基于GF-1/WFV數(shù)據(jù)的冬小麥條銹病遙感監(jiān)測

王利民，劉 佳，楊福剛，楊玲波，姚保民，高建孟

?

基于GF-1/WFV數(shù)據(jù)的冬小麥條銹病遙感監(jiān)測

王利民，劉 佳，楊福剛，楊玲波，姚保民，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）

條銹病是冬小麥常見病害，利用遙感影像對條銹病病害區(qū)域進行準確監(jiān)測具有重要意義。該文利用GF-1/WFV影像，結合條銹病地面光譜數(shù)據(jù)分析，采用冬小麥條銹病遙感監(jiān)測指數(shù)（wheat stripe rust index，WSRI）對河南西華縣冬小麥條銹病發(fā)病范圍進行了估測。首先，利用冬小麥 NDVI 加權指數(shù)（weighted NDVI index，WNDVI）獲取冬小麥種植區(qū)域。其次，利用影像4個波段反射率之和提取不同冬小麥品種的分布范圍，值較高的為條銹病高抗品種（鄭麥系列），較低的則是條銹病易感品種（矮壯系列）。再次，構建冬小麥條銹病指數(shù)（wheat stripe rust index，WSRI），結合地面實地調查的條銹病分布數(shù)據(jù)，通過設定合理的WSRI指數(shù)劃分閾值，提取條銹病染病區(qū)域并進行精度驗證。結果表明，研究區(qū)內小麥條銹病空間分布識別的總體精度在84.0%以上，具有區(qū)域監(jiān)測應用的潛力。該方法簡單，可操作性強，表明寬波段GF-1影像結合WSRI指數(shù)的技術，是一種比較可行的小麥條銹病遙感監(jiān)測方案。

遙感；監(jiān)測；作物；GF-1/WFV；小麥條銹病；WSRI；識別

0 引 言

小麥是中國的第二大糧食作物，條銹病是中國發(fā)生較重的20余種病害之一[1]，也是3種小麥銹病中發(fā)生最為廣泛的病害[2]。小麥條銹病是由病原s引起，主要發(fā)生在西北、西南、黃淮等冬麥區(qū)和西北春麥區(qū)，在流行年份可導致減產(chǎn)20%以上，嚴重地塊甚至絕收，病害的監(jiān)測對災損防治與控制具有重要意義[3]。田間采樣是常用的病害調查方式，主要問題是區(qū)域覆蓋性差，病害發(fā)生范圍判斷不準確。在病害發(fā)生初期，受害植株葉片內部結構發(fā)生變化，病葉的近紅外波段數(shù)據(jù)便發(fā)生了變化，為遙感技術對病害監(jiān)測提供了依據(jù)[4]。從數(shù)據(jù)獲取角度分析，遙感技術開展病害監(jiān)測應用主要包括地面觀測光譜數(shù)據(jù)、航空遙感數(shù)據(jù)、衛(wèi)星遙感數(shù)據(jù)等3個方面，其中地面觀測可以分為室內的單葉水平觀測分析，以及大田尺度的冠層光譜觀測。

由于觀測條件相對可控，單葉水平的實驗室內觀測往往是病害敏感波段研究的主要方式[5-6]，Zhang等[7-8]基于地面觀測數(shù)據(jù)提取了小麥白粉病的32個光譜特征，采用多種算法進行了精度比較，認為局部最小二乘回歸模型（PLSR）和采用小波特征建立回歸模型比傳統(tǒng)多元回歸模型（MLR）對小麥白粉病病害程度監(jiān)測更為有效。由于太陽輻射量、風力狀況和云層情況的復雜性都會對試驗結果造成影響[9]，冠層水平病害研究則更多的集中在病害特征反射光譜選擇與方法篩選方面[10-18]。劉良云等[19]分析了感染小麥條銹病、白粉病的冬小麥在主要生育期的光譜特征及其變化，發(fā)現(xiàn)染病小麥冠層光譜紅邊藍移，紅邊振幅減小，NDVI（normal difference vegetation index）值減小。黃文江等[20]選取不同抗性的小麥品種進行不同梯度的條銹病田間接種試驗，并測定了冠層光譜及對應的病情指數(shù)，通過構建病情指數(shù)證明了反演條銹病嚴重度的理論和方法是可行的。

在航空遙感病害研究方面，主要是基于無人機影像結合地面觀測開展了病害遙感監(jiān)測可行性的研究[21]。蔡成靜等[22]使用ASD手持野外光譜儀和熱氣球分別從近地和高空采集了發(fā)病小麥冠層的高光譜遙感數(shù)據(jù)，通過對比2個不同平臺高光譜數(shù)據(jù)在小麥冠層反射上的差異，發(fā)現(xiàn)綠峰580 nm和黃邊610 nm處數(shù)據(jù)對發(fā)病小麥冠層較敏感。航空遙感的優(yōu)勢是觀測范圍更廣，但噪聲消除和試驗數(shù)據(jù)處理方法限制了深入應用。在衛(wèi)星病害遙感監(jiān)測研究方面，Kanemasu等[23]在1974年通過分析陸地衛(wèi)星一號（ERTS-1）各波段數(shù)據(jù)組合，發(fā)現(xiàn)小麥病害和衛(wèi)星某些波段數(shù)據(jù)組合有一定的相關性。國內學者則對不同衛(wèi)星遙感數(shù)據(jù)開展了相關研究，深化了農(nóng)作物病害遙感監(jiān)測研究[24-25]，并根據(jù)冬小麥條銹病染病作物綠光與近紅外波段的差異，建立了小麥條銹病遙感監(jiān)測指數(shù)，形成了相應的農(nóng)業(yè)行業(yè)標準[26]。

