基于高光譜的春玉米大斑病害遙感監(jiān)測指數(shù)選擇

王利民，劉 佳，邵 杰，楊福剛，高建孟

基于高光譜的春玉米大斑病害遙感監(jiān)測指數(shù)選擇

王利民，劉 佳，邵 杰，楊福剛，高建孟

（中國農(nóng)業(yè)科學院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所，北京 100081）

玉米大斑病是春玉米主要病害之一，采用地面光譜觀測的方式構建遙感監(jiān)測指數(shù)，是實施區(qū)域遙感監(jiān)測的基礎，也是衛(wèi)星傳感器譜段設計的主要依據(jù)。該文在陜西省眉縣設計了人工控制小區(qū)試驗，針對高抗、抗、感和高感4個品種，通過人工接種不同濃度大斑病分生孢子的方法，獲得了正常、輕微、中度以及嚴重等4個病害感染梯度小區(qū)，并在春玉米抽雄、吐絲、乳熟以及成熟4個生長期進行了地面高光譜觀測。為了實現(xiàn)對春玉米大斑病的遙感監(jiān)測，該項研究在春玉米冠層光譜數(shù)據(jù)基礎上，分析了不同種植區(qū)不同生長期春玉米冠層光譜反射率和光譜一階微分特征，并以此確定了大斑病敏感波段位置以及病害適宜監(jiān)測期，同時根據(jù)敏感波段位置的光譜特征構建了專門的春玉米大斑病的遙感監(jiān)測指數(shù)，最后結合180個光譜觀測樣本，對比了所提指數(shù)以及其他病害指數(shù)與病害嚴重度之間的相關性，并通過聚類分析了所建遙感指數(shù)的穩(wěn)定性。研究結果表明，乳熟期的春玉米大斑病在紅邊波譜內(nèi)的響應較為敏感，尤其紅邊核心區(qū)（725～740 nm）的光譜一階微分與病害嚴重程度間存在明顯地單調(diào)變化關系，具有非常顯著的負相關性；同時，該文所提病害監(jiān)測指數(shù)與病情指數(shù)具有較高的相關性，其相關系數(shù)達到了0.995 0，最后結果表明利用紅邊一階微分指數(shù)的對病害程度的聚類總體精度達到100.0%，指數(shù)值分布穩(wěn)定性也更高，具有在遙感監(jiān)測業(yè)務中應用的潛力。

遙感；病害；光譜分析；春玉米；大斑病；紅邊；光譜一階微分

0 引 言

農(nóng)作物病蟲害是引起農(nóng)作物減產(chǎn)和品質(zhì)下降的主導因素之一[1]。作為世界主要糧食品種，玉米病蟲害受到越來越多關注，其中玉米大斑病是較為普遍且危害嚴重的病害，主要危害玉米的葉片、葉鞘和苞葉。作物病害防治的基本方式，都是在抗病品種培育的基礎上進行藥物防治，精準獲取病害發(fā)生范圍與程度信息顯得尤為重要。由于精準監(jiān)測技術的缺乏，生產(chǎn)中一般以無差異的區(qū)域性防治為主，不僅增加了成本，也增加了耕地中的藥物殘留，對生態(tài)環(huán)境及人體健康帶來危害。傳統(tǒng)病蟲害監(jiān)測主要依據(jù)地面人工觀測方式開展，不僅需要觀測者具備豐富的先驗知識，而且工作量大、效率低，無法滿足大范圍準確監(jiān)測的需求。隨著高光譜遙感技術的出現(xiàn)，利用遙感技術指導農(nóng)作物精準生產(chǎn)成為可能，也是目前病害遙感監(jiān)測研究中比較活躍的領域。

植物在病害脅迫下，會在不同電磁波譜段上表現(xiàn)出不同程度的吸收和反射特性的改變，即病害的光譜響應，通過形式化表達成為光譜特征后，一般作為植物病害光學遙感監(jiān)測的基本依據(jù)。可以近似認為作物病害光譜是一個由病害引起的植物色素、水分、形態(tài)和結構等變化的函數(shù)，往往呈現(xiàn)多效性，并且與每一種病蟲害的特點有關。有研究人員從病害光譜特征分析、特征性光譜位置確定、指數(shù)構建、嚴重度識別4個方面對作物病蟲害遙感監(jiān)測研究進行了綜述[2]。在病害特征分析方面，研究重點集中在植物色素、細胞及冠層結構變化與光譜變化的關系[3-4]，染病作物在綠光和近紅外波段處的光譜反射率會與正常情況下有較大差異，而這恰恰是進行農(nóng)作物病蟲害監(jiān)測的重要理論依據(jù)[5-6]。在如何確定病害特征性光譜位置研究方面，基于高光譜遙感數(shù)據(jù)對農(nóng)作物病害敏感波段及相關監(jiān)測指數(shù)做了大量的研究[7-8]，重點主要集中在不同病害與不同波段間的關聯(lián)性上。如水稻稻穗在450～850 nm波段內(nèi)的光譜反射率對紋枯病較敏感；小麥條銹病與不同波段范圍內(nèi)的反射率變化有密切關系[9-12]；其他作物方面，不同作物的病蟲害光譜特征[13-17]也有相關的研究。這些研究都不同程度的表明，作物類型、染病種類和時期的不同，其光譜響應位置也存在一定的差異。作物病害指數(shù)構建與嚴重度識別是遙感監(jiān)測具體實施的前提，一般不直接使用光譜反射率，而是在光譜響應特征位置確定后，會利用特征位置波段的組合、插值以及比值等常用代數(shù)形式，進行植被指數(shù)的構建，選擇合適的植被指數(shù)建立遙感信息和病害發(fā)生及病害程度之間的關系，能有效地提高病害的識別和程度區(qū)分精度。如在小麥條銹病監(jiān)測上，利用歸一化植被指數(shù)進行病情信息的判別分析提取，準確率超過95%[18]；還有利用光化學植被指數(shù)監(jiān)測小麥病害，在冠層和航空觀測尺度上達到了90%以上的估測精度[19]。由于植被指數(shù)能夠在不同程度上對作物的病害發(fā)生或程度敏感，是作物病害遙感識別和區(qū)分的重要輸入，常常被作為作物遙感監(jiān)測的重點問題進行研究。

