基于成像高光譜的小麥冠層白粉病早期監(jiān)測(cè)方法

蔡葦荻，張羽，劉海燕，鄭恒彪，程濤，田永超，朱艷，曹衛(wèi)星，姚霞

基于成像高光譜的小麥冠層白粉病早期監(jiān)測(cè)方法

蔡葦荻，張羽，劉海燕，鄭恒彪，程濤，田永超，朱艷，曹衛(wèi)星，姚霞*

南京農(nóng)業(yè)大學(xué)農(nóng)學(xué)院/國家信息農(nóng)業(yè)工程技術(shù)中心/智慧農(nóng)業(yè)教育部工程研究中心/農(nóng)業(yè)農(nóng)村部農(nóng)作物系統(tǒng)分析與決策重點(diǎn)實(shí)驗(yàn)室/江蘇省信息農(nóng)業(yè)重點(diǎn)實(shí)驗(yàn)室/現(xiàn)代作物生產(chǎn)省部共建協(xié)同創(chuàng)新中心，南京 210095

【目的】本研究利用近地面成像高光譜儀，獲取接種白粉病菌后的小麥田間冠層時(shí)序影像，探索光譜信息與紋理信息的結(jié)合在冠層尺度上早期監(jiān)測(cè)小麥白粉病的能力和表現(xiàn)。【方法】本試驗(yàn)以不同年份、不同抗病性小麥品種的田間試驗(yàn)為基礎(chǔ)，利用連續(xù)小波（continuous wavelet transform，CWT）方法提取對(duì)小麥白粉病敏感的小波特征，并基于小波特征獲取對(duì)應(yīng)的紋理特征，用以構(gòu)建歸一化紋理指數(shù)（normalized difference texture index，NDTI），同時(shí)選取具有代表性的傳統(tǒng)植被指數(shù)（vegetation indices，VIs），然后利用偏最小二乘判別分析模型（partial least squares-linear discrimination analysis，PLS-LDA）基于上述特征及組合，建立小麥冠層健康與感病狀態(tài)識(shí)別模型，并利用偏最小二乘回歸（partial least-squaresregression，PLSR）構(gòu)建了小麥冠層病情嚴(yán)重度估測(cè)模型，并利用該技術(shù)基于最優(yōu)特征及組合判別接種后不同天數(shù)的小麥健康與感病狀態(tài)?！窘Y(jié)果】基于CWT算法入選的4個(gè)小波特征分別是6尺度的595 nm（黃光區(qū)域），5尺度的614 nm（紅光區(qū)域），3尺度的708 nm（近紅外區(qū)域）和4尺度的754 nm（近紅外區(qū)域）；進(jìn)一步確定了構(gòu)建最佳紋理指數(shù)組合的紋理特征有：754 nm處的熵（entropy，ENT）、均值（mean，MEA）、均一性（homogeneity，HOM），7 008 nm處的ENT、HOM，614 nm處的ENT、HOM、異質(zhì)性（dissimilarity, DIS)，595 nm處的ENT、HOM、DIS。其中，近紅外波段754 nm處的紋理特征MEA表現(xiàn)最優(yōu)越，與病情嚴(yán)重度的相關(guān)性最高（2=0.67）。本研究進(jìn)一步發(fā)現(xiàn)基于小波特征與紋理特征結(jié)合構(gòu)建的小麥健康與病害判別PLS-LDA模型的精度最高，其總體分類精度為81.17%，Kappa系數(shù)為0.63；基于光譜指數(shù)與紋理指數(shù)組合構(gòu)建的小麥病情嚴(yán)重度PLSR模型效果最優(yōu)，建模和檢驗(yàn)2分別為0.76和0.71。本研究中最早能夠識(shí)別的小麥冠層白粉病的病情嚴(yán)重度為26%左右（接種后24 d左右）?！窘Y(jié)論】基于小波特征與紋理特征結(jié)合構(gòu)建的小麥健康與病害識(shí)別模型能夠顯著提高病害的分類精度，而光譜指數(shù)與紋理指數(shù)的特征組合能夠顯著提高病情嚴(yán)重度的估測(cè)精度以及穩(wěn)定性。本研究方法和結(jié)果可為其他作物的病害監(jiān)測(cè)提供借鑒和參考，對(duì)現(xiàn)代智慧農(nóng)業(yè)的精確施藥提供了技術(shù)支持。

小麥白粉?。还趯?；成像高光譜；連續(xù)小波；紋理特征

0 引言

【研究意義】小麥白粉病是一種氣傳性病害，會(huì)造成產(chǎn)量損失[1]。自20世紀(jì)90年代，小麥白粉病在中國變得更加嚴(yán)重[2]。應(yīng)對(duì)病害的措施主要以抗病育種[3-4]和殺菌劑為主[5-8]。但是經(jīng)過一段時(shí)間，抗病品種就會(huì)失去其抗性，同時(shí)噴灑農(nóng)藥成本高且會(huì)造成環(huán)境污染。此外氣候變化也會(huì)對(duì)白粉病的發(fā)展造成影響[9-12]。因此，一種能夠?qū)崟r(shí)快速無損地監(jiān)測(cè)病害的方法尤其重要?！厩叭搜芯窟M(jìn)展】遙感技術(shù)具有快速、無損、大面積獲取數(shù)據(jù)的優(yōu)點(diǎn)，已被廣泛應(yīng)用于作物病害監(jiān)測(cè)研究[13-15]。目前對(duì)于作物病害監(jiān)測(cè)的研究主要是提取病害敏感光譜波段、構(gòu)建光譜指數(shù)和建立病害模型。CAO等[16]通過獲取不同生育期的小麥白粉病冠層光譜發(fā)現(xiàn)近紅外區(qū)域光譜反射率隨著病情嚴(yán)重度的上升而顯著下降，680—780 nm光譜區(qū)域的紅邊面積與病情嚴(yán)重度的相關(guān)性最高。FENG等[17]對(duì)冠層小麥白粉病反射光譜與病情嚴(yán)重度進(jìn)行相關(guān)性分析，發(fā)現(xiàn)580—710 nm是小麥白粉病的敏感光譜響應(yīng)區(qū)域。MAHLEIN等[18]利用RELIEF-F算法提取葉片病害敏感光譜波段，構(gòu)建了歸一化光譜指數(shù)對(duì)甜菜褐斑病、銹病和白粉病進(jìn)行識(shí)別，識(shí)別精度分別是92%、87%和85%。ZHENG等[19]通過構(gòu)建三波段光譜指數(shù)PRI（570，525，705）和ARI（860，790，750），分別對(duì)冠層小麥黃銹病進(jìn)行早期識(shí)別和病情估測(cè)。這些研究均是基于光譜分析，無法利用病害的圖像信息，而也有研究基于圖像紋理信息進(jìn)行病害識(shí)別。王娜等[20]提取了玉米病害圖像的顏色、紋理等28個(gè)特征，采用遺傳算法優(yōu)化出4個(gè)分類效果好的特征，并用Fisher分類器進(jìn)行了病害識(shí)別。昌騰騰[21]采用多類分類支持向量機(jī)，利用紋理和顏色特征參數(shù)組合，對(duì)小麥白粉病、葉枯病、條銹病、葉銹病4種不同類型小麥病害病斑進(jìn)行了分類識(shí)別，識(shí)別率達(dá)98.33%。前人研究發(fā)現(xiàn)單葉病情嚴(yán)重度大于20% 時(shí)，光譜特征構(gòu)建的判別模型結(jié)果更好，總體分類精度為87%，小于20% 時(shí)，紋理特征構(gòu)建的判別模型效果更佳，總體分類精度為84%，兩者結(jié)合模型分類精度可以達(dá)到90%[22]。成像高光譜具有圖譜合一的特點(diǎn)，不僅可以獲取小麥病害光譜反射率信息，也可以獲取小麥病害紋理信息，從而提高病害模型監(jiān)測(cè)精度，已成為當(dāng)今的研究熱點(diǎn)。成像高光譜數(shù)據(jù)已經(jīng)被用來反演作物生理參數(shù)[23-24]和監(jiān)測(cè)病蟲害[25-26]，但主要是利用其光譜反射率信息，很少運(yùn)用其空間信息?？臻g信息對(duì)于病斑形態(tài)以及蟲孔都有著直觀的表達(dá)，可對(duì)光譜反射率信息進(jìn)行補(bǔ)充[27-28]。通過光譜與紋理信息的結(jié)合可以提高作物監(jiān)測(cè)模型的識(shí)別[29]和估測(cè)精度[30]。對(duì)于高光譜影像的處理方法主要有以下兩種：一種是通過提取光譜反射率選取敏感光譜波段以及相應(yīng)光譜波段的紋理特征，另一種是通過主成分分析的方法選取差異顯著的主成分來選取敏感光譜波段以及紋理特征[27,31]。袁琳[22]提出一種基于成像高光譜技術(shù)的小麥白粉病、條銹病和蚜蟲病這3種病害葉片區(qū)分方法，通過構(gòu)建基于光譜相對(duì)變化的光譜比率指紋特征來對(duì)病害進(jìn)行識(shí)別，識(shí)別精度達(dá)90%。劉娜[27]研究基于單葉的小麥條銹病成像高光譜數(shù)據(jù)，發(fā)現(xiàn)3×3窗口下的二階概率分析中相異性紋理特征濾波結(jié)果最好，細(xì)節(jié)特征最為明顯，能夠較好地反映染病區(qū)域的結(jié)構(gòu)特征，同時(shí)通過探測(cè)冠層尺度下不同地物背景對(duì)小麥白粉病的診斷影響，發(fā)現(xiàn)麥穗是影響白粉病識(shí)別精度的主要因素。目前對(duì)于病害紋理信息的分析主要是基于單葉尺度，冠層尺度較少。冠層獲取的成像高光譜會(huì)受到不同背景地物的影響，如雜草、土壤、麥穗等[27,29]，而連續(xù)小波法可以在不同尺度和分辨率條件下提取和分析微弱的光譜反射率信號(hào)[32]。連續(xù)小波法是通過將原始光譜反射率信號(hào)分解成不同的振幅和尺度，然后對(duì)微弱的信號(hào)變化進(jìn)行識(shí)別，同時(shí)其在葉片組分研究中也具有潛力[33-37]。通過連續(xù)小波法選取出的小波光譜特征，在病害判別與病情估測(cè)上優(yōu)于傳統(tǒng)方法以及植被指數(shù)方法[33,38]?！颈狙芯壳腥朦c(diǎn)】目前很多研究集中于單葉尺度，本研究將基于成像高光譜探究小麥冠層白粉病的早期監(jiān)測(cè)方法?！緮M解決的關(guān)鍵問題】本文以不同年份、不同抗病性的小麥品種的田間試驗(yàn)為基礎(chǔ)，獲取接種后的小麥冠層白粉病高光譜成像數(shù)據(jù)，提取病害敏感特征，構(gòu)建病害識(shí)別模型和病情嚴(yán)重度模型，以實(shí)現(xiàn)識(shí)別診斷早期病害。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)

