协同冠层SIF和PRI光谱指数的构建及其在小麦条锈病监测中的应用

闫菊梅，竞 霞，张 腾，邹 琴，董莹莹

(1 西安科技大学 测绘科学与技术学院，陕西 西安 710054； 2 中国科学院 空天信息创新研究院，数字地球重点实验室，北京 100094)

日光诱导叶绿素荧光(solar-induced chlorophyll fluorescence,SIF)是自然光条件下，植被吸收的光合有效辐射在满足光合作用的情况下，以长波(650～800 nm)形式发射的叶绿素荧光信号[1]，包含丰富的光合作用信息[2]。当植物受到病害等外部胁迫时，SIF强度随叶绿素在光能吸收、传递、转换方面的效率而改变，是反映植被光合功能受植物生理状态及环境条件影响的敏感“探针”，能够及时探测到植被光合生产力、生理状况及受胁迫状况等[3-5]，已广泛应用于小麦条锈病[6-8]、木薯花叶病[9]以及高温胁迫[10]等遥感探测方面。已有研究表明，在反射率光谱数据中加入SIF信息，能够提高小麦条锈病的遥感探测精度[11-12]。因此,有学者综合利用反射率光谱在作物生化参数方面的优势和SIF数据对光合生理敏感的优势，协同反射率与SIF数据进行了小麦条锈病遥感探测研究[13-14]。然而传感器探测到的冠层SIF为观测方向上“逃离”冠层的部分荧光信号，叶绿素荧光在“逃离”叶片和冠层的辐射传输过程中，植被对叶绿素荧光的散射效应和重吸收效应，导致叶绿素发射的荧光和传感器接收到的荧光信号不一致[15]。其中红光区荧光(RF)与植被叶绿素的再吸收密切相关，其主要反映叶片表面或冠层上部叶片中光系统的贡献；而远红光区荧光(FRF)则反映叶片或冠层深层的信息[16]，受植被结构特性的影响较大[15]。因此，冠层SIF信号不仅受光合作用状态影响，与植物的生理过程有关[17-19]，而且还受植物生化特性及冠层几何结构[5]等因素的综合影响，其中叶片的光学特性和冠层几何结构变量决定了冠层SIF中的大部分可变性，约占冠层SIF总变异的77.9%[20]。因此传感器探测到的冠层SIF信号，既包含植物病害胁迫对应生理变化的荧光特征，同时也受植物群体生物量的干扰，这些均影响作物病害遥感探测的精度，故直接利用冠层SIF监测植物的光合作用状态及胁迫状况具有一定的难度。

除叶绿素荧光外，非光化学猝灭(non-photochemical quenching,NPQ)能量耗散也是植物碳固定机制中的重要组成部分，过剩光能的耗散对于调节光能吸收和电子传递、防止光合器官的光抑制甚至光氧化具有重要作用。强光条件下，植物通过热耗散消耗掉天线系统所吸收光能的50%以上[21]。叶黄素循环在植物热耗散与抗光抑制中起到十分重要的作用[22]，是影响NPQ能量耗散状况的重要生理过程之一[17]。叶黄素从环氧化状态转变为脱环氧化状态可消耗过多的激发态能量，导致531 nm处反射率下降，由此认为构建的光化学反射率指数(photochemical reflectance index,PRI)是叶黄素循环的敏感光谱指数，能够敏锐捕捉外界胁迫条件下植物光合性能及NPQ的变化状况[23]。但PRI也受到作物冠层几何结构和叶片色素组成等因子的共同影响[23-26]，且类胡萝卜素/叶绿素含量的比值也是影响PRI长时间尺度变化的主要因子[23,27]。生理生化及冠层几何结构等因素对PRI的共同作用，影响了PRI对植被光合功能动态变化的捕捉能力，消除这些因子的干扰是提高基于PRI监测植被生理状态受胁迫的关键。

