基于GF-1/WFV数据的冬小麦条锈病遥感监测

王利民，刘 佳，杨福刚，杨玲波，姚保民，高建孟



基于GF-1/WFV数据的冬小麦条锈病遥感监测

王利民，刘 佳，杨福刚，杨玲波，姚保民，高建孟

（中国农业科学院农业资源与农业区划研究所，北京 100081）

条锈病是冬小麦常见病害，利用遥感影像对条锈病病害区域进行准确监测具有重要意义。该文利用GF-1/WFV影像，结合条锈病地面光谱数据分析，采用冬小麦条锈病遥感监测指数（wheat stripe rust index，WSRI）对河南西华县冬小麦条锈病发病范围进行了估测。首先，利用冬小麦 NDVI 加权指数（weighted NDVI index，WNDVI）获取冬小麦种植区域。其次，利用影像4个波段反射率之和提取不同冬小麦品种的分布范围，值较高的为条锈病高抗品种（郑麦系列），较低的则是条锈病易感品种（矮壮系列）。再次，构建冬小麦条锈病指数（wheat stripe rust index，WSRI），结合地面实地调查的条锈病分布数据，通过设定合理的WSRI指数划分阈值，提取条锈病染病区域并进行精度验证。结果表明，研究区内小麦条锈病空间分布识别的总体精度在84.0%以上，具有区域监测应用的潜力。该方法简单，可操作性强，表明宽波段GF-1影像结合WSRI指数的技术，是一种比较可行的小麦条锈病遥感监测方案。

遥感；监测；作物；GF-1/WFV；小麦条锈病；WSRI；识别

0 引 言

小麦是中国的第二大粮食作物，条锈病是中国发生较重的20余种病害之一[1]，也是3种小麦锈病中发生最为广泛的病害[2]。小麦条锈病是由病原s引起，主要发生在西北、西南、黄淮等冬麦区和西北春麦区，在流行年份可导致减产20%以上，严重地块甚至绝收，病害的监测对灾损防治与控制具有重要意义[3]。田间采样是常用的病害调查方式，主要问题是区域覆盖性差，病害发生范围判断不准确。在病害发生初期，受害植株叶片内部结构发生变化，病叶的近红外波段数据便发生了变化，为遥感技术对病害监测提供了依据[4]。从数据获取角度分析，遥感技术开展病害监测应用主要包括地面观测光谱数据、航空遥感数据、卫星遥感数据等3个方面，其中地面观测可以分为室内的单叶水平观测分析，以及大田尺度的冠层光谱观测。

由于观测条件相对可控，单叶水平的实验室内观测往往是病害敏感波段研究的主要方式[5-6]，Zhang等[7-8]基于地面观测数据提取了小麦白粉病的32个光谱特征，采用多种算法进行了精度比较，认为局部最小二乘回归模型（PLSR）和采用小波特征建立回归模型比传统多元回归模型（MLR）对小麦白粉病病害程度监测更为有效。由于太阳辐射量、风力状况和云层情况的复杂性都会对试验结果造成影响[9]，冠层水平病害研究则更多的集中在病害特征反射光谱选择与方法筛选方面[10-18]。刘良云等[19]分析了感染小麦条锈病、白粉病的冬小麦在主要生育期的光谱特征及其变化，发现染病小麦冠层光谱红边蓝移，红边振幅减小，NDVI（normal difference vegetation index）值减小。黄文江等[20]选取不同抗性的小麦品种进行不同梯度的条锈病田间接种试验，并测定了冠层光谱及对应的病情指数，通过构建病情指数证明了反演条锈病严重度的理论和方法是可行的。

在航空遥感病害研究方面，主要是基于无人机影像结合地面观测开展了病害遥感监测可行性的研究[21]。蔡成静等[22]使用ASD手持野外光谱仪和热气球分别从近地和高空采集了发病小麦冠层的高光谱遥感数据，通过对比2个不同平台高光谱数据在小麦冠层反射上的差异，发现绿峰580 nm和黄边610 nm处数据对发病小麦冠层较敏感。航空遥感的优势是观测范围更广，但噪声消除和试验数据处理方法限制了深入应用。在卫星病害遥感监测研究方面，Kanemasu等[23]在1974年通过分析陆地卫星一号（ERTS-1）各波段数据组合，发现小麦病害和卫星某些波段数据组合有一定的相关性。国内学者则对不同卫星遥感数据开展了相关研究，深化了农作物病害遥感监测研究[24-25]，并根据冬小麦条锈病染病作物绿光与近红外波段的差异，建立了小麦条锈病遥感监测指数，形成了相应的农业行业标准[26]。

