全 文 ：作物学报 ACTA AGRONOMICA SINICA 2012, 38(1): 129−139 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(41161068, 30860139, 31071371)和新疆农垦科学院科技引导计划项目(YYD201102)资助。
* 通讯作者(Corresponding author): 李少昆, E-mail: lishk@mail.caas.net.cn, Tel: 010-68918891
第一作者联系方式: E-mail: zyrcb@126.com, Tel: 0993-6683527
Received(收稿日期): 2011-05-25; Accepted(接受日期): 2011-09-13; Published online(网络出版日期): 2011-11-07.
URL: http://www.cnki.net/kcms/detail/11.1809.S.20111107.1553.021.html
DOI: 10.3724/SP.J.1006.2012.00129
棉花黄萎病疑似病田的卫星遥感监测——以 TM卫星影像为例
陈 兵1,2,3 王克如1,2 李少昆1,2,* 肖春华1,2 王方永1 苏 毅1 唐 强1
陈江鲁1 金秀良1 吕银亮1 刁万英1 王 楷1
1新疆兵团绿洲生态农业重点开放实验室 / 石河子大学, 新疆石河子 832003; 2中国农业科学院作物科学研究所 / 农业部作物生理生
态与栽培重点开放实验室, 北京 100081; 3新疆农垦科学院棉花研究所, 新疆石河子 832000
摘 要: 研究TM卫星影像最佳时相(单一时相)对黄萎病疑似病害棉田诊断和分类的技术与方法, 为棉花生产提供具
有针对性的管理方案, 对促进棉田均衡增产、增效具有重要的意义。本研究通过分析试验区多时相卫星影像及准同
步地面调查数据, 从中优选病害棉田卫星影像诊断的最佳波段和时相, 对黄萎病疑似病害棉田分类并地面验证。结果
表明, 棉花的关键生育期, 健康与病害棉田在TM影像上明显不同, 由此建立病害棉田解译标志是可行的, TM4波段
可作为病害棉田卫星监测的最佳波段, 棉花盛铃期(7月下旬至 8月中旬)可作为黄萎病卫星监测的最佳时相。基于上
述分析, 在病害发生的最佳时相, 利用平行六面体监督分类方法将示范区黄萎病疑似病害棉田划分为健康、轻病和重
病棉田, 其中 2年病害棉田的面积分别占 29%和 23%。2年黄萎病疑似病害棉田分类结果的总体精度和Kappa系数均
高于 85%。进一步制作的棉花病田专题图也很好地反映了棉田内部的病害情况。因此,可利用多时相遥感数据进行棉
花黄萎病疑似病田的诊断。
关键词: 棉花; 黄萎病; 多时相; TM卫星; 遥感监测
Monitoring Cotton Field with Suspected Verticillium wilt Using Satellite Remote
Sensing with TM Satellite Image as an Example
CHEN Bing1,2,3, WANG Ke-Ru1,2, LI Shao-Kun1,2,*, XIAO Chun-Hua1,2, WANG Fang-Yong1, SU Yi1, TANG
Qiang1, CHEN Jiang-Lu1, JIN Xiu-Liang1, LÜ Yin-Liang1, DIAO Wan-Ying1, and WANG Kai1
1 Key Laboratory of Oasis Ecology Agriculture of Xinjiang Corps / Shihezi University, Shihezi 832003, China; 2 Institute of Crop Sciences, Chinese
Academy of Agricultural Sciences / Key Laboratory of Crop Physiology And Production Ministry of Agriculture, Beijing 100081, China; 3 Institute of
Cotton, Xinjiang Academy of Agricultural Reclamation Sciences, Shihezi 83200, China
Abstract: The cotton fields of suspected disease were diagnosed and classed through analyzing and electing best period (single
period) in multi-temporal information of TM image, which would provide the technology support to take the active measurements
for cotton industry and increase the yield and efficiency of cotton production. Multi-temporal satellite images and data of ground
surveying were taken in research areas. On the basis of them, the best wave band and the best period used to recognize cotton
fields infected disease were selected and the cotton fields with suspected Verticillium wilt were classified and tested. The results
showed that the health and disease cotton fields had obvious difference in the major cotton growth stages, it was feasible to diag-
nose cotton field with disease through the interpretation symbol of satellite image. In addition, TM4 band of satellite could be
regarded as the best wave band to monitor cotton field with disease; the peak boll forming sage (from the last ten-day of July to
mid Aug.) could be regarded as the best period to monitor disease of cotton with TM image. On the basis of above analyses, using
the supervised classification of parallelepiped, the cotton fields with suspected Verticillium wilt were divided into three classes:
health, light disease and severe disease cotton fields. The proportions of cotton field infected disease were about 29% and 23% in
two years, respectively. The tested results indicated the overall accuracy and kappa coefficient were both over 85% at the crucial
growth periods in two years. The further analysis revealed the disease condition within cotton field infected Verticillium wilt could
be reflected by the thematic map of cotton disease. Thus, it is feasible to diagnose the cotton fields with suspected Verticillium wilt
by multi-temporal satellite data.
