《基于多源数据小麦白粉病遥感监测研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
独创性声明本人声明所呈的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得安徽农业大学或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。-7学位论文作者签名：狸丝碰=}：签字日期：7,o，弓年矽月r日’学位论文版权使用授权书本学位论文作者完全了解安徽农业大学有关保留、使用学位论文的规定，有权保留并向国家有关部门或机构送交论文的复印件和电子文件，允许论文被查阅和借阅。本人授权安徽农业大学可以将学位论文的全部或部分内容编入有关数据库进行检索，收录到《中国学位论文全文数据库》，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文，向社会公众提供信息服务。(保密的学位论文在解密后适用本授权书)。学位论文作者签名：雠签字日期：劢侈年多月岁Et学位论文作者毕业后去向：工作单位：——通信地址：——指导教师签名：签字Et期：加电话：邮编： 摘要小麦白粉病是我国小麦生产中主要的病害之一，病害发生时，单叶尺度和冠层尺度均表现出一定的特征信息，能够通过高光谱特征表征和解译，适合于采用遥感方式进行的监测技术研究。本研究于2011年、2012年利用地面高光谱遥感和HJ．CCD影像对小麦田间白粉病的生理生化指标和病情严重度进行了定性或定量的反演评价。(1)研究了小麦白粉病叶片和植株生理生化特征与病情严重度间的相关关系。小麦白粉病病情严重度与叶绿素含量、叶绿素密度间的差异达到显著或极显著水平。叶绿素含量与病情严重度间存在极显著的负相关关系，R2达到O．8466以上；叶绿素密度与病情指数间存在极显著的负相关关系，R2达到0．9725以上；叶片全氮含量与病情指数间达到极显著负相关关系(《=0．8655)。叶片病情严重度与SPAD值呈显著负相关，其决定系数达到0．9257；叶片病情严重度与Chl、NBI指标呈显著负相关(Rchl一0．768*，R她I一0．632*)，叶片病情严重度与Flay呈显著正相关(RFI鲥=O．727*)。通过高光谱技术对NBI指数进行反演和校正，LS．SVM建模得到的R和RMSEP分别为0．9475和1．0037，优于BPNN所建模型的预测效果。尝试利用叶绿素成像荧光系统检测小麦白粉病叶片的生理状态和快速光响应曲线的变化规律，比较两种选择模式条件下，荧光成像特征的变化规律，比较了小麦病害叶片与健康叶片荧光成像的异质性，表明了受病害胁迫叶片，尤其是表面存在病斑的叶片，荧光参数间存在较高异质性。提出对光曲线拟合方程进行一阶求导得到曲线斜率方程，来表征快速光曲线的动态变化，明确基于荧光成像系统检N4,麦白粉病叶片的合理性。(2)分析了叶片光谱敏感度和原始光谱对不同病情等级叶片尺度的响应关系，明确了630"--680nm波段作为小麦白粉病病害等级响应的最佳敏感波段。利用植被指数法、连续统去除法和小波变换处理来反演单叶尺度小麦白粉病病情严重度。初步筛选确定了16个基于高光谱数据构建的植被指数。除了RVSI和PSRI指数外，其他植被指数与病情严重度间相关系数呈显著性差异，其中指数GNDVI、NDVI、SR、PRI、OSAVI、SAVI、SIPI、VARI、IWB、RVSI和PSRI与病情严重度呈负相关关系，其他植被指数与病情严重度呈正相关关系。以AAI为自变量建立回归模型，取得了更好的反演效果(R2=O．9195，F=251．3122)。基于db6小波系对病叶原始光谱进行降维处理，筛选出了7个通过0．01水平检验的小波能量系数，作为小麦白粉病严重度的识别监测处理。归纳总结了共48个光谱特征与病情严重度(DI)的相关分析结果并对估算模型进行精度检验。其中，41个特征参数均与DI有显著的相关性达到极显著。(3)研究了冠层尺度小麦白粉病不同病情指数光谱响应特征，通过植被指数和病 情指数相关性分析，筛选出小麦白粉病病情指数反演监测模型。选取测试的25个植被指数光谱特征中，除了冠层尺度植被指数PSRI和WI与病情指数间相关性不显著外，其余23个冠层尺度植被指数光谱特征均与小麦白粉病病情指数间显著相关。基于选用基于负熵为信号统计量的FastlCA算法对高光谱数据进行降维分析，基于PLS提出多特征变量的小麦白粉病病情指数监测模型，并对可见光、近红外波段的数据进行分离，构建小麦冠层病害胁迫特征三维空间分布模型。经复相关系数和均方根误差判别，RICl-NIRICl．№p模拟方程具有较高的复相关系数和较低的均方根误差，其模型预测值具有较好的精度。(4)通过变化向量分析，对冬小麦白粉病害灾情进行遥感监测，利用冬小麦染病面积与绿波段归一化植被指数的响应关系，重新定义了矢量空间，构建了冬小麦白粉病的遥感监测模型。采用多种植被指数建立空间变化向量分析，通过分析6种植被指数的变化范围，得出了绿波段归一化植被指数对小麦白粉病更为敏感，该指数可用来建立小麦白粉病的监测模型。通过分析3个地区的病害遥感监测图，得出晋#I：IL部地区病害较严重，宁晋县中部有中度的病害，而藁城市北部和中部则有大面积的病害发生，应根据3个地区不同的病害程度，进行喷药控制，以降低病害带来的损失。关键词：小麦，白粉病，高光谱，遥感，独立分量分析II AbstractWheatpowderymildewisoneofthemajordiseasesinwheatproductioninChina．Theleafandcanopyscalewerebothshowedsomecharacteristicinformationwhenthisdiseaseoccurred．Assuchinformationcanbeinterpretedbythehyperspectralfeature，thisdiseaseisverysuitableformonitoringbyusingremotesensing．Inthispaper,thephysiologicalandbiochemicalparametersofwheatpowderymildewhadbeenqualitativeorquantitativeinvertedbyhyperspectraldataandHJ—CCDimage，whichwereacquiredin2011and2012．(1)Thecorrelationbetweenphysiologicalandbiochemicalcharacteristicsanddiseaseseverityofwheatpowderymildewhadbeenanalyzed．Theresultsshowedthatwheatpowderymildewdiseaseseverityandchlorophyllconcentrationhadasignificantlynegativecorrelation(刚≥O．8466)，meanwhilethehighlynegativecorrelation(Rz>O．9725)hadalsobeenfoundbetweendiseaseseverityandchlorophylldensity．Inaddition，thediseaseseverityandleaftotalnitrogen，SPAD，Chl，NBlwereshowednegativecorrelation，thecoefficientofdeterminationwere0．8655，0．9257，0．768and0．632，respectively．Finally,thediseaseseverityandFlavhadasignificantpositivecorrelation(RFlav=O．727宰)．ThroughtheinversionandcalibrationforNBIindexbyhyperspectraltechnology,theRandRMSEPofLS-SVMhadreached0．9475and1．0037，whichisbeaerthantheBPNN．Thevariationbetweenphysiologicalstateandfastlightresponsecurvehadbeenmeasuredbyusingchlorophyllfluorescenceimagingsystem．Thefluorescenceimagingfeature，heterogeneitybetweendiseaseandhealthleaveshadbeencomparedundertwoimagingmodes．Theresultsshowedthatthefluorescenceparametershadhighheterogeneitywhentheleaveshadbeeninfected，especiallysomediseasespotleaves．Thedynamicchangeoflightresponsecurveshadbeenobtainedbytheslopeequationofcurveswhichhadbeenfittedbyfirst—orderderivative．Theseresultsindicatedtherationalityofthedetectionofpowderymildewofwheatleafbasedonfiuorescenceimagingsystem．(2)Theresponsebetweenhyperspectralrefiectanceanddifferentdiseaseseverityhadbeenanalyzed，thebestsensitivewaveband(630-680n／n)hadalsobeenidentifiedfordetectingthewheatpowderymildew．Thediseaseseveritybasedontheleavelevelwasinvertedbyusingvegetationindex，thecontinuumtransformationandwavelettransformationmethod．Sixteenhyperspectralvegetationindexhadbeenusedtoinvertthediseaseseverity,thecorrelationcoefficientallpassedthesignificancetest(P-value<0．05)III exceptRVSI·PSRI．GNDVI、NDVI，SR，PRI，OSAVI、SAVI?SIPI?VARI?IWB?RVSIandPSRIhadshowednegativecorrelation，whereastheotherindexeshadpositivecorrelation·TheregressionmodelbuiltbyAAIhaSabetterinversionresult(R2=0．9195．F20．9195)·Theoriginalspectrumdimensionhadbeenreducedbydb6wavelet．Sevenwaveletenergycoefficientspassedthesignificancetest(P．value<0．01)．TheDIand48spectralfeatureshadbeenanalyzed，andthemodelprecisionhadalsobeenevaluated．，nleresultsshowthat41spectralfeatureparametershassignificantlycon．elationwinlDI．(3)I'hespectralresponsebetweendiseaseseverityandhyperspectralrenectancebasedonthecanopyscalehadalsobeenanalyzed，theinversionmodelofwheatpowderymildewhadbeenbuiltthroughthecorrelationanalysisbetweenvegetationindexandthediseaseindex·25vegetationindexeswhichwereselectedhadshowedsignificantcorrelationwiththeDI，exceptthePSRIandWI．ThereductionofdimensionofhyperspectraldatawerebasedontheFastlCAalgorithm，thenthemonitoringmodelofwheatpowderymildewdiseaseindexWasbuiltbyPLS．Thismodelcans印aratet11edatamvisibleandnearinfraredwaveband，thusanotherthreedimensionalspacedistributionmodelofdiseasestresscharacteristicsCanbebuilt．RIC1-NIRIC1．№psimulationequationhadahighcorrelationcoefficientandlowmeansquareerrorthroughthediscriminationofthese咖statisticalparameters，andagoodaccuracyCanbeobtainedbythisequation．(4)Theremotesensingmonitoringmodelofwheatpowderymildewhadbeenbuiltbvthechangevectoranalysis，themethodusedtheresponserelationshipbetweenwheatinfectedareaandGNDVI，andredefinedthevectorspace．Severalvegetationindexeshadbeenemployed士'ortllechangevectoranalysis，theGNDVlwasmoresensitivetonlewheatpowderymildewdiseasebycalculatingthevariationrangeof6vegetationindexes．Bvmeansofanalyzingthediseaseofthreeregion，thenorthernregionofJinZhoucityhadaseveredisease，thecentralregionofNingJincountyhadmoderatedisease，andthe1孤．geareadiseasehadbeenfoundinthecentralofGaoChengcity．Theseresultssho、Ⅳedthatt11epesticideshouldbeappliedintheseareaforlowingtllemelossofwheat．Keywords：矾eat，PowderyMildew，Hyperspectral，RemoteSensing、IndependentComponentAnalysisIV 目录摘要⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯I录⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯一V1、文献综述⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．11．1小麦白粉病概述⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．11．2小麦白粉病的特征⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．21．3植物病害探测技术⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．31．3．1超声波技术⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．31．3．2X射线技术⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．31．3．3核磁共振技术⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．41．3．4荧光技术⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．41．3．5遥感监测与应用技术⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．51．3．6热红外遥感技术⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．61．4作物病害光谱学特征⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．61．4．1植被波谱遥感原理⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．71．4．2作物病害光谱响应生理机制与特征位置⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．91．4．3作物病害光谱特征提取及监测方法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯111．5小麦白粉病病理生态特征及遥感监的测研究进展⋯⋯⋯⋯⋯⋯⋯⋯⋯161．5．1小麦白粉病病理生态特征⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯161．5．2小麦白粉病遥感监测研究的应用进展⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯171．6作物病害遥感监测研究中存在问题⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯181．7研究目的与意义⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯192、试验设计与数据处理⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯2l2．1小麦白粉病单叶尺度病情监测实验⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．212．1．1实验目的⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯212．1．2数据获取及预处理⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯212．2小麦白粉病冠层尺度病情监测实验⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．232．2．1实验目的⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯232．2．2实验设计与数据处理⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯232．3基于多时相遥感数据小麦白粉病遥感监测试验⋯⋯⋯⋯⋯⋯⋯⋯⋯．．272．3．1实验目的⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯272．3．2实验概况⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯27V 2．3．3影像数据的预处理：⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯273、小麦白粉病光谱特征与生理参数研究⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯293．1病情严重度与有关参数间的关系⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．293．1．1病情严重度与色素含量问的关系⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯293．1．2病情严重度与全氮含量间的关系⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯303．1．3病情严重度与SPAD、NBI间的关系⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．313．2基于成像荧光系统小麦白粉病差异性分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．343．2．1不同病情严重度叶绿素荧光诱导参数变化⋯⋯⋯⋯⋯⋯⋯⋯⋯343．2．2．不同病情严重度叶绿素荧光光合参数变化⋯⋯⋯⋯⋯⋯⋯⋯．．353．2．3．不同病情严重度叶绿素荧光成像的异质性⋯⋯⋯⋯⋯⋯⋯⋯．．383．3小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯404、小麦白粉病单叶尺度的病情信息分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯424．1．白粉病单叶光谱特征⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯424．2．白粉病单叶光谱特征提取⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．424．2．1．植被指数法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．434．2．2．连续统去除法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯一454．2．3．原始光谱小波变换⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．484．3．白粉病单叶病情严重度估算模型检验⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．514．4小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．535、小麦自粉病冠层尺度的病情信息分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯555．1．／J、麦白粉病冠层尺度光谱特征⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯555．2．／J、麦白粉病冠层病情指数估测⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯565．3．／J、麦白粉病冠层光谱独立分析分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯575．3．1．不同病级小麦白粉病冠层光谱特征⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯575．3．2．确定红光．近红外波段分量间隔⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯585．3．3．红光．近红外波段三维诊断光谱特征空间⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯595．3．4．偏最小二乘法病情指数模型⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯605．4小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．616、基于HJ．CCD影像的小麦白粉病遥感监测⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯626．1．HJ影像预处理及小麦种植区域提取⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．626．2．白粉病遥感监测植被指数的选取⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯666．3．变化向量分析原理⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯676．4．植被指数变化向量的构建⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．676．5．变化向量的确定及阈值划分⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯68 6．6．冬小麦白粉病监测结果与分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯696．7．模型验证⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯696．8．小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯717、结论、创新点与展望⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯737．1．结论⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．737．2创新点⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯747．3展望⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯75参考文献⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯一76致{射⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯89个人简历⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯91VII 图索三Jl(ListofFigures)图1．2011年全国小麦白粉病发生趋势示意图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．2图2．健康叶片的光谱响应特征(黄敬峰，2010)⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．7图3．小麦病害叶片的光谱特征(张竞成，2012)⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．9图4．病情严重度与叶绿素含量间的关系⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯30图5．病情严重度与叶绿素密度间的关系⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯30图6．病情严重度与叶片全氮含量间的关系⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯3l图7．病情严重度与SPAD值间的关系⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯31图8．病情严重度与Dualex指标间的关系⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．32图9．样本残差图分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯32图10．BPNN(a)、LS．SVM(b)对NBI值预测结果⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯33图11．小麦白粉病叶片样点选取方式⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．35图12．基于不同选取模式的快速光曲线(左图为圆形选取；右图为矩形选取)⋯36图13．基于快速光曲线参数特征变化⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．37图14．基于快速光曲线的QRLC斜率曲线⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯38图15．小麦健康叶片成像荧光参数⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．38图16．小麦健康叶片成像荧光参数异质性(线状)⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．39图17．小麦白粉病叶片成像荧光参数⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．39图18．小麦白粉病叶片成像荧光参数异质性(线状)⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．40图19．健康叶片与白粉病侵染叶片原始光谱⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．42图20．叶片病情严重度与原始光谱、光谱敏感度间相关分析⋯⋯⋯⋯⋯⋯⋯．43图21．基于连续统去除法小麦白粉病叶片相对反射率(520．750nm)⋯⋯⋯⋯⋯46图22．小波分解示意图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．50图23．原始光谱db2小波9尺度分解的近似信号⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．50图24．原始光谱db6小波9尺度分解⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．51图25．小麦白粉病不同严重度冠层光谱曲线⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．55图26．小麦白粉病不同严重度的冠层光谱敏感度曲线⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．56图27．小麦白粉病不同病情严重度冠层光谱特征(640—1000rim)⋯⋯⋯⋯⋯⋯一58图28．基于不同独立分量间隔的ICAs与DI间相关分析⋯⋯⋯⋯⋯⋯⋯⋯⋯．59图29．可见光红光—近红外独立分量与红边位置特征空间分布⋯⋯⋯⋯⋯⋯．59图30．PLS模拟方程拟合病情指数预测值与测量值间关系⋯⋯⋯⋯⋯⋯⋯⋯．．61图31．冬小麦白粉病遥感监测技术流程图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．62VIII 图32．河北晋州的遥感影像⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．63图33．