《基于遥感技术的烟草花叶病监测研究》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。
．．：社錫．、‘．‘．鸣龄，Ｉ‘驚、於、气Ｃ．蔚議；嚷武：’＇一’．、．、每：＇．—必六‘．、：．．；巧巧＇茹知；，：＇、啤Ｘ：Ｓｌ分类号；２７乂當授予学位单位代码１〇４３４：’下公今、貧巧■、令＇－．＇＇皆．扣嘴试雜扭研％生学号：２０１３１１０３１５．．．．．．．＇＇，＇’’．＾．都．＿、Ｊ沁心蟲令＼六说；；；ｆ：：如讀．、一、＇＇？１＇齡‘＇．＇＇、－，｜；：，心＾；＇：站占．；：＿＞冷Ｓ．心掉公，夏劳＇ｐｐｉ東襄業乂學］Ｉ議ｎｉ、．语．一陰巧媒．如鮮‘謂錠養：誠Ｉ欄生学位论：遲誦：错■、记：識．Ｗ没紀．．＾．＂！．；貧，，豁ｍ炉；．马＇，－＇Ｖ尸＾、、：：荐一－基于遥感技术的烟草花叶病监测研究￡（折水县为例＾茲ＭｏｎｉｔｏｒｉｎＴｏｂａｃｃｏＩｎ扫ｕｅｎｃｅｄｂＭｏｓａｉｃＶｉｒｕｓＢａｓｅｄｏｎＲｅｍｏ化六三苦、ｇｙＳｅｎｓｉｎＴｅｃｈｎｏｌｏｋｉｎＹ呂ｇｙＴａｇｉｓｈｕｉＣｏｕｎｔａｓａ凸Ｅｘａｍｌｅ；二占ｙｐ起学科专业：上地资源管理勢巧聲：．、新举教授巧指导教师．．手稱誦占游勢Ｉ、：：．；，。－如．，？：兹龙濟爾鱗、姑義纖賺’：：、沪社纖１２０１６６确＃＾‘＇、－：幾辭誤；，铅教變讓；報，，雖泰节恭驚麟顯＇‘＇－—、１：＾．－：：ｉ１：；１＞輯谱您ｆｃ霉擎城 目录中文摘要.....................................................................................................................................IAbstract...................................................................................................................................III1引言........................................................................................................................................11.1研究的目的与意义..............................................................................................................11.2植物的光谱特征及烟草花叶病监测原理.........................................................................21.3国内外研究现状.................................................................................................................31.3.1作物病虫害遥感监测研究进展......................................................................................31.3.2作物叶绿素和水分高光谱估测研究进展......................................................................51.4研究内容.............................................................................................................................71.5技术路线.............................................................................................................................91.6小结.....................................................................................................................................92试验设计及研究方法..........................................................................................................112.1试验区概况.......................................................................................................................112.2试验地点及时间设计.......................................................................................................112.3数据获取方法...................................................................................................................122.3.1烟草单叶及冠层光谱的测量.........................................................................................122.3.2叶绿素含量测定............................................................................................................122.3.3水分含量测定................................................................................................................122.3.4病情指数调查................................................................................................................132.3.5遥感影像数据................................................................................................................132.4光谱数据处理方法...........................................................................................................132.4.1光谱数据微分处理........................................................................................................132.4.2植被指数计算................................................................................................................142.4.3位置变量、面积变量及其他光谱参数........................................................................152.4.4资源3号遥感影像处理..............................................................................................152.5建模方法...........................................................................................................................152.6模型验证方法...................................................................................................................162.7小结...................................................................................................................................173花叶病烟草光谱特征分析..................................................................................................18 