全 文 ：中国生态农业学报 2012年 6月 第 20卷 第 6期
Chinese Journal of Eco-Agriculture, Jun. 2012, 20(6): 777−781


* 国家林业局重点项目(2011-05)和国家自然科学基金项目(31170598)资助
** 通讯作者: 刘君昂(1963—), 男, 教授, 主要从事森林健康经营技术研究。E-mail: kjc9620@163.com
伍南(1983—), 男, 硕士研究生, 主要从事森林病虫害遥感监测技术研究。E-mail: dslbdg@163.com
收稿日期: 2011-07-28 接受日期: 2012-02-08
DOI: 10.3724/SP.J.1011.2012.00777
利用高光谱微分指数反演油茶炭疽病病情指数的研究*
伍 南 刘君昂** 周国英 闫瑞坤
(中南林业科技大学 林业生物技术湖南省重点实验室 长沙 410004)
摘 要 通过实地调查油茶炭疽病病情指数, 并使用美国 ASD公司生产的手持式野外光谱辐射仪测定相应的
油茶冠层光谱反射率, 然后将光谱数据进行一阶微分与滑动平均滤波相结合的预处理, 经相关分析, 选取与
病情指数极显著相关的微分指数, 采用单变量线性和非线性回归方法, 选取部分样本建立油茶炭疽病病情指
数的反演模型, 并利用其余样本对模型进行精度检验。结果表明, 随着病情指数的增大, 油茶冠层光谱的一阶
微分值在可见光区域的反射峰和吸收谷逐渐消失 , 红边斜率逐渐减小; 病情指数与冠层光谱一阶微分值在
480~513 nm、526~569 nm、583~607 nm和 669~727 nm 4个波段达到极显著相关; 以 SDr′为自变量的对数模型
反演病情指数的精度最高, 其计算出的预测值与实测值之间的相关系数 r和均方根误差分别为 0.869和 0.067,
预测精度较高。该研究结果表明利用高光谱微分指数反演油茶炭疽病病情指数是可行的, 并为油茶林的健康
评价提供了新的方法。
关键词 高光谱 微分指数 油茶炭疽病 病情指数 反演模型
中图分类号: O433.4; S763 文献标识码: A 文章编号: 1671-3990(2012)06-0777-05
Using hyper-spectral derivative indices to inverse Colletotrichum
gloeosporioides disease indices
WU Nan, LIU Jun-Ang, ZHOU Guo-Ying, YAN Rui-Kun
(Hunan Provincial Key Laboratory of Forestry Biotechnology; Central South University of Forestry and
Technology, Changsha 410004, China)
Abstract Remote sensing technology has made it possible to monitor vegetation under a range of environmental stress conditions.
Several research results have illustrated the superior indicator functions of plant spectral reflectivity derivative over original data.
To further investigate the application of remote sensing technology in monitoring Colletotrichum gloeosporioides, this paper used
spectral reflectivity of oil camellia canopy measured by hand-held outdoor spectral radiometer (ASD, made in USA) in C. gloeo-
sporioides disease index (DI) field survey. The first derivative of hyper-spectral data integrated with a moving average filter was
pretreated. Through relevant analysis, the first derivatives highly related with DI were selected. Then using single variable linear
and nonlinear regression methods, partial samples were chosen to build an inversion model. Accuracy test was subsequently ac-
complished using other tests. The results showed that reflection peaks and valleys of the first derivative of oil camelliae canopies in
the visible-light region vanished gradually along with decreasing red-edge slope. A high correlation was noted between DI and the
first derivative data in the regions of 480~513 nm, 526~569 nm, 583~607 nm and 669~727 nm. Using SDr′ as independent variable,
the logarithmic model of inversed DI was the most accurate. The correlation coefficient R and RMSE between the predictive and
observed values were 0.869 and 0.067, respectively, and also with much higher prediction accuracy. This study showed the feasibil-
ity of using the first derivative of hyper-spectral data to inverse C. gloeosporioides DI. This approach could be used to assess the
health of oil camellia.
Key words Hyper-spectra, Differential index, Colletotrichum gloeosporioides, Disease index, Inversion model
(Received Jul. 28, 2011; accepted Feb. 8, 2012)
778 中国生态农业学报 2012 第 20卷


