1 南京信息工程大学应用气象学院, 江苏 南京 210044
2 中国科学院遥感与数字地球研究所, 数字地球重点实验室, 北京 100094
3 北京农业信息技术研究中心, 北京 100097
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。
高光谱遥感 条锈病 偏最小二乘法 神经网络 病情指数 Hyper-spectral Yellow rust Partial Least Square BP neural network Disease index 光谱学与光谱分析
2015, 35(6): 1649
1 中国矿业大学(北京)地测学院， 北京100083
2 北京师范大学资源学院 ， 北京100875
3 国家农业信息化工程技术研究中心， 北京100089
研究的目的是利用高光谱遥感尽可能早地识别出健康与遭受条锈病胁迫的小麦。 通过人工田间诱发不同等级条锈病， 在不同生育期测定感染不同严重程度条锈病的冬小麦冠层光谱及病情指数(disease index， DI)。 对测定的光谱进行平滑并计算一阶微分值， 并用两种方法分别提取光谱红边位置(red edge position， REP)与黄边位置(yellow edge position， YEP)： (1)一阶微分最大值法； (2)Cho and Skidmore方法。 研究表明随着病情严重度的增加， REP逐渐向短波方向移动， YEP逐渐向长波方向移动， 而REP-YEP则迅速的减小。 分别对比分析了REP， YEP以及REP-YEP预测DI的能力， 结果表明， 以REP-YEP为变量的模型预测DI的精度最好， 模型估测绝对误差(RMSE)仅为6.22， 相对误差(relative error， RE)为14.3%， 且能够提前12 d识别出健康与病害胁迫的小麦。 该研究不仅可为将来利用高光谱遥感大面积监测小麦病害提供理论与技术支持， 而且对精准农业的实施也具有重要意义与实际应用价值。
高光谱 小麦条锈病 红边位置 黄边位置 病情指数 反演模型 Hyperspectral Wheat yellow rust Red edge position Yellow edge position Disease index Inversion model 光谱学与光谱分析
2010, 30(6): 1614
1 国家农业信息化工程技术研究中心,北京 100097
2 安徽农业大学 资源与环境学院,安徽 合肥 230036
利用ASD地面非成像光谱仪对不同严重度的冬小麦条锈病的冠层光谱反射率进行测定,同时调查病情指数。 通过对地面实测的46组病情指数与相应的光谱反射率进行相关性分析,筛选出了小麦条锈病在350-1500 nm的敏感波段。 结合多时相的高光谱航空飞行遥感图像数据的特点和规律,最终选择红波段的620-718 nm与近红外波段的770-805 nm为条锈病在PHI影像上的敏感波段。 并利用620-718 nm和770-805 nm的平均光谱反射率与相应的病情指数建立了多元线性回归模型,DI= 19.241 R1－2.207 R2+12.274,验证结果表明,该模型的历史拟合度很好。 并利用此模型最终在PHI影像上成功的实现了对冬小麦条锈病发生程度与发生范围的监测。
推扫成像光谱仪(PHI) 敏感波段 条锈病 病情指数 Pushbroom imaging spectrometer (PHI) Sensitive bands Stripe rust Disease indexes
1 北京师范大学资源学院， 北京100875
2 中国矿业大学资源与安全工程学院， 北京100083
3 国家农业信息化工程技术研究中心， 北京100089
通过人工田间诱发不同等级小麦条锈病， 在不同生育期测定染病冬小麦冠层光谱及其病情指数（disease index， DI）。 利用主成分分析法提取冠层光谱350～1 350 nm范围内的前5个主成分（principal components， PCs）， 以及一阶微分光谱在蓝边（490～530 nm）， 黄边（550～582 nm）和红边（630～673 nm）内的前3个PCs， 并利用逐步回归法建立反演模型， 其结果分别与植被指数经验模型进行对比， 结果表明： 以一阶微分PCs为变量的模型精度优于其他模型， 其RMSE为7.65， 相对误差为15.59％。 通过对预测值与实测值对比发现， 以微分指数SDr′/SDg′为变量的模型适合监测冬小麦早期病情， 而以一阶微分PCs为变量的模型特别适合监测冬小麦条锈病病情较严重期。 研究结果对利用高光谱遥感监测与评估小麦病害程度具有实际应用价值。
高光谱遥感 条锈病 小麦 主成分分析 病情指数 反演模型 Hyperspectral remote sensing Yellow rust Wheat Principal component analysis(PCA) Disease index(DI) Inversion model 光谱学与光谱分析
2009, 29(8): 2161
中国农业大学植物病理学系,农业部植物病理学重点开放实验室,北京 100094
应用混合品种控制小麦条锈病在国内外日益受到重视,通过采集田间不同品种混合小麦条锈病各级病情梯度的高光谱遥感数据,将光谱数据与条锈病病情数据进行相关性分析,利用4个光谱参数构建其与病情指数的回归模型。结果表明,不同小麦品种组合在不同的病情指数情况下,其冠层光谱信息都表现了一致的变化规律;冠层反射率在可见光区与病情指数为正相关,而在近红外区则达到了显著的负相关;利用690与850 nm 处的反射率、SDr、NDVI以及RVI与病情指数构建的回归模型拟合效果较好。研究表明利用高光谱反演条锈病病情指数是可行的,并且小麦不同品种对反演效果影响不大。
高光谱 小麦条锈病 病情指数 反演模型 Hyperspectrum Wheat stripe rust Disease index Inversion model 光谱学与光谱分析
2009, 29(12): 3353
1 北京师范大学 资源学院，北京 100875
2 河南理工大学 测绘与国上信息工程学院，河南 焦作 454000
3 国家农业信息化工程技术研究中心，北京 100089
人工田间会诱发不同等级的小麦条锈病，在不同生育期需测定染病冬小麦冠层光谱以及相应小麦的病情指数。把冠层光谱一阶微分数据与相应的小麦病情指数进行相关分析，采用单变量线性和非线性回归技术，选取部分样本建立小麦的病情指数估测模型，并利用其余的样本对模型进行检验。结果表明，病情指数与一阶微分在432～582nm，637～701nm和715～765nm波长区域内具有极显著的相关性。以蓝边内一阶微分总和(SDb)与红边内一阶微分总和(SDr)的归一化值作为变量的模型是估测病情指数的最佳模型，其RMSE为5．73%。研究表明，可用高光谱信息监测作物的病害情况，且精度较高。利用高光谱遥感监测病害程度及其影响具有实际的应用价值。
高光谱 冬小麦 条锈病 病情指数 反演模型 winter wheat stripe rust hyperspectral disease index(DI) inversion models
