利用遙感監測冬小麥病蟲害的研究進展與思考

莊東英，王德領，殷 敏，李衛國，耿安紅，崔必波*

（1.江蘇沿海地區農業科學研究所 新洋試驗站，江蘇 鹽城 224049；2.江蘇省農業科學院 農業信息研究所，江蘇 南京 210000）

0 引言

小麥是我國重要的糧食作物，占全國糧食產量的60%左右。及時準確地獲取小麥的生長狀況、病蟲害發生情況、產量等信息是現代農業生產中迫切需要解決的重要問題。病蟲害是小麥生產的主要障礙，是限制小麥產量的主要因素。據聯合國糧食組織估計，世界糧食產量常年因蟲害損失10%，因病害損失14%［1］，且有日益加劇的趨勢。因此，盡早發現病蟲害并及時進行科學防治，是提高作物產量、減少經濟損失的有效途徑，其中對病蟲害的實時動態監測又是對其進行防治的有效保證。

遙感技術能夠在不直接接觸目標物的情況下，通過獲取目標物的電磁波能量與信息（如空間、光譜時間）實現對觀測目標的監測、分析和評價［2］。近年來，隨著高光譜遙感、多光譜遙感和高分辨率衛星遙感技術的快速發展以及統計和數學模型的介入，許多作物的生理生化參數均得到了有效監測，且精度越來越高［3-6］。因此遙感技術在作物病蟲害監測方面體現出越來越重要的價值。筆者簡述了遙感監測病蟲害的機理和方法，綜述了在冬小麥病蟲害遙感監測方面的研究進展，并對其存在的問題以及未來的發展動向進行了思考，以期為冬小麥病蟲害監測提供參考依據。

1 病蟲害遙感監測的機理和方法

1.1 遙感監測的機理

不同作物或同一作物在不同的生長季節、不同病蟲害為害程度下，有其特殊意義的診斷性光譜特征，因此可以通過遙感技術來監測作物的生長［7］。小麥對光譜的反射特性表現為：在可見光波段有強的吸收峰，在近紅外波段有強的反射峰，因而遙感數據的敏感波段及其組合可以反映小麥的生長情況［8］，這是應用遙感技術監測冬小麥病蟲害的理論基礎。對植物病蟲害的監測是通過監測葉片的生物化學成分來進行的；小麥植株受病蟲害為害后，其生理生化參數的變化表現為可見波段和近紅外波段的變化。因此，可選擇單葉高光譜遙感數據和冠層多光譜遙感數據獲得的影像來監測冬小麥病蟲害［9］。

1.2 遙感監測的方法

冬小麥受病蟲害侵染或為害后，其外部形態和內部形態均會發生一定的變化，其中外部形態的變化一般是肉眼可見的，而內部形態的變化一般是隱形的。傳統的病蟲害監測和預報主要通過工作人員的調查、取樣和分析來進行，此方法手段落后、時效差、費時，在一定程度上會影響病蟲害預報的準確性；而遙感技術具有快速、高效、宏觀、無損等特點，應用該技術可以提高病蟲害監測的精確性［10］。用于遙感影像的軟件近幾年有了較大進展［11］。在ERDAS軟件上的分類方法比較少，主要有非監督分類、監督分類和決策樹分類3種，其中非監督分類為ISODATA法，監督分類可以選擇最大似然法、馬氏距離法和最小距離法。在ENVI軟件上的分類方法比較多，包括平行管道法、最大似然法、馬氏距離法、最小距離法、光譜角分類法、神經網絡分類法、支持向量機分類法、光譜信息分離法、二元編碼法、ISODATA和K-mean法［12］。易康軟件是專門做面向對象分類的，對高分辨率影像的分類效果很好［13］，因此應用該軟件能及時了解小麥的健康狀況，為決策者提供決策依據。

2 冬小麥病蟲害遙感監測的研究進展

冬小麥在生長發育過程中會遭受多種病蟲害的危害，主要害蟲為紅蜘蛛、蚜蟲、吸漿蟲，主要病害為紋枯病、白粉病、條銹病和赤霉病。雖然這些病蟲害的表現形式多樣，但其為害后引起小麥葉片細胞活性、含水量、葉綠素含量、含氮量、可溶性糖含量等生理生化特征的變化基本上是一致的，繼而表現出反射光譜特征的差異。學者們對冬小麥病害遙感監測的研究最多，并且取得了一定的研究成果［14-18］。