當前作物病害遙感監(jiān)測研究主要集中于小麥和水稻等作物種類，對于春玉米大斑病的高光譜研究還未見報道。為了研究基于冠層光譜數(shù)據(jù)的春玉米大斑病遙感監(jiān)測，本文以春玉米冠層高光譜為數(shù)據(jù)源，分析不同時期、不同嚴重程度大斑病春玉米冠層光譜反射率及一階微分特征，確定大斑病的光譜響應特征位置，構建專門的春玉米病害監(jiān)測指數(shù)，以便能夠利用高光譜遙感技術為農(nóng)業(yè)防災減災和精準農(nóng)業(yè)提供相應的技術支持。

1 試驗設計與數(shù)據(jù)測量

試驗地點在陜西省眉縣境內(nèi)的西北農(nóng)林科技大學眉縣試驗站。眉縣位于關中平原中部，屬于渭河灌區(qū)，區(qū)內(nèi)農(nóng)作物種植條件優(yōu)越，是中國重要的糧食產(chǎn)區(qū)。冬小麥、夏玉米輪作是本區(qū)主要的種植形式，隨著近年來農(nóng)作物種植結構的調(diào)整，春玉米種植比例不斷增加，一季春玉米的種植結構也逐漸成本區(qū)主要種植形式。此外，該地區(qū)是玉米大斑病的常發(fā)區(qū)[20]，在本區(qū)開展玉米大斑病研究也具有現(xiàn)實的生產(chǎn)防治與監(jiān)測意義。

1.1 試驗設計

試驗共設計了4個玉米種植小區(qū)作為試驗組，分別為正常不發(fā)病區(qū)49 m×25 m、輕微發(fā)病區(qū)49 m×25 m、中度發(fā)病區(qū)49 m×18 m、嚴重發(fā)病區(qū)49 m×25 m（其中試驗種植區(qū)面積的不同是由于試驗條件所致）。由于玉米品種的抗病特性，單一品種玉米一般較少出現(xiàn)多個嚴重程度病害的情況，為此試驗選取囤玉318、益農(nóng)8號、鄭單958和華農(nóng)138等4個高抗、抗、感和高感品種，通過挖窩穴播種的方式在4個小區(qū)分別種植，其中，種植密度為7～8株/m2，行距為0.67 m，株距0.2 m，為了防止種植區(qū)間病情的相互影響，每個種植小區(qū)間隔2 m。通過人工接種大斑病孢子的方式構建不同大斑病感染梯度，試驗在玉米13葉期，株高1 m左右時，采用噴霧接種法接種大斑病分生孢子懸浮液，孢子濃度為1×105～1×106個/mL，接種量為5~10 mL/株。由于在一定范圍內(nèi)，玉米大斑病的發(fā)病嚴重程度與接種的分生孢子量成正比，輕微發(fā)病區(qū)接種一次，中度發(fā)病區(qū)接種2次，嚴重發(fā)病區(qū)接種3次，待玉米葉部前次接種的水分蒸發(fā)后再進行后次接種。2周后，誘發(fā)接種區(qū)域玉米開始出現(xiàn)大斑病，且與發(fā)病程度相對一致，能夠滿足研究觀測要求，其中，玉米大斑病鑒定依據(jù)《玉米抗病蟲性鑒定技術規(guī)范 第1部分：玉米抗大斑病鑒定技術規(guī)范》（NY/T 1248.1-2006）進行[21]。同時設置了4個品種春玉米的對照組。對照組的大小均為20 m×8 m，種植品種及種植方式、水肥條件與試驗組保持嚴格一致，同時不接種大斑病孢子。

2013年，在每個小區(qū)內(nèi)設置10個固定點進行觀測，春玉米整個生育期內(nèi)共進行了4次地面病害嚴重程度及同步光譜觀測，觀測時間分別為7月13日春玉米抽雄期、7月25日吐絲期、8月16日乳熟期、9月25日成熟期。

地面病害嚴重程度觀測參考《玉米大、小斑病和玉米螟防治技術規(guī)范 第1部分：玉米大斑病》（GB/T 2339.1-2009）[22]（以下簡稱嚴重度觀測規(guī)范）進行。

1.2 數(shù)據(jù)測量

采用ASD FieldSpec Pro FR（350～2 500 nm）型光譜儀進行光譜觀測，觀測時將探頭置于玉米冠層中間正上方，垂直向下，通過架高方式，使得不同生長期的觀測高度始終保持離冠層1.5 m，探頭視場角為25°，冠層視場范圍為50 cm直徑的圓形范圍，每個固定點重復觀測3次，取平均值作為觀測結果。每次進行觀測點測量時，測量前后立即進行參考板校正。

春玉米大斑病一般是在抽雄前期開始發(fā)病，到成熟期病害程度達到頂峰。本文采用了相對的數(shù)據(jù)處理方法，即4個小區(qū)分別規(guī)定為正常未發(fā)?。ㄒ韵潞喎Q正常）、輕微發(fā)病（以下簡稱輕微）、中度發(fā)?。ㄒ韵潞喎Q中度）、嚴重發(fā)病（以下簡稱嚴重），4個小區(qū)在拔節(jié)與喇叭口期沒有病斑出現(xiàn)，但仍根據(jù)4個梯度比較其光譜特征。在乳熟期，除高抗的對照組外，其他的抗、感、高感品種分別在植株中下部出現(xiàn)5%、10%、20%以上病斑的葉片，其中抗品種對應5%，感品種對應10%，高感品種對應20%，大致對應嚴重度觀測規(guī)范中的3、5級中間的狀況。到成熟期，不僅在植株下部，包括大部分植株上部，葉片都開始出現(xiàn)了一定面積比例的病斑，其中抗品種植株上部葉片病斑面積比例在10%以上，感品種植株上部葉片病斑面積比例在30%以上，高感品種植株上部葉片病斑面積比例在50%以上，這3種病害等級分別對應于嚴重度觀測規(guī)范中比較典型的3、5、7級。在后2個時期由調(diào)查人員根據(jù)4個試驗小區(qū)發(fā)病的春玉米葉片數(shù)目進行記錄，并根據(jù)記錄結果利用公式計算出病情指數(shù)（disease index，DI）。

