下载文档原格式
遥感在植物病虫害监测中应用植物病虫害是影响作物最终产量的关键因素之一，对病虫害进行早期预警，是控制病虫害的大范围蔓延、保护作物产量成果的有力方法之一。
利用遥感技术特别是高光谱、卫星技术监测病虫害，具有快速、简便、宏观、无损、客观等优点，可以随时提供信息，迅速、准确的对田间作物生长状况进行监测，以便及时采取措施治理或合理安排计划，是作物病虫害监测的发展方向。
1. 植物病虫害遥感监测的基本原理遥感的基本依据是获取来自地物的反射或发射的电磁波能量，各种物质因结构与组成成分不同，大多数地物又具有BRDF（双向反射分布函数）各向异性的反射特性，所以在光谱反射与辐射特性方面有差异，从而具有该物体诊断意义的光谱特征。
据此，不同作物或同一作物在不同生长季节、不同角度和病虫危害及程度下，有其特殊意义的诊断性光谱特征。
因此通过光谱分析技术可以探测作物的健康状况以及病虫发生情况。
作物病虫害遥感监测主要在单叶与冠层两个层面上展开。
对单叶，因病虫危害导致叶片细胞结构、色素、水分、氮素含量及外部形状等发生变化，从而引起光谱的变化；对冠层，因病虫危害引起LAI、生物量、覆盖度等的变化，可见光到热红外波谱反射光谱与正常作物有明显差异。
在大尺度上，受病虫危害的作物在高光谱扫描记录上会引起灰度值的差异，在空间相、光谱相和时间相上有明显的差异。
因此，可通过地面获得的遥感数据结合高空成像仪获得的遥感影像监测作物病虫害。
2. 植物病虫害遥感监测技术流程目前一般小麦、水稻等大规模连片种植的作物常采用地面高光谱遥感数据分析与高光谱航空影像解译分析相结合的方法进行病虫害监测。
森林的病虫害监测则主要使用Landsat、Spot等卫星影像进行植被指数分析。
植物病虫害遥感监测的一般技术流程如下图：1图1 植物病虫害遥感监测技术流程3. 植物病虫害遥感监测技术方法利用遥感检测植物病虫害，往往要综合运用多种技术方法，如光谱反射率分析、回归模型分析、植被指数分析、光谱微分、基于光谱位置变量分析、遥感影像分析、多角度遥感分析等等。
基于小波特征的小麦白粉病与条锈病的定量识别鲁军景;黄文江;张竞成;蒋金豹【期刊名称】《光谱学与光谱分析》【年(卷),期】2016(036)006【摘要】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350～1300 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。
%Powdery mildew (Blumeria graminis) and stripe rust (Pucciniastriiformis f .sp .Tritici) are two of the most prevalent and serious winter wheat diseases in the field ,which caused heavy yield loss of winter wheatall over the world .It is necessary to quantitatively identify different diseases for spraying specific fungicides .This study examined the potential of quantitative dis‐tinction of powdery mildew and yellow rust by using hyperspectral data with continuous wavelet transform at canopylevel .Spec‐tral normalization was processing prior to other dataanalysis ,given the differences of the groups in c ultivars and soil environ‐ment .Then ,continuous wavelet features were extracted from normalized spectral bands using continuous wavelet transform . Correlation analysis and independent t‐test were used conjunctively to obtain sensitive spectral bands and continuous wavelet fea ‐tures of 350 ~ 1 300 nm ,andthen ,principal component analysis was done to eliminate the redundancyof the