2.1 冬小麥病害的遙感監測

條銹病的病原是低溫、高濕、強光型真菌，屬擔子菌亞門真菌；條銹病屬于跨區域氣候性病害［19］，一旦發生流行會給小麥生產造成極大的產量損失，該病害于1950、1964、1990和2002年在我國大面積發生，分別造成了60億、30億、26億和14億kg的產量損失［20］。

美國在實施“大面積農作物估產實驗”計劃之后，開始投身于“農業和資源的空間遙感調查”計劃［21-22］，由此帶動了很多國家應用航空遙感來監測植物的侵染性和非侵染性病害。Cater等［15］研究發現，病蟲害的發生會導致作物葉片的可見光區和近紅外區的光譜特性均發生了變化，其中可見光區的反射率會隨著病蟲害為害程度的加重而增高，而近紅外區的反射率則相反。Zhao等［23］在分析受條銹病危害的冬小麥的NDVI、RVI、TVI的變化后，提出了反演冬小麥條銹病的模型。Mirik等［24］研究發現病蟲發生量與受害冬小麥的反射光譜有一定的相關性。

我國將遙感技術應用于作物病蟲害監測的時間比國外晚，且應用的遙感儀器基本上都是高光譜儀器。從1998年開始，全國農業資源區劃辦公室實施了“全國農作物業務遙感估產”項目［25］，該項目利用遙感RS（Remote Sensing）的覆蓋范圍廣和快速特性、全球定位系統GPS（Global Positional System）的準確定位特性，以及地理信息系統GIS（Geographic Information System）的數據處理、分析與解譯功能，為病蟲害的動態監測提供了較為準確的信息源。羅菊花［26］建立了冬小麥受條銹病脅迫與常規脅迫的識別模型，并確立了條銹病的脅迫點，能較好地識別病蟲害；羅菊花還利用掃描式光譜成像儀PHI（Pushbroom Hyperspectral Imager）影像上的紅波段620～718 nm和近紅外波段770～805 nm的光譜反射率，以及相應的病情指數，建立了多元線性回歸模型，并進行了病害嚴重度的反演，反演結果與地面測定結果基本吻合。蔡成靜等［27］研究發現近地獲得的光譜反射率在可見光譜區明顯小于高空獲得的光譜反射率，尤其是在顯著明顯的綠峰580 nm和黃邊610 nm處，并在此基礎上建立了回歸模型，為高空監測小麥條銹病奠定了基礎。安虎等［28］根據光譜反射率和小麥條銹病發生程度建立了回歸模型。張玉萍等［29］利用ASD手持式地面非成像光譜儀（325-1075）測定了不同生育期、不同病情指數的冬小麥的光譜反射率，并且建立了600～703 nm波段處光譜反射率與拔節期、灌漿期、乳熟期病情指數間的回歸模型。蔡成靜等［27］利用ASD地面非成像光譜儀對健康、患條銹病的小麥在某些特定波段的光譜反射率進行了比較，發現在2種小麥間差異顯著，因而能較好地判斷小麥條銹病的發生；此外，他們還建立了小麥病情指數與冠層光譜反射率的回歸方程，實現了對小麥條銹病的高光譜動態監測。喬紅波等［30］研究發現小麥灌漿期白粉病的病情指數與冠層光譜反射率、遙感數字圖像反射率有顯著的相關關系，這為地面高光譜和低空遙感監測冬小麥白粉病的發生奠定了基礎。喬紅波［31］還利用光譜微分技術對受白粉病不同程度為害的小麥冠層的反射率求一階導數，發現得出的紅邊反射率在近紅外波段（650～780 nm）發生了強烈的變化，且隨著為害程度的加重而降低，但紅邊位置變化不明顯。近年來，隨著我國遙感監測技術的提升，許多學者［32-37］利用遙感影像分析了受白粉病為害的小麥在主要生育期的光譜特征、生理生化指標和病情指數的變化，建立的回歸模型能監測小麥白粉病的發生程度，并能評估出由白粉病為害導致的產量損失，這為精確監測冬小麥病害發生程度和精準農業管理提供了數據支持。