病情指數(shù)計算公式為：

式中x為各梯度的級值，n是最高梯度值，f為各梯度的葉片數(shù)。

該文共設置了4個觀測小區(qū)，每個小區(qū)設置了10個觀測點，直接求平均只有4個樣本?？紤]到控制試驗不可能大面積進行，同時又要增加樣本數(shù)量，本文采取了交叉采樣的方式，即將每個小區(qū)10個觀測點交叉取其中8個觀測點作為1個樣本，且該樣本的光譜反射率取該8個觀測點的平均值，依此每個小區(qū)可獲得45個觀測樣本，4個小區(qū)共計有180個觀測樣本。通過觀測樣本交叉重組的方式，增加了樣本數(shù)量與代表性。

2 研究方法

為了構建玉米大斑病監(jiān)測指數(shù)，實現(xiàn)玉米大斑病的遙感監(jiān)測，本文首先對不同時期、不同病害程度的玉米冠層光譜特征進行了分析，并確定了大斑病的敏感波段位置以及光譜反射率受大斑病影響明顯的時期；然后基于敏感波段反射率，分析了當前遙感指數(shù)對玉米大斑病的敏感性，并通過對光譜一階微分值的變化分析，構建了紅邊核心區(qū)一階微分之和的病害監(jiān)測指數(shù)；最后，從病害指數(shù)與病害嚴重度的統(tǒng)計相關分析、病害指數(shù)聚類分析以及聚類精度分析這幾個方面對本文構建的病害指數(shù)的有效性及可靠性進行了驗證說明。具體研究流程如圖1所示。

圖1 總體方案Fig. Overall scheme

2.1 冠層光譜特征分析

采用4個試驗組觀測小區(qū)內(nèi)所有樣本的光譜平均值，制作2013年7月13日春玉米抽雄期、7月25日吐絲期、8月16日乳熟期、9月25日成熟期等4個時期不同病害程度春玉米光譜曲線圖，同時采集相應時期各春玉米對照組未發(fā)病的光譜曲線，以觀察并剔除品種不同對春玉米光譜曲線的影響，結果如圖2所示。其中，乳熟期是春玉米大斑病開始發(fā)病的時期，圖3給出了這一時期正常、輕微、中度、嚴重4個病害等級的實景照片，直觀展示不同病害等級春玉米葉片構造的破壞情況。從圖3可以看到，隨著大斑病發(fā)病程度的提高，病斑占葉片面積比例不斷提高，病斑區(qū)域葉片干枯變黃，病斑區(qū)域葉片出現(xiàn)縱裂現(xiàn)象。

圖2a和圖2b分別為抽雄期試驗組和對照組的春玉米冠層光譜曲線。從圖2a中可以發(fā)現(xiàn)試驗組不同病害程度種植區(qū)玉米的光譜反射率有一定的差異，然而此時大斑病尚未發(fā)病，其對玉米冠層光譜反射率影響尚未顯現(xiàn)，通過對比圖2b對照組相同品種玉米光譜反射率曲線，推斷玉米品種的差異可能是導致光譜差異的主要因素；另外，高光譜儀器標定、測量條件差異、土壤等背景因素都可能為玉米冠層光譜的測量帶來一定的誤差，使用一階導數(shù)等方法可以在一定程度上消除背景噪聲的影響。

圖2c和圖2d分別為吐絲期試驗組和對照組春玉米冠層光譜曲線。該時期，感染大斑病的春玉米會出現(xiàn)零星的潛育斑，數(shù)量和覆蓋面積均較小，對作物冠層光譜影響較為有限，因此，雖然該時期不同染病程度春玉米的光譜稍有差異，但是差異與染病程度之間沒有相關性，對比圖2d對照組光譜，依然認為該時期光譜差異主要受玉米品種、背景和測量噪聲影響。

圖2 各時期不同病害程度試驗組及其對照組冠層光譜反射率Fig.2 Canopy spectral reflectance of experiment group and control group in different disease extents of different stages

圖3 乳熟期春玉米大斑病癥狀Fig.3 Symptoms of spring corn leaf blight at milk-ripe stage

圖2e和圖2f分別為乳熟期試驗組和對照組春玉米冠層光譜曲線。該時期是大斑病發(fā)病時期，不同染病程度春玉米大斑病染病癥狀差別顯著，染病嚴重的葉片變黃甚至枯死。對比圖2e和圖2f光譜曲線，可以發(fā)現(xiàn)，染病程度與玉米冠層近紅外反射率之間呈現(xiàn)顯著的負相關，這是由于隨著染病程度的加深，植被葉片構造破壞越來越嚴重，導致葉片組織細胞結構對于近紅外的反射能力急劇下降，同時造成紅邊位置處波譜曲線斜率降低；同時，隨著染病程度不同導致葉片含水量的逐漸降低，在960 nm處由于水分強烈吸收形成的波谷越來越淺，近紅外光譜曲線整體變得更加平直；同時，由于嚴重染病導致植被葉綠素的降低，導致可見光區(qū)域的光譜曲線呈現(xiàn)被“拉直”的現(xiàn)象。以上這些現(xiàn)象為不同染病程度春玉米識別提供了理論基礎。

圖2g和圖2h分別為成熟期試驗組和對照組春玉米冠層光譜曲線圖，該階段春玉米逐漸成熟，葉片干枯、松散，葉片中的葉綠素濃度低，在綠光范圍內(nèi)已無明顯光譜反射峰。在近紅外波段，由于大斑病對春玉米冠層內(nèi)部結構的破壞，冠層光譜反射率隨病害嚴重程度的增加而減小，這與其他病害報道的規(guī)律較為一致[23-24]。

