CN109596577A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN109596577A
CN109596577A CN201811339740.2A CN201811339740A CN109596577A CN 109596577 A CN109596577 A CN 109596577A CN 201811339740 A CN201811339740 A CN 201811339740A CN 109596577 A CN109596577 A CN 109596577A
Authority
CN
China
Prior art keywords
wheat
powdery mildew
canopy
wavelength
index
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
Application number
CN201811339740.2A
Other languages
English (en)
Other versions
CN109596577B (zh
Inventor
冯伟
齐双丽
贺利
姜玉梅
王永华
郭天财
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan Agricultural University
Original Assignee
Henan Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Henan Agricultural University filed Critical Henan Agricultural University
Priority to CN201811339740.2A priority Critical patent/CN109596577B/zh
Publication of CN109596577A publication Critical patent/CN109596577A/zh
Application granted granted Critical
Publication of CN109596577B publication Critical patent/CN109596577B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited

Landscapes

  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Cultivation Of Plants (AREA)

Abstract

本发明涉及一种小麦白粉病病情监测模型的构建方法，包括获取白粉病胁迫下冬小麦主平面垂直角度冠层原始光谱数据和小麦白粉病病情指数数据，从冠层光谱指数与小麦白粉病病情指数之间决定系数R2≥0.5中选择波长λ1、波长λ2，引入调整参数K和对应于波长λ3的反射率K×Rλ3，构建修正型比值植被指数。一种宽角度适应的的小麦白粉病病情监测方法，包括获取在波长为744nm、762 nm和710nm光从主平面内角度范围为0°～+30°区间照射白粉病胁迫下冬小麦冠层时的反射率数据，获得对应的修正型比值植被指数。它在监测小麦白粉病病情时允许较宽的监测角，适用性广。

