CN108375550A - 基于光谱指数的冬小麦全蚀病病害指数预测模型的构建方法及应用 - Google Patents
基于光谱指数的冬小麦全蚀病病害指数预测模型的构建方法及应用 Download PDFInfo
- Publication number
- CN108375550A CN108375550A CN201810030881.XA CN201810030881A CN108375550A CN 108375550 A CN108375550 A CN 108375550A CN 201810030881 A CN201810030881 A CN 201810030881A CN 108375550 A CN108375550 A CN 108375550A
- Authority
- CN
- China
- Prior art keywords
- index
- winter wheat
- spectral
- full rot
- band
- 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.)
- Pending
Links
- 241000209140 Triticum Species 0.000 title claims abstract description 117
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 117
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 99
- 201000010099 disease Diseases 0.000 title claims abstract description 98
- 230000003595 spectral effect Effects 0.000 title claims abstract description 82
- 238000010276 construction Methods 0.000 title claims abstract description 9
- 238000004611 spectroscopical analysis Methods 0.000 claims abstract description 28
- 241001269238 Data Species 0.000 claims abstract description 21
- 238000003384 imaging method Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000001228 spectrum Methods 0.000 claims description 48
- 238000005070 sampling Methods 0.000 claims description 38
- 238000002310 reflectometry Methods 0.000 claims description 33
- 238000011835 investigation Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims 2
- 238000012417 linear regression Methods 0.000 abstract 2
- 238000012544 monitoring process Methods 0.000 description 10
- 239000000523 sample Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 3
- 241000607479 Yersinia pestis Species 0.000 description 3
- 229930002875 chlorophyll Natural products 0.000 description 3
- 235000019804 chlorophyll Nutrition 0.000 description 3
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 210000005069 ears Anatomy 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 241000748457 Melampodium Species 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- CBVWMGCJNPPAAR-HJWRWDBZSA-N (nz)-n-(5-methylheptan-3-ylidene)hydroxylamine Chemical compound CCC(C)C\C(CC)=N/O