結合冠層光譜和葉片生理觀測的小麥條銹病監測模型研究

艾效夷,　宋偉東,　張競成,　王保通,　楊貴軍,　黃文江

(1. 遼寧工程技術大學測繪與地理科學學院,阜新　123000; 2. 國家農業信息化工程技術研究中心,北京　100097; 3. 旱區作物逆境生物學國家重點實驗室, 西北農林科技大學,楊凌　712100;4. 中國科學院遙感與數字地球研究所,數字地球重點實驗室,北京　100094)

?

結合冠層光譜和葉片生理觀測的小麥條銹病監測模型研究

艾效夷1,2,宋偉東1,張競成2*,王保通3,楊貴軍2,黃文江4

(1. 遼寧工程技術大學測繪與地理科學學院,阜新123000; 2. 國家農業信息化工程技術研究中心,北京100097; 3. 旱區作物逆境生物學國家重點實驗室, 西北農林科技大學,楊凌712100;4. 中國科學院遙感與數字地球研究所,數字地球重點實驗室,北京100094)

通過開展小麥條銹病接種試驗,在多個關鍵生育期獲取被動式的冠層光譜和主動式的葉片生理觀測并開展病情調查。在此基礎上,結合優選的光譜特征和生理特征采用偏最小二乘回歸方法(PLSR)構建病情嚴重度反演模型,得到不同生育期精度表現最優的特征組合。結果顯示,基于光譜觀測的優選光譜特征和基于葉片生理觀測的Flav(類黃酮相對含量)、Chl(葉綠素含量)的不同組合在小麥挑旗期、灌漿早期和灌漿期分別具有較佳表現,模型精度達到r2=0.90,RMSE=0.026。相比單純采用光譜特征,綜合冠層光譜和葉片生理觀測能夠使模型精度提高21%,表明兩種數據的結合有利于提高病情嚴重度估測精度。上述研究可為小麥病害監測儀器的開發提供新的模式和思路。

光譜特征;葉片生理;小麥條銹病;PLSR;Dualex 4

小麥條銹病是一種發病率高的大區域流行性病害,給我國的小麥生產造成了極大損失[1]。每年國家投入大量農藥用于防治該病。在田間對該病進行有效的監測,實時掌握病害發生的范圍、程度,有助于判斷病害的發展趨勢,采取科學合理的防治措施,降低防治成本,減輕環境負荷。近年來,除傳統病害田間調查外,一些無損快速診斷技術被應用于作物病害和其他脅迫的監測和診斷上[2]。這方面研究目前主要集中在基于光譜原理的探測方式上,包括被動式冠層光譜和主動式速測儀器等觀測方式。在冠層光譜分析方面,目前,國內外學者對作物病蟲害進行了大量研究,取得了一定的進展,研究內容大致分為以下兩個方面:第一方面研究了病蟲害脅迫光譜響應波段的位置,如競霞等[3]利用ASD光譜儀測量棉葉光譜反射率,結果表明紅光波段680～700 nm是棉花單葉黃萎病病情嚴重度識別的最佳波段;Liu等[4]通過ASD獲取水稻稻穗的光譜信息,分析發現450～850 nm波段的反射率變化與水稻穎枯病具有相關性;第二方面研究基于各類植被指數進行病蟲害監測,如Steddom等[5]利用歸一化植被指數(NDVI)、花青素反射指數(ARI)對甜菜病害進行了監測;Yang等[6]采用綠度植被指數(GNDVI)和土壤調節植被指數(SAVI)對水稻病害進行監測,決定系數均達到0.8以上。另外值得注意的是,近年來基于光譜、熒光原理的主動式儀器被廣泛應用于對作物生理活性及脅迫狀態的診斷上。由于該類儀器以主動方式在相對密閉的環境中對作物進行觀測,能夠在很大程度上避免一些環境干擾,測量參數往往具有較高的精度和穩定性。Tremblay等[7-9]在玉米和小麥的研究中發現相對葉綠素含量(SPAD值)與相對多酚含量(Dualex值)的比值在氮營養狀況診斷方面比單一指標更加敏感和穩定。Cerovic等[10]對玉米和小麥進行研究,結果表明Dualex估測葉片葉綠素濃度與實測值高度線性相關;余偉烽等[11]在對水稻的研究中也發現了類似的結果,Dualex估測的葉綠素值與水稻葉片葉綠素濃度成極顯著線性相關(P<0.001)。