叶绿素荧光的发射和NPQ能量的耗散均能敏感反映植物受胁迫状况及其光合性能[3,5]，将与NPQ密切关联的PRI与SIF进行协同研究，能够减弱叶绿素循环与类胡萝卜素/叶绿素含量比值对PRI的贡献[17]，提高对植被冠层光合性能的评价能力[3]。但是除与植物生理过程有关外，冠层SIF与PRI还受冠层几何结构等因素的综合影响[2,24]，而反射光谱信号对作物群体生物量具有较稳定的敏感光谱特征，能够有效反映冠层几何结构的变化[28-30]。为了减弱群体生物量对冠层SIF及PRI信号的影响，提高作物病害遥感探测精度，本研究利用反射率光谱在作物生物物理方面的优势和SIF、PRI在光合生理方面的优势，构建了冠层SIF和PRI协同的光谱指数(SISP)，并将其应用于小麦条锈病的遥感探测，以评价和分析SISP指数对作物病害遥感探测的有效性。

1 材料与方法

1.1 试验设计

试验区位于河北省廊坊市中国农业科学院实验站(39°30′40″ N，116°36′20″ E)。小麦品种为铭贤169(对小麦条锈病比较敏感)。试验区小麦平均种植密度为113株/m2，分为健康组(编号为 A、D)和染病组(编号为B、C)，每个试验组面积为220 m2，包括8个样方(A1―A8、B1―B8、C1―C8、D1―D8)。2018年4月7日对试验田灌溉充足的水分，4月9日采用质量浓度为0.09 mg/mL的小麦条锈菌孢子悬浮液对小麦进行涂抹接种。

1.2 数据获取

1.2.1 冠层光谱测定 2018年5月18日使用ASD Field Spec 4和QE 65 pro光谱仪测定小麦条锈病不同病情严重度下的冠层光谱数据，分别用于计算反射率光谱指数和估算单波段SIF强度。ASD Field Spec 4光谱仪的分辨率为3 nm，采样间隔1.4 nm，测量波段为350～2 500 nm。QE 65 pro光谱仪的分辨率为0.31 nm，采样间隔0.155 nm，测量波段为645～805 nm。测量时间为11：00-12：30，测量高度距离地面1.3 m，探头视场角25°，共设有62个采样点，每个采样点观测10次，取平均值作为该采样点的光谱数据。每次测量前后均用标准BaSO4参考板对冠层辐亮度数据进行校正。

1.2.2 病情指数调查 冠层病情指数调查采用5点取样法，在每个样方内选取对称的5点，每点约1 m2，随机选取30株小麦，分别调查其发病情况。病情严重度参照国家标准《小麦条锈病测报技术规范(GB/T 15795-2011)》[31]进行量化。单叶严重度分为9个梯度，叶片病斑覆盖率依次为 0，1%，10%，20%，30%，45%，60%，80%和100%，分别记录各严重度的小麦叶片数，按式(1)计算不同测试群体的病情指数(disease index,DI)。

(1)

式中：DI为病情指数，i为不同病情梯度，n为病情梯度数量(本研究中为9)，x(i)为各梯度的级值，f(i)为各梯度的叶片数。

1.2.3 单波段SIF强度估测 单波段SIF信息主要是基于夫琅禾费暗线填充原理，利用辐亮度数据提取，包括标准FLD(fraunhofer line discrimination)[32]、3FLD(three-bands FLD)[33]、iFLD(improved FLD)[34]、pFLD(PCA-based FLD)[35]和SFM(spectral fitting method)[36]，以及基于倒高斯函数拟合的IGM-FLD(inverted Gaussian reflectance model-FLD)算法[37]。3FLD方法估测的SIF精度较高，算法的鲁棒性强[35]，基于此，本研究采用3FLD方法计算冠层SIF值，计算公式如式(2)～(5)所示。

(2)

(3)

Lout=ωleft×Lleft+ωright×Lright。

(4)

