基于近地高光谱信息的小麦条锈病病情指数反演

2016-12-30董锦绘杨小冬杨贵军王宝山

麦类作物学报 2016年12期

关键词：条锈病冠层反射率

董锦绘，杨小冬，杨贵军，王宝山

(1.河南理工大学测绘与国土信息学院，河南焦作454000; 2.北京农业信息技术研究中心遥感技术部，

基于近地高光谱信息的小麦条锈病病情指数反演

董锦绘1,2,3，杨小冬2,3，杨贵军2,3，王宝山1

(1.河南理工大学测绘与国土信息学院，河南焦作454000; 2.北京农业信息技术研究中心遥感技术部，

北京 100097; 3.国家农业信息化工程技术研究中心遥感技术部，北京 100097)

为探究小麦条锈病病情状况与冠层光谱的关系，通过田间人工接种条锈病菌，在不同生育期测定各个种植小区的冠层光谱、病情指数，对测定的光谱进行了连续统去除，提取光谱吸收深度、吸收峰总面积、吸收峰左端面积、对称度等吸收特征参数，计算光谱敏感度值，以病害区光谱吸收特征参数和光谱敏感度两个指标定量分析了小麦病害随生育期推进的变化程度，并且以不同生育期的光谱敏感度值和全生育期吸收特征参数为自变量建立回归模型，精确反演了小麦全生育期的病情指数。结果表明，以光谱敏感度值为自变量的组合模型预测值拟合度为0.97，以光谱吸收特征参数为自变量的模型预测值拟合度为0.95，均达到显著水平。

小麦条锈病；冠层光谱；光谱敏感度；吸收特征参数；病情指数

小麦是我国的主要农作物之一，小麦条锈病的发生会对小麦品质和产量产生重要影响。条锈病大流行时，小麦最高可减产60%，且病菌孢子易随气流传播，危害范围非常广泛。遥感技术作为目前唯一能够在大范围内快速获取空间连续地表信息的手段可为农作物病虫害大范围、多尺度的实时监测预报、快速获取作物和环境信息提供重要技术支持，尤其高光谱技术以其高光谱分辨率和空间分辨率，通过图谱分析，及早了解作物健康状况，获得大面积病虫害发生的严重度，可为及时准确地防治病虫害提供参考依据，而近地高光谱遥感数据可为作物病害监测的定性或定量理化参数提取和机理估算模型构建奠定基础。黄木易等[1]研究发现，不同处理下冬小麦叶片叶绿素含量及含水量与条锈病病情指数(DI)有较高的相关性，依此关系建立的多元回归模型能够很好地反演冬小麦条锈病DI。蒋金豹等[2]分别使用一阶微分最大值法和Cho and Skidmore方法提取光谱红边、黄边位置信息，对比分析了REP、YEP以及REP-YEP预测小麦条锈病DI的能力，提前12 d识别了小麦条锈病。袁琳等[3]基于小麦白粉病与条锈病叶片光谱特征及敏感波段对二者进行区分，并采用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。连续统去除法最初用来分析矿物质高光谱数据，在矿质和岩石光谱分析中去除背景吸收的影响，分离特征物质吸收特征[4]。后来，国内外研究者将其应用到植被高光谱分析研究中。Kokaly等[5]运用森林植被干叶片连续统去除光谱法评价氮素状况，取得了较为理想的效果。Mutanga等[6]选择不直接受水分影响并且能反映植被状况的红光吸收波段范围，运用连续统去除法定性评价了不同氮素处理下热带草地冠层光谱的差异性。黄木易等[7]利用小麦单叶光谱特征建立了光谱角度指数(SAI)，并用连续统去除法进行归一化定量分析，设计吸收面积指数(AAI)，较好地反演了小麦条锈病严重度。日本学者Kobayashi等[8]为了寻找受穗颈瘟胁迫水稻植株的光谱响应敏感区域和敏感波段，提出了光谱敏感度(spectral sensitivity)概念，使不同病情严重度的光谱曲线更具可比性，在病害严重度反演中取得了较高的估算精度。竞霞等[9]利用光谱敏感度曲线分析了棉花黄萎病不同病情严重度下的高光谱数据，提取了特征敏感波段，利用连续统去除法对光谱反射率进行处理，并构建了基于光谱特征吸收参量的病情严重度估测模型。对于小麦条锈病的监测预报模型研究，主要基于可见光550～700 nm及近红外700～1 300 nm波段光谱特征信息与病情指数建立全生育期反演模型，尚未考虑由于不同生长阶段小麦生理特征的差异性，其光谱响应特征也不尽相同。本研究通过人工诱发冬小麦条锈病，在不同生育期测定小麦冠层光谱及相应的病情指数，经过连续统去除处理，提取光谱吸收特征，结合病害光谱敏感度，对小麦病害随生育期推进的发展程度的光谱响应特征进行分析，并对比了基于小麦三个关键生育阶段光谱敏感度特征的病情指数组合反演模型和基于全生育期光谱吸收特征的反演模型的精度，以期利用近地高光谱遥感技术手段进一步探究小麦条锈病病情状况与冠层光谱的关系，为田间管理提供指导依据。

