CN104408307A - 田间小麦白粉病发病程度的快速监测方法及其监测模型的构建方法 - Google Patents
田间小麦白粉病发病程度的快速监测方法及其监测模型的构建方法 Download PDFInfo
- Publication number
- CN104408307A CN104408307A CN201410685108.9A CN201410685108A CN104408307A CN 104408307 A CN104408307 A CN 104408307A CN 201410685108 A CN201410685108 A CN 201410685108A CN 104408307 A CN104408307 A CN 104408307A
- Authority
- CN
- China
- Prior art keywords
- powdery mildew
- wheat
- index
- wheat powdery
- grvi
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Cultivation Of Plants (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种普适性好、准确度高且实用性强的田间小麦白粉病发病程度的快速监测方法及其监测模型的构建方法。包括下列步骤:(1)信息采集;(2)确立修正型病情指数mDI;(3)确立敏感波段区域;(4)构建绿光双波段指数;(5)确定最优波段组合;(6)建立监测模型;(7)检验模型。本发明构建了精度高、普适性好的小麦白粉病发生程度监测模型,该监测模型的扩展性和稳定性得到增强,对不同试验系统、不同品种、不同感病水平下小麦白粉病监测具有较高的精度和准确性,促进了基于光谱分析技术的作物病害精确防控的广泛应用,为遥感技术在精确农业中的直接应用奠定技术基础。
Description
技术领域
本发明涉及农业植被生长信息无损监测技术领域,具体涉及一种田间小麦白粉病发病程度的快速监测方法及其监测模型的构建方法。
背景技术
小麦白粉病是一种世界性病害,在各主要产麦国均有分布。在我国随着矮秆品种推广和水肥条件改善,白粉病发病面积和范围不断扩大,并多次流行成灾,我国自1980年以来发生2次小麦白粉病大流行,例如,1990年全国冬麦区受害面积达1.7亿亩,平均减产10%以上,尤其河南省白粉病发病面积占小麦播种面积的50%,产量损失近40万吨。因此,白粉病已成为我国小麦高产、稳产、优质的主要灾害制约因素之一。
小麦白粉菌侵染和发生与环境温度、湿度及光照等密切相关,气象条件是制约其发生流行程度的决定因素,如遇秋冬季及早春气温偏高,则小麦春季发病时期提前;抽穗后阴雨日多,日照少,也会导致发病流行。此外,白粉病也受栽培措施的显著影响,播期、氮肥和种植密度等对病情指数的影响依次减弱,但与药剂防治相比,通过优化栽培管理防病作用还很有限。目前,使用杀菌剂是生产上防治白粉病的最重要手段之一。生产中常常存在农药施用时期不当导致防治效果严重降低,或者施用过量对作物产生毒害,严重影响粮食食品安全的问题。同时,农药使用不科学还会造成严重的土壤、大气及水体等环境污染,在防治靶标生物的同时,往往也会误杀大量天敌,此外还对周围生物群落产生较大程度影响,严重时可破坏生态平衡。因此,及早发现作物病害发生,精确监测病害发生程度,对早识别早防控,适时适量用药,降低产量损失和品质劣变,减少农药施用和支出成本,保护生态环境等方面具有十分重要的意义。白粉病的传统监测方法主要依靠人工田间调查,不仅耗时耗力,而且时效性差、准确度受主观意识影响。因此,研究一种快速、无损和实时监测技术对于精确防控病害具有重要意义。
白粉菌是一种活体寄生菌,感染植株后叶面覆盖白粉状霉层,叶肉细胞破坏,水分和叶绿素含量降低,叶片黄化干枯。病害植株形态和生理的变化也导致相应光谱的改变,这为应用遥感技术进行小麦白粉病的实时监测提供了可能。早在20世纪20~30年代已开始棉花根腐病、马铃薯条锈病以及烟草花叶病等病害的光谱特征研究,逐步明确了不同作物病虫危害光谱识别的敏感波段主要位于可见光和近红外波段,其最佳敏感波段因作物和病害种类不同而差异。小麦白粉病症状主要集中在植株中下部,而冠层光谱主要受中上层叶片影响,因此,冠层光谱与病情指数关系较差,所筛选出的敏感波段及植被指数不明确,这严重影响了对该病害的早期识别及防治。
发明内容
针对上述现有技术的不足,本发明要解决的技术问题是提供一种普适性好、准确度高且实用性强的田间小麦白粉病发病程度的快速监测方法及其监测模型的构建方法。
为解决上述技术问题,本发明采用如下技术方案:
设计一种田间小麦白粉病发病程度监测模型的构建方法,包括下列步骤:
(1)信息采集:按常规方法分别采集小麦白粉病不同发病区域内的不同生长时期小麦冠层高光谱信息,再采用常规的五步平滑方法对光谱曲线进行平滑处理;与光谱信息采集同步,对应的按照常规方法调查该区域的小麦白粉病严重度以及叶面积,得到传统病情指数cDI和叶面积指数LAI;
(2)确立修正型病情指数mDI:传统病情指数cDI除以对应调查区域的叶面积指数LAI,得到单位叶面积下病情指数的大小,用修正型病情指数mDI来表示:mDI=cDI/LAI;
(3)确立敏感波段区域:分析随着修正型病情指数mDI的增加,在可见光波段350~710 nm内光谱反射率随之变化的情况,得到敏感波段区域在500~600
nm之间;
(4)构建绿光双波段指数:由下式计算得出绿光双波段指数GRVI:
,
其中,Rref λ1和Rref λ2分别为健康小麦冠层光谱λ1nm和λ2nm波段处反射率,Rdis λ1和Rdis λ2分别为白粉病菌侵染小麦的冠层光谱λ1nm和λ2nm波段处反射率,λ1和λ2位于敏感波段区域500~600 nm内;