式中：Lin、Lout为夫琅禾费吸收线内、外植被冠层反射的辐亮度光谱强度(μW/(cm2·nm·sr))，Iin、Iout为夫琅禾费吸收线内、外太阳辐照度光谱强度(μW/(cm2·nm))，ωleft、ωright为吸收线左右2个参考波段所占的权重，Ileft、Iright为吸收线左右的太阳辐照度光谱强度(μW/(cm2·nm))，λin、λleft、λright为吸收线内、左、右波段的波长，Lleft、Lright为吸收线左右的植被冠层反射辐亮度光谱强度(μW/(cm2·nm·sr))。

将式(3)和式(4)代入式(2)，可以得到吸收线内叶绿素荧光强度，如式(5)所示。

(5)

1.2.4 单波段SIF强度预处理 由于SIF为瞬间观测的强度信号，不仅受病害生理胁迫的影响，还与太阳入射的光合有效辐射强度有关[38]。因太阳天顶角的余弦值与光照强度呈正比例关系，将用3FLD算法求得的单波段SIF强度除以相应的太阳天顶角余弦值，可以消除光照强度对传感器探测的SIF信号强度的影响[39]。

(6)

式中，SZA为太阳天顶角。

1.3 SISP指数的构建方法

参照Zarco-Tejada等[40]构造PRInorm指数的思想，选取对冠层几何结构敏感的反射率光谱指数，通过比值变换的方式对PRI进行归一化处理，以减弱冠层几何结构等因素对PRI的影响。对于远红外波段冠层SIF数据，Liu等[41-42]研究表明，对冠层SIF乘以归一化植被指数(normalized difference vegetation index,NDVI)，能够将SIF从冠层水平降尺度至光系统水平，消除冠层几何结构和外界观测条件对SIF的影响。基于此，本研究利用反射光谱信号对作物群体生物量具有较稳定敏感的光谱特征的优势，构建SIF与PRI数据协同的光谱指数SISP：

(7)

式中：PRI为光化学反射率指数，SI为反射率光谱指数，SIF为某一单波段SIF强度，NDVI为归一化植被指数。

1.4 模型构建与评价方法

以新构建的SISP指数以及反射率光谱指数为自变量，利用线性回归分析和径向基神经网络算法，建立小麦条锈病遥感监测模型，评价和分析SISP指数在小麦条锈病遥感监测中的有效性。

1.4.1 多元线性回归(MLR) 多元线性回归模型(multiple linear regression,MLR)是通过已知数据，找到能够描述2个及2个以上自变量与因变量之间关系的线性方程，数学模型如下：

Y=β0+β1X1+β2X2+…+βnXn+ε。

(8)

为了找到多元线性回归方程的最优解，确保模型的预测值最接近真实值，利用最小二乘法原理估计回归方程中的回归系数(式(9))。

(9)

式中：Y为因变量；X1，X2，…，Xn为自变量;β0，β1，β2，…，βn为回归系数；n为保留的自变量数；ε为残差。

1.4.2 径向基神经网络(RBFN) 径向基神经网络(radial basis function neural network,RBFN)是一种包含输入层、隐含层和输出层的3层前向网络(图1)，其基本思想是用径向基函数作为隐单元的“基”构成隐含层空间，将输入矢量直接映射到隐空间。本研究中的输入层对应优选的光谱指数，输出层是对隐含层的线性加权，对应小麦条锈病病情指数。输入层节点只传递输入信号到隐含层，隐含层通过非线性优化策略对激活函数的参数进行调整[43]。

图1 径向基函数神经网络结构Fig.1 Structure of radial basis function neural network

1.4.3 模型精度评价指标 选择小麦条锈病病情严重度预测值与实测值之间的决定系数(coefficient of determination,R2)、均方根误差(root mean square error,RMSE)和相对分析误差(relative prediction deviation,RPD) 3个指标评价模型精度，其中R2越接近于1，RMSE 越低，则表示模型的估测精度越高。RPD是样本标准差SD与预测均方根误差RMSE的比值，当 RPD<1.4 时，模型无法对样品进行预测；1.4≤RPD<2 时，模型估测效果一般，可以用来对样品进行粗略评估；RPD≥2时，模型具有极好的预测能力[44]。各评价指标计算公式为：

