艾效夷,　宋偉東,　張競成,　王保通,　楊貴軍,　黃文江

(1. 遼寧工程技術(shù)大學(xué)測繪與地理科學(xué)學(xué)院,阜新　123000; 2. 國家農(nóng)業(yè)信息化工程技術(shù)研究中心,北京　100097; 3. 旱區(qū)作物逆境生物學(xué)國家重點(diǎn)實(shí)驗(yàn)室, 西北農(nóng)林科技大學(xué),楊凌　712100;4. 中國科學(xué)院遙感與數(shù)字地球研究所,數(shù)字地球重點(diǎn)實(shí)驗(yàn)室,北京　100094)

?

結(jié)合冠層光譜和葉片生理觀測的小麥條銹病監(jiān)測模型研究

艾效夷1,2,宋偉東1,張競成2*,王保通3,楊貴軍2,黃文江4

(1. 遼寧工程技術(shù)大學(xué)測繪與地理科學(xué)學(xué)院,阜新123000; 2. 國家農(nóng)業(yè)信息化工程技術(shù)研究中心,北京100097; 3. 旱區(qū)作物逆境生物學(xué)國家重點(diǎn)實(shí)驗(yàn)室, 西北農(nóng)林科技大學(xué),楊凌712100;4. 中國科學(xué)院遙感與數(shù)字地球研究所,數(shù)字地球重點(diǎn)實(shí)驗(yàn)室,北京100094)

通過開展小麥條銹病接種試驗(yàn),在多個(gè)關(guān)鍵生育期獲取被動(dòng)式的冠層光譜和主動(dòng)式的葉片生理觀測并開展病情調(diào)查。在此基礎(chǔ)上,結(jié)合優(yōu)選的光譜特征和生理特征采用偏最小二乘回歸方法(PLSR)構(gòu)建病情嚴(yán)重度反演模型,得到不同生育期精度表現(xiàn)最優(yōu)的特征組合。結(jié)果顯示,基于光譜觀測的優(yōu)選光譜特征和基于葉片生理觀測的Flav(類黃酮相對含量)、Chl(葉綠素含量)的不同組合在小麥挑旗期、灌漿早期和灌漿期分別具有較佳表現(xiàn),模型精度達(dá)到r2=0.90,RMSE=0.026。相比單純采用光譜特征,綜合冠層光譜和葉片生理觀測能夠使模型精度提高21%,表明兩種數(shù)據(jù)的結(jié)合有利于提高病情嚴(yán)重度估測精度。上述研究可為小麥病害監(jiān)測儀器的開發(fā)提供新的模式和思路。

光譜特征;葉片生理;小麥條銹病;PLSR;Dualex 4

小麥條銹病是一種發(fā)病率高的大區(qū)域流行性病害,給我國的小麥生產(chǎn)造成了極大損失[1]。每年國家投入大量農(nóng)藥用于防治該病。在田間對該病進(jìn)行有效的監(jiān)測,實(shí)時(shí)掌握病害發(fā)生的范圍、程度,有助于判斷病害的發(fā)展趨勢,采取科學(xué)合理的防治措施,降低防治成本,減輕環(huán)境負(fù)荷。近年來,除傳統(tǒng)病害田間調(diào)查外,一些無損快速診斷技術(shù)被應(yīng)用于作物病害和其他脅迫的監(jiān)測和診斷上[2]。這方面研究目前主要集中在基于光譜原理的探測方式上,包括被動(dòng)式冠層光譜和主動(dòng)式速測儀器等觀測方式。在冠層光譜分析方面,目前,國內(nèi)外學(xué)者對作物病蟲害進(jìn)行了大量研究,取得了一定的進(jìn)展,研究內(nèi)容大致分為以下兩個(gè)方面:第一方面研究了病蟲害脅迫光譜響應(yīng)波段的位置,如競霞等[3]利用ASD光譜儀測量棉葉光譜反射率,結(jié)果表明紅光波段680～700 nm是棉花單葉黃萎病病情嚴(yán)重度識(shí)別的最佳波段;Liu等[4]通過ASD獲取水稻稻穗的光譜信息,分析發(fā)現(xiàn)450～850 nm波段的反射率變化與水稻穎枯病具有相關(guān)性;第二方面研究基于各類植被指數(shù)進(jìn)行病蟲害監(jiān)測,如Steddom等[5]利用歸一化植被指數(shù)(NDVI)、花青素反射指數(shù)(ARI)對甜菜病害進(jìn)行了監(jiān)測;Yang等[6]采用綠度植被指數(shù)(GNDVI)和土壤調(diào)節(jié)植被指數(shù)(SAVI)對水稻病害進(jìn)行監(jiān)測,決定系數(shù)均達(dá)到0.8以上。另外值得注意的是,近年來基于光譜、熒光原理的主動(dòng)式儀器被廣泛應(yīng)用于對作物生理活性及脅迫狀態(tài)的診斷上。由于該類儀器以主動(dòng)方式在相對密閉的環(huán)境中對作物進(jìn)行觀測,能夠在很大程度上避免一些環(huán)境干擾,測量參數(shù)往往具有較高的精度和穩(wěn)定性。Tremblay等[7-9]在玉米和小麥的研究中發(fā)現(xiàn)相對葉綠素含量(SPAD值)與相對多酚含量(Dualex值)的比值在氮營養(yǎng)狀況診斷方面比單一指標(biāo)更加敏感和穩(wěn)定。Cerovic等[10]對玉米和小麥進(jìn)行研究,結(jié)果表明Dualex估測葉片葉綠素濃度與實(shí)測值高度線性相關(guān);余偉烽等[11]在對水稻的研究中也發(fā)現(xiàn)了類似的結(jié)果,Dualex估測的葉綠素值與水稻葉片葉綠素濃度成極顯著線性相關(guān)(P<0.001)。