3.1花叶病烟草原始光谱及一阶导数特征分析...................................................................183.2不同时期花叶病烟草的相对反射率分析.......................................................................203.3小结...................................................................................................................................214花叶病烟草叶绿素含量估测模型构建..............................................................................224.1病情指数与烟草叶绿素含量相关分析...........................................................................224.2烟草冠层光谱一阶导数与叶绿素含量相关分析及模型构建.......................................224.2.1烟草冠层光谱一阶导数与叶绿素含量相关分析.........................................................234.2.2基于冠层光谱一阶导数的叶绿素估测模型.................................................................234.3光谱植被指数与叶绿素含量相关分析及模型构建........................................................244.4光谱位置变量、面积变量及植被变量与叶绿素含量相关分析及模型构建................254.5模型的检验........................................................................................................................264.6小结....................................................................................................................................275花叶病烟草水分含量估测模型构建..................................................................................295.1病情指数与水分含量相关分析.......................................................................................295.2冠层光谱及其变换与水分含量相关分析.......................................................................295.2.1烟草冠层原始光谱及其8种变换与水分相关分析.....................................................295.2.2烟草冠层光谱指数与水分相关分析............................................................................315.3水分含量模型构建............................................................................................................335.3.1基于冠层原始光谱及其8种变换的水分含量估测模型.............................................335.3.2基于光谱指数的模型构建.............................................................................................335.4模型的检验........................................................................................................................345.5小结....................................................................................................................................356烟草花叶病病情监测模型及遥感应用...............................................................................376.1高光谱数据与遥感数据对比分析....................................................................................376.2植被指数与模型构建........................................................................................................386.2.1变量筛选........................................................................................................................386.2.2模型构建及验证............................................................................................................396.3遥感影像上烟草病害分级................................................................................................396.3.1资源3号影像预处理....................................................................................................396.3.2烟草种植区分类提取....................................................................................................40 