遥感在植物病虫害应用

1遥感在植物病虫害监测中应用植物病虫害是影响作物最终产量的关键因素之一，对病虫害进行早期预警，是控制病虫害的大范围蔓延、保护作物产量成果的有力方法之一。利用遥感技术特别是高光谱、卫星技术监测病虫害，具有快速、简便、宏观、无损、客观等优点，可以随时提供信息，迅速、准确的对田间作物生长状况进行监测，以便及时采取措施治理或合理安排计划，是作物病虫害监测的发展方向。1.植物病虫害遥感监测的基本原理遥感的基本依据是获取来自地物的反射或发射的电磁波能量，各种物质因结构与组成成分不同，大多数地物又具有BRDF（双向反射分布函数）各向异性的反射特性，所以在光谱反射与辐射特性方面有差异，从而具有该物体诊断意义的光谱特征。据此，不同作物或同一作物在不同生长季节、不同角度和病虫危害及程度下，有其特殊意义的诊断性光谱特征。因此通过光谱分析技术可以探测作物的健康状况以及病虫发生情况。作物病虫害遥感监测主要在单叶与冠层两个层面上展开。对单叶，因病虫危害导致叶片细胞结构、色素、水分、氮素含量及外部形状等发生变化，从而引起光谱的变化；对冠层，因病虫危害引起LAI、生物量、覆盖度等的变化，可见光到热红外波谱反射光谱与正常作物有明显差异。在大尺度上，受病虫危害的作物在高光谱扫描记录上会引起灰度值的差异，在空间相、光谱相和时间相上有明显的差异。因此，可通过地面获得的遥感数据结合高空成像仪获得的遥感影像监测作物病虫害。2.植物病虫害遥感监测技术流程目前一般小麦、水稻等大规模连片种植的作物常采用地面高光谱遥感数据分析与高光谱航空影像解译分析相结合的方法进行病虫害监测。森林的病虫害监测则主要使用Landsat、Spot等卫星影像进行植被指数分析。植物病虫害遥感监测的一般技术流程如下图：2图1植物病虫害遥感监测技术流程3.植物病虫害遥感监测技术方法利用遥感检测植物病虫害，往往要综合运用多种技术方法，如光谱反射率分析、回归模型分析、植被指数分析、光谱微分、基于光谱位置变量分析、遥感影像分析、多角度遥感分析等等。目前研究的比较多的是遥感在小麦、水稻和森林等病虫害监测方面的应用。3.1光谱反射率分析光谱反射率分析是一种直接、简单和快速的分析技术。它从传感器直接获得的数据入手，分析其转化后的光谱反射率特征，获取植被信息，具有普适性。多用于对高光谱数据进行分析。绿色植物的反射光谱均有类似的变化趋势，一般在蓝光450nm和红光波段675nm附近反射率小。在绿光波段550nm附近反射率较大，在近红外波段700nm病虫害田间处理GPS定位航空或航天影像获取地面光谱获取加农学采样预处理、大气辐射校正、几何校正分析生化参量、农学参量和光谱特征成像光谱数据的光谱重建病虫害光谱诊断模型的建立、验证光谱影像的病虫害反演病虫害波谱知识库数据地理信息系统作物生长模拟系统建立病虫害诊断专家系统，发布信息3附近急剧增大，从750nm直到1300nm反射率都保持较大。从实验室测得的叶片叶绿素a、b的吸收曲线看出，在可见光谱区叶绿素a、b有2个吸收峰区（400～480nm，630～680nm）。在红外光谱区，叶绿素a、b已经没有吸收，叶片对太阳辐射的反射增强。对于同一种作物来说，叶片结构一定，在红外波段形成应有的反射峰。同种作物在不同发育期的反射光谱与叶绿素含量之间也有一定的关系。当植物受到病虫害侵扰时，因缺乏营养和水分而生长不良，海绵组织受到破坏，叶子色素比例也发生变化，使得可见光区的两个吸收谷不明显，550nm处的反射峰随叶片损伤的程度而变低、变平。近红外光区的变化更为明显，峰值被削低，甚至消失，整个反射光谱曲线的波状特征被拉平。因此，根据受损植物与健康植物光谱曲线的比较，可以确定植物是否有病虫害及病虫害发生的程度。黄木易等（2003）对冬小麦条锈病光谱反射率特征进行深入研究后提出了冬小麦条锈病遥感监测的敏感波段；刘良云等（2004）利用多时相的高光谱航空飞行图像数据，了解、分析和发现条锈病病害对作物光谱的影响及其光谱特征。