CBVWMGCJNPPAAR-HJWRWDBZSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 208000031968 Cadaver Diseases 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 235000021393 food security Nutrition 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000007811 spectroscopic assay Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Quality & Reliability (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于光谱指数的冬小麦全蚀病病害指数预测模型的构建方法，旨在提供一种行之有效、简单方便的方法，预测冬小麦全蚀病病害指数。本发明首先对采样点内冬小麦病害情况进行调查，以采集的灌浆期冬小麦冠层地面ASD光谱数据和UHD185成像高光谱数据为基础，对不同病害指数条件下冬小麦冠层的高光谱信息差异进行比较，利用ASD光谱数据筛选UHD185光谱数据中对冬小麦全蚀病敏感的波段范围和光谱指数，并建立该光谱指数与冬小麦全蚀病病害指数的线性回归模型，预测冬小麦全蚀病病害情况。本发明还公开了利用该模型预测冬小麦全蚀病病害情况的方法，该方法工作效率高、预测结果精度高，为防治全蚀病小麦的发生、发展提供了科学的技术指导。
Description
技术领域
本发明涉及农作物病害监测技术，具体涉及一种基于光谱指数的冬小麦全蚀病病害指数预测模型的构建方法及应用。
背景技术
小麦全蚀病在国内外小麦作物主产国均有发生，小麦为河南省主产粮食作物，首次出现全蚀病发生在1992年的原阳、浚县和扶沟县。从小麦幼苗期到成熟期的整个生长阶段均可受到全蚀病病菌侵染，幼苗期被感染则导致麦株矮小，根部和茎基部一至二节变成灰黑色；在潮湿环境下，拔节期和灌浆期的病株根部与茎基部会出现肉眼可见的灰黑色菌丝层，俗称“黑脚”，“黑脚”与“白穗”是小麦全蚀病的典型病状。全蚀病对于小麦生长威胁巨大，会导致小麦分蘖力、千粒重降低，轻则减产10～20％，重则减产50％以上，甚至绝收；防治小麦全蚀病对于改善河南省小麦生产水平以及保障国家粮食安全至关重要。
目前，我国对于病虫害的监测和预报手段还是以目测手查、田间取样，这种传统的人工查验办法虽然具有良好的真实性和较高的精确度，但是耗时耗力，而且无法大面积查验，导致在非监测区或非典型特征区发生遗漏和误判，造成病虫害的继续扩散。此外，传统方式的信息获取和反馈也存在滞后性，严重影响数据的精确度和时效性。
目前，利用光谱预测技术获取田间作物生长信息已经很成熟，但对冬小麦病害监测的精细光谱特征信息层面上缺乏应用，关于小麦全蚀病在该技术方面的探究更是少之又少。因此，设计一种行之有效的方法预测冬小麦全蚀病的病害情况，进而采取相应的措施防治冬小麦全蚀病是目前亟待解决的。
发明内容
本发明要解决的技术问题是提供一种基于光谱指数的冬小麦全蚀病病害指数预测模型的构建方法及应用。
为解决上述技术问题，本发明采用如下技术方案：
基于光谱指数的冬小麦全蚀病病害指数预测模型的构建方法，包括以下步骤，
(1)病害等级调查：调查试验区域中所选样点内冬小麦全蚀病的病害情况，并对病害情况进行等级划分；
(2)数据采集：按照常规方法采集不同样点内冬小麦冠层地面的ASD光谱数据，与冠层地面光谱数据采集同步，采集冬小麦冠层空中的UHD185成像高光谱数据；
(3)光谱数据预处理
a.ASD光谱数据预处理
以每个样点内冬小麦冠层地面的ASD光谱数据的平均值作为该样点所对应的光谱反射值，并依据选取样点内冬小麦的病害等级，获得不同病害等级的冬小麦冠层地面的光谱反射曲线；
b.冠层空中的UHD185成像高光谱数据预处理
将冬小麦冠层空中的高光谱数据进行拼接，并提取试验区样点的冬小麦冠层平均光谱；
(4)利用ASD光谱数据获取冬小麦冠层UHD185成像高光谱数据中对冬小麦全蚀病敏感的波段范围；
将UHD185成像高光谱数据依据调查样点内冬小麦的病害等级导出其所对应的平均光谱反射率，将其与ASD光谱数据的平均光谱反射率进行相关性分析，提取二者相关性显著时所对应的波段范围，即为UHD185成像光谱数据对冬小麦全蚀病病害敏感的波段范围；
(5)筛选敏感波段内的光谱指数
a.根据下式分别计算敏感波段内任意两个波长的光谱反射率所构成的差异光谱指数DSI、归一化差异光谱指数NDSI和比值型光谱指数RSI，
DSI(x,y)＝x-y (1)
式中，x，y分别代表的是敏感波段范围内波长为i和j时对应的光谱反射率Ri，Rj；
b.筛选对冬小麦全蚀病病害指数最优的光谱指数
分别构建由上述敏感波段内任意两个波长的光谱反射率构成的DSI、NDSI和RSI与冬小麦全蚀病病害指数的决定系数等势图，决定系数最大的光谱指数为最优光谱指数，并筛选出最优光谱指数所对应的波段范围和波段组合；
