基于SIF-PLS模型的冬小麦条锈病早期光谱探测

竞 霞 吕小艳, 张 超 白宗璠

(1.西安科技大学测绘科学与技术学院， 西安 710054； 2.中国农业大学土地科学与技术学院， 北京 100083)

0 引言

条锈病(Pucciniastriiformis)对冬小麦生产具有毁灭性危害，已成为影响我国冬小麦产量的重要病害之一[1]。传统人工田间调查的小麦条锈病识别与监测方法费时、费力，难以大面积同时展开[2]。植物发病后，病原菌与寄主相互作用引起植物细胞内部的色素、水分含量和细胞间隙的变化，导致受病害胁迫的植物反射率与叶绿素荧光光谱特性发生改变。而且，当病情严重到一定程度时，植物叶片上常会形成不同形式的病斑、坏死或枯死区域，使受害植物的颜色、纹理等外部形态特征发生改变。目前，对作物病害的遥感监测主要集中于计算机视觉技术和光谱探测技术。计算机视觉技术在作物病害监测中具有无损、快速等优点，被成功应用于小麦条锈病的识别与诊断，利用病害图像的几何形状、颜色、纹理、方向一致性特征均能实现条锈病的识别[3-5]。但这种方法对已经显症且外在形态特征明显的作物病害识别效果较好，对于受病菌侵染初期的作物病害诊断效率低下，难以实现作物病害的早期探测。

随着光谱技术的广泛应用，利用光谱技术对冬小麦条锈病进行识别与监测，尤其是实现冬小麦条锈病潜育期或早期诊断，可为冬小麦条锈病的早期防治提供必要的信息支持，有效减小冬小麦产量损失。目前，利用光谱技术对小麦条锈病的遥感探测主要集中于反射率数据[6-9]，反射率数据主要反映作物叶片生化组分的浓度信息，难以直接揭示植被光合生理状态[10-11]。叶绿素荧光作为植物光合状态的指示剂，与植物活力密切相关，能够更早、更敏感地反映病害引起的生理变化[12]。利用叶绿素荧光监测作物病害方面的研究主要利用主动式荧光[13-15]和被动荧光[16]，主动式荧光难以大面积反映冠层及以上尺度真实的荧光状态[17]，而属于被动荧光的SIF能够在自然环境下实现植被冠层SIF的大面积无损观测[18]，因此SIF是利用遥感技术进行作物病害早期探测的有效手段之一。已有研究者利用冠层SIF数据对小麦条锈病的发病情况进行监测，但是这些研究是针对发病后小麦条锈病不同的病情严重度进行的[19-21]，对冬小麦条锈病发病早期[22](DI为0～20%)的监测报道较少。赵叶等[23]通过分析SIF数据和反射率光谱数据对小麦条锈病病情严重度的敏感性得出，小麦条锈病发病较轻时，以SIF为自变量构建的小麦条锈病病情严重度预测模型达到了极显著性水平，而反射率光谱数据则难以探测到小麦条锈病信息，该研究仅分析了O2-A和O2-B两个波段SIF数据，且建模方法简单。

本文基于3FLD和反射率荧光指数2种方法提取冠层SIF数据，优选对小麦条锈病早期敏感的特征参量，利用PLS算法建立小麦条锈病的早期探测模型，以便在冬小麦出现严重病症前及时探测到病情的发展状况，为冬小麦条锈病的早期防治提供必要的信息支持。

1 材料与方法

1.1 试验设计与数据获取

1.1.1试验设计

试验于2018年在河北省廊坊市中国农业科学院试验站(39°30′40″N，116°36′20″E)开展，小麦品种为对条锈病高感的“铭贤169号”。试验区小麦平均种植密度为113株/m2，分为A、B、C、D共4组，每个试验组的面积为220 m2，每个组分为8个样方(A1～A8、B1～B8、C1～C8、D1～D8)。2018年4月9日采用质量浓度为90 mg/L的孢子溶液，利用喷雾法对B、C组冬小麦进行条锈病接种，即健康组(A1～A8、D1～D8)和染病组(B1～B8、C1～C8)各16个样方。

