基于遙感技術(shù)的煙草花葉病監(jiān)測(cè)研究

徐冬云，李新舉，楊永花，竇玉青,3

1 山東農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院， 山東泰安岱宗大街61號(hào) 271018;2 山東臨沂煙草有限公司，山東臨沂沂新路306號(hào) 276400;3 中國(guó)農(nóng)業(yè)科學(xué)院煙草研究所，山東青島科苑經(jīng)四路 11 號(hào) 266101

植物保護(hù)

基于遙感技術(shù)的煙草花葉病監(jiān)測(cè)研究

徐冬云1，李新舉1，楊永花2，竇玉青1,3

1 山東農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院， 山東泰安岱宗大街61號(hào) 271018;2 山東臨沂煙草有限公司，山東臨沂沂新路306號(hào) 276400;3 中國(guó)農(nóng)業(yè)科學(xué)院煙草研究所，山東青島科苑經(jīng)四路 11 號(hào) 266101

為實(shí)現(xiàn)煙草花葉病快速、無(wú)損監(jiān)測(cè)。基于染病植株冠層高光譜數(shù)據(jù)，優(yōu)選病情指示變量，利用偏最小二乘法建立病害程度估測(cè)模型，并進(jìn)一步將模型應(yīng)用于資源3號(hào)衛(wèi)星遙感數(shù)據(jù)，建立煙草花葉病病害等級(jí)分布圖。結(jié)果顯示： 1）以比值植被指數(shù)(RVI)，差值植被指數(shù)(DVI) ，再歸一化植被指數(shù)(RDVI)， 變換植被指數(shù)(TVI)， 土壤可調(diào)植被指數(shù)(SAVI) 作為煙草花葉病病情的指示因子，能有效估測(cè)花葉病的嚴(yán)重程度，決定系數(shù)達(dá)0.8165。2) 在煙草花葉病病害等級(jí)分布圖上，隨機(jī)抽取140個(gè)樣點(diǎn)進(jìn)行實(shí)測(cè)，并將實(shí)測(cè)值與估測(cè)值進(jìn)行線性擬合，擬合優(yōu)度R2達(dá)77.13%。因此該方法能實(shí)現(xiàn)對(duì)煙草花葉病的大范圍實(shí)時(shí)監(jiān)測(cè)。

煙草花葉??；高光譜；遙感監(jiān)測(cè)；資源3號(hào)衛(wèi)星

煙草花葉病發(fā)病率高、危害性大，其田間發(fā)病率通常在5%～20%之間，有的地塊可高達(dá)90%。煙草花葉病早期發(fā)病的損失可達(dá)50%以上，嚴(yán)重時(shí)甚至?xí)?dǎo)致絕收，并且該病一旦發(fā)生無(wú)法根除，對(duì)煙葉生產(chǎn)造成巨大傷害。

傳統(tǒng)的花葉病調(diào)查方法主要是田間五點(diǎn)調(diào)查取樣，該方法操作費(fèi)時(shí)費(fèi)力、難以實(shí)現(xiàn)實(shí)時(shí)、快速、無(wú)損和大面積監(jiān)測(cè)，并且很容易造成健康植株的感染。而高光譜和遙感作為一種實(shí)時(shí)、快速、無(wú)損監(jiān)測(cè)技術(shù)，可在不破壞作物的條件下，實(shí)現(xiàn)對(duì)作物生長(zhǎng)及營(yíng)養(yǎng)狀況的快速監(jiān)測(cè)[1]。國(guó)內(nèi)外已有眾多學(xué)者開展了關(guān)于遙感監(jiān)測(cè)作物病蟲害的研究，并取得了一定的研究成果。國(guó)外早期的研究多是利用高光譜研究作物病害程度與植被指數(shù)之間的關(guān)系[2-4]。國(guó)內(nèi)，陳兵等利用高光譜數(shù)據(jù)建立了棉花黃萎病估測(cè)模型[5-6]，近幾年，劉良云、馮煉等開始利用遙感影像進(jìn)行作物病害監(jiān)測(cè)的研究[7-8]。但這些研究多集中于小麥、棉花，玉米等作物，對(duì)煙草方面的研究?jī)H局限于地面高光譜，航空遙感尺度上的研究還比較少，難以實(shí)現(xiàn)大范圍病情監(jiān)測(cè)。

