基于光谱知识库的TM影像冬小麦条锈病监测研究

基于高光谱信息的冬小麦条锈病严重度反演模型通常不能直接应用在宽波段卫星影像上,而拥有高光谱波段信息的航空遥感影像又因数据尺度小、成本高难以应用于大规模监测。文章提出一种通过构建冬小麦条锈病光谱知识库,利用TM影像实现病情识别和监测的方法。该方法以包含各种不同病情严重度的试验田的三幅小麦关键生育期PHI航空遥感影像为媒介,利用病情指数DI的经验反演模型和基于波谱响应函数的TM波段模拟,建立DI和TM波段模拟反射率间的光谱知识库。在此基础上,通过马氏距离法和光谱角度填图(SAM)法将待检象元的光谱信息与光谱知识库进行匹配分析从而实现对病情识别和监测。监测的精度利用模拟TM象元进行评价,识别的效果利用TM影像象元进行检验。结果表明,该方法在一定生育期范围内具有较佳的监测精度和识别效果。其中,使用模拟TM象元在小麦灌浆期精度最佳,评价的R2达到0.93,乳熟期次之,拔节期最差,基本不能用于监测。使用TM影像象元在灌浆期和乳熟期可较好地识别染病象元,在拔节期无法有效识别染病象元。匹配方法马氏距离法略优于光谱角度匹配法。     

用冠层光谱比值指数反演条锈病胁迫下的小麦含水量

通过高光谱遥感估测条锈病胁迫下的小麦冠层水分含量。通过人工田间诱发不同等级小麦条锈病,在不同生育期测定感染不同严重程度条锈病的冬小麦冠层光谱、相对含水量(relative water content,RWC) 以及调查小麦条锈病病情指数(disease index,DI)。研究发现随着小麦RWC的减少,冠层光谱反射率在近红外区域(900～1 300 nm)逐渐降低,而在短波红外区域(1 300～2 500 nm)逐渐增大,且RWC与DI间具有强负相关性。对冠层光谱进行平滑处理,利用冠层光谱近红外与短波红外水分敏感波段构建比值指数,然后建立以比值指数为变量的反演RWC线性模型,并分析对比各模型反演RWC的精度以及稳定性,结果发现比值指数R_{1 300}/R_{1 200}反演RWC的精度及稳定性(R2=0.63)都优于其他指数,其线性模型反演绝对误差为3.43,相对误差(relative error,RE)为4.78%。该研究结果不仅为判别小麦病害提供辅助信息,而且也为未来利用高光谱图像反演植物含水量提供理论与方法支持。     

基于高光谱遥感技术的不同小麦品种条锈病病情指数的反演

应用混合品种控制小麦条锈病在国内外日益受到重视,通过采集田间不同品种混合小麦条锈病各级病情梯度的高光谱遥感数据,将光谱数据与条锈病病情数据进行相关性分析,利用4个光谱参数构建其与病情指数的回归模型。结果表明,不同小麦品种组合在不同的病情指数情况下,其冠层光谱信息都表现了一致的变化规律;冠层反射率在可见光区与病情指数为正相关,而在近红外区则达到了显著的负相关;利用690与850 nm处的反射率、SDr、NDVI以及RVI与病情指数构建的回归模型拟合效果较好。研究表明利用高光谱反演条锈病病情指数是可行的,并且小麦不同品种对反演效果影响不大。     

主成分分析法与植被指数经验方法估测冬小麦条锈病严重度的对比研究

通过人工田间诱发不同等级小麦条锈病,在不同生育期测定染病冬小麦冠层光谱及其病情指数(disease index,DI)。利用主成分分析法提取冠层光谱350～1 350 nm范围内的前5个主成分(principal components,PCs),以及一阶微分光谱在蓝边(490～530 nm),黄边(550～582 nm)和红边(630～673 nm)内的前3个PCs,并利用逐步回归法建立反演模型,其结果分别与植被指数经验模型进行对比,结果表明:以一阶微分PCs为变量的模型精度优于其他模型,其RMSE为7.65,相对误差为15.59％。通过对预测值与实测值对比发现,以微分指数SDr′/SDg′为变量的模型适合监测冬小麦早期病情,而以一阶微分PCs为变量的模型特别适合监测冬小麦条锈病病情较严重期。研究结果对利用高光谱遥感监测与评估小麦病害程度具有实际应用价值。     

