基于溫濕度與遙感植被指數(shù)的冬小麥赤霉病估測

李衛(wèi)國，黃文江，董瑩瑩，陳 華，王晶晶，單 婕

?

基于溫濕度與遙感植被指數(shù)的冬小麥赤霉病估測

李衛(wèi)國1，黃文江2，董瑩瑩2，陳 華1，王晶晶1，單 婕1

（1. 江蘇省農(nóng)業(yè)科學院農(nóng)業(yè)信息研究所，南京 210014；2. 中國科學院遙感與數(shù)字地球研究所，北京 100094）

為明晰江淮區(qū)域大田冬小麥赤霉病的發(fā)生特征，建立冬小麥赤霉病遙感估測模型，該文分析了冬小麥赤霉病病情指數(shù)與氣候因素（不同時間尺度日均氣溫和日均空氣相對濕度）、生長參數(shù)（生物量、葉面積指數(shù)和葉片葉綠素含量）和光譜信息（NDVI、RVI和DVI）之間的互作關(guān)系。結(jié)果表明：1）不同時間尺度日均氣溫之間存在較好相關(guān)性，5日均氣溫與冬小麥赤霉病病情指數(shù)間的相關(guān)系數(shù)最大為0.77。與日均氣溫相類似，不同時間尺度日均空氣相對濕度之間也存在不同程度的相關(guān)性，5日均空氣相對濕度與赤霉病病情指數(shù)間的相關(guān)性最大，其相關(guān)性高于5日均氣溫。2）冬小麥生物量、葉面積指數(shù)和葉片葉綠素含量與赤霉病病情指數(shù)之間均呈線性正相關(guān)關(guān)系，且均達到顯著水平，說明冬小麥群體密度大、郁閉程度高以及長勢過旺是赤霉病易發(fā)的主要農(nóng)學誘因。3）遙感植被指數(shù)NDVI（normalized difference vegetation index）、RVI（ratio vegetation index）和DVI（difference vegetation index）分別與冬小麥葉面積指數(shù)、生物量和葉片葉綠素含量之間有較好相關(guān)性，可以利用NDVI、RVI和DVI分別替換葉面積指數(shù)、生物量和葉片葉綠素含量參與建模。4）綜合5日均氣溫、5日均空氣相對濕度、NDVI、RVI和DVI 5個敏感因子，構(gòu)建基于溫濕度與遙感植被指數(shù)的冬小麥赤霉病病情指數(shù)估測模型，模型的估測值與實測值較為一致，RMSE為5.3%，相對誤差為9.54%。說明本研究所建立的估測模型可以實現(xiàn)對冬小麥始花期赤霉病的有效估測，該研究可為江淮區(qū)域冬小麥生產(chǎn)中防病減災的信息獲取提供方法參考。

病害；評估；溫度；冬小麥赤霉?。还庾V信息；相對濕度；生長參數(shù)；江淮區(qū)域

0 引 言

遙感技術(shù)具有宏觀、快速、準確等優(yōu)點，可以對作物長勢及病害狀況進行無損監(jiān)測，經(jīng)過多年發(fā)展，其良好的時效性與可行性已得到證實。早在20世紀初 Taubenhaus等[1]利用航空遙感開展作物病害識別研究，Tolers等[2]用紅外航空相片探測了冬小麥條銹病，Lorenzen等[3]認為近紅外波段與大麥白粉病病情嚴重度有較高相關(guān)性。Riedell等[4]研究了受麥蚜蟲和麥二叉蚜脅迫的冬小麥葉片光譜特征。Devadas等[5]利用多種植被指數(shù)對冬小麥葉銹病進行識別與監(jiān)測。國內(nèi)開始研究較晚些，如Zhao等[6]在分析冬小麥條銹病光譜特征的基礎上提出條銹病脅迫指數(shù)，實現(xiàn)對冬小麥條銹病的有效監(jiān)測。劉良云等[7]利用航空 PHI數(shù)據(jù)監(jiān)測了冬小麥條銹病病害程度與范圍。蔡成靜等[8]發(fā)現(xiàn)在930 nm處冬小麥條銹病病情指數(shù)與冠層光譜反射率存在較好相關(guān)性。上述研究表明，冬小麥受到病害脅迫后在可見光、近紅外波段會出現(xiàn)一些與未患病作物相區(qū)別的光譜特征，而這些特征為病害的光譜檢測提供了理論依據(jù)。此外，健康、發(fā)病及處于潛伏期的冬小麥植株光譜反射率存在顯著差異，一些病情指數(shù)與冠層光譜反射率間也存在較好定量關(guān)系。如蔣金豹等[9]認為能夠在癥狀出現(xiàn)前12天識別出健康冬小麥與條銹病害冬小麥。王紀華等[10]利用熒光光譜有效探測了冬小麥條銹病的嚴重度。黃文江[11]利用多時相PHI（push-broom hyper spectral imager）遙感數(shù)據(jù)實現(xiàn)對冬小麥多生育期條銹病嚴重度的有效監(jiān)測等。對冬小麥病害進行早期監(jiān)測預報，及時進行科學防治，是提高冬小麥產(chǎn)量，減少農(nóng)田經(jīng)濟損失的關(guān)鍵。

