Sentinel-2影像和BP神经网络结合的小麦条锈病监测方法

黄林生，江 静,，黄文江,，叶回春，赵晋陵，马慧琴，阮 超,

农业信息与电气技术

Sentinel-2影像和BP神经网络结合的小麦条锈病监测方法

黄林生1，江 静1,3，黄文江1,2,3※，叶回春2,3，赵晋陵1，马慧琴3，阮 超1,3

（1. 安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心，合肥 230601；2. 三亚中科遥感研究所，海南 572029；3. 中国科学院遥感与数字地球研究所，数字地球重点实验室，北京 100094）

选用包含红边等多种不同波段信息的多光谱卫星数据，为区域尺度上展开作物病害监测研究提供更加丰富有效的信息，相比于常规的宽波段卫星遥感影像，搭载红边波段的Sentinel-2影像对作物病害胁迫更加敏感，能显著提高模型精度。该文以陕西省宁强县小麦条锈病为研究对象，基于Sentinel-2影像共提取了26个初选特征因子：3个可见光波段反射率（红、绿、蓝）、1个近红外波段反射率、3个红边波段反射率、14个对病害敏感的宽波段植被指数和5个红边植被指数。结合K-Means和ReliefF算法筛选病害敏感特征，最终筛选出3个宽波段植被指数，包括：增强型植被指数（enhanced vegetation index，EVI）、结构加强色素指数（structure intensive pigment index，SIPI）、简单比值植被指数（simple ratio index，SR），2个红边波段植被指数：归一化红边2植被指数（normalized red-edge2 index，NREDI2）、归一化红边3植被指数（normalized red-edge3 index，NREDI3）。利用BP神经网络方法（back propagation neural network，BPNN），分别以宽波段植被指数和宽波段植被指数结合红边波段指数作为输入变量构建小麦条锈病严重度监测模型，对比2种模型的监测精度。结果显示，基于宽波段植被指数结合红边波段植被指数的监测模型的总体精度达到83.3%，Kappa系数0.73，优于仅基于宽波段植被指数特征所建监测模型的精度73.3%，Kappa系数0.58。说明红边波段能够为病害监测提供有效信息，采用宽波段植被指数和红边波段植被指数相结合的方法能够有效提高作物病虫害监测模型精度。

遥感；算法；病害；Sentinel-2红边；小麦；条锈病；BP神经网络

0 引 言

小麦条锈病（）是气传病害，具有发病广、流行性强、发病概率高的特点，是影响小麦减产的主要病害之一。小麦受害后则会引起叶片早枯，成穗数降低，减产严重[1]。传统的病虫害监测主要依靠地面调查，虽可信性高，但费时费力且较难满足在大区域监测的要求。遥感技术的飞速进步为作物病害监测提供了更多的可能性，能更加精确、及时地了解作物病虫害发生和发展的时空变化状况，这对病害科学防控具有重大意义[2]。

近些年来，在作物病害监测研究中广泛地引进及应用遥感技术，而遥感技术研究方法与内容也在不断的改进和创新中。其中高光谱影像兼有高的空间和光谱分辨率，在研究中得到广泛应用。高光谱技术能探测植被光谱曲线在某些特定波段上的细节相应信息，Zhang等[3]利用连续小波分析方法区分小麦病害（白粉病、条锈病）和虫害（蚜虫），将Fisher线性判别分析用于构建区分模型，总体精度较高。Zheng等[4]在冠层尺度上，利用小麦条锈病监测最佳的3波段光谱指数，将光化学反射指数(photochemical reflectance index，PRI)和花青素反射指数（anthocyanin reflectance index，ARI）分别用于不同发病阶段的小麦条锈病监测与识别中，并证明了其准确性。Huang等[5]应用航空高光谱的图像，采用回归分析建立了小麦条锈病严重度反演模型，并将病害监测模型从冠层尺度扩展到了地块尺度。尽管基于地面/航空等高光谱数据的作物病害监测研究进展有效支撑了病害遥感应用，但受其尺度小、利用率低且高成本等因素的限制，很难满足大尺度作物病害监测。多光谱遥感数据在可接受的空间分辨率下具有卫星数量多、影像全、成本低等优势，适合于大区域作物病害监测。近年来Landsat-8、GF-1、HJ-CCD、Worldview-2等遥感影像被成功应用于作物病虫害的监测预测研究。如马慧琴等[6]利用Landsat-8遥感影像与气象数据结合实现了小麦白粉病的区域尺度预测的较高精度。Yuan等[7]基于Worldview-2卫星影像数据，通过Fisher线性判别分析构建了小麦白粉病和蚜虫的监测模型。黄林生等[8]利用GF-1影像尝试结合Relief-mRMR-GASVM模型有效提高了区域尺度上小麦白粉病的监测精度。以上研究证明了多光谱卫星数据在作物病害监测研究中的潜力。与上述卫星传感器相比，Sentinel-2在保证相对较高的空间分辨率和高幅宽的同时还提供了丰富的红边信息，是唯一一个在红边范围含有3个波段的卫星传感器[9]，为作物长势和胁迫区分提供有效数据源，为病害健康状况的监测提供了更丰富的信息。如Chemura等[10]重采样Sentinel-2影像估计咖啡叶片上锈病发病的严重程度。Zheng等[11]尝试通过高光谱数据模拟 Sentine-2传感器的红边波段，并通过利用红边波段构建的新植被指数实现了小麦条锈病的监测。以上研究证明了Sentinel-2卫星的红边波段在病虫害监测研究中的潜力。因此应充分挖掘红边波段信息，为区域尺度上作物病害的监测提供更多可操作的可能。