1.1.2冠层光谱测量

2018年5月14日、5月18日和5月24日采用ASD Field Spec Pro 型地物光谱仪测量冬小麦冠层光谱数据，测量时天气晴朗、无云无风，探头垂直向下，距离地面1.3 m，每个样方重复测定10次，取平均值作为该样方的光谱值，每次测量前后均用标准BaSO4参考板进行标定，并计算冠层反射率ρ，计算式为[21]

(1)

式中Ltarget——目标辐亮度，μW/(cm2·nm·sr)

Lboard——参考板辐亮度，μW/(cm2·nm·sr)

ρboard——参考板反射率

1.1.3病情指数调查

采用5点取样法调查试验区冬小麦条锈病病情严重度，即在每个样方内选取对称的5点，每点约1 m2，随机选取30株冬小麦。单叶病情严重度分为9个梯度，即：0、1%、10%、20%、30%、45%、60%、80%和100%。记录每个样方各梯度下的冬小麦叶片数，计算病情指数[17]，计算式为

(2)

式中DI——病情指数，%

x——单叶各梯度级

m——单叶最高梯度级

f——各梯度的叶片数

1.2 研究方法

基于ASD光谱仪测定的冬小麦冠层反射辐亮度光谱以及太阳入射辐照度光谱数据，利用优选的对小麦条锈病早期探测敏感的反射率荧光指数以及3FLD算法估测的单波段SIF-A强度作为自变量，采用PLS算法构建小麦条锈病早期探测模型，并将其与反射率光谱指数构建的模型进行对比分析，以确定小麦条锈病早期探测的适宜模型。

1.2.1基于3FLD的SIF估测算法

冬小麦侵染条锈病菌后，光合作用活性减弱，吸收光合有效辐射(Absorbed photosynthetic active radiation，APARchl) 降低[24]，而O2-A波段(中心波长为760 nm)的冠层SIF主要受APARchl影响[25]，且O2-A波段吸收形成的夫琅和费暗线特征明显[26]。因此，利用3FLD算法提取O2-A波段的SIF-A。3FLD估测算法是利用夫琅和费暗线内的一个波段表观辐亮度和夫琅和费线吸收线左右各一个波段表观辐亮度的加权平均值，计算自然光照条件下太阳光激发的荧光对夫琅和费“井”的填充程度获取叶绿素荧光的强度[21]Sin，计算公式为[27]

(3)

其中

式中Iin——夫琅和费吸收线内的太阳辐照度光谱强度，μW/(cm2·nm)

Lin——夫琅和费吸收线内的植被冠层反射的辐亮度光谱强度，μW/(cm2·nm·sr)

λright、λin、λleft——吸收线右、内、左波段波长

ωleft、ωright——吸收线左、右2个参考波段所占的权重

Ileft、Iright——吸收线左、右的太阳辐照度光谱强度，μW/(cm2·nm)

Lleft、Lright——吸收线左、右的植被冠层反射辐亮度光谱强度，μW/(cm2·nm·sr)

(4)

1.2.2基于反射率光谱的SIF间接提取方法

为了进一步探究荧光对冬小麦条锈病早期探测的潜力，引入能够检测荧光信息的冠层反射率比值指数、反射率一阶导数比值指数[30]。在冬小麦遭受条锈病胁迫时，红边区域反射率光谱发生显著变化，一阶导数光谱存在明显的双峰现象，而在红边光谱区域中计算的反射率指数、利用双峰特征获取的一阶反射率比值指数，可以跟踪病害诱导的荧光变化，快速评估与冬小麦直接相关的生理过程[29-30]。

1.2.3冠层光谱指数SI计算

冠层SI能够表征冬小麦的相关特征及状态，依据冬小麦条锈病的生理特征和已有研究成果，本文选用文献[34-39]中的光谱指数作为冬小麦条锈病早期探测的冠层SI数据，其中包括可减弱土壤背景对冠层光谱影响的NDVI、RVI和DVI，反映在病害胁迫下植物色素变化的PPR、MTCI和PSSRc，以及反映植被水分含量变化的WI和MSI，此外还有反映植被损伤程度的DSSI2、病害胁迫下植被衰减程度的PSRI和直接反映植被光合速率变化的PRI。