河北宁晋县的遥感影像⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．63图34．河北藁城的遥感影像⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．64图35．小麦种植面积提取流程图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．65图36．河北晋少Hd,麦种植面积提取结果图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．65图37．河北宁晋县小麦种植面积提取结果图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．66图38．河北藁城小麦种植面积提取结果图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．66图39．晋州市冬小麦白粉病的遥感监测图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．70图40．宁晋县冬小麦白粉病的遥感监测图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．70图41．藁城市冬小麦白粉病的遥感监测图⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．71IX 表索弓l(ListofTables)表1．PLS模型因子参数⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯33表2．新建模型预测结果⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯34表3．小麦白粉病不同病情严重度叶绿素荧光参数变化⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯35表4．病害诊断常用植被指数⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯43表5．植被指数与病情严重度的相关关系⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯45表6．连续统去除法光谱吸收特征参量⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯46表7．基于连续统去除法小麦白粉病光谱吸收特征⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯47表8．特征参量与叶片病情严重度相关性⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯47表9．特征参量回归分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯47表lO．原始光谱不同Daubechies小波和尺度分解误差⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．50表11．小麦白粉病病情严重度与小波能量系数相关性分析⋯⋯⋯⋯⋯⋯⋯⋯．51表12．基于高光谱特征变量估测病情严重度的拟合与预测I也值及均方根误差⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．5：!表13．小麦白粉病冠层尺度光谱特征与病情指数相关分析⋯⋯⋯⋯⋯⋯⋯⋯．56表14．基于PLS的模型拟合方程⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯60表15．宽波段的植被指数⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．67表16．不同时相植被指数变化向量角度变化范围⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．68表17．模型预测等级与实测等级对比⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．71X 安徽农业大学博士学位论文文献综述1、文献综述1．1小麦白粉病概述农作物病害一直以来都是农业生产中主要的致灾减产要素，是制约农作物高产、高效、优质、安全的主要因素。据联合国粮农组织(FAO)报告：每年病虫害引起全世界粮食减产25％左右，其中，世界粮食产量常年因病害损失14％：因虫害损失10％，我国每年因病虫害造成的粮食产量约400亿公斤，占我国粮食总产量的8．8％(FAO，2001)。病虫害的发生不仅造成农作物产量减少，还导致农产品品质下降，甚至会引起农产品的腐烂、霉变等发生，造成营养价值和口感的破坏，而且可能会产生对人畜有害、有毒的物质【lJ。小麦是我国三大主要粮食作物之一，种植面积范围分布较广，生产中多数小麦品种对条锈病、白粉病、纹枯病、赤霉病、蚜虫、吸浆虫等主要病虫害存在不同程度的感病性，一旦环境条件适宜极易暴发致灾，成为近年来小麦高产、稳产、优质的主要障碍因素。小麦白粉病是一种世界性的小麦病害，在世界各麦区均有发生。作为一种多循环性病害，白粉茵分生孢子的传播是引发病害再侵染的基础，据估计我国小麦白粉病春季一般可发生再侵染5-6代【2'3】。70年代，小麦白粉病仅在我国西南各省和山东省沿海地区发生较重，就全国范围而言，只是次要病害。自上世纪70年代后期以来，全国有20个省、市普遍发生。1981年小麦白粉病在全国流行发生，发病面积近350万公顷，病害麦田一般减产5％．10％，严重病田减产20％以上。1990年小麦白粉病发生、流行的范围逐渐扩大，全国冬麦区的病害发生面积达1100万公顷。部分地区病情为害损失程度己超过小麦条锈病。近年来，我国小麦白粉病常年发生面积一直维持在590万．700万公顷，已经成为小麦生产上的重要常发性病害之一。因此，利用现代信息技术，提高小麦病虫害的病情监测和动态评估水平，对于确保我国粮食生产稳定，减少灾害损失，提高农民收入，以及小麦的可持续生产具有重要的意义【4】。小麦白粉病是由专性寄生真菌Blumeria．graminisfsp．tritici引起的气传性病害。随着矮杆、半矮杆小麦的推广，小麦种植密度的加大，栽培措施(氮肥使用量、灌溉条件)的改进使该病害的发生范围不断扩大，包括亚洲、非洲、欧洲、北美东部冷凉地区等地均发生严重【5J。我国小麦白粉病最早是由戴芳澜先生于1927年在江苏省发现，过去主要在西南各省的一些山区和山东沿海等肥水较好的地区发生较重。20世纪70年代后期，随着耕作制度的变化和生产条件的改善，尤其是种植密度的提高和水肥用量的增加，致使小麦白粉病日益扩展蔓延北移，全国已有20个省市普通发生，其中，除西南地区和 安徽农业大学博士学位论文文献综述河南、湖北、江苏、安徽等地发生较重外，西北地区和东北辽宁等省春麦区也日趋严重，已成为我国小麦图1．2011年全国小麦自粉病发生趋势示意图Figure1．TheoccurrenceofwheatpowderymildewinChina(2011)据全国农业技术推广服务中心会同科研、教学和推广单位专家分析报告，2011年小麦病虫害偏重发生，总体程度重于2010年，发生面积约10．0亿亩次，与2010年持平，如图1所示。其中，虫害发生5．4亿亩次，病害发生4．6亿亩次。蚜虫呈偏重至大发生态势，白粉病、纹枯病偏重发生，条锈病、赤霉病有潜在流行的威胁，部分地区吸浆虫呈加重趋势。小麦白粉病在河北中南部、河南北部、湖北北部和江汉平原、陕西秦岭北麓和渭北塬区、贵州西部和南部偏重发生；华北、黄淮、长江流域的其他麦区和西北麦区中等发生，全国共发生面积1．2亿亩【_丌。1．2小麦白粉病的特征小麦全生育期均有受白粉菌侵染可能，病菌主要为害叶片，严重时叶鞘、茎秆和穗部也可受害，通常以植株下部叶片先发生，然后向上部叶片扩展。白粉菌侵染初期，叶片和植株无明显特征，随病情发展，叶片开始出现褪绿斑，而后逐渐扩大成为近圆形或长椭圆形的病斑，表面覆有一层白粉状霉层。严重时整个植株从下到上均被白色的霉层覆盖，霉层厚度可达2mlTl左右。霉层中自粉菌菌丝初生时为薄丝绸状，产生分生孢子，在小麦生育期后期白粉状霉层上出现黄褐色至黑褐色的小圆粒即病菌的有性阶段闭囊壳。被害叶片褪绿、发黄乃至枯死。小麦穗部受害能引起使麦粒不饱满甚至腐烂，发病严重的病株矮而弱，不抽穗或抽出的穗短而小哺J。病害发生后，由于叶片表面覆盖有白色粉层，引起小麦叶面积指数减小，呼吸作用增高，蒸腾作用减弱，光合作用能力显著降低，叶绿素含量降低等现象【9，101。有研究表明，白粉病发生后小麦根系的生长和活力也都受到抑制，从而影响了根系对氮素的吸收【ll】。小麦白粉病不但对产量因子中的千粒重有显著影响，而且病害早期流行还能减少分蘖数和穗粒数【12,13]。这些影响最终都将导致小麦产量降低。对于产量的损失，美国中西部、东部和西南部小麦白粉病可带来的产量损失分别为12％、27％和34％¨4|。 安徽农业大学博士学位论文文献综述我国在病害发生一般年份可使小麦减产5．19％，严重年份减产可高达30％【l5'16】。1．3植物病害探测技术随着计算机、无线传感技术、遥感技术和新型仪器研发等高新技术发展，各类无损检测和遥感技术得以快速发展，并在植物病害探测和灾害诊断识别上得到广泛推广应用。植物病害无损探测技术主要包括超声波技术，X射线技术，核磁共振技术和荧光技术，还包括基于不同遥感平台、不同光谱和空间分辨率的遥感数据源对作物病害的无损探测技术。从探测的空间尺度来分，又可将这些技术大致划分为室内精细检测，田间微观监测，农田地块尺度探测和区域尺度探测。1．3．1超声波技术超声波探伤是利用材料及其缺陷的声学性能差异对超声波传播波形反射情况和穿透时间的能量变化来检验材料内部缺陷的无损检测方法。脉冲反射法在垂直探伤时用纵波，在斜射探伤时用横波。脉冲反射法有纵波探伤和横波探伤。在超声波仪器示波屏上，以横坐标代表声波的传播时间，以纵坐标表示回波信号幅度。对于同一均匀介质，脉冲波的传播时间与声程成正比。因此可由缺陷回波信号的出现判断缺陷的存在；又可由回波信号出现的位置来确定缺陷距探测面的距离，实现缺陷定位；通过回波幅度来判断缺陷的当量大小。Mizrach(2002)利用无损超声波测量系统可以获取一些与雪梨和芒果的成熟度、坚实度和与质量相关的属性有定量关系的参数【l‘71。在植物病害探测方面的应用比较局限，Jivanuwong(1998)发现当利用50kHz的频率和0．22w能量等级的超声波能够较好地对马铃薯的空心病进行探测【l引。1．3．2X射线技术X射线(X-raytechniques)波长介于紫外线和Y射线间的电磁辐射，其波长约为(20-0．06)x10喝厘米之间。作为一种波长极短，能量很大的电磁波，X射线的波长比可见光的波长更短(约在0．001．100纳米)，它的光子能量比可见光的光子能量大几万至几十万倍。因此，X射线除具有可见光的一般性质外，还具有自身的特性。正由于X射线的特性，使其在发现后不久，很快在物理学、工业、农业和医学上得到广泛的应用，特别是在医学上，X射线技术已成为对疾病进行诊断和治疗的专门学科，在医疗卫生事业中占有重要地位。由于水果或蔬菜病变引起的内部物理性质及组分的改变能够引起X射线吸收强度的响应，是X射线进行植物病害检测的原理。目前，该技术在对芒果、鳄梨、苹果、马铃薯等水果和蔬菜的创伤和病害探测方面已有较多的研究和应用【19,20,21,22】。Finney和Norris(1978)对X射线技术进行改进，成功提高了其探测马铃薯空心病时的图像对比度1231。 安徽农业大学博士学位论文文献综述1．3．3核磁共振技术核磁共振(NuclearMagneticResonance，NMR)技术，是上世纪九十年代后依靠核磁共振信息确定蛋白质分子三级结构的技术，使得溶液相蛋白质分子结构的精确测定成为了可能。核磁共振技术在生物、生理、医学、农业和地质等诸多领域都发挥了其不可或缺的作用，已经渐渐的成为了一个非常有效的研究理论与实践工具。核磁共振技术可进行人体任何部位任意层面的成像，反映人体组织的病理、生理信息，能早期发现人体生理生化及病理方面的变化，是一种无创伤影像学检查方法。核磁共振成象作为一种非损害性的研究手段，对于较小尺寸的生物样品，通过增强磁场提高核磁共振信号的灵敏度，从而获得更高的空间分辨率，这在检测水果和蔬菜内部变化和损伤方面有较大的优势。核磁共振技术不仅能判断果蔬受损伤或病害侵扰的程度，还可准确计算损伤体积。研究表明，核磁共振技术在检测果蔬的病害【24】、成熟度[25,26】、洼伤【271、擦伤【2引、冻伤【291等方面均可达到较高的精度。Clark等(1997)利用该技术准确获得芒果被蝇及象鼻叮咬过的部位【30J；Chen等(1993)将核磁共振技术成功运用于优质鳄梨的快速筛选【3l】；Aristizfibal等(2007)利用核磁共振探测马铃薯受到P．infestans，Phomafoveata，Fusariumsulphureumy和Ecoeruleum等病菌的侵扰部位。果蔬内部快速探测目前已成为核磁共振技术在农业方面的一个重要应用案例132|。1．3．4荧光技术植物绿色组织经暗适应后，在可见光照射下会发出随时间不断变化的微弱的暗红色荧光信号，这一现象由Kautsky&Hirsch教授于1931年首次发现，称之为叶绿素a荧光诱导动力学，或Kautsky效应【33】。在自然条件下，叶绿素荧光与光合作用有着十分密切的关系，一方面，当植物暴露于强烈的光照下，通过荧光作用来降低强光灼伤可能，保护植物光合组织，另一方面，正常条件下叶绿素荧光和光合速率呈负相关，即光合速率高时，荧光较弱，反之亦然。根据此原理，利用叶绿素荧光诱导技术可快速测得植物光合作用的变化，又由于其测量时对植物叶片光合组织的无损伤性，叶绿素荧光动力学诱导技术具有检测快速、灵敏和无损伤性等优点，在植物抗性生理学及生态学中得到广泛的应用。任何环境因子的改变所致的植物光合作用的变化都可通过其体内的叶绿素荧光动力学反映出来，叶绿素荧光参数可作为植物在遭受环境胁迫时逆境反应的指标之一134'35，珀J。如感染炭疽病的枇杷叶片的Fv、F价m、Fv／Fo、Yield和感染花叶病毒的果蔗叶片Fv／Fm和Fv伊。明显下斛371。王北洪等(2004)用条锈病侵染小麦，检测其叶绿素荧光发现，与对照组相比，处理组的Fv／Fm和Fv但。均显著降低，表明小麦叶片在受到病原菌侵染后，叶片中的光捕获叶绿素蛋白遭到破坏，PSII的潜在活性受到损害[381。研究表明，荧光技术也可以进行冠层水平的探测，另外，用于病害胁迫监测的荧光技术不仅仅局限于室内检测的范围，如Moshou等基于车载平台的荧光探测系统进 安徽农业大学博士学位论文文献综述行小麦病害的实时探测p引。1．3．5遥感监测与应用技术利用遥感技术监测作物病虫害可追溯到上世纪20年代末至30年代初。1929年Taubenhause等利用航空图片开展植物病害遥感识别f401；1933年Bawden等利用彩红外航空图像对马铃薯和烟草病毒病进行监测应用。高光谱和多光谱遥感监测不仅用于在室内检测病害，而且，基于不同载荷逐渐发展成为多层次的智能数据获取手段。随着光学和信息技术的快速发展，高精度遥感技术的更新以及遥感监测技术在作物病害监测中优势发挥，遥感监测农作物病害的研究得到广泛应用和推行⋯J。基于地物波谱特征对植被病害逆境胁迫检测，主要研究对象是植被在紫外光波段、可见光至近红外波段的光谱特征响应，以此构建的监测识别特征、预测判别模型已经成为目前常见的病害遥感监测研究方式。因此，通过波谱特征识别探测植被病害逆境胁迫生理生化状态和结构的改变，成为植物病害遥感探测的重要途径。光学遥感用于监测病害胁迫的波谱范围主要集中在紫外光波段(200．400nm)、可见光波段(400．800nm)和近红外波段(800．2500nm)[421。植被在以上这些波段上的反射率特征对植被的生理生化特征(结构、形态、色素含量、养分含量及水分含量等)产生比较直接或间接的响应[43’44]。如Adams等(1999)基于叶片尺度建立大豆黄萎病的黄度指数，表明黄度指数相比其他的植被指数，对大气的影响不敏感，且在叶片尺度对作物受胁迫后的失绿现象反应敏感；Steddom等(2003)基于单叶高光谱遥感数据和冠层多光谱数据，利用NDVI、VARI、RGR、ARI和CRI五种植被指数对甜菜的丛根病特征进行比较研究，且这五种植被指数差异显著1451。黄木易等(2004)采用地物光谱仪和外置积分球耦合采集了小麦条锈病单叶光谱，建立了光谱特征同单叶病情严重度的相关模型【46】；Liu等(2010)采用类似的仪器测定了水稻颖枯病的穗光谱，建立了光谱特征与病情等级之间的相关模型【471。在植被病害冠层尺度研究方面，Huang等(2005)采用ASD光谱仪测定了小麦条锈病的冠层光谱，构建了小麦条锈病冠层监测的光谱指数【48】；Muhammed等(2005)利用小麦病害的冠层光谱，提取了小麦病害特征信息【49】。蔡成静等(2007)获取了小麦条锈病不同严重度的冠层高光谱数据，利用支持向量机(SupportVectorMachine，SVM)算法，对小麦条锈病严重度进行分级识别，并提高了识别精度【50J。目前，由于高光谱技术具有较高的光谱分辨率，能够捕捉到病害逆境胁迫的细节信息特征等特点，在病害遥感监测领域中受到广泛的重视，多以近地尺度和机载平台为主，而星载高光谱数据源还比较缺乏。随着光学传感器硬件制造技术的提高，研究者们正越来越多地从非成像光谱数据转向获取成像光谱数据，并且在病害胁迫监测领域得到重视。如Jones等(2010)利用成像光谱仪(Cary500，VarianInc．，PaloAlto，CA，USA)对番茄的病斑叶片进行探测【51】；Yang等(2010)利用多光谱和高光谱影像 安徽农业大学博士学位论文文献综述开展棉花根腐病的监测，提出多光谱影像较高的监测精度【52】。Moshou等(2004，2005)基于车载平台的高光谱成像技术对小麦病害的实时监测【53】；Huang等(2007)利用机载PHI高光谱仪成功监测了小麦条锈病情【541。因此，病害光学遥感探测技术正向多平台、多尺度的多源数据方向集成发展。1．3．6热红外遥感技术热红外遥感(infraredremotesensing)是指传感器工作波段限于红外波段范围之内的遥感。探测波段一般在O．76．1000微米之间，应用红外遥感器(如红外摄影机、红外扫描仪)探测远距离外的植被等地物所反射或辐射红外特性差异的信息，以确定地面物体性质、状态和变化规律的遥感技术。因为红外遥感在电磁波谱红外谱段进行，主要感受地面物体反射或自身辐射的红外线，有时可不受黑夜限制。由于红外线波长较长，大气中穿透力强，红外摄影时不受烟雾影响，透过很厚的大气层仍能拍摄到地面清晰的像片。用于红外遥感的传感器有黑白红外摄影、彩色红外摄影、红外扫描仪和红外辐射计【55’56|。利用热红外图像获取地表温度和土壤湿度等参数的空间信息，可以在一定程度上反映植物在受病害侵染后微生境的弱变化[57,58】。Chaerle等(2003)研究发现，利用热红外成像技术能够探测到植物在受到病害胁迫后发生的气孔改变【59】。在很多情况下，甚至这种探测信息早于病害症状开始显症初期阶段，因此，对于作物病害监测具有一定的预测能力。如Chaerle等(2004)利用热红外遥感手段可以早期发现甜菜的Cercosporabeticola病；Oerke等(2005，2006)研究发现，利用热红外图像能够较早期的识别黄瓜的霜霉病【6⋯。1．4作物病害光谱学特征遥感探测技术是一种远距离、非直接接触目标物体的情况下，通过接受目标地物的反射或者辐射电磁波来探测地物波谱信息，同时获取目标地物的光谱数据与图像数据的技术，即利用遥感仪器设备接收目标地物反射能量的电磁波谱特征，来识别表征目标地物。目前，遥感技术在农业应用领域已经被广泛应用于定性和定量分析，如通过不同地物的遥感光谱特征，开展目标地物的遥感分型识别、作物种植面积提取、生长状况监测、作物产量监测和病害逆境胁迫等161|。目前，作物病害监测正逐渐向光学遥感监测等领域深入研究和发展。作物受到病害侵染胁迫时，作物光谱在不同波段上表现出不同程度的吸收和反射特性的改变，即作物病害的光谱响应特征，光谱响应特征形式化、定量化表征则是作物病害光学遥感监测的基本依据。作物受到不同程度和类别病害胁迫时，其光谱反射特征都会表现出不同程度的响应。探测作物光谱响应特征，进而研究分析作物病害的种类、侵染阶段和侵染程度等 安徽农业大学博士学位论文文献综述信息，这就是病害遥感监测的基础原理。另一方面，作物光谱响应特征是由其物质的组成结构对不同波长光谱的吸收和反射特征差异所决定【621。因此，作物受病害胁迫条件下，作物自身生理生化组分、结构特征等变化是研究病害遥感监测的基础，而且有助于深入研究光谱特征与作物病害之间的影响机制，为进一步完善病害遥感监测机理提供依据。基于光谱特征建立的遥感平台监测植被病虫害的研究机理和监测方法日趋完善，并被广泛应用于多种作物或病害类型的监测上。比如烟草花叶病【6引、稻瘟病[64，65|、小麦条锈病【66,67,68,69】、甜菜丛根病【70】、小麦黄斑叶枯病f71,72】、小麦叶枯病【73】、小麦全蚀病【74】、芹菜菌核病【751、小麦赤霉病【761和马铃薯晚疫病【771等。1．4．1植被波谱遥感原理地球上任何物体自身都具有反射、吸收、发射电磁波的能力和特征。由于构成不同的地物的分子结构、原子组成、粒子运动形式不同，因此每种地物发射与吸收的波段与频率都不尽相同，其具有相异的电磁波谱特性。遥感就是根据不同地物的电磁波特性通过遥感仪器所接收的辐射探测目标地物。地物波谱特征及其变化，既可为传感器波段的选择提供依据，又是遥感图像及数据处理和各种地表信息提取的基础，是遥感研究的核心内容之一。不同的作物或同一作物在不同的环境条件、不同的生产管理措施、不同生育期，以及作物营养状况不同和长势不同时都会表现出不同的光谱反射特征。作物光谱特征分析在作物识别、作物长势监测、作物营养诊断及作物估产等方面都有着重要作用p引。控铆叶千反射一章的主薹因子一主薹吸收带一波长(脚1)．J、畸⋯-》：噜⋯⋯⋯》!《⋯⋯⋯⋯⋯⋯⋯⋯-’}艄酣可见光．J；近红乡如：坦渡红少¨J图2．健康叶片的光谱响应特征(黄敬峰，2010)Figure2．Specialcharacteristicofhealthyleaf(HuangJingfeng，2010)长势良好的绿色植可由其叶子的波谱特征能反映其真实状况，如图2所示。在可见光波段内，作物叶片的各种色素支配着其光谱特征的特性，而叶绿素是最为重要的因素之一。叶片的反射率和透射率因为色素的强烈吸收而变得较低。蓝波段与红波段的中心分别在0．45姗n和0．671ma，这两个波段对叶绿素辐射能(>90％)吸收较为强T8S‘32lO0O0一oq再苗90。：I一并蒙试 安徽农业大学博士学位论文文献综述烈，因此出现吸收谷(反射率在10％以下)。0．54岬为绿波段的中心，处于此两个吸收谷之间，因此吸收相对减少，从而形成反射峰(反射率在10％．20％)而使植物呈现绿色17引。当植物受到胁迫而影响其正常生长和发育，其叶绿素的含量就会随之降低，进而在蓝波段和红波段出叶绿素的吸收幅度随之减少而反射增强，特别是在红波段反射率升高较为明显，植物呈现为黄色。近红外波段的光谱特征是由叶片的内部细胞结构决定的。叶片的反射率和透射率均占入射能量的45％．50％，与之相反，吸收能量却低于5％。反射率会在0．74姒n附近急剧增加。叶子的细胞壁与细胞间隙引起多重反射率会使得在0．741．tm．1．31aa'n的近红外波段内形成一个高反射平台。不同种类的植物其叶子内部的结构变化也比较大，因此不同植物的反射差异主要体现在近红外波段处。因此区分不同的植物类别主要是从近红外波段差异来得出。除此之外，水分胁迫的监测可以从0．96I_ma、1．1Ixrn这两处近红波段处进行观察监测，因为这两处有2个水份吸收带，通过多层叶片的叠加可使得这个吸收反射率有较显著的变化，因此通过这两处波段监测植物水分胁迫具有较为客观的理论依据。短红外波段内透射较少，基本都吸收或者反射掉了。作物的光谱特征与叶片含水量有较大关系。叶片含水量越高，叶子的反射率越低，叶子含水量及叶片厚度能够构成叶片反射总量的函数。反射总量可以由叶内水分含量及叶片厚度所构成的函数来表达。因为叶片结构中，细胞间与细胞内的水分含量，在健康未受害胁迫高光谱特征中其特征主要由1．49rn、1．91am、2．7岬n为强吸收最为敏感表征，同时伴随着在此三个强吸收谷之间形成的2个反射峰，因此，1．49m、1．91xm两处的短波红外光谱特征为水分敏感表征波段180,81]。以上分析可知，所有健康植物光谱特征响应曲线随着品种和含水量的不同有一定的变化，在总的“峰．谷’’变化上保持基本一致。这是由于主导光谱特征的影响因素是一致的。但是不同类别的植物的叶子，其叶绿素的含量、细胞的结构以及含水量是不相同的，因此它们的光谱特征曲线也会有所不同。而同一种类的植物，也会因为季节更替、组分含量多少、含水量及疏密程度的不同而使得其光谱特征曲线存在差异，甚至由于受到生长环境、病害胁迫，也会使得整个谱段或者个别波段的光谱曲线有所变化。而近红外波段往往比可见光波段更能敏感地反映这些变化，这为我们监测、鉴别植物提供了很好的依据。植被遥感中，近红外波段起到非常重要作用，这是由于叶片内复杂的叶腔结构和腔内间隙均会对近红外波段的辐射进行多次散射，并且叶片有50％左右的透射和反射也会发生在近红外光波段处。随着绿色植物在生长发育阶段所受到不同的胁迫，如水分胁迫、病虫害胁迫等，叶片的光谱特征会随着叶绿素含量、水分含量、叶腔内组织结构的变化而发生相应的变化。近红外波段和可见光波段会反映出这种变化，而近红外波段的变化更为敏感，因此我们通常使用近红外波段来监测 安徽农业大学博士学位论文文献综述植被与非植被区，以及不同植被类别和受胁迫植被区域。植被的光谱特征曲线受到植被的化学、形态学特征的影响，因此其光谱特征会随着植被生长发育、长势及生长环境的不同而有所变化，因此需要通过多个波段来反应植被的生理生长情况及胁迫程度【82，83】0植被的光谱特性由其组织结构，生理生化组分、形态特征，不同作物类型，不同营养状态所决定，条件不同其光谱反射率的大小是不同的，正是这些差异的产生，使遥感监测作物病虫害，水分，养分胁迫、长势成为可能。图3是小麦受到病害胁迫后，叶片的光谱特征。由图可知，反射率在可见光波段变化显著，出现红边偏移现象，且近红外波动平台较之正常叶片(图2)出现下降趋势。这是由于植被遇到病害胁迫后，叶绿素的含量降低同时叶片结构也发生了变化，反射率由于在蓝、红波段的吸收减少而升高，尤其是在670nto“红谷”表现明显。叶片的颜色也会因为叶绿素的减少而变为黄色或者黄绿色。由此可知，利用高光谱遥感技术可以敏感的监测到植物发生胁迫前后的光谱特征变化，为快速、无损、大面积的植被监测提供强有力的依据[84,85]。图3．小爱病吾叶片的光谱特征(张竞成，2012)Figure3．Specialcharacteristicofdiseasedwheatleaf(ZhangJingcheng，2012)1．4．2作物病害光谱响应生理机制与特征位置植物病害的光学遥感监测是目前植物病害监测中研究最为聚集、应用最为广泛的领域。利用高光谱遥感技术监测植物病害是当前主要采用的手段之一，在研究机理与监测方法上具有良好的基础。植物在病害侵染时会在不同波段上表现出不同程度的吸收和反射特性，即病害逆境胁迫的光谱响应。植物病害的光谱响应可以近似认为是一个病害引起的植物色素、水分、形态、结构等变化的函数，通过形式化表达与解译光谱特征可以作为植物病害光学遥感监测的基础依据。小麦受白粉病病菌侵染后，其生理和生化特性会发生很大变化，如叶绿素组织遭受破坏、叶片变黄干枯、光合作用降低、养分水分吸收运输受阻等机能衰退表现，这些生理和生化特征的改变必然会导致小麦叶片及冠层光谱特征发生变化。因此，通过 安徽农业大学博士学位论文文献综述分析受害小麦单叶和冠层光谱变化特征，有助于进一步了解遥感监测小麦白粉病的光谱机理，对开展小麦白粉病遥感监测应用具有重要意义。叶片对小麦的生长发育、养分供应起着非常重要的作用，而且是小麦冠层整体光谱的主要贡献者。小麦冠层主要由众多离散的单个叶片组成，其光谱测定受外界条件影响较大，而单叶光谱的测定不受冠层几何结构、覆盖度、大气等影响，较容易了解其叶片真实的光谱特征和生长状况。因此，小麦单叶尺度和冠层尺度光谱特征具有各自相对独立的研究属性，为了明确小麦白粉病的病害等级和遥感监测，需分别从单叶和冠层尺度上分析小麦白粉病的光谱特征。小麦单叶光谱反射率随病情严重度增加在可见光和红外波段逐渐增大，特别是可见光和短波红外波段光谱反射率差异较显著。主要原因是叶片光谱的可见光波段反射率强度主要受色素影响(主要是叶绿素含量)，而短波红外波段光谱特征受叶片总含水量影响，其短波红外波段光谱反射率与叶片总含水量呈负相关关系【861。当小麦叶片受白粉病病菌危害后，叶片叶绿素含量下降，可见光波段光谱反射率增大。同时，由于受白粉病病菌侵染小麦维管内会产生大量胼胝体，阻碍植株体内水分运输，引起叶片干枯变黄，其叶片含水量降低，导致短波红外波段反射率呈增大趋势。不同病情严重度下小麦冠层近红外波段光谱反射率差异较可见光波段显著，且随病情严重度增加，近红外波段光谱反射率下降。单叶尺度下可见光波段光谱反射率随病情严重度的变化差异大于近红外波段。主要原因是近红外波段叶片的能量吸收较低(通常低于5％)，而反射和透射能却很高。通常作物冠层是由多层次叶片构成，整个冠层的反射特征是由叶片间多次反射和透射现象共同作用的结果。因此，作物冠层光谱反射率在近红外波段主要由冠层内叶片间多次透射与反射决定，而在可见光波段光谱反射率主要受叶片色素含量和叶片内部生化组分影响。另外，大多数植物叶片能透射大部分近红外波段的辐射能量，透射能量被下层叶再次反射和透射，随着冠层叶片间多次反射与透射，植被冠层近红外波段光谱反射率得到增强，而且植被冠层光谱在近红外波段反射率随叶片层数的增加而增强。随小麦白粉病病情严重度增加，550nm附近绿光波段光谱反射率减小，680nm附近红光波段光谱反射率增大。主要原因是小麦叶片受白粉病菌侵染后叶绿素等色素含量的下降，在绿光波段光谱反射减弱，吸收明显增强，人肉眼视觉绿色强度减弱。小麦受白粉病病菌危害，叶绿素含量下降，叶片变黄干枯，因此小麦叶片随白粉病病情严重度增加，在可见光波段绿峰反射率减小。叶绿素a含量对680nm波长处的吸收峰作用最强，植物体内叶绿素a对反射光谱影响尤为明显【87'髂】。因此，随着小麦白粉病病情严重度增加，叶片中色素含量尤其是叶绿素a含量的减少，引起680nm波长附近吸收作用减弱，叶片光谱反射率增强。无论是叶片光谱还是冠层光谱在可见光波段，其光谱反射率特征主要受叶片中各种色素特别是叶绿素的含量的影响。 安徽农业大学博士学位论文文献综述1．4．3作物病害光谱特征提取及监测方法利用光谱特征提取技术监测农作物病害，是通过对健康植被和受病害胁迫的植被光谱反射率进行比较，获得病害植被的光谱特征信息。如何提取病害胁迫条件下光谱响应特征是遥感监测研究的重点之一。目前，国内外在作物病害遥感监测研究中，常用的光谱特征提取方法主要包括基础光谱曲线运算、光谱特征变换(敏感波段法、植被指数法、导数光谱分析法、吸收谷／反射峰特征提取法等)和一些光谱特征数据挖掘方法(主成分分析法，神经网络法，支持向量机，小波分析法等)[89,90】。1．4．3．1敏感波段的病害监测方法植物叶片或冠层光谱特征是对植物受病害胁迫后生理生化指标、形态结构等改变的一个整体响应，具有高度的相关性和复杂性，而且植物受病菌侵染后产生的外部症状和内部生理反应是利用遥感技术进行病害监测的基础。因此，针对不同的植物病害，研究与病害监测最相关的波段及其时期，是该技术在植物病害监测应用中的前提和基础。当前，针对不同作物和不同病害胁迫的光谱特征进行的提取和研究有过很多报道。Ausmus和Hilty(1972)研究发现玉米受矮花叶病毒和小斑病菌侵染后，叶片在可见光波段(0．4．0．75Ⅳn)的反射率基本上没有变化，但是在近红外波段(O．8．2．6pax[)的反射率存在显著差异，而且在花叶病还未显症之前，这种显著差异就已出现【91】。Nutter等(1989)研究结果发现田间花生褐斑病的发生情况和800nm处的冠层光谱反射率有极显著的线性相关性，而且该波段的反射率和花生锈病的严重度也有极显著的相关性，另外还可用来估计病害发生后花生的产量1921。