綜上所述，春玉米大斑病高光譜觀測識別的最佳時期是乳熟期，因此該文主要通過構建乳熟期病害監(jiān)測指數(shù)的方式對春玉米染病程度進行分級。

2.2 病害監(jiān)測指數(shù)

在作物病蟲害遙感監(jiān)測方面，目前有不少學者利用不同的病害監(jiān)測指數(shù)進行了病害監(jiān)測的研究，表1列舉了一些常用的病蟲害探測植被指數(shù)。

表1 作物病害相關指數(shù)Table1 Correlation indices of crop diseases

2.3 光譜一階微分特征

在進行植被遙感觀測時，反射率在綠邊和紅邊波譜范圍內(nèi)的變化是植被對光譜響應的一個重要特征，因此常會根據(jù)光譜反射率的變化速率來開展植被監(jiān)測。由于本研究采用了不同品種的春玉米進行試驗設計，在光譜反射率上難免存在玉米品種所帶來的影響，而作為植被光譜變化的獨特性質(zhì)，利用紅邊區(qū)域內(nèi)的反射率變化可以弱化玉米品種所帶來的影響。

光譜一階微分用來表示波段變化的速率，是遙感監(jiān)測過程中除了直接使用光譜反射率外的另一個主要計算方法，高光譜一階微分處理計算方法如下：

式中λi為各波段波長（nm），ρ′(λi)為一階微分光譜，ρ表示波段反射率，Δλ表示λi+1到λi-1間的波長間隔。圖4為試驗所測生育期內(nèi)不同病害程度種植區(qū)玉米冠層光譜一階微分曲線圖。

圖4 不同時期各種植區(qū)冠層光譜一階微分Fig.4 Spectrum first derivative of all planting region in different stages

從圖4中可以看出，在春玉米抽雄、吐絲和乳熟時期，由于受葉片葉綠素密度及葉片細胞壁等因素的作用，在綠邊（500～560 nm）和紅邊（680～750 nm）范圍內(nèi)的光譜反射率變化較顯著，尤其在紅邊范圍內(nèi)的反應最為敏感，觀察4個生長期正常不發(fā)病種植區(qū)的春玉米冠層光譜一階微分變化可知，隨著春玉米的不斷生長，春玉米在紅邊范圍內(nèi)的冠層光譜反射率變化逐漸呈現(xiàn)減弱的趨勢。

圖4a為春玉米抽雄期不同病害程度種植區(qū)的冠層光譜一階微分變化圖，從中可以看出，由于大斑病影響還未顯現(xiàn)，紅邊范圍的光譜一階微分值整體維持在相對較高的水平，其中輕度及重度發(fā)病種植區(qū)較正常不發(fā)病和中度發(fā)病種植區(qū)的要高，但整體差異不是很明顯；圖4b為春玉米吐絲期不同病害程度種植區(qū)的冠層光譜一階微分變化圖，此時春玉米開始出現(xiàn)零星的潛育斑，各種植區(qū)的玉米冠層光譜變化開始出現(xiàn)不規(guī)律的變化；圖4c為春玉米乳熟期不同病害程度種植區(qū)的冠層光譜一階微分變化圖，此時春玉米葉片開始出現(xiàn)大斑病癥狀，由于受不同嚴重程度大斑病的影響，紅邊范圍內(nèi)的冠層光譜一階微分出現(xiàn)了規(guī)律性的變化，隨著病害嚴重程度的增加，葉片光譜反射率的變化速率隨之降低，730 nm波段處波峰峰值也降低，顯然此時的光譜一階微分值呈現(xiàn)的分布較適合春玉米大斑病的監(jiān)測以及受病害影響嚴重程度的區(qū)分；圖4d為春玉米成熟期不同病害種植區(qū)的冠層光譜一階微分變化圖，此時由于春玉米成熟，葉片已開始枯萎，葉片葉綠素密度降低，細胞組織也慢慢破壞，冠層光譜的反射率變化減低，對其進行遙感監(jiān)測以實現(xiàn)春玉米大斑病預防和治療的意義已經(jīng)不大。

2.4 紅邊一階微分病害監(jiān)測指數(shù)構建

由圖4的光譜一階微分曲線可以看出，在玉米不同生長階段內(nèi)，綠邊和紅邊范圍內(nèi)的光譜一階微分值的大小較其他區(qū)間的波段位置更加顯著，特別是在圖4c的春玉米乳熟期，不同病害程度的玉米冠層光譜一階微分在紅邊范圍內(nèi)的變化規(guī)律較明顯。其中，在紅邊核心區(qū)（725～740 nm）內(nèi)，不同病害嚴重程度的大斑病春玉米冠層光譜一階微分值之間呈現(xiàn)規(guī)律性的變化，隨病害嚴重程度的增加，一階微分值逐漸降低，其在730 nm波段處的波峰值也逐漸降低。因此，取該范圍的光譜一階微分值可使得各病害程度間的差異最大化，對作物病害的識別和區(qū)分精度的提高也具有一定的提高作用。

結合以上所述生育期內(nèi)各病害下的春玉米冠層光譜特征和實際生長機理，本研究以乳熟期春玉米冠層光譜為基礎，擬以紅邊核心區(qū)（725～740 nm）的光譜一階微分之和（SDrec）作為大斑病害監(jiān)測指數(shù)，構建紅邊一階微分的病害監(jiān)測指數(shù)，實現(xiàn)春玉米大斑病的區(qū)分和病害嚴重程度等級的設定，具體計算公式如下：