Description

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
技术领域
本发明涉及农作物白粉病病情测量技术领域，具体涉及一种小麦白粉病病情监测模型的构建方法，还涉及一种宽角度适应的小麦白粉病病情监测方法。
背景技术
全球气候变暖容易引发农作物病虫害的传播和流行，而病虫害的发生显著影响农作物的产量和品质，造成严重的经济损失。随着农作物单产水平、灌溉和施肥量不断提高，密度和生物量增加必然导致冠层微生态环境变差，造成小麦锈病、白粉病、蚜虫等主要病虫害不断发生。大量使用农药虽可防治病虫危害程度，对产量损失有所控制，但这会导致经济成本增加；农产品农药残留严重，同时农药的80%扩散到环境中，引发生态环境破坏，污染加重；而且病虫抗性增加，原来危害不大或容易防治的病虫害更加难以防治，形成恶性循环。
传统的病虫害人工调查方法费时费力，且易受到主观意识的影响。因此，快速、实时的病虫害监测技术对病虫害精确防控具有重要意义。研究表明，作物病害识别和监测的敏感区域主要位于可见光和近红外波段，而敏感波段常因不同种病害及作物种类而异。在作物冠层尺度上，绿光波段（531nm，570nm）和红边(680nm，725nm，750nm)对小麦条锈病响应敏感，利用此波段信息可有效检测小麦白粉病病情。在叶片尺度上，红边(684nm，752nm)和近红外(970nm)波段可以有效检测葡萄病毒性卷叶病。前人在病害敏感波段提取的基础上相继构造开发出病害监测指数，例如白粉病指数、条锈病指数、蚜虫指数、稻瘟病指数、稻蝽象指数、油菜茎腐病指数等。这表明，利用高光谱遥感技术可以实时监测植物病害发生状况。
地物普遍存在的二向反射特性，单个角度获取的目标光谱信息较为片面，不能够充分反映监测对象的空间结构信息，而多角度遥感能够有效提取植被冠层上、中和下层的空间结构信息，为精确反演作物的生长特征提供了可能。前人开展的多角度监测研究均是在非生物胁迫（水和肥试验）下进行，监测对象为健康植被条件下生理生态参数，而病害胁迫下植被的形态和生理差异很大，导致健康植被与病害植被之间光谱背景差异很大，因此，前人在非生物胁迫下提出的生理生态监测的参数未必适用于生物胁迫。传统的冠层光谱监测方法多是垂直向下进行，然而单一的观测角度在实际生产操作中有一定的局限性，由于反射率对观测角度的敏感性导致垂直监测方法在生产中应用不易把握，模型漂移使监测精度显著降低，严重影响监测结果的推广应用。
发明内容
本发明的发明目的之一是提供一种小麦白粉病病情监测模型构建方法，以解决现有技术中病情监测方法受到浓密冠层的影响饱和后，理论测出的小麦白粉病病情指数与实际的植被生长参数的误差大的技术问题。
为解决上述技术问题，本发明采用如下技术方案：
设计一种小麦白粉病病情监测模型的构建方法，包括以下步骤：
在太阳主平面内获取白粉病胁迫状态下冬小麦冠层向正上方反射原始光谱数据，以及对应的小麦白粉病病情指数数据，确定白粉病胁迫状态下冬小麦冠层光谱指数（VI，可以是归一化类植被指数NDVI或比值类植被指数RVI）与小麦白粉病病情指数(mDI，采用农学参数病情严重度确定)之间决定系数R2≥0.5的第一敏感波段和第二敏感波段，第一敏感波段、第二敏感波段的波长区间均∈[400，900]nm；
从第一敏感波段中选择波长λ1，从第二敏感波段中选择波长λ2，引入调整系数 K 和第三敏感波段的波长 λ3照射小麦冠层时的反射率 Rλ3，构建修正型比值植被指数mRVI= Rλ1/Rλ2+K×Rλ3，其中，K为系数，Rλ1、Rλ2、Rλ3分别为波长λ1、波长λ2、波长λ3对应的冠层反射率，K可以是-2，-1，-0.5，0，0.5，1或2；波长λ3∈[400，900]nm；
当修正型比值植被指数mRVI与小麦白粉病病情指数之间的决定系数R 2 >0.64时，确定对应的调整系数K和第三敏感波的波长λ3，然后分别采用波长λ1、λ2和λ3的光从太阳主平面垂直角度照射白粉病胁迫状态下冬小麦冠层，以获取对应的反射率Rλ1、Rλ2、Rλ3，并利用前述步骤获取的调整系数K、反射率Rλ1、反射率Rλ2、反射率Rλ3获取对应的修正型比值植被指数mRVI。
