高寒地區(qū)粳稻穗頸瘟的無人機(jī)高光譜遙感識別

孔繁昌，劉煥軍,，于滋洋，孟祥添，韓 雨,，張新樂※，宋少忠，羅 沖

（1.東北農(nóng)業(yè)大學(xué)公共管理與法學(xué)院，哈爾濱 150030；2.中國科學(xué)院東北地理與農(nóng)業(yè)生態(tài)研究所，長春 130012；3.吉林工程技術(shù)師范學(xué)院信息工程學(xué)院，長春 130052）

0 引 言

水稻（OryzasativaL.）作為中國重要的糧食作物，種植面積穩(wěn)定在3 000萬hm2以上，稻谷產(chǎn)出量占全國糧食總產(chǎn)量的1/4左右，因此水稻在中國的糧食結(jié)構(gòu)中發(fā)揮著至關(guān)重要的作用。稻瘟病是水稻生產(chǎn)過程中最為嚴(yán)重的病害之一，尤以穗頸瘟因其傳播速度快，防控難度大，破壞性強(qiáng)，對產(chǎn)量影響最大[1]。隨著精準(zhǔn)農(nóng)業(yè)的不斷推進(jìn)，對農(nóng)情預(yù)測預(yù)報、病害防治的時效和準(zhǔn)確性提出了提出更高層次的需求，傳統(tǒng)的“以點(diǎn)代面”的稻瘟病監(jiān)測手段已不能滿足其要求。

高光譜成像技術(shù)是結(jié)合了高光譜豐富的波段信息與計算機(jī)成像技術(shù)二者優(yōu)勢的一種新的技術(shù)，在農(nóng)產(chǎn)品品質(zhì)檢測[2-4]，農(nóng)作物長勢監(jiān)測[5-6]，病蟲害的識別[7-8]等方面廣泛應(yīng)用。高光譜成像技術(shù)作為一種無損、精準(zhǔn)、高效的檢測技術(shù)手段已經(jīng)在稻瘟病的研究中發(fā)揮了舉足輕重作用，Huang等[9]提出了“光譜詞袋”模型分析方法，采用卡方-支持向量機(jī)算法，實(shí)現(xiàn)了稻瘟病程度的分級模型；袁建清等[10]篩選不同的光譜輸入量，使用偏最小二乘判別分析和主成分加支持向量機(jī)的方法構(gòu)建起水稻葉瘟病與缺氮葉片的判別與診斷模型；黃雙萍等[11]以田間獲取的離體穗株為試驗研究樣本，測定每株稻穗的高光譜影像，基于變種深度卷積神經(jīng)網(wǎng)絡(luò)方法，結(jié)合植保專家分級意見建立起了水稻穗瘟的檢測模型；Zhang等[12]提出了一種感染稻瘟病葉片與健康葉片光譜反射率比的數(shù)據(jù)構(gòu)建方法，建立起支持向量機(jī)水稻葉瘟評價模型，對水稻營養(yǎng)生長后期的水稻葉瘟實(shí)現(xiàn)分級檢測。在已有的對稻瘟病成像光譜反演研究中，多數(shù)處在實(shí)驗室理論階段，尚沒有考慮實(shí)際的生產(chǎn)過程中會存在著諸多干擾因素對稻瘟病識別的影響。在其他病蟲害高光譜研究中，部分學(xué)者已經(jīng)開始嘗試在室外環(huán)境條件下進(jìn)行觀測，喬洪波等[13]使用近地成像光譜儀對小麥全蝕病等級展開監(jiān)測，證明了應(yīng)用的可行性；Li等[14]使用無人機(jī)高光譜影像數(shù)據(jù)對柑橘的黃龍病進(jìn)行識別，為黃龍病的大面積監(jiān)測提供技術(shù)基礎(chǔ)。因此，實(shí)驗室條件下的稻瘟病高光譜識別已經(jīng)具備一定的基礎(chǔ)，但對于稻瘟病的外業(yè)監(jiān)測尚需進(jìn)行更深入的研究[15]。