从以往研究回顾可以看出，农作物病害遥感监测方法的研究较为成熟，但采用国产卫星遥感开展遥感监测的研究仍处于起步阶段，特别是大范围种植区的应用研究相对较少。为了研究冬小麦条锈病遥感监测指数在国产卫星中应用的有效性，该文基于国产GF-1卫星宽视场WFV数据，采用冬小麦条锈病害遥感监测指数，对河南省西华县冬小麦条锈病2017年发病状况进行了监测。

1 研究区概况

西华县位于河南省东部，行政建制属于周口市管辖。地理位置114°5′E～114°43′E，33°36′N～33°39′N，总面积1 194 km2，耕地面积73 300 hm²。属暖温带半湿润季风气候，四季分明，光照充足，年平均气温14 ℃。平均降水量750 mm，平均日照时数1 971 h，无霜期224 d，最大风速10.6 m/s。西华属黄河冲积平原，海拔高度在47.8～55.8 m之间，西北略高于东南，地势平坦，土层深厚。盛产小麦、棉花、大豆、花生、大枣、苹果、桃子、芦笋等，2015年全县冬小麦种植面积68 000 hm² (周口统计年鉴，2016年)。占夏收粮食播种面积的100%。冬小麦病虫害主要有条锈病、麦蜘蛛、黄花叶病毒病、小麦纹枯病等。图1给出了西华县在河南省的地理位置。

图1 研究区的地理位置

Figl.1 Geographical location of study area

研究区内冬小麦生育期一般是从每年的10月到次年6月。按照生长季内冬小麦发育特点，可以划分为9个发育时期，即播种（10月10日－10月30日）、出苗（11月1日－11月20日）、分蘖（11月21日－12月20日）、越冬（12月21日－2月28日）、返青（3月1日－3月31日）、拔节（4月1日－5月10日）、抽穗（5月11－20日）、乳熟（5月21－30日）和成熟（6月1－20日）等。在每年的10月至次年4月上旬，农田中一般只有冬小麦处于生长阶段，其它作物在4月中旬才开始播种，下旬开始陆续出苗，至5月上旬在遥感影像上呈现出明显的植被特征。

2 数据获取及处理

2.1 GF-1/WFV数据处理

GF-1卫星是中国第1颗高分辨率对地观测应用卫星，于2013年4月26日在酒泉卫星发射中心成功发射。GF-1卫星共有4台16 m分辨率多光谱相机（WFV1～WFV4），每台相机包含蓝（0.45～0.52m）、绿（0.52～0.59m）、红（0.63～0.69m）和近红外（0.77～0.89m）4个波段，4台相机组合幅宽可达800 km，重访周期为4 d。原始的WFV影像为1A级，使用农业部遥感应用中心自主研制的软件进行辐射定标和大气校正预处理。其中辐射定标的公式如下所示

()=Gain·DN+Bias （1）

式中()为传感器入瞳处辐射亮度值（W/(m2·sr·m)），Gain 为增益系数，Bias 为偏置系数，DN 为观测灰度值，Gain和Bias都由中国资源卫星应用中心提供。大气校正使用6S辐射传输模型进行，需要由中国资源卫星中心获取的GF-1/WFV传感器光谱响应函数，将波谱响应函数重采样为2.5 nm间隔输入模型，并根据卫星影像自带的元数据信息确定卫星观测几何、大气模式等参数，运行6S模型获取研究区影像地表反射率。几何精校正平面精度达到1个像元以内，具体是先使用区域网平差模型对传感器RPC（rational polynomial coefficients）参数进行修正，再基于15 m空间分辨率的LandSat-8/ OLI影像作为底图进行精校正。

该文共选择了2016年10月3日到2017年4月18日间的7幅影像，数据来自农业部遥感应用中心GF卫星数据分发中心，各幅影像的文件名称、获取时间、传感器名称、轨道号等内容列于表1。

表1 研究区GF-1卫星WFV影像

2.2 地面调查

地面调查包括2方面内容，第一是冬小麦条锈病发病范围调查，第二是冬小麦条锈病不同发病程度的地面光谱测量。地面调查内容主要用于确定病害模型参数的获取及精度验证。冬小麦条锈病发病范围与程度调查是基于格网的方式进行，即将研究区的外边界的矩形框等分为10×10 的规则格网，格网宽度约为5.94 km×4.33 km大小，覆盖研究区的矩形框为51个，选择51个矩形框的中心点作为地面基本调查点。如果基本调查点不是发病点，则在矩形框内增加设置一个补充调查点。基本调查点、补充调查点是否发病是采用地面调查的方式确定的。本次研究共布设了51个基本调查点，49个补充点。通过上述地面调查样点的设置，既能够保证调查点布设的均匀性，又能够保证有足够的发病点样本。

冬小麦严重程度调查时间为2017年5月1日，此时冬小麦处在开花后期，灌浆初期，条锈病主要侵染作物中下部的茎叶，上部叶片感染不明显，调查时区分了正常、轻微、中等染病3种情况。考虑到WEV影像时间是2017年4月18日，较调查时间提前了13 d左右，冬小麦染病严重程度不易区分，因此WFV影像识别仅限于是、否发病2种情况。地面调查时也记录了冬小麦品种，以及高度、盖度和密度等农学辅助信息。