偏最小二乘回歸方法（Partial Least Square, PLS）是在1983年由Wold和Alban首次提出的[9]，PLS算法具有消除自變量間多重共線性影響的優(yōu)點(diǎn)[10-11]，因此，近年來(lái)，該方法被廣泛應(yīng)用于遙感監(jiān)測(cè)作物生長(zhǎng)狀況等方面，如估測(cè)作物病害嚴(yán)重度、生物量、葉面積指數(shù)以及N素含量等[12-15]。

本研究利用PLS方法結(jié)合輔助技術(shù)變量投影重要性原則建立病害估測(cè)模型。利用地面高光譜和高空遙感數(shù)據(jù)對(duì)煙草花葉病實(shí)行實(shí)時(shí)監(jiān)測(cè)，以期實(shí)現(xiàn)煙草花葉病的大范圍實(shí)時(shí)監(jiān)測(cè)，為及時(shí)采取防治措施提供依據(jù)。

1 材料與方法

1.1 試驗(yàn)地點(diǎn)設(shè)計(jì)

本試驗(yàn)地點(diǎn)位于沂水沂城、道托鎮(zhèn)煙草種植區(qū)。沂水縣位于臨沂地區(qū)北部，山東省東南部沂山南麓。北緯35°36′～36°13′，東經(jīng)118°13′～119°03′。試驗(yàn)區(qū)為低山丘陵區(qū)，地形條件比較單一，煙草種植由煙草公司統(tǒng)一組織實(shí)施，統(tǒng)一管理，統(tǒng)一種植，統(tǒng)一施肥，煙草種植品種均為NC102，因此，不存在品種、施肥量、生長(zhǎng)期等的不同，為試驗(yàn)的順利實(shí)施提供了有利條件。

1.2 病情指數(shù)調(diào)查

根據(jù)實(shí)驗(yàn)區(qū)內(nèi)煙草花葉病的發(fā)病情況和該區(qū)遙感影像的覆蓋范圍，在沂水沂城、道托鎮(zhèn)分別選擇六個(gè)病害小區(qū)，第個(gè)小區(qū)利用5點(diǎn)調(diào)查取樣法選擇50株典型發(fā)病植株和10株健康植株進(jìn)行數(shù)據(jù)采集，記錄第個(gè)調(diào)查點(diǎn)的發(fā)病情況，同時(shí)利用GPS記錄采集點(diǎn)的地理位置，以保證與遙感影像同步對(duì)應(yīng)。根據(jù)GBT-23222-2008煙草病蟲害分級(jí)調(diào)查方法，煙草花葉病分為0，1，3，5，7，9共6個(gè)等級(jí)，群體病情指數(shù)DI計(jì)算公式如下：

為使分級(jí)更加明顯，將花葉病害重新分為4個(gè)等級(jí)：健康，DI=0；輕度，DI介于0%-25%；中度，DI介于25%-50%；重度，DI＞50%。

1.3 地面高光譜數(shù)據(jù)獲取

采用美國(guó)ASD公司生產(chǎn)的ASD Field Spec4便攜式地物波譜儀進(jìn)行光譜反射率數(shù)據(jù)的測(cè)定，該儀器測(cè)量波長(zhǎng)范圍為350～2500 nm，其中，350～1050 nm 采樣間隔為 1.4 nm，光譜分辨率為 3 nm，1 000～2 500 nm 采樣間隔為2 nm，光譜分辨率為 10 nm。觀測(cè)時(shí)必須選在晴朗無(wú)云無(wú)風(fēng)的天氣，測(cè)定時(shí)間應(yīng)選在北京時(shí)間11:00-14:00。測(cè)量時(shí)，傳感器探頭垂直正對(duì)煙株，高度設(shè)置為1m，第株煙測(cè)量3次，第次記10組數(shù)據(jù)，最后取其平均值作為冠層光譜。測(cè)量過(guò)程中第測(cè)10株對(duì)一次白板，保證測(cè)量結(jié)果的準(zhǔn)確性。

