论文部分内容阅读
条锈病是小麦生产中危害最大的病害之一。近年来,在全球气候变化大背景下小麦条锈病发生趋势日益严重。亟需有效的小麦条锈病监测方法为病害防控提供支撑。遥感技术的快速发展,为实现无损、实时、精准、大面积的条锈病监测提供了有利契机。然而,目前基于遥感的条锈病监测研究对成像遥感“图谱”病害表征信息挖掘不深,不同尺度下的条锈病监测模型和算法不够完善。因此,本研究以小麦条锈病为研究对象,以条锈病发生发展机制为基础,综合多源成像遥感数据,开展了叶片、冠层和区域尺度上的小麦条锈病监测方法研究。提出了适用于不同尺度的融合“图谱”特征监测小麦条锈病的方法;建立了基于无人机高光谱的条锈病早期监测模型,并评价了空间尺度对条锈病监测精度的影响;在区域尺度上基于卫星影像综合多特征构建了精度较高的病害监测模型。从不同尺度上提升了现有条锈病遥感监测水平,为小麦条锈病防控提供了一定的基础和支撑。主要的研究成果如下:（1）叶片尺度上,以地面高光谱遥感数据为基础,开展了基于“图谱”特征的病害监测研究。首先,分析了小麦叶片条锈病的光谱响应特征,发现条锈病的光谱反射率在可见光区域（550-700 nm）高于健康叶片,在近红外区域（730-1000 nm）低于健康叶片;不同病害严重度叶片的光谱反射率在近红外区域随病害严重度的增加而降低。其次,通过SPA和CFS算法选择出对病害敏感的原始光谱波段、植被指数和纹理特征;并用敏感特征构建了融合光谱和纹理特征的叶片病斑提取模型和叶片病害严重度估测模型。结果显示,融合光谱和纹理特征的模型精度均优于基于单一光谱或纹理特征模型。对于叶片病斑提取模型,融合植被指数和纹理特征的SVM模型获得最优的精度（95.8%）,比基于单一植被指数模型高出6.3%。对于叶片病害严重度估测模型,融合植被指数和纹理特征RFR和PLSR模型的R2分别为0.92和0.90,比基于单一植被指数的两个模型分别高0.05。总体来说,所提出的融合光谱和纹理特征的小麦条锈病叶片病斑提取和叶片病害严重度估测模型均有效提升了模型精度,为小麦条锈病监测提供了一种新的思路。（2）冠层尺度上,以无人机高光谱影像为数据源开展了小麦条锈病监测研究。首先,探究了冠层尺度上小麦条锈病的光谱响应机理。发现冠层尺度的条锈病光谱响应特征与叶片尺度存在差异,冠层尺度条锈病的光谱反射率在近红外区域变化较大,而叶片尺度的光谱反射率在可见光区域变化较大;病害和健康小麦的光谱差异随侵染时期的增加而增加;条锈病小麦的理化参数与病害严重度呈显著相关关系,其中叶绿素和氮平衡指数与病情指数呈极显著负相关（R2:0.66和0.73）,干物质含量和花青素与病情指数呈极显著正相关（R2:0.81和0.62）。其次,验证了叶片尺度上所提出的融合光谱和纹理特征的方法在冠层尺度上监测条锈病的有效性。通过提取和选择不同侵染阶段和不同空间分辨率下的敏感植被指数和纹理特征,结合PLSR建立了融合植被指数和纹理特征的监测模型（VI-TF）。结果显示,VI-TF模型在冠层尺度上同样具有较好表现,如在侵染后期,VI-TF模型的R2为0.80,比VI模型高0.1。再次,评估了无人机影像空间分辨率对监测精度的影响,发现空间分辨率对TF模型的影响较大,而对VI以及VI-TF模型的影响较小;并得出10 cm的无人机影像空间分辨率在监测小麦条锈病时具有较大的优势。最后,提出一种融合小波特征和植被指数（WF-VI）的条锈病早期监测方法,并结合SVM和RF算法构建了条锈病早期监测模型。结果显示,该方法对早期的条锈病监测有较优表现,在无症状期和显症早期,WF-VI-SVM模型的病害监测精度分别为75%和79.2%,比VI模型分别高12.5%和10.4%。总的来说,融合光谱和纹理特征的条锈病监测方法在冠层尺度上同样具有较优表现;无人机影像空间分辨率对TF模型有较大影响,基于无人机影像监测条锈病的最优尺度为10 cm;提出的基于无人机高光谱的条锈病早期监测模型（WF-VI）具有较好表现,为条锈病早期监测提供了基础。（3）区域尺度上,主要以卫星多光谱影像（Planet和Sentinel-2）为数据源,在叶片和冠层尺度研究的基础上,结合多种机器学习算法构建了区域尺度上的条锈病监测模型。首先,针对区域尺度上原始纹理特征病害表征能力弱化问题,基于高分辨率Planet影像构建了3种纹理指数（DTI、RTI和NDTI）。结果显示,3种纹理指数的条锈病监测能力均优于原始纹理特征,其中的NDTI表现最优;此外,构建了融合NDTI和植被指数的监测模型（TI-VI）,结果显示,TI-VI的SVM模型获得最高监测精度（90.5%）,比VI模型高出5.1%。其次,在更大区域尺度上,基于Sentinel-2影像提出了一种综合多特征（光谱、纹理和时相特征）的条锈病监测方法。其中,通过构造一种双时相波段比值指数（MBTBR）来表征病害的发展情况,经验证该指数比先前研究中存在的时相特征（NTVI）具有更优表现;此外,基于多特征构建的条锈病监测模型比基于单一光谱或“图谱”特征模型具有更高的监测精度,如在4月18日的监测中,基于多特征的SVM模型精度为86.3%,分别比基于植被指数模型或融合植被指数和纹理指数模型高9.8%和3.9%。总体来说,Planet卫星影像在条锈病监测中具有较大的潜能,所提出的纹理指数可有效提升原始纹理特征在区域尺度上的病害表征能力;基于Sentinel-2影像构建的时相特征（MBTBR）可较好地表征条锈病发展情况,提出的融合多特征监测区域尺度上条锈病的方法具有较优的表现,为区域尺度作物病害监测奠定了基础。