作物冠層光譜由于具有豐富的譜段信息,能夠較靈敏地響應(yīng)作物整體生長及環(huán)境狀況。但引起冠層光譜變化的因素很多,關(guān)系較為復(fù)雜,因此冠層光譜與植物生理活性和生化狀態(tài)的關(guān)系有時(shí)并不穩(wěn)定。而基于光譜、熒光原理的主動(dòng)式儀器由于能夠獲得較為穩(wěn)定的植物生理活性和生化狀態(tài)參量,與冠層光譜信息形成很好的互補(bǔ)關(guān)系。為此,本研究提出嘗試將上述兩種觀測方式結(jié)合進(jìn)行小麥條銹病監(jiān)測。根據(jù)國內(nèi)外文獻(xiàn)調(diào)研,罕有該方面的研究或報(bào)道。本文以控制試驗(yàn)方式設(shè)置小麥條銹病發(fā)生現(xiàn)場及正常對照區(qū)域,基于經(jīng)典的ASD Field Spec光譜儀和Dualex 4葉片測量儀在重要生育期中對作物進(jìn)行觀測,在特征優(yōu)選的基礎(chǔ)上構(gòu)建小麥條銹病病情嚴(yán)重度反演模型,檢驗(yàn)綜合兩種觀測方式的模型是否有助于提高病情監(jiān)測精度,并對應(yīng)用可行性和可能存在的問題進(jìn)行討論。

1　材料與方法

1.1試驗(yàn)方案

試驗(yàn)地位于北京市昌平區(qū)小湯山國家精準(zhǔn)農(nóng)業(yè)示范研究基地。土壤有機(jī)質(zhì)含量約為14 g/kg,堿解氮為63.3 mg/kg,速效鉀為123.4 mg/kg。試驗(yàn)田塊長100 m,寬50 m。本試驗(yàn)選用易感條銹病的‘京9843’。2014年4月5日采用噴霧法進(jìn)行接種。接種菌源為甘肅省農(nóng)業(yè)科學(xué)院植物保護(hù)研究所提供的條銹病夏孢子混合生理小種,設(shè)置0.03、0.09、0.12 mg/mL 3個(gè)不同的濃度梯度處理,以制造不同的發(fā)病梯度,每個(gè)處理設(shè)置2個(gè)重復(fù)。接種在17:00開始,用小型噴霧器將制備好的孢子懸浮液噴在植株葉片上,接種后蓋上塑料薄膜,過夜,次日清晨9:30左右揭去塑料薄膜,完成接種。顯癥后分別在小麥挑旗期、灌漿早期和灌漿期進(jìn)行冠層光譜和生理生化參數(shù)的測試。

1.2數(shù)據(jù)獲取及測試

1.2.1冠層光譜測量

本研究冠層光譜獲取采用美國ASD公司生產(chǎn)的ASD Field SpecPro FR(350-2500)便攜式光譜儀(圖1)。波長范圍350～2 500 nm,波長精度±1 nm,采樣時(shí)間10次/s,光譜采樣間隔在350～1 050 nm范圍內(nèi)為1.377 nm;在1 000～2 500 nm范圍內(nèi)為2 nm;光譜分辨率在350～1 000 nm范圍內(nèi)為3 nm;在1 000～2 500 nm范圍內(nèi)為10 nm。觀測時(shí)將探頭垂直向下,高度始終保持離地面1.3 m,探頭為25°視場角,地面視場范圍直徑為50 cm。每小區(qū)測量20次,每次測量前后均用標(biāo)準(zhǔn)的參考板進(jìn)行校正,之后通過反射率值和DN灰度值進(jìn)行轉(zhuǎn)換。

(1)

