冬小麦白粉病冠层光谱特征解析与病情指数反演

范友波，顾晓鹤，王双亭，杨贵军，王 磊，王立志，陈召霞

(1.河南理工大学测绘与国土信息工程学院，河南焦作 454000； 2.国家农业信息化工程技术研究中心，北京 100097)

冬小麦白粉病冠层光谱特征解析与病情指数反演

范友波1,2，顾晓鹤2，王双亭1，杨贵军2，王 磊1,2，王立志1,2，陈召霞2

(1.河南理工大学测绘与国土信息工程学院，河南焦作 454000； 2.国家农业信息化工程技术研究中心，北京 100097)

为探讨利用高光谱技术快速无损地监测小麦白粉病灾情的方法，通过人工田间诱发白粉病，在灌浆期对不同发病等级(病情指数)的冬小麦进行冠层高光谱测定，对原始光谱数据进行一阶微分处理，筛选最佳光谱特征参量和植被指数，构建冬小麦白粉病病情指数反演模型。结果表明，在冠层尺度，小麦白粉病“红边”位置均在730 nm左右(±1 nm)；经验证，5种模型中三角植被指数(TVI)模型估算精度最好，r2和RMSE分别达到了0.700和0.112，与精度最低的优化土壤调节植被指数(OSAVI)模型相比，r2提高了0.071，RMSE降低了0.013。小麦白粉病“红边”蓝移现象并不明显；五种模型r2都达到了0.6以上，说明高光谱技术都能够有效地对冬小麦白粉病病情指数进行无损、快速、精确的反演，其中TVI的反演精度最佳。

冬小麦；白粉病；高光谱；特征参量；植被指数

白粉病是小麦生长中的主要病虫害之一，在世界各国冬小麦产区均有分布。冬小麦白粉病的典型病状表现为叶片病部表面覆有一层白色粉状霉层，在苗期至成株期均可危害植株，在0～25 ℃均可发病，15～25 ℃为最适发病温度。当前冬小麦白粉病的防治主要是施用杀菌剂，然而多数情况下由于缺乏病情程度的空间监测信息，杀菌剂很容易被多施、漏施，不仅无法有效阻止病害的传播，且造成冬小麦生产成本的增加和土壤、地下水污染等诸多环境问题[1]。

作物病虫害监测目前主要依靠植保人员田间调查、田间取样等传统方式，不仅耗时、费力，而且存在代表性差、主观性强、时效性差等问题，难以满足大范围病虫害实时监测的需求[2]。高光谱遥感技术是20世纪后期遥感技术发展的最大成就之一，利用其可以获取光谱分辨率达纳米数量级的连续光谱曲线，对地物的识别能力更强，具备对细微光谱差异地物的探测能力[3]。高光谱遥感技术可以区分同一物种的不同类别，也可以获得植物冠层的生物生化参数[4-6]，已广泛应用于作物氮素含量、叶绿素含量、水分含量、生物量、叶面积指数等方面的反演研究。罗菊花等利用PHI影像进一步选取了620～718和770～805 nm两个条锈病敏感波段范围，并基于这些光谱波段构建了病情指数的多元线性回归模型[7]。在敏感波段的基础上，一些学者通过对原始波段信息进行组合和增强，筛选和构建了一些植被指数并应用于病虫害遥感监测，这些光谱指数包括OSAVI、PRI、TCARI(小麦条锈病)、MCARI、VARI、GNDVI、RVSI、WI(葡萄卷叶病)、NPCI(小麦蚜虫)[8-9]。蒋金豹[10]认为，以微分特征参数SDr/SDg为变量的模型适合监测冬小麦早期条锈病。王圆圆等[11]根据红边位置附近的光谱吸收特征构建了两个红边指数参量Dsr和Ar，提高了对病害的监测精度。刘良云等[12]通过4景不同时期的Landsat TM影像，分析了小麦条锈病和白粉病的光谱变化特征，定量估算了产量损失，结果表明两种病害的产量损失均在30%以上。冯 伟等[13]利用680、718和750 nm波段构建角度植被指数，其对冠层叶绿素密度的估算与传统植被指数SDr/SDb和VOG3 相比，精度更高，检验误差更小，可作为白粉病侵染条件下小麦叶绿素密度的最佳估算模型。沈文颖等[14]研究表明，光谱参数MCARI和VARIgreen对病害反应敏感，可用于构建小麦白粉病严重度的估算模型，得出小麦白粉病识别诊断病害严重度的临界值为10%。卫黎光等[15]以Landsat5 TM波段响应函数为基础，将地面实测冠层高光谱数据模拟为TM多光谱数据，构建了多光谱指数(PMSI)用来估测白粉病严重度，并取得了较理想的反演精度。袁 琳等[16]筛选出对白粉病和条锈病敏感度差异较显著的665～684、718～726 nm等6个波段范围，以及DEP550-770、SIWSI等11个光谱特征，并基于FLDA和PLSR方法，分别建立了两种病害的判别模型和病情严重度反演模型，判别精度达到89%，病情估测误差低于15%，在叶片尺度基本达到了对两种病害的区分和监测目的。总的来说，目前基于作物叶片尺度的病害诊断研究较多，但面向冬小麦冠层尺度反演白粉病病情指数的诊断研究还比较少。本研究在人工诱发白粉病田间试验的基础上，创建不同病害等级小麦白粉病样本区，筛选高光谱敏感特征参量，构建冠层尺度冬小麦白粉病病情程度的高光谱诊断模型，以期探索高光谱技术在冬小麦白粉病冠层尺度的诊断能力和可行性。