無人機(jī)高光譜遙感不僅能夠?qū)崿F(xiàn)更大范圍內(nèi)、更高空間分辨率的病蟲害精準(zhǔn)監(jiān)測，而且能夠快速完成田塊尺度下目標(biāo)信息的傳遞，獲得目標(biāo)地物與周圍環(huán)境背景的相互關(guān)系。本研究采用無人機(jī)高光譜遙感數(shù)據(jù)，分別以光譜預(yù)處理變換數(shù)據(jù)、光譜特征參數(shù)（Spectral Characteristic Parameters，SCPs）、植被指數(shù)組合（Combination ofVegetation Indices，CVIs）作為輸入量，通過隨機(jī)森林（Random Forest，RF）分類算法構(gòu)建水稻穗頸瘟判別模型。結(jié)合最佳輸入量，實(shí)現(xiàn)病害等級反演，并解釋穗頸瘟發(fā)病期間水稻的生理變化與光譜特征關(guān)系，以期為無人機(jī)高光譜遙感實(shí)現(xiàn)穗頸瘟病定量遙感監(jiān)測與預(yù)警分級提供支持。

1 材料與方法

1.1 數(shù)據(jù)來源

本研究數(shù)據(jù)來自吉林市永吉縣開展的水稻稻瘟病試驗研究，試驗地位于萬昌鎮(zhèn)（43°44′49″N，125°54′11″E），研究區(qū)地理位置及無人機(jī)高光譜影像真彩色合成圖如圖1所示。該地區(qū)位于長白山向松遼平原過渡地帶，屬于溫帶大陸性干寒季風(fēng)型氣候，夏季雨量充沛，適宜水稻種植，農(nóng)業(yè)熟制為一年一熟。選取的水稻品種為吉玉粳（代號吉90-g4），在每個試驗小區(qū)中央插播蒙古稻（易感病，對稻瘟病抗性很差）作為誘發(fā)株，最大限度模擬自然發(fā)病，并設(shè)有不接種對照組，試驗區(qū)總面積約5 000 m2。于2019年4—9月開展水稻稻瘟病試驗，2019年 7月 9日吉玉粳進(jìn)入拔節(jié)期，將稻梨孢（Pyricularia oryzae）真菌原液經(jīng)稀釋后均勻噴灑到蒙古稻葉片表面，稻梨孢侵入蒙古稻后形成誘發(fā)株。2019年8月15日，水稻生長進(jìn)入乳熟期，吉玉粳出現(xiàn)穗頸瘟，隨即請植保專家對不同的采樣區(qū)域（1 m×1 m）按照國家標(biāo)準(zhǔn)[16]并結(jié)合實(shí)地條件對該區(qū)域發(fā)病程度進(jìn)行連續(xù)的觀測、定級，按照發(fā)病程度不同分為無病、輕度、中度、重度4個等級；采樣定級區(qū)域共計30個（表1）。

圖1 研究區(qū)地理位置及地面采樣區(qū)域Fig.1 Geographical location of the study area and ground sampling area

表1 采樣區(qū)穗頸瘟病害程度等級描述Table 1 Description of panicle blast disease levels in the sampling areas

1.2 數(shù)據(jù)采集與處理

1.2.1 無人機(jī)高光譜影像采集系統(tǒng)

試驗采用的無人機(jī)遙感平臺主要包含：大疆 M600 Pro六旋翼高性能無人機(jī)（最大起飛質(zhì)量6 kg；續(xù)航時間16～20 min）、三軸增穩(wěn)云臺、地面控制站。無人機(jī)高光譜成像系統(tǒng)包括Cubert S185機(jī)載成像光譜儀和超微型計算機(jī)，其中Cubert S185是德國Cubert公司生產(chǎn)的一款全畫幅式機(jī)載成像高光譜儀，光譜采集范圍 450～950 nm，光譜采樣間隔為4 nm，擁有125通道。Cubert S185在執(zhí)行任務(wù)時，能夠在0.001 s內(nèi)獲取1幅1 000×1 000（像素）的全色影像和1幅50×50（像素）的高光譜圖像立方體，同時無人機(jī)內(nèi)置的定位定向系統(tǒng)（Position and Orientation System，POS）記錄每張影像的經(jīng)緯度信息。