油茶炭疽病 (Colletotrichum gloeosporioides)是
中国油茶产区普遍发生的一种重要病害, 易引起落
果、落蕾、枝梢枯死, 甚至整株衰亡, 严重影响油茶
产量[1−3]。目前油茶炭疽病的传统监测主要采取林间
定点监测和随机调查等方法, 在具体操作上费时、
费力、效率低下, 且无法实现大面积实时监测。因
此, 发展一种快速、方便、准确、非破坏性且可以
大面积监测的方法对于做好油茶炭疽病的防治工作
有着十分重要的意义。
随着高光谱遥感技术的发展, 利用遥感技术对
在各种环境胁迫下的植被进行监测已成为可能。国
内外许多研究结果表明, 植物光谱反射率的一阶微
分值相比其原始光谱反射率对植物受害程度具有更
好的指示作用。Smith等[4]研究发现可用 702 nm和
725 nm处的一阶微分比值监测受泄漏气体胁迫的植
被生长状况; 蒋金豹等 [5]利用高光谱微分指数对冬
小麦条锈病病情研究表明, 病情指数与光谱反射率
的一阶微分值在 432~582 nm、 637~701 nm 和
715~765 nm波段范围内具有极显著的相关性; 陈兵
等[6]、竞霞等[7]以棉花黄萎病病叶的一阶微分光谱建
立了其病情严重度的诊断模型, 取得了较好效果。
目前, 林木病虫害高光谱遥感监测主要通过测定植
物生活力, 如叶绿素含量、植物体内化学成分变化
来完成[8]。利用冠层光谱反射率的一阶微分值来反
演油茶炭疽病病情指数的研究尚少见系统报道。
因此, 本研究在对油茶炭疽病的发生特点及机
理进行深入分析的基础上, 通过获取不同严重程度
的油茶炭疽病冠层光谱数据及其病情指数, 并进行
相关分析, 采用单变量线性和非线性回归方法建立
了基于高光谱微分指数的油茶炭疽病病情指数的反
演模型, 从而促进遥感技术在油茶林病虫害监测中
的应用。
1 材料与方法
1.1 研究区域概况
研究区域位于湖南省浏阳市镇头镇土桥林场 ,
地理坐标为北纬 28°00′01.21″, 东经 113°01′79.19″,
平均海拔 300 m以下。林场总面积 1 554.4 hm2, 油
茶占地面积 790.7 hm2, 占林地总面积的 50.9%。该
区水热充足, 生长期长, 平均气温 18.2 , ℃ 年平均
无霜期 280 d左右, 年平均日照时数 1 758 h, 热量条
件比较优越。年均降水量 1 419.8 mm, 降水主要集
中在春夏两季, 多雨期与高温期一致, 对农业生产
十分有利。
1.2 病情指数(DI)调查及病情严重度分级
试验于 2011 年 4—6 月进行, 所选油茶品种为
“长林 166号”, 林龄为 10年, 林分密度 1 200株·km−2,
郁闭度 0.8。在林分中随机选取 3块 30 m×30 m的标
准样地, 平均树高为 2.3 m, 共选取 36个样本。调查
炭疽病的发病情况, 并将病情严重度分为 5 级, 即:
无明显病斑为Ⅰ级, 病斑面积占叶片总面积的 1/4
以下为Ⅱ级, 病斑面积占叶片总面积的 1/4~2/4为Ⅲ
级, 病斑面积占叶片总面积的 2/4~3/4 为Ⅳ级, 病斑
面积占叶片总面积的 3/4 以上为Ⅴ级。通过统计每
株油茶各级病情严重度的叶片数, 按公式(1)计算病
情指数(disease index, DI)[9]:

( )
100%
x f
DI
f n
×= ××
∑
∑ (1)
式中, x为病情严重度各级的级值, n为病情严重度的
最高级值 4, f为各级的叶片数。测试时注意选取 DI
相同或相近的冠层进行光谱测试。
1.3 冠层光谱数据获取
光谱测试采用美国 ASD 公司生产的手持式野
外光谱辐射仪, 波段值为 325~1 075 nm, 光谱分辨
率为 3.5 nm, 光谱采样间隔为 1.6 nm, 视场角 25°,
质量 1.2 kg。选择在晴朗无云或少云的天气进行, 为
了减小太阳高度角变化对光谱测量结果的影响, 测
试时间选择为北京时间 10:00—14:00(太阳高度角大
于 45°)。测量时, 仪器探头保持垂直向下, 探头与测
试目标的垂直距离控制在 1.2 m 左右, 每次采集目
标光谱前进行 1次白板校正。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 数据处理
油茶冠层光谱数据进行简单的平滑处理后, 采
用光谱归一化微分分析技术进行一阶微分(差分)处
理, 得到微分光谱。其计算公式为:

( )
1 [ 3 (0) 4 (1) (2)] 0
2
1 [ ( 1) ( 1)] 0 1
2
1 [ ( 3) 4 ( 2) 3 ( 1)] 1
2
f x
f f f x
h
f x f x x n
h
f n f n f n x n
h
′ =
⎧ − + − → =⎪⎪⎪ − − + + → < < −⎨⎪⎪ − − − + − → = −⎪⎩
(2)
式中, f′(x)为一阶微分光谱, f(x)为反射率, x为波段序
号, h为波段宽度。
2 结果与分析
2.1 病害油茶冠层一阶微分光谱特征
图 1 为不同炭疽病病情指数(DI)的油茶冠层一
阶微分光谱曲线。从图 1 可以看出, 油茶冠层光谱
一阶微分值在 496 nm 附近的蓝光区域有明显的波
峰, 在 547 nm附近的绿边和黄边区域有明显的波谷,
在 680 nm 附近的红光区域则有明显的“单峰”和“双
第 6期 伍 南等: 利用高光谱微分指数反演油茶炭疽病病情指数的研究 779


峰”现象; 且随着病情指数的增大, 冠层光谱一阶微
分值在绿边和黄边区域的吸收谷逐渐消失, 蓝光和
红光区域的峰高逐渐降低, 红边位置明显向短波方
向移动, 表明油茶冠层微分光谱的“红边”位置随着
病情严重度的增加而依次发生“蓝移”。



图 1 不同病情指数(DI)的油茶冠层一阶微分光谱特征
Fig. 1 Differential spectral features of C. oleifera canopy with
different disease index (DI)

2.2 病情指数与冠层光谱一阶微分的相关性
随机选取 2011年 4—6月采集的 36个样本中的
24 个作为训练样本, 建立炭疽病侵染后油茶冠层光
谱的一阶微分值与其病情指数的相关曲线图(图 2),
并构建油茶炭疽病病情指数的反演模型, 其余 12个
样本作为检验样本对模型进行精度评价。



图 2 病情指数与油茶冠层光谱一阶微分值的相关性
Fig. 2 Correlation between disease index (DI) and derivative
spectra of C. oleifera canopy
从图 2 可以看出, 油茶炭疽病胁迫下的冠层光
谱一阶微分值与病情指数之间的相关性波动较大 ,
在可见光和近红外区域的 480~513 nm、526~569 nm、
583~607 nm和 669~727 nm 4个波段达到极显著相关,
其中 526~569 nm和 583~607 nm两个波段呈极显著
正相关, 480~513 nm和 669~727 nm两个波段呈极显
著负相关。由此可知, 可见光和近红外区域的冠层
光谱一阶微分值可以有效地反映病害胁迫下的病情
指数, 利用高光谱微分指数反演油茶炭疽病病情指
数是可行的。
2.3 微分指数的构建及其与病情指数(DI)的相关性
鉴于油茶冠层光谱的一阶微分值可以有效地反
映炭疽病侵染后的病情指数, 同时考虑到一阶微分
值在各波段内均具有多个极大值, 且随炭疽病胁迫
程度变化而改变, 导致监测受病害侵染后的油茶光
谱特征具有不稳定性。因此, 本研究根据油茶炭疽病
的冠层光谱特征并结合前人的研究方法和经验[10−12],
提取与病情指数相关性较高的蓝边核心区(490~510
nm)内一阶微分值的总和(SDb′)、绿边核心区(533~
553 nm)内一阶微分值的总和(SDg′)和红边核心区
(695~715 nm)内一阶微分值的总和(SDr′) 3个基于光
谱面积的微分变量及 SDr′/SDb′、SDg′/SDb′、(SDg′−
SDb′)/(SDg′+SDb′)和(SDr′−SDb′)/ (SDr′+SDb′) 4个基
于光谱植被指数的微分变量, 共计 7个微分指数。
病情指数与微分指数的相关分析见表 1。从表 1
可知, 除 SDr′/SDb′和(SDr′−SDb′)/(SDr′+SDb′)外, 其
余 5 个微分指数与病情指数均达到极显著相关。其
中, SDg′、SDg′/SDb′和(SDg′−SDb′)/(SDg′+SDb′)与病
情指数呈极显著正相关; SDb′和 SDr′与病情指数呈
极显著负相关。因此, 可以利用上述极显著相关的
高光谱微分指数建立油茶炭疽病病情指数的反演
模型。
2.4 构建油茶炭疽病病情指数的反演模型
从表 1 中筛选出与病情指数达到极显著相关的
SDb′、SDg′、(SDg′−SDb′)/(SDg′+SDb′)、SDg′/SDb′
和 SDr′ 5个微分指数为自变量, 病情指数为因变量,
采用单变量线性和非线性回归方法建立油茶炭疽病