上述技术方案的有益技术效果有：可以解决由波长λ1和波长λ2确定的白粉病胁迫状态下冬小麦冠层光谱指数受到浓密冠层的影响饱和后，理论测出的小麦白粉病病情指数与实际的植被生长参数的误差大的技术问题。
优选的，第一敏感波段的波长区间对应于[736，750]nm，第二敏感波段的波长区间对应于[746，766]nm。
优选的，波长λ1选择为744nm，波长λ2选择为762nm，K选择为-0.5，波长λ3选择为710nm，白粉病胁迫状态下冬小麦冠层光谱指数选择NDVI或者RVI。白粉病胁迫状态下冬小麦冠层光谱指数选择RVI时的决定系数R2=0.55，引入调整参数K与第三敏感波的反射率Rλ3的乘积K×Rλ3后，修正型比值植被指数mRVI估测小麦白粉病情指数（mDI）的R2=0.702，决定系数提高了27.50%。出乎预料的是，发明人发现在应用时，获取白粉病胁迫状态下冬小麦主平面0°～+30°角度范围内冠层原始光谱数据确定的修正型比值植被指数与小麦农学参数白粉病病情指数之间决定系数R2≥0.704，均方误差值RMSE≤2.43，尤其是获取白粉病胁迫状态下冬小麦主平面+10°～+20°角度范围内冠层原始光谱数据确定的修正型比值植被指数与农学参数病情严重度之间决定系数R2≥0.72，均方误差值RMSE≤2.35。
优选的，采用等势图的方式分析获取白粉病胁迫状态下冬小麦冠层光谱指数（可以是归一化类植被指数NDVI或比值类植被指数RVI）与小麦白粉病病情严重度之间的决定系数R2。
本发明小麦白粉病病情监测模型的构建方法的有益效果包括：适用于白粉病胁迫状态下冬小麦的病情监测。
本发明的发明目的之二是提供一种宽角度适应的的小麦白粉病病情监测方法，以解决在监测小麦白粉病病情时，采用冠层光谱反射法对监测视角限制高，使用要求严苛的技术问题。
构建一种宽角度适应的的小麦白粉病病情监测方法，包括以下步骤：
在太阳主平面内角度范围为0°～+30°区间内获取白粉病胁迫状态下冬小麦冠层对744nm光波的反射率R744，对762 nm光波的反射率R762及对710 nm光波的反射率R710，其中，在太阳主平面内以垂直于小麦冠层的监测角度定义为0°，观测方向与太阳照射方向同侧时定义为后向，对应于-90°～0°，观测方向在太阳照测方向异侧时定义为前向，对应于0°～+90°；
用于估测小麦白粉病病情指数的修正型比值植被指数的公式为mRVI= R744/R762－0.5×R710，式中，R744对应于波长744nm光照射小麦冠层时的反射率数据，R762对应于波长762nm光照射小麦冠层时的反射率数据，R710对应于波长710nm光照射小麦冠层时的反射率数据。
优选的，获取所述白粉病胁迫状态下冬小麦冠层对744nm光波的反射率R744，对762nm光波的反射率R762及对710 nm光波的反射率R710的量测位置是在太阳主平面内角度范围为+10°～+20°区间内。
本发明宽角度适应的的小麦白粉病病情监测方法的有益效果包括：在监测小麦白粉病病情时允许较宽的监测视角，适用性广。
附图说明
图1为参考Field Goniometer(FIGOS)设计的一个近地多角度高光谱辅助监测平台架装置示意图。
图2为在400-900nm范围内任意两波段组合获取的白粉病胁迫状态下冬小麦冠层光谱指数NDVI与病情指数间决定系数。
图3为在400-900nm范围内任意两波段组合获取的白粉病胁迫状态下冬小麦冠层光谱指数RVI与病情指数间决定系数。
图4为修正型比值植被指数mRVI（R744/ R762+ K3×Rλ3）下调整系数的变化与病情指数间相关性图。
图5为垂直冠层角度下最优化的mRVI（R744/R762－0.5×R710）与病情指数间回归分析图。
图6为不同观测角度范围下常规植被指数NDRE与病情指数间的相关性图。
图7为不同观测角度范围下常规植被指数SAVI与病情指数间的相关性图。
图8为不同观测角度范围下常规植被指数RIDA与病情指数间的相关性图。