海面漂浮绿潮生物量光谱特征及估算模型

海上漂浮绿潮生物量的估算对实现绿潮处置资源高效配置、提高应急处置效率具有重要意义。利用现场实验获取的漂浮绿潮单位面积生物量及其地物反射光谱数据,分析了漂浮绿潮光谱特征和多种光谱指数与单位面积生物量之间的响应关系,基于此构建并验证了漂浮绿潮生物量估算模型。结果显示漂浮绿潮近红外波段反射率与单位面积生物量之间存在强相关关系(相关系数R≈0.8);光谱指数以及960nm反射峰和1060nm吸收峰峰值与漂浮绿潮单位面积生物量显著相关(R0.7);基于R_(960)/R_(670)和R_(1060)/R_(670)(R_(670),R_(960),R_(1060)分别为670,960,1060nm处的反射率)构建的漂浮绿潮生物量指数估算模型具有较高的精度(R~2≈0.9,相对误差R_(PE)≈27%)。研究结果为利用遥感技术实现海面漂浮绿潮生物量估算提供了参考。     

基于叶片光谱分析的小麦白粉病与条锈病区分及病情反演研究

小麦条锈病和白粉病作为我国麦区两种重要病害,在田间常同时发生,为病害防治管理带来困难。基于实验测试获得白粉病、 条锈病叶片光谱数据,探讨采用光谱分析对两种病害进行区分识别及严重度监测的可行性。通过相关分析和独立T检验,筛选出对白粉病和条锈病敏感度差异较显著的波段及光谱特征,包括665～684,718～726 nm等6个波段范围,以及DEP_550-770,SIWSI等11个光谱特征。基于这些波段和特征,采用FLDA构建病害判别模型;借助PLSR分析构建病情严重度反演模型。研究结果表明,筛选得到的反射率波段和光谱特征能够较好地区分两种病害,判别模型总体精度达到80%以上,准确度较高。其中,染病比率超过20%的病叶区分和识别精度可达95%。同时,分别基于两种病害敏感光谱特征构建的病情严重度反演模型能够较好地估测病情严重度,两种病害估测均方根误差均低于15%。上述叶片尺度小麦白粉病和条锈病区分和严重度反演模型为进一步研究两种病害冠层尺度的区分和监测提供基础。     

小麦条锈病胁迫下光合速率与光谱指数关系研究

为应用遥感技术进行小麦条锈病的实时监测以及大范围作物病害识别,明确条锈病胁迫下小麦光谱反射率和净光合速率与病情指数的关系,利用光谱植被指数预测小麦光合速率的变化,在2018年-2019年度冬小麦生长季节,以易感条锈病的济麦15号小麦品种为对照,以生产上播种面积较大的济麦22和鲁原502为供试品种,基于大田小区条锈病接种试验,从抽穗期到乳熟期,每隔7~10 d进行小麦旗叶光合速率、光谱反射率测定及病情指数调查。研究发现,随感病程度加重,小麦旗叶光合速率呈显著下降趋势,扬花期济麦22光合速率高于鲁原502。灌浆期可见光波段,病斑部位的光谱反射率始终高于正常部位,这是由于病斑部位叶片单位面积上叶绿素含量较低,对光吸收的少;而在反射平台区域,病斑部位的光谱反射率较正常叶低得多。利用与病害胁迫、生长状况以及产量相关较大的光化学反射指数（photochemical reflectance index,PRI）、植被衰减指数（plant senescence reflectance index,PSRI）和比值植被指数（ratio vegetation index,RVI）来反映病情指数变化,结果显示,病斑部位的光化学反射指数和植被衰减指数大于正常部位,且植被衰减指数变化率较大,而比值植被指数变化率小于正常部位。小麦不同生育期,光合速率与光谱反射率的相关性不同,模拟光合速率的植被指数也不同。灌浆期,鲁原502的光合速率与光谱反射率始终呈正相关关系;在可见光范围内,对照光合速率与光谱反射率呈正相关,济麦22呈负相关;在反射率平台位置,对照光合速率与光谱反射率呈负相关,济麦22呈正相关。在小麦灌浆期,可以利用植被衰减指数进行病害程度识别及光合速率估测。该研究为利用遥感手段大面积监测小麦长势及病害发生情况提供了理论依据,也为探讨利用光谱指标无损监测的方法预测小麦条锈病发生及危害程度奠定了基础。     