130 作 物 学 报 第 38卷
Keywords: Cotton; Verticillium wilt; Multi-temporal; TM satellite; Remote-sensing monitoring
病虫害是农业生产的主要障碍, 是限制农业可
持续发展的主要因素[1]。新疆棉花主要遭受“三虫两
病”的危害 [2], 为了解棉花病虫害的发生发展, 每年
需要开展大量的田间调查, 耗费了大量的人力和物
力, 然而结果也不尽人意[3-4]。所以寻找一种省时省
力新方法是必要的。国内外学者利用遥感技术已经
对作物缺素、干旱、冻害和虫害等不同胁迫进行了
大量的研究, 并且获得了相应的结果。Adams等[5]通
过建立 4 种高光谱植被指数和荧光参数对大豆叶片
缺乏镁、锌、铜和铁的症状进行了识别, 其中缺锌
症和缺铁症的识别比较困难, 认为光谱和荧光参数
只能在一定程度上识别大豆缺乏一类或几类在表征
上差异较大的营养元素。Tilling等[6]分别通过获取的
地面高光谱数据、航空影像数据和近红外数字影像
数据建立不同的氮素和水分光谱指数对试验区不同
水分和氮素胁迫处理的小麦进行了监测, 结果表明
近地高光谱指数的监测精度高于航空影像和近红外
数字影像监测精度, 并优选了CCCI和VIT作为小麦
不同水分和氮素的最佳监测指数。杨邦杰等[7]收集了
山东省 76个气象台站的 1995年 3月 1日至 4月 30
日气象数据和对应的气象卫星NOAA-AVHRR对应的
所有晴空数据, 根据植被指数NDVI突变的特征, 并
考虑到作物的生育期, 实现了对冬小麦冻害的发生
情况与范围的监测。Mirik等[8]利用手持式光谱仪对
冬小麦蚜虫进行监测, 发现与正常的小麦冠层光谱
相比, 麦蚜虫危害的小麦冠层光谱在可见光区反射
率较高而在近红外区反射率较低, 不同光谱指数与
蚜虫密度的相关性变化很大(0.91~0.01), 必须选择
精度高的光谱指数才能对其准确估算。孙红等 [9]利
用野外手持式光谱辐射仪测试水稻稻纵卷叶螟受害
区和对照区冠层反射光谱, 通过分析不同受害程度
水稻冠层反射率和一阶微分光谱特征, 构建了样本
总体修正曲线, 认为利用NIR-NDVI特征可以有效
地区分对照区和受害区, 经验证准确率达 70%。在
作物病害监测方面, 已有大量利用航空、近地高光
谱和卫星多光谱技术识别、探寻遥感监测机理并建
立反演模型的研究。Johnson等[10]通过航拍, 利用空
间模式分析循环灌溉的番茄晚疫病进行了空间识别
分析, 实现了航空影像对番茄晚疫病的快速识别。
Huang等[11]通过对PHI航空高光谱影像分析, 建立了
光化学反射率指数PRI对冬小麦条锈病的病情严重
度情况的估算 , 估算模型的决定系数达到
0.91, 证实了利用航空影像能很好地监测冬小麦条
锈病的病情严重度情况。Pu等[12]首先把试验区不同
植被类型和植被病害胁迫分类, 再利用CASI航空高
光谱影像对试验区阔叶林病害的植被胁迫程度和死
亡率探测和分类, 分类结果达到 75%以上。吴迪等
[13]应用可见/近红外光谱技术对茄子叶片灰霉病害
还未在叶表出现病症时早期监测, 探寻遥感监测机
理 , 并采用化学计量学方法建立了早期监测模型 ,
模型能够达到 100%的识别率, 正确率也能达到 88%,
为灰霉病早期监测提供了新的途径。Lathrop等[14]通
过高光谱技术研究番茄病害, 并对番茄病害严重度
进行分类, 得到了理想的效果。Malthus等[15]用地物
光谱仪研究大豆和蚕豆斑点葡萄孢子感染后的反射
光谱, 发现其一阶反射率高, 可用来监测病虫害的
感染发生情况。张浩等[16]通过人工诱发不同等级水
稻穗颈瘟, 测定染病稻穗高光谱及其病情指数, 分
析正常和病穗冠层反射光谱和一阶微分光谱特征 ,
并在此基础上建立了水稻穗颈瘟病情指数的高光谱
反演模型, 估算模型的决定系数达 0.912, 实现了高
光谱对水稻穗颈瘟病的监测。Franke等[17]利用多时
相多光谱卫星影像对小麦病害监测, 利用决策数和
归一化差值植被指数能很好地将病害发生区域分
类。刘良云等[18]利用TM遥感影像数据, 分析试验区
的冬小麦条锈病、白粉病在主要生育期的光谱特征
及其变化, 建立了作物产量的早期预测模型, 并定
量计算了条锈病和白粉病的产量损失。针对棉花枯、
黄萎病的遥感监测研究也有少量报道, 如张宏名等
[19]通过对棉花枯、黄萎病病株与健株的可见光到近
红外反射光谱及叶温的对比观测, 看到凡感有枯萎
病的棉株反射光谱均较低, 在近红外光谱段病株比
非病株反射率低 6%~8%, 而病株的叶面温度却比无
病株一般要高出 2.5℃左右。竞霞等[20]基于野外定位
调查数据及高空间分辨率IKONOS遥感影像 , 用偏
最小二乘同归(PLS)方法建立棉花黄萎病病情严重
度的定量估测模型, 并获取不同病情严重度的空间
分布图, 实现了棉花黄萎病病情严重的高分辨率卫
星遥感监测。综上可知, 前人的研究多针对小麦、
水稻和番茄等病虫害的监测, 针对棉花病害监测的
较少。而在棉花病害的监测研究上, 张宏名等[19]也仅
在光谱方面对棉花黄萎病做了浅显的分析。竞霞等
[20]的研究也仅局限于高分辨率IKONOS卫星影像及
最小二乘同归(PLS)方法对棉花黄萎病的识别。
第 1期 陈 兵等: 棉花黄萎病疑似病田的卫星遥感监测 以 卫星影像为例 131 —— TM
由于高分辨率 IKONOS 卫星影像的覆盖面积较小,
费用较高, 推广应用困难。中分辨率卫星具有监测
面积大 , 费用低 , 应用难度低等优点 , 便于推广应
用, 是棉花黄萎病大面积监测的有力工具。然而, 能
否通过中分辨率卫星监测到棉花黄萎病的发生, 黄
萎病在区域内的空间分布、田块内的具体位置及严
重度情况等均有待研究。本文引入中分辨率 Landsat
卫星监测棉花黄萎病, 通过分析棉花黄萎病多时相
Landsat卫星 TM影像和地面验证数据, 探明病害棉
田TM影像特征, 确定病害棉田TM影像诊断最佳波
段和时相, 对黄萎病疑似病害棉田进行分类及分类
精度评价, 并以条田级病害棉田为例制作病害专题
图, 以期为棉田病害的预测和防治情况提供有效信
息, 为大面积棉田病害诊断提供新的方法, 为棉花
抗病品种的合理分配, 不同作物的合理布局提供理
论依据和参考。
1 材料与方法
1.1 试验区域概况
位于新疆天山北麓中段, 准噶尔盆地南缘, 玛