(6)构建冬小麦全蚀病病害指数的高光谱预测模型
以全蚀病冬小麦病害指数Y为因变量，以最优光谱指数T为自变量，按照下式(4)建立冬小麦全蚀病病害指数的高光谱预测模型，
Y＝a×T+b (4)
式中，a为最优光谱指数所对应的回归系数，b为常数项。
优选的，所述敏感波段范围为462～874nm。
优选的，所述最优光谱指数为差异光谱指数DSI，所述最优光谱指数所对应的波段范围为534～818nm，所述最优光谱指数所对应的波段组合为DSI(R818,R534)。
优选的，灌浆期冬小麦全蚀病病害指数的高光谱预测模型为
Y＝-6.4901×(R818-R534)+1.4613，R2＝0.8605，RMSE＝0.073
式中，R818、R534分别为波长为818nm、534nm时所对应的光谱反射率。
本发明基于光谱指数的冬小麦全蚀病病害指数预测模型的构建方法的有益技术效果在于：
1.本发明基于ASD高光谱数据与无人机高光谱遥感影像，首先利用ASD光谱数据评价UHD185光谱数据质量，然后对不同病害指数条件下冬小麦冠层的高光谱响应差异进行比较，构建了拟合效果好、精度高、普适性好、科学性强的冬小麦全蚀病病害指数的预测模型，模型结构简单、意义明确，易于模型的推广与应用。
2.本发明基于与ASD光谱数据达到相同光谱数据精度的UHD185成像高光谱数据，构建冬小麦全蚀病病害指数的预测模型，为无人机高光谱遥感在冬小麦全蚀病病害的精准监测应用方面提供了技术理论与科学依据，为防治全蚀病冬小麦的发生、发展提供精准的指导，同时也为其他作物病害在精细光谱尺度上的监测提供了解决思路。
3.本发明采用的高光谱成像遥感技术与传统的全色、多光谱和高光谱遥感相比，在地物识别方面具有明显的优势，采用无人机搭载UHD185成像高光谱仪，提高了遥感技术的应用潜力，便于获取环境较为恶劣条件下冬小麦的光谱数据，从而使农业遥感技术的应用更具全方位化。
本发明还公开了一种利用上述的模型预测冬小麦全蚀病的病害指数的方法，包括如下步骤，
(1)选取试验区域，并在试验区域内随机选取多个试样点；
(2)数据采集：按照常规方法，在上述的敏感波段内采集不同样点内冬小麦冠层空中的UHD185成像高光谱数据；对该光谱数据进行拼接，并提取试验区样点的冬小麦冠层平均光谱；
(3)根据公式(5)计算敏感波段内任意两个波长的差异光谱指数DSI；
DSI(x,y)＝x-y (5)
式中，x，y分别代表的是敏感波段范围内波长为i和j时对应的光谱反射率Ri，Rj；
(4)确定差异光谱指数DSI的最优数值
建立上步(3)计算的光谱反射率构成的DSI与冬小麦全蚀病病害指数的决定系数等势图，将决定系数最大的差异光谱指数DSI所对应的波段范围和波段组合为最优的波段组合，进而确定差异光谱指数DSI的最优数值；
(5)按照上述所构建的模型预算冬小麦全蚀病的病害指数，
Y＝a×T+b (6)
式中，T为DSI的最优值，a为DSI的最优值的回归系数，b为常数项。
优选的，在步骤(3)，所述敏感波段为462～874nm。
优选的，灌浆期冬小麦全蚀病病害指数的预算公式如下式(7)所示，
Y＝-6.4901×(R818-R534)+1.4613，R2＝0.8605，RMSE＝0.073，
式中，R818、R534分别为波长为818nm、534nm时所对应的光谱反射率。
本发明预算冬小麦全蚀病病害指数的方法的有益技术效果在于：
本发明能够克服传统方法监测冬小麦病害时监测手段时效性差、存在人为主观经验的风险、农药施用不合理等问题，无需耗费大量的人力物力，冬小麦全蚀病病害指数的预测具有较高的精度和准确性，并具有较强的稳定性，有利于冬小麦全蚀病病害的防治、监测与管理。
附图说明
图1为UHD185成像高光谱影响的拼接流程图；
图2为不同病害等级UHD185光谱曲线与ASD光谱曲线对比图；
图3为不同病害等级的UHD185与ASD光谱反射率的相关性；
图4为敏感波段范围内任意两波段组合构成的DSI(Ri,Rj)与冬小麦全蚀病病害指数的决定系数等势图；
图5为敏感波段范围内任意两波段组合构成的NDSI(Ri,Rj)与冬小麦全蚀病病害指数的决定系数等势图；
图6为敏感波段范围内任意两波段组合构成的RSI(Ri,Rj)与冬小麦全蚀病病害指数的决定系数等势图；
图7为冬小麦差异光谱指数DSI(R818,R534)与冬小麦病害指数的定量关系示意图；
图8为本发明中冬小麦病害指数的预测值与实测值之间的相关性示意图。
具体实施方式
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
试验Ⅰ概况：实验于2017年5月21日在河南省漯河市郾城区裴城镇(33°43'11.08"N～33°43'11.83"N，113°49'58.43"E～113°50'2.58"E，海拔61m)进行，试验区长112、宽26m，主要土壤类型为潮土。试验区为小麦、玉米轮作区，供试验的小麦品种为矮抗58，播种日期为2016年10月12日，小麦生长期间的栽培措施同一般高产田。