(10)

(11)

(12)

2 SISP指数的构建及其有效性评价

2.1 SIF波段的分析与优选

由于O2-B(688 nm)和O2-A(760 nm)2个波段氧气吸收形成的夫琅禾费暗线特征明显，荧光较强[45]，因此本研究基于3FLD算法，选用688 和760 nm 2个波段计算小麦条锈病不同病情严重度下的小麦冠层SIF强度，分析单波段SIF强度对小麦条锈病胁迫的响应特性，选择能够敏感反映小麦条锈病胁迫信息的SIF波段，以进行SISP指数的构建。由图2可以看出，随着小麦条锈病病情指数的增大，O2-B和O2-A波段的SIF强度减小。这是因为随着小麦条锈病病情加重，小麦叶片叶绿素含量迅速降低，光合作用活性减弱，植被吸收的光合有效辐射(absorbed photosynthetic active radiation，APARChl)降低[5]，而SIF主要由APARChl驱动[37]，因此随着APARChl的降低，SIF信号也随之减弱，可见SIF与小麦条锈病病情指数呈负相关关系。由单波段SIF相对强度与小麦条锈病病情指数之间的决定系数R2可以看出，基于3FLD算法估测的O2-A吸收线(760 nm)处的叶绿素荧光相对强度与小麦条锈病病情指数达到了极显著负相关，其相关性优于O2-B吸收线(688 nm)处的SIF强度，这是因为O2-B波段处于植被反射率光谱的“红边”位置，反射率光谱形状复杂且变化剧烈，荧光和反射率光谱形状难以精确拟合，导致在O2-B波段的荧光反演精度较低[46]。所以本研究选取O2-A吸收线处的SIF强度进行SISP光谱指数构建。

** 表示相关性达到极显著性水平(P<0.01)** indicates extremely significance at P<0.01 level图2 SIF强度与小麦条锈病病情指数的关系Fig.2 Correlation between SIF and disease index of wheat stripe rust

2.2 反射率光谱指数的分析与优选

为了选取合适的反射率光谱指数对PRI进行归一化处理，结合已有的研究成果，本研究选取NDVI[47]、重归一化植被指数(re-normalized vegetation index,RDVI)[48]、比值植被指数(ratio vegetation index,RVI)[48]、修正简单植被指数(modified simple ratio index,MSR)[48]、绿度归一化植被指数(green normalized difference vegetation index,GNDVI)[49]以及优化土壤调节指数(optimized soil-adjusted vegetation index,OSAVI)[50]共6个与冠层几何结构相关的反射率光谱指数，构成不同组合，分别与PRI进行比值运算，并分析不同反射率光谱指数构建的SISP与小麦条锈病病情指数的相关性。

表1 基于不同反射率光谱指数构建的SISP与小麦条锈病病情指数的相关性Table 1 Correlation between SISP constructed by different reflectance spectral indexes and disease index of wheat stripe rust

由表1可以看出，利用反射率光谱指数RDVI2对公式(7)中的PRI进行归一化，构建的光谱指数SISP与小麦条锈病病情指数的相关性最高，因此本研究选择RDVI2作为归一化PRI的最优光谱指数，参与构建光谱指数SISP。

2.3 SISP指数的构建

叶绿素荧光和NPQ能量耗散均能够反映病害胁迫信息，同单一的冠层SIF或PRI相比，将二者结合一方面能够提高对植被冠层光合性能的评价能力[3]，另一方面能够减弱叶绿素循环与类胡萝卜素/叶绿素含量比值对PRI的贡献[17]。然而冠层SIF与PRI同时受生理过程以及冠层几何结构等因素的共同作用[4]，严重影响了二者对植被光合功能变化及受胁迫状况的捕捉能力。因此本研究协同优选的SIF波段(O2-A波段)和PRI，并利用反射率光谱指数RDVI对其进行处理，并在此基础上构建了协同SIF和PRI的光谱指数SISP。

