基于數字圖像棉花黃萎病診斷與防治的管理遠程監測

石志鈺，裴雅琨，朱玉濤，賈玉姣，胡曉倩，侯士聰，侯玉霞

(中國農業大學理學院，北京 100193)

0 引 言

【研究意義】棉花黃萎病(CottonVerticilliumwilt)對棉花生產危害大。為了增強棉花黃萎病的快速診斷識別，及時采取防治措施，提高棉花病害的遠程監測水平是保證有效防治病害的關鍵所在，通過便捷、快速的數字圖像準確獲取棉花黃萎病癥狀特征，以此為依據對棉花黃萎病進行監測，獲得病害防治的及時推薦，防止過量施用殺菌劑帶來的農藥殘留以及隨之而來的生態環境污染問題，提高殺菌劑的利用率。建立快速、便捷、對棉花無損傷的病害診斷和防治管理的遠程監測,對診斷和防治棉花黃萎病具有重要的應用價值。【前人研究進展】國內外學者利用遙感技術對小麥、水稻、玉米、大豆等農作物病害遠程監測具有研究報道[1-5]，但有關棉花黃萎病的遠程監測研究相對甚少。黃萎病病菌(Verticilliumdahliae)侵染棉花后，V.dahliae不斷產生分生孢子破壞葉片葉綠素，而在可見光波段內植物光譜特性主要受葉片內色素含量的影響，尤其是葉綠素含量對可見光波段植物光譜特性起著重要的作用。感病棉株生長發育受阻，葉綠素含量下降，葉綠素在藍紅波段的吸收減少，而反射增強，特別是紅光波段反射率升高，葉片變為黃色(紅色+綠色=黃色)，相似于黃萎病危害棉花葉片的褪綠、發黃癥狀[6]。隨著棉花黃萎病嚴重度增加，近紅外波段光譜反射率下降，并且棉花黃萎病嚴重度與近紅外波段冠層光譜反射率的相關性大于可見光波段，此結果與陳兵等[7]采用近地高光譜數據監測棉花黃萎病不同病情嚴重度的冠層光譜特征的變化規律相似。目前，研究主要集中在光譜位置變量[8-9]、光譜特征吸收參量[9]、植被指數[7,9-10]建立病情嚴重度監測模型等。這些病害植被指數是基于特定植被類型與發病條件獲取的數據集通過光譜特征提取建立。在作物葉片尺度上利用二階光譜導數設計有關黃萎病病害指數，如利用可見光譜計算獲得大豆黃萎病黃度指數[11]是通過可見光譜計算獲得，對葉片結構、葉綠素等參量變化不敏感，在植株冠層尺度上進行遙感應用還需驗證。棉花和大豆的生長環境、種植模式、冠層結構、病原菌致病癥狀等方面存在差異，需要基于棉花黃萎病癥狀的特征及其光譜特性構建棉花黃萎病指數，提高病害診斷的敏感性與準確性，及時防治棉花黃萎病，阻止病害擴展傳播。【本研究切入點】在現代農業中，隨著當前社會整體發展水平的提升，信息技術在各個領域中的應用越來越廣泛[12-13]。對棉花黃萎病的監測的要求越來越高，需要更精準、更快捷、更簡潔的數字圖像技術。傳統的棉花病害診斷識別采用田間調查、采樣、實驗室病原菌的觀察，存在主觀性、時效性較差, 難以滿足隨時監測棉花病害。研究在基于數字圖像的棉花黃萎病診斷與防治管理遠程監測。【擬解決的關鍵問題】采集與結構、葉綠素相關的植被指數與棉花黃萎病癥狀特征的數字圖像，與病害植被指數和病害嚴重度等級的識別有較好的對數關系。獲得病害癥狀特征變化的典型譜段，構建棉花黃萎病病情指數，建立病害病情監測模型。建立網絡數據庫系統對棉花黃萎病信息進行遠程監測，應用于棉花病害和防治遠程管理。

1 材料與方法

1.1 材 料

試驗在北京市海淀區上莊試驗基地進行，以中植棉2號和新陸早33號2個棉花品種為供試材料。棉田土壤質地土層有機質含量為8.65 g/kg、速效磷為 10.34 mg/kg、速效鉀為 117.4 mg/kg、全氮為0.71 g/kg，肥力中等。圖像采集時間為 2019年8月，獲得數字圖像，提取健康棉株和不同嚴重度的感病棉株冠層光譜數據、病害植被指數、棉花黃萎病病情指數等。