BP神经网络（back propagation neural network，BPNN）具有较强的非线性函数逼近能力，是神经网络应用最广泛的部分[12]。因此BPNN算法在趋势预测、故障诊断、样本分类等研究中均取得了较高的精准度及应用价值[13-15]，同时近期在病害监测及农业发展的研究中也得到了普遍应用。采用BPNN方法预测柑橘叶片含氮量[16]和脐橙果实可溶性固形物含量[17]取得了较好的效果，并在枫杨叶绿素含量光谱反演中得到较高的精度[18]。沈文颖等[19]采用BPNN构建了小麦叶片白粉病反演模型，反演模型对小麦白粉病整个浸染期均具有较高的应用性。Ma等[20]利用双时相Landsat-8影像，开发一种SMOTE-BPNN平衡新训练数据集的方法，可生成区域小麦病虫害分布图，区分小麦白粉病和蚜虫。基于以上研究表明BPNN模型在病害的反演上有较高的应用价值，将此方法应用在区域尺度上的小麦条锈病严重度监测上能取得较好的监测精度。

根据以上分析，本文以陕西省汉中市宁强县为研究区，利用Sentinel-2影像反演得到与病害相关的宽波段及红边波段植被指数特征，通过K-Means结合ReliefF的方法进行病害敏感宽波段植被指数特征和红边波段指数特征的筛选，并分别以宽波段植被指数特征和宽波段植被指数结合红边波段指数作为输入变量，采用BPNN算法建立小麦条锈病严重度监测模型，并对比分析2种模型的优越性。

1 材料与方法

1.1 研究区概况

研究区位于陕西省汉中市宁强县（118°35′ 9.51′′ E～37°35′ 51.75′′ N）（图1）。该区域地处秦岭和巴山两大山系的交汇地带。宁强雨量充沛，空气湿润，气候单一且环境适宜条锈病传播[21]，是小麦条锈病发生的较典型区域[22]，因此适合利用遥感卫星影像开展小麦条锈病严重度监测。

图1 研究区概况

1.2 数据获取

研究数据主要分为两部分，遥感影像和小麦条锈病野外调查数据。遥感数据为Sentinel-2卫星遥感影像（表 1）。根据研究区天气状况，选择与地面调查时间相近且影像质量较高的卫星影像，即2018年5月12日的Sentinel-2影像数据。小麦条锈病实地调查数据于2018年5月12日在宁强县实地调查获得。该区域为宁强县小麦种植集中的地块，较适合卫星影像处理，且此区域小麦条锈病发病程度均匀，比其他区域更典型。为匹配Sentinel-2影像分辨率，选取20 m×20 m的地块开展调查，使用全球定位系统（global position system，GPS）记录样本中心点经纬度，在每块样地采用五点调查法进行调查[6]，每点调查面积为1/m2，即在每个调查样方中取5个对称的点，每点随机取20株小麦。根据国家农作物病害调查和预测规则（GB/T 15795-2011），严重度用分级法表示，共设为8级，分别用1%、5%、10%、20%、40%、60%、80%、100% 表示，对处于等级之间的病情则取其接近值，严重度低于1%，按1% 记。采用公式（1）计算病情指数DI[23]。