1 材料与方法

1.1 研究区域

2011年10月-2012年6月在北京市农林科学院院内试验田开展小区控制试验，经度和纬度分别为39°56′N、116°16′E，供试品种为京双16，该品种对小麦白粉病中度易感，在北京及河北省种植较为广泛。白粉病在小麦生长早期症状表现并不明显，到灌浆中期叶片出现明显症状，是小麦栽培管理中控制病情的重要时期。为避免其他因素的干扰，试验中各个病情等级的小区均保持水肥、播期和田间管理措施一致。

1.2 数据采集

试验数据采集在2012年5月23日(灌浆期)进行，共计25个病害样本区。采用美国ASD FieldSpec Pro FR光谱仪测定冬小麦冠层光谱，光谱范围350～2 500 nm，光谱分辨率在350～1 000 nm内为1.4 nm，在1 000～2 500 nm内为2 nm，测量时间为10:00-14:00。当日天气条件晴朗、无风无云。观测时光谱探头垂直向下，距地面1.3 m，视场角25°。每个样区测量10次，取10次均值作为该样区测量结果，每次测量前后用标准白板纠正。高光谱数据采集后，利用ASD数据处理软件ViewSpecPro进行数据预处理。

同步进行白粉病样本病情严重度调查，采用通用的病情指数(disease index，DI)进行量化，定义为病斑在叶片上的覆盖比率，通过目视方式进行判读，参照国家农业行业标准(NY/T163-2002)“小麦白粉病测报调查规范”进行调查。具体采取五点调查法，即每个样本小区选择对称的五个点，每点选择20株小麦，5点求平均获得该样本的病情指数。为减小病斑比例的估计误差，由3名专业人员综合判读每个样本的病情，按病情严重程度分为9个梯度进行记录, 即0、1%、10%、20%、30%、45%、60%、80%和100%[17]。通过统计每个样本小区的小麦叶片数及其病情程度, 进而计算出该样本小区的冠层病情指数(DI)。

其中，DI为病情指数，x为各梯度的级值，n为梯度值(最高为9)，f为各梯度的叶片数。所采样的25个病害样本基本涵盖了上述9个病情严重度，保证了实验数据的全面性。

1.3 数据分析

数据分析主要包括病害冠层光谱分析、特征参量选取与计算、病情指数反演模型构建、模型验证等步骤。在样区冠层高光谱数据中，1 350～2 500 nm属于叶片水分吸收的主导波段，水分在1 450、1 940 nm附近具有强吸收特征，在进行光谱数据分析时将350～2 500 nm光谱范围内的水汽吸收带1 330～1 480 nm、1 780～2 500 nm范围内的噪声波段进行剔除。