6.3.3烟草病害分级................................................................................................................416.4小结....................................................................................................................................437结论与讨论...........................................................................................................................447.1主要结论............................................................................................................................447.2讨论....................................................................................................................................457.3创新之处............................................................................................................................46参考文献..................................................................................................................................47致谢....................................................................................................................................54攻读硕士期间取得的主要学术成就......................................................................................55发表论文情况..........................................................................................................................55参加科研情况..........................................................................................................................55 山东农业大学硕士学位论文中文摘要近年来高光谱遥感技术被广泛应用于农业生产，农业遥感也已涉及到农业生产的方方面面，为精准农业和高效农业提供了先进的方法和技术。烟草作为我国重要的经济作物之一，是国民经济收入中的重要组成部分，而烟草花叶病是烟草生产中的主要病害之一，发病率高、危害性大的特点给烟农带来了巨大的损失。实时准确的掌握烟草花叶病的病发情况，是烟草花叶病防治的重要途径。研究利用地面高光谱结合高分辨率的遥感影像，建立烟草花叶病诊断模型和病害时空分布图，以期实现烟草花叶病的快速无损监测。研究以山东省临沂市沂水县沂城、道托镇的烟草为研究对象，于2014年6月-9月利用ASDFieldSpec4便携式地物波谱仪实测获取烟草不同病害等级的叶片及冠层光谱数据，利用HSY-051叶绿素测定仪测定烟草的叶绿素相对值，室内测定烟草叶片的水分含量。通过分析光谱数据的一阶微分、植被指数以及各种位置变量、面积变量等与各生理生化指标及病害等级的相关性，建立基于各指标的病害估测模型。最后，结合资源三号卫星影像对烟草花叶病的病害严重度进行了定性和定量的诊断和反演。研究取得的主要成果如下：（1）对不同病害等级的烟草原始光谱曲线进行了研究分析，发现烟草受花叶病影响后，其光谱特征表现为在可见光波段（400-700nm）反射率上升，而在近红外波段（700-1300nm）反射率明显下降；分析不同病害等级的烟草光谱一阶微分曲线，发现红边位置向蓝光方向移动，并且随着病害程度的加重，上述变化也越来越明显。跟踪记录不同时期花叶病的相对反射率情况发现，花叶病会随着生长期的推进而蔓延发展，并且，越到生长后期，病况蔓延越迅速。（2）将病情指数与叶绿素含量进行相关分析，得出二者呈显著负相关关系，即随着病害程度的加重，叶片叶绿素含量不断减少，二者的关系可用y=-42.01x+42.223表示，R2达0.8675，说明我们可以通过估测烟草叶绿素含量来间接评估烟草病害程度。通过提取光谱数据的一阶微分、植被指数以及各种位置变量、面积变量，利用以上三种光谱参数结合逐步回归分析方法建立花叶病烟草叶绿素含量估测模型，结果显示基于位置和面积变量建立的叶绿素估测模型优于以另外两种参数所建模型；最佳估测模型分别为：y=109.658+21.208SDrSDb+115.622Rg-2.230SDr-65.138SDrSDy-161.06λr（R2=0.885）；SDrSDbSDbSDrSDyI 基于遥感技术的烟草花叶病监测研究——以沂水县为例检验精度达76.86%。（3）将病情指数与水分含量进行相关分析，发现病情指数与叶片水分含量之间的关系可用二次式y=-31.484x2+9.5045x+81.11表示，且R2达0.712，表明我们也可以通过估算叶片水分含量来近似评估烟草花叶病病害等级。通过对原始光谱数据及其8种变换、3种光谱指数与水分含量的相关分析，得出花叶病烟草水分含量最佳估测模型是基于水分波段指数WBI建立的，最优模型是Y=-2.5236-0.7472X1+1.5293X2-2.8204X3+8.7505X4-5.4376X5+1.7175X6其中X1-X6的数值分别为R2298/R2333、R2299/R2333、R2321/R2344、R2322/R234、R2322/R2346、R2322/R2348六个水分波段指数，其决定系数为0.7716。经验证，该模型实测值与估测值的相关系数为0.8784，决定系数为0.7742。（4）根据2014年在沂水烟田实测的各级花叶病烟草的冠层高光谱数据，计算与病情严重度相关的11个常用植被指数，并与花叶病病情指数进行相关分析，结合变量投影重要性原则（VIP），选出最佳病情指示变量并利用偏最小二乘法建立病情严重度估测模型。同时对高分辨率的资源三号卫星影像进行处理，利用所建模型和卫星影像实现病害严重度的空间分布监测。研究结果表明：以比值植被指数(RVI)，差值植被指数(DVI)，再归一化植被指数(RDVI)，变换植被指数(TVI)，土壤可调植被指数(SAVI)作为烟草花叶病病情的指示因子，能有效的估测花叶病的严重程度，决定系数达0.8165。将所建模型用于遥感影像，得出烟草花叶病病害等级分布图，为验证病害遥感监测精度，在实地随机抽取140个样点进行病害调查同时记录各样点的地理坐标，在遥感影像上查看各样点的病害程度，结果表明遥感监测的准确率达77.13%，能够实现烟草花叶病的有效监测。关键词：烟草花叶病；高光谱；遥感监测；资源三号卫星；叶绿素含量；水分含量；估测模型II 山东农业大学硕士学位论文MonitoringTobaccoInfluencedbyMosaicVirusBasedonRemoteSensingTechnology——TakingYishuiCountyasanExampleAbstractHyperspectralremotesensingtechnologyhasbeenwidelyusedinagricultureinrecentyears.Andagricultureremotesensinghasalsobeeninvolvedinallaspectsofagriculturalproduction,withitsadvancedmethodsandtechniquesforprecisionagricultureandefficientagriculture.Tobacco,oneofthemostimportanteconomiccropsinChina,isanimportantpartofthenationalincome.Whereas,theproductionoftobaccoisdeeplyaffectedbymosaicvirus(TMV)whichisoneofthemaindiseasesoftobacco.Andthisvirusbroughttremendouseconomiclossestofarmersbroughthugelossesbecausethetobaccomosaicvirushasahighincidenceratewithafieldmorbidity.Togettheinformationoftobaccoinfectedbymosaicvirusonreal-timeandaccuratelyisofgreatimportancesothatthetobaccomosaicviruscanbepreventedand,ifnotentirelyprevented,toattheveryleastbetimelyandefficientlycontrolled.isofgreatimportancesothatthetobaccomosaicviruscanbepreventedand,ifnotentirelyprevented,toattheveryleastbetimelyandefficientlycontrolled.Thestudyestablishedmodelsforthediagnosisontobaccomosaicdiseaseandfiguresoftemporalspatialdistributionoftobaccomosaicdiseasethroughground-basedhyperspectralremotesensingaswellasremotesensingimageofhighresolutionsoastoachieverapidnon-destructivemonitoringoftobaccomosaicvirus.TheexperimenttookYicheng,DaotuoofYishuiCounty,ShandongProvinceastheobjectofthestudywhichwasconductedfromJunetoSeptemberin2014.Inthestudy,theleafandcanopyspectraldataofdifferentdiseasegradeswasobtainedfromFieldSpec4ASDportablehyperspectralradiometer,therelativevalueofchlorophyllintobaccowasmeasuredbyHSY-051chlorophyllmeter,andthemoisturecontentoftobaccoleaveswasmeasuredinthelab.Thenthediseaseseverityestimationmodelswereestablishedthroughtheanalysisofcorrelationbetweenthespectraldatawhichcontainsthefirst-orderderivative,vegetationindex,variouspositionvariablesandtheareavariablesandthephysiologicalandbiochemicalindexesaswellasdiseasegrade.Finally,thetobaccomosaicdiseaseseveritywascheckedandinversedqualitativelyandquantitativelywiththeuseofZY-3satelliteimagesofhighresolution.Themainresultsofthestudyareasfollows:(1)Theoriginalspectralcurvesofdifferentdiseasegradesfortobaccowerestudied.Theresultshowsthatthespectralreflectanceoftheleavesinfectedbythemosaicvirusincreasesinthevisibleregion(400-700nm)andobviouslydecreasesinthenear-infraredregionIII 基于遥感技术的烟草花叶病监测研究——以沂水县为例(750-1300nm);throughanalisizingthefirstderivationofdifferentdiseasegradesfortobacco,itcouldbeconcludedthattherededgemovedtothebluelight.What’smore,withtheincreaseofthedegreeofdisease,theabovechangesaremoreandmoreobvious.Trackingtherelativereflectivityofmosaictobaccoindifferentperiodsoftimewefoundthatthemosaicviruswouldbecomesevererwiththeadvanceofgrowthstageandtheillnesswouldspreadmorerapidlyatthelategrowthstage.(2)Thecorrelationanalysisbetweendiseaseindexandchlorophyllcontentwascarriedon.Asaresult,thereisasignificantnegativecorrelationbetweendiseaseindexandchlorophyllcontent,thatis,withtheincreaseofdiseaseindex,thechlorophyllcontentdecreased.Andtherelationshipbetweenthetwocouldbeexpressedbyy=-42.01x+42.223,amongwhichR2isupto0.8675.Itisshowedthatwecanindirectlyassessthedegreeoftobaccodiseasesbyestimatingthechlorophyllcontentoftobacco.Thenthefirstorderderivative,vegetationindex,variouspositionvariablesandtheareavariablesareextractedfromthedataofhyperspectrum.Andtheauthoradoptstheabovethreeparameterscombinedwithstepwiseregressionanalysistoestablishchlorophyllestimationmodeloftobaccoinfluencedbymosaicdisease.Theresultsindicatethatthechlorophyllestimationmodelbasedonpositionvariablesandareavariablesissuperiortotheothertwokindsofestimationmodelsbasedonfirstorderderivativeorvegetationindex;Theoptimalchlorophyllestimationmodeloftobaccoinfluencedbymosaicdiseaseis:y=109.658+21.208SDrSDb+115.622Rg-2.230SDr-65.138SDrSDy-161.06λr（R2=0.885）;SDrSDbSDbSDrSDytheinspectionaccuracyis76.86%.(3)Thecorrelationanalysisbetweendiseaseindexandmoisturecontentwascarriedon.Itisfoundthatthetwotimeformulay=-31.484x2+9.5045x+81.11couldexpresstherelationshipbetweendiseaseindexandwatercontent,anditsR2is0.712.Itissuggestedthatwecanassessthedegreeoftobaccodiseasesapproximatelybyestimatingthewatercontentoftobacco.Thenthecorrelationanalysisofwatercontentwithhyperspectralreflectanceanditseighttransformsaswellasthreespectralindexwasproceeded.TheresultshowedthattheoptimalwaterestimationmodelisestablishedbasedonWBI.ThatisY=-2.5236-0.7472X1+1.5293X2-2.8204X3+8.7505X4-5.4376X5+1.7175X6,amongwhich,thevalueofX1toX6areR2298/R2333、R2299/R2333、R2321/R2344、R2322/R234、R2322/R2346、R2322/R2348,anditscoefficientis0.7716.Thecorrelationcoefficientbetweenthemeasuredvalueandtheestimatedvalueofthemodelis0.8784,andthecoefficientofdeterminationis0.7686.