江淮區(qū)域是中國重要的冬小麥商品糧種植基地之一。由于受季風影響明顯，夏季降水時空分布不均，光熱多變，再加上冬小麥種植密度過大（如撒播），極易出現(xiàn)赤霉病等病害。由于冬小麥生長的氣候、環(huán)境、栽培措施等異同，病害又具有發(fā)生快、危害重、范圍廣的特點，給區(qū)域大田冬小麥病害及時監(jiān)測與信息獲取造成很大難度。前人研究多數(shù)集中在對冬小麥葉銹病、白粉病的光譜識別與監(jiān)測上[11-13]，而對于大田冬小麥赤霉病遙感監(jiān)測預報研究則鮮有報道。本研究在借鑒前人研究成果的基礎上，基于區(qū)域冬小麥赤霉病發(fā)生的生理生態(tài)規(guī)律及其與氣候環(huán)境間的系統(tǒng)關(guān)系，通過分析溫濕度、生長參數(shù)和光譜信息與冬小麥赤霉病病情指數(shù)之間的互作關(guān)系，篩選與赤霉病病發(fā)關(guān)系較為緊密的主要氣候、農(nóng)學、光譜影響因子（或參數(shù)指標），并基于主要影響因子建立冬小麥赤霉病病情指數(shù)遙感估測模型，初步實現(xiàn)對研究區(qū)域冬小麥赤霉病的有效估測，旨在為江淮區(qū)域大田冬小麥生產(chǎn)中防災減災的信息獲取提供方法參考。

1 材料與方法

1.1 試驗區(qū)選擇與樣點建立

2012年和2014年在位居江淮區(qū)域的江蘇省連云港市東?？h、淮安市漣水縣、南通市泰興市和鹽城市大豐區(qū)布置冬小麥赤霉病遙感監(jiān)測試驗。利用GPS建立觀測樣點90個，其中東?？h和漣水縣每縣每年各10個，泰興市每年為12個，大豐區(qū)每年為13個，觀測樣點空間間隔約2～3 km。每個觀測樣點在冬小麥集中連片、面積在300 m′300 m冬小麥種植區(qū)域中間位置確定田塊，田塊面積約60 m′60 m。冬小麥供試品種為當?shù)刂髟云贩N，田塊無噴施農(nóng)藥，肥水管理同一般大田。

圖1 江蘇省行政邊界和試驗樣點分布概況

1.2 試驗調(diào)查與數(shù)據(jù)采集

冬小麥始花期（指大田中3%～5%冬小麥出現(xiàn)揚花的時期）是防治冬小麥赤霉病的關(guān)鍵時期。冬小麥始花期觀測樣點，采用五點梅花法取樣，每個采集點間隔10 m 左右，五點數(shù)據(jù)求取平均值。采集點均利用冠層多光譜儀（GreenSeeker）測量冬小麥的光譜信息（包括紅光波段反射率、近紅外波段反射率及其相關(guān)植被指數(shù)），調(diào)查赤霉病病情，數(shù)取莖糵數(shù)（每平米樣框內(nèi)），同步取樣并分析計算冬小麥葉面積指數(shù)、生物量和葉片葉綠素含量等生長參數(shù)信息。氣象數(shù)據(jù)為日均氣溫和空氣相對濕度，由當?shù)貧庀蟛块T提供。冬小麥花后25 d左右（乳熟末期）同樣點、同方法繼續(xù)調(diào)查赤霉病發(fā)病情況并獲取相關(guān)數(shù)據(jù)。當?shù)乜h級農(nóng)業(yè)技術(shù)人員協(xié)助試驗調(diào)查取樣與數(shù)據(jù)獲取。

1）氣象數(shù)據(jù)處理

為研究1、3、5、7和10 d不同時間尺度（5個處理）平均溫度（℃）對冬小麥赤霉病發(fā)生的影響作用，需要對氣象部門提供的冬小麥生長期間平均（單日平均）氣溫數(shù)據(jù)進行處理。冬小麥始花期日均氣溫（1 d，℃）為始花當天的日均氣溫；（3 d，℃）為始花前3天（含始花當天）平均氣溫的平均值；（5 d，℃）、（7 d，℃）和（10 d，℃）同（3 d，℃）含義。

同樣研究1、3、5、7和10 d不同時間尺度（5個處理）日均空氣相對濕度（%）對冬小麥赤霉病發(fā)生的影響作用，需對日均（單日平均）空氣相對濕度數(shù)據(jù)進行處理。處理或計算方法與日均溫度類似，分別得到冬小麥始花期日均（1 d）、3日均（3 d）、5日均（5 d）、7日均（7 d）和10日均（10 d）空氣相對濕度數(shù)據(jù)。

2）農(nóng)學參數(shù)測定

冬小麥葉面積指數(shù)利用作物冠層分析儀（sunscan）在大田各梅花樣點測定5次，求取平均值作為單個梅花樣點的葉面積指數(shù)。葉片葉綠素含量利用葉綠素儀（SPAD502）在大田各梅花樣點測定10張葉片，取均值作為單個梅花樣點的葉片葉綠素含量。生物量（植株）樣品在大田各梅花樣點隨機取10個莖糵裝編號袋，置室內(nèi)烘干稱取質(zhì)量作為單個梅花樣點的10個莖糵的生物量質(zhì)量。植株鮮樣烘干方法：先在105 ℃烘箱殺青30 min，然后在75℃烘干48 h以上，直至質(zhì)量恒定，隨即稱量質(zhì)量為生物量質(zhì)量。利用單個莖糵的質(zhì)量和1 m2內(nèi)的莖糵數(shù)進行換算得到每公頃的生物量質(zhì)量（kg/hm2）

3）植被指數(shù)計算

本研究選用的光譜信息（植被指數(shù)）有NDVI（normalized difference vegetation index）、RVI（ratio vegetation index）和DVI （difference vegetation index）3個，而利用GreenSeeker冠層多光譜儀測量的冬小麥光譜信息為紅光波段反射率（R）和近紅外波段反射率（R），因此植被指數(shù)需要轉(zhuǎn)換或計算。

4）病情指數(shù)計算

病情指數(shù)也稱發(fā)病指數(shù)，是根據(jù)一定數(shù)目的植株或植株器官各病級(把植株或植株某一器官感染病害的輕重程度劃分為等級稱為病級)核計其發(fā)病株（器官）數(shù)所得平均發(fā)病程度的數(shù)值。參照GB/T 15796-2011標準計算冬小麥病情指數(shù)。其中，病級（也稱為嚴重度）定義為出現(xiàn)穗腐癥狀（或由稈腐引起的白穗癥狀）的病小穗數(shù)占全部小穗的比例，可將其劃分為5級：0級：無??；1級：病小穗數(shù)占全部小穗的25%以下；2級：病小穗數(shù)占全部小穗的25%～50%；3級：病小穗數(shù)占全部小穗的50%～75%；4級：病小穗數(shù)占全部小穗的75%以上。

