论文部分内容阅读
小麦条锈病(Puccinia striiformis)是危害我国小麦产量与质量的主要病害之一,加强病害的监测与预警对指导病害防控及粮食安全生产具有非常重要的意义。随着各类遥感数据源的发展,利用遥感技术进行病害信息提取及监测已成为作物病害防治及农业管理中重要而有效的方式。本文以小麦条锈病为例,基于地面非成像高光谱数、航空高光谱影像数据以及Sentinel-2卫星多时相遥感影像等多源数据,在冠层、田块及大区域尺度上建立相应的小麦条锈病识别及监测模型,为小麦条锈病无损监测、有效防治提供一定的理论基础和技术支撑。具体的研究内容及结果如下:(1)在冠层尺度,小麦条锈病不同发病时期症状和光谱敏感性存在差异,根据各发病期条锈病识别的敏感光谱分布特征,将小麦条锈病分为发病初-中期(孕穗期-开花期)及发病中-后期(灌浆期-乳熟期),以病害识别最优的PRI(Photosynthetic radiation index)和 ARI(Anthocyanin reflectance index)指数形式计算不同发病期敏感波段区间上所有可能的三波段组合指数,分别筛选出对小麦条锈病发病初-中期(孕穗期-开花期)及中-后期(灌浆期-乳熟期)最敏感的三波段植被指数用于小麦条锈病识别。结果表明,在发病初-中期,PRI(570,525,705)对小麦条锈病的识别最优(R2=0.669),总体分类精度为80.6%:在发病中-后期,ARI(860,790,750)小麦条锈病的识别最优(R2=0.888),总体分类精度为91.9%,kappa系数为0.75。在独立的测试数据集中,分别以PRI(570,525,705)和ARI(860,790,750)对小麦条锈病发病初-中期及发病中-后期的识别最优,其分类精度分别达到了 84.1%和93.2%,表明在冠层尺度下不同发病时期的小麦条锈病识别中,PRI(570,525,705)和ARI(860,790,750)具有较强的识别能力及鲁棒性。(2)在田块尺度上,利用低空无人机获取小麦条锈病发病初-中期及中-后期小麦冠层的成像高光谱影像,通过植被指数法和连续小波分析法提取对条锈病识别敏感的特征,其中发病初-中期的敏感特征包含GI(Greenness index),MSR(Modified simple ratio),NDVI(Normalized difference vegetation index),NRI(Nitrogen reflectance index),PSRI(Plant senescence reflectance index),PRI(570,525,705)6 个植被指数和 530nm(6 尺度),574nm(5 尺度),674nm(4尺度),706nm(1尺度)及758nm(1尺度)5个小波特征;发病中-后期的敏感特征包含 GI,MSR,NDVI,PSRI,TVI(Triangularvegetation index),ARI(860,790,750)6 个植被指数和 510nm(6 尺度),662nm(5 尺度),714nm(4尺度),766nm(2尺度)及790nm(3尺度)5个小波特征。依据上述敏感植被指数及小波特征,采用偏最小二乘回归构建小麦条锈病病情指数反演模型,基于小波特征的病情指数反演模型拟合效果高于植被指数特征,在发病初-中期及中后期的反演模型决定系数R2分别为0.71,0.89。在此基础上,利用LDA(Linear discriminant analysis,线性判别分析)和 SVM(Support vector machine,支持向量机)方法,分别采用植被指数及小波特征两种特征类型构建不同发病期的小麦条锈病监测模型,研究结果表明,基于小波特征的SVM模型对不同发病时期小麦条锈病的监测效果最佳,其中发病初-中期小麦条锈病的总体分类精度为90.7%,发病中-后期的小麦条锈病总体分类精度为98.7%。(3)在区域尺度上,利用小麦冠层尺度的近地高光谱数据,通过卫星传感器的相对光谱响应函数模拟Sentinel-2卫星相应的多光谱波段反射率,采用随机森林重要性选择筛选出对条锈病识别敏感的三个波段:B4(红)、B5(红边1)以及B7(红边3)。基于敏感波段的光谱几何关系构建了一个多光谱红边病害胁迫指数(Red-edge disease stress index,REDSI)用于不同严重程度的小麦条锈病识别,在线性判别模型下不同严重度的小麦条锈病总体分类精度为84.1%,kappa系数为0.76。以实地调查同步的Sentinel-2卫星影像为数据源,利用最优阈值分割的方法进行区域尺度上的小麦条锈病监测,总体的制图精度为85.2%。结果表明,在区域尺度上,REDSI表现出对健康及受条锈病感染小麦的监测潜力。(4)在区域上的条锈病监测方面,基于地面调查数据及小麦条锈病发生发展的生境特征,获取与地面调查同步及多时相的Sentinel-2卫星影像,通过变量投影重要性准则筛选出对小麦条锈病识别敏感的光谱及生境特征,提出了单时相、两时相及融合遥感-气象等多源多时相数据的小麦条锈病监测模型。研究表明。耦合两时相植被指数变化特征(REDSI、VARIgreen、PSRI1、NREDI1、NDVIre1)及气象因子(3月月平均日照时数、4月及5月的相对湿度、4月及5月的月平均降水量)的小麦条锈病监测模型均优于两时相植被指数变化特征模型(总体分类精度为78.9%)及单时相植被指数特征模型(总体分类精度为73.7%),总体分类精度达到84.2%,kappa系数为0.65。