纳斯河东岸, 古尔班通古特沙漠南缘的新疆生产建
设兵团农八师 147 团(西北角: 44.693°N、85.986°E,
东南角: 44.536°N、86.130°E) (图 1左), 周围水库较
多 , 地下水位高 , 土壤盐碱化和沙化严重; 现行棉
花行距配置多为 10 cm + 66 cm+10 cm + 66 cm, 株
距 9.6 cm, 理论密度为每公顷 2.74×105株。该区为典
型的大陆性温带干旱气候, 日照率 60%~80%, 棉花
主要生育期内平均云量≤10%的LANDSAT-5 影像
接收率约为 75% (中国遥感卫星地面接收站《存档遥感
卫星图像数据目录服务系统》http://www.rsgs. ac.cn/); 平
均海拔约 450 m, ≥10℃积温为 3 400~3 600℃, 无霜期
170~173 d, 年降水量 180~270 nm, 蒸发量 1 000~ 1
500 nm。该区棉花种植面积约占总耕地 80%以上,
是中国重要的棉花生产基地, 采用“矮、密、早、膜、
滴”技术种植, 高度机械化。精准和高效的管理是提
高该区棉花产量和经济利润的重要措施。
1.2 试验点选择与地面数据采集
试验于2007—2009年 3个棉花生长季进行, 2007
年初步调查分析试验区病害发生情况 , 2008 年在
2007 年基础上选择 8 块棉田 (图 1 右 ) (44.476°~
44.651°N, 86.058°~86.142°E)定点观测, 其中健康棉
田 4块均为壤土, 总盐含量为 0.560~1.246 g kg–1, pH
值为 8.20~8.69, 有机质含量为 9.605~15.672 g kg–1,
全氮含量为 0.044~0.095 g kg–1, 速效磷含量为 3.097~
3.736 g kg–1; 常年发生黄萎病棉田 4块, 其中一块为
黏土, 其余均为壤土, 总盐含量为 0.444~1.369 g kg–1,
pH 8.05~8.53, 有机质含量为 13.313~24.389 g kg–1,
全氮含量为 0.155~0.714 g kg–1, 速效磷含量为
2.339~9.892 g kg–1。2009年由于部分棉田改种其他
作物或离水源较远, 在 2008年基础上保留了 4块棉
田进行试验, 其中健康棉田 2块, 常年发生黄萎病棉
田 2块。于卫星过境时进行地面同步调查和测试, 用
LAI-2000 (美国LI-COR CO)冠层分析仪测试棉田冠
层LAI; 用照相法测试覆盖度(coverage degree, CD);
用烘干法测定 [21]植株含水量 (plant water content,
PWC)和生物量(地上干物质量)(biomass, Bio); 用HT-
11D(日本MINOLTA Co. Ltd)红外线测温仪测试冠层温
度 (canopy temperature, CT)和土壤温度 (soil tempe-
rature, ST); 用TDR-200 (美国spectrum technologies,
INC)测试土壤含水量(soil water content, SWC)。用GPS
图 1 研究区域(147团)位置及试验点选择
Fig. 1 Researching region (147 corps) and selection of experiment location
132 作 物 学 报 第 38卷
(eTrex Vista)对每个样点定位, 数码拍照测试点及周
围环境。在病害高峰期, 通过影像分类结果, 对试验
区抽样(除定点棉田外, 共抽取不同类型棉田 50 块,
包括健康棉田 20 块, 轻病和重病棉田各 15 块)进行病
害鉴定及分类结果可靠性实地调查验证。
1.3 黄萎病棉田调查及分级方法
参照文献[22]棉花病害调查方法调查试验区棉
田黄萎病, 每次卫星过境时同步选择试验点棉田开
展试验, 其中两个棉田平行调查 10个小区, 其他试
验点地块均平行调查5个小区, 每个小区调查中心区
域面积约 900 m2 (TM卫星一个像元), 按 5点调查法
调查发病情况, 每点调查 50 株, 发病率计算公式为
P=m/n×100%, 其中m为感病株数; n为调查总株数。
同时记录每个调查区发病面积。
根据中华人民共和国国家标准中棉花原(良)种
产地检疫规程 (GB 7411-1987)对病区的划分标准 ,
按病害发病情况的调查结果结合卫星影像特征将调
查区棉田内部发病区域划分成 3 个不同病区[22-23]。
其中, 健康区P=0, 或 0
P≤15%且S≥1p; 重病区P>15%且S≥1p。然后根据
病害发病高峰期不同棉田内病区发病率与发病面积
占全田的面积将试验区棉田划分成健康棉田、轻病
棉田和重病棉田。健康棉田界定为棉花各时期生长
均正常, 棉田内无病区; 而各时期棉田内偶有病害
发生较轻或某个生育期开始发病且病害逐渐加重, 棉
田内有病区(包括轻、重病区)且病区面积占整田面积
10%以内, 对棉花生长或产量未构成严重威胁的棉
田界定为轻病棉田; 各时期棉田内均有病害发生且
病害逐渐加重, 棉田内有病区(包括轻、重病区)且病
区面积占整田面积 10%以上, 对棉花生长或产量构
成严重威胁的棉田界定为重病棉田。
1.4 遥感数据获取与处理方法
在棉花苗期至吐絮期, 选择平均云量小于 10%
的 14景 LANDSAT-5 TM影像供本研究分析, 分别
为 2007 年的 5 月 24 日(条带号/行编号: 143/29, 下
同)、7月 11日(143/29)、8月 28日(143/29), 2008年
的 5 月 26 日(143/29)、7 月 13 日(143/29)、7 月 29
日(143/29)、8月 14日(143/29)、8月 30日(143/29)。
2009 年 5 月 29 日(143/29)、6 月 21 日(144/29)、7
月 23 日(144/29)、8 月 8 日(144/29)、8 月 24 日
(144/29)、9月 25日(144/29)。2007年影像用于病田
初步调查和分析, 2008年和 2009年棉花苗期、蕾期
影像主要用于提取植棉区域, 其他时期影像用于病
害分析。用ENVI4.3 软件对遥感图像进行预处理(包
括大气矫正和几何精矫正), 然后根据农八师石河子