2016—2018年在南京農(nóng)業(yè)大學(xué)牌樓教學(xué)科研基地（118°15′E，32°1′N）進(jìn)行試驗(yàn)，試驗(yàn)品種為易感白粉病小麥品種“南農(nóng)0686”及抗白粉病小麥品種“南農(nóng)9918”。試驗(yàn)為隨機(jī)區(qū)組排列，3次重復(fù)，小區(qū)面積為6 m2（3 m×2 m），共24個(gè)小區(qū)，條播，行距25 cm，每行保證基本苗數(shù)120株，如圖1所示。肥料管理為施純氮（N）225 kg·hm-2、磷肥（P2O5）120 kg·hm-2、鉀肥（K2O）135 kg·hm-2，三者分別為尿素、過磷酸鈣、氯化鉀，其中氮肥50%作基肥，50%拔節(jié)期追施，其他作基肥全部施入。

在直徑28 cm的塑料桶中種植易感白粉病小麥品種“南農(nóng)0686”，放置于18—20℃的溫室中培養(yǎng)，可自然發(fā)病。待菌苗出現(xiàn)明顯病斑后，于拔節(jié)期將菌苗葉片與田間麥苗葉片摩擦接觸，之后移栽至需接種的各小區(qū)邊行。接種前后在對(duì)照區(qū)使用300 g·hm-2三唑酮以控制白粉病發(fā)生和蔓延，同時(shí)架設(shè)2.8 m塑料薄膜將對(duì)照和接種區(qū)隔離。

圖1 冠層試驗(yàn)區(qū)

1.2 數(shù)據(jù)獲取

本研究獲取2017季和2018季小麥冠層高光譜成像數(shù)據(jù)，其中2018季數(shù)據(jù)用于本研究模型的建立，2017季數(shù)據(jù)用于模型的檢驗(yàn)。

1.2.1 成像高光譜的獲取與預(yù)處理 本研究采用的是GaiaField便攜式地物高光譜成像儀，由成像鏡頭、成像光譜儀（可見光/近紅外）、面陣探測(cè)器（charge coupled device，CCD相機(jī)）3個(gè)部分組成。成像光譜儀每次通過采集目標(biāo)物上一條線的像，即獲取一行光譜像元，再通過透射光柵分光使每個(gè)像素點(diǎn)對(duì)應(yīng)一條光譜，通過鏡頭內(nèi)部的移動(dòng)，掃描合成包含整個(gè)目標(biāo)物的光譜影像。高光譜成像儀的光譜相機(jī)型號(hào)為V10E，光譜范圍為400—1 000 nm，光譜分辨率為2.8 nm，CCD像元數(shù)為1 392×1 040，光譜通道數(shù)為260，視場(chǎng)角為45°。小麥冠層測(cè)試選擇晴朗無風(fēng)或微風(fēng)天氣，于北京時(shí)間10：00—14：00進(jìn)行測(cè)試。通過三腳架固定成像光譜儀，使鏡頭垂直向下，距離冠層表面1 m，獲取影像面積為2 m×2 m，并在相機(jī)視場(chǎng)內(nèi)放光譜反射率為60% 的標(biāo)準(zhǔn)白板，同時(shí)根據(jù)光強(qiáng)調(diào)整曝光時(shí)間，然后鏡頭依次掃描白板與冠層，如圖2所示。數(shù)據(jù)獲取時(shí)間如表1所示。高光譜影像預(yù)處理步驟包括反射率轉(zhuǎn)換、噪聲去除、影像裁剪、背景去除和反射率提取[29]。

圖2 冠層測(cè)試

表1 冠層數(shù)據(jù)獲取時(shí)間

DAI表示接種后天數(shù) DAI means day after inoculation

1.2.2 小麥農(nóng)學(xué)參數(shù)的測(cè)定 在獲取冠層高光譜影像數(shù)據(jù)時(shí)，同步獲取冠層的水分含量和病情嚴(yán)重度。小麥冠層病情嚴(yán)重度的獲取參照《中華人民共和國農(nóng)業(yè)行業(yè)標(biāo)準(zhǔn)：小麥白粉病測(cè)報(bào)調(diào)查規(guī)范(NY/T 613-2002)》，本研究選用病葉平均病情嚴(yán)重度（average disease index，DI）表示。在調(diào)查時(shí)采用5點(diǎn)采樣法，每個(gè)點(diǎn)選取6株小麥，記錄每株倒1、倒2、倒3葉的病情嚴(yán)重度，單個(gè)葉片病情嚴(yán)重度采用8級(jí)劃分法，為1%、5%、10%、20%、40%、60%、80%和100%。每個(gè)小區(qū)的病葉平均病情嚴(yán)重度的計(jì)算公式如下：

式中，DI是冠層病情嚴(yán)重度，1，2，…，9是不同病情嚴(yán)重度條件下的葉片數(shù)量，0是健康葉片數(shù)量。小麥冠層葉綠素含量（canopy chlorophyll content，CCC）主要集中在葉片中，所有綠色葉片中色素含量可以看作冠層色素含量，所以冠層葉綠素含量的測(cè)定主要是通過獲取葉片色素含量再向冠層轉(zhuǎn)換，以Lichtenthaler[39]方法計(jì)算小麥葉片葉綠素的濃度。在小麥接種后，在各小區(qū)內(nèi)選取3株植株，剪下植株上的所有葉片，用電子天秤稱取3株植株的總?cè)~片鮮重，再將葉片裝于紙袋中，然后放置105℃烘箱中殺青30 min并烘干48 h至恒重，最后將其取出冷卻至室溫后用電子天秤稱取總?cè)~片的干重，通過公式即可算得冠層水分含量。