田間數字圖像獲取主要采用OLYMPUS SP-565UZ數碼相機拍攝。RGB顏色空間使用紅R、綠G和藍B基色顯示彩色，首先對病害棉株冠層RGB圖像通過HIS變換、分類、定量統計冠層危害程度，通過分析感病棉株冠層光譜的特征，明確病害光譜響應的變化，引入Relief-F算法[14]，尋找對病情發展敏感的單波段光譜特征集合與歸一化差異波段，通過線性加權組合構建棉花黃萎病病情指數(Cotton Verticillium Wilt Index, CVWI)，監測棉花黃萎病病情嚴重度，對影像進行幾何校正和圖像融合的預處理。

棉花冠層尺度上的病斑面積與葉片總面積的比值稱為冠層受害程度(Canopy Disease Severity, CDS)。為了定量計算CDS，將棉花冠層圖像利用RGB至HIS空間的變換消除光強度變化的影響，對S和H成分進行分類，提取病害區域[15]。數據采集過程中，光譜信號受環境與儀器等影響，必需對光譜數據進行預處理，圖像融合采用Savitzky-Golay(S-G)平滑濾波器降低數據采集中光譜信號的噪聲。

1.2 方 法

1.2.1 棉花黃萎病嚴重度的分級[7]

依據分級標準(GB/T 22101.5-2009)棉花黃萎病嚴重度分為5級[7]：0級為健康(發病為0%)、1級為輕度發病(0%～25%)、2級為中度發病(25%～50%)、3級重度發病(50%～75%)、4級極重度發病(75%～100%)。

1.2.2 Relief-F算法獲取棉花黃萎病癥狀變化敏感的特征

通過Relief-F算法[14]，由SG濾波后的光譜數據獲得各波段用于棉花黃萎病嚴重度等級的權重分布。可見光波段光譜反射率與棉花黃萎病病情嚴重度呈正相關，隨黃萎病病情嚴重度增加，可見光波段光譜反射率增大。近紅外波段光譜反射率隨黃萎病病情嚴重度增加，植被指數值下降，近紅外波段光譜反射率減少，植被指數與病情嚴重度呈負相關。在可見光和近紅外波段，權重分別表現為增加、減少的趨勢。由于病害植被指數有效的綜合有關的光譜信號，在增強植被信息的同時使非植被信號最小化，比用單波段探測綠色植被更具有靈敏性、準確性、可靠性，研究表明，多數植被指數與棉花黃萎病病情嚴重度的相關性優于單波段。研究選取Relief-F算法得到權重最大的2個波段701 nm、1 300 nm用于棉花黃萎病病情指數CVWI的構建。

利用Relief-F算法[14]提取對棉花黃萎病癥狀變化敏感的特征波長。Relief-F算法是一種特征權重算法(feature weighting algorithms)，根據各個特征和類別的相關性賦予特征不同的權重，權重小于某個閾值的特征將被移除。特征的權重越大，表示該特征的分類能力越強，反之，表示該特征分類能力越弱。特征選擇算法中Relief-F算法使用Matlab的實現。

Relief-F算法基于權重尋找特征值，常用于解決多分類與回歸問題，其思路是通過計算特征與類別間的距離賦予各光譜特征不同的權重[16]。

1.2.3 典型病害植被指數

V.dahliae侵染棉花后，引起可見光、近紅外波段等光譜反射率的改變。選用反映棉花冠層結構、色素含量等典型病害植被指數，作為回歸分析的入選變量。表1

表1 典型病害植被指數及其公式Table 1 Vegetation indices of typical diseases and their equations

1.2.4 監測模型構建和模型精度評價

利用支持向量機(support vector machines, SVM)已用于植物病害病情的診斷，SVM根據結構風險最小化準則構建最優分類超平面，提高模型的泛化能力，解決非線性、高維數、局部極小點等問題，已成功用于病害病情的診斷。為驗證棉花黃萎病病情指數的有效性，精準診斷病害危害程度，利用SVM建立棉花黃萎病的遠程監測模型，比較色素比值指數(PSSRb)與黃萎病病情指數(CVWI)的分類精度，評價指標采用決定系數(determination coefficient,R2)、均方根誤差(root mean square error,RMSE)和相對誤差(relative error,RE)。R2越接近于1，而RMSE和RE越接近于0，模型預報值與實測值越吻合，模型精度越高。評價指標的計算公式分別為：

