基于高光谱数据的马尾松松萎蔫病早期监测1)

张 衡 潘 洁 巨云为 廖振峰

(南京林业大学，南京，210037)

责任编辑:程 红。

松萎蔫病是由松材线虫引起的一种对松属树种的毁灭性灾害，该病最早于1905年在日本发现［1］。我国自1982年在南京中山陵风景区首次发现该病以来迅速蔓延至全国各地，对森林资源和生态环境造成严重破坏。据了解，在我国每年由松材线虫病造成的直接和间接经济损失高达上亿元［2］，因此，如何实现对松萎蔫病实时有效的监测预报尤其是早期预测是迫切需要解决的问题。

近年来，随着信息技术的快速发展，高光谱遥感作为一种新的监测手段被广泛运用到森林病虫害的监测中［3］。高光谱遥感是高光谱分辨率遥感的简称，它是指利用很多很窄(通常波段宽度＜10 nm)的电磁波波段从感兴趣的物体上获取相关数据，形成一条完整且连续的光谱曲线。它不仅具有波段窄、通道多、图像与光谱能够合二为一等优点，而且它获取的地物光谱信息连续且精细，因此高光谱遥感应用于地物精细识别和分类的研究越来越引起人们的广泛关注［4－7］。

本研究以成年马尾松(Pinus massoniana)为接种材料，利用全波段(350～2 500 nm)高光谱仪于野外实测获取冠层光谱数据，分析感病植株与对照植株在各个时期的光谱特征，寻找感病植株与健康植株在感病早期差异显著的光谱特征参数，同时跟踪测量各时期针叶的叶绿素质量分数，通过光谱特征参数结合感病植株的叶绿素质量分数定量反演，以期达到松材线虫病各病程定量监测，特别是实现植株在出现肉眼可见感病特征前的早期监测。

1 材料与方法

1.1 试验设计

试验地点位于江苏省南京市栖霞山马尾松林。采用贝曼氏漏斗法从南京地区自然死亡的黑松木段上分离出松材线虫，然后经人工挑选，培养，供接种。根据当地的气候特征，选择在2012年6月份接种松材线虫，在7—9月份进行光谱测量。在样地中随机选择7 棵树高相近年龄相同的健康成年马尾松作为试验对象，其中5 棵接种松材线虫，2 棵为对照。

1.2 数据采集

光谱数据的采集过程包括测量健康与感病植株的冠层光谱反射率。数据采集分为野外冠层光谱数据采集和采样针叶室内叶绿素质量分数测定两部分。采用美国ASD 公司生产的全波段光谱仪，在350～2 500 nm 波段范围内对选定的健康与感病的马尾松植株冠层进行连续光谱测量，自接种之日起，每隔10d 左右(依天气而定)进行定株光谱测量。测量时选择晴朗无风无云的天气，同时为了减少太阳高度角的变化对测量结果的影响，测量时间选择在10:00—14:00。光谱数据采集过程中，每株选择5 个冠层测量点，每次取10 组数据，每次测量前后均用硫酸钡标准白板进行校正，最后取平均值作为该马尾松植株的冠层光谱反射率。光谱测量结束后，从光谱测量时对应的相应位置采集小段植株样品装入冰袋，带回室内即时进行叶绿素质量分数的测定。

叶绿素质量分数的测定采用80%丙酮提取比色法［8］。将针叶剪碎、称质量并磨碎，用80%丙酮浸泡后过滤，利用UV－2102C 型紫外可见分光光度计(上海龙尼柯仪器有限公司)分别测量叶绿素a、叶绿素b 的吸光度，再依据公式Ca=12.21A663－2.81A646;Cb=20.13A646－5.03A663分别计算出其相应的质量分数，然后将两者相加即为叶绿素总量，为减小误差，每组做3 次重复，最后取其平均值作为测试植株的叶绿素质量分数。

1.3 数据处理

在高光谱数据处理过程中进行了预处理和光谱参数提取。首先，对采集的各时期高光谱数据进行逐一核查，剔除其中的异常数据，然后求取50 组测量原数据的平均值作为每株马尾松冠层反射率，然后对接种的5 株马尾松植株光谱数据进行差异分析。剔除与其他植株感病差异明显的植株后，取其余感病株光谱数据均值作为感病马尾松植株的冠层反射率。对照健康马尾松的冠层反射率数据同理获取。第二步，对健康及感病马尾松植株的冠层反射率数据借助ASD 公司提供的View Specpro 软件和EXCEL 数据分析工具进行处理，提取各种光谱参数，分析其变化特征;然后在MATLAB 软件中编程实现各波段原始反射率、导数光谱、不同光谱指数与叶绿素质量分数间的相关关系，选择相关系数最大的光谱指数建立叶绿素质量分数的定量反演模型并进行精度检验。

