CN113358613B - Sisp指数探测小麦病害方法和sisp指数构建方法 - Google Patents

Sisp指数探测小麦病害方法和sisp指数构建方法 Download PDF

Info

Publication number
CN113358613B
CN113358613B CN202110568658.2A CN202110568658A CN113358613B CN 113358613 B CN113358613 B CN 113358613B CN 202110568658 A CN202110568658 A CN 202110568658A CN 113358613 B CN113358613 B CN 113358613B
Authority
CN
China
Prior art keywords
index
sif
sisp
pri
canopy
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.)
Active
Application number
CN202110568658.2A
Other languages
English (en)
Other versions
CN113358613A (zh
Inventor
竞霞
闫菊梅
邹琴
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.)
Xian University of Science and Technology
Original Assignee
Xian University of Science and Technology
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 Xian University of Science and Technology filed Critical Xian University of Science and Technology
Priority to CN202110568658.2A priority Critical patent/CN113358613B/zh
Publication of CN113358613A publication Critical patent/CN113358613A/zh
Application granted granted Critical
Publication of CN113358613B publication Critical patent/CN113358613B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01N21/64—Fluorescence; Phosphorescence
    • 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
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials

Landscapes

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

Abstract

本发明公开了一种SISP指数探测小麦病害的方法，其包括：利用归一化植被指数(NDVI)和重归一化植被指数(RDVI)对日光诱导叶绿素荧光(SIF)和光化学指数(PRI)进行处理；利用SIF和PRI构建协同冠层SIF和PRI的SISP指数；利用步骤二中构建的SISP指数进行小麦条锈病的遥感探测。本发明还公开了一种SISP指数的构建方法，其包括对PRI除以RDVI2以及对冠层SIF乘以NDVI进而构建SIF与PRI数据协同的SISP指数。本发明利用NDVI和RDVI处理后的SIF和PRI构建的SISP指数，能够减弱作物群体生物量对冠层SIF及PRI信号的影响，提高小麦条锈病的遥感监测精度。

