范圍內(nèi)反射率增大，近紅波段800～1 300 nm范圍內(nèi)反射率減小。這些波段與植物葉片光合色素含量及細胞結(jié)構(gòu)改變聯(lián)系緊密，與劉良云等[13]基于多時相PHI航空遙感影像監(jiān)測小麥條銹病得到的光譜波段特征一致。李 京等[14]基于高光譜微分指數(shù)識別冬小麥條銹病的研究也表明，隨病情指數(shù)的增大，一階微分光譜在綠邊500～560 nm內(nèi)逐漸增加。本研究中，病害區(qū)小麥灌漿中期田間調(diào)查出現(xiàn)病癥，然而灌漿早期的光譜曲線早已呈現(xiàn)病態(tài)，光譜敏感度值與吸收特征參數(shù)直觀地表現(xiàn)了這一變化，在田間小麥出現(xiàn)癥狀前反映出病害的發(fā)生，這與蔣金豹等[2]利用高光譜微分植被指數(shù)SDr'/SDg'在癥狀出現(xiàn)前12 d識別出健康作物與病害作物，在預測時間上比較接近。前人對于小麥條銹病的病情監(jiān)測識別模型多采用植被指數(shù)特征以及光譜一階微分特征。羅菊花等[15]利用歸一化植被指數(shù)(NDVI)和光化學植被指數(shù)PRI構(gòu)成空間特征對小麥條銹病進行了監(jiān)測。本研究分別以光譜敏感度、光譜吸收特征為自變量建立線性回歸模型，并取得了良好的估測效果，其中基于多時相光譜敏感度特征的估測模型對整個生育期的觀測效果更加準確。

本研究結(jié)果對于小麥種植管理及利用光譜遙感技術(shù)監(jiān)測作物病蟲害具有一定參考價值，對小麥高產(chǎn)、優(yōu)質(zhì)栽培措施的制定有重要意義。但是本研究基于近地高光譜信息，供試品種單一，且建立在小區(qū)試驗基礎(chǔ)上，所建立的病情指數(shù)反演模型仍然存在一定的不確定性，因而還需要更多的試驗加以驗證補充。

[1] 黃木易,黃義德,黃文江,等.冬小麥條銹病生理變化及其遙感機理[J].安徽農(nóng)業(yè)科學,2004,32(1):132.

HUANG M Y,HUANG Y D,HUANG W J,etal.Thephysiological changes of winter wheat infected with stripe rust and the remote sensing mechanism of disease incidence [J].JournalofAnhuiAgriculturalSciences,2004,32(1):132.

[2] 蔣金豹,陳云浩,黃文江.利用高光譜紅邊與黃邊位置距離識別小麥條銹病[J].光譜學與光譜分析,2010,30(6):1614.

JIANG J B,CHEN Y H,HUANG W J.Using the distance between hyper-spectral red edge position and yellow edge position to identify wheat yellow rust disease [J].SpectroscopyandSpectralAnalysis,2010,30(6):1614.

[3] 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.

[4] CLARK R N,ROUSH T L.Reflectance spectroscopy:Quantitative analysis techniques for remote sensing applications [J].JournalofGeophysicalResearch,1984,89:6329.

[5] KOKALY R F.Investigating a physical basis for spectroscopic estimates of leaf nitrogen concentration [J].RemoteSensingofEnvironment,2001,75:153.

[6] MUTANGA O,SKIDMORE A K,van WIEREN S E.Discriminating tropical grass(Cenchrusciliaris) canopies grown under different nitrogen treatments using spectroradiometry [J].ISPRSJournalofPhotogrammetry&RemoteSensing,2003,57:263.

[7] 黃木易,黃文江,劉良云,等.冬小麥條銹病單葉光譜特性及嚴重度反演[J].農(nóng)業(yè)工程學報,2004,20(1):176.

HUANG M Y,HUANG W J,LIU L Y,etal.Spectral reflectance feature of winter wheat single leaf infected with stripe rust and severity level inversion [J].TransactionsoftheCSAE,2004,20(1):176.

[8] KOBAYASHI T,KANDA E,KITADA K,etal.Detection of rice panicle blast with multispectral radiometer and the potential of using airborne multispectral scanners [J].Phytopathology,2001,91(3):316.

[9] 競 霞,王紀華,宋曉宇,等.棉花黃萎病病情嚴重度的連續(xù)統(tǒng)去除估測法[J].農(nóng)業(yè)工程學報,2010,26(1):193.