1.2.5 權重計算和CVWI的獲取

1個樣本S從訓練集中取出，在同類樣本S找出鄰近樣本集H(Near Hits)，在同類S樣本異類的每個樣本集中找出鄰近樣本集M(Near Misses)，每次找出ρ個鄰近樣本，重復n次取樣，同類樣本距離越小、異類樣本距離越大，則權重值越大。結果均值作為每個特征的最終權重值。權重公式為：

ω(Fi) ←ω(Fi) - 1/nρΣh∈H|Si-hi|+ 1/nρΣm∈M|Si-mi|.

式中Σh∈H|Si-hi|、Σm∈M|Si-mi|分別表示ρ個同類、異類鄰近樣本與樣本S在特征i的距離和；F-特征集合；ω(Fi)-特征i的權重值。

CVWI=α×B1 300+β×B701+γ×NDVI(B700,B532)

式中系數α、β、γ取值為-1-1，步長為0.1。通過分析棉花黃萎病病情嚴重度等級的相關性，進行最佳加權組合，獲得CVWI。

CVWI= -0.1×B1 300+0.1×B701+0.5×NDVI(B700,B532)

把表1的典型植被指數和公式中CVWI與棉花黃萎病病情嚴重度等級進行相關性分析，分別以NDVI、RDVI、SR、PSSRa、PSSRb、CVWI為自變量，以棉花黃萎病病情嚴重度為因變量y建立一元回歸模型。

1.2.6 棉花黃萎病診斷

對數字圖像與人機交互數據的分析與判斷, 實現棉花黃萎病的診斷。通過對數據的推理, 病害癥狀的類別，并與病害防治相對接, 試驗結果與方法的同步顯示。圖1

圖1 棉花黃萎病診斷
Fig.1 Diagnosis of Cotton Verticillium Wilt

2 結果與分析

2.1 被V. dahliae感染棉花的病害癥狀和棉花黃萎病嚴重度的診斷

研究表明,在棉田獲取被V.dahliae感染棉株冠層光譜數據，依據分級標準(GB/T 22101.5-2009)棉花黃萎病嚴重程度的分級，診斷實驗棉田病害嚴重度為1級、3級、4級的冠層光譜和0級健康棉株光譜，隨著棉花黃萎病發病程度加重，葉片組織邊界變模糊，細胞間隙增大，細胞排列疏松，細胞失水葉片變小，細胞數目減少，導致棉花葉片顏色由綠變黃，伴有葉緣焦枯，直至干枯死亡。V.dahliae侵入棉花根表層導致棉花凈光合速率、氣孔導度、蒸騰速率等降低，棉株萎蔫死亡，診斷到3級、4級嚴重度的棉花黃萎病癥狀。通過實驗棉田診斷的病害病情嚴重程度的分類確定植被冠層受損面積，計算獲得冠層受害程度(CDS)，因為CDS是由于V.dahliae感染棉花破壞了組織結構相關植被、葉綠體相關植被所致。圖2

注：A: 健康棉株; B:不同嚴重度的棉花黃萎病; C健康和不同嚴重度的感病棉花葉片

圖2 黃萎病對棉花葉片造成的可視化癥狀
Fig.2Verticilliumwiltcaused the visible symptoms of cotton leaf

2.2 被V. dahliae感染棉株冠層光譜特征

隨著棉花黃萎病嚴重度的增加，綠色反射峰的平坦化以及波長為660～680 nm的紅光區域反射率增加，近紅外波段在棉株光譜反射率主要受葉綠素、冠層結構的影響。由于棉花黃萎病造成葉綠素降低、葉片內部結構被破壞，改變冠層結構。在近紅外波段健康棉株冠層的光譜反射率大于病株的光譜反射率；近紅外陡峭的紅邊被逐漸拉平，感病棉株冠層光譜反射率在近紅外波長(780～1 300 nm)顯著低于健康棉株冠層；隨黃萎病病情嚴重度增加，可見光波段光譜反射率增大，其光譜反射率主要受葉綠素含量的影響，被V.dahliae侵染棉花的葉綠素含量減少，棉葉變枯黃，對藍光、綠光、紅光的吸收減弱，反射增強，而綠光波段的反射率逐漸降低，導致葉綠素的綠色強反射峰區和強吸收區逐漸拉平。光譜數據監測棉花黃萎病病情嚴重度的不同與冠層光譜特征的變化規律相似。表1，圖3

