基于無人機(jī)高光譜影像的冬小麥全蝕病監(jiān)測(cè)模型研究

郭 偉 朱耀輝 王慧芳 張 娟 董 萍 喬紅波

(1.河南農(nóng)業(yè)大學(xué)信息與管理科學(xué)學(xué)院， 鄭州 450002； 2.北京市氣象局北京氣候中心， 北京 100089)

0 引言

小麥全蝕病是世界各小麥產(chǎn)區(qū)危害十分嚴(yán)重的一種毀滅性病害，全蝕病的發(fā)生會(huì)引起植株成簇或大片枯死，嚴(yán)重時(shí)減產(chǎn)一半以上，甚至絕收，造成嚴(yán)重的產(chǎn)量損失，因此防治小麥全蝕病對(duì)保障國(guó)家糧食安全至關(guān)重要[1-4]。全蝕病為土傳病害，一旦發(fā)病，次年發(fā)病概率較高，且預(yù)防來年小麥全蝕病的拌種劑價(jià)格昂貴。針對(duì)這一特點(diǎn)，在空間上及時(shí)、精確地監(jiān)測(cè)當(dāng)年小麥全蝕病的發(fā)病區(qū)域，估測(cè)病害嚴(yán)重度，可預(yù)測(cè)下一年的易發(fā)病區(qū)域，精準(zhǔn)施藥，降低生產(chǎn)成本，從而指導(dǎo)人們防治全蝕病病害。

小麥全蝕病由根部感染全蝕病菌引起，幼苗期植株矮小，灌漿期 “白穗”是其典型病狀。采用遙感技術(shù)可以快速、準(zhǔn)確獲取其染病區(qū)域的空間信息。目前，基于傳統(tǒng)遙感技術(shù)的作物病蟲害監(jiān)測(cè)已經(jīng)廣泛應(yīng)用于作物病害監(jiān)測(cè)。但是在獲取農(nóng)作物冠層光譜時(shí)，傳統(tǒng)的非成像近地光譜儀每次只能獲取單點(diǎn)光譜數(shù)據(jù)，而近地成像光譜儀受到平臺(tái)高度的限制，獲取的影像范圍非常有限，且在大田環(huán)境中難以獲取正射影像；遙感衛(wèi)星雖可以快速獲取大面積農(nóng)田的影像，但受衛(wèi)星過境時(shí)間、天氣等條件限制較多，且成本較高[5]；近年來，無人機(jī)遙感技術(shù)以其數(shù)據(jù)測(cè)量時(shí)間靈活機(jī)動(dòng)、時(shí)空分辨率高、觀測(cè)范圍大等優(yōu)勢(shì)，在農(nóng)田生態(tài)環(huán)境信息監(jiān)測(cè)與獲取中開始應(yīng)用[6-9]，但目前農(nóng)業(yè)無人機(jī)遙感多以普通數(shù)碼相機(jī)和多光譜相機(jī)為主要傳感器，所獲取的影像數(shù)據(jù)波段少、光譜信息有限，這些不足限制了遙感技術(shù)在農(nóng)作物病蟲害監(jiān)測(cè)中的應(yīng)用。低空無人機(jī)搭載高分辨率成像光譜儀對(duì)小麥病蟲害進(jìn)行空間監(jiān)測(cè)可以很好地彌補(bǔ)以上不足。近年來，國(guó)內(nèi)外已經(jīng)陸續(xù)出現(xiàn)了利用無人機(jī)高光譜成像儀進(jìn)行農(nóng)田監(jiān)測(cè)的研究[10-12]。初步評(píng)價(jià)了無人機(jī)成像高光譜數(shù)據(jù)在農(nóng)業(yè)應(yīng)用方面的潛力，并利用無人機(jī)高光譜技術(shù)對(duì)作物長(zhǎng)勢(shì)及生理生化參數(shù)進(jìn)行估算。但在作物病蟲害空間監(jiān)測(cè)方面的研究鮮有報(bào)道。