1.4 資源3號(hào)遙感影像處理

1.4.1 數(shù)據(jù)預(yù)處理

選用2014年7月24日的資源3號(hào)全色影像（2.1m）和多光譜影像（5.8m）用于監(jiān)測(cè)煙草花葉病病害程度。兩幅影像的具體信息如表1所示。

表1 遙感影像信息Tab. 1 Remote sensing image information

通過(guò)輻射定標(biāo)、大氣校正、正射校正、幾何校正以及配準(zhǔn)融合等一系列的預(yù)處理之后，利用支持向量機(jī)(SVM)監(jiān)督分類方法提取出煙草種植區(qū)域，作為病害程度分級(jí)的基礎(chǔ)。大氣校正利用ENVI中的FLASH大氣校正模塊進(jìn)行，以有效消除大氣等對(duì)地物反射率的影響，有利于獲取地物真實(shí)反射率。配準(zhǔn)融合利用Gram-Schmidt融合方法，可以在融合的同時(shí)避免陰影重疊現(xiàn)象。將融合剪裁后的影像進(jìn)行增強(qiáng)處理，包括Linear2%，Gaussion拉伸，Equalization以及濾波處理等，經(jīng)過(guò)一系列變換后，煙草種植區(qū)得到明顯增強(qiáng)。

1.4.2 煙草種植區(qū)分類提取

遙感影像增強(qiáng)處理完成后，運(yùn)用監(jiān)督分類可提高分類精度。在ENVI Classic中完成煙草種植區(qū)域的提取。首先是利用感興趣區(qū)（ROIS）提取分類樣本，然后計(jì)算各樣本分離度，所提取樣本的分離度均在1.90以上，說(shuō)明所選取的樣本較好，滿足分類要求，為進(jìn)一步提高分類精度，利用N維可視化分析器（N-Dimensional Visualizer）對(duì)訓(xùn)練樣本進(jìn)行優(yōu)化和提純，最后利用SVM監(jiān)督分類方法進(jìn)行研究區(qū)分類，最終分類結(jié)果如圖1所示。根據(jù)GPS記錄點(diǎn)，在影像上均勻選擇各地物點(diǎn)進(jìn)行監(jiān)督分類精度驗(yàn)證，結(jié)果見(jiàn)表2。可以看出，煙草分類精度達(dá)85.40%，主要是因?yàn)樵摰貐^(qū)很多地方煙草種植分布比較零散并且受套種種植方式的影響，對(duì)于大范圍集中成片的煙草，分類精度高于85.40%，能夠滿足分類要求。

圖1 ZY-3號(hào)影像SVM監(jiān)督分類結(jié)果Fig.1 Classi fi cation of ZY-3 based on SVM supervised classi fi cation

表2 監(jiān)督分類精度驗(yàn)證Tab. 2 Accuracy veri fi cation of the supervised classi fi cation

2 數(shù)據(jù)分析

2.1 高光譜數(shù)據(jù)與遙感數(shù)據(jù)對(duì)比分析

在光譜采集過(guò)程中，由于外界環(huán)境的影響以及光譜儀不同波段對(duì)能量響應(yīng)上的差異，會(huì)導(dǎo)致光譜曲線存在一些噪聲，為減少噪聲影響提高建模精度，必須對(duì)光譜數(shù)據(jù)進(jìn)行平滑處理。常用的方法有移動(dòng)平均法、擬合多項(xiàng)式法、小波變換及各種回歸平滑方法[16]。本研究選用九點(diǎn)平滑處理法去除光譜曲線噪聲影響[17]。

針對(duì)病害分級(jí)，分別將四個(gè)等級(jí)的煙草冠層高光譜數(shù)據(jù)取平均值并作光譜曲線，為使高光譜數(shù)據(jù)與資源3號(hào)遙感數(shù)據(jù)相對(duì)應(yīng)，作光譜曲線時(shí)僅保留450～890 nm之間的數(shù)據(jù)。同時(shí)根據(jù)GPS記錄點(diǎn)在遙感影像上分別選取健康、輕度、中度、重度四個(gè)等級(jí)并記錄其DN值。地面實(shí)測(cè)高光譜曲線和遙感影像光譜曲線分別如圖2所示。