1.2.2 無人機(jī)高光譜影像的采集與拼接

無人機(jī)高光譜影像的采集時間為2019年8月20日，無人機(jī)高光譜遙感平臺對地觀測時間段為10:00—12:00，一次直接獲取整個試驗區(qū)所有的正射高光譜影像，為盡可能地避免光線和風(fēng)速的影響，無人機(jī)采集數(shù)據(jù)時選擇天氣晴朗無云、風(fēng)速低于5級、控制飛行時間在40 min內(nèi)進(jìn)行；起飛前對設(shè)備進(jìn)行白板、暗電流校正；飛行旁向重疊率75%，航向重疊率90%，飛行高度50 m，對應(yīng)空間分辨率為 3.0 cm；地面采樣、觀測和定級工作同步進(jìn)行。

無人機(jī)高光譜遙感平臺采集的是多幅單景影像，需要對影像進(jìn)行拼接。采用設(shè)備供應(yīng)商提供的拼接方案，使用光譜儀自帶軟件Cube-Pilot 1.5.5對高光譜影像進(jìn)行反射率影像的輸出；將已經(jīng)輸出的全色影像和 POS點(diǎn)數(shù)據(jù)導(dǎo)入Agisoft PhotoScan 1.5.0 軟件[17-18]，Agisoft PhotoScan 1.5.0軟件會根據(jù) POS點(diǎn)位置并結(jié)合臨近影像的同名點(diǎn)對影像進(jìn)行匹配，生成三維點(diǎn)云數(shù)據(jù)；最后對全色影像與高光譜立方體影像進(jìn)行影像融合與正射校正，得到本研究區(qū)包含地理坐標(biāo)的無人機(jī)正射高光譜影像[19]。

1.3 數(shù)據(jù)預(yù)處理與模型構(gòu)建

使用專業(yè)遙感影像處理軟件ENVI 5.3對影像進(jìn)行幾何校正，校正后影像能夠覆蓋整個試驗區(qū)。隨后采用軟件中的感興趣區(qū)（Region Of Interest，ROI）工具，按照地面采樣定級時使用載波相位差分系統(tǒng)獲取的精確地理坐標(biāo)，將每個對應(yīng)的采樣區(qū)按照30×30（像素）大小矩形區(qū)域提取1個ROI，實(shí)際對應(yīng)地面空間分辨率為0.9 m×0.9 m，與實(shí)地采樣大小較為吻合。將該區(qū)域的所有像素進(jìn)行計算，取區(qū)域像素點(diǎn)反射率平均值作為該采樣區(qū)反射光譜。

對ROI的光譜進(jìn)行9點(diǎn)平滑、一階微分、主成分分析（Principal Component Analysis，PCA）、連續(xù)統(tǒng)去除（Continuum Removal，CR）等光譜預(yù)處理變換，植被指數(shù)計算、組合和光譜特征參數(shù)的提取。選取的CVIs是通過文獻(xiàn)查閱[20]，選擇與植物感染病害后能夠表征其生理參數(shù)發(fā)生變化的相關(guān)植被指數(shù)，并結(jié)合本次實(shí)際采樣點(diǎn)數(shù)據(jù)進(jìn)行相關(guān)性計算得出。該組合由反映葉綠素B和葉綠素A比值變化的葉綠素指數(shù)（Chlorophyll Index，CI）、作物氮素水平變化的作物氮反映指數(shù)（Nitrogen Reflectance Index，NRI）、生物量變化的歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）、Vogelman 紅邊指數(shù)（Vogelman red edge index，VOG）、冠層溫度變化的光化學(xué)植被指數(shù)（Photochemical Reflectance Index，PRI）組成，其數(shù)學(xué)表達(dá)式如表2所示。