白粉病胁迫下小麦叶片生理结构与生化组分会发生变化，导致冠层尺度的光谱也会发生相应的变化。对原始光谱进行一阶微分变换，计算一些特定波段范围的位置变化和变化幅度，提取基于高光谱位置和面积的特征参量，包括光谱位置参量(红边、蓝边、黄边)、光谱面积参量、光谱归一化指数参量等光谱微分参量，从中筛选出与白粉病病情指数响应的敏感光谱参量。由于一阶微分是高光谱分析中的基本技术，在此已不作赘述，其具体原理及提取流程参考Gong等[18]和Pu等[19]的报道内容。此外，本研究还选取了一些适用于冠层尺度的植被指数，据此来分析植被指数在小麦白粉病诊断方面的适用性。微分特征参量和植被指数通过对原始光谱进行不同形式的组合变换，可以增强和突出某些特定组分的光谱响应信号，共选取了如表1所示的16个光谱特征参量集，计算分析各个特征参量与小麦白粉病病情指数的相关性，筛选敏感光谱参量。

1.4 模型验证

精度评价采用留一交叉验证法，即每次取n-1(即24)个样本构建模型，剩下的1个样本作为验证样本对模型进行验证，此方法使得每个样本都参与建模和验证模型，避免对样本进行随机划分而造成的精度偏差，可以实现模型精度的客观衡量。模型精度用决定系数(r2)和均方根误差(RMSE)两个指标来衡量。

式中，Ytest为病情指数预测值，Ymea为病情指数实测值，n为实测样本量。

2 结果与分析

2.1 冬小麦白粉病冠层光谱特征

本研究随机选取了病情指数为25.5%、44.7%、86%的3个实测样本进行光谱分析(图1)。冬小麦遭受白粉病胁迫后，叶片生理结构和生化组分会发生变化，最明显的症状是灌浆期叶片会出现肉眼可见的白色病斑，会导致植株生理功能发生紊乱，表现在生化组分上就是叶绿素含量减少，这些白色病斑是导致光谱变化的主要原因，直接影响叶绿素在蓝、绿、红波段(530～730 nm)对可见光的吸收，反映在光谱上就是随着病情严重度的加剧，反射能力呈上升趋势，“绿峰”和“红谷”处反射率增高。近红外波段(730～1 350 nm)范围是植物细胞结构变化的敏感响应区。冠层尺度视场内的主要组成部分是叶片，冠层光谱反射率与视场内的白粉病病情指数密切相关。随着白粉病胁迫程度的加剧，植株叶绿素和水分含量降低，所以在冠层近红外波段，反射率随病情严重度的增加呈一个明显的圆肩形下降趋势。而在长红外波段，病情指数与光谱反射率并没有明显的相关性。

表1 高光谱特征参量及其描述Table 1 Hyperspectral characteristic parameters and their descriptions

图1 小麦不同等级白粉病冠层光谱

当绿色植物叶绿素含量高、生长旺盛时，“红边”会向红外方向移动(称为红移，即往长波方向移动)；当植物由于感染病虫害或因污染或物候变化而失绿时，“红边”则向蓝光方向移动(蓝移)。从图2可以看出，通过对冠层原始光谱数据做一阶微分变换，一阶微分波谱特征在红边范围内差异明显，但是红边位置都在730 nm左右(±1 nm)，在冠层尺度“蓝移”现象不明显。

2.2 基于高光谱特征参量的病情指数估算

对光谱特征参量和病情指数之间进行相关性分析，选择达到极显著相关(P<0.01)的特征参量作为备选建模参量，各变量相关系数(r)见表2。其中，在用植被指数OSAVI、DVI进行敏感波段的选取时，通过MATLAB编程计算所有近红外波段、红波段与病情指数的相关系数，选择相关系数最高的波段用于建模。根据相关系数计算结果，其中植被指数OSAVI在675、855 nm波段的相关系数最高，而植被指数DVI在630、795 nm波段的相关系数最高。

