英语原文共 18 页，剩余内容已隐藏，支付完成后下载完整资料
检测小麦叶锈病的两种病害光谱指标
摘要 光谱植被指数（SVI）已被广泛用于检测不同的植物病害。小麦叶锈病早期症状表现为叶片变黄和橙色,中期的征兆是叶片颜色变为棕色，而最后的症状是叶片变干枯。这项工作的目标是开发光谱病情指数检测小麦叶锈病。使用光谱仪采集健康和感染叶锈病的小麦(区分不同染病阶段分别采集)叶片的反射光谱。为表现真实的地面病害情况，受影响地区的总叶面积和不同发病期的症状均采用RGB数码相机提取。通过数码相机提取的各种病害症状和测量得到的感染叶锈病的叶片反射光谱,对其进行光谱混合分析。然后用光谱混合分析方法和最小二乘法估算不同病害症状的光谱反射率。用Fisher函数研究450-1000nm内不同的病害症状的反射率。根据605,695和455nm处反射率得到两种光谱病害指数,两指标（LRDSI-1和LRDSI-2）之间的拟合度高达0.94。
关键词 小麦叶锈病；高光谱测量；光谱病害指标；病害症状
1 简介
各种光谱和成像技术已经应用于检测植物和树木病害[ 1 ]，广泛利用不同尺度(包括叶，冠层和景观水平)的光谱数据提高精度[ 2-5 ]。近年来，研究人员利用光谱数据在植物病害检测中的应用,研究出了各种光谱植被指数（SVI）检测不同植被病害[ 5–7 ]。400-700nm和700-1100nm的光谱区域主要受叶片色素，结构和含水量的影响[ 8 ]。
病害使植物叶片色素含量以及叶片结构发生了改变,其反射光谱也发生了改变,这就使得我们能够有效地利用光谱数据进行病害检测。
以下研究表明,某些波长的植物光谱反射率能够检测和量化叶片物质含量,如叶绿素、花青素和水[10,11]。Nalta等利用叶片光谱反射率检测叶片感染的病毒,在他们的研究中,对感染病毒的叶片识别最大精度约70%[12]。陈等用高光谱测量感染黄萎病的棉花,731和1317nm之间光谱的一阶导数能最有效的预测病害[ 13 ]。Mohammad等研究表明可见光和红外光在受影响的植物的生理应力水平方面能提供最大信息[ 14 ]。一些特定的波长，可用于检测某种特定的植物病害[ 15 ]。已知的检测不同病害的最佳光谱范围:425、685和735 nm检测柑桔溃疡病[ 16 ]，737–925 nm检测水稻褐飞虱病[ 17 ]，426 nm检测棕色稻飞虱、稻叶螟危害[ 18 ]，以及800-1100 nm识别番茄[ 19 ]潜叶蝇危害。
然而，每种病害对叶片的反射光谱的影响可能不同。因此，必须制定特殊的光谱病害指标（SDIs）检测植物病害[ 8 ]。到目前为止,对于光谱病害指标和光谱植被指数的研究中,很少有针对某一特定病害症状的反射光谱研究。因此，为每一种病害症状设计特定的光谱指数具有重要意义。
小麦有三种锈病,称为黄锈病、叶锈病和秆锈病。叶锈病的发生频率高于其他两种类型，所以对叶锈病作进一步调查。每年，这种病害在全世界都会破坏农作物，大大降低产量。叶锈病是由pucciniatriticina真菌引起的,有不同的发病症状[ 20 ]。这些症状早期表现为叶片呈黄色、橙色和深棕色的颜色,最后叶片干枯。值得注意的是，叶锈病的不同症状，可以在一片叶子[ 21 ]各部分同时观察到。一些调查表明光谱植被指数应用于病害检测的发展前景。mahlein等和Rump等研究表明,病害症状对记录的反射光谱的影响[ 22-24 ]。
有许多冠层尺度下小麦叶片光谱指数的研究。1991年,Hanse研究了黄锈病对农作物产量的影响。结果表明，利用高光谱数据的变化来检测作物叶锈病的拟合度高于0.9 [ 25 ]。2007年,wenjiang等研究了小麦条锈病和光化学植被指数（PRI）之间的关系,结果表明该指数在监测黄色时拟合精度超过0.9 [ 26 ]。张等利用高光谱数据，在氮缺乏的情况下，研究小麦黄锈病的检测,结果表明当氮缺乏时，小麦锈病可被检测到[5]。
条锈病是平行于叶脉的窄的黄色条状的病变,而叶锈病则是分布于叶片各区域且具有各种颜色和图案[ 15 ]。然而，与黄色锈病相比，棕色锈病的研究数量有限。
Devades等使用可见光和近红外区域的10种光谱植被指数,在叶片尺度下检测不同类型的锈病。在他们的研究中,这些植被指数都不能够检测和区分三种锈。然而，花青素反射指数（ARI）可用于检测黄色锈，转化的叶绿素吸收和反射指数（TCARI）可用于检测叶锈病[27]。在Frank和Menz进行的另一项研究中，利用高光谱和叶片光谱数据估计小麦叶锈病[28]的严重程度。结果表明，叶锈病早期症状可使用高光谱数据来检测。在这项研究中所使用的算法是基于最小噪声分离（MNF）的转变。包括被感染的与健康叶片，以及冠层尺度下土壤等背景区域的反射光谱。尽管这项研究结果尚可接受，但它并没有考虑到各种病害的症状。