(13)

式中：PRI为光化学指数，RDVI为重归一化植被指数，SIFO2-A为O2-A波段的SIF强度，NDVI为归一化植被指数。

为了能够更加客观地评价SISP指数在小麦条锈病遥感探测中的有效性，保证评价结果的可靠性，在有限样本容量下尽可能减弱样本数据对评价结果的影响,本研究将62个原始样本随机分为两部分，其中45个(40个染病样本，5个健康样本)作为训练样本用于模型构建，剩余的17个(16个染病样本，1个健康样本)作为验证样本用于模型评价，并重复进行3次随机分组(记为Ⅰ、Ⅱ、Ⅲ 组)，分别利用这3组数据建立小麦条锈病病情指数预测模型，并进行精度分析。

2.4 SISP指数监测小麦条锈病的有效性评价

本研究选用能够反映叶片形态和叶倾角分布的冠层结构光谱指数，能反映病害胁迫下叶绿素浓度和花青素变化的色素指数，与氮含量直接相关的氮素指数，与植物胁迫有关的红边指数，以及对生理变化敏感的生理光谱指数(表2)、冠层SIF和PRI及二者的变换组合指数，与本研究构建的SISP指数进行对比分析，评价SISP指数监测小麦条锈病的有效性。

表2 反射率光谱指数及其表达式Table 2 Reflectance spectral indices and formulas

表2(续) ContinuedTable 2

基于线性回归分析方法，分别利用表2中的反射率光谱指数、冠层SIF和PRI与二者变换组合指数以及本研究提出的SISP指数，构建了小麦条锈病的遥感探测模型，3个样本组各变量预测DI与实测DI之间的R2及RMSE如表3所示。由表3可以看出，综合利用PRI和SIF数据能够提高小麦条锈病的预测精度。在PRI与SIF简单组合的加和、差值、比值、归一化4种形式中，简单相加(PRI+SIF)具有最高的监测精度。以PRI+SIF为自变量构建的小麦条锈病遥感监测模型中，3组训练集样本预测DI值与实测DI值之间的R2比单一的PRI和SIF至少提高9.9%和3.7%，RMSE至少降低4.6%和2.3%；验证集样本中预测DI值与实测DI值之间的R2比单一的PRI和SIF至少分别提高14.0%和1.7%，RMSE至少分别降低7.1%和3.7%。这是因为PRI是叶黄素循环的敏感光谱指数，能够敏锐捕捉NPQ的变化状况，SIF和NPQ能量耗散都是植物碳固定机制中的重要组成部分，将二者结合能够减弱叶绿素循环与类胡萝卜素/叶绿素含量比值对PRI的贡献[17]，提高对植被冠层光合性能的评价能力，进而提高作物病害的遥感探测精度。