計(jì)算出目標(biāo)物的反射率值,將20次的反射率值平均,作為該小區(qū)小麥冠層光譜反射率值。所有測試均在晴朗無云天氣條件下完成,并于地方時(shí)間10:00-14:00進(jìn)行。

圖1　ASD Field SpecPro FR (350-2500) 便攜式光譜儀(左),Dualex 4葉片測量儀(右)Fig.1　ASD Field SpecPro spectrometer(left), Dualex 4(right)

1.2.2植物生理生化參數(shù)速測

采用法國Force-A公司開發(fā)的Dualex 4(Dx4)葉片測量儀獲取小麥的類黃酮相對含量(Flav)、葉綠素相對含量(Chl)及氮平衡指數(shù)(NBI)(圖1)。Dx4是新型的熒光傳感器,通過雙重激發(fā)的葉綠素?zé)晒鈦慝@取葉片表皮的紫外光(375 nm)吸收率,進(jìn)而評估葉片的類黃酮含量[12];Dx4估測葉片葉綠素含量所采用的波段為850 nm和710 nm,計(jì)算公式為:

(2)

其中Chl為Dx4估測的葉綠素濃度,T850和T710為850 nm和710 nm的葉片透射率,k為比例系數(shù),c為校正系數(shù)[11]。當(dāng)植物受到病害脅迫時(shí),葉綠素被破壞,類黃酮作為植物抗毒素含量增加[13],引起NBI值的改變,即可對植物的病害狀況進(jìn)行實(shí)時(shí)監(jiān)測。每個(gè)小區(qū)選取30片葉子進(jìn)行測定,取其均值作為該小區(qū)的氮平衡指數(shù)、葉綠素相對含量和類黃酮相對含量。

1.2.3病情指數(shù)(DI)調(diào)查

主要采取5點(diǎn)調(diào)查法,即在條銹病開始出現(xiàn)病癥后,在處理小區(qū)內(nèi)調(diào)查反應(yīng)型和嚴(yán)重度,每塊小區(qū)選取對稱的5點(diǎn),每點(diǎn)約1 m2,隨機(jī)選取30株小麥,分別調(diào)查其發(fā)病情況。病情嚴(yán)重度參照國家標(biāo)準(zhǔn)“小麥條銹病測報(bào)技術(shù)規(guī)范”(GB/T 15795)[14]進(jìn)行量化。單葉嚴(yán)重度分為9個(gè)梯度,即:0%、1%、10%、20%、30%、45%、60%、80%和100%的葉片病斑覆蓋。分別記錄各嚴(yán)重度的小麥葉片數(shù),計(jì)算病情指數(shù)。公式為:

(3)

其中,DI為病情指數(shù),x各梯度的級值,n為最高梯度級值9,f為各梯度的葉片數(shù)。

1.3數(shù)據(jù)分析及處理

1.3.1植被指數(shù)計(jì)算

基于兩種儀器獲得的觀測結(jié)果需要通過一些特征形式進(jìn)行表示,作為病害監(jiān)測模型輸入變量。其中,冠層光譜數(shù)據(jù)則通過計(jì)算不同形式植被指數(shù),用以表征作物某方面特征或狀態(tài)。本研究系統(tǒng)歸納和整理了常用于作物病蟲害監(jiān)測的11個(gè)高光譜(Hyp)植被指數(shù)和9個(gè)多光譜(MS)植被指數(shù)(表1)。這些特征包括如SAVI等適用于減弱土壤背景影響的指數(shù);短波紅外水脅迫指數(shù)(SIWSI)、疾病水脅迫指數(shù)(DSWI)、水分脅迫指數(shù)(MSI)、水分指數(shù)(WI)等植被水分含量監(jiān)測的指數(shù);以及NDVI、ARI、三角植被指數(shù)(TVI)、比值植被指數(shù)(SR)、光化學(xué)植被指數(shù)(PRI)、氮反射率指數(shù)(NRI)、歸一化葉綠素比值指數(shù)(NPCI)等在以往病害監(jiān)測研究中被報(bào)道對小麥病害敏感的指數(shù)[15-16]。其中,多光譜植被指數(shù)參考Landsat-8 TM通道范圍和響應(yīng),基于高光譜數(shù)據(jù)根據(jù)相關(guān)通道的通道響應(yīng)函數(shù)進(jìn)行積分得到寬波段反射率。再進(jìn)一步基于這些轉(zhuǎn)換后的寬波段反射率計(jì)算多光譜指數(shù)。本研究基于實(shí)測數(shù)據(jù)檢驗(yàn)這些植被指數(shù)響應(yīng)情況,對特征進(jìn)行選擇。

