小麦条锈病是影响我国小麦产量的主要病害之一, 在小麦受到条锈病菌侵染初期探测到病害信息, 对小麦条锈病的防控以及产量和品质的提高具有更为重要的意义。 反射率光谱主要反映植被生化组分的浓度信息, 而日光诱导叶绿素荧光则对植物光合生理变化响应灵敏。 为了更好地实现小麦条锈病病情严重度的遥感探测, 尤其是条锈病的早期探测, 对日光诱导叶绿素荧光和反射率光谱数据监测小麦条锈病病情严重度的敏感性进行了对比分析。 首先利用地物光谱仪测定了不同病情严重度的小麦冠层光谱数据, 基于夫琅和费暗线原理利用3FLD(three-band Fraunhofer Line Discrimination)方法提取了小麦条锈病不同病情严重度下的日光诱导叶绿素荧光数据, 然后分别利用反射率光谱数据和日光诱导叶绿素荧光数据构建小麦条锈病不同发病状态下的遥感探测模型, 并通过保留样本交叉检验方式对预测模型精度进行了评价。 结果表明: （1）当小麦条锈病病情指数低于20%时, 日光诱导叶绿素荧光对小麦条锈病病害信息的响应比反射率光谱数据更为敏感, 以日光诱导叶绿素荧光为自变量构建的小麦条锈病病情严重度预测模型达到了极显著性水平, 能够在植被叶绿素含量或叶面积指数发生变化之前探测到植物的胁迫状态, 实现作物病害的早期诊断, 而反射率光谱数据则难以探测到条锈病病害信息; （2）在小麦条锈病病情严重度处于中度发病(20%＜DI≤45%)状态时, 虽然日光诱导叶绿素荧光和反射率光谱数据均能实现小麦条锈病病情严重度的遥感探测, 但利用日光诱导叶绿素荧光数据构建的预测模型优于反射率光谱数据; （3）当小麦条锈病病情严重度达到重度水平(DI＞45%)时, 利用反射率光谱数据和日光诱导叶绿素荧光数据构建的小麦条锈病病情严重度预测模型均达到了极显著性水平, 两种数据均能够较好地实现小麦条锈病病情严重度的遥感探测。 该研究结果对提高小麦条锈病的遥感探测精度具有重要的意义, 为利用TanSat等卫星的荧光数据进行小麦条锈病的早期探测提供了参考依据。

小麦白粉病和条锈病是我国两种最普遍、 最具破坏性的小麦病害, 且田间常常混合发生。 由于病源和发病机理不同, 有必要对这两种病害进行准确区分和识别, 以采取不同的防治措施。 基于ImSpector V10E高光谱成像系统采集的条锈菌侵染叶片、 白粉菌侵染叶片和健康叶片（共计320个）在375～1 017 nm范围内的高光谱图像, 利用高斯平滑等预处理方法得到三种小麦叶片的平均光谱曲线, 发现小麦白粉病和条锈病的敏感波段均集中在550～680 nm的色素强吸收位置, 且趋势基本一致。 针对两种病害的响应波段交叉重叠的问题, 通过主成分分析-载荷法（PCA）、 连续投影算法（SPA）和竞争性自适应重加权算法（CARS）对小麦叶片的光谱信息进行有效降维, 分别优选出3、 6、 30个敏感波段和特征波长; 在此基础上, 采用最小二乘-支持向量机和极限学习机两种分类算法分别基于全波段、 PCA、 SPA和CARS的优选波段, 建立白粉病、 条锈病和健康叶片的判别模型。 结果表明, 8种模型的准确识别率均在94.58%以上。 其中, 主成分分析-载荷法结合极限学习机模型最优, 训练集与校正集的正确识别率分别为99.18%和100%, 且结构简单, 仅含有三个变量（占全波段的1.1%）。 最后, 通过对小麦白粉病、 条锈病以及健康叶片的显微结构分析, 发现病菌入侵叶片, 破环细胞结构, 导致叶绿素含量减少, 光合作用效能降低,进而使得小麦在可见光波段光吸收程度减弱, 反射率增大。 可见, 利用作物的高光谱图像信息能够准确地识别不同类型的小麦病害, 为研发作物病害在线识别的多光谱系统提供重要的理论依据。