科技局提供的实验区最新土地利用现状图结合实地
调查结果, 将研究区域掩膜成图, 并将实验区所有
植棉地块勾勒出来, 作为矢量文件叠加在掩膜好的
影像上, 以加强影像的可视化。利用棉花黄萎病TM
最佳时相影像对试验区黄萎病疑似病田进行分类。
分类方法是平行六面体监督方法[24-25], 分类精度检
验包括总体精度、用户精度、生产者精度及Kappa
系数综合指标评价。
2 结果与分析
2.1 多时相 TM影像黄萎病棉田特征解析
对多时相 TM 影像波段组合的黄萎病棉田分析
后发现, 彩色融合后的影像(波段组合为 743)能很好
地反映棉花黄萎病的特征(图 2)。从图 2看出, 2008
年试验区棉花生长的 4 个关键生育期健康棉田均保
持绿色植被的影像特征, 随着生育期的推进, 整个
棉田的影像绿色逐渐加深, 色调明亮, 颜色鲜艳且
始终保持均匀一致, 棉田内部无明显差异区域。病
害棉田则表现出病害的影像特征, 随着生育期的推
进, 田块内部健康区仍保持其基本影像特征, 但病
害区影像绿色逐渐变浅, 严重时表现黄绿色或墨绿
色 , 色调阴暗 , 颜色暗淡且不均一 , 棉田内部病区
多呈斑点、斑块、条块, 且随着病害的加重, 病区由
点到线、面逐渐扩大。2009年影像中健康与病害棉
田具有 2008年影像相同的特征, 在此不再重复列出。
基于多时相试验区健康与病害棉田的 TM 影像特征
分析, 建立了黄萎病棉田解译判读标志(表 1)。通过
目试解析多时相 TM 影像可以看出, 试验区健康与
病害棉田的 TM 影像的纹理、病区大小、位置、色
调、颜色和影像特征均表现出一定的差异。因此, 基
于多时相遥感影像识别棉花黄萎病是可行的。
2.2 基于卫星影像棉花黄萎病最佳波段及时相
选择
结合 2008—2009 年棉花冠层病害情况的地面
调查结果, 于棉花不同时期在试验区定点条田中选
择所有调查样点 , 提取TM影像中正常和病害棉田
样点波段反射率统计值(表 2)可以看出, 不同时期健
康与病害棉田的TM1、TM2、TM3和TM5波段的最小
值、最大值、平均值和方差之间有交互且无规律可
循, TM7波段的最大值、平均值和方差之间亦有交
第 1期 陈 兵等: 棉花黄萎病疑似病田的卫星遥感监测 以 卫星影像为例 133 —— TM
图 2 2008年 4个时期试验区健康与病害棉田 TM影像(波段组合: 743)
Fig. 2 TM images for health and disease cotton fields in experiment areas at four growth stages in 2008 (Bands combination: 743)
表 1 多时相 TM影像(波段组合: 743)病害棉田解译判读标志
Table 1 Interpretation symbol of cotton field with disease through multi-temporal TM image (Bands combination: 743)
解译标志
Interpretation
symbol
纹理
Texture
病区大小
Size of disease
region
位置
Location
色调
Hue
颜色
Color
影像特征
Image
characteristics
健康棉田
Health field
内部均匀一致，无斑点、
斑块或条块区域
No spot, block or strip
region in the cotton field
无
Nothing
不固定
Variation
明亮或灰白
Lightness or
grey-white
绿色或深绿色
Green or deep
green color
颜色鲜艳且均一
Bright and
uniform colors
病害棉田
Disease field
内部有斑点、
斑块或条块区域
Spot, block or strip
region in the cotton field
呈斑点、
斑块或条块
Spot, block or strip
region
渠道或居民点周围
Around channel and
residential area
病区阴暗或浅黑
Dark and shallow
black in the dis-
ease region
病区呈浅绿或黄绿
Shallow green or
yellow green in the
disease region
颜色暗淡不均一
Dark and
nonuniform color
互且无规律可循 , 但最小值之间存在一定规律性 ,
即健康棉田TM7波段的最小值均小于病害棉田(吐絮
期呈相反趋势)。而TM4波段反射率的最大值、最小
值、平均值和方差之间均有一定的规律性。即 2 年
任一时期, 健康棉田TM4波段反射率的最大值、最小
值和平均值均远大于其他波段(TM1、TM2、TM3和
TM5), 且均大于病害棉田, 方差均远大于其他波段
(TM1、TM2、TM3和TM5), 但方差很小且均远小于病
害棉田, 说明健康棉田的均质性很好。病害棉田TM4
波段反射率的最大值、最小值平均值的变化规律和
健康棉田的相同, 但均小于健康棉田, 方差很大且
均 远 大 于 健 康 棉 田 , 说 明 病 田 的 均 质 性
134 作 物 学 报 第 38卷
表 2 两年试验区两类棉田生长盛期冠层 TM影像波段统计值
Table 2 Statistic values of TM image bands on two cotton fields in experiment areas in the growth boom stages in two years
健康棉田
Healthy cotton field
(N=4, n=40)
病害棉田
Diseasing cotton field
(N=4, n=40)
健康棉田
Healthy cotton field
(N=4, n=40)
病害棉田
Diseasing cotton field
(N=4, n=40) 波段
Bands 最小
Min.
最大
Max.
平均
Mean.
方差
Var.
最小
Min.
最大
Max.
平均
Mean.
方差
Var.
最小
Min.
最大
Max.
平均
Mean.
方差
Var.
最小
Min.
最大
Max.
平均
Mean.
方差
Var.