從以往研究回顧可以看出，農(nóng)作物病害遙感監(jiān)測方法的研究較為成熟，但采用國產(chǎn)衛(wèi)星遙感開展遙感監(jiān)測的研究仍處于起步階段，特別是大范圍種植區(qū)的應用研究相對較少。為了研究冬小麥條銹病遙感監(jiān)測指數(shù)在國產(chǎn)衛(wèi)星中應用的有效性，該文基于國產(chǎn)GF-1衛(wèi)星寬視場WFV數(shù)據(jù)，采用冬小麥條銹病害遙感監(jiān)測指數(shù)，對河南省西華縣冬小麥條銹病2017年發(fā)病狀況進行了監(jiān)測。

1 研究區(qū)概況

西華縣位于河南省東部，行政建制屬于周口市管轄。地理位置114°5′E～114°43′E，33°36′N～33°39′N，總面積1 194 km2，耕地面積73 300 hm2。屬暖溫帶半濕潤季風氣候，四季分明，光照充足，年平均氣溫14 ℃。平均降水量750 mm，平均日照時數(shù)1 971 h，無霜期224 d，最大風速10.6 m/s。西華屬黃河沖積平原，海拔高度在47.8～55.8 m之間，西北略高于東南，地勢平坦，土層深厚。盛產(chǎn)小麥、棉花、大豆、花生、大棗、蘋果、桃子、蘆筍等，2015年全縣冬小麥種植面積68 000 hm2 (周口統(tǒng)計年鑒，2016年)。占夏收糧食播種面積的100%。冬小麥病蟲害主要有條銹病、麥蜘蛛、黃花葉病毒病、小麥紋枯病等。圖1給出了西華縣在河南省的地理位置。

圖1 研究區(qū)的地理位置

Figl.1 Geographical location of study area

研究區(qū)內冬小麥生育期一般是從每年的10月到次年6月。按照生長季內冬小麥發(fā)育特點，可以劃分為9個發(fā)育時期，即播種（10月10日－10月30日）、出苗（11月1日－11月20日）、分蘗（11月21日－12月20日）、越冬（12月21日－2月28日）、返青（3月1日－3月31日）、拔節(jié)（4月1日－5月10日）、抽穗（5月11－20日）、乳熟（5月21－30日）和成熟（6月1－20日）等。在每年的10月至次年4月上旬，農(nóng)田中一般只有冬小麥處于生長階段，其它作物在4月中旬才開始播種，下旬開始陸續(xù)出苗，至5月上旬在遙感影像上呈現(xiàn)出明顯的植被特征。

2 數(shù)據(jù)獲取及處理

2.1 GF-1/WFV數(shù)據(jù)處理

GF-1衛(wèi)星是中國第1顆高分辨率對地觀測應用衛(wèi)星，于2013年4月26日在酒泉衛(wèi)星發(fā)射中心成功發(fā)射。GF-1衛(wèi)星共有4臺16 m分辨率多光譜相機（WFV1～WFV4），每臺相機包含藍（0.45～0.52m）、綠（0.52～0.59m）、紅（0.63～0.69m）和近紅外（0.77～0.89m）4個波段，4臺相機組合幅寬可達800 km，重訪周期為4 d。原始的WFV影像為1A級，使用農(nóng)業(yè)部遙感應用中心自主研制的軟件進行輻射定標和大氣校正預處理。其中輻射定標的公式如下所示

()=Gain·DN+Bias （1）

式中()為傳感器入瞳處輻射亮度值（W/(m2·sr·m)），Gain 為增益系數(shù)，Bias 為偏置系數(shù)，DN 為觀測灰度值，Gain和Bias都由中國資源衛(wèi)星應用中心提供。大氣校正使用6S輻射傳輸模型進行，需要由中國資源衛(wèi)星中心獲取的GF-1/WFV傳感器光譜響應函數(shù)，將波譜響應函數(shù)重采樣為2.5 nm間隔輸入模型，并根據(jù)衛(wèi)星影像自帶的元數(shù)據(jù)信息確定衛(wèi)星觀測幾何、大氣模式等參數(shù)，運行6S模型獲取研究區(qū)影像地表反射率。幾何精校正平面精度達到1個像元以內，具體是先使用區(qū)域網(wǎng)平差模型對傳感器RPC（rational polynomial coefficients）參數(shù)進行修正，再基于15 m空間分辨率的LandSat-8/ OLI影像作為底圖進行精校正。

該文共選擇了2016年10月3日到2017年4月18日間的7幅影像，數(shù)據(jù)來自農(nóng)業(yè)部遙感應用中心GF衛(wèi)星數(shù)據(jù)分發(fā)中心，各幅影像的文件名稱、獲取時間、傳感器名稱、軌道號等內容列于表1。