石晶晶等（2009）健康水稻叶片以及受稻纵卷叶螟危害后的水稻叶片进行了室内光谱的测定及分析。孙启花等（2010）利用手持式光谱仪测定并分析了褐飞虱为害后稻株的光谱反射率。乔红波等（2007）通过测定不同蚜量为害后烟草冠层光谱反射率的变化发现，烟蚜为害造成烟草光谱反射率下降，且近红外波段反射率下降更为明显。张永强等（2007）对亚洲玉米螟为害后冠层光谱研究发现，各生育期的食叶级别与对应生育期内的冠层光谱反射率值呈显著负相关，且在750～900nm波长内相关系数较高，可作为虫害监测的敏感波段。3.2回归模型分析遥感的实质是反演，反演可以通过反演模型来实现。通过研究病害指数和反射率、植被指数等参数的相关性，建立相应的回归模型进行反演，从而根据遥感数据反演病害情况。在作物病虫害监测研究中应用最多的是一元和多元回归模型，包括：简单线性函数y=a+bx，对数函数y=a+b*ln(x)，抛物线y=a+bx+cx2，一元三次函数y=a+bx+cx2+dx3，指数函数y=a*exp(bx)，多元线性函数y=a0+a1x1+a2x2+···+aixi+···。王登伟等（2003）对棉花整个生长期进行监测，建立了早衰棉花反射光谱与叶片光合速率的线性回归方程，相关系数达到了0.975。蔡成静等（2005）对小麦条锈病进行了单叶及冠层的光谱特征研究，建立了病情指数（y）与冠层光谱反射率（x）回归模型，相关系数达到了0.9484。黄木易等（2003）对冬小麦条锈病光谱进行了研究建立了条锈病反演的一元和多元回归方程。王圆圆等（2007）采用偏最小二乘（PLS）方法建立了不同生育期冬小麦感染条锈病严重度和冠4层光谱的回归模型。3.3植被指数分析根据植被光谱特性，将可见光和近红外波段进行组合，形成各种植被指数。在作物病虫害监测中，常见的光谱植被指数有比值植被指数（RVI）、归一化植被指数（NDVI）和一些变换的植被指数。李晶晶等（2008）在应用遥感、GIS对稻田生态系统健康程度的监测评价研究中使用MODIS产品的增强型植被指数（EnhancedVegetationIndex，EVI）计算出作物生长指数。杨建国等（2001）对不同蚜量的春小麦进行光谱监测，建立RVI=TM4/TM3标准板值，用来推测蚜量，以指导蚜虫防治。黄木易等（2004）研究了冬小麦条锈病光谱，对NDVI、RVI、TVI和logρ等进行变换，利用相关性最好的666nm和相关性最弱的758nm波段组合设计了光谱角度指数SAI（SpectralAngleIndex），并建立条锈病胁迫指数SRSI（StripeRustStressedIndex）反演冬小麦条锈病的发生情况。刘良云等（2004）利用多时相高光谱航空图像对冬小麦条锈病监测，定义了相对病害光谱指数=[(Reddisease-RedNormal)／RedNormal]×[(NIRNormal-NIRdisease)／NIRNormal]，成功反演了病害区条锈病发病程度。3.4光谱微分在太阳光的大气窗口内，测得的光谱是地物吸收光谱及大气吸收和散射光谱的混合光谱，一般是以反射率的数据图像表达。为了正确地解译遥感数据图像，消除大气和背景噪声的影响，从中提取目标物体的特征信息，常使用微分光谱技术。微分光谱又叫导数光谱，可分为一阶导数光谱和高阶导数光谱。由于光谱采样间隔的离散性，导数光谱一般用差分方法来近似计算。一阶导数光谱：ρ′(λi)=dρ(λi)/dλ=[ρ(λi+1)-ρ(λi-1)]/2Δλ二阶导数光谱：ρ′′(λi)=d2ρ(λi)/dλ2=[ρ′(λi+1)-ρ′(λi-1)]/2Δλ=[ρ(λi+2)-2ρ(λi)+ρ(λi-2)]/4(Δλ)2其中，λi为波段i波长值；ρ(λi)是波长λi的光谱值（如反射率、透射率等）；Δλ是波长λi-1到λi的差值，由光谱采样间隔决定。蒋金豹等（2007）把冠层光谱一阶微分数据与相应的小麦病情指数进行相关分析。