中科院遥感所使用SOC710成像光谱仪进行不同背景因素下小麦白粉病的检测研究2016-11-14 安洲科技
研究单位：中国科学院遥感与数字地球研究所/北京遥感科学国家重点实验室/北京农林科学院农业智能装备研究中心/南京信息工程大学地理与遥感学院
期刊：INTERNATIONAL JOURNAL OF AGRICULTURE AND BIOLOGY
准确评估作物病害严重程度是精确应用农药防止疾病侵袭的关键，高光谱成像技术能够提供高分辨率的光谱图像，用于快速识别作物病害和确定疾病侵袭趋势。在本研究中，使用高光谱成像仪检测小麦白粉病，考虑麦穗和叶子在阴影下的影响，以判定受感染和健康的植物叶。通过比较麦穗和阴影，健康和感染植物叶片之间的光谱差异，选择23个敏感波段区分不同的背景目标。基于筛选的敏感波段获得五个植被指数（VIs）和三个红边参数。然后，确定40个识别特征以区分不同的背景因素和疾病严重性。此外，利用分类和回归树算法（CRT）来建立小麦白粉病的预测模型，通过交互验证评估模型精度，其阴影下的叶片、健康叶片、感染白粉病叶片和麦穗的识别率分别为100%、98.4％、98.4％和80.8％。对判别不同疾病严重程度的模型中，健康的叶片、中度和轻度感染的叶分的识别率分别为99.2％、88.2%和87.8%。总体而言，发现麦穗可能影响小麦白粉病的鉴定精度，同时，为了提供农药施用指导，应当在轻度感染检测上提高其检测精确度。
对作物疾病的准确评估可以为农业生产管理提供技术支持。基于光学遥感的评估在减少喷洒量，提高作物质量，提高产量和服务于粮食安全方面是具有价值的。小麦白粉病是由白粉病菌引起的，其经常感染小麦叶片和末端。该疾病通过减少植物活性并且可能通过阻断叶片光合作用而导致枯萎或死亡，这种疾病对小麦生长期到成熟期特别有害。它在中国是最常见的小麦病之一，该疾病对小麦产量、质量及其周围环境产生显著负面影响。
小麦病害模型在植物叶片规模的疾病识别方面具有很高的准确性，然而，模型的泛化和鲁棒性必须在作物品种的数据范围内进行验证。目前很少有关于作物病害识别和评估作物冠层和田地规模的文献。 Devadas发现，健康叶片、患病叶片、阴影的叶子、麦穗、小麦茎和土壤构成了该领域小麦病诊断的复杂环境背景。通过研究麦穗、阴影叶片、土壤和其他背景因素的影响，模型精度可以在冠层和田间规模的小麦病害评估中得到改进。由于受到传感器和仪器的开发的局限性，几乎没有关于背景因素对作物病害识别影响的报道。在本研究中，我们使用高光谱成像仪来测量和分析不同因素对小麦白粉病的识别的影响。具体来说，我们通过确定敏感波段和相关分析来检测白粉病的特征，并构建和验证决策树模型，以区分背景因素和确定小麦病害严重性。
使用美国SOC710高光谱成像仪采集小麦的高光谱图像。该仪器为内置扫描成像系统，避免了外部推扫可能产生的图像变形，安装有C-Mount变焦镜头，方便调整曝光量，通过SOC开发的采集软件能够在较短的时间内获得高光谱图像立方体数据。当在野外操作中，配备有三脚架和精准云台，能够通过云台内置梯度仪调节到最佳高度和视角之后采集冠层高光谱图像，以确保采集场景的一致性。在本研究中，在早期和中期灌水期采集不同疾病严重程度的高光谱图像，在晴天和微风条件下从上午10点到下午3:30收集冠层图像，根据疾病的严重程度，将疾病分为三个层次，共30个采样点，每10个采样点为一个级别，将仪器到地面的距离设为100cm，以覆盖50×50cm的地面面积，图像采集时将参考板放入视野范围内以减少阳光引起的辐射校正误差。高光谱图像数据立方体的处理过程分三个部分：反射率转换、感兴趣区域（ROIs）提取、图像的平滑，其数据处理流程图如图1所示。
通过SOC自带分析软件或第三方ENVI软件能够将高光谱图像的DN值转化为反射率，使用ENVI软件选取被测样品的感兴趣区域（ROIs），每个试验样品共选取得到4个感兴趣的区域（ROIs），这4个感兴趣区域分别为小麦高光谱样品中感染白粉病区域叶片、健康的区域叶片、阴影部分区域和麦穗区域。