具体光谱参数及处理方法如下。①基于原始反射率的参数:510～570 nm 最大反射率值及对应的波长(绿峰);640～680 nm 最小反射率及对应波长(红谷);反射特征区域的反射率，如反射峰与吸收谷中心波长的位置，分别为455、550、680、980 nm。②植被指数:两波段组合的比值、差值和归一化植被指数的计算方法参考表1，计算各植被指数的入选波段见表2。③导数光谱:采用一阶导数光谱指数作为筛选参数［16］。

表1 多种植被指数计算方法及出处

表2 植被指数的波段组合

2 结果与分析

2.1 不同感病时间马尾松原始反射光谱特征

由图1可见，健康马尾松各时期的光谱变化曲线遵循植被的反射光谱曲线特征，即在绿光区有一个较低的反射峰值，在近红外区存在一个较高的反射峰值。在光谱测量的6 个时期内反射光谱曲线变化规律相似，无明显差异。其中，只有8月18日光谱曲线的反射率明显高于其它各时期，尤其在近红外区，其它各时期的反射率都逐渐趋于平稳，而它的反射率却呈现出线性增加的趋势。究其原因，主要是因为在这个时期对照植株长出了较多的新叶，叶绿素整体含量明显升高，使得这个时期的光谱反射特征出现了这样的变化趋势。

图1 健康植株(左)与感病植株(右)各时期反射光谱

感病马尾松光谱曲线与健康植株相比有着明显的差异，尤其表现在感病中后期，感病植株在绿光区的反射特征逐渐减弱，反射峰值逐渐减小，直至病株完全枯萎，光谱曲线上的反射峰或吸收谷特征明显消失，趋向于一条平直曲线。其中，8月18日测量的感病植株冠层反射率和对照类似，也表现出反射率的绝对值显著高于其它测量时间的反射率值，原因与对照相同，此时的感病植株在枯萎变黄的同时，也有部分新叶长出，使得感病植株的反射率值明显要高于其它时期。

由此可见，健康马尾松与感病马尾松植株冠层原始反射率光谱的变化差异比较显著，特别是在感病的中后期，感病植株的反射峰与吸收谷特征都逐渐减弱直至消失。

2.2 不同感病时间马尾松特征光谱指数差异

通过对健康植株与感病植株原始反射光谱的对比分析，发现感病植株与健康植株的光谱曲线在感病的中后期差异较为显著，但在感病早期，冠层叶片颜色变化不明显，两者原始反射光谱曲线间的差异也不显著，单从光谱反射率来看并不能判别马尾松是否感染了松材线虫病，因此，需要进一步地寻找能在植株出现肉眼可见感病特征前有明显差异的光谱指数来进行早期的区分与判别。通过查阅资料，首先选择了表1中所列举的7 个植被指数作为敏感参数来进行松萎蔫病的早期判别，这几个指数是目前光谱分析较为常用的植被指数，在分析植被的反射率时能够较好地反映出植被的光谱特征，具有一定的代表性［9－15］。

表3 健康植株与感病植株不同时间的各植被指数

根据表1和表2中所给的公式分别计算感病植株与健康植株在不同感病阶段对应的植被指数。因为各波段组合的对比结果呈类似的变化规律，因此选取一种作为代表在表3中列出。通过对比分析(表3)可以看出，感病植株与健康植株的比值植被指数和差值植被指数的差异主要表现在感病的中后期，结构敏感色素指数和抗大气植被指数2 直到感病末期才有较为明显的差异，而感病植株的归一化植被指数、加强植被指数和土壤调整植被指数在整个感病阶段都与健康植株没有太大差异。由此可见，感病植株的这些植被指数在植株出现肉眼可见感病特征前与健康植株相比无明显差异，因此不能用来作为马尾松松萎蔫病早期判别的光谱指数。