式中ρ′為光譜一階微分值，rec取紅邊核心區(qū)波段。

在計算過程中，首先通過一階微分計算公式得到核心區(qū)內(nèi)波段的一階微分值，然后進行核心區(qū)內(nèi)各波段的求和即可。由于在紅邊核心區(qū)內(nèi)各波段光譜一階微分值與病害程度間的單調(diào)變化關系，那么本項研究的監(jiān)測指數(shù)與春玉米大斑病嚴重程度間亦存在單調(diào)變化關系；相比較于不同病害程度在單波段處光譜一階微分的差異，當多個這樣的單波段光譜一階微分值相加時將會增大這種差異，使得不同病害程度間的差異變大，易于病害等級的劃分；與綠邊處的光譜一階微分相比，不同病情春玉米在紅邊核心區(qū)的光譜一階微分差異更大，可靠性更強；乳熟期內(nèi)不同病情春玉米在近紅外波段處的冠層光譜反射率間差異雖明顯，但反射率的大小會因各種因素的影響不夠穩(wěn)定，不利于病害監(jiān)測，而光譜一階微分表示光譜斜率的大小，即波段間的梯度變換情況，因此使用紅邊一階微分比直接使用近紅外波段反射率更具科學性。

3 研究結果

該文以4個種植小區(qū)不同時期所觀測到的180個樣本冠層光譜數(shù)據(jù)為基礎，通過對不同時期不同病害程度玉米冠層光譜以及光譜一階微分值的分析，設計了紅邊核心區(qū)一階微分之和的春玉米大斑病監(jiān)測指數(shù)，為了驗證本文所提指數(shù)的有效性及可靠性，試驗采用相關統(tǒng)計方法構建了本文所提監(jiān)測指數(shù)以及常用病害監(jiān)測指數(shù)與病害嚴重度的統(tǒng)計模型，對病害監(jiān)測指數(shù)的敏感性進行了分析，并使用k-means聚類[29-30]方法進行精度驗證。

3.1 相關病害監(jiān)測指數(shù)敏感性分析

為了驗證本文所提病害監(jiān)測指數(shù)的有效性及優(yōu)越性，試驗將春玉米乳熟期冠層光譜紅邊核心區(qū)（725～ 740 nm）一階微分之和指數(shù)以及常用的相關病害監(jiān)測指數(shù)，分別與病害嚴重程度進行線性相關分析，根據(jù)相關系數(shù)大小比較各監(jiān)測指數(shù)計算有效性與敏感性。計算過程中，以各監(jiān)測指數(shù)為自變量x，病情指數(shù)為因變量y，進行一元線性回歸分析，表2為病害脅迫下，各監(jiān)測指數(shù)的線性回歸分析模型及相關性結果。

表2 監(jiān)測指數(shù)線性分析結果Table2 Linear regression analysis results of all monitoring index

由表2可知，線性回歸模型函數(shù)的自變量系數(shù)都小于0，表明各監(jiān)測指數(shù)與病害嚴重程度之間存在著線性負相關性。其中，除紅邊與綠邊一階微分之和的比值外，各病害監(jiān)測指數(shù)與病情指數(shù)間都存在較大的相關性，均達到了0.97以上。有紅邊參與的紅邊歸一化植被指數(shù)和本文紅邊核心區(qū)一階微分之和指數(shù)與病情指數(shù)的相關性達到了0.99；紅邊與綠邊一階微分之和的比值則與病害嚴重程度相關性較小，不適合春玉米大斑病識別和病情的區(qū)分，造成這種情況的原因是綠光和紅邊區(qū)內(nèi)的光譜一階微分值皆隨病害的嚴重程度呈負相關關系，因此在這里使用一階微分和的比值不能很好的反映出監(jiān)測指數(shù)與病情之間的相關性；本項研究提出的以紅邊核心區(qū)光譜一階微分之和作為監(jiān)測指數(shù)的相關性系數(shù)達到了0.995 0，要優(yōu)于其他相關的常用病害監(jiān)測指數(shù)，說明本文所提指數(shù)具有能較好地反演春玉米大斑病的潛力。

由于試驗選取了乳熟期的春玉米作為病害監(jiān)測的適宜期，而該時期各病害種植區(qū)的玉米冠層反射率與病害嚴重度在紅光波段到近紅外波段處逐漸呈現(xiàn)出單調(diào)變化關系，也就是隨著病害程度的增加，玉米冠層光譜在近紅外波段處的反射率逐漸降低。當受病害侵襲時，往往使得可見光的綠光、近紅外和紅外波段的反射率發(fā)生變化，而目前的植被指數(shù)也都是基于這些波段構建而成，因此一般的植被指數(shù)與病情指數(shù)都存在一個較高的相關性，本項研究的目的也是在這些指數(shù)的基礎上，通過對玉米冠層光譜特征的分析，來發(fā)現(xiàn)和構建更加合適的遙感監(jiān)測指數(shù)。

在此需要指出的是，紅邊歸一化植被指數(shù)和本研究提出的紅邊核心區(qū)一階微分之和與病情指數(shù)都具有較高的相關性，也表明了紅邊波段對玉米大斑病害的敏感性較強。

3.2 精度評價

通過相關性分析，得知了各病害監(jiān)測指數(shù)與病情指數(shù)間的密切關系度，但還無法確定各項指數(shù)在不同病害程度下的分布穩(wěn)定性。為了分析本文所提遙感指數(shù)與其他常用監(jiān)測指數(shù)在病害程度劃分以及指數(shù)在各病害程度下分布的離散程度，本文以試驗區(qū)的各監(jiān)測病害指數(shù)為基礎，對春玉米乳熟期冠層光譜觀測點交叉采樣獲取的180個樣本進行k-means聚類分析，其中，根據(jù)病害嚴重程度將聚類的數(shù)量設置為4類，由于試驗樣本數(shù)量有限，本項試驗中的樣本全部用于聚類分析過程，而聚類精度的檢驗則是通過人工解譯的方式來進行。圖5為各病害監(jiān)測指數(shù)在乳熟期不同病害嚴重程度下的分布，為了便于對比，試驗對各指數(shù)分別進行了歸一化處理。其中，圖5a為歸一化植被指數(shù)分布及各等級指數(shù)的均值，圖5b為比值植被指數(shù)，圖5c為紅邊歸一化植被指數(shù)，圖5d為紅邊和綠邊一階微分之和的比值，圖5e為本文所提的紅邊核心區(qū)一階微分值之和的大小及相應的均值中心。表3是以混淆矩陣方式表示的180個樣本聚類結果的精度評價結果，包括用戶精度、總體精度以及最后各指數(shù)分布的均方根誤差3項。