Malthus和Madeira(1993)研究了蚕豆褐斑病为害后叶片光谱反射率以及叶绿素含量的变化情况，结果发现病害发生后，叶片叶绿素b含量增加，但叶绿素a含量没有显著变化，在症状出现前，叶片的光谱反射率没有变化，光谱反射率和病害有关最明显的变化时可见光区的反射率变平稳，而在800nm处的反射率降低(931。Sasaki等(1998)发现黄瓜在受到Colletotrichumrbiculare病菌感染后会在380．450nm和750．1200nm处出现吸收特征的改变【94J。Kobayashi等(2001)运用反射率光谱，从冠层和叶片两个水平上识别稻穗瘟(PanicleBlast)，研究表明，无论是在室内还是在田间冠层，随着病粒百分比的增加，水稻光谱反射率在30．530nm、580．680nnl和1480．2000nm范围内均有所提高[95】。Zhang等(2003)利用冠层高光谱数据对加利福尼亚州番茄晚疫病进行了研究，把番茄晚疫病严重度分为0-4共5个等级，其中当病害严重度为3级时就会造成经济损失，结果表明，病害发生后，近红外区域(特别是700．1300nm)比可见光区域更有价值，因为和健康植株相比，发病程度为3级番茄冠层光谱反射率在可见光波段的差异仅为1．19％，而在近红外波段差异可达10％【96】。Graeff等(2006)对小麦白粉病(PowderyMildew)和全蚀病(劢娩．allDisease)的叶片光谱进行研究。结果分析表明，在波长 安徽农业大学博士学位论文文献综述490nm、510nm、516nm、540nm、780nm和1300nm的位置能够引起光谱反射率的较强烈响应19¨。Delwiche和Kim(2000)研究小麦赤霉病(FusariumHeadBligh)时发现波长在550nm、568nm、605nm、623nm、660nm、697nm、715nm和733nm位置上能够引起光谱的响应特征【98】。Moshou等(2005)通过光谱分析筛选出680nm、725nm和750nm这三个与小麦条锈病有关的光谱波段凹】。Yang等(2007)发现，在426nm处的冠层光谱反射率能够很好地响应水稻褐飞虱和稻纵卷叶螟的侵扰【1001。Naidu等(2009)通过研究证实葡萄卷叶病(LeafrollDisease)能够通过752nm、684nm和970nm处的反射率进行识别和诊断【l01J。Liu等(2010)通过对水稻稻穗的光谱分析发现450．850nm波段的反射率变化与水稻颖枯病(GlumeBlightDisease)有关【1021。Mahlein等(2010)对褐斑病、白粉病和锈病发生后甜菜叶片的光谱反射率进行了研究，结果表明褐斑病为害后，甜菜叶片可见光波段特别是绿光到红光波段(500．700nm)的反射率增加而近红外波段反射率降低；白粉病发生后，叶片可见光波段反射率也明显增加而近红外波段也表现增加；锈病发生后，550．700nm波段内的反射率明显增加，其余波段变化不是很明显I】叫。国内利用光谱反射率开展植物病害研究时间相对较晚。吴曙雯等(2001)对水稻稻叶瘟病的冠层反射光谱进行研究，结果表明绿光波段、红光波段和近红外波段的水稻冠层光谱反射率随病情的加重分别呈现下降、上升和下降的趋势，受害较轻时近红外波段反射率变幅较大，而受害严重时绿光波段和红光波段反射率变幅较大【l洲。黄木易等(2003)在不同生育时期内对不同发病等级(不同病情指数)的冬小麦条锈病冠层光谱进行测定，研究表明：630．687nm、740．890nrn及976．1350nm为冠层光谱监测条锈病的敏感波段【105]。刘良云等(2004)发现小麦条锈病与560．670nm波段的反射率变化有密切关系，并据此构建了监测模型【106】。蔡成静等(2005)对感染条锈病的冬小麦冠层光谱特征进行研究，发现小麦条锈病红外波段(769．938nm)不同病情反射率存在很明显且规律的差异【1071。郭洁滨等(2009)采集了不同小麦品种混合种植条件下条锈病冠层高光谱遥感数据，分析了高光谱数据与病情指数间相关性，结果表明：不同小麦品种组合条锈病冠层反射率在可见光波段与病情指数间呈正相关，在近红外波段呈显著负相关，选择波长690nm与850nm处冠层反射率与病情指数构建的回归模型拟合效果较好【1081。Chen等(2008，2012)对棉花黄萎病冠层高光谱反射率进行了研究，结果表明：棉花受黄萎病危害后，冠层光谱可见光波段(620-700nm)的光谱反射率增加，近红外波段(780．1300nm)的光谱反射率显著降低，棉花黄萎病冠层光谱监测的敏感波段为1001．1110nln和1205．1320nm范围【109，1101。乔红波等(2007)对小麦白粉病和麦蚜进行遥感监测，研究结果表明，冠层光谱反射率和低空遥感数字图像反射率与小麦白粉病病情指数在灌浆期有显著的相关性。冠层光谱近红外波段的相关性高于绿光波段，相关系数分别为．0．79和．0．54：低空遥感数字图像红、 安徽农业大学博士学位论文文献综述绿、蓝三波段中，相关性依次降低，相关系数分别为．0．79、一0．75和-0．62；而且低空遥感图像与归一化植被指数间相关性较好，蓝、红、绿波段相关系数依次为O．70、0．68和0．54[1111。1．4．3．2植被指数的病害光谱特征提取方法植被指数是指选用植被的某些现象在光谱上的响应波段，通过一系列的线性或非线性的组合形式(加、减、乘、除等)，构建某些对植被长势、生物量等有一定指示意义的光谱变换形式。自20世纪以来，国内外学者利用遥感数据提取和构建了各种生物物理变量，大量的植被指数研究被应用于遥感监测中。植被指数具有诸多优势特点，因此，国内外学者尝试通过对作物病虫害的危害信息进行研究分析，并提取相应的植被指数用于遥感监测和反演，并取得了较好的结果。1969年Jordan提出了第一个植被指数即比植被指数(RatioVegetationIndex，R-VI)，但RVI对大气影响敏感，而且当植被覆盖度较低(<50％)时，其分辨能力较低，只有在植被覆盖浓密时效果最好1112】。为此，研究人员进一步提出归一化差植被指数NDVI(NormalizedDifferenceVegetationIndex)，将其值限定在(．1，1)范围内(Rouse等，1973)，该指数可以消除大部分与仪器定标、太阳角、云阴影、地形和大气条件有关辐照度的变化，增强了对植被的响应能力⋯31。但随后许多研究表明，由于NDVI易受双向反射率、大气、土壤及叶冠背景、高生物量区饱和等因素的影响，使应用范围受到一定程度的限制。为了减少NDVI中大气的干扰，Kaufman和Tanre(1992)提出了抗大气植被指数(AtmosphericallyResistantVegetationIndex，ARVI)014]，随后Gitelson等(2002)又提出了可见光抗大气指数(ⅥsibleAtmosphericallyResistantIndex，VARI)【115J。同样为了减少土壤和植被冠层背景的干扰，Huete(1988年)提出了土壤调节植被指数(Soil—AdjustedVegetationIndex，SAVI)[116】。Qi等(1994)又提出修正土壤调节植被指数(ModifiedSoilAdjustedVegetationIndex，MSAVI)[117】。在病害遥感探测的研究和实践中，基于植物病害敏感的波谱位置选择或构建一些植被指数用于病害遥感监测。Merzlyak等(1999)和Meaon等(1999)将植被衰老指数(PlantSenescenceReflectanceIndex，PSⅪ)用于植被胁迫诊断，结果表明该指数对植被胁迫较敏感【118’119】；Bravo等(2004)，Yang等(2007)和Naidu等(2009)利用归-化植被指数(Normalizeddifferencevegetationindex，NDVI)对水稻、小麦、葡萄等多种作物和水果进行病害监测‘120，121，122】；Steddom等(2003)利用NDVI、花青素反射指数(Anthocyaninreflectanceindex，ARI)对甜菜病害进行了监测【123】；Zhao等(2004)发现比值植被指数(Simpleratio，SR)，三角植被指数(Triangularvegetationindex，TvI)对诊断小麦病害有较好的效果[124]；Huang等(2005)采用转换型叶绿素指数(mtransformedchlorophyllAbsorptionandReflectanceIndex，TC刽Rj)和优化土壤调节植被指数(OptimizedSoil·AdjustedVegetationIndex，OSAVI)的组合进行小麦病害的监 安徽农业大学博士学位论文文献综述测【125J；Yang等(2007)采用绿度植被指数(Greennormalizeddifferencevegetationindex，GNDVI)和土壤调节植被指数(Soil．adjustedvegetationindex，SAVI)对水稻病害进行监测；Huang等(2007)成功运用光化学植被指数(Photochemicalreflectanceindex，PRI)监测了小麦病害【126】；Naidu等(2009)尝试利用红边植被胁迫指数(Red．edgevegetationstressindex，RVSI)，调节型叶绿素吸收比率指数(Modifiedchlorophyll(a&b)absorptioninreflectanceindex，MCARI)，可见光大气阻尼指数(Visibleatmosphericallyresistanceindex，VARI)，水分指数(Waterindex，WI)对葡萄病害进行了探测和诊断；Devadas等(2009)发现氮反射率指数(Nitrogenreflectanceindex，NRI)，结构不敏感植被指数(StructuralIndependentPigmentIndex，SIPI)，植被衰老指数和归一化叶绿素比值指数(NormalizedPigmentChlorophyllratioIndex，NPCI)能够识别并进一步区分同种小麦病害的不同亚型【lz71。目前，已有50多个植被指数用于植物病虫害、水分和营养状况的识别和诊断研究中，但常用于植物病害监测的植被指数见表4所示。1．4．3．3导数光谱病害光谱特征提取方法导数光谱或光谱微分技术是分析高光谱遥感信息较为常用而且有效的技术。对光谱曲线进行微分处理或采用数学函数估算整个光谱的斜率，由此得到的光谱曲线斜率为微分光谱，也成为导数光谱，可以分为一阶导数和高阶导数光谱。在植被光谱数据分析中，利用光谱微分处理技术可以降低背景噪声和提高重叠光谱的分辨率。在太阳光的大气窗口，探测到的光谱是地物吸收光谱及大气吸收和散射光谱的混合光谱，通常以光谱反射率数据或图像来表征【12引。植物光谱的导数实质上反映了植物内部物质的吸收波形变化。为了正确地解译遥感数据图像，消除大气和背景噪声的影响，从中提取目标物体的特征信息，研究通常使用微分光谱技术。一阶导数光谱肋(五)=觎(五)=里终≤掣(1．1)Z￡l／L二阶导数光谱肋(五)：OOR(,D：型垫b笔辱塑丝(1-2)Z△／L其中以是波段i的波长值、KL以J是波长五j的光谱值(如反射率、透射率等)，△五波长1+l到1—1的差值。分析小麦冠层光谱曲线特征及其导数光谱，具有以下特征：(1)导数光谱曲线能够容易确定光谱曲线拐点、最大值和最小值反射率的波长位置等光谱信息；(2)在光谱变化区域，如植被光谱蓝边、黄边和红边等，导数光谱能够消除土壤背景的干扰；(3)导数光谱对光谱信噪比非常敏感，一般只是在光谱曲线变化区域才能够应用，如近红外反射平台是非常重要的植被特征，但进行一阶导数处理后，该光谱范围的植被信息丢失，只留下噪声信息【l四J。14 安徽农业大学博士学位论文文献综述植被体内的色素、水分和其它干物质的光谱吸收特征，在可见．近红外波段表现为蓝边、黄边、红边等特征光谱变化区域。由于植被生理生化参数的内在差异，其光谱特征区域也表现出相对的变化特征，由此利用蓝边、黄边、红边等光谱位置信息，可以作为反演植物生理生化的参数指标。在光谱曲线导数变换的基础上，进一步提取光谱位置变量信息，即在导数光谱曲线上具有一定特征的位置点(最高点、最低点、拐点等)的波长。因此，衍生了目前植被胁迫遥感监测中常用的红边效应和光谱吸收特征分析技术u30j。Malthus等(1993)通过对受蚕豆斑点葡萄孢感染后的大豆光谱反射率进行研究，结果表明病害侵染程度与可见光反射率一阶导数的相关性比原始光谱反射率更高【l3l】。Adams等(1999)基于大豆黄萎病叶片二阶导数光谱设计了黄度指数，与其他的植被指数相比，黄度指数对大气影响不敏感，且在叶片尺度上能够更好的监测作物受胁迫后的失绿现象【132】。蒋金豹等(2007)利用高光谱微分指数对冬小麦条锈病进行了监测，结果表明红边核心区(725nm．735nm)内一阶微分总和(SDr7)与绿边核心区(520nm．530nm)l为一阶微分总和(SDg’)的比值与病情指数具有极显著线性负相关性，相关系数达到R2=O．921，而且基于微分光谱建立的植被指数对小麦品种不敏感【1331。王圆圆等(2007)对测定的冬小麦红边一阶微分光谱进行分析，以双峰特征随病情指数的变化为基础，设计了两个新型的红边参数：DSr和心，可以分别用来描述红边一阶微分光谱曲线的陡峭度和不对称性【134】。由于植被在红光波段叶绿素的强烈吸收与近红外波段光在叶片内部的多次散射而形成的强反射即红边(680．780nm)。通常作为逆境胁迫中监测植株长势和生理生化指标，是植被光谱中最明显的特征之一。红边位置向长波或短波方向的移动常被用来估测叶片氮素营养状况。目前，描述植被光谱红边特征的参数主要有红边位置(RedEdgePosition，I也P)、红边斜率(Dr)和红边面积(SDr)。红边位置定义为红光范围内反射光谱的一阶导数最大值所对应的光谱位置(波长)；红边斜率(Dr)即红边波段范围内最大的一阶微分值；而最大的一阶微分值对应的波长位置为即红边位置(h)；红边面积(SDr)即红边内的一阶微分值的总和。目前，红边位置的计算有多种方法，比如倒高斯模型、多项式拟合法、四点内插法、一阶微分、拉格朗日法、线性外推法等。Cho和Skidmore(2006)等提出的线性外推法取得了比较满意的拟合效果，解决了红边区域叶绿素含量变化的不敏感性和不连续性的问题【1351。1．4．3．4基于其他算法的病害监测方法随着数学学科的发展、数据挖掘技术和GIS等空间信息技术的发展，结合产生了多种图像或数据的挖掘处理方法，包括分形理论、回归分析法、主成分分析法、偏最小二乘法、支持向量机、独立分离、人工神经网络、元胞自动机和小波技术等技术。Danielsen和Munk(2004)研究藜麦霜霉病光谱反射率特征时发现，谱反射曲线 安徽农业大学博士学位论文文献综述下面积(AURC)和产量之间有极显著的正相关性，相关系数为0．853，高于病害流行曲线下面积(AUDPC)和产量之间的相关系数0．736[1361。Moshou等(2005，2006)结合自组织图(Self-organizingmap)，神经网络(NeuralNetwork)以及二次判别分析(QuadraticDiscriminantAnalysis)在冠层尺度利用光谱图像识别和提取了小麦条锈病的信息[137,138]；刘占宇(2008)运用聚类分析CA、概率神经网络PNN、学习矢量量化LVQ神经网络和支持向量分类机SVC等四种分类方法，开展对水稻不同病虫害的危害等级识别研究，并从分类精度、使用方便程度和消耗时间三个方面来评判分类方法的优劣u39J。靳宁(2009)利用支持向量机对不同严重度的棉花黄萎病进行了识别，取得了较好的识别结果。Yang等(2010)采用主成分分析和交互自组织数据分析技术(InterativeSelf-organizingDataAnalysis，ISODATA)分别在高分辨率多光谱和高光谱航空影像中提取棉花根腐病的发生范卧1401。另外，通过气象要素对农作物病虫害预测预报也是一个重要的研究领域，在实际生产实践中，对指导病虫害防治工作起到了积极的作用。如张瑞英采用方差分析周期外推法，对病区小麦条锈病历史资料进行了分析，筛选出各显著周期，将各周期值外推并叠加，逼近原序列，从而进行预测【1411。胡小平等(2000)禾U用陕西汉中地区近20年的病情、菌量、品种和气象资料，采用逐步回归法筛选影响汉中小麦条锈病流行的主要气象因子，并将其作为BP神经网络预测模型输入，对小麦条锈病的流行程度进行短期预测，结果吻合度较高¨42|。王信群等(2005)禾U用模糊数学原理对玉米二化螟发生程度进行了预测，通过实例说明了该种预测方法的应用价值【l躬J。随着病虫害遥感监测的技术手段不断挖掘创新，作物病虫害监测业务化水平不断发展提高，未来将结合互联网和物联网等网络应用平台，构建主要农作物病虫害监测预报服务系统，作物病虫害的监测预报能力将得到进一步完善提高。1．5小麦白粉病病理生态特征及遥感监的测研究进展1．5．1小麦白粉病病理生态特征小麦白粉病在苗期至成株期均可危害。该病主要危害叶片，严重时也可危害叶鞘、茎杆和穗部。病部初产生黄色小点，而后逐渐扩大为圆形或椭圆形的病斑，表面生一层白粉状霉层(分生孢子)，霉层以后逐渐变为灰白色，最后变为浅褐色，其上生有许多黑色小点(闭囊壳)。一般叶片正面病斑比反面多，下部叶片多于上部叶片。病斑多时可愈合成片，并导致叶片发黄枯死。发病严重时植株矮小细弱，穗小粒少，千粒重明显下降，对产量影响很大。病原菌学名：有性态为禾本科布氏白粉菌Blumeriagraminisp刨Speer．fsp．triticiMarchal，异名为ErysiphegraminisDC．f．sp．triticiMarchal，属子囊菌亚门布氏白粉菌属；无性态为串珠状粉孢菌Oidiummonilioides。 安徽农业大学博士学位论文文献综述病原形态：病菌为表面寄生菌，菌丝生于寄主体表，无色，仅以吸器伸入寄主表皮细胞。菌丝上垂直生成分生孢子梗，基部膨大成球形，梗上生有成串的分生孢子，一般可有6、7个乃至10多个。分生孢子卵圆形，单胞，无色，大小为25-309rnx8一1％m。分生孢子寿命较短，其侵染力只能保持3-4天。病菌的闭囊壳：病斑霉层内的黑色小颗粒，闭囊壳为球形，黑色，直径135．280pro，外有发育不全的丝状附属丝。闭囊壳内含有子囊9．30个。子囊为长椭圆形，内含子囊孢子8个或4个。子囊孢子椭圆形，单胞，无色，大小为20．23Ⅳnxl0．13¨xn[144J。病原生物学：白粉病菌对湿度和温度的适应范围很广，在相对湿度O．100％之间分生孢子均可萌发，一般湿度越大，萌发率越高，但在水滴中反而萌发率下降。分生孢子在O．5．30℃之间均可萌发，以10．17。C最为适宜。直射阳光对分生孢子萌发有抑制作用，因此在植株郁闭，通风透光不良或阴天时发生较重。分生孢子不耐高温，夏季寿命很短，一般只有4天左右。在温度为10．20℃条件下，子囊孢子形成、萌发和侵入都比较适宜。病原菌生理分化：病菌属于专性寄生菌，只能在活的寄主组织上生长发育，小麦白粉病菌主要危害小麦。大麦白粉病菌(B．graminisfsp．hordei)也不侵染小麦。据报道，在温室人工接种条件下，小麦白粉病菌可侵染鹅冠草属(Roegneria)、披碱草属(Elymus)和冰草属(Agropyrum)的一些种。小麦自粉病菌内生理分化现象十分明显，国内选用9个鉴别寄主并采用8进制编码命名生理小种，已鉴定出生理小种70多州1451。1．5．2小麦白粉病遥感监测研究的应用进展小麦白粉病是我国小麦生产中主要的病害之一，病害发生时，单叶尺度和冠层尺度均表现出一定的特征信息，能够通过高光谱特征表征和解译，适合于采用遥感方式进行的监测技术研究。Lorenzen和Jensen(1989)就在温室条件下对大麦白粉病叶片进行光谱反射情况的研究，结果发现接种3天后，光谱反射率无明显变化，而在接种6天后，感病品种可见光波段(422．712nm)的光谱反射率就明显增大，近红外波段的放射率在接种10天后才表现出明显减小【146l。据此认为，在单叶受白粉病侵染后，可见光波段较近红外波段更适宜于病害的早期诊断。乔红波(2004)采集了郑州、北京地区不同程度的小麦白粉病冠层光谱，定性分析并初步建立了白粉病光谱和病情指数之间的关系【1471。Graeff等(2004)通过对温室条件下小麦白粉病叶片的徕卡图像分析发现，490．780hm、510．780hm、516．1300nm和540-1300nm波段的反射率均与叶片上小麦白粉病的发生程度有极显著的关系，决定系数(R2)分别为0．69、0．74、O．62和0．60，其中490．780nm是白粉病监测的最敏感的波段【1481，这与Lorenzen和Jensen(1989)对大麦叶片受白粉菌侵染后的研究结 安徽农业大学博士学位论文文献综述果一致。乔红波和周益林(2006)获取Td,麦白粉病冠层光谱和低空遥感数字图像，研究表明，地面高光谱数据与病害程度之间具有更高的相关性，而且利用低空遥感数字图像也能够建立一定精度的相关关系。同时，该实验还表明，小麦白粉病在灌浆期最易被识别[1491。Franke和Menz(2007)利用2个不同生育时期的QuiekBird遥感影像，分析结果表明，高分辨率的多光谱数据可用于田间病害发生程度的分类研究，但在早期诊断中的准确率不是很高【150]。Mewes等(2010)对小麦白粉病监测研究中航空遥感的数据要求进行了研究，结果发现，多光谱数据是可以用于小麦白粉病的监测研究，而且用少数直接相关的波段可以提高监测结果的准确性【l”J。1．6作物病害遥感监测研究中存在问题小麦白粉病是我国小麦生产上的主要病害之一，加强病害监测和预报对于指导病害防治和粮食丰产具有十分重要的意义。目前，针对作物病虫害的监测与预测研究有过较多报道，研究已经逐步从单叶尺度、冠层尺度发展到低空遥感和卫星遥感水平，已经从定性研究发展为数学模型的定量化和监测定位阶段，并取得了阶段性成果。由于作物种类的多样性和植物病理学的复杂性，以及遥感技术领域的前瞻性，作为多学科、多领域的交叉研究存在较大的跨度和难度，在实际研究中仍然存在诸多亟待解决的问题。因此，研究分析当前遥感监测病害所面临的问题和难度有利于提高遥感监测作物病害的精度和现实应用水平。(1)交叉学科领域的认识能力有限。农作物的病害发生发展属于生理学和植物病理学的研究范畴，在现实的研究中，农学和植保专家对此开展了大量深入的研究，具有较高的认识能力和研究深度。由于内外多种因素驱动表现，作物病害的发生与流行涉及到气象，地理、生态等多学科的知识，在多学科交叉领域的研究上存在一定的滞后性。而利于遥感技术监测作物病害则涉及到农学、植保、气象和遥感等多领域多学科，在认识能力和研究方式方法上存在一定的不足，难以做到全面深入的研究。为此，加强多学科、多领域的交叉方向的深入研究对于提高作物病害的遥感监测和应用能力将是积极的探索。(2)对作物逆境胁迫类型光谱特征的专属性认识欠缺。目前，作物病虫害胁迫、养分胁迫、干旱胁迫等逆境胁迫的专属性光谱特征集、光谱库及其他信息知识库不完备。研究作物病虫害发生发展的生理生态特征、病理学属性、气象要素和病虫害流行特点等知识信息，结合光谱学响应特征，建立作物不同病虫害专属特征模型知识库，将有利于提高作物病虫害的分类识别及严重度监测，有利于解决作物不同胁迫类型造成的“同谱异物"和“异物同谱”的难题，为遥感监测作物不同病虫害胁迫及严重度识别提供理论支持。(3)需建立适宜遥感应用价值的植被病虫害评价标准体系。植物保护学主要依 安徽农业大学博士学位论文文献综述据病虫害个体的表现特征和病理学特征建立了一批病虫害危害调查等级标准，而这些标准往往与遥感尺度监测方式方法上存在不一致，难以满足遥感监测与应用的要求标准，因此，需要制定适宜遥感监测与应用研究的作物病虫害分类分级评价标准体系。比如，小麦白粉病的植保评价标准是建立在人工识别和调查的基础上，主要来源于植株个体信息，而遥感信息主要是小麦白粉病害危冠层的混合信息，两者间信息的来源和提取方式存在不一致，难以沿用植保领域传统的病虫害评价指标。(4)多时相遥感影像有利于大尺度作物病害监测。作物病虫害的发生发展在光谱特征上表现出相对于正常特征的偏离，而部分光谱特征在时间维的信息特征更有利于对病虫害的遥感监测应用。早期的星载遥感数据难以同时满足空间分辨率和时间分辨率的要求，近年来随着如环境减灾卫星等一些中分辨率高重访周期数据的出现，对病虫害的遥感多时相监测提供了重要契机。作物病虫害发生阶段，多时相数据的获取，时间维信息的提取，遥感时空信息与病虫害发生发展间关系的建立将是病虫害遥感监测应用领域的重要研究思路。(5)多源数据、多种方法手段配合使用协调监测病虫害。作物病虫害遥感监测除了传统光学数据外，还应该积极探索尝试结合多种技术手段和方式，比如：主动光学技术、热红外数据和荧光数据等多源信息，结合病虫害发生发展特点挖掘提取信息特征，进行综合分析利用与建模反演。区域尺度的病虫害遥感诊断和监测可利用主动光学遥感探测，降低遥感数据对时相、气象要素的依赖。热红外遥感和荧光遥感能够捕捉作物瞬时的生理状态信息，因此可以获得多角度、多层次的病害有效信息，并在作物病虫害遥感监测领域已有相关研究报道。近年来，热红外遥感和荧光遥感的硬件技术设备不断研制创新，其技术研究的深度和数据挖掘等方面却仍有待进一步研究明确，在大面积应用上仍有待进一步提高精度。1．7研究目的与意义作物病虫害的频繁发生和流行，除了与作物品种、栽培措施和气象要素等相关外，大面积的预警监测手段和落后的评估方法也是主要诱导因素之一。目前，我国作物栽培和植保部门对病虫害发生的监测预报基本仍是以目测手查、田间取样等方式为主。即根据当地品种布局、栽培措施、作物长势、越冬菌量、气候要素条件和病情的增长速度，感病阶段气象预报等做出预报。传统的人工查验方法，其以点代面的工作模式具有较好的真实性和可靠性，但是该方法不仅费时、费力，且存在代表性、时效性差和主观性臆断等弊端，容易在非监测区、非典型特征区发生遗漏或误判，造成病虫害的扩散和流行，因此，为了克服传统观测方法的局限性，研制适宜于大面积、有效的监测病虫害的新技术、新方法意义重大。因此，通过实时、准确地获取病虫害的发生程度及空间分布特征，为制定高效合 安徽农业大学博士学位论文文献综述理农药施用方案，指导农药喷洒时间、地点和用量提供可靠依据。从而有效减少用药量，降低生产管理成本，减少农药对生态环境造成的负面效应。从国家和地区的农业宏观管理和决策制定来看，特别是病虫害发生致灾情形，及时、准确地掌握病虫害的发生流行和严重程度等信息可以为有关部门在制定粮食安全政策、农业保险理赔和灾害应急预案提供合理依据。本研究总体上涉及小麦白粉病叶片、冠层及区域这三个遥感监测尺度的问题。根据已有研究在小麦白粉病病害上研究的进展情况以及数据的收集情况，在叶片和冠层尺度上主要关注小麦白粉病的光谱响应机制和遥感监测方法，筛选病害监测的专属性光谱特征并探讨其机制。在地块和区域尺度上，一方面基于我国近年发射的中分辨率高重访周期的环境小卫星光学影像，开展多时相小麦白粉病监测方法研究。 安徽农业大学博士学位论文试验设计与数据处理2．1小麦白粉病单叶尺度病情监测实验2．1．1实验目的叶片尺度的小麦白粉病高光谱监测实验是小麦白粉病冠层监测和遥感监测研究的理论基础。在小麦白粉病初发期和盛发期，通过获取不同接种控制处理的叶片光谱，考察叶片尺度病情严重度、叶绿素含量、氮平衡指数等指标，研究白粉病危害叶片的光谱特征及机理；提取小麦白粉病高光谱敏感特征，评估小麦叶片病害严重度，构建基于叶片尺度的白粉病病情严重度估测模型。2．1．2数据获取及预处理试验于2011、2012两年度在北京市昌平区小汤山国家精准农业研究示范基地进行，供试品种为高感白粉病品种京双16，试验设8个处理。实验田白粉菌分别于2011年4月5日和2012年4月2日接种，于孕穗期(2011年4月30日和2012年4月25日)以有效用量300、240、120、60、30、15、59／hm2三唑酮及清水对照控制白粉病，形成不同发病等级。小区种植密度300万苗／hlTl2，行距20cm，其余管理措旋同大田。2．1．2．1样本采集试验小区白粉病盛发期(抽穗期)，在各小区内选择小麦白粉病不同发病等级的叶片(倒二叶)作为实验材料。叶片病级分类依据病叶上病斑菌丝层覆盖叶片面积占叶片总面积的不同，分别用5％、10％、20％、40％、60％、80％、100％表示，取无发病迹象叶片作对照(以O％表示)，共分为8个等级。2．1．2．2叶片光谱数据获取采用美国ASDFieldSpecProFR2500便携式光谱仪与ASDLeafClip测试夹耦合测定小麦白粉病单叶光谱反射率。单叶光谱测试夹自带模拟光源，可在密闭环境下测定，操作稳定，测量误差dXll52,153】。本文单叶光谱测量分中上部、左基部和右基部各测2次，每次测定5条光谱曲线，取平均值作为该叶片的光谱反射值。每次测量前后均用ASDLeafClip内置标准参考白板进行校正。本实验中共获取100个单叶样本数据。2．1．2．3生理生化参数测定叶片含水量测定：采用烘干称重法。获取一定病害等级的叶片，用电子天平速称叶片鲜重，然后用烘箱105"C杀青30分钟，80"C时烘干至恒重，利用公式(2．1，2．2)计算叶片含水量。叶片含水量(％)=堕生兰壁斋簧告毫}掣×·oo(2-1) 安徽农业大学博士学位论文试验设计与数据处理叶片相对含水量c％，=辞筹翟磊警鼍言兰鲁耥×t。。(2-2)叶绿素含量(SPAD)测定：氮是植物生长发育必需的大量元素，是肥料三要素之一，主要构成植物体内的蛋白质、核酸、叶绿素、植物激素等重要物质。小麦叶片受白粉病菌侵染后直接或间接的危害可能都会引起叶片叶绿素含量和氮含量的变化。因此，研究病害叶片的光谱响应机理，测定不同病害等级叶片叶绿素含量和氮含量[154,155】。采用SPAD．502型叶绿素仪测量得到叶绿素相对含量值，可以作为叶片叶绿素含量值直接应用，也可根据同步测定的叶绿素含量标准曲线由SPAD值推算叶绿素含量。测定方法：每张叶片分叶尖、中部和叶基部三个部位进行测量，各部位测3次，共测量9次。将这9次测量值平均作为该叶片SPAD叶绿素含量。SPAD．502叶绿素仪通过测定叶片在两个波长区域光学浓度差异方式来确定叶片当前叶绿素的相对含量。这两个区域分别是红光区(对光有较高的吸收且不受胡萝卜素的影响)和红外线区(对光的吸收极低)。植物氮平衡指数测量仪(Dualex4)：法国force—a公司以及国际研究中心通过15年来对植物多酚、叶绿素荧光光谱的研究，应用植物荧光技术成功研制出Dualex4植物氮平衡指数测量仪，与其他同类型仪器相比，该仪器提出了更为准确的氮肥控制方法参数——氮平衡指数NBI，仪器同时还测量了多酚和叶绿素的含量，在植物发生氮肥亏缺的早期就可以发现情况，避免错过最佳施肥时间。植物氮平衡指数测量仪(Dualex4)以双重激发叶绿素荧光计算植物表皮紫外光的吸收比率来评估植物类黄酮的含量，利用反馈电路完全消除了可变叶绿素荧光的影响，使红光诱导的荧光水平和紫外光诱导的荧光水平相等，以获取类黄酮含量(Flav)，通过近红外波段两个波长的激发光不同透射率比来评估叶绿素含量(Chl)，通过测定叶片叶绿素含量与类黄酮含量的比值来评估NBI指数【”61。其表达公式为：砌州。g嚣等C向，=TransNIR2一TransNIR、NBI：盟Fla、}TransNIR、其中，同汐R：参比光源激发的远红光荧光强度；职FW：紫外光激发的远红光荧光强度；Trans—NIRI：近红外波段透射率(2-3)(2-4)(2—5) 安徽农业大学博士学位论文试验设计与数据处理TransNIR2：红光波段透射率叶片Dualex4参数获取时，选择天气晴朗的上午9：oo．11：oo时，测定各不同病害等叶片，测量时取叶片的下部、中部和上部的平均值，最后取总平均值为单叶测量值，测量时避开叶脉。由于仪器单次测量面积较小，为了确保数据的可靠性，单叶需要多次重复测量，本实验单叶测量15次。2．1．2．4成像荧光数据获取基于调制叶绿素荧光技术，用调制脉冲荧光成像分析仪(Imaging．PAMMini．version：24×32mm)，通过叶绿素荧光诱导动力学曲线和快速光响应曲线测定了不同病害等级的小麦叶片。样品暗适应30rain以弱调制测量光(3．79mol·m-2．s-1)测定初始荧光F0(minimalfluorescence)；以强饱和脉冲(SP)激发后测量最大荧光Fm(maximumfluorescence)，光化光下的最大荧光记为Fm’；重复5次。Y(II)为PSII光化学能量转化的有效量子产量：Y(II)=(Fm，-F)／Fm’，其中F为实时荧光(fluorescenceyield)，通过将饱和脉冲之前0．