1.3 特征提取

1.3.1 基于連續(xù)小波法選取冠層敏感光譜波段 本文采用連續(xù)小波法提取冠層敏感光譜波段，連續(xù)小波可以在不同尺度和分辨率條件下提取和分析微弱的光譜信號(hào)[32]。通過連續(xù)小波選取出的小波特征，在病害判別與病情估測(cè)上優(yōu)于傳統(tǒng)方法以及指數(shù)方法[33,38]。小波系數(shù)的計(jì)算公式如下：

式中，()是原始光譜，=1，2，...，n是波段數(shù)量，f()是小波系數(shù)，a,b()是母小波函數(shù)。母小波的計(jì)算公式如下：

式中，是尺度因子，可以調(diào)節(jié)小波的寬度，是移動(dòng)因子，表示小波的位置。本文選用了墨西哥草帽函數(shù)（Mexican hat，mexh）作為母函數(shù)[40]。在作物研究上選用的小波特征多數(shù)位于小波尺度6以內(nèi)（21，22，…，26），所以本文中只計(jì)算了6尺度下的小波系數(shù)[33,38,40]。小波系數(shù)利用Matlab2014a自帶小波函數(shù)算得。

1.3.2 紋理特征提取與紋理指數(shù)構(gòu)建 紋理特征反映了影像區(qū)域?qū)?yīng)作物的表面特性，代表了影像的整體信息。提取紋理特征的方法主要有統(tǒng)計(jì)方法、模型方法、信號(hào)處理方法和結(jié)構(gòu)方法等。其中，統(tǒng)計(jì)方法是基于像元及其領(lǐng)域的灰度屬性來研究紋理區(qū)域中的統(tǒng)計(jì)特性，而二階概率統(tǒng)計(jì)及其特征提取的方法一直是重要的統(tǒng)計(jì)紋理分析方法之一[29]。影響二階概率統(tǒng)計(jì)的因素主要有移動(dòng)窗口的大小、移動(dòng)步長和移動(dòng)方向。由前人研究可知，移動(dòng)窗口較小能夠較好地反映圖像的比較細(xì)微的變化[29]，因此本文選取了3×3窗口下的二階概率統(tǒng)計(jì)濾波，每幅影像可獲取8個(gè)紋理特征[41]（表2），其他參數(shù)選取默認(rèn)參數(shù)，在ENVI軟件中計(jì)算。紋理特征的提取方式與光譜反射率提取方式一樣。本文通過獲取敏感波段的8個(gè)紋理特征進(jìn)行兩兩任意組合構(gòu)建歸一化紋理指數(shù)（normalized difference texture index，NDTI），紋理指數(shù)已經(jīng)應(yīng)用于作物陰陽葉的分類以及生物量的估測(cè)[29-30]。具體公式如下：

式中，1，2是獲取的紋理特征。

1.3.3 傳統(tǒng)光譜指數(shù)選取 植株受到白粉病菌侵染后，生理參數(shù)會(huì)發(fā)生相應(yīng)變化[38,42-44]。本研究一共選擇了9個(gè)光譜指數(shù)，如表3所示。主要有以下指數(shù)：（1）用于小麥病害監(jiān)測(cè)，白粉病指數(shù)（powdery mildew index，PMI）；（2）對(duì)作物生長敏感，修正比值指數(shù)（modified simple ratio，MSR）；（3）與光合能力有關(guān)，光化學(xué)指數(shù)（photochemical reflectance index，PRI）和生理反射指數(shù)（photosynthetic radiation，PhRI）；（4）與色素變化有關(guān)，修正葉綠素吸收反射指數(shù)（modified chlorophyll absorption ratio index，MCARI）、花青素反射指數(shù)（anthocyanin reflectance index，ARI）、結(jié)構(gòu)不敏感色素指數(shù)（structure independent pigment index，SIPI）和歸一化葉綠素指數(shù)（normalized pigment chlorophyll ration index，NPCI）；（5）與植株水分、氮含量有關(guān)，紅邊植被脅迫指數(shù)（red-edge vegetation stress index，RVSI）。

1.4 模型的構(gòu)建與評(píng)價(jià)

偏最小二乘（partial least-squares，PLS）是在20世紀(jì)80年代由Wold提出的多元統(tǒng)計(jì)方法[45]，最初并不是用于統(tǒng)計(jì)判別，但經(jīng)常被用來分類且表現(xiàn)良好[46-47]。偏最小二乘與線性判別分析結(jié)合（PLS-LDA）可以有效處理具有樣本少、維度高、多重共線性等此類特征的數(shù)據(jù)[48]，本研究將其用于小麥健康與感病狀態(tài)分類識(shí)別。在病害識(shí)別中，將小麥分為健康和感病狀態(tài)，健康是指葉片或冠層無明顯病斑，感病是指葉片或冠層出現(xiàn)白粉病病斑。通過采用混淆矩陣對(duì)判別結(jié)果進(jìn)行評(píng)價(jià)，使用總體分類精度（overall accuracy，OAA）和Kappa系數(shù)[29]來評(píng)價(jià)表現(xiàn)。偏最小二乘回歸（PLSR）是PLS方法中最簡(jiǎn)單的一種方法，是多元線性回歸的發(fā)展，最初應(yīng)用于化學(xué)和技術(shù)領(lǐng)域中[56]。PLSR通過集合多元線性回歸分析、主成分分析和典型相關(guān)分析的基本功能為一體，首先將自變量矩陣分解為多個(gè)主成分變量，每個(gè)主成分變量都有不同的自變量組成，主成分變量間以及主成分內(nèi)部變量間的相關(guān)性極低，然后通過不同主成分對(duì)自變量的貢獻(xiàn)大小排序并進(jìn)行累加，從而篩選建立回歸模型的主成分變量。目前已經(jīng)被廣泛應(yīng)用在遙感光譜數(shù)據(jù)的分析中[38,57]。

表2 基于二階概率統(tǒng)計(jì)的紋理特征

表3 本研究中所用植被指數(shù)

本研究基于偏最小二乘建立回歸模型，使用小波特征、紋理特征、小波特征與紋理特征結(jié)合以及光譜指數(shù)、紋理指數(shù)、光譜指數(shù)與紋理指數(shù)結(jié)合以構(gòu)建小麥病情嚴(yán)重度估測(cè)模型。同時(shí)，估測(cè)模型的表現(xiàn)使用決定系數(shù)（2），均方根誤差（）以及相對(duì)均方根誤差（）3個(gè)指標(biāo)進(jìn)行評(píng)估，2越高以及和越低，則模型估測(cè)表現(xiàn)越好。

2 結(jié)果

2.1 健康與感病小麥冠層生理參數(shù)敏感性分析

作物在生長發(fā)育過程中受到病害脅迫時(shí)，作物的生理參數(shù)如葉綠素含量、水分含量等會(huì)發(fā)生相應(yīng)的變化，通過方差分析對(duì)不同接種后天數(shù)的健康與感病冠層的生理參數(shù)進(jìn)行顯著性分析（＜0.05），結(jié)果如圖3所示。隨著接種天數(shù)增加，感病冠層（infected）的葉綠素含量以及水分含量（canopy water content，CWC）要逐漸低于健康冠層（healthy）。2018年（圖3-A）數(shù)據(jù)顯示健康與感病冠層的葉綠素含量和水分含量均在接種后第24天出現(xiàn)顯著差異。2017年（圖3-C）數(shù)據(jù)顯示健康冠層與感病冠層的葉綠素含量在接種后第38天出現(xiàn)顯著差異，水分含量在接種第23天出現(xiàn)顯著差異。總體上，水分出現(xiàn)差異的時(shí)間早于葉綠素含量。2017年（圖3-D）葉綠素含量有一個(gè)先上升后下降的趨勢(shì)，而在2018年（圖3-B）數(shù)據(jù)中葉綠素含量的上升趨勢(shì)不明顯，主要是因?yàn)閮烧叩慕臃N時(shí)間存在差異，前者是3月21日接種，此時(shí)正處于拔節(jié)期初期，后者是在4月1日接種，屬于拔節(jié)期晚期。

a代表差異不顯著；b代表差異顯著（p<0.05）。A、B代表2018年；C、D代表2017年

2.2 健康與感病小麥冠層光譜反射率的時(shí)序變化

圖4是2018年健康和接種后感病小麥冠層的光譜反射率變化，從圖中可以看出，隨著時(shí)間推移，接種后病菌侵入，小麥冠層平均病情嚴(yán)重度逐漸增加，感病冠層的光譜反射率在可見區(qū)域逐漸高于健康冠層，在近紅外區(qū)域逐漸低于健康冠層，但在可見光區(qū)域兩者差異不明顯。