作物冠層光譜由于具有豐富的譜段信息,能夠較靈敏地響應作物整體生長及環境狀況。但引起冠層光譜變化的因素很多,關系較為復雜,因此冠層光譜與植物生理活性和生化狀態的關系有時并不穩定。而基于光譜、熒光原理的主動式儀器由于能夠獲得較為穩定的植物生理活性和生化狀態參量,與冠層光譜信息形成很好的互補關系。為此,本研究提出嘗試將上述兩種觀測方式結合進行小麥條銹病監測。根據國內外文獻調研,罕有該方面的研究或報道。本文以控制試驗方式設置小麥條銹病發生現場及正常對照區域,基于經典的ASD Field Spec光譜儀和Dualex 4葉片測量儀在重要生育期中對作物進行觀測,在特征優選的基礎上構建小麥條銹病病情嚴重度反演模型,檢驗綜合兩種觀測方式的模型是否有助于提高病情監測精度,并對應用可行性和可能存在的問題進行討論。

1　材料與方法

1.1試驗方案

試驗地位于北京市昌平區小湯山國家精準農業示范研究基地。土壤有機質含量約為14 g/kg,堿解氮為63.3 mg/kg,速效鉀為123.4 mg/kg。試驗田塊長100 m,寬50 m。本試驗選用易感條銹病的‘京9843’。2014年4月5日采用噴霧法進行接種。接種菌源為甘肅省農業科學院植物保護研究所提供的條銹病夏孢子混合生理小種,設置0.03、0.09、0.12 mg/mL 3個不同的濃度梯度處理,以制造不同的發病梯度,每個處理設置2個重復。接種在17:00開始,用小型噴霧器將制備好的孢子懸浮液噴在植株葉片上,接種后蓋上塑料薄膜,過夜,次日清晨9:30左右揭去塑料薄膜,完成接種。顯癥后分別在小麥挑旗期、灌漿早期和灌漿期進行冠層光譜和生理生化參數的測試。

1.2數據獲取及測試

1.2.1冠層光譜測量

本研究冠層光譜獲取采用美國ASD公司生產的ASD Field SpecPro FR(350-2500)便攜式光譜儀(圖1)。波長范圍350～2 500 nm,波長精度±1 nm,采樣時間10次/s,光譜采樣間隔在350～1 050 nm范圍內為1.377 nm;在1 000～2 500 nm范圍內為2 nm;光譜分辨率在350～1 000 nm范圍內為3 nm;在1 000～2 500 nm范圍內為10 nm。觀測時將探頭垂直向下,高度始終保持離地面1.3 m,探頭為25°視場角,地面視場范圍直徑為50 cm。每小區測量20次,每次測量前后均用標準的參考板進行校正,之后通過反射率值和DN灰度值進行轉換。

(1)

計算出目標物的反射率值,將20次的反射率值平均,作為該小區小麥冠層光譜反射率值。所有測試均在晴朗無云天氣條件下完成,并于地方時間10:00-14:00進行。

圖1　ASD Field SpecPro FR (350-2500) 便攜式光譜儀(左),Dualex 4葉片測量儀(右)Fig.1　ASD Field SpecPro spectrometer(left), Dualex 4(right)

1.2.2植物生理生化參數速測

采用法國Force-A公司開發的Dualex 4(Dx4)葉片測量儀獲取小麥的類黃酮相對含量(Flav)、葉綠素相對含量(Chl)及氮平衡指數(NBI)(圖1)。Dx4是新型的熒光傳感器,通過雙重激發的葉綠素熒光來獲取葉片表皮的紫外光(375 nm)吸收率,進而評估葉片的類黃酮含量[12];Dx4估測葉片葉綠素含量所采用的波段為850 nm和710 nm,計算公式為:

(2)

其中Chl為Dx4估測的葉綠素濃度,T850和T710為850 nm和710 nm的葉片透射率,k為比例系數,c為校正系數[11]。當植物受到病害脅迫時,葉綠素被破壞,類黃酮作為植物抗毒素含量增加[13],引起NBI值的改變,即可對植物的病害狀況進行實時監測。每個小區選取30片葉子進行測定,取其均值作為該小區的氮平衡指數、葉綠素相對含量和類黃酮相對含量。

1.2.3病情指數(DI)調查

主要采取5點調查法,即在條銹病開始出現病癥后,在處理小區內調查反應型和嚴重度,每塊小區選取對稱的5點,每點約1 m2,隨機選取30株小麥,分別調查其發病情況。病情嚴重度參照國家標準“小麥條銹病測報技術規范”(GB/T 15795)[14]進行量化。單葉嚴重度分為9個梯度,即:0%、1%、10%、20%、30%、45%、60%、80%和100%的葉片病斑覆蓋。分別記錄各嚴重度的小麥葉片數,計算病情指數。公式為:

(3)

其中,DI為病情指數,x各梯度的級值,n為最高梯度級值9,f為各梯度的葉片數。

1.3數據分析及處理

1.3.1植被指數計算

基于兩種儀器獲得的觀測結果需要通過一些特征形式進行表示,作為病害監測模型輸入變量。其中,冠層光譜數據則通過計算不同形式植被指數,用以表征作物某方面特征或狀態。本研究系統歸納和整理了常用于作物病蟲害監測的11個高光譜(Hyp)植被指數和9個多光譜(MS)植被指數(表1)。這些特征包括如SAVI等適用于減弱土壤背景影響的指數;短波紅外水脅迫指數(SIWSI)、疾病水脅迫指數(DSWI)、水分脅迫指數(MSI)、水分指數(WI)等植被水分含量監測的指數;以及NDVI、ARI、三角植被指數(TVI)、比值植被指數(SR)、光化學植被指數(PRI)、氮反射率指數(NRI)、歸一化葉綠素比值指數(NPCI)等在以往病害監測研究中被報道對小麥病害敏感的指數[15-16]。其中,多光譜植被指數參考Landsat-8 TM通道范圍和響應,基于高光譜數據根據相關通道的通道響應函數進行積分得到寬波段反射率。再進一步基于這些轉換后的寬波段反射率計算多光譜指數。本研究基于實測數據檢驗這些植被指數響應情況,對特征進行選擇。

1.3.2植被指數優選

為提高模型效率和避免信息冗余,在1.3.1部分所述植被指數基礎上,優選對病害敏感的植被指數作為模型輸入變量。為此,本研究采用以下兩個標準進行變量選擇:首先,將植被指數逐一與DI進行相關性分析,相關性越高表明對病情嚴重度越敏感,保留相關性達到極顯著水平(P<0.001)的植被指數進行后續分析。在此基礎上,對植被指數進行逐對的相關分析,若R2>0.9,則淘汰與DI相關性相對較低的植被指數,直至剩余的指數間R2均低于0.9。上述流程對高光譜和多光譜指數獨立進行分析,將滿足條件的特征分別用于構建病情嚴重度反演模型。

表1　用于小麥條銹病病情監測的植被指數名稱與形式1)Table 1　The names and forms of vegetation indexes for wheat stripe rust disease monitoring

1) RNIR表示近紅外波段反射率;RR表示可見光-紅波段反射率。

RNIR: Reflectance of near-infrared band; RR: Reflectance of red band.