表 1 病情指数(DI)与油茶冠层高光谱微分指数之间的相关性
Table 1 Correlation between disease index (DI) and hyper-spectral differential indices of C. oleifera canopy
微分指数
Differential index
相关系数
Correlation coefficient
微分指数
Differential index
相关系数
Correlation coefficient
微分指数
Differential index
相关系数
Correlation coefficient
SDb′ −0.738** SDg′/SDb′ 0.769** (SDg′−SDb′)/(SDg′+SDb′) 0.810**
SDg′ 0.823** SDr′/SDb′ −0.433* (SDr′−SDb′)/(SDr′+SDb′) 0.456*
SDr′ −0.850**
*、**分别代表 5%和 1%显著水平, 下同。* and ** represent 5% and 1% significant level. The same below. r0.05[24]= 0.388, r0.01[24]=0.496.

780 中国生态农业学报 2012 第 20卷


病情指数的反演模型。本文具体使用的模型及参数
含义如下:
简单线性模型(Linear):
y=b0+b1x (3)
对数模型(Logarithmic):
y=b0+b1lnx (4)
倒数模型(Inverse):
y=b0+b1/x (5)
二次函数模型(Quadratic):
y=b0+b1x+b2x2 (6)
三次函数模型(Cubic):
y=b0+b1x+b2x2+b3x3 (7)
式中, y代表病情指数的拟合值, x代表高光谱微分变
量, b0、b1、b2和 b3代表拟合系数。
从表 2 可以看出 , 所选模型除了以 SDg′和
SDg′/SDb′为自变量的对数模型和倒数模型及以
(SDg′−SDb′)/(SDg′+SDb′)为自变量的对数模型的决
定系数 R2 未通过显著性检验水平外, 其余模型的
决定系数均通过 0.01极显著性检验水平。本研究选
取最佳模型的标准是既要决定系数通过极显著检验
水平, 又要其 F 值最大。在所选的 5 种模型中, 从
整体来看以 SDb′和 SDr′为自变量的最佳模型为对
数模型 , 以 (SDg′−SDb′)/(SDg′+SDb′)、SDg′/SDb′和
SDg′为自变量的最佳模型为线性模型, 模型拟合图
见图 3。
2.5 油茶炭疽病病情指数反演模型的精度检验
由单变量和多变量回归模型估计出的参数, 其
精度可用均方根差(RMSE)进行评价和验证, 计算公
式为:
^ 2i
1
( ) /
n
i
i
RMSE y y n
=
= −∑ (8)
式中, yi 和 yi^分别代表实测值和由模型计算出来的
预测值, n为样本数。由表 3可以看出, 基于高光谱
微分指数建立的油茶炭疽病病情指数反演模型的拟
合 R2和预测 R2全部通过 0.01 极显著检验水平, 均
方根差在 0.067~0.115之间。其中, 以 SDr′为自变量
的对数模型预测精度最高。

表 2 病情指数(DI)与油茶冠层高光谱微分变量之间的回归分析
Table 2 Regression analysis between disease index (DI) and hyper-spectral differential variables of C. oleifera canopy
SDb′ SDg′ SDr′ SDg′/SDb′ (SDg′−SDb′)/(SDg′+SDb′)模型 Model
R2 F R2 F R2 F R2 F R2 F
线性 Linear 0.544** 26.266 0.678** 46.224 0.723** 57.499 0.592** 31.868 0.656** 41.952
对数 Logarithmic 0.573** 29.456 0.736** 61.454
倒数 Inverse 0.559** 27.841 0.004 0.093 0.686** 48.088 0.003 0.066 0.492** 21.326
二次 Quadratic 0.569** 13.870 0.680** 22.272 0.732** 28.721 0.651** 19.569 0.664** 20.742
三次 Cubic 0.580** 9.201 0.682** 14.274 0.755** 20.591 0.662** 13.070 0.673** 13.751
r0.05[24]= 0.388, r0.01[24]=0.496.