Description

SISP指数探测小麦病害方法和SISP指数构建方法
技术领域
本发明涉及小麦条锈病遥感监测技术领域，具体是涉及一种SISP指数探测小麦病害方法和SISP指数构建方法。
背景技术
小麦条锈病是一种发病率高且危害范围广的气传真菌性病害，严重影响了小麦的安全生产，获取小麦条锈病的发病状况对其病害的防控具有重要意义。日光诱导叶绿素荧光(solar-induced chlorophyll fluorescence，SIF)是自然光条件下，植被吸收的光合有效辐射在满足光合作用的情况下以长波(650～800nm)形式发射的叶绿素荧光信号，包含丰富的光合作用信息。当植物受到病害等外部胁迫时，SIF强度随叶绿素在光能吸收、传递、转换方面的效率而改变，被认为是反映植被光合功能受植物生理状态及环境条件影响的敏感“探针”，能够及时探测到植被光合生产力、生理状况及受胁迫状况等信息，广泛应用于小麦条锈病、木薯花叶病以及高温胁迫等遥感探测。
叶绿素荧光的发射和NPQ能量的耗散均能敏感反映植物受胁状况及其光合性能，将与NPQ密切关联的光化学指数PRI与SIF进行协同研究，能够减弱叶绿素循环与类胡萝卜素/叶绿素含量比值对PRI的贡献，提高对植被冠层光合性能的评价能力。但是冠层SIF与PRI除了与植物生理过程有关外，还受冠层几何结构等因素的综合影响，而反射光谱信号对作物群体生物量具有较稳定的敏感光谱特征，能够有效反映冠层几何结构的变化。为了减弱群体生物量对冠层SIF与PRI信号的影响，进一步提高作物病害遥感探测精度，亟需构建一个新的高精度的指数。
发明内容
本发明的目的在于克服上述现有技术中的不足，提供了一种SISP指数探测小麦病害的方法，其利用NDVI和RDVI处理后的SIF和PRI构建的SISP指数，能够减弱作物群体生物量对冠层SIF及PRI信号的影响，提高小麦条锈病的遥感监测精度。
为实现上述目的，本发明采用的技术方案是：一种SISP指数探测小麦病害方法，其特征在于，包括下列步骤：
步骤一、利用归一化植被指数NDVI和重归一化植被指数RDVI对日光诱导叶绿素荧光SIF和光化学指数PRI进行处理。
步骤二、利用步骤一中处理后的日光诱导叶绿素荧光SIF和光化学指数PRI数据构建了协同冠层SIF和PRI的光谱指数SISP。
所述协同冠层SIF和PRI的光谱指数SISP为：
Figure BDA0003081765760000021
式中：PRI为光化学指数；SI为反射率光谱指数；SIF为某一单波段SIF强度；NDVI为归一化植被指数。
上述SISP指数探测小麦病害方法，其特征在于，所述某一单波段SIF强度是采用3FLD方法计算获取的O2-A波段的日光诱导叶绿素荧光SIF强度。
上述SISP指数探测小麦病害方法，其特征在于，所述反射率光谱指数SI具体的为重归一化植被指数RDVI，则所述协同冠层SIF和PRI的光谱指数SISP为：
Figure BDA0003081765760000022
式中：PRI为光化学指数；RDVI为重归一化植被指数；SIFO2-A为O2-A波段SIF强度；NDVI为归一化植被指数。
本发明还公开了一种上述SISP指数构建方法，其特征在于，包括下列步骤：
401、采用3FLD方法计算冠层单波段SIF强度并对单波段SIF强度预处理。
402、选取对冠层几何结构敏感的反射率光谱指数，通过比值变换的方式对PRI进行归一化处理，对冠层SIF乘以归一化植被指数NDVI进而构建SIF与PRI数据协同的光谱指数SISP。
上述的SISP指数构建方法，其特征在于，所述SISP指数的构建方法还包括步骤：
501、构建实验区，采集实验区冠层光谱数据；
502、实验区冠层病情指数调查。
本发明与现有技术相比具有以下优点：
1、本发明综合利用SIF和PRI数据能够提高小麦条锈病的遥感探测精度。
2、本发明利用反射率光谱指数NDVI和RDVI处理后的SIF和PRI构建的SISP指数对小麦条锈病病情指数的预测精度优于直接利用PRI和SIF两部分组合的各种指数，验证样本数据集中预测DI值和实测DI值间的R2平均提高了16.9％，RMSE平均降低了22.2％。
3、本发明利用NDVI和RDVI处理后的SIF和PRI构建的SISP指数，能够减弱作物群体生物量对冠层SIF及PRI信号的影响，提高小麦条锈病的遥感探测精度。
下面通过附图和实施例，对发明做进一步的详细描述。
附图说明
图1为本发明实施例中SIF强度与病情指数关系图。
图2为本发明实施例中基于反射率光谱指数的小麦条锈病病情严重度MLR预测模型检验图。
图3为本发明实施例中基于SISP与反射率光谱指数的小麦条锈病病情严重度MLR预测模型检验图。
图4为本发明实施例中基于反射率光谱指数的小麦条锈病病情严重度RBFN预测模型检验图。
图5为本发明实施例中基于SISP与反射率光谱指数的小麦条锈病病情严重度RBFN预测模型检验图。
具体实施方式