李京等（2007）对小麦冠层一阶微分光谱进行分析，结果表明随病情指数增大，一阶微分光谱在绿边（500~560nm）内逐渐增大。在红边（680~760nm）内逐渐降低，红边内一阶微分总和（SDr）与绿边内一阶微分总和（SDg）的比值能够在症状出现前12天识别出健康作物与病害作物信息。53.5主成分分析主成分分析是多元统计中一种重要的数据压缩处理技术，在不丢失主要光谱信息的前提下，选择数目较少的新变量替代原来较多的变量。高光谱遥感的数据量大，波段之间具有相关性，但植被指数只能够利用极少部分的波段光谱信息，无法充分利用所有有效的光谱信息，而主成分分析方法能够有效降维且尽量保持原有光谱信息。陈云浩等（2009）等利用主成分分析法提取冠层光谱350～1350nm范同内的前5个主成分（principalcomponents，PCs），以及一阶微分光谱在蓝边（490～530nm），黄边（550～582nm）和红边（630～673nm）内的前3个PCs，并利用逐步回归法建立反演模型。与实测值对比发现，以微分指数SDr’/SDg’为变量的模型适合监测冬小麦早期病情，而以一阶微分PCs为变量的模型特别适合监测冬小麦条锈病病情较严重期。刘占宇等（2011）使用主成分分析方法获取了不同健康状态稻穗的原始光谱、对数光谱、一阶和二阶微分光谱特征的主分量，并以其为输入向量，利用学习矢量量化神经网络对多种健康状态稻穗进行分类。3.6人工神经网络神经网络模拟了人类大脑处理信号的过程，不是通过分步算法或复杂的逻辑程序来求解的，而是通过调整网络中连接神经元的权重，采用非算法，非结构的形式来实现。神经网络已用于对各种遥感数据进行分类，而且其分类结果优于传统的统计方法。神经网络有两大优点：1）不要求数据正态分布；2）自适应模拟具有特定拓扑结构的复杂非现性模式的功能。人工神经网络(ANN，简称神经网络)作为一种由大量简单神经元广泛相互联接而成的非线性映射或自适应动力系统，能有效解决遥感图像处理中常见的困难，在遥感图像分类领域得到了广泛地应用。刘占宇等（2007），选取由水稻二化螟和穗瘟造成的白穗和正常穗的室内光谱的红边斜率、红边面积、绿峰幅值和绿峰面积等4个高光谱变量作为输人向量，利用学习矢量量化（LVQ）神经网络对水稻白穗和正常穗进行分类。石晶晶等（2009）对健康水稻叶片以及受稻纵卷叶螟危害后的水稻叶片进行了室内光谱的测定及分析，对430～530nm和560～730nm波段采用连续统去除的方法，分别提取厂波深、斜率参量作为径向基核函数支持向量机的输入变量，利用LIBSVM软件包构建叶片高光谱识别模型。3.7基于光谱位置变量的分析光谱位置变量指在光谱曲线上具有一定特征的点（最高点、最低点、拐点等）6的波长。其中最常用的是红边效应和光谱吸收特征分析技术。红边参数除通过实测高光谱数据的一阶微分求得外，以Miller等提出的倒高斯模型—光谱红边特征的重建模型来拟合植被红边特征最为常用。该模型数学表达式为：R(λ)=Rs-(Rs-R0)exp((λ-λ0)/2δ2)式中，Rs为红边最高点（肩部）的反射率；R0为红边最低点（红谷）的反射率；λ0为红谷位置波长。各种环境胁迫，如缺氮、干旱，病虫害等均会使作物的反射特性发生改变，从而改变红边位置。吴曙雯等（2002）研究叶瘟病水稻，发现绿光吸收边缘的特征波长值发生红移，红光吸收边缘和近红外吸收边缘的特征波长值发生蓝移。黄木易等（2004）发现条锈病冬小麦的红边发生蓝移，550～750nm处的特征吸收峰的深度、面积与单叶严重度呈极显著负相关。刘良云等（2004）发现条锈病冬小麦冠层光谱红谷吸收深度和绿峰的反射峰高度均较正常小麦减小。王圆圆等（2007）以红边的一阶微分的双峰特征随病情指数的变化为基础，设计了两个新型的红边参数分别用来描述红边一阶微分光谱曲线的陡峭度和不对称性，进而反演病情指数。蒋金豹等（2010）利用一阶微分最大值法和ChoandSkidmore法提取感染不同严重程度条锈病冬小麦光谱的红边位置（rededgepositio