(4)AccordingtothecanopyhyperspectraldataofmosaictobaccoindifferentlevelsIV 山东农业大学硕士学位论文whichwasmeasuredattobaccofieldsinYishuiin2014,the11commonlyusedforestimatingtheseverityofdiseasewerecalculated.Andthecorrelationanalysisbetweentheabovevegetationindexeswithdiseaseindexwasproceeded.Theprincipleofvariableimportanceinprojection(VIP)wasusedtoselectthebestindicatorvariablefordiseasecondition.Thenthepartialleastsquaresmethodwasusedtoestablishthediseaseseverityestimationmodel.AtthesametimeusingENVI5.1toprocesstheZY-3satelliteimageofhighresolution,andusingtheestimationmodelandsatelliteimagestomonitorthespatialdistributionofdiseaseseverity.Theresultsshowedthat:theratiovegetationindex(RVI),differencevegetationindex(DVI),andnormalizeddifferencevegetationindex(RDVI),transformedvegetationindex(TVI),soiladjustedvegetationindex(SAVI)asindicatorsofmosaictobaccocouldeffectivelyestimatethediseaseseverity.Thedeterminationcoefficientofthemodelbasedontheabove5indexwas0.8165.Themodelwasusedinremotesensingimageandthusthetobaccomosaicdiseasegrademapwasobtained.Inordertoverifytheaccuracyofremotesensingmonitoring,140samplingpointsinfieldwerechosenfordiseaseinvestigationandwererecordedthegeographiccoordinates.Atthesametime,thediseasedegreeofeachsamplingpointwasexaminedinremotesensingimage.Asaresult,theaccuracyofremotesensingmonitoringwas77.13%.Soitcouldrealizetheeffectivemonitoringofmosaictobacco.Keywords:tobaccomosaicdisease;hyperspectrum;remotesensingmonitoring;ZY-3satellite;chlorophyllcontent;moisturecontent;estimationmodelV 山东农业大学硕士学位论文1引言1.1研究的目的与意义烟草——作为重要的经济作物之一，在我国国民收入中扮演者非常重要的角色，随着社会经济的发展以及生活水平的提高，人们对卷烟产品的要求越来越高，对烟叶品质的要求也日益提高。但是烟草是一种很容易感染病虫害的作物，在其生长及制取过程中均有受到病虫害迫害的可能，包括生长中的新鲜烟叶以及调制后的烟叶和制成后的烟叶，特别是近年来，由于气候变化、烟草分布变化以及种植制度等方面的变化，使得我国烟草受病虫害侵染的威胁越来越大，有时候甚至会大面积毁产。烟草的价值在于烟叶，一旦受病虫害侵染，其叶片一定会被破坏，而烟叶的组织再生能力很弱，发病后可用于治疗的药物也很少，不可能使其彻底复原，这就给烟农带来了巨大的损失。所以，烟草病虫害的防治对烟草生产具有重要意义。在烟草生产中，烟草花叶病是主要病害之一，该病发病率高、危害性大，其田间发病率通常在5%~20%之间，有的地块可高达90%；烟草花叶病会使得烟叶色素分布不均，颜色黄绿相间，严重者叶片会呈现大范围的深褐色坏死斑，使叶片扭曲变形，植株矮小，生长缓慢。其早期发病的损失可达50%以上，严重时甚至会导致绝产绝收，并且该病具有传染性，一旦发作无法根除，因此，怎样快速、及时的了解烟草花叶病的发病情况成为花叶病防治的主要途径。长期以来，我国对烟草病害的监测还仅限于田间取样、人工调查，传统的花叶病调查方法主要是田间五点调查取样，对于大面积的烟草病害监测来说，此种方法需要消耗大量的人力、物力和时间，而且这种方式只能在病害发生以表现出明显症状以后才能监测出来，难以实现实时、快速、无损和大面积监测，从而影响了烟草病害的及时防治，并且很容易造成健康植株的感染，加重了损失。而高光谱遥感作为一种实时、快速、无损监测技术，可在不破坏作物的条件下，实现对作物生长及营养状况的快速监测，遥感技术现已广泛应用于病虫害防治（Daughtry,2004；陈兵等，2007），灾后损失评估（Ortiz-Monasterio,2007；刘良云等，2009），施肥管理（StoneML，1996；LiF，2008），农田灌溉（FolhesMT,2009）等精准农业的多个方面。遥感即遥远的感知，可在不接触地物的情况下获取地物信息，而高光谱作为遥感领域的前沿技术更是被广泛应用于作物监测。高光谱遥感（HyperspectralRemoteSensing）指的是利用波段宽度较窄，波段数量较多（一般350-2500nm）的电磁波波段，从目标物体中获取相关数据（获取分辨率达纳米数量级），其表现形式是一条连续的光谱曲线。1 基于遥感技术的烟草花叶病监测研究——以沂水县为例由其定义可知，高光谱遥感具有高分辨率、多波段、连续性强等优势，所以被广泛应用于多个方面。特别是在作物病虫害监测方面，能够通过植物光谱曲线的变化实现对病情的监测。但是高光谱遥感难以实现大面积的监测，因此还需要与高空遥感相结合，将病害监测上升到航空航天尺度，实现真正意义上的大面积、快速、无损监测。目前，遥感监测病虫害多集中于小麦、棉花，玉米等作物，而对烟草方面的研究仅局限于地面高光谱，航空遥感尺度上的研究还比较少，该研究利用高光谱数据和资源三号卫星影像数据建立烟草花叶病病害程度监测模型，实现了地面高光谱数据和高空遥感的结合。它可以及时的监测出病害，提供病害蔓延情况，在此基础上生成病害的时空分布图,给管理人员提供烟草病害的发展情况,建立病害预警模型，从而使管理人员可以做出有针对性的决策、加强重点防治,减少产量损失。1.2植物的光谱特征及烟草花叶病监测原理图1.1绿色植物光谱特性Fig.1.1Spectralcharacteristicsofgreenplants一般情况下，健康绿色植物的光谱曲线会具有比较明显的波峰和波谷的特征，具体特征如下：在可见光波段范围内（350nm-700nm），光谱特征主要与色素吸收有关，总的来说，350-490nm波段内光谱反射率数值较低，一般低于2%，光谱曲线浮动不大；490-600nm波段是叶绿素的强反射区，从490-550nm反射率不断增强，到550nm附近达到峰值，此后反射率开始下降。600-700nm波段是叶绿素的强吸收带，所以该波段范围内反射率开始下降，并在670nm附近呈现出波谷形态。这些峰和谷的特征赋予了绿色植物区别于2 山东农业大学硕士学位论文土壤、岩石等物质的特有光谱特性，即“蓝边”、“黄边”、“绿峰”、“红谷”的特性。700-750nm波段，光谱反射率急剧上升，形成了“红边”特性，根据前人的研究，红边是作物长势、水分、叶绿素、叶面积等的指示性特征。一般来说，作物色素含量高、健康旺盛生长时红边将移向长波方向，而作物受病虫害等的影响使则红边会移向短波方向。750-1350nm波段，在该波段范围内植物反射性较强，光谱反射率也在此波段范围内达到了最大值，而在970nm、1120nm等处也呈现了小的波谷。该波段范围的反射率主要与植物的内部结构相关。1350-2500nm波段，此范围内的反射率主要取决于植物叶片水分，其中在1450nm和1900nm附近形成两个波谷，而在1600nm和2200nm附近则形成了两个反射峰。每种物质都有自己特有的组成成分和结构，所以不同物质的光谱特性也会有所不同，这就使得光谱曲线上形成了对该物体具有诊断意义的光谱特征（MillerJR,1991）。烟草被花叶病毒侵染后，其内部组成成分会发生相应的变化，其光谱曲线自然也会表现出差异，随着病情的不断加重，烟草叶片的叶绿素、水分以及氮素含量都会减少，而在460-680nm波段范围内，光谱的反射吸收特性与叶绿素含量具有很强的相关性，在760-1300nm波段范围内与叶片水分含量具有很强的相关性（黄木易等，2003），所以花叶病烟草的光谱特征会表现为在可见光范围内反射率增强，而在近红外范围内反射率则变小。基于此原理可实现病害的有效监测。文中选择了对烟草生长具有重要作用的指示因子——叶绿素含量、叶片含水量参与研究，将这两个指标与烟草光谱反射率及各种变换进行相关分析，并与病情指数进行相应的分析，最终建立各因子的估测模型及病害监测模型。