2.3 不同感病时间马尾松一阶导数光谱

一阶微分光谱在辨别细微光谱差异上具有一定的优势，能够较好地反映出植物的本质特征［17］，因此将原始反射光谱进行一阶微分处理，进一步探寻在感病早期能够表现出明显差异的光谱参数。经过仔细的筛查与对比分析，发现感病植株与健康植株在波长593 nm 处一阶导数光谱(FD593)有较明显的差异(表4)，健康植株在波长593 nm 处的一阶导数光谱有波动性变化但不显著，其平均值为(0.025±0.005)，但感病植株的值呈现出一种先减小后逐渐增大的趋势，这种变化规律与不同感病阶段植株叶绿素含量的变化特征吻合(表4)，同时在植株出现肉眼可见感病特征前的发病早期阶段，FD593值会减小到0.01 以下，因此，可以利用在波长593 nm 处的一阶导数光谱来对马尾松是否感染了松萎蔫病进行早期定性判别。

表4 健康与感病马尾松在波长593 nm 处的发射率一阶微分与叶绿素质量分数

2.4 马尾松不同病程叶绿素质量分数定量反演

研究发现，在测量的感病植株各种生理生化指标中，叶绿素质量分数的变化动态与光谱变化特征有明显的相关关系，并且感病植株在感病过程中叶绿素质量分数的变化规律明显，更能从外观上直接反应感病植株不同感病阶段的变化［18］。因此，本研究选取植株的叶绿素质量分数进行定量反演以实现松材线虫病的定量监测。

由图2可以看出，随着马尾松的生长，对照组叶绿素质量分数有波动性变化但不显著，感病植株的叶绿素质量分数在发病初期会略有升高，但随着病情的加重，叶绿素质量分数会显著降低，在发病中后期，随着针叶的不断失水、褪绿、褐变，叶绿素质量分数会呈明显下降趋势，这一结果与很多研究中显示叶绿素质量分数变化的情况［18－19］相吻合。

利用单波段光谱反射率与叶绿素质量分数进行相关性分析，同时也将波段进行组合后获取的多种光谱变换参数与叶绿素质量分数进行相关性分析，计算二者的相关系数，将最终结果进行筛选，发现在波长1 405 nm 处的反射率与叶绿素质量分数的相关系数最大，达到了0.884，呈现出显著的正相关关系(图2)，因此用波长1 405 nm 处的反射率来建立叶绿素质量分数的定量反演模型。模型为:CHL=－1.74(X1405)2+4.72X1405－0.76。式中:CHL为感病植株的叶绿素质量分数。

图2 马尾松叶绿素质量分数随波长1 405 nm 反射率的变化

通过在波长1 405 nm 处的反射率获取，可以直接计算出感病马尾松植株的叶绿素质量分数。而研究发现，导数光谱指数对传感器的灵敏度和信噪比的要求很高，用微分因子构建的模型很难在影像反演中获得令人满意的结果［19］，因此，不考虑用导数光谱指数作为敏感波段来构建反演模型。

综上所述，可以利用在波长593 nm 处的导数光谱并结合相应的叶绿素质量分数的定量演算来早期判别马尾松是否感染了松萎蔫病，在植株出现肉眼可见感病特征前，利用高光谱遥感获取其光谱反射率进行分析，当FD593的值为0～0.01，相应的叶绿素质量分数超过(1.50 ±0.10)mg·g－1时，就可以确定马尾松感染了松萎蔫病。

3 结论与讨论

结合马尾松松萎蔫病发生时的生态学特征与相应的高光谱特征，同时结合植株不同感病时期的光谱特征与叶绿素质量分数的相关性分析，从定性与定量两个方面判断马尾松是否感染了松萎蔫病，以此实现植株在出现肉眼可见感病特征前的早期监测。研究表明:①感病与健康马尾松的原始光谱反射率差异明显。主要表现在，感病中后期感病植株在绿光区的反射峰逐渐减弱，而在红光区的吸收谷会逐渐增强，随着病害程度的进一步加深，反射率、吸收谷都会慢慢消失，反射光谱曲线也逐渐变为一条平滑的直线。但在感病早期二者之间的差异不显著。②马尾松在感染松萎蔫病后，叶绿素质量分数呈现先略微升高后下降的趋势，并且植株的叶绿素质量分数与波长1 405 nm 处的光谱反射率有显著的相关性，可以据此来实现感病植株叶绿素质量分数的定量预测。模型为:CHL= －1.74(X1405)2+4.72X1405－0.76，式中，CHL为感病植株的叶绿素质量分数。③通过对多种光谱特征参数的筛选，选择波长593 nm 处反射率的一阶微分作为敏感指数，并结合相应的叶绿素质量分数来判断马尾松在出现肉眼可见感病特征前是否感染了松萎蔫病。当FD593的值为0～0.01，相应的叶绿素质量分数超过(1.50±0.10)mg·g－1时，就可以确定马尾松感染了松萎蔫病。