由条形柄锈菌引起的小麦条锈病是一种世界性范围内普遍流行的重大病害, 实现其早期检测对病害的有效防控与小麦的安全生产具有重要意义。 旨在实验室环境下分析小麦接种条锈病菌后16天的热红外图像与叶片温度变化, 研究热红外成像技术用于小麦条锈病早期检测的可行性。 实验发现, 随着接种天数的增加, 接种病害的小麦植株较健康小麦, 叶片的平均温度会逐渐降低, 叶片间的最大温差会不断加大。 接种后第6天, 热红外成像技术可观测到小麦条锈病病斑, 较肉眼观察提前了4天。 接种后第16天, 接种叶片的平均温度比健康叶片低2.5 ℃, 最大温差比健康叶片高2.28 ℃。 同时, 通过对健康、 发病以及潜伏期的小麦叶片的显微结构分析, 发现条锈病孢子入侵叶片, 使细胞结构破环, 气孔导度增大, 蒸腾作用加剧, 从而导致叶片表面温度降低。 可见, 热红外成像技术可以对小麦条锈病进行早期检测。

小麦白粉病和条锈病是小麦常发病害中为害较重的两种病害, 在我国小麦产区均有发生, 但它们由不同病原引起, 需要采取不同的防治措施。 因此, 快速、 准确的获取小麦病害类型信息对于病害的防治具有重要的指导意义。 遥感数据具有快速、 准确的获取空间上连续信息的特点, 提出一种基于实测冠层高光谱数据信息的小麦病害定量识别方法。 通过对标准化光谱进行连续小波变换, 分析350～1 300 nm范围内各波段及其连续小波特征与小麦白粉病和条锈病之间的相关性, 以及在不同病害间的差异性, 筛选出对不同病害敏感的光谱波段(SBs)和小波特征(WFs), 然后采用Fisher判别分析法分别基于SBs, WFs以及结合SBs和WFs建立小麦白粉病、 条锈病及正常小麦识别模型, 分别采用未参与建模的55个地面调查数据和留一法进行验证。 结果显示: (1)基于WFs模型的总体识别精度(分别为92.7%和90.4%)明显高于基于SBs模型的总体识别精度(分别为65.5%和61.5%); (2)SBs和WFs结合模型的总体识别精度(分别为94.6%和91.1%)略高于基于WFs模型的总体识别精度, 在Fisher80-55模型中白粉病和正常样本的生产者精度提高了10%以上。 (3)条锈病样本能在基于WFs和SBs & WFs的模型中准确判别出来, 用户精度和生产者精度均达到100%。 结果表明采用作物光谱信息能够准确的识别健康作物和不同类型的作物病害, 为采用遥感影像进行大范围作物病害识别提供了理论基础, 对于指导作物病害防治具有实际应用价值。

为了提高遥感监测小麦条锈病病害严重度的准确性, 寻找小麦病害的较优反演模型, 在国家精准农业示范研究基地基于野外定位调查小麦病情指数及冠层光谱数据, 利用与小麦病害发生呈显著关系且有效反映植被生理生长状况的7种高光谱植被指数, 尝试分别采用PLS(偏最小二乘回归)、 BP神经网络和植被指数经验法三种方法建立小麦条锈病病情反演模型, 并进行比较分析。 结果表明: 三种方法病害严重度预测值与实测值间的R2分别为0.936, 0.918, 0.767。 采用偏最小二乘回归方法监测小麦病情指数效果更好, 为探寻不同种类植被指数对模型的贡献, 尝试用代表植被绿度的NDVI, GNDVI, MSR和代表水分含量的NDWI和MSI植被指数分别作为PLS模型的输入变量, 建立病害反演模型。 结果表明: 小麦条锈病中, 叶片叶绿素含量的变化比冠层水含量的变化对病情指数更为敏感, 对病害有更好的解释作用。 然而, 两模型精度都低于七种植被指数全部参与时的预测结果, 即输入变量中采用多种植被指数比用单类指数模拟准确度高。