采用美国ASD（Analytical Spectral Devices, Inc.）公司的FieldSpec 3便携式地物波谱仪观测未发病、染病2种状况的光谱反射率，目的是验证GF-1/WFV的4个谱段在地面观测条件下的病害响应，进一步明确病害指数在研究区内对条锈病害的区分能力。本次共观测了3个地点的光谱，其中一个是正常生长冬小麦的光谱，其余2个是感染条锈病的冬小麦光谱。每个观测点范围约20 m× 20 m，观测范围内发病程度相对一致。图2给出了冬小麦地面调查样点、光谱观测样点的分布与位置。

图2 研究区地面调查样点的空间分布

3 研究方法

在冬小麦类型分布、易感品种空间分布数据获取条件下，结合地面光谱测量的结果对冬小麦条锈病敏感波段进行分析，计算冬小麦条锈病遥感监测指数（winter wheat stripe rust index，WSRI），对WSRI进行阈值划分，获取研究区冬小麦条锈病害的发生范围，并采用地面调查结果进行精度验证。

3.1 冬小麦空间分布数据的获取

冬小麦面积识别是根据冬小麦 NDVI 加权指数（WNDVI，weighted NDVI index）影像算法获取的，冬小麦NDVI加权指数算法定义与构建过程[27]见式（2）－（4）

式中为权值，表示第期影像，下标表示为冬小麦类型，下标表示其他地物类型，权值是根据权值样本获取的。NDVI计算公式如下：

式中Ref4和Ref3分别为WFV多光谱影像第4和第3波段的反射率。

利用研究区7景GF-1/WFV影像获取冬小麦空间分布，根据样本点NDVI值确定除2016年10月3日影像权值为−1外，其余均为1。同样，利用样本点确定WNDVI的分割阈值，提取冬小麦种植区域，并对提取结果进行精度验证。结果表明，研究区冬小麦种植区域提取的总体精度在95%以上。

3.2 作物品种空间分布数据的获取

以郑麦9023为主的郑麦系列、以矮壮58为主的矮壮系列是研究区内冬小麦2大主要品种，研究区不同系列品种冬小麦分布图如图3所示。实地调查中发现郑麦系列基本不感染条锈病，是条锈病的高抗品种；矮壮系列则受病害侵染较为普遍，是条锈病的易感品种。可以利用遥感技术识别2种冬小麦品种的种植区域，剔除郑麦系列，将矮壮系列冬小麦种植区域作为条锈病遥感监测区域，以提高识别精度。通过地面调查发现，郑麦系列颜色相对较淡，在GF-1/WFV影像上显示为高亮度区域；矮壮系列颜色相对较深，在GF-1/WFV影像上显示为低亮度区域。

图3 不同品种系列冬小麦空间分布图

该文定义WFV影像4个波段反射率之和为光谱亮度指数（spectral brightness index，SBI），SBI值越低则矮壮系列可能性越高，SBI值越高则郑麦系列的可能性越高。通过对SBI指数阈值分割的方式获取矮壮系列冬小麦品种的分布。阈值的获取是以地面观测的样本点为依据，分段测试不同SBI值域点决定的品种分布精度，以精度最高的节点作为阈值的方式获取。SBI指数的形式如下

式中Ref1，Ref2，Ref3和Ref4分别为WFV多光谱影像的第1，2，3，4波段的反射率。

3.3 冬小麦条锈病害指数

中华人民共和国农业行业标准《农作物病害遥感监测技术规范-第1部分：小麦条锈病》（NY/T2738.1-2015）中[26]规定了冬小麦条锈病指数（wheat stripe rust index，WSRI）的计算公式如下

式中和为权重系数，参考《农作物病害遥感监测技术规范-第1部分：小麦条锈病》标准，分别取0.7和0.3；为绿光波段光谱反射率，选用了520～590 nm范围内的反射率平均值；NIR为近红外波段光谱反射率，选用了770～890 nm范围内的反射率平均值，表示为发病冬小麦，表示健康冬小麦，该指数的取值范围为[0，+∞）。