本研究以低空無人機(jī)作為遙感平臺(tái)，使用高光譜分辨率的新型成像光譜儀，以患全蝕病冬小麥為研究對(duì)象，結(jié)合地面調(diào)查數(shù)據(jù)和近地高光譜數(shù)據(jù)，客觀評(píng)價(jià)無人機(jī)高光譜遙感數(shù)據(jù)質(zhì)量，運(yùn)用高光譜技術(shù)，綜合分析不同光譜指數(shù)和最小二乘法在冬小麥全蝕病病情指數(shù)估測(cè)的能力，并通過低空無人機(jī)獲取的高光譜成像數(shù)據(jù)實(shí)現(xiàn)冬小麥全蝕病病情指數(shù)的空間反演分布，以期為基于無人機(jī)高光譜遙感的作物病蟲害空間監(jiān)測(cè)積累經(jīng)驗(yàn)。

1 材料與方法

1.1 試驗(yàn)地概況

試驗(yàn)在河南省中南部的漯河市郾城區(qū)裴城鎮(zhèn)(33°43.1′N，113°49′E)進(jìn)行，試驗(yàn)地長(zhǎng)112 m、寬26 m，如圖1所示。試驗(yàn)冬小麥品種為矮抗58，于2016年10月12日播種，冬小麥生長(zhǎng)期間的栽培措施同一般高產(chǎn)田。

1.2 數(shù)據(jù)獲取與處理

1.2.1病情指數(shù)調(diào)查

圖1 研究區(qū)示意圖Fig.1 Schematic of study area

數(shù)據(jù)獲取時(shí)間為2017年5月21日，此時(shí)為冬小麥灌漿期，患全蝕病冬小麥的“白穗”特征最為明顯。依據(jù)病害程度的不同，隨機(jī)選取40個(gè)樣點(diǎn)，于每個(gè)樣點(diǎn)西南方向45°處插入標(biāo)記板并使用差分GPS記錄位置信息。獲取樣點(diǎn)冠層光譜數(shù)據(jù)和無人機(jī)高光譜成像數(shù)據(jù)后，以每一個(gè)光譜測(cè)定樣點(diǎn)右前方1 m×1 m處作為病情指數(shù)調(diào)查樣方，按照GB/T 17980.109—2004規(guī)定，每個(gè)樣方按照傳統(tǒng)的五點(diǎn)取樣方法選取小麥樣本，每個(gè)樣方取1 m長(zhǎng)雙行冬小麥調(diào)查總穗數(shù)及白穗數(shù)。取回樣品由植保專業(yè)實(shí)驗(yàn)員在實(shí)驗(yàn)室環(huán)境下提取病害組織置于培養(yǎng)基培養(yǎng)，純化病原菌采用柯赫氏法則確定病原菌，鑒定冬小麥全蝕病病株。清水沖洗樣品根系，在白色背景下調(diào)查根系發(fā)病情況，根據(jù)每個(gè)植株根部受侵染面積的百分比計(jì)算病情級(jí)數(shù)，病情級(jí)數(shù)分類標(biāo)準(zhǔn)如表1所示。

表1 冬小麥全蝕病病情級(jí)數(shù)分類標(biāo)準(zhǔn)Tab.1 Classification criteria for winter wheat take-all grade

白穗率從冠層角度反映了冬小麥發(fā)病區(qū)域和面積，病情級(jí)數(shù)則是從根系角度反映了冬小麥患全蝕病的嚴(yán)重程度。病情指數(shù)是全面考慮發(fā)病率與嚴(yán)重度的綜合指標(biāo)，作為本文評(píng)價(jià)冬小麥全蝕病患病程度的綜合指標(biāo)。其計(jì)算公式為

(1)

(2)

式中WHR——白穗率DWH——枯白穗數(shù)

TWE——總穗數(shù)AGWH——各級(jí)白穗數(shù)

TWH——總白穗數(shù)DG——病情級(jí)數(shù)

HDG——最高病情級(jí)數(shù)

DI——病情指數(shù)

1.2.2無人機(jī)高光譜成像數(shù)據(jù)

無人機(jī)遙感平臺(tái)如圖2所示，包含八旋翼無人機(jī)、飛行控制系統(tǒng)、成像高光譜儀、微型單板計(jì)算機(jī)Pokini Z、無線遙感系統(tǒng)、地面控制系統(tǒng)和數(shù)據(jù)處理系統(tǒng)。其中八旋翼無人機(jī)為天途公司生產(chǎn)的AZUP-T8，單臂長(zhǎng)60 cm，機(jī)身凈質(zhì)量7 kg，可載質(zhì)量10 kg，續(xù)航時(shí)間為30 min；成像光譜儀為Cubert UHD185，拍攝方式為全畫幅、非掃描、實(shí)時(shí)成像，光譜范圍為450～950 nm，波段數(shù)125，光譜采樣間隔4 nm，光譜分辨率8 nm。無人機(jī)遙感作業(yè)在天氣晴朗無云、風(fēng)速較小時(shí)進(jìn)行，航速6 m/s，航高50 m，航向重疊度80%，旁向重疊度60%，地面控制站通過無線網(wǎng)絡(luò)遠(yuǎn)程遙控Pokini Z運(yùn)行，并將拍攝數(shù)據(jù)存儲(chǔ)在Pokini Z中。