2008年 7月 13日 July 13, 2008 2008年 7月 29日 July 29, 2008
TM1 0.035 0.051 0.042 0.000009 0.039 0.086 0.051 0.000064 0.049 0.136 0.074 0.000784 0.047 0.071 0.055 0.000016
TM2 0.077 0.103 0.090 0.000049 0.081 0.162 0.100 0.000169 0.102 0.203 0.134 0.001089 0.098 0.137 0.107 0.000049
TM3 0.062 0.089 0.071 0.000025 0.071 0.171 0.089 0.000289 0.078 0.202 0.115 0.001600 0.081 0.134 0.094 0.000100
TM4 0.637 0.762 0.698 0.000841 0.478 0.762 0.623 0.002601 0.715 0.818 0.774 0.001890 0.553 0.793 0.650 0.001764
TM5 0.237 0.275 0.255 0.000121 0.228 0.325 0.266 0.000441 0.254 0.316 0.283 0.000400 0.246 0.288 0.263 0.000121
TM7 0.064 0.123 0.084 0.000121 0.075 0.196 0.111 0.000625 0.070 0.173 0.105 0.001024 0.071 0.133 0.095 0.000169
2008年 8月 14日 Aug. 14, 2008 2008年 8月 30日 Aug. 30, 2008
TM1 0.084 0.103 0.093 0.000016 0.079 0.105 0.092 0.000025 0.049 0.069 0.057 0.000016 0.051 0.072 0.059 0.000025
TM2 0.093 0.105 0.099 0.000016 0.085 0.114 0.093 0.000025 0.092 0.115 0.101 0.000025 0.092 0.132 0.103 0.000049
TM3 0.080 0.094 0.086 0.000009 0.074 0.11 0.088 0.000036 0.087 0.111 0.100 0.000025 0.094 0.136 0.106 0.000081
TM4 0.600 0.682 0.639 0.000441 0.474 0.641 0.544 0.001225 0.543 0.633 0.582 0.000441 0.424 0.600 0.488 0.001444
TM5 0.238 0.264 0.252 0.000036 0.220 0.269 0.249 0.000144 0.251 0.290 0.267 0.000064 0.203 0.284 0.254 0.000361
TM7 0.066 0.096 0.084 0.000049 0.069 0.119 0.098 0.000144 0.092 0.124 0.108 0.000100 0.079 0.153 0.117 0.000324
2009年 7月 23日 July 23, 2009 2009年 8月 8日 Aug. 8, 2009
TM1 0.029 0.033 0.030 0.000004 0.035 0.041 0.038 0.000009 0.029 0.035 0.033 0.000009 0.027 0.037 0.031 0.000009
TM2 0.057 0.061 0.059 0.000004 0.057 0.072 0.064 0.000025 0.057 0.061 0.058 0.000004 0.053 0.073 0.060 0.000025
TM3 0.043 0.055 0.045 0.000036 0.043 0.058 0.051 0.000025 0.042 0.055 0.049 0.000025 0.042 0.055 0.048 0.000016
TM4 0.537 0.562 0.547 0.000121 0.462 0.544 0.506 0.000484 0.522 0.571 0.580 0.000441 0.470 0.574 0.520 0.001089
TM5 0.168 0.189 0.172 0.000100 0.166 0.184 0.176 0.000025 0.163 0.196 0.184 0.000081 0.173 0.191 0.176 0.000064
TM7 0.055 0.080 0.067 0.000100 0.066 0.095 0.079 0.000081 0.065 0.102 0.079 0.000169 0.069 0.084 0.075 0.000036
2009年 8月 24日 Aug. 24, 2009 2009年 9月 25日 Sep. 25, 2009
TM1 0.032 0.037 0.034 0.000004 0.030 0.039 0.035 0.000009 0.058 0.080 0.068 0.000064 0.042 0.066 0.054 0.000049
TM2 0.049 0.058 0.054 0.000016 0.054 0.080 0.059 0.000064 0.092 0.113 0.097 0.000081 0.071 0.087 0.078 0.000049
TM3 0.042 0.053 0.049 0.000016 0.046 0.070 0.054 0.000036 0.104 0.133 0.112 0.000169 0.079 0.104 0.093 0.000081
TM4 0.474 0.490 0.484 0.000036 0.399 0.478 0.434 0.000784 0.296 0.325 0.311 0.000144 0.262 0.306 0.288 0.000256
TM5 0.157 0.173 0.163 0.000036 0.162 0.184 0.173 0.000036 0.198 0.252 0.221 0.000441 0.188 0.233 0.213 0.000256
TM7 0.061 0.077 0.069 0.000049 0.069 0.097 0.082 0.000100 0.130 0.187 0.152 0.000625 0.106 0.173 0.143 0.000484
N, n: 分别表示条田数和图像像元数。
N, n: show the fields and image pix numbers, respectively.
很差。由于黄萎菌浸染棉株后, 病菌大量繁殖阻塞
导管 , 一方面棉株蒸腾加剧 , 水分运输受阻 , 棉株
体内温度不断升高, 受害棉花冠层温度升高, 另一
方面棉叶不断干枯甚至脱落, 严重时整株枯死, 导
致受害棉花生物量、叶面积和覆盖度等冠层参数发
生较大变化。而TM4波段属于近红外波段, 主要受棉
花生物量、叶面积和覆盖度等冠层参数的影响, 同
时又是热的敏感波段, 对棉花冠层温度的变化比较
敏感[19,26], 对黄萎病响应敏感。因此, TM4波段可作
为病害棉田卫星监测的最佳波段。当然由于健康棉
田内部比较均一, 均值和方差的变化受其他因素的
影响较小。但病田的均值和方差由于受干旱胁迫、
草害、盐胁迫和其他病虫害胁迫等混合发生的影响,
同时受棉花品种抗性的差异和病害的不同严重程度
等的影响通常会增加或减小均值和方差的变化范围,
导致病田均值和方差的变化较大。因此, 在利用TM
卫星影像对病害棉田进行判定时, 应首先对多时像
棉田TM卫星影像特征分析的同时结合实地样点验
证确定受害棉田确实主要或完全由黄萎病引起的 ,
其他影响因素对黄萎病的识别影响很小或无影响 ,
再对病害棉田进行确切判定 , 以确保识别的准确
性。进一步对 2年不同时相两类棉田TM4波段反射
第 1期 陈 兵等: 棉花黄萎病疑似病田的卫星遥感监测 以 卫星影像为例 135 —— TM
率的平均值和标准差进行分析, 2008 年两类棉田平
均值的差值为 7月 29日(0.124) >8月 14日(0.095)> 8
月 30日(0.094)> 7月 13日(0.075)。2009年两类棉田
平均值的差值为 8月 8日(0.060)>8月 24日(0.050)>7
月 23日(0.041)>9月 25日(0.023)。综合考虑 2年的
试验结果可初步确定利用TM4波段反射率值在棉花
初花期、盛花期、盛铃期和吐絮期对黄萎病监测时,
盛铃期(7月下旬至 8月中旬)可作为黄萎病监测的最