表1 研究區(qū)GF-1衛(wèi)星WFV影像

2.2 地面調查

地面調查包括2方面內容，第一是冬小麥條銹病發(fā)病范圍調查，第二是冬小麥條銹病不同發(fā)病程度的地面光譜測量。地面調查內容主要用于確定病害模型參數(shù)的獲取及精度驗證。冬小麥條銹病發(fā)病范圍與程度調查是基于格網(wǎng)的方式進行，即將研究區(qū)的外邊界的矩形框等分為10×10 的規(guī)則格網(wǎng)，格網(wǎng)寬度約為5.94 km×4.33 km大小，覆蓋研究區(qū)的矩形框為51個，選擇51個矩形框的中心點作為地面基本調查點。如果基本調查點不是發(fā)病點，則在矩形框內增加設置一個補充調查點?；菊{查點、補充調查點是否發(fā)病是采用地面調查的方式確定的。本次研究共布設了51個基本調查點，49個補充點。通過上述地面調查樣點的設置，既能夠保證調查點布設的均勻性，又能夠保證有足夠的發(fā)病點樣本。

冬小麥嚴重程度調查時間為2017年5月1日，此時冬小麥處在開花后期，灌漿初期，條銹病主要侵染作物中下部的莖葉，上部葉片感染不明顯，調查時區(qū)分了正常、輕微、中等染病3種情況?？紤]到WEV影像時間是2017年4月18日，較調查時間提前了13 d左右，冬小麥染病嚴重程度不易區(qū)分，因此WFV影像識別僅限于是、否發(fā)病2種情況。地面調查時也記錄了冬小麥品種，以及高度、蓋度和密度等農(nóng)學輔助信息。

采用美國ASD（Analytical Spectral Devices, Inc.）公司的FieldSpec 3便攜式地物波譜儀觀測未發(fā)病、染病2種狀況的光譜反射率，目的是驗證GF-1/WFV的4個譜段在地面觀測條件下的病害響應，進一步明確病害指數(shù)在研究區(qū)內對條銹病害的區(qū)分能力。本次共觀測了3個地點的光譜，其中一個是正常生長冬小麥的光譜，其余2個是感染條銹病的冬小麥光譜。每個觀測點范圍約20 m× 20 m，觀測范圍內發(fā)病程度相對一致。圖2給出了冬小麥地面調查樣點、光譜觀測樣點的分布與位置。

圖2 研究區(qū)地面調查樣點的空間分布

3 研究方法

在冬小麥類型分布、易感品種空間分布數(shù)據(jù)獲取條件下，結合地面光譜測量的結果對冬小麥條銹病敏感波段進行分析，計算冬小麥條銹病遙感監(jiān)測指數(shù)（winter wheat stripe rust index，WSRI），對WSRI進行閾值劃分，獲取研究區(qū)冬小麥條銹病害的發(fā)生范圍，并采用地面調查結果進行精度驗證。

3.1 冬小麥空間分布數(shù)據(jù)的獲取

冬小麥面積識別是根據(jù)冬小麥 NDVI 加權指數(shù)（WNDVI，weighted NDVI index）影像算法獲取的，冬小麥NDVI加權指數(shù)算法定義與構建過程[27]見式（2）－（4）

式中為權值，表示第期影像，下標表示為冬小麥類型，下標表示其他地物類型，權值是根據(jù)權值樣本獲取的。NDVI計算公式如下：

式中Ref4和Ref3分別為WFV多光譜影像第4和第3波段的反射率。

利用研究區(qū)7景GF-1/WFV影像獲取冬小麥空間分布，根據(jù)樣本點NDVI值確定除2016年10月3日影像權值為?1外，其余均為1。同樣，利用樣本點確定WNDVI的分割閾值，提取冬小麥種植區(qū)域，并對提取結果進行精度驗證。結果表明，研究區(qū)冬小麥種植區(qū)域提取的總體精度在95%以上。

3.2 作物品種空間分布數(shù)據(jù)的獲取

以鄭麥9023為主的鄭麥系列、以矮壯58為主的矮壯系列是研究區(qū)內冬小麥2大主要品種，研究區(qū)不同系列品種冬小麥分布圖如圖3所示。實地調查中發(fā)現(xiàn)鄭麥系列基本不感染條銹病，是條銹病的高抗品種；矮壯系列則受病害侵染較為普遍，是條銹病的易感品種?？梢岳眠b感技術識別2種冬小麥品種的種植區(qū)域，剔除鄭麥系列，將矮壯系列冬小麥種植區(qū)域作為條銹病遙感監(jiān)測區(qū)域，以提高識別精度。通過地面調查發(fā)現(xiàn)，鄭麥系列顏色相對較淡，在GF-1/WFV影像上顯示為高亮度區(qū)域；矮壯系列顏色相對較深，在GF-1/WFV影像上顯示為低亮度區(qū)域。

圖3 不同品種系列冬小麥空間分布圖

該文定義WFV影像4個波段反射率之和為光譜亮度指數(shù)（spectral brightness index，SBI），SBI值越低則矮壯系列可能性越高，SBI值越高則鄭麥系列的可能性越高。通過對SBI指數(shù)閾值分割的方式獲取矮壯系列冬小麥品種的分布。閾值的獲取是以地面觀測的樣本點為依據(jù)，分段測試不同SBI值域點決定的品種分布精度，以精度最高的節(jié)點作為閾值的方式獲取。SBI指數(shù)的形式如下

式中Ref1，Ref2，Ref3和Ref4分別為WFV多光譜影像的第1，2，3，4波段的反射率。

3.3 冬小麥條銹病害指數(shù)