具体建模方法如下，其中，所涉及的仪器设备如无特殊说明，均为常规仪器设备；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)病害等级调查
在灌浆期受全蚀病侵染的冬小麦白穗特征最为明显，于2017年5月21日，在试验区域内选取40个不同病害程度的样点，每个调查样点区域为1m2，严格遵照植保部门的调查标准，对实验区调查样点的小麦进行全蚀病病害的调查，并根据小麦全蚀病病害情况分为四个病害等级：正常，轻微，中等，严重，其中包含7个正常样点、19个轻微样点、8个中等样点和6个严重样点。
(2)冬小麦冠层光谱信息采集
在调查样点内，选择晴朗无云、无风或者风速较小、日照稳定的一天，在11点至13点，由无人机搭载的UHD185成像高光谱仪和地面ASD光谱辐射仪，同步进行冬小麦冠层地面的ASD光谱数据、冠层空中UHD185成像高光谱数据的光谱测定作业。
其中，冬小麦冠层地面的ASD数据采用光谱测量设备为美国ASD公司生产的FieldSpec HandHeld手持地物光谱仪，每次采集目标光谱前后均进行参考板校正，传感器探头始终垂直向下，且探头距小麦冠层约50cm(小麦平均株高为78cm)，共采集40个长势均匀的样点，每个样点均随机采样十次光谱数据，取其平均值作为该采样点的光谱测量值，并用标记板标记样点方位；
冠层空中UHD185成像高光谱数据采用德国Cubert公司生产的UHD185机载高速成像光谱仪，具有全画幅、非扫描、实时成像的特点，光谱范围450～950nm，光谱采样间隔4nm，分辨率为8nm，共125个光谱通道；搭载UHD185设备的平台为AZUP-T8专业型长航时八旋翼无人机，可进行长航时的飞行，机臂可快速折叠，具有便携灵活的优点，而且维护简单，大大减少了试验过程中的准备时间。空中飞行试验时，设定无人机航线高度为50m，航向重叠度80％，旁向重叠度60％。在单板计算机控制下的UHD185光谱仪以1ms的时间间隔进行光谱数据采样作业，地面控制站通过无线网络遥控单板计算机运行，并将数据存储到单板计算机中。
(3)光谱数据预处理
a.ASD数据预处理
在试验中共选取40个长势均匀的样点，每个调查样点均采集10次光谱数据，将各个样点数据分别导入ASD viewspec-pro软件中处理，取其光谱数据的平均值，即作为该样点所对应的光谱反射值，并依据样点内冬小麦全蚀病病害等级，将归类为四种等级的40个调查样点光谱数据分别进行求平均光谱数据处理，得到不同病害等级的冠层ASD光谱反射曲线；
b.UHD185数据预处理
UHD185机载高速成像光谱仪获取的数据主要由高光谱立方体影像以及全色jpg图像组成的，UHD185遥感数据预处理包括两个部分：高光谱立方体影像的拼接和试验区域样点的冬小麦冠层平均光谱的提取。采用德国Cubert公司研发的Cube-Pilot软件与AgisoftLLC公司研发Agisoft PhotoScan软件进行高光谱影像的拼接，高光谱影像拼接流程如图1所示；
(4)获取冬小麦冠层UHD185成像高光谱数据中对冬小麦全蚀病敏感的波段范围
采用地面同步获得的ASD地物光谱数据相比UHD185成像高光谱数据，在作物长势及病虫害监测中经历了长期的实践和考验。因此，以ASD地物光谱数据为校验标准，获取UHD185成像高光谱中对冬小麦全蚀病病害敏感的波段范围：
①将不同病害等级UHD185光谱曲线与ASD光谱曲线进行对比分析，如图2所示。其中，UHD185光谱曲线与ASD光谱曲线的变化趋势总体一致，两者在550nm附近一致出现“绿峰”特征；在680nm附近出现“红谷”特征，原因在于小麦冠层光谱反射率随叶片中叶绿素含量的增加而减少，由于叶绿素水平的升高，相应叶片光合作用增强，对红蓝光吸收能力增强，相应的光谱反射率减少；在680～750nm的红边区域，两者的光谱反射率急剧上升，此波段内光谱曲线对应斜率最大值的波长是红边位置REP；在770～910nm的近红外区域，相同全蚀病小麦病害等级的冠层光谱曲线近似一致，呈现近红外高反射平台，不同病害等级间ASD和UHD185光谱反射率的大小表现为：正常>轻微>中等>严重，原因是小麦白穗程度越高，小麦冠层叶片中水分越少，叶绿素含量、氮含量和叶面积指数减少，导致冠层光谱在近红外波段的反射率也随之降低；在910nm之后，ASD和UHD185光谱反射率逐渐降低，且UHD185光谱曲线波动性较大。
②提取调查样点内冬小麦的UHD185高光谱数据依据调查样点内冬小麦病害等级导出其所对应的平均光谱反射率，将该反射率与选取样点内冬小麦冠层地面的ASD光谱数据的平均光谱反射率进行线性相关分析。其中，采样点内全蚀病不同病害等级的冬小麦冠层的ASD和UHD185光谱反射率在462～874nm波长范围的相关性最显著，相关系数R2均在0.97以上，如图3所示。因此，UHD185成像高光谱数据中对冬小麦全蚀病病害敏感的波段范围为462～874nm，在波长范围内的光谱数据最为可靠，可利用其对不同全蚀病冬小麦病害等级进行精准分类；
(5)筛选敏感波段内的光谱指数
a.根据下式分别计算敏感波段范围内任意两个波长的光谱反射率所构成的差异光谱指数DSI、归一化差异光谱指数NDSI和比值型光谱指数RSI，