根據(jù)病情嚴重度計算赤霉病的病情指數(shù)。赤霉病取樣調(diào)查同上（農(nóng)學參數(shù)）采用5點梅花法，每點10株，共查50株。

1.3 數(shù)據(jù)處理

在研究區(qū)域90個觀測樣點中，選擇60個觀測樣點的冬小麥始花期生長參數(shù)、光譜數(shù)據(jù)和氣候數(shù)據(jù)用于分析建模。其他30個觀測樣點的冬小麥始花期的生長參數(shù)、光譜數(shù)據(jù)和氣候數(shù)據(jù)用于模型檢驗，觀測樣點包括2012年東?？h、大豐區(qū)和泰興市各5個，2014年漣水縣、泰興市和大豐區(qū)各5個。由于冬小麥始花期赤霉病病發(fā)特征不明顯，較難調(diào)查與計量，故本研究采用冬小麥花后25 d左右（乳熟末期）赤霉病病情數(shù)據(jù)進行分析建模與模型驗證。建模樣點日均氣溫15.8～26.3 ℃，日均空氣相對濕度39%～87%，紅光反射率0.041～0.112，近紅外反射率0.321 6～0.486 8，病情指數(shù)11.9%～31.8%；驗證樣點日均氣溫17.1～25.1 ℃，日均空氣相對濕度47%～76%，紅光反射率0.042～0.099 5，近紅外反射率0.321 7～0.507 2，病情指數(shù)11.2%～32.1%。

2 結(jié)果與分析

2.1 不同時間尺度氣溫與冬小麥赤霉病間的特征關(guān)系

表1為不同時間尺度日均氣溫與冬小麥赤霉病病情指數(shù)間的相關(guān)系數(shù)。不同時間尺度日均氣溫與冬小麥赤霉病病情指數(shù)間的相關(guān)系數(shù)不盡相同，而且不同時間尺度日均氣溫之間也存在一定程度的相關(guān)性，有的時間尺度日均氣溫之間相關(guān)性達到極顯著水平，如3日均氣溫與5日均氣溫間的相關(guān)系數(shù)為0.93，5日均氣溫與7日均氣溫和10日均氣溫間的相關(guān)系數(shù)分別為0.96和0.91，7日均氣溫與10日均氣溫間相關(guān)性最高，其相關(guān)系數(shù)高達0.97。依托不同時間尺度日均氣溫間的高度相關(guān)性，可以進行多時間尺度日均氣溫間的相互轉(zhuǎn)換或估算。

表1 不同時間尺度日均氣溫與冬小麥赤霉病病情指數(shù)間的相關(guān)系數(shù)

注：*顯著（<0.05），**極顯著（<0.01），下同。

Note: * represents significant (<0.05); ** represents highly significant (<0.01). The same below.

冬小麥赤霉病病情指數(shù)與不同時間尺度日均氣溫間的相關(guān)性高低依次為5日均氣溫＞3日均氣溫＞7日均氣溫＞10日均氣溫＞單日均氣溫，與5日均氣溫間的相關(guān)系數(shù)最大為0.77，與單日均（始花當天）氣溫間的相關(guān)系數(shù)最小，為0.109 1。因此，可以確定5日均氣溫為冬小麥赤霉病發(fā)生最敏感氣溫影響因子，本文將選擇5日均氣溫作為模型（氣候）參量之一用以構(gòu)建冬小麥赤霉病病情指數(shù)遙感估測模型。

2.2 不同時間尺度空氣相對濕度與冬小麥赤霉病間的特征關(guān)系

冬小麥赤霉病的發(fā)生對濕度較為敏感，在潮濕和半潮濕冬小麥種植區(qū)，尤其是在氣候濕潤多雨的溫帶麥區(qū)經(jīng)常性的大面積重度發(fā)生。本節(jié)選擇空氣相對濕度（%）為研究對象，分析不同時間尺度日均空氣相對濕度與冬小麥赤霉病發(fā)生的趨勢特征與關(guān)聯(lián)性。表2為不同時間尺度日均空氣相對濕度與冬小麥赤霉病病情指數(shù)間的相關(guān)系數(shù)。

從表2可以看出，不同時間尺度日均空氣相對濕度之間存在不同程度大小的關(guān)聯(lián)性，短時間尺度日均空氣相對濕度與長時間尺度日均空氣相對濕度之間的相關(guān)性較弱，如單日均空氣相對濕度與10日、7日和5日均空氣相對濕度間的相關(guān)系數(shù)偏小，3日日均空氣相對濕度與10日和7日均空氣相對濕度間的相關(guān)系數(shù)較小。長時間尺度日均空氣相對濕度間和相鄰時間尺度日均空氣相對濕度間的關(guān)聯(lián)性顯著，如7日均空氣相對濕度和10日均空氣相對濕度、5日均空氣相對濕度和7日均空氣相對濕度以及3日均空氣相對濕度和5日均空氣相對濕度的相關(guān)系數(shù)均達到0.9以上。依據(jù)不同時間尺度日均空氣相對濕度間的高度相關(guān)性，可以進行多時間尺度日均空氣相對濕度間的相互轉(zhuǎn)換或估算。

表2 不同時間尺度日均空氣相對濕度與冬小麥赤霉病病情指數(shù)間的相關(guān)系數(shù)

不同時間尺度日均空氣相對濕度與冬小麥赤霉病病情指數(shù)間相關(guān)程度不盡相同。冬小麥赤霉病病情指數(shù)與5日均空氣相對濕度間的相關(guān)性最大，相關(guān)系數(shù)為0.78。因此，確定5日均空氣相對濕度為冬小麥赤霉病發(fā)生最敏感氣候濕度影響因子，文中將選擇5日均空氣相對濕度作為模型（氣候）參量之一用以構(gòu)建冬小麥赤霉病病情指數(shù)遙感估測模型。