(5)确定最优波段组合:将绿光双波段指数GRVI与所述步骤(2)所得的对应的小麦白粉病修正型病情指数mDI进行相关性分析,采用高光谱数据减量精细采样算法,取相关性最高时的两个波段,确定为λ1nm和λ2nm;
(6)建立监测模型:根据不同生长时期的小麦白粉病修正型病情指数mDI与绿光双波段指数GRVI之间的定量关系,构建出如下对应的小麦白粉病发生程度监测模型:
Y=a×GRVI b,其中,Y为小麦白粉病严重度,GRVI为绿光双波段指数,a为系数,b为常数项,且a、b的值经由回归方式求得。
优选的,在步骤(6)之后还包括:
步骤(7)检验模型:使用独立年份小麦试验数据测试与检验步骤(6)所述小麦白粉病发生程度监测模型的准确性和普适性,采用复相关系数R2 、均方根差RMSE和相对误差RE对其进行综合评价,其中RMSE和RE的计算公式如下:
,
其中Oi 为试验中小麦白粉病严重度实测的修正型病情指数mDI,Pi 为监测模型估测的小麦白粉病严重度值,n为模型测试检验样本数。
优选的,步骤(1)中小麦冠层高光谱信息测量采用野外高光谱辐射仪,波段值为350~1100 nm,光谱采样间隔为1.4 nm,光谱分辨率为3 nm。
优选的,步骤(1)中传统病情指数cDI和叶面积指数LAI的测定方法为:与光谱信息采集同步,在光谱测量的位置约0.6 m2范围内选取20株小麦,利用正方形网格计算小麦叶片发病面积占叶片总面积的百分比来表示严重度,严重度分为9个梯度等级,即0、1%、10%、20%、30%、45%、60%、80%和100%,人工记录各严重度的小麦叶片数,得到传统病情指数cDI计算公式如下:
,
式中,x为各梯度的级值,n为最高梯度值9,f为各梯度的叶片数;
对每小区所取20株小麦,按器官分离,量取各叶片面积,计算叶面积指数LAI。
优选的,在步骤(5)中,当绿光双波段指数GRVI在敏感波段区域500~600 nm内间隔1nm的步长变化下,计算其所对应的绿光双波段指数GRVI的值,并与所述步骤(2)所得的对应的修正型病情指数mDI进行相关性分析,得出当λ1=585nm和λ2=550nm时,绿光双波段指数GRVI与小麦白粉病严重度的相关性最高,r=898***,n=146,进而得到:
,
其中,Rref 585和Rref 550分别为健康小麦冠层光谱585nm和550nm波段处的反射率,Rdis 585和Rdis 550分别为白粉病菌侵染小麦的冠层光谱585nm和550nm波段处反射率。
优选的,适用于黄淮区域的小麦从拔节后期到灌浆期的小麦白粉病发病程度监测模型为:Y= 5.3166×GRVI10.529。
本发明田间小麦白粉病发病程度监测模型的构建方法的有益效果在于:
1. 基于绿光双波段指数,构建了精度高、普适性好的小麦白粉病发病程度监测模型,显著增强了采用监测模型估算白粉病严重度的准确度;
2. 该方法充分利用对病害反应敏感的特征波段特征,结合健康小麦冠层光谱的波谱信息,简化了小麦白粉病发病程度监测模型的综合运算及结构优化,使得该方法构建的监测模型的扩展性和实用性得到增强;
3. 克服了现有方法提取的植被指数与白粉病病情指数的相关性较差的难题,尤其解决了利用神经网络等模糊计算系统来监测病害的波段不明确、模型表达不清楚的缺陷;
4. 实现了小麦白粉病严重度信息的实时获取,为便携式病害无损速测仪的硬件产品开发提供了关键波段选择,促进了基于光谱分析技术的作物病害精确管理与高效防控技术的广泛应用,为遥感技术在精确农业中的直接应用奠定技术基础。
本发明还设计了一种田间小麦白粉病发病程度的快速监测方法,包括下列步骤:
(a)信息采集:先按常规方法采集待测田块中的小麦冠层高光谱信息,再以常规的五步平滑方法对光谱曲线进行平滑处理;
(b)计算绿光双波段指数GRVI:根据步骤(a)所得的高光谱信息,按上述步骤(3)、(4)、(5)计算出待测田块中的小麦冠层绿光双波段指数GRVI;
(c)计算小麦白粉病严重度:根据上述田间小麦白粉病发病程度监测模型的构建方法所建立的小麦白粉病发生程度监测模型计算出待测田块中的小麦白粉病严重度Y:
Y=a×GRVIb ,其中,Y为小麦白粉病严重度,GRVI为绿光双波段指数,a为系数,b为常数项。
优选的,所述步骤(a)中小麦冠层高光谱信息测量采用野外高光谱辐射仪,波段值为350~1100
nm,光谱采样间隔为1.4 nm,光谱分辨率为3 nm。
优选的,步骤(b)中,
,
其中,Rref 585和Rref 550分别为健康小麦冠层光谱585nm和550nm波段处的反射率,Rdis 585和Rdis 550分别为白粉病菌侵染小麦的冠层光谱585nm和550nm波段处反射率。
优选的,适用于黄淮区域的小麦从拔节后期到灌浆期的小麦白粉病发病程度监测方程为:Y= 5.3166×GRVI10.529。
本发明田间小麦白粉病发病程度的快速监测方法的有益效果在于:
1. 运用前述基于绿光双通道病害指数的小麦白粉病发生程度监测模型,估算待测田块中小麦白粉病的发生程度,方法简单,易于操作;
2. 简化了小麦冠层光谱多波段信息的综合运算及结构优化,克服了现有植被指数对白粉病严重度灵敏度较低、而神经网络等模糊计算系统的波段不明及模型表达不清楚的缺陷,对小麦白粉病不同发病程度的监测具有较高的精度和准确性;
3. 实现了小麦病害信息的实时获取,为便携式作物病害无损速测仪的硬件产品开发提供了关键波段选择,促进了基于光谱分析技术的作物病害精确防控技术的广泛应用,为遥感技术在精确农业中的直接应用奠定技术基础。
附图说明
图1是本发明田间快速监测小麦白粉病发病程度监测模型的构建方法的流程图;
图2是不同波段组合(λ1 nm和λ2 nm)下GRVI与小麦白粉病修正病情指数mDI的相关性示意图;