1.3.3小麥條銹病病情嚴重度反演模型

本研究基于冠層光譜和植物生理生化兩方面特征進行小麥條銹病病情嚴重度反演建模分析。其中,植物生理生化速測參數方面直接采用Dx4儀器測量的Chl、NBI、Flav;冠層光譜特征(SF)采用1.3.2部分優選特征。為比較不同特征組合對模型效果的影響,分別對下列8種變量組合形式逐一進行測試:(1)SFs;(2)SFs和Chl;(3)SFs和Flav;(4)SFs和NBI;(5)SFs和Chl、Flav;(6)SFs和Chl、NBI;(7)SFs和Flav、NBI;(8)SFs和Chl、Flav、NBI。在反演方法上,采用能夠有效消減變量間相關性影響的偏最小二乘回歸分析(partial least square regression,PLSR)進行建模和驗證。在時相上,分別對小麥挑旗期和灌漿早期(S1)、灌漿期(S2)以及整個生育期進行獨立的建模和驗證分析,以得到不同時相下最優的特征組合及模型。由于小麥生育早期,病害發生程度較輕,植株生理生化組分變化不明顯,因此本次將挑旗期和灌漿早期合并作為一個時期進行研究。在驗證方面,采用留一的交叉驗證方法進行評估,采用預測值與實測值的決定系數(R2)以及標準誤差(RMSE)作為精度評價指標。

2　結果與分析

2.1光譜及與生理參數對病情的響應分析

由小麥條銹病病情指數與各生理生化參數之間在不同生育期及整個生育期的相關分析結果來看,小麥生理參數Chl、Flav、NBI在S1時期與DI之間相關性不顯著(P>0.05),其中Flav和NBI相關系數分別為0.246和-0.317,Chl與DI幾乎無相關性。而在S2和整個生育期,各參數特征與DI均達到極顯著相關,Chl、Flav和NBI分別在S2和整個生育期與DI的相關系數達到最高值為0.663、0.601和0.714;以上結果可能的原因是,小麥被條銹病侵染初期,生理生化參數受病害影響較小,與DI相關性不高,但隨著生育期的推進和病情嚴重度的加重,葉綠素大量被破壞,類黃酮含量增加,導致NBI減小,因而在發病率逐漸升高的小麥生育后期Chl、Flav、NBI可作為DI的估測因子。

基于1.2.4計算得到的11個高光譜植被指數和9個多光譜植被指數與DI進行相關性分析。小麥整個生育期多光譜植被指數與高光譜植被指數與DI間相關性均達到P<0.001的顯著性水平(圖2)。其中,多光譜植被指數MSI與DI的相關系數最高,R達到0.632。本次研究基于1.4.1部分內容分別篩選出MSI、ARI、NRI、PRI、WI5個高光譜植被指數和NDVI、GNDVI、SAVI、SIWSI、TVI5個多光譜植被指數共10個光譜特征用于構建病情反演模型。

圖2　小麥整個生育期光譜特征與DI相關性分析結果Fig.2　The correlation analysis of wheat whole growth period spectrum characteristics and DI

圖3展示了所選植被指數在小麥不同生育期與DI的相關系數,除GNDVI、SIWSI、MSI、WI這4個植被指數在S1時期與DI相關系數較小外,其余植被指數在小麥不同生育期與DI的相關性均達到顯著相關,且S2時期的光譜特征對病害表現出較強的光譜響應。

圖3　小麥不同生育期光譜特征與DI相關性分析結果Fig.3　The correlation analysis of wheat spectrum characteristics and DI at different stages