图9为不同观测角度范围下优化的比值植被指数mRVI（R744/R762-0.5*R710）与病情指数间的相关性图。
图10为在0°～+30°观测范围内优化比值植被指数mRVI与病情指数间回归分析图。
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。
下实施例的试验环境有：
试验1（Exp.1）：2013～2014年度大田接种田试验，试验材料为小麦品种偃展4110。10月12日播种，每个小区面积为20.3m2。在温室病圃区培养盆栽偃展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、中和轻三个发病等级，另设不接种的对照区。小麦拔节期接种，为了创造适宜的接种环境，接种小区覆盖透明塑料棚（8:00-17:00保持开放），棚内保持湿润的环境，温度10°C左右。一般10天左右，植株叶片会出现肉眼可见白色病孢，小麦拔节至孕穗期一旦感染明显，则立即拆除温棚。在孕穗期、开花期和灌浆期进行冠层光谱采集，植株采样调查病害指数。
试验2（Exp.2）：2015～2016年度自然感病田试验，试验材料为偃展4110和国麦301。10月18日播种，小区面积均为20.3 m2，三次重复。因处于围墙和畜牧场附近，地势较洼，小气候特征（通风较差，高湿，病源较多等）有利于小麦白粉病的自然发病，且病害较重，数据采集时期同试验1。
下述实施例采用的试验设备有：美国Analytical Spectral Device(ASD)公司生产的便携式地物光谱辐射仪FieldSpec Handheld Spectrometer，波段范围325-1075nm，高光谱采样间隔和光谱分辨率分别为1.5nm和3.5nm（Analytical Spectral Devices. Inc.FieldSpec Pro User’s guide.2002）。
多角度冠层光谱信息的采集需要在晴朗少云无风或微风天气条件下于当地时间10:00-14:00进行测定，采用25°光谱仪视场角在太阳主平面内进行监测，垂直于小麦冠层的监测角度定义为0°，太阳主平面指太阳与观测仪器形成的竖直平面。观测方向与太阳照射方向同侧时定义为后向（-），观测方向在太阳照测方向异侧时定义为前向（+），监测方向从后向到前向，包含13个观测角度（±60°、±50°、±40°、±30°、±20°、±10°、0°）。多角度数据的采集是参考Field Goniometer(FIGOS)设计的一个近地多角度高光谱辅助监测平台架装置如图1，光谱仪探头离目标距离在50-100cm，在每个样点冠层重复测量5次取其平均值输出作为该点的光谱反射值。在每个监测点光谱数据采集之前，用40×40cm2的BaSO4材质的参考板对反射光谱进行标准化优化。
在每个光谱采集点，随机选取20株小麦，记录小麦白粉病的发病情况。为了减少人为误差，所有的病情调查由同一人在植物保护专业人员的指导和监督下进行的。用全展开叶片的严重程度来表示采样点的发病情况，并利用网格法(菌斑面积占完全展开叶面积百分比)来计算白粉病的严重程度。常规的白粉病严重程度分为9个等级，分别为0、1、10、20、30、45、60、80和100%。利用以下公式计算群体病情指数（mDI）。
，
式中X为各梯度的级值，n为最高梯度值(n = 9)，f是各梯度的总叶片数，LAI为测试样地的小麦群体叶面积指数。
归一化类植被指数（NDVI）的计算公式为：
NDVI（λ1，λ2）=( Rλ1－Rλ2 )/ ( Rλ1 ＋Rλ2 )；
修正型归一化植被指数（mNDVI）的计算公式为：
mNDVI（λ1，λ2，λ3）=( Rλ1－Rλ2＋K1×Rλ3)/ ( Rλ1 ＋Rλ2 ＋K2×Rλ3)；
比值类植被指数（RVI）的计算公式为：
RVI（λ1，λ2）=Rλ1÷Rλ2 ；
修正型比值植被指数（mRVI）的计算公式为：
mRVI（λ1，λ2，λ3）= Rλ1/Rλ2+K3×Rλ3。