DSI(x,y)＝x-y (1)
式中，x，y分别代表的是敏感波段范围内波长为i和j时对应的光谱反射率Ri，Rj；
b.筛选对冬小麦全蚀病病害指数相关性最为显著的光谱指数
制作上述DSI、NDSI和RSI与全蚀病小麦病害指数的决定系数R2等势图，如图4至6所示。图4至6结果表明，相较其它两个光谱指数，DSI光谱指数与小麦全蚀病病害指数的相关性最好，R2>0.7的波段区域为462～730nm与730～870nm的波段组合，其中DSI(R818,R534)波段组合的决定系数R2达到了0.8605；其次为RSI光谱指数，R2>0.5的波段区域为750～830nm与525～680nm和510～710nm与740～850nm的波段组合，其中RSI(R530,R758)波段组合的决定系数R2达到了0.659；最后为NDSI光谱指数，R2>0.5的波段区域为510～710nm与740～850的波段组合，其中NDSI(R758,R530)波段组合的决定系数R2达到了0.6536。
此外，DSI与全蚀病小麦病害指数的敏感性波段范围相较于NDSI、RSI更宽，小麦全蚀病病害指数与矩阵联立形式任意波段组合的相关性也最高，进一步验证了DSI(R818,R534)在精准监测小麦全蚀病病害的能力上优于NDSI(R758,R530)、RSI(R530,R758)。
(6)构建冬小麦全蚀病病害指数的高光谱预测模型
以冬小麦全蚀病病害指数Y为因变量，以最优光谱指数DSI(x，y)为自变量，建立冬小麦全蚀病病害指数的高光谱预测模型，并通过线性拟合，得出对应的回归系数和常数项，如下式(4)、图7所示，
Y＝-6.4901×DSI(x,y)+1.4613，R2＝0.8605，RMSE＝0.073
式中，x，y分别代表的是敏感波段范围内波长为i和j时对应的光谱反射率Ri，Rj。
实测验证：采用同期独立实测数据对该模型的监测精度进行验证，验证样本个数n＝20，如图8所示，DSI(R818,R534)与冬小麦全蚀病病害指数构建的监测模型的实测值和预测值具有较高的相关性，R2＝0.76，RMSE＝0.149。
Claims (7)
1.一种基于光谱指数的冬小麦全蚀病病害指数预测模型的构建方法，其特征在于，包括以下步骤，
(1)病害等级调查：调查试验区域中所选样点内冬小麦全蚀病的病害情况，并对病害情况进行等级划分；
(2)数据采集：按照常规方法或步骤采集不同样点内冬小麦冠层地面的ASD光谱数据；与冠层地面光谱数据采集同步，采集冬小麦冠层空中的UHD185成像光谱数据；
(3)光谱数据预处理
a.ASD光谱数据预处理
以每个样点的冬小麦冠层地面的ASD光谱数据的平均值作为该样点所对应的光谱反射值，并依据选取样点内冬小麦的病害等级，获得不同病害等级的冬小麦冠层地面的光谱反射曲线；
b.冠层空中的UHD185成像高光谱数据预处理
将冬小麦冠层空中的高光谱数据进行拼接，并提取试验区样点的冬小麦冠层平均光谱；
(4)获取高光谱数据中对冬小麦全蚀病敏感的波段范围
将UHD185成像高光谱数据依据调查样点内冬小麦的病害等级导出其所对应的平均光谱反射率，将其与ASD光谱数据的平均光谱反射率进行相关性分析，提取二者相关性显著时所对应的波段范围，即为UHD185成像光谱数据对冬小麦全蚀病病害敏感的波段范围；
(5)筛选敏感波段内的最优光谱指数
a.根据下式分别计算敏感波段内任意两个波段的光谱反射率所构成的差异光谱指数DSI、归一化差异光谱指数NDSI和比值型光谱指数RSI，
DSI(x,y)＝x-y (1)
式中，x，y分别代表的是敏感波段范围内的第i和j个波段对应的光谱反射率Ri，Rj；
b.筛选对冬小麦全蚀病病害指数最优的光谱指数
分别构建由上述敏感波段内任意两个波段的光谱反射率构成的DSI、NDSI和RSI与冬小麦全蚀病病害指数的决定系数等势图，决定系数最大的光谱指数为最优光谱指数，并筛选出最优光谱指数所对应的最优数值；
(6)构建冬小麦全蚀病病害指数的高光谱预测模型
以冬小麦全蚀病病害指数Y为因变量，以最优的光谱指数的最优数值T为自变量，按照下式(4)建立冬小麦全蚀病病害指数的高光谱预测模型，
Y＝a×T+b (4)
式中，a为最优光谱指数所对应的回归系数，b为常数项。
2.根据权利要求1所述的基于光谱指数的冬小麦全蚀病病害指数预测模型的构建方法，其特征在于，所述敏感波段范围为462～874nm。
3.根据权利要求1所述的基于光谱指数的冬小麦全蚀病病害指数预测模型的构建方法，其特征在于，所述最优光谱指数为差异光谱指数DSI，所述最优光谱指数所对应的波段区域为534～818nm，所述最优光谱指数所对应的最优的数值T为DSI(R818,R534)。
4.根据权利要求3所述的基于光谱指数的冬小麦全蚀病病害指数预测模型的构建方法，其特征在于，灌浆期冬小麦全蚀病病害指数的高光谱预测模型为
Y＝-6.4901×(R818-R534)+1.4613，R2＝0.8605，RMSE＝0.073
式中，R818、R534分别为波长为818nm、534nm时所对应的光谱反射率。
5.利用权利要求1所述的模型预测冬小麦全蚀病的病害指数的方法，其特征在于，包括如下步骤，