图 3 病情指数(DI)与油茶冠层高光谱微分指数之间的拟合
Fig. 3 Fitting curves of linear model or Logarithmic model between disease index (DI) and hyper-spectral differential index of C.
oleifera canopy

第 6期 伍 南等: 利用高光谱微分指数反演油茶炭疽病病情指数的研究 781


表 3 油茶病情指数反演模型的精度检验
Table 3 Models using inversion disease index (DI) and errors
analysis of C. oleifera
模型表达式
Model expression
拟合 R2
Fit R2
预测 R2
Forecast R2
RMSE
y=−42.211×lnSDb′−129.02 0.573** 0.542** 0.115
y=1 819.5×SDg′+49.909 0.678** 0.638** 0.089
y =−37.515×lnSDr′−58.114 0.736** 0.755** 0.067
y = 45.609×(SDg′/SDb′)+ 49.474 0.592** 0.619** 0.087
y=10.25×((SDg′−SDb′)/(SDg′+SDb′))+59.62 0.656** 0.448** 0.111

3 结论
结合炭疽病胁迫下油茶冠层的光谱特征构建高
光谱微分指数, 通过相关分析, 选取与病情指数相
关系数较大的微分变量, 采用单变量线性和非线性
回归方法建立了油茶炭疽病病情指数的反演模型 ,
经综合分析可得:
(1)随着病情指数的增大, 油茶冠层光谱的一阶
微分值在可见光区域的反射峰和吸收谷逐渐消失 ;
在红边内则出现“单峰”和“双峰”现象, 且随着病情
指数的增加, “红边”位置发生“蓝移”。
(2)油茶冠层光谱的一阶微分值与病情指数在
526~569 nm和 583~607 nm两个波段呈极显著正相
关, 在 480~513 nm和 669~727 nm两个波段呈极显
著负相关, 其他波段相关性波动较大。
(3)选取与病情指数极相关性的微分指数为自变
量, 采用单变量线性和非线性回归方法构建了病情
指数的反演模型。从整体来看, 以 SDb′和 SDr′为自
变量的最佳模型为对数模型, 以 SDg′、SDg′/SDb′和
(SDg′−SDb′)/(SDg′+SDb′)为自变量的最佳模型为线
性模型。
(4)精度检验证明, 本次研究所构建的模型拟合
R2和预测 R2全部通过 0.01极显著检验水平, 均方根
差在 0.067~0.115之间, 预测精度较高。其中, 以 SDr′
为自变量的对数模型, 其计算出的预测值与实测值
之间的相关系数 r 为 0.869, 均方根误差为 0.067, 均
优于其他模型。因此, 本研究确定以 SDr′为自变量的
对数模型为反演油茶炭疽病病情指数的最佳模型。
该研究结果为油茶林的健康监测提供了新的思
路, 并为今后利用航空、航天遥感大面积监测油茶
林的病虫害提供了理论依据。
参考文献
[1] 靳爱仙, 周国英, 李河. 油茶炭疽病的研究现状、问题与方
向[J]. 中国森林病虫, 2009, 28(2): 27–31
[2] 周国英, 彧陈 , 刘君昂, 等. 拮抗细菌诱导油茶植株抗炭疽
病研究[J]. 中国森林病虫, 2010, 29(3): 1–3
[3] 杨坚 . 油茶主要病虫害的发生及防治 [J]. 广东农业科学 ,
2007(7): 66–68
[4] Smith K L, Steven M D, Colls J J. Use of hyperspectral de-
rivative ratios in the red-edge region to identify plant stress
responses to gas leaks[J]. Remote Sensing of Environment,
2004, 92(2): 207–217
[5] 蒋金豹 , 陈云浩 , 黄文江 . 利用高光谱微分指数进行冬小
麦条锈病病情的诊断研究 [J]. 光学技术 , 2007, 33(4):
620–623
[6] 陈兵, 李少昆, 王克如, 等. 棉花黄萎病病叶光谱特征与病情
严重度的估测[J]. 中国农业科学, 2007, 40(12): 2709–2715
[7] 竞霞, 黄文江, 王纪华, 等. 棉花单叶黄萎病病情严重度高
光谱反演模型研究[J]. 光谱学与光谱分析 , 2009, 29(12):
3348–3352
[8] 曾兵兵, 张晓丽, 路常宽, 等. 森林病虫害遥感监测研究的
现状与展望[J]. 中国森林病虫, 2008, 27(2): 24–29
[9] 刘君昂, 潘华平, 伍南, 等. 油茶主要病害空间分布格局规
律的研究[J]. 中国森林病虫, 2010, 29(5): 7–10
[10] Pen–Uelas J, Baret V, Vilella I. Semi-empirical inices to ac-
cess carotenoids Wchlorophll a ratiofrom leaf spectral reflec-
tance[J]. Photosynthetica, 1995, 31: 221–230
[11] 浦瑞良 , 宫鹏 . 高光谱遥感及其应用[M]. 北京: 高等教育
出版社, 2000: 185–228
[12] 蒋金豹, 陈云浩, 黄文江. 用高光谱微分指数监测冬小麦病害
的研究[J]. 光谱学与光谱分析, 2007, 27(12): 2475–2479