实施例1：小麦白粉病病情监测模型的构建方法，包括以下步骤：
在太阳主平面内获取白粉病胁迫状态下冬小麦冠层向正上方反射的原始光谱数据，这些原始光谱数据涵盖有400～900nm光波，以及采集时刻对应的小麦白粉病病情指数数据，在400～900nm原始反射光谱中任意取两波段（每一波段的波长间隔为2nm）组合，分别采用归一化植被指数（NDVI）和比值类植被指数（RVI）确定白粉病胁迫状态下冬小麦冠层光谱指数，采用Matlab数据分析软件分析NDVI 或RVI参数与农学参数病情严重度间拟合的决定系数（R 2 ）、标准误差（SE）和均方误差（RMSE），以R 2 等势线图的形式展示（见图2），根据图例颜色浓度确定出敏感波段区域的位置（即R 2 较大的波段区域）。图2显示小麦白粉病病情严重度的敏感区域主要位于红边和近红外波段区域，NDVI形式下敏感波段位于λ1（720nm～770nm）、λ2（720nm～870nm）。RVI形式下敏感波段位于λ1（710nm～760nm）、λ2（720nm～900nm），这些波段组合的R2均高于0.50。两种光谱指数形式的优选波段主要集中在红边区域的736～750nm和746～766nm两个范围波段的组合，在优选波段的组合上比值形式（RVI）略优于归一化形式（NDVI）。在优选波段的组合上比值形式略优于归一化形式。两种形式的最佳波段组合都是λ1=744nm，λ2=762nm，然后以λ1=744nm，λ2=762nm构建白粉病胁迫状态下冬小麦冠层指数 NDVI(744，762)或RVI（744，762）。
为解决由波长λ1和波长λ2确定的白粉病胁迫状态下冬小麦冠层光谱指数受到浓密冠层的影响饱和后，理论测出的冠层病情指数与实际的植被生长参数的误差大的技术问题。引入调整系数 K 和第三敏感波的波长 λ3照射小麦冠层时的反射率 Rλ3，构建修正型小麦白粉病病情比值植被指数公式mRVI= Rλ1/Rλ2+K×Rλ3，其中，K为系数，Rλ1、Rλ2、Rλ3分别为波长λ1、波长λ2、波长λ3对应的冠层反射率，K可以是-2，-1，-0.5，0，0.5，1或2；波长λ3∈[400，900]nm。
当修正型比值植被指数mRVI与小麦白粉病病情指数之间的决定系数R 2 >0.64时，确定对应的调整系数K和第三敏感波的波长λ3，然后分别采用波长λ1、λ2和λ3的光从太阳主平面垂直角度照射白粉病胁迫状态下冬小麦冠层，以获取对应的反射率Rλ1、Rλ2、Rλ3，并利用前述步骤获取的调整系数K、反射率Rλ1、反射率Rλ2、反射率Rλ3获取对应的修正型比值植被指数mRVI。
结果发现，在mRVI形式中，当K选择-0.5、且波长λ3选择710nm时，最优化的RVI形式为R744/R762-0.5*R710与小麦白粉病指数的相关性最强，相关系数可达到0.838（图4）。通过对两年度的数据进行统一回归分析，最优化的mRVI与小麦白粉病指数之间决定系数达到0.702（图5），这表明优化后的参数R744/R762-0.5*R710与病情指数的拟合精度较两波段优化参数RVI（R744，R762）更好，决定系数提高了27.5%。
由于植被指数对观测角度表现出较强的敏感性，为进一步探究最佳的观测角度范围，以增强植被指数的生产应用能力，挑选相关性较好的3个常规植被指数（NDRE， SAVI，RIDA3）和新筛选出的修正型比值参数（mRVI），充分比较他们在不同观测角度组合条件下对小麦冠层白粉病病情严重度的监测能力。其中，红边归一化指数NDRE，NDRE= (R790-R720)/(R790+R720) ( Barnes et al., 2000) ；土壤调节植被指数SAVI，SAVI=(1-0.08)*（R825-R735) / (R825+ R735-0.08) (Huete. , 1988) ；双峰面积比指数RIDA， (Feng et al., 2014) 。