3.4 精度验证

精度验证数据是采用地面调查样点的数据，采用混淆矩阵的方式进行的。相关定义及详细表述可参照相关文献[28-30]，本文不再赘述。

4 结果与分析

4.1 冬小麦条锈病光谱响应分析

当冬小麦受到条锈病侵染时，其叶片的细胞组织结构往往会受到破坏，叶绿素浓度也会下降，在冬小麦的叶片表面形成长条状鲜黄色的锈斑，导致叶片表皮破裂甚至叶片坏死。反映到遥感光谱数据上，随着冬小麦不同发育阶段条锈病发病程度的不同，染病冬小麦的光谱特征也会表现出一定的差异。根据黄木易等[31]的研究，受病害侵染后，由于作物叶片结构受到一定程度的破坏，使其在遥感影像的近红外波段的反射率降低；同时，由于条锈病菌孢子在冬小麦叶片上形成侵染菌丝，深入叶片细胞吸收养分，破坏叶绿素，并产生大量鲜黄色的孢子堆突破叶片，水分蒸腾量大大增加，使得叶片失绿、变黄，表现在光谱曲线上为绿峰（550 nm处）和黄光区（550～660 nm）反射率上升。

利用地面实测光谱对冬小麦条锈病的具体染病特征进行分析，验证GF-1/WFV影像构建的WSRI指数对冬小麦条锈病的监测能力。图4给出了正常及感染条锈病的冬小麦光谱特征。

图4 基于地面观测值的冬小麦正常样点与条锈病染病样点光谱特征比较

由图4可以看出，染病冬小麦不同波段处的反射率变化基本符合条锈病的染病特征，绿光至红光区域的反射率明显高于正常不染病小麦，近红外波段的反射率则低于正常不染病小麦。计算与GF-1/WFV传感器波段范围一致的冬小麦绿光波段和近红外波段平均反射率，结果表明：染病样点1和染病样点2的绿光波段反射率均值分别为0.051 6和0.047 5，分别较正常区域0.043 9高约17.5%和8.2%；染病样点1和2的近红外波段反射率值分别为0.373和0.350，分别较正常区域0.401低约7.0%和12.7%。取与GF-1/WFV相同波段的冬小麦观测反射率的平均值，计算染病区域的WSRI，正常样点冬小麦WSRI值为0，而染病样点1和2冬小麦的WSRI指数计算结果分别为0.113 5和0.101 5。可见，染病样点的WSRI值高于非染病样点，能够区分冬小麦是否染病。染病样点1比染病样点2的WSRI更高，这与实际观察结果一致，也具有病害严重程度的识别能力。这些分析表明，WSRI指数对于冬小麦条锈病具有指示作用，可以进行病害遥感监测。

4.2 冬小麦条锈病害空间制图

采用GF-1/WFV影像计算研究区冬小麦条锈病指数，在计算过程中，为了避免出现负值，取冬小麦像元绿光波段最小值min、近红外波段最大值NIRmax作为正常不染病冬小麦的绿光和近红外反射率值，计算公式修改如下：

可以看出，按照式（7）计算的值相比式（6）要更大，相当于扩大了原来的WSRI值，使条锈病发病区域更加易于识别区分。经过计算，研究区冬小麦WSRI值范围在0.15～20.73之间，图5给出了研究区条锈病害指数空间分布图。

为进一步确定病害发生区域，需要确定病害指数的阈值，将冬小麦病害指数范围按照等间距进行划分成100份，共获得101个节点阈值。利用地面调查点计算各节点阈值对冬小麦染病区域的提取精度，结果表明，当WSRI指数阈值设置为4.2时，冬小麦条锈病染病区域提取的精度最高，该值时表征精度结果的混淆矩阵如表2所示。

表2 冬小麦条锈病遥感监测结果精度验证

从表2的冬小麦条锈病监测结果精度可以看出，基于GF-1/WFV影像计算冬小麦条锈病害指数，可以大致区分冬小麦条锈病发生的范围，监测总体精度达到84.0%，提取条锈病发病点的用户和制图精度分别为86.4%和82.1%，健康点的用户和制图精度分别为79.2%和88.5%。Huang等[32]利用偏最小二乘回归方法预测芹菜菌核病感染概率，精度达到80%以上；Franke等[33]利用Quickbird卫星影像，利用利用光谱角度制图和混合调谐滤波算法进行小麦白粉病和条锈病的识别，最高识别精度达到88.6%。该文的研究结果与这些结果相当，表明基于GF-1/WFV和冬小麦条锈病遥感监测指数对于冬小麦条锈病发病区域提取的准确性。

基于该阈值提取的西华县冬小麦条锈病染病区域空间分布见图6所示。统计冬小麦染病区域像元数，计算染病区域面积，结果显示西华县条锈病发病区域总面积约为720 hm²，主要分布在研究区的西北地区，其他地区则只有零星分布。根据遥感监测结果，对条锈病发生集中区域进行地面实地调查，发现该时期冬小麦条锈病尚处于孢子繁殖时期，发病部位多集中在小麦下部，未发展至全株，尚未对小麦产量产生影响，宜尽早采取措施积极防治。这也充分表明了基于GF-1影响和WSRI指数对于及早发现冬小麦条锈病并据此展开防治的实用价值。