表2 植被指數(shù)組合及數(shù)學(xué)表達(dá)式Table 2 Combination of vegetation indices and mathematical expression

PCA是通過正交變換將較多的變量轉(zhuǎn)換成一組線性不相關(guān)的變量，利用降維的思想對數(shù)據(jù)量進(jìn)行壓縮，高光譜數(shù)據(jù)由于波段多，數(shù)據(jù)量大，常采用PCA進(jìn)行處理。

在植被遙感應(yīng)用中，紅邊一般定義為 670～760 nm的波段范圍，此范圍處在由紅光波段向近紅外波段過渡，植被光譜反射率快速增高的銜接處，當(dāng)植物受到病害脅迫或葉綠素發(fā)生變化等因素影響時，紅邊往往會產(chǎn)生向短波方向移動的“藍(lán)移”現(xiàn)象[20]。此外，在450～950 nm整條原始光譜曲線范圍內(nèi)會有多處特殊的反射、吸收位置，常把450～510 nm（藍(lán)光范圍內(nèi)）的強(qiáng)吸收谷稱為藍(lán)谷，520～580 nm（綠光范圍內(nèi)）的光譜強(qiáng)反射峰稱為綠峰，610～700 nm的（紅光范圍內(nèi)）的光譜強(qiáng)吸收谷稱為紅谷。

連續(xù)統(tǒng)去除（CR）又被稱為去包絡(luò)線處理，其最早是用于礦石光譜化學(xué)分析，主要的作用是去除環(huán)境背景值的影響，有效突出目標(biāo)物體光譜的差異性，Kokaly等[26]在對植物的氮元素、木質(zhì)素在葉片含量的分析中首次將該方法引入到植被光譜中。植被在不同的生理狀態(tài)下，光譜曲線在某一波段范圍強(qiáng)吸收或強(qiáng)反射會形成吸收谷（反射峰），光譜曲線兩點(diǎn)間斜率變化等是識別植物理化成分變化的重要理論依據(jù)。通過分析 CR處理后光譜曲線，提升了稻瘟病在不同光譜范圍內(nèi)的反射（吸收）差異，提取更多的有關(guān)更多病害生理變化特征參數(shù)。

本研究使用CR處理后光譜曲線計算SCPs包括谷深（峰值）、谷（峰）面積、光譜曲線波段間斜率。將 CR處理后整條光譜曲線中的450～530 nm波段范圍內(nèi)形成的吸收谷最大深度（1減去某一對應(yīng)波長去包絡(luò)線后曲線值）記為H1；500～670 nm波段范圍內(nèi)形成的反射峰最大值（某一對應(yīng)波長去包絡(luò)線后曲線值）記為H2；530～760 nm波段范圍內(nèi)形成的吸收谷最大深度記為 H3。將450-530 nm波段范圍的連續(xù)統(tǒng)去除后光譜曲線與連續(xù)統(tǒng)去除最大反射值所在直線圍成的部分進(jìn)行積分，所得到的吸收谷面積記為BA，以H1為界限，左半部分積分面積記為BA1，右半部分記為BA2；500～670 nm波段范圍內(nèi)連續(xù)統(tǒng)去除光譜曲線與連續(xù)統(tǒng)去除最小反射率值所在直線圍成的部分進(jìn)行積分，所得到的反射峰面積記為GA，以H2為界限，左半部分積分面積記為GA1，右半部分記為GA2；530～760 nm波段范圍連續(xù)統(tǒng)去除光譜曲線與連續(xù)統(tǒng)去除反射率最大值所在直線圍成的部分進(jìn)行積分，所得到的吸收谷面積記為RA，以H3為界限，左半部分積分面積記為RA1，右半部分記為RA2。500～530 nm范圍內(nèi)連續(xù)統(tǒng)去除光譜曲線兩端點(diǎn)間連線斜率記為S1；530～670 nm范圍內(nèi)連續(xù)統(tǒng)去除光譜曲線兩端點(diǎn)間連線斜率記為S2；670～750 nm范圍連續(xù)統(tǒng)去除光譜曲線兩端點(diǎn)間連線斜率記為 S3。本研究以上操作均在函數(shù)繪圖軟件Origin 2017中批量完成，使用以上提取的參數(shù)構(gòu)成稻瘟病識別的SCPs輸入量（圖2）。