2.3 冬小麥長勢與赤霉病間的特征關(guān)系

表征冬小麥長勢的農(nóng)學參數(shù)較多，如有冬小麥葉面積指數(shù)（LAI）、生物量、葉綠素含量以及群體莖蘗數(shù)等，結(jié)合課題組前期研究積累并參照前人研究結(jié)果，本文僅選擇前3個重要且常用的農(nóng)學參數(shù)進行研究。

圖2為冬小麥始花期不同生長參數(shù)與赤霉病病情指數(shù)間的特征關(guān)系圖。從圖2a可以看出，研究區(qū)域樣點冬小麥始花期LAI在4.3～5.9之間，多數(shù)集中在4.7～5.8之間，不同試驗樣點間差異明顯，有部分試驗樣點間LAI差異達到極顯著水平（<0.01）。LAI的差異懸殊性表現(xiàn)除與冬小麥品種基因型有關(guān)外，也與研究區(qū)域采用混合播種（機條播和人工撒播）方式有較大關(guān)系。LAI是反映冬小麥群體郁閉程度大小的重要生長參數(shù)指標，始花期LAI增加過大，植株通風透光變差，群體內(nèi)溫濕度升高，容易導致病菌滋生和病害發(fā)生。圖2b中，研究區(qū)域冬小麥始花期生物量（干質(zhì)量）在8 270～13 330 kg/hm2之間，多數(shù)在9 200～13 000 kg/hm2之間，試驗樣點間存在明顯差異。冬小麥生物量是反映群體種植密度大小的重要生長參數(shù)指標，始花期生物量過大，不僅養(yǎng)分損耗明顯，而且由于植株間無序營養(yǎng)競爭，會出現(xiàn)大量弱株瘦株，群體抵抗病菌的能力減弱，大大增加感病幾率。試驗樣點的葉片葉綠素含量在37.2%～62.3%之間，多數(shù)樣點葉片葉綠素含量在44%～62%之間，變幅較大，差異明顯。葉片葉綠素含量是反映群體植株營養(yǎng)豐缺的重要生長參數(shù)指標，也是間接反映氮肥施用高低的參照性指標。植株營養(yǎng)偏高，不但不利于群體內(nèi)營養(yǎng)均衡，也會使群體生長過旺產(chǎn)生郁閉，衰弱植株的抗病能力。

圖2 冬小麥葉面積指數(shù)、生物量和葉綠素含量與赤霉病病情指數(shù)的關(guān)系

綜觀圖2，可以看出冬小麥葉面積指數(shù)、生物量（kg/hm2）和葉片葉綠素含量（%）與赤霉病病情指數(shù)間的關(guān)聯(lián)性較為相似，均呈現(xiàn)線性正相關(guān)關(guān)系，按相關(guān)性大小依次為生物量＞冬小麥葉面積指數(shù)（LAI）＞葉片葉綠素含量，線性擬合關(guān)系的決定系數(shù)分別為0.608 4、0.584 5和0.574 6，相關(guān)系數(shù)分別為0.78、0.76和0.758均達到顯著正相關(guān)水平（<0.01），說明冬小麥群體密度大、郁閉程度高以及生長過旺是赤霉病易發(fā)的主要農(nóng)學誘因。本文將選擇冬小麥LAI、生物量和葉片葉綠素含量作為模型（農(nóng)學）參量用以構(gòu)建冬小麥赤霉病病情指數(shù)遙感估測模型。

2.4 冬小麥生長參數(shù)與遙感光譜指標間的特征關(guān)系

冬小麥葉面積指數(shù)（LAI）、生物量和葉片葉綠素含量是判斷冬小麥長勢良莠的重要指標和依據(jù)。為實現(xiàn)不同冬小麥生長參數(shù)與遙感光譜指標之間的合理轉(zhuǎn)換或定量反演，分析了冬小麥LAI、生物量和葉片葉綠素含量與感光譜指標間的相互關(guān)系（表3），遙感光譜指標有5個，包括NIR（近紅外波段）反射率、RED（紅光波段）反射率、NDVI（歸一化差值植被指數(shù)）、RVI（比值植被指數(shù)）和DVI（差值植被指數(shù)）。

表3 冬小麥的不同生長參數(shù)與遙感光譜指標之間的相關(guān)系數(shù)

由表3看出，冬小麥始花期五個遙感光譜指標相互之間的相關(guān)系數(shù)大小有所不同，最小值為-0.44，最大值為0.97，說明不同遙感光譜指標間的相關(guān)性高低不一。NIR反射率和RED反射率之間的相關(guān)性稍低，呈負相關(guān)關(guān)系，該結(jié)果符合冬小麥生長的光譜反射機理與特征。當冬小麥長勢好時，對紅光吸收增強，其反射率會降低，近紅外波段的反射率相應增強；當冬小麥長勢差時，對紅光吸收減弱，其反射率會增加，近紅外波段的反射率相應降低，這一內(nèi)在性的光譜反射特征規(guī)律正是當前進行冬小麥生長遙感監(jiān)測的主要科學依據(jù)。NIR反射率與三個植被指數(shù)間呈正相關(guān)性，相關(guān)系數(shù)均≥0.67，其中，與DVI的相關(guān)性最好，相關(guān)系數(shù)為0.95。RED反射率與三個植被指數(shù)間成負相關(guān)關(guān)系，與NDVI的相關(guān)性最好，相關(guān)系數(shù)為-0.94。三個植被指數(shù)間存在較好正相關(guān)關(guān)系，三者間的相關(guān)系數(shù)均≥0.85，NDVI與RVI之間的相關(guān)系數(shù)最大，其值為0.97。依據(jù)不同遙感光譜指標間的高度相關(guān)性，可以進行多遙感光譜指標值的相互轉(zhuǎn)換或估算，彌補遙感光譜指標提取的不足。