下面将结合具体实验及实验数据对本发明做进一步的说明，然而应当理解的是，本发明可以通过各种形式来实现，而不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本发明。
已有研究表明在反射率光谱数据中加入SIF信息能够提高小麦条锈病的遥感探测精度，因此也有一些学者综合利用反射率光谱在作物生化参数方面的优势和SIF数据对光合生理敏感的优势，协同反射率与SIF数据进行了小麦条锈病遥感探测研究。然而传感器探测到的冠层SIF为观测方向上“逃离”冠层的部分荧光信号，叶绿素荧光在“逃离”叶片和冠层的辐射传输过程中，植被对叶绿素荧光的散射效应和重吸收效应，导致叶绿素发射的荧光和传感器接收到的荧光信号不一致，其中红光区荧光(RF)与植被叶绿素的再吸收密切相关，其主要反映叶片表面或冠层上部叶片中光系统的贡献，而远红光区荧光(FRF)则反映叶片或冠层深层的信息，受植被结构特性的影响较大。因此，冠层SIF信号不仅受光合作用状态影响，与植物的生理过程有关，而且还受植物生化特性及冠层几何结构等因素的综合影响，其中叶片的光学特性和冠层几何结构变量决定了冠层SIF中的大部分可变性，约占冠层SIF总变异的77.9％。因此传感器探测到的冠层SIF信号既包含植物病害胁迫对应生理变化的荧光特征，同时也受植物群体生物量的干扰，影响了作物病害遥感探测的精度，直接利用冠层SIF监测植物的光合作用状态及胁迫状况具有一定的难度。
除叶绿素荧光外，非光化学猝灭(non-photochemical quenching，NPQ)能量耗散也是植物碳固定机制中的重要组成部分，过剩光能的耗散对于调节光能吸收和电子传递、防止光合器官的光抑制甚至光氧化具有重要作用。强光条件下，植物可通过热耗散消耗掉天线系统所吸收光能的50％以上。还有叶黄素循环在植物热耗散与抗光抑制中起到十分重要的作用，是影响NPQ能量耗散状况的重要生理过程之一。叶黄素从环氧化状态转变为脱环氧化状态可消耗过多的激发态能量，导致531nm处反射率下降，由此认为构建的光化学指数(photochemical reflectance index，PRI)是叶黄素循环的敏感光谱指数，能够敏感捕捉外界胁迫条件下植物光合性能及NPQ的变化状况。但PRI也受到作物冠层几何结构和叶片色素组成等因子的共同影响，且类胡萝卜素/叶绿素含量的比值也是影响PRI长时间尺度变化的主要因子。生理生化及冠层几何结构等因素对PRI的共同作用，影响了PRI对植被光合功能动态变化的捕捉能力，因此，消除这些因子的干扰是提高PRI监测植被生理状态受胁迫的关键。
叶绿素荧光的发射和NPQ能量耗散均能够敏感反映植物受胁状况及其光合性能，将同NPQ密切关联的PRI与SIF进行协同研究，能够减弱叶绿素循环与类胡萝卜素/叶绿素含量比值对PRI的贡献，提高对植被冠层光合性能评价能力。但是冠层SIF与PRI除与植物生理过程有关外，还受到冠层几何结构等因素的综合影响，而反射光谱信号对作物群体生物量具有较稳定的敏感光谱特征，能够有效反映冠层几何结构的变化。为了减弱群体生物量对冠层SIF及PRI信号的影响，提高作物病害遥感探测精度，本发明利用反射率光谱在作物生物物理方面的优势和SIF、PRI在光合生理方面的优势，通过归一化植被指数NDVI和重归一化植被指数RDVI对日光诱导叶绿素荧光SIF和光化学指数PRI进行处理，将处理后的日光诱导叶绿素荧光SIF和光化学指数PRI数据构建了协同冠层SIF和PRI的光谱指数SISP。即选取对冠层几何结构敏感的反射率光谱指数，通过比值变换的方式对PRI进行归一化处理，以减弱冠层几何结构等因素对PRI的影响；对冠层SIF乘以归一化植被指数(normalizeddifference vegetation index，NDVI)能够将SIF从冠层水平降尺度至光系统水平，消除冠层几何结构和外界观测条件对SIF信息的影响。基于此，本发明利用反射光谱信号对作物群体生物量具有较稳定敏感的光谱特征的优势，构建了SIF与PRI数据协同的光谱指数SISP：
Figure BDA0003081765760000061
式中：PRI为光化学指数；SI为反射率光谱指数；SIF为某一单波段SIF强度；NDVI为归一化植被指数。
下面结合具体实验过程详细说明光谱指数SISP的构建过程包括
(1)构建实验区
实验区位于河北省廊坊市中国农业科学院实验站(39°30′40″N，116°36′20″E)。小麦品种为对小麦条锈病比较敏感的铭贤169号。实验区小麦平均种植密度为113棵/m2，分为健康组(编号为A、D)和染病组(编号为B、C)，每个试验组面积为220m2，包括8个样方(A1-A8、B1-B8、C1-C8、D1-D8)。2018年4月7日对实验田灌溉充足的水分，4月9日采用浓度为0.09mg/mL的孢子溶液对小麦进行条锈病接种。
(2)采集实验区冠层光谱数据