图3 是绿光双波段指数GRVI与小麦白粉病发生程度监测模型的模型效果图;
图4 是绿光双波段指数GRVI与小麦白粉病发生程度监测模型的检验测试效果图。
具体实施方式
本发明田间小麦白粉病发病程度监测模型的构建方法的流程图如图1所示,下面详细说明该方法的具体实施步骤。
(1)信息采集:利用野外高光谱辐射仪采用垂直向下观测技术测定小麦冠层包含350-1100nm波段范围的高光谱信息数据,再采用常规的五步平滑方法对光谱曲线进行平滑处理;与光谱信息采集同步(同时、同地点),对应的采集小麦植株样品,对应的按照常规方法调查该区域的小麦白粉病严重度以及叶面积,计算得到传统病情指数cDI和叶面积指数LAI。
(2)确立修正型病情指数mDI:由于小麦白粉病自下部向中上部发展,在病害中等发生之前,症状主要集中在植株中下部,而冠层光谱主要受中上层叶片影响,从而以冠层光谱探测该病害存在很大偏差,这将严重影响对病害的早期识别及防治。为此,将传统病情指数cDI除以对应调查区域的叶面积指数LAI,表示单位叶面积下病情指数的大小,定义为修正型病情指数(modified
DI, mDI):mDI=cDI/LAI,这样便于比较不同叶面积条件下病情状况对冠层光谱的影响,以减轻因种植密度、分蘖能力、长势和凋谢物等引起的群体结构差异对病情严重度估算的影响。
(3)确立敏感波段区域:随着修正型病情指数mDI的增加,在可见光波段350~710 nm内光谱反射率逐渐上升,在580 nm波段附近最为显著;红边区域反射率变化不显著,但坡度变陡,红谷消弱;而在近红外区则没有呈现明显的变化规律,但病害处理间反射率变幅较大;分析上述变化情况,得到敏感波段区域在500~600 nm之间。
(4)构建绿光双波段指数:由下式计算得出绿光双波段指数GRVI:
,
其中,Rref λ1和Rref λ2分别为健康小麦冠层光谱λ1nm和λ2nm波段处反射率,Rdis λ1和Rdis λ2分别为白粉病菌侵染小麦的冠层光谱λ1nm和λ2nm波段处反射率,λ1和λ2位于敏感波段区域500~600 nm内。
比值植被指数(Ratio vegetation index,简称RVI)是两个波段反射率的比值,它是绿色植物的灵敏指示参数,与LAI、叶干生物量(DM)、叶绿素含量相关性高,可用于检测和估算植物生长状况。绿色健康植被覆盖地区的RVI远大于1,而无植被覆盖的地面(裸土、人工建筑、水体、植被枯死或严重虫害)的RVI在1附近,植被的RVI通常大于2。它在目前遥感信息提取中是一种使用最广泛、效果也较好的一种植被指数形式,当前基于两波段反射率的RVI植被指数对水氮等非生物胁迫的敏感性指示研究较多,而关于作物病害生物胁迫的敏感性指示研究很少,难以适应当前我国大田粮食作物资源高度密集型生产条件下,作物病害多发、重发,而现有快速检测技术缺乏,严重影响小麦病害监测、评价和及早准确防控。
(5)确定最优波段组合:将绿光双波段指数GRVI与步骤(2)所得的对应的小麦白粉病修正型病情指数mDI进行相关性分析,采用高光谱数据减量精细采样算法,取相关性最高时的两个波段,确定为λ1nm和λ2nm;
(6)建立监测模型:根据不同生长时期的小麦白粉病修正型病情指数mDI与绿光双波段指数GRVI之间的定量关系,构建出如下对应的小麦白粉病发生程度监测模型:
Y=a×GRVI b,其中,Y为小麦白粉病严重度,GRVI为绿光双波段指数,a为系数,b为常数项,且a、b的值经由回归方式求得。
(7)检验模型:使用独立年份小麦试验数据测试与检验步骤(6)所述小麦白粉病发生程度监测模型的准确性和普适性,采用复相关系数R2 、均方根差RMSE和相对误差RE对其进行综合评价,其中RMSE和RE的计算公式如下:
,
其中Oi 为试验中小麦白粉病严重度实测的修正型病情指数mDI,Pi 为监测模型估测的小麦白粉病严重度值,n为模型测试检验样本数。
下面结合附图和实施例来说明本发明的具体实施方式,但以下实施例只是用来详细说明本发明,并不以任何方式限制本发明的范围。
实施例1:共进行3个试验,涉及到大田、盆栽、病圃田、不同年份和不同病情处理,具体试验设计描述如下。
试验1:于2009–2010年在河南农业大学科教示范园区大田(34°51′ N, 113°35′ E)进行,选用白粉病易感品种偃展4110和豫麦34及中抗品种豫农416和郑麦366。前茬为玉米,秸秆掩底还田,土壤为沙壤土,播种前0~30 cm土壤含有机质8.3 g·kg−1、全氮0.87 g·kg−1、速效磷24.44 mg·kg−1、速效钾124.32 mg·kg−1,施肥量为240 kg·hm−2纯氮、120 kg· hm−2
P2O5和90 kg hm−2
K2O。随机区组排列,3次重复,小区面积为20.3
m2。10月15日播种,三叶期定苗,各小区栽培管理均一致,其他同一般高产麦田。在温室病圃区培养陆地和盆栽偃展4110等高感材料,作为试验接种的病菌来源。依据接种量大小和频次的不同设定重、中和轻3个发病等级处理,另设不接种的对照区。从小麦拔节期开始接种白粉病菌,一直持续至开始表现明显发病症状时停止人工接种。小麦抽穗期开始染病,冠层光谱测试和采样时期为花后5、15和25 d。该试验资料用于监测模型的构建。
试验2:于2009–2010年在河南农业大学国家小麦工程技术研究中心温棚进行。选用易感品种偃展4110和豫麦49以及中感品种矮抗58和郑麦366。土壤为过筛后沙壤土,每盆装土13.5 kg,方行盆面边长25 cm,花盆埋于土中,盆面高出地面2 cm。施用肥料种类同试验1,但施用量为试验1的2倍。10月18日播种,三叶期定苗。拔节期进行白粉病接种,依据接种量大小和频次设重、中和轻3个发病等级处理,另设不接种的对照区。小麦孕穗期开始染病,冠层光谱测试和采样时期为抽穗期和花后10 d,先将盆栽小麦搬出棚外,然后分单盆、2盆并和4盆并测定光谱,3种方式均测定2组数据,共获取96组样本。该试验资料用于监测模型的构建。