利用NDVI和RDVI处理后的PRI/RDVI2和SIF×NDVI构建的模型，其精度较处理前PRI、RDVI、SIF、NDVI均有不同程度的提高。由表3可知，在PRI/RDVI2和SIF×NDVI简单组合的加和、差值、比值以及归一化4种形式中，利用加和(PRI/RDVI2+SIF×NDVI)构建的SISP监测精度最高，为监测小麦条锈病的最佳指数。在以SISP为自变量构建的小麦条锈病遥感监测模型中，3组训练集样本预测DI值与实测DI值之间的R2较PRI/RDVI2和SIF×NDVI至少分别提高37%和18%，RMSE至少降低19%和13%；验证集样本中预测DI值与实测DI值之间的R2比PRI/RDVI2和SIF×NDVI至少分别提高38%和4%，RMSE至少分别降低38%和9%。SISP指数对小麦条锈病的预测精度也优于PRI+SIF，3组样本数据中训练集预测DI值与实测DI值之间的R2比PRI+SIF指数至少提高17.5%，RMSE至少降低12.5%；验证集样本预测DI值与实测DI值之间的R2比PRI+SIF指数至少提高3.7%，RMSE至少降低10.1%。这是因为反射光谱信号对群体生物量具有较稳定的敏感光谱特征，在构建SIF与PRI协同的小麦条锈病遥感监测指数SISP时，利用对冠层几何结构敏感的反射率光谱数据对SIF和PRI进行处理，能够减弱冠层几何结构等因素对传感器探测到的SIF光谱的影响，提高SISP指数对植被光合功能变化及受胁状况的捕捉能力，从而提高对小麦条锈病的监测精度。

表3 基于不同光谱指数的小麦条锈病监测精度Table 3 Monitoring accuracy of wheat stripe rust based on different spectral indices

利用NDVI和RDVI处理后的SIF和PRI构建的SISP指数，对小麦条锈病的监测精度优于传统的反射率光谱指数。3组样本数据中，以SISP为自变量构建的小麦条锈病监测模型中，训练集样本预测DI值与实测DI值之间的R2比NPCI指数至少提高8.2%，RMSE至少减少6.7%；验证集样本预测DI值与实测DI值之间的R2至少提高5.4%，RMSE至少减少9.5%。这是因为传统反射率光谱指数主要反映植被结构性质及生物化学性质的变化情况，而SISP协同了SIF以及与NPQ密切关联的PRI 2种指标，因此能够综合反映作物的生理变化特征和光合作用信息，从而提高对作物病害的遥感探测精度。

3 小麦条锈病监测模型的构建与评价

以新构建的SISP指数以及对小麦条锈病监测精度达到极显著(P≤0.01)水平的NPCI、PSRI、RENDVI、NRI、SIPI、ARI和MSR 7个反射率光谱指数为自变量，分别利用MLR和RBFN 2种算法构建小麦条锈病监测模型，并将其与仅利用NPCI、PSRI、RENDVI、NRI、SIPI、ARI和MSR 7个反射率光谱指数构建的模型精度进行对比分析，以评价SISP指数对小麦条锈病遥感监测模型精度的影响，结果见表4。

表4 不同模型算法对小麦条锈病监测精度的比较 Table 4 Comparison of monitoring accuracy of wheat stripe rust based on different model algorithms

由表4可以看出，在反射率光谱指数中加入SISP指数后，3个训练集样本组中，MLR和RBFN模型对小麦条锈病严重度的估测精度均有一定程度的提高，其中MLR模型预测DI值与实测DI值间的R2较反射率光谱模型分别提高9.07%，17.73%和13.46%，RMSE分别减少11.41%，20.57%和16.20%。RBFN模型预测DI值与实测DI值间的R2较反射率光谱模型分别提高4.88%，20.37%和8.23%，RMSE分别减少7.44%，24.93%和14.22%，这说明在反射率光谱数据中加入SISP指数，可以提高小麦条锈病的遥感探测精度。

为了保证评价结果的稳定性和可靠性，提高模型的泛化能力，本研究采用保留样本交叉检验方式，利用建模剩余的17个数据作为验证样本，分别对基于MLR和RBFN所构建的反射率光谱指数模型以及反射率光谱指数协同SISP的小麦条锈病病情严重度监测模型进行检验，结果见图3～6。

实线表示1∶1关系线，虚线表示DI实测值与预测值拟合的回归线，下同Solid line represents 1∶1 and dotted line represents the regression line between measured and predicted DI,the same below图3 基于反射率光谱指数的小麦条锈病病情严重度MLR预测模型检验Fig.3 Validation of MLR prediction model for disease severity of wheat stripe rust based on reflectance spectral index