圖2 各級(jí)別病害地面實(shí)測(cè)光譜曲線及遙感影像光譜曲線Fig. 2 Spectral curves of disease of different levels under fi eld measurement and aviation measurement

圖2顯示，煙草受花葉病感染后，在可見(jiàn)光波段（500～700nm）反射率上升，而在近紅外波段反射率明顯下降，并且隨著病害程度的加重，上述變化也越來(lái)越明顯。主要原因是在可見(jiàn)光波段植被葉片的光譜反射率強(qiáng)度主要受葉片色素控制，煙草受花葉病菌侵染后，葉綠素受到破壞，葉片色素的含量和活性降低，葉片顏色變淺，從而使可見(jiàn)光區(qū)域的反射率增加；而在近紅外波段，健康煙葉的海綿狀葉肉組織的所有空間都充滿水分而膨脹時(shí)，對(duì)任何輻射都是一種良好的反射體，當(dāng)植物受花葉病毒侵害時(shí)，葉片組織的水分代謝受到阻礙，煙葉細(xì)胞核固縮，染色質(zhì)高度凝集，核被膜消失，各種細(xì)胞器均發(fā)生不同程度的明顯改變，結(jié)構(gòu)遭到破壞[18]，導(dǎo)致葉片對(duì)近紅外輻射的反射能力減少。

上圖中遙感影像的光譜曲線與地面實(shí)測(cè)光譜曲線有相同的變化趨勢(shì)，即隨病害程度的加重，煙草冠層反射率在可見(jiàn)光處上升而在近紅外波段下降。二者相同的變化趨勢(shì)為地面高光譜和高空遙感的結(jié)合奠定了基礎(chǔ)。

2.2 植被指數(shù)計(jì)算與模型構(gòu)建

植被指數(shù)（Vegetation Index），又稱光譜植被指數(shù)，是指由遙感傳感器獲取的光譜數(shù)據(jù)，經(jīng)線性和非線性組合而構(gòu)成的對(duì)植被有一定指示意義的各種數(shù)值。植被指數(shù)可以綜合光譜信息，并且能增強(qiáng)植被信息弱化非植被信息的影響，因此研究選用植被指數(shù)來(lái)構(gòu)建病害監(jiān)測(cè)模型。根據(jù)前人研究結(jié)果，選取11個(gè)與作物病害相關(guān)的常用植被指數(shù)（表3），計(jì)算植被指數(shù)與病情指數(shù)的相關(guān)性，結(jié)合變量投影重要性原則（VIP），最終篩選出與病情指數(shù)相關(guān)性高且對(duì)病情指數(shù)具有重要解釋作用的植被指數(shù)建立煙草花葉病病害程度監(jiān)測(cè)模型。

2.2.1 植被指數(shù)計(jì)算

將計(jì)算出的各植被指數(shù)與病情指數(shù)進(jìn)行相關(guān)分析，結(jié)果如表4所示?？梢钥闯觯髦脖恢笖?shù)與病害嚴(yán)重度均成顯著負(fù)相關(guān)。

表3 植被指數(shù)及其計(jì)算Tab. 3 Vegetation index and its calculation

表4 植被指數(shù)與病害程度相關(guān)系數(shù)矩陣Tab. 4 Correlation matrix of vegetation index and disease severity（N=300）

續(xù)表4

2.2.2 變量篩選

表4顯示，各自變量之間也存在較強(qiáng)的相關(guān)性，因此研究中變量篩選除考慮與病情相關(guān)性以外還結(jié)合了變量投影重要性原則（variable importance in projection，VIP），避免出現(xiàn)自變量多重共線性問(wèn)題，提高模型的穩(wěn)定性和精度。

變量投影重要性指的是自變量對(duì)因變量解釋作用的重要性，具體計(jì)算方法如下：

其中，VIPj是第j個(gè)自變量的投影重要性指標(biāo)，K代表自變量的個(gè)數(shù)，tn是自變量中提取的主成分個(gè)數(shù)，r(Y,tn)是因變量和提取主成分的相關(guān)系數(shù)，wnj是主成分提取過(guò)程中各自變量的權(quán)重。