总共获得30个野外调查点，为避免过多严重度等级从而增加监测的难度，将难区分的等级合并为一级。即将发病严重程度分为健康（Ⅰ，DI≤5%），轻发（Ⅱ，5%＜DI≤20%），重发（Ⅲ， DI>20%），总共3个等级构建监测模型。

表1 Sentinel-2卫星基本参数

1.3 数据处理

首先，对Sentinel-2遥感影像预处理，包括辐射定标、大气校正等。主要是基于SNAP（sentinel application platform software）应用平台软件进行。依据研究区的作物种植类型及物候历[24]，利用分类决策树[25]的方法提取小麦种植区域，经地面调查点对该分类进行验证，小麦面积提取的总体精度达90% 以上，满足后续分析的精度要求。接着，基于预处理后的遥感影像提取波段反射率及对小麦条锈病比较相关的宽波段及红边波段植被指数。本文提取了Sentinel-2的4个波段反射率特征（红、绿、蓝、近红外）和3个红边波段反射率（B5、B6、B7），14个宽波段植被指数以及5个红边植被指数共26个特征因子作为条锈病监测模型的初选特征因子。表2列举出了各植被指数的具体名称及计算公式。

1.4 建模特征选择

模型构建时筛选出对病害发生较敏感的特征变量，可提高小麦条锈病严重度分类精度。合适的特征选择方法可以有效去除不相关变量和冗余变量，提升模型的性能。K-Means算法是一种常见的聚类算法[43]，可通过聚类分析提高特征之间聚类精度，但该算法对初始中心的选取要求较高，若初始中心选择不合适时会影响聚类过程及效果。ReliefF算法是一种特征权重算法（feature weighting algorithms），根据植被指数特征及病害严重度的相关性给予特征相应的权重，对病害相关性强的特征赋予更高的权重[8]。因此，为了避免K-Means算法进行特征筛选时初始中心选取不恰当对结果的影响，本文采用K-Means结合ReliefF算法的方式进行最优特征的选取。首先通过ReliefF算法计算出各个特征对小麦条锈病严重度发生的权重。由于该算法在运行过程中随机选择样本，因此会导致结果权重的误差，因此本文采取多次平均的方法，将主程序运行20次后的平均结果作为各个特征的最终权重。之后，以权重值最大的特征作为K-Means算法的初始中心，并按照特征权重从高到底的顺序依次进行聚类，若该特征对聚类精度的贡献为正，则保留该特征，否则去除该特征，最后将聚类精度最高的特征组合作为最终的模型输入变量。

表2 选取的植被指数计算公式

注：NIR为近红外波段；R为红波段；R为绿波段； R为蓝波段；Re1为红边波段1；Re2为红边波段2；Re3为红边波段3。

Note:NIRis near-infrared band;Ris red band;Ris green band;Ris blue band;Re1is red edge band 1;Re2is red edge band 2;Re3is red edge band 3.

1.5 监测模型的构建方法

通过BPNN来构建小麦条锈病的遥感监测模型。BPNN是一种信号前向传递、误差反向回馈的有监督的神经网络，具有自学学习能力的优势[44]。小麦条锈病的发病严重度与特征因子的关系是一个非线性问题，而BPNN具有处理复杂非线性函数的能力。

本研究中用于小麦条锈病监测模型的BPNN结构如图2所示，BPNN网络由3层组成，分别为输入层、输出层和隐藏层。BPNN网络训练是一个不断训练数据，调整权重和阈值使网络误差减少到最小值或停在预设值的过程。图中输入层x为输入的特征因子，为输入变量的个数，即为通过ReliefF结合K-Means筛选的2组特征集。隐藏层中的a( j)，=1，2，3，即3个隐藏层，为每层的神经元个数，隐藏层神经元的个数由经验公式确定[45]，3层的神经元个数分别为{10，10，3}，激活函数分别为{‘logsig’，‘logsig’，‘logsig’}。学习规则采用traingdx（梯度下降自适应学习率训练函数），该方法能够自适应调整学习率，极大加速收敛速度，增加稳定性，提高速度与精度[46]。设置最大迭代次数为5000，训练的目标误差为0.000001。输出层中的神经元代表监测的小麦条锈病严重等级（健康、轻发、重发）。