UHD185型機(jī)載高速成像光譜儀獲取的數(shù)據(jù)包含：空間分辨率21 cm的高光譜立方體影像；空間分辨率1 cm的全色jpg圖像。UHD185遙感數(shù)據(jù)預(yù)處理包括兩部分：高光譜立方體影像的拼接和試驗(yàn)區(qū)域樣點(diǎn)冬小麥冠層平均光譜的提取。采用德國(guó)Cubert公司研發(fā)的Cube-Pilot軟件與Agisoft LLC公司研發(fā)的Agisoft PhotoScan軟件進(jìn)行高光譜影像拼接，高光譜影像拼接流程如圖3所示。

圖2 無人機(jī)高光譜設(shè)備與遙感影像采集Fig.2 UAV hyperspectral equipment and remote sensing image acquisition

圖3 高光譜影像的拼接流程圖Fig.3 Splicing process of hyperspectral image

1.2.3冠層光譜數(shù)據(jù)

地面數(shù)據(jù)采集工作與無人機(jī)空中作業(yè)同步開展。在進(jìn)行冬小麥全蝕病病情指數(shù)調(diào)查前，先對(duì)樣點(diǎn)進(jìn)行光譜測(cè)量。光譜測(cè)量采用美國(guó)ASD HandHeld手持地物光譜儀，光譜范圍為 325～1 075 nm，光譜采樣間隔為1 nm，光譜分辨率為3 nm，每次采集目標(biāo)光譜前均進(jìn)行參考板校正，傳感器探頭垂直向下，且探頭高度始終距離地面1.3 m(此時(shí)小麥平均株高為0.78 m)，探頭視場(chǎng)角25°，地面視場(chǎng)范圍直徑為50 cm，每個(gè)樣點(diǎn)均隨機(jī)采集10次光譜數(shù)據(jù)，取其平均值作為該采樣點(diǎn)的光譜測(cè)量值，并用標(biāo)記板標(biāo)記樣點(diǎn)序號(hào)，同時(shí)用差分GPS記錄樣點(diǎn)經(jīng)緯度坐標(biāo)。

以ASD Viewspec-pro軟件處理光譜數(shù)據(jù)。為了更好地反映不同病害程度在冠層光譜上的響應(yīng)特點(diǎn)，依據(jù)前人研究[13-15]根據(jù)不同DI值將其劃分為4個(gè)病害等級(jí)，分別是正常(0)、輕微(0～30%)、中等(30%～50%)和嚴(yán)重(>50%)。

1.3 方法

1.3.1光譜指數(shù)的構(gòu)建

為了更好地反映病情指數(shù)與光譜信息之間的關(guān)系，本研究從拼接后的UHD185高光譜影像上提取每個(gè)樣點(diǎn)的平均光譜數(shù)據(jù)，在450～950 nm范圍內(nèi)將任意兩個(gè)光譜波段構(gòu)建光譜指數(shù)，以便更好地利用光譜信息。光譜指數(shù)是不同光譜波段的植被-土壤系統(tǒng)的反射率因子以一定的代數(shù)形式組合而成的一種參數(shù)[16],依據(jù)小麥患全蝕病后的外部及生理特征和前人研究進(jìn)展[17-18]選取能夠較好反映植物結(jié)構(gòu)或者葉面積指數(shù)、生物量等生理活性參數(shù)的歸一化差異光譜指數(shù)(NDSI)、差值光譜指數(shù)(DSI)和比值光譜指數(shù)(RSI)，定義為

(3)

DSI(Ri,Rj)=Ri-Rj

(4)

(5)

式中Ri——450～950 nm波段內(nèi)的第i個(gè)波長(zhǎng)對(duì)應(yīng)的光譜反射率

Rj——450～950 nm波段內(nèi)的第j個(gè)波長(zhǎng)對(duì)應(yīng)的光譜反射率

實(shí)現(xiàn)工具為Matlab 2015b。

通過任意兩波段構(gòu)建DVI、NDSI和RSI與病情指數(shù)的決定系數(shù)等勢(shì)圖，尋找具有更高預(yù)測(cè)能力的光譜指數(shù)和敏感波段。

