基于高光谱的玉米大斑病害监测

王 凡，王 超，冯美臣，杨武德，张美俊，肖璐洁，宋晓彦

（山西农业大学农学院，山西太谷030801）

玉米是我国主要的粮食和经济作物，玉米大斑病是为害玉米生产的主要病害之一[1]。传统的玉米大斑病害的诊断方法不仅工作量大，效率低，而且对于作物病害的诊断结果也存在较大的主观性，无法满足对玉米的大范围精准检测的需求[2-3]。高光谱遥感技术具有实时、快速、无损和定量获取目标属性的特性，使利用高光谱遥感技术指导玉米生产成为可能[4]。因此，探索利用高光谱遥感技术实现玉米大斑病害及其严重程度的准确监测具有重要的理论研究价值和实践意义。

目前，很多国内外学者在利用高光谱技术监测病害方面进行了研究，并取得了很好的研究成果。GREAFF 等[5]通过分析不同波长范围内小麦白粉病叶片反射率与白粉病的相关关系，提取了小麦白粉病的敏感区域和敏感波段，表明利用特定波长范围可以实现疾病的检测和不同病害程度的鉴别。ZHANG 等[6]研究在小麦高光谱冠层尺度上进行一系列的归一化处理，对接种黄锈病处理和营养胁迫处理的高光谱反射进行了地面测量，以检测和区分黄锈病和营养胁迫，并建立了只对黄锈病敏感的病害监测指数，实现病害的有效估测，并为高光谱图像检测和绘制黄锈病的空间分布图提供更准确、更客观的结果。黄木易等[7]提取了冬小麦条锈病的敏感区域和敏感波段，并在此基础上建立了遥感监测条锈病病情指数的定量模型，为能够大面积遥感监测该病害提供理论依据。伍南等[8]通过对油菜感染炭疽病病斑面积进行分级，采集不同等级的炭疽病病害光谱数据并进行一阶微分预处理后，成功提取到油菜炭疽病的敏感波段，并构建了炭疽病病害的BP 神经网络监测模型，实现了对其的准确估测。蒋金豹等[9]通过对冬小麦条锈病冠层一阶微分光谱进行分析，建立红边核心区内一阶微分总和与绿边核心区内一阶微分总和的比值作为微分植被指数监测并反演作物病害信息，并可以有效的监测和预防冬小麦条锈病。综上所述，利用高光谱遥感技术对作物病害进行实时无损监测是可行的。目前，越来越多的数理统计学方法应用于光谱波段提取和模型研究中，偏最小二乘法在降低维度、波段冗余方面具有一定的应用潜力，并得到较好的效果。

本研究主要是基于高光谱遥感技术，综合分析原始光谱数据的变化规律，建立以试验数据为基础的原始光谱与玉米大斑病病斑面积的统计学模型，旨在为玉米大斑病害的快速、定性监测提供强有力的技术支持。

1 材料和方法

1.1 样品采集

在山西农业大学农作站玉米病害鉴定试验田，采用人工接种玉米大斑病孢子的方法，使得不同玉米品种感染玉米大斑病，并在玉米大斑病发病盛期进行田间调查和取样，随机采集不同程度病害的玉米大斑病叶片样本105 个，并迅速放置于保鲜容器中，带回实验室进行数据测量。

1.2 测定指标及方法

1.2.1 室内高光谱测定及方法 选用美国ASD（Analytical Spectral Device）公司的ASD FieldSpec 3光谱仪获取玉米大斑病叶片的高光谱数据，具体测定方法参照文献[4]。

1.2.2 玉米大斑病病斑面积测量及方法 本研究利用手持便携式叶面积测量仪测定样品叶面积。将样品叶片夹入测量仪器，叶片置于压杆下方，然后再将叶片缓慢拉出，最后根据仪器显示的测量结果读取样本叶片的整体叶面积值。随后用剪刀将玉米叶片中的大斑病染病病斑部位裁剪下来，同样采用上述方法对玉米大斑病叶片进行叶面积测量，读取叶面积值。2 次测量结果的差即为玉米大斑病叶片病斑面积。同理测出所有105 个玉米大斑病样品叶片的病斑面积。

1.3 高光谱数据处理与分析

高光谱数据采用ViewSpec Pro 软件进行预处理，剔除异常数据，平均、衔接点平滑[10]。运用Origin 8.0 软件制作高光谱曲线图，并利用Matlab（R2012a）进行高光谱数据的分析和建模。

1.4 玉米大斑病害监测模型的构建与验证

1.4.1 偏最小二乘回归法（PLSR） 偏最小二乘回归（PLSR）是最为常用的化学计量学的建模方法[11]。构建PLSR 模型一般以3∶1 选择建模集和预测集[12]。在使用过程中，确定最佳因子个数是构建PLSR 估算模型的重要步骤[13-14]。

1.4.2 模型评价参数 本研究主要采用模型评价参数决定系数（R2）、均方根误差（RMSE）和相对分析误差（RPD）来对模型进行综合评定并验证模型精准度[15-16]。其计算公式如下。