中華人民共和國農(nóng)業(yè)行業(yè)標準《農(nóng)作物病害遙感監(jiān)測技術規(guī)范-第1部分：小麥條銹病》（NY/T2738.1-2015）中[26]規(guī)定了冬小麥條銹病指數(shù)（wheat stripe rust index，WSRI）的計算公式如下

式中和為權重系數(shù)，參考《農(nóng)作物病害遙感監(jiān)測技術規(guī)范-第1部分：小麥條銹病》標準，分別取0.7和0.3；為綠光波段光譜反射率，選用了520～590 nm范圍內的反射率平均值；NIR為近紅外波段光譜反射率，選用了770～890 nm范圍內的反射率平均值，表示為發(fā)病冬小麥，表示健康冬小麥，該指數(shù)的取值范圍為[0，+∞）。

3.4 精度驗證

精度驗證數(shù)據(jù)是采用地面調查樣點的數(shù)據(jù)，采用混淆矩陣的方式進行的。相關定義及詳細表述可參照相關文獻[28-30]，本文不再贅述。

4 結果與分析

4.1 冬小麥條銹病光譜響應分析

當冬小麥受到條銹病侵染時，其葉片的細胞組織結構往往會受到破壞，葉綠素濃度也會下降，在冬小麥的葉片表面形成長條狀鮮黃色的銹斑，導致葉片表皮破裂甚至葉片壞死。反映到遙感光譜數(shù)據(jù)上，隨著冬小麥不同發(fā)育階段條銹病發(fā)病程度的不同，染病冬小麥的光譜特征也會表現(xiàn)出一定的差異。根據(jù)黃木易等[31]的研究，受病害侵染后，由于作物葉片結構受到一定程度的破壞，使其在遙感影像的近紅外波段的反射率降低；同時，由于條銹病菌孢子在冬小麥葉片上形成侵染菌絲，深入葉片細胞吸收養(yǎng)分，破壞葉綠素，并產(chǎn)生大量鮮黃色的孢子堆突破葉片，水分蒸騰量大大增加，使得葉片失綠、變黃，表現(xiàn)在光譜曲線上為綠峰（550 nm處）和黃光區(qū)（550～660 nm）反射率上升。

利用地面實測光譜對冬小麥條銹病的具體染病特征進行分析，驗證GF-1/WFV影像構建的WSRI指數(shù)對冬小麥條銹病的監(jiān)測能力。圖4給出了正常及感染條銹病的冬小麥光譜特征。

圖4 基于地面觀測值的冬小麥正常樣點與條銹病染病樣點光譜特征比較

由圖4可以看出，染病冬小麥不同波段處的反射率變化基本符合條銹病的染病特征，綠光至紅光區(qū)域的反射率明顯高于正常不染病小麥，近紅外波段的反射率則低于正常不染病小麥。計算與GF-1/WFV傳感器波段范圍一致的冬小麥綠光波段和近紅外波段平均反射率，結果表明：染病樣點1和染病樣點2的綠光波段反射率均值分別為0.051 6和0.047 5，分別較正常區(qū)域0.043 9高約17.5%和8.2%；染病樣點1和2的近紅外波段反射率值分別為0.373和0.350，分別較正常區(qū)域0.401低約7.0%和12.7%。取與GF-1/WFV相同波段的冬小麥觀測反射率的平均值，計算染病區(qū)域的WSRI，正常樣點冬小麥WSRI值為0，而染病樣點1和2冬小麥的WSRI指數(shù)計算結果分別為0.113 5和0.101 5?？梢姡静狱c的WSRI值高于非染病樣點，能夠區(qū)分冬小麥是否染病。染病樣點1比染病樣點2的WSRI更高，這與實際觀察結果一致，也具有病害嚴重程度的識別能力。這些分析表明，WSRI指數(shù)對于冬小麥條銹病具有指示作用，可以進行病害遙感監(jiān)測。

4.2 冬小麥條銹病害空間制圖

采用GF-1/WFV影像計算研究區(qū)冬小麥條銹病指數(shù)，在計算過程中，為了避免出現(xiàn)負值，取冬小麥像元綠光波段最小值min、近紅外波段最大值NIRmax作為正常不染病冬小麥的綠光和近紅外反射率值，計算公式修改如下：

可以看出，按照式（7）計算的值相比式（6）要更大，相當于擴大了原來的WSRI值，使條銹病發(fā)病區(qū)域更加易于識別區(qū)分。經(jīng)過計算，研究區(qū)冬小麥WSRI值范圍在0.15～20.73之間，圖5給出了研究區(qū)條銹病害指數(shù)空間分布圖。

為進一步確定病害發(fā)生區(qū)域，需要確定病害指數(shù)的閾值，將冬小麥病害指數(shù)范圍按照等間距進行劃分成100份，共獲得101個節(jié)點閾值。利用地面調查點計算各節(jié)點閾值對冬小麥染病區(qū)域的提取精度，結果表明，當WSRI指數(shù)閾值設置為4.2時，冬小麥條銹病染病區(qū)域提取的精度最高，該值時表征精度結果的混淆矩陣如表2所示。