图4 基于SISP与反射率光谱指数的小麦条锈病病情严重度MLR预测模型检验Fig.4 Validation of MLR prediction model for disease severity of wheat stripe rust based on SISP and reflectance spectral index

图5 基于反射率光谱指数的小麦条锈病病情严重度RBFN预测模型检验Fig.5 Validation of RBFN prediction model for disease severity of wheat stripe rust based on reflectance spectral index

图6 基于SISP与反射率光谱指数的小麦条锈病病情严重度RBFN预测模型检验Fig.6 Validation of RBFN prediction model for disease severity of wheat stripe rust based on SISP and reflectance spectral index

由图3～6可知，与同组仅以反射率指数为自变量的模型精度相比，3组验证样本数据集中，综合利用SISP与反射率光谱指数为自变量的模型验证精度均有不同程度的提高，其中MLR和RBFN模型预测DI值与实测DI值间的R2较同组反射率光谱指数至少提高6.29%和2.04%，平均提高13.42%和5.72%；RMSE较同组反射率光谱指数至少减少18.73%和5.11%，平均减少29.93%和19.24%；RPD较同组反射率光谱指数至少提高23.02%和5.36%，平均提高44.53%和29.80%。综合分析表4和图3～6可知，无论是训练集样本还是验证集样本，加入SISP指数后，3个样本组中MLR和RBFN模型对小麦条锈病严重度的估测精度均优于仅利用反射率光谱指数的模型精度，由此可知，综合考虑小麦生理变化和光合作用的SISP指数能够提高对小麦条锈病病情指数的预测精度。

4 讨 论

综合利用SIF和PRI在小麦光合生理及生化探测方面的优势，能够提高小麦条锈病严重度遥感监测精度，这是因为冠层SIF包含了丰富的光合作用信息，能及时反映植物生理状况及光合生产力等信息[4]；PRI能敏感捕捉外界胁迫条件下植物的光合性能及NPQ的变化状况[23]，SIF和NPQ能量耗散都是植物碳固定机制中的重要部分，将二者协同能够提高其对植被冠层光合性能评价的能力，这与Cheng等[3]的研究结论一致。本研究利用RDVI对PRI进行归一化处理后的指数PRI/RDVI2监测小麦条锈病的精度优于单一的PRI和RDVI指数，这是因为PRI除了包含生理状态变化信息外，还受作物冠层几何结构和叶片色素组成等因子的共同影响[23-26]，引入对冠层结构敏感的RDVI指数，减弱了冠层几何结构变化对传感器探测到的PRI的影响，更能区分胁迫水平，这与Zarco-Tejada等[40]引入冠层结构光谱指数和叶绿素指数可减小因胁迫引起的叶面积指数和叶绿素含量变化的影响这一结论基本相符。SIFO2-A×NDVI与小麦条锈病病情指数的关系较单一SIFO2-A和NDVI均有一定程度的提高，由于NDVI对作物群体生物量较敏感，能有效反映冠层几何结构的变化，通过 NDVI将SIF从冠层水平降尺度至光系统水平，能够消除冠层几何结构和外界观测条件等带来的影响[41-42]。利用NDVI和RDVI处理后的SIFO2-A和PRI构建的SISP指数与小麦条锈病病情指数的相关性最高，因为冠层SIF、PRI与光合作用和NPQ能量耗散密切相关，SISP指数不仅反映了作物生理变化特征和光合作用信息，而且结合反射光谱信号在一定程度上减弱了冠层几何结构等因素的影响，能够显著提高小麦条锈病严重度遥感探测精度。

作物在病害侵染条件下会在不同波段表现出不同程度吸收和反射特性的改变，其光谱响应特性可以认为是由病害导致的植物损伤所引起的色素、水分、形态、结构等变化的函数[60]，作物不同，病害种类及其发展阶段不同，会导致光谱特征的多样性[61]。本研究仅利用条锈病胁迫下小麦灌浆期测试的光谱作为试验数据，验证了SISP指数对小麦条锈病遥感探测的有效性，所构建的指数是否适用于小麦其余生育期或其他作物病害尚需验证。此外本研究参考已有的研究结果，仅选取了作物病害遥感探测中常用的16种反射率光谱指数与所构建的SISP光谱指数进行对比分析，如果增加更多的反射率光谱指数，结论是否依然成立也需进一步研究。

本研究通过试验数据，利用能够敏感反映冠层几何结构的反射率光谱指数对SIF和PRI进行处理，提高了小麦条锈病的遥感探测精度，但是未分析SISP指数提高小麦条锈病探测精度的生理机制。如何结合辐射传输模型及其光合理化参数，从机理上分析SISP指数能够提高对植被光合功能变化及受胁状况的捕捉能力，是后续研究的重要内容。

本研究构建的SISP指数仅利用小区控制试验条件下测试的小麦条锈病病情数据进行了验证，对于航空航天遥感影像来说，由于传感器接收到的信号是地面分辨率范围内像元目标物的总和，受下垫面状况、植株形态结构、天气状况、栽培措施等因子的影响，SISP指数对大范围内影像数据监测病害的有效性验证尚未涉及。小麦条锈病的早期识别与探测对其防控具有重要意义，利用本研究构建的SISP指数能否实现小麦条锈病的早期探测，则是下一步要研究的内容。

5 结 论

为了减弱群体生物量对传感器探测到的冠层SIF及PRI信号的影响，提高作物病害遥感监测精度，利用反射率光谱能够敏感反映作物群体生物量的优势和SIF、PRI在光合生理探测方面的优势，构建了协同冠层SIF和PRI的光谱指数SISP，并将其应用于小麦条锈病的遥感探测，得出以下结论：

(1)综合利用SIF和PRI数据能够提高小麦条锈病的遥感探测精度。以PRI和SIF简单结合的PRI+SIF为自变量构建的小麦条锈病遥感探测模型中，3组训练样本集预测DI值与实测DI值间的R2比PRI指数和SIF至少提高9.9%和3.7%，RMSE至少降低4.6%和2.3%；验证样本集预测DI值与实测DI值间的R2比PRI指数和SIF至少提高14.0%和1.7%，RMSE至少降低7.1%和3.7%。

(2)利用反射率光谱对SIF与PRI进行处理后构建的SISP指数，能够进一步提高小麦条锈病的探测精度。3组样本数据中，无论是训练集还是验证集，以SISP指数为自变量构建的小麦条锈病遥感监测模型精度比PRI/RDVI2、SIF×NDVI和PRI+SIF均有不同程度的提高，其训练集预测DI值与实测DI值之间的R2至少提高17.5%，RMSE至少降低12.5%；验证集样本预测DI值与实测DI值之间的R2至少提高3.7%，RMSE至少降低9%。

(3)SISP指数对小麦条锈病的监测精度优于传统的反射率光谱指数。3组样本数据中训练集样本预测DI值与实测DI值之间的R2比NPCI指数至少提高8.2%，RMSE至少减少6.7%；验证集样本预测DI值与实测DI值之间的R2比NPCI指数至少提高5.4%，RMSE至少减少9.5%。

(4)在反射率光谱数据中加入SISP指数后，MLR模型和RBFN模型的预测精度均有不同程度提高，其中MLR模型预测DI值与实测DI值间的R2平均提高13.42%，RMSE平均减少29.93%，RPD平均提高44.53%；RBFN模型预测DI值与实测DI值间的R2平均提高5.72%，RMSE平均减少19.24%，RPD平均提高29.80%。利用反射率光谱处理后的SIF和PRI数据构建的SISP指数，不仅反映了作物生理变化特征和光合作用信息，而且在一定程度上减弱了冠层几何结构等因素的影响，提高了对小麦条锈病病情指数的预测精度。