在這些光譜特征中,多光譜植被指數NDVI、SAVI、TVI和高光譜植被指數PRI、ARI、NRI在S1和S2時期與DI都表現出較高的相關性。其中,NDVI和TVI因小麥葉綠色在可見光和近紅外波段對電磁波的吸收輻射特性以及SAVI因可以有效減弱土壤背景對冠層光譜的影響對DI都表現出持續的光譜響應;ARI和NRI能夠有效反映出病害脅迫下植物冠層的花青素和葉綠素濃度的變化;PRI能夠直接反映出植物體光合效率的改變,而這種改變往往會先于色素含量的變化,因而對于小麥條銹病的早期監測具有一定的優勢[38]。而多光譜植被指數SIWSI、MSI和高光譜植被指數WI3個水分監測指數在S1時期與DI相關性較低,而在S2時期相關性高達0.574、0.609和0.740,這種規律性和病害侵染小麥植株的生理過程有關。在較早的生育期中,條銹病菌大量繁殖,但病菌造成的破壞仍不明顯,沒有在葉片上大幅度顯癥,植株生化組分尚未產生顯著變化[38]。隨著病菌對植株侵染的加強,植株的部分器官開始出現明顯的癥狀,從而引起一系列光譜特征的響應[39]。其中,Huang等[15]和Devadas等[16]曾報道PRI和ARI在冠層尺度對病害敏感,與本研究中結果一致。

2.2不同參數組合估算病情嚴重度模型比較

本研究根據小麥挑旗期和灌漿早期、灌漿期及整個生育期分別構建病情反演模型,將高光譜和多光譜植被指數分別和生理參數等多個敏感因子與DI建立回歸模型。整體來看,S1時期的模型精度達到P=0.001極顯著水平的變量組合最少;S2和整個生育期下基于8個變量組合構建的模型精度均達到極顯著水平。由表2、3、4可知,大多數模型的估測精度的決定系數R2在0.3～0.9范圍內,均方根誤差RMSE在0.02～0.2范圍內。

表2　挑旗期和灌漿早期小麥條銹病病情嚴重度反演模型精度1)Table 2　The precision of the inversion model of wheat stripe rust disease severity at flag leaf stage and grain-filling early stage

1)SFs表示光譜特征;Hyp表示高光譜;MS表示多光譜;優選組合以下畫虛線標示。下同。

SFs: Spectrum features;Hyp: Hyperspectral;MS: Multispectral; The dotted line indicates the optimum combination. The same below.

從不同時期來看,小麥S1時期,高光譜植被指數與Flav為變量的模型決定系數最高達到0.905;多光譜植被指數與Flav的模型精度R2值為0.549。結果顯示(表2),加入了Flav估測因子的模型(圖4),因考慮到類黃酮含量在作物受到病害脅迫后顯著增加以抑制病蟲害增長的影響,在估測小麥條銹病病情方面的表現都要優于光譜特征。故選擇SFs與Flav構建的模型為小麥S1時期的最優模型。

表3　灌漿期小麥條銹病病情嚴重度反演模型精度Table 3　The precision of the inversion model of wheat stripe rust disease severity at grain filling stage

表4　整個生育期小麥條銹病病情嚴重度反演模型精度Table 4　The precision of the inversion model of wheat stripe rust disease severity on the whole growth period

圖4　挑旗期和灌漿早期小麥條銹病病情嚴重度反演模型預測DI值與實測值散點圖Fig.4　Scatter plots between measured DI and estimated DI at flag leaf stage and grain-filling early stage

小麥S2時期(表3),SFs與Chl、Flav構建的估算模型,其決定系數為R2(SFHyp)=0.770,R2(SFMS)=0.714,標準誤差RMSE(SFHyp)=0.133,RMSE(SFMS)=0.148。Chl、Flav的加入使得原有模型的擬合精度進一步提高(圖5),這表明,由Dualex 4直接獲取的Chl相對含量,因其操作穩定,測量科學,在一定程度上提高了數據的可靠性和精確性。故選擇SFs與Chl、Flav構建的模型為小麥S2時期的最優模型。

圖5　灌漿期小麥條銹病病情嚴重度反演模型預測DI值與實測值散點圖Fig.5　Scatter plots between measured DI and estimated DI at grain filling stage