采用RF的方法進(jìn)行建模，RF是一種統(tǒng)計學(xué)習(xí)理論，具有很高的預(yù)測準(zhǔn)確率，因其優(yōu)越的性能，可以摒除大部分噪聲，避免過擬合問題[27]。將不同輸入量代入RF算法進(jìn)行建模，構(gòu)建水稻穗頸瘟的分類模型，并應(yīng)用預(yù)測集生成混淆矩陣（Confusion Matrix，CM），CM中針對整個模型準(zhǔn)確率（Accuracy，ACC，%）的計算如式（1）所示：

式中TC為正確分類的樣本數(shù)；FC為錯誤分類的樣本數(shù)。

圖2 連續(xù)統(tǒng)去除后光譜特征參數(shù)Fig.2 Spectral characteristic parameters after continuum removal

Kappa系數(shù)（K）用于對精度進(jìn)行判斷，可以避免樣本數(shù)量不均衡帶來的“偏向性”，其計算如式（2）所示：

式中N為CM中所有觀測樣本數(shù)量，r為CM中列的數(shù)量，Xii為CM中對角線上的觀測樣本數(shù)量，Xi+為CM中第i行的觀測樣本數(shù)量，X+i為第i列的觀測樣本數(shù)量。

本研究數(shù)據(jù)集共計30個樣本，20個樣本用于建模，10個用于驗證。數(shù)據(jù)預(yù)處理和模型構(gòu)建分別在 EXCEL 2010、Origin 2017、ENVI 5.3、RStudio 1.2.5軟件中實(shí)現(xiàn)和完成。

2 結(jié)果與分析

2.1 水稻穗頸瘟光譜特征分析

在大田環(huán)境下獲取到的高光譜影像中提取不同發(fā)病區(qū)域的反射光譜曲線，隨后對其進(jìn)行9點(diǎn)平滑處理，9點(diǎn)平滑可以很好地去除光譜曲線隨機(jī)噪聲，使曲線變化更加清晰。選取其中具有代表性的健康、輕度、中度和重度等級樣本區(qū)域繪制光譜反射曲線（圖3）。由圖3a可知，水稻感染穗頸瘟后，從健康到重病，光譜整體反射率呈現(xiàn)依次下降的趨勢，其中出現(xiàn) 5處明顯的差異性：在530 nm的綠峰波段處，綠峰反射率隨病害加深逐漸降低；在610～700 nm紅谷波段范圍內(nèi)，隨著病害加深，形成重度、中度、輕度、健康依次由小到大明顯的吸收差異；綠峰與紅谷受病害程度的加深表現(xiàn)出相反的變化，在二者變化共同的作用下，550～670 nm范圍光譜曲線斜率的絕對值逐漸減?。辉谥参锾赜屑t邊范圍內(nèi)，由于穗頸瘟病害的脅迫出現(xiàn)紅邊“藍(lán)移”現(xiàn)象；在近紅外高反射區(qū)域，健康到重度病害反射率逐漸降低的趨勢明顯，而且下降的幅度在不斷的減小。

2.2 連續(xù)統(tǒng)去除光譜曲線特征分析

由圖3b可知，對于野外獲取的水稻光譜數(shù)據(jù)進(jìn)行CR處理，水稻反射率變化趨勢進(jìn)一步拉大。從健康到重病的反射率依次呈現(xiàn)上升趨勢，在466～750 nm之間出現(xiàn)了3個明顯反射吸收的極值，分別以498、534和666 nm為中心點(diǎn)，分別對應(yīng)藍(lán)光波段的吸收谷，綠光波段的反射峰和紅光波段的吸收谷，隨著病害等級升高，極值處出現(xiàn)增加或者減少10%～20%的反射率。因此，計算每一個吸收谷和反射峰圍成的面積，吸收谷深深度和反射峰值，2個極值之間的斜率等光譜曲線特征參數(shù)可以很好地反映光譜的差異變化。但在近紅外高反射區(qū)光譜變化差異變得不再顯著，這與原始光譜曲線表現(xiàn)出的差異有明顯不同。