2.2 冬小麥病蟲害的主要數據源和處理方法

2.2.1 地面遙感數據源 地面遙感數據源在測定過程中不受時間和空間的限制，通過地面光譜測量儀器獲得。地面光譜測量儀器具有光譜分辨率較高、操作簡單等優點。常用的地面光譜測量儀器為ASD Field Spec Pro FR2500高光譜輻射儀，可以用于非破壞性測定作物冠層的高光譜反射率，其技術參數包括光譜范圍、波長精度、測定速度和輸出波段，其中光譜范圍為325～1050 nm，波長精度為±1 nm，測定速度的固定掃描時間為0.1 s，光譜平均最多可達31800次，輸出波段為512 nm（間隔1.438 nm）。

2.2.2 航空遙感數據源 航空遙感數據源不僅獲取靈活，而且有較高的空間分辨率和光譜分辨率。用于獲取航空遙感數據源的傳感器搭載在飛機上或氣球上。我國學者應用較多的有我國自主研制的掃描式高光譜成像儀PHI和實用模塊化成像光譜儀OMIS（Operative Modular Imaging Spectrometer）等。PHI監測的光譜范圍為400～850 nm，共有80個波段，其光譜分辨率＜5 nm，像元數為380像元/行，最大掃描率為60 行/s。OMIS覆蓋了可見光、近紅外、中短波紅外和熱紅外波譜區，共128個波段。熊幀等［38］利用OMIS成像儀在江蘇常州進行了飛行試驗，并結合GPS定位技術，對獲得的遙感圖像進行了校正。

我國學者利用較多的是PHI，并且在冬小麥病蟲害遙感監測研究方面取得了一定的進展。劉良云等［39］研究了受條銹病為害以及健康冬小麥的PHI圖像光譜及光譜特征，發現在560～670 nm黃邊、紅谷波段，受條銹病為害冬小麥的光譜反射率高于健康冬小麥的光譜反射率，而在近紅外波段，健康冬小麥的光譜反射率則高于受害冬小麥的光譜反射率；在此基礎上，他們建立了冬小麥條銹病病情指數的反演模型。楊可明等［40］利用患條銹病的小麥的PHI航空高光譜遙感數據分析了患病小麥的光譜數據，并進一步監測了條銹病的病情。

2.2.3 航天遙感數據源 用于獲取航天遙感數據的傳感器搭載在衛星上，因此航天遙感數據也稱為衛星影像數據。隨著我國航天事業的發展，衛星影像數據逐漸豐富，為農作物病蟲害遙感監測提供了數據支撐。衛星遙感數據有時間分辨率、空間分辨率和光譜分辨率這3個主要特征，其中時間分辨率用于監測病蟲害發生時間的動態變化，空間分辨率用于監測病蟲害的發生范圍，光譜分辨率用于病蟲害種類的識別。常用的衛星遙感數據主要有NOAA/AVHRR、Landsat/TM、SPOT/HRV、CBERS、EOS-MODIS、QUICKBIRD、IRS/LISS、IKONOS、ERS/SAR等。

馮煉等［41］利用光譜數據建立了冬小麥健康生長狀況與植被指數的關系模型，其中重歸一化植被指數RDVI和三角植被指數TVI的可信度較好；將此模型應用到HJ衛星，發現衛星傳感器數據與地面監測數據相符，其中TVI的監測符合率達76.47%。黃林生等［17］基于GF-1遙感數據，利用relief-mRMR-GASVM模型監測小麥白粉病的發生情況，其監測精度比現有的AdaBoost、Pso-LSSVM和RF方法分別提高了21.4、14.3和7.1個百分點。唐翠翠等［42］基于環境衛星CCD光學數據和IRS熱紅外數據提取出了反映小麥長勢的多種植被指數、生境因子等，并建立了3種預測模型分別對冬小麥灌漿期的蚜蟲發生情況進行預測，結果發現相關向量機的預測精度優于其他2種模型的。

2.2.4 數據處理方法 通過各種途徑獲得的圖像數據需要經過預處理，具體包括遙感數據預處理和遙感數據常用處理方法2個方面。

遙感數據預處理包括輻射校正、幾何校正、數字圖像鑲嵌、圖像統計和圖像分類等常用方法。遙感器本身的光電系統特征、太陽高度、地形以及大氣條件等都會引起光譜亮度的失真，輻射校正能消除摻雜在影像中的對輻射亮度的各種干擾項，以便能更準確地反映目標物的反射和輻射特征。原始遙感圖像通常有嚴重的幾何變形，而幾何校正可以消除這種幾何變形，幾何校正包括地面控制點（GCP）的選取、多項式糾正模型、重采樣等過程。當研究區超出單幅遙感圖像所覆蓋的范圍時，通常需要將2幅或多幅圖像拼接起來，形成1幅或一系列覆蓋全區的較大圖像，這個過程就是圖像鑲嵌。對多光譜遙感數據進行基本的單元和多元統計分析可以為顯示和分析這些遙感數據提供許多有用信息。此外，圖像分類是圖像處理的基礎性工作。