小麦条锈病是世界上影响小麦安全生产的一种重要病害。实现小麦条锈病不同严重度叶片快速、准确的分级识别, 对于条锈病监测、预测预报和防治措施的制定具有重要意义。通过人工接种获得条锈病不同发病程度小麦叶片, 选取8个不同严重度级别(1%, 5%, 10%, 20%, 40%, 60%, 80%和100%)叶片各30片和健康小麦叶片30片, 利用近红外光谱技术分别获取光谱信息, 共获得270条近红外光谱曲线, 依据小麦叶片条锈病发病程度的不同, 将其分为9个类别。从每个类别中随机选择7~8条光谱曲线作为测试集, 共计67条, 将剩余的203条光谱曲线作为训练集。利用定性偏最小二乘法建立小麦条锈病不同严重度叶片的定性识别模型。研究分析了不同光谱预处理方法、建模比(训练集:测试集)和建模谱区对所建模型识别效果的影响。结果表明, 在4 000～9 000 cm-1谱区范围内, 原始近红外光谱数据经中心化预处理后, 建模比为3∶1时, 采用内部交叉验证法建模, 训练集和测试集的总体识别准确率分别为95.57%和97.01%, 所建模型识别效果较好。表明基于近红外光谱技术进行小麦条锈病叶片严重度分级识别是可行的, 为小麦条锈病的监测和评估提供了一种新方法。

为实现对受到小麦条锈病菌侵染而尚未表现明显症状的小麦叶片进行早期检测, 利用近红外光谱技术结合定性偏最小二乘法建立了小麦条锈病潜育期叶片定性识别模型。 获取健康叶片30片、 条锈病潜育期叶片330片(每天取30片, 共11天)和发病叶片30片, 扫描获得其近红外光谱曲线。 采用内部交叉验证法建模, 研究了不同谱区、 建模比(建模集∶检验集)、 光谱预处理方法和主成分数对建模识别效果的影响。 在5 400～6 600和7 600～8 900 cm-1组合谱区内, 建模比为4∶1、 预处理方法为“散射校正”和主成分数为14时, 所建模型识别效果较理想, 建模集的识别准确率、 错误率和混淆率分别为95.51%, 1.28%和3.21%; 检验集的识别准确率、 错误率和混淆率分别为100.00%, 0.00%和0.00%。 结果表明, 利用近红外光谱技术可在接种1天后(即提前11天)识别出健康小麦叶片和受到条锈病菌侵染的小麦叶片, 并且可以识别不同潜育期天数的叶片。 因此, 利用近红外光谱技术对条锈病菌潜伏侵染检测是可行的, 为该病早期诊断提供了一种新途径。

利用近红外光谱技术结合定性偏最小二乘法(DPLS)和定量偏最小二乘法(QPLS)分别实现了小麦条锈病菌和叶锈病菌的定性识别和定量测定。 获取两种锈菌单一夏孢子样品各50个以及条锈病菌纯度为25%～100%的混合样品120个。 采集样品光谱后, 将两类样品均按2∶1的比例分为建模集和检验集, 在4 000～10 000 cm-1内采用内部交叉验证法建模。 散射校正预处理方法下、 主成分数为3时, 定性识别模型的建模集和检验集识别准确率均为10000%。 “极差归一+散射校正”预处理方法下、 主成分数为6时, 定量测定模型建模集的决定系数(R2)、 校正标准差(SEC)、 平均相对误差(AARD)分别为9936%, 231%, 894%, 检验集的R2、 预测标准差(SEP)、 AARD分别为9937%, 229%, 540%。 结果表明, 利用该方法对这两种锈菌定性和定量分析是可行的。 本研究为植物病原菌的定性识别和定量分析提供了一种基于近红外光谱技术的新方法。