1.3.2偏最小二乘回歸

偏最小二乘回歸(Partial least squares regression, PLSR)方法已經(jīng)被廣泛應(yīng)用到植被生理參數(shù)估測(cè)中。其在多元線性回歸方法的基礎(chǔ)上，結(jié)合了主成分分析(PCA)和典型相關(guān)分析(CCA)的思想，這樣自變量之間相互獨(dú)立且能夠最大程度反映與因變量之間的差異，解決了多元線性回歸分析中常常遇到的小樣本以及多重共線性問題。本研究將每個(gè)樣點(diǎn)的病情指數(shù)(DI)作為因變量，構(gòu)建的3種光譜指數(shù)作為自變量，建立PLSR預(yù)測(cè)模型，預(yù)測(cè)病情指數(shù)。

1.3.3統(tǒng)計(jì)分析

1.3.3.1決定系數(shù)

決定系數(shù)R2為評(píng)價(jià)UHD185和重采樣后ASD的光譜反射率的相關(guān)性，以及各個(gè)樣點(diǎn)DI值與光譜指數(shù)構(gòu)建模型的相關(guān)性評(píng)價(jià)標(biāo)準(zhǔn)。R2越大，表示參與評(píng)價(jià)的變量間相關(guān)性越好，參考價(jià)值越大；R2越小，表示兩者相關(guān)性較差，參考價(jià)值越低。

通過Matlab軟件編輯代碼計(jì)算462～874 nm(4～102波段)范圍內(nèi)任意兩波長(zhǎng)構(gòu)建的差值光譜指數(shù)(DSI)、歸一化差異光譜指數(shù)(NDSI)和比值光譜指數(shù)(RSI)，并構(gòu)建小麥全蝕病病情指數(shù)的R2等勢(shì)圖，選出線性關(guān)系最優(yōu)的波段組合，分析對(duì)比具有較高預(yù)測(cè)能力的光譜指數(shù)。

1.3.3.2均方根誤差和平均絕對(duì)誤差

均方根誤差(Root mean square error, RMSE)和平均絕對(duì)誤差(Mean absolute error, MAE)被用來作為評(píng)價(jià)估算病情指數(shù)值與實(shí)測(cè)病情指數(shù)值的標(biāo)準(zhǔn)。

對(duì)于病情指數(shù)，RMSE對(duì)較大誤差非常敏感，RMSE越小，表示對(duì)病情指數(shù)的估算精度越高。MAE將各次測(cè)量值的絕對(duì)誤差取絕對(duì)值后再求平均值，平均絕對(duì)誤差由于離差被絕對(duì)值化了，平均誤差可以更好地反映預(yù)測(cè)值誤差的實(shí)際情況，同時(shí)使用RMSE和MAE有助于更好地分析誤差，避免個(gè)別誤差造成RMSE過大。

2 結(jié)果與分析

2.1 UHD185影像可靠性評(píng)價(jià)

UHD185成像高光譜數(shù)據(jù)由高光譜影像與全色影像融合得到，在利用其進(jìn)行冬小麥全蝕病監(jiān)測(cè)前，評(píng)價(jià)其光譜數(shù)據(jù)的可靠性是必要的。與無人機(jī)空中拍攝成像高光譜影像同步作業(yè)的ASD地物光譜儀在農(nóng)業(yè)遙感中已被廣泛使用，其光譜信息往往作為作物長(zhǎng)勢(shì)和病蟲害監(jiān)測(cè)的重要依據(jù)[17-19]，因此本文以ASD光譜數(shù)據(jù)為標(biāo)準(zhǔn)，在每個(gè)樣點(diǎn)西南方向插入標(biāo)記板并使用差分GPS記錄位置信息。利用地面布設(shè)標(biāo)記板來確保采集的ASD與UHD185光譜數(shù)據(jù)為相同樣點(diǎn)測(cè)量區(qū)域，通過對(duì)比ASD與UHD185的光譜反射率，對(duì)UHD185數(shù)據(jù)進(jìn)行可靠性評(píng)價(jià)。