试验3:于2010–2011年在河南农业大学国家小麦工程技术研究中心病圃田进行,选用易感品种偃展4110和西农979及中感品种矮抗58。土壤为沙壤土,播前0~30 cm土壤含有机质16.3 g·kg−1、全氮1.22
g·kg−1、速效磷35.65 mg·kg−1、速效钾114.68 mg·kg−1,施肥量为270 kg·hm−2纯氮、120 kg·hm−2
P2O5和90 kg hm−2
K2O。病害梯度设置同试验1,共4个处理,2次重复,小区面积为8.1 m2。10月15日播种,三叶期定苗,各小区栽培管理均一致,其他同一般高产麦田。小麦孕穗期开始染病,冠层光谱测试和采样时期为抽穗期和花后15 d。该试验资料用于监测模型的检验。
具体建模方法如下,其中,所涉及的仪器设备和检测方法如无特别说明,均为常规仪器设备和检测方法;所涉及的工业原料如无特别说明,均为市售常规工业原料。
(1)信息采集:小麦冠层叶片高光谱信息测量采用美国Analytical
Spectral Device(ASD)公司生产的FieldSpec HandHeld手持便携式光谱分析仪(Analytical
Spectral Device Inc., USA)测定小麦冠层高光谱信息,波段值为325~1075 nm,光谱采样间隔为1.6 nm,光谱分辨率为3.5 nm,视场角25°。冠层光谱测定选择在天气晴朗、无风或风速很小时进行,北京时间10:00~14:00,传感器探头垂直向下,光谱仪视场角为25°,距冠层顶垂直高度约1.0 m,地面视场范围直径为0.44 m。测量过程中及时进行标准白板校正,以10条光谱为一采样光谱,每个采样点记录10个光谱,以其平均值作为该点的光谱反射率。
与光谱信息采集同步,在光谱测量的位置约0.6 m2范围内选取20株小麦,利用正方形网格计算小麦叶片发病面积占叶片总面积的百分比来表示严重度,严重度分为9个梯度等级,即0、1%、10%、20%、30%、45%、60%、80%和100%,人工记录各严重度的小麦叶片数,得到传统病情指数cDI计算公式如下:
,
式中,x为各梯度的级值,n为最高梯度值9,f为各梯度的叶片数;
对每小区所取20株小麦,按器官分离,量取各叶片面积,计算叶面积指数LAI。
(2)确立修正型病情指数mDI:传统病情指数cDI除以对应调查区域的叶面积指数LAI,得到单位叶面积下病情指数的大小,用修正型病情指数mDI来表示:mDI=cDI/LAI。
(3)确立敏感波段区域:分析随着修正型病情指数mDI的增加,在可见光波段350~710 nm内光谱反射率随之变化的情况,得到敏感波段区域在500~600
nm之间。
(4)构建绿光双波段指数:由下式计算得出绿光双波段指数GRVI:
,
其中,Rref λ1和Rref λ2分别为健康小麦冠层光谱λ1nm和λ2nm波段处反射率,Rdis λ1和Rdis λ2分别为白粉病菌侵染小麦的冠层光谱λ1nm和λ2nm波段处反射率,λ1和λ2位于敏感波段区域500~600 nm内;
(5)确定最优波段组合:当绿光双波段指数GRVI在敏感波段区域500~600 nm内间隔1nm的步长变化下,计算其所对应的绿光双波段指数GRVI的值,并与所述步骤(2)所得的对应的修正型病情指数mDI进行相关性分析,得出当λ1=585nm和λ2=550nm时,绿光双波段指数GRVI与小麦白粉病严重度的相关性最高,r=898***,n=146,进而得到:
,
其中,Rref 585和Rref 550分别为健康小麦冠层光谱585nm和550nm波段处的反射率,Rdis 585和Rdis 550分别为白粉病菌侵染小麦的冠层光谱585nm和550nm波段处反射率。
(6)建立监测模型:根据不同生长时期的小麦白粉病修正型病情指数mDI与绿光双波段指数GRVI之间的定量关系,构建出如下对应的小麦白粉病发生程度监测模型:Y=a×GRVI b,其中,Y为小麦白粉病严重度,GRVI为绿光双波段指数,a为系数,b为常数项,且a、b的值经由回归方式求得。图2是不同波段组合(λ1 nm和λ2 nm)下GRVI与小麦白粉病传统病情指数cDI的相关性示意图;
在可见光波段(400nm~700nm)中随机选取两个波段组合建立GRVI与小麦白粉病修正病情指数mDI的优化回归模型,如图2所示。取较高的复相关系数(R2 )所对应的λ1和λ2波段作为优化波段,从而利用最优GRVI建立小麦白粉病发生程度监测模型。基于上述新构建的GRVI,利用2009-2010年开放式大田和盆栽的试验数据,构建适用于黄淮小麦拔节后期至灌浆期的白粉病发生程度监测模型。将试验统计的多个GRVI建立监测模型Y=a×GRVIb,并采用复相关系数(R2 )和标准误差(SE)对监测模型的拟合优度进行评价。图3显示了本发明GRVI与小麦白粉病发生程度监测模型的模型效果,其中纵坐标表示小麦白粉病严重度,横坐标表示对应的绿光双波段指数GRVI。结果表明,黄淮小麦从拔节后期到灌浆期的小麦白粉病监测方程为:Y= 5.3166×GRVI10.529,复相关系数R2 为0.816,标准误差RMSE为3.71,样本数n=146。
将上述试验资料的结果与现有的光谱植被指数在小麦白粉病估测中的表现进行对比,这些常用光谱植被指数包括:SIPI、TSAVI、MSAVI、PSRI、CTR2、mND705、MCARIb、Depth672、Lwidth、NDVI(SDr,SDb)和NDVI(SDr,SDy)等,如下表1所示。
对比结果表明,本发明所提供的基于绿光双通道病害指数的小麦白粉病发生程度监测模型的准确性较高,其方程决定系数显著优于已有的植被指数。