1：可見光波段 2：近紅外波段

1： Visible band 2： Near infrared band

圖3 不同嚴重度棉花黃萎病冠層光譜
Fig.3 Canopy spectrum of cottonVerticilliumwiltof different severity

2.3 棉花黃萎病病情指數CVWI的構建

通過Relief-F算法由SG濾波后的光譜數據得到各波段的棉花黃萎病癥狀嚴重度等級的權重分布。植被可見光波段光譜反射率與棉花黃萎病癥狀嚴重度呈正相關，隨著病害癥狀嚴重度增加，植被可見光波段光譜反射率增大。近紅外波段光譜反射率隨著棉花黃萎病癥狀嚴重度增加，植被指數值下降，近紅外波段光譜反射率減少，植被指數與病害癥狀嚴重度呈負相關。因此，在植被可見光和近紅外波段，權重分別表現為增加、減少的趨勢。由于感病植被指數有效地綜合相關的光譜信號，在植被信息增強時非植被信號最小化。本論文研究選取Relief-F算法得到權重最大的2個波段701 、1 300 nm，用于獲取CVWI。植被光譜特征隨著棉花黃萎病癥狀嚴重度增加呈平行移動，光譜的歸一化差異有助于區別棉花黃萎病危害嚴重度的等級，對于權重大的450～950 nm波段，參照歸一化植被指數(NDVI)的形式構建歸一化波段組合特征。通過Relief-F算法從歸一化特征組合中提取權重最大的歸一化波段組合NDVI(532 、 700 nm)，診斷棉花黃萎病發病情況。通過方法歸一化差異組合表示與結構相關植被指數和葉綠素相關植被指數與棉花黃萎病病情嚴重度的相關性。把權重最大的單波段特征、歸一化差異波段進行線性組合，獲取CVWI。表2,圖3

表2 病害監測指數與病情嚴重度等級線性Table 2 Linear analysis of disease vegetation indices with diseases levels

注：＊＊表示顯著性水平為 0.01

研究表明，典型病害植被指數與棉花黃萎病嚴重度等級有相關性，是由于棉花黃萎病主要引起綠光、近紅外和紅外波段的反射率變化引起，其中，與葉綠素相關植被指數(PSSRb)與棉花黃萎病嚴重度等級的相關性最高(R2=0.897,RMSE=0.363)，PSSRb由波長652和700 nm組成，表明建立在葉綠素含量與結構變化基礎上的植被指數可用于棉花黃萎病嚴重度等級的劃分。因此，研究通過Relief-F算法提取健康棉株和不同嚴重程度的感病棉株冠層光譜特征譜段構建棉花黃萎病病情指數CVWI，指示棉花黃萎病嚴重度等級的識別(R2=0.917,RMSE=0.324)構成植被指數的關鍵波段。

CVWI由位于532、700、701、1 300 nm波長處的光譜反射率組成，這些光譜代表不同的外部結構植被指數、病害植被指數。據報道，700 nm鄰近的反射光譜是由植被生物化學和物理參量產生的基本特征[23]，而被V.dahliae侵染棉花葉綠素含量減低、棉株冠層結構發生變化，所以700 nm鄰近光譜特征是監測病害嚴重度等級的重要指標。研究表明，532 nm波長處的反射率能夠監測葉黃素循環，葉黃素是與光系統Ⅱ光能利用效率相關的調節色素[24]，包含532 nm反射率的植被指數指示光合作用的變化，從而揭示棉花葉片中V.dahliae的變化。1 300 nm是綠色植被水分吸收峰所在位置，表明植物水分含量的變化，所以包含1 300 nm鄰近的CVWI表明水分含量隨病害嚴重度的變化而變化。表2