注：x1～ xi代表输入的特征变量；an( j)中，j代表隐藏层的层数，n代表每层神经元的个数；y代表监测的小麦条锈病严重等级。

2 结果与分析

2.1 特征变量的选取

图3给出了通过ReliefF计算20次平均后各个特征的权重分布的降序排列结果。从图3中可以看出，SIPI为权重值最高的特征，即与病害最相关的特征，因此以SIPI为K-Means聚类的起始中心。为了减少运算量，本文依据各个特征权重值降序的变化情况，只对权重值排在前10的特征即与病害最相关的10个特征依次进行K-Means聚类分析，筛选出聚类精度最高的特征组合。表3为各个特征的组合聚类精度。最终筛选出3个宽波段植被指数EVI、SIPI、SR及2个红边波段植被指数NREDI2和NREDI3用于小麦条锈病严重度监测模型的构建。

图3 基于ReliefF算法的不同特征权重平均值

表3 基于K-Means算法的各个特征组合聚类精度

2.2 模型的评估与验证

研究采用2018年5月12日的条锈病的地面调查数据对模型监测结果进行评价。因研究所用实地野外调查点数量较少，则采用留一交叉法进行监测结果的精度验证。分别以宽波段植被指数特征集及宽波段和红边植被指数特征结合的特征集作为输入变量，通过BPNN方法构建2种监测小麦条锈病严重程度的模型。各监测方法所得监测结果的漏分误差、错分误差、总体精度、Kappa系数见表4。

分析2种模型的监测情况发现，宽波段植被指数加红边植被指数特征的监测模型精度比仅有宽波段植被指数特征的模型总体精度提高10个百分点，达到83.3%，Kappa系数为0.73。从模型的漏分和错分情况来看，2种模型均表现为把轻发地块分到健康或者重发地块的情况较为严重，但总体比较，无论是健康地块还是病害浸染地块，加红边波段指数特征的监测模型的错分误差和漏分误差都低于仅基于宽波段植被指数特征构建的监测模型。从病理的角度分析，小麦受条锈病菌浸染后破坏了叶片的结构，导致红边波段产生较大响应。综合以上结果可表明与仅有传统宽波段指数特征构建的模型相比，宽波段植被指数特征结合红边指数特征的方法能够为病害监测提供更丰富的信息。因此加入红边波段特征后能更加全面的反映小麦的长势及发病情况，有效改善监测模型精度。

2.3 小麦条锈病严重度监测

利用研究区2018年5月12日遥感影像数据，以单个像元为基本处理单元，采用K-Means算法与ReliefF算法相结合的方式筛选出3个宽波段植被指数EVI、SIPI、SR和2个红边波段指数NREDI2、NREDI3，分别以宽波段植被指数为特征集（EVI、SIPI、SR）、宽波段植被指数结合红边植被指数为特征集（EVI、SIPI、SR、NREDI2、NREDI3）作为BPNN方法的2组输入变量构建模型，并对研究区小麦病害进行监测，得到小麦条锈病严重程度的空间分布情况（如图4所示）。从监测结果分布图中可以看出，2种模型监测结果中条锈病空间分布整体趋势是一致的，即东南地区发病较严重，病害浸染面积较多，且呈现整片区域连续分布，健康与发病区域分布较为均匀。但2种模型监测结果在细节和发病程度上差异较大。图4a重发麦区明显低于图4b，而轻发麦区所占比例较大。图4a在采样点的区域分布中，发病麦区面积分布较为零散且比健康麦区面积少，而图4b东部地区发病较为严重，北部较轻。健康、轻发、重发麦区面积比例分布合理。为更明确地显示2种模型监测结果之间的差异，表5列出了实地调查，宽波段植被指数模型、宽波段植被指数结合红边波段指数模型的健康、轻发、重发3种不同浸染状况下的小麦面积百分比。从表中数据来看，图4a和图4b条锈病发生面积相差不大，分别为47.9%和49.1%，但图 4a中轻发麦区所占比例为35.3%，远大于图4b的20.5%。且图4a的重发麦区仅占12.6%，远小于图4b的28.6%。图4b与实地调查的病害浸染比例更相近。结合图4模型结果中病害的空间分布情况和表5病害浸染统计情况来看，图宽波段+红边波段植被指数模型整体更符合实际情况，对小麦严重度的区分能力要优于宽波段植被指数模型，更能合理的反映小麦条锈病真实发病情况。