圖5 不同病害等級(jí)的UHD185與重采樣ASD光譜反射率的相關(guān)性Fig.5 Correlation between UHD185 and resampled ASD spectral reflectance at different disease grades

首先，將ASD光譜數(shù)據(jù)重采樣為UHD185波段，分別計(jì)算不同病害等級(jí)的UHD185與ASD光譜數(shù)據(jù)的平均光譜反射率，如圖4所示。UHD185光譜曲線與ASD光譜曲線的變化趨勢(shì)總體一致。UHD185在550 nm附近出現(xiàn)“綠峰”特征，在680 nm附近出現(xiàn)“紅谷”特征，與ASD光譜曲線相符。原因在于冬小麥冠層光譜反射率隨葉片中葉綠素含量的增加而減少，由于葉綠素水平的升高，相應(yīng)葉片光合作用增強(qiáng)，對(duì)紅藍(lán)光吸收能力增強(qiáng)，相應(yīng)的光譜反射率減少[20]；在680～750 nm的紅邊區(qū)域，兩者的光譜反射率急劇上升，此波段內(nèi)光譜曲線對(duì)應(yīng)斜率最大值的波長(zhǎng)是紅邊位置REP；在770～910 nm的近紅外區(qū)域，相同冬小麥全蝕病病害等級(jí)的冠層光譜曲線近似一致，呈現(xiàn)近紅外高反射平臺(tái)，不同病害等級(jí)間ASD和UHD185光譜反射率由大到小為正常、輕微、中等、嚴(yán)重，原因是冬小麥白穗程度越高，冬小麥冠層葉片中水分越少，葉綠素含量、氮含量和葉面積指數(shù)減少，導(dǎo)致冠層光譜在近紅外波段的反射率也隨之降低，BONHAM-CARTER[21]的研究驗(yàn)證了近紅外波段反射率與氮素水平正相關(guān)，與本文結(jié)果相似；在910 nm之后，ASD和UHD185光譜反射率逐漸降低，且UHD185光譜曲線波動(dòng)性較大。

圖4 不同病害等級(jí)UHD185光譜曲線與重采樣的ASD光譜曲線對(duì)比Fig.4 Comparison between UHD185 spectral curves and resampled ASD spectral curves at different disease grades

然后，計(jì)算冬小麥冠層的重采樣ASD和UHD185光譜反射率在462～874 nm(4～102波段)波段內(nèi)的線性關(guān)系，結(jié)果表明，兩者決定系數(shù)R2均在0.97以上，如圖5所示。綜上兩方面的分析得出，在462～874 nm(4～102波段)范圍的UHD185光譜數(shù)據(jù)最為可靠，可利用其對(duì)不同全蝕病冬小麥病害等級(jí)進(jìn)行精準(zhǔn)分類。

2.2 基于成像高光譜數(shù)據(jù)的冬小麥全蝕病病情指數(shù)預(yù)測(cè)模型

2.2.1估測(cè)冬小麥全蝕病病情指數(shù)的最優(yōu)光譜指數(shù)

圖6為任意兩波長(zhǎng)組合構(gòu)成的DSI(Ri,Rj)、NDSI(Ri,Rj)和RSI(Ri,Rj)與病情指數(shù)的決定系數(shù)等勢(shì)圖。

圖6 任意兩波長(zhǎng)組合構(gòu)成的DSI(Ri,Rj)、NDSI(Ri,Rj)和RSI(Ri,Rj) 與病情指數(shù)的決定系數(shù)等勢(shì)圖Fig.6 Contours of R2 between disease index and DSI(Ri,Rj), NDSI(Ri,Rj) and RSI(Ri,Rj)

從圖6的R2等勢(shì)圖中可看出估測(cè)冬小麥全蝕病病情指數(shù)的光譜指數(shù)最優(yōu)波段組合。對(duì)于DSI(Ri,Rj)(圖6a)，R2>0.5的波段區(qū)域?yàn)?30～874 nm與462～760 nm的波段組合，其中DSI(R818,R534)波長(zhǎng)組合的相關(guān)性最好，決定系數(shù)R2達(dá)到了0.860 5；對(duì)于NDSI(圖6b)，R2>0.5的波段區(qū)域?yàn)?10～710 nm與740～850 nm、550～660 nm與550～580 nm，其中NDSI(R530,R758)波長(zhǎng)組合的相關(guān)性最好，決定系數(shù)R2達(dá)到了0.653 6；對(duì)于RSI(圖6c)，R2>0.5的波段區(qū)域?yàn)?10～710 nm與740～850 nm、550～660 nm與550～580 nm，其中RSI(R758,R530)波長(zhǎng)組合的相關(guān)性最好，決定系數(shù)R2達(dá)到了0.659 0，如表2所示。