(7)检验模型:为了检验大田小麦白粉病发生程度监测模型的可靠性和实用性,利用2010~2011年病圃田的独立试验资料对上述模型进行测试和检验,同时利用预测值和观测值之间的复相关系数(R2 )、均方根差(RMSE)和平均相对误差(RE)进行综合评定,并绘制观察值与预测值之间1:1关系图,来直观展示模型的预测能力。
将本发明确立的小麦白粉病发病程度监测模型的检验结果与常规的优化植被指数(Lwidth)检验结果进行比较,Lwidth模型的R2 、RMSE和RE分别为0.70、5.83和18.9%;而本发明GRVI模型的预测精度最高、估算误差最小,如图4所示,基于绿光双波段指数GRVI的小麦白粉病发生程度监测从拔节后期到灌浆期的检验R2 、RMSE和RE分别为0.82、4.72和16.2%,样本数n=40。
综上所述,本发明田间小麦白粉病发病程度监测模型的构建方法,构建了精度高、普适性好的小麦白粉病发生程度监测模型;该监测模型的扩展性和稳定性得到增强,对不同试验系统、不同品种、不同感病水平下小麦白粉病监测具有较高的精度和准确性。本发明田间小麦白粉病发病程度的快速监测方法,运用前述监测模型,估算待测田块中小麦白粉病严重度,准确性高、方法简单、易于操作,促进了基于光谱分析技术的作物病害精确防控的广泛应用,为遥感技术在精确农业中的直接应用奠定技术基础。
上面结合附图和实施例对本发明作了详细的说明,但是,所属技术领域的技术人员能够理解,在不脱离本发明宗旨的前提下,还可以对上述实施例中的各个具体参数进行变更,形成多个具体的实施例,均为本发明的常见变化范围,在此不再一一详述。
Claims (10)
1.一种田间小麦白粉病发病程度监测模型的构建方法,其特征在于,包括下列步骤:
(1)信息采集:按常规方法分别采集小麦白粉病不同发病区域内的不同生长时期小麦冠层高光谱信息,再采用常规的五步平滑方法对光谱曲线进行平滑处理;与光谱信息采集同步,对应的按照常规方法调查该区域的小麦白粉病严重度以及叶面积,得到传统病情指数cDI和叶面积指数LAI;
(2)确立修正型病情指数mDI:传统病情指数cDI除以对应调查区域的叶面积指数LAI,得到单位叶面积下病情指数的大小,用修正型病情指数mDI来表示:mDI=cDI/LAI;
(3)确立敏感波段区域:分析随着修正型病情指数mDI的增加,在可见光波段350~710 nm内光谱反射率随之变化的情况,得到敏感波段区域在500~600 nm之间;
(4)构建绿光双波段指数:由下式计算得出绿光双波段指数GRVI:
,
其中,Rref
λ1和Rref λ2分别为健康小麦冠层光谱λ1nm和λ2nm波段处反射率,Rdis λ1和Rdis λ2分别为白粉病菌侵染小麦的冠层光谱λ1nm和λ2nm波段处反射率,λ1和λ2位于敏感波段区域500~600 nm内;
(5)确定最优波段组合:将绿光双波段指数GRVI与步骤(2)所得的对应的小麦白粉病修正型病情指数mDI进行相关性分析,采用高光谱数据减量精细采样算法,取相关性最高时的两个波段,确定为λ1nm和λ2nm;
(6)建立监测模型:根据不同生长时期的小麦白粉病修正型病情指数mDI与绿光双波段指数GRVI之间的定量关系,构建出如下对应的小麦白粉病发生程度监测模型:
Y=a×GRVI b,其中,Y为小麦白粉病严重度,GRVI为绿光双波段指数,a为系数,b为常数项,且a、b的值经由回归方式求得。
2.根据权利要求1所述的田间小麦白粉病发病程度监测模型的构建方法,其特征在于,在步骤(6)之后还包括:
步骤(7)检验模型:使用独立年份小麦试验数据测试与检验步骤(6)所述小麦白粉病发生程度监测模型的准确性和普适性,采用复相关系数R2 、均方根差RMSE和相对误差RE对其进行综合评价,其中RMSE和RE的计算公式如下:
,
其中Oi 为试验中小麦白粉病严重度实测的修正型病情指数mDI,Pi 为监测模型估测的小麦白粉病严重度值,n为模型测试检验样本数。
3.根据权利要求1所述的田间小麦白粉病发病程度监测模型的构建方法,其特征在于,步骤(1)中小麦冠层高光谱信息测量采用野外高光谱辐射仪,波段值为350~1100 nm,光谱采样间隔为1.4 nm,光谱分辨率为3 nm。
4.根据权利要求1所述的田间小麦白粉病发病程度监测模型的构建方法,其特征在于,
步骤(1)中传统病情指数cDI和叶面积指数LAI的测定方法为:与光谱信息采集同步,在光谱测量的位置约0.6 m2范围内选取20株小麦,利用正方形网格计算小麦叶片发病面积占叶片总面积的百分比来表示严重度,严重度分为9个梯度等级,即0、1%、10%、20%、30%、45%、60%、80%和100%,人工记录各严重度的小麦叶片数,得到传统病情指数cDI计算公式如下:
,
式中,x为各梯度的级值,n为最高梯度值9,f为各梯度的叶片数;
对每小区所取20株小麦,按器官分离,量取各叶片面积,计算叶面积指数LAI。
5.根据权利要求1所述的田间小麦白粉病发病程度监测模型的构建方法,其特征在于,在步骤(5)中,当绿光双波段指数GRVI在敏感波段区域500~600 nm内间隔1nm的步长变化下,计算其所对应的绿光双波段指数GRVI的值,并与步骤(2)所得的对应的修正型病情指数mDI进行相关性分析,得出当λ1=585nm和λ2=550nm时,绿光双波段指数GRVI与小麦白粉病严重度的相关性最高,r=898***,n=146,进而得到:
,
其中,Rref 585和Rref 550分别为健康小麦冠层光谱585nm和550nm波段处的反射率,Rdis 585和Rdis 550分别为白粉病菌侵染小麦的冠层光谱585nm和550nm波段处反射率。
6.根据权利要求5所述的田间小麦白粉病发病程度监测模型的构建方法,其特征在于,适用于黄淮区域的小麦从拔节后期到灌浆期的小麦白粉病发病程度监测模型为:
Y= 5.3166×GRVI10.529。
7.一种田间小麦白粉病发病程度的快速监测方法,其特征在于,包括下列步骤:
(a)信息采集:先按常规方法采集待测田块中的小麦冠层高光谱信息,再以常规的五步平滑方法对光谱曲线进行平滑处理;
(b)计算绿光双波段指数GRVI:根据步骤(a)所得的高光谱信息,按照权利要求1所述步骤(3)、(4)、(5)计算出待测田块中的小麦冠层绿光双波段指数GRVI;
(c)计算小麦白粉病严重度:根据权利要求1所建立的小麦白粉病发生程度监测模型计算出待测田块中的小麦白粉病严重度Y:Y=a×GRVIb ,其中,Y为小麦白粉病严重度,GRVI为绿光双波段指数,a为系数,b为常数项。
8.根据权利要求7所述的田间小麦白粉病发病程度的快速监测方法,其特征在于,所述步骤(a)中小麦冠层高光谱信息测量采用野外高光谱辐射仪,波段值为350~1100
nm,光谱采样间隔为1.4 nm,光谱分辨率为3 nm。
9.根据权利要求7所述的田间小麦白粉病发病程度的快速监测方法,其特征在于,步骤(b)中,
,
其中,Rref 585和Rref 550分别为健康小麦冠层光谱585nm和550nm波段处的反射率,Rdis 585和Rdis 550分别为白粉病菌侵染小麦的冠层光谱585nm和550nm波段处反射率。
10.根据权利要求9所述的田间小麦白粉病发病程度的快速监测方法,其特征在于,适用于黄淮区域的小麦从拔节后期到灌浆期的小麦白粉病发病程度监测方程为:
Y= 5.3166×GRVI10.529。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410685108.9A CN104408307B (zh) | 2014-11-25 | 2014-11-25 | 田间小麦白粉病发病程度的快速监测方法及其监测模型的构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410685108.9A CN104408307B (zh) | 2014-11-25 | 2014-11-25 | 田间小麦白粉病发病程度的快速监测方法及其监测模型的构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104408307A true CN104408307A (zh) | 2015-03-11 |
CN104408307B CN104408307B (zh) | 2017-07-14 |
Family
ID=52645938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410685108.9A Active CN104408307B (zh) | 2014-11-25 | 2014-11-25 | 田间小麦白粉病发病程度的快速监测方法及其监测模型的构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104408307B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105352899A (zh) * | 2015-10-26 | 2016-02-24 | 北京农业信息技术研究中心 | 一种基于反射光谱的变量施药窗口期决策方法 |
CN105548455A (zh) * | 2015-12-07 | 2016-05-04 | 青岛农业大学 | 一种返青后到抽穗以前冬小麦叶片氮积累量估算方法 |
CN106777845A (zh) * | 2017-03-22 | 2017-05-31 | 南京农业大学 | 基于子窗口重排法提取敏感参数构建小麦叶片白粉病早期监测模型的方法 |
CN107907075A (zh) * | 2017-12-28 | 2018-04-13 | 山东省农业可持续发展研究所 | 花生叶面积指数遥感监测方法 |
CN108684282A (zh) * | 2018-04-11 | 2018-10-23 | 北京麦飞科技有限公司 | 一种农业察打一体机系统及喷洒控制方法 |
CN108830249A (zh) * | 2018-06-26 | 2018-11-16 | 安徽大学 | 一种基于asd高光谱数据的冬小麦白粉病遥感监测方法 |
CN110132860A (zh) * | 2019-05-29 | 2019-08-16 | 安徽大学 | 一种基于麦穗尺度分析的冬小麦赤霉病高光谱遥感监测方法 |
CN110132862A (zh) * | 2019-05-30 | 2019-08-16 | 安徽大学 | 小麦赤霉病检测专属病情指数构建方法及其应用 |
CN110596048A (zh) * | 2019-09-17 | 2019-12-20 | 云南农业大学 | 一种光谱速测烟草叶片中钾含量的方法 |
CN111751295A (zh) * | 2020-07-02 | 2020-10-09 | 安徽大学 | 一种基于成像高光谱数据的小麦白粉病严重程度检测模型的建模方法及应用 |
CN113340815A (zh) * | 2021-06-01 | 2021-09-03 | 安徽大学 | 基于二波段组合指数的冠层尺度小麦赤霉病病情指数评估方法 |
CN114548249A (zh) * | 2022-02-15 | 2022-05-27 | 中国农业科学院植物保护研究所 | 一种基于机器学习的小麦白粉病发生程度预测方法 |
CN116577313A (zh) * | 2023-07-14 | 2023-08-11 | 中国农业科学院植物保护研究所 | 一种小麦白粉病菌潜伏侵染量的定量方法 |