由于每一幅采集的高光谱图像包含128个波段，波段之间存在着很强的相关性，如果处理所有波段的数据将会影响数据处理的效率和小麦白粉病识别的精度。因此应当首先减少数据的维度，那就需要从128个波段中选取敏感的波段。本研究中分段主成分分析（SPCA）算法被用来选择敏感波段。和主成分分析（PCA）相比，SPCA不仅计算量较少，而且避免了忽略局部特征。另外，SPCA算法计算了每个波段的贡献率，以达到减少维度的目的，同时SPCA保留原来物理场中目标物反射率的意义不变。
由于单波段包含的信息非常有限，所以用单波段无法准确地判别小麦的白粉病。研究表明，一旦确定了几个敏感波段，可以通过计算其相应的植被指数来精确诊断小麦白粉病。表2为几种植被指数，为了增强小麦白粉病特征识别，该研究使用了红边参数，包括红边参数的斜率、红边的位置和红边的面积。
选取的敏感波段大多位于红光（R）和短波红外（NIR）波段区域，该敏感波段能够计算RVI和NDVI，其中含有的参数与白粉病相关性不明显。为了建立最优的判别模型，有必要提取白粉病和背景因素的敏感特征，逐步判别分析法用于提取发病区域的敏感波段。
使用分类回归树算法（CRT）去建立和验证模型，CRT算法将数据分成尽可能与从属变量同质的几个部分，所有因变量值都在同一个终端节点中，即“纯”节点。选择分样本进行验证，随机选择70%样本作为训练集样本，剩下的30%的样本作为测试集样本，最后输出分类树的结果以评估模型的识别准确度。
小麦植物由叶片，茎，穗等部分组成。对于特定生长阶段中的不同组分或不同的压迫下，存在着不同的光谱响应特性。高光谱数据包含上百个光谱波段，特定的波长位置可以突出光谱细节差异，这提供了区分疾病压迫和植物组分的信息。图2b为患病叶片、健康叶片、阴影叶片和麦穗的光谱曲线，该光谱曲线是从图2a中精确提取。
图2表明了4个感兴趣区域的光谱差异，尤其是在绿光和红光波段，尽管阴影叶片具有光谱响应，其大小明显低于其他三个，并且550nm的叶绿素峰不明显。麦穗与绿光反射峰值和吸收红光谷相关，且具有明显的红边蓝移趋势。在近红外（NIR）区域，有三条平滑稳定的高反射率曲线，该曲线为健康叶片、阴影叶片和麦穗的反射率光谱，而患病叶片的光谱反射率大大上升。另外，健康叶片和麦穗的反射率高于患病叶片，在960nm的水分吸收带4个目标物的光谱响应也不同，对于患病和阴影叶片具有更大的吸收谷。
当植物患病时，植物的吸收和反射特性将在不同的光谱波段中发生改变，因此受感染植被的光谱响应通过某些数据处理表示为光谱特征，这是用于评估植被的患病严重性的光学遥感的基础。
图3b为小麦白粉病不同患病严重性的光谱相应。在如图3a和b所示的位置处测量数据，显示该曲线没有明显的绿光峰（550nm）和红光谷（670nm），然而，它们呈现出反射强度的差异。这些差异对于感染和健康叶片之间的区分是有用的，与健康和轻度感染叶片相比，中度感染叶的反射率在NIR范围内快速上升。
通过使用SPCA计算来自每个波段的每个子空间的所有样本图像的贡献率，通过比较和分析方差的显著性，选择不同背景因素和疾病严重程度之间的敏感波段。共获得了23个用于小麦白粉病判别的敏感波段，分别是417nm,、423 nm、503 nm、508 nm、534 nm、544 nm、658 nm、679 nm、689 nm、694 nm、700 nm、705 nm、715 nm、726nm、752 nm、768 nm、774 nm、789 nm、827 nm、864 nm、897 nm、962 nm 和984 nm。这其中共有17个敏感波段位于红光和近红外（NIR）区域，包括10个红边波段。此外4个敏感波段从绿光区域选出，这些波段的光谱响应对应于不同因素和疾病严重程度显著不同的波段，这些参数对于求取植被指数、红边位置、红边斜率和红边面积是非常有用的。