8 d（4%）代表數(shù)據(jù)在接種后第8天測(cè)試光譜反射率，該天感病冠層平均病情嚴(yán)重度為4%，其余類似

2.3 小麥冠層白粉病敏感特征提取

2.3.1 基于連續(xù)小波提取小麥冠層敏感光譜波段 本研究將成像高光譜提取的光譜反射率線性插值成光譜間隔為1 nm的光譜反射率，然后通過連續(xù)小波法選取了4個(gè)對(duì)冠層白粉病敏感的光譜特征波段，如圖 5和表 4所示。在小波相關(guān)系數(shù)圖中，選取了2值位于前5%的光譜波段區(qū)間。入選的4個(gè)光譜特征區(qū)域分別位于黃光區(qū)域（583—656 nm）、紅光區(qū)域（610—620 nm）和近紅外區(qū)域（703—717 nm，750—763 nm），然后選擇每個(gè)區(qū)域里的最大2值對(duì)應(yīng)小波系數(shù)的光譜波段。通過選取的4個(gè)光譜特征波段可以看出，冠層小麥白粉病的敏感區(qū)域主要位于黃光區(qū)域、紅光區(qū)域和近紅外區(qū)域。

相關(guān)系數(shù)圖表示小波系數(shù)與冠層病情嚴(yán)重度的決定系數(shù)（R2）。紅色部分表示最高的前5% R2區(qū)域

表4 基于入選的病害敏感小波區(qū)域選取的小波特征

2.3.2 基于敏感小波特征提取紋理特征 利用ENVI自帶的二階概率統(tǒng)計(jì)濾波提取表 4入選的病害敏感波段的3×3移動(dòng)窗口下的紋理特征，每個(gè)波段圖像可提取8個(gè)紋理特征，如表2—3所示，共提取了32個(gè)紋理特征。本文選取了2018年試驗(yàn)接種后第8天和第38天的健康與感病冠層的8個(gè)紋理特征圖，如圖6所示。從圖中可知，通過肉眼難以看出健康與感病冠層的紋理特征差異。

a：健康，b：感病，c：健康，d：感病。MEA、VAR、HOM、CON、DIS、ENT、SEM、COR 分別代表均值、方差、均一性、對(duì)比度、異質(zhì)性、熵、角二階矩、相關(guān)性

a: Healthy, b: Infected, c: Healthy, d: Infected.MEA: Mean; VAR: Variance; HOM: Homogeneity; CON: Contrast; DIS: Dissimilarity; ENT: Entropy; SEM: Second moment; COR: Correlation

圖6 近紅外波段在小麥冠層接種后第8天和接種后第38天的健康冠層與感病冠層的紋理特征對(duì)比圖

Fig.6 The texture features contrast images of healthy and infected canopy at 8th day and 38th day after inoculation

2.3.3 最佳紋理指數(shù)選取 利用4個(gè)小波特征提取的32個(gè)紋理特征，兩兩任意組合構(gòu)成了496個(gè)歸一化紋理指數(shù)，并分析了其與病情嚴(yán)重度的相關(guān)性。表 5列舉了估測(cè)病情嚴(yán)重度的前10個(gè)最佳紋理指數(shù)。其中表現(xiàn)最好的歸一化紋理指數(shù)是NDTI（ENT754，MEA754），其與病情嚴(yán)重度的相關(guān)性（2）達(dá)0.51。入選前10的紋理指數(shù)的特征包含ENT754、MEA754、ENT708、ENT595、ENT614、HOM708、HOM595、HOM614、DIS595、HOM754和DIS614，其中MEA754在每個(gè)紋理指數(shù)中均有出現(xiàn)，同時(shí)發(fā)現(xiàn)4個(gè)小波特征的熵紋理特征（ENT）和均一性紋理特征（HOM）均入選最佳紋理指數(shù)，說明MEA754、ENT和HOM在紋理指數(shù)構(gòu)建中具有重要作用。

根據(jù)4個(gè)小波特征提取的32個(gè)紋理特征，計(jì)算了不同光譜波段的紋理特征與小麥冠層病情嚴(yán)重度間的相關(guān)關(guān)系（2）（表6）。結(jié)果表明，絕大多數(shù)紋理特征與小麥冠層病情嚴(yán)重度的相關(guān)性較差，只有近紅外波段754 nm 處MEA紋理特征（MEA754）與小麥病情嚴(yán)重度之間的相關(guān)性較好（2=0.67），從而解釋了MEA754在紋理指數(shù)構(gòu)建上優(yōu)越的表現(xiàn)。其他入選紋理指數(shù)的10個(gè)紋理特征與病情嚴(yán)重度的相關(guān)性均低于0.4，但其構(gòu)建的紋理指數(shù)與病情嚴(yán)重度的相關(guān)性有顯著提高（2＞0.4）。

表5 與病情嚴(yán)重度相關(guān)性最高的前10個(gè)紋理指數(shù)

表6 紋理特征與病情嚴(yán)重度的線性關(guān)系

每行加粗字體代表入選前10個(gè)紋理指數(shù)的紋理特征。ns代表不顯著；*、**和***分別代表0.05、0.01和0.001水平上顯著。MEA：均值，VAR：方差，HOM：均一性，CON：對(duì)比度，DIS：異質(zhì)性，ENT：熵，SEM：角二階矩，COR：相關(guān)性

The number in bold denotes the selected features in top ten NDTI.ns indicates no significance; *,** and *** indicate significant difference at 0.05,0.01 and 0.001 levels, respectively.MEA: mean, VAR: variance, HOM: homogeneity, CON: contrast, DIS: dissimilarity, ENT: entropy, SEM: second moment, COR: correlation

2.4 小麥冠層健康與感病狀態(tài)識(shí)別模型的構(gòu)建與評(píng)價(jià)

利用PLS-LDA模型將選取的特征及其組合對(duì)健康和感病冠層進(jìn)行分類，并采用總體分類精度和Kappa系數(shù)對(duì)分類結(jié)果進(jìn)行評(píng)估，如表7所示。結(jié)果表明，對(duì)于健康與感病冠層的分類，小波特征與紋理特征結(jié)合的分類效果最好，總體分類精度為81.17%，Kappa系數(shù)為0.63。紋理特征的分類效果優(yōu)于小波特征，兩者總體分類精度分別為77.27%和72.08%，Kappa系數(shù)分別為0.55和0.45，兩者Kappa系數(shù)都不是很高，但是兩者結(jié)合分類效果有顯著提升，因此紋理特征與小波特征結(jié)合能有效提高模型的分類精度。光譜指數(shù)的分類效果明顯優(yōu)于紋理指數(shù)，兩者總分類精度分別為78.57%和73.38%，Kappa系數(shù)分別為0.58和0.47，兩者結(jié)合未顯著提升分類效果，其總體分類精度和Kappa系數(shù)分別為77.92%和0.56。由此可知，小波特征與紋理特征結(jié)合更利于病害識(shí)別。

表7 基于不同特征的小麥冠層健康與感病狀態(tài)識(shí)別模型的判別結(jié)果

2.5 小麥冠層病情嚴(yán)重度估測(cè)模型的構(gòu)建與評(píng)價(jià)

本文基于4個(gè)小波特征、32個(gè)紋理特征、小波特征與紋理特征結(jié)合以及光譜指數(shù)、紋理指數(shù)、光譜指數(shù)與紋理指數(shù)，應(yīng)用偏最小二乘方法，建立病情嚴(yán)重度回歸模型。同時(shí)將2年的數(shù)據(jù)進(jìn)行十折交叉驗(yàn)證來考察病情嚴(yán)重度估測(cè)模型的可靠性和穩(wěn)定性，并采用決定系數(shù)（2）、均方根誤差（）和相對(duì)均方根誤差（）對(duì)效果進(jìn)行評(píng)估（表8）。結(jié)果表明，小波特征與紋理特征結(jié)合構(gòu)建的PLSR模型效果最佳，與病情嚴(yán)重度的相關(guān)性達(dá)0.80?；诩y理特征構(gòu)建的回歸模型優(yōu)于小波特征，兩者2分別為0.72和0.64?；诠庾V指數(shù)構(gòu)建的回歸模型優(yōu)于紋理指數(shù)，兩者2分別為0.76和0.59，但兩者結(jié)合的效果沒有顯著提升，2為0.76。

