全 文 ：植物病理学报
ACTA PHYTOPATHOLOGICA SINICA　 42(2): 202-205(2012)
췍췍췍췍췍췍
췍췍췍췍췍
췍
췍
췍研究简报
无人机遥感监测小麦条锈病初探
冷伟锋, 王海光, 胥 岩, 马占鸿*
(中国农业大学植物病理学系, 北京 100193)
收稿日期: 2011-06-29; 修回日期: 2011-12-17
基金项目: 国家自然科学基金项目(31071642)
通讯作者: 马占鸿,博士,教授,主要从事植物病害流行学和宏观植物病理学研究; E-mail:mazh@cau. edu. cn。
Preliminary study on monitoring wheat stripe rust with using UAV 　 LENG Wei-feng,
WANG Hai-guang, XU Yan, MA Zhan-hong　 (Department of Plant Pathology, China Agricultural University, Beijing
100193, China)
Abstract: To explore the potential application of unmanned aerial vehicle (UAV) on monitoring wheat stripe
rust caused by Puccinia striiformis f. sp. tritici, the image of wheat plots was obtained at the UVA platform.
Correlation analyses between disease indexes of stripe rust and four kinds of the reflectance, i. e. the canopy
reflectance and the reflectances in red, green and blue band extracted from the image, were conducted. The
estimation models between disease indexes and each kind of the reflectance were built using linear regression
method. The results showed that there was an extremely significant difference between the reflectances of
diseased wheat plots and healthy plots. Disease indexes had positive correlation with the four kinds of the re-
flectances. Disease index was best fitted by the model with the reflectance in red band as independent variable.
The diseased and the healthy areas in the UAV image were distinguished by using ISODATA method. The re-
sults indicated that UVA-based monitoring of wheat stripe rust was feasible and image analysis technologies
could play a potential role in the monitoring process.
Key words: wheat stripe rust;UAV;image analysis;remote sensing
文章编号: 0412-0914(2012)02-0202-04
　 　 由条形柄锈菌小麦专化型(Puccinia striifor-
mis f. sp. tritici)引起的小麦条锈病是我国重要
的小麦病害之一,该病害是一种气传病害,在适
宜条件下能够在短时间内大规模流行成灾[1] 。
近年来,应用遥感技术进行植物病害监测的研究
逐渐增多。 Nilsson[2]综述了遥感技术在植物病
害防控中的应用,认为多光谱测量、热红外、数码
摄像、雷达、短波、激光、卫星等多种遥感监测技
术,在植物病害和植物病害测量中具有很大潜
力。 无人机遥感也是遥感监测技术的重要组成
部分,与一般的航空遥感相比,其具有成本低、分
辨率高、受天气条件影响小的特点。 无人机在很
多领域已有所应用,但在植物病害监测领域应用
较少。 Qiao等[3]利用无人机搭载数码相机对田
间小麦白粉病进行了遥感分析,结果表明数码影
像的 3 个波段的反射率与病情指数之间相关性
较高。 目前,尚无利用无人机监测小麦条锈病的
相关研究报道。 本研究旨在应用无人机遥感技
术为平台,探讨无人机遥感在小麦条锈病监测方
面的可行性,以期为大规模实时监测小麦条锈病
提供参考。
　
　 2 期 　 冷伟锋,等:无人机遥感监测小麦条锈病初探
1　 材料与方法
1. 1　 试验材料与所用仪器
选取小麦种植品种京 9428 于 2010 年 9 月在
中国农业大学上庄试验站的实验田进行播种。 为
了获得小麦条锈病的不同病情梯度,本研究设置 3
个处理,即不喷药不拌种、拌种、喷药,喷药处理的
小区作为对照。 采用随机区组布局小区,每个处理
设置 3 个重复,共 9 个小区,各小区面积为 5 m ×
4. 5 m。 各小区中心种植感病品种铭贤 169,于
2011 年 4 月 8 日,用人工喷洒小麦条锈病菌夏孢
子悬浮液的方法接种小区中心的铭贤 169 作为发
病中心。 无人机飞行及摄影由北京朗天博泰科技
有限公司负责实施,飞机搭载有经改装的数码相机
佳能 EOS5DMark Ⅱ,像素为 3 900 万。
1. 2　 无人机遥感图像获取及田间病情调查方法
2011 年 5 月 25 日进行无人机遥感影像的拍
摄,飞行高度为 350 m,地面分辨率为 6 ~ 7 cm。 在
无人机拍摄完成时采用大五点取样法进行田间小
麦条锈病病情调查,每个小区取 5 个样点,每个样
点调查 100 片叶子,记录每片叶子的病情严重度和
每个样点的普遍率。
1. 3　 无人机遥感图像和病情数据处理方法
将北京朗天博泰科技有限公司负责交付的无
人机航空正摄图像在软件 ENVI 4. 7 中进行试验
小区的图像分割处理,并用软件自带的图像分类模
块 ISODATA( Iterative Self-Organizing Data Analy-
sis Technique),即迭代自组织数据分析技术,进行
非监督分类以分析图像中小麦条锈病病害分布格
局。 利用下式计算小麦条锈病的病情指数(disease
index, DI):
DI =平均严重度 ×普遍率
参考 Qiu 等的方法[4]进行小麦冠层反射率的
计算,计算公式如下:
Reflect = k ×1 / 255 ×1 / 3(R +G + B)
其中,Reflect 表示数码图像的反射率;R、G、B
表示颜色模型中数码图像上某点像素的灰度值;k
是比例修正系数,需要参考已知标准物的反射率和
其在图像中的亮度值计算 k值。
本研究以试验小区附近的裸地作为参考标定
物,利用 Analytical Spectral Devices (ASD) 公司生
产的 Field SpecPro FR 野外光谱仪 (波长范围为
325 ~ 1075 nm) 采集其光谱反射率,提取光谱中只
包含红、绿、蓝波段的反射率用于计算 k 值。 小麦
冠层 3 个波段各自反射率是在假设另外 2 个波段
的灰度值为零的前提下,按照上式计算而得。 利用
ENVI 4. 7 提取各小区的平均灰度值,采用 SPSS 16
和 Microsoft Excel 2007 进行数据的分析处理。
2　 结果与分析
2. 1　 无人机遥感图像分类结果
2011 年 5 月,拌种、不喷药不拌种处理的小区
都已经出现了严重程度不同的小麦条锈病,对照组
喷药防治的小区未见发病。 2011 年 5 月 25 日无
人机航拍摄的试验小区的遥感图像如图 1 所示。
利用软件 ENVI 4. 7 的 ISODATA分类法对无人机
遥感图像进行非监督分类,变化阈值设为 5% ,共
分 4 类,分类结果如图 2 所示。 图中为 9 个试验小
区,根据实地调查进行图像解译,红色区域为健康
小麦植株,绿色区域为小麦条锈病发病区,黄色区
域为小区间的裸地,蓝色为小区中沟壑阴影区。 图
2 能够真实显示发病中心及发病区域,从图中可初
步判断病害扩展的趋势,病害的扩展都是从人工接
种中心开始的,发病区域与图中绿色部分基本吻
合。 分类图中各小区四周边界都呈现绿色类别
(如图 2 中 7 号小区),但实地调查结果显示小区
边界没有发病,说明该分类方法分类精度不够,不
能很好地区分小麦和裸地、沟壑交界区域,需要进
一步改进或筛选更优的分类方法。
2. 2　 发病小区与对照小区光谱反射率的比较
小区冠层反射率和红、绿、蓝 3 个波段的反射
率数据见表 1,将发病小区(1 - 6 号)的冠层反射
率分别与未发病小区(7 -9 号)的冠层反射率的平
均值进行 t检验,判断发病小区和未病小区的小麦
冠层反射率是否存在差异。 结果表明,所有发病小
区小麦冠层的反射率与未发病小区的冠层反射率
均值存在极显著的差异,说明差异的来源是小麦条
302
　
植物病理学报 42 卷
Fig. 1　 Original UVA image of
wheat plots
Fig. 2　 UVA image classification with
ISODATA method
Table 1　 Four kinds of the reflectance of wheat plots
Plot Treatment
Canopy
reflectance
Reflectance
in red band
Reflectance
in green band
Reflectance
in blue band
1 Seed dressing 0. 052 379 0. 012 519 0. 021 105 0. 018 755
2 Seed dressing 0. 048 990 0. 011 253 0. 020 337 0. 017 400
3 Seed dressing 0. 047 815 0. 011 570 0. 019 026 0. 017 219
4 Untreated 0. 058 435 0. 016 224 0. 022 823 0. 019 388
5 Untreated 0. 062 096 0. 017 987 0. 023 772 0. 020 337
6 Untreated 0. 063 000 0. 018 620 0. 023 546 0. 020 834
7 Spaying 0. 040 358 0. 009 039 0. 016 360 0. 014 959
8 Spaying 0. 038 866 0. 008 406 0. 015 908 0. 014 552
9 Spaying 0. 039 996 0. 008 813 0. 016 315 0. 014 869
锈病的干扰,发病小区的小麦因受到条锈病的胁迫
在反射率上有较强反应;各发病小区的红、绿、蓝 3
个波段的反射率与未发病小区对应波段的反射率
也都存在极显著差异。
2. 3　 小区光谱反射率与病情指数的相关性分析
将从无人机遥感图像中获得的各小区小麦冠
层反射率与对应小区的病情指数进行相关分析,
结果表明病情指数与冠层反射率呈极显著正相
关(表 2)。 对各小区小麦冠层红、绿、蓝 3 个波段
的反射率与对应小区的病情指数进行相关分析,
结果表明3个波段各自的反射率与病情指数均
呈极显著正相关(表 2)。
2. 4　 小区光谱反射率与病情指数的关系模型
将 4 种反射率与对应小区的病情指数分别
进行回归分析,利用反射率作为自变量反演小
麦条锈病病情指数,所建立的小麦条锈病病情
指数反演模型如表 3 所示。 对模型进行拟合度
检验,结果表明利用红色波段反射率建立的反
演模型的差异平方和(Q) 、回归误差( S)最小,
决定系数(R2)最大,拟合度最优,所以可利用该
模型反演小麦条锈病的田间病情。
402
　
　 2 期 　 冷伟锋,等:无人机遥感监测小麦条锈病初探
Table 2　 Correlation analyses between DI and the reflectances of wheat infected with stripe rust
Kind of the reflectance Correlation coefficient P
Canopy reflectance 0. 864 0. 003
The reflectance in red band 0. 878 0. 002
The reflectance in green band 0. 862 0. 003
The reflectance in blue band 0. 810 0. 008
Table 3　 Inversion models between DI and the reflectances of wheat infected with stripe rust
Kind of the reflectance Inversion model R2 Q S
Canopy reflectance y =101 5x -42. 03 R2 =0. 747 249. 737 35. 677
The reflectance in red band y =246 1x -22. 31 R2 =0. 771 225. 324 32. 189
The reflectance in green band y =301 6x -51. 07 R2 =0. 742 254. 286 36. 326
The reflectance in blue band y =373 6x -56. 75 R2 =0. 656 339. 355 48. 479
Note: In the models, y is DI and x is the reflectance.
3　 结论与讨论
本研究通过无人机航拍小麦冠层图像,分别分
析从图像中获得的小麦冠层反射率、红色、绿色和
蓝色波段的反射率与病情指数之间的关系,结果表
明,4 种反射率与病情指数均呈极显著相关,并分
别利用这 4 种反射率构建了小麦条锈病病情指数
的反演模型,模型拟合效果均较好,说明利用无人
机遥感进行小麦条锈病的监测是可行的,具有一定
的应用潜力。
遥感图像分析是进行植物病害监测、获取病害
信息的重要方法之一[5]。 本研究主要从光谱信息
的角度分析了反射率与病情指数的关系,并对无人
机遥感图像进行了非监督分类,该分类方法虽然能
将发病区域和健康区域自动区分,但不能有效区分
发病区域和小区边界裸地,尚需综合监督分类、目
视解释的方法进行矫正或者筛选其他有效的图像
分类方法以提高分类效果。 下一步将在本研究的
基础上探寻、优化和改进植物病害的遥感图像分析
方法,建立和完善小麦条锈病的无人机遥感监测体
系,为真正实现该病害的卫星遥感监测提供一定的
基础。
参考文献
[1] 　 Li Z Q, Zeng S M. Wheat rust in China ( in Chinese)
[M] . Beijing: China Agriculture Press (北京: 中国
农业出版社), 2002.
[2] 　 Nilsson H. Remote sensing and image analysis in plant
pathology [ J] . Annual Review of Phytopathology,
1995, 15: 489 -527.
[3] 　 Qiao H B, Zhou Y L, Bai Y L, et al. The primary re-
search of detecting wheat powdery mildew using in-
field and low altitude remote sensing ( in Chinese)
[J] . Acta phytophylacica sinica (植物保护学报),
2006, 33(4): 341 -344.
[4] 　 Qiu B G, Lü X V, Bai C G, et al. Research on calcu-
lating model of mineral reflectance index based on col-
or digital image technique ( in Chinese) [ J] . Metal-
lurgical Analysis (冶金分析), 2008, 28(5): 5 -9.
[5] 　 Bock C H, Poole G H, Parker P E, et al. Plant dis-
ease severity estimated visually, by digital photography
and image analysis, and by hyperspectral imaging
[ J] . Critical Reviews in Plant Sciences, 2010, 29: 59
-107.
责任编辑:曾晓葳
502