图6 研究区2017年4月18日冬小麦条锈病空间分布

5 讨 论

随着近年来遥感卫星的不断发射，利用宽谱段遥感卫星数据进行作物病害监测的研究逐渐增多[34-35]，表明基于卫星的作物病害监测的可行性。本文的研究基于中国国产GF-1卫星数据，该数据的预处理[36-37]、冬小麦识别等技术都较为成熟，数据获取有充分的保障，WSRI指数的构建方式简单，使得冬小麦条锈病遥感监测的效率和能力大大提高，以本文为例，县级尺度冬小麦病害范围信息提取的时间能少于3 d，能够满足作物病害业务监测的需求。与传统的基于高光谱数据的作物病害监测方法比较，该方法更适合于业务运行系统中使用。受遥感数据源获取能力的限制，高光谱数据数据获取方式以地面或机载高光谱为主，成本较高，耗时较长，且无法获取大范围尺度的作物病害信息；同时，基于高光谱数据构建病害指数往往需要筛选敏感波段、构建复杂的病害模型公式，也限制了高光谱数据在病害遥感监测中的业务应用和推广。值得注意的是，基于宽波段多光谱影像构建病害指数，需要注意防止冬小麦类型不同、长势差异导致的反射率差异，以及不同气象条件对作物病害监测精度的影响。要获取较高的作物病害遥感监测结果，需要结合地面调查结果，确保作物光谱差异的主因是作物病害，或结合气象数据评价监测区域的作物病害发病因子情况[38]，获取更高精度的作物病害遥感监测成果。

6 结 论

本文在国产GF-1/WFV数据的支持下，利用冬小麦NDVI加权指数的方式提取冬小麦种植区域，利用冬小麦条锈病遥感监测指数WSRI监测冬小麦条锈病发病情况，结合地面实地调查样本点数据，成功地获取了河南省西华县冬小麦受条锈病的发病范围，提取结果的总体精度达到了84.0%，取得了较高的识别精度。相比于传统的基于高光谱数据的作物病害识别，基于具有更强数据获取能力的宽波段多光谱卫星影像也能较好地提取作物病害信息，这对于经济、快速、准确地进行农作物病害遥感监测具有重要的意义。

[1] 张玉聚，李洪连，张振臣，等. 中国农作物病虫害原色图解[M]. 北京：中国农业科学技术出版社，2010.

[2] 李振崎，曾世迈. 中国小麦锈病[M]. 北京：中国农业出版社，2002.

[3] Jonas Franke, Gunter Menz. Multi-temporal wheat disease detection by multi-spectral remote sensing[J]. Precision Agriculture, 2007, 8: 161－172.

[4] 王利民，刘佳，邵杰，等. 基于高光谱的春玉米大斑病害遥感监测指数选择[J]. 农业工程学报，2017，33(5)：170－177.

Wang Limin, Liu Jia, Shao Jie, et al. Remote sensing index selection of leaf blight disease in spring maize based on hyperspectral data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(5): 170－177. (in Chinese with English abstract)

[5] 安虎，王海光，刘荣英，等. 小麦条锈病单片病叶特征光谱的初步研究[J]. 中国植保导刊，2005，25(11)：8－11.

An Hu, Wang Haiguang, Liu Rongying, et al. Preliminary study on spectral characteristics of single leaf infected by puccinia striiformis[J]. China Plant Protection, 2005, 25(11): 8－11. (in Chinese with English abstract)

[6] 王海光，马占鸿，王韬，等. 高光谱在小麦条锈病严重度分级识别中的应用[J]. 光谱学与光谱分析，2007，27(9)：1811－1814.

Wang Haiguang, Ma Zhanhong, Wang Tao, et al. Application of hyperspectral data to the classification and identification of severity of wheat stripe rust[J]. Spectroscopy and Spectral Analysis, 2007, 27(9): 1811－1814. (in Chinese with English abstract)

[7] Zhang Jingcheng, Pu Ruiliang, Wang Jihua, et al. Detecting powdery mildew of winter wheat using leaf level hyperspectral measurements[J]. Computers and Electronics in Agriculture, 2012, 85: 13－23.

[8] Zhang Jingcheng, Yuan Lin, Wang Jihua, et al. Spectroscopic Leaf Detection of Powdery Mildew for Winter Wheat Using Continuous Wavelet Analysis[J]. Journal of Integrative Agriculture, 2012, 11(9): 1474－1484.

[9] 王纪华，赵春江，黄文江，等. 农业定量遥感基础与应用[M]. 北京：科学出版社，2008.

[10] Dimitrios Moshou, Cédric Bravo, Jonathan West, et al. Automatic detection of yellow rust in wheat using reflectance measurements and neural networks[J]. Computers and Electronics in Agriculture, 2004, 44(3): 173－188.

[11] 黄木易，王纪华，黄文江，等. 冬小麦条锈病的光谱特征及遥感监测[J]. 农业工程学报，2003，19(6)：154－158.