无人机高光谱的玉米冠层大斑病监测

大斑病是一种对玉米危害严重的病害,迫切的需要一种可以快速了解玉米大斑病病情的方法。以无人机遥感作为新的技术平台,探究玉米冠层受到大斑病胁迫时的光谱响应情况,并利用无人机高光谱成像技术对大斑病病情进行监测和可视化研究。采集玉米多生育期(抽雄期、灌浆期、完熟期)冠层500～900 nm的高光谱影像,根据采集影像的原始光谱和一阶微分光谱特征,提取出12个大斑病敏感波段位置, 12个波段位置分别为:514, 532, 553, 680, 714, 728, 756和818 nm,近红外、红、绿波段及红边位置。根据前人提出的植物病害监测参数结合提取的敏感波段位置,构建13组针对玉米冠层大斑病的监测光谱参数,研究不同波段对大斑病病情指数(DI)值的敏感性,并构建玉米冠层大斑病的监测模型,验证利用无人机遥感监测大斑病DI值的精度及稳定性。结果表明:随病情指数增加,一阶微分光谱图出现典型的"蓝移"现象,病害冠层DI值与红光(680～714 nm)和近红外(770～818 nm)的反射率及一阶微分光谱图的红边位置(680～756 nm)相关性更显著,与绿光波段相关性较低。在13组监测光谱参数中, 8组与建模样点冠层大斑病实测DI值达到极显著相关水平,决定系数(R~2)均达到0.8以上,选取各生育期R~2达到0.8以上的光谱参数用于玉米冠层大斑病监测模型的构建,将检验样本的实测值与监测模型的预测值进行相关性分析。检验表明,在抽雄期,模型DI-NDVI(SD_(λ_i), SD_(λ_j))的回归斜率(0.829 3)和决定系数(R~2=0.842 7)都最接近1,均方根误差(RMSE=4.59)和相对误差(RE=12.3)更小,说明模型DI-NDVI(SD_(λ_i), SD_(λ_j))的预测能力和精度更高。各生育期对应模型均取得较好监测效果,说明本研究利用无人机遥感对植物病害监测具有指导意义,对精准农业的发展具有一定的借鉴价值。     

玉米叶片的光谱响应及其氮素含量预测研究

以不同施肥水平下两年玉米田间试验为基础,利用高光谱技术探讨大喇叭口期不同层次玉米叶片光谱响应的敏感区域,并依据叶片氮素含量与原始光谱反射率及其一阶导数的相关性,最终构建了叶片氮素含量的预测模型。结果表明：不同施肥水平下叶片光谱反射率差别明显区域集中在550 nm附近波段、761～1 300 nm波段,不同层次间叶片光谱反射率差别明显区域集中在550 nm附近波段,叶片氮素含量与470～760 nm波段光谱反射率及其一阶导数呈极显著相关。经过对比筛选,以光谱指数DSI(564,681)和DSI(681,707)构建的指数预测模型效果最好,预测精度达93.43%和93.39%,能有效估测叶片氮素含量。     

利用高光谱微分指数进行冬小麦条锈病病情的诊断研究

人工田间会诱发不同等级的小麦条锈病,在不同生育期需测定染病冬小麦冠层光谱以及相应小麦的病情指数。把冠层光谱一阶微分数据与相应的小麦病情指数进行相关分析,采用单变量线性和非线性回归技术,选取部分样本建立小麦的病情指数估测模型,并利用其余的样本对模型进行检验。结果表明,病情指数与一阶微分在432~582nm,637~701nm和715~765nm波长区域内具有极显著的相关性。以蓝边内一阶微分总和(SDb)与红边内一阶微分总和(SDr)的归一化值作为变量的模型是估测病情指数的最佳模型,其RMSE为5.73%。研究表明,可用高光谱信息监测作物的病害情况,且精度较高。利用高光谱遥感监测病害程度及其影响具有实际的应用价值。     