表8 基于不同特征的PLSR回歸表現(xiàn)

從檢驗(yàn)結(jié)果可以看出，基于光譜指數(shù)和紋理指數(shù)構(gòu)建的回歸模型的檢驗(yàn)效果最好，其次是光譜指數(shù)，兩者2分別為0.71和0.69，分別為11.30和11.54，均為0.38?；诩y理特征和紋理指數(shù)的檢驗(yàn)效果較差，兩者2分別為0.42和0.47，明顯低于兩者建模的效果，建模2分別為0.72和0.59，可見基于紋理特征和紋理指數(shù)單獨(dú)建立的回歸模型的效果不穩(wěn)定，但分別與小波特征和光譜指數(shù)結(jié)合，能提高模型的建模和檢驗(yàn)效果。從建模和檢驗(yàn)的結(jié)果看出，光譜指數(shù)與紋理指數(shù)結(jié)合的效果最穩(wěn)定，適合對(duì)病情嚴(yán)重度進(jìn)行估測(cè)。

圖7是檢驗(yàn)結(jié)果模擬值與觀測(cè)值的1﹕1圖。從圖中可以看出，基于光譜特征與紋理特征結(jié)合（c）以及光譜指數(shù)與紋理指數(shù)結(jié)合（f）的冠層病情嚴(yán)重度實(shí)測(cè)值和預(yù)測(cè)值圍繞1:1線上下波動(dòng)。

2.6 基于健康與感病識(shí)別模型監(jiān)測(cè)接種后不同天數(shù)的病害表現(xiàn)

由表7所知，小波特征與紋理特征結(jié)合的分類效果最優(yōu)，進(jìn)而將小波特征與紋理特征結(jié)合利用PLS-LDA對(duì)2年的數(shù)據(jù)進(jìn)行接種后不同天數(shù)的判別，結(jié)果如表9所示。2018年數(shù)據(jù)顯示在接種后第24天健康與感病冠層的分類精度均為100%，Kappa系數(shù)為0.84，此時(shí)冠層平均病情嚴(yán)重度為27.7%。2017年數(shù)據(jù)顯示在接種后第32天健康與感病冠層的分類精度均為100%，Kappa系數(shù)為0.85，此時(shí)冠層平均病情嚴(yán)重度為26.2%，因而可以得出基于此方法能最早識(shí)別的病情嚴(yán)重度為26%左右（本試驗(yàn)中為接種后24 d）。

a : WFs, b : TFs, c : WFs & TFs, d : VIs, e : NDTIs, f : VIs & NDTIs

表9 基于小波特征與紋理特征結(jié)合的PLS-LDA判別結(jié)果

8 d（7.4%）代表在接種后第8天獲取數(shù)據(jù)，該天感病冠層平均病情嚴(yán)重度為7.4%，其余類似

8 d (7.4%) represents the data acquired at 8th day after innoculation and the average disease severity of infected canopy is 7.4%, and the rest are similar

3 討論

3.1 連續(xù)小波法篩選病害敏感特征的能力

連續(xù)小波法已被廣泛用來提取作物病害敏感光譜波段，其表現(xiàn)優(yōu)于傳統(tǒng)特征選取方法[58-59]。連續(xù)小波選取的小波特征與植物葉綠素、干物質(zhì)含量等葉片生化參數(shù)存在高度相關(guān)，能夠反映植物的生理變化，具有生理意義[38]。但目前連續(xù)小波法主要運(yùn)用在單葉水平，冠層水平運(yùn)用較少。本文嘗試將其應(yīng)用到冠層水平，發(fā)現(xiàn)其選取的4個(gè)光譜特征均位于小麥白粉病敏感光譜響應(yīng)區(qū)域[17,33,60]，說明其在冠層上具有應(yīng)用價(jià)值，也說明mexh函數(shù)能夠很好地捕捉到原始光譜反射率的吸收特征。本文中選用了6個(gè)小波尺度，選取的小波特征主要分布在3—6尺度，是因?yàn)樵摲秶男〔ㄌ卣鞅Ａ袅舜罅康脑脊庾V信息[38,58]。本文中連續(xù)小波法選取的病害敏感小波特征在判別模型中表現(xiàn)略低于植被指數(shù)和紋理指數(shù)，在回歸模型中的表現(xiàn)高于紋理指數(shù)但略低于植被指數(shù)。基于小波特征提取的紋理特征在判別模型中表現(xiàn)低于植被指數(shù)但高于紋理指數(shù)，在回歸模型中低于植被指數(shù)和紋理指數(shù)。光譜特征與紋理特征結(jié)合在判別模型中表現(xiàn)優(yōu)于其他特征，在回歸模型中略低于植被指數(shù)與紋理指數(shù)結(jié)合，因此基于連續(xù)小波法篩選的特征組合更適用于病害識(shí)別。

3.2 紋理信息在作物病害監(jiān)測(cè)中的表現(xiàn)差異

紋理信息分析為光譜數(shù)據(jù)增加了冠層結(jié)構(gòu)信息，提高了遙感光譜手段監(jiān)測(cè)作物病害的精度。相比于小波特征，紋理特征在小麥冠層健康與感病狀態(tài)識(shí)別模型中的表現(xiàn)較優(yōu)，在小麥冠層病情嚴(yán)重度估測(cè)模型中的表現(xiàn)較差。同時(shí)構(gòu)建歸一化紋理指數(shù)對(duì)小麥白粉病進(jìn)行監(jiān)測(cè)與識(shí)別，但發(fā)現(xiàn)構(gòu)建的紋理指數(shù)與冠層病情嚴(yán)重度的相關(guān)性均較差，基于紋理指數(shù)構(gòu)建的小麥冠層健康與感病狀態(tài)識(shí)別模型和小麥冠層病情嚴(yán)重度估測(cè)模型的精度也不高，均低于光譜指數(shù)。雖然基于紋理特征和紋理指數(shù)構(gòu)建的病害監(jiān)測(cè)模型精度有待提高，但兩者分別與小波特征和光譜指數(shù)結(jié)合能夠顯著提高模型的精度，因此紋理信息在遙感作物監(jiān)測(cè)中有著獨(dú)特的作用[60]。

本文選用的前10個(gè)紋理指數(shù)與病情嚴(yán)重度相關(guān)性較低，但從紋理指數(shù)的組分當(dāng)中可以發(fā)現(xiàn)位于近紅外波段754 nm的MEA紋理特征在入選的10個(gè)紋理指數(shù)中出現(xiàn)了10次，說明其在紋理指數(shù)構(gòu)建當(dāng)中有著重要作用。通過計(jì)算單個(gè)紋理特征與病情嚴(yán)重度的相關(guān)性，發(fā)現(xiàn)絕大數(shù)紋理特征與小麥病情嚴(yán)重度的相關(guān)性較差，只有近紅外波段754 nm處均值紋理（MEA754）與小麥病情嚴(yán)重度之間的相關(guān)性較好，2為0.67，從而解釋了MEA754在紋理指數(shù)構(gòu)建上優(yōu)越的表現(xiàn)。小麥遭受白粉病侵染時(shí)，病菌會(huì)破壞葉片結(jié)構(gòu)與葉片色素，近紅外區(qū)域變化較大，因此MEA754表現(xiàn)突出。

3.3 光譜與紋理信息結(jié)合在病害早期監(jiān)測(cè)中的優(yōu)越性

利用偏最小二乘判別分析對(duì)健康和感病冠層進(jìn)行分類，發(fā)現(xiàn)在所有特征及其組合中紋理特征與小波特征結(jié)合構(gòu)建的識(shí)別模型分類精度最高，效果最穩(wěn)定，總體分類精度在81.17%，Kappa系數(shù)為0.63，肯定了紋理特征在病害識(shí)別中的作用，同時(shí)小波特征與紋理特征結(jié)合可以提高病害分類的精度。