小麥整個生育期(表4),只采用高光譜和多光譜植被指數構建的模型R2(SFHyp)=0.387,RMSE(SFHyp)=0.192,R2(SFMS)=0.338,RMSE(SFMS)=0.200,精度較差,但Flav和Chl估測因子的加入,使得模型精度大幅度提高達到R2(SFHyp)=0.623,RMSE(SFHyp)=0.151,R2(SFMS)=0.620,RMSE(SFMS)=0.151。故選擇SFs與Chl、Flav構建的模型為小麥整個生育期的最優模型(圖6)。這與S2時期的研究結果相一致。

3　結論

本文利用ASD FieldSpec光譜儀和Dualex 4葉片測量儀兩種觀測方式對小麥條銹病的病情進行監測,建立相關模型進行對比分析得到以下結論:(1)綜合ASD Field Spec光譜儀和Dualex 4葉片測量儀兩種觀測方式的小麥條銹病病情嚴重度監測是可行的。與光譜特征的反演模型相比,生理生化參數與光譜特征的結合提高了小麥條銹反演模型的精度;(2)用于估算小麥條銹病在S1、S2、整個生育期病情嚴重度的最佳模型,分別是以SFs和Flav,SFs和Flav、Chl,SFs和Flav、Chl為變量組合所構建的模型;(3)對于所篩選的最優模型,高光譜特征與生理參數組合反演結果優于同時期的多光譜特征與生理參數的組合,這說明在提取植被指數方面,高光譜數據體現出光譜分辨率高、連續性強和信息量豐富等優勢。

圖6　整個生育期小麥條銹病病情嚴重度反演模型預測DI值與實測值散點圖Fig.6　Scatter plots between measured DI and estimated DI during the whole growth period

小麥生理生化參數與光譜特征的有效結合,提高了模型的反演精度,表明被動式冠層光譜和主動式速測儀器兩種觀測方式的結合對于小麥條銹病的監測是具有一定潛力的。然而,如何改進現有的儀器,使得能夠同時獲取冠層光譜反射率和生理生化參數,并保證測量精度,可能是后期儀器開發需要解決的問題。

[1]Saari E E, Prescott J M. World distribution in relation to economic losses[M]∥Roelfs A P, Bushnell W R. The cereal rusts vol.2:Diseases, distribution, epidemiology and control. Orlando: Academic Press, 1985: 259-298.

[2]Sankaran S, Mishra A, Ehsani R, et al. A review of advanced techniques for detecting plant diseases [J]. Computers and Electronics in Agriculture, 2010, 72(1):1-13.

[3]競霞,黃文江,王紀華,等.棉花單葉黃萎病病情嚴重度高光譜反演模型研究[J].光譜學與光譜分析,2009,29(12):3348-3352.

[4]Liu Zhanyu, Wu Hongfeng, Huang Jingfeng. Application of neural networks to discriminate fungal infection levels in rice panicles using hyperspectral reflectance and principal components analysis [J].Computers and Electronics in Agriculture, 2010,72(2): 99-106.

[5]Steddom K, Heidel G, Jones D. Remote detection of rhizomania in sugar beets [J].Phytopathology,2003,93(6):720-726.

[6]Yang Chwenming, Cheng Chinghuan, Chen Rongkuen. Changes in spectral characteristics of rice canopy infested with brown planthopper and leaffolder [J].Crop Science, 2007, 47(1): 329-335.

[7]Tremblay N, Wang Zhijie, Bélec C. Evaluation of the dualex for the assessment of corn nitrogen status [J]. Journal of Plant Nutrition, 2007,30(9):1355-1369.

[8]Tremblay N, Wang Zhijie, Bélec C. Performance of Dualex in spring wheat for crop nitrogen status assessment, yield prediction and estimation of soil nitrate content [J]. Journal of Plant Nutrition, 2009, 33(1): 57-70.

[9]Tremblay N, Wang Zhijie, Cerovic Z G. Sensing crop nitrogen status with fluorescent indicators. A review [J]. Agronomy for Sustainable Development, 2012, 32(2): 451-464.