當(dāng)VIP值小于0.5時(shí)，說(shuō)明該自變量對(duì)因變量的解釋作用很小，建模時(shí)應(yīng)去掉該自變量；當(dāng)0.5＜VIP＜1時(shí)，說(shuō)明自變量對(duì)因變量的解釋作用尚未明確，一般也不用此數(shù)據(jù)建模；當(dāng)VIP＞1時(shí)，表示自變量對(duì)因變量具有比較重要的解釋作用，一般選擇VIP＞1的自變量進(jìn)行建模。

將表4中與病情相關(guān)性絕對(duì)值大于0.6的9個(gè)植被指數(shù)代入式(1)，計(jì)算各植被指數(shù)的投影重要性，結(jié)果如圖3所示。

圖3 各變量的VIP值Fig.3 VIP value of each variable

2.2.3 模型構(gòu)建及驗(yàn)證

模型構(gòu)建時(shí)選用前5個(gè)小區(qū)（300組數(shù)據(jù)），最后一個(gè)小區(qū)（60組數(shù)據(jù)）用于模型驗(yàn)證。根據(jù)圖3，RVI，DVI ，RDVI， TVI， SAVI的VIP值大于1，因此將以上5個(gè)變量作為自變量，病情指數(shù)作為因變量，利用PLS算法建立煙草花葉病病害程度模型：

模型精度主要是通過(guò)估測(cè)值與實(shí)測(cè)值的決定系數(shù)（Determination Coefficient，R2）、估測(cè)的誤差均方根RMSEP(Root Mean Square Error Predict)和相對(duì)誤差（Relative Error，RE）來(lái)驗(yàn)證。R2的值越接近1，RMSEP和RE的值越接近0，則模型的精度越高。各指標(biāo)的計(jì)算公式為：

式中：yi，Yi分別為實(shí)測(cè)值和估測(cè)值，分別為實(shí)測(cè)值和估測(cè)值的平均值， n為檢驗(yàn)樣本個(gè)數(shù)。

經(jīng)檢驗(yàn)，該模型R2=0.81656，RMSEP=0.42831 RE=8.61%。表明該模型可以較好的估測(cè)煙草花葉病病害程度。

2.3 遙感影像煙草病害分級(jí)

計(jì)算煙草的各植被指數(shù)，并代入式（2），即可得到煙草花葉病病害等級(jí)圖。由于沂水煙草種植區(qū)域不是集中成片，為使病害等級(jí)顯示清晰，選取了沂城試驗(yàn)站附近種植面積較大的一片進(jìn)行了分級(jí)，分級(jí)結(jié)果如圖4所示。

圖4 煙草病害等級(jí)圖Fig.4 Classi fi cation of mosaic tobacco

將分級(jí)結(jié)果進(jìn)行統(tǒng)計(jì)，結(jié)果如圖5 所示?？梢钥闯?，該地區(qū)煙草受花葉病迫害嚴(yán)重的僅占1%左右，93.76%屬于健康和輕度感染，發(fā)病情況并不嚴(yán)重，為避免病情的進(jìn)一步擴(kuò)展，應(yīng)該及時(shí)對(duì)中度及重度感染的煙草進(jìn)行處理，以保證健康煙草的生長(zhǎng)。

圖5 煙草病害分級(jí)統(tǒng)計(jì)結(jié)果Fig.5 Statistical results of mosaic tobacco

為驗(yàn)證遙感監(jiān)測(cè)精度，在實(shí)地隨機(jī)抽取140個(gè)樣點(diǎn)進(jìn)行病害調(diào)查同時(shí)記錄各樣點(diǎn)的地理坐標(biāo)，在遙感影像上找到各樣點(diǎn)并計(jì)算病情指數(shù)，得出各樣點(diǎn)病情指數(shù)的地面實(shí)測(cè)值與遙感估測(cè)值的1:1關(guān)系圖（圖6所示）。由圖可見(jiàn)，地面實(shí)測(cè)值與遙感估測(cè)值之間的R2達(dá)0.7713，基本能夠滿足煙草病蟲害監(jiān)測(cè)要求。