2s内的荧光进行平均获得n57，158，1591。PSII相对电子传递速率按公式rETR=(Fm’．F)／Fm’·PAR·0．5·Abs，其中PAR为光合有效辐射(photosyntheticactiveradiation)，O．5为光能在PSII的近似分配系数，Abs为吸光系数。rETR随光合有效辐射PAR变化的曲线，称为快速光曲线(Rapidlight．responsecurves，RLC)。设置15个PAR梯度：l、21、4l、76、134、205、249、298、371、456、581、726、923、11761amolm之S。1和1466pmolm'2s"1，每个梯度持续10s。依据公式P=Pm·(1-exp(-∞PAR／Pro))·exp(-p·PAR／Pm)拟合快速光曲线，其中Pm为最大潜在相对电子传递速率，0【为快速光曲线的初始斜率，p为光抑制参数，半饱和光强Ik=Prn／st(郭峰，2009)[160,161】。对拟合方程进行一阶求导得到曲线斜率方程，来表征快速光曲线的动态变化，记为ctRLC=P7(PAR)。2．2小麦白粉病冠层尺度病情监测实验2．2．1实验目的通过测量不同病害等级的冠层光谱，调查记载相应区域的病情指数，明确小麦白粉病冠层光谱响应特征和机理，找出对白粉病危害冠层光谱的敏感波段，并尝试构建不同病情指数光谱定量反演模型，为高光谱遥感监i贝mJd,麦白粉病冠层特征奠定理论基础。2．2．2实验设计与数据处理试验于2011、2012两年度在北京市昌平区小汤山国家精准农业研究示范基地进行，供试品种为高感白粉病品种京双16，试验设8个处理。实验田白粉菌分别于2011年4月5日和2012年4月2日接种，于孕穗期(2011年4月30日和2012年4月25日)以有效用量300、240、120、60、30、15、59／hm2三唑酮及清水对照控制白粉病， 安徽农业大学博士学位论文试验设计与数据处理形成不同发病等级。小区种植密度300万苗／№2，行距20cm，其余管理措施同大田。2．2．2．1样本采集小麦抽穗期(2011年5月10日)是试验小区白粉病盛发期，在各小区内选择小麦白粉病不同发病等级的叶片(倒二叶)作为实验材料。叶片病级分类依据病叶上病斑菌丝层覆盖叶片面积占叶片总面积的不同，分别用5％、10％、20％、40％、60％、80％、100％表示，取无发病迹象叶片作对照(以0％表示)，共分为8个等级。2．2．2．2叶片光谱数据获取病害接种显症后每隔5天测定发病区和对照区的冠层光谱，同时对测定点取样，进行室内生化参量的分析。采用美国ASD公司产ASDFieldSpecProFR(350nm．2500nm)型光谱仪测定。采样间隔在350nm．1000rim范围内为1．4nm；在1000nm．2500nm范围内为2nm。光谱分辨率在700nm为3nm，1400nm与2100nm为10nm。观测时将探头垂直向下，高度始终保持离地面1．3m，探头为250视场角，地面视场范围直径为50cm。每小区测量20次，每次测量前后均用标准参考板进行校正，之后通过反射率值和DN灰度值转换公式(2．6)计算出目标物的反射率值，将20次反射率值平均以表示该区域冬小麦冠层光谱反射率值。嘛腓=袅屿搬射率(2-6)式中R目标反射率即通过参考板反射率求得的目标冠层光谱反射率数据，DN目标表示由田间测得的小麦目标冠层光谱DN灰度值，DN参考板表示由光谱仪在田间与目标准同步测量的标准参考板DN灰度值，R参考板反射事则是经标定已知的标准参考板反射率值。2．2．2．3生理生化参数测定小麦白粉病病情指数获取：获取小麦冠层地面光谱后，立即进行一次病情指数的调查。因为在病害遥感监测研究中病情指数信息通常要与光谱数据相结合，所以调查面积不宜过大，约1平方米，否则光谱数据不能准确反映相应的地面病情信息。对调查区的病情调查主要采取五点调查法，即每块调查区选取对称的五点，每点选取20株小麦，分别调查其发病情况，将严重度分为9个梯度，即：O％、1％、10％、20％、30％、45％、60％、80％和100％，分别记录各严重度的小麦叶片数，然后利用公式(2．7)计算病情指数(DI)，通过公式(2—8)计算田间病叶率DLR。D础)：型乓掣×100(2．7)力×>r√r一式中，X为各梯度的级值，n为最高梯度值为9，f为各梯度的叶片数。 安徽农业大学博士学位论文试验设计与数据处理DLR(％)：厶‘芹J鱼竺×100(2—8)乙f式中，f为各梯度的叶片数，fo为严重度为0％的叶片总数。另外，在调查区内取不同严重度小麦叶片为供试材料进行单叶严重度计算时，其单叶发病严重度按受害面积占整个叶片面积百分数划分等级。非接触式植物多酚和胁迫测定：Multiplex3是一款手持式非接触测量叶片，果实等自身荧光的多参数测定仪。可以在野外进行简单快速测量。LCD触摸式显示屏为用户提供友好的操作界面，可以实时显示数据。经过15年植物自身荧光的研究，Multiplex3可以对作物生理状态提供准确全面的信息。植物多酚是一类广泛存在于植物体内的多酚类物质，在植物中的含量仅次于纤维素、半纤维素和木质素，主要存在于植物的皮、根、木、叶、果中。植物多酚在自然界的储量非常丰富，含多酚较多的常见植物超过600种，在某些针叶树皮中多酚含量达20％．40％。对植物多酚进行研究可以做为植物光合、叶绿素荧光等研究的补充，也可以进行植物多酚开发利用等研究。在国内相关的研究较少，而且仅仅局限于银杏、茶叶等少数植物，对植物多酚的研究不但可填补国内相关研究的空白，而且更有利于这种新资源的充分利用。此外，多酚与叶片氮(N)的浓度有显著的相关性。当植物叶片发生胁迫，特别是当营养元素减少而限制了植物生长时，多酚的含量会显著的增加。当N限制植物生长时，根据营养平衡假说，碳水化合物会聚集在植物组织内，碳水化合物浓度的增加导致了多酚和萜烯含量的增加。仪器垂直方向与小麦冠层，测量孔径为10cm，测量时将仪器传感器端靠近小麦冠层顶部，以保证传感器和冠层之间距离为10cm，同时要求冠层病害区域尽量对准测量孔，每个测量点测定10次，以平均值来表示该区域Multiplex指标。2．2．2．4独立分量算法Hyvarinen等提出FastlCA算法，其基本原理是非高斯性最大化，采用固定点(Fixed-point)法求分离信号W1x的非高斯性最大值。非高斯判据函数为：，(少)∞[E{G(少))一E{G(v))]2(2—9)其中，，(y)为Y的负熵，G(·)为非线性、非二次的偶对称函数。采用ICA算法对信号分离之前需要进行预处理，预处理包括对信号进行中心化和白化处理。可简化计算过程，减少待估计的参数量，进而可提高算法的运行效率【162,163]。FastlCA算法的具体步骤：(1)利用固定点算法的迭代公式：Wk+。=E{xg(w；x))_·E{g’(％Tx))％随机选择初始25 安徽农业大学博士学位论文试验设计与数据处理权值矢量W。，k=0。基于迭代方程更新权值矢量w㈧(2)归一化处理％+l，Wk++l=Wk+l／“w,+l|I(3)如果J以“一wk+J>s，算法不收敛，返回步骤(1)，否则，由FastlCA得到一个独立分量，算法结束。(4)为了确保提取不同的独立分量，在每次提取一个分量后，必须将此分量从观测信号中去除，直到所有分量全部提取。其去除公式为：kWk圹wk+l-∑嵋。MMJ=1心+l2Ⅵ+1／√％1+lU+lJ巾(2-10)式中wk+l是第k+1次迭代的效果。红边位置提取：Cho等提出的线性外推法能减小由于导数光谱中的多峰现象引起的红边位置(REP．LEM)的不确定性，因此，本研究拟采用该方法对红边位置进行提取。线性外推法是基于红边区域一阶导数反射光谱两条直线的线性外推，红边位置为两条直线交点处波长值。远红光区(680．700nm)直线：FDR=ml卅Ci近红外区(725．760nm)直线：FDR=m2X+C2‘其中，FDR表示一阶导数值，m和c表示直线斜率和截距。线性外推法红边位置(I也P．LEM)可以表示为：(2-11)偏最小二乘法(PLS)：设病情指数DI为因变量，RIC、REP．LEM和NIRIC参数为自变量，观测点数n=48，构建单一因变量的偏最小二乘回归模型。由自变量和因变量中提取成分tl和u。，并满足以下两点要求：(1)tl和u】应尽可能表征各自数据表中的变异信息；(2)tl和ul的相关程度能够达到最大。第一个成分t1和u1被提取后，偏最d'-乘回归的自变量和因变量分别对tl和ul回归，如果精度理想，则算法终止；否则，将利用自变量被t1解释后的残余信息及因变量被Ul解释后的残余信息进行第二轮的成分提取。如此反复，直到获得一个较满意的精度为止。若最终对自变量提取m个成分tl，t2⋯tm，偏最小二乘回归将实施因变量对tI，t2⋯tm的回归，然后再表达成病情指数DI与自变量RIC、REP-LEM和NIRIC的回归方程，至此偏最小二乘回归建模完成。 安徽农业大学博士学位论文试验设计与数据处理2．3基于多时相遥感数据小麦白粉病遥感监测试验2．3．1实验目的为了研究区域尺度的小麦白粉病严重度监测及相关模型构建，首先数据源需要较高的时间分辨率遥感影像来进行监测。2008年中国成功发射了HJ卫星，其HJ卫星是我国为环境监测与灾害损失监测而自主研发的小卫星星座。其搭载的CCDs传感器包括蓝、绿、红和近红外四个波段的多光谱数据，其波段波长等参数与Landsat．5TM的前四个波段近似。HJ．1CCDs既有与TM一致的高空间分辨率又有与MODIS一致的高时间分辨率，这种优势非常有利于病虫害遥感监测与作物长势的评估。2．3．2实验概况本研究的试验区选在位于河北省中南部藁城市、晋州市和宁晋县。小麦白粉病的在田间通常成片发生，是卫星遥感监测的理想病害类型。根据气象部门、植保部门预报经验以及历年小麦白粉病的发生情况，该地区属病害易发生地区。同时，该地区小麦种植结构相对简单且地块面积较大，较适合应用中分辨率遥感数据进行病害监测。调查时段根据植保部门监测经验以及病害冠层规律，选择在2010年4月30日．6月20日期间进行调查，包含小麦生长的孕穗期、抽穗期、开花期和灌浆期等关键生育时期，也是小麦白粉病田间症状初起至表现严重的关键时期。根据历年经验，小麦白粉病在该段时期的症状发展迅速，且基本发生发展规律为冠层底部向冠层中上部发展。同时，分别获取了该区域两个时期的环境星影像，获取时间分别为：2010年5月20日(小麦开花期)和2010年6月10日(小麦灌浆期)。地面样点取样时，主要依据当地植保技术人员传统的经验调查进行。遥感影像同步的地面调查数据的获取对模型的训练和验证有重要意义。地方植保技术专家在全市范围内布点调查，获取一套与遥感影像配套的地面调查数据，针对所获取的HJ．CCDs影像的2个时期，在研究区内一共开展了4次调查。因为其空间分辨率为30mx30m，因此选取的小麦种植区样点必须为直径超过30m的连续种植区域。调查时，地块取样采用五点取样法进行调查，样本主要调查内容为该区域内小麦的发病面积和病情程度，同时记录调查区域内小麦的品种、株型、种植密度和地块差分GPS信息。2．3．3影像数据的预处理：获取研究所需的各景影像后，首先要对影像进行预处理，本研究的影像预处理主要包括大气校正、几何校正和影像切割等。影像预处理是小麦白粉病区域尺度遥感监测研究的基础，影像的处理结果影响最终的研究结果，因此，本研究对预处理中某些重要的环节进行了特殊的处理和要求。①大气校正： 安徽农业大学博士学位论文试验设计与数据处理由于环境星多光谱数据饵J．CCD)波段缺少短波红外波段，首先进行辐射定标，辐射定标采用下式进行：三：型+L0(2．12)其中，三是辐亮度，a是绝对定标系数，三D是偏移量。辐亮度转换后单位转换为W．m≈．J，．～．um～，其中，可以在原始影像中的头文件提取波段的增益与偏移量。将影像辐射亮度转换为反射率需要对图像进行大气校正处理。由于在大范围应用中难以获得准确的大气参数，因此本论文采用了Liang等(2001)提出的暗物体法(darkobjectmethods)改进算法对影像进行校正。该方法通过创建查找表(100kuptable)，估算气溶胶光学厚度，邻近效应校正，以及地表反射率反演等过程够较准确地反演影像区域内气溶胶空问分布，故可有效减弱大气环境差异对光谱的影响【164,165】。②几何校正：影像的几何校正以一景经过差分GPS控制点校正后的研究区航片为参考影像，对获取的HJ．1BCCD影像进行精校正，确保几何校正精度优于0．5个像元。对各景影像进行大气校正和几何精校正后，为了减少影像的后期处理和运算的速度和效率，从各景影像上裁剪了合适的研究区进行后期的分析处理。 安徽农业大学博士学位论文小麦白粉病光谱特征与生理参数研究3、小麦白粉病光谱特征与生理参数研究3．1病情严重度与有关参数间的关系研究植物光谱特征及其影响因素是植物高光谱遥感应用的基础，所有的绿色植物包含的组分基本相同：叶绿素和其它色素(胡罗卜素、叶黄素等)、水、蛋白质、淀粉、木质素和纤维素等结构化的生物化学分子。在不同的生长状态或逆境胁迫下，各个组分的含量会发生变化，从而造成植物吸收和反射光谱间的差异；反之，获取的目标地物光谱数据和图像，通过分析提取光谱信息特征，可以实现地物定位、定性和定量化分析，作为地物光学遥感监测的基本依据。小麦叶片在白粉病菌侵染后，其茎秆、叶片等生理部位会在不同光谱波段上表现出不同程度的吸收和反射特性，即病害光谱响应。通过同步获取小麦有关生理参数，建立小麦叶片色素、氮含量和水分含量与病情严重度间的关系，将为小麦白粉病严重度反演与监测提供一定的理论基础。3．1．1病情严重度与色素含量间的关系叶绿素是绿色植物进行光合作用的主要色素，在光合作用和能量供应上起到核心作用。光合作用过程中起吸收光能作用的色素有叶绿素a(Chla)、叶绿素b(Chlb)和总叶绿素含量(Chla+Chlb)。植被色素含量与其光合能力、发育阶段和营养状况有较好的相关性，它们通常是植被环境胁迫、光合作用能力和植被发育阶段的指示器。叶绿素密度是叶片叶绿素含量与叶片生物量的乘积，不仅包含了小麦叶片个性叶绿素信息，又包含了群体生物量信息，集中反映植株光合作用能力。不同病情严重度下的叶绿素含量、叶绿素密度变化如图4和图5所示，由图中可以看出，随着病情严重度的增加，叶绿素a、叶绿素b以及总叶绿素含量均降低；方差分析结果表明，小麦白粉病病情严重度与叶绿素含量、叶绿素密度间的差异达到显著或极显著水平。叶片色素含量的降低是叶片受到破坏，个体衰老加快的主要标志，表明小麦叶片受白粉菌侵染后，叶绿素含量显著降低，影响叶片光合生产能力，导致产量和品质降低。叶绿素a、b及总叶绿素含量分别与其病情严重度进行线性回归分析(图4)，结果表明，叶绿素含量与病情严重度间都存在极显著的负相关关系，决定系数达到0．8466以上。由线性回归模型的斜率可以看出，叶绿素a、叶绿素b及总叶绿素的斜率分别为．0．0439、．0．0168和．0．0607。 安徽农业大学博士学位论文小麦白粉病光谱特征与生理参数研究6-‘．善。＼1奢4◆dalb二二：；《．童‘f1n02040∞80100癫僖指氛∞图4．病情严重度与叶绿紊含量I司的关系Figure4．Therelationshipbetweendiseaseseverityandchlorophyllcontent叶绿素a、b及总叶绿素密度分别与其病情严重度进行线性回归分析(图5)，结果表明，叶绿素密度与病情严重度间都存在极显著的负相关关系，决定系数达到0．9725以上。由线性回归模型的斜率可以看出，叶绿素a、叶绿素b及总叶绿素的斜率分别为．0．0003、．0．0001和．0．0004。图5．病情严重度与叶绿票罾度I司的关系Figure5．Therelationshipbetweendiseaseseverityandchlorophylldensity3．1．2病情严重度与全氮含量间的关系小麦自幼苗至成株各生育阶段均可受白粉菌的侵害。其侵染部位主要是叶片。早期发病的植株，看不到明显的症状。随着病情的发展，在叶片上开始出现黄色小点，而后逐渐扩大为近圆形或椭圆形的病斑，表面复有一层白粉状霉层，发病严重时，病斑连成一片形成大片白色至灰色霉层。一般叶片表面比背面发生重，下部叶片比上部叶片受害重，霉层厚度可达2l'nrll左右。自接种小麦白粉菌后，病原菌己对光合机构的结构和功能造成一定损伤，导致叶片光能转化效率和光合速率锐减，影响植株吸收营养的能力，大大削弱了叶片生产、分配和输出光合产物的功能。获取不同病情严重度叶片全氮含量，建立叶片全氮含量与病情严重度间的线性关系，如图6所示。结果表明，病情严重度与叶片全氮含量间具有极显著的负相关关系(《=O．8655)。因此，随小麦白粉病侵染程度的加重，病情严重度逐渐增加，导致叶片全氮含量显著降低，从而使小麦籽粒因灌浆不足，碳水化合物积累受阻而形成空粒或瘪粒，这是导致小麦穗小、粒轻、减产的主要原因。 安徽农业大学博士学位论文小麦白粉病光谱特征与生理参数研究020406080100霸持指最∞图6．病情严重度与叶片全氮含量间的关系Figure．6．Therelationshipbetweendiseaseseverityandleaftotalnitrogencontent3．1．3病情严重度与SPAD、NBI间的关系SPAD叶绿素仪作为一种快速测定作物叶绿素水平及快速诊断作物氮素水平的工具，得到很多专家的认可和推广，并在小麦、水稻、玉米等作物氮素营养诊断中得到应用。Dualex是一种新型便携式叶片测定仪器，以双重激发的叶绿素荧光测定叶表面紫外吸收率(375nm)来评估叶片多酚化合物。该仪器利用反馈电路完全消除了可变叶绿素荧光的影响，使红光诱导的荧光水平和紫外光诱导的荧光水平相等，可实现田间的快速测定，还具有实时、简便、不破坏植株生长等优点。SPAD值和Dualex值均与叶片氮含量显著相关。L09‘矾帕％60％麟10喊膏蕾，ll茇∞图7．病情严重度与SPAD值间的关系Figure7．TherelationshipbetweendiseaseseverityandSPADvalue叶片SPAD值随与植株叶片组织的叶绿素含量呈极显著正相关，可以作为判断叶片中叶绿素含量的高低。获取不同病情严重度的叶片SPAD值，如图7所示。病情严重度与SPAD值呈显著负相关，其决定系数达到0．9257。氮平衡指数测定仪Dualex可以获取叶片的叶绿素相对含量(Chl)、类黄酮含量(Flav)和氮平衡指数(NBI)。当植物受到病原真菌或细菌侵染时，类黄酮可作为植保素在植物体内积累，并且其含量与植物受到病害程度和损伤呈显著正相关性，如图8所示。叶片病情严重度与Chl、NBI指标呈显著负相关(RChl=．0．768*，RNBI一0．632*)，叶片病情严重度与Flav呈显著正相关(RFI甜=0．727木)。因此，随着叶片病情危害程度的加重，叶片叶绿素含量和氮素含量均表现出逐渐减小的趋势，这一结论一方面可以通过便携式Dualex测量的Chl值、Flav值来快速 安徽农业大学博士学位论文小麦白粉病光谱特征与生理参数研究反演叶片病情严重度，另一方面，以小麦A粉病高光谱试验研究为基础，建立小麦A粉病叶片高光谱反射率与Chl值、Flav值的校正模型。这样可以对单独测定的Chl值、Flay值做校正，也可以利用高光谱数据对Chl值、Flav值进行预测，作为病害等级分类或其他分析中的辅助指标。图8．病t胃严重度与Dualex指标间的关系Figure．8．TherelationshipbetweendiseaseseverityandDualexindicators以建立NBI指标的校正预测模型为例。将获取的160个样本数据进行Savitzky．Golay平滑和标准差标准化(Zero．meanNormalization)等预处理，经PLS分析得到残差(Press．6)样本，如图9所示。以IPress．6I<5进行剔除异常样本，残差图显示49#、148#和156#为异常样本。样本剔除后剩余157个样本，将分为两组，一组112个用于PLS回归建模，一组45个用于精度检验，第一组数据中病害等级分布均匀。图9．样本残差图分析(NBI，n=160)Figure．9．Thesampleresidualdiagramanalysis(NBI，n2160)(1)高光谱全波段预测模型输入因子的获取：利用单因变量偏最小二乘法(PLSl)，经过内部交叉验证，其目的主要是确定并选取适宜的主因子，全波段高光谱PLS模型分析见表1。主因子的选择可以根据PLS模型中自变量和因变量的累积贡献率以及预测均方误差来确定。由表中可以看出当主因子数为8时，自变量和因变量的累积贡献分别为98．7090％和94．0232％，其预测均方根误差为0．2802，可以反映样本的绝大部分信息。因此，将模型中的8个主因子作为BPNN和LS．SVM的输入变量回归建模，寻求鲁棒性和预测稳定性较好的模型。 安徽农业大学博士学位论文小麦白粉病光谱特征与生理参数研究表I．PLS模型因子参数Table1．PLSmodelfactorparameters(2)建立BPNN和LS．SVM预测模型：误差反向传播人工神经网络(B阶州)是人工神经网络在植物保护中应用最为广泛的网络。以提取的8个主因子作为BPNN的输入节点，设定隐含层节点数为3，最小训练速率为0．6，动态参数为0．6，Sigmoid参数为0．9，允许误差为O．0001，最大迭代次数为1000。利用该BPNN建立的算法模型，对验证样本(n=45)得到NBI值的预测结果，如图10a所示。支持向量机(SVM)是建立在统计学理论之上的一种具有良好性能的学习工具，它通过结构风险最小化原理来提高学习机的泛化能力，即有限训练样本得到的决策规则对独立的测试样本仍能得到较小的误差。最小二乘支持向量机(LS．SVM)是在经典SVM基础上改进的算法，能够进行线性和非线性的多元建模，降低了复杂性，加快求解速度，解决了其中存在的鲁棒性、稀疏性和大规模运算等问题。以提取的8各主因子作为输入变量，采用RBF函数最为核函数。超参数1，和RBF核函数参数02的优化采用基于交互验证的网格搜索。利用LS．SVM得到小麦白粉病病害叶片的NBI值的预测结果，如图10b所示。图10．BPNN(a)、LS-SVM(b)对NBI值预测结果(n=45)Figure．10．TheresultpredictedvalueNBIthroughmodelBPNN(a)、LS·SVM(b)(n=45)两个预测模型的指标分析如表2所列，以预测均方根误差RMSEP和相关系数r来评价校正模型。RMSEP越小，相关系数越高，表明该模型的预测效果越好。由表 安徽农业大学博士学位论文小麦白粉病光谱特征与生理参数研究2中可以看出LS．SVM建模得到的r和RMSEP分别为0．9475和1．0037，优于BPNN所建模型。因此，对小麦白粉病病害叶片的NBI值LS．SVM建模具有较好的预测效果。表2．新建模型预测结果Table2．Theevaluationindexofthenewmodel3．2基于成像荧光系统小麦白粉病差异性分析叶绿素荧光分析是植物生理学和植物生理生态学领域应用最为广泛的技术之一。近年来叶绿素荧光技术得以迅速发展，主要因其进行作物监测具有快速、省力、大面积和无损等优点，为大面积实时监测与诊断作物健康状况提供了可能。叶绿素荧光技术在监测作物受病害胁迫后的理化参数(例如叶绿素，水分等)变化方面也取得了一些进展，并展现出良好的应用前景。小麦受白粉病病菌侵染后，病菌大量繁殖或诱导植株产生大量毒素，导致植株内部水分运输受阻，叶绿素受到破坏，叶片内部结构、生化组分及外部颜色和形态(例如叶片变黄、产生孢子)等均会发生相应变化，且不同发病时间和严重度造成的变化各有不同，因此，对病害叶片光谱和叶绿素荧光参数产生一定的影响。传统的调制荧光仪多以光纤为信号传导体，只能检测叶片某一点的光合活性。叶片不同部位的组织结构和叶绿素含量存在差异性，这就导致叶片不同部位的光合作用具有横向异质性。2001年，Schreibe设计出了多功能、多参数的调制叶绿素荧光成像系统Imaging．PAM，通过利用数码相机CCD作为检测器，可以检测叶片上每个像素的光合活性，从而得到全叶片的叶绿素荧光成像。利用调制叶绿素荧光成像不仅可以测量整个叶片的光合作用能力，而且可以检测叶片光合作用的横向异质性，甚至可以早期检测肉眼不可见的胁迫损伤，并且阐明损伤机理和调节机制。3．2．1不同病情严重度叶绿素荧光诱导参数变化小麦抽穗期(2011年5月10日)是试验小区白粉病盛发期，在各小区内选择小麦白粉病不同发病等级的叶片(倒二叶)作为实验材料，基于荧光成像系统获取叶片的诱导动力学参数，同步记载各叶片病情严重度(n=60)。不同病情严重度叶片叶绿素荧光诱导参数变化，如表3所示。结果表明，荧光参数Fv／F0、Fv／Fm和①PSII均随叶片病情严重度增加而降低，光化学淬灭参数qL和非光化学淬灭参数NPQ均随病情严重度的增加而增加；由各参数的变化幅度来看，健康叶片与轻度病叶(病情严重度为 安徽农业大学博士学位论文小麦白粉病光谱特征与生理参数研冤5％．10％)间变幅较大，在叶片受侵害程度较重(病情严重度>80％)时，数值变幅也较大。说明病害胁迫使PSII受到了伤害，降低了PSII原初光能转化效率，光合作用原初反应过程受到抑制，病害胁迫使植物体内发生了光抑制，尤其在病情严重发生时，光合结构遭到很大程度的破坏。方差分析表明，各荧光参数指标在叶片病情严重度间差异均达到极显著差异，参数Fv／Fm、qL和NPQ在健康叶片和严重度为5％的叶片间差异己达到显著水平。表明荧光参数作为评价小麦白粉病单叶病情严重度指标是可行的，其中，参数Fv／Fm、qL和NPQ在轻度发病时表现敏感。表3．小麦白粉病不同病情严重度叶绿素荧光参数变化Table3．Thechlorophyllfluorescenceparametersofdifferentwheatpowderymildewdiseaseseverity3．2．2．不同病情严重度叶绿素荧光光合参数变化3．2．2．1荧光参数选取调制脉冲荧光成像分析仪具有成像可视化的优势，提供了多种兴趣点数据选取模式(AreaofInterest，AOI)。因此，小麦白粉病病斑胁迫区域可以清晰辨别，本研究在非病斑区域依据圆形方式(Cricle)选取4个点，圆形半径为lmm，数值取4个点平均值；在叶片混合区域依据矩形方式(Rectangle)选取，矩形长宽为8x28mm，样点选取方式如图11所示。二未：一己二‰：‰，掣r第。f-掣j：图l1．小麦白粉病叶片样点选取方式Figure．11．Twokindsofareasofinterestontheleavesofwheatpowderymildew3．2．2．2快速光曲线拟合PSII相对电子传递速率按公式rETR=(Fm’一F)／Fm7·PAR·0．5·Abs，其中PAR为35 安徽农业大学博士学位论文小麦白粉病光谱特征与生理参数研究光合有效辐射(PhotosyntheticActiveRadiation)，0．5为光能在PSII的近似分配系数，Abs为吸光系数。rETR随光合有效辐射PAR变化的曲线，称为快速光曲线(RapidLight．responseCurves，RLC)。设置15个PAR梯度：1、21、41、76、134、205、249、298、371、456、581、726、923、11761xmol·m’2·s。1和1466I_tmol·m’2·s～，每个梯度持续1Os。依据公式P=Pm·(1．exp(．仅·PAR／Pm))·exp(．p·PARfPm)拟合快速光曲线，其中Pm为最大潜在相对电子传递速率，仅为快速光曲线的初始斜率，B为光抑制参数，半饱和光强Ik=Prrda。对拟合方程进行一阶求导得到曲线斜率方程，来表征快速光曲线的动态变化，记为0【RLc=P7(PAR)。3．2．2．3基于不同选取模式病害叶片快速光曲线变化快速光曲线(RLC)可以反映当前状态下植物的光合作用能力，能够评估环境中光照强度对植物潜在的光合作用能力的影响，一定程度上反映了PSII反应中心的电子捕获效率的高低。基于不同选取模式的相对电子传递速率rETR随光合有效辐射PAR增加而迅速上升，达到一定阶段(600．1000I．tmol·m‘2·s-I)后增速缓慢，并有下降趋势，如图12所示。对照(0％)始终保持较高相对电子传递速率rETR，随着叶片病害等级的加重，rETR数值逐渐降低。两种选取模式间横向比较，rETR值随病害等级的加重，两者差异逐渐扩大，表明叶片病斑面积的扩大对rETR值的负面效应。同等级病害条件下，以矩形模式相对电子传递速率偏低，重度病害(80％)时，矩形模式的rETR数值仅相当于对照(0％)的一半。图12．基于不同选取模式的快速光曲线(左图为圆形选取；右图为矩形选取)Figure．12．RapidLightCurvebasedontwokindsofAOI(TheleftfigureistheCircularmode；TherightfigureistheRectangularmode)3．2．3．4快速光曲线特征参数变化PSII相对电子传递速率随光合有效辐射的变化呈近似抛物线关系，为了反映不同光照强度下，叶片的光利用、光饱和和光抑制的特征响应，通过对快速光曲线拟合，可以利用拟合参数Pm、Q、D和Ik可以进行量化描述，如图13所示。参数Pm、0【、p和Ik随叶片病害等级的加重而不断降低，各参数均以非病斑区圆形取样的数值较高，两种选取模式间随病害等级变化，其参数变化幅度略有差异。 安徽农业大学博士学位论文小麦白粉病光谱特征与生理参数研究最大潜在相对电子传递速率Pm在非病斑区和混合病斑区的变异系数分别为24．7％和43．2％，混合病斑区Pm值在重度病害(80％)时仅是正常叶片值的33．1％。初始斜率0【反映了叶片捕光能力的高低，两种选取模式的变异系数分别为17．6％和24．9％。光抑制参数B反映了光曲线下降部分的斜率，两种选取模式的变异系数分别为22。6％和43．8％。混合病斑区p值在叶片染病后降幅较大，病叶间差异较小，表明叶片染病后PSII反应中心对强光的动态调节能力降低，引起过剩光能热耗散能力不足。半饱和光强Ik反映叶片对强光的承受能力，两种选取模式的变异系数分别为8．4％和19．4％。混合病斑区Ik值在叶片轻度病级(10％)和重度病级(50％)间差异较小，重度病害(80％)时降幅较大，说明此时叶片不仅对光的捕获能力较低，对强光的忍耐性也偏低，极易造成光抑制，甚至产生光破坏。≮卜＼。a卜～I_＼淋、1＼p№’|^I■■＼。fI{～ItIaLjL图13．基于快速光曲线参数特征变化Fig．13．CharacteristicparametersoffluorescencewerededvedfromRapidLightCurve3．2．2．5基于拟合方程的斜率曲线依据光合有效辐射的变化对快速光曲线进行拟合，可以得到PSⅡ相对电子传递速率rETR的拟合方程。尝试对方程一阶求导得到快速光曲线的斜率方程伐RLc=P7(PAR)，可以更加直观地反映曲线随光合有效辐射的动态变化，如图14所示。两种选取模式间曲线斜率的变化趋势一致，横向对比差异较小。曲线斜率咐0时，曲线斜率(IRLC随光合有效辐射的增加而不断减小，相同PAR值条件下，斜率呶乙C随病害等级加重而逐渐降低，其变化趋势与图12中rETR的变化一致；相同斜率ftRLC值条件下，对应的光合有效辐射随病害等级加重而减小，表明了叶片对光能捕获能力的降低。曲线斜率otRLC=0时，等同于最大潜在相对电子传递速率Pm对应PAR值，两种取样模式间异质性在零点位置可以直观反映。曲线斜率啦c<0时，斜率的绝对值(1aRLcl)等同于光抑制参数p的变化趋势，相同PAR值条件下，斜率0【RLC值随病害等级加重而升高，表明染病叶片在强光下的保护能力偏低。正常叶片与染病叶片斜率曲线的交叉点均出现在c【lK<0，两条斜率曲线交叉点位置可以反映两者强光下光保护能力的差异。 安徽农业大学博士学位论文小麦白粉病光谱特征与生理参数研究PAR(urrmlm’2s‘1l-1∞4009001400191(X)40090014001900＼蔓心图14．基于快速光曲线的QRLC斜翠曲线Figure．14Theslopecurve(ctRLC)derivativefromRapidLightCurve3．2．3．不同病情严重度叶绿素荧光成像的异质性传统的调制荧光设备多以光纤为信号传导体，如PAM．2100／2500、Mini．PAM等，只能检测叶片局部光合活性。叶片不同部位的组织结构和叶绿素含量是不同的，因此，同一叶片不同位置的荧光特征具有横向异质性，而利用光纤探头获取某一点的荧光特征难以反映整个叶片的光合特性。利用植物叶片叶绿素荧光成像技术，分析小麦白粉病叶片光合作用的横向异质性，以变异系数(CV)表达。荧光成像监测系统中，甚至可以用作早期肉眼不可见的胁迫损伤检测，以此表达胁迫状态和阐述损伤机理。