沈阳农业大学信息与电气工程学院, 辽宁 沈阳 110161
纹枯病是水稻的主要病害之一, 其防治对于保证水稻产量、 质量具有重要意义, 以高光谱检测水稻病害得到了广泛应用, 并且高光谱降维是光谱分析的重要环节。 该研究在2019年沈农水稻试验基地获取水稻低空遥感冠层与地面冠层高光谱, 并对其进行以窗口宽度为15和阶数为3的Savitzky-Golay平滑处理和光谱变换(得到原始光谱、 一阶微分光谱和倒数之对数光谱), 分窗口对这3种光谱分别进行Gram-Schmidt变换, 找到投影空间并映射出主基底, 实现高光谱数据降维, 绘制具有显著性概率的主基底, 其极大极小值为特征波段。 此外3种光谱还采用了主成分分析和连续投影法降维。 以降维后的数据与水稻纹枯病病情指数进行支持向量机回归建模, 其中支持向量机回归进行粒子群优化, 并以径向基为核函数, 对比分析了3种降维方式的降维效果。 结果表明: 水稻地面冠层尺度建模效果高于低空遥感尺度建模; 在光谱处理方面, 低空冠层高光谱进行倒数之对数变换效果较好, 地面冠层所得高光谱数据进行一阶微分变换效果较好; 分窗Gram-Schmidt变换算法优于主成分分析和连续投影法; 粒子群算法可以优化支持向量机中的惩罚系数和核函数参数, 提高其反演精度; 无人机低空遥感尺度中, 高光谱进行倒数之对数处理, 以分窗Gram-Schmidt变换降维, 敏感波段为427.3, 539.6, 749.5和825.4 nm, PSO-SVR建模决定系数R2为0.731, 均方根误差RMSE为0.151; 地面冠层尺度中, 高光谱进行一阶微分处理, 以分窗Gram-Schmidt变换降维, 敏感波段为552, 607, 702和730 nm, PSO-SVR模型决定系数R2为0.778, 均方根误差RMSE为0.147。 因此, 高光谱技术可以有效地检测水稻纹枯病, 并且其病情指数可用冠层高光谱进行反演, 分窗Gram-Schmidt变换对于高光谱数据降维有较好的效果, PSO-SVR建模对于水稻纹枯病病情指数的反演有明显提高, 结果可为冠层尺度检测水稻纹枯病与病害发生情况提供一定的理论基础和技术支撑。
水稻纹枯病 病害检测 高光谱降维 Gram-Schmidt变换 粒子群优化 支持向量机回归 Rice sheath blight Disease detection Hyperspectral dimensionality reduction Gram-Schmidt transform Particle swarm optimization Support vector machine regression 光谱学与光谱分析
2021, 41(7): 2181
1 沈阳农业大学植物保护学院, 沈阳 110866
2 保光科技发展有限公司, 天津 301700
硅是地壳中重要的元素, 且在水稻生长中发挥重要作用, 但叶面喷施硅肥对水稻增产和抗病虫的影响研究甚少。为探讨叶面硅肥的作用, 本文通过大田试验研究了叶面喷施硅肥对水稻的农艺性状、抗病和抗虫性的影响。田间试验结果表明, 与对照相比, 叶面喷施硅肥的水稻植株颜色更绿、茎秆更粗壮且抗倒伏, 分蘖数、穗数、每穗的实粒数、千粒重及产量均提高, 并且二化螟蛀虫数减少, 未发生纹枯病。叶片离体接种试验进一步证明, 叶面喷施硅肥可显著提高水稻对纹枯病的抗性。
水稻 叶面硅肥 农艺性状 抗病和抗虫性 纹枯病 rice foliar silicon fertilizer agronomic trait resistance to disease and insect rice sheath blight
1 华中农业大学资源与环境学院, 湖北 武汉 430070
2 农业部长江中下游耕地保育重点实验室, 湖北 武汉 430070
3 安徽大学安徽省农业生态大数据工程实验室, 安徽 合肥 230601
4 Texas A&M AgriLife Research and Extension Center, Beaumont, TX 77713, USA