1 材料与方法

1.1 试验方案

试验于2014年在北京市昌平区小汤山国家精准农业示范研究基地进行。试验田长100 m，宽50 m，共划分为18个小区，其中对照区与病害区各9个，每个小区面积为24 m2。供试小麦选用易感条锈病品种京9843。2014年4月5日采用喷雾法进行条锈病病菌接种，每个小区接种的菌量相等。接种菌源为甘肃省农科院植保所提供的条锈病夏孢子混合生理小种，接种在17:00开始，用小型喷雾器将制备好的孢子悬浮液喷在植株叶片上，接种后盖上塑料薄膜，过夜，次日9:30左右揭去塑料薄膜，完成接种。接种病菌10 d后，接种区小麦逐渐显症，并且在挑旗时接种区内全部发病。显症后分别在小麦挑旗期、灌浆早期(开花后7 d)和灌浆中期(开花后21 d)进行冠层光谱和生理生化参数的测定，每个小区随机选取一个光谱调查点。

1.2 数据获取

1.2.1 冠层光谱测定

冠层光谱测定采用ASD FieldSpec Pro光谱仪，测定时间为北京时间10：30-14：30，天气状况良好，晴朗无云。观测时探头垂直向下，高度始终离地面1.6 m，探头视场角25°，地面视场范围直径50 cm，每小区测量20次，各小区测量前后立即进行参考板校正，通过反射率和DN灰度值转换公式计算出目标物的反射率，将20次的反射率平均得到该小区的作物冠层光谱反射率值。

(1)

式中，R目标表示通过参考板反射率求得到的目标冠层光谱反射率，DN目标表示通过光谱仪在田间测得的目标冠层光谱DN灰度值，DN参考板表示通过光谱仪在田间与目标准同步测量的参考板DN灰度值，R参考板是已知的参考板反射率。

1.2.2 病情指数获取

小麦条锈病田间调查按照GBT 15795-1995(小麦条锈病测报调查规范)进行。小麦出现症状后每隔10 d在地面光谱测定后，立即进行一次田间病情指数的调查。病情调查采用五点调查法，即每块调查小区选取对称的五点，每点面积约2 m2，每点选取20株小麦，分别调查其发病情况，将严重度分为8个梯度(1%、5%、10%、20%、40%、60%、80%和100%)，分别记录各严重度的小麦叶片数，然后按以下公式算出病情指数(DI)。

(2)

式中，x为各梯度的极值；n为最高梯度值，为8；f为各梯度的叶片数。

1.3 数据处理方法

1.3.1 光谱敏感度

光谱敏感度定义：

SI=(Rs-Rn)/Rn

(3)

