基于成像高光谱的小麦冠层白粉病早期监测方法

【目的】本研究利用近地面成像高光谱仪,获取接种白粉病菌后的小麦田间冠层时序影像,探索光谱信息与纹理信息的结合在冠层尺度上早期监测小麦白粉病的能力和表现。【方法】本试验以不同年份、不同抗病性小麦品种的田间试验为基础,利用连续小波(continuous wavelet transform,CWT)方法提取对小麦白粉病敏感的小波特征,并基于小波特征获取对应的纹理特征,用以构建归一化纹理指数(normalized difference texture index,NDTI),同时选取具有代表性的传统植被指数(vegetation indices,VIs),然后利用偏最小二乘判别分析模型(partial least squares-linear discrimination analysis,PLS-LDA)基于上述特征及组合,建立小麦冠层健康与感病状态识别模型,并利用偏最小二乘回归(partial least-squares regression,PLSR)构建了小麦冠层病情严重度估测模型,并利用该技术基于最优特征及组合判别接种后不同天数的小麦健康与感病状态。【结果】基于 CWT算法入选的 4 个小波特征分别是 6 尺度的 595 nm(黄光区域),5 尺度的 614 nm(红光区域),3 尺度的 708 nm(近红外区域)和 4 尺度的 754 nm(近红外区域);进一步确定了构建最佳纹理指数组合的纹理特征有:754 nm 处的熵(entropy,ENT)、均值(mean,MEA)、均一性(homogeneity,HOM),7 008 nm 处的 ENT、HOM,614 nm 处的 ENT、HOM、异质性(dissimilarity, DIS),595 nm 处的 ENT、HOM、DIS。其中,近红外波段 754 nm 处的纹理特征 MEA表现最优越,与病情严重度的相关性最高(R^(2)=0.67)。本研究进一步发现基于小波特征与纹理特征结合构建的小麦健康与病害判别 PLS-LDA 模型的精度最高,其总体分类精度为 81.17%,Kappa 系数为 0.63;基于光谱指数与纹理指数组合构建的小麦病情严重度 PLSR 模型效果最优,建模和检验 R^(2)分别为 0.76 和 0.71。本研究中最早能够识别的小麦冠层白粉病的病情严重度为 26%左右(接种后 24 d 左右)。【结论】基于小波特征与纹理特征结合构建的小麦健康与病害识别模型能够显著提高病害的分类精度,而光谱指数与纹理指数的特征组合能够显著提高病情严重度的估测精度以及稳定性。本研究方法和结果可为其他作物的病害监测提供借鉴和参考,对现代智慧农业的精确施药提供了技术支持。