2018年5月18日使用ASD Field Spec 4光谱仪和QE 65pro光谱仪测定小麦条锈病不同病情严重度下的冠层光谱数据，分别用于计算反射率光谱指数和估算单波段SIF强度。ASD Field Spec 4光谱仪的光谱分辨率为3nm，采样间隔1.4nm，测量光谱范围为350～2500nm。QE 65pro光谱仪的光谱分辨率为0.31nm，采样间隔为0.155nm，光谱范围为645～805nm。冠层光谱的测量时间为北京时间11∶00-12∶30，测量高度距离地面1.3m，探头视场角25°，每个采样点观测10次并对观测结果取平均作为该采样点的光谱数据，每次测量前后均用标准BaSO4参考板对冠层辐亮度数据进行校正。
(3)实验区冠层病情指数调查
冠层病情指数调查采用5点取样法，在每个样方内选取对称的5点，每点约1m2，随机选取30株小麦，分别调查其发病情况。病情严重度参照国家标准“小麦条锈病测报技术规范”(GB/T 15795)进行量化。单叶严重度分为9个梯度，依次为0，1％，10％，20％，30％，45％，60％，80％和100％的叶片病斑覆盖，分别记录各严重度的小麦叶片数，按式(2)计算不同梯度测试群体的病情指数。
Figure BDA0003081765760000071
式中：DI为病情指数，i为不同梯度值，x(i)为各梯度的级值，n为最高梯度值9，f(i)为各梯度的叶片数。
(4)采用3FLD方法计算冠层单波段SIF强度并对单波段SIF强度预处理
单波段SIF信息主要是基于夫琅禾费暗线填充原理，利用辐亮度数据提取，包括标准FLD(fraunhofer line discrimination)、3FLD(three-bands FLD)、iFLD(improvedFLD)、pFLD(PCA-based FLD)和SFM(spectral fitting method)以及基于倒高斯函数拟合的IGM-FLD(inverted Gaussian reflectance model-FLD)算法。3FLD方法估测SIF精度较高，算法的鲁棒性强，基于此本发明采用3FLD方法计算冠层SIF值，计算公式(3)～(6)所示。
Figure BDA0003081765760000072
Iout＝ωleft×Ileft+ωright×Iright，其中：
Figure BDA0003081765760000073
Lout＝ωleft×Lleft+ωright×Lright (5)
式中：Lin，Lout为夫琅和费吸收线内、外植被冠层反射的辐亮度光谱强度(μW/cm2/nm/sr)；Iin，Iout为夫琅和费吸收线内、外太阳辐照度光谱强度(μW/cm2/nm)；λin，λleft，λright为吸收线内、左、右波段的波长，ωleft，ωright为吸收线左右2个参考波段所占的权重；Ileft，Iright为吸收线左右的太阳辐照度光谱强度(μW/cm2/nm)；Lleft，Lright为吸收线左右的植被冠层反射辐亮度光谱强度(μW/cm2/nm/sr)。
将(4)式和(5)式代入(3)式，可以得到吸收线内叶绿素荧光强度
Figure BDA0003081765760000074
如(6)式所示：
Figure BDA0003081765760000081
由于SIF为瞬间观测的强度信号，不仅受到病害生理胁迫的影响，还与太阳入射的光合有效辐射强度有关。因太阳天顶角的余弦值与光照强度成正比例关系，将3FLD算法求得的单波段SIF强度除以相应的太阳天顶角余弦值，可以消除光照强度对传感器探测的SIF信号强度的影响。
Figure BDA0003081765760000082
其中：SZA为太阳天顶角。
(5)SIF波段分析与优选
由于O2-B(688nm)和O2-A(760nm)两个波段氧气吸收形成的夫琅禾费暗线特征明显，荧光较强，因此选用688nm和760nm两个波段基于3FLD算法计算不同小麦条锈病病情严重度下的小麦冠层SIF强度，分析单波段SIF强度对小麦条锈病胁迫的响应特性，选择能够敏感反映小麦条锈病胁迫信息的SIF波段，进行SISP指数的构建。由图1可以看出，随着小麦条锈病病情指数的增加，O2-B和O2-A波段的SIF强度减小，这是因为随着小麦条锈病病情严重度的增加，小麦叶片叶绿素含量迅速降低，作物光合作用活性减弱，植被吸收光合有效辐射APARChl(absorbed photosynthetic active radiation)降低，而SIF主要由APARChl驱动，因此随着APARChl的降低，SIF信号也随之降低，SIF与小麦条锈病病情指数间呈负相关关系。由单波段SIF相对强度与小麦条锈病病情指数之间的决定系数R2可以看出，基于3FLD算法估测的O2-A吸收线(760nm)处的叶绿素荧光相对强度与小麦条锈病病情指数达到了极显著负相关，其相关性优于O2-B吸收线(688nm)处的SIF强度，这是因为O2-B波段处于植被反射率光谱的“红边”位置，反射率光谱形状复杂且变化剧烈，荧光和反射率光谱形状难以精确拟合，导致在O2-B波段的荧光反演精度较低。本实施例中选取O2-A吸收线处的SIF强度进行SISP光谱指数的构建。