式中,SI为光谱敏感度；Rs为受胁迫植株光谱反射率；Rn为正常植株光谱反射率。

感染小麦植株与未感染小麦植株之间的反射率差异能够更明确地表达不同病害程度下光谱的差异。光谱敏感度在某一波段为正值时，受胁迫植株的光谱反射率高于正常植株，并且光谱敏感度值越大，受胁迫植株的光谱反射率与正常植株光谱反射率差异越显著，反之亦然。本研究中，计算多个重复的光谱反射率平均值，得到不同生育期的Rs、Rn，根据式3得到不同生育期的SI值(图1)。

图1 小麦不同生育期光谱敏感度曲线

1.3.2 冠层光谱连续统去除

连续统被定义为逐点直线连接那些凸出的“峰”值点，并使折线在峰值点上的外角大于180°[10]。连续统去除也称为包络线去除，就是用实际光谱波段值除以连续统上相应波段值，用连续统法归一化后，“峰”值点上的相对值均为1，非“峰”值点均小于1，如图2所示。小麦叶片原始光谱曲线经过连续统去除后，可以得到叶片组织结构、色素含量、水分和蛋白质中各种基团对反射光谱响应的重要特征，这些吸收特征参数主要包括吸收波段波长位置(P)、深度(Dh)、宽度(W)、斜率(K)、对称度(S)、面积(A)和光谱绝对反射值[11]。本研究中只选用较为常用的吸收波段深度(Dh)、吸收面积(A)及对称度(S)三个特征。

波段深度Dh的计算公式为

Dh= 1 -R′

(4)

R′是连续统去除后的相对反射率。

吸收峰面积A的计算公式为

(5)

式中，d为吸收深度， △λ为波长增量，a、b分别为吸收带起止波段值。为便于分析，把最大波段深度线左边的吸收峰面积记为A1，右边的记为A2。

对称度S的计算公式为

S=A1/A

(6)

1.4 反演模型的建立

小麦受到条锈病菌侵染时，因缺乏水分和营养，叶片光合色素含量和内部结构产生一定变化，其冠层反射光谱曲线也会发生一定程度的改变[12]，病情严重度不同，光谱曲线变化的程度也会不同。本研究通过分析小麦三个生育期的光谱敏感度曲线特征及其与病情指数的相关关系，选取相关度较高的特征波段建立基于不同生育阶段小麦特征的组合反演模型，并与以连续统去除后光谱吸收特征为自变量的全生育期线性回归模型进行小麦病情指数预测能力的比较。以上两个模型在验证方面均采用留一法交叉验证，以预测值与实测值的决定系数(r2)及标准误差RMSE作为精度评价指标。留一交叉验证法(leave-one-out cross validation)是假设有N个样本，将每个样本单独作为测试集，其余N-1个样本作为训练集，循环N次，每一个样本都参与测试和训练，克服了模型训练样本不丰富的缺陷，是评价回归模型泛化能力和可靠性的有效方法。本研究中，将三个生育期27个样点的光谱敏感度值和吸收特征参数作为测试集，其余26个样点值作为训练集，用于模型精度检验。

图2 小麦可见光波段相对反射率

2 结果与分析

2.1 小麦生长光谱曲线分析

从图3可以看出，对照区与病害区植株冠层反射率的差异主要集中在450～1 400 nm范围内，其中在可见光波段450～700 nm两区有轻微差异，而在近红波段770～1 300 nm内，病害区植株冠层反射峰明显低于对照区植株。

图3 不同生育期对照区与病害区小麦光谱曲线对比

小麦接种条锈病菌后15 d即挑旗期时，植株病害症状较轻，田间调查的病情指数平均值为0.12。在病菌侵染下，小麦叶片叶绿素含量降低，叶绿素的蓝区和红区吸收带减弱，病害区小麦红光波段反射率增强，略高于对照区小麦；在750～1 300 nm波段，由于条锈病菌破坏了小麦叶片的内部结构，病害区小麦冠层光谱反射率低于对照区小麦，但光谱曲线整体上呈现健康绿色植物光谱波形特征。