1.3国内外研究现状1.3.1作物病虫害遥感监测研究进展国内外已有众多学者开展了关于作物病虫害遥感监测的研究，并且获得了大量的研究成果。早在1929年，Taubenhaus等第一次使用航空相片进行了植物病害遥感识别的研究（TaubenhausJJetal，1929），开启了遥感监测作物病虫害的先河，也为遥感监测病虫害的发展奠定了基础。Lorenzen和Jensen研究了受白粉病侵害后的大麦光谱反射率与其病情指数之间的关系，发现了在大麦受白粉病危害后，大麦病情指数与光谱反射率之间的相关性（LorenzenAetal，1989）。Malthus等利用地物光谱仪分析了受斑点葡萄孢子侵染之后的蚕豆光谱变化状况，得出可以利用光谱反射率的一阶导数来监测蚕豆3 基于遥感技术的烟草花叶病监测研究——以沂水县为例受病害侵害的状况（MalthusTJetal，1993）。1999年，Adams等利用AVIRIs高光谱数据研究分析大豆黄萎病，发现了可以利用黄色指数YI来检测植物叶片是否受到失绿症的胁迫，他们还利用在光谱二阶微分基础上产生的发黄指数对大豆黄萎病病害情况进行了相应的分析研究（AdamsMLetal，1999）。Fletcher.R.S等对柑橘树病害情况进行了研究，他们利用机载彩色近红外数字影像对健康柑橘树和染病柑橘树的光谱反射率特征进行研究分析，有效地监测出了早期染病的柑橘树，取得了很好的效果（Fletcher.R.Setal，2001）。Kobayashi等研究了水稻稻瘟病，得出在水稻的不同生长过程中，可以利用可见光与近红外的反射率比值来监测水稻稻瘟病的发病情况（Kobayashietal，2001）。Johnson.D.A等(2003)利用航空摄影分析了番茄晚疫病的空间几何影像特征，并且将病害番茄与健康番茄区分开来，实现了对番茄病害的航空遥感监测（Johnson.D.Aetal，2003）。Steddoln等利用多波段的光谱仪来研究甜菜褐斑病的发病情况，利用5种植被指数研究甜菜丛根病单叶和冠层与正常甜菜的差异，发现这种方法可以有效地估测甜菜褐斑病的病情指数，大大的提高了甜菜褐斑病的监测精度（Steddolnetal，2003）。Apan等对甘蔗进行了研究，并且发现短波红外能够将健康甘蔗与染病甘蔗区分开来（Apanetal，2004）。Nicolas研究了条锈病影响下冬小麦冠层的归一化植被指数(NDVI)与病害程度的相关性，发现二者存在负相关关系，并得出相对指数比绝对指数相关性高的结论（NicolasH，2004）。HamedMuhammed.H等研究了小麦真菌性疾病的高光谱特征并建立了相应的反演模型（HamedMuhammedH,2005）。M.Mirik和Moshou等利用高光谱技术研究了冬小麦条锈病与植被指数和一些特征波段之间的关系（MirikM.etal，2006;MoshouD,2004）。国内利用遥感监测作物病虫害虽然起步较国外晚，但是发展却很迅速，尤其是近几年随着高光谱遥感的发展，我国在利用遥感监测作物病虫害的研究上也获得了不少的研究成果。1987年，刘国祥等就利用模拟陆地卫星MASS四个波段的野外光谱仪和分别模拟气象卫星NOAA的高分辨率仪AVHRR和陆地卫星TM镜头等设备对冬小麦进行监测，研究了利用6种光谱植被指数（NDVI，AVI，RVI，PVI，GR，GRw）与冬小麦的某些农学参数之间的关系，发现了实现冬小麦动态遥感监测的新途径（刘国祥等，1989）。1990年，陆桂珍进行了应用红外遥感技术监测植物病虫害的研究（陆桂珍等，1990）。2003年，易玲，杨小唤等阐述了最近几年国内外利用遥感技术监测作物病虫害的研究状况，发现并总结了研究中存在的诸多问题，在此基础上进行了利用MODIS数据监测作物病虫害的研究（易玲等，2003）。武红敢等研究了利用陆地卫星TM数据监测树木松毛虫的4 山东农业大学硕士学位论文灾害情况，为大范围的森林病虫害航天遥感监测奠定了基础（武红敢等，2004）。刘良云等利用多时相的遥感影像研究了一种相对的植被指数用于监测冬小麦条锈病（刘良云等，2004）。陈鹏程等(2007)研究了棉花受棉叶螨侵染之后的光谱反射率特征，发现光谱反射率与病害情况变化最相关的波段位于近红外波段范围内，即病害棉花光谱反射率出现红边蓝移的特点，由此找出了指示病情的敏感波段，在此基础上建立了病害监测模型（陈鹏程等，2007）。江道辉（2007）等通过实测获得受条锈病侵染的小麦高光谱数据，然后采用回归分析法建立了受条锈病影响后的小麦叶绿素含量高光谱估测模型，并证明模型具有较好的精度（江道辉等，2007）。冯炼等利用HJ卫星CCD数据研究了三角植被指数（TVI）和重归一化植被指数（RDVI）与冬小麦健康状况之间的关系，并分别建立了RDVI模型TVI模型（冯炼等，2010）。陈兵等分析了棉花黄萎病冠层光谱特征，发现806nm处反射率与病害严重度相关性达极显著水平并建立了病害程度估测模型；随后对棉花黄萎病光谱识别影响因素进行了研究（陈兵等，2007，2014）。竞霞等分析了棉花单叶黄萎病病情严重度与高光谱参数之间的关系，建立了病害诊断模型；随后利用高分辨率的IKONOS卫星影像建立了病害严重度的估测模型（竞霞等，2009,2010）。1.3.2作物叶绿素和水分高光谱估测研究进展众所周知，叶绿素是叶片中吸收光能的物质，不仅在植物进行光合作用是必不可缺的因素之一，也是作为植物生长过程中的重要生化参数，它在植被的生长过程、光合能力和营养状况等方面扮演了重要的指示器（蒋金豹等，2010）。精细农业中一项主要的任务就是对作物压力及萎黄病进行检测，因为这两项指标对精细农业有着非常重要的潜在意义，而对植物叶绿素含量进行监测可以用来检测和研究植物突变、压力和营养状态（Zarco-TejadaPJ,etal,2004）。传统的叶绿素测定方法一般采用分光光度法，该方法的优势是能够精确的测取叶绿素含量的多少，除此之外，该方法也有很多的劣势，操作费时费力、难以实现实时、快速、无损和大面积监测；而高光谱遥感作为一种实时、快速、无损监测技术，可在不破坏作物的条件下，实现对作物生长及营养状况的快速监测（王克如等，2011）。而且，叶绿素含量和高光谱反射率之间有着之间联系，因此，基于遥感的叶绿素含量监测研究已被广泛展开（MaccioniA,etal,2001;YangXH,etal,2011;HuangJF,etal,2011）。健康绿色植物具有独特的光谱特征，即在可见光波段内主要与植物色素吸收有关，而在近红外和中红外波段范围内则主要取决于叶片细胞结构和水分含量，所以，CurranPJ等提出利用植被的光谱特征可以估算其叶绿素含量（CurranPJetal，1991）。Polischuk等研究了受花叶病侵染的烟草叶绿素含量的变化情况，他们从烟5 基于遥感技术的烟草花叶病监测研究——以沂水县为例草感染花叶病毒起就开始测量反射率，结果发现烟草感染病毒10天之内就可以检测到叶绿素的变化，而此时肉眼还无法观察到病害情况，三周之后肉眼才能够看到烟草的病害情况（Polischuketal，1997）。Cho等采用线性外推法和倒高斯光学模型改进了计算红边位置的方法，在此基础上对叶绿素含量的估测也取得了理想的结果（ChoMAetal，2006）。Blackburn等研究分析了植物光谱反射率与色素含量之间的关系，发现植被色素含量与其反射率的一阶、二阶微分具有极显著相关关系，并且将470、635及680nm作为叶绿素估算的特征波段（BlackburnGA，1998），而Sims等的研究则认为550、700nm比680nm更适合估测叶绿素含量（SimsDAetal，2002）。杨峰等利用高光谱遥感技术研究了不同生长过程中小麦与水稻两种作物的叶绿素含量和冠层光谱之间的关系，将两种作物的叶绿素含量与其冠层光谱数据捡的相关性进行比较，进而确定了监测两种作物叶绿素含量的最佳植被指数（杨峰等，2010）。杨杰等通过修正光谱指数建立了基于高光谱的水稻上部叶片叶绿素含量估测模型（杨杰等，2009）；金林雪等研究了植物光谱指数和叶片含水量及绿度特征值的相关关系，确定了叶片水分和SPAD值的光谱指数或最佳波段（金林雪等，2012）。李敏夏等分析了苹果叶片高光谱反射率特性与其叶绿素含量以及SPAD值之间的关系，进而研究了苹果叶片的SPAD值与叶绿素含量以及导数光谱之间的相关性（李敏夏等，2010）；李方舟等做了基于高光谱数据的水旱地冬小麦叶绿素含量监测方面的研究，并且取得了比较理想的结果（李方舟等，2013）。此外，李凤秀、彭彦昆、汤旭光等众多研究者对作物的叶绿素含量进行了模型的建立、并进行了反演，取得了较好的效果（李凤秀等，2008；彭彦昆等，2011；汤旭光等，2011）。目前，国内外已有众多学者研究利用高光谱技术监测小麦、玉米、水稻、苹果等的叶绿素含量，但对烟草叶绿素含量高光谱监测的研究还比较少。水分是控制作物光合作用、呼吸作用影响作物健康生长的重要因素之一（台培东等，2000；李佑稷等，2004），水分缺失对作物产生的危害要大于其他胁迫，所以，及时准确的监测作物含水量对作物健康生长具有重要意义，是指导农业灌溉，提高作物用水率的重要途径。随着遥感技术的发展，越来越多的学者开始利用遥感技术监测作物水分。