spectral features . After that ,Fisher linear discriminant models of powdery mildew ,stripe rust and normal sample were built based on the principal components of SBs ,WFs ,and the combination of SBs &WFs ,respectively .Finally ,the methods of leave‐one‐out and 55 sam‐ples which have no share in model building were used to validate themodels .The accuracies of classification were analyzed ,it was indicated that the overall accuracies with 92.7% and 90.4% of the models based onWFs ,were superior to those of SFs with 65.5% and 61.5% ;However ,the classification accuracies of Fisher 80‐55 were higher but no different than leave‐one‐out cross validation model ,which was possibly related to randomness of training samples selection . The overall accuracies with 94.6%and 91.1% of the models based on SBs & WFs were the highest ;The producer’ accuracies of powdery mildew and healthy s amples based on SBs & WFs were improved more than 10% than those of WFs in Fisher 80‐55 .Focusing on the dis‐criminant accuracy of different disease ,yellow rust can be discriminated in the model based on both WFs and SBs & WFs with higher accuracy ;the us er’ accuracy and producer’ accuracy were all up to 100% .The results show great potential of continuous wavelet features in discriminating different disease stresses ,and provide theoretical basis for crop disease identification in wide range using remote sensing image .【总页数】5页(P1854-1858)【作者】鲁军景;黄文江;张竞成;蒋金豹【作者单位】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; 中国矿业大学北京地测学院，北京 100083;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;北京农业信息技术研究中心，北京100097;中国矿业大学北京地测学院，北京 100083【正文语种】中文【中图分类】S132【相关文献】1.基于小波分析的透平机械振动故障特征定量识别研究 [J], 侯敬宏;黄树红;申弢;张燕平2.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], 袁琳;张竞成;赵晋陵;黄文江;王纪华3.基于方向一致性特征的小麦条锈病与白粉病识别方法 [J], 郭青;王骊雯;董方敏;聂臣巍;孙水发;王纪华4.基于高光谱成像的小麦白粉病与条锈病识别(英文) [J], 姚志凤;雷雨;何东健5.小波特征与传统光谱特征估测冬小麦条锈病病情严重度的对比研究 [J], 鲁军景;黄文江;蒋金豹;张竞成因版权原因，仅展示原文概要，查看原文内容请购买。