佳时相。
2.3 黄萎病疑似病田的卫星诊断结果及地面验证
利用试验区TM影像最佳时相对 2008 年黄萎病
疑似病田进行分类, 结果如图 3 左。除影像未包括
区域, 2008年该试验区内共种植 295块棉田, 棉田总
面积 4.181×103 hm2, 其中健康棉田 188 块, 2.969×
103 hm2, 轻病棉田 43块, 0.753×103 hm2, 重病棉田
64 块, 0.460×103 hm2, 分别占棉田总面积的 71%、
18%和 11%。2009 年的分类结果显示, 2009 年试验
区内共种植 241块棉田, 棉田总面积 4.415×103 hm2,
其中健康棉田 155块, 3.391×103 hm2, 轻病棉田 36块,
0.450×103 hm2, 重病棉田 52块, 0.575× 103 hm2, 分别
占棉田总面积的 77%、10%和 13%。
为验证多时相 TM 遥感影像数据监测棉田黄萎
病的准确性及影像分类结果的可靠性, 2008—2009
年卫星过境同步调查了两类棉田 4 个关键生育期生
长/受害情况(表 3), 并抽取 58块棉田(包括定点和非
定点棉田)对棉田病害分类结果进行了精度检验(表
4)。由表 3可以看出, 2008—2009年随着棉花生育时
期推进, 不同时期两类棉田的植株生物量一直在增
加, 覆盖度和植株含水量呈先升后降的趋势, 而冠
层 LAI 在健康棉田中呈先升后降的趋势, 在病害棉
田病区中自发病之日起一直减小, 到吐絮期降到最
小。同一时期健康棉田的冠层 LAI、生物量、覆盖
度和植株含水量均高于病害棉田, 而冠层温度、土
壤温度、土壤含水量均低于病害棉田。2 类棉田在
不同时期表现出了不同的变化, 这些变化同 2 类棉
田的生长/受害情况相一致。表 4 结果表明, 不同病
害等级的棉田 2 年的总体精度、用户精度、生产者
精度和 Kappa 系数均高于 75%。总体精度和 Kappa
系数的变化最小且均高于 85%, 用户精度的变化较
大且均高于 88%、生产者精度变化最大且均高于
75%。总体上 2009 年分类结果的总体精度和 Kappa
系数分别为 92.86%和 0.89均高于 2008年 90%和 0.85
的分类精度, 说明基于最佳时相和多波段波谱信息进
行棉花种植区域黄萎病疑似病田分类是可靠的。
2.4 基于卫星影像条田级棉田病害状况推荐
试验区黄萎病疑似棉田分类结果充分显示出了
不同病害类型棉田的分布和病害严重度情况, 便于
决策者宏观把握某一地区黄萎病疑似病害棉田发生
情况。但决策者实际制订预防和防治措施时往往又
希望能了解到每块病害棉田内部不同病区的具体位
置、大小和严重度情况, 以便于农户具体操作。基
于此利用 ENVI 遥感影像处理软件, 在感兴趣区截
取样本棉田, 并由 GPS 定位的条田边界制作结合 GIS
信息可以生成条田级棉田病害专题图, 通过经纬度网
格(网格面积为 100 m×160 m)和条田边界距离网格(网
格面积为 100 m×100 m)能够准确定位病害棉田内健
康与病害区域位置、大小和严重度情况。图 4是 2008
年和 2009年试验区 136#棉田病害状况专题图。
图 3 基于卫星最佳时相黄萎病疑似棉田诊断结果
Fig. 3 Diagnosing result of cotton fields with suspected Verticillium wilt based on the excellences satellite phase
136 作 物 学 报 第 38卷
表 3 两类棉田关键生育期平均冠层及土壤参数
Table 3 Mean values of canopy and soil parameters in two-style cotton field in the growth boom stages
健康棉田 Healthy cotton field 病害棉田 Diseasing cotton field 年份
Year
参数
Parameter 7月 13日
July 13
7月 29日
July 29
8月 14日
Aug. 14
8月 30日
Aug. 30
7月 13日
July 13
7月 29日
July 29
8月 14日
Aug. 14
8月 30日
Aug. 30
LAI 3.98 3.68 4.07 3.59 2.51 2.31 2.13 1.55
Bio (kg hm−2) 7056.4 7874.4 15069.6 16000.4 4569.6 6555.2 6871.2 7417.1
CD (%) 87.2 89.8 89.5 68.1 74.9 48.8 42.6 32.4
CT ( )℃ 22.6 22.7 27.1 27.8 23.8 26.4 31.9 31.3
ST ( )℃ 24.7 32.3 27.6 23.4 27.7 37.2 32.5 29.8
PWC (%) 81.9 84.8 79.5 74.0 73.0 79.9 76.7 72.2
2008
SWC (%) 17.4 22.4 25.6 21.2 23.7 35.4 35.0 40.2
健康棉田 Healthy cotton field 病害棉田 Diseasing cotton field 年份
Year
参数
Parameter 7月 23日
July 23
8月 8日
Aug. 8
8月 24日
Aug. 24
9月 25日
Sep. 25
7月 23日
July 23
8月 8日
Aug. 8
8月 24日
Aug. 24
9月 25日
Sep. 25
LAI 5.13 5.54 5.39 5.25 3.03 2.91 2.75 2.48
Bio (kg hm−2) 6388.8 12081.6 11030.4 32419.2 4996.8 7924.8 6652.8 8457.6
CD (%) 86.5 88.3 75.5 66.6 70.9 76.3 49.0 42.7
CT ( )℃ 20.7 26.6 26.8 27.2 28.5 29.3 29.4 34.0
ST ( )℃ 25.1 23.6 25.1 12.4 39.1 29.0 36.9 13.6
PWC (%) 77.8 81.8 82.6 77.0 77.4 81.3 82.1 73.8
2009
SWC (%) 17.8 22.8 21.6 14.5 29.7 32.4 29.0 23.6
LAI: 叶面积指数; Bio: 生物量; CD: 覆盖度; CT: 冠温; ST: 土温; PWC: 植株含水量; SWC: 土壤含水量。
LAI: leaf area index; Bio: biomass; CD: coverage degree; CT: canopy temperature; ST: soil temperature; PWC: plant content water;
SWC: soil content water.
表 4 棉花黄萎病疑似病田分类精度评价1)
Table 4 Evaluation of classification accuracy in cotton fields of suspected Verticillium wilt 1)
2008年 In 2008 2009年 In 2009
项目
Item
健康棉田
Health
cotton field
轻病棉田
Cotton field
of slight
disease
重病棉田
Cotton field
of severity
disease
健康棉田
Health
cotton field
轻病棉田
Cotton field of
slight disease
重病棉田
Cotton field of
severity disease
未分类 Unclassified 1.0 0.0 3.0 0.0 1.0 1.0
正常棉田 Health cotton field 39.0 1.0 0.0 30.0 2.0 0.0
轻病棉田 Cotton field of slight disease 0.0 27.0 2.0 0.0 17.0 1.0
重病棉田 Cotton field of severity disease 0.0 2.0 15.0 0.0 0.0 1.08
合计 Sum total 40.0 30.0 20.0 30.0 20.0 20.0
生产者精度 Prod. accuracy (%) 97.5 90.0 75.0 100.0 85.0 90.0
用户精度 User accuracy (%) 97.5 93.1 88.2 93.8 94.0 100.0
总体精 Overall accuracy (%) 90.0 92.9
Kappa系数 Kappa coefficient 0.85 0.89
1) 地面实况。1) Ground truth region of interesting.