另外，冬小麥始花期LAI、生物量和葉片葉綠素含量之間存在不同程度的相關(guān)性，三者間的相關(guān)系數(shù)均≥0.63，LAI與生物量之間的相關(guān)系數(shù)最大，其值為0.771 5，間接反映了冬小麥光合轉(zhuǎn)運源與庫間的相互協(xié)調(diào)均衡性。

表3中，除RED反射率與不同冬小麥生長參數(shù)呈現(xiàn)負相關(guān)關(guān)系以外，NIR反射率、NDVI、RVI以及DVI與不同冬小麥生長參數(shù)之間均呈現(xiàn)正相關(guān)關(guān)系。NDVI與冬小麥LAI之間相關(guān)性最好，二者間的相關(guān)系數(shù)為0.85；RVI與冬小麥生物量的相關(guān)性最好，其相關(guān)系數(shù)為0.86；DVI與冬小麥葉片葉綠素含量間的相關(guān)性較好，其相關(guān)系數(shù)為0.77。因此，本文選擇NDVI、RVI和DVI分別作為冬小麥LAI、生物量和葉片葉綠素含量替換（或反演）的模型（光譜）參量用以構(gòu)建冬小麥赤霉病病情指數(shù)遙感估測模型。

2.5 冬小麥赤霉病病情指數(shù)遙感估測模型建立與驗證

根據(jù)2.4分析，基于冬小麥生長參數(shù)與遙感光譜植被指數(shù)間的高度相關(guān)性，可以利用NDVI、RVI和DVI三個遙感植被指數(shù)分別替換冬小麥LAI、生物量和葉片葉綠素含量三個生長參數(shù)進行建模。結(jié)合2.1節(jié)～2.3節(jié)分析，本節(jié)將選擇5日均氣溫、5日均空氣相對濕度、NDVI、RVI和DVI五個敏感因子作為自變量，冬小麥赤霉病病情指數(shù)作為因變量，構(gòu)建基于氣候因素與光譜信息協(xié)同的赤霉病病情指數(shù)遙感估測模型（winter wheat scab remote sensing estimating model，WSRSEM），以實現(xiàn)區(qū)域尺度冬小麥始花期赤霉病病情指數(shù)的遙感估測。

WHDI=×TEM+×WET+×NDVI

+× RVI+×DVI+F（4）

式中WHDI（Disease index of winter wheat head blight，%）為估測的像元尺度冬小麥始花期赤霉病病情指數(shù)，TEM（℃）為像元尺度的5日均氣溫，WET（%）為像元尺度的5日均空氣相對濕度，NDVI為像元尺度的歸一化差值植被指數(shù)，RVI為像元尺度的比值植被指數(shù)，DVI為像元尺度的差值植被指數(shù)。、、、、和均為模型參數(shù)，值分別為0.571、0.157、-32.22、1.314、20.239和6.522。

圖3是冬小麥始花期赤霉病病情指數(shù)實測值與估測值之間的關(guān)系圖，可以看出，研究區(qū)域驗證樣點冬小麥始花期赤霉病病情指數(shù)在11.2%～30.1%之間，多數(shù)樣點集中在16.7%～26.9%之間，樣點間差異非常明顯。2012年和2014年是該研究區(qū)域冬小麥赤霉病發(fā)病較重的年份，對冬小麥產(chǎn)量造成較大影響，曾引起各級政府部門和學術(shù)界的高度關(guān)注，本研究團隊也因此獲得非常重要的冬小麥病害試驗數(shù)據(jù)。圖3中病情指數(shù)實測值與估測值較為一致，決定系數(shù)為0.755，除個別樣點間誤差較大外，多數(shù)樣點較為均勻集中在1:1關(guān)系線（圖3中虛線）附近，RMSE（root mean square error）為5.3%。相對誤差為9.54%。說明本研究構(gòu)建的基于氣候因素與光譜信息協(xié)同的冬小麥赤霉病病情指數(shù)遙感估測模型，有較好估測精度，可以實現(xiàn)縣級區(qū)域冬小麥始花期赤霉病的有效估測。

圖3 冬小麥赤霉病病情指數(shù)實測值與估測值的比較

3 討 論

從學科專業(yè)研發(fā)（或行業(yè)領域）的角度看，現(xiàn)有的冬小麥病害信息化測報方法大致可歸納為3種類型。第一類是基于氣象因素匯集的病害信息化測報方法（簡稱氣象方法）[14,15]，第二類是基于農(nóng)學參數(shù)匯集的病害信息化測報方法（簡稱農(nóng)學方法）[16-17]，第三類是基于光譜信息匯集的病害信息化測報方法（簡稱遙感方法）[8,13,18,19]。氣象方法較多關(guān)注了氣候因素變化與冬小麥病害病發(fā)的影響作用，農(nóng)學方法則是匯集較多的農(nóng)學參數(shù)信息來判斷冬小麥的病發(fā)情況，遙感方法是利用光譜信息指標進行冬小麥病情估算，各有利弊。因此，綜合這三類方法的優(yōu)勢特點進行冬小麥病害信息化測報模式研究，利于提高冬小麥病害遙感測報模型的機理性與普適性。