圖6 煙草花葉病遙感監(jiān)測(cè)檢驗(yàn)結(jié)果Fig.6 Validation result of mosaic tobacco monitored by remote sensing

3 結(jié)論與討論

利用地面高光譜數(shù)據(jù)和偏最小二乘法建立煙草花葉病病害監(jiān)測(cè)模型，模型的決定系數(shù)為0.81656，估測(cè)相對(duì)誤差RE為8.61%。該模型可以較好的估測(cè)煙草花葉病病害程度。

將估測(cè)模型應(yīng)用于資源3號(hào)衛(wèi)星遙感數(shù)據(jù)，隨機(jī)選擇140個(gè)樣點(diǎn)對(duì)估測(cè)值與實(shí)測(cè)值進(jìn)行線性擬合，擬合優(yōu)度R2=0.7713，說(shuō)明遙感估測(cè)也能夠基本滿足煙草花葉病監(jiān)測(cè)要求，而且適用于大范圍實(shí)時(shí)估測(cè)，可大幅提高估測(cè)效率。

但是資源3號(hào)衛(wèi)星數(shù)據(jù)并不充分，今后的研究還應(yīng)充分利用重訪周期短、分辨率高的多源遙感數(shù)據(jù)進(jìn)行病害監(jiān)測(cè)，進(jìn)一步提高遙感監(jiān)測(cè)結(jié)果的可靠性。

[1] 王克如，潘文超，李少昆，等. 不同施氮量棉花冠層高光譜特征研究[J]. 光譜學(xué)與光譜分析，2011, 31(7):1868-1872.Wang Keru, Pan Wenchao, Li Shaokun, et al. Monitoring models of the plant nitrogen content based on cotton canopy hyperspectral reflectance [J]. Spectroscopy and Spectral Analysis, 2011, 31(7): 1868-1872. (in Chinese)

[2] Nicolas H. Using remote sensing to determine the date of a fungicide application on winter wheat [J]. Crop Protection,2004, 23(9): 853-863.

[3] Mirik M, Michels Jr G J, Kassymzhanova-Mirik S, et al.Using digital image analysis and spectral re fl ectance data to quantify damage by greenbug (Hemitera: Aphididae) in winter wheat[J]. Computers and Electronics in Agriculture,2006, 51(1-2): 86-98.

[4] Moshou D, Bravo C, West J, et al. The automatic detection of ‘yellow rust’ in wheat using re fl ectance measurements and neural networks [J]. Computers and Electronics in Agriculture, 2004, 44(3): 173-188.

[5] 陳兵，王克如，李少昆，等.棉花黃萎病冠層高光譜遙感監(jiān)測(cè)技術(shù)研究[J].新疆農(nóng)業(yè)科學(xué)，2007，44(6)：740-745.Chen Bing, Wang Keru, Li Shaokun, et al. Studies on monitoring canopy spectrum of cotton verticillium wilt by remote sensing technique [J]. Xinjiang Agricultural Sciences,2007,44(6):740-745. (in Chinese)

[6] 陳兵，王方永，韓煥勇，等.黃萎病棉花光譜識(shí)別影響因素分析[J].光譜學(xué)與光譜學(xué)分析，2014，34(3)：795-800.Chen Bing, Wang Fangyong, Han Huanyong, et al. Research of in fl uence factors on spectral recognition for leaf in fl ected by verticillium wilt [J]. Spectroscopy and Spectral Analysis,2014, 34(3):795-800. (in Chinese)

[7] 劉良云，黃木易，黃文江，等.利用多時(shí)相的高光譜航空?qǐng)D像檢測(cè)冬小麥條銹病[J].遙感學(xué)報(bào)，2004，8(3)：275-281.Liu Liangyun, Wang Muyi, Wang Wenjiang, et al.Monitoring stripe rust disease of winter wheat using multitemporal hyperspectral airborne data [J]. Journal of Remote Sensing,2004,8(3):275-281. (in Chinese)