如图6-9所示，筛选的4个植被指数在前向呈现出与病情指数的相关性（+60°～+0°，R2=0.24～0.61，RMSE=2.77～3.40）均比后向更具有优势（-60°～0°，R2=0.35～0.5，RMSE=2.93～3.73）。0°～+30°的角度组合的相关性高于0°～-30°角度组合的相关性（+30°～0°，R2=0.43～0.70，RMSE=2.43～3.35；-30°～0°，R2=0.41～0.61，RMSE=2.93～3.58）。
出乎预料的是，发明人发现各植被指数相关性表现最好的角度兼容范围均是+10°～+20°，与病情指数间表现出强相关关系且均方误差最小（NDRE：R2=0.46，RMSE=3.30；SAVI：R2=0.49，RMSE=3.19；RIDA：R2=0.50，RMSE=3.11；mRVI：R2=0.72，RMSE=2.35）；其次的角度兼容范围为0°～+30°，各参数与mDI的相关性与均方误差分别是NDRE：R 2 =0.45，RMSE=3.31；SAVI：R 2 =0.48，RMSE=3.2；RIDA：R 2 =0.48，RMSE=3.18；mRVI：R 2 =0.704，RMSE=2.43。可见，新构建的比值植被指数mRVI=R744/R762-0.5*R710与病情指数间相关关系表现出很强的优势，综合考虑生产的应用灵便性及模型监测精度，可以把适宜监测的观测角度范围扩展为0°～+30°，以提高监测仪器在生产中操作的实用性及方便性。
通过选取与病情指数关系较好的mRVI作散点图，以表现较好的前向兼容性观测角度（0°～+30°）进行回归分析，进一步展示模型的估算能力。图10显示，mRVI与病情指数呈较强的正相关关系，拟合精度和均方误差分别为0.704和2.43，这表明mRVI能够很好地减轻观测角度的影响，实现宽角度范围内统一建模。因此，新型植被指数R744/R762-0.5*R710在0°至+30°观测角度范围内对冬小麦白粉病病情进行实时精确监测。
该小麦白粉病病情监测模型的构建方法的有益效果是：适用于白粉病胁迫状态下冬小麦的监测。
实施例2：一种宽角度适应的的小麦白粉病病情监测方法，包括以下步骤：
在太阳主平面内角度范围为0°～+30°区间内获取白粉病胁迫状态下冬小麦冠层对744nm光波的反射率R744，对762 nm光波的反射率R762及对710 nm光波的反射率R710，其中，参见图1，在太阳主平面内以垂直于小麦冠层的监测角度定义为0°，观测方向与太阳照射方向同侧时定义为后向，对应于-90°～0°，观测方向在太阳照测方向异侧时定义为前向，对应于0°～+90°，；
用于监测小麦白粉病病情的修正型比值植被指数公式mRVI= R744/R762－0.5×R710，式中，R744对应于波长744nm光照射小麦冠层时的反射率数据，R762对应于波长762nm光照射小麦冠层时的反射率数据，R710对应于波长710nm光照射小麦冠层时的反射率数据。
该宽角度适应的的小麦白粉病病情监测方法的有益效果是：在监测小麦白粉病病情时允许较宽的监测视角，适用性高。
实施例3：一种宽角度适应的的小麦白粉病病情监测方法，包括以下步骤：
在太阳主平面内角度范围为+10°～+20°区间内获取白粉病胁迫状态下冬小麦冠层对744nm光波的反射率R744，对762 nm光波的反射率R762及对710 nm光波的反射率R710，，其中，在太阳主平面内以垂直于小麦冠层的监测角度定义为0°，观测方向与太阳照射方向同侧时定义为后向，对应于-90°～0°，观测方向在太阳照测方向异侧时定义为前向，对应于0°～+90°；
用于监测小麦白粉病病情的修正型比值植被指数公式mRVI= R744/R762－0.5×R710，式中，R744对应于波长744nm光照射小麦冠层时的反射率数据，R762对应于波长762nm光照射小麦冠层时的反射率数据，R710对应于波长710nm光照射小麦冠层时的反射率数据。
该宽角度适应的的小麦白粉病病情监测方法的有益效果是：在监测小麦白粉病病情时允许较宽的监测视角，适用性高。
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 (7)