表4 BPNN监测模型的总体验证结果

图4 BPNN模型监测小麦条锈病严重度空间分布图

表5 各模型病害浸染比例统计

3 结 论

本文基于Sentinel-2遥感数据建立了小麦条锈病的严重度监测模型，通过K-Means 结合ReliefF算法的方式筛选出3个宽波段指数特征EVI、SIPI、SR和2个红边波段指数特征NREDI2、NREDI3作为模型的输入变量，采用BPNN方法构建条锈病的2种监测模型，对陕西宁强县的小麦条锈病发生严重度进行监测，且对2种数据所构建模型的结果进行了比较分析。结果表明：采用宽波段植被指数结合红边波段植被指数特征作为输入变量的BPNN模型的监测效果优于仅以宽波段指数特征作为输入变量的模型，其总体精度达到83.3%。与常规的宽波段植被指数特征模型相比，宽波段植被指数特征与红边波段植被指数特征结合更能全面反映小麦的长势及病害光谱信息的变化，使模型在输入参数中融合了更多的有效信息，对小麦条锈病更敏感，有效提高了小麦条锈病严重度监测模型的精度，进一步加深了实际监测和病害防治中的可靠性。

实地调查数据的质量对模型的精度有较大影响，本研究在野外调查开展中因各种不可控因素的影响，采样数量较少，仅获取了陕西宁强县的小范围地面调查数据，因此模型的通用性有待提高和验证。另外，本文所选特征全部为遥感数据，未选择其他可能影响小麦条锈病严重度的数据，因此所构建的模型精度必会存在一定误差。在今后的研究中尽可能多融合各类数据，构建一个融入多源数据的小麦条锈病严重度监测模型，从而提高小麦条锈病严重度监测的精度。

[1] 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.

[2] 王利民，刘佳，杨福刚，等. 基于GF-1/WFV数据的冬小麦条锈病遥感监测[J]. 农业工程学报，2017，33(5)：153－160. Wang Limin, Liu Jia, Yang Fugang, et al. Remote sensing monitoring of winter wheat stripe rust based on GF-1/WFV data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(20): 153－160. (in Chinese with English abstract)

[3] Zhang J, Wang N, Yuan L, et al. Discrimination of winter wheat disease and insect stresses using continuous wavelet features extracted from foliar spectral measurements[J]. Biosystems Engineering, 2017, 162: 20－29.

[4] Zheng Qiong, Huang Wenjiang, Cui Ximin, et al. Identification of wheat yellow rust using optimal three-band spectral indices in different growth stages[J]. Sensors, 2019, 19(1):35.

[5] Huang W, Lamb D W, Niu Z, et al. Identification of yellow rust in wheat using in-situ spectral reflectance measurements and airborne hyperspectral imaging[J]. Precision Agriculture, 2007, 45 (8): 187－197.

[6] 马慧琴，黄文江，景元书，等. 遥感与气象数据结合预测小麦灌浆期白粉病[J]. 农业工程学报，2016，32(9)：165－172. Ma Huiqin, Huang Wenjiang, Jing Yuanshu, et al. Wheat powdery mildew forecasting in filling stage based on remote sensing and meteorological data [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(9): 165－172. (in Chinese with English abstract)

[7] Yuan L, Bao Z, Zhang H, et al. Habitat monitoring to evaluate crop disease and pest distributions based on multi-source satellite remote sensing imagery[J]. Optik-International Journal for Light and Electron Optics, 2017, 145: 66－73.

[8] 黄林生，阮超，黄文江，等. 基于GF-1遥感影像和relief-mRMR-GASVM模型的小麦白粉病监测[J]. 农业工程学报，2018，34(15)：167－175. Huang Linsheng, Ruan Chao, Huang Wenjiang, et al. Monitoring of wheat powdery mildew based on GF-1 remote sensing image and relief-mRMR-GASVM model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(15): 167－175. (in Chinese with English abstract)

[9] Hedley J, Roelfsema C, Koetz B, et al. Capability of the Sentinel 2 mission for tropical coral reef mapping and coral bleaching detection[J]. Remote Sensing of Environment, 2012, 120(6): 145－155.

[10] Chemura A, Mutanga O, Dube T. Separability of coffee leaf rust infection levels with machine learning methods at Sentinel-2 MSI spectral resolutions[J]. Precision Agriculture, 2016(10): 1－23.

[11] Zheng Qiong, Huang Wenjiang, Cui Ximin, et al. New spectral index for detecting wheat yellow rust using Sentinel-2 multispectral imagery[J]. Sensors, 2018, 18(3): 868－887.

[12] Wang L, Zeng Y, Chen T, et al. Back propagation neural network with adaptive differential evolution algorithm for time series forecasting[J]. Expert Syst Appl, 2015, 42: 855－863.