为进一步提高病情指数估算精度，选择相关系数绝对值大于0.8的特征参量进行反演建模，共筛选出5个特征参量。基于这5种特征参量构建的冬小麦白粉病病情指数反演模型见表3。

采用野外实测样本对上述模型进行留一交叉法验证，并绘制5种反演模型的病情指数预测值和实测值的散点图(图3)。

图2 小麦不同等级白粉病冠层光谱一阶微分值

特征参量Characteristicparameter相关系数Correlationcoefficent特征参量Characteristicparameter相关系数CorrelationcoefficentDb-0.652**(SDr-SDb)/(SDr+SDb)-0.598**Dy-0.169(SDr-SDy)/(SDr+SDy)-0.298Dr-0.854**TVI-0.856**SDb-0.572**OSAVI-0.819**SDy0.775**CARI-0.482SDr-0.855**NDVI0.679**SDr/SDb-0.579**PSRI0.639**SDr/SDy-0.343DVI-0.854**

**:P<0.01.

表3 基于光谱特征参量的冬小麦白粉病病情指数(DI)反演模型Table 3 Regression model of powdery mildew disease indices of winter wheat based on spectral characteristic variables

图3 基于光谱特征参量的冬小麦白粉病DI预测值与实测值散点图

从表4可以看出，基于光谱特征参量的冬小麦白粉病病情指数估算的精度总体上相差不大，r2均达到0.6以上，RMSE均小于0.13，说明利用高光谱技术进行冬小麦白粉病严重度诊断是完全可行的。其中TVI模型估算精度最高，这主要是因为TVI、DVI等植被指数对土壤、叶绿素等干扰因素的影响有削弱作用；TVI模型与精度最低的OSAVI模型相比，r2提高了0.071，而RMSE降低了0.013。说明5种特征参量都可以用来进行白粉病病情指数的快速、无损、精确估算，其中以TVI模型效果最佳。

表4 五种模型精度分析结果Table 4 Accuracy analysis of five models

3 讨论与结论

白粉菌属于寄生菌，它可以破坏细胞结构，使冬小麦叶片水分和叶绿素含量降低，导致植株光合和代谢发生紊乱。病害初期在叶片表面形成褪绿斑，而后逐渐扩大为圆形或椭圆形病斑，并在表面附着一层白粉状霉层[27]。冬小麦受病害胁迫后，水分和叶绿素含量减少，光合作用减弱，可见光波段反射率增大，而在近红外波段减小。冬小麦冠层光谱反射率对于白粉病病情具有很好的响应能力，可见光和近红外波段光谱发射率均发生明显变化，但二者对病害严重度的反应敏感度存在差异，可见光波段的冠层反射率变化较小，而近红外波段冠层反射率变化较明显，前人的研究结果也是如此[28]，但也有不一致的结果，认为可见光波段的反应更为敏感[29-30]。本研究表明，550～800 nm波段反射率与冬小麦白粉病病情指数显著相关，拟合程度较好的植被指数也大多位于此波段范围，由于小麦品种、地域、光谱尺度的差异，拟合程度较高的植被指数与前人研究存在一些差异[16,30]，但对白粉病都可实现快速、精确的监测。红边是由于叶绿素在红波段的强烈吸收和近红外波段在叶片内部的多次散射而形成的高反射造成的。在680～780 nm波段范围，红边区域内蕴含着丰富的植被健康状况信息[11]。本研究中，冠层尺度红边“蓝移”现象不明显，这可能是由于冠层光谱受植被结构、土壤、水分等因素影响较单叶片所受的影响更多，冠层光谱的变化更复杂，这需要在后续研究中进一步探讨。