通过使用逐步判别法筛选出植被指数和红边参数等的结果，确定用于区分小麦的4个背景因素和三个患白粉病严重性的40个特征，如表3和表4所示。
在689-726nm的区间，波长768nm和红边区域可用于同时区分小麦具有不同背景因素和不同严重程度的白粉病。敏感波段的不同波段比是非常不同的，例如，当区分不同的背景因子时选择417nm，658nm和789nm，表3和表4红边特征与小麦白粉病胁迫的密切相关性。
基于提取的识别特征参数，分别使用CRT方法建立不同背景因素和患病严重性 的判别模型。不同背景因素模型验证结果如表5所示，不同患病程度模型验证结果如表6所示。
由表5和6可知，在阴影背景下样品能够被完全识别出来，患病和健康样本的识别精度与98.4％，麦穗样品的识别精度为80.8%。总之，该模型具有识别模型具有95.6％的准确度和95.2％的kappa系数。在小麦白粉病严重程度的鉴定中，健康样本的识别精度为99.2%，样本中度和轻度感染率分别为88.8%和87.9%。
两种模型的识别精度都在90%以上，但是当不同背景因素时，麦穗的识别精度明显低于其他三种。原因是它具有健康和越来越多的感染叶的特征，其干扰其它因素的区别。对于不同患病程度的识别模型，健康样本的准确性远高于其他两种感染水平，该判别方法可用于检测小麦白粉病。
图4A-4H显示了小麦不同患病程度和不同背景因素的图像，可知背景因素会降低模型的识别精度。减少背景影响后，基于遥感的植物营养评价的反演精度可以提高，然而，对于作物病害识别和检测这一问题的研究很少。本文研究多个背景因素对小麦白粉病诊断的影响。结果表明，健康和感染叶片的识别精度高达98.4％，阴影叶片识别率为100％，这表明它们对小麦白粉病的鉴别几乎没有影响。然而麦穗通常被错误地识别为受感染叶片，其概率为15.9%。麦穗是降低白粉病诊断精度的重要因素，应该通过关注更多光谱遥感去实现疾病的监测。
研究单位：中国科学院遥感与数字地球研究所/北京遥感科学国家重点实验室/北京农林科学院农业智能装备研究中心/南京信息工程大学地理与遥感学院
期刊：INTERNATIONAL JOURNAL OF AGRICULTURE AND BIOLOGY
准确评估作物病害严重程度是精确应用农药防止疾病侵袭的关键，高光谱成像技术能够提供高分辨率的光谱图像，用于快速识别作物病害和确定疾病侵袭趋势。在本研究中，使用高光谱成像仪检测小麦白粉病，考虑麦穗和叶子在阴影下的影响，以判定受感染和健康的植物叶。通过比较麦穗和阴影，健康和感染植物叶片之间的光谱差异，选择23个敏感波段区分不同的背景目标。基于筛选的敏感波段获得五个植被指数（VIs）和三个红边参数。然后，确定40个识别特征以区分不同的背景因素和疾病严重性。此外，利用分类和回归树算法（CRT）来建立小麦白粉病的预测模型，通过交互验证评估模型精度，其阴影下的叶片、健康叶片、感染白粉病叶片和麦穗的识别率分别为100%、98.4％、98.4％和80.8％。对判别不同疾病严重程度的模型中，健康的叶片、中度和轻度感染的叶分的识别率分别为99.2％、88.2%和87.8%。总体而言，发现麦穗可能影响小麦白粉病的鉴定精度，同时，为了提供农药施用指导，应当在轻度感染检测上提高其检测精确度。
对作物疾病的准确评估可以为农业生产管理提供技术支持。基于光学遥感的评估在减少喷洒量，提高作物质量，提高产量和服务于粮食安全方面是具有价值的。小麦白粉病是由白粉病菌引起的，其经常感染小麦叶片和末端。该疾病通过减少植物活性并且可能通过阻断叶片光合作用而导致枯萎或死亡，这种疾病对小麦生长期到成熟期特别有害。它在中国是最常见的小麦病之一，该疾病对小麦产量、质量及其周围环境产生显著负面影响。