圖3 大田環(huán)境下不同病害程度的水稻光譜曲線Fig.3 Rice spectrum curves of different disease levels in field environment

2.3 不同輸入量的建模結(jié)果分析

使用光譜預(yù)處理變換數(shù)據(jù)、SCPs、CVIs分別作為輸入量代入RF分類模型中（表3），其中基于CVIs的建模方法精度最高，建模精度達(dá)到了85%，驗證精度為90%，Kappa系數(shù)為0.86，驗證集只有一個重度病害樣本被分到了中度樣本里面，Kappa系數(shù)也達(dá)到了幾乎完全一致水平，說明CVIs作為輸入量建模可以達(dá)到對穗頸瘟早期識別達(dá)到了理想的效果，針對于處于發(fā)病后期的穗頸瘟識別模型需要加強(qiáng)；9點(diǎn)平滑、光譜曲線特征參數(shù)、去包絡(luò)線也取得不錯的效果，建模精度范圍在70%～80%之間，驗證精度范圍在 70%～80%之間，Kappa系數(shù)在 0.59～0.70之間，主要問題表現(xiàn)在將健康、輕度病害錯分為重度病害，模型加重了病害程度分級，相對于CVIs的精度來看，使用這些輸入量建模仍有待優(yōu)化；PCA作為一種常用的光譜處理方法作為輸入量建模在本研究中建模精度僅為60%，驗證精度為70%，Kappa系數(shù)為0.60，并未表現(xiàn)出較好的效果，這可能由于主成分在進(jìn)行正交變換時，將無用的地物光譜信息混入了正交向量中，導(dǎo)致精度較實(shí)驗室理論結(jié)果下降；而對于一階微分來看，精度明顯偏低，驗證精度僅有60%，Kappa系數(shù)也僅有0.47，這種數(shù)據(jù)處理方法沒有凸顯穗頸瘟在特征波段的光譜變化，結(jié)合RF進(jìn)行建模精度也就最低。

表3 不同輸入量的建模精度Table 3 Modeling accuracy of different inputs

3 討 論

3.1 稻瘟病識別輸入?yún)?shù)選擇與水稻生理變化解釋

目前，針對于稻瘟病的分級，使用PCA后數(shù)據(jù)作為輸入量建模是一種常用的方式。由于本次試驗為無人機(jī)平臺下的大田試驗，在室外受到光線以及周圍環(huán)境背景的影響，光譜數(shù)據(jù)進(jìn)行主成分時可能忽略了有效的光譜信息和夾雜了環(huán)境背景噪聲，這導(dǎo)致本次研究結(jié)果與實(shí)驗室條件下結(jié)果有不同。同時，采用主成分后的光譜數(shù)據(jù)缺乏相應(yīng)的物理意義的解釋。

稻瘟病的發(fā)生和發(fā)展帶來一系列水稻生理參數(shù)的變化，這些生理參數(shù)的變化無論是在光譜曲線還是水稻生長表征都能夠體現(xiàn)出來。在光譜曲線上，稻瘟病等級與光譜曲線的最大正相關(guān)出現(xiàn)在 666～670 nm 處，這與Kobayashi等[28]對日本水稻穗頸瘟研究得出的敏感波段范圍結(jié)果是一致的，此處屬于紅谷吸收波段，與葉綠素A含量有關(guān)；當(dāng)作物受到脅迫或者接近成熟時，葉綠素 A的含量會出現(xiàn)下降，從而導(dǎo)致植物細(xì)胞傳遞光能的能力下降，穗頸細(xì)胞遭受到稻梨孢侵染后出現(xiàn)發(fā)黃、干枯現(xiàn)象與此相符合。最大負(fù)相關(guān)出現(xiàn)在750～754 nm處，該處雖然不是葉綠素的強(qiáng)吸收帶，但是隨著葉綠素的減少，吸收帶變窄，引起紅邊“藍(lán)移”，因此，750 nm處反射率仍受葉綠素含量的間接影響，同時紅邊位置與水分弱吸收帶（720～740 nm）臨近，紅邊位置變化與穗頸細(xì)胞間持水率降低導(dǎo)致的枯黃也有關(guān)聯(lián)。