1.一种小麦白粉病病情监测模型的构建方法，其特征在于，包括以下步骤：
在太阳主平面内获取白粉病胁迫状态下冬小麦冠层向正上方反射的原始光谱数据，以及对应的小麦白粉病病情指数数据，确定白粉病胁迫状态下冬小麦冠层光谱指数与小麦白粉病病情指数之间决定系数R 2 ≥0.5的第一敏感波段和第二敏感波段，第一敏感波段、第二敏感波段的波长区间均∈[400，900]nm；
从第一敏感波段中选择波长λ1，从第二敏感波段中选择波长λ2，引入调整系数K和第三敏感波长λ3照射小麦冠层时的反射率Rλ3，构建用于估测小麦白粉病的病情指数的修正型比值植被指数mRVI= Rλ1/ Rλ2+K×Rλ3，其中，K为系数，Rλ1、Rλ2、Rλ3分别为波长λ1、波长λ2、波长λ3照射小麦冠层时对应的反射率，K是-2，-1，-0.5，0，0.5，1或2；波长λ3∈[400，900]nm；
当修正型比值植被指数mRVI与小麦白粉病病情指数之间的决定系数R 2 >0.64时，确定对应的调整系数K和第三敏感波的波长λ3，然后分别采用波长λ1、λ2和λ3的光从太阳主平面垂直角度照射白粉病胁迫状态下冬小麦冠层，以获取对应的反射率Rλ1、Rλ2、Rλ3，并利用前述步骤获取的调整系数K、反射率Rλ1、反射率Rλ2、反射率Rλ3获取对应的修正型比值植被指数mRVI。
2.如权利要求1所述的小麦白粉病病情监测模型的构建方法，其特征在于，确定的所述第一敏感波段的波长区间对应于[736,750]nm，所述第二敏感波段的波长区间对应于[746,766]nm。
3.如权利要求1所述的小麦白粉病病情监测模型的构建方法，其特征在于，所述波长λ1选择为744nm，所述波长λ2选择为762nm，K选择为-0.5，波长λ3选择为710nm，白粉病胁迫状态下冬小麦冠层光谱指数选择RVI指数。
4.如权利要求1所述的小麦白粉病病情监测模型的构建方法，其特征在于，采用等势图的方式分析获取所述冬小麦冠层光谱指数与小麦白粉病病情指数之间的决定系数R 2 。
5.如权利要求1所述的小麦白粉病病情监测模型的构建方法，其特征在于，所述白粉病胁迫状态下冬小麦冠层光谱指数对应于归一化类植被指数NDVI或比值类植被指数RVI。
6.一种宽角度适应的小麦白粉病病情监测方法，其特征在于，包括以下步骤：
在太阳主平面内角度范围为0°～+30°区间内获取白粉病胁迫状态下冬小麦冠层对744nm光波的反射率R744，对762 nm光波的反射率R762及对710 nm光波的反射率R710，其中，在太阳主平面内以垂直于小麦冠层的监测角度定义为0°，观测方向与太阳照射方向同侧时定义为后向，对应于-90°～0°，观测方向在太阳照测方向异侧时定义为前向，对应于0°～+90°，用于估算小麦白粉病病情指数的修正型比值植被指数的公式为mRVI= R744/R762－0.5×R710，式中，R744对应于波长744nm光照射小麦冠层时的反射率数据，R762对应于波长762nm光照射小麦冠层时的反射率数据，R710对应于波长710nm光照射小麦冠层时的反射率数据。
7.如权利要求6所述的宽角度适应的的小麦白粉病病情监测方法，其特征在于，获取所述白粉病胁迫状态下冬小麦冠层对744nm光波的反射率R744，对762 nm光波的反射率R762及对710 nm光波的反射率R710的量测位置是在太阳主平面内角度范围为+10°～+20°区间内。
CN201811339740.2A 2018-11-12 2018-11-12 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 Active CN109596577B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811339740.2A CN109596577B (zh) 2018-11-12 2018-11-12 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811339740.2A CN109596577B (zh) 2018-11-12 2018-11-12 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