目前對于冬小麥葉銹病和白粉病[20-24]遙感監(jiān)測研究較多，而對于赤霉病的監(jiān)測研究較少[19,25,26]。冬小麥赤霉病的發(fā)生除與農(nóng)田溫度、濕度等氣候因素有較大關(guān)系外，偏施氮肥、種植密度大以及田間郁閉也是其易發(fā)的主要農(nóng)學誘因。本文僅選擇主要氣候因素（日均氣溫和日均空氣相對濕度）、農(nóng)學參數(shù)（生物量、葉面積指數(shù)和葉片葉綠素含量）以及與相關(guān)的光譜信息（NIR反射率、RED反射率、NDVI、RVI和DVI）進行分析研究，其他影響因素如降雨、光照以及病菌數(shù)等尚需進一步研究。在前人研究中主要闡述了單日均氣溫、單日均空氣相對濕度對冬小麥赤霉病的影響作用[17,25,29]。本研究在分析多時間尺度（1 d、3 d、5 d、7 d和10 d）日均氣溫和空氣相對濕度與冬小麥赤霉病病情指數(shù)間相互關(guān)系的基礎上，進一步明晰了5日均氣溫和5日均空氣相對濕度對冬小麥赤霉病發(fā)生的重要影響作用，是對前人研究結(jié)論的較好補充與完善。

本研究選擇對冬小麥始花期赤霉病進行遙感估測研究，因為始花期是江淮區(qū)域進行冬小麥赤霉病防治的關(guān)鍵時期，生產(chǎn)上有“見花打藥”的防治策略。適時提供冬小麥始花期赤霉病估測信息給縣級植保部門和種糧大戶，有助于輔助用藥措施，實現(xiàn)減災增產(chǎn)的目的。另外，由于獲取多樣點冬小麥大田日均氣溫和空氣相對濕度需要較多人工和費用，文中選用氣象站觀測的日均氣溫和空氣相對濕度來表征氣候條件對田間冬小麥赤霉病的影響作用，若利用冬小麥大田實際氣候數(shù)據(jù)會更利于對冬小麥赤霉病的有效估測。

4 結(jié) 論

本研究在借鑒前人研究成果的基礎上，基于江淮區(qū)域冬小麥赤霉病發(fā)生的生理生態(tài)規(guī)律及其與氣候環(huán)境間的系統(tǒng)關(guān)系，通過分析不同時間尺度氣候因素（日均氣溫和日均空氣相對濕度）、生長參數(shù)（生物量、葉面積指數(shù)和葉片葉綠素含量）和光譜信息（NIR反射率、RED反射率、NDVI、RVI和DVI）與冬小麥赤霉病病情指數(shù)之間的互作關(guān)系，得出結(jié)論如下：

1）依托不同時間尺度日均氣溫和日均空氣相對濕度各自間的高度相關(guān)性，可以分別進行多時間尺度日均氣溫和日均空氣相對濕度數(shù)據(jù)間的相互轉(zhuǎn)換或估算。5日均氣溫和5日均空氣相對濕度與冬小麥赤霉病病情指數(shù)間的相關(guān)性較好，說明在溫濕度因素中5日均氣溫和5日均空氣相對濕度對冬小麥赤霉病發(fā)生影響作用明顯。

2）冬小麥生物量、葉面積指數(shù)和葉片葉綠素含量與赤霉病病情指數(shù)之間存在明顯正相關(guān)關(guān)系，說明冬小麥群體密度大、郁閉程度高以及長勢過旺是赤霉病易發(fā)的主要農(nóng)學原因?？梢岳弥脖恢笖?shù)NDVI和RVI和DVI分別替換LAI、生物量和葉片葉綠素含量參與建模。

3）綜合5日均氣溫、5日均空氣相對濕度、NDVI、RVI和DVI五個主要影響因子建立了冬小麥赤霉病病情指數(shù)遙感估測模型，不僅有較好解釋性，也有較高估測精度，RMSE（root mean square error）為5.3%。相對誤差為9.54%，能實現(xiàn)對江淮區(qū)域冬小麥赤霉病的有效估測。

[1] Taubenhaus J J, Ezekiel W N, Neblette C B. Airplane photography in the study of cotton root[J]. Phytopathology, 1929, 19: l025－1029．

[2] Tolers R W, Smith B D, Harlan J C. Use of aerial color infrared photography in the study of cotton root rot[J]. Plant Disease, 1981: 65(1): 24－31.

[3] Lorenzen B, Jensen A. Changes in leaf spectral properties induced in barley by cereal powdery mildew[J]. Remote Sensing of Environment, 1989, 27 (2): 201－209.

[4] Riedell W E, ckmer T M. Leaf reflectance spectra of cereal aphid-damaged wheat[J]. Crop Science, 1999, 39(9): 1835－1840.

[5] Devadas R, Lamb D W, Simpfendorfer S, et al. Evaluating ten spectral vegetation indices for identifying rust infection in individual wheat leaves[J]. Precision Agriculture, 2009, 10(6): 459－470.

[6] Zhao C J, Huang M Y, Huang W J, et al. Analysis of winter wheat stripe rust characteristic spectrum and establishing of inversion models[J]. IEEE International Geoscience and Remote Sensing Symposium, 2004, 6(7): 4318－4320.

[7] 劉良云，黃文江，王紀華，等. 利用多時相航空高光譜圖像數(shù)據(jù)監(jiān)測冬小麥條銹病[J]. 遙感學報, 2004, 8(3): 276－282. Liu Liangyun, Huang Wenjiang, Wang Jihua, et al. Monitoring stripe rust disease of winter wheat using multi-temporal hyperspectral airborne data[J]. Journal of Remote Sensing, 2004, 8(3): 276－282. (in Chinese with English abstract)

[8] 蔡成靜，王海光，安虎，等. 小麥條銹病高光譜遙感監(jiān)測技術(shù)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]. Journal of Northwest A&F University (Natural Science Edition)，2005，33：31－36. (in Chinese with English abstract)

[9] 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 about winter wheat stripe rust severity[J]. Journal of Nanjing Agricultural University, 2007, 30(3): 63－67. (in Chinese with English abstract)

[10] 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.

[11] 黃文江. 作物病害遙感監(jiān)測機理與應用[M]. 北京: 中國農(nóng)業(yè)科學技術(shù)出版社，2009.

[12] Zhang J C, Pu R L, Yuan L, et al. Integrating remotely sensed and meteorological observations to forecast wheat powdery mildew at a regional scale[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014,7(11): 4328－4339.