在接种病害区和对照区采集小麦叶片，经暗适应20分钟后测量最小荧光Fo和暗适应下的最大荧光Fm，立即打开光化光诱导荧光动力学参数，每间隔20秒饱和脉冲一次，获取瞬时荧光F和光适应下的最大荧光Fm’。如图15和图16所示，小麦健康叶片和白粉病叶片荧光参数成像图。小麦健康叶片除叶脉部分Abs稍微下降外，其他荧光参数具有较高一致性，各荧光参数CV均小于2％，表明小麦健康叶片的均质性。_一I—叠，—-—霹四—-—啊田_I隧鍪；■墨一图15．小麦健康叶片成像荧光参数Figurei5．Imagingfluorescencecharacteristicsofhealthyleavesofwheat 安徽农业大学博士学位论文小麦白粉病光谱特征与生理参数研究一图16．小麦健康叶片成像荧光参数异质性(线状)Figure16．ImagingfluorescenceheterogeneityofheaIthyleavesofwheat(1inear)小麦白粉病叶片(SL=80％)的荧光参数明显存在明显异质性。其中，荧光参数Fv佰m(CV=5．3％)和PS／50(CV=7．8％)异质性较低，其余荧光参数的变异系数CV分别是：Abs(CV=9．32％)、Y(II)(CV=15．12％)、NPQ／4(CV=21．37％)和qL(CV=25．43％)。荧光参数Fv／Fm、Y(II)、PS／50、qL与Abs变化趋势，而NPQ／4与其他参数变化趋势相反，如图17和图18所示。由此说明，受病害胁迫叶片，尤其是表面存在病斑的叶片，荧光参数间存在较高异质性。相对电子传递速率rETR(以PS表示)是光合速率的一种表达方式，大量研究表明，在达到光饱和前，rETR与光合放氧速率或C02同化速率呈线性关系。在相同光照条件下，rETR主要受叶片吸光率Abs和PSII实际量子产量Y(II)共同影响。小麦白粉病病害叶片的Y(II)变异系数较大，推测rETR变化受Y(II)的影响较大。 安徽农业大学博士小麦白粉病光谱特征与生理参数研究图18．小麦自粉病叶片成像荧光参数异质性(线状)Figure18．Imagingfluorescenceheterogeneityofleavesofwheatpowderymildew(1inear)小麦受白粉病菌侵染后，叶片光合膜上的全链电子传递速率和PSII电子传递速率都受到明显抑制。随着叶片病情严重度的加重，叶片光合膜上全链电子传递速率和PSⅡ电子传递速率出现明显降低，使植物光合作用能力显著衰竭，叶片发黄枯死。小麦白粉病叶片荧光参数异质性的存在，主要由叶片表面白粉菌闭囊壳和受损的光合系统共同影响产生。而荧光技术作为揭示植物生理机能的无损探针，其荧光成像系统对小麦白粉病叶片的生理特性可以进行较为准确表征。3．3小结本章研究小麦白粉病叶片和植株生理生化特征与病情严重度间的相关关系，主要生理指标有：叶片叶绿素含量、全氮含量和快速检测指标SPAD、NBI等参数。小麦白粉病病情严重度与叶绿素含量、叶绿素密度间的差异达到显著或极显著水平。小麦叶片受白粉菌侵染后，叶绿素含量显著降低，影响叶片光合作用能力，导致产量和品质降低。叶绿素含量与病情严重度间存在极显著的负相关关系，R2达到0．8466以上；叶绿素密度与病情指数间存在极显著的负相关关系，R2达到0．9725以上；病情指数与叶片全氮含量间具有极显著的负相关关系(《=0．8655)。因此，随小麦白粉病侵染程度的加重，病情指数逐渐增加，导致叶片叶绿素含量和全氮含量显著降低，从而使小麦籽粒因灌浆不足，碳水化合物积累受阻而形成空粒或瘪粒，这是导致小麦穗小、粒轻、减产的主要原因。病情严重度与SPAD值呈显著负相关，其决定系数达到0．9257。当植物受到病原真菌或细菌侵染时，类黄酮可作为植保素在植物体内积累，并且其含量与植物受到病害程度和损伤呈显著正相关性。叶片病情严重度与Chl、NBI指标呈显著负相关(Rchl一0．768*，RNBI一0．632*)，叶片病情严重度与Flav呈显著正相关(RFI鲥=0．727木)。通过高光谱技术对NBI指数进行反演和校正，LS．SVM建模得到的r和RMSEP分别为O．9475和1．0037，优于BPNN所建模型。因此，对小麦白粉病病害叶片的NBI值 安徽农业大学博士学位论文小麦自粉病光谱特征与生理参数研冗LS．SVM建模具有较好的预测效果。尝试利用叶绿素成像荧光系统检Nd,麦白粉病叶片的生理状态和快速光响应曲线的变化规律，比较两种选择模式条件下，荧光成像特征的变化规律，比较了小麦病害叶片与健康叶片荧光成像的异质性，表明了受病害胁迫叶片，尤其是表面存在病斑的叶片，荧光参数间存在较高异质性。提出对光曲线拟合方程进行一阶求导得到曲线斜率方程，来表征快速光曲线的动态变化，明确基于荧光成像系统检Nd,麦白粉病叶片的合理性。 安徽农业大学博士学位论文小麦白粉病单叶尺度的病情信息分析4、小麦白粉病单叶尺度的病情信息分析4．1．白粉病单叶光谱特征为了减小样本间测量误差，正确反映小麦白粉病叶片的光谱响应特征，本研究对实验获取的不同病情严重度单叶叶片(n=100)与健康叶片做比较分析，如图19所示。图19．健康叶片与臼粉病1受染叶片原始光谱Figure19．RawreflectanceofHealthandpowderymildew图19表明，在可见光波段和短波红外波段，受白粉病菌侵染的叶片光谱反射率均高于健康叶片，在近红外波段，受白粉病菌侵染的叶片光谱反射率低于健康叶片。主要原因是在可见光波段植被叶片的光谱反射率强度主要受叶片色素控制，短波红外波段的光谱特性主要受水分含量控制，小麦受白粉菌侵染后会导致叶片内部水份运输受阻，叶绿素受到破坏，叶片表层附着的灰色粉霉层并逐渐变为黄褐色闭囊壳。因此，叶片色素的含量和活性降低，从而使可见光区域的反射率增加；另一方面，在近红外波段，叶片反射率主要取决于细胞结构，特别是叶肉与细胞间相对空隙的相对厚度，白粉菌通过阻断小麦叶片养分和水分的传输而破坏了小麦叶片内部的细胞结构，导致叶肉细胞间隙的相对厚度减小，反射率随之减小，因此受害小麦叶片的反射率低于健康小麦的反射率。4．2．白粉病单叶光谱特征提取以叶片光谱敏感度和原始光谱对不同病情等级叶片作相关分析，如图20所示。由图可见，以光谱敏感度构建的相关系数均大于原始光谱构建的相关系数，进一步说明光谱敏感度较原始光谱增强了不同病级叶片间的差异性，有利于敏感波段的选择。分析表明，以光谱敏感度构建的相关系数在可见光波段和短波红外波段(1800-2080nm)均达到极显著水平，其中以630．680rim波段相关系数达到最大值。短波红外波段(1800—2080nm)仅以光谱敏感度相关系数达到极显著水平。结合以原始光谱与病叶等级构建的相关系数，表明630．680nm波段作为小麦白粉病病害等级响应的最佳敏感波段，这与光谱敏感度曲线所反映的变化规律相吻合。42 安徽农业大学博士学位论文小麦白粉病单叶尺度的病情信息分析一Speetrtls槐_t^’hV⋯⋯‘o—gmm印edmm_02#：-．二：．：-I土；，：：巴叠：：_：三三j三二：．：-I二二：二二：．：二二二．：二-=．：．|O4’、、-，tIf-薯I-t--)图20．叶片病情严重度与原始光谱、光谱敏感度问相关分析Figure．20．Correlationbetweenspecialsensitivity，originalspectrumanddiseaseseverityofwheatleaves．4．2．1．植被指数法病害遥感探测的研究和实践中，更多的情况下不能直接使用波谱反射率，而是参考这些对植物病害敏感的波谱位置选择或构建一些光谱特征指数进行探测。植被指数法是遥感监测研究中最基本、最常用的信息提取技术，通过常用的植被指数提取白粉病病害信息。根据小麦白粉病光谱响应特点，在参考各类植被指数对植物病害及其他胁迫监测研究中的应用，初步筛选确定了16个基于高光谱数据构建的植被指数，重点探讨其在提取白粉病信息及监测病害方面的适用性。表4为筛选的16个植被指数的全称、表达式及文献出处。表4．病害诊断常用植被指数Table4．Commonlyusedvegetationindicesforplantdiseasedetection№耋瓣‰表达式Expression裟竺Yang&ChengNormalizeddifferencevegetationindex(NDVI)Anthocyaninreflectanceindex(ARI)Triangularvegetationindex(TVI)Simpleratio(SR)Thetransformedchlorophyllabsorptionandreflectanceindex(TCARI)OptimizedSoil-AdjustedVegetationIndex(OSAVI)NDVI：=—RefNaR-—RefREDRefN瓜+RekDARI：!．!Ref550mRef700nrnTVI=0．5×[12m(I沁毛0lIIl—Re￡0lIII)-20(k吸e岛mm-Re￡0lIll)】SR：=—Ref—NIRRe‰DZhaoeta1．(2004)Zhaoeta1．(2004)TcARI-3×[(Ref700re"Ref670J02×(Recoom-Ref550抄诫Refy了00m=：u．(2an0059)。tOSARI：1．16×垦!§QQ墅：垦!生2Q婴Ref800。+Ref670。+0．16Huangeta1．(2005)呲獬一～一～～～一 安徽农业大学博士学位论文小麦白粉病单叶尺度的病情信息分析Greennormalizeddifferencevegetationindex(GNDVI)Waterbandindex(IWB)Photochemicalreflectanceindex(VPd)Soil-adjustedvegetationindex(SAVI)Red·edgevegetationstressindex(RVSI)Modifiedchlorophyll(aandb)absorptioninreflectanceindex(MCARI)Visibleatmosphericallyresistanceindex(VARDWaterindex(WI)Nitrogenreflectanceindex(NRI)StructuralIndependentPigmentIndex(SIPI)PlantscenescencereflectanceindexfPSR0NormalizedPigmentChlorophyllratioIndex(NPCI)MoistureStressInde“MSI)OptimizedSoil．AdjustedVegetationIndex(OSAVI)Shortwaveinfraredwaterstressindex(SIWSI)GreennessIndex(GI)DiseaseW缸erStressIndex(DSWI)Rek—Re‰GNDVI=里竺!竺Re士聊+Re士rc4I啪=面Ref9=50啪PRI：壁垒地：壁生zQ墅Ref53,m+Ref570啪SAVI：：—1．5x(RefNm—-RefRED)RVS-=堕学-Ref733姗McAR{@e矗h-Re￡-J-02×@e如。。Re￡·Jk簧詈兰Rek-RekVAR／=望竺!!竺Rek+Refred‘Rely,。WI：：—Ref9—00nmRef970。NRI：—R—e—f—57—0衄——-—R—e—f=_67—0nmKe士570衄+Re：t670mSIPI：墅血墅：壁垒墅Ke士800岫+Ret680mPSRI：：—Ref67sm-—Refsoo眦K-e士750啪NPCI：=—Ref680nm-—Ref430mRef680珊+Ret430衄MSI：：—Refl6—oo姗Re士819衄。sAVI=面R了ef脓丽-Ref,Re‰+RefR+0．16SIWSI：—R—e—f—s—m—-—R—e—f=sw—niRe士脓+Ke士s帆GI：=—Ref5—54mKet677mDSWI：壁垒Q2墅±垦肇幽Yangeta1．(2007)Xueta1．(20071Huangeta1．(2007)Naidueta1．(2009)Yangeta1．(2007)Naidueta1．(2009)Naidueta1．(2009)Naidueta1．(2009)Naidueta1．(2009)Devadasa1．(2009)Devadasa1．(2009)Devadasa1．(2009)Devadasa1．(2009)Huntandrock，1989Rondeauxeta1．，1996FensholtandSandholt，2003Zarco·Tejadaeta1．，2005Galv百oeta1．，2005植被指数-qd,麦白粉病叶片病情严重度相关分析表明，除了RVSI和PSRI指数外，其他植被指数与病情严重度间相关系数均通过0．05水平显著性检验 安徽农业大学博士学位论文小麦白粉病单叶尺度的病情信息分析(P—Value<0．05)，其中指数GNDVI、NDVI、SR、PRI、OSAVI、SAVI、SIPI、VARI、IWB、RVSI和PSRI与病情严重度呈负相关关系，其他植被指数与病情严重度呈正相关关系。另外，指数RG、GNDVI、MCARI、NDVI和RR与病情严重度的决定系数R2大于o．5(P．Value<0．ooo)，分别为0．701、0．674、0．630、0．513和0．508。表5．植被指数与病情严重度的相关关系Table5．Summaryofcorrelationanalysisbetweenvegetationindexsanddiseaseseverity4．2．2．连续统去除法光谱曲线的连续统去除由凸出的极值点逐点相连接构成，并使得折线段在极值点的外角大于1800，用实际光谱波段值去除连续统上相应波段值，所得反射率为连续统去除后的相对反射率R’。经连续统去除后，“峰值”点上的相对值均为l，非“峰值”点上的值均小于1。光谱的吸收特征能够很好的反演作物的一些生化组分，连续统去除法提取光谱特征是一种针对高光谱数据吸收谷特征信息处理的有效手段，主要用于提取由于叶绿素、水分吸收形成的吸收谷特征参数，包括吸收波长位置、深度、宽度、斜率、面积、对称度等。目前该方法已得到的广泛应用，如王纪华(2001)等在室内条件下测定叶片光谱反射率，利用连续统去除后的1450nm的水汽吸收特征的吸收深度、吸收面积及非对称度对叶片相对含水量进行了分析：刘占宇(2008)分别对健康水稻叶片和不同病害水稻叶片的原始光谱、对数光谱和一阶微分、二阶微分光谱做了连续统去除，通过比较健康和受害叶片的吸收特征，找出了水稻不同病害的敏感光谱区域；竞霞(2009)等利用连续统去除法对不同严重度的棉花黄萎病受害叶片的光谱反射率进行处理，构建了基于光谱特征吸收参量(红光波段特征吸收峰右半端面积)的棉花黄萎病病情严重度估测模型。杨可明等运用连续统去除后的光谱变换分析了冬小麦条锈病的光谱特征。叶片不同病害等级间光谱响应存在差异，单叶水平病害等级的准确反演有利于小麦白粉病遥感信息提取和动态监测。研究通过高光谱敏感度的差异性确定小麦白粉病病害等级的敏感波段，采用连续统去除法高光谱反射率吸收特征的定量描述，建立小麦单叶白粉病病害等级与特征吸收参量问定量线性回归模型，以期为小麦白粉病大面45 安徽农业大学博士学位论文小麦白粉病单叶尺度的病情信息分析积遥感监测提供理论依据，同时为小麦病害遥感监测的分型识别提供参考。表6．连续统去除法光谱吸收特征参量Table6．111espectralabsorptionparametersofthecontinuumremoval参数定义或公式吸收位置P吸收深度H吸收宽度W左半侧面积A1右半侧面积A2全吸收面积A右侧面积吸收指数从I相对反射率R’曲线吸收谷范围内最小值所对应位置的波长。H=l—R’W-入SI--入s。(入s。、入sz分别为吸收谷深度1／2处对应位置的波长。)最大波段深度线左边的吸收峰面积最大波段深度线右边的吸收峰面积A=>’d。△五篙。吸收谷面积从I=(Area_0一Area阻)／(Areao+Area札)针对小麦白粉病侵染叶片敏感性较高的波段520．750nm做连续统去除，得到呈吸收谷形状的相对反射率，并以吸收位置(P)、吸收深度(H)、吸收谷宽度(W)、吸收谷左半侧面积(A1)、吸收谷右半侧面积(A2)和面积吸收指数(AAI)为特征参量建立小麦白粉病叶片病级估测模型。如图21所示，其中，图例百分数分别代表白粉病侵染叶片面积。图21．基于连续统去除法小麦白粉病叶片相对反射率(520-750nm)Figure．21．RelativereflectionofwheatIeafwithdifferentdiseaselevelbasedoncontinuumremovalmethod(520-750nm)各病情等级相关特征参量计算结果，见表7。由表可知，吸收谷特征参数中吸收深度H、吸收宽度W、吸收面积(A1、A2、A)均随叶片病害等级加重而降低，吸收位置P和右侧面积吸收指数AAI呈增加趋势。吸收位置变幅较小，随病害等级加重向长波方向移动2nm，呈“三等级”变化规律，即轻度感病、中度感病和重度感病内部间吸收位置相同。各特征参量以严重度100％与正常叶片相比较，其变化幅度依次为：右半侧面积A2(33．48％)>全面积A(27．36％)>左半侧面积A1(24．63％)>吸收谷宽度W(14．25％)>吸收谷深度H(13．84％)。从叶片病害等级特征参量的变化幅度来看，随病害等级增加特征参量的变化幅度呈增大趋势，这与可见光波段病害等级敏感度的“三等级”变化规律相一致。 安徽农业大学博士学位论文小麦白粉病单叶尺度的病情信息分析表7．基于连续统去除法小麦白粉病光谱吸收特征(n=l00)．．．．．．．．．．．．．．——Table7．Thespectralabsorptionparametersbasedonthecontinuumremovalofwheatpowder,／mildew．．．．．——参量ParametersO％5％10％20％40％60％80％100％表8为各特征参量与叶片病害等级间的相关性分析，病害等级与吸收深度、吸收宽度、左半侧吸收面积、右半侧吸收面积和全吸收面积均呈极显著负相关；与右半侧面积吸收指数呈极显著正相关；与吸收位置显著正相关。表8．特征参量与叶片病情严重度相关性!生!皇墨：!垒!!垒!堕!丝i壁翌塑型Z!堡堕里坠坚!璺!鲤塾丝P塑堕!堕塑垒堕i!塑苎塑!盘Correlation病害等级吸收位置吸收深度吸收谷宽度左半侧吸收右半侧吸收全吸收面积coe简cientDLPHW面积A1面积A2A注：r(100，0．05)=O。195；r(100，0．01)=0．254基于连续统去除法对各样本520．750nm波段变换，以获取各特征参量为自变量，以小麦白粉病侵染叶片面的等级DL(DiseaseLevel)为因变量，经回归分析得到各特征参量的线性回归模型，见表9。表9．特征参量回归分析(n．100)!垒垒堡竺：!塑g堡墅i竺翌堡坌生曼!垫型Z!i!f望三!盟2．一IndependentvariableRegressionmodelDetermination，F-valueRMSEtoe衔cientR‘吸收位置PDL=O．1350x．90．72000．09892．41570．3456吸收深度H吸收宽度w左半侧面积Al右半侧面积A2全吸收面积ADL=-7．6940)【+5．7998DL-；-0．0365x+5．3677DL=-0．0468x+3．3388DL=-0．0904x+2．8123DL=-0．03l5x+3．2l870．5139’‘0．4958”O．5937”0．6071”0．6503“96．235050．332084．6610214．8187124．93820．15710．20080．16540．11100．1409右侧面积吸收指数AAJDL--5．1973x．0．05200．7195”251．31220．1033注：$$指0．01极显著水平47 安徽农业大学博士学位论文小麦白粉病单叶尺度的病情信息分析由表9可知，除吸收位置以外其他各特征参量所构建的回归模型，其决定系数均达到显著水平。依据最佳回归模型的特征需求，决定系数显著性较高，F值较大。由此，可以选定右半侧面积A2作为适宜自变量构建的回归模型具有较好的精度，如表9所示。为了增加吸收面积的敏感性和准确性，拟构建以右半侧面积A2为特征的面积吸收指数AAI，并以AAI为自变量建立回归模型，取得了更好的反演效果，其模型决定系数为O．7195，F值达到251．3122，达到较为理想的模型。小麦受白粉病侵染后随着病级加重，其红光波段反射率呈增加趋势，而且反射率增加幅度逐渐加大。因此，吸收谷宽度随病级加重，其吸收谷宽度收缩加剧，红谷位置向长波方向移动，连续统去除后右半侧吸收面积A2逐渐减小，与叶片病级程度构成极显著负相关，这一点与叶片光谱敏感度曲线变化规律也相符合。4．2．3．原始光谱小波变换4．2．3．1小波能量系数原理：小波分析是自1986年以来由Meyer、Mallat及Daubechies等的奠基工作而迅速发展起来的新兴数学分支13]。小波变换类似于傅里叶分析，将一般的函数(信号)表示为规范正交小波基(其中每个基函数对应各自不同的频率)的线性叠加，从而将对原来函数(在时域或空域里)的研究转化为对这个叠加的权系数，即小波变换的研究。小波分析的权系数是频率和时间的二元函数，小波变换定义为：Wf(ab)-(矶)=em)旁等m(4-1)1，力一b、虬^=下少(——)’4a口是小波基，它由某-d,波函数、P(柚通过平移(nnb)和伸缩(九一Va)而获得。对上式进行离散化，即得对函数f(t)的离散化的小波变换。类似于傅里叶变换，小波变换离散化后即变成按离散的正交小波基展开的小波系数。通常，小波系数的公式为彬，t2(厂(名)，①小(允))(4．2)其中，①，。(兄)是离散的正交小波基。通常采用二进制离散小波变换：』．①，，女(兄)=22①J。女(2叫矿)f4．3)它可由小波函数①卅(力)通过二进膨胀(口=717)和一个(6一言)的二进位移获得。小波变换可对信号进行时间域和频率域的转化，并遵循能量守恒公式： 安徽农业大学博士学位论文小麦白粉病单叶尺度的病情信息分析e扩(f)|2衍=fe町(以，6)学(4-4)显然，E(口，6)：_Wf(a,b)Wf"(a,b)：与f町(口，b)l：代表一种能量分布，其物理意义是信号在频率区间(a，a+da)和位置(时间)区f．--J(b，b+db)内所包含的平均能量为E(a，b)dadb，此即为我们定义的局域小波能谱。在整个时间域上，平均的小波能谱在各尺度上的分布：wf2(口)=F1e附(口，b)i2db。妒(4—5)信号在时间尺度S1到S2之间的波动能量也即信号能量在时间域上的分布：wf2㈣2扣学妇件6，式中C。为常数。对于二进离散小波变换，第．，尺度的信号能量可记为：‘2懈；吆(4．7、式中，乃为小波能量系数，K为第／层分解的系数个数，％，t为第j层分解的第七个系数。利用小波变换对高光谱数据进行信号分解，并结合小波信号能量在各尺度上的分布，可以实现对高光谱数据维数的压缩。4．2．3．2原始光谱小波变换降维：运用小波分析实现信号多层分解的实质是在各个确定的尺度上，将原始信号与某一具有时频局部化功能的小波函数进行比较，以提取该区域上的小波系数。利用小波变换对高光谱数据进行信号分解，并结合小波信号能量在各尺度上的分布，可达到对高光谱数据维数的压缩。原始信号通过两个互补对称滤波器，被分解为低频和高频两部分，以此类推，用同样的方法对低频信号部分进行分解，经过多层分解可以将原始信号分解为多个信号。如图22所示，其中低频信号反映了信号的总体特征，而高频信号反映信号的细节特征。计算各个结点信号能量，获得信号经小波变换后的能量特征向量，该向量对原始信号的能量进行分解，反映原始信号在不同尺度的能量分布。49 安徽农业大学博士学位论文小麦白粉病单叶尺度的病情信息分析一一一兰卜—]—{二}]啊_庄_<三’庄[一cA3]应图22．小波分解示意图Figure22．Thewaveletdecompositionofdimensionreductionroute利用不同的小波系对高光谱信号进行处理得到多组小波系数，利用这些小波系数同小麦白粉病病情严重度进行相关分析。为了筛选最优小波，对的小麦白粉病原始光谱反射率(400．1600rim)进行尺度2-9，小波db2．dblO的多层分解，其分解前后误差如表10所示。表l0．原始光谱不同Daubechies小波和尺度分解误差Table10．ErroranalysisbasedontheoriginalspectrumDaubechieswaveletanddecompositionscaleDaubechies系分解尺度scale23456789db20．006l0．01450．04070．07170．15750．18250．41200．8635db30．03990．11660．24122．39684．65435．93187．422211．8652db40．02340．13740．45140．87991．226l2．62823．36946．4463db50．05420．14730．37440．92402．29103．39315．51586．6305db60．01220．138l0．15520．18670．22580．26590．83421．3640db70．01320．13750．35100．77931．22382．28942．37765．4818db80．01370．15370．29450．57201．38041．52152．72465．8652db90．01450．47530．82622．57306．267011．765716．893136．900ldbl00．02670．14560．36600．72131．31594．45786．65187．9179注：表中数据数量级10”从表10中可以看出，db2小波分解前后的误差最小，其次为db6小波的误差。由图24原始光谱db6与db2小波9尺度分解信号与重构和图23信号曲线可以看出，原始光谱降维基于db6小波分解后稳定性好于db2的分解结果，因此选取db6小波对原始光谱数据进行尺度为9的分解，获取各小波能量系数。近似培号a9受节-言号d9图23．原始光谱db2小波9尺度分解的近似信号Figure23．Basedondb2waveletdecompositionofapproximatesignaloftheoriginalspectrum(9scales)50 安徽农业大学博士学位论文眄々自fg-号小麦白粉病单叶尺度的病情信息分析I心曾号剖刮V牡州、扯1Figure24．Basedondb6waveletdecompositionoftheoriginalspectrumf9scales)基于db6小波系对叶片原始光谱降维，提取各小波系数能量，分析与小麦白粉病病情严重度间相关系数，如表11。前3个能量系数与病情严重度的相关逐渐增强，d8能量系数达到最大(F．0．77’)。由图24和表11可知，前面7个小波能量系数(a9．d4)包含了病叶原始光谱的主要信息特征，因此与小麦白粉病病叶严重度相关性达到极显著水平，其他小波能量系数则反映了部分细节信息，其中不排除包含有噪声。因此，基于db6小波系对病叶原始光谱进行降维处理，筛选出了7个通过0．01水平极显著检验的小波能量系数，作为小麦白粉病严重度的识别监测处理。表11．小麦白粉病病情严重度与小波能量系数相关性分析Table11．Thecorrelationanalysisofwheatpowderymildewdiseaseseverityandwaveletenergycoefficients注：}代表0．01的极显著水平；Row。。)=0．2544．3．白粉病单叶病情严重度估算模型检验以2010年小汤山基地获取的小麦白粉病单叶光谱100个样本中的64个作为训练 安徽农业大学博士学位论文小麦自粉病单叶尺度的病情信息分析拟合样本，其余36个作为预测样本对不同来源的高光谱特征变量进行模型精度检验，如表12所示。表12总结了上述四类共48个光谱特征与病情严重度(DI)的相关分析结果，给出了模型拟合的决定系2)、模型预测的决定系数(R2)以及标准化均方根误差(RMSE)。在以48个光谱特征拟合的模型中，41个特征参数均与DI有显著的相关性达到极显著(P．value<0．01)。其中，以连续统去除法提取的右侧面积吸收指数(AAI)构建模型的拟合效果最佳(R2=O．7195，I洲SE=9．3284)。光谱位置变量中以k和九g参数的模型拟合效果较好，在连续统去除法变量中以A和AAI参数的模型拟合效果较好，在植被指数变量中以RG和GNDVI指数模型的拟合效果较好，在小波能量系数变量中以cd8和cd9参数模型拟合效果较好。结果表明：在微分及连续统特征中，k、k、A和AAJ对病害特征响应最为强烈，其响应特征主要来自可见光色素吸收反射形成的蓝、绿和红边位置处。在植被指数中，RG、GNDVI和MCARI等指数对病害特征最为敏感，从植被指数的来源构成上看，亦主要围绕着叶绿素在红光波段形成的吸收特征。小波分析对病害信息的提取主要是通过连续小波分析变换将整条光谱曲线在连续的波长和尺度上进行分解，从而方便对光谱信息中一些精细部位进行定量解析，捕捉到光谱在强度、位置和形状上的信息，同时其高频信号和低频信号能够将波谱的细特征和粗特征上得到很好地分离。因此，变换形成的能量特征能够将光谱曲线形状和强度的细节特征直接与病情严重度进行相关分析，筛选确定最优化拟合效果的尺度与位置特征。表12．基于高光谱特征变量估测病情严重度的拟合与预测R2值及均方根误差Table12．CorrelationsbetweenspectralfeammsanddiseaseseverityDb0．32830．349219．3917抽0．477l0．542814．6947Dy0．5391O．589415．9927粪学享换变量Dky，：．．，37185：：．．43059，09；80．．35266。：DenVatlvckr0．66200．753616．0793spec删teaturcSRg0．53800．518217．0025搬0．58720．668414．0127Rr0．57280．627813．6667k00．29580．335215．5524连续统去除法变量ContinuousremovaltransformedspectralfeaturesPHWA1A2AA舢0．0989O．51390．49580．59370．60710．65030．71950．1385O．55“0．51630．64390．68180．70990．734319．346414．380616．154116．963l12．501611．84439．3284植被指数变量RGVegelationindexGNDVIMCARJ0．70100．67400．6300520．74780．68980．640412．862313．151913．9236 安徽农业大学博士学位论文小麦白粉病单叶尺度的病情信息分析NDVIO．51300．581714．2109RR0．50800．548914．7653TCARl0．49300．524514．7242SR0．48200．5046l5．4945Tvl0．45200．472916．4476PRl0．40600．439114．9570OSAVl0．37500．403416．3765S√W10。37500．352716。7847SIPIO．31200．327718．1794NIu0．27100．352718．4010ARl0．26700．233718．8448、7A砌0．22700．209319．8984NPCI0．19100．216019．9422IWB0．16400．155018．1071R、，S10．1040O．1076l7．7547ItNIR0．09700．109319．7415PSRJ0．07000．097217．2439W10．05400．061020．812lca90．40960．410716．7563小波特征能量系数Waveletfeaturescd9cd8cd7cd6cd5cd4cd3cd2cdl0．50410．59290．3364O．25000．12960．22090．05760．01690．00640．46340．56380．37090．23850．10060．2628O．08080．02540．018816．599616．014417．685l19．044020．222221．564223．238822．226222．5396注：R001(64)：=03150：Ro01(46却．