(6)反射率光谱指数分析与优选
为了选取合适的反射率光谱指数对PRI进行归一化处理，本发明选取NDVI、重归一化植被指数(re-normalized vegetation index，RDVI)、比值植被指数(ratio vegetationindex，RVI)、修正简单植被指数(modified simple ratio index，MSR)、绿度归一化植被指数(green normalized difference vegetation index，GNDVI)以及优化土壤调节指数(optimized soil-adjusted vegetation index，OSAVI)6个与冠层几何结构相关的反射率光谱指数分别与PRI进行比值运算，并分析不同反射率光谱指数构建的SISP与小麦条锈病病情指数的相关性。
表1不同反射率光谱指数构建的SISP与病情指数的相关性
Figure BDA0003081765760000091
由表1可以看出，利用反射率光谱指数RDVI2对公式(1)中的PRI进行归一化构建的光谱指数SISP与小麦条锈病病情指数的相关性最高，因此本研究选择RDVI2作为归一化PRI的最优光谱指数，参与构建指数SISP。
(7)SISP指数构建
叶绿素荧光和NPQ能量耗散均能够反映病害胁迫信息，同单一的冠层SIF或PRI相比，将二者结合一方面能够提高对植被冠层光合性能评价能力，另一方面能够减弱叶绿素循环与类胡萝卜素/叶绿素含量比值对PRI的贡献。然而冠层SIF与PRI同时受到生理过程以及冠层几何结构等因素的共同作用，严重影响了二者对植被光合功能变化及受胁状况的捕捉能力。因此本研究协同优选的SIF波段(O2-A波段)和PRI，并利用反射率光谱指数RDVI对其进行处理，并在此基础上构建了协同SIF和PRI的光谱指数SISP。
Figure BDA0003081765760000101
式中：PRI为光化学指数；RDVI为重归一化植被指数；SIFO2-A为O2-A波段SIF强度；NDVI为归一化植被指数。
(8)SISP指数的有效性评价
为了能够更加客观的评价SISP指数在小麦条锈病遥感探测中的有效性，保证评价结果的可靠性，在有限样本容量下尽可能减弱样本数据对评价结果的影响，本实施例将62个原始样本随机分为两部分，其中45个数据(40个染病样本，5个健康样本)作为训练样本用于模型构建，剩余的17个数据(16个染病样本，1个健康样本)作为验证样本用以模型评价，并重复进行3次随机分组(记为Ⅰ、Ⅱ、Ⅲ3组)，分别利用这3组数据建立小麦条锈病病情指数预测模型，并进行精度分析。
本实施例选用能够反映叶片形态和叶倾角分布的结构光谱指数、能反映在病害胁迫下叶绿素浓度和花青素变化的色素指数、与氮含量直接相关的氮素指数、与植物胁迫有关的红边反射率指数以及对生理变化敏感的光谱指数(表2)、冠层SIF、PRI以及二者的变换组合指数与本研究构建的SISP指数进行对比分析，以评价SISP指数监测小麦条锈病的有效性。
表2反射率光谱指数及其表达式
Figure BDA0003081765760000102
Figure BDA0003081765760000111
注:R表示反射率，其下标代表波段位置。L是土壤调节系数，该系数与植被密度有关，由实际区域条件确定，用来减小植被指数对不同土壤反射变化的敏感性，L取0.5。
基于线性回归分析方法分别利用表2中的反射率光谱指数、冠层SIF、PRI与SIF的变换组合特征以及本实施例提出的SISP指数构建了小麦条锈病的遥感探测模型，3个样本组各变量预测DI和实测DI之间的R2及RMSE如表3所示。
表3不同光谱指数的小麦条锈病监测精度
Figure BDA0003081765760000112
Figure BDA0003081765760000121
注：*和**分别表示显著性水平为0.05和0.01，Norm表示归一化形式。
由表3可以看出，综合利用PRI和SIF数据能够提高小麦条锈病的预测精度。将PRI与SIF简单组合的加和、差值、比值、归一化4种形式中，简单相加的PRI+SIF具有最高的监测精度。以PRI+SIF为自变量构建的小麦条锈病遥感监测模型中，3组训练集样本预测DI值和实测DI值之间的R2比单一的PRI指数和SIF至少提高了9.9％和3.7％，RMSE至少降低了4.6％和2.3％；验证集样本中预测DI值和实测DI值之间的R2比PRI指数和SIF至少分别提高了14％和1.7％，RMSE至少分别降低了7.1％和3.7％。这是因为PRI是叶黄素循环的敏感光谱指数，能够敏感捕捉NPQ的变化状况，SIF和NPQ能量耗散都是植物碳固定机制中的重要组成部分，将二者结合能够减弱叶绿素循环与类胡萝卜素/叶绿素含量比值对PRI的贡献，提高对植被冠层光合性能的评价能力，进而提高作物病害的遥感探测精度。