1.3.2植被指數(shù)優(yōu)選

為提高模型效率和避免信息冗余,在1.3.1部分所述植被指數(shù)基礎(chǔ)上,優(yōu)選對病害敏感的植被指數(shù)作為模型輸入變量。為此,本研究采用以下兩個(gè)標(biāo)準(zhǔn)進(jìn)行變量選擇:首先,將植被指數(shù)逐一與DI進(jìn)行相關(guān)性分析,相關(guān)性越高表明對病情嚴(yán)重度越敏感,保留相關(guān)性達(dá)到極顯著水平(P<0.001)的植被指數(shù)進(jìn)行后續(xù)分析。在此基礎(chǔ)上,對植被指數(shù)進(jìn)行逐對的相關(guān)分析,若R2>0.9,則淘汰與DI相關(guān)性相對較低的植被指數(shù),直至剩余的指數(shù)間R2均低于0.9。上述流程對高光譜和多光譜指數(shù)獨(dú)立進(jìn)行分析,將滿足條件的特征分別用于構(gòu)建病情嚴(yán)重度反演模型。

表1　用于小麥條銹病病情監(jiān)測的植被指數(shù)名稱與形式1)Table 1　The names and forms of vegetation indexes for wheat stripe rust disease monitoring

1) RNIR表示近紅外波段反射率;RR表示可見光-紅波段反射率。

RNIR: Reflectance of near-infrared band; RR: Reflectance of red band.

1.3.3小麥條銹病病情嚴(yán)重度反演模型

本研究基于冠層光譜和植物生理生化兩方面特征進(jìn)行小麥條銹病病情嚴(yán)重度反演建模分析。其中,植物生理生化速測參數(shù)方面直接采用Dx4儀器測量的Chl、NBI、Flav;冠層光譜特征(SF)采用1.3.2部分優(yōu)選特征。為比較不同特征組合對模型效果的影響,分別對下列8種變量組合形式逐一進(jìn)行測試:(1)SFs;(2)SFs和Chl;(3)SFs和Flav;(4)SFs和NBI;(5)SFs和Chl、Flav;(6)SFs和Chl、NBI;(7)SFs和Flav、NBI;(8)SFs和Chl、Flav、NBI。在反演方法上,采用能夠有效消減變量間相關(guān)性影響的偏最小二乘回歸分析(partial least square regression,PLSR)進(jìn)行建模和驗(yàn)證。在時(shí)相上,分別對小麥挑旗期和灌漿早期(S1)、灌漿期(S2)以及整個(gè)生育期進(jìn)行獨(dú)立的建模和驗(yàn)證分析,以得到不同時(shí)相下最優(yōu)的特征組合及模型。由于小麥生育早期,病害發(fā)生程度較輕,植株生理生化組分變化不明顯,因此本次將挑旗期和灌漿早期合并作為一個(gè)時(shí)期進(jìn)行研究。在驗(yàn)證方面,采用留一的交叉驗(yàn)證方法進(jìn)行評估,采用預(yù)測值與實(shí)測值的決定系數(shù)(R2)以及標(biāo)準(zhǔn)誤差(RMSE)作為精度評價(jià)指標(biāo)。

2　結(jié)果與分析

2.1光譜及與生理參數(shù)對病情的響應(yīng)分析

由小麥條銹病病情指數(shù)與各生理生化參數(shù)之間在不同生育期及整個(gè)生育期的相關(guān)分析結(jié)果來看,小麥生理參數(shù)Chl、Flav、NBI在S1時(shí)期與DI之間相關(guān)性不顯著(P>0.05),其中Flav和NBI相關(guān)系數(shù)分別為0.246和-0.317,Chl與DI幾乎無相關(guān)性。而在S2和整個(gè)生育期,各參數(shù)特征與DI均達(dá)到極顯著相關(guān),Chl、Flav和NBI分別在S2和整個(gè)生育期與DI的相關(guān)系數(shù)達(dá)到最高值為0.663、0.601和0.714;以上結(jié)果可能的原因是,小麥被條銹病侵染初期,生理生化參數(shù)受病害影響較小,與DI相關(guān)性不高,但隨著生育期的推進(jìn)和病情嚴(yán)重度的加重,葉綠素大量被破壞,類黃酮含量增加,導(dǎo)致NBI減小,因而在發(fā)病率逐漸升高的小麥生育后期Chl、Flav、NBI可作為DI的估測因子。

基于1.2.4計(jì)算得到的11個(gè)高光譜植被指數(shù)和9個(gè)多光譜植被指數(shù)與DI進(jìn)行相關(guān)性分析。小麥整個(gè)生育期多光譜植被指數(shù)與高光譜植被指數(shù)與DI間相關(guān)性均達(dá)到P<0.001的顯著性水平(圖2)。其中,多光譜植被指數(shù)MSI與DI的相關(guān)系數(shù)最高,R達(dá)到0.632。本次研究基于1.4.1部分內(nèi)容分別篩選出MSI、ARI、NRI、PRI、WI5個(gè)高光譜植被指數(shù)和NDVI、GNDVI、SAVI、SIWSI、TVI5個(gè)多光譜植被指數(shù)共10個(gè)光譜特征用于構(gòu)建病情反演模型。