CN116778343A (zh) * | 2023-08-15 | 2023-09-19 | 安徽迪万科技有限公司 | 一种用于综合识别的目标图像特征提取方法 |
CN116973314A (zh) * | 2023-02-03 | 2023-10-31 | 重庆市农业科学院 | 一种多品种蚕豆赤斑病病情人工智能评估方法 |
-
2014
- 2014-11-25 CN CN201410685108.9A patent/CN104408307B/zh active Active
Non-Patent Citations (6)
Title |
---|
WEI FENG等: ""Monitoring leaf pigment status with hyperspectral remote sensing in wheat"", 《AUSTRALIAN JOURNAL OF AGRICULTURAL RESEARCH》 * |
冯伟等: ""基于冠层反射光谱的小麦白粉病严重度估测"", 《作物学报》 * |
冯伟等: ""基于高光谱遥感的小麦冠层叶片色素密度监测"", 《生态学报》 * |
冯伟等: ""白粉病胁迫下小麦冠层叶绿素密度的高光谱估测"", 《农业工程学报》 * |
曹学仁等: ""白粉菌浸染后田间小麦叶绿素含量与冠层光谱反射率的关系"", 《植物病理学报》 * |
王晓宇等: ""小麦白粉病严重度与植株生理性状及产量损失的关系"", 《麦类作物学报》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105352899A (zh) * | 2015-10-26 | 2016-02-24 | 北京农业信息技术研究中心 | 一种基于反射光谱的变量施药窗口期决策方法 |
CN105548455A (zh) * | 2015-12-07 | 2016-05-04 | 青岛农业大学 | 一种返青后到抽穗以前冬小麦叶片氮积累量估算方法 |
CN106777845A (zh) * | 2017-03-22 | 2017-05-31 | 南京农业大学 | 基于子窗口重排法提取敏感参数构建小麦叶片白粉病早期监测模型的方法 |
CN107907075A (zh) * | 2017-12-28 | 2018-04-13 | 山东省农业可持续发展研究所 | 花生叶面积指数遥感监测方法 |
CN108684282A (zh) * | 2018-04-11 | 2018-10-23 | 北京麦飞科技有限公司 | 一种农业察打一体机系统及喷洒控制方法 |
CN108684282B (zh) * | 2018-04-11 | 2023-07-07 | 北京麦飞科技有限公司 | 一种农业察打一体机系统及喷洒控制方法 |
CN108830249A (zh) * | 2018-06-26 | 2018-11-16 | 安徽大学 | 一种基于asd高光谱数据的冬小麦白粉病遥感监测方法 |
CN110132860B (zh) * | 2019-05-29 | 2021-09-14 | 安徽大学 | 一种基于麦穗尺度分析的冬小麦赤霉病高光谱遥感监测方法 |
CN110132860A (zh) * | 2019-05-29 | 2019-08-16 | 安徽大学 | 一种基于麦穗尺度分析的冬小麦赤霉病高光谱遥感监测方法 |
CN110132862A (zh) * | 2019-05-30 | 2019-08-16 | 安徽大学 | 小麦赤霉病检测专属病情指数构建方法及其应用 |
CN110596048A (zh) * | 2019-09-17 | 2019-12-20 | 云南农业大学 | 一种光谱速测烟草叶片中钾含量的方法 |
CN111751295A (zh) * | 2020-07-02 | 2020-10-09 | 安徽大学 | 一种基于成像高光谱数据的小麦白粉病严重程度检测模型的建模方法及应用 |
CN113340815A (zh) * | 2021-06-01 | 2021-09-03 | 安徽大学 | 基于二波段组合指数的冠层尺度小麦赤霉病病情指数评估方法 |
CN114548249A (zh) * | 2022-02-15 | 2022-05-27 | 中国农业科学院植物保护研究所 | 一种基于机器学习的小麦白粉病发生程度预测方法 |
CN116973314A (zh) * | 2023-02-03 | 2023-10-31 | 重庆市农业科学院 | 一种多品种蚕豆赤斑病病情人工智能评估方法 |
CN116577313A (zh) * | 2023-07-14 | 2023-08-11 | 中国农业科学院植物保护研究所 | 一种小麦白粉病菌潜伏侵染量的定量方法 |
CN116577313B (zh) * | 2023-07-14 | 2023-10-27 | 中国农业科学院植物保护研究所 | 一种小麦白粉病菌潜伏侵染量的定量方法 |
CN116778343A (zh) * | 2023-08-15 | 2023-09-19 | 安徽迪万科技有限公司 | 一种用于综合识别的目标图像特征提取方法 |
CN116778343B (zh) * | 2023-08-15 | 2023-11-14 | 安徽迪万科技有限公司 | 一种用于综合识别的目标图像特征提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104408307B (zh) | 2017-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104408307A (zh) | 田间小麦白粉病发病程度的快速监测方法及其监测模型的构建方法 | |