36834．4小结分析了叶片光谱敏感度和原始光谱对不同病情等级叶片尺度的响应关系，明确了630一-,680nm波段作为小麦白粉病病害等级响应的最佳敏感波段，这与光谱敏感度曲线所反映的变化规律相吻合。利用植被指数法、连续统去除法和小波变换处理来反演单叶尺度小麦白粉病病情严重度。探讨了植被指数在提取白粉病信息及监测病害方面的适用性，初步筛选确定了16个基于高光谱数据构建的植被指数。除了RVSI和PSRI指数外，其他植被指数与病情严重度间相关系数均通过0．05水平显著性检验(P．Value<0．05)，其中指数GNDVI、NDVI、SR、PRI、OSAvI、SAVI、SIPI、VARI、IWB、RVSI和PSRI与病情严重度呈负相关关系，其他植被指数与病情严重度呈正相关关系。采用连续统去除法高光谱反射率吸收特征的定量描述，建立小麦单叶白粉病病害等级与特征吸收参量间定量线性回归模型，构建以右半侧面积A2为特征的面积吸收指数AAI，并以AAI为自变量建立回归模型，取得了更好的反演效果，其模型决定系数为0．9195，F值达到251．3122，达到较为理想的模型。这为小麦白粉病大面积遥感监测提供了一定的理论依据。利用不同的小波系对高光谱信号进行处理得到多组小波系数，利用这些小波系数同小麦白粉病病情严重度进行相关分析。基于db6小波系53 安徽农业大学博士学位论文小麦白粉病单叶尺度的病情信息分析对病叶原始光谱进行降维处理，筛选出了7个通过0．01水平极显著检验的小波能量系数，作为小麦白粉病严重度的识别监测处理。总结了上述四类共48个光谱特征与病情严重度(DI)的相关分析结果并对估算模型进行精度检验。其中，41个特征参数均与DI有显著的相关性达到极显著(p．value<0．01)。在微分及连续统特征中，k、k、A和AAI对病害特征响应最为强烈，其响应特征主要来自可见光色素吸收反射形成的蓝、绿和红边位置处。在植被指数中，RG、GNDVI和MCARI等指数对病害特征最为敏感，从植被指数的来源构成上看，主要围绕着叶绿素在红光波段形成的吸收特征。小波分析对病害信息的提取主要是通过连续小波分析变换将整条光谱曲线在连续的波长和尺度上进行分解，变换形成的能量特征能够将光谱曲线形状和强度的细节特征直接与病情严重度进行相关分析，筛选确定最优化拟合效果的尺度与位置特征。54 安徽农业大学博士学位论文小麦白粉病冠层尺度的病情信息分析5、小麦白粉病冠层尺度的病情信息分析小麦单叶光谱的获取可以真实直观的反映叶片的属性特征，几乎不受土壤、冠层结构、大气等外界因素的影响。因此，有利于准确地反映小麦白粉病光谱响应特征，是遥感监测预警小麦白粉病的理论基础。然而在实际田间数据采集获取中，难以实现理想的探测环境。Pinter等研究表明：野外实地冠层光谱特征与叶片和温室的光谱特征存在一定差异，具有更加复杂性。相对单叶尺度的监测，开展小麦白粉病的冠层光谱响应特征的探测研究对实现航空、航天遥感监测病害具有更加重要的意义。因此，下面主要研究冠层尺度小麦白粉病不同病情指数光谱响应特征，通过提取冠层光谱响应特征和敏感波段，构建基于敏感波段的小麦白粉病病情指数监测模型；通过植被指数和病情严重度相关性分析，筛选出小麦白粉病病情严重度反演监测模型；基于PLS提出多特征变量的小麦白粉病病情指数监测模型；选用基于负熵为信号统计量的FastlCA算法对高光谱数据进行降维分析，并对可见光、近红外波段的数据进行分离，构建小麦冠层病害胁迫特征三维空间分布模型。5．1．小麦白粉病冠层尺度光谱特征依据小麦自粉病冠层尺度病情监测实验(实验2)获取了48个样点的小麦白粉病冠层光谱数据以及病情指数数据，以研究小麦白粉病冠层光谱响应规律。从小麦白粉病冠层光谱反射率曲线看(图25)，健康小麦和病害小麦的冠层光谱特征存在明显差异，随着病情指数的增加(从20％至80％)，小麦白粉病冠层光谱表现出在的可见光波段(350．700nm)反射率逐渐升高，在近红外波段(700．1350nm)反射率开始出现一个交替变化的趋势，即在1000nm之前健康小麦的光谱高于病害光谱，1000nm之后病害光谱反射率逐渐增加并超过健康小麦，而且在短波红外波段(1350．2500nm)表现为光谱反射率随病情指数增加而升高的趋势。为了清晰表达小麦白粉病冠层光谱特征的变化情况，根据光谱敏感度定义，利用不同病情指数小麦冠层光谱与健康冠层光谱构建小麦白粉病冠层光谱敏感度曲线，如图26所示。图25．小麦白粉病不同严重度冠层光谱曲线Figure25．Spectralcurvesofhealthyanddifferentseveritywheatatcanopylevel55 安徽农业大学博士学位论文小麦白粉病冠层尺度的病情信息分析图26．小麦白粉病不同严重度的冠层光谱敏感度曲线Figure26．ThewheatcanopyspectralsensitivityCHIVeofpowderymildewofdifferentseverity5．2．小麦白粉病冠层病情指数估测基本明确了小麦白粉病冠层光谱曲线的形态变化特征，为进一步监测反演小麦白粉病病情严重度，利用小麦白粉病冠层光谱特征进行植被指数与病情指数间相关性分析，明确基于冠层光谱特征的植被指数与病情指数问的关系。表13．小麦白粉病冠层尺度光谱特征与病情指数相关分析Table13．Thecorrelationanalysisofwheatpowderymildewofcanopyspectralcharacteristicsandthediseaseindex特征名尺萨P—Value特征名尺一P．砌，“PSR-0．83l0．69l0．000NDVI．0．6620．4390．000PRI-0．8200．6730．000OSAVI．0．6360．4050．000DSWI．O．8180．6700．000SAVl．0．6260．3910．000GNDVl-0．8060．6500．000NRl0．5710．3260．000MCARJ0．7950．6320．000ARl0．5690．3240．000TVl0．7570．5730．000、，ARI．0．4800．23l0．001GI一0．7560．5710．000NPCI0．4680．2190．004SIWSI．0．7350．5400．000IWB．0．4390．1930．004SIPI．0．7260．5280．000RVSl0．3530．1250．0l2RR0．7030．4940．000RNIR．0．3120．0980．018MSIO．7170．5140．000PSRI．0．2900．0840．124TCARl0．7170．5140．000WI．0．24l0．0580．276k0．7130．5080．000选取部分植被指数分析小麦白粉病冠层尺度光谱特征与病情严重的相关性，如表13所示。选取测试的25个植被指数光谱特征中，除了冠层尺度植被指数PSR／和WI与病情指数间相关性不显著外(P．value<0．05)，其余23个冠层尺度植被指数光谱特征均与小麦白粉病病情指数间显著相关。其中，有15个冠层光谱特征《值高于0．4，有12个冠层光谱特征R2值高于0．5，有5个冠层光谱特征R2值高于0．6。对比各光谱指数在叶片和冠层间的响应变化，单叶尺度光谱特征与病情严重度间具有较好相关性的有：RG、GNDVI、MCARI、NDVI和RR等；冠层尺度光谱特征与病情指数间具有较好相关性的有：SR、PRI、DSWI、GNDVI和MCARI等。分析单叶尺度相关性较高的光谱特征主要是来自可见光波段部分的组合，冠层尺度相关性较高的光谱特征则包含了可见光、近红外和短波红外波段部分，因此，冠层光谱的整体特征对病害的56 安徽农业大学博士学位论文小麦白粉病冠层尺度的炳情信息分析响应要强于在单叶尺度的响应，主要原因可能是小麦白粉病冠层特征不仅包含了病害叶片在可见光部分的强烈反应，而且还包含了小麦整体结构和形态方面的变化，如小麦受到病害侵染时会出现如叶片枯萎、凋敝进而导致叶倾角、叶面积指数等整体特征的变化。5．3．小麦白粉病冠层光谱独立分析分析目前，大多数研究都集中于小麦在受到白粉病胁迫后，单叶尺度光谱的变化，而要实现大尺度的遥感病害监测，则需要研究冠层尺度的光谱变化。小麦发生病害时，病斑往往多发生在中、下部，冠层上的光谱变化较微弱，因此，如何提取小麦病害后冠层上光谱微弱变化的特征，成为了急需解决的问题。近年来，独立分量分析(IndependentComponentAnalysis，ICA)作为一种新兴的高阶数据处理技术被广泛用于了语音信号的分离，生物医学信号处理，图像处理等方面。Muhammed等利用主成分分析和独立分量方法从高光谱图像中提取作物污染信息，并对作物污染的程度进行了定量的分析。金铭等利用主成分分析、独立分量分析和分形技术对水稻镉污染胁迫进行诊断，成功的反演水稻冠层镉污染浓度；林婷等利用独立分量分析和高光谱指数构建了水稻锌污染监测模型，有效监测了水稻冠层锌污染【166,167,168】。研究表明，利用ICA分析技术能有效的提取出作物重金属胁迫信息。因此，本研究拟将这种新技术用于对小麦白粉病的诊断上，通过对640．1000nm波段范围内的光谱数据进行空间变换，提取向量在高阶统计上相互独立，并且代表某个特征源的信号，选用基于负熵为信号统计量的FastlCA算法对高光谱数据进行降维分析，并对可见光、近红外波段的数据进行分离，为了提高病情诊断的稳定性和直观效果，同时将红边位置作为病害胁迫的指示特征，构建小麦冠层病害胁迫特征三维空间分布模型。利用偏最小二乘法建立小麦白粉病病情指数的预测模型，为小麦白粉病病害的遥感诊断提供定性和定量化依据。5．3．1．不同病级小麦白粉病冠层光谱特征叶片受白粉菌侵染后，其养分被掠夺、光合作用效能降低，导致叶片叶绿素含量、水分和细胞结构等一系列变化，从而引起叶片光谱和冠层光谱特征的变化，其主要表现特征在叶绿可见光和短波近红外波段。因此，本文选择640．1000nm作为小麦冠层白粉病光谱敏感区间。由于叶绿素对红光的强烈吸收而形成“红谷”(600．680rim)，其中包含着丰富的吸收特征，被广泛用于叶绿素含量和含氮量等定量化反演，如图27所示。红光波段冠层光谱反射率随病情加重而增加，与病情指数表现为较高的正相关性。红边(680．780nm)由植被红光波段叶绿素的强烈吸收和近红外波段光在叶片内多次散射形成的强反射所构成，区域内蕴含了丰富的植被光谱信息。鉴于红边位置 安徽农业大学博士学位论文小麦白粉病冠层尺度的病情信息分析(I垣P．LEM)与叶绿素含量的密切关系以及它对大气状况和土壤反射率的不敏感性，多数研究证实了红边位置特征与植被胁迫的相关性，可以作为植物胁迫状态的指示剂。红边位置随着病情加重有明显蓝移的现象，基于线性外推法获取的红边位置(REP．LEM)与病情指数间相关分析(R2=0．8603，n-84)，说明红边位置作为病害胁迫指示剂的可靠性。短波近红外波段(780．1000nm)，植被光谱特征取决于叶片内部的细胞结构和含水量，970nm波段附近的吸收带为水分的弱吸收带。植被病害胁迫导致叶片细胞结构受到破坏和含水量降低，其冠层光谱反射率呈降低趋势，与病情指数间表现较高的负相关性。图27．小麦白粉病不同病情严重度冠层光谱特征(640·1000nm)Figure27．ReflectanceofwheatcanopywithdifferentDiseaseIndex(640—1000nm)5．3．2．确定红光．近红外波段分量间隔独立分量分析在遥感影像处理方面的成功应用给了我们启示，可以将独立分量技术应用于地面高光谱数据。从光谱学的角度来说，不同生化成分分子键的弯曲振动或伸展、电子跃迁等官能团的影响产生不同的吸收带。独立分量分析可以通过对植被高光谱特征进行独立分解，把不同生化参数引起的吸收特征分离出来，形成独立分量与之相对应。通过Matlab编程选择快速独立分量算法，由于协方差矩阵的奇异性，提取的独立分量仅保留一维。数据选取可见光红光640．700nm波段和近红外760．1000nm波段进行FastlCA分析。为了使提取的独立分量包含较多病害信息，需要明确两个波段的分量间隔。因此，以不同波长间隔提取的独立分量与病情指数建立相关关系，如图28所示。结果表明，可见光红光波段以5nm为分量间隔，提取贡献率较高的前2个独立分量(rl=O．8953“，r2=．O．0181，n-84)；近红外波段以7nm为分量间隔，提取贡献率较高的前2个独立分量m=．0．9136¨，r2=0．1835，n=84)，可以获得与病情指数较好相关性的独立分量。 安徽农业大学博士学位论文小麦白粉病冠层尺度的病情信息分析图28．基于不同独立分量间隔的ICAs与DI间相关分析Figure28．ThecorrelationanalysisbetweenICAsandDIbasedonthedifferentcomponentsinterval5．3．3．红光．近红外波段三维诊断光谱特征空间在可见光红光波段以5nm为分量间隔构成84x30矩阵，采用FastlCA分析进行降维分解，选取贡献率较高的前两个独立分量RICl和RIC2。同样，在近红外波段以7nm为分量间隔构成84×34矩阵，选取贡献率较高的前两个独立分量NIRICl和NIRIC2。由小麦白粉病冠层高光谱特征可知，病害胁迫在可见光、红边和近红外波段均有不同程度的表现，为了提高病害胁迫定性诊断的稳定性，分别利用可见光红光波段独立分量(RICl和RIC2)、近红外波段独立分量(NIRICl和NIRIC2)和红边位置(REP．LEM)作为欧式几何空间的三维度量，构建三维空间分布特征图，描述小麦冠层白粉病病情特征，如图29所示。^{|I＼一．．壹一．．争孽l毒‘!霉：．薹j二、、‘．．-．．二鼍’j．．．．一，磊i、、。、'，--√·。；I：|=．，，，．、59 安徽农业大学博士学位论文小麦自粉病冠层尺度的病情信息分析数的增加而降低，独立分量中NIRICl与病情指数具有较好的负相关性(R2=0．8405，n_84)。图29(a)RICl-NIRICl．№p空间分布中，病害胁迫的病害程度较轻的样点集中分布在空间的左上角，病害程度较重的样点分散于右下角，中间位置为病害中度胁迫样点。其中，轻度胁迫和中度胁迫时冠层光谱信息变化范围相对稳定，重度胁迫时对叶片叶绿素含量和细胞结构破坏较重，引起的样点间病害信息差异较大，其冠层病害样点分布较为分散。其余的三维空间分布图中，样点分布杂乱，无明显的聚类特征。因此，依据图29(a)lRICl．NIRICl．hep空间分布模型，可以对小麦白粉病冠层病害严重度作定性判别。5．3．4．偏最小二乘法病情指数模型为了定量监N4,麦冠层白粉病病情严重程度，基于RIC-NIRIC．№p空间分布特征，运用偏最d'--乘回归法，建立小麦冠层白粉病病情指数监测模型，如表14所示。经复相关系数和均方根误差判别，RICl-NIRICl一krep模拟方程具有较高的复相关系数和较低的均方根误差。表14．基于PLS的模型拟合方程Table14．DiseaseIndexforecastequationsthroughPLS来源s⋯PLs模拟方程Simulatedequati⋯fPLs删复相蓄系数均鬻差RICl-NIRICl·krepD12526．442+6．402×RICl-7．548xNIRICl-1．501。№p0．90178．3976RICl-NIRIC2一krepDI=1535。083+9．579×RICl·1，514×NIRIC2-2．246×钆rep0．858310．9583RIC2-NIRICl·krepDI=748．721-4．034×RIC2-9．723xNIRICI-1．934×krep0．88329．2381型堡兰型!型垦兰：坐巳望堡垫丝：i堡Z：鱼：鱼堡：型￡兰：兰：!丝：堕!型竺兰：三：12Z：监巳Q：坠三鱼!Q：!堑!利用同步观测的28个样本对拟合方程进行精度验证，如图30所示。结果表明，RICl．NIRICl．№p模拟方程拟合的病情指数预测值具有较好的精度，其验证方程为v=0．8114x+9．498(R2=0．8521，RMSE=7．86，n-28)。由此可知，可见光红光波段和近红外波段经FastlCA分析提取的独立分量RCll和NIRICl中包含了较多病害信息，与冠层病情指数具有很好的相关关系，而且本文中红边位置的变化特征与小麦病害胁迫程度也表现出极显著负相关(r：．0．9015”，n=84)。 安徽农业大学博士学位论文小麦白粉病冠层尺度的病情信息分析20柏‘o001∞№-H■●●m■■曩ll●dⅨ■■曩嘲●堪图30．PLS模拟方程拟合病情指数预测值与测量值I司关系(n228)Figure30．ComparisonofmeasuredDIandpredictedDI(n=28)5．4小结野外实地冠层光谱特征与叶片和温室的光谱特征存在一定差异，具有更加复杂性。相对单叶尺度的监测，开展小麦白粉病的冠层光谱响应特征的探测研究对实现航空、航天遥感监测病害具有更加重要的意义。研究冠层尺度小麦白粉病不同病情指数光谱响应特征，通过植被指数和病情指数相关性分析，筛选出小麦自粉病病情指数反演监测模型。选取测试的25个植被指数光谱特征中，除了冠层尺度植被指数PSRI和WI与病情指数间相关性不显著外(p．value<0．05)，其余23个冠层尺度植被指数光谱特征均与小麦白粉病病情指数间显著相关。基于PLS提出多特征变量的小麦白粉病病情指数监测模型；选用基于负熵为信号统计量的FastlCA算法对高光谱数据进行降维分析，并对可见光、近红外波段的数据进行分离，构建小麦冠层病害胁迫特征三维空间分布模型。经复相关系数和均方根误差判别，RICl-NIRICl．Lrep模拟方程具有较高的复相关系数和较低的均方根误差，其模型预测值具有较好的精度。 安徽农业大学博士学位论文基于HJ-CCD影像的小麦白粉病遥感监测6、基于HJ．CCD影像的小麦白粉病遥感监测前面三部分内容主要是通过研究小麦白粉病的光谱及荧光响应规律，建立病害的病情指数与光谱信息之间的关系。近年来，随着航天技术的发展，卫星影像数据源在不断的丰富，如何利用各种卫星影像数据源，实现区域尺度上小麦白粉病的大范围监测，成为了病虫害遥感监测及应用的研究热点。白粉病是小麦常见的病害之一，在正常的年份，几乎每年都发生，因此，基于卫星遥感数据，研究区域尺度小麦白粉病的发生情况，对于相关职能部门实时、动态地掌握病虫害的发生和发展状况，制定农业管理措施和农业保险具有重要的意义。作物病害的遥感监测取决于卫星影像的时间和空间分辨率，而近年来，我国发射的环境减灾小卫星(HJ．A，B)每4天过境一次，且空间分辨率为30m，这为区域尺度病虫害的遥感监测提供了可靠的数据支持。植被指数(VI)是能表征植被状况的特征参量，本部分充分利用多时相的HJ．CCD数据，以河北晋州、藁城和宁晋县为研究区，采用土地覆盖类型变化研究的变化向量分析法对小麦关键的生育期的病害信息进行了提取，图31为本章冬小麦病害遥感监测的整体技术流程示意图。图31．冬小麦白粉病遥感监测技术流程图Figure31．Remotesensingmonitoringtechnologyflowchartofwinterwheatpowderymildew6．1．HJ影像预处理及小麦种植区域提取研究区小麦面积的准确提取是小麦白粉病遥感监测的基础，因此，本章选取了小麦白粉病大面积爆发的两个关键生育期(开花期和灌浆期)作为遥感监测的主要时期， 安徽农业大学博士学位论文基于HJ-CCD影像的小麦白粉病遥感监测同时分别获取了该两个时期的环境星影像，获取时间分别为：2010年5月20日(小麦开花期)和2010年6月10日(小麦灌浆期)，如图32、图33和图34所示。数据的预处理包括辐射定标，几何校『F和大气校正，方法参见2．3部分。2010年5月20日2010年6月lO日图32．河北晋州的遥感影像Figure32．RemotesensingimageofJinZhouinHebeiprovince2010年5月20日2010年6月10日图33．河北宁晋县的遥感影像Figure33．RemotesensingimageofNingJininHebeiprovince63 安徽农业大学博士学位论文基于HJ-CCD影像的小麦白粉病遥感监测2010年5月20日2010年6月10日图34．河北藁城的遥感影像Figure34．RemotesensingimageofGaochenginHebeiprovince根据资料调研和实际野外调查，研究区内除植被外，还包括居民地、道路、水体等其他地物，在植被类型中，除了有较大面积的小麦外，还包括小面积的草地、苜蓿等其他类型。由于各种地物，尤其是作物的复杂性，仅靠单一时相的遥感影像来准确提取小麦种植区域很困难。因此，本章使用2个时相的环境星影像，根据当地不同作物的物候期和各种地物在不同时相的环境星影像上的光谱、颜色及纹理特征，相互补充，综合分析，最终实现小麦种植面积的准确提取。根据研究区地物类型和作物特点，采用非监督分类的最大似然法对小麦种植区域进行提取，详细的提取流程图如图35所示，5月20日，小麦正处于生长旺盛的开花期，因此，可利用NDVI对植被的特殊敏感性，将NDVI的阈值设为O．67，把影像中的植被和非植被区域分开；通过对影像的分析发现，在研究区的植被区域中，除作物以外，还有草地和森林两种植被类型，而草地在近红外波段反射率高于作物和森林，所以通过设置Nir的阈值(Nir<0．34)可将作物和森林进一步分离出来，再通过DEM的阈值将作物和森林进一步分离出来；参考河北地区的物候期表发现，在5月份到6月初，冬小麦的主要混分类型除了草地和林地外，还有苜蓿，因此，利用苜蓿和小麦在近红外波段颜色的不同，选用5月份和6月份两个时相的近红外波段合成假彩色图，然后根据颜色从影像上选择训练样本，从而将小麦和苜蓿种植区域提取出来。 安徽农业大学博士学位论文基于HJ—CCD影像的小麦自粉病遥感监测一i磊丢ji：．．．．．．．．．．．，．．．．．．．．．．：：N玎艮dL●●一：D蹦．db_+一：图35．小麦种植面积提取流程图Figure35．Flowchartofwheatplantingareaextraction图36、图37和图38即为研究区的冬小麦区域图，经地面验证点对该分类结果的检验，冬小麦区域提取的总体精度达到90％以上。图36．河北晋州小麦种植面积提取结果图Figure36．TheresultsextractedwheatplantingareaofJinZhouinHebeiprovince65 安徽农业大学博士学位论文基于HJ—CCD影像的小麦白粉病遥感监测图37．河北宁晋县小麦种植面积提取结果图Figure37．TheresultsextractedwheatplantingareaofNingjininHebeiprovince图38．河北藁城小麦种植面积提取结果图Figure38．TheresultsextractedwheatplantingareaofGaochenginHebeiprovince6．2．白粉病遥感监测植被指数的选取由于HJ．CCD多光谱能够通过植被指数来表征植被的长势信息，本文根据张竞成 安徽农业大学博士学位论文基于HJ-CCD影像的小麦白粉病遥感监铡的研究成果，选取了6种对白粉病比较敏感的植被指数(表15)：如归一化植被指数NDVI(NormalDifferenceVegetationIndex)为近红外波段与红光波段数值之差和两个波段数值之和的比值，它对绿色植被表现敏感，常用于计算地表植被数量和活力，是植被生长状态及植被覆盖度的最佳指示因子，经过比值处理，它可以消除部分乘法性噪声的影像，同时归一化处理又降低了因为遥感器标定衰退对单波段的影响，使地表二向反射和大气效应造成的角度影响较小；绿波段归一化植被指数GNDVI，通过加入绿波段以增强植被信号，校正土壤背景和气溶胶散射的影响，解决土壤背景和红色波段范围叶绿素吸收比值，克服低植被区易受土壤背景的影响。表15．宽波段的植被指数Table15．Vegetationindexofthewidebandrange、，粤篓指挚，⋯缩了．计算公式F。nnula文献References!曼g!坚坚!Q翌!里璺!茎垒旦旦鉴!!垒!!竺堕!归一化植被指数NDVI(R脚一咏。d)／(天脚+氏d)Rouse等，1974譬鍪璧2一化GNDvI植被指数”⋯”三角植被指数TvI改进的简单比值指数MSR重归一化植被指数RDVI垡垡的土壤调节植被osAvI指数。。““(R脚一‰)／(R脚+k)60x(RNIR一心一)一100x(R足ED一只m。)乞棚，c愿柚(RNIR—RRea)／(4—RN—m—+—RR—ed)(RnIR—RRcd)／(尺脚+RRed+0．16)Gitelson等，1994Broge等，2000Chert，1996Roujean等，1995Rondeaux等，1996注：A一为近红外波段的反射率：‰为红波段的反射率；忍～为绿波段的反射率6．3．变化向量分析原理变化向量法(Changevectoranalysis)是由简单的差分法扩展而来的，是简单差分方法在多光谱影像中的形式，变化向量分析法可对不同时期影像的各个波段进行差值运算，从而求得每个像元在各个波段的变化量，这些波段的变化特征量则组成了变化向量。由于变化向量法可以避免误差累积导致的不合理分类缺陷【169,170,171,172]，雨本章主要是描述从时相1(无病)到时相2(发病)特征向量的变化大小与方向，所以我们将选取的植被指数向量的空间夹角作为特征向量，令不同时相特征向量差值为变化向量。设时相1和时相2的特征向量分别为鼠=‰％⋯^】1和只2‰％，“·，％JT，则变化向量为：A0=幺一鼠=巴l—BI巴2一如102"一日1"△a△良△耽(6．1)6．4．植被指数变化向量的构建依据HJ卫星CCD多光谱数据计算6种植被指数(表6．1所示)，构建六维向量空67 安徽农业大学博士学位论文于HJ-CCD影像的小麦白粉病遥感监测间，冬小麦2景生育期影像的每个像元分别对应一个六维植被指数向量，其中向量的模和方向余弦的计算见公式(6．2、6．3和6．4)：弓，，=(歹=1，2，3)引=擂i万丁焉丽cos‰2南昨墟a4^6)(6．2)(6．3)(6．4)其中，弓，，表示在／时相第f个像元的植被指数向量i遍历影像所有像元；／代表2个时相依次为开花期和灌浆期；k代表植被指数，zJ为归一化植被指数(NDVI)、X2为绿波段归一化植被指数(GNDVI)、X3为三角植被指数(TVI)、X4为改进的简单比值指数(MSR)、X5为重归一化植被指数(RDVI)、X6为优化的土壤调节植被指数(OSAVI)。△B=幺厂岛．，=岛，J’I一岛t『tl岛'}．2一q'l’2岛6,3一qlI'3岛'J’4一岛’I．4岛|f'5一B．j'5呸'J，6一岛．f'6基于植被指数向量的空间夹角构建变化向量△目=[△鼠，△皖，．．·，△皖]1，通过设置各生f6．5)育期彳目阈值，确定其变化范围。冬小麦白粉病病害监测的变化向量由公式6．5计算所得，其中厂表示时相2到时相1的变化。6．5．变化向量的确定及阈值划分为了筛选出最能表征冬小麦白粉病害灾情的监测模型，根据两个生育期各植被指数新向量角度变化范围AO的大小进行判断，其统计分析如表16所示。表16．不同时相植被指数变化向量角度变化范围Table16．Structuraldiagramofrootcuttingshovelandforceanalysisf【0。，8．46。】【-20．000，3．71。】【-10．000，1．42。】【-2．00。，6．36。】【0。，11．46。】【一12．00。，9．46。】注：△郇．柚为不同时相中第i个像元的植被指数向量空间角度变化。确娩殇以耘‰． 安徽农业大学博士学位论文基于HJ--CCD影像的小麦自粉痫遥感监测从表15中可以看出，在冬小麦白粉病害的监测模型中，绿波段归一化植被指数(GNDvI)的角度变化范围较其它植被指数变化幅度范围宽，故其表征的像元变化程度更明显。GNDVI主要利用了近红波段和绿波段，其中近红外波段可降低叶片表面和叶片内部的部分结构影响，而绿波段主要是叶绿素的反射峰，作物发生白粉病后，植株生理功能衰退，叶绿素合成受到影响。因此，在绿波段及叶绿素的反射峰处，发生了较大的变化，故该指数能较好的表征冬小麦的白粉病害情况，其监测模型如式(6—4)所示：4够=02—01=020，GNDVl)一010，GNDVI)(6·4)在变化向量空间中，各像元的角度变化向量AO与空间中唯一一点对应，故变化类型判断问题转化为角度分类问题。变化向量分析法的优势在于可以利用多维信息探测变化像元，故可不受单一信息量限制，且基于角度变化量构建的变化向量可表征变化类型，物理意义明确。本文选取了河北晋州、藁城、宁晋县三个地区60个实测样本数据，根据冬小麦叶片染病的面积与变化时相厂中变化向量彳o(i，GND嘲变化的响应关系划分冬小麦受病害的等级：染病面积大于70％且变化向量范围在【．200，．80)为I级．严重病害；染病面积大于50％d、于70％且变化向量范围在[．80，00)为II级．中度病害；染病面积小于10％且变化向量范围在【00，3．710)为Ⅲ级．未发生病害。6．6．冬小麦白粉病监测结果与分析图39、图40和图41分别是河北晋州、宁晋县、藁城市的白粉病监测图，通过变化向量变化信息划分为3个等级，对病害等级进行分析，可以看出晋州北部地区病害较严重，宁晋县中部有中度的病害，而藁城市北部和中部则有大面积的病害发生，因此，可以根据3个地区不同的病害程度，进行喷药控制，以降低病害带来的损失。6．7．模型验证为验证方法的可靠性，另选取了3个地区15个样本点进行验证，验证结果如表17所示。模型验证精度的计算公式为：预测模型精度(％)=1一预测样本误差数总验证样本数×100(6-5) 安徽农业大学博士学位论文基于HJ—CCD影像的小麦白粉病遥感监测图39．晋州市冬小麦白粉病的遥感监测图Figure39．RemotesensingmonitoringwinterwheatpowderymildewinJinZhoucity图40．宁晋县冬小麦白粉病的遥感监测图Figure40．RemotesensingmonitoringwinterwheatpowderymildewinNingJincity70 图41．藁城市冬小麦白粉病的遥感监测图Figure41．RemotesensingmonitoringwinterwheatpowderymildewinGaochengcity染病面积在70％且变化向量范围在[-20。，．8。)为I级一严重病害；染病面积在50％且变化向量范围在[．8。，0。)为II级一中度病害；染病面积在lO％R变化向量范围在[O。，3．71。)为Ⅲ级-未发生病害。表17．模型预测等级与实测等级对比Table17．Degreecomparisonbetweenforcastmodeldataandfieldmeasurements6．8．小结本章通过变化向量分析，对冬小麦白粉病害灾情进行遥感监测，利用冬小麦染病面积与绿波段归一化植被指数的响应关系，重新定义了矢量空间，构建了冬小麦白粉病的遥感监测模型，得出如下结论：(1)采用多种植被指数建立空间变化向量分析，通过分析6种植被指数的变化7l 安徽农业大学博士学位论文基于HJ-CCD影像的小麦白粉病遥感监测范围，得出了绿波段归一化植被指数对小麦白粉病更为敏感，该指数可用来建立小麦白粉病的监测模型。(2)通过分析3个地区的病害遥感监测图，得出晋少I'I：IL部地区病害较严重，宁晋县中部有中度的病害，而藁城市北部和中部则有大面积的病害发生，应根据3个地区不同的病害程度，进行喷药控制，以降低病害带来的损失。(3)将变化向量分析方法用于冬小麦病害监测，还应将气象因素考虑进来，排除非病害的因素，提高遥感监测的精度。 安徽农业大学博士学位论文结论、创新点与展望7、结论、创新点与展望7．1．结论本文分别利用单叶尺度、冠层尺度、卫星高光谱及成像荧光数据等多源多尺度的遥感数据进行小麦白粉病病害监测研究，针对白粉病病害遥感监测的生理基础、不同层次监测和预测中的部分研究提出一些补充和改进，并对方法、模型进行检验和评价。主要的研究结论归纳如下：(1)研究了小麦白粉病病菌侵染时植株体内生理特性及农学参数发生的变化。病原菌已对光合机构的结构和功能造成一定损伤，导致叶片光能转化效率和光合速率锐减，影响植株吸收营养的能力，大大削弱了叶片生产、分配和输出光合产物的功能。随着病情指数的增加，叶绿素a、叶绿素b以及总叶绿素含量均降低；方差分析结果表明，小麦白粉病病情指数与叶绿素含量、叶绿素密度间的差异达到显著或极显著水平。叶片色素含量的降低是叶片受到破坏，个体衰老加快的主要标志，表明小麦叶片受白粉菌侵染后，叶绿素含量显著降低，影响叶片光合作用能力，导致产量和品质降低。