由图 4 可知, 136#棉田内部存在不同的病害情
况, 2 年内棉田内部均存在正常、轻病和重病区域,
且存在部分重叠区域, 但 2 年的病区大小和严重度
均不相同。2008年病害发生严重, 病区占一半以上,
且重病区约占病区一半以上。2009年病害发生较轻,
病区约占 1/3, 且重病区约占病区一半以上, 监测结
果和分类结果具有很好的一致性。地面调查可知 ,
因 2年 136#棉田内部不同区域所种作物不同及棉花
抗病品种不同加之天气略有差异, 同一块地不同年
份间病害发生情况略有不同。由于 2008年病害发生
较重, 2009 年在部分病区更换了耐、抗病品种从而
减轻了病害造成的损失, 但考虑到 136#棉田 2 年内
均较大面积发生了病害, 因此建议对整块地进行轮
作以减少病害对作物产量的影响。其他黄萎病疑似
第 1期 陈 兵等: 棉花黄萎病疑似病田的卫星遥感监测 以 卫星影像为例 137 —— TM
图 4 棉田黄萎病状况专题图及实地调查照片
Fig. 4 Thematic graph of cotton field disease situation and the photo of field investigation
棉田亦可通过相同的分析方法确定不同的防治措施。
3 讨论
作物遭受病害胁迫后, 其植株生理生化参数会
发生一些变化 , 导致外部形态和冠层参数的变化 ,
主要是失绿、失水、LAI、覆盖度和生物量减少等, 会
在光谱和影像上有所响应[4,26]。由于受栽培、管理、
自然因素等影响, 使单一时相和单一波段的遥感数
据很难客观诊断棉田病害情况, 而多时相多波段数
据蕴涵丰富的地物动态变化信息, 是病害遥感识别
的基础[17-18,21]。本研究利用多时相多波段遥感数据
分析不同类型病害棉田影像特征, 并利用单时相多
波段的影像对棉田病害情况分类, 获得了理想的结
果。由于棉田病害的发生是动态变化的, 在研究病
害发生变化时可以采用多时相多波段对比分析, 但
当病害发生到高峰期时, 其特征尤为明显, 利用单
一时相分类会更为理想。此外, 由于不同年份天气
的影响, 病害的发生高峰期会提前或推后, 而且由
于天气较热也会出现“隐症”现象, 不同年份间相同
区域也存在不同表现 , 常常给病害的识别带来困
难。因此, 在卫星监测中还应根据实际情况选择具
体的日期和方法。
本文以 8 块定点棉田为例弄清了黄萎病棉田的
卫星影像特征, 基于此对试验区黄萎病疑似棉田分
138 作 物 学 报 第 38卷
类。但由于不同的胁迫因素, 例如缺素、干旱、冻
害和虫害等都会引起植株内外参数的变化, 从而引
起光谱反射率和影像颜色等的变化[5-10]。因此, 监测
到某地区作物不同时相影像颜色变浅, 空间特征发
生变化, 可能表明该地区作物发生了黄萎病, 也可
能表示该地区发生了虫害、干旱、缺素或其他的农
业问题。此外, 在遥感图像数据分析和调查验证中
发现, 部分病害棉田在不同年份和区域表现不稳定,
分类精度也存在一定差异, 影响因素可能为棉田自
然属性差异、不同胁迫类型交叉、外界环境天气条
件变化、种植品种和作物不同等, 这给分类准确性
带来了困难。卫星遥感在将来的一个重要应用是遥
感影像解译, 专家需要清楚地认识到这个特征不是
黄萎病所特有的。因此, 当初期用卫星影像监测时,
必须在特征发生变化的地区实时实地验证, 充分利
用物候期和各种胁迫发生的特点加以识别, 以提高
识别的精度。当然, 在黄萎病发生区域是已知的情
况下, 还可以通过外推并制作专题图来反演病害发
生的情况。对不同胁迫下棉田影像的识别分析需进
一步的研究。
对条田级棉田病害状况专题图结果的分析表明,
通过棉花病害条田内部影像特征分析可明确条田内
部病害发生的位置、面积、等级等确切信息, 为病
害棉田的预防和防治措施的制定提供有效信息源 ,
并为农户有针对性地采取相应措施提供有效保障。
当然由于不同年份天气不同或田块内部种植不同品
种或不同作物也会导致同一田块内部相同位置或区
域在不同年份病害表现不同, 要想更进一步了解条
田内部不同位置详细的病害情况, 可通过地面详细
调查结合影像指数分析建立病害严重度识别模型 ,
还可利用更高分辨率的遥感卫星, 例如 IKNOS等对
条田内部情况详尽分析。本文以 TM 卫星为例分析
了棉花黄萎病疑似病田的卫星影像特征, 对黄萎病
疑似棉田进行了分类并将结果推荐于生产实践。由
于其他很多卫星具有与 TM卫星相同或相近的波段,
因此本实验结果具有较好的通用性。
4 结论
棉花生长的初花期、盛花期、盛铃期和吐絮期
健康与病害棉田在TM影像上存在明显的不同 , 基
于此建立病害解译标志识别棉花黄萎病是可行的 ;
卫星TM4波段可作为病害棉田卫星监测的最佳波段,
棉花生长的盛铃期(7月下旬至 8月下旬)可作为黄萎
病卫星遥感监测的最佳时相; 在棉花黄萎病卫星遥
感监测的最佳时相, 利用平行六面体监督分类对试
验区黄萎病疑似棉田分类, 并对分类结果进行地面
验证和精度评价 , 总体精度和 Kappa 系数均高于
85%, 能够基本满足生产需要 ; 条田级棉田病害卫
星影像专题图能很好地显示棉田内部病害的发生情
况, 为决策者准确决策和农户有针对性地实施相关
措施提供了有效信息源。
References
[1] Li G-Y(李国英). Study on strategy and technology of cotton
primary diseases in Xinjiang. Xinjiang Farmland Sci & Tech-
nol (新疆农垦科技), 2000, (4): 23–25 (in Chinese with English
abstract)
[2] Song Q-P(宋庆平), Chen Q(陈谦), Chen H(陈红), Gou C-H(苟
春红). Prospect on strategy and technology of protection and
control diseases and insects in Xinjiang cotton fields. China
Cotton (中国棉花), 2002, 29(12): 7–9 (in Chinese with English
abstract)
[3] Zhang H(张慧), Yang X-M(杨兴明), Ran W(冉炜), Xu Y-C(徐阳
春 ), Shen Q-R(沈其荣 ). Screening of bacteria antagonistic
against soil-borne cotton Verticillium wilt and their biological ef-
fects on the soil-cotton system. Acta Pedol Sin (土壤学报), 2008,
45(6): 1095–1101 (in Chinese with English abstract)
[4] Humid Muhammad H. Hyperspectral crop reflectance data for
characteristic and estimating fungal disease severity in wheat.