我国对松萎蔫病的致病机理及相应的防治措施和控制方法的研究已日渐成熟，但对该病的早期监测预报的研究还比较少见，而利用高光谱遥感技术对该病进行早期的监测预报仍处于探索阶段。由于松材线虫病在发病早期病害木自身并无明显症状，而等到植株显现出肉眼可见的感病特征则会在短时期内迅速萎蔫死亡，因此，在未知感病与否的情况下，如何判断感病并实现感病植株的早期监测对松材线虫病的预防与治理具有重要的实践意义与应用价值。

本研究的结论表明，通过对健康与感病马尾松连续的光谱监测，结合相应时期植株的生理生化参数(如叶绿素质量分数)的同步分析，在发病早期可以较为准确地判别出被感染的马尾松，这为深入研究利用高光谱遥感技术来实现松萎蔫病的早期监测预报提供了依据。但是，由于时间和试验条件的限制，本研究在建模时所用的数据有限，需要在将来的研究中对定量模型进行进一步的检验和验证，同时，不同树种间、不同生境、不同病虫害的判别是否会有差异都有待深入的研究与探索。

［1］ Kwon T S，Shin J H，Lim J H，et al.Management of pine wilt disease in Korea through preventative silvicultural control［J］.Forest Ecology and Management，2011，261(3):562 －569.

［2］ 赵博光.松萎蔫病致病新机理论文选编［M］.香港:中国科学文化出版社，2008:279 －289.

［3］ 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(2):1 －13.

［4］ 陈鹏程，张建华，雷勇辉，等.高光谱遥感监测农作物病虫害研究进展［J］.中国农学通报，2006，22(2):388 －391.

［5］ 何诚，冯仲科，袁进军，等.高光谱遥感技术在生物多样性保护中的应用研究进展［J］.光谱学与光谱分析，2012，32(6):1628－1632.

［6］ Vane G，Goetz A F H.Terrestrial imaging spectrometry:current status，future trends［J］.Remote Sensing of Environment，1993，44(2/3):117 －126.

［7］ Green R O，Eastwood M L，Sarture C M，et al.Imaging spectroscopy and the airborne visible/infrared imaging spectrometer(AVIRIS)［J］.Remote Sensing Environment，1998，65(3):227－248.

［8］ 郝再彬.植物生理实验［M］.哈尔滨:哈尔滨工程大学出版社，2004.

［9］ Pearson R L，Miller L D.Remote mapping of standing crop biomass for estimation of the productivity of the shortgrass prairie［R］.Michigan:Willow Run Laboratories，1972:1357 －1381.

［10］ Richardson A J，Wiegand C L.Distinguishing vegetation from soil background information［J］.Photogrammetric Engineering and Remote Sensing，1977，43(12):1541 －1552.

［11］ Rouse J W Jr.Monitoring the vernal advancement of retrogradation of natural vegetation［R/OL］.［2014 －02 －11］.http://ntrs.nasa.gov/search.jsp?R=19730009608.

［12］ Justice C O，Vermote E，Townshend J R G，et al.The moderate resolution imaging spectroradiometer (MODIS):land remote sensing for global change research［J］.IEEE Transactions on Geoscience and Remote Sensing，1998，36(4):1228 －1250.

［14］ Gitelson A A，Kaufman Y J，Stark R，et al.Novel algorithms for remote estimation of vegetation fraction［J］.Remote Sensing of Environment，2002，80(1):76 －87.

［15］ Huete A R.A soil-adjusted vegetation index (SAVI)［J］.Remote Sensing of Environment，1988，25:295 －309.

［16］ 乔红波，程登发，孙京瑞，等.麦蚜对小麦冠层光谱特性的影响研究［J］.植物保护，2005，31(2):21 －26.

［17］ 许勇.江苏沿海无机氮磷营养盐遥感监测研究［D］.南京:南京师范大学，2009.

［18］ 王晓堂.基于高光谱的松萎蔫病动态变化的研究［D］.南京:南京林业大学，2011.

［19］ 陈玉惠，叶建仁，魏初奖，等.松材线虫侵染对马尾松、黑松水分及其相关代谢的影响［J］.植物病理学报，2005，35(3):201－207.