CR處理后的光譜曲線，在466～534 nm的位置出現(xiàn)一個明顯的吸收谷，這是較之前原始光譜曲線新出現(xiàn)的特征，計算該處的谷面積、谷深度后發(fā)現(xiàn)與稻瘟病病害等級相關(guān)性較強(qiáng)。結(jié)合水稻生理變化來看，此處與葉綠素 A、類胡蘿卜素強(qiáng)吸收有關(guān)系，當(dāng)穗頸瘟發(fā)生時，穗頸細(xì)胞組織結(jié)構(gòu)病變，葉綠素 A、類胡蘿卜素降低，因此在此處的吸收谷逐漸收縮。同時，將CR處理后光譜谷深、谷面積、斜率等構(gòu)建一個能夠反映稻瘟病脅迫條件下水稻植株葉綠素、類胡蘿卜素、細(xì)胞結(jié)構(gòu)、紅邊變化等植物生理參數(shù)組合作為輸入量進(jìn)行建模，得到較好的效果。

不同波段組合、變換構(gòu)建的植被指數(shù)可以從多角度反映當(dāng)作物生長受到脅迫時所發(fā)生的生理變化。在已有的病蟲害研究中，很多學(xué)者已經(jīng)指出病害能夠帶來植物本身葉綠素、LAI、氮、作物冠層溫度等生理指標(biāo)改變。因此，可以將植被指數(shù)作為水稻穗頸瘟發(fā)病程度與生理指標(biāo)變化之間的“紐帶”，構(gòu)建起CVIs來對稻瘟病進(jìn)行分級。本研究采用的CI由640和674 nm波段組成，分別代表葉綠素B和葉綠素A的吸收峰，穗頸受到脅迫后對藍(lán)紫光和紅光吸收率出現(xiàn)差異，從而導(dǎo)致能夠反映穗頸葉綠素B和葉綠素A相對含量變化的CI發(fā)生變化；當(dāng)水稻抽穗期后，水稻稻穗和穗頸部分占據(jù)了水稻冠層的優(yōu)勢，穗頸瘟發(fā)生時，穗頸營養(yǎng)運(yùn)輸發(fā)生障礙，大量營養(yǎng)無法正常運(yùn)輸?shù)降舅氩糠?，因而?dǎo)致稻穗內(nèi)部的氮元素含量較正常稻穗不足，選擇能夠反映氮變化的NRI作為參考可以考察發(fā)生穗頸瘟?xí)r水稻植株表層氮含量；在530 nm處存在葉黃質(zhì)敏感的波段，將其與570 nm處反射率組合可以構(gòu)成冠層光化學(xué)指數(shù)PRI，該指數(shù)指出當(dāng)作物光合功能出現(xiàn)問題，更多的光能會轉(zhuǎn)換成熱量散失，因此與冠層溫度密不可分，由于病害發(fā)生程度的差異，光合功能受到干擾程度不同，能夠使用該指數(shù)來反演水稻冠層溫度；植物受到病害脅迫時，使近紅外反射率下降而可見光部分亮度增高，會出現(xiàn)紅邊“藍(lán)移”現(xiàn)象，VOG紅邊指數(shù)可以判斷紅邊的變化，借助該指數(shù)輔以判斷穗頸瘟發(fā)生時紅邊的移動以及紅邊幅值的變化；NDVI作為預(yù)測生物量的指標(biāo)已被廣泛采用，穗頸瘟的發(fā)生帶來生物量的改變，在對植被指數(shù)與生物量相關(guān)性分析過程中，NDVI與生物量的相關(guān)性在置信度為 0.01水平下相關(guān)性達(dá)到了0.699，可以用來估算生物量的變化?？偨Y(jié)以上選擇特定指數(shù)所關(guān)注因素、用途，形成了一個特定的CVIs，這個指數(shù)組合綜合考慮了水稻穗頸瘟發(fā)生不同程度的生理參數(shù)的變化，并且成為判斷稻瘟病發(fā)展程度的中間參量，建模時獲得了最高的精度，說明具有建模的可行性。