利用NDVI和RDVI处理后的PRI/RDVI2和SIF×NDVI构建的模型精度较处理前的PRI、RDVI、SIF、NDVI均有不同程度的提高。由表3可知，对PRI/RDVI2和SIF×NDVI简单组合的加和、差值、比值以及归一化4种形式中，利用加和的PRI/RDVI2+SIF×NDVI构建的SISP具有最高的监测精度，为监测小麦条锈病的最佳指数。在以SISP为自变量构建的小麦条锈病遥感监测模型中，3组训练集样本预测DI值和实测DI值之间的R2较PRI/RDVI2和SIF×NDVI至少分别提高了37％和18％，RMSE至少降低了19％和13％；验证集样本中预测DI值和实测DI值之间的R2比PRI/RDVI2和SIF×NDVI至少分别提高了38％和4％，RMSE至少分别降低了38％和9％。SISP指数对小麦条锈病的预测精度也优于PRI+SIF，3组样本数据中训练集预测DI值和实测DI值之间的R2比PRI+SIF指数至少提高了17.5％，RMSE至少降低了12.5％；验证集样本预测DI值和实测DI值之间的R2比PRI+SIF指数至少提高了3.7％，RMSE至少降低了10.1％。这是因为反射光谱信号对群体生物量具有较稳定的敏感光谱特征，在构建SIF与PRI协同的小麦条锈病遥感监测指数SISP时，利用对冠层几何结构敏感的反射率光谱数据对SIF和PRI进行处理，能够减弱冠层几何结构等因素对传感器探测到的SIF光谱的影响，提高SISP指数对植被光合功能变化及受胁状况的捕捉能力，从而提高小麦条锈病监测精度。
利用NDVI和RDVI处理后的SIF和PRI构建的SISP指数对小麦条锈病的监测精度优于传统的反射率光谱指数。3组样本数据中以SISP为自变量构建的小麦条锈病监测模型中，训练集样本预测DI值和实测DI值之间的R2比NPCI指数至少提高了8.2％，RMSE至少减少了6.7％；验证集样本预测DI值和实测DI值之间的R2至少提高了5.4％，RMSE至少减少了9.5％，这是因为传统反射率光谱指数主要反映植被结构性质及生物化学性质的变化情况，而SISP协同了SIF以及与NPQ密切关联的PRI 2种指标，能够综合反映作物的生理变化特征和光合作用信息，提高作物病害遥感探测精度。
以新构建的SISP指数以及与小麦条锈病达到0.01极显著水平的NPCI、PSRI、RENDVI、NRI、SIPI、ARI和MSR7个反射率光谱指数为自变量，分别利用MLR和RBFN 2种算法构建了小麦条锈病监测模型，并将其与仅利用NPCI、PSRI、RENDVI、NRI、SIPI、ARI和MSR 7个反射率光谱指数构建的模型精度进行对比分析(表4)，以评价SISP指数对小麦条锈病遥感监测模型精度的影响。
表4不同模型算法的小麦条锈病监测精度
Figure BDA0003081765760000141
由表4可以看出，在反射率光谱指数中加入SISP指数后，3个训练集样本组中，MLR和RBFN模型对小麦条锈病严重度的估测精度均有一定程度的提高，其中MLR模型预测DI值和实测DI值间的R2较反射率光谱模型分别提高了9.07％，17.73％和13.46％，RMSE分别减少了11.41％，20.57％和16.20％。RBFN模型预测DI值和实测DI值间的R2较反射率光谱模型分别提高了4.88％，20.37％和8.23％，RMSE分别减少了7.44％，24.93％和14.22％，这说明在反射率光谱数据中加入SISP指数可以提高小麦条锈病的遥感探测精度。
为了保证评价结果的稳定性和可靠性，提高模型的泛化能力，本研究采用保留样本交叉检验方式，利用建模剩余的17个数据作为验证样本，分别对基于MLR和RBFN所构建的反射率光谱指数模型以及反射率光谱指数协同SISP的小麦条锈病病情严重度监测模型进行检验如图2-图5，图中横坐标为实测小麦条锈病病情指数，纵坐标为不同模型预测的小麦条锈病病情指数，实线表示1:1关系线，虚线表示DI的实测值与预测值拟合的回归线。
由图2～图5可知，3组验证样本数据集中，综合利用SISP与反射率光谱指数为自变量的模型验证精度较同组仅以反射率指数为自变量的模型精度均有不同程度的提高，其中MLR和RBFN模型预测DI值和实测DI值间的R2较同组反射率光谱指数至少提高了6.29％和2.04％，平均提高了13.42％和5.72％；RMSE较同组反射率光谱指数至少减少了18.73％和5.11％，平均减少了29.93％和19.24％；RPD较同组反射率光谱指数至少提高了23.02％和5.36％，平均提高了44.53％和29.80％。综合分析表4、图2～图5可知，无论是训练集样本还是验证集样本，加入SISP指数后，3个样本组中MLR和RBFN模型对小麦条锈病严重度的估测精度均优于仅利用反射率光谱指数的模型精度，综合考虑小麦生理变化和光合作用的SISP指数能够提高小麦条锈病病情指数的预测精度。
以上所述，仅是发明的较佳实施例，并非对发明作任何限制，凡是根据发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变换，均仍属于发明技术方案的保护范围内。