表2 冬小麥條銹病遙感監(jiān)測結果精度驗證

從表2的冬小麥條銹病監(jiān)測結果精度可以看出，基于GF-1/WFV影像計算冬小麥條銹病害指數(shù)，可以大致區(qū)分冬小麥條銹病發(fā)生的范圍，監(jiān)測總體精度達到84.0%，提取條銹病發(fā)病點的用戶和制圖精度分別為86.4%和82.1%，健康點的用戶和制圖精度分別為79.2%和88.5%。Huang等[32]利用偏最小二乘回歸方法預測芹菜菌核病感染概率，精度達到80%以上；Franke等[33]利用Quickbird衛(wèi)星影像，利用利用光譜角度制圖和混合調諧濾波算法進行小麥白粉病和條銹病的識別，最高識別精度達到88.6%。該文的研究結果與這些結果相當，表明基于GF-1/WFV和冬小麥條銹病遙感監(jiān)測指數(shù)對于冬小麥條銹病發(fā)病區(qū)域提取的準確性。

基于該閾值提取的西華縣冬小麥條銹病染病區(qū)域空間分布見圖6所示。統(tǒng)計冬小麥染病區(qū)域像元數(shù)，計算染病區(qū)域面積，結果顯示西華縣條銹病發(fā)病區(qū)域總面積約為720 hm2，主要分布在研究區(qū)的西北地區(qū)，其他地區(qū)則只有零星分布。根據(jù)遙感監(jiān)測結果，對條銹病發(fā)生集中區(qū)域進行地面實地調查，發(fā)現(xiàn)該時期冬小麥條銹病尚處于孢子繁殖時期，發(fā)病部位多集中在小麥下部，未發(fā)展至全株，尚未對小麥產(chǎn)量產(chǎn)生影響，宜盡早采取措施積極防治。這也充分表明了基于GF-1影響和WSRI指數(shù)對于及早發(fā)現(xiàn)冬小麥條銹病并據(jù)此展開防治的實用價值。

圖6 研究區(qū)2017年4月18日冬小麥條銹病空間分布

5 討 論

隨著近年來遙感衛(wèi)星的不斷發(fā)射，利用寬譜段遙感衛(wèi)星數(shù)據(jù)進行作物病害監(jiān)測的研究逐漸增多[34-35]，表明基于衛(wèi)星的作物病害監(jiān)測的可行性。本文的研究基于中國國產(chǎn)GF-1衛(wèi)星數(shù)據(jù)，該數(shù)據(jù)的預處理[36-37]、冬小麥識別等技術都較為成熟，數(shù)據(jù)獲取有充分的保障，WSRI指數(shù)的構建方式簡單，使得冬小麥條銹病遙感監(jiān)測的效率和能力大大提高，以本文為例，縣級尺度冬小麥病害范圍信息提取的時間能少于3 d，能夠滿足作物病害業(yè)務監(jiān)測的需求。與傳統(tǒng)的基于高光譜數(shù)據(jù)的作物病害監(jiān)測方法比較，該方法更適合于業(yè)務運行系統(tǒng)中使用。受遙感數(shù)據(jù)源獲取能力的限制，高光譜數(shù)據(jù)數(shù)據(jù)獲取方式以地面或機載高光譜為主，成本較高，耗時較長，且無法獲取大范圍尺度的作物病害信息；同時，基于高光譜數(shù)據(jù)構建病害指數(shù)往往需要篩選敏感波段、構建復雜的病害模型公式，也限制了高光譜數(shù)據(jù)在病害遙感監(jiān)測中的業(yè)務應用和推廣。值得注意的是，基于寬波段多光譜影像構建病害指數(shù)，需要注意防止冬小麥類型不同、長勢差異導致的反射率差異，以及不同氣象條件對作物病害監(jiān)測精度的影響。要獲取較高的作物病害遙感監(jiān)測結果，需要結合地面調查結果，確保作物光譜差異的主因是作物病害，或結合氣象數(shù)據(jù)評價監(jiān)測區(qū)域的作物病害發(fā)病因子情況[38]，獲取更高精度的作物病害遙感監(jiān)測成果。

6 結 論

本文在國產(chǎn)GF-1/WFV數(shù)據(jù)的支持下，利用冬小麥NDVI加權指數(shù)的方式提取冬小麥種植區(qū)域，利用冬小麥條銹病遙感監(jiān)測指數(shù)WSRI監(jiān)測冬小麥條銹病發(fā)病情況，結合地面實地調查樣本點數(shù)據(jù)，成功地獲取了河南省西華縣冬小麥受條銹病的發(fā)病范圍，提取結果的總體精度達到了84.0%，取得了較高的識別精度。相比于傳統(tǒng)的基于高光譜數(shù)據(jù)的作物病害識別，基于具有更強數(shù)據(jù)獲取能力的寬波段多光譜衛(wèi)星影像也能較好地提取作物病害信息，這對于經(jīng)濟、快速、準確地進行農(nóng)作物病害遙感監(jiān)測具有重要的意義。

[1] 張玉聚，李洪連，張振臣，等. 中國農(nóng)作物病蟲害原色圖解[M]. 北京：中國農(nóng)業(yè)科學技術出版社，2010.

[2] 李振崎，曾世邁. 中國小麥銹病[M]. 北京：中國農(nóng)業(yè)出版社，2002.

[3] Jonas Franke, Gunter Menz. Multi-temporal wheat disease detection by multi-spectral remote sensing[J]. Precision Agriculture, 2007, 8: 161－172.

[4] 王利民，劉佳，邵杰，等. 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.