圖2　小麥整個(gè)生育期光譜特征與DI相關(guān)性分析結(jié)果Fig.2　The correlation analysis of wheat whole growth period spectrum characteristics and DI

圖3展示了所選植被指數(shù)在小麥不同生育期與DI的相關(guān)系數(shù),除GNDVI、SIWSI、MSI、WI這4個(gè)植被指數(shù)在S1時(shí)期與DI相關(guān)系數(shù)較小外,其余植被指數(shù)在小麥不同生育期與DI的相關(guān)性均達(dá)到顯著相關(guān),且S2時(shí)期的光譜特征對病害表現(xiàn)出較強(qiáng)的光譜響應(yīng)。

圖3　小麥不同生育期光譜特征與DI相關(guān)性分析結(jié)果Fig.3　The correlation analysis of wheat spectrum characteristics and DI at different stages

在這些光譜特征中,多光譜植被指數(shù)NDVI、SAVI、TVI和高光譜植被指數(shù)PRI、ARI、NRI在S1和S2時(shí)期與DI都表現(xiàn)出較高的相關(guān)性。其中,NDVI和TVI因小麥葉綠色在可見光和近紅外波段對電磁波的吸收輻射特性以及SAVI因可以有效減弱土壤背景對冠層光譜的影響對DI都表現(xiàn)出持續(xù)的光譜響應(yīng);ARI和NRI能夠有效反映出病害脅迫下植物冠層的花青素和葉綠素濃度的變化;PRI能夠直接反映出植物體光合效率的改變,而這種改變往往會(huì)先于色素含量的變化,因而對于小麥條銹病的早期監(jiān)測具有一定的優(yōu)勢[38]。而多光譜植被指數(shù)SIWSI、MSI和高光譜植被指數(shù)WI3個(gè)水分監(jiān)測指數(shù)在S1時(shí)期與DI相關(guān)性較低,而在S2時(shí)期相關(guān)性高達(dá)0.574、0.609和0.740,這種規(guī)律性和病害侵染小麥植株的生理過程有關(guān)。在較早的生育期中,條銹病菌大量繁殖,但病菌造成的破壞仍不明顯,沒有在葉片上大幅度顯癥,植株生化組分尚未產(chǎn)生顯著變化[38]。隨著病菌對植株侵染的加強(qiáng),植株的部分器官開始出現(xiàn)明顯的癥狀,從而引起一系列光譜特征的響應(yīng)[39]。其中,Huang等[15]和Devadas等[16]曾報(bào)道PRI和ARI在冠層尺度對病害敏感,與本研究中結(jié)果一致。

2.2不同參數(shù)組合估算病情嚴(yán)重度模型比較

本研究根據(jù)小麥挑旗期和灌漿早期、灌漿期及整個(gè)生育期分別構(gòu)建病情反演模型,將高光譜和多光譜植被指數(shù)分別和生理參數(shù)等多個(gè)敏感因子與DI建立回歸模型。整體來看,S1時(shí)期的模型精度達(dá)到P=0.001極顯著水平的變量組合最少;S2和整個(gè)生育期下基于8個(gè)變量組合構(gòu)建的模型精度均達(dá)到極顯著水平。由表2、3、4可知,大多數(shù)模型的估測精度的決定系數(shù)R2在0.3～0.9范圍內(nèi),均方根誤差RMSE在0.02～0.2范圍內(nèi)。

表2　挑旗期和灌漿早期小麥條銹病病情嚴(yán)重度反演模型精度1)Table 2　The precision of the inversion model of wheat stripe rust disease severity at flag leaf stage and grain-filling early stage

1)SFs表示光譜特征;Hyp表示高光譜;MS表示多光譜;優(yōu)選組合以下畫虛線標(biāo)示。下同。

SFs: Spectrum features;Hyp: Hyperspectral;MS: Multispectral; The dotted line indicates the optimum combination. The same below.