圖5 病害監(jiān)測指數(shù)及均值中心Fig.5 Disease monitoring index and mean center

由圖5a和圖5b可以看出，歸一化植被指數(shù)（NDVI）和比值植被指數(shù)（RVI）的結果隨病害嚴重程度符合一定的梯度變化，而通過聚類分析后發(fā)現(xiàn)，歸一化植被指數(shù)與比值植被指數(shù)在正常無病害區(qū)和受病害輕度影響區(qū)的整體分布較為接近，容易造成這2個程度的病害出現(xiàn)誤判；從表3的結果可知，歸一化植被指數(shù)和比值植被指數(shù)使得正常春玉米與輕度感染大斑病的春玉米產(chǎn)生了少量的錯誤分類，這也表明了NDVI和RVI對正常和輕度受病害劃分的不足。

紅邊與綠邊一階微分之和的比值的分類精度較低，不利于春玉米大斑病監(jiān)測，這是由于紅邊與綠邊一階微分值的大小皆與病害嚴重度成負相關，從而導致該比值指數(shù)大小與病害呈不規(guī)則變化關系（見圖5d和表3結果），無法有效監(jiān)測。

由圖5c、圖5e和表3可知，紅邊歸一化植被指數(shù)與本文所提紅邊核心區(qū)一階微分之和指數(shù)不僅與春玉米大斑病的病情指數(shù)具有較高的相關性，且分類后均能獲取正確的結果，各病害間的差異也較為明顯，可分性較強，這也表明紅邊波段對春玉米大斑病的監(jiān)測具備較好的指示作用。

結合表2、表3以及圖5，本文所提指數(shù)在各個病害梯度變化較為穩(wěn)定，與病情指數(shù)的相關性也較其他指數(shù)要高，達到了0.995 0；且能進行各病害程度的正確劃分；同時指數(shù)大小的離散程度上也最低，均方根誤差為0.021 0，較其他各病害監(jiān)測指數(shù)的要低。

表3 病害監(jiān)測指數(shù)的聚類分析結果Table3 Cluster analysis results of all disease monitoring index

4 結論與討論

為了構建玉米大斑病的遙感監(jiān)測指數(shù)，本文設計了4個玉米種植試驗小區(qū)，并通過人工接種不同濃度大斑病分生孢子的方式，獲取了不同大斑病嚴重程度的玉米，并測量了不同時期各嚴重程度玉米的冠層光譜。通過對不同時期、不同病害嚴重程度的春玉米冠層光譜的分析和研究：

1）發(fā)現(xiàn)乳熟期前的春玉米冠層光譜反射率大小與病害嚴重程度的關系不夠顯著，而在乳熟期，各病害嚴重程度下的春玉米冠層在綠光及近紅外波段處的光譜反射率大小與病害嚴重程度出現(xiàn)了較明顯的對應關系，尤其在近紅外波段，隨著病害嚴重程度越高的種植區(qū)，其玉米冠層光譜反射率越低，病害嚴重度與反射率之間呈現(xiàn)出較顯著的梯度變化關系；

2）通過對光譜特征以及對應光譜一階微分特征的分析，發(fā)現(xiàn)玉米大斑病在紅邊波譜范圍內(nèi)反應較為敏感，尤其在紅邊核心區(qū)（725～740 nm）內(nèi)，各病害程度玉米冠層的光譜反射率及光譜一階微分值差異較為顯著，即隨著病害嚴重程度的增加，一階微分值依次降低，為此以該波譜范圍作為玉米大斑病的敏感波段位置，提出了紅邊核心區(qū)（725～740 nm）一階微分之和的大斑病遙感監(jiān)測指數(shù)；

3）將提出的遙感監(jiān)測指數(shù)與當前常用的遙感植被指數(shù)從相關性分析、分類結果及精度分析方面對本文所提監(jiān)測指數(shù)進行了有效性及穩(wěn)定性的說明。試驗結果顯示，目前一般的植被指數(shù)都與春玉米大斑病嚴重程度具備較高的相關性，而相對于所列舉的常用病害遙感監(jiān)測指數(shù)，本文所提指數(shù)與病情指數(shù)則具備更高的相關性，相關系數(shù)達到了0.995 0，且不同病害嚴重度下的指數(shù)值分布更為穩(wěn)定，在聚類上也可獲取準確的分類結果。

近年來，國家農(nóng)業(yè)信息決策服務對病蟲害信息獲取要求日益迫切，高光譜數(shù)據(jù)也逐漸成為病蟲害遙感監(jiān)測的首選數(shù)據(jù)源，本文在地面高光譜數(shù)據(jù)基礎上對玉米大斑病監(jiān)測進行了研究，并構建了相應的遙感監(jiān)測指數(shù)。而在當前研究的基礎上，大斑病的作用機理還有待深入研究，如何根據(jù)所設定的遙感指數(shù)實現(xiàn)玉米大斑病的識別以及病害嚴重度的劃分也將是接下來研究工作的重點，且將這些研究成果作為高光譜衛(wèi)星譜段設置的依據(jù)，或者作為寬光譜轉(zhuǎn)換的基礎，以實現(xiàn)大范圍作物病害監(jiān)測的需求，也是非常迫切的。

[1] 劉占宇，黃敬峰，陶榮祥，等. 基于主成分分析和徑向基網(wǎng)絡的水稻胡麻斑病嚴重度估測[J]. 光譜學與光譜分析，2008，28(9)：2156－2160.