[13] 沈泽君，杨文元. 粒计算思维下的BP神经网络在金融趋势预测中的应用[J]. 小型微型计算机系统， 2019，40(3)：527－532. Shen Zejun, Yang Wenyuan. Application of BP neural network under grain computing thinking in financial trend prediction[J]. Small Computer Systems, 2019, 40(3): 527－532. (in Chinese with English abstract)

[14] 俞玮捷，刘光宇. 基于BP神经网络的光伏系统故障诊断方法[J]. 杭州电子科技大学学报：自然科学版，2018，38(4)：56－61，93. Yu Yujie, Liu Guangyu. Fault diagnosis method of photovoltaic system based on BP neural network[J]. Journal of Hangzhou dianzi University, 2018, 38(4): 56－61, 93. (in Chinese with English abstract)

[15] 高斌，赵鹏飞，卢昱欣，等. 基于BP神经网络的血液荧光光谱识别分类研究[J]. 光谱学与光谱分析，2018，38(10)：154－161. Gao Bin, Zhao Pengfei, Lu Yuxin, et al. Classification of blood fluorescence spectral recognition based on BP neural network[J]. Spectroscopy and Spectral Analysis, 2018, 38(10): 154－161. (in Chinese with English abstract)

[16] 李金梦，叶旭君，王巧男，等. 高光谱成像技术的柑橘植株叶片含氮量预测模型[J]. 光谱学与光谱分析，2014，34(1)：212－216. Li Jinmeng, Ye Xujun, Wang Qiaonan, et al. Development of prediction models for determining N content in citrus leaves based on hyperspectral imaging technology[J]. Spectroscopy and Spectral Analysis, 2014, 34(1): 212－216. (in Chinese with English abstract)

[17] Liu Yande, Sun Xudong, Ouyang Aiguo. Nondestructive measurement of soluble solid content of navel orange fruit by visible-NIR spectrometric technique with PLSR and PCA-BPNN[J]. LWT- Food Science and Technology, 2010, 43(4): 602－607.

[18] 李文敏，魏虹，李昌晓，等. 基于高光谱参数的枫杨叶绿素含量估算模型优化[J]. 林业科学，2014，50(4)：55－59. Li Wenmin, Wei Hong, Li Changxiao, et al. Optimization of a model for estimating pterocarya stenoptera chlorophyll concentration with hyperspectral parameters[J]. Scientia Silvae Sinicae, 2014, 50(4): 55－59. (in Chinese with English abstract)

[19] 沈文颖，李映雪，冯伟，等. 基于因子分析-BP神经网络的小麦叶片白粉病反演模型[J]. 农业工程学报，2015，31(22)：183－190. Shen Wenying, Li Yingxue, Feng Wei, et al. Inversion model of wheat leaf powdery mildew based on factor analysis-BP neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(22): 183－190. (in Chinese with English abstract)

[20] Ma Huiqin, Huang Wenjiang, Jing Yuanshu, et al. Integrating growth and environmental parameters to discriminate powdery mildew and aphid of winter wheat using bi-temporal Landsat-8 imagery[J]. Remote Sensing, 2019, 11(7): 846.

[21] 彭昌家，冯礼斌，白体坤，等. 小麦条锈病发生流行趋势及其成因探讨[J]. 农学学报，2015，5(5)：39－47. Peng Changjia, Feng Libin, Bai Tikun, et al. The prevalence trend of wheat stripe rust and its genesis[J]. Acta Agriculturala Sinica, 2015, 5(5): 39－47. (in Chinese with English abstract)

[22] 谢飞舟. 陕西省小麦条锈病流行规律进一步研究[D].杨凌: 西北农林科技大学，2011. Xie Feizhou. Further Research on the Epidemic Law of Wheat Stripe Rust in Shaanxi Province[D]. Yangling: Northwest A&F University, 2011. (in Chinese with English abstract)

[23] 小麦条锈病测报调查规范：GB/T 15795-2011[S].

[24] 许青云，杨贵军，龙慧灵，等. 基于MODIS NDVI多年时序数据的农作物种植识别[J]. 农业工程学报，2014，30(11)：134－144. Xu Qingyun, Yang Guijun, Long Huiling, et al. Crop planting identification based on MODIS NDVI time- series data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(11): 134－144. (in Chinese with English abstract)

[25] Zhang J, Pu R, Yuan L, Wang J, et al. Monitoring powdery mildew of winter wheat by using moderate resolution multi-temporal satellite imagery[J]. PLoS ONE 2014, 9: e93107.