Wang Limin, Liu Jia, Shao Jie, et al. 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)

[5] 安虎，王海光，劉榮英，等. 小麥條銹病單片病葉特征光譜的初步研究[J]. 中國植保導刊，2005，25(11)：8－11.

An Hu, Wang Haiguang, Liu Rongying, et al. Preliminary study on spectral characteristics of single leaf infected by puccinia striiformis[J]. China Plant Protection, 2005, 25(11): 8－11. (in Chinese with English abstract)

[6] 王海光，馬占鴻，王韜，等. 高光譜在小麥條銹病嚴重度分級識別中的應用[J]. 光譜學與光譜分析，2007，27(9)：1811－1814.

Wang Haiguang, Ma Zhanhong, Wang Tao, et al. Application of hyperspectral data to the classification and identification of severity of wheat stripe rust[J]. Spectroscopy and Spectral Analysis, 2007, 27(9): 1811－1814. (in Chinese with English abstract)

[7] Zhang Jingcheng, Pu Ruiliang, Wang Jihua, et al. Detecting powdery mildew of winter wheat using leaf level hyperspectral measurements[J]. Computers and Electronics in Agriculture, 2012, 85: 13－23.

[8] Zhang Jingcheng, Yuan Lin, Wang Jihua, et al. Spectroscopic Leaf Detection of Powdery Mildew for Winter Wheat Using Continuous Wavelet Analysis[J]. Journal of Integrative Agriculture, 2012, 11(9): 1474－1484.

[9] 王紀華，趙春江，黃文江，等. 農(nóng)業(yè)定量遙感基礎與應用[M]. 北京：科學出版社，2008.

[10] Dimitrios Moshou, Cédric Bravo, Jonathan West, et al. Automatic detection of yellow rust in wheat using reflectance measurements and neural networks[J]. Computers and Electronics in Agriculture, 2004, 44(3): 173－188.

[11] 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)

[12] 魯軍景，黃文江，張競成，等. 基于小波特征的小麥白粉病與條銹病的定量識別[J]. 光譜學與光譜分析，2016，36(6)：1854－1858.

Lu Junjing, Huang Wenjiang, Zhang Jingcheng, et al. Quantitative identification of yellow rust and powdery mildew in winter wheat based on wavelet feature[J]. Spectroscopy and Spectral Analysis, 2016, 36(6): 1854－1858. (in Chinese with English abstract)

[13] 蔡成靜，王海光，安虎，等. 小麥條銹病高光譜遙感監(jiān)測技術研究[J]. 西北農(nóng)林科技大學學報：自然科學版，2005，33：31－36.

Cai Chengjing, Wang Haiguang, An Hu, et al. Remote sensing research on monitoring technology of wheat stripe rust[J]. Jour. of Northwest Sci-Tech Univ of Agri and For: Na t Sci Ed, 2005, 33: 31－36. (in Chinese with English abstract)

[14] 蔣金豹，陳云浩，黃文江，等. 冬小麥條銹病嚴重度高光譜遙感反演模型研究[J]. 南京農(nóng)業(yè)大學學報，2007，30(3)：63－67.

Jiang Jinbao, Chen Yunhao, Huang Wenjiang, et al. Study on hyperspectral remote sensing retriveral models[J]. Journal of Nanjing Agricultural University, 2007, 30(3): 63－67. (in Chinese with English abstract)

[15] 蔣金豹，陳云浩，黃文江. 利用高光譜紅邊與黃邊位置距離識別小麥條銹病[J]. 光譜學與光譜分析，2010，30(6)：1614－1618.

Jiang Jinbao, Chen Yunhao, Huang Wenjiang, et al. Using the distance between hyperspectral red edge position and yellow edge position to identify wheat yellow rust disease[J]. Spectroscopy and Spectral Analysis, 2010, 30(6): 1614－1618. (in Chinese with English abstract)

[16] Yang Keming, Chen Yunhao, Guo Dazhi, et al. Spectral information detection and extraction of wheat stripe rust based on hyperspectral image[J]. Acta Photonica Sinica, 2008, 37(1): 145－151.

[17] 陳云浩，蔣金豹，黃文江，等. 主成分分析法與植被指數(shù)經(jīng)驗方法估測冬小麥條銹病嚴重度的對比研究[J]. 光譜學與光譜分析，2009，29(8)：2161－2165.

Chen Yunhao, Jiang Jinbao, Huang Wenjiang, et al. Comparison of principal component analysis with VI-eGmpirical approach for estimating severity of yellow rust of winter wheat[J]. Spectroscopy and Spectral Analysis, 2009, 29(8): 2161－2165. (in Chinese with English abstract)

[18] 郭潔濱，黃沖，王海光，等. 基于高光譜遙感技術的不同小麥品種條銹病病情指數(shù)的反演[J]. 光譜學與光譜分析，2009，29(12)：3353－3357.

Guo Jiebin, Huang Chong, Wang Haiguang, et al. Disease index inversion of wheat stripe rust on different wheat varieties with hyperspectral remote sensing[J]. Spectroscopy and Spectral Analysis, 2009, 29(12): 3353－3357. (in Chinese with English abstract)

[19] 劉良云，宋曉宇，李村軍，等. 冬小麥病害與產(chǎn)量損失的多時相遙感監(jiān)測[J]. 農(nóng)業(yè)工程學報，2009，25(1)：137－143.