Liu Zhanyu, Huang Jingfeng, Tao Rongxiang, et al. Estimating rice brown spot disease severity based on principal component analysis and radial basis function neural network[J]. Spectroscopy and Spectral Analysis, 2008, 28(9): 2156－2160. (in Chinese with English abstract)

[2] 張競成，袁琳，王紀華，等. 作物病蟲害遙感監(jiān)測研究進展[J]. 農(nóng)業(yè)工程學報，2012，28(20)：1－11.

Zhang Jingcheng, Yuan Lin, Wang Jihua, et al. Research progress of crop diseases and pests monitoring based on remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(20): 1－11. (in Chinese with English abstract)

[3] Zhang J C, Pu R L, Huang W J, et al. Using in-situ hyperspectral data for detecting and discriminating yellow rust disease from nutrient stresses[J]. Field Crops Research, 2012, 134: 165－174.

[4] Zhang J C, Pu R L, Wang J H, et al. Detecting powdery milder of winter wheat using leaf level hyperspectral measurements[J]. Computers and Electronics in Agriculture, 2012, 85: 13－23.

[5] Cheng T, Rivard B, Sanchez-Azofeifa A, et al. Continuous wavelet analysis for the detection of green attack damage due to mountain pine beetle infestation[J]. Remote Sensing of Environment, 2010, 114(4): 899－910.

[6] Zhang J C, Luo J H, Huang W J, et al. Continuous wavelet analysis based spectral feature selection for winter wheat yellow rust detection[J]. Intelligent Automation and Soft Computing, 2011, 17(5): 531－540.

[7] Zhang M H, Qin Z H, Liu X, et al. Detection of stress in tomatoes induced by late blight disease in California, USA, using hyperspectral remote sensing[J]. International Journal of Applied Earth Observation and Geo Information, 2003, 4(4): 295－310.

[8] Zhang M H, Qin Z H, Liu X. Remote sensed spectral imagery to detect late blight in field tomatoes[J]. Precision Agriculture, 2005, 6(6): 489－508.

[9] Graeff S, Link J, Claupein W. Identification of powdery mildew and take-all disease in wheat by means of leaf reflectance measurements[J]. Central European Journal of Biology, 2006, 1(2): 275－288.

[10] 黃木易，王紀華，黃文江，等. 冬小麥條銹病的光譜特征及遙感監(jiān)測[J]. 農(nóng)業(yè)工程學報，2003，19(6)：154－158.

Huang Muyi, Wang Jihua, Huang Wenjiang, et al. Hyperspectral character of stripe rust on winter wheat and monitoring by remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2003, 19(6): 154－158. (in Chinese with English abstract)

[11] Moshou D, Bravo C, West J, et al. Automatic detection of‘yellow rust’ in wheat using reflectance measurements and neural networks[J]. Computers and Electronic in Agriculture, 2004, 44(3): 173－188.

[12] Moshou D, Bravo C, Oberti R, et al. Plant disease detection based on data fusion of hyper-spectral and multi-spectral fluorescence imaging using Kohonen maps[J]. Real-Time Imaging, 2005, 11(2): 75－83.

[13] Zhang M H, Qin Z H, Liu X. Remote sensed spectral imagery to detect late blight in field tomatoes[J]. Precision Agriculture, 2005, 6(6): 489－508.

[14] Xu H R, Ying Y B, Fu X P, et al. Near-infrared spectroscopy in detecting leaf miner damage on tomato leaf[J]. Biosystems Engineering, 2007, 96(4): 447－454.

[15] Jones C D, Joned J B, Lee W S. Diagnosis of bacterial spot of tomato using spectral signatures[J]. Computers and Electronics in Agriculture, 2010, 74(2): 329－335.

[16] Naidu R A, Perry E M, Pierce F J, et al. The potential of spectral reflectance technique for the detection of Grapevine leafroll-associated virus-3 in two red-berried wine grape cultivars[J]. Computers and Electronics in Agriculture, 2009, 66(1): 38－45.

[17] Huang J F, Apan A. Detection of sclerotinia rot disease on celery using hyperspectral data and partial least squares regression[J]. Journal of Spatial Science, 2006, 52(2): 129－142.

[18] Bravo C, Moshou D, West J S, et al. Early disease detection in wheat fields using spectral reflectance[J]. Biosystems Engineering, 2003, 84(2): 137－145.

[19] Huang W J, 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, 8(5):187－197.

[20] 李勇，潘順法，白金鎧，等. 玉米大斑病菌〔Exserohilum turcicum(Pass.) Leonard et Suggs〕生理小種鑒定結果初報[J]. 植物病理學報，1982(1)：61－64.

Li Yong, Pan Shunfa, Bai Jinkai, et al. A prelimingary report of the physiological races of Exserohilum turcicum (Pass.) Leonard et Suggs of corn[J]. Acta Phytopathologica Sinica, 1982(1): 61－64. (in Chinese with English abstract)

[21] NY/T 1248.1-2006. 玉米抗病蟲性鑒定技術規(guī)范 第1部分：玉米抗大斑病鑒定技術規(guī)范[S].

[22] GB/T 23391.1-2009. 玉米大、小斑病和玉米螟防治技術規(guī)范第1部分：玉米大斑病[S].

[23] 陳鵬程，張建華，雷勇輝，等. 高光譜遙感監(jiān)測農(nóng)作物病蟲害研究進展[J]. 中國農(nóng)學通報，2006，22(3)：388－391.

Chen Pengcheng, Zhang Jianhua, Lei Yonghui, et al. Research progress on hyperspectral remote sensing in monitoring crop diseases and insect pests[J]. Chinese Agricultural Science Bulletin, 2006, 22(2): 388－391. (in Chinese with English abstract)

[24] 王曉麗，周國民. 基于近紅外光譜技術的農(nóng)作物病害診斷[J]. 農(nóng)機化研究，2010，32(6)：171－174.