日光诱导叶绿素荧光与反射率光谱数据监测小麦条锈病严重度的对比分析

小麦条锈病是影响我国小麦产量的主要病害之一,在小麦受到条锈病菌侵染初期探测到病害信息,对小麦条锈病的防控以及产量和品质的提高具有更为重要的意义。反射率光谱主要反映植被生化组分的浓度信息,而日光诱导叶绿素荧光则对植物光合生理变化响应灵敏。为了更好地实现小麦条锈病病情严重度的遥感探测,尤其是条锈病的早期探测,对日光诱导叶绿素荧光和反射率光谱数据监测小麦条锈病病情严重度的敏感性进行了对比分析。首先利用地物光谱仪测定了不同病情严重度的小麦冠层光谱数据,基于夫琅和费暗线原理利用3FLD(three-band Fraunhofer Line Discrimination)方法提取了小麦条锈病不同病情严重度下的日光诱导叶绿素荧光数据,然后分别利用反射率光谱数据和日光诱导叶绿素荧光数据构建小麦条锈病不同发病状态下的遥感探测模型,并通过保留样本交叉检验方式对预测模型精度进行了评价。结果表明：（1）当小麦条锈病病情指数低于20%时,日光诱导叶绿素荧光对小麦条锈病病害信息的响应比反射率光谱数据更为敏感,以日光诱导叶绿素荧光为自变量构建的小麦条锈病病情严重度预测模型达到了极显著性水平,能够在植被叶绿素含量或叶面积指数发生变化之前探测到植物的胁迫状态,实现作物病害的早期诊断,而反射率光谱数据则难以探测到条锈病病害信息;（2）在小麦条锈病病情严重度处于中度发病(20%＜DI≤45%)状态时,虽然日光诱导叶绿素荧光和反射率光谱数据均能实现小麦条锈病病情严重度的遥感探测,但利用日光诱导叶绿素荧光数据构建的预测模型优于反射率光谱数据;（3）当小麦条锈病病情严重度达到重度水平(DI＞45%)时,利用反射率光谱数据和日光诱导叶绿素荧光数据构建的小麦条锈病病情严重度预测模型均达到了极显著性水平,两种数据均能够较好地实现小麦条锈病病情严重度的遥感探测。该研究结果对提高小麦条锈病的遥感探测精度具有重要的意义,为利用TanSat等卫星的荧光数据进行小麦条锈病的早期探测提供了参考依据。     

近红外光谱技术的小麦条锈病严重度分级识别

小麦条锈病是世界上影响小麦安全生产的一种重要病害。实现小麦条锈病不同严重度叶片快速、准确的分级识别,对于条锈病监测、预测预报和防治措施的制定具有重要意义。通过人工接种获得条锈病不同发病程度小麦叶片,选取8个不同严重度级别(1%,5%,10%,20%,40%,60%,80%和100%)叶片各30片和健康小麦叶片30片,利用近红外光谱技术分别获取光谱信息,共获得270条近红外光谱曲线,依据小麦叶片条锈病发病程度的不同,将其分为9个类别。从每个类别中随机选择7~8条光谱曲线作为测试集,共计67条,将剩余的203条光谱曲线作为训练集。利用定性偏最小二乘法建立小麦条锈病不同严重度叶片的定性识别模型。研究分析了不同光谱预处理方法、建模比(训练集:测试集)和建模谱区对所建模型识别效果的影响。结果表明,在4 000～9 000 cm-1谱区范围内,原始近红外光谱数据经中心化预处理后,建模比为3∶1时,采用内部交叉验证法建模,训练集和测试集的总体识别准确率分别为95.57%和97.01%,所建模型识别效果较好。表明基于近红外光谱技术进行小麦条锈病叶片严重度分级识别是可行的,为小麦条锈病的监测和评估提供了一种新方法。     

基于高光谱成像的小麦白粉病与条锈病识别

小麦白粉病和条锈病是我国两种最普遍、最具破坏性的小麦病害,且田间常常混合发生。由于病源和发病机理不同,有必要对这两种病害进行准确区分和识别,以采取不同的防治措施。基于ImSpector V10E高光谱成像系统采集的条锈菌侵染叶片、白粉菌侵染叶片和健康叶片(共计320个)在375～1 017 nm范围内的高光谱图像,利用高斯平滑等预处理方法得到三种小麦叶片的平均光谱曲线,发现小麦白粉病和条锈病的敏感波段均集中在550～680 nm的色素强吸收位置,且趋势基本一致。针对两种病害的响应波段交叉重叠的问题,通过主成分分析-载荷法(PCA)、连续投影算法(SPA)和竞争性自适应重加权算法(CARS)对小麦叶片的光谱信息进行有效降维,分别优选出3、6、30个敏感波段和特征波长;在此基础上,采用最小二乘-支持向量机和极限学习机两种分类算法分别基于全波段、PCA、SPA和CARS的优选波段,建立白粉病、条锈病和健康叶片的判别模型。结果表明,8种模型的准确识别率均在94.58%以上。其中,主成分分析-载荷法结合极限学习机模型最优,训练集与校正集的正确识别率分别为99.18%和100%,且结构简单,仅含有三个变量(占全波段的1.1%)。最后,通过对小麦白粉病、条锈病以及健康叶片的显微结构分析,发现病菌入侵叶片,破环细胞结构,导致叶绿素含量减少,光合作用效能降低,进而使得小麦在可见光波段光吸收程度减弱,反射率增大。可见,利用作物的高光谱图像信息能够准确地识别不同类型的小麦病害,为研发作物病害在线识别的多光谱系统提供重要的理论依据。     