利用便携式Dualex测量的Chl值、Flav值可以快速反演叶片病情严重度，而且以小麦白粉病高光谱试验研究为基础，建立小麦白粉病叶片高光谱反射率与Chl值、Flav值的校正模型。这样可以对单独测定的Chl值、Flav值做校正，也可以利用高光谱数据对Chl值、Flav值进行预测，作为病害等级分类或其他分析中的辅助指标。(2)研究了基于成像荧光系统的小麦白粉病叶片生理特征。利用调制叶绿素荧光成像不仅可以测量整个叶片的光合作用能力，而且可以检测叶片光合作用的横向异质性，甚至可以早期检测肉眼不可见的胁迫损伤，并且阐明损伤机理和调节机制。由各参数的变化幅度来看，健康叶片与轻度病叶(病情严重度为5％．10％)间变幅较大，在叶片受侵害程度较重(病情严重度>80％)时，数值变幅也较大。说明病害胁迫使PSII受到了伤害，降低了PSII原初光能转化效率，光合作用原初反应过程受到抑制，病害胁迫使植物体内发生了光抑制，尤其在病情严重发生时，光合结构遭到很大程度的破坏。快速光曲线的拟合参数Pm、(it、D和Ik随叶片病害等级的加重而不断降低，各参数均以非病斑区圆形取样的数值较高，两种选取模式间随病害等级变化，其参数变化幅度略有差异。尝试对方程一阶求导得到快速光曲线的斜率方程吼c=P7(PAR)，可以更加直观地反映曲线随光合有效辐射的动态变化。(3)对小麦白粉病单叶尺度和冠层尺度病情严重度就行了探测研究。分别在叶片和冠层两个尺度上对小麦白粉病症状引起的光谱响应进行了分析。结合小麦白粉病叶片生理生化分析和光谱提取特征发现，白粉病病斑在小麦叶片上光谱特征明显而稳定，而病害叶片光谱则同时受到叶片病斑比例和叶片本身的叶绿素水平共同影响。分 安徽农业大学博士学位论文结论、创新点与展望别在叶片和冠层尺度有针对性地检验包括光谱微分、连续统特征及各类适合病害探测的植被指数等常规光谱特征对病害的敏感性，筛选出了适合于叶片及冠层尺度小麦白粉病监测的光谱特征。通过对640．1000rim波段范围内的光谱数据进行空间变换，提取向量在高阶统计上相互独立，并且代表某个特征源的信号，选用基于负熵为信号统计量的FastICA算法对高光谱数据进行降维分析，并对可见光、近红外波段的数据进行分离，为了提高病情诊断的稳定性和直观效果，同时将红边位置作为病害胁迫的指示特征，构建小麦冠层病害胁迫特征三维空间分布模型。利用偏最小二乘法建立小麦白粉病病情指数的预测模型，为小麦白粉病病害的遥感诊断提供定性和定量化依据。(4)通过变化向量分析，对冬小麦白粉病害灾情进行了遥感监测。利用冬小麦染病面积与绿波段归一化植被指数的响应关系，重新定义了矢量空间，构建了冬小麦白粉病的遥感监测模型。采用多种植被指数建立空间变化向量分析，通过分析6种植被指数的变化范围，得出了绿波段归一化植被指数对小麦白粉病更为敏感，该指数可用来建立小麦白粉病的监测模型。通过分析3个地区的病害遥感监测图，得出晋州北部地区病害较严重，宁晋县中部有中度的病害，而藁城市北部和中部则有大面积的病害发生，应根据3个地区不同的病害程度，进行喷药控制，以降低病害带来的损失。将变化向量分析方法用于冬小麦病害监测，还应将气象因素考虑进来，排除非病害的因素，提高遥感监测的精度。7．2创新点本论文中主要的创新点体现在以下2个方面：(1)传统的调制荧光设备多以光纤为信号传导体只能检测叶片局部光合活性。叶片不同部位的组织结构和叶绿素含量是不同的，因此，同一叶片不同位置的荧光特征具有横向异质性，而利用光纤探头获取某一点的荧光特征难以反映整个叶片的光合特性。利用植物叶片叶绿素荧光成像技术，分析小麦白粉病叶片光合作用的横向异质性，以变异系数(CV)表达。通过叶片成像系统异质性评价表明，受病害胁迫叶片，尤其是表面存在病斑的叶片，荧光参数问存在较高异质性。因此，探讨了小麦白粉病叶片快速光曲线变化特征以及两种选取(AOI)模式间异质性，在小麦白粉病试验区，基于荧光成像系统开展荧光诱导参数和快速光曲线测定与拟合。(2)小麦发生病害时，病斑往往多发生在中、下部，冠层上的光谱变化较微弱，难以提取小麦病害后冠层上光谱微弱变化的特征。为了获取小麦白粉病冠层尺度的病情指数，本文利用独立分量法(ICA)对病害胁迫时冠层可见光的红光波段和近红外波段进行了高光谱的独立分量分析，同时结合线性外插法获取了冠层光谱的红边位置，构建三维空间分布模型，取得了较好的病情指数分布效果，通过偏最小二乘法对获取 安徽农业大学博士学位论文结论、创新点与展望的冠层病情指数进行回归分析。结论表明，针对小麦白粉病冠层特征，利用独立分量和线性外插法对冠层病害高光谱数据进行处理，方法理论和实验技术具有良好的可行性，构建模型的精度检验说明取得了较好的估测效果。7．3展望本论文基于多源遥感数据，叶片、冠层和地块区域尺度分别进行了小麦病害监测的方法研究。受限于工作的时间和个人能力水平，目前虽在一些方法、模型的局部问题上取得一些进展，但与实际应用仍然存在一定的距离，还有不少问题需要进一步的研究和探索：(1)在单叶尺度小麦白粉病遥感监测研究方面，由于实验设计不够周全，一方面未获得小麦白粉病病斑的光谱数据，则难以剔除病斑本身的光谱干扰，缺失机理研究的合理性；另一方面未能就小麦白粉病的病害特征区别与养分胁迫、药害发生等病斑类胁迫特征。在今后的研究中，通过获取小麦白粉病本身的光谱数据、采样点的冠层光谱和采样点的叶绿素含量，可以利用叶片光学模型Prospect和冠层辐射传输模型Sail研究小麦白粉病不同病情严重度的冠层光谱特征。从而将单叶尺度研究转化到冠层尺度研究，为检验和修正病害光谱数据的校准提供理论基础，以拓展遥感监测病害的实际应用价值，提高遥感监测预测病害的精确度。(2)在冠层和区域尺度，如何提高作物不同类型胁迫类型的监测识别精度。病害作为作物胁迫类型的一种，在形态特征和生理特性上往往容易出现与其它类型胁迫混淆的情况。本论文虽在生理特性、单叶尺度和冠层水平对小麦白粉病的发生和严重度估测进行了一定的探索，但未能就白粉病胁迫与其他类型胁迫特征进行识别验证。另外，针对农田复杂环境中的病害监测问题，仅在光谱维信息外加入了时间维信息，受到数据、时间等限制未能够细致分析，其多时相影像构建的病害监测模型仅使用了单年度数据，从农学稳定性的评价角度难以适宜归纳总结应用。为了提高遥感预测的精度和应用能力，需加强病害发生发展的时间维变换特征信息，以保证遥感监测稳定高效的应用水平。(3)在病害预测方面，如何融合更多的数据、模型，以提高预测精度病害的发生受到多种因素的共同决定，本研究中主要还是基于遥感数据进行模型构建和预测，今后应尝试采用多源遥感及非遥感(无线传感器网络)数据的结合进行病害预测发生情况，以提高病害预测的准确性。此外，在模型方面，应加入病害发展过程描述的过程模型、扩散模型等，从而更精确地对病害在空间上的分布、发展趋势进行预测。 安徽农业大学博士学位论文参考文献[1】黄文江．作物病害遥感监测机理与应用[M]．北京：中国农业科学技术出版社，2009．[2】钱拴，霍治国，叶彩玲．我国小麦白粉病发生流行的长期气象预测研究．自然灾害学报，2005，14(4)：56．63．【3]乔红波．麦蚜和白粉病遥感监测技术研究，2007，博士学位论文．北京：中国农业科学院．[4]曹学仁．小麦白粉病的遥感监测及捕捉器中孢子的Real—timePCR定量检测．2012，博士学位论文．北京：中国农业科学院．[5】BennettF．G．A．Resistancetopowderymildewinwheat：areviewofitsuseinagricultureandbreedingprogrammes．PlantPathology，1984，33：279-300．【6】李伯宁．基于GIS的小麦白粉病的越夏和越冬区划．2008，硕士学位论文．北京：中国农业科学院．[7】全国农业技术推广服务中心病虫害测报处．2011年全国小麦重大病虫害发生趋势预报．种业导刊，2011,2：13．16．【8】何家泌，宋玉立，张忠山等．小麦白粉病及其防治I小麦白粉病的分布、症状和危害．河南农业科学，1998，1：17．18．[9】9Alien，T．R．，Kupfer，J．A．．ApplicationofsphericalstatisticstochangevectoranalysisofLandsatdata：SouthernAppalachianspruce·firforests[J]．RemoteSensingofEnvironment，2000，74(3)：482—493．【10】RabbingeR．，JorritsmaI．T．M．，SchansJ．Damagecomponentsofpowderymildewinwinterwheat．NetherandJournalofPlantPathology，1985，91：235—247[1l】BaenzigerE．S．，KilpatrickR．A．，MosemanJ．G．ReducedrootandshootgrowthcausedbyErysiphegraministfiticiinrelatedwheatgrowninnutrientsolutionculture．CanadianJournalofBotany，1979，57：1345—1348．[12】RoyseD．J．，GregoryL．V．，AyersJ．E．，eta1．Powderymildewofwheat：Relationofyieldcomponentstodiseaseseverity．CanadianJournalofPlantPathology，1980，2：131．136．[13】BowenK．L．，EvensK．L．，LeathS。ReductioninyieldofwinterwheatinNorthCarolinaduetopowderymildewandleafrust．Phytopathology，1991，81(5)：503-511．[14]PersaudR．R．，LippsP．E．VirulencegenesandvirulencegenefrequenciesofBlumeriagraminisf．sp．triticiinOhio．PlantDisease，1995，79：494—499．76 安徽农业大学博士学位论文参考文献【15】．李振岐．麦类病害．北京：中国农业出版社，1997．【16]曹学仁，周益林，段霞瑜，等．利用高光谱遥感估计白粉病对小麦产量及蛋白质含量的影响．植物保护学报，2009，36(1)：32．36．【17】Mizrach，A．．Determinationofavocadoandmangofruitpropertiesbyultrasonictechnique【J]．Ultrasonics，2000，38(1-8)：717-722．[18]Walcott，R．R．，McGee，D．C．，Misra,M．K—Detectionofintemaldefectsinpotatobasedonultrasoundattenuation[J】．PlantDisease，1998，82(5)：584—589．[19]Ogawa,Y．，Kondo，N．，Shibusawa，S．．InsidequalityevaluationoffruitbyX-rayimage[C】．AdvancedIntelligentMechatronics，2003，2：1360-1365．[20】Barcelon，E．．X—rayComputedTomographyforInternalQualityEvaluationofPeaches[J】．JournalofAgriculturalEngineeringResearch，1999，73(4)：323-330．[21]Barcelon，E．G．，Tojo，S．，Watanabe，K—RelatingX-rayabsorptionandsomequalitycharacteristicsofmangofruit(MangiferaindicaL．)【J】．JournalofAgriculturalandFoodChemistry，1999，47(9)：3822-3825．[22】Maharajan，A．，Latha,S．，Sathyanarayana,N．，eta1．．X-rayanalysis：anon-destructivedetectionofstoneweevil，Sternochetusmangiferaeinmangofruits【J】．IndianJournalofPlantProtection，2005，33(2)：164—166．【23】Finney，E．E．，Norris，K．H．．X-raySCanSfordetectinghollowheartinpotatoesAmerican【J】．JournalofPotatoResearch，1978，55(2)：95．105．[24】Galed，G．，Femhndez·Valle，M．E．，Martinez，A．，eta1．．ApplicationofMRItomonitortheprocessofripeninganddecayincitrustreatedwithchitosansolutions[J】．MagneticResonanceImaging，2004，22(1)：127-137．[25】SaltveitJr．，M．E．．Determiningtomatofruitmaturity、Ⅳitllnondestructiveinvivonuclearmagneticresonanceimaging[J】．PostharvestBiologyandTechnology，1991，1(2)：153—159．[26]Tu，S．，Choi，Y．，Mccarthy，M．，eta1．．TomatoqualityevaluationbypeakforceandNMRspin-spinrelaxationtime[J】．PostharvestBiologyandTechnology，2007，44(2)：157．164．【27]Clark，C．J．，Hockings，P．D．，Joyce，D．C．，eta1．．Applicationofmagneticresonanceimagingtopre。andpost—harveststudiesoffi'uitsandvegetables【J】．PostharvestBiologyandTechnology，1997，1(1)：l-21．【28】Tllybo，A。K．，Jespersen，S．N．，Laerke，P。E。，eta1．．Nondestructivedetectionofinternalbruiseandspraingdiseasesymptomsinpotatoesusingmagneticresonance77 安徽农业大学博士学位论文参考文献imaging川．MagneticResonanceImaging，2004，22(9)：1311-1317．[29]Barker，J．R．，Haws，M．J．，Brown，R．E．，eta1．．Magneticresonanceimagingofseverefrostbiteinjuries【J】．AnnalsofPlasticSurgery．1997，38(3)：275—9．[30】Clark，C．J．，Hockings，P．D．，Joyce，D．C．，etal—Applicationofmagneticresonanceimagingtopre·andpost-harveststudiesoffruitsandvegetables[J]．PostharvestBiologyandTechnology，1997，1(1)：1-21．[31】P．Chen，M．J．McCarthy，R．Kauten，eta1．．Mauri锣EvaluationofAvocadosbyNMRMethods[J]．JournalofAgriculturalEngineeringResearch，1993，55(3)：177—187．[32】Andaur,J．E．，Guesalaga,A．R．，Agosin，E．E．，eta1．．Magneticresonanceimagingfornondestructiveanalysisofwinegrapes[J】．JournalofAgriculturalandFoodChemistry，2004，52(2)：165-170．[33】KrauseGHandWeisE．Chlorophyllfluorescenceandphotosynthesis：thebasics．AnnaRevPlantPhysiolPlantMolBiol，1991，42：319-349[34]KrauseGH，WeiE．Chlorophyllfluorescenceandphotosysthesis：Thebasis[J]．AnnRevPlantPhysiolPlantMolBiol，1991，42：313—349．[35】LiX，JiaoDM，LiuYL，eta1．Chlorophyllfluorescenceandmembranelipidperoxidationintheflagleavesofdifferenthi曲yieldricevarietyatlatestageofdevelopmentundernationalcondition[J】．ActaBotanicaSinica,2002，44(4)：413-421．【36】董彩霞，田纪春，赵世杰．不同形态氮素对高蛋白小麦幼苗叶绿素荧光特性的影响【J】．西北植物学报，2002，22(2)：229-234．[37】郑国华．炭疽病侵染对枇杷叶片H202含量和叶绿素荧光参数的影响[J】．福建农业大学学报，2001，30(3)：353-356．【38]王北洪，黄木易，马智宏，等．条锈病对冬小麦叶绿素荧光、光合及蒸腾作用的影响【J】．华北农学报，2004，19(2)：92-94．[39]Moshou，D．，Bravo，C．，Oberti，R．，eta1．．Plantdiseasedetectionbasedondatafusionofhyper-spectralandmulti-spectralfluorescenceimagingusingKohonenmaps[J】．Real-TimeImaging，2005，11(2)：75-83．[40]TaubenhausJ．J．，EzekielW．N．，NebletteC．B．Airplanephotographyinthestudyofcottonrootrot．Phytopathology，1929，19：1025—1029．[41]唐延林，黄敬峰．农业高光谱遥感研究的现状与发展趋势．遥感技术与应用，2001，16(4)：248-251．【42】梅安新，彭望碌，秦其明，等．遥感导论．北京：高等教育出版社，2001．[43】Adams，M．L．，Philpot，W．D．，&Norvell，W．A．Yellownessindex：anapplicationof7R 安徽农业大学博士学位论文参考文献spectralsecondderivativestoestimatechlorosisofleavesinstressedvegetation．InternationalJournalofRemoteSensing，1999，18，3663-3675．【44】Kim，M．S．，Daughtry，C．S．T．，Chappelle，E．W．，&McMurtrey，J．E．Theuseofhighspectralresolutionbandsforestimatingabsorbedphotosyntheticallyactiveradiation(APAg)．InProceedingsofthe6thInternationalSymposiumonPhysicalMeasurementsandSignaturesinRemoteSensing，France：Vald’Isere，1994，299—306．【45】SteddomK．，HeidelG．，JonesD．，eta1．Remotedetectionofrhizomaniainsugarbeets．Phytopathology，2003，93(6)：720—726．[46】黄木易，王纪华，黄文江，等．冬小麦条锈病的光谱特征及遥感监测．农业工程学报，2003，19(6)：154—158．[47】Liu，Z．Y．，Wu，H．F．，&Huang，J．F．Applicationofneuralnetworkstodiscriminatefungalinfectionlevelsinricepaniclesusinghyperspectralreflectanceandprincipalcomponentsanalysis．ComputersandElectronicsinAgriculture，2010，72，99-106．[48】Huang，W．J．，Huang，M．Y．，Liu，L．Y．，Wang，J．H．，Zhao，C．J．，&Wang，J．D．Inversionoftheseverityofwinterwheatyellowrustusingproperhyperspectralindex．TransactionsoftheCSAE，2005，21(4)，97-103．[49】Muhammed，H．H．HyperspectralCropReflectanceDataforcharacterisingandestimatingFungalDiseaseSeverityinWheat．BiosystemsEngineering，2005，91(1)，9-20．[50]蔡成静，马占鸿，王海光，等．小麦条锈病高光谱近地与高空遥感监测比较研究四．植物病理学报，2007，37(1)：77．82[51】Jones，C．D．，Jones，J．B．，&Lee，W．S．Diagnosisofbacterialspotoftomatousingspectralsignatures．ComputersandElectronicsinAgriculture，2010，74(2)，329-335．[52】Yang，C．H．，EveriR，J．H．，&Fernandez，C．J．Comparisonofairbornemultispectralandhyperspectralimageryformappingcottonrootrot．Biosystemsengineering，2010，107(2)，131-139．[53】Moshou,D．，Bravo，C．，West，J．，Wahlen，S．，McCartney，A．，&Ra／non，H．Automaticdetectionof’yellowrust’inwheatusingreflectancemeasurementsandneuralnetworks．ComputersandElectronicsinAgriculture，2004，44，173—188．[54】Huang，W．J．，David，W．L．，Niu，Z．，Zhang，Y．J．，Liu，L．Y．，＆Wang，J．H．Identificationofyellowrustinwheatusingin·situspectralreflectancemeasurementsandairbomehyperspectralimaging．PrecisionAgriculture，2007，8，187-197．【55]徐冠华．论热红外遥感中的基础研究[J]．中国科学E辑2000(S1)．79 安徽农业大学博士学位论文参考文献[56】田国良．热红外遥感[M】．电子工业出版社2006．[57】Chaerle，L．，VanCaeneghem，W．，Messens，etal．．Presymptomaticvisualizationofplant‘virusinteractionsbythermography【J】．NatureBiotechnology，1999，17(8)：813．816．[58]Chaerle，L．，Hulsen，K．，Hermans，C．，etal．．Robotizedtime—lapseimagingtoassessin。plantauptakeofphenylureaherbicidesandtheirmicrobialdegradation[J]．PhysiologiaPlantarum，2003，118(4)：613．619．[59】Chaerle，L．，Hulsen，K．，Hermans，C．，eta1．．Robotizedtime·lapseimagingtoassessin-plantauptakeofphenylureaherbicidesandtheirmicrobialdegradation【J】．PhysiologiaPlantarum，2003，l18(4)：613—619．【60】Oerke，E．C．．Croplossestopests[J]．TheJournalofAgriculturalScience，2005，144(01)：31．[6l】赵英时．遥感应用分析原理与方法【M】．北京：科学出版社，2003．[62】黄木易．冬小麦条锈病害的高光谱遥感监测[D]．安徽：安徽农业大学，2004．[63】PolischukV．P．，ShadchinaT．M．，KompanetzT．I．，eta1．ChangesinreflectancespectrumcharacteristicofNicotianadebneyiplantundertheinfluenceofviralinfection．ArchivesofPhytopathologyandPlantProtection，1997，31(1)：115-119．[64]Kobayashi，T．，Kanda,E．，&Kitada，K．Detectionofricepanicleblast谢t11multispectralradiometerandthepotentialofusingairbomemultispectralscanners．TheAmericanPhytopathologicalSociety，2001，91(3)，316-323．[65】KobayashiT．，KandaE．，NaltoS．，eta1．Ratioofricereflectanceforestimatingleafblastseveritywithamultispectralradiometer．JournalofGeneralPlantPathology，2003，69：17—22．[66】HansenJ．G．Useofmultispectralradiometryinwheatyellowrustexperiments．EPPOBulletin，1991，21：651-658．[67]BravoC．，MoshouD．，WestJ．Earlydiseasedetectioninwheatfieldsusingspectralreflectance．BiosystemsEngineering，2003，84(2)：137-145．[68】MoshouD．，BravoC．，WestJ．，eta1．Automaticdetectionof‘yellowrust’inwheatusingreflectancemeasurementsandneuralnetworks．ComputersandElectronicsinAgriculture，2004，44：173-188．【69】MoshouD．，BravoC．，ObertiR．，eta1．Intelligentmulti-sensorsystemforthedetectionandtreatmentoffungaldiseasesinarablecrops．BiosystemsEngineering，2011，108：311-321．Rn 安徽农业大学博士学位论文参考文献【70】SteddomK．，HeidelG．，JonesD．，eta1．Remotedetectionofrhizomaniainsugarbeets．Phytopathology，2003，93(6)：720-726．【71】MuhammedH．H．，LarsolleA．Featurevectorbasedanalysisofhyperspectralcropreflectancedatafordiscriminationandquantificationoffungaldiseaseseverityinwheat．BiosystemsEngineering，2003，86(2)：125—134．[72】LarsolleA．，MuhammedH．H．Measuringcropstatususingmultivariateanalysisofhyperspectralfieldreflectancewithapplicationtodiseaseseverityandplantdensity．PrecisionAgriculture，2007，8：37-47．[73]NicolasH．Usingremotesensingtodetermineofthedateofafungicideapplicationonwinterwheat．CropProtection，2004，23(2)：853-863．[74】GraeffS．，LinkJ．，ClaupeinW．Identificationofpowderymildew(Erysiphegraminissp。tritici)andtake-alldisease(Gaeumannomycesgraminissp．tritici)inwheat(TriticumaestivumL．)bymeansofleafreflectancemeasurements．CentralEuropeanJournalofBiology，2006，1：275-288．【75】HuangJ．F．，ApanA．DetectionofSclerotiniarotdiseaseonceleryusinghyperspectraldataandpartialleastsquaresregression。JournalofSpatialScience，2006．51：129-142．【76】BauriegelE．，GiebelA．，GeyerM．，eta1．EarlydetectionofFusariuminfectioninwheatllsiI培hyper-spectralimaging．ComputersandElectronicsinAgriculture，2011，75：304．312．【77】RayS．S．，JainN．，AroraR．K．，eta1．Utilityofhyperspectraldataforpotatolateblightdiseasedetection．JournalofIndianSocietyofRemoteSensing，2011，39(2)：161—169．【78]阿布都瓦斯提．吾拉木．(2006)．基于n维光谱特征空间的农田干旱遥感监测．北京大学。博士论文．[79]黄敬峰，王福民，王秀珍．水稻高光谱遥感实验研究．浙江：浙江大学出版社．2010：1·7：136．152．[80】Lillesand，T．M．，Kiefer,R．W．．Remotesensingandimageinterpretation(thirdedition)[M]．JohnWiley&Sons，NewYork：Inc．，1994．[81]R0占宇，孙华生，黄敬峰．基于学习矢量量化神经网络的水稻白穗和正常穗的高光谱识别[J】．中国水稻科学，2007，21(6)：658．666．[82】F．Boochs，G．Kupfer，K．Dockter,W．Kfihbauch，Shapeoftherededgeasvitalityindicatorforplants．InternationalJournalofRemoteSensing，1990，11(1O)：1741．1753．81 安徽农业大学博士学位论文参考文献[83】马伟，赵珍梅，刘翔，闰东川．植被指数与地表温度定量关系遥感分析——以北京市TM数据为例．国土资源遥感，2010，4(3)：108．112．【84】张竞成．多源遥感数据小麦病害信息提取方法研究【D】，浙江，浙江大学，2012．