2.4 病害監測模型構建與精度評價

為了確定CVWI的有效性，診斷棉花黃萎病發病、擴展程度，利用支持向量機(support vector machines, SVM)對棉花黃萎病進行監測，利用遺傳算法(genetic algorithm, GA)優化的SVM建立了棉花黃萎病的監測模型(GASVM)。將色素比值指數PSSRb與黃萎病病情指數CVWI分別作為模型的輸入，對應的病害嚴重度等級作為輸出，劃分訓練樣本與測試樣本，通過網格搜索確定最優超參數，獲取最優棉花黃萎病的遠程監測模型。通過PSSRb與CVWI的分類精度，評價指標采用決定系數R2、均方根誤差RMSE和相對誤差RE。R2越接近于1，而RMSE和RE越接近于0，表示病害監測模型預報值與實測值越吻合，病害監測模型精度越高。與PSSRb作為輸入的病害監測模型相比，基于CVWI的棉花黃萎病監測模型精度更高。

2.5 防控棉花黃萎病數據的安全架構

研究表明，數字圖像采用多層次的深度防治棉花黃萎病模式，提高棉花黃萎病嚴重度等級數據的病害防治策略。病害病情發生數據在采用深度防治棉花黃萎病數據的安全架構時，優化防治棉花黃萎病的模塊，保障病害病情發生數據的持續安全運行。圖4

圖4 基于防治棉花黃萎病數據的架構
Fig.4 The framework based on data of cottonverticilliumwiltcontrol

3 討 論

由于被V.dahliae侵染棉花有效地綜合有關的光譜信號，在增強與結構相關植被和葉綠素相關植被的信息時，使非植被信號最小化，精準選用植被指數與棉花黃萎病病情嚴重度組合波段[23-24]。研究獲取的數字圖像和數據受監測尺度、棉花生長發育期、棉花黃萎病發病和擴展情況、病害病情嚴重度等級等多因素的影響，造成CVWI的特征譜段的變化，今后將獲取全生育期內棉花黃萎病病情等級的光譜數據進行深入研究。

在冠層尺度上篩選出適合冠層尺度病害監測的特征變量，通過實驗測定了棉花黃萎病及健康樣本的冠層光譜數據，分別利用光譜反射率特征、與結構相關植被指數特征、葉綠素相關植被指數特征和細節特征結合相關分析，以及SVM、GASVM方法[25]建立了基于冠層尺度的棉花黃萎病監測模型。篩選出對病敏感度且差異較顯著的特征波段。通過Relief-F算法計算出各特征的權重系數，對特征集進行加權；利用支持向量SVM對棉花黃萎病進行監測，并用遺傳算法GA優化的SVM建立了棉花黃萎病的監測模型。

研究結果為準確診斷和防控棉花黃萎病提供有效的工具，建立的系統為病害發生情況的監測和病害防控管理提供了決策支撐，實現了棉花黃萎病病情信息的實時、快速、無損診斷和防控管理的遠程監測，為棉花黃萎病大面積精準監測提供新的思路，也為病害監測以及病害防控提供理論依據。

4 結 論

4.1 利用與結構相關植被和葉綠素相關植被冠層RGB圖像，通過精準分類統計棉花冠層損害程度，定量計算CDS，診斷棉花黃萎病病情嚴重度等級，明確植被冠層圖像RGB至HIS空間變換與典型病害植被指數的相關性。棉花冠層光譜隨著棉花黃萎病病情嚴重度的變化而變化。

4.2 被V.dahliae侵染棉花可見光波段光譜反射率與棉花黃萎病病情嚴重度呈正相關，隨著病害病情嚴重度增加，與結構相關植被和葉綠素相關植被可見光波段光譜反射率增加。近紅外波段光譜反射率隨著棉花黃萎病病情嚴重度增加，被V.dahliae侵染棉花冠層光譜反射率在近紅外760～1 300 nm波段處低于健康植株冠層光譜反射率，紅光到近紅外陡峭的紅邊被逐漸拉平

4.3 利用Relief-F算法提取光譜特征，結合病害癥狀的特征，獲取CVWI。CVWI涉及感病棉花的結構、色素、光合特性等變化的綜合因素，與病害病情嚴重度等級的相關性R2為0.962，明確棉花黃萎病病情嚴重度與相應位置的數字影像存在相關性。

4.4 構建了棉花黃萎病監測模型。

4.5 構建了棉花黃萎病的數字圖像信息化系統管理，建立一個系統的、完善的棉花黃萎病數據安全架構。