Claims (3)

1.一种SISP指数探测小麦病害的方法，其特征在于，包括下列步骤：
步骤一、利用归一化植被指数NDVI和重归一化植被指数RDVI对日光诱导叶绿素荧光SIF和光化学指数PRI进行处理；
步骤二、利用步骤一中处理后的日光诱导叶绿素荧光SIF和光化学指数PRI数据构建了协同冠层SIF和PRI的光谱指数SISP；
所述协同冠层SIF和PRI的光谱指数SISP为：
Figure DEST_PATH_IMAGE002
式中：PRI为光化学指数；SI为反射率光谱指数RDVI2；SIF为某一单波段SIF强度，所述某一单波段SIF强度是采用3FLD方法计算获取的O2-A波段的日光诱导叶绿素荧光SIF强度，其中，所述O2-A波段的波长为760nm；NDVI为归一化植被指数。
2.一种如权利要求1中所述的SISP指数构建方法，其特征在于，包括下列步骤：
401、采用3FLD方法计算冠层单波段SIF强度并对单波段SIF强度预处理；
402、选取对冠层几何结构敏感的反射率光谱指数，通过比值变换的方式对PRI进行归一化处理，对冠层SIF乘以归一化植被指数NDVI进而构建SIF与PRI数据协同的光谱指数SISP。
3.按照权利要求2所述的SISP指数构建方法，其特征在于，所述SISP指数的构建方法还包括步骤：
501、构建实验区，采集实验区冠层光谱数据；
502、实验区冠层病情指数调查。
CN202110568658.2A 2021-05-25 2021-05-25 Sisp指数探测小麦病害方法和sisp指数构建方法 Active CN113358613B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110568658.2A CN113358613B (zh) 2021-05-25 2021-05-25 Sisp指数探测小麦病害方法和sisp指数构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110568658.2A CN113358613B (zh) 2021-05-25 2021-05-25 Sisp指数探测小麦病害方法和sisp指数构建方法