[10]Cerovic Z G, Masdoumier G, Ben Ghozlen N, et al. A new optical leaf-clip meter for simultaneous non-destructive assessment of leaf chlorophyll and epidermal flavonoids [J]. Physiologia Plantarum, 2012, 146(3): 251-260.

[11]余偉烽,胡珊珊,申建寧,等.應用葉片熒光傳感器Dualex 4估測寒地水稻葉片葉綠素濃度的研究初報[J].北方水稻,2014,44(3):17-19.

[12]Goulas Y, Cerovic Z G, Cartelat A, et al. Dualex: a new instrument for field measurements of epidermal ultraviolet absorbance by chlorophyll fluorescence [J]. Applied Optics, 2004, 43(23): 4488-4496.

[13]周青.類黃酮及其植物生理學作用[J].生物學通報,1986(12):1-2.

[14]黃文江. 作物病害遙感監測機理與應用[M]. 北京:中國農業科學技術出版社, 2009.

[15]Huang Wenjiang, Lamb D W, Niu Zheng, et al. Identification of yellow rust in wheat using in-situ spectral reflectance measurements and airborne hyperspectral imaging [J]. Precision Agriculture, 2007, 8: 187-197.

[16]Devadas R, Lamb D W, Simpfendorfer S, et al. Evaluating ten spectral vegetation indices for identifying rust infection in individual wheat leaves [J]. Precision Agriculture,2009,10(6):459-470.

[17]Goel N S, Qi W. Influences of canopy architecture on relationships between various vegetation indices and LAI and FPAR：A computer simulation[J]. Remote Sensing Reviews, 1994, 10 (4): 309-347.

[18]Roujean J, Breon F. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements [J]. Remote Sensing of Environment, 1995, 51(3): 375-384.

[19]Rouse J W, Haas R H, Schell J A, et al. Monitoring vegetation systems in the Great Plains with ERTS [M]∥Proceedings. Third ERTS Symposium,vol. 1, 1973: 48-62.

[20]Gitelson A A, Kaufman Y, Merzlyak M N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS [J].Remote Sensing of Environment,1996,58(3):289-298.

[21]Baret F, Guyot G. Potentials and limits of vegetation indices for LAI and APAR assessment [J]. Remote Sensing of Environment, 1991, 35(2/3): 161-173.

[22]Chen J M. Evaluation of vegetation indices and a modified simple ratio for boreal applications [J]. Canadian Journal of Remote Sensing, 1996, 22(3): 229-242.

[23]Fensholt R, Sandholt I. Derivation of a shortwave infrared water stress index from MODIS near-and shortwave infrared data in a semiarid environment[J]. Remote Sensing of Environment, 2003, 87(1): 111-121.

[24]Broge N H, Leblanc E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density [J]. Remote Sensing of Environment, 2000, 76(1): 156-172.

[25]Haboudane D, Miller J R, Pattery E, et al. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: modeling and validation in the context of precision agriculture[J]. Remote Sensing of Environment, 2004, 90(1): 337-352.

[26]Merzlyak M N, Gitelson A A, Chivkunova O B,et al. Non-destructive optical detection of pigment changes during leaf senescence and fruit ripening [J]. Physiologia Plantarum, 1999, 106(1): 135-141.

[27]Zarco Tejada, P J, Berjón A, et al. Assessing vineyard condition with hyperspectral indices: leaf and canopy reflectance simulation in a row-structured discontinuous canopy [J]. Remote Sensing of Environment， 2005, 99(1): 271-287.

[28]Penuelas J, Baret F, Filella I. Semi-empirical indices to assess carotenoids/chlorophyll a ratio from leaf spectral reflectance[J]. Photosynthetica, 1995, 31(1): 221-230.

[29]Hunt E R, Rock B N. Detection of changes in leaf water content using near-and middle-infrared reflectances[J]. Remote Sensing of Environment, 1989, 30(1): 43-54.

[30]Ceccato P, Gobron N, Flasse S, et al. Designing a spectral index to estimate vegetation water content from remote sensing data [J].Remote Sensing of Environment,2002,82(1):188-197.