Publications (2)

Publication Number Publication Date
CN109596577A true CN109596577A (zh) 2019-04-09
CN109596577B CN109596577B (zh) 2021-03-02

Family

ID=65957625

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811339740.2A Active CN109596577B (zh) 2018-11-12 2018-11-12 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

Country Status (1)

Country Link
CN (1) CN109596577B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112131708A (zh) * 2020-08-24 2020-12-25 无锡德林海环保科技股份有限公司 基于HY-1C数据的高原湖泊叶绿素a浓度遥感反演方法
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

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101187630A (zh) * 2007-12-05 2008-05-28 北京大学 一种农田干旱监测方法
CN102435564A (zh) * 2011-09-19 2012-05-02 南京农业大学 一种基于三波段光谱指数估测植物氮含量的方法
CN103868860A (zh) * 2014-03-25 2014-06-18 辽宁师范大学 一种基于高光谱植被指数监测湿地植被冠层氮浓度的方法
US20150026139A1 (en) * 2009-10-06 2015-01-22 Dell Products L.P. Scalable mechanism for detection of commonality in a deduplicated data set
CN105784592A (zh) * 2014-12-21 2016-07-20 华东交通大学 多角度原位光谱检测番茄叶片过氧化物酶活性装置及方法
CN106934405A (zh) * 2017-03-21 2017-07-07 北京师范大学 一种中分辨率遥感影像中塑料大棚提取及盖度反演的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101187630A (zh) * 2007-12-05 2008-05-28 北京大学 一种农田干旱监测方法
US20150026139A1 (en) * 2009-10-06 2015-01-22 Dell Products L.P. Scalable mechanism for detection of commonality in a deduplicated data set
CN102435564A (zh) * 2011-09-19 2012-05-02 南京农业大学 一种基于三波段光谱指数估测植物氮含量的方法
CN103868860A (zh) * 2014-03-25 2014-06-18 辽宁师范大学 一种基于高光谱植被指数监测湿地植被冠层氮浓度的方法
CN105784592A (zh) * 2014-12-21 2016-07-20 华东交通大学 多角度原位光谱检测番茄叶片过氧化物酶活性装置及方法
CN106934405A (zh) * 2017-03-21 2017-07-07 北京师范大学 一种中分辨率遥感影像中塑料大棚提取及盖度反演的方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112131708A (zh) * 2020-08-24 2020-12-25 无锡德林海环保科技股份有限公司 基于HY-1C数据的高原湖泊叶绿素a浓度遥感反演方法
CN112131708B (zh) * 2020-08-24 2023-11-28 无锡德林海环保科技股份有限公司 基于HY-1C数据的高原湖泊叶绿素a浓度遥感反演方法
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

Also Published As

Publication number Publication date
CN109596577B (zh) 2021-03-02

Similar Documents

Publication Publication Date Title
Ishimwe et al. Applications of thermal imaging in agriculture—A review
Zhang et al. High throughput analysis of leaf chlorophyll content in sorghum using RGB, hyperspectral, and fluorescence imaging and sensor fusion
Genc et al. Determination of water stress with spectral reflectance on sweet corn (Zea mays L.) using classification tree (CT) analysis
Zhang et al. Detecting powdery mildew of winter wheat using leaf level hyperspectral measurements
CN104408307B (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
Delalieux et al. Hyperspectral indices to diagnose leaf biotic stress of apple plants, considering leaf phenology
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
Zhang et al. Monitoring daily variation of leaf layer photosynthesis in rice using UAV-based multi-spectral imagery and a light response curve model
He et al. Monitoring of wheat powdery mildew disease severity using multiangle hyperspectral remote sensing
Yang et al. Rapid determination of leaf water content for monitoring waterlogging in winter wheat based on hyperspectral parameters
CN107271372A (zh) 一种苹果叶片叶绿素遥感估测方法
Patane et al. Chlorophyll and nitrogen estimation techniques: A Review
Debuisson et al. Using Multiplex® and Greenseeker™ to manage spatial variation of vine vigor in Champagne
Jin et al. Predicting the nutrition deficiency of fresh pear leaves with a miniature near-infrared spectrometer in the laboratory
CN109596577A (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
Peng et al. Estimating total leaf chlorophyll content of gannan navel orange leaves using hyperspectral data based on partial least squares regression
Xie et al. Spectral reflectance response to nitrogen fertilization in field grown corn
Yang Nondestructive prediction of optimal harvest time of cherry tomatoes using VIS-NIR spectroscopy and PLSR calibration
Karakoc et al. Ratio-based vegetation indices for biomass estimation depending on grassland characteristics
Mullan Spectral radiometry
Stone et al. Effects of leaf age and psyllid damage on the spectral reflectance properties of Eucalyptus saligna foliage
Xu et al. A Band Math-ROC operation for early differentiation between sclerotinia sclerotiorum and botrytis cinerea in oilseed rape
Odabas et al. The Prediction of Saint John’s Wort Leaves’ Chlorophyll Concentration Index using Image Processing with Artificial Neural Network
Vega-Ibáñez et al. Estimation of midday stem water potential in grapevine leaves (Cabernet Sauvignon) using spectral reflectance indices
TANG et al. The rapid detection method of chlorophyll content in rapeseed based on hyperspectral technology

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
GR01 Patent grant
GR01 Patent grant