從不同時(shí)期來看,小麥S1時(shí)期,高光譜植被指數(shù)與Flav為變量的模型決定系數(shù)最高達(dá)到0.905;多光譜植被指數(shù)與Flav的模型精度R2值為0.549。結(jié)果顯示(表2),加入了Flav估測因子的模型(圖4),因考慮到類黃酮含量在作物受到病害脅迫后顯著增加以抑制病蟲害增長的影響,在估測小麥條銹病病情方面的表現(xiàn)都要優(yōu)于光譜特征。故選擇SFs與Flav構(gòu)建的模型為小麥S1時(shí)期的最優(yōu)模型。

表3　灌漿期小麥條銹病病情嚴(yán)重度反演模型精度Table 3　The precision of the inversion model of wheat stripe rust disease severity at grain filling stage

表4　整個(gè)生育期小麥條銹病病情嚴(yán)重度反演模型精度Table 4　The precision of the inversion model of wheat stripe rust disease severity on the whole growth period

圖4　挑旗期和灌漿早期小麥條銹病病情嚴(yán)重度反演模型預(yù)測DI值與實(shí)測值散點(diǎn)圖Fig.4　Scatter plots between measured DI and estimated DI at flag leaf stage and grain-filling early stage

小麥S2時(shí)期(表3),SFs與Chl、Flav構(gòu)建的估算模型,其決定系數(shù)為R2(SFHyp)=0.770,R2(SFMS)=0.714,標(biāo)準(zhǔn)誤差RMSE(SFHyp)=0.133,RMSE(SFMS)=0.148。Chl、Flav的加入使得原有模型的擬合精度進(jìn)一步提高(圖5),這表明,由Dualex 4直接獲取的Chl相對含量,因其操作穩(wěn)定,測量科學(xué),在一定程度上提高了數(shù)據(jù)的可靠性和精確性。故選擇SFs與Chl、Flav構(gòu)建的模型為小麥S2時(shí)期的最優(yōu)模型。

圖5　灌漿期小麥條銹病病情嚴(yán)重度反演模型預(yù)測DI值與實(shí)測值散點(diǎn)圖Fig.5　Scatter plots between measured DI and estimated DI at grain filling stage

小麥整個(gè)生育期(表4),只采用高光譜和多光譜植被指數(shù)構(gòu)建的模型R2(SFHyp)=0.387,RMSE(SFHyp)=0.192,R2(SFMS)=0.338,RMSE(SFMS)=0.200,精度較差,但Flav和Chl估測因子的加入,使得模型精度大幅度提高達(dá)到R2(SFHyp)=0.623,RMSE(SFHyp)=0.151,R2(SFMS)=0.620,RMSE(SFMS)=0.151。故選擇SFs與Chl、Flav構(gòu)建的模型為小麥整個(gè)生育期的最優(yōu)模型(圖6)。這與S2時(shí)期的研究結(jié)果相一致。

3　結(jié)論

本文利用ASD FieldSpec光譜儀和Dualex 4葉片測量儀兩種觀測方式對小麥條銹病的病情進(jìn)行監(jiān)測,建立相關(guān)模型進(jìn)行對比分析得到以下結(jié)論:(1)綜合ASD Field Spec光譜儀和Dualex 4葉片測量儀兩種觀測方式的小麥條銹病病情嚴(yán)重度監(jiān)測是可行的。與光譜特征的反演模型相比,生理生化參數(shù)與光譜特征的結(jié)合提高了小麥條銹反演模型的精度;(2)用于估算小麥條銹病在S1、S2、整個(gè)生育期病情嚴(yán)重度的最佳模型,分別是以SFs和Flav,SFs和Flav、Chl,SFs和Flav、Chl為變量組合所構(gòu)建的模型;(3)對于所篩選的最優(yōu)模型,高光譜特征與生理參數(shù)組合反演結(jié)果優(yōu)于同時(shí)期的多光譜特征與生理參數(shù)的組合,這說明在提取植被指數(shù)方面,高光譜數(shù)據(jù)體現(xiàn)出光譜分辨率高、連續(xù)性強(qiáng)和信息量豐富等優(yōu)勢。

圖6　整個(gè)生育期小麥條銹病病情嚴(yán)重度反演模型預(yù)測DI值與實(shí)測值散點(diǎn)圖Fig.6　Scatter plots between measured DI and estimated DI during the whole growth period

小麥生理生化參數(shù)與光譜特征的有效結(jié)合,提高了模型的反演精度,表明被動(dòng)式冠層光譜和主動(dòng)式速測儀器兩種觀測方式的結(jié)合對于小麥條銹病的監(jiān)測是具有一定潛力的。然而,如何改進(jìn)現(xiàn)有的儀器,使得能夠同時(shí)獲取冠層光譜反射率和生理生化參數(shù),并保證測量精度,可能是后期儀器開發(fā)需要解決的問題。

[1]Saari E E, Prescott J M. World distribution in relation to economic losses[M]∥Roelfs A P, Bushnell W R. The cereal rusts vol.2:Diseases, distribution, epidemiology and control. Orlando: Academic Press, 1985: 259-298.

[2]Sankaran S, Mishra A, Ehsani R, et al. A review of advanced techniques for detecting plant diseases [J]. Computers and Electronics in Agriculture, 2010, 72(1):1-13.

[3]競霞,黃文江,王紀(jì)華,等.棉花單葉黃萎病病情嚴(yán)重度高光譜反演模型研究[J].光譜學(xué)與光譜分析,2009,29(12):3348-3352.