Huang Muyi, Wang Jihua, Huang Wenjiang, et al. Hyperspectral character of stripe rust on winter wheat and monitoring by remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2003, 19(6): 154－158. (in Chinese with English abstract)

[12] 鲁军景，黄文江，张竞成，等. 基于小波特征的小麦白粉病与条锈病的定量识别[J]. 光谱学与光谱分析，2016，36(6)：1854－1858.

Lu Junjing, Huang Wenjiang, Zhang Jingcheng, et al. Quantitative identification of yellow rust and powdery mildew in winter wheat based on wavelet feature[J]. Spectroscopy and Spectral Analysis, 2016, 36(6): 1854－1858. (in Chinese with English abstract)

[13] 蔡成静，王海光，安虎，等. 小麦条锈病高光谱遥感监测技术研究[J]. 西北农林科技大学学报：自然科学版，2005，33：31－36.

Cai Chengjing, Wang Haiguang, An Hu, et al. Remote sensing research on monitoring technology of wheat stripe rust[J]. Jour. of Northwest Sci-Tech Univ of Agri and For: Na t Sci Ed, 2005, 33: 31－36. (in Chinese with English abstract)

[14] 蒋金豹，陈云浩，黄文江，等. 冬小麦条锈病严重度高光谱遥感反演模型研究[J]. 南京农业大学学报，2007，30(3)：63－67.

Jiang Jinbao, Chen Yunhao, Huang Wenjiang, et al. Study on hyperspectral remote sensing retriveral models[J]. Journal of Nanjing Agricultural University, 2007, 30(3): 63－67. (in Chinese with English abstract)

[15] 蒋金豹，陈云浩，黄文江. 利用高光谱红边与黄边位置距离识别小麦条锈病[J]. 光谱学与光谱分析，2010，30(6)：1614－1618.

Jiang Jinbao, Chen Yunhao, Huang Wenjiang, et al. Using the distance between hyperspectral red edge position and yellow edge position to identify wheat yellow rust disease[J]. Spectroscopy and Spectral Analysis, 2010, 30(6): 1614－1618. (in Chinese with English abstract)

[16] Yang Keming, Chen Yunhao, Guo Dazhi, et al. Spectral information detection and extraction of wheat stripe rust based on hyperspectral image[J]. Acta Photonica Sinica, 2008, 37(1): 145－151.

[17] 陈云浩，蒋金豹，黄文江，等. 主成分分析法与植被指数经验方法估测冬小麦条锈病严重度的对比研究[J]. 光谱学与光谱分析，2009，29(8)：2161－2165.

Chen Yunhao, Jiang Jinbao, Huang Wenjiang, et al. Comparison of principal component analysis with VI-eGmpirical approach for estimating severity of yellow rust of winter wheat[J]. Spectroscopy and Spectral Analysis, 2009, 29(8): 2161－2165. (in Chinese with English abstract)

[18] 郭洁滨，黄冲，王海光，等. 基于高光谱遥感技术的不同小麦品种条锈病病情指数的反演[J]. 光谱学与光谱分析，2009，29(12)：3353－3357.

Guo Jiebin, Huang Chong, Wang Haiguang, et al. Disease index inversion of wheat stripe rust on different wheat varieties with hyperspectral remote sensing[J]. Spectroscopy and Spectral Analysis, 2009, 29(12): 3353－3357. (in Chinese with English abstract)

[19] 刘良云，宋晓宇，李村军，等. 冬小麦病害与产量损失的多时相遥感监测[J]. 农业工程学报，2009，25(1)：137－143.

Liu Liangyun, Song Xiaoyu, Li Cunjun, et al. Monitoring and evaluation of the diseases of and yield winter wheat from multi-temporal remotely-sensed data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2009, 25(1): 137－143. (in Chinese with English abstract)

[20] 黄文江，黄木易，刘良云. 利用高光谱指数进行冬小麦条锈病严重度的反演研究[J]. 农业工程学报，2005，21(4)：97－103.

Huang Wenjiang, Huang Muyi, Liu Liangyun, et al. Inversion of the severity of winter wheat yellow rust using proper hyperspectral index[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2005, 21(4): 97－103. (in Chinese with English abstract)

[21] 乔红波，周益林，白由路，等. 地面高光谱和低空遥感监测小麦白粉病初探[J]. 植物保护学报，2006，33(4)：341－344.

Qiao Hongbo, Zhou Yilin, Bai Youlu, et al. The primary research of detecting wheat powdery mildew using in-field and low altitude remote sensing[J]. Acta Phytophylacica Sinica, 2006, 33(4): 341－344. (in Chinese with English abstract)

[22] 蔡成静，马占鸿，王海光，等. 小麦条锈病高光谱近地与高空遥感监测比较研究[J]. 植物病理学报，2007，37(1)：77－82.

Cai Chengjing, Ma Zhanhong, Wang Haiguang, et al. Comparison research of phperspectrial properties between near-ground and high a lititude of wheat stripe rust[J]. Acta Phytopathologica Sinica, 2007, 37(1): 77－82. (in Chinese with English abstract)

[23] Kanemasu E T, Niblett C L, Manges H, et al. Wheat: Its growth and disease severity as deduced from ERTS-1[J]. Remote Sensing of Environment, 1974, 3(4): 255－260

[24] 王爽，马占鸿，孙振宇，等. 基于高光谱遥感的小麦条锈病胁迫下的产量损失估计[J]. 中国农学通报，2011，27(21)：253－258.

Wang Shuang, Ma Zhanhong, Sun Zhenyu, et al. Yield loss assessment under wheat stripe rust stress based on hyperspectral remote sensing[J]. Chinese Agricultural Science Bulletin, 2011, 27(21): 253－258. (in Chinese with English abstract)

[25] 乔红波，马新明，程登发，等. 基于TM影像的小麦全蚀病危害信息提取[J]. 麦类作物学报，2009，29(4)：716－720.

Qiao Hongbo, Ma Xinming, Cheng Dengfa, et al. Detecting infestation of take-all disease in winter wheat using TM image[J]. Journal of Triticeae Crops, 2009, 29(4): 716－720. (in Chinese with English abstract)

[26] 中华人民共和国农业部. 农作物病害遥感监测技术规范第1部分：小麦条锈病：NY/T2738.1-2015 [S].

Technical specification on remote sensing monitoring for crop diseases Part 1: Wheat stripe rust: NY/T2738.1-2015[S].(in Chinese with English abstract)

[27] 王利民，刘佳，杨玲波，等. 基于NDVI加权指数的冬小麦种植面积遥感监测[J]. 农业工程学报，2016，32(17)：127－135.

Wang Limin, Liu Jia, Yang Lingbo, et al. Remote sensing monitoring winter wheat area based on weighted NDVI index[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(17): 127－135. (in Chinese with English abstract)

[28] Hay A M. The derivation of global estimation from a confusion matrix[J]. International Journal of Remote Sensing, 1988, 9(8): 1395－1398.

[29] Congalton R G. A comparison of sampling schemes used in generating error matrices for assessing the accuracy of maps generated from remotely sensing data[J]. Photogrammetric Engineering and Remote Sensing, 1988, 54(5): 593－600.

[30] Congalton R G. A review of assessing the accuracy of classifications of remotely sensed data[J]. Remote Sensing of Environment, 1991, 37(1): 35－46.

[31] 黄木易，王纪华，黄文江，等. 冬小麦条锈病的光谱特征及遥感监测[J]. 农业工程学报，2003，19(6)：154－158.

Huang Muyi, Wang Jihua, Huang Wenjiang, et al. Hyperspectral character of stripe rust on winter wheat and monitoring by remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2003, 19(6): 154－158. (in Chinese with English abstract)

[32] Huang J F, Apan A. Detection of Sclerotinia rot disease on celery using hyperspectral data and partial least squares regression[J]. Journal of Spatial Science, 2006, 51(2): 129－142.

[33] Franke J, Menz G. Multi-temporal wheat disease detection by multi-spectral remote sensing[J]. Precision Agriculture, 2007, 8(3): 161－172.

[34] 张竞成，李建元，杨贵军，等. 基于光谱知识库的TM影像冬小麦条锈病监测研究[J]. 光谱学与光谱分析，2010，30(6)：1579－1585.

Zhang Jingcheng, Li Jianyuan, Yang Guijun, et al. Monitoring of winter wheat stripe rust based on the spectral knowledge base for TM images[J]. Spectroscopy and Spectral Analysis, 2010, 30(6): 1579－1585. (in Chinese with English abstract)

[35] 张玉萍，郭洁滨，王爽，等. 小麦条锈病卫星与近地光谱反射率的比较[J]. 植物保护学报，2009，36(2)：119－122.

Zhang Yuping, Guo Jiebin, Wang Shuang, et al. Relativity research on near_ground and satellite remote sensing reflectance of wheat stripe rust[J]. Acta Phytophylacica Sinica, 2009, 36(2): 119－122. (in Chinese with English abstract)

[36] 刘佳，王利民，杨玲波，等. 基于6S模型的GF-1卫星影像大气校正及效果[J]. 农业工程学报，2015，31(19)：159－168.

Liu Jia, Wang Limin, Yang Lingbo, et al. GF-1 satellite image atmospheric correction based on 6S model and its effect[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(19): 159－168. (in Chinese with English abstract)

[37] 刘佳，王利民，杨玲波，等. 基于有理多项式模型区域网平差的GF-1影像几何校正[J]. 农业工程学报，2015，31(22)：146－154.

Liu Jia, Wang Limin, Yang Lingbo, et al. Geometric correction of GF-1 satellite images based on block adjustment of rational polynomial model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(22): 146－154. (in Chinese with English abstract)

[38] 聂臣巍，袁琳，王保通，等. 综合遥感与气象信息的小麦白粉病监测方法[J]. 植物病理学报，2016，46(2)：285－288.

Nie Chenwei, Yuan Lin, Wang Baotong, et al. Monitoring wheat powdery mildew based on integrated remote sensing and meteorological information[J]. Acta Phytopathological Sinica, 2016, 46(2): 285－288.

Winter wheat stripe rust remote sensing monitoring based on GF-1/WFV data

Wang Limin, Liu Jia, Yang Fugang, Yang Lingbo, Yao Baomin, Gao Jianmeng

(100081,)

Stripe rust is a common disease of winter wheat, and accurate monitoring of stripe rust disease has great significance. By using the GF-1/WFV images on April 18, 2017 and combined with the analysis on stripe rust ground spectral data, this paper conducted estimation on the scope of winter wheat stripe rust in Xihua County of Henan Province with wheat stripe rust index (WSRI). The main contents of this study included identifying winter wheat area, identifying distribution of winter wheat varieties, calculating winter wheat stripe rust monitoring index, identifying distribution of disease, and verifying accuracy. Identification of winter wheat area was achieved by using weighted normalized differential vegetation index (WNDVI), and computation of WNDVI used images of 7 time phases, with the time scope from October, 2016 to April, 2017, one image each month. The distribution of winter wheat varieties was identified by dividing the thresholds of spectral brightness index (SBI). SBI is the sum of reflectances of 4 wave bands of WFV images. The areas with high thresholds were taken as the distribution areas of high stripe rust resistant varieties (Zhengmai series) and the areas with low thresholds were taken as the susceptible varieties of stripe rust (Aizhuang series). The acquisition of the threshold took the sample points of the ground observation as its basis. The identification accuracies of the variety distribution of different SBI points were tested respectively, and the node with the highest accuracy was taken as the threshold. By using observed spectrum of the ground observation, WSRI of the infected areas was calculated based on the average value of the reflectance of winter wheat observed with the same wave band as GF-1/WFV. The WSRI value of the winter wheat of the normal sample points was 0, and all the values of the infected sample points were larger than 0. The WSRI value was increasing with the increase of the infection degree of the disease, which was consistent with the actual observation results. It indicates that WSRI index has indicative function on winter wheat stripe rust, and it can be used in the remote sensing monitoring for the disease. WSRI index of WFV was calculated by using the methods and parameters specified in the National Industrial Standard of the People’s Republic of China,. And the scope of the WSRI index was between 0.15 and 20.73. The WSRI indices of the images were divided into 100 values with equal intervals, and then 101 node values were obtained. The images were divided 2 parts by using node value, and the accuracy was verified by using ground observation results. The node value with the highest accuracy was taken as the critical threshold between disease and non-disease, which was identified as 4.2 in this study. The pixels with the value higher than the threshold were the disease infected pixels. By doing so, the spatial distribution of the winter wheat infected with stripe rust could be obtained. The study results showed that, the method could objectively reflect the scope of occurrence of winter wheat stripe rust, and the extraction accuracy on infected area was higher than 84.0%. The user accuracy and mapping accuracy of extracting disease point of stripe rust were 86.4% and 82.1% respectively, and the user accuracy and mapping accuracy of extracting healthy point were 79.2% and 88.5% respectively. This method can meet the requirement of disease monitoring. This method is simple and easy to operate, and it shows the application potential of GF-1 images and WSRI indices in winter wheat stripe rust remote sensing monitoring.

remote sensing; monitoring; crops; GF-1/WFV; wheat stripe rust; wheat stripe rust index; recognition

10.11975/j.issn.1002-6819.2017.20.019

S252+.9

A

1002-6819(2017)-20-0153-08

2017-05-27

2017-09-05

国家重点研发计划“粮食作物生长监测诊断与精确栽培技术”课题“作物生长与生产力卫星遥感监测预测”（2016YFD0300603）

王利民，男，蒙古族，内蒙古宁城人，博士，主要从事农业遥感监测业务运行研究。Email：wanglimin01@caas.cn

王利民，刘 佳，杨福刚，杨玲波，姚保民，高建孟. 基于GF-1/WFV数据的冬小麦条锈病遥感监测[J]. 农业工程学报，2017，33(20)：153－160. doi：10.11975/j.issn.1002-6819.2017.20.019 http://www.tcsae.org

Wang Limin, Liu Jia, Yang Fugang, Yang Lingbo, Yao Baomin, Gao Jianmeng. Winter wheat stripe rust remote sensing monitoring based on GF-1/WFV data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(20): 153－160. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.20.019 http://www.tcsae.org