[13] Cao X R, Luo Y, Zhou Y L, et al. Detection of powdery mildew in two winter wheat cultivars using canopy hyperspectral reflectance[J]. Crop Protection, 2013, 45: 124－131.

[14] 李小龍，秦豐，趙龍蓮，等. 近紅外光譜技術(shù)的小麥條銹病嚴重度分級識別[J]. 光譜學與光譜分析，2015，35(2)：367－371. Li Xiaolong, Qin Feng, Zhao Longlian, et al. Identification and classification of disease severity of wheat stripe rust using near infrared spectroscopy technology[J]. Spectroscopy and Spectral Analysis, 2015, 35(2): 367－371. (in Chinese with English abstract)

[15] 劉偉昌，王君，陳懷亮，等. 河南省小麥病蟲害氣象預測預報模型研究[J]. 氣象與環(huán)境科學，2008，31(3)：29－31. Liu Weichang, Wang Jun, Chen Huailiang, et al. Study on meteorological forecast model for wheat diseases and pests in Henan province[J]. Meteorology and Environmental Science, 2008, 31(3): 29－31. (in Chinese with English abstract)

[16] 司麗麗，姚樹然，閆峰. 基于Fisher判別準則的河北省小麥白粉病氣象條件中期預報模型[J]. 氣象與環(huán)境科學，2013，34(3)：338－341. Si Lili, Yao Shuran, Yan Feng. Mid-term prediction on meteorological factors for wheat powdery mildew (blumeria graminis) in Hebei province based on fisher criterion[J]. Meteorology and Environmental Science, 2013, 34(3): 338－341. (in Chinese with English abstract)

[17] 閆征遠，范潔茹，劉偉，等. 基于田間空氣中病菌孢子濃度的小麥白粉病病情估計模型研究[J]. 植物病理學報，2017，47(2)：253－261. Yan Zhengyuan, Fan Jieru, Liu Wei, et al. Models of disease index estimation of wheat powdery mildew based on the concentrations of blumeria graminis f. sp. tritici conidia in the fields[J]. Acta Phytopathologica Sinica, 2017, 47(2): 253－261. (in Chinese with English abstract)

[18] 刁春友，朱葉芹，于淦軍，等. 農(nóng)作物主要病蟲害預測預報與防治[M]. 南京: 江蘇科學技術(shù)出版社，2006.

[19] 王靜，景元書，黃文江，等. 冬小麥條銹病嚴重度不同估算方法對比研究[J]. 光譜學與光譜分析，2015，35(6)：1649－1653. Wang Jing, Jing Yuanshu, Huang Wenjiang, et al. Comparative research on estimating the severity of yellow rust in winter wheat[J]. Spectroscopy and Spectral Analysis, 2015, 35(6): 1649－1653. (in Chinese with English abstract)

[20] 李衛(wèi)國. 農(nóng)作物遙感監(jiān)測方法與應用[M]. 北京：中國農(nóng)業(yè)科學技術(shù)出版社，2013.

[21] 馬慧琴，黃文江，景元書. 遙感與氣象數(shù)據(jù)結(jié)合預測小麥灌漿期白粉病[J]. 農(nóng)業(yè)工程學報，2016，32(9)：165－172. Ma Huiqin, Huang Wenjiang, Jing Yuanshu. Wheat powdery mildew forecasting in filling stage based on remote sensing and meteorological data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(9): 165－172. (in Chinese with English abstract)

[22] Yuan L, Huang Y B, Loraamm R W, et al. Spectral analysis of winter wheat leaves for detection and differentiation of diseases and insects[J]. Field Crops Research, 2014, 156: 199－207.

[23] 莊東英. 利用多源遙感監(jiān)測冬小麥長勢與白粉病害的研究[D]. 合肥: 安徽農(nóng)業(yè)大學，2013. Zhuang Dongying. Monitoring of Winter Wheat Growth and Powdery Mildew by Multi-source Remote Sensing[D]. Hefei: Anhui Agricultural University, 2013. (in Chinese with English abstract)

[24] 沈文穎，李映雪，馮偉，等. 基于因子分析-BP神經(jīng)網(wǎng)絡的小麥葉片白粉病反演模型[J]. 農(nóng)業(yè)工程學報，2015，31(22)：183－190. Shen Wenying, Li Yingxue, Feng Wei, et al. Inversion model for severity of powdery mildew in wheat leaves based on factor analysis-BP neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(22): 183－190. (in Chinese with English abstract)

[25] 衛(wèi)黎光，蔣金豹，楊貴軍，等. 模擬多光譜衛(wèi)星傳感器數(shù)據(jù)的冬小麥白粉病遙感監(jiān)測[J]. 麥類作物學報，2014，34(12)：1699－1705. Wei Liguang, Jiang Jinbao, Yang Guijun, et al. Remote sensing monitoring powdery mildew of winter wheat using simulated data of multi spectral satellite sensor[J]. Journal of Triticeae Crops, 2014, 34(12): 1699－1705. (in Chinese with English abstract)

[26] 金正婷. 利用衛(wèi)星遙感估測冬小麥長勢與赤霉病害的研究[D]. 南京：南京信息工程大學，2016. Jin Zhengting. Study on Estimating Winter Wheat Growth and Scab Using Satellite Remote Sensing[D]. Nanjing: Nanjing University of Information Science & Technology, 2016. (in Chinese with English abstract)

[27] Silva J R M D, Damásio C V, Sousa A M O, et al. Agriculture pest and disease risk maps considering MSG satellite data and land surface temperature[J]. International Journal of Applied Earth Observation & Geoinformation, 2015, 38: 40－50

[28] 程順和，張勇，別同德，等. 中國小麥赤霉病的危害及抗性遺傳改良[J]. 江蘇農(nóng)業(yè)學報，2012，28：938－942. Cheng Shunhe, Zhang Yong, Bie Tongde, et al. Damage of wheat Fusarium head blight (FHB) epidemics and genetic improvement of wheat for scab resistance in China[J]. Jiangsu Journal of Agricultural Sciences, 2012, 28: 938－942. (in Chinese with English abstract)