小麦病害模型在植物叶片规模的疾病识别方面具有很高的准确性，然而，模型的泛化和鲁棒性必须在作物品种的数据范围内进行验证。目前很少有关于作物病害识别和评估作物冠层和田地规模的文献。 Devadas发现，健康叶片、患病叶片、阴影的叶子、麦穗、小麦茎和土壤构成了该领域小麦病诊断的复杂环境背景。通过研究麦穗、阴影叶片、土壤和其他背景因素的影响，模型精度可以在冠层和田间规模的小麦病害评估中得到改进。由于受到传感器和仪器的开发的局限性，几乎没有关于背景因素对作物病害识别影响的报道。在本研究中，我们使用高光谱成像仪来测量和分析不同因素对小麦白粉病的识别的影响。具体来说，我们通过确定敏感波段和相关分析来检测白粉病的特征，并构建和验证决策树模型，以区分背景因素和确定小麦病害严重性。
使用美国SOC710高光谱成像仪采集小麦的高光谱图像。该仪器为内置扫描成像系统，避免了外部推扫可能产生的图像变形，安装有C-Mount变焦镜头，方便调整曝光量，通过SOC开发的采集软件能够在较短的时间内获得高光谱图像立方体数据。当在野外操作中，配备有三脚架和精准云台，能够通过云台内置梯度仪调节到最佳高度和视角之后采集冠层高光谱图像，以确保采集场景的一致性。在本研究中，在早期和中期灌水期采集不同疾病严重程度的高光谱图像，在晴天和微风条件下从上午10点到下午3:30收集冠层图像，根据疾病的严重程度，将疾病分为三个层次，共30个采样点，每10个采样点为一个级别，将仪器到地面的距离设为100cm，以覆盖50×50cm的地面面积，图像采集时将参考板放入视野范围内以减少阳光引起的辐射校正误差。高光谱图像数据立方体的处理过程分三个部分：反射率转换、感兴趣区域（ROIs）提取、图像的平滑，其数据处理流程图如图1所示。
通过SOC自带分析软件或第三方ENVI软件能够将高光谱图像的DN值转化为反射率，使用ENVI软件选取被测样品的感兴趣区域（ROIs），每个试验样品共选取得到4个感兴趣的区域（ROIs），这4个感兴趣区域分别为小麦高光谱样品中感染白粉病区域叶片、健康的区域叶片、阴影部分区域和麦穗区域。
由于每一幅采集的高光谱图像包含128个波段，波段之间存在着很强的相关性，如果处理所有波段的数据将会影响数据处理的效率和小麦白粉病识别的精度。因此应当首先减少数据的维度，那就需要从128个波段中选取敏感的波段。本研究中分段主成分分析（SPCA）算法被用来选择敏感波段。和主成分分析（PCA）相比，SPCA不仅计算量较少，而且避免了忽略局部特征。另外，SPCA算法计算了每个波段的贡献率，以达到减少维度的目的，同时SPCA保留原来物理场中目标物反射率的意义不变。
由于单波段包含的信息非常有限，所以用单波段无法准确地判别小麦的白粉病。研究表明，一旦确定了几个敏感波段，可以通过计算其相应的植被指数来精确诊断小麦白粉病。表2为几种植被指数，为了增强小麦白粉病特征识别，该研究使用了红边参数，包括红边参数的斜率、红边的位置和红边的面积。
选取的敏感波段大多位于红光（R）和短波红外（NIR）波段区域，该敏感波段能够计算RVI和NDVI，其中含有的参数与白粉病相关性不明显。为了建立最优的判别模型，有必要提取白粉病和背景因素的敏感特征，逐步判别分析法用于提取发病区域的敏感波段。
使用分类回归树算法（CRT）去建立和验证模型，CRT算法将数据分成尽可能与从属变量同质的几个部分，所有因变量值都在同一个终端节点中，即“纯”节点。选择分样本进行验证，随机选择70%样本作为训练集样本，剩下的30%的样本作为测试集样本，最后输出分类树的结果以评估模型的识别准确度。
小麦植物由叶片，茎，穗等部分组成。对于特定生长阶段中的不同组分或不同的压迫下，存在着不同的光谱响应特性。高光谱数据包含上百个光谱波段，特定的波长位置可以突出光谱细节差异，这提供了区分疾病压迫和植物组分的信息。图2b为患病叶片、健康叶片、阴影叶片和麦穗的光谱曲线，该光谱曲线是从图2a中精确提取。