遙感數據常用處理方法包括影像融合和影像分類。對于影像融合而言，HIS變換和主成分變換為典型的2種方法；影像分類以區分圖像中所含的多個目標物為目的，確定每個像元所屬地物類別。

2.3 冬小麥病蟲害遙感監測方法

2.3.1 光譜反射率分析法 光譜反射率分析法在監測冬小麥病蟲害方面具有直接、簡便和快速的特點；該方法通過傳感器獲得數據，然后分析轉換后的光譜反射率特征，比較受害冬小麥和健康冬小麥的光譜特征，從而獲得受害冬小麥的光譜特征信息。張曉艷等［43］研究指出患條銹病小麥的光譜反射率與病情指數之間存在相關性，能為冬小麥條銹病害做出早期診斷。趙葉等［44］構建了日光誘導葉綠素熒光數據模型和反射率光譜數據模型，這2種模型均能監測小麥生育期間條銹病的發生情況。

2.3.2 植被指數分析法 植被指數通常選用對綠色植物強吸收的可見光紅波段和對綠色植物高反射和高透射的近紅外波段進行組合，來反映隱含的植物信息。在病蟲害監測中，常用的植被指數有歸一化植被指數（NDVI）、比值植被指數（RVI）等。段維納等［45］將歸一化植被指數、陸地葉綠素指數和日光誘導葉綠素熒光指數分別與SIFP融合，構建了小麥條銹病的遙感監測模型，模型的預測精度均得到了提升，其中以NDVI和MTCI為自變量的遙感監測模型的精度最優。同時，在水稻、大豆等其他作物中，學者們也利用植被指數分析法監測病蟲害，并取得了一定的研究成果［46-50］。2.3.3 導數光譜分析法 植物導數光譜數據可以反映植物內部物質的吸收波形的變化，在太陽光的大氣窗口內，測得的光譜是集地物吸收光譜、大氣吸收光譜和散射光譜的混合光譜，其一般以反射率的數據圖像表達。利用導數光譜分析法可以減少背景噪聲，提高重疊光譜的分辨率，可以分為一階導數和高階導數。這種分析方法在一些農作物病蟲害的監測中應用較多［51-53］。

2.3.4 光譜特征位置分析法 光譜特征位置是指在光譜曲線上具有一定特點（最高點、最低點、拐點等）的波長所在位置，其分析方法包括紅邊效應分析和光譜吸收特征分析等。在可見光—近紅外波段形成了藍光、黃邊、紅邊等特征光譜變化區域。

肖璐潔等［54-55］研究發現，冬小麥在倒伏和干旱脅迫下存在紅邊位移現象，這些紅邊參數可以反映小麥的生長情況，能為技術監控小麥的病害提供參考。學者們研究最多的是紅邊位置，通常位于680～750 nm之間。當植物因感染病蟲害而“失綠”時，則紅邊會向藍光方向移動；而當紅邊向長波方向移動時植物一般處于旺盛生長狀態，其生物量大，葉片色素含量高。郭安延［56］研究發現患條銹病的小麥葉片的光譜反射率在可見光區域和近紅外區域均與健康葉片存在區別，可以用于及時監測冬小麥的條銹病。錢彬祥等［57］在紅邊位置用改進算法反演了冬小麥葉片的葉綠素含量，這為監測冬小麥病蟲害的發生奠定了理論基礎。在應用光譜特征位置分析法監測其他作物病蟲害的發生方面，同樣取得了一些成果［58-61］。

3 冬小麥病蟲害監測存在的主要問題和研究展望

雖然遙感技術在我國監測冬小麥病蟲害中已經取得了一定的研究進展，并且發揮了一定的作用，但還存在較多的問題，需要今后深入研究和解決。

3.1 監測中存在的問題

3.1.1 監測病蟲害的種類有限 冬小麥的病蟲害種類比較多，前人研究最多的是條銹病、白粉病、蚜蟲等，但有關紋枯病、赤霉病、吸漿蟲等的研究不多，針對性不明顯，而這些病蟲害也會導致小麥減產。在以后的研究中，應注重對冬小麥多種病蟲害的監測與預報，及時準確地獲取病蟲害信息，盡可能消除多種病蟲害的同時發生。