(1)选取试验区域，并在试验区域内随机选取多个试样点；
(2)数据采集：按照常规方法，在权利要求1所述的敏感波段内采集不同样点内冬小麦冠层空中的UHD185成像光谱数据；对该光谱数据进行拼接，并提取试验区样点的冬小麦冠层平均光谱；
(3)根据公式(5)计算敏感波段内任意两个波段的差异光谱指数DSI；
DSI(x,y)＝x-y (5)
式中，x，y分别代表的是敏感波段范围内的第i和j个波段对应的光谱反射率Ri，Rj；
(4)确定差异光谱指数DSI的最优数值
建立上步(3)计算的光谱反射率构成的DSI与冬小麦全蚀病病害指数的决定系数等势图，将决定系数最大的异光谱指数DSI所对应的波段区域和波段组合为最优的波段组合，进而确定差异光谱指数DSI最优的数值；
(5)按照权利要求1所述的模型预算冬小麦全蚀病的病害指数，
Y＝a×T+b (6)
式中，T为DSI的最优值，a为DSI的最优值的回归系数，b为常数项。
6.根据权利要求5所述的预算冬小麦全蚀病的病害指数的方法，其特征在于，在步骤(3)，所述敏感波段范围为462～874nm。
7.根据权利要求5所述的预算冬小麦全蚀病的病害指数的方法，其特征在于，灌浆期冬小麦全蚀病病害指数的预算公式如下式(7)所示，
Y＝-6.4901×(R818-R534)+1.4613，R2＝0.8605，RMSE＝0.073
式中，R818、R534分别为波长为818nm、534nm时所对应的光谱反射率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810030881.XA CN108375550A (zh) | 2018-01-12 | 2018-01-12 | 基于光谱指数的冬小麦全蚀病病害指数预测模型的构建方法及应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810030881.XA CN108375550A (zh) | 2018-01-12 | 2018-01-12 | 基于光谱指数的冬小麦全蚀病病害指数预测模型的构建方法及应用 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108375550A true CN108375550A (zh) | 2018-08-07 |
Family
ID=63016547
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810030881.XA Pending CN108375550A (zh) | 2018-01-12 | 2018-01-12 | 基于光谱指数的冬小麦全蚀病病害指数预测模型的构建方法及应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108375550A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110376167A (zh) * | 2019-07-29 | 2019-10-25 | 北京麦飞科技有限公司 | 基于无人机高光谱的水稻叶片氮含量监测方法 |
| CN110658211A (zh) * | 2019-11-08 | 2020-01-07 | 河南农业大学 | 棉花蕾期蚜害棉花冠层光谱特征提取及等级估测方法 |
| 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 |
| CN113435252A (zh) * | 2021-05-27 | 2021-09-24 | 广西壮族自治区烟草公司百色市公司 | 一种基于遥感的烟草病虫害监测预警方法和系统 |
| CN114092710A (zh) * | 2021-11-23 | 2022-02-25 | 沈阳农业大学 | 一种基于融合特征的dcnn叶瘟病分级模型的构建方法 |
| CN114694023A (zh) * | 2022-03-18 | 2022-07-01 | 河南农业大学 | 一种光谱指数数据重构的棉花蚜害严重度分级方法 |
| CN114740004A (zh) * | 2022-04-29 | 2022-07-12 | 吉林农业科技学院 | 基于无人机采集玉米高光谱实现检测根腐病和定位的方法 |
| CN115115955A (zh) * | 2022-07-08 | 2022-09-27 | 宁波大学 | 基于无人机高光谱遥感的松材线虫病树监测方法与装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106290197A (zh) * | 2016-09-06 | 2017-01-04 | 西北农林科技大学 | 水稻叶片全氮含量高光谱估测及估测模型构建方法 |
-
2018