在病情嚴(yán)重度估測(cè)模型中，基于植被指數(shù)和紋理指數(shù)結(jié)合建立的偏最小二乘回歸模型的效果最穩(wěn)定，在建模和檢驗(yàn)?zāi)Ｐ椭卸加兄己玫谋憩F(xiàn)，建模和檢驗(yàn)決定系數(shù)（2）分別為0.76和0.71，與前人的研究結(jié)果一致[30]，也與前人關(guān)于光譜信息與紋理信息結(jié)合可以提升生物量[61-62]和葉面積指數(shù)反演[63-64]的研究結(jié)論一致。因此在分類識(shí)別中可將小波特征與紋理特征結(jié)合，在病情估測(cè)中可將光譜指數(shù)與紋理指數(shù)結(jié)合。本研究中預(yù)測(cè)病情嚴(yán)重度中后期偏低，其原因可能是：（1）病情嚴(yán)重度較高時(shí)，小麥已接近生育期后期，此時(shí)葉片伸長，穗子抽出，其光譜特征與紋理特征本身也會(huì)變化，且穗與葉片互相遮擋的概率更高，不能獲取有效病斑信息，因此可能會(huì)影響估測(cè)模型的建立；（2）本研究使用2018年數(shù)據(jù)建模，2017年數(shù)據(jù)驗(yàn)證，獲取數(shù)據(jù)的生育期不同，可能會(huì)有所影響。

根據(jù)小波特征與紋理特征結(jié)合在識(shí)別模型中的優(yōu)越表現(xiàn)，對(duì)健康與感病冠層建立不同接種后天數(shù)的判別模型，發(fā)現(xiàn)在2018年獲取的數(shù)據(jù)中可以在接種后第24天識(shí)別白粉病，與健康和感病冠層的生理參數(shù)出現(xiàn)顯著差異在同一天，此時(shí)冠層平均病情嚴(yán)重度在27.7%，健康和感病冠層的分類精度均在100%，Kappa系數(shù)為0.84。在2017年獲取的數(shù)據(jù)中顯示在接種后第32天可以識(shí)別白粉病，比健康和感病冠層的葉綠素含量出現(xiàn)顯著差異早6 d以及水分含量遲9 d，此時(shí)冠層平均病情嚴(yán)重度在26.2%，健康與感病冠層的分類精度均在100%，Kappa系數(shù)為0.85，因此能最早識(shí)別的病情嚴(yán)重度在26%左右（本試驗(yàn)中為接種后24 d）。本研究未能精確識(shí)別病情嚴(yán)重度＜26%的情況，因此監(jiān)測(cè)更早期病害仍是本研究后續(xù)需解決的問題。

4 結(jié)論

為了能夠盡早識(shí)別小麥白粉病，本文利用成像光譜儀連續(xù)獲取了2年小麥病害時(shí)序數(shù)據(jù)，提取了對(duì)病害敏感的小波特征（595、614、708、754 nm）與紋理特征，并構(gòu)建了歸一化紋理指數(shù)和選用了傳統(tǒng)植被指數(shù)，然后利用偏最小二乘線性判別模型對(duì)健康和感病冠層進(jìn)行分類以及偏最小二乘回歸模型對(duì)病情嚴(yán)重度進(jìn)行估測(cè)，判別模型采用混淆矩陣評(píng)價(jià)分類精度，估測(cè)模型采用十折交叉驗(yàn)證法評(píng)價(jià)估測(cè)效果。在小麥冠層健康與感病狀態(tài)識(shí)別模型中，相比于光譜指數(shù)與紋理指數(shù)的結(jié)合，小波特征與紋理特征的結(jié)合能夠顯著提高病害的分類效果，其總體分類精度為81.17%，Kappa系數(shù)為0.63，但在病情估測(cè)模型中光譜指數(shù)與紋理指數(shù)的結(jié)合能夠顯著提高模型估測(cè)精度以及穩(wěn)定性，其建模和檢驗(yàn)決定系數(shù)（2）分別為0.76和0.71。根據(jù)光譜特征與紋理特征結(jié)合在小麥冠層健康與感病狀態(tài)識(shí)別模型中的穩(wěn)定表現(xiàn)，對(duì)冠層健康與感病狀態(tài)進(jìn)行接種后不同天數(shù)的判別，明確了冠層小麥白粉病最早識(shí)別的病情嚴(yán)重度在26%左右（本試驗(yàn)中為接種后24 d），從而為農(nóng)業(yè)病害防治提供依據(jù)。然而，本文只用了單一生態(tài)點(diǎn)的數(shù)據(jù)進(jìn)行判別，且能夠最早識(shí)別的病情嚴(yán)重度較高，模型監(jiān)測(cè)精度還有待提高。

[1] BOWEN K L, EVERTS K L, LEATH S.Reduction in yield of winter wheat in North Carolina due to powdery mildew and leaf rust.Phytopathology, 1991, 81(5): 503-511.

[2] 劉萬才, 邵振潤.小麥白粉病流行規(guī)律及近年發(fā)生概況和分析.植保技術(shù)與推廣, 1994, 6: 17-19.

LIU W C, SHAO Z Z.Epidemiology, occurrence and analysis of wheat powdery mildew in recent years.Plant Protection Technology and Extension, 1994, 6: 17-19.(in Chinese)

[3] BINGHAM I J, WALTERS D R, FOULKES M J, PAVELEY N D.Crop traits and the tolerance of wheat and barley to foliar disease.Annals of Applied Biology, 2009, 154(2): 159-173.

[4] FOULKES M J, PAVELEY N D, WORLAND A, WELHAM S J, THOMAS J, SNAPE J W.Major genetic changes in wheat with potential to affect disease tolerance.Phytopathology, 2006, 96(7): 680-688.

[5] QIN W C, XUE X Y, ZHANG S M, GU W, WANG B K.Droplet deposition and efficiency of fungicides sprayed with small UAV against wheat powdery mildew.International Journal of Agricultural and Biological Engineering, 2018, 11(2): 27-32.

[6] MILNE A, PAVELEY N, AUCLSLEY E, PARSONS D.A model of the effect of fungicides on disease-induced yield loss, for use in wheat disease management decision support systems.Annals of Applied Biology, 2007, 151(1): 113-125.

[7] HUSSAIN Z, LEITCH M H.The effect of applied sulphur on the growth, grain yield and control of powdery mildew in spring wheat.Annals of Applied Biology, 2005, 147(1): 49-56.

[8] WOLFE M.Trying to understand and control powdery mildew.Plant Pathology, 1984, 33(4): 451-466.

[9] BEEST D E T, PAVELEY N D, SHAW M W, VAN DEN BOSCH F.Disease-weather relationships for powdery mildew and yellow rust on winter wheat.Phytopathology, 2008, 98(5): 609-617.

[10] SHAW M W, POKORNY R, LEBEDA A.Preparing for changes in plant disease due to climate change.Plant Protection Science, 2009, 45(Special): S3-S10.

[11] 姚樹然, 霍治國, 董占強(qiáng), 李敏, 陳曉靜.基于逐時(shí)溫濕度的小麥白粉病指標(biāo)與模型.生態(tài)學(xué)雜志, 2013, 32(5): 1364-1370.

YAO S R, HUO Z G, DONG Z Q, LI M, CHEN X J.Indices and modeling of wheat powdery mildew epidemic based on hourly air temperature and humidity data.Chinese Journal of Ecology, 2013, 32(5): 1364-1370.(in Chinese)

[12] CAUBEL J, LAUNAY M, RIPOCHE D, GOUACHE D, BUIS S, HUARD F, HUBER L, BRUN F, BANCAL M O.Climate change effects on leaf rust of wheat: Implementing a coupled crop-disease model in a French regional application.European Journal of Agronomy, 2017, 90: 53-66.

[13] ZHANG J CH, PU R L, YUAN L, HUANG W J,YANG G J.Integrating remotely sensed and meteorological observations to forecast wheat powdery mildew at a regional scale.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(11): 4328-4339.

[14] MAHLEIN A K, OERKE E C, STEINER U, DEHNE H W.Recent advances in sensing plant diseases for precision crop protection.European Journal of Plant Pathology, 2012, 133(1): 197-209.

[15] MARTINELLI F, SCALENGHE R, DAVINO S, PANNO S, SCUDERI G, RUISI P, VILLA P, STROPPIANA D, BOSCHETTI M, GOULART L R, DAVIS C E, DANDEKAR A M.Advanced methods of plant disease detection.A review.Agronomy for Sustainable Development, 2015, 35(1): 1-25.

[16] CAO X R, LUO Y, ZHOU Y L, DUAN X Y, Cheng D F.Detection of powdery mildew in two winter wheat cultivars using canopy hyperspectral reflectance.Crop Protection, 2013, 45: 124-131.