[8] 馮煉，吳瑋，陳曉玲，等.基于HJ衛(wèi)星CCD數(shù)據(jù)的冬小麥病蟲害面積監(jiān)測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào)，2010，26（7）：213-219.Feng Lian, Wu Wei, Chen Xiaoling, et al. Diseases and insect pests area monitoring for winter wheat based on HJ-CCD imagery [J]. Transactions of the CSAE,2010,26(7):213-219. (in Chinese)

[9] 王惠文.偏最小二乘回歸方法及其應(yīng)用[M].北京:國(guó)防工業(yè)出版社,1999.Wang Huiwen. Partial Least-Squares Regression——Method and Applications [M]. Beijing: National Defence Industry Press, 1999. (in Chinese)

[10] Naesset E, Bollandsas O M, Gobakken T. Comparing regression methods in estimation of biophysical properties of forest stands from two di ff erent inventories using laser scanner data [J]. Remote Sensing of Environment, 2005,94(4): 541-553.

[11] 王惠文，吳載斌，孟潔.偏最小二乘回歸的線性與非線性方法[M].北京：國(guó)防工業(yè)出版社，2006.Wang Huiwen, Wu Zaibin, Meng Jie. Partial Least-Squares Regression——Linear and Nonlinear Methods [M]. Beijing:National Defence Industry Press, 2006. (in Chinese)

[12] 王圓圓，陳云浩，李京，等.利用偏最小二乘回歸反演冬小麥條銹病嚴(yán)重度[J].國(guó)土資源遙感，2007(1)：57-60.Wang Yuanyuan, Chen Yunhao, Li Jing, et al. The application of partial least square to the inversion of severity of winter wheat stripe rust disease [J]. Remote Sensing for Land＆Resources,2007(1):57-60. (in Chinese)

[13] Hung T Nguyen, Byun-Woo Lee. Assessment of Rice Leaf Growth and Nitrogen Status by Hyperspectral Canopy Reflectance and Partial Least Square Regression [J].European Journal of Agronomy, 2006, 24(4):349-356.

[14] Hansen P M, Schjoerring J K. Re fl ectance Measurement of Canopy Biomass and Nitrogen Status in Wheat Crop Using Normalized Di ff erence Vegetation Indices and Partial Least Squares Regression [J]. Remote Sensing of Environment,2003, 86(4):542 -553.

[15] Clevers JG PW,Vander HeijdenGW AM, Verzkov S, et al.Estimating Spatial Pattern of Biomass and Nitrogen Status in Grasslands Through Imaging Spectrometry[A]. The 9th International Symposium on Physical Measurements and Signatures in Remote Sensing[C]. Beijing: 2005.

[16] 房賢一，朱西存，王凌，等.基于高光譜的蘋果盛果期冠層葉綠素含量監(jiān)測(cè)研究[J].中國(guó)農(nóng)業(yè)科學(xué)，2013，4(16)：3504-3513.Fang Xianyi, Zhu Xicun, Wang Ling, et al. Hyperspectral monitoring of the canopy chlorophyll content at apple tree prosperous fruit stage [J]. Scientia Agricultura Sinica,2013,4(16):3504-3513. (in Chinese)

[17] 何挺，王靜， 程燁，等. 土壤水分光譜特征研究[ J ].土壤學(xué)報(bào)，2006，43 (6)：1027-1032.He Ting, Wang Jing, Cheng Ye, et al. Spectral features of soil moisture [J]. Acta Pedologica Sinica, 2006, 43(6):1027-1032. (in Chinese)

[18] 黃遵錫，李紅，陳文久，等. 感染煙草花葉病毒煙葉超微病理結(jié)構(gòu)的觀察[J]. 云南師范大學(xué)學(xué)報(bào)：自然科學(xué)版， 1995，15(2)：58-67.Huang Zunxi, Li Hong, Chen Wenjiu, et al. On the observation of ultrastruction of tobacco leaf cells infected by tobacco mosaic virus [J]. Journal of Yunnan Normal University, 1995,15(2):58-67. (in Chinese)

[19] Pearson R L, Miller, L D. Remote mapping of standing crop biomass for estimation of the productivity of the short grass prairie [C]. In: Proceedings of the Eighth International Symposum on Remote Sensing of Environment, 1972:1357-1381.