基于高光谱遥感的小麦条锈病胁迫下的产量损失估计王爽;马占鸿;孙振宇;黄冲;王海光;闫佳会;梁俊敏【期刊名称】《中国农学通报》【年(卷),期】2011(27)21【摘要】为利用高光谱遥感监测小麦条锈病,并对小麦条锈病胁迫下的产量损失进行估计,通过分析发生条锈病后的小麦冠层光谱及一阶微分的特征,分析病情指数对产量及产量构成因素的影响,分析产量和不同生育时期的光谱反射率及一阶微分光谱的相关关系,从中提取相关性高的植被指数和一阶微分参数建立产量模拟方程。
结果表明,在一定范围内,产量损失随着病情指数的增大而增大,光谱反射率与产量在各个生育期都表现出稳定的显著正相关关系,从中提取相关性高的植被指数(NDVI 和RVI)和一阶微分参数(SDr),利用植被指数(NDVI和RVI)建立的多时相产量模拟方程,其模拟效果较好;利用一阶微分参数(SDr)建立的不同生育时期产量回归方程,模拟的精度较高。
研究结果对利用高光谱遥感监测作物病害胁迫下产量具有实际应用价值。
【总页数】6页(P253-258)【关键词】小麦条锈病;产量;遥感;估计【作者】王爽;马占鸿;孙振宇;黄冲;王海光;闫佳会;梁俊敏【作者单位】中国农业大学植物病理学系/农业部植物病理学重点开放实验室【正文语种】中文【中图分类】S127【相关文献】1.用高光谱微分指数估测条锈病胁迫下小麦冠层叶绿素密度 [J], 蒋金豹;陈云浩;黄文江2.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 [J], 郭洁滨;黄冲;王海光;孙振宇;马占鸿3.基于高光谱遥感估测条锈病下的混种小麦产量分析 [J], 王爽;黄冲;孙振宇;李冠林;马占鸿4.条锈病胁迫下冬小麦冠层叶片氮素含量的高光谱估测模型 [J], 蒋金豹;陈云浩;黄文江;李京5.氮素和小麦条锈病胁迫下小麦高光谱遥感估产模型研究 [J], 张玉萍;马占鸿因版权原因，仅展示原文概要，查看原文内容请购买。
利用偏最小二乘回归反演冬小麦条锈病严重度王圆圆;陈云浩;李京;蒋金豹【期刊名称】《国土资源遥感》【年(卷),期】2007(000)001【摘要】通过人工田间诱发不同等级条锈病,在不同生育期测定冬小麦感染条锈病严重度和冠层光谱,采用偏最小二乘(PLS)方法建立了冠层光谱和条锈病严重度的回归模型.结果显示: PLS反演冬小麦条锈病严重度的效果很好,与文献[4]中提出的利用高光谱指数进行反演的结果相比,精度更高; 通过对PLS回归系数的分析,发现叶绿素吸收谷两边(505～550 nm,640～670 nm,680～700 nm)的一阶微分光谱可用于诊断冬小麦条锈病病情,条锈病病害冬小麦在叶绿素吸收谷两边的一阶微分光谱的绝对值会比健康冬小麦的更大.【总页数】4页(P57-60)【作者】王圆圆;陈云浩;李京;蒋金豹【作者单位】北京师范大学资源学院,北京,100875;北京师范大学资源学院,北京,100875;北京师范大学资源学院,北京,100875;北京师范大学资源学院,北京,100875【正文语种】中文【中图分类】TP7【相关文献】1.研究类：农业科学：农学：农业基础学科——利用偏最小二乘回归反演冬小麦条锈病严重度 [J], 王圆圆;陈云浩;李京;蒋金豹2.利用偏最小二乘回归从冬小麦冠层光谱提取叶片含水量 [J], 王圆圆;李贵才;张立军;范锦龙3.利用高光谱指数进行冬小麦条锈病严重度的反演研究 [J], 黄文江;黄木易;刘良云;王纪华;赵春江;王锦地4.冬小麦条锈病单叶光谱特性及严重度反演 [J], 黄木易;黄文江;刘良云;黄义德;王纪华;赵春江;万安民5.冬小麦条锈病严重度高光谱遥感反演模型研究 [J], 蒋金豹;陈云浩;黄文江;李京因版权原因，仅展示原文概要，查看原文内容请购买。
第30卷,第6期 光谱学与光谱分析Vol .30,No .6,pp1614-16182010年6月 Spectro sco py and Spectr al Analy sisJune ,2010 利用高光谱红边与黄边位置距离识别小麦条锈病蒋金豹1,陈云浩2,黄文江31.中国矿业大学(北京)地测学院,北京 1000832.北京师范大学资源学院,北京 1008753.国家农业信息化工程技术研究中心,北京 100089摘 要 研究的目的是利用高光谱遥感尽可能早地识别出健康与遭受条锈病胁迫的小麦。
通过人工田间诱发不同等级条锈病,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及病情指数(disease index ,DI )。
对测定的光谱进行平滑并计算一阶微分值,并用两种方法分别提取光谱红边位置(red edg e posi -tion ,REP )与黄边位置(yello w edge position ,Y EP ):(1)一阶微分最大值法;(2)Cho and Skidmo re 方法。
研究表明随着病情严重度的增加,REP 逐渐向短波方向移动,Y EP 逐渐向长波方向移动,而REP -YEP 则迅速的减小。