[85】Lenk，S．，Chaerle，L．，Pfiindel，E．E．，eta1．．Multispectralfluorescenceandreflectanceimagingattheleaflevelanditspossibleapplications[J]．JournalofExperimentalBotany，2007，58(4)：807—814．【86】West，J．S．，Bravo，C．，Obefit，R．，eta1．．Thepotentialofopticalcanopymeasurementfortargetedcontroloffieldcropdiseases[J】．AnnualReviewofPhytopathology，2003，41：593—614．[87]陈维君，周启发，黄敬峰．用高光谱植被指数估算水稻乳熟后叶片和穗的色素含量．中国水稻科学，2006，20(4)：434．439．[88】ShizhouDu，WenjiangHuang，RongfuWang，Ju—huaLuo，JinlingZhao，LinYuan．ApplicationofContinuumRemovalMethodforEstimatingDiseaseSeverityLevelofWheatPowderyMildew．AdvancedMaterialsResearch，Vo396-398：2012-2017．【89】王大成，王纪华，李存军，张东彦，黄敬峰．基于ANN和传统算法估算小麦叶绿素密度的比较．农业工程学报，2008，24SUPP．2，196．201．【90]袁志发，周静芋．多元统计分析．北京：科学出版社．2002．[91]AusmusB．S．，HiltyJ．W．Reflectancestudiesofhealthy，maizedwarfmosaicvirus·infected，andHelminthosporiummaydis—infectedcornleaves．RemoteSensingofEnvironment，1972，2：77-81．[92]NutterF．V．Detectionandmeasurementofplantdiseasegradientsinpeanut淅tllamulfispectralradiometer．Phytopathology，1989，79：958-963．【93】MalthusT．J．，MaderiaA．C．Highresolutionspectroradiometry：SpectralreflectanceoffieldbeanleavesinfectedbyBotrytisfabae．RemoteSensingofEnvironment，1993，45：107．116．[94】SasakiY，OkamotoT，ImoK，eta1．Automaticdiagnosisofplantdisease：ecognitionbetweenhealthyanddiseasedleaf嘲．JournaloftheJapaneseSocietyofAgriculturalMachinery，1999，61(2)：119—126．[95】Kobayashi，T．，Kanda,E．，&Kitada,K．Detectionofricepanicleblast丽mmultispectralradiometerandthepotentialofusingairbornemultispectralscanners．TheAmericanPhytopathologicalSociety，2001，91(3)，316—323．[96】ZhangM．H．，Qinz．H．，LiuX．，eta1．Detectionofs仃essintomatoesinducedbylateblightdiseaseinCalifornia,USA，usinghyperspectralremotesensing．InternationalR2 安徽农业大学博士学位论文参考文献JournalofAppliedEarthObservationandGeoinformation，2003，4：295·310．【97】Graeff,S．，Link，J．，&Claupein，W．Identificationofpowderymildew(Erysiphegraminissp．tritici)andtake-alldisease(Gaeumannomycesgraminissp．tritici)inwheat(TriticumaestivumL．)bymeansofleafreflectancemeasurements．CentralEuropeanJournalofBiology，2006，1，275-288．[98】DaughtryC．S．T．，Waltll2L11C．L．，KimM．S．，eta1．Estimatingcornleafchlorophyllconcentrationfromleafandcanopyreflectance．RemoteSensingofEnvironment，2000，74：229—239．[99]MoshouD．，BravoC．，WahlenS．，eta1．Simultaneousidentificationofplantstressesanddiseasesinarablecropsusingproximalopticalsensingandself-organisingmaps．PrecisionAgriculture，2006，7：149-164．[100】YangC．M．Assessmentoftheseverityofbacterialleafblightinriceusingcanopyhyperspectralreflectance．PrecisionAgriculture，2010，11，61·81．【101]Naidu，R．A．，Perry，E．M．，Pierce，F．J．，&Mekuria,T．ThepotentialofspectralreflectancetechniqueforthedetectionofGrapevineleafroll·-associatedvirus·-3intwored—berriedwinegrapecultivars．ComputersandElectronicsinAgriculture，2009，66，38-45．【102]Liu，Z．Y．，Wu,H．F．，&Huang，J．F．Applicationofneuralnetworkstodiscriminatefungalinfectionlevelsinricepaniclesusinghyperspectralreflectanceandprincipalcomponentsanalysis．ComputersandElectronicsinAgriculture，2010，72，99-106．[103]MahleinA．K．，SteinerU．，DehneH．W．，eta1．Spectralsignaturesofsugarbeetleavesforthedetectionanddifferentiationofdiseases．PrecisionAgriculture，2010，11：413．431．[104】吴曙雯，王人潮，陈晓斌，等．稻叶瘟对水稻光谱特性的影响研究．上海交通大学学报(农业科学版)，2001，20(1)：73．76．[105】黄木易，王纪华，黄文江，等．冬小麦条锈病的光谱特征及遥感监测．农业工程学报，2003，19(6)：154．158．[106]刘良云，黄木易，黄文江，等．利用多时相的高光谱航空图像监测冬小麦条锈病．遥感学报，2004，8(3)：275．281．【107】蔡成静，王海光，安虎，等．小麦条锈病高光谱遥感监测技术研究．西北农林科技大学学报(自然科学版)，2005，33(增刊)：31．36．[108】郭洁滨，黄冲，王海光，等．基于高光谱遥感技术的不同小麦品种条锈病病情指数的反演．光谱学与光谱分析，2009，29(12)：3353．3357．R3 安徽农业大学博士学位论文参考文献[109】ChenB．，LiS．K．，WangK．R．Spectrumcharacteristicsofcottoncanopyinfectedwithverticilliumwiltandapplications．AgriculturalSciencesinChina,2008，7(5)：561．569．【110】ChenB．，LiS．K．，WangK．R．，eta1．EvaluatingtheseveritylevelofcottonVerticilliumusingspectralsignatureanalysis．InternationalJournalofRemoteSensing，2012，33(9)：2706-2724．【11l】乔红波，简桂良，邹亚飞，等．枯萎病对不同抗性棉花光谱特性的影响．棉花学报，2007，19(2)：155．158．[112】JordanC．F．Derivationofleafareaindexfromqualityoflightontheforestfloor．Ecology，1969，50：663-666．【113】RouseJ．W．，HaasR．H．，SchellJ．A．，eta1．MonitoringvegetationsystemsintheGreatPlains淅tllERTS，inThirdERTSSymp．，NASASP-351，U．S．Gov．PrintingOffice，Washington，DC，V01．I，1973，309-317．[114】KaufmanY．J．，TanreD．Atmosphericallyresistantvegetationindex(ARVI)forEOS-MODIS．IEEETransactionsonGeoscienceandRemoteSensing，1992，30，261．270．[115]GitelsonA．A．，ZurY．，ChivkunovaO．B．，eta1．Assessingcarotenoidcontentinplantleaveswithreflectancespectroscopy．PhotochemistryandPhotobiology，2002，75：272．281[116】HueteA．R．Asoil-adjustedvegetationindex(SAVI)．RemoteSensingofEnvironment，1988，25：295—309．[117】QiJ．，ChehbouniA．，HueteA．R．，eta1．Amodifiedsoiladjustedvegetationindex．RemoteSensingofEnvironment，1994，48：119-126．[118】Merzlyak，M．N．，Gitelson，A．A．，Chivkunova,O，B．，&Rakitin，V．Y．Non-destructiveopticaldetectionofpigmentchangesduringleafsenescenceandfruitripening．PhysiologiaPlantarum，1999，106，135-141．【119】Menon，R．，&Huntington，J．EarlysimulationoftheARIES-1satellitesensorformulti-temporalvegetationresearchderivedfromAVIRIS．InSummariesoftheEightJPLAirborneEarthScienceWorkshop．Pasadena,CA：JPLPublication，1999，299—307．【120】Bravo，C．，Moshou，D．，West，J．，McCartney，A．，&Ramon，H．Earlydiseasedetectioninwheatfieldsusingspectralreflectance．BiosystemsEngineering，2003，84，137-145．R4 安徽农业大学博士学位论文参考文献【121】Yallg，C．M．，Cheng，C．H．，&Chen，R．K．Changesinspectralcharacteristicsofricecanopyinfested埘tllbrownplanthopperandleaffolder．CropScience，2007，47(1)，329-335．[122】Naidu，R．A．，Perry，E．M．，Pierce，F．J．，&Mekuria,T．ThepotentialofspectralreflectancetechniqueforthedetectionofGrapevineleafroll·-associatedvirus·-3intwored—berriedwinegrapecultivars．ComputersandElectronicsinAgriculture，2009，66，38．45．[123】Steddom，K．，Heidel，&G．，Jones，D．RemoteDetectionofRhizomaniainSugarBeets．phytopathology，2003，93(6)，720·726．[124】Zhao，C．J．，Huang，M．Y．，Huang，W．J．，Liu，L．Y．，&Wang，J．H．Analysisofwinterwheatstriperustcharacteristicspectrumandestablishingofinversionmodels．I(讼RSS，2004，6(20·24)，4318-4320．【125]Huang，W．J．，Huang，M．Y．，Liu，L．Y．，Wang，J．H．，Zhao，C．J．，&Wang，J．D．Inversionoftheseverityofwinterwheatyellowrustusingproperhyperspectralindex．TransactionsoftheCSAE，2005，21(4)，97·103．[126】Huang，W．J．，David，W．L．，Niu，Z．，Zhang，Y．J．，Liu，L．Y．，&Wang，J．H．Identificationofyellowrustinwheatusingin—situspectralreflectancemeasurementsandairbornehyperspectralimaging．PrecisionAgriculture，2007，8，187-197．[127】DevadasR．，LambD．W．，SimpfendorferS．，eta1．Evaluatingtenspectralvegetationindicesforidentifyingrustinfectioninindividualwheatleaves．PrecisionAgriculture，2009，10：459-470．【128]蒋金豹，陈云浩，黄文江．用高光谱微分指数监测冬小麦病害的研究，光谱学与光谱分析，2007，27(12)，2475．2479．[129]罗菊花．基于多源数据的小麦蚜虫遥感监测预测研究[D】，北京，北京师范大学，2012．[130]靳宁．棉花黄萎病高光谱识别及遥感监测研究【D】．江苏：南京信息工程大学，2009．[131】MalthusT．J．，MaderiaA．C．Hi曲resolutionspectroradiometry：SpectralreflectanceoffieldbeanleavesinfectedbyBotrytisfabae．RemoteSensingofEnvironment，1993，45：107．116．【132】Adams，M．L．，Philpot，W．D．，&Norvell，W．A．Yellownessindex：anapplicationofspectralsecondderivativestoestimatechlorosisofleavesinstressedvegetation。InternationalJournalofRemoteSensing，1999，18，3663·3675．R5 安徽农业大学博士学位论文参考文献[133]蒋金豹，陈云浩，黄文江，等．冬小麦条锈病严重度高光谱遥感反演模型研究．南京农业大学学报，2007，30：63．67．【134】王圆圆，陈云浩，李京，黄文江．指示冬小麦条锈病严重度的两个新的红边参数．遥感学报，2007，11(6)，875．881．[135]ChoMA，SkidmoreAK．Anewtechniqueforextractingtherededgepositionfromhyperspectraldata：Thelinearextrapolationmethod．RemoteSensingofEnvironment，2006，101：181—193．[136】DanielsenS．，MunkL．Evaluationofdiseaseassessmentmethodsinquinoafortheirabilitytopredictyieldlosscausedbydownymildew．CropProtection，2004，23(3)：219．228．[137】MoshouD．，BravoC．，WestJ．，eta1．Automaticdetectionof‘yellowrust’inwheatusingreflectancemeasurementsandneuralnetworks．ComputersandElectronicsinAgriculture，2004，44：173-188．[138]Moshou，D．，Bravo，C．，Oberti，R．，West，J．，Boclria,A．，McCartney，A．，&Ramon，H．(2005)．Plantdiseasedetectionbasedondatafusionofhyper-spectralandmulti-spectralfluorescenceimagingusingKohonenmaps．Real-TimeImaging，11，75-83．[139】刘占宇．水稻主要病虫害胁迫遥感监测研究【D】．浙江：浙江大学浙江大学环资学院，2008．[140】YangC．H．，EverittJ．H．，FernandezC．J．Comparisonofairbornemultispectralandhyperspectralimageryformappingcottonrootrot．BiosystemsEngineering，2010，107：131．139．【141】张瑞英．方差分析在小麦条锈病超长期预测中的应用【J】．甘肃农业科技，2002，(1)：39^40．[142]胡小平，杨之为，李振岐，邓志勇，柯长华．汉中地区小麦条锈病的BP神经网络预测【J】．西北农业学报．2000，28(2)：18-21．【143】王信群．模糊数学在病虫害测报中的应用【J】．安徽农业科学．2005，33(3)：396—398．[144】何家泌，宋玉立，张忠山，等．小麦白粉病及其防治I小麦白粉病的分布、症状和危害．河南农业科学，1998，1：17．18．[145】李映霞小麦抗白粉病机理的初步研究[D]．湖北：华中农业大学，2004．【146】LorenzenB．，JensenA．Changesinspectralpropertiesinducedinbarleybycerealpowderymildew．RemoteSensingofEnvironment，1989，27：201-209．【147】乔红波，简桂良，邹亚飞，等．枯萎病对不同抗性棉花光谱特性的影响．棉花学R6 安徽农业大学博士学位论文参考文献报，2007，19(2)：155-158．【148]GraeffS．，LinkJ．，ClaupeinW．Identificationofpowderymildew(Erysiphegraminissp．tritici)andtake-alldisease(Gaeumannomycesgraminissp．tritici)inwheat(TriticumaestivumL．)bymeansofleafreflectancemeasurements．CentralEuropeanJournalofBiology，2006，1：275-288．[149]乔洪波，周益林，白由路，等．地面高光谱和低空遥感监测小麦白粉病初探．植物保护学报，2006，33(4)：341．344．【150]Franke，J．，&Menz，G．Multi—temporalwheatdiseasedetectionbymulti-spectralremotesensing．PrecisionAgriculture，2007，8(3)，161-172．【151】MewesT．，FrankeJ．，MenzG．Spectralrequirementsonairbomehyperspectralremotesensingdataforwheatdiseasedetection．PrecisionAgriculture，2011，12：795．812．[152]浦瑞良，宫鹏．高光谱遥感及其应用【M】．北京：高等教育出版社，2003．[153】王磊，白由路，卢艳丽，等．光谱数据变换对玉米氮素含量反演精度的影响．遥感技术与应用，2011，26(2)：220．225．【154]WoodCW，ReevesDW，DuffieldREdmistenKL．Fieldchlorophyllmeasurementsforevaluationofcornnitrogenstatus．JPlantNutr，1992，15：487-500．[155】arreguiLM，LasaB，LafargaA，IrannetaI，BarojaE，QuemadaM．EvaluationofchlorophyllmetersastoolsforNfertilizationinwinterwheatunderhumidMediterraneanconditions．EurJAgron，2006，24：140-148．[156]TremblayN，B41ecC．Adaptingnitrogenfertilizationtounpre-dictableseasonalconditionswiththeleastimpactontheenvi—ronment．Horttechnology，2006，16：408—12．[157】RichardB．Peterson&EvelynA．H。Themultiphasicnatureofnonphotochemicalquenching：implicationsforassessmentofphotosyntheticelectrontransportbasedonchlorophyllfluorescencePhotosynthesisResearch82：95—107，2004．[158】Demmig-AdamsB，AdamsWW，BakerDH，LoganBA，BowlingDR，VerhorevenAS。Usingchlorophyllfluorescencetoassessthefractionofabsorbedlightallocatedtothermaldissipationofexcessexcitation．PhysiolPlant，1996，98：253-264．[159]LiCX，ZhongZC，LiuY．EffectofsoilwaterchangeonphotosyntheticcharacteristicsofTaxodiumdistichumseedlingsinthehydro—fluctuationbeltoftheThreeGorgesReservoirArea．ActaEcologicaSinica,2005，25(8)：1953-1959．[160]ZhangYL，HuYY，LuoHH，eta1．Twodistinctstrate—giesofcottonandsoybeanR7 安徽农业大学博士学位论文参考文献differinginleafmovementtoperformphotosynthesisunderdroughtinthefield．Func-tionalPlantBiology，2011,38：567--575．【161】郭峰，曲妍妍，信长朋，等．弱光下生长的高产小麦品系PH01．35旗叶光合机构对不同光强的响应[J】．作物学报，2009，35(1)：179．184．[162】金铭，刘湘南，李铁瑛．基于冠层多维光谱的水稻镉污染胁迫诊断模型研究[J】．中国环境科学2011,31(1)：137．143．【163】杨福生，洪波．独立分量分析的原理与应用【M】．北京：清华大学出版社，2006．[164】Kaufman，Y．J．，Gao，B．C．．RemoteSensingofWaterVaporintheNearIRfromEOS／MODIS[J】．IEEETransactionsonGeoscienceandRemoteSensing，1992，30(5)：871—884．【165】Liang，S．L．，Fang，H．L．，Chen，M．Z．．AtmosphericcorrectionoflandsatETM+landsurfaceimagery·Partl：Methods[J]．IEEETransactionsonGeoscienceandRemoteSensing，2001，39(11)：2490-2498．【166]S．Z．Li，eta1．,"LeafingMultiviewFaceSubspacesandFacialPoseEstimationusingIndependentComponentAnalysis”，IEEETrans．ImageProcessing，vol-14，No．6，PP．705·712，June2005．[167】DuP，ZhaoHJ，eta1．Independentcomponentanalysisforhyperspectralimageryplantclassification．applicationsofneuralnetworksandmachinelearninginimageprocessing2005，5673：71-81．[168】林婷．水稻锌污染高光谱遥感监测模型研究[D】．北京：中国地质大学．硕士学位论文．[169】Jurgens，C．Themodifiednormalizeddifferencevegetationindex(mNDVI)：anewindextodeterminefrostdamagesinagriculturebasedonLandsatTMdata,Intemational．JournalofRemoteSensing．，1997，18(17)：3583-3594．[170】顾晓鹤，宋国宝，韩立建等．基于变化向量分析的冬小麦长势变化监测研究．农业工程学报，2008，24(4)：159．165．【171】陈晋，何春阳，卓莉．基于变化向量分析(CVA)的土地利用／覆盖变化动态监测(II)．变化类型的确定方法．遥感学报，2001，5(5)：346．352．【172】张晓东，李德仁，龚健雅，等．遥感影像与GIS分析相结合的变化检测方法．武汉大学学报：信息科学版，2006，3(1O)：266—269．88 致谢书山有路勤为径，学海无涯苦作舟，博士求学的艰辛历程即将结束。博士阶段将作物栽培学专业与农业遥感专业进行交叉结合，拓展了学习和认知的领域，未来将继续在这一领域学习和探索。博士期间有过学习的快乐，也有过失败的教训，同样也是一笔重要的人生财富。在论文完成之际，我衷心的感谢在求学期间对我关心、支持、帮助和指导的老师、同学、朋友及家人。首先感谢我的导师王荣富教授，在我对学业懵懂期给我耐心的教导，严谨的科学态度和发散的思维引领我进入遥感这个全新的领域，在论文选题、试验设计、试验开展都给予我充分的信任和支持。恩师渊博的知识、严谨科学态度、宽厚的为人，是我永远学习的榜样，在未来科研的道路上将不断求是、创新。衷心感谢中国科学院遥感与数字地球研究所黄文江研究员。从第一次来到北京确定博士的研究方向、试验设计及试验过程都给予了很大的帮助和指导。在北京期间的学习和生活上也是给予了极大的帮助，使得我得以顺利的进行试验，开展研究，完成论文。感受到您亲力亲为的科研精神，和您对学生的关心和指导。衷心感谢安徽省农业科学院作物研究所各位领导的栽培与关怀；感谢栽培研究室曹承富主任在学习和工作上的指导与帮助；感谢栽培室同事张耀兰、乔玉强、赵竹、徐明福、陈欢、李玮等在工作中给予的理解与支持；感谢作物所各位同事在工作和学习中给予的帮助和指导。衷心感谢安徽农业大学农学院黄正来教授，黄老师作为硕士阶段的导师，将我领进科学的殿堂并一直给予很多指导和关怀，使我受益匪浅。同时，感谢农学院的各位老师和学友，在各个阶段的学习和现在的工作中都给予了更多的帮助。特别感谢胡霞师姐、武立权师兄、张海鹏师兄和吴晓蓓师妹，在我学习的各个阶段都给予了极大的帮助，并建立了深厚的友情。感谢大学本科与研究生阶段的同窗好友，感谢你们真诚的帮助和鼓励。衷心感谢国家农业信息化工程技术研究中心遥感技术部的各位老师，在论文的设计和试验的开展过程中都给予了极大的帮助，他们是：宋晓宇、杨小冬、顾晓鹤、李伟国、常虹、董燕生、杨浩、徐新刚、赵晋陵、李存军、杨贵军、冯海宽、龙慧玲和李贺丽等各位老师。 特别感谢国家农业信息化工程技术研究中心的廖钦洪博士，在北京枯燥的学习和生活中都给予了极大的帮助，一起在北京度过了美好而难忘的时光。感谢室友张竞成和张东彦，在学习上的帮助和生活中的关心。感谢国家农业信息化工程技术研究中心一起学习的同学，罗菊花、黄林生、袁琳、王慧芳、郭伟、董莹莹、张汪寿、苗乃哲、王芊、王大成、张琴、管青松、杨勤英、王妍、崔贝、金秀良、于海洋、石月婵、李鑫川、关强、李振海、宋森楠、付元元、徐鹏、杨粉团、顾志宏、高中灵等的帮助，感谢在人生短暂的时光里有幸认识各位挚友!漫漫求学路，特别感谢我的家人对我无私的关爱和理解。感谢爱妻钱莉莉和爱女杜宇婕，你们无怨无悔的支持和理解，是我学习的最大动力，在我失落与挫败时给予我信心和鼓励，一起分享快乐，一起承担痛苦，你们一直是学习和工作的坚强后盾!由于篇幅所限，向上面没有提及到的，对本人学业、工作和生活给予帮助的朋友们表示歉意和感谢!一路走来，大家的支持和帮助使我不断进步。最后，向参与论文评阅和答辩的各位老师、专家学者表示感谢!杜世州2013年5月·合肥 姓名：性别：民族：导师：研究方向：1998．9-2002．72003．9-2006．72006．7-2009．92009．9-2013．7杜世州男汉族王荣富教授作物信息学个人简历出生年月：籍贯：政治面貌：专业：安徽农业大学农学院安徽省农业科学院作物研究所安徽农业大学农学院911982．11安徽定远党员作物栽培学与耕作学学士学位农学硕士助理研究员农学博士 圆圈在读期间发表的学术论文ShizhouDu，WenjiangHuang，RongfuWang，Ju—huaLuo，JinlingZhao，LinYuan．ApplicationofContinuumRemovalMethodforEstimatingDiseaseSeverityLevelofWheatPowderyMildew．AdvancedMaterialsResearch，Vo396．398：2012-2017．⋯E1ShizhouDu，LiquanWu，RongfuWang．EstimationofFlavonoidsContentoftheWheatDiseaseLeavesBasedonHyperspectra．ResearchJournalofChemistryandEnvironment．V01．16(S1)July(2012)⋯SCI张竞成，袁琳，王纪华，罗菊花，杜世州，黄文江．作物病虫害遥感监测研究进展．农业工程学报，2012，28(20)：1．11．廖钦洪，顾晓鹤，李存军，陈立平，黄文江，杜世州，付元元，王纪华．基于连续小波变换的潮土有机质含量高光谱估算，农业工程学报，2012，28(23)：132．139．
此文档下载收益归作者所有