5 华中农业大学理学院, 湖北 武汉 430070
高效无损地评估农作物病害等级, 对于实际农业生产和研究都具有重要意义。 研究探讨了基于低空无人机遥感平台进行水稻纹枯病病害等级评估的可行性, 分析可见光与多光谱传感器的光谱响应差异及其对感病水稻光谱反射率获取的影响, 并定量对比两种传感器的病害监测效果。 实验研究区由67个不同品种的水稻小区组成, 每块小区均分为相接的纹枯病接种区和侵染区。 以大疆精灵Phantom 3 Advanced小型消费级无人机作为搭载平台, 分别搭载该无人机系统自带的可见光传感器和MicasenseRedEdgeTM多光谱传感器获取遥感影像。 同时, 通过植保专家现场调查的方式识别病害等级, 并利用Trimble公司的手持式NDVI测量仪获取实测NDVI值。 基于影像拼接、 波段叠合、 辐射校正后的预处理结果, 对可见光图像的接种区和侵染区共134个小区计算七种可见光植被指数, 即NDI（normalized difference index）, ExG（excess green）, ExR（excess red）, ExG-ExR, B*, G*, R*, 多光谱图像除上述可见光指数外再计算NDVI（normalized difference vegetation index）, RVI（ratio vegetation index）和NDWI（normalized difference water Index）三种多光谱植被指数。 将计算得到的图像植被指数与地面实测NDVI进行相关性分析, 以选取两种传感器的最优图像植被指数建立水稻纹枯病病害等级反演模型。 相关性分析结果表明, 基于多光谱传感器计算的图像NDVI与实测NDVI拟合度最高, 接种区R2为0.914, RMSE为0.024, 侵染区R2为0.863, RMSE为0.024。 对于可见光传感器, NDI与实测NDVI的相关性最好, 接种区R2为0.875, RMSE为0.011, 侵染区R2为0.703, RMSE为0.014。 比较两种传感器两种区域的同一图像植被指数与实测NDVI的一致性, 除B*外, NDI, ExR, ExG-ExR, G*, ExG, R*与实测NDVI基本属于高度相关, 在病害严重的接种区, 两种传感器对水稻纹枯病的监测效果相近, 但在病害相对较轻的侵染区, 多光谱传感器的监测更为精确灵敏。 基于多光谱图像NDVI建立的病害等级反演模型, R2达到0.624, RMSE为0.801, 预测精度达到90.04%, 模型效果良好。 而基于可见光图像NDI建立的反演模型, R2为0.580, RMSE为0.847, 预测精度为89.45%, 效果稍差。 对比分析可见光与多光谱传感器的光谱响应曲线, 可见光传感器可获取可见光范围的红、 绿、 蓝三个波段, 波段范围互相重叠, 多光谱传感器包含五个成像单元, 可独立获取从可见光到近红外的五个窄波光谱波段, 提供更加准确的光谱信息。 比较传感器获取的接种区和侵染区水稻平均反射率曲线得出, 多光谱传感器不仅在可见光波段反映了较可见光传感器更强的差异, 在红边和近红外波段差异则更加明显, 这说明专业窄波段传感器在病害监测方面较宽波段消费级传感器更有优势。 综上所述, 基于可见光与多光谱传感器的低空无人机遥感平台进行水稻纹枯病病害等级评估是可行的, 多光谱传感器精确灵敏, 可用于纹枯病的早期监测, 可见光传感器效果稍差但经济易于推广。 研究结果为病虫害防治提供决策支持, 有助于推动实现精准农业, 保障粮食安全。
多光谱传感器 可见光传感器 低空遥感 水稻纹枯病 病害等级评估 植被指数 Visible light sensor Multispectral sensor Low-altitude remote sensing Rice sheath blight Disease grade evaluation Vegetation index 光谱学与光谱分析
2019, 39(4): 1192