- 2018-01-12 CN CN201810030881.XA patent/CN108375550A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106290197A (zh) * | 2016-09-06 | 2017-01-04 | 西北农林科技大学 | 水稻叶片全氮含量高光谱估测及估测模型构建方法 |
Non-Patent Citations (5)
| Title |
|---|
| JIBO YUE ET AL.: "Estimation of Winter Wheat Above-Ground Biomass Using Unmanned Aerial Vehicle-Based Snapshot Hyperspectral Sensor and Crop Height Improved Models", 《REMOTE SENS》 * |
| LIN YUAN ET AL.: "Spectral analysis of winter wheat leaves for detection and differentiation of diseases and insects", 《FIELD CROPS RESEARCH》 * |
| 张衡等: "基于高光谱数据的马尾松松萎蔫病早期监测", 《东北林业大学学报》 * |
| 秦占飞: "西北地区水稻长势遥感监测研究", 《中国博士学位论文全文数据库 农业科技辑》 * |
| 高林等: "基于无人机高光谱遥感的冬小麦叶面积指数反演", 《农业工程学报》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110376167A (zh) * | 2019-07-29 | 2019-10-25 | 北京麦飞科技有限公司 | 基于无人机高光谱的水稻叶片氮含量监测方法 |
| CN110658211A (zh) * | 2019-11-08 | 2020-01-07 | 河南农业大学 | 棉花蕾期蚜害棉花冠层光谱特征提取及等级估测方法 |
| CN113435252A (zh) * | 2021-05-27 | 2021-09-24 | 广西壮族自治区烟草公司百色市公司 | 一种基于遥感的烟草病虫害监测预警方法和系统 |
| CN113435252B (zh) * | 2021-05-27 | 2023-09-29 | 广西壮族自治区烟草公司百色市公司 | 一种基于遥感的烟草病虫害监测预警方法和系统 |
| 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 |
| CN114092710A (zh) * | 2021-11-23 | 2022-02-25 | 沈阳农业大学 | 一种基于融合特征的dcnn叶瘟病分级模型的构建方法 |
| CN114694023A (zh) * | 2022-03-18 | 2022-07-01 | 河南农业大学 | 一种光谱指数数据重构的棉花蚜害严重度分级方法 |
| CN114694023B (zh) * | 2022-03-18 | 2024-08-06 | 河南农业大学 | 一种光谱指数数据重构的棉花蚜害严重度分级方法 |
| CN114740004A (zh) * | 2022-04-29 | 2022-07-12 | 吉林农业科技学院 | 基于无人机采集玉米高光谱实现检测根腐病和定位的方法 |
| CN115115955A (zh) * | 2022-07-08 | 2022-09-27 | 宁波大学 | 基于无人机高光谱遥感的松材线虫病树监测方法与装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108375550A (zh) | 基于光谱指数的冬小麦全蚀病病害指数预测模型的构建方法及应用 | |
| CN112634212B (zh) | 基于高光谱无人机的病害潜伏树检测方法及系统 | |
| Ferreira et al. | Tree species classification in tropical forests using visible to shortwave infrared WorldView-3 images and texture analysis | |
| Zarco-Tejada et al. | Chlorophyll fluorescence effects on vegetation apparent reflectance: II. Laboratory and airborne canopy-level measurements with hyperspectral data | |
| Xu et al. | Near-infrared spectroscopy in detecting leaf miner damage on tomato leaf | |
| Castro‐Esau et al. | Variability in leaf optical properties of Mesoamerican trees and the potential for species classification | |