本研究选取了16个光谱特征参量组成一个供筛选的光谱特征参量集，计算分析各个特征参量与小麦白粉病病情指数的相关性，进而筛选敏感光谱参量，构建病情指数光谱反演模型，可以作为白粉病田间快速无损诊断的有效方法。但由于冬小麦冠层光谱是病害胁迫、植被结构、叶绿素、水分等因素共同作用的结果，在今后的研究中拟尝试综合这些影响因子的敏感波段组合来构建反演模型，进一步提高建模精度。此外，由于本研究采用的实测数据为人工诱发的白粉病，研究方法和模型有待于进一步在自然发生白粉病的条件下验证与改进。

[1] SANKARAN S,MISHRA A,EHSANI R,etal.A review of advanced techniques for detecting plant diseases [J].ComputersandElectronicsinAgriculture,2010,72(1):2.

[2] 张竞成,袁 琳,王纪华,等.作物病虫害遥感监测研究进展[J].农业工程学报,2012,28(20):1.

ZHANG JC,YUAN L,WANG J H,etal.Research progress of crop diseases and pests monitoring based on remote sensing [J].TransactionsoftheChineseSocietyofAgriculturalEngineering(TransactionsoftheCSAE),2012,28(20):1.

[3] GOETZ A F,VANE G,SOLOMON J E,etal.Imaging spectrometry for earth remote sensing [J].Science,1985,228(4704):1147.

[4] 王秀珍,黄敬峰,李云梅,等.水稻生物化学参数与高光谱遥感特征参数的相关分析[J].农业工程学报,2003,19(2):144.

WANG X Z,HUANG J F,LI Y M,etal.Correlation between chemiecal contents of leaves and characteristic variables of hyperspectral on rice field [J].TransactionsoftheChineseSocietyofAgriculturalEngineering(TransactionsoftheCSAE),2003,19(2):144.

[5] 唐延林,王人潮,张金恒,等.高光谱与叶绿素计快速测定大麦氮素营养状况研究[J].麦类作物学报,2003,23(1):64.

TANG Y L,WANG R C,ZHANG J H,etal.Study on determining nitrogenous levels of barley by hyperspectral and chlorophyll meter [J].JournalofTriticeaeCrops,2003,23(1):64.

[6] 冯 伟,王晓宇,宋 晓,等.白粉病胁迫下小麦冠层叶绿素密度的高光谱估测[J].农业工程学报,2013,29(13):114.

FENG W,WANG X Y,ZHU X,etal.Hyperspectral estimation of canopy chlorophyll density in winter wheat under stress of powdery mildew [J].TransactionsoftheChineseSocietyofAgriculturalEngineering(TransactionsoftheCSAE),2013,29(13):114.

[7] 罗菊花,黄文江,顾晓鹤,等.基于PHI影像敏感波段组合的冬小麦条锈病遥感监测研究[J].光谱学与光谱分析,2010(1):184.

LUO J H,HUANG W J,GU X H,etal.Monitoring stripe rust of winter wheat using PHI based on sensitive bands [J].SpectroscopyandSpectralAnalysis,2010(1):184.

[8] RIEDELL W E,BLACKMER T M.Leaf reflectance spectra of cereal aphid-damaged wheat [J].CropScience,1999,39(6):1835.

[9] ROSE S,PETERS FUTRE E M.The potential of spectral reflectance technique for the detection of grapevine leaf roll-associated virus-3 in two red-berried wine grape cultivars [J].Fuel,1996,75:385.

[10] 蒋金豹,陈云浩,黄文江,病害胁迫下冬小麦冠层叶片色素含量高光谱遥感估测研究[J].光谱学与光谱分析,2007,27(7):1363.

JIANG J B,CHEN Y H,HUANG W J.Study on hyperspectral estimation of pigment contents in canopy leaves of winter wheat under disease stress [J].SpectroscopyandSpectralAnalysis,2007,27(7):1363.

[11] 王圆圆,陈云浩,李 京,等.指示冬小麦条锈病严重度的两个新的红边参数[J].遥感学报,2007,11(6):875.