Liu Liangyun, Song Xiaoyu, Li Cunjun, et al. Monitoring and evaluation of the diseases of and yield winter wheat from multi-temporal remotely-sensed data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2009, 25(1): 137－143. (in Chinese with English abstract)

[20] 黃文江，黃木易，劉良云. 利用高光譜指數(shù)進行冬小麥條銹病嚴重度的反演研究[J]. 農(nóng)業(yè)工程學報，2005，21(4)：97－103.

Huang Wenjiang, Huang Muyi, Liu Liangyun, et al. Inversion of the severity of winter wheat yellow rust using proper hyperspectral index[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2005, 21(4): 97－103. (in Chinese with English abstract)

[21] 喬紅波，周益林，白由路，等. 地面高光譜和低空遙感監(jiān)測小麥白粉病初探[J]. 植物保護學報，2006，33(4)：341－344.

Qiao Hongbo, Zhou Yilin, Bai Youlu, et al. The primary research of detecting wheat powdery mildew using in-field and low altitude remote sensing[J]. Acta Phytophylacica Sinica, 2006, 33(4): 341－344. (in Chinese with English abstract)

[22] 蔡成靜，馬占鴻，王海光，等. 小麥條銹病高光譜近地與高空遙感監(jiān)測比較研究[J]. 植物病理學報，2007，37(1)：77－82.

Cai Chengjing, Ma Zhanhong, Wang Haiguang, et al. Comparison research of phperspectrial properties between near-ground and high a lititude of wheat stripe rust[J]. Acta Phytopathologica Sinica, 2007, 37(1): 77－82. (in Chinese with English abstract)

[23] Kanemasu E T, Niblett C L, Manges H, et al. Wheat: Its growth and disease severity as deduced from ERTS-1[J]. Remote Sensing of Environment, 1974, 3(4): 255－260

[24] 王爽，馬占鴻，孫振宇，等. 基于高光譜遙感的小麥條銹病脅迫下的產(chǎn)量損失估計[J]. 中國農(nóng)學通報，2011，27(21)：253－258.

Wang Shuang, Ma Zhanhong, Sun Zhenyu, et al. Yield loss assessment under wheat stripe rust stress based on hyperspectral remote sensing[J]. Chinese Agricultural Science Bulletin, 2011, 27(21): 253－258. (in Chinese with English abstract)

[25] 喬紅波，馬新明，程登發(fā)，等. 基于TM影像的小麥全蝕病危害信息提取[J]. 麥類作物學報，2009，29(4)：716－720.

Qiao Hongbo, Ma Xinming, Cheng Dengfa, et al. Detecting infestation of take-all disease in winter wheat using TM image[J]. Journal of Triticeae Crops, 2009, 29(4): 716－720. (in Chinese with English abstract)

[26] 中華人民共和國農(nóng)業(yè)部. 農(nóng)作物病害遙感監(jiān)測技術規(guī)范第1部分：小麥條銹病：NY/T2738.1-2015 [S].

Technical specification on remote sensing monitoring for crop diseases Part 1: Wheat stripe rust: NY/T2738.1-2015[S].(in Chinese with English abstract)

[27] 王利民，劉佳，楊玲波，等. 基于NDVI加權指數(shù)的冬小麥種植面積遙感監(jiān)測[J]. 農(nóng)業(yè)工程學報，2016，32(17)：127－135.

Wang Limin, Liu Jia, Yang Lingbo, et al. Remote sensing monitoring winter wheat area based on weighted NDVI index[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(17): 127－135. (in Chinese with English abstract)

[28] Hay A M. The derivation of global estimation from a confusion matrix[J]. International Journal of Remote Sensing, 1988, 9(8): 1395－1398.

[29] Congalton R G. A comparison of sampling schemes used in generating error matrices for assessing the accuracy of maps generated from remotely sensing data[J]. Photogrammetric Engineering and Remote Sensing, 1988, 54(5): 593－600.

[30] Congalton R G. A review of assessing the accuracy of classifications of remotely sensed data[J]. Remote Sensing of Environment, 1991, 37(1): 35－46.

[31] 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)

[32] 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, 51(2): 129－142.

[33] Franke J, Menz G. Multi-temporal wheat disease detection by multi-spectral remote sensing[J]. Precision Agriculture, 2007, 8(3): 161－172.

[34] 張競成，李建元，楊貴軍，等. 基于光譜知識庫的TM影像冬小麥條銹病監(jiān)測研究[J]. 光譜學與光譜分析，2010，30(6)：1579－1585.

Zhang Jingcheng, Li Jianyuan, Yang Guijun, et al. Monitoring of winter wheat stripe rust based on the spectral knowledge base for TM images[J]. Spectroscopy and Spectral Analysis, 2010, 30(6): 1579－1585. (in Chinese with English abstract)

[35] 張玉萍，郭潔濱，王爽，等. 小麥條銹病衛(wèi)星與近地光譜反射率的比較[J]. 植物保護學報，2009，36(2)：119－122.

Zhang Yuping, Guo Jiebin, Wang Shuang, et al. Relativity research on near_ground and satellite remote sensing reflectance of wheat stripe rust[J]. Acta Phytophylacica Sinica, 2009, 36(2): 119－122. (in Chinese with English abstract)

[36] 劉佳，王利民，楊玲波，等. 基于6S模型的GF-1衛(wèi)星影像大氣校正及效果[J]. 農(nóng)業(yè)工程學報，2015，31(19)：159－168.