[20] Rouse J W, Haas R H, Schell J A, et al. Monitoring the vernal advancement of retrogradation of natural vegetation[M]. NASA/GSFC Type III Final Rep, 1974.

[21] Jordan C F. Derivation of leaf area index from quality of light on the forest fl oor [J]. Ecology, 1969, 50(4): 663-666.

[22] Richardson AJ, Wiegand CL. Distinguishing vegetation from soil background information [J]. Photogrammtric Engineering and Remote Sensing, 1977, 43(12):1541-1552.

[23] Roujean J L, Breon F M. Estimating PAR absorbed by vegetation from bidirectional re fl ectance measurements [J].Remote Sensing of Environment, 1995, 51(3): 375-384.

[24] Broge N H, Leblanc E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area and canopy chlorophyll density[J]. Remote Sensing of Environment, 2001, 76 (2):156-172.

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

[26] Rondeaux G, Steven M, Baret F. Optimization of soiladjusted vegetation indices [J]. Remote Sensing of Environment, 1996, 55(2):95-107.

[27] Chamard P, Courel M F, Ducousso M, et al. Utilisation des bandes spectrales du vert et du rouge pour une meilleure é valuation des formations végétales actives[J].Télédéctection et cartographie, éd. Aupelf-uref, 1991: 203-209.

[28] Qi J, Chehbouni A, Huete A, et al. A modi fi ed soil adjusted vegetation index [J]. Remote Sensing of Environment,1994, 48(2): 119-126.

[29] Liu H Q, Huete A. A feedback based modification of the NDVI to minimize canopy background and atmospheric noise [J]. IEEE Transactions on Geoscience & Remote Sensing, 1995, 33(2), 457-465.

Study on monitoring mosaic virus infected tobacco based on remote sensing technology

XU Dongyun1, LI Xinju1, YANG Yonghua2, DOU Yuqing1,3
1 College of Resources and Environment, Shandong Agricultural University, Taian 271018, Shandong, China;2 Shandong Linyi Municipal Tobacco Corporation, Linyi 276400, Shandong, China;3Tobacco Research Institute, Chinese Academy of Agricultural Sciences, Qingdao 266101, Shandong, China

Disease severity estimation model was established using partial least squares method to fi nd best indicator variable for disease condition on the basis of canopy hyper spectral data of mosaic tobacco so as to realize fast and nondestructive monitoring of tobacco mosaic virus. Tobacco mosaic disease grade map was obtained by applying the model to remote sensing data of ZY-3 satellite. Results showed that: 1)the ratio vegetation index (RVI), di ff erence vegetation index (DVI), and normalized di ff erence vegetation index (RDVI),transformed vegetation index (TVI), soil adjusted vegetation index (SAVI) as indicators of mosaic tobacco could e ff ectively estimate the disease severity. The determination coefficient of the model based on the above 5 index was 0.8165. 2) Randomly selected 140 samples were measured on tobacco mosaic disease grade map. Then linear fi tting of measured value and the estimated value was implemented and its R2 reached 77.13%. It was suggested that this method could achieve real-time monitoring of mosaic tobacco over large areas.

tobacco mosaic disease; hyper spectrum; remote sensing monitoring; ZY-3 satellite

徐冬云, 李新舉,楊永花,等. 基于遙感技術(shù)的煙草花葉病監(jiān)測(cè)研究[J]. 中國(guó)煙草學(xué)報(bào)，2016,22（1）

國(guó)家自然科學(xué)基金（No:41171425）; 山東省煙草公司重點(diǎn)項(xiàng)目資助（No:2014-7-1）; 上海煙草集團(tuán)公司重點(diǎn)科技項(xiàng)目，（No:SZBCW2013-01140）

徐冬云（1990—），碩士研究生，主要從事高光譜遙感研究，Email: xdy900815@126.com

李新舉（1965—），教授，博士生導(dǎo)師，Email: lxj0911@126.com

2015-05-13

: XU Dongyun, LI Xinju, YANG Yonghua, et al. Study on monitoring mosaic virus infected tobacco based on remote sensing technology [J]. Acta Tabacaria Sinica, 2016,22(1)