分别对比分析了REP ,Y EP 以及REP -YEP 预测D I 的能力,结果表明,以REP -YEP 为变量的模型预测DI 的精度最好,模型估测绝对误差(RM S E )仅为6.22,相对误差(relative er ror ,RE )为14.3%,且能够提前12d 识别出健康与病害胁迫的小麦。
该研究不仅可为将来利用高光谱遥感大面积监测小麦病害提供理论与技术支持,而且对精准农业的实施也具有重要意义与实际应用价值。
关键词 高光谱;小麦条锈病;红边位置;黄边位置;病情指数;反演模型中图分类号:O 657.3,S127 文献标识码:A DOI :10.3964/j .issn .1000-0593(2010)06-1614-05 收稿日期:2009-09-22,修订日期:2009-12-26 基金项目:国家高技术研究发展计划项目(2007AA120205),国际科技合作计划项目(2007DFA20640),国家自然科学基金项目(40701119),中央高校基本科研业务费专项资金(2009QD13)和国土环境与灾害监测国家测绘局重点实验室开放基金项目(LEDM 2009B04)资助 作者简介:蒋金豹,1978年生,中国矿业大学(北京)地测学院讲师 e -mail :jjb @ires .cn ,ahdsjjb @前 言 红边是由于植被在红光波段叶绿素强烈的吸收与近红外波段光在叶片内部的多次散射而形成的强反射造成的,范围一般在680～760nm 。
红边区域内蕴含着丰富的植被生长信息,与植物生理生化参数关系密切,国内外学者对这一区域研究一直给与高度关注[1-3]。
目前,有很多学者利用红边参数研究作物生长状况,黄敬峰等[4]利用红边参数反演油菜叶面积;张雪红等[5]发现对于不同供氮水平的油菜,红边面积与红边幅值几乎在所有的生育期中都呈现出随着供氮水平的提高而表现为增大的趋势。
王圆圆等[6]设计了两个新型的红边参数DSr 和A r 反演小麦病害严重度,取得较好效果。
红边内的一阶微分最大值所对应的波段叫做红边位置(REP )[7,8]。
Ho rler [9,10]等研究了植被光谱与叶绿素浓度的关系,并提出了REP 在植被叶绿素浓度估计中的作用。
REP 也可以作为植物遭受胁迫的指示剂[11],当植物在胁迫作用下其REP 将向短波方向移动[12-14]。
研究光谱曲线发现,在550～670nm 有一个较宽的吸收谷,但这个吸收谷的特征很少受到植物细胞结构或者水分含量的影响[15～17]。
G ong 等[18]定义黄边的覆盖范围为550～582nm ,黄边内一阶最大微分值所在波段为黄边位置(Y EP ),并用其反演美国巨杉叶的营养状况。
N oomen 等[19]用REP -YEP 参数识别遭受CO 2泄露胁迫的玉米,取得较好的效果。
小麦条锈病是中国乃至世界在冬小麦上发生最广、危害最大的一类病害,流行年份可导致冬小麦减产20%～30%[6,20],尽管目前有一些利用高光谱监测识别小麦条锈病的研究[21-24],但利用Y EP 信息监测识别小麦病害的研究还比较少见。
本文借鉴N oo men 等研究方法,尝试研究REP 与YEP 与小麦条锈病病情的定量关系以及区别健康与病害胁迫小麦的能力。
1 材料与方法1.1 材料来源实验设计、冠层光谱测量以及病情严重度调查方法参见文献[23,24]。
1.2 光谱数据平滑处理光谱平滑可以消除测量仪器引起的随机误差,Savitzky 等[25]用最小二乘过滤法既能够平滑又能够区分数据。
F ou -rier 转换法也可以用来平滑数据,该法可以把信号分为高频与低频,然后把高频信号去除[26]。
本文采用5点加权平滑法对采集的原始冠层光谱进行平滑处理,根据Smith [27]研究发现,该法既能够消除掉随机误差又能够较好保留原有光谱特征,其计算公式为n =m -24+m -12+m 1+m 12+m 242.5(1)式中n 为过滤窗口中间点的加权均值,m 是未平滑前数据点的值。
该过滤器的最大优点在于给予中间点的权重最大,离中心点越远,则权重越小,即对数据的影响越小。
1.3 一阶微分光谱光谱微分可以增强光谱曲线在坡度上细微变化,对于植被,这种变化与植物的生物化学吸收特性有关。
光谱的一阶微分可以近似表示如下[2]ρ′(λi )=[ρ(λi +1)-ρ(λi -1)]/2Δλ(2)式中:λi 为每个波段的波长;ρ′(λi )为波长λi 的一阶微分值;Δλ是λi -1到λi 的间隔。
1.4 REP 与YEP 的提取计算一阶微分值在黄光区会形成一个“谷”,在红光-近红外区域会形成一个“峰”,见图1。
Cho 等[7]设计了一种简单的线性提取红边位置的方法,就是在红边内一阶微分形成的“峰”,在峰的两侧各拟合一条直线,则两条直线务必有一个交点,交点所在的位置就是红边所在位置。
本文采用两种方法提取红边位置:(1)一阶微分最大值所在波段;(2)Cho 与Skidmo re 方法。