WANG YY,CHEN Y H,LI J,etal.Two new red edge indices as indicators for stripe rust disease severity of winter wheat [J].JournalofRemoteSensing,2007,11(6):875.

[12] 刘良云,宋晓宇,李存军,等.冬小麦病害与产量损失的多时相遥感监测[J].农业工程学报,2009,25(1):137.

LIU L Y,SONG X Y,LI C J,etal.Monitoring and evaluation of the diseases of and yield winter wheat from multi-temporal remotely-sensed data [J].TransactionsoftheChineseSocietyofAgriculturalEngineering(TransactionsoftheCSAE),2009,25(1):137.

[13] 冯 伟,姚 霞,朱 艳,等.基于高光谱遥感的小麦叶片含氮量监测模型研究[J].麦类作物学报,2008,25(5):851.

FENG W,YAO X,ZHU Y,etal.Monitoring leaf nitrogen concentration by hyperspectral remote sensing in wheat [J].JournalofTriticeaeCrops,2008,25(5):851.

[14] 沈文颖,冯 伟,李 晓,等.基于叶片高光谱特征的小麦白粉病严重度估算模式[J].麦类作物学报,2015,35(1):129.

SHEN W Y,FENG W,LI X,etal.Estimation model of wheat powdery mildew severity based on leaf hyperspectral characteristics [J].JournalofTriticeaeCrops,2013,2015,35(1):129.

[15] 卫黎光,蒋金豹,杨贵军,等.模拟多光谱卫星传感器数据的冬小麦白粉病遥感监测[J].麦类作物学报,2014,34(12):1699.

WEI L G, JIANG J B, YANG G J,etal. Remote sensing monitoring powdery mildew of winter wheat using simulated data of multi-spectral satellite sensor [J].JournalofTriticeaeCrops,2014,34(12):1699.

[16] 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.

[17] 黄木易,王纪华,黄文江,等.冬小麦条锈病的光谱特征及遥感监测[J].农业工程学报,2003,19(6):154.

HUANG M Y,WANG J H,HUANG W J,etal.Hyperspectral character of stripe rust on winter wheat and monitoring by remote sensing [J].TransactionsoftheChineseSocietyofAgriculturalEngineering(TransactionsoftheCSAE),2003,19(6):154.

[18] GONG P,PU R,HEALD R C.Analysis of in situ hyperspectral data for nutrient estimation of giant sequoia [J].InternationalJournalofRemoteSensing,2002,23(23):1828.

[19] CORRESPONDING R P,GONG L F P.Spectral feature analysis for assessment of water status and health level in coast live oak(Quercusagrifolia) leaves [J].InternationalJournalofRemoteSensing,2004,25(20):4267.

[20] 胡珍珠,潘存德,肖 冰,等.基于光谱特征参量的核桃叶片氮素含量估测模型[J].农业工程学报,2015,31(9):182.

HU Z Z,PAN C D,XIAO B,etal,Spectral characteristic parameter-based models for foliar nitrogen concentration estimation ofJuglansregia[J].TransactionsoftheChineseSocietyofAgriculturalEngineering(TransactionsoftheCSAE),2015,31(9):182.

[21] ZHAO C,HUANG M,HUANG W,etal.Analysis of winter wheat stripe rust characteristic spectrum and establishing of inversion models [C]//Geoscience and Remote Sensing Symposium.IGARSS'04.Proceedings.IEEE International,2004:4318.

[22] RONDEAUX G,STEVEN M,BARET F.Optimization of soil-adjusted vegetation indices [J].RemoteSensingofEnvironment,1996,55(2):95.

[23] KIM M S,DAUGHTRY C S T,CHAPPELLE E W,etal.The use of high spectral resolution bands for estimating absorbed photosynthetically active radiation(APAR)// Proceedings of the 6th International Symposium on Physical Measurements and Signatures in Remote Sensing [C].France:Val d'Isere,1999:299.

[24] ROUSE J W,HAAS R H,SCHELL J A,etal.Monitoring vegetation systems in the great plains with erts [J].NasaSpecialPublication,1974:309.