[4]Liu Zhanyu, Wu Hongfeng, Huang Jingfeng. Application of neural networks to discriminate fungal infection levels in rice panicles using hyperspectral reflectance and principal components analysis [J].Computers and Electronics in Agriculture, 2010,72(2): 99-106.

[5]Steddom K, Heidel G, Jones D. Remote detection of rhizomania in sugar beets [J].Phytopathology,2003,93(6):720-726.

[6]Yang Chwenming, Cheng Chinghuan, Chen Rongkuen. Changes in spectral characteristics of rice canopy infested with brown planthopper and leaffolder [J].Crop Science, 2007, 47(1): 329-335.

[7]Tremblay N, Wang Zhijie, Bélec C. Evaluation of the dualex for the assessment of corn nitrogen status [J]. Journal of Plant Nutrition, 2007,30(9):1355-1369.

[8]Tremblay N, Wang Zhijie, Bélec C. Performance of Dualex in spring wheat for crop nitrogen status assessment, yield prediction and estimation of soil nitrate content [J]. Journal of Plant Nutrition, 2009, 33(1): 57-70.

[9]Tremblay N, Wang Zhijie, Cerovic Z G. Sensing crop nitrogen status with fluorescent indicators. A review [J]. Agronomy for Sustainable Development, 2012, 32(2): 451-464.

[10]Cerovic Z G, Masdoumier G, Ben Ghozlen N, et al. A new optical leaf-clip meter for simultaneous non-destructive assessment of leaf chlorophyll and epidermal flavonoids [J]. Physiologia Plantarum, 2012, 146(3): 251-260.

[11]余偉烽,胡珊珊,申建寧,等.應(yīng)用葉片熒光傳感器Dualex 4估測寒地水稻葉片葉綠素濃度的研究初報(bào)[J].北方水稻,2014,44(3):17-19.

[12]Goulas Y, Cerovic Z G, Cartelat A, et al. Dualex: a new instrument for field measurements of epidermal ultraviolet absorbance by chlorophyll fluorescence [J]. Applied Optics, 2004, 43(23): 4488-4496.

[13]周青.類黃酮及其植物生理學(xué)作用[J].生物學(xué)通報(bào),1986(12):1-2.

[14]黃文江. 作物病害遙感監(jiān)測機(jī)理與應(yīng)用[M]. 北京:中國農(nóng)業(yè)科學(xué)技術(shù)出版社, 2009.

[15]Huang Wenjiang, Lamb D W, Niu Zheng, et al. Identification of yellow rust in wheat using in-situ spectral reflectance measurements and airborne hyperspectral imaging [J]. Precision Agriculture, 2007, 8: 187-197.

[16]Devadas R, Lamb D W, Simpfendorfer S, et al. Evaluating ten spectral vegetation indices for identifying rust infection in individual wheat leaves [J]. Precision Agriculture,2009,10(6):459-470.

[17]Goel N S, Qi W. Influences of canopy architecture on relationships between various vegetation indices and LAI and FPAR：A computer simulation[J]. Remote Sensing Reviews, 1994, 10 (4): 309-347.

[18]Roujean J, Breon F. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements [J]. Remote Sensing of Environment, 1995, 51(3): 375-384.

[19]Rouse J W, Haas R H, Schell J A, et al. Monitoring vegetation systems in the Great Plains with ERTS [M]∥Proceedings. Third ERTS Symposium,vol. 1, 1973: 48-62.

[20]Gitelson A A, Kaufman Y, Merzlyak M N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS [J].Remote Sensing of Environment,1996,58(3):289-298.

[21]Baret F, Guyot G. Potentials and limits of vegetation indices for LAI and APAR assessment [J]. Remote Sensing of Environment, 1991, 35(2/3): 161-173.

[22]Chen J M. Evaluation of vegetation indices and a modified simple ratio for boreal applications [J]. Canadian Journal of Remote Sensing, 1996, 22(3): 229-242.

[23]Fensholt R, Sandholt I. Derivation of a shortwave infrared water stress index from MODIS near-and shortwave infrared data in a semiarid environment[J]. Remote Sensing of Environment, 2003, 87(1): 111-121.

[24]Broge N H, Leblanc E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density [J]. Remote Sensing of Environment, 2000, 76(1): 156-172.

[25]Haboudane D, Miller J R, Pattery E, et al. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: modeling and validation in the context of precision agriculture[J]. Remote Sensing of Environment, 2004, 90(1): 337-352.

[26]Merzlyak M N, Gitelson A A, Chivkunova O B,et al. Non-destructive optical detection of pigment changes during leaf senescence and fruit ripening [J]. Physiologia Plantarum, 1999, 106(1): 135-141.