3.1.2 病蟲害遙感監測方法不夠成熟 光譜反射技術雖然具有普適性，但是缺乏針對性，只能分析病蟲害的光譜特征，不能反映病蟲害為害對冬小麥生理生化指標的影響，因此在今后的研究中應將多種指標結合起來。植被指數分析法能較好地反映冬小麥受病蟲害為害后生理生化指標的變化，進而能反演冬小麥的病情指數，但是該方法也存在一定的不足，例如構建標準不盡相同、容易受冠層背景等的影響。導數光譜分析法雖然能減少背景噪聲，提高重疊光譜的分辨率，但是該技術在冬小麥病蟲害監測方面的應用研究不多，以后需要擴展相關研究，以進一步提高病蟲害監測的精度。光譜特征位置分析法針對的是某一特征點的波長，不能反映受害小麥的全段光譜信息，這限制了對冬小麥病蟲害的及時監測和診斷。

3.2 未來研究展望

3.2.1 完善遙感技術本身的局限性 首先，由于各個遙感系統所獲取的遙感數據多數以混合像元方式表達，這在一定程度上限制了其應用精度，因此今后需要開發穩定的高分辨率傳感器。其次，對遙感圖像判讀、解譯后獲得的往往是對地物的大致估計信息或間接信息，這與實際情況存在出入，且在很多情況下應用計算機判讀、解譯遙感圖像的誤差比用熟練的人工的誤差大，但全靠人工的方式，則解譯工作量大，工作周期更長。最后，遙感信息的獲取、解譯技術還比較復雜，需要多種專業人員的協作配合才能完成這項工作。在今后的研究與應用中，應改進人工和計算機判讀方法和解譯技術，以提高對小麥病蟲害的監測精度。

3.2.2 多種遙感數據相結合 遙感數據的質量和處理方法決定了病蟲害監測的效果。數據源的質量需得到進一步的改善，應綜合采用多波段數據、多時相遙感數據、多類型遙感數據。例如我國南方地區多云多雨，光學衛星遙感數據往往不易獲得，應采用雷達遙感數據進行全天時、全天候的監測，以彌補光學遙感數據的不足。為了提高監測精度，今后除了綜合使用NOAA、Landsat、HJ衛星等中低分辨率衛星遙感數據外，還有必要結合使用高分辨的衛星遙感數據（如快鳥、SPOT、IKONOS等）。除此之外，應同時開展實地調查，彌補或改進遙感數據處理方法的不足。

3.2.3 病蟲害監測預報模型的改進 病蟲害監測預報模型多數以回歸模型為主，其主要通過統計計算和相關分析建立，很少解答預測因子與預報對象之間的相關性；所建模型的參數也有限，導致模型的普適性與機理性差，因而在不同地區、不同條件下較難推廣應用。因此，將作物品種、土壤因素、氣候條件等因素進行綜合考慮，明確影響作物病蟲害發生的主要誘因，建立以多方面因素為預測因子的監測模型，提高模型的通用性和可解釋性，便于作物病蟲害監測預報模型在不同的年份、不同的區域、不同的時相內推廣應用。

3.2.4 利用遙感數據反演農情參數 小麥病蟲害的發生與作物的長勢、氣候環境條件等因素關系較為密切。因此，利用遙感技術可及時、大面積地反演作物生長期間的葉面積指數、生物量、葉綠素含量、氮素含量等指標，以及農田環境因素如溫度、濕度等信息，有利于根據這些指標和因素對病蟲害的發生進行預測預報。

3.2.5 綜合應用3S技術 RS（遙感）不是一門獨立的學科，其應用已經與GIS（地理信息系統）和GPS（全球定位系統）融為一體。RS技術能及時獲取大量的小麥信息；GPS能對受害的小麥進行精確定位；GIS能對獲得的數據進行及時有效的處理。因此，綜合應用GIS、GPS和RS技術，集成專家知識、數據庫和作物模型等信息，建立作物病蟲害監測預報系統，大面積開展作物病蟲害監測預報，對于農業植保部門準確獲取作物病蟲害信息，開展科學防治意義重大。