[17] FENG W, SHEN W, HE L, DUAN J, GUO B, LI Y, WANG C, GUO T.Improved remote sensing detection of wheat powdery mildew using dual-green vegetation indices.Precision Agriculture, 2016, 17(5): 608-627.

[18] MAHLEIN A K, RUMPF T, WELKE P, DEHNE H W, PLUEMER L, STEINER U, OERKE E C.Development of spectral indices for detecting and identifying plant diseases.Remote Sensing of Environment, 2013, 128: 21-30.

[19] ZHENG Q, HUANG W, CUI X, DONG Y, SHI Y, MA H, LIU L.Identification of wheat yellow rust using optimal three-band spectral indices in different growth stages.Sensors, 2019, 19(1): 35.

[20] 王娜.基于圖像處理的玉米葉部病害識(shí)別研究[D].石河子: 石河子大學(xué), 2009.

WANG N, Research on maize leaf disease recognition based on image processing[D].Shihezi: Shihezi University, 2009.(in Chinese)

[21] 昌騰騰.基于支持向量機(jī)的小麥病害識(shí)別研究[D].泰安: 山東農(nóng)業(yè)大學(xué), 2015.

CHANG T T.Research on wheat disease recognition based on Support vector Machine[D].Taian: Shandong Agricultural University, 2015.(in Chinese)

[22] 袁琳.小麥病蟲害多尺度遙感識(shí)別和區(qū)分方法研究[D].杭州: 浙江大學(xué), 2015.

YUAN L.Identification and differentiation of wheat disease and insects with multi-source and multi-scale remote sensing data[D].Hangzhou: Zhejiang University, 2015.(in Chinese)

[23] YAO X, HUANG Y, SHANG G, ZHOU C, CHENG T, TIAN Y, CAO W, ZHU Y.Evaluation of six algorithms to monitor wheat leaf nitrogen concentration.Remote Sensing, 2015, 7(11): 14939-14966.

[24] ZHOU K, CHENG T, ZHU Y, CAO W, USTIN S L, ZHENG H, YAO X, TIAN Y.Assessing the impact of spatial resolution on the estimation of leaf nitrogen concentration over the full season of paddy rice using near-surface imaging spectroscopy data.Frontiers in Plant Science, 2018, 9: 964.

[25] MIRIK M, ANSLEY R J, STEDDOM K, RUSH C M, MICHELS G J, WORKNEH F, CUI S, ELLIOTT N C.High spectral and spatial resolution hyperspectral imagery for quantifying Russian wheat aphid infestation in wheat using the constrained energy minimization classifier.Journal of Applied Remote Sensing, 2014, 8(1): 83661.

[26] 梁棟, 劉娜, 張東彥.利用成像高光譜區(qū)分冬小麥白粉病與條銹病.紅外與激光工程, 2017, 46(1): 138004.

LIANG D, LIU N, ZHANG D Y.Discrimination of powdery mildew and yellow rust of winter wheat using high-resolution hyperspectra and imageries.Infrared and Laser Engineering, 2017, 46(1): 138004.(in Chinese)

[27] 劉娜.基于圖像和光譜解析的小麥病害識(shí)別研究[D].合肥: 安徽大學(xué), 2016.

LIU N.Recognition of wheat diseases based on imagery and spectral analysis[D].Hefei: Anhui University, 2016.(in Chinese)

[28] 張東彥, 張競(jìng)成, 朱大洲, 王紀(jì)華, 羅菊花, 趙晉陵, 黃文江.小麥葉片脅迫狀態(tài)下的高光譜圖像特征分析研究.光譜學(xué)與光譜分析, 2011, 31(4): 1101-1105.

ZHANG D Y, ZHANG J C, ZHU D Z, WANG J H, LUO J H, ZHAO J L, HUANG W J.Investigation of the hyperspectral image characteristics of wheat leaves under different stress.Spectroscopy and Spectral Analysis, 2011, 31(4): 1101-1105.(in Chinese)

[29] 黃宇.基于成像高光譜的小麥氮素營養(yǎng)監(jiān)測(cè)研究[D].南京: 南京農(nóng)業(yè)大學(xué), 2015.

HUANG Y.Monitoring nitrogen status with imaging hyperspectral in wheat[D].Nanjing: Nanjing Agricultural University, 2015.(in Chinese)

[30] ZHENG H B, CHENG T, ZHOU M, LI D, YAO X, TIAN Y, CAO W, ZHU Y.Improved estimation of rice aboveground biomass combining textural and spectral analysis of UAV imagery.Precision Agriculture, 2019, 20(3): 611-629.

[31] 楊燕.基于高光譜成像技術(shù)的水稻稻瘟病診斷關(guān)鍵技術(shù)研究[D].杭州: 浙江大學(xué), 2012.

YANG Y.The key diagnosis technology of rice blast based on hyperspectral image[D].Hangzhou: Zhejiang University, 2012.(in Chinese)

[32] Cheng T, Rivard B, Sánchez-Azofeifa A.Spectroscopic determination of leaf water content using continuous wavelet analysis.Remote Sensing of Environment, 2010, 115(2): 659-670.

[33] ZHANG J C, YUAN L, WANG J H, HUANG W J, CHEN L P, ZHANG D Y.Spectroscopic leaf level detection of powdery mildew for winter wheat using continuous wavelet analysis.Journal of Integrative Agriculture, 2012, 11(9): 1474-1484.

[34] 梁棟, 楊勤英, 黃文江, 彭代亮, 趙晉陵, 黃林生, 張東彥, 宋曉宇.基于小波變換與支持向量機(jī)回歸的冬小麥葉面積指數(shù)估算.紅外與激光工程, 2015, 44(1):335-340.

LIANG D, YANG Q Y, HUANG W J, PENG D L, ZHAO J L, HUANG L S, ZHANG D Y, SONG X Y.Estimation of leaf area index based on wavelet transform and support vector machine regression in winter wheat.Infrared Laser Engineering, 2015, 44(1): 335-340.(in Chinese)

[35] SINGH S K, HOYOS-VILLEGAS V, RAY J D, SMITH J R, FRITSCHI F B.Quantification of leaf pigments in soybean ((L.) Merr.) based on wavelet decomposition of hyperspectral features.Field Crops Research, 2013, 149: 20-32.

[36] LIAO Q, WANG J, YANG G, ZHANG D, LII H, FU Y, LI Z.Comparison of spectral indices and wavelet transform for estimating chlorophyll content of maize from hyperspectral reflectance.Journal of Applied Remote Sensing, 2013, 7(1): 73575.

[37] PU R, GONG P.Wavelet transform applied to EO-1 hyperspectral data for forest LAI and crown closure mapping.Remote Sensing of Environment, 2004, 91(2): 212-224.

[38] SHI Y, HUANG W, GONZáLEZ-MORENO P, LUKE B, DONG Y, ZHENG Q, MA H, LIU L.Wavelet-based rust spectral feature set (wrsfs): A novel spectral feature set based on continuous wavelet transformation for tracking progressive host-pathogen interaction of yellow rust on wheat.Remote Sensing, 2018, 10(4): 525.

[39] LICHTENTHALER H K.Chlorophylls and carotenoids: pigments of photosynthetic biomembranes.Methods in Enzymology, 1987, 148C(1): 350-382.

[40] ZHANG J C, WANG B, ZHANG X X, LIU P, DONG Y Y, WU K H, HUANG W J.Impact of spectral interval on wavelet features for detecting wheat yellow rust with hyperspectral data.International Journal of Agricultural and Biological Engineering, 2018, 11(6): 138-144.

[41] HARALICK R M, SHANMUGAM K.Textural features for image classification.IEEE Transactions on Systems, Man, and Cybernetics, 1973, 3(6): 610-621.

[42] FENG W, QI S L, HENG Y R, ZHOU Y, WU Y P, LIU W D, HE L, LI X.Canopy vegetation indices from in situ hyperspectral data to assess plant water status of winter wheat under powdery mildew stress.Front Plant Science, 2017, 8: 1219.

[43] 杜世州.基于多源數(shù)據(jù)小麥白粉病遙感監(jiān)測(cè)研究[D].合肥: 安徽農(nóng)業(yè)大學(xué), 2013.

DU S Z.Research on wheat powdery mildew monitoring based on Multi-source remote sensing data [D].Hefei: Anhui University, 2013.(in Chinese)

[44] 王文雁.基于高光譜的小麥白粉病監(jiān)測(cè)研究[D].南京: 南京農(nóng)業(yè)大學(xué), 2016.