Liu Jia, Wang Limin, Yang Lingbo, et al. GF-1 satellite image atmospheric correction based on 6S model and its effect[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(19): 159－168. (in Chinese with English abstract)

[37] 劉佳，王利民，楊玲波，等. 基于有理多項式模型區(qū)域網(wǎng)平差的GF-1影像幾何校正[J]. 農(nóng)業(yè)工程學報，2015，31(22)：146－154.

Liu Jia, Wang Limin, Yang Lingbo, et al. Geometric correction of GF-1 satellite images based on block adjustment of rational polynomial model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(22): 146－154. (in Chinese with English abstract)

[38] 聶臣巍，袁琳，王保通，等. 綜合遙感與氣象信息的小麥白粉病監(jiān)測方法[J]. 植物病理學報，2016，46(2)：285－288.

Nie Chenwei, Yuan Lin, Wang Baotong, et al. Monitoring wheat powdery mildew based on integrated remote sensing and meteorological information[J]. Acta Phytopathological Sinica, 2016, 46(2): 285－288.

Winter wheat stripe rust remote sensing monitoring based on GF-1/WFV data

Wang Limin, Liu Jia, Yang Fugang, Yang Lingbo, Yao Baomin, Gao Jianmeng

(100081,)

Stripe rust is a common disease of winter wheat, and accurate monitoring of stripe rust disease has great significance. By using the GF-1/WFV images on April 18, 2017 and combined with the analysis on stripe rust ground spectral data, this paper conducted estimation on the scope of winter wheat stripe rust in Xihua County of Henan Province with wheat stripe rust index (WSRI). The main contents of this study included identifying winter wheat area, identifying distribution of winter wheat varieties, calculating winter wheat stripe rust monitoring index, identifying distribution of disease, and verifying accuracy. Identification of winter wheat area was achieved by using weighted normalized differential vegetation index (WNDVI), and computation of WNDVI used images of 7 time phases, with the time scope from October, 2016 to April, 2017, one image each month. The distribution of winter wheat varieties was identified by dividing the thresholds of spectral brightness index (SBI). SBI is the sum of reflectances of 4 wave bands of WFV images. The areas with high thresholds were taken as the distribution areas of high stripe rust resistant varieties (Zhengmai series) and the areas with low thresholds were taken as the susceptible varieties of stripe rust (Aizhuang series). The acquisition of the threshold took the sample points of the ground observation as its basis. The identification accuracies of the variety distribution of different SBI points were tested respectively, and the node with the highest accuracy was taken as the threshold. By using observed spectrum of the ground observation, WSRI of the infected areas was calculated based on the average value of the reflectance of winter wheat observed with the same wave band as GF-1/WFV. The WSRI value of the winter wheat of the normal sample points was 0, and all the values of the infected sample points were larger than 0. The WSRI value was increasing with the increase of the infection degree of the disease, which was consistent with the actual observation results. It indicates that WSRI index has indicative function on winter wheat stripe rust, and it can be used in the remote sensing monitoring for the disease. WSRI index of WFV was calculated by using the methods and parameters specified in the National Industrial Standard of the People’s Republic of China,. And the scope of the WSRI index was between 0.15 and 20.73. The WSRI indices of the images were divided into 100 values with equal intervals, and then 101 node values were obtained. The images were divided 2 parts by using node value, and the accuracy was verified by using ground observation results. The node value with the highest accuracy was taken as the critical threshold between disease and non-disease, which was identified as 4.2 in this study. The pixels with the value higher than the threshold were the disease infected pixels. By doing so, the spatial distribution of the winter wheat infected with stripe rust could be obtained. The study results showed that, the method could objectively reflect the scope of occurrence of winter wheat stripe rust, and the extraction accuracy on infected area was higher than 84.0%. The user accuracy and mapping accuracy of extracting disease point of stripe rust were 86.4% and 82.1% respectively, and the user accuracy and mapping accuracy of extracting healthy point were 79.2% and 88.5% respectively. This method can meet the requirement of disease monitoring. This method is simple and easy to operate, and it shows the application potential of GF-1 images and WSRI indices in winter wheat stripe rust remote sensing monitoring.

remote sensing; monitoring; crops; GF-1/WFV; wheat stripe rust; wheat stripe rust index; recognition

10.11975/j.issn.1002-6819.2017.20.019

S252+.9

A

1002-6819(2017)-20-0153-08

2017-05-27

2017-09-05

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，內蒙古寧城人，博士，主要從事農(nóng)業(yè)遙感監(jiān)測業(yè)務運行研究。Email：wanglimin01@caas.cn

王利民，劉 佳，楊福剛，楊玲波，姚保民，高建孟. 基于GF-1/WFV數(shù)據(jù)的冬小麥條銹病遙感監(jiān)測[J]. 農(nóng)業(yè)工程學報，2017，33(20)：153－160. doi：10.11975/j.issn.1002-6819.2017.20.019 http://www.tcsae.org

Wang Limin, Liu Jia, Yang Fugang, Yang Lingbo, Yao Baomin, Gao Jianmeng. Winter wheat stripe rust remote sensing monitoring based on GF-1/WFV data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(20): 153－160. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.20.019 http://www.tcsae.org