JING X,WANG J H,SONG X Y,etal.MonitoringVerticilliumwiltof cotton leaf based on red spectrum absorption parameters [J].TransactionsoftheCSAE,2010,26(1):193.

[10] McCord TB,Clark RN,Hawke BR,etal.Moon near infrared spectral reflectance:A first good look [J].JournalofGeophysicalResearch,1981,86:833.

[11] 鄭蘭芬,王晉年.成像光譜遙感技術(shù)及其圖像光譜信息提取分析研究[J].環(huán)境遙感,1996,11(1):20.

ZHENG L F,WANG J N.A study on imaging spectrometry and its extraction of image spectral information [J].RemoteSensingofEnvironmentChina,1996,11(1):20.

[12] 黃文江.作物病害遙感監(jiān)測機理與應用[M].北京:中國農(nóng)業(yè)科學技術(shù)出版社,2009:148.

HUANG W J.Mechanism and Application of Remote Sensing Monitoring of Crop Diseases [M].BeiJing: China Agricultural Science and Technology Press,2009:148.

[13] 劉良云,黃木易,黃文江,等.利用多時相的高光譜航空圖像監(jiān)測冬小麥條銹病[J].遙感學報,2004,8(3):275.

LIU L Y,HUANG M Y,HUANG W J,etal.Monitoring stripe rust disease of winter wheat using multi-temporal hyper-spectral airborne data [J].JournalofRemoteSensing,2004,8(3):275.

[14] 李 京,陳云浩,蔣金豹,等.用高光譜微分指數(shù)識別冬小麥條銹病害研究[J].科技導報,2007,25(6):23.

LI J,CHEN Y H,JIANG J B,etal.Using hyper-spectral derivative index to identify winter wheat stripe rust disease [J].ScienceTechnologyReview,2007,25(6):23.

[15] 羅菊花,黃文江,韋朝領(lǐng),等.冬小麥條銹病害與常規(guī)脅迫的定量化識別研究-高光譜應用[J].自然災害學報,2008,17(6):115.

LUO J H,HUANG W J,WEI C L,etal.Quantitative identification of stripe rust and common stress on winter wheat: application of hyper-spectrum [J].JournalofNaturalDisasters,2008,17(6):115.

Inversion of Wheat Stripe Rust Disease Index Based on Near Ground Hyperspectral Data

DONG Jinhui1,2,3, YANG Xiaodong2,3, YANG Guijun2,3,WANG Baoshan1

(1.School of Survey and Land Information Engineering, Henan Polytechnic University,Jiaozuo,Henan 454000, China; 2.Beijing Research Center for Information Technology in Agriculture Remote Sensing Mintech,Beijing 100097, China; 3.National Engineering Research Center for Information Technology in Agriculture Remote Sensing Mintech,Beijing 100097, China)

The canopy spectral reflectance of wheat infected stripe rust was measured and the disease indices(DI) were investigated in the field at different growth stages respectively. The canopy spectra was treated with smoothing and continuum removal, and spectral absorption feature parameters,such as absorption depth(D), absorption peak overall area,absorption peak at the left end of the area and symmetry were extracted. The spectral sensitivity was calculated, and the infection degree at different growth stage was analyzed based on the prediction spectral absorption feature parameters and spectral sensitivity, which estimated the whole wheat fertility period of disease index. The regression models were established by using the spectral sensitivity and the absorption characteristic parameters as independent variables, and the disease index of the whole growing period of wheat was accurately retrieved. The results indicated that, there are not many differences of canopy spectral reflectance and spectral absorption feature parameters between health and disease wheat in the flagging stage because of the mild rust symptoms. Spectral sensitivity of each stage as variable has the better estimation precision for DI, with the predictive fitting degree of 0.97, which is better than the characteristic parameters of the spectrum absorption.

Wheat infected stripe rust; Canopy spectrum; Spectral sensitivity; Absorption characteristic parameter; Disease index

麥類作物學報 2016，36(12)：1681?1687JournalofTriticeaeCropsdoi：10．7606/j．issn．1009?1041．2016．12．19

2016-05-12

2016-06-09

國家自然科學基金項目(41301476)；北京市自然科學基金項目(4132029)

E-mail：502354285@qq.com 通訊作者：楊小冬(E-mail:yangxd@nercita.org.cn)

時間：2016-12-07

S512.1；S432

A

1009-1041(2016)12-1674-07

網(wǎng)絡出版地址：http://www.cnki.net/kcms/detail/61.1359.S.20161207.1751.036.html