WANG W Y.Monitoring powdery mildew with hyperspectral reflectance in wheat [D].Nanjing: Nanjing Agricultural University, 2016.(in Chinese)

[45] WOLD S, MARTENS H, WOLD H.The multivariate calibration problem in chemistry solved by the PLS method.Matrix pencils. Springer Berlin Heidelberg, 1983: 286-293.

[46] ORTIZ M C, SARABIA L A, SYMINGTON C.Analysis of ageing and typification of vintage ports by partial least squares and soft independent modelling class analogy.Analyst, 1996, 121(8): 1009-1013.

[47] DELWICHE S R, CHEN Y R, HRUSCHKA W R.Differentiation of hard red wheat by near-infrared analysis of bulk samples.Cereal Chemistry, 1995, 72(3): 243-247.

[48] BARKER M, RAYENS W.Partial least squares for discrimination.Journal of Chemometrics, 2003, 17(3): 166-173.

[49] HUANG W J, GUAN Q S, LUO J H, ZHANG J C, ZHAO J L, LIANG D, HUANG L S, ZHANG D Y.New optimized spectral indices for identifying and monitoring winter wheat diseases.Ieee Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(6): 2516-2524.

[50] CHEN B, WANG K, LI S, WANG J, BAI J, XIAO C, LAI J.Spectrum characteristics of cotton canopy infected with verticillium wilt and inversion of severity level.Computer and Computing Technologies in Agriculture, 2008, 2: 1169-1180.

[51] GAMON J A, PENUELAS J, FIELD C B.A narrow-waveband spectral index that tracks diurnal changes in photosynthetic efficiency.Remote Sensing of Environment, 1992, 41(1): 35-44.

[52] DAUGHTRY C S T, WALTHALL C L, KIM M S, DE COLSTOUN E B, MCMURTREY J E.Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance.Remote Sensing of Environment, 2000, 74(2): 229-239.

[53] LEWIS H G, BROWN M.A generalized confusion matrix for assessing area estimates from remotely sensed data.International Journal of Remote Sensing, 2001, 22(16): 3223-3235.

[54] PENUELAS J, BARET F, FILELLA I.Semiempirical indexes to assess carotenoids chlorophyll-a ratio from leaf spectral reflectance.Photosynthetica, 1995, 31(2): 221-230.

[55] MERTON R, HUNTINGTON J.Early simulation results of the ARIES-1 satellite sensor for multi-temporal vegetation research derived from AVIRIS.Proceedings of the Eighth Annual JPL Airborne Earth Science Workshop, Pasadena, CA, USA, 1999: 9-11.

[56] WOLD S, SJ?STR?M M, ERIKSSON L.PLS-regression: a basic tool of chemometrics.Chemometrics and Intelligent Laboratory Systems, 2001, 58(2): 109-130.

[57] ZHANG J C, PU R L, WANG J H, YUAN L, LUO J H.Detecting powdery mildew of winter wheat using leaf level hyperspectral measurements.Computers and Electronics in Agriculture, 2012, 85: 13-23.

[58] ZHANG J, PU R, LORAAMM R W, YANG G, WANG J.Comparison between wavelet spectral features and conventional spectral features in detecting yellow rust for winter wheat.Computers and Electronics in Agriculture, 2014, 100: 79-87.

[59] SHI Y, HUANG W J, ZHOU X F.Evaluation of wavelet spectral features in pathological detection and discrimination of yellow rust and powdery mildew in winter wheat with hyperspectral reflectance data.Journal of Applied Remote Sensing, 2017, 11(2): 26025.

[60] CAO X R, LUO Y, ZHOU Y L, ZHOU Y L, DUAN X Y, CHENG D F.Detection of powdery mildew in two winter wheat cultivars using canopy hyperspectral reflectance.Crop Protection, 2013, 45: 124-131.

[61] 鄭恒彪.水稻生育期及生長參數(shù)的近地面遙感監(jiān)測(cè)研究[D].南京: 南京農(nóng)業(yè)大學(xué), 2018.

ZHENG H B.Monitoring rice phenology and growth parameters using near-ground remote sensing platforms[D].Nanjing: Nanjing Agricultural University, 2018.(in Chinese)

[62] Lu D.Aboveground biomass estimation using Landsat TM data in the Brazilian Amazon.International Journal of Remote Sensing, 2005, 26(12): 2509-2525.

[63] WULDER M, FRANKLIN S, LAVIGNE M.High spatial resolution optical image texture for improved estimation of forest stand leaf area index.Canadian Journal of Remote Sensing, 1996, 22(4): 441-449.

[64] WULDER M A, LEDREW E F, FRANKLIN S E, LAVIGNE M B.Aerial image texture information in the estimation of northern deciduous and mixed wood forest leaf area index (LAI).Remote Sensing of Environment, 1998, 64(1): 64-76.

Early Detection on Wheat Canopy Powdery Mildew with Hyperspectral Imaging

CAI WeiDi, Zhang Yu, Liu HaiYan, Zheng HengBiao, Cheng Tao, Tian YongChao, Zhu Yan, Cao WeiXing, Yao Xia*

College of Agriculture, Nanjing Agricultural University/National Engineering and Technology Center for Information Agriculture/ Engineering Research Center of Smart Agriculture, Ministry of Education/Key Laboratory for Crop System Analysis and Decision Making, Ministry of Agriculture and Rural Affairs/Jiangsu Key Laboratory for Information Agriculture/Collaborative Innovation Center for Modern Crop Production co-sponsored by Province and Ministry, Nanjing 210095

【Objective】In this study, the near-ground imaging spectrometer was used to obtain time-series images of wheat canopy after inoculation with powdery mildew, which aimed to explore the ability and performance of the combination of spectral feature and texture feature in the early detection of wheat powdery mildew at canopy scale.【Method】 Based on the field trials of wheat varieties with different disease resistance in different years, the wavelet features sensitive to wheat powdery mildew were extracted by continuous wavelet transform (CWT) method, and the corresponding texture features were extracted based on spectral features to construct normalized difference texture index (NDTI).Meanwhile, the representative traditional vegetation indices (Vis) were selected.Then, based on these features and combinations, the partial least squares discriminant analysis (PLS-LDA) model was used to establish wheat canopy healthy and disease recognition model.The partial least squares regression (PLSR) was used to estimate the severity of wheat canopy disease.The technique was used to distinguish the healthy and disease wheat at different days after inoculation based on the optimal features and combinations.【Result】 Based on CWT, the selected four wavelet features were 595 nm (yellow region) at 6 scales, 614 nm (red region) at 5 scales, 708 nm (near infrared region) at 3 scales, and 754 nm (near infrared region) at 4 scales respectively.The following texture features were selected for the best texture index combination: ENT754, MEA754, ENT708, ENT595, ENT614, HOM708, HOM595, HOM614, DIS595, HOM754and DIS614.Besides, it was found that the texture feature MEA754had the superior performance among all the texture, with the highest correlation between the severity of disease and texture (2=0.67).The PLS-LDA model based on the combination of wavelet feature and texture feature had the highest accuracy, with the overall classification accuracy of 81.17% and the Kappa coefficient of 0.63.In addition, the PLSR model based on spectral index and texture index was the best, and the2of modeling and testing was 0.76 and 0.71, respectively.The severity of wheat canopy powdery mildew was about 26% (about 24 days after inoculation), which was identified in this study at the earliest time.【Conclusion】 The wheat healthy and disease recognition model based on the combination of wavelet feature and texture feature could significantly improve the accuracy of disease classification, and the combination of spectral index and texture index could significantly improve the accuracy and stability of disease severity estimation.The method and results of this study could provide the reference for disease monitoring of other crops and technical support for accurate application of modern intelligent agriculture.

wheatpowdery mildew; canopy; hyperspectral imaging; continuous wavelet transform; texture feature

2021-05-25；

2021-09-06

國家重點(diǎn)研發(fā)計(jì)劃（2021YFE0194800）、民用航天技術(shù)預(yù)先研究項(xiàng)目（D040104）、國家自然科學(xué)基金（31971780）、江蘇省重點(diǎn)研發(fā)計(jì)劃（BE 2019383）

蔡葦荻，E-mail：2019101180@njau.edu.cn。通信作者姚霞，E-mail：yaoxia@njau.edu.cn

（責(zé)任編輯 楊鑫浩）