[31]Penuelas J, Gamon J, Fredeen A L, et al. Reflectance indices associated with physiological changes in nitrogen- and water-limited sunflower leaves [J]. Remote Sensing of Environment, 1994, 48(1): 135-146.

[32]Gitelson A A, Merzlyak M N, Chivkunova O B. Optical properties and nondestructive estimation of anthocyanin content in plant leaves [J]. Photochemistry and Photobiology, 2001, 74(1): 38-45.

[33]Galvao L S, Formaggio A R, Tisot D A. Discrimination of sugarcane varieties in southeastern Brazil with EO-1 Hyperion data [J].Remote Sensing of Environment,2005,94(1):523-534.

[34]Thenkabail P S, Smith R B, De Pauw E. Hyperspectral vegetation indices and their relationships with agricultural crop characteristics [J]. Remote Sensing of Environment, 2000, 71(1): 158-182.

[35]Filella I, Serrano L, Serra J, et al. Evaluating wheat nitrogen status with canopy reflectance indices and discriminant analysis[J]. Crop Science, 1995, 35(1): 1400-1405.

[36]Penuelas J, Pinol J, Ogaya R, et al. Estimation of plant water concentration by the reflectance water index WI (R900/R970)[J]. International Journal of Remote Sensing, 1997, 18(1): 2869-2875.

[37]Gamon J A, Penuelas J, Field C B. A narrow-waveband spectral index that tracks diurnal changes in photosynthetic efficiency [J].Remote Sensing of Environment,1992,41(1):35-44.

[38]Bushnell W R. Structural and physiological alterations in susceptible host tissue [M]∥Roelfs A P, Bushnell W R. The cereal rusts vol.1:Origins, specificity,structure,and physiology.Orlando: Academic Press, 1984:477-507.

[39]張競成. 多源遙感數據小麥病害信息提取方法研究[D].杭州: 浙江大學, 2012.

(責任編輯：田喆)

Combined canopy spectral and leaf physiological observations in model development for wheat stripe rust detection

Ai Xiaoyi1,2,Song Weidong1,Zhang Jingcheng2,Wang Baotong3,Yang Guijun2,Huang Wenjiang4

(1. School of Geomatics, Liaoning Technical University, Fuxin123000, China; 2. National Engineering Research Center for Information Technology in Agriculture, Beijing100097, China; 3. State Key Laboratory of Crop Stress Biology in Arid Areas, Northwest A & F University, Yangling712100, China; 4. Key Laboratory of Digital Earth Science,Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing100094, China)

This study attempted to combine measurements from both passive and active sensors to form a retrieving model of wheat stripe rust severity. In a disease inoculation experiment, besides the survey of disease severity, measurements of both the passive canopy spectra and active foliar fluorescence were carried out at two key growing stages. Prior to model development, a feature selection protocol is implemented to identify optimal features serving as model input variables. Based on different combinations of the selected features, the retrieving models of disease severity were developed and compared using the partial least squares regression (PLSR) method, to determine the best feature combinations at different growing stages. The results based on the optimal spectral features and leaf physiological observations onFlav(flavonoids),Chl(chlorophyll) of different combinations at wheat flag, early filling and grain filling stages had a better performance, with a precision ofr2=0.90, and RMSE=0.026. Compared to spectral characteristics alone, comprehensive canopy spectra and leaf physiological observations improved model accuracy by 21%, showing that the combination of the two kinds of data could improve the disease severity estimation precision. The study can provide a new pattern and idea for the development of wheat disease monitoring instrument.

spectral feature;leaf fluorescence;wheat stripe rust;partial least squares regression (PLSR);Dualex 4

2015-01-23

2015-02-16

國家自然科學基金(41301476)；北京市自然科學基金(4132029)；陜西省科技統籌項目(2012KTCL02-10)

E-mail:zhangjc_rs@163.com

S 431

A

10.3969/j.issn.0529-1542.2016.02.007