[27]Zarco Tejada, P J, Berjón A, et al. Assessing vineyard condition with hyperspectral indices: leaf and canopy reflectance simulation in a row-structured discontinuous canopy [J]. Remote Sensing of Environment， 2005, 99(1): 271-287.

[28]Penuelas J, Baret F, Filella I. Semi-empirical indices to assess carotenoids/chlorophyll a ratio from leaf spectral reflectance[J]. Photosynthetica, 1995, 31(1): 221-230.

[29]Hunt E R, Rock B N. Detection of changes in leaf water content using near-and middle-infrared reflectances[J]. Remote Sensing of Environment, 1989, 30(1): 43-54.

[30]Ceccato P, Gobron N, Flasse S, et al. Designing a spectral index to estimate vegetation water content from remote sensing data [J].Remote Sensing of Environment,2002,82(1):188-197.

[31]Penuelas J, Gamon J, Fredeen A L, et al. Reflectance indices associated with physiological changes in nitrogen- and water-limited sunflower leaves [J]. Remote Sensing of Environment, 1994, 48(1): 135-146.

[32]Gitelson A A, Merzlyak M N, Chivkunova O B. Optical properties and nondestructive estimation of anthocyanin content in plant leaves [J]. Photochemistry and Photobiology, 2001, 74(1): 38-45.

[33]Galvao L S, Formaggio A R, Tisot D A. Discrimination of sugarcane varieties in southeastern Brazil with EO-1 Hyperion data [J].Remote Sensing of Environment,2005,94(1):523-534.

[34]Thenkabail P S, Smith R B, De Pauw E. Hyperspectral vegetation indices and their relationships with agricultural crop characteristics [J]. Remote Sensing of Environment, 2000, 71(1): 158-182.

[35]Filella I, Serrano L, Serra J, et al. Evaluating wheat nitrogen status with canopy reflectance indices and discriminant analysis[J]. Crop Science, 1995, 35(1): 1400-1405.

[36]Penuelas J, Pinol J, Ogaya R, et al. Estimation of plant water concentration by the reflectance water index WI (R900/R970)[J]. International Journal of Remote Sensing, 1997, 18(1): 2869-2875.

[37]Gamon J A, Penuelas J, Field C B. A narrow-waveband spectral index that tracks diurnal changes in photosynthetic efficiency [J].Remote Sensing of Environment,1992,41(1):35-44.

[38]Bushnell W R. Structural and physiological alterations in susceptible host tissue [M]∥Roelfs A P, Bushnell W R. The cereal rusts vol.1:Origins, specificity,structure,and physiology.Orlando: Academic Press, 1984:477-507.

[39]張競成. 多源遙感數(shù)據(jù)小麥病害信息提取方法研究[D].杭州: 浙江大學(xué), 2012.

(責(zé)任編輯：田喆)

Combined canopy spectral and leaf physiological observations in model development for wheat stripe rust detection

Ai Xiaoyi1,2,Song Weidong1,Zhang Jingcheng2,Wang Baotong3,Yang Guijun2,Huang Wenjiang4

(1. School of Geomatics, Liaoning Technical University, Fuxin123000, China; 2. National Engineering Research Center for Information Technology in Agriculture, Beijing100097, China; 3. State Key Laboratory of Crop Stress Biology in Arid Areas, Northwest A & F University, Yangling712100, China; 4. Key Laboratory of Digital Earth Science,Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing100094, China)

This study attempted to combine measurements from both passive and active sensors to form a retrieving model of wheat stripe rust severity. In a disease inoculation experiment, besides the survey of disease severity, measurements of both the passive canopy spectra and active foliar fluorescence were carried out at two key growing stages. Prior to model development, a feature selection protocol is implemented to identify optimal features serving as model input variables. Based on different combinations of the selected features, the retrieving models of disease severity were developed and compared using the partial least squares regression (PLSR) method, to determine the best feature combinations at different growing stages. The results based on the optimal spectral features and leaf physiological observations onFlav(flavonoids),Chl(chlorophyll) of different combinations at wheat flag, early filling and grain filling stages had a better performance, with a precision ofr2=0.90, and RMSE=0.026. Compared to spectral characteristics alone, comprehensive canopy spectra and leaf physiological observations improved model accuracy by 21%, showing that the combination of the two kinds of data could improve the disease severity estimation precision. The study can provide a new pattern and idea for the development of wheat disease monitoring instrument.

spectral feature;leaf fluorescence;wheat stripe rust;partial least squares regression (PLSR);Dualex 4

2015-01-23

2015-02-16

國家自然科學(xué)基金(41301476)；北京市自然科學(xué)基金(4132029)；陜西省科技統(tǒng)籌項(xiàng)目(2012KTCL02-10)

E-mail:zhangjc_rs@163.com

S 431

A

10.3969/j.issn.0529-1542.2016.02.007