1.3 模型构建及精度检验

在进行小麦条锈病病情严重度模型构建和精度评价时，为了使评价结果更客观，将样本数据(样本数n=37)重复进行3次分组(记为a、b、c)，每组数据按照3∶1的比例随机分成训练集(n=28)和验证集(n=9)，以敏感SIF数据和SI数据(达到0.01水平相关)为自变量，DI为因变量，基于PLS算法建立冬小麦条锈病早期探测的SIF-PLS 模型和SI-PLS 模型，并通过决定系数(Determination coefficient，R2)和均方根误差(Root mean square error，RMSE)2个指标对冬小麦条锈病早期探测模型进行精度评价。

2 结果与分析

2.1 冠层SIF与DI的相关性分析

表1 SIF与DI 的相关系数(n=37)Tab.1 Correlation coefficients of SIF and DI (n=37)

注：**表示0.01水平极显著相关；*表示0.05水平显著相关，下同。

2.2 冠层SI与DI的相关性分析

将所选择的光谱指数与冬小麦条锈病发病早期的DI进行相关分析(表2)，由表2可知，NDVI、MSI、PRI、RVI、DVI、PSRI、WI与DI的相关系数分别为-0.574、0.456、-0.613、-0.571、-0.635、0.615、-0.469，达到了极显著相关，可作为早期探测模型的输入参量。PSRI、PRI与DI相关系数的绝对值接近，但PSRI与DI正相关，而PRI则与DI负相关，表明随着DI的增大，冬小麦的衰减程度增大，光合速率减弱。

表2 SI与DI的相关系数(n=37)Tab.2 Correlation coefficients of SI and DI (n=37)

2.3 冬小麦条锈病早期探测模型构建及精度评价

在小麦条锈病敏感因子优选的基础上分别以SIF和SI为特征参量构建小麦条锈病早期探测模型SIF-PLS(图1)和SI-PLS(图2)。由图1和图2可以看出，3组冠层SIF数据构建的冬小麦条锈病早期探测SIF-PLS模型训练集的R2分别为0.679、0.690、0.711，而SI-PLS模型的R2分别为0.509、0.449、0.448；SIF-PLS的RMSE分别3.4%、3.4%、3.4%，而SI-PLS的RMSE分别4.2%、4.6%、4.7%，SIF-PLS模型预测DI和实测DI间的决定系数比SI-PLS至少提高了33%。

采用保留样本交叉检验方式，利用建模剩余的 9个数据作为验证样本，分别对SIF-PLS和SI-PLS模型的预测精度进行检验，结果如表3所示。由表3可以看出，SIF-PLS验证集的平均R2为0.793，而SI-PLS验证集平均R2为0.576，SIF-PLS验证集的平均RMSE为3.2%，而SI-PLS验证集的平均RMSE为4.7%。因此，SIF-PLS模型精度较同组SI-PLS模型均有一定的提高，3组数据中SIF-PLS模型比SI-PLS模型的R2最少提高了27%，平均提高了38%；RMSE最少可减少24%，平均减少了32%。因此，SIF-PLS模型对小麦条锈病的早期探测能力优于SI-PLS模型。

图1 SIF-PLS 模型精度Fig.1 SIF-PLS model accuracy

图2 SI-PLS 模型精度Fig.2 SI-PLS model accuracy

表3 验证精度Tab.3 Validation accuracy

3 结论

(1)为探讨SIF对冬小麦条锈病早期探测的潜力，利用野外测定的冠层光谱和病情指数数据，对SIF、SI与冬小麦条锈病DI进行了相关性分析。结果表明，利用3FLD提取的O2-A波段(中心波长为760nm)处的SIF-A强度与DI的相关性最高，相关系数R=-0.793，说明SIF-A对冬小麦条锈病早期信息更为敏感。

(3)利用3FLD和反射率荧光指数方法提取的SIF对小麦条锈病进行早期探测是可行的，且探测效果显著优于光谱指数方法。但该方法仅在小区控制试验条件下实现了冬小麦条锈病的早期探测，如何在田块尺度上探测到显症之前的小麦条锈病是下一步研究的重点。