表2 特征波長(zhǎng)組合的光譜指數(shù)與病情指數(shù)相關(guān)性Tab.2 Correlation between spectral index and disease index of characteristic band combination

從波段位置看，DSI、NDSI和RSI所優(yōu)選出的波段距550 nm“綠峰”非常近，說明其構(gòu)建的DSI(R818,R534)、RSI(R530,R758)和NDSI(R758,R530)與病情指數(shù)的相關(guān)性受葉片色素含量影響較為明顯，這是由患全蝕病冬小麥的白穗特征導(dǎo)致；整體而言，DSI光譜指數(shù)與冬小麥全蝕病病情指數(shù)相關(guān)性最好，DSI與全蝕病冬小麥病害指數(shù)的敏感性波段相較于NDSI、RSI更寬，冬小麥全蝕病病情指數(shù)與矩陣聯(lián)立形式任意波段組合的相關(guān)性也最高，驗(yàn)證了DSI(R818,R534)在精準(zhǔn)監(jiān)測(cè)冬小麥全蝕病病害的能力上優(yōu)于NDSI(R758,R530)、RSI(R530,R758)。

2.2.2基于光譜指數(shù)的冬小麥全蝕病DI模型構(gòu)建及檢驗(yàn)

基于本研究中UHD185高光譜影像提取的40個(gè)樣點(diǎn)數(shù)據(jù)，其中20個(gè)樣點(diǎn)作為建模集，另外20個(gè)樣點(diǎn)作為驗(yàn)證集，以冬小麥全蝕病DI為因變量，分別以DSI、NDSI和RSI為自變量，建立冬小麥全蝕病病情指數(shù)高光譜監(jiān)測(cè)模型。通過建模得出3個(gè)模型的決定系數(shù)R2均在0.65以上，其中DSI(R818,R534)與病害指數(shù)的相關(guān)性最高，R2=0.860 5，RMSE=7.3%，MAE=19.1%；其次為RSI(R530,R758)，R2=0.659 0，RMSE=11.5%，MAE=20.6%；NDSI(R758,R530)與病害指數(shù)的相關(guān)性最低，R2=0.653 6，RMSE=11.6%，MAE=38.9%。綜上可知，DSI(R818,R534)對(duì)冬小麥全蝕病病情指數(shù)的監(jiān)測(cè)精度最高，并采用同期獨(dú)立驗(yàn)證數(shù)據(jù)對(duì)3個(gè)模型的監(jiān)測(cè)精度進(jìn)行檢驗(yàn)，驗(yàn)證精度R2均在0.6以上，其中DSI(R818,R534)構(gòu)建的模型驗(yàn)證精度最高(R2=0.76，RMSE=14.9%，MAE=11.7%，驗(yàn)證樣本數(shù)n=20)，結(jié)果如圖7所示。

2.2.3冬小麥全蝕病估測(cè)的偏最小二乘模型

為探討多元線性回歸模型對(duì)冬小麥全蝕病DI的估測(cè)精度，本研究利用偏最小二乘回歸分析(PLSR)的方法，選取與光譜指數(shù)法相同的建模樣本，通過3種光譜指數(shù)與病情指數(shù)進(jìn)行模型的構(gòu)建，得到多元線性回歸模型y=0.576 6-2.604 6DSI(R818,R534)-0.015 0NDSI(R758,R530)+0.390 3RSI(R530,R758)，模型預(yù)測(cè)值與實(shí)測(cè)值的散點(diǎn)圖如圖8所示(R2=0.629 2,RMSE=10.2%,MAE=16.6%)。由偏最小二乘回歸分析結(jié)果可得出，相較于DSI(R818,R534)差值光譜指數(shù)，NDSI (R758,R530)和RSI(R530,R758)對(duì)回歸模型的貢獻(xiàn)度均較低，DSI(R818,R534)對(duì)模型貢獻(xiàn)度最高，與2.2.1節(jié)光譜指數(shù)和病情指數(shù)之間相關(guān)性結(jié)果一致。所以，本文最終利用DSI光譜指數(shù)單獨(dú)與病情指數(shù)構(gòu)建線性回歸模型y=-6.490 1DSI(R818,R534)+1.461 3(R2=0.860 5,RMSE=7.3%,MAE=19.1%)。