| CN104697943B (zh) | 一种油菜水分胁迫的无损检测方法 | |
| Ustin et al. | Opportunities for using the EOS imaging spectrometers and synthetic aperture radar in ecological models | |
| CN107796764B (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 | |
| CN104614321B (zh) | 一种基于光谱图像的作物长势实时监测方法 | |
| Cheshkova | A review of hyperspectral image analysis techniques for plant disease detection and identif ication | |
| Abd Latif et al. | Determination of tree species using Worldview-2 data | |
| KR102125780B1 (ko) | 포장 단위별 다분광 영상 히스토그램 패턴 분석을 통한 작물 생육 모니터링 장치 | |
| CN109187398A (zh) | 一种小麦植株氮含量的高光谱测定方法 | |
| Zhao et al. | Estimation of soybean breeding yield based on optimization of spatial scale of UAV hyperspectral image | |
| Zhong et al. | Empirical models on urban surface emissivity retrieval based on different spectral response functions: A field study | |
| Zarco-Tejada et al. | Canopy optical indices from infinite reflectance and canopy reflectance models for forest condition monitoring: Application to hyperspectral CASI data | |
| Stone et al. | Conceptual development of a eucalypt canopy condition index using high resolution spatial and spectral remote sensing imagery | |
| Darvishsefat et al. | Evaluation of spectral reflectance of seven Iranian rice varieties canopies | |
| Zhao et al. | Characterization of the rice canopy infested with brown spot disease using field hyperspectral data | |
| Tamás et al. | Beyond NDVI-Spectral indexing of biomass | |
| Jin-Ling et al. | A comparative study on monitoring leaf-scale wheat aphids using pushbroom imaging and non-imaging ASD field spectrometers | |
| Jiao et al. | The Potential of hue angle calculated based on multispectral reflectance for leaf chlorophyll content estimation | |
| Bannari et al. | Senescent vegetation and crop residue mapping in agricultural lands using artificial neutral networks and hyperspectral remote sensing | |
| Zhang et al. | Estimation of leaf water content using new vegetation indices combined by near-and middle infrared spectral reflectances |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180807 |