Aldakheel等认为可以利用光谱遥感来监测作物水分信息同时能够提高作物估产的准确率（AldakheelYY,1997）。Ceccato等的研究表明光谱遥感可以用来监测获作物的水分含量（CeccatoP,2002）。Gao等的研究结果表明NDWI可较准确的监测植被冠层水分含量（GaoBC,1996）。Gregory等提出作物水分含量对辐射的直接吸收造成了其对光谱的初级影响，而水分含量变化会导致作物的叶片结构发生变化，进而导致了光谱的次级影6 山东农业大学硕士学位论文响，并且初级影响远远大于次级影响，他认为1450、1940以及2500nm可以作为植物水分监测的敏感波段（GregoryA,1991）。Fernandez等的研究表明可以利用光谱反射率和NDVI来估测冬小麦水分含量，估测效果较好（FernandezS,1994）。PenuelasJ等指出能够指示植被水分含量变化的敏感波段大多位于820、970、1200、1450和1940nm波段附近（PenuelasJ,1993;SimsDA,2003）。Riedell等研究表明利用水分波段指数（WaterBandIndex,WBI,R950/R900）可以较好地表现小麦叶片的水分缺失状况（Riedell，1999）。王纪华等研究分析了小麦叶片水分含量与近红外波段光谱反射率之间的关系，并提出了利用光谱反射率监测小麦水分状况的方法（王纪华等，2000）。冯先伟等利用微粉技术研究了干旱条件下的棉花的高光谱特征（冯先伟等，2004）。田永超等对不同生育期的水稻进行了研究，指出比值植被指数R810/R460能够较准确地监测水稻水分含量（田永超等，2005）。苏毅等研究了棉花水分含量与冠层高光谱之间的关系，在此基础上利用水分指数和植被指数（WI/NDVI）建立了棉花水分含量最佳估测模型（苏毅等，2010）。程晓娟等以冬小麦作为研究对象，提出利用一种新的作物水分监测指数PWI来估算植物水分含量，并取得了较好的结果（程晓娟等，2014）。综上所述，高光谱遥感技术在农业生产中的应用日益增多，在未来发展中其应用范围还会持续增大，但是相对而言，该技术在作物病虫害监测方面的研究并不多，具体体现在以下几个方面：首先是研究范围比较小，研究集中在小麦、水稻、玉米等主要农作物，别的作物涉及较少；其次是研究集中于地面高光谱，高空遥感的研究还相对较少，难以实现大范围的应用。高光谱遥感大多倾向于理论研究，与实际应用的结合效果并不好，今后高光谱遥感应用研究应该着重考虑怎样才能够充分利用测得的作物光谱信息，如何利用微分变换等一系列光谱变换方法来研究作物光谱指数、植被指数以及其他特征参量，用于指示作物病虫害的危害情况，在此基础上建立各类农作物病虫害最佳估测模型，并与航空遥感相结合，实现大面积作物病虫害监测。1.4研究内容本研究以山东省临沂市沂水沂城、道托镇的烟田为研究对象，利用高光谱遥感技术，借助ASD野外手持式高光谱仪、叶绿素仪和高分辨率的相机结合高分辨率的资源三号卫星遥感影像，于2014年6月-9月在大田测定不同病害等级的花叶病烟草冠层及叶片高光谱、叶绿素及水分含量，首先分析研究花叶病烟草病情指数与叶绿素及水分等生化参量之间的关系，在此基础上分析花叶病烟草叶片叶绿素、水分与其高光谱反射率之间的关系，分别建立叶绿素和水分含量估测模型，为花叶病烟草生物量监测提7 基于遥感技术的烟草花叶病监测研究——以沂水县为例供参考；分析不同病害等级烟草病情指数与其反射率之间的关系，找出特征光谱，利用偏最小二乘法建立病害监测模型，并将所建模型用于遥感影像，得出烟草花叶病病害等级分布图，进而指导烟草生产中的病害预测预报工作。具体内容如下：（1）花叶病烟草的高光谱特征研究通过试验获取不同时期不同病害等级花叶病烟草的高光谱数据，并对各时期不同病害等级的烟草光谱曲线进行对比，摸清发病烟草的高光谱特征，为后续工作奠定基础。（2）花叶病烟草叶绿素含量估测利用HSY-051叶绿素测定仪(单位：SPAD)测定花叶病烟草的叶绿素含量同时测定其高光谱反射率，分析原始光谱及其各种变换、植被指数、位置变量、面积变量等光谱指数与叶绿素含量之间的相关性，筛选出与叶绿素含量相关性高的指数，利用逐步回归分析方法建立叶绿素含量估测模型，并对模型进行对比检验，最终选出叶绿素含量最佳估测模型。（3）花叶病烟草水分含量估测在测定高光谱及叶绿素之后将叶片采下，利用天平及时测量出叶片鲜重，之后将叶片进行杀青烘干并测量其干重，从而得到叶片含水量，同样分析叶片水分与高光谱之间的相关性，筛选相关性高的光谱参量，最终建立花叶病烟草水分估测模型。（4）建立烟草花叶病遥感估测模型根据在沂水烟田实测的各级花叶病烟草的冠层高光谱数据，计算与病情严重度相关的11个常用植被指数，并与花叶病病情指数进行相关分析，结合变量投影重要性原则（VIP），选出最佳病情指示变量并利用偏最小二乘法建立病情严重度估测模型。同时对高分辨率的资源三号卫星影像进行处理，利用所建模型和卫星影像实现病害严重度的空间分布监测。8 山东农业大学硕士学位论文1.5技术路线遥感影基础资遥感影像处理像获取观测地点选择料收集不同病害等级光谱数据获取光谱数据变换处理叶绿素数据获取相关分析叶绿素含量估测模型水分数据获取光谱特征参量水分含量估测模型用于遥感影像相关分析病情监测模型病情指数调查光谱特征参量病害时空分布图模型精度及可行性检验分析NOYES病害监测图1.2技术路线Fig.1.2Technicalrout1.6小结本部分主要讲述了该研究的主要目的意义，基本原理，国内外研究现状，研究内容以及研究的技术路线。研究目的意义部分阐述了烟草在我国经济中的重要地位，烟草花叶病对烟草业的危害性以及遥感监测病虫害的优势进而阐明了利用遥感监测烟草花叶病的重要实践意义。基本原理部分主要讲述了植物的光谱特性以及遥感监测作物病虫害的原理，为研究的可行性奠定了理论基础。国内外研究现状主要从作物病虫害遥感监测、叶绿素以及水分遥感监测三个方面展开，分别就国内国外两部分展开论述，为研究的顺9 基于遥感技术的烟草花叶病监测研究——以沂水县为例利开展奠定了实践基础，同时通过查阅文献，掌握了数据测量方法。最后论述了本研究的主要研究内容和研究技术路线。10 山东农业大学硕士学位论文2试验设计及研究方法2.1试验区概况本试验地点位于沂水沂城、道托镇烟草种植区，沂水县位于临沂地区北部，山东省东南部沂山南麓。北纬35°36′～36°13′，东经118°13′～119°03′，丘陵主要分布在东部以及东北部；西部和北部为低山区；平原多分布在中南部。试验区为低山丘陵区，地形条件比较单一，烟草种植由烟草公司统一组织实施，统一管理，统一种植，统一施肥，烟草种植品种均为NC102，因此，不存在品种、施肥量、生长期等的不同，为试验的顺利实施提供了有利条件。2.2试验地点及时间设计试验于2014年6月-9月在大田内选择烟草花叶病发病典型区域进行实地数据采集，6月22日、7月24日、8月10日和9月4日先后四次进行了数据采集工作，在沂水沂城、道托镇两地选择六个病害小区，在六个试验小区内每次选择160株典型发病植株进行数据采集（植株按健康、轻度、中度、重度不同病害等级各选择40株进行测量）。试验区的设计要综合考虑烟草花叶病的发生情况以及地块的面积等情况，试验过程中我们在当地烟站工作人员的带领下选取了有代表性的烟田进行数据获取工作，试验区域及监测站点如图2.1所示。图例监测区图2.1研究区域及监测站点Fig.2.1Researchareaanddistributionsitesofinvestigation11 基于遥感技术的烟草花叶病监测研究——以沂水县为例烟草生长可分为苗床期和大田期，大田期是烟草幼苗移植到大田之后的生长期，该时期又包括团棵期、旺长期和成熟期，其中团棵期内烟草以营养生长为主，而旺长期则是烟叶生长的重要时期，对烟草的产量和品质都有着决定性的意义，同时这两个时期也是病害胁迫最容易发生的时期，因此，本文选用这两个时期为重点研究时期。2.3数据获取方法2.3.1烟草单叶及冠层光谱的测量采用美国ASD公司生产的ASDFieldSpec4便携式地物波谱仪进行光谱反射率数据的测定，该仪器测量波长范围为350-2500nm，其中，350-1050nm采样间隔为1.4nm，光谱分辨率为3nm，1000-2500nm采样间隔为2nm，光谱分辨率为10nm。观测时必须选在晴朗无云无风的天气，测定时间应选在北京时间11:00-14:00。测量叶片时，传感器探头垂直正对叶片，高度设置为10cm，每个叶片测量3次，每次记10组数据，最后取其平均值作为该叶片的光谱数据。测量冠层时，传感器探头垂直正对烟株，高度设置为1m，每株烟测量3次，每次记10组数据，最后取其平均值作为冠层光谱。测量过程中每测10株对一次白板，保证测量结果的准确性。2.3.2叶绿素含量测定研究表明植物叶绿素含量和叶片绿色度（SPAD）值具有明显的相关性，SPAD值能够表现植物叶绿素含量的变化，因此，利用叶绿素测定仪测定的SPAD值在一定条件下可代替叶绿素含量的直接测定，使用叶绿素测定仪测定植物叶绿素含量是完全可行的（姚付启等，2009）。本研究中叶绿素含量的测定是利用HSY-051叶绿素测定仪(单位：SPAD)。