[26] Baret F, Guyot G. Potentials and limits of vegetation indices for LAI and APAR assessment[J]. Remote Sensing of Environment, 1991, 35(2/3): 161－173.

[27] Gamon J A, Surfus J S. Assessing leaf pigment content and activity with a reflectometer[J]. New Phytologist, 2010, 143(1): 105－117.

[28] Gitelson A A. Novel Algorithms for Remote Estimation of Vegetation Fraction[J]. Remote Sens Environ, 2002, 80(1): 76－87.

[29] Huete A, Didan K, Miura, et al. Overview of the radiometric and biophysical performance of the MODIS vegetation indices[J]. Remote Sensing of Environment, 2002, 83(1): 195－213.

[30] Person R S, Kudina L P. Discharge frequency and discharge pattern of human motor units during voluntary contraction of muscle[J]. Electroencephalogr Clin Neurophysiol, 1972, 32(5): 471－483.

[31] Merzlyak M N, Chivkunova O B, Gitelson A A, et al. Non-destructive optical detection of pigment changes during leaf senescence and fruit ripening[J]. Physiologia Plantarum, 2010, 106(1): 135－141.

[32] Zhao Chunjiang, Huang Wenjiang, Liu Liangyun, et al. Analysis of winter wheat stripe rust characteristic spectrum and establishing of inversion models[C]// IEEE International Geoscience & Remote Sensing Symposium. IEEE, 2004: 4318－4320.

[33] Verstraete M M, Pinty B, Myneni R B. Potential and limitations of information extraction on the terrestrial biosphere from satellite remote sensing[J]. Remote Sensing of Environment, 1996, 58(2): 201－214.

[34] Roujean J L, François Marie Breon. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements[J]. Remote Sensing of Environment, 1995, 51(3): 375－384.

[35] Yang C M, Cheng C H, Chen R K. Changes in Spectral characteristics of rice canopy infested with brown planthopper and leaffolder[J]. Crop Science, 2007, 47(1): 329－335.

[36] Geneviève Rondeaux, Steven M, Frédéric Baret. Optimization of soil-adjusted vegetation indices[J]. Remote Sensing of Environment, 1996, 55(2): 95－107.

[37] Huete A R. A soil-adjusted vegetation index (SAVI)[J]. Remote Sensing of Environment, 1988, 25(3): 295－309.

[38] Chen S F, Goodman J. An empirical study of smoothing techniques for language modeling[C]//Proceeding of the 34th annual meeting on Association for Computational Linguistics. Association for Computational Linguistics, 1996: 310－318.

[39] Kononenko I. Estimating attributes: Analysis and extensio reliefF[C]//MachingLearning: ECMIL-94. Springer Berlin Heideberg,1994: 71－182.

[40] Schell J A. Monitoring vegetation systems in the great plains with ERTS[J]. Nasa Special Publication, 1973, 351: 309－317.

[41] Gitelson A, Merzlyak M N. Quantitative estimation of chlorophyll-a using relectance spectra: Experiments with autumn chestnut and maple leaves[J]. Photochem Photobiol B Biol, 1994, 22: 247－252.

[42] Alfonso Fernández-Manso, Oscar Fernández-Manso, Quintano C. Sentinel-2A red-edge spectral indices suitability for discriminating burn severity[J]. International Journal of Applied Earth Observation & Geoinformation, 2016, 50: 170－175.

[43] 陈平华，黄辉，麦淼，等. 结合ReliefF和互信息的多标签特征选择算法[J]. 广东工业大学学报，2018(5)：20－25，50. Chen Pinghua, Huang Hui, Mai Wei, et al. Multi-label feature selection algorithm combining ReliefF and mutual information[J]. Journal of Guangdong University of Technology, 2018(5): 20－25, 50. (in Chinese with English abstract)

[44] Wang L, Zeng Y, Chen T. Back propagation neural network with adaptive differential evolution algorithmfor time series forecasting[J]. Expert Syst Appl, 2015, 42, 855－863.

[45] 沈花玉，王兆霞，高成耀，等. BP神经网络隐含层单元数的确定[J]. 天津理工大学学报，2008，24(5)：13－15. Shen Huauu, Wang Zhaoxia, Gao Chengyao, et al. Determining the number of BP neural network hidden layer units[J]. Journal of Tianjin University of Technology, 24(5): 13－15. (in Chinese with English abstract)

[46] Shi Yue, Zhao Xin, Zhang Bing, et al. Back propagation neural network (BPNN) prediction model and control strategies of methanogen phase reactor treating traditional Chinese medicine wastewater (TCMW)[J]. Biotechnol, 2009,144: 70－74.