El-Hendawy et al. | Evaluation of wavelengths and spectral reflectance indices for high-throughput assessment of growth, water relations and ion contents of wheat irrigated with saline water | |
CN106372592B (zh) | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 | |
CN105445229B (zh) | 基于氮平衡光谱法的小麦春季氮肥施用方法及其追氮量模型的构建方法 | |
CN105678281B (zh) | 基于光谱和纹理特征的地膜覆盖农田遥感监测方法 | |
CN110376167A (zh) | 基于无人机高光谱的水稻叶片氮含量监测方法 | |
CN103868880B (zh) | 基于光谱双峰指数的小麦叶片氮含量监测方法及其监测模型的构建方法 | |
CN107796764A (zh) | 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法 | |
CN104502283A (zh) | 估测大豆产量和地上部干重的一套两波段高光谱指数和预测模型 | |
CN105758806B (zh) | 基于光谱特征的地膜覆盖农田遥感监测方法 | |
CN103185695A (zh) | 一种基于光谱的烤烟成熟度田间快速判断方法 | |
Yang et al. | Rapid determination of leaf water content for monitoring waterlogging in winter wheat based on hyperspectral parameters | |
Zhang et al. | A first comparison of Multiplex® for the assessment of corn nitrogen status | |
Huang et al. | Assimilating remotely sensed information with the wheatgrow model based on the ensemble square root filter for improving regional wheat yield forecasts | |
CN112649392A (zh) | 一种快速鉴定小麦节水抗旱性的方法 | |
CN112215090A (zh) | 融合物候知识的遥感水稻制图方法及其应用 | |
Rongting et al. | Nondestructive estimation of bok choy nitrogen status with an active canopy sensor in comparison to a chlorophyll meter | |
Zhu et al. | Analysis of common canopy reflectance spectra for indicating leaf nitrogen concentrations in wheat and rice | |
Peng et al. | Estimating total leaf chlorophyll content of gannan navel orange leaves using hyperspectral data based on partial least squares regression | |
Tian et al. | Extracting red edge position parameters from ground-and space-based hyperspectral data for estimation of canopy leaf nitrogen concentration in rice | |
Wen et al. | Effects of N application rate on N remobilization and accumulation in maize (Zea mays L.) and estimating of vegetative N remobilization using hyperspectral measurements | |
CN109596577B (zh) | 小麦白粉病病情监测模型的构建方法及宽角度适应的监测方法 | |
Martin et al. | Estimating forest canopy characteristics as inputs for models of forest carbon exchange by high spectral resolution remote sensing | |
Li et al. | Estimation of Potato Biomass and Yield Based on Machine Learning from Hyperspectral Remote Sensing Data | |
Yamanura et al. | NDVI derived LAI model: a novel tool for crop monitoring. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |