全 文 ：作物学报 ACTA AGRONOMICA SINICA 2013, 39(8): 1469−1477 http://www.chinacrops.org/zwxb/
ISSN 0496-3490; CODEN TSHPA9 E-mail: xbzw@chinajournal.net.cn

本研究由国家自然科学基金项目(30900867), 国家公益性行业(农业)科研专项(201203096)和国家现代农业产业技术体系建设专项
(MATS)资助。
* 通讯作者(Corresponding author): 郭天财, E-mail: tcguo888@sina.com
第一作者联系方式: E-mail: fengwei78@126.com
Received(收稿日期): 2012-12-13; Accepted(接受日期): 2013-04-22; Published online(网络出版日期): 2013-05-20.
URL: http://www.cnki.net/kcms/detail/11.1809.S.20130520.1158.006.html
DOI: 10.3724/SP.J.1006.2013.01469
基于冠层反射光谱的小麦白粉病严重度估测
冯 伟 王晓宇 宋 晓 贺 利 王永华 郭天财*
河南农业大学 / 国家小麦工程技术研究中心, 河南郑州 450002
摘 要: 明确小麦白粉病冠层光谱敏感波段并估算病情严重度是大面积高空遥感监测小麦白粉病、实现精确防控的
基础。采用人工诱发的大田、盆栽和病圃试验, 测量不同生育时期对不同发病等级的小麦白粉病冠层光谱, 并同步调
查发病严重度。结果表明, 可见光 350~710 nm光谱反射率随病情加重呈上升趋势, 580~710 nm为遥感监测白粉病
的敏感波段, 近红外波段光谱反射率在病害处理间变幅较大, 且与病情严重度相关性较差。修正型病情指数较常 规
病情指数与对应光谱反射率的相关性显著提高。利用高光谱特征参数与白粉病严重度间的相关回归分析, 红边 宽
度最适宜指示白粉病发生及发展态势, 拟合精度(R2)为 0.811, 检验相对误差(RE)为 17.7%, 而 mND705、SIPI、CTR2
和 TSAVI 在相关分析中也表现相对较好(r>0.6), 但由于试验间兼容性差, 不宜建立统一回归方程。以相对光 谱指
数 ΔMSAVI和 ΔmND705与白粉病严重度建立的模型决定系数较高(R2>0.76), RE分别为 18.4%和 19.4%, 可较好反演
冠层尺度病情严重度。可见, 小麦白粉病冠层光谱特征明显, 建立的病害反演模型精度高, 对精确防控具有应用价
值。
关键词: 小麦白粉病; 高光谱; 病情严重度; 反演模型
Estimation of Severity Level of Wheat Powdery Mildew Based on Canopy
Spectral Reflectance
FENG Wei, WANG Xiao-Yu, SONG Xiao, HE Li, WANG Yong-Hua, and GUO Tian-Cai*
Henan Agricultural University / National Engineering Research Center for Wheat, Zhengzhou 450002, China
Abstract: Understanding spectrum characteristics and sensitive bands of wheat infected by Blumeria graminis f. sp. tritici (Bgt)
and estimating the disease severity will provide a basis for monitoring and subsequently accurately controlling powdery mildew in
wheat planted in large scales using aerial remote sensing. Canopy reflectance of winter wheat infected by artificial inoculation of
Bgt with different severity levels was measured in disease nursery, field, and pot experiments, and the severity levels in different
growth phases were also investigated at the same time. The results indicated that spectrum reflectance increased significantly in
visible light region (350–710 nm) with the increase of disease severity level, and the light region between 580 nm to 710 nm was
the sensitive bands to wheat powdery mildew, which varied greatly in near-infrared region (710–1100 nm) across treatments with
different disease severity levels. However, the correlation between spectrum reflectance and conventional disease index (DI) was
low. When the conventional DI was replaced by modified DI, the correlation was improved significantly. An integrated linear
regression equation of disease severity level to red edge width (Lwidth) described the dynamic pattern of disease severity level in
wheat, with R2 of 0.811 and relative error (RE) of 17.7%. Besides, correlation coefficients between spectral parameters (mND705,
SIPI, CTR2, and TSAVI) and modified DI were higher than 0.6. No common integrated regression equation could be established
due to poor compatibility among experiments. The relative spectral indices (ΔMSAVI and ΔmND705) exhibited high correlations
(R2 > 0.76) with the disease sensitive level, with RE values of 18.4% and 19.4%, respectively. The results suggested that the mod-
els with sensitive spectral indices could retrieve and forecast the disease severity level accurately in a large area.
Keywords: Wheat powdery mildew; Hyperspectral remote sensing; Severity level; Retrieval model
1470 作 物 学 报 第 39卷

小麦白粉病是一种世界性病害, 在各主要产麦
国均有分布。在我国随着矮秆品种推广和水肥条件
改善, 白粉病发病面积和范围不断扩大, 并多次流
行成灾, 尤其 1990年河南省白粉病发病面积占小麦
播种面积的 50%, 产量损失近 40万吨。白粉病的传
统监测方法主要依靠人工田间调查, 不仅耗时耗力,
而且时效性差、准确度受主观意识影响。因此, 发
展快速、无损和实时监测技术对于精确防控病害具
有重要意义。白粉菌是一种重要的活体寄生菌, 感
染植株后叶面覆盖白粉状霉层, 叶肉细胞破坏, 水
分和叶绿素含量降低, 叶片黄化干枯, 造成小麦减
产和食用品质降低[1-2]。病害植株形态和生理的变化
也导致相应光谱的改变, 这为应用遥感技术进行小
麦白粉病的实时监测提供了可能[3]。早在 20世纪 20
至 30年代已开始棉花根腐病、马铃薯条锈病以及烟
草花叶病等病害的光谱特征研究[4-5], 逐步明确了不
同作物病虫危害光谱识别的敏感波段主要位于可见
光和近红外波段[6-8], 其最佳敏感波段因作物和病害
种类不同而差异 [9-11]。对小麦条锈病的研究表明 ,
630~687、740~890及 976~1350 nm为遥感监测条锈
病的敏感波段[11], 利用高光谱红边和黄边位置距离
可以识别小麦条锈病[12], 基于 690 nm和 850 nm的
RVI 和 NDVI 能够准确反演病情指数[13]。在小麦蚜
虫监测方面 , 明确了蚜虫敏感的光谱波段范围为
625~635 nm和 680~695 nm [14], 基于 R800/R450和
R950/R450 比值植被指数能够较好地区分出受蚜虫
危害的小麦[15], 并实现了小麦冠层光谱归一化植被
指数 NDVI 和百株蚜量间显著相关建模[16]。水稻稻
瘟病监测最佳敏感波段位于 485 nm 和 675 nm 附
近[17], 采用偏最小二乘法, 建立了基于 5 个特征波
长的稻瘟病定量监测模型, 正确率达 80% [18]。棉花
黄萎病菌侵染植株后, 光谱红边位置和红谷位置减
少, 而红边宽度和 672 nm处归一化吸收宽度增加[19],
确立了以 714 nm 处一阶微分光谱为自变量的线性
模型为棉花黄萎病严重度诊断的最佳模型[20]。关于
其他作物的病害监测研究也取得了较大进展, 从而
实现早识别早防控, 降低产量损失和品质劣变, 减
少农药施用和支出成本, 保护生态环境。但以往研
究中所用资料的年份和试验条件偏少, 且品种类型
单一, 因而定量关系尚需在不同年份、品种和生产
系统下进一步明确和证实。更重要的是, 利用高光
谱遥感技术对小麦白粉病进行监测防控的报道较少,
前人相关研究仅仅局限于单叶片层次或者航空遥感
的定性分类方面[21-22], 而关于大田小麦冠层尺度的
白粉病严重度定量估算尚未见报道。本文通过人工
诱发小麦白粉病并测量不同染病等级小麦的冠层光
谱和病情指数, 明确光谱波段及植被指数与病害严
重度的相关关系, 确立小麦白粉病害严重度定量估
算模型, 旨在为遥感大面积监测小麦白粉病害提供
定量评价方法, 增强农业灾害的精准化管理水平。
1 材料与方法
1.1 试验设计
试验 1于 2009—2010年在河南农业大学科教示
范园区大田(34°51′ N, 113°35′ E)进行, 选用白粉病
易感品种偃展 4110和豫麦 34及中感品种矮抗 58和
郑麦 366。前茬为玉米, 秸秆掩底还田, 土壤为沙壤
土, 播种前 0~30 cm土壤含有机质 8.3 g kg−1、全氮
0.87 g kg−1、速效磷 24.44 mg kg−1、速效钾 124.32 mg
kg−1, 施肥量为 240 kg hm−2纯氮、120 kg hm−2 P2O5
和 90 kg hm−2 K2O。随机区组排列, 3次重复, 小区
面积为 20.3 m2。10月 15日播种, 三叶期定苗, 各小
区栽培管理均一致, 其他同一般高产麦田。在温室
病圃区培养陆地和盆栽偃展 4110等高感材料, 作为
试验接种的病菌来源。依据接种量大小和频次的不
同设定重、中和轻 3个发病等级处理, 另设不接种为
对照区。从小麦拔节期开始接种白粉病菌, 一直持
续至开始表现明显发病症状时停止人工接种。小麦
抽穗期开始染病, 冠层光谱测试和采样时期为花后
5、15和 25 d。
试验 2于 2009—2010年在河南农业大学国家小
麦工程技术研究中心温棚进行。选用易感品种偃展
4110 和豫麦 49 以及中感品种矮抗 58 和郑麦 366。
土壤为过筛后沙壤土, 每盆装土 13.5 kg, 方行盆面
边长 25 cm, 花盆埋于土中, 盆面高出地面 2 cm。施
用肥料种类同试验 1, 但施用量为试验 1的 2倍。10
月 18日播种, 三叶期定苗。拔节期进行白粉病接种,
依据接种量大小和频次设重、中和轻 3 个发病等级
处理, 另设不接种的对照区。小麦孕穗期开始染病,
冠层光谱测试和采样时期为抽穗期和花后 10 d, 先
将盆栽小麦搬出棚外, 然后分单盆、2 盆并和 4 盆
并测定光谱, 3种方式均测定 2组数据, 共获取 96组
样本。
试验 3于 2010—2011年在河南农业大学国家小
麦工程技术研究中心病圃田进行, 选用易感品种偃
展 4110和西农 979及中感品种矮抗 58。土壤为沙壤
第 8期 冯 伟等: 基于冠层反射光谱的小麦白粉病严重度估测 1471


土, 播前 0~30 cm土壤含有机质 16.3 g kg−1、全氮
1.22 g kg−1、速效磷 35.65 mg kg−1、速效钾 114.68 mg
kg−1, 施肥量为 270 kg hm−2纯氮、120 kg hm−2 P2O5
和 90 kg hm−2 K2O。病害梯度设置同试验 1, 共 4个
处理, 2次重复, 小区面积为 8.1 m2。10月 15日播种,
三叶期定苗, 各小区栽培管理均一致, 其他同一般
高产麦田。小麦孕穗期开始染病, 冠层光谱测试和
采样时期为抽穗期和花后 15 d。
1.2 接种方法
(1)叶片接种。在温室病圃区挖取发病严重植株,
按照试验设计将取样的染病植株在待接种小区的植
株上方抖动, 然后横放于小麦植株中下部。(2)盆栽
接种。待温室病圃区盆栽小麦植株充分发病后, 先
把盆栽发病植株在对应小区扫接一遍, 然后把盆栽
幼苗带盆整体置接种小区内, 2 d换一次位置。
1.3 光谱数据获取
采用 FieldSpec HandHeld 手持便携式光谱分析
仪(Analytical Spectral Device Inc., USA)测定小麦冠
层光谱, 波段值为 325~1075 nm, 光谱采样间隔为
1.6 nm, 光谱分辨率为 3.5 nm。冠层光谱测定选择在
天气晴朗、无风或风速很小时进行 , 北京时间
10:00–14:00, 传感器探头垂直向下 , 光谱仪视场角
为 25°, 距冠层顶垂直高度约 1.0 m, 冠层视场范围
直径为 0.44 m。测量过程中及时进行标准白板校正,
以 10条光谱为一采样光谱, 每个采样 点记录 10个
光谱, 以其平均值作为该点的光谱反 射率。
1.4 病情指数调查
病情数据的调查在光谱数据采集后同步进行 ,
陆地试验在光谱测试的位置约 0.6 m2范围内选取 20
株小麦, 盆栽试验调查整盆植株的全部叶片, 以严
重度来表示小麦叶片的发病情况。利用正方形网格
计算小麦叶片发病面积占叶片总面积的百分比来表
示严重度。严重度分为 9个等级, 即 0、1%、10%、
20%、30%、45%、60%、80%和 100%, 人工记录各
严重度的小麦叶片数。病情指数 DI[11](disease index,
%):
100
xf
DI
n f
= ×∑∑
式中, x为各梯度的级值, n为最高梯度值为 9, f为各
梯度的叶片数。该式的定义和计算是依据前人相关
研究确立的 , 称为传统病情指数 (conventional DI,
cDI)。由于小麦白粉病自下部向中上部发展, 以冠层
光谱探测该病害存在滞后性, 这将严重影响对病害
严重度的定量评价。为此, 本文植株将传统病情指
数除以对应小区的叶面积指数(LAI), 表示单位叶面
积下病情指数的大小 , 定义为修正型病情指数
(modified DI, mDI), 这样便于比较不同叶面积条件
下病情状况对冠层光谱的影响 , 以减轻因种植密
度、分蘖能力、长势和凋谢物等引起的群体结构差
异对病情严重度估算的影响。
1.5 数据分析与利用
由于病菌侵染小麦后, 叶片覆盖孢子霉层, 同
时叶片褪绿失水 , 干枯变薄 , 冠层结构破坏 , 附着
凋落物增多, 光谱反射率变化较为复杂。通过光谱
平滑技术可有效除去光谱信号中高频噪声的干扰以
及光谱测量仪引起的随机误差, 提高信噪比。采用
五点加权平滑法对原始光谱数据进行平滑处理。
2 1 1 2( )
4 4 1 2 4
m m m mmn − −= + + + × / 25
式中, n 为过滤窗口中间数据点的加权均值, 即平
滑后的光谱值; m 为平滑前数据点的值, 即原始光
谱值。
本研究综合了已有大量光谱分析技术 , 如光
谱位置变量技术、微分光谱技术、连续统去除法
和原始光谱反射率多波段组合等, 选用的常见光 谱参
数主要有 SIPI [23]、TSAVI (800, 670) [24]、MSAVI (800,
670) [25]、PSRI [26]、CTR2 [27]、mND705 [28]、MCARIb [29]、
Depth672 [30]、Lwidth [31]、SDr/SDb[32]和 SDr/SDy [32],
并在 MATLAB语言环境下编程实现。根据白粉病侵
染后小麦病情指数与冠层光谱数据的相关分析, 明
确 mDI 为冠层光谱指示病害严重度的适宜表达指标,
选取涉及不同品种、不同试验系统和发病等级的试
验 1 和试验 2 测试数据进行建模分析, 以试验 3 中
的独立试验资料对以上监测模型进行测试和检验。
通过预测值与观察值之间的相关系数(R2)、均方根误
差(RMSE)和相对误差(RE)评价模型精度。
2 结果与分析
2.1 不同白粉病严重度下小麦冠层光谱的变化
特征
以试验 1中对白粉病表现易感的品种偃展 4110
和中感品种矮抗 58 为例展示病害严重度对冠层光
谱的影响(图 1)。偃展 4110 分蘖力中等, 群体偏小,
中下部病害信息在冠层光谱上反映相对充分, 且易
1472 作 物 学 报 第 39卷


图 1 不同修正型病情指数下小麦光谱反射率的变化
Fig. 1 Changes of original spectrum reflectance under different modified disease indices (mDI) in wheat

感品种的病害现症特征明显, 不同感染等级间光谱
差异较大; 而矮抗 58 分蘖力强, 群体较大, 病斑信
息在光谱反映上不如偃展 4110明显, 且中感品种的
病害现症特征相对较弱, 发病等级稍低, 不同感染
等级间光谱差异较小。随着 mDI 增加, 在可见光波
段 350~710 nm内光谱反射率逐渐上升, 在 620~680
nm 波段内最为显著(偃展 4110, P<0.001; 矮抗 58,
P<0.05); 红边区域反射率变化不显著, 但坡度变陡,
红谷消弱; 而在近红外区则没有呈现明显的变化规
律, 但病害处理间反射率变幅较大, 尤其易感品种
偃展 4110 变幅更大 , 780~1075 nm 波段平均值
31.2%~40.6%。这是因为冠层光谱反射率在可见光范
围内主要由叶绿素吸收引起的, 病害侵染后叶绿素
合成受抑 , 分解加快 , 导致色素浓度降低 , 光谱反
射率升高 , 而在近红外的光谱信息主要受冠层结
构、叶片组织结构、生物量及含水量等影响, 发病
小麦在近红外区域反射率不稳定, 说明表征植被结
构的诸多因子已受到不同程度破坏。
2.2 小麦白粉病严重度与冠层光谱的相关性
cDI 与冠层光谱的相关系数整体表现偏低, 相
关性较好的波段区域主要集中在 5 5 0 ~ 7 0 0 n m
(r<0.46) , 且盆栽试验 (n=96)显著优于大田试验
(n=71)(图 2)。这是因为盆栽试验位于小气候内, 发
病速度快, 现病程度高, 植株上部与下部发病滞后
期短, 植株病害信息在冠层光谱上反映更充分。mDI
与原始光谱反射率的相关性较 cDI有很大程度改善,
同样表现出盆栽试验优于大田试验的效果 , 在
350~750 nm 区域为正相关, 尤其 580~710 nm波段
内相关系数较高[r∈(0.5~0.7), P<0.001], 为病害反
应敏感波段, 而在近红外 750~1075 nm 区域的长波


图 2 小麦病情指数与冠层光谱反射率的相关性
Fig. 2 Correlation of disease indices of powdery mildew to
canopy original spectral reflectance in wheat
cDI: 传统病情指数; mDI: 修正型病情指数; EXP.1: 试验 1 (大
田试验); EXP.2: 试验 2 (盆栽试验)。
cDI: conventional disease index; mDI: modified disease index;
EXP.1: Experiment one (field experiment); EXP.2: Experiment two
(pot experiment).

方向整体呈负相关, 但相关性较差(r<0.30)。这表明
mDI 减轻了因叶面积差异对光谱信息与 cDI 间相关
性分析的影响, 明显提高了冠层光谱对病情状况的
反应与识别能力。
2.3 小麦白粉病严重度与常见冠层光谱特征参
数的相关性
对 2009—2010年度开放式试验大田(n = 71)和
病圃温室盆栽(n = 96)不同品种数据综合相关分析
(表 1)。表明, 除大田试验的光谱参数 SDr/Sdy 及相
对指数与 mDI 间相关系数不显著外, 其他光谱指数
及相对值均极显著相关(P<0.001)。由于病圃盆栽试
验系统生态小环境及发病特性均与开放式大田试验
系统存在很大差异, 将试验 1 和试验 2 资料综合分
第 8期 冯 伟等: 基于冠层反射光谱的小麦白粉病严重度估测 1473


表 1 小麦冠层光谱指数与修正型病情指数的相关系数
Table 1 Correlation coefficients between canopy spectral indices and modified disease indices in wheat
原始光谱指数 VI Original spectral index 相对光谱指数 ΔVI Relative spectral index 光谱参数
Spectral parameter EXP.1 EXP.2 EXP.1 & EXP.2 EXP.1 EXP.2 EXP.1 & EXP.2
SIPI 0.896*** 0.890*** 0.624*** 0.896*** 0.885*** 0.217**
TSAVI 0.841*** 0.844*** 0.604*** 0.841*** 0.844*** 0.084
MSAVI –0.830*** –0.839*** –0.584*** –0.931*** –0.899*** –0.899***
PSRI 0.900*** 0.875*** 0.555*** 0.900*** –0.875*** –0.489***
CTR2 0.848*** 0.846*** 0.618*** 0.848*** 0.846*** 0.245**
mND705 –0.844*** –0.845*** –0.648*** –0.937*** –0.919*** –0.877***
MCARIb –0.909*** –0.876*** –0.552*** –0.909*** –0.876*** –0.164*
Depth672 –0.841*** –0.851*** –0.566*** –0.841*** –0.851*** –0.209**
Lwidth 0.921*** 0.899*** 0.900*** 0.921*** 0.899*** 　0.111
SDr/SDb –0.789*** –0.763*** –0.582*** –0.789*** –0.763*** –0.177*
SDr/SDy 0.250* 0.898*** 0.599*** 0.250* 0.897*** 0.116
EXP.1: 试验 1; EXP.2: 试验 2; EXP.1&EXP.2: 综合试验 1和试验 2。*P<0.05; **P<0.01; ***P<0.001。
EXP.1: experiment 1; EXP.2: experiment 2; EXP.1&EXP.2: comprehensive experiments 1 and 2. *P<0.05; **P<0.01; ***P<0.001.

析, 发现不同生产试验系统间方程拟合斜率和截距
存在一定差异, 导致多数光谱参数与病情指数间相
关性显著变差 , 而红边宽度(Lwidth)依然表现出与
单个试验系统相持平的相关系数 , 高达 0.90
(P<0.001), 其次为光谱参数 mND705、SIPI、CTR2
和 TSAVI也均给出较好的相关系数(P<0.001), r分
别为−0.648、0.624、0.618 和 0.604, 表明利用该类
参数指示病情状况在不同试验系统中适用性相对较
好。试验处理小区光谱指数与对照小区的比值, 定
义为相对光谱指数(ΔVI)。表 1 表明, 相对光谱指数
ΔMSAVI 和 ΔmND705 在试验 1 和试验 2 系统间回
归方程的斜率和截距差异相对较小, 两试验数据合
并分析后相关系数并没有显著下降, 其相关系数分
别达−0.899 (P<0.001)和−0.877 (P<0.001), 而其他光
谱指数均表现较差 , 这显示出相对光谱指数
ΔMSAVI 和 ΔmND705 在统一指示不同生产系统病
情发生及发展进程时具有较强的识别能力和实时监
测的兼容性。
2.4 小麦白粉病严重度与冠层光谱特征参数的
定量关系
以文献报道的特征光谱波段和植被指数为基础,
综合不同试验系统、品种和生育时期小麦修正型病
情指数与冠层光谱参数进行回归分析。红边光谱参
数对植被逆境信息探测能力很强, 通过倒高斯红边
光学模型模拟红边(670~780 nm)反射光谱曲线求得
高斯模型半宽 Lwidth。图 3 表明, 高斯模型半宽在
试验 1 (n=71)和试验 2 (n=96)中回归方程的斜率和截
距差异不大(P>0.05), 可使用统一回归方程表达单
位叶面积病情指数的变化 , 决定系数(R2)和均方根
差 (RMSE)分别为 0.811 和 3.643。尽管光谱参数
mND705、SIPI、CTR2和 TSAVI在试验 1和试验 2
合并相关分析中兼容性也相对较好(r > 0.6), 但在两
试验联合回归方程中斜率和截距差异过大(P<0.01),
难以采用统一回归方程拟合(图 3)。相对光谱指数
ΔMSAVI 和 ΔmND705 显著减弱了试验系统对病情
建模识别的异质化影响, 在试验 1 和试验 2 中能够
同步指示不同生产系统病情危害状况, 联合两试验
数据的回归方程 R2分别为 0.809 (P<0.001)和 0.769
(P<0.001), RMSE分别为 3.661和 4.136, 表明利用该
参数可以较好地定量反映不同试验条件下白粉病危
害状况(图 4)。
2.5 模型测试与检验
为了考察上述定量识别模型的可靠性和普适性,
利用试验 3 数据对优选方程分别验证 , 采用精度
(R2)、均方根差(RMSE)和平均相对误差(RE) 3 个指
标进行检验, 并作模拟值与观测值 1︰1关系图直观
展示模型的预测能力(图 5)。结果表明, 对于原始光
谱参数, Lwidth 估算模型的检验结果较为理想, 检
验精度(R2)为 0.865, RMSE 和 RE 分别为 5.061 和
17.7%, 整体上估算值略高于实测值。对冠层相对光
谱指数, ΔmND705和 ΔMSAVI模型也均给出了较好
的检验结果, 测试 R2分别为 0.905 和 0.924, RMSE
分别为 5.618和 5.094, RE分别为 19.4%和 18.4%, 总
体上估算值偏低于实测值。由于白粉病发病特点和
1474 作 物 学 报 第 39卷


图 3 小麦修正型病情指数(mDI)与冠层原始光谱指数之间的定量关系
Fig. 3 Quantitative relationships of the modified disease indices (mDI) and key spectral parameters in wheat


图 4 小麦修正型病情指数(mDI)与冠层相对光谱指数之间的定量关系
Fig. 4 Quantitative relationships of the modified disease indices (mDI) and relative spectral parameters in wheat


图5 小麦白粉病病情指数的实测值与预测值比较
Fig. 5 Comparison of predicted and observed disease indices of powdery mildew in wheat

现症特征在不同试验系统下存在差异, 且原始光谱
受测试环境等因素影响, 对病害等级监测的适宜光
谱指数相对较少。通过计算相对光谱指数减轻了品
种、生育时期以及试验条件差异对监测模型的异质
化影响, 筛选并实现了常规光谱指数对病害等级的
实时定量评价。
3 讨论
作物遭受病虫害后, 冠层光谱除受叶片孢子体
覆盖物影响外, 还受冠层结构、植株叶绿素和水分
含量等生理状态、凋谢附着物以及土壤和天气等因
素影响。植被受病害影响通常表现生物量下降, 叶
绿素和水分减少, 对应的可见光反射率增大, 这在
不同作物和病害上均如此 [8,11,19]; 而在近红外波段
的反射率则因光谱测试尺度而异, 即冠层水平为下
降[13,33]和叶片层次呈增加[19-20]。尽管可见光和近红
外波段对病害均表现出明显的反应特征, 但两波段
区域的反射率对病害敏感程度存在差异, 近红外波
第 8期 冯 伟等: 基于冠层反射光谱的小麦白粉病严重度估测 1475


段光谱反射率变化较小, 可见光较近红外波段差异
更明显 [18,20,34], 前人关于小麦白粉病单叶片的结果
也是如此, 且指出 520~720 nm 为敏感波段, 而在
780~900 nm 处存在分歧[23-34]; 但也有不一致的结果,
认为近红外波段反射率与病情间相关性更好[11,13]。
由于冠层光谱较单叶片所受影响因素更多, 反射光
谱的变化将更复杂。本文研究表明 , 冠层光谱
580~710 nm波段反射率与白粉病病害严重度呈显著
正相关, 为病害反应敏感波段; 而在近红外波段冠
层光谱更多地受冠层空间结构和叶片组织结构破
坏、含水量下降以及凋谢附着物增多的影响, 反射
率与病害严重度整体呈负相关, 且相关性较差, 难
以作为病害识别的敏感波段。本文选用文献报道的
植被指数与不同试验系统、品种和生育时期小麦病
情指数进行回归分析, 拟合方程表现较好光谱参数
的所采用波段大多位于 670~705 nm区域, 而近红外
红边至平台区域 750~800 nm仅作为参比波段, 以消
除冠层结构和凋谢物差异对病害小麦严重度反演的
影响。
红边是植被红光波段叶绿素强烈吸收与近红外
叶片内部结构散射而形成的高反射造成的, 是植被
营养、长势、水分、叶面积等的指示特征, 在植被
光谱遥感中应用较多。当植被衰老或遇病虫害胁迫
时 , 红边位置“蓝移” , 红边振幅减少 , 红边面积
缩小 [12,33], 红蓝边面积比与病害严重度呈显著负
相关 [13,20], 较好地实现了红边参数与病情指数的回
归建模。小麦白粉病研究发现, 红边宽度和蓝边面
积与病害严重度高度相关[23], 但这仅限于单叶片层
次。本试验表明, 白粉病侵染小麦后, 冠层光谱红谷
特征消弱, 红谷吸收深度变小, Depth672 与病情指
数间呈极显著负相关, 红蓝边面积比和红黄边面积
比均与病情指数显著相关, 但两年度间各自拟合方
程的斜率和截距差异较大, 难以用统一回归方程表
达不同试验条件下病情特征。采用倒高斯模型拟合
红边增长特征, 病害小麦的红边宽度(Lwidth)增加,
这在棉花黄萎病害上也表现如此[19], 尽管两年度试
验系统存在较大差异, 但红边宽度在两年度统一建
模中依然表现出与单个试验系统相持平的极显著相
关(r=0.90, P<0.001), 而其他原始光谱参数在年度间
建模的兼容性能较差。作物病害发生后, 冠层形态
结构、叶片组织结构和生理状态以及叶片孢子霉层
和凋谢附着物变化较为复杂, 本试验中病害严重度
与可见光反射率间相关性在两年季间呈现一定差异,
350~550 nm两年季间差异较大, 550~710 nm两年季
均表现极显著正相关, 而在近红外波段开放式大田
试验光谱反射率与病情严重度间呈不显著负相关 ,
但温室盆栽试验呈显著负相关(︱r︱<0.3), 这与前
人关于小麦条锈病结果差异较大 (| r |∈ 0.6~
0.8)[11,13]。可能是由于病害种类和试验系统差异, 近
红外光谱较可见光波段受病害影响的变动因素更多,
病害特性光谱表现不够稳定。由以上分析可见, 在
建模过程中原始光谱指数在不同试验系统中相关性
的兼容性差异很大, 经独立试验资料检验, 只有红
边宽度指数可以稳定估算不同条件下病情严重度 ,
由此推测不同病害胁迫之间群体生理及冠层结构均
存在差异, 用来专一指示特有病害的参数很难适用
另一种病害。尽管多数病害均导致叶绿素含量下降
的可见光区域相似光谱变化特征, 但近红外波段或
者可见光区不同波段间反射光谱在不同病害间可能
会有部分差异, 这种差异将随着新型传感器或者分
辨率的提高而逐渐被人们认识。受光谱信息获取技
术的时代限制 , 异病同谱在某些波段区的确存在 ,
但不同病害胁迫引起的作物生理生化机制可能不同,
再加上各自病害导致的形态结构变化也有差异, 对
不同病害胁迫的敏感波段也就不同, 如小麦白粉病
和条锈病在单叶片层次上敏感波段有相同区域也有
不同区域[11,23]。此外, 要加强遥感“表观性”与病害
“内在性”的结合研究, 充分认识病害形态和生理
专一性特征, 做好不同病害专属性指标的筛选, 构
建对特征光谱反应敏感的病害表征指标, 将有效补
充和发挥光谱监测的外在性和宏观性优势, 克服异
病同谱对不同病害光谱识别的影响。当然, 病害类
生物胁迫与水氮等环境类非生物胁迫对小麦内部生
理机制变化方面也有差异, 这些差异能否在目前分
辨率水平的光谱维上有足够能量响应, 以及构建光
谱响应及识别模型, 有待进一步研究。
由于白粉病自下而上的发病特性, 冠层光谱探
测将存在一定程度滞后性 , 为减轻病害后小麦冠
层、叶片及背景特性对光谱异质化的影响, 本文应
用了相对光谱指数(ΔVI)。结果表明 , ΔMSAVI 和
ΔmND705 在单个试验中与病情严重度的相关关系
较原始光谱指数显著改善, 尤其在 2 个试验中兼容
性较好, 联合两试验数据的拟合方程 R2 高于 0.760
(P<0.001), 能够实时指示病害发展态势, 这为病害
的光谱监测提供了新的技术思路和分析途径。其可
能原因是 , 病害早期主要体现在植株生理变化上 ,
1476 作 物 学 报 第 39卷

反映在反射光谱上差异较小, 原始光谱指数将较难
及时识别病害发生; 随着病害发生程度加重, 植株
形态和结构发生变化, 再加上凋谢物增多等背景影
响, 冠层光谱变化大, 原始光谱指数准确估算病害
严重度的难度加大, 且随着病菌侵染和严重度增加,
由生理至形态再到冠层结构呈渐进式发展, 每一时
段对冠层光谱影响的主要因素发生变化, 通过计算
相对光谱指数将弱化病害时期、试验条件及背景异
质等影响 , 实现在发病早期的低病情指数准确估
算。当然, 在生产上如何在形态发病前的生理感病
期超早判别, 将对病害早期预防具有更大价值。随
着传感器技术发展及分辨率提高, 通过引入新的数
据挖掘和分析方法, 不断解析病害生理期的物理效
应, 将会大大缩短人的感官识别期与遥感识别期的
时期差异, 实现早识别早防治, 这一点急需深入研
究。
本研究采用的数据是小麦开放式大田和温室盆
栽的冠层光谱数据, 两种试验涉及不同发病环境、
染病特征及病症表现等, 试验系统具有互补性, 所
得结果精确度较好。若今后能通过更多生态点、生
产水平和品种类型的广泛检验并不断完善, 实现模
型的估测精度和普适性的高效统一, 将对利用遥感
技术监测病虫害提供理论依据, 对早发现早防治和
精确用药具有重要的实用价值。
4 结论
明确了小麦白粉病敏感光谱波段为 580~710 nm,
确立了关键光谱参数与病情严重度的定量关系, 发
现红边宽度 (Lwidth)和相对光谱指数 (ΔMSAVI 和
ΔmND705)均可较好监测小麦生长中后期白粉病发
生状况 , 其中利用红边宽度建立的模型精度最高 ,
可作为小麦白粉病严重度的最佳估算模型。
References
[1] Maxwell J J, Lyerly J H, Cowger C, Marshall D, Brown-Guedira
G, Paul Murphy J. MlAG12: a Triticum timopheevii-derived
powdery mildew resistance gene in common wheat on chromo-
some 7AL. Theor Appl Genet, 2009, 119: 1489–1495
[2] Lin J-Y(刘金元), Tao W-J(陶文静), Duan X-Y(段霞瑜), Xiang
Q-J(向齐君), Liu D-J(刘大钧), Chen P-D(陈佩度). Molecular
marker assisted identification of Pm genes involved in the pow-
dery mildew resistant wheat cultivars (lines). Acta Phytopathol
Sin (植物病理学报), 2000, 30(2): 133–139 (in Chinese with
English abstract)
[3] Wu D(吴迪), Zhu D-S(朱登胜), He Y(何勇), Zhang C-Q(张传
清), Feng L(冯雷). Nondestructive detection of grey mold of
eggplant based on ground multi-spectral imaging sensor.
Spectroscopy Spectral Anal (光谱学与光谱分析), 2008, 28(7):
1496–1500 (in Chinese with English abstract)
[4] Bawden F C. Infra-red photography and plant virus diseases. Na-
ture, 1933, 132: 168
[5] Taubenhaus J J, Ezekiel W N, Neblette C B. Airplane photogra-
phy in the study of cotton root rot. Phytopathology, 1929, 19:
1025–1029
[6] Raikes C, Burpee L L. Use of multispectral radiometry for as-
sessment of rhizoctonia blight in creeping bentgrass. Phytopa-
thology, 1998, 88: 446–449
[7] Wang D, Dowell F E, Lan Y, Pasikatan M, Maghirang E. Deter-
mining pecky rice kernels using visible and near-infrared spec-
troscopy. Int J Food Properties, 2002, 5: 629–639
[8] Cheng T, Rivard B, Sánchez-Azofeifa G A, Feng J, Calvo-Po-
lanco M. Continuous wavelet analysis for the detection of green
attack damage due to mountain pine beetle infestation. Remote
Sens Environ, 2010, 114: 899–910
[9] Zhang J-C(张竞成), Yuan L(袁琳), Wang J-H(王纪华), Luo
J-H(罗菊花), Du S-Z(杜世州), Huang W-J(黄文江). Research
progress of crop diseases and pests monitoring based on remote
sensing. Trans CSAE (农业工程学报), 2012, 28(20): 1–11 (in
Chinese with English abstract)
[10] Zhang M H, Qin Z H, Liu X, Ustin S L. Detection of stress in
tomatoes induced by late blight disease in California, USA, using
hyperspectral remote sensing. Int J Appl Earth Observ Geoinf,
2003, 4: 295–310
[11] Huang M-Y(黄木易), Wang J-H(王纪华), Huang W-J(黄文江),
Huang Y-D(黄义德), Zhao C-J(赵春江), Wan A-M(万安民).
Hyperspectral character of stripe rust on winter wheat and moni-
toring by remote sensing. Trans CSAE (农业工程学报), 2003,
19(6): 154–158 (in Chinese with English abstract)
[12] Jiang J-B(蒋金豹), Chen Y-H(陈云浩), Huang W-J(黄文江).
Using the distance between hyperspectral red edge position and
yellow edge position to identify wheat yellow rust disease. Spec-
troscopy Spectral Anal (光谱学与光谱分析), 2010, 30(6): 1614–
1618 (in Chinese with English abstract)
[13] Guo J-B(郭洁滨), Huang C(黄冲), Wang H-G(王海光), Sun
Z-Y(孙振宇), Ma Z-H(马占鸿). Disease index inversion of
wheat stripe rust on different wheat varieties with hyperspectral
remote sensing. Spectroscopy Spectral Anal (光谱学与光谱分
析), 2009, 29(12): 3353–3357 (in Chinese with English abstract)
[14] Riedell W E, Blackmer T M. Leaf reflectance spectra of cereal
aphid-damaged wheat. Crop Sci, 1999, 39: 1835–1840
[15] Yang Z, Rao M N, Elliott N C, Kindler S D, Popham T W. Dif-
ferentiating stress induced by greenbugs and Russian wheat
aphids in wheat using remote sensing. Comput Electron Agric,
2009, 67: 64–70
[16] Qiao H-B(乔红波), Cheng D-F(程登发), Sun J-R(孙京瑞), Tian
Z(田喆), Chen L(陈林), Lin F-R(林芙蓉). Effects of wheat aphid
第 8期 冯 伟等: 基于冠层反射光谱的小麦白粉病严重度估测 1477


on spectrum reflectance of the wheat canopy. Plant Prot (植物保
护), 2005, 31(2): 21–26 (in Chinese with English abstract)
[17] Kobayashi T, Kanda E, Kitada K, Ishiguro K, Torigoe Y. Detec-
tion of rice panicle blast with multi-spectral radiometer and the
potential of using airborne multi-spectral scanner. Phytopatho-
logy, 2001, 91: 316–323
[18] Cheng S-X(程术希), Shao Y-N(邵咏妮), Wu D(吴迪), He Y(何
勇). Determination of rice leaf blast disease level based on visible
near infrared spectroscopy. J Zhejiang Univ (Agric & Life Sci)
(浙江大学学报·农业与生命科学版), 2011, 37(3): 307–311 (in
Chinese with English abstract)
[19] Chen B(陈兵), Wang K-R(王克如), Li S-K(李少昆), Jin X-L(金
秀良), Chen J-L(陈江鲁), Zhang D-S(张东升). The effects of
disease stress on spectra reflectance and chlorophyll fluorescence
characteristics of cotton leaves. Trans CSAE (农业工程学报),
2011, 27(9): 86–92 (in Chinese with English abstract)
[20] Jing X(竞霞), Huang W-J(黄文江), Wang J-H(王纪华), Wang
J-D(王锦地), Wang K-R(王克如). Hyperspectral inversion mod-
els on verticillium wilt severity of cotton leaf. Spectroscopy
Spectral Anal (光谱学与光谱分析), 2009, 29(12): 3348–3352
(in Chinese with English abstract)
[21] Zhang J C, Pu R L, Wang J H, Huang W J, Yuan L, Luo J H. De-
tecting powdery mildew of winter wheat using leaf level hyper-
spectral measurements. Comput Electron Agric, 2012, 85: 13–23
[22] Franke J, Menz G. Multi-temporal wheat disease detection by
multi-spectral remote sensing. Precision Agric, 2007, 8: 161–172
[23] Peñuelas J, Baret F, Filella I. Semi-empirical indices to assess
carotenoids/chlorophyll a ratio from leaf spectral reflectance.
Photosynthetica, 1995, 31: 221–230
[24] Baret F, Guyot G, Major D J. TSAVI: a vegetation index which
minimizes soil brightness effects on LAI and APAR estimation.
In: Proc. IGARRS’89. 12th Canadian Symposium on Remote
Sensing, Vol. 3, Vancouver, Canada, 1989. pp 1355–1358
[25] Qi J, Chehbouni A, Huete A R, Kerr Y H. Modified soil adjusted
vegetation index (MSAVI). Remote Sens Environ, 1994, 48:
119–126
[26] Merzlyak M N, Gitelson A A, Chivkunova O B, Rakitin V Y.
Non-destructive optical detection of pigment changes during leaf
senescence and fruit ripening. Physiol Plant, 1999, 106: 135–141
[27] Carter G A, Miller R L. Early detection of plant stress by digital
imaging within narrow stress sensitive wavebands. Remote Sens
Environ, 1994, 50: 295–302
[28] Sims D A, Gamon J A. Relationships between leaf pigment con-
tent and spectral reflectance across a wide range of species, leaf
structures and developmental stages. Remote Sens Environ, 2002,
81: 337–354
[29] Haboudane D, Miller J R, Pattey E, Zarco-Tejada P J, Strachan I.
Hyperspectral vegetation indices and novel algorithms for pre-
dicting green LAI of crop canopies: modeling and validation in
the context of precision agriculture. Remote Sens Environ, 2004,
90: 337–352
[30] Kokaly R F, Clark R N. Spectroscopic determination of leaf bio-
chemistry using band-depth analysis of absorption features and
stepwise multiple linear regression. Remote Sens Environ, 1999,
67: 267–287
[31] Miller J R, Hare E W, Wu J. Quantitative characterization of the
vegetation red edge reflectance: 1. An inverted-Gaussian reflec-
tance model. Int J Remote Sens, 1990, 11: 1755–1773
[32] Wang X-Z(王秀珍), Huang J-F(黄敬峰), Li Y-M(李云梅),
Wang R-C(王人潮). Correlation between chemical contents of
leaves and characteristic variables of hyperspectra on rice field.
Trans CSAE (农业工程学报), 2003, 19(2): 144–148 (in Chinese
with English abstract)
[33] Liu L-Y(刘良云), Song X-Y(宋晓宇), Li C-J(李存军), Qi L(齐
腊), Huang W-J(黄文江), Wang J-H(王纪华). Monitoring and
evaluation of the diseases of and yield winter wheat from
multi-temporal remotely-sensed data. Trans CSAE (农业工程学
报), 2009, 25: 137–143 (in Chinese with English abstract)
[34] Zhang D-Y(张东彦), Zhang J-C(张竞成), Zhu D-Z(朱大洲),
Wang J-H(王纪华), Luo J-H(罗菊花), Zhao J-L(赵晋陵), Huang
W-J(黄文江). Investigation of the hyperspectral image character-
istics of wheat leaves under different stress. Spectroscopy Spec-
tral Anal (光谱学与光谱分析), 2011, 31(4): 1101–1105 (in Chi-
nese with English abstract)