式中，n 是样本个数；Yi′和Yi分别是样本的预测值和实测值分别是样本预测值和实测值的平均值；SD 是实测值的标准差。

2 结果与分析

2.1 玉米大斑病叶片病斑面积统计分析

表1 105 个玉米样本的大斑病叶片病斑面积的统计分析

由表1 可知，所有样本的玉米大斑病病斑面积的平均值为16.55%，最大值为60.19%，且标准差为15.85，表明所采集的大斑病病斑面积差异性较大。根据近似3∶1 的比例将数据集随机分为建模集（n＝79）和验证集（n＝27）。由表1 可知，验证集最大值和最小值均位于建模集的病斑面积实测值范围内，所以，样本选择合理，可进一步展开相关分析。

本研究以玉米大斑病叶片为研究对象，通过计算玉米大斑病病斑面积占叶片总面积的比值，将采集到的105 个玉米叶片病斑进行病害严重度分级，结果如表2 所示。

表2 所有样本的玉米大斑病叶片病斑面积分级

2.2 玉米大斑病不同病斑面积高光谱特征分析

通过将105 个样本分为7 个等级中每个病害严重等级所对应的光谱数据求平均值。由图1 可知，不同病害程度的光谱反射率的变化规律基本相似，光谱反射率变化较大，而且随着病害严重等级的增加，玉米大斑病叶片的光谱反射率也呈现逐步增高趋势，说明玉米大斑病病斑面积与光谱反射率有显著的正相关。

2.3 玉米大斑病病斑面积与原始光谱的相关性

由图2 可知，玉米大斑病病斑面积与原始光谱反射率相关系数在可见光波段波动较大，在红边位置陡然上升后趋于相对稳定并保持相对较高的相关性。原始光谱在371～719，813～1 600 nm 波长范围内，玉米大斑病病斑面积与原始高光谱均呈正相关。并且在638～702，1 068～1 132，1 396～1 515 nm波段范围内的相关系数均大于0.7，呈显著正相关，在1 417 nm 处相关系数达到最高，为0.78。

2.4 玉米大斑病病斑面积高光谱监测研究

2.4.1 最优影响因子个数选择 本研究通过对模型进行内部交叉验证，采用留一法交叉验证来确定回归模型的最佳因子数。由图3 可知，当最佳因子数为4 时，模型的均方根误差最小。

2.4.2 玉米大斑病病斑面积高光谱估算模型 本研究基于玉米大斑病原始光谱波段，结合偏最小二乘法构建玉米大斑病原始光谱的估算模型（表3）。

表3 玉米大斑病病斑面积与原始光谱PLSR 监测模型

由表3 可知，估算模型表现为R2c＝0.726，RMSEc＝2.162，RPDc＝2.530，最佳因子数为4，经对模型验证，模型的估算表现仍达到统计学角度，表现为R2v＝0.651，RMSEv＝2.579，RPDv＝2.198。

3 结论与讨论

3.1 讨论

玉米是世界三大作物之一，仅次于小麦和水稻，也是我国第一大粮食与饲料作物[17]。玉米大斑病作为为害玉米生产的主要病害之一，是我国玉米生产上的重要病害[18]。而传统的检测方法无法满足快速高效检测的需求。而探索高光谱技术在病害监测方面的应用具有重大的潜力与价值。

本研究发现，不同玉米叶片大斑病病害程度的光谱变化规律大体一致，但在某些波段上也存在较为明显的差异。随着病斑面积的增大，光谱的反射率升高，说明光谱与玉米大斑病病斑面积呈正相关关系。这主要是由于玉米叶片感染大斑病后，随着病害程度的加深，植被失水越发严重，叶绿素的降低更加明显，叶片结构的破环也变得越来越严重，叶片变得枯黄坏死，光谱吸收严重减弱[19-20]，从而出现了光谱反射率随着玉米叶片大斑病的病害程度加深而升高。因此，可以推断玉米大斑病对玉米染病叶片生理生化指标的影响是导致其光谱反射率发生变化的根本原因，也表明光谱可以敏感响应玉米大斑病的病害程度。

为了明确光谱与玉米大斑病病斑面积的定量关系，实现其准确监测，本研究建立了基于原始光谱的玉米大斑病病斑面积的PLSR 模型，通过研究模型的表现，高光谱技术可以有效监测玉米大斑病病斑面积的变化，这与前人[21-22]的研究结果一致。因此，利用高光谱技术实现对玉米大斑病害的有效、快速监测是可行的，研究结果具有一定的实用价值。

3.2 结论

本研究对采集的105 个玉米大斑病叶片样本的室内光谱信息进行分析，并结合偏最小二乘法，构建了玉米大斑病病斑面积与高光谱的定量监测模型，结果表明，不同等级玉米大斑病病斑面积的高光谱差异明显，且多数高光谱区域与病斑面积的相关系数达到0.7 以上，表明高光谱能响应玉米大斑病病害。利用偏最小二乘法构建的玉米大斑病斑面积诊断模型的表现较好（R2c＝0.726，RMSEc＝2.162，RPDc＝2.530；R2v＝0.651，RMSEv＝2.579，RPDv＝2.198），能实现玉米大斑病病斑面积较为有效的监测。研究结果可为大田玉米大斑病病斑面积及病害等级的快速诊断提供有效的技术途径和理论探索。