[29] 劉易科，佟漢文，朱展望，等. 小麥赤霉病抗性機理研究進展[J]. 中國農(nóng)業(yè)科學，2016，49(8)：1476－1488. Liu Yike, Tong Hanwen, Zhu Zhanwang, et al. Progress in research on mechanism of resistance to fusarium head blight in wheat[J]. Scientia Acricultura Sinica, 2016, 49(8): 1476－1488. (in Chinese with English abstract)

[30] 張旭暉，高蘋，居為民，等. 小麥赤霉病氣象條件適宜程度等級預報[J]. 氣象科學，2009，29(4)：552－556. Zhang Xuhui, Gao Ping, Ju Weimin, et al. Prediction of the adaptability category of meteorological conditons for wheat head blight[J]. Scientia Meteorologica Sinica, 2009，29(4)：552－556. (in Chinese with English abstract)

[31] 陳永明，林付根，趙陽，等. 論江蘇東部麥區(qū)赤霉病流行成因與監(jiān)控對策[J]. 農(nóng)學學報，2015，5(5)：33－38. Chen Yongming, Lin Fugen, Zhao Yang, et al. The population reasons and control measures of wheat scab in the east of Jiangsu[J]. Journal of Agriculture, 2015, 5(5): 33－38. (in Chinese with English abstract)

李衛(wèi)國，黃文江，董瑩瑩，陳 華，王晶晶，單 婕.基于溫濕度與遙感植被指數(shù)的冬小麥赤霉病估測[J]. 農(nóng)業(yè)工程學報，2017，33(23)：203－210. doi：10.11975/j.issn.1002-6819.2017.23.026 http://www.tcsae.org

Li Weiguo, Huang Wenjiang, Dong Yingying, Chen Hua, Wang Jingjing, Shan Jie. Estimation on winter wheat scab based on combination of temperature, humidity and remote sensing vegetation index[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(23): 203－210. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.23.026 http://www.tcsae.org

Estimation on winter wheat scab based on combination of temperature, humidity and remote sensing vegetation index

Li Weiguo1, Huang Wenjiang2, Dong Yingying2, Chen Hua1, Wang Jingjing1, Shan Jie1

(1.210014,; 2.100094,)

Scab is one of the main diseases of winter wheat in Yangtze-Huaihe River region in China, whose monitoring and forecasting timely in large area will help to adjust the pesticide spraying measures reasonably and realize the purpose of reducing disaster and increasing yield. In this study, we carried out remote monitoring tests of winter wheat scab in 4 counties (Donghai, Lianshui, Taixing and Dafeng) of Jiangsu Province in Yangtze-Huaihe River region, analyzed the interaction and relationship between winter wheat scab characteristics, climatic factors, growth parameters and spectral information, selected major scab’s sensitive factors, and established the remote sensing estimation model of winter wheat scab disease index based on interactions between spectral information and climatic factors. The results showed that: 1) There is a good correlation between the daily mean temperatures in different time scales, of which the correlation between the daily mean temperature of 7 days and the daily mean temperature of 10 days is the highest, and the correlation coefficient is 0.966 5. The correlation coefficient between the daily mean temperature of 5 days and the winter wheat scab disease index is the largest, which is 0.772 6, indicating that the daily average temperature of 5 days in different time scales has the most obvious effect on the occurrence of scab in winter wheat. 2) Similar to the daily mean temperature, there are different degrees of correlation between the daily mean relative humidity at different time scales. The correlation coefficient is the largest between daily mean relative air humidity of 7 days and daily mean relative air humidity of 10 days, and its value is 0.933 7. The daily mean relative air humidity of 5 days has the highest correlation with winter wheat scab disease index, and its correlation coefficient is 0.784 2, higher than the daily mean temperature of 5 days, which shows that the daily mean relative air humidity of 5 days has a higher influence on winter wheat scab than the daily mean temperature of 5 days. 3) There is a positive linear correlation between winter wheat biomass, leaf area index (LAI) and leaf chlorophyll content and scab disease index, and the r values of the linear trend fitting are 0.608 4, 0.584 5 and 0.574 6, respectively, which reach the significant level, and indicate the large population density, high canopy density and over vigorous growth of winter wheat are the main incentive for scab. 4) Remote sensing vegetation index such as NDVI (normalized difference vegetation index), RVI (ratio vegetation index) and DVI (difference vegetation index) has a good correlation with winter wheat LAI, biomass and leaf chlorophyll content respectively, and their correlation coefficients are 0.851 6, 0.854 9 and 0.772 7 respectively. NDVI, RVI and DVI can be used to replace LAI, biomass and leaf chlorophyll content to participate in modeling. 5) Combining 5 sensitive factors i.e. NDVI, RVI, DVI, mean daily temperature of 5 days and average daily relative humidity of 5 days, we establish the remote sensing estimation model of winter wheat scab disease index based on interactions between spectral information and climatic factors. The estimated value of the model is consistent with the measured value, root mean square error (RMSE) is 5.3%, and the estimation accuracy is 90.46%. It shows that the estimation model in this study can effectively estimate winter wheat scab in Yangtze-Huaihe River region in China.

diseases; estimation; temperature; winter wheat scab; spectral information;relative humidity;growth parameters; Yangtze-Huaihe river region

10.11975/j.issn.1002-6819.2017.23.026

S127

A

1002-6819(2017)-23-0203-08

2017-08-01

2017-11-17

國家自然科學基金項目（41171336）；江蘇省重點研究計劃（BE2016730）；中科院數(shù)字地球重點實驗室開放基金項目（2016LDE007）

李衛(wèi)國，研究員，主要從事作物災害遙感監(jiān)測研究。 Email：jaaslwg@126.com