小麦灌浆早期时，病害接种区田间调查的病情指数平均值为0.24，高于前期，说明条锈病菌侵染的程度加重。病害区叶片褪绿变黄，叶片结构组织受到的破坏增大，冠层光谱近红波段反射率明显低于挑旗期，近红波段波形逐渐变为圆肩形；对照区小麦冠层光谱曲线形态也逐渐显露病害特征，在550～700 nm黄光区光谱反射率较挑旗期略高，近红波段750～1 300 nm波形与病害区相似，这些变化表明条锈病菌在灌浆早期可能发生了扩散，病菌潜伏于对照区小麦中。

灌浆中期，病害区小麦受病菌危害达到最大程度，病情指数平均值达到0.76，可见光波段黄光区反射率逐渐增大，近红波段反射率明显降低，且低于对照区小麦；对照区小麦在该生育期内显露轻度病害症状，光谱曲线表现为黄光区反射率持续上升，近红波段反射率继续下降，吸收谷变浅，红边蓝移，红边幅值大幅下降，呈明显病态。

挑旗期，病害区小麦病害症状初现，尚未发生扩散，对照区小麦光谱曲线正常，可见光波段和近红波段病害的SI分别呈正值和负值。灌浆早期，病害区小麦症状加重，对照区小麦虽然田间调查并无病害症状，但冠层光谱曲线已呈现病害特征，病害小麦冠层反射率整体上大于对照区小麦，SI值呈正值，在660 nm红光附近二者差异达到最大。灌浆中期，病害区小麦病症十分显著，对照区小麦田间调查也发现病症，对照区与病害接种区之间反射率差异在可见光波段范围内逐渐减小，SI值由负值增长为正值；700～780 nm红边波段对照区小麦红边幅值大于病害区，SI值变为负值，二者差异逐渐增大。

2.2 小麦吸收特征分析

受到病害侵扰时，小麦缺乏营养和水分，海绵组织遭到破坏，叶片色素比例发生变化，可见光区的两个吸收谷不明显，近红外光区的反射峰值被削低。在光谱敏感度曲线中，各个生育期不同处理间差异较大的波段也在可见光区到近红外区。通过连续统去除法对550到850 nm波段的光谱曲线作归一化处理之后，得到各个生育期小麦的光谱反射率吸收特征参数(吸收峰总面积A、吸收峰左端面积A1、吸收深度Dh、对称度S)。统计结果表明，随着小麦的生长，病害程度逐渐加重，吸收峰面积与吸收深度逐渐降低；正常小麦的吸收峰面积和吸收深度都略低于病害小麦，正常小麦生长区对称度略高于病害区小麦(表1)。

表1 连续统去除光谱吸收特征参数平均值

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

参数Parameters挑旗期Flagleafstage对照区CK病害区Yellowrust灌浆早期Earlygrainfillingstage对照区CK病害区Yellowrust灌浆中期Grainfillingstage对照区CK病害区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

图4 小麦光谱敏感度与病情指数的相关关系

2.3 病情指数反演

相关分析表明，小麦挑旗期、灌浆早期和灌浆中期的光谱敏感度与病情指数的相关性分别在987、1 362和1 386 nm波段最大(图4)，相关系数分别为0.80、0.87和-0.84，均达到0.05显著性水平，因此本研究最终选用这三个波段的光谱敏感度值做为自变量与病情指数进行线性回归分析，得到基于不同生育阶段光谱特征的组合反演模型；同时选用吸收峰面积A、吸收峰左端面积A1、吸收深度Dh、对称度S为自变量与病情指数线性回归得到全生育期反演模型。经过检验，反演模型均通过0.01显著性水平，说明模型拟合性很好，具有一定可靠性。利用留一交叉验证法对反演模型进行循环27次测试和训练，得到的平均决定系数r2分别为0.94、0.92，平均RMSE分别为0.068、0.063，与表2中回归建模结果接近，表明回归模型有一定可靠性和泛化能力。最后，以田间实测病情指数作为验证数据，与模型得到的预测值进行比较，得到基于三个生育期光谱敏感度特征的分段式组合回归预测模型和基于全生育期吸收特征预测模型的反演精度(图5)。