圖7 病情指數(shù)反演與驗(yàn)證Fig.7 Retrieving and validation of disease index

圖8 利用PLSR得到的實(shí)測(cè)值與預(yù)測(cè)值的相關(guān)性Fig.8 Correlation between predicted and measured disease indexes based on PLSR

2.3 冬小麥全蝕病病情指數(shù)反演與精度驗(yàn)證

經(jīng)過校正拼接處理后的無人機(jī)高光譜影像見圖9。從影像中提取40個(gè)樣點(diǎn)的DSI(R818,R534) 以構(gòu)建冬小麥全蝕病病害指數(shù)估測(cè)模型，并應(yīng)用于灌漿期的無人機(jī)高光譜影像，依據(jù)病害分級(jí)標(biāo)準(zhǔn)，通過ArcGIS 10.2軟件對(duì)冬小麥全蝕病病情指數(shù)閾值進(jìn)行劃分，得到研究區(qū)域冬小麥全蝕病病情指數(shù)等級(jí)空間分布圖，見圖 10。通過獨(dú)立驗(yàn)證數(shù)據(jù)集對(duì)該模型進(jìn)行驗(yàn)證，得到模型預(yù)測(cè)值與實(shí)測(cè)值的驗(yàn)證精度(R2=0.76，RMSE=14.9%，MAE=11.7%，n=20)。

圖9 高光譜影像及采樣點(diǎn)分布Fig.9 Hyperspectral imagery and samples distribution in study area

圖10 冬小麥全蝕病病情指數(shù)等級(jí)空間分布圖Fig.10 Spatial distribution of disease index of wheat take-all in study area

綜上可知，通過對(duì)PLSR、線性回歸模型的建模精度進(jìn)行檢驗(yàn)，可得驗(yàn)證精度R2均在0.62以上，其中DSI(R818,R534)構(gòu)建線性回歸模型的精度更高。因此本文采用DSI(R818,R534)與DI構(gòu)建的線性回歸模型y=-6.490 1x+1.461 3進(jìn)行研究區(qū)冬小麥全蝕病的病害等級(jí)反演。

3 結(jié)論

(1)在462～874 nm波長(zhǎng)范圍內(nèi)(4～102波段)，UHD185成像光譜儀與ASD手持地物光譜儀所獲取的不同病害程度的冬小麥全蝕病光譜特征具有良好的一致性，二者光譜數(shù)據(jù)相關(guān)性顯著，決定系數(shù)R2達(dá)0.97以上，說明其數(shù)據(jù)具有較高的精度與準(zhǔn)確性。

(2)冬小麥全蝕病病情指數(shù)與冠層反射率在734～874 nm波長(zhǎng)范圍內(nèi)呈顯著負(fù)相關(guān)。病害指數(shù)越高，冬小麥冠層光譜反射率越低。

(3)將DSI(R818,R534)、NDSI(R758,R530)和RSI(R530,R758)作為自變量與病情指數(shù)構(gòu)建偏最小二乘回歸模型，盡管參與估測(cè)的光譜指數(shù)更為豐富，但模型驗(yàn)證結(jié)果為R2=0.629 2,RMSE=10.2%,MAE=16.6%，其中DSI(R818,R534)對(duì)模型貢獻(xiàn)度最高，然而對(duì)DI 的估測(cè)較光譜指數(shù)DSI(R818,R534)模型精度差，只能粗略估測(cè)病情指數(shù)。

(4)DSI(R818,R534)差異光譜指數(shù)構(gòu)建的線性回歸模型為病情指數(shù)的最優(yōu)估測(cè)模型，模型精度為R2=0.860 5,RMSE=7.3%,MAE=19.1%，模型驗(yàn)證精度為R2=0.76，RMSE=14.9%，MAE=11.7%。將構(gòu)建的線性模型應(yīng)用于無人機(jī)成像高光譜影像，并把反演后的病情指數(shù)分成4個(gè)等級(jí)，生成研究區(qū)冬小麥全蝕病病情指數(shù)等級(jí)空間分布圖，為來年防治冬小麥全蝕病精準(zhǔn)拌種提供了底圖，也為冬小麥及其他作物病害在田塊尺度上的監(jiān)測(cè)提供了解決思路。