Wang Xiaoli, Zhou Guomin. The diagnosing crop disease based on near-infare spectrum technology[J]. Journal of Agricultural Mechanization Research, 2010(6): 171－174. (in Chinese with English abstract)

[25] Steddom K, Heidel G, Jones D. Remote detection of rhizomania in sugar beets[J]. Phytopathology, 2003, 93(6): 720－726.

[26] Zhao C J, Huang M Y, Huang W J, et al. Analysis of winter wheat stripe rust characteristic spectrum and establishing of inversion models[C]//. IEEE International Geoscience and Remote Sensing Symposium, 2004, 6, 4318－4320.

[27] 黃春燕，王登偉，黃鼎程，等. 基于高光譜植被指數(shù)的加工番茄生長狀況監(jiān)測研究[J]. 遙感信息，2012，27(5)：26－30.

Huang Chunyan, Wang Dengwei, Huang Dingcheng, et al. Monitoring growing status of processing tomato based on hyperspectral vegetative index[J]. Remote Sensing Information, 2012, 27(5): 26－30. (in Chinese with English abstract)

[28] 蔣金豹，陳云浩，黃文江. 用高光譜微分指數(shù)監(jiān)測冬小麥病害的研究[J]. 光譜學與光譜分析，2007，27(12)：2475－2479.

Jiang Jinbao, Chen Yunhao, Huang Wenjiang, et al. Using hyperspectral derivative index to monitor winter wheat disease[J]. Spectroscopy and Spectral Analysis, 2007, 27(12): 2475－2479. (in Chinese with English abstract)

[29] 吳鳳惠，成穎，鄭彥寧，等. K-means算法研究綜述[J]. 現(xiàn)代圖書情報技術，2011(5)：28－25.

Wu Suhui, Cheng Ying, Zheng Yanning, et al. Survey on K-means algorithm[J]. New Technology of Library and Information Service, 2011(5): 28－25. (in Chinese with English abstract)

[30] Ding C, He X. Cluster structure of k-means clustering via principal component analysis[J]. Lecture Notes in Computers Science, 2004, 46(4): 414－418.

Remote sensing index selection of leaf blight disease in spring maize based on hyperspectral data

Wang Limin, Liu Jia, Shao Jie, Yang Fugang, Gao Jianmeng
(Institute of Agricultural Resources and Regional Planning, Chinese Academy of Agricultural Sciences, 100081, China)

Leaf blight is one of the major diseases of spring corns. Analyzing crop canopy spectral features and establishing remote sensing monitoring indices by employing the method of ground spectrum test are the foundation for implementing regional disease remote sensing monitoring, and the major basis for designing satellite sensor spectrum. By taking 4 varieties of spring corns i.e. highly resistant, resistant, infected, and highly infected spring corns as the study objects, this paper designed an artificially controlled plot experiment in Meixian County, Shannxi Province. Through artificial inoculation of leaf blight spores with different concentrations, the study established 4 disease infected land plots including normal corn, mildly infected corn, moderately infected corn, and severely infected corn, and conducted ground hyperspectral observation of 4 development stages i.e. tasseling stage, silking stage, milk-ripe stage and ripe stage of spring corns. In order to realize the remote sensing monitoring on leaf blight of spring corns, based on the spring corn canopy spectral data, this paper analyzed the change features of spring corn canopy spectral reflectance and first derivative spectral value of crop areas with different disease severities and at different growth stages, and identified the sensitive band range of spring corn leaf blight and proper disease monitoring period; meanwhile the study established a special remote sensing index for spring corns based on the spectral features of sensitive wave bands, namely, the first derivative of spectral in red edge core area. Finally, to validate the effectiveness of the index proposed in this paper, the study used a total of 180 spectral observation samples in the 4 crop areas, which were obtained by using the crossing sampling method, and made a comparison between the indices and the other commonly used disease monitoring indices in terms of their correlation with disease severity. The result showed that, spring corn leaf blight with different order of severity could be more significantly represented during the milk-ripe stage of the spring corn. Along with the increase of disease severity, the reflectance in near-infrared band decreased gradually, and showed a change of gradient, which was suitable for the leaf blight remote sensing monitoring and classification of disease severity; response of first derivative of spring corn canopy spectrum was relatively sensitive, especially within the range of red edge core area (725-740 nm). There was a significant monotonous change relation between first derivative of spectrum and disease severity, showing a very significant negative correlation. The experimental result also showed that there was a relatively high correlation between the remote sensing monitoring index proposed in this paper and the disease index, with the correlation coefficient of 0.995 0. Classification accuracy of different disease severity reached 100%, and the dispersion degree of index values was lower than that of other commonly used monitoring indices, with a higher distribution stability, indicating that the indices proposed in this paper can be applied in remote sensing monitoring operations.

remote sensing; diseases; spectrum analysis; spring corn; leaf blight; red edge; spectral first derivative

10.11975/j.issn.1002-6819.2017.05.025

S127

A

1002-6819(2017)-05-0170-08

王利民，劉 佳，邵 杰，楊福剛，高建孟. 基于高光譜的春玉米大斑病害遙感監(jiān)測指數(shù)選擇[J]. 農(nóng)業(yè)工程學報，2017，33(5)：170－177.

10.11975/j.issn.1002-6819.2017.05.025 http://www.tcsae.org

Wang Limin, Liu Jia, Shao Jie, Yang Fugang, Gao Jianmeng. Remote sensing index selection of leaf blight disease in spring maize based on hyperspectral data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(5): 170－177. (in Chinese with English abstract)

doi：10.11975/j.issn.1002-6819.2017.05.025 http://www.tcsae.org

2016-05-06

2017-02-07

國家重點研發(fā)計劃“糧食作物生長監(jiān)測診斷與精確栽培技術”課題“作物生長與生產(chǎn)力衛(wèi)星遙感監(jiān)測預測”（2016YFD0300603）

王利民，男，蒙古族，內(nèi)蒙古寧城人，博士，副研究員，主要從事農(nóng)業(yè)遙感監(jiān)測業(yè)務運行研究。北京 中國農(nóng)業(yè)科學研究院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所，100081。Email：wanglimin01@caas.cn