表2 条锈病病情指数反演线性回归模型结果

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

自变量Independentvariable模型表达式Modelequation拟合rFittingrP值PvalueSI 挑旗期FlagleafstageY1=0．0602x+0．11330．6420．009 灌浆早期EarlygrainfillingstageY2=-0．8313x+0．19440．7730．001 灌浆中期MiddlegrainfillingstageY3=-0．9010x+0．88150．7140．004吸收特征参数AbsorptioncharacteristicparameterY=-1．143-1．40Dh-0．0627A1+0．0398A+4．392S0．9270．001

图5 SI组合回归模型(a)与冠层吸收特征模型(b)反演精度对比

3 讨论

本研究表明,随着小麦生育期的推进，病害区植株病情指数逐渐增大，对照区与病害区小麦的光谱敏感度和光谱吸收特征参量差异越来越大，其中可见光波段550～700 nm范围内反射率增大，近红波段800～1 300 nm范围内反射率减小。这些波段与植物叶片光合色素含量及细胞结构改变联系紧密，与刘良云等[13]基于多时相PHI航空遥感影像监测小麦条锈病得到的光谱波段特征一致。李京等[14]基于高光谱微分指数识别冬小麦条锈病的研究也表明，随病情指数的增大，一阶微分光谱在绿边500～560 nm内逐渐增加。本研究中，病害区小麦灌浆中期田间调查出现病症，然而灌浆早期的光谱曲线早已呈现病态，光谱敏感度值与吸收特征参数直观地表现了这一变化，在田间小麦出现症状前反映出病害的发生，这与蒋金豹等[2]利用高光谱微分植被指数SDr'/SDg'在症状出现前12 d识别出健康作物与病害作物，在预测时间上比较接近。前人对于小麦条锈病的病情监测识别模型多采用植被指数特征以及光谱一阶微分特征。罗菊花等[15]利用归一化植被指数(NDVI)和光化学植被指数PRI构成空间特征对小麦条锈病进行了监测。本研究分别以光谱敏感度、光谱吸收特征为自变量建立线性回归模型，并取得了良好的估测效果，其中基于多时相光谱敏感度特征的估测模型对整个生育期的观测效果更加准确。

本研究结果对于小麦种植管理及利用光谱遥感技术监测作物病虫害具有一定参考价值，对小麦高产、优质栽培措施的制定有重要意义。但是本研究基于近地高光谱信息，供试品种单一，且建立在小区试验基础上，所建立的病情指数反演模型仍然存在一定的不确定性，因而还需要更多的试验加以验证补充。

[1] 黄木易,黄义德,黄文江,等.冬小麦条锈病生理变化及其遥感机理[J].安徽农业科学,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] 蒋金豹,陈云浩,黄文江.利用高光谱红边与黄边位置距离识别小麦条锈病[J].光谱学与光谱分析,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,张竞成,赵晋陵,等.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[J].光谱学与光谱分析,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] 黄木易,黄文江,刘良云,等.冬小麦条锈病单叶光谱特性及严重度反演[J].农业工程学报,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] 竞霞,王纪华,宋晓宇,等.棉花黄萎病病情严重度的连续统去除估测法[J].农业工程学报,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] 郑兰芬,王晋年.成像光谱遥感技术及其图像光谱信息提取分析研究[J].环境遥感,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] 黄文江.作物病害遥感监测机理与应用[M].北京:中国农业科学技术出版社,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] 刘良云,黄木易,黄文江,等.利用多时相的高光谱航空图像监测冬小麦条锈病[J].遥感学报,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,陈云浩,蒋金豹,等.用高光谱微分指数识别冬小麦条锈病害研究[J].科技导报,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] 罗菊花,黄文江,韦朝领,等.冬小麦条锈病害与常规胁迫的定量化识别研究-高光谱应用[J].自然灾害学报,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