利用Cho 与Skidmore 方法提取红边位置,分别使用远红光区680与700nm 的一阶微分值拟合一条直线,见(3)式;利用近红外725与760nm 的一阶微分值拟合一条直线,见(4)式,则两条直线的交点横坐标即为红边位置,计算公式为(5)式。
y 1=a 1λ+b 1(3)y 2=a 2λ+b 2(4)REP =-b 1-b 2a 1-a 2(5)Fig .1 First derivative spectra graph 根据N o omen 等[19]研究成果,使用550,560,572和585nm 的一阶微分值按照(3)～(5)式提取黄边位置,如图2所示。
Fig .2 Yellow position calculation sketch map2 结果与分析2.1 REP 与小麦DI 的关系随着小麦条锈病病情的加重,REP 具有明显的蓝移现象,且病情越严重,“蓝移”现象愈明显。
从图3可以看出,通过计算一阶微分最大值可得到REP 与病情指数(DI )的相关性(R 2=0.6995,n =18),而Cho 等方法得到的REP 与病情指数的相关性(R 2=0.8755,n =18),说明Cho 等方法得到的REP 与DI 的相关性更好一些,则预测能力更强一些。
Fig .3 Correlation between red edge positio n and disease index(a ):The firs t derivative maximum ;(b ):Cho and Skidmore method2.2 YEP 与小麦DI 的关系随着小麦病情的加重,Y EP 有明显“红移”现象,且病情1615第6期 光谱学与光谱分析越严重,红移现象就越明显,见图4。
利用Cho 等[7]方法计算出YEP ,并与小麦DI 进行了相关分析。
从图4可见,YEP 与小麦DI 之间的相关性也较好(R 2=0.6810,n =18),但相关系数低于图3中两个REP 与小麦DI 之间的相关系数。
因此,Y EP 预测小麦病情的能力低于REP 的预测能力。
2.3 REP -YEP 与小麦DI 的关系从上面分析可知,随着DI 的增大,REP 向短波方向移动,即“蓝移”;而YEP 却向长波方向移动,即“红移”。
因此,随着DI 的增大,REP 与Y EP 逐渐靠拢,则两者差值就会逐渐减少。
本文分析了REP -Y EP 与小麦DI 之间的关系,发现REP -Y EP 与D I 之间存在着极好的一元二次方程关系(n =18),见图5。
DI (%)=-2419.2+37.216(REP -YEP )-0.1383(REP -YEP )2R 2=0.9658,F =211.52,P =0.000(6) 经对比研究,公式(6)拟合效果优于线性以及三次方程。
同时该公式的拟合效果也优于REP 与Y EP 单独与DI 建立的拟合方程。
2.4 DI 实测值与REP -YEP 预测值对比分析根据DI 与参数REP -Y EP 之间的定量关系(式(6))计算得到DI 预测值。
从图6可见,D I 实测值与预测值具有较好的一致性,DI 在0～30范围内,预测值有偏大的趋势,但在其他区域,实测DI 与预测DI 吻合较好,误差很小。
因此,该方法适合于在小麦条锈病发病中度程度后,其具有较强的预测能力。
该方法估测DI 的绝对误差为6.22,相对误差为14.3%,优于参考文献[24]的结果。
Fig .4 Co rrelation between yellow edg e position andDIFig .5 Correlation between REP -YEP and DI2.5 利用REP -YEP 参数识别健康与染病小麦在接种小麦条锈病病菌后9d ,尽管肉眼观察无明显症状(直到12d 后肉眼才观察到条锈病菌孢),但REP -YEP 参数已经具有稍微差异,随着生育期推进以及病情的加重,健康小麦与染病小麦的REP -Y EP 逐渐增大,见图7,其规律基本与文献[23]中结果一致,说明高光谱参数REP -YEP 也可以提前监测小麦条锈病,且具有较好地区分健康小麦与染病小麦的能力。
Fig .6 Comparison of m easured DI and estimatedDIFig .7 Identifying healthy and diseasewheat by using REP -YEP1:Healthy w heat ;2:Disease w heat3 结论与讨论 本文是在前人研究的方法基础上,利用新型高光谱参数REP -Y EP 反演小麦条锈病严重度,并与先前研究的相关模型进行了对比分析,研究结果表明:(1)利用Cho 等[7]方法计算得到的REP 与D I 的相关性大于计算一阶微分最大值得到的REP 与D I 的相关性,说明该方法得到的REP 预测小麦病情的能力更强一些。