Biosyst Eng, 2005, 91: 9–20
[5] Adams M L, Norvel W A, Philpot W D, Peverly J H. Toward the
discrimination of manganese, zinc, copper, and iron deficiency in
‘bragg’ soybean using spectral detection methods. Agron J, 2000,
92: 268–274
[6] Tilling A K, O’Leary G J, Ferwerda J G, Jones S D, Glenn J F,
Rodriguez D, Belford R. Remote sensing of nitrogen and water
stress in wheat. Field Crops Res, 2007, 104: 77–85
[7] Yang B-J(杨邦杰), Wang M-X(王茂新), Pei Z-Y(裴志远).
Monitoring freeze injury to winter wheat using remote sensing.
Trans CSAE (农业工程学报), 2002, 18(2): 136–140 (in Chinese
with English abstract)
[8] Mirik M, Michels Jr G J, Kassymzhanova-Mirik S, Elliott N C.
Reflectance characteristics of Russian wheat aphid (Hemiptera:
Aphididae) stress and abundance in winter wheat. Comput
Electron Agric, 2007, 57: 123–134
[9] Sun H(孙红), Li M-Z(李民赞), Zhou Z-Y(周志艳), Liu G(刘刚),
Luo X-W(罗锡文 ). Monitoring of cnaphalocrocis medinalis
guenee based on canopy reflectance. Spectroscopy Spectral Anal
(光谱学与光谱分析), 2010, 30(4): 1080–1083 (in Chinese with
English abstract)
[10] Johnson D A, Richard Alldredge J, Hamm P B, Frazier B E.
Aerial photography used for spatial pattern analysis of late blight
infection in irrigated potato circles. Phytopathology, 2003, 93:
805–812
[11] Huang W J, Lamb D W, Niu Z, Zhang Y J, Liu Y J, Wang J H.
Identification of yellow rust in wheat using in-situ spectral re-
第 1期 陈 兵等: 棉花黄萎病疑似病田的卫星遥感监测 以 卫星影像为例 139 —— TM
flectance measurements and airborne hyperspectral imaging.
Precis Agric, 2007, 8: 187–197
[12] Pu R L, Kelly M, Anderson G L, Gong P. Using CASI hyper-
spectral imagery to detect mortality and vegetation stress associ-
ated with a new hardwood forest disease. Photogramm Eng Rem
Sens, 2008, 74: 65–75
[13] Wu D(吴迪), Feng L(冯雷), Zhang C-Q(张传清), He Y(何勇).
Early detection of gray mold (Cinerea) on eggplant leaves based
on vis/near infrared spectra. J Infrared Mill Waves (红外与毫米
波学报), 2007, 26(4): 269–273 (in Chinese with English abstract)
[14] Lathrop L D, Pennypacker S. Spectral classification of tomato
disease severity levels. Photogramm Eng Rem Sens, 1980, 46:
1133–1138
[15] Malthus T J, Madeira A C. Height resolution spectradiometry:
spectral reflectance of field bean leaves infected by Botrytis fabae.
Remote Sens Environ, 1993, 45: 107–116
[16] Zhang H(张浩), Mao X-Q(毛雪琴), Zhang Z(张震), Zheng
K-F(郑可锋), Du X-F(杜新法), Sun G-C(孙国昌). Hyperspectral
remote sensing retriveral models of rice neck blasts severity. Res
Agric Mod (农业现代化研究), 2009, 30(3): 369–372 (in Chinese
with English abstract)
[17] Franke J, Menz G. Multi-temporal wheat disease detection by
multi-spectral remote sensing. Precis Agric, 2007, 8: 161–172
[18] 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(1): 137–143 (in Chinese with English abstract)
[19] Zhang H-M(张宏名), Li Q-J(李庆基), Wang J-S(王家圣). The
mathod for detecting withered and Verticillium wilt of cotton by
remote sensing. Plant Protect (植物保护), 1991, 17(6): 6–8 (in
Chinese)
[20] Jing X(竞霞), Huang W-J(黄文江), Ju C-Y(琚存勇), Xu X-G(徐
新刚 ). Remote sensing monitoring severit level of cotton
Verticillium wilt base on partial least squares regressive analysis.
Trans CSAE (农业工程学报), 2010, 26(8): 229–235 (in Chinese
with English abstract)
[21] Liu J, Pattey E, Miller J R, McNairn H, Smith A M, Hu
B.Estimating crop stresses, aboveground dry biomass and yield
of corn using multi-temporal optical data combined with a radia-
tion use efficiency model. Remote Sens Environ, 2010, 114:
1167–1177
[22] Chen B, Wang K R, Li S K, Xiao C H, Chen J L, Jin X L.
Estimating severity level of cotton infected Verticillium wilt
based on spectral indices of TM image. Sensor Lett, 2011, 9:
1157–1163
[23] Feng Z-C(冯志超). Effect of withered and Verticillium wilts of
cotton in kuytun reclamation area on the yield and their control
tactics. Xinjiang Agric Sci (新疆农业科学 ), 2004, 41(5):
367–369 (in Chinese with English abstract)
[24] Qin P(秦鹏), Chen J-F(陈健飞). Comparison between color
normalized and HSV sharpen in methods in extracting urban
vegetation information from ASTER image. J Geoinformation
Sci (地球信息科学学报), 2009, 11(3): 400–404 (in Chinese with
English abstract)
[25] Sivakumar M V K, Roy P S, Harmsen K, Saha S K. Satellite
Remote Sensing and GIS Applications in Agricultural Meteorol-
ogy. World Meteorological Organization 7bis, Avenue de la
Paix1211 Geneva 2, Switzerland. 2004
[26] Chen B(陈兵), Li S-K(李少昆), Wang K-R(王克如), Bai J-H(柏
军华), Sui X-Y(隋学艳), Bai C-Y(白彩云). Studies of remote
sensing on monitoring crop diseases and pests. Cotton Sci (棉花
学报), 2007, 19(1): 57–63 (in Chinese with English abstract)