冬小麦条锈病严重度不同估算方法对比研究

为了提高遥感监测小麦条锈病病害严重度的准确性,寻找小麦病害的较优反演模型,在国家精准农业示范研究基地基于野外定位调查小麦病情指数及冠层光谱数据,利用与小麦病害发生呈显著关系且有效反映植被生理生长状况的7种高光谱植被指数,尝试分别采用PLS(偏最小二乘回归)、BP神经网络和植被指数经验法三种方法建立小麦条锈病病情反演模型,并进行比较分析。结果表明：三种方法病害严重度预测值与实测值间的R2分别为0.936,0.918,0.767。采用偏最小二乘回归方法监测小麦病情指数效果更好,为探寻不同种类植被指数对模型的贡献,尝试用代表植被绿度的NDVI, GNDVI, MSR和代表水分含量的NDWI和MSI植被指数分别作为PLS模型的输入变量,建立病害反演模型。结果表明：小麦条锈病中,叶片叶绿素含量的变化比冠层水含量的变化对病情指数更为敏感,对病害有更好的解释作用。然而,两模型精度都低于七种植被指数全部参与时的预测结果,即输入变量中采用多种植被指数比用单类指数模拟准确度高。     

融合SIF和反射光谱的小麦条锈病遥感监测

日光诱导叶绿素荧光(SIF)能够敏感反映作物病害胁迫信息,然而冠层几何结构等因素严重影响了SIF对植被光合功能变化及其受胁迫状况的捕捉能力。为此,将能够敏感反映作物群体生物量的归一化差值植被指数（NDVI）和MERIS陆地叶绿素指数(MTCI)与SIF_P相融合(SIF_P-NDVI,SIF_P-MTCI,SIF_P-NDVI*MTCI),对比分析融合前后SIF对小麦条锈病的遥感监测精度。结果表明：（1）融合反射率光谱指数的SIF_P-NDVI,SIF_P-MTCI和SIF_P-NDVI*MTCI较融合前的SIF_P与病情指数(DI)相关性均有不同程度的提高,其中O₂-B波段提高最为明显,分别提高了23.48%,33.61%和36.49%,O₂-A波段提高量最小,分别提高了2.39%,2.14%和1.51%;（2）以SIF_P-NDVI和SIF_P-MTCI为自变量,基于随机森林回归(RFR)算法构建的小麦条锈病遥感监测模型预测DI值和实测DI值间的R2较SIF_P分别平均提高了1.15%和4.02%,RMSE分别平均降低了2.7%和14.41%;（3）综合利用NDVI和MTCI处理后的SIF_P-NDVI*MTCI为自变量构建的小麦条锈病遥感监测模型精度最优,其预测DI值和实测DI值间的R2较SIF_P平均提高了5.74%,RMSE平均降低了22.52%。研究结果对提高小麦条锈病遥感监测精度具有重要意义,同时亦对其他作物的病害监测具有一定的参考价值。     

基于小波特征的小麦白粉病与条锈病的定量识别

小麦白粉病和条锈病是小麦常发病害中为害较重的两种病害,在我国小麦产区均有发生,但它们由不同病原引起,需要采取不同的防治措施。因此,快速、准确的获取小麦病害类型信息对于病害的防治具有重要的指导意义。遥感数据具有快速、准确的获取空间上连续信息的特点,提出一种基于实测冠层高光谱数据信息的小麦病害定量识别方法。通过对标准化光谱进行连续小波变换,分析350～1 300 nm范围内各波段及其连续小波特征与小麦白粉病和条锈病之间的相关性,以及在不同病害间的差异性,筛选出对不同病害敏感的光谱波段(SBs)和小波特征(WFs),然后采用Fisher判别分析法分别基于SBs,WFs以及结合SBs和WFs建立小麦白粉病、条锈病及正常小麦识别模型,分别采用未参与建模的55个地面调查数据和留一法进行验证。结果显示： (1)基于WFs模型的总体识别精度(分别为92.7%和90.4%)明显高于基于SBs模型的总体识别精度(分别为65.5%和61.5%);(2)SBs和WFs结合模型的总体识别精度(分别为94.6%和91.1%)略高于基于WFs模型的总体识别精度,在Fisher80-55模型中白粉病和正常样本的生产者精度提高了10%以上。(3)条锈病样本能在基于WFs和SBs & WFs的模型中准确判别出来,用户精度和生产者精度均达到100%。结果表明采用作物光谱信息能够准确的识别健康作物和不同类型的作物病害,为采用遥感影像进行大范围作物病害识别提供了理论基础,对于指导作物病害防治具有实际应用价值。