Publications (2)

Publication Number Publication Date
CN113358613A CN113358613A (zh) 2021-09-07
CN113358613B true CN113358613B (zh) 2022-11-04

Family

ID=77527331

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110568658.2A Active CN113358613B (zh) 2021-05-25 2021-05-25 Sisp指数探测小麦病害方法和sisp指数构建方法

Country Status (1)

Country Link
CN (1) CN113358613B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117423003B (zh) * 2023-12-19 2024-03-19 山东科技大学 一种冬小麦越冬期苗情分级遥感监测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008131905A1 (de) * 2007-04-26 2008-11-06 Hans Joachim Bruins Verfahren und vorrichtung zur charakterisierung einer pflanzenprobe
CN109241659A (zh) * 2018-09-27 2019-01-18 江汉大学 一种估算菜用大豆叶片叶绿素a/b比值的方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108830249B (zh) * 2018-06-26 2021-12-03 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
SE542770C2 (en) * 2018-11-27 2020-07-07 Aakash Chawade Methods, models and systems for predicting yellow rust in wheat crops
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
CN110553999A (zh) * 2019-07-04 2019-12-10 浙江大学山东工业技术研究院 基于高光谱和叶绿素荧光成像融合的柑橘黄龙病检测方法
CN111832507B (zh) * 2020-07-20 2024-04-09 安徽大学 基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008131905A1 (de) * 2007-04-26 2008-11-06 Hans Joachim Bruins Verfahren und vorrichtung zur charakterisierung einer pflanzenprobe
CN109241659A (zh) * 2018-09-27 2019-01-18 江汉大学 一种估算菜用大豆叶片叶绿素a/b比值的方法

Also Published As

Publication number Publication date
CN113358613A (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
Li et al. Discriminating varieties of tea plant based on Vis/NIR spectral characteristics and using artificial neural networks
Mahlein et al. Development of spectral indices for detecting and identifying plant diseases
Jain et al. Use of hyperspectral data to assess the effects of different nitrogen applications on a potato crop
US11054368B2 (en) System for detection of disease in plants
Cao et al. Hyperspectral inversion of nitrogen content in maize leaves based on different dimensionality reduction algorithms
Huang et al. Detection of scab in wheat ears using in situ hyperspectral data and support vector machine optimized by genetic algorithm
Du et al. Application of spectral indices and reflectance spectrum on leaf nitrogen content analysis derived from hyperspectral LiDAR data
CN113358613B (zh) Sisp指数探测小麦病害方法和sisp指数构建方法
Peng et al. Winter wheat canopy water content monitoring based on spectral transforms and “three-edge” parameters
Huang et al. Monitoring of wheat scab using the specific spectral index from ASD hyperspectral dataset
CN110779875B (zh) 一种基于高光谱技术检测冬小麦麦穗水分含量的方法
US20220196556A1 (en) Remote sensing of plant photosynthetic capacity
Liu et al. Diagnosis of citrus greening using raman spectroscopy-based pattern recognition
Ren et al. Monitoring of winter wheat stripe rust by collaborating canopy SIF with wavelet energy coefficients
CN115684107B (zh) 一种基于日光诱导叶绿素荧光指数的水稻盐胁迫早期定量监测方法
Liu et al. Characteristic bands extraction method and prediction of soil nutrient contents based on an analytic hierarchy process
Sun Crop vegetation indices
Lin-Sheng et al. Continuous wavelet analysis for diagnosing stress characteristics of leaf powdery mildew
Liu et al. Hyperspectral discrimination and response characteristics of stressed rice leaves caused by rice leaf folder
Hameed et al. Modified Vegetation Detection Index Using Different-Spectral Signature
Feng et al. Monitoring leaf pigment status with hyperspectral remote sensing in wheat
Zhao et al. Characterization of the rice canopy infested with brown spot disease using field hyperspectral data
Zhang et al. A highly chlorophyll-sensitive and LAI-insensitive index based on the red-edge band: CSI
Jia et al. Inversion of chlorophyll fluorescence parameters on vegetation indices at leaf scale
Delalieux et al. Detection of biotic stress (Venturia inaequalis) in apple trees using hyperspectral analysis

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