Wheat yellow rust monitoring method based on Sentinel-2 image and BPNN model

Huang Linsheng1, Jiang Jing1,3, Huang Wenjiang1,2,3※, Ye Huichun2,3, Zhao Jinling1, Ma Huiqin3, Ruan Chao1,3

(1.,230601,; 2.,572029,; 3.,100094,)

Wheat yellow rust is a deadly disease of winter wheat and its timely and accurate detection at regional scale is critical to ameliorate infectious yield loss and safeguard wheat production. With the development in remote sensing technology, satellite imagery with high spatial resolution and high revisiting frequency has become increasingly accessible. Remote sensing data has a unique advantage over traditional method in detecting crop diseases and controlling their spreading, including simple operation, real-time detection, high spatiotemporal resolution and targeting specific-disease, especially the multispectral satellite imagery which covers a wide range of wave bands and provides rich information related to crop diseasesat regional scale. Compared to conventional broad band satellite imagery, the Sentinel-2 is a sensor with three wave bands within the edge of the red light which are sensitive to crop diseases. In this study, a Sentinel-2 image acquired in May 12, 2018 was used to extract 26 characteristic variables related to wheat yellow rust, including 3 visible bands (blue, green and red) reflectance variables, one near infrared band, 3 red-edge bands, 14 broad-bands and 5 red-edge vegetation indices. An approach combining K-means and ReliefF algorithm is proposed to filter these features. We first used the RelieF algorithm to calculate the weight of each feature and filter out 10 features most relevant to the disease. The feature with maximum weight was then taken as the initial center of the K-Means algorithm, and other features were added to form a cluster in descending order of their weight. The combination of features with the highest clustering accuracy was taken as the final input variable to the model. The optimal features, including enhanced vegetation index (EVI), structure intensive pigment index (SIPI), simple ratio index (SR), normalized red-edge2 index(NREDI2), normalized red-edge3 index (NREDI3), three wide-band vegetation indices and 2 red edge band vegetation indices were fed into the yellow rust severity monitoring model as input. The back propagation neural network (BPNN) method was a widely used nonlinear artificial neural network and can learn, implicitly, the relationships between inputs and outputs via a multi-layered network. Network training is a process of continual readjustment of weights and thresholds by reducing the network error to a pre-sent minimum or pre-set training steps. We used BPNN to calculate severity of wheat yellow rust (healthy, slight, sever) inNingqiang County, Shaanxi province, by using the broad-band vegetation indices and the red-edge band vegetation indices as inputs. The results showed that the BPNN model considering broad-band and red-edge vegetation indices as inputs worked better than model using only a single broad-band vegetation indices, improving accuracy by more than 10 percent point and commission accuracy and kappa coefficient reached by 83.3% and 0.73, respectively. The BPNN model includes more information in its input parameters, thereby improving the accuracy of detecting crop diseases. It is more suitable for detecting wheat yellow rust at regional scales and has a wide implication in monitoring and controlling crop diseases at regional scale.

remote sensing; algorithms; diseases; Sentinel-2 red-edge; wheat; yellow rust; BPNN

2019-04-17

2019-08-27

安徽省科技重大专项（16030701091）；国家高层次人才特殊支持计划（万人计划，黄文江）；海南省万人计划配套项目（黄文江）；安徽省高等学校自然科学研究重点项目（KJ2019A0030）。

黄林生，博士，副教授，研究方向为农业遥感技术与应用。Email：linsheng0808@163.com。

黄文江，博士，研究员，博士生导师。主要从事植被定量遥感机理和应用研究。Email：huangwj@radi.ac.cn

10.11975/j.issn.1002-6819.2019.17.022

S512.1

A

1002-6819(2019)-17-0178-08

黄林生，江 静，黄文江，叶回春，赵晋陵，马慧琴，阮 超.Sentinel-2影像和BP神经网络结合的小麦条锈病监测方法 [J]. 农业工程学报，2019，35(17)：178－185. doi：10.11975/j.issn.1002-6819.2019.17.022 http://www.tcsae.org

Huang Linsheng, Jiang Jing, Huang Wenjiang, Ye Huichun, Zhao Jinling, Ma Huiqin, Ruan Chao. Wheat yellow rust monitoring method based on Sentinel-2 image and BPNN model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(17): 178－185. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.17.022 http://www.tcsae.org