3.2 無人機(jī)高光譜遙感對稻瘟病監(jiān)測研究前景

水稻穗頸瘟病室內(nèi)的識別與分級已有很多學(xué)者進(jìn)行了相關(guān)的研究，這類試驗大多都是采樣離體帶回到實(shí)驗室，在相對穩(wěn)定條件下進(jìn)行試驗，取得了比較高的精度，采用的各種方法均達(dá)到 90%以上。但是，在水稻實(shí)際生產(chǎn)中，這種方式不僅破壞作物本身的生理結(jié)構(gòu)，而且沒有擺脫“以點(diǎn)代面”的困境。無人機(jī)遙感平臺以實(shí)際應(yīng)用為出發(fā)點(diǎn)，在室外大田環(huán)境下進(jìn)行數(shù)據(jù)采集，環(huán)境中的光線、隨機(jī)噪聲、地物間反射的相互作用等干擾因素不可避免。這導(dǎo)致大田數(shù)據(jù)建模驗證精度較室內(nèi)數(shù)據(jù)低，如何進(jìn)一步降低數(shù)據(jù)的噪聲，選擇合適的尺度數(shù)據(jù)作為輸入量提高建模識別精度應(yīng)為主要的研究方向，可以為大尺度稻瘟病的監(jiān)測提供思路、為后續(xù)研究開展儲備相應(yīng)的關(guān)鍵技術(shù)。

4 結(jié) 論

1）分析4類不同穗頸瘟受災(zāi)程度葉片的反射光譜曲線規(guī)律，在反射光譜曲線上有 3個明顯特征：在近紅外波段，隨著葉片感染程度加深，反射率明顯呈現(xiàn)下降趨勢；在550～670 nm之間曲線，健康樣本呈現(xiàn)一個明顯的斜率，而染病樣本斜率趨近于0；670～760 nm的紅邊范圍隨著病害等級升高出現(xiàn)“藍(lán)移”現(xiàn)象。連續(xù)統(tǒng)去除（Continuum Removal，CR）處理可以增強(qiáng)光譜在466～750 nm的差異性，提升不同病害等級之間可辨識性，從而更有效提取光譜曲線特征參數(shù)（Spectral Characteristic Parameters，SCPs）。

2）由不同波段組合變換構(gòu)成的植被指數(shù)能夠反演出水稻在穗頸瘟脅迫條件下的不同生理參數(shù)變化，組合生成一個特定的植被指數(shù)組合（Combination of Vegetation Indices，CVIs），搭建生理參數(shù)與穗頸瘟發(fā)病程度之間的“紐帶”，提高了模型準(zhǔn)確性。

3）使用隨機(jī)森林（Random Forest，RF）算法對穗頸瘟分類建模具有可行性，在所有輸入?yún)?shù)中，使用多種植被指數(shù)構(gòu)成的CVIs作為輸入?yún)⒘康慕ｒ炞C精度最高為90%，Kappa系數(shù)為0.86，建模結(jié)果可以用來識別大田穗頸瘟。

相對于在室內(nèi)環(huán)境下對稻瘟病的光譜理論研究，無人機(jī)高光譜遙感監(jiān)測是理論研究走向大田應(yīng)用的關(guān)鍵一環(huán)，本研究可以為水稻抽穗期發(fā)生在穗頸節(jié)部位的穗頸瘟病害的大范圍監(jiān)測、及時指導(dǎo)農(nóng)戶精準(zhǔn)施肥施藥、減少產(chǎn)量損失提供新的支持。