测量过程中，为提高测量精度，应在每株烟草的顶部、中部和底部各选择一片叶，每片叶上分叶尖、叶中、叶基三个部位左右两侧各测量三次，然后取其平均值作为该叶片的叶绿素含量，最后取上中下三片叶片的54个数据作为该烟株的叶绿素含量。2.3.3水分含量测定由于在野外进行试验无法马上测量叶片水分，为保持测量结果的准确性，我们将采下的烟草叶片及时装入自封袋并进行编号，然后将其置于放有冰块的泡沫箱中，这样既能防止水分流失又能避免烟叶受损。采集叶片时分顶部叶（L顶）、中部叶（L中）、底部叶（L底）分别量测，测量时，加袋称重，之后去掉自封袋的重量即为叶片鲜重M鲜。将叶片杀青烘干至恒重，秤量叶片干重M干，计算出叶片的水分含量。叶片含水率（%）=（M鲜-M干）/M鲜×100%12 山东农业大学硕士学位论文计算冠层水分含量时，以顶部叶、中部叶和底部叶三者之和计算，具体如下：冠层含水率（%）=（M鲜总-M干总）/M鲜总×100%其中M鲜总为顶部叶、中部叶和底部叶的鲜重总和，M干总为顶部叶、中部叶和底部叶的干重总和。2.3.4病情指数调查在选择的试验小区内，获取地面高光谱数据及其他数据之后即在该区进行田间病情指数的调查，以保证病情指数信息能够与高光谱数据结合起来。在各小区内利用5点调查取样法选择80株烟草进行数据采集，将每个调查点的发病情况记录下来，同时利用GPS记录下采集点的地理位置，以保证与遥感影像同步对应。根据GBT-23222-2008烟草病虫害分级调查方法，烟草花叶病分为0，1，3，5，7，9共六个等级，群体病情指数DI计算公式如下：病情指数=各级病株数花叶病级值100调查总株数最高级值为使分级更加明显，将花叶病害重新分为4个等级：健康，DI=0；轻度，DI介于0-25%；中度，DI介于25-50%；重度，DI>50%。2.3.5遥感影像数据选用2014年7月24日的资源三号全色影像（2.1m）和多光谱影像（5.8m）用于监测烟草花叶病病害程度。该影像的具体信息如表2-1所示表2-1遥感影像信息Table2-1Informationofremotesensingimage平台有效载荷波段波谱范围(um)空间分辨率(m)幅宽(m)侧摆能力正视相机全色0.50~0.802.151±32°资源三号多光谱相机蓝0.45~0.52绿0.52~0.595.851±32°红0.63~0.69近红外0.77~0.892.4光谱数据处理方法在光谱采集过程中，由于外界环境的影响以及光谱仪不同波段对能量响应上的差异，会导致光谱曲线存在一些噪声，为减少噪声影响提高建模精度，必须对光谱数据进行平滑处理。常用的方法有移动平均法、拟合多项式法、小波变换及各种回归平滑方法（房贤一等，2013）。研究选用五点平滑处理方法来去除光谱曲线噪声影响。平滑处理完成以后即可对光谱数据进行各种变换处理。2.4.1光谱数据微分处理13 基于遥感技术的烟草花叶病监测研究——以沂水县为例为减少大气的吸收、散射以及其他背景信息等的影响，提高不同吸收特征的对比度，需要对平滑处理后的光谱数据进行多种变换，其中最常见的变换形式就是微分处理，包括一阶微分及二阶微分等。此外，变换形式还包括倒数、对数、平方根及其一阶、二阶等。在光谱数据实际采集过程中，由于采样间隔具有离散性，所以，通常利用差分公式近似计算一阶导数光谱。光谱反射率一阶导数：R’（λi）==式中：λi为波段i波长值，R（λi）为波长λi的光谱值，是相邻波长的间隔，一般取值10nm。2.4.2植被指数计算植被指数（VegetationIndex），也称为光谱植被指数，指的是由遥感传感器获取的光谱数据，经线性和非线性组合而构成的对植被有一定指示意义的各种数值。自上世纪70年代初，近红外波段与红光波段反射率的就被用于研究植被及物候，建立地表实测植被生理生态参数与植被指数的关系。因植被指数可以综合光谱信息，并且能增强植被信息弱化非植被信息的影响，因此植被指数常被用来构建各种模型。本研究中用到的植被指数主要包括以下几种。表2-2植被指数及其计算Table2-2Vegetationindexanditscalculation名称公式参考文献比值植被指数(RVI)RVI=ρNIR/ρRedPersonetal.归一化植被指数NDVI=(ρNIR-ρRed)/(ρNIR+ρRed)Rouseetal.(NDVI)差值植被指数(DVI)DVI=ρNIR-ρRedJordanetal.垂直植被指数(PVI)PVI(0.355ρ0.149ρ)2(0.355ρ0.852ρ)2Richardsonetal.NIRRedRedNIR再归一化植被指数RDVINDVIDVIRoujeanetal.(RDVI)变换植被指数(TVI)TVI=0.5×[120(ρNIR–ρG)-200(ρR–ρG)]Brogeetal.土壤可调植被指数SAVI=(1+L)ρNIRρRedHuete(SAVI)ρNIRρRedLL=0.5优化土壤调节植被指OSAVI=(1+L)ρNIRρRedRondeauxetal.数(OSAVI)ρNIRρRedLL=0.16修改型土壤调整植被MSAVI=0.5[(2ρNIR+1)-2(2ρ1)8(ρρ)]Qietal.NIRNIRRed指数(MSAVI)增强植被指数(EVI)ρρLiuetal.NIRRedEVI(1L)ρCρCρLNIR1Red2B归一化差异绿度指数NDGI=(ρG-ρRed)/(ρG+ρRed)Chamardetal.(NDGI)14 山东农业大学硕士学位论文2.4.3位置变量、面积变量及其他光谱参数植被高光谱的位置变量主要是指其“三边”参数及与之相关的参数，即红边位置、红边幅值，蓝边位置、蓝边幅值，黄边位置、黄边幅值，此外还包括绿峰位置、绿峰幅值，红谷位置、红谷幅值。面积变量包括红边面积、黄边面积和蓝边面积。具体涵义见表2-3。表2-3位置变量、面积变量和植被变量及其与叶绿素相关性Table.2-3Locatorvariables、areavariablesandvegetationvariablesandtheircorrelationwithchlorophyll变量名称涵义红边位置λr红边幅值对应的波长红边幅值Dr680-760nm内最大一阶微分值蓝边位置λb蓝边幅值对应的波长蓝边幅值Db490-530nm内最大一阶微分值黄边位置λy黄边幅值对应的波长黄边幅值Dy560-640nm内最大一阶微分值绿峰位置λg绿峰对应的波长绿峰幅值Rg510-560nm内最大的反射率红谷位置λv红谷对应的波长红谷幅值Rr640-680nm内最小的反射率红边面积SDr红边范围内一阶导数光谱曲线所包围的面积蓝边面积SDb蓝边范围内一阶导数光谱曲线所包围的面积黄边面积SDy黄边范围内一阶导数光谱曲线所包围的面积绿峰与红谷比值Rg/Rr绿峰与红谷归一化值(Rg-Rr)/(Rg+Rr)红边面积与蓝边面积比SDr/SDb红边面积与黄边面积比SDr/SDy红边面积与蓝边面积归一化值(SDr-SDb)/(SDr+SDb)红边面积与黄边面积归一化值(SDr-SDy)/(SDr+SDy)2.4.4资源三号遥感影像处理通过辐射定标、大气校正、正射校正、几何校正以及配准融合等一系列的预处理之后，利用支持向量机(SVM)监督分类方法提取出烟草种植区域，作为病害程度分级的基础。大气校正是利用ENVI中的FLASH大气校正模块进行的，有效的消除了大气等对地物反射率的影响，有利于获取地物真实反射率。配准融合是利用Gram-Schmidt融合方法，可以在融合的同时避免阴影重叠现象，并且能够较好的保持融合前后光谱信息的一致性。将融合剪裁后的影像进行增强处理，包括Linear2%，Gaussion拉伸，Equalization以及滤波处理等，经过一系列变换后，烟草种植区得到明显增强，为后续的烟草种植区的提取以及病害等级的划分提供了方便。2.5建模方法研究中利用的建模方法主要有两种，一是逐步回归分析建模，二是利用偏最小二乘15 基于遥感技术的烟草花叶病监测研究——以沂水县为例回归方法。逐步回归是一种“有进有出”的分析方法，利用逐步回归可以理想的挑选出对因变量贡献大的变量，从而减少数据冗余，提高建模精度。研究利用逐步回归方法来建立花叶病烟草叶绿素及水分含量模型。偏最小二乘回归方法（PartialLeastSquare,PLS）是在1983年由Wold和Alban首次提出的（王慧文，1999），PLS算法具有消除自变量间多重共线性影响的优点（NaessetE，,2005；王慧文等，2006），因此，近年来，该方法被广泛应用于遥感监测作物生长状况等方面，如估测作物病害严重度、生物量、叶面积指数以及N素含量等（王圆圆等，2007；HungTNguyen，2006；HansenPM，2003）。研究利用PLS方法结合辅助技术变量投影重要性原则建立病害估测模型。2.6模型验证方法模型精度主要是通过估测值与实测值的相关系数R、决定系数（DeterminationCoefficient，R2）、估测的误差均方根RMSEP(RootMeanSquareErrorPredict)和相对误差（RelativeError，RE）来验证。相关系数R表示两组数据之间的相关关系，一般情况下-1
此文档下载收益归作者所有