[25] DEVADAS R,LAMB D W,Simpfendorfer S,etal.Evaluating ten spectral vegetation indices for identifying rust infection in individual wheat leaves [J].PrecisionAgriculture,2008,10(6):459.

[26] JORDAN C F.Derivation of leaf area index from quality of light on the forest floor [J].Ecology,1969,50(4):663.

[27]郑秋红,杨霏云,朱玉洁.小麦白粉病发生气象条件和气象预报研究进展[J].中国农业气象,2013,34(3):359.

ZHENG Q H,YANG F Y,ZHUN Y J,Meteorological factors and its forecast on wheat powdery mildew occurrence in China [J].ChineseJournalofAgrometeorology,2013,34(3):359.

[28] 郭洁滨,黄 冲,王海光,等.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].光谱学与光谱分析,2009,29(12):3353.

GUO J B,HUANG C,WANG H G,etal.Disease index inversion of wheat stripe rust on different wheat varieties with hyperspectral remote sensing [J].Spectroscopy&SpectralAnalysis,2009,29(12):3353.

[29] 张东彦,张竞成,朱大洲,等.小麦叶片胁迫状态下的高光谱图像特征分析研究 [J].光谱学与光谱分析,2011,31(4):1103.

ZHANG D Y,ZHANG J C,ZHU D Z,etal.Investigation of the hyperspectral image characteristics of wheat leaves under different stress [J].SpectroscopyandSpectralAnalysis,201l,31(4):1103.

[30] 冯 伟,王晓宇,宋 晓,等.基于冠层反射光谱的小麦白粉病严重度估测[J].作物学报,2013,39(8):1472.

FENG W,WANG X Y,SONG X,etal.Estimation of severity level of wheat powdery mildew based on canopy spectral reflectance [J].ActaAgronomicaSinica,2013,39(8):1472.

Analysis of Canopy Spectral Characteristics of Winter Wheat Powdery Mildew and Disease Index Inversion

FAN Youbo1,2, GU Xiaohe2, WANG Shuangting1, YANG Guijun2,WANG Lei1,2, WANG Lizhi1,2,CHEN Zhaoxia2

(1.College of Surveying and Land Information Engineering, Henan Polytechnic University, Jiaozuo, Henan 454000, China；2.National Engineering Research Center for Information Technology in Agriculture, Beijing 100097, China)

In order to enable rapid and non-destructive monitor of winter wheat powdery mildew utilizing remote sensing technologies, we artificially introduced the disease and measured the spectrums of different disease degrees (quantified in disease index) in filling stage, then performed the first-order differential transformation procedure to the primary spectrums and built the model for estimating the disease index of winter wheat.Results showed that the red edge position was mainly at 730±1 nm. The results of precision verification indicated that the triangle vegetation index (TVI) model amongst the five kinds of model gained a better precision of estimating, of whichr2and RMSE could reach 0.700 and 0.112, respectively. When compared with the lowest accuracy of the inversion model with optimized soil-adjusted vegetation index (OSAVI),r2was increased by 0.071 and RMSE was reduced by 0.013. Results showed that the red edge position shifted to the shorter wavelength was not obvious at canopy level. Ther2values of all five models reached above 0.6, which indicated that hyperspectral technology can effectively, non-destructively, rapidly, accurately retrieve winter wheat powdery mildew disease index (DI). The TVI could be considered as the optimal parameter used to inverse the disease index of powdery mildew of winter wheat.

Winter wheat; Powdery mildew; Hyperspectral; Characteristic parameter; Vegetation index

时间：2017-01-03

2016-06-14

2016-07-23

国家自然科学基金项目(41571323)；国家公益性行业(农业)科研专项(201303109)；北京市优秀人才青年拔尖个人项目(2014000021223ZK38)

E-mail：13849111416@163.com

顾晓鹤(E-mail:guxh@nercita.org.cn)

S512.1；S314

A

1009-1041(2017)01-0136-07

网络出版地址：http://www.cnki.net/kcms/detail/61.1359.S.20170103.1629.038.html