图2表明了4个感兴趣区域的光谱差异，尤其是在绿光和红光波段，尽管阴影叶片具有光谱响应，其大小明显低于其他三个，并且550nm的叶绿素峰不明显。麦穗与绿光反射峰值和吸收红光谷相关，且具有明显的红边蓝移趋势。在近红外（NIR）区域，有三条平滑稳定的高反射率曲线，该曲线为健康叶片、阴影叶片和麦穗的反射率光谱，而患病叶片的光谱反射率大大上升。另外，健康叶片和麦穗的反射率高于患病叶片，在960nm的水分吸收带4个目标物的光谱响应也不同，对于患病和阴影叶片具有更大的吸收谷。
当植物患病时，植物的吸收和反射特性将在不同的光谱波段中发生改变，因此受感染植被的光谱响应通过某些数据处理表示为光谱特征，这是用于评估植被的患病严重性的光学遥感的基础。
图3b为小麦白粉病不同患病严重性的光谱相应。在如图3a和b所示的位置处测量数据，显示该曲线没有明显的绿光峰（550nm）和红光谷（670nm），然而，它们呈现出反射强度的差异。这些差异对于感染和健康叶片之间的区分是有用的，与健康和轻度感染叶片相比，中度感染叶的反射率在NIR范围内快速上升。
通过使用SPCA计算来自每个波段的每个子空间的所有样本图像的贡献率，通过比较和分析方差的显著性，选择不同背景因素和疾病严重程度之间的敏感波段。共获得了23个用于小麦白粉病判别的敏感波段，分别是417nm,、423 nm、503 nm、508 nm、534 nm、544 nm、658 nm、679 nm、689 nm、694 nm、700 nm、705 nm、715 nm、726nm、752 nm、768 nm、774 nm、789 nm、827 nm、864 nm、897 nm、962 nm 和984 nm。这其中共有17个敏感波段位于红光和近红外（NIR）区域，包括10个红边波段。此外4个敏感波段从绿光区域选出，这些波段的光谱响应对应于不同因素和疾病严重程度显著不同的波段，这些参数对于求取植被指数、红边位置、红边斜率和红边面积是非常有用的。
通过使用逐步判别法筛选出植被指数和红边参数等的结果，确定用于区分小麦的4个背景因素和三个患白粉病严重性的40个特征，如表3和表4所示。
在689-726nm的区间，波长768nm和红边区域可用于同时区分小麦具有不同背景因素和不同严重程度的白粉病。敏感波段的不同波段比是非常不同的，例如，当区分不同的背景因子时选择417nm，658nm和789nm，表3和表4红边特征与小麦白粉病胁迫的密切相关性。
基于提取的识别特征参数，分别使用CRT方法建立不同背景因素和患病严重性 的判别模型。不同背景因素模型验证结果如表5所示，不同患病程度模型验证结果如表6所示。
由表5和6可知，在阴影背景下样品能够被完全识别出来，患病和健康样本的识别精度与98.4％，麦穗样品的识别精度为80.8%。总之，该模型具有识别模型具有95.6％的准确度和95.2％的kappa系数。在小麦白粉病严重程度的鉴定中，健康样本的识别精度为99.2%，样本中度和轻度感染率分别为88.8%和87.9%。
两种模型的识别精度都在90%以上，但是当不同背景因素时，麦穗的识别精度明显低于其他三种。原因是它具有健康和越来越多的感染叶的特征，其干扰其它因素的区别。对于不同患病程度的识别模型，健康样本的准确性远高于其他两种感染水平，该判别方法可用于检测小麦白粉病。
图4A-4H显示了小麦不同患病程度和不同背景因素的图像，可知背景因素会降低模型的识别精度。减少背景影响后，基于遥感的植物营养评价的反演精度可以提高，然而，对于作物病害识别和检测这一问题的研究很少。本文研究多个背景因素对小麦白粉病诊断的影响。结果表明，健康和感染叶片的识别精度高达98.4％，阴影叶片识别率为100％，这表明它们对小麦白粉病的鉴别几乎没有影响。然而麦穗通常被错误地识别为受感染叶片，其概率为15.9%。麦穗是降低白粉病诊断精度的重要因素，应该通过关注更多光谱遥感去实现疾病的监测。