ashourloo等研究表明,病害的症状对受感染的植物的特定波段反射光谱有较大的影响[ 29 ]。这意味着随着病害的严重程度的增加，所采集的光谱在特定的波段变化愈加明显。所有的光谱植被指数对病害严重程度都很敏感，随着病害的严重程度提高分类精度下降。结果表明，随着病害的严重程度的增加，所有的指数的数值的散射也增加。对于不同的光谱植被指数，散射和分类精度的量是不一样的，取决于所选择的波长（S）。因此,开发小麦叶锈病检测指标是有必要的。
研究叶片尺度下的小麦叶锈病具有两层意义：(1)对各种病害症状的反射光谱进行估算；(2)用五种不同叶色症状的光谱反射率比较准确地确定病害严重程度。
2 材料与方法
2.1 实验装置
使用光谱仪进行叶片反射率数据采集。同时，从所有受感染的叶片中采集一系列的RGB数字照片。这些数据被用来计算在可见光和红外光范围内检测小麦叶锈病的指数。控制环境条件,收集光谱。为了收集到足够多的样品，小麦种植在相似条件下重复了两次。本研究的目的是开发准确估计病害的严重程度的叶锈病病情指数（LRDSI）。在这里，病害的严重程度被定义为受感染的地区的比率。此外，尝试使用叶片的光谱响应量化病害区域。提取指数的流程图如图1所示。
图1 提取指数的流程图
2.1.1 培养条件及病原菌接种
为了进行实验，选择Bolani和Roshan两种最常见的小麦品种。选择2个品种建立检测小麦叶锈病的模型，检测的结果互不干扰。这2种类型小麦对叶锈病相当敏感，在伊朗广泛种植。在伊朗植物保护中心用1米times;1米的培养盒栽培。两个品种在温室中生长，温室温度在15到20°C之间，相对湿度超过60%，每天16小时的光照时间。间隔15厘米从前后两个方向向小麦喷洒孢子悬液。接种在特定条件下进行（孢子悬浮液0.6毫升，每株的浓度为6-105的孢子/毫升，温度15 - 16°C，相对湿度超过90%）。受感染的植物被转移到另一个温室，温度为20至30°C，相对湿度为90%，光照时间为16小时。每一次，培养14盒小麦:7盒Bolani的,7盒Roshan的。种子种植5厘米,按照植物的需要，在一个受控的方式下进行浇水和施肥。对于每一个小麦品种，分成4箱被感染的和3箱非感染的样品。
2.1.2 数据收集
使用一个25°角度视野的分光辐射角度计（光谱分析装置，Boulder, CO, USA）,测量生锈叶片光谱反射率。在350至2500nm的范围内光谱收集的带宽为1-4nm。使用40times;40cm尺寸的Spectralon板作为参考（Labsphere, Halma Co., USA）。用一种接触式探针（带叶夹持器），以减少环境光散射的影响，提高测量精度。探头内接触探针的距离为5.2厘米。每一个叶片含有范围从黄色到深棕色的各种病害症状。光谱采样从初始症状，直到完全感染的症状（从接种后6天到接种后42天）。反射光谱采样数为5，取平均数为反射光谱。通过拍摄的RGB数码照片测量每个受感染地区的光谱后。每一个被感染的叶子只被用来测量一次。为了避免波长超过1000nm的水的吸收带，在这项工作中使用的电磁波范围是450-1000nm。在这个操作中，被感染的叶片被分离，将接触探针放置在叶片上并将叶片放置在一个平坦的表面上进行测量。从叶片的各种病害症状的区域，共收集了300个光谱样品。这些数据从感染和非感染的叶子每周记录一次，直到接种后42天。
为了确定叶锈病的比例和症状，RGB数码相机规格如下：
摄像机模型: Canon DIGITAL IXUS 85 IS;
F-109数: f/3.2;
快门速度: 1/60.
对于所有样品，相机都是在距样品30cm高度处进行拍摄的。
从数码照片中提取各种症状的叶锈病，包括黄色，橙色，深棕色和干燥叶[ 21 ]，如图2a,2b所示。所有影像都是户外拍摄的，为了消除光强的影响，将RGB图像转换为HIS图像[ 30 ]。该算法是基于从RGB到HIS空间转换,旨在消除室外光强度变化的影响。同时，在这项研究中，采用纹理识别算法确定受感染区域的边界。通过RGB数码相机图像的病害症状分类步骤如图2c所示。通过计算每个受感染的叶片的感染斑点面积占总叶面积的比例确定该病害不同症状的数量。必须保证到这些测量区域与光谱测量区域是一致的。通过接触探针的标记实现对叶片的光谱反射区域的准确定位，使得病害的症状可以通过RGB数码相机获取。这个区域是由一个白色的圆圈如图2d所示。在标记区域内，设置阈值建立绿色掩膜,目的是提高对感染叶片的分类精度。此外，从病害的症状中收集训练样本。然后，应用最大似然分类法提取病害症状的H分量和S分量,如图2c所示。病害程度指数以及受感染的叶片光谱用于计算光谱植被指数。
图2 A 小麦叶锈病的发病过程;B 小麦叶锈病的不同发病症状;C 通过RGB数码相机对小麦叶锈病症状分类的步骤;D 小麦叶锈病不同症状和掩膜分类
2.2 病害反射光谱提取
结果表明：病害的症状对受感染的植物光谱有很大的影响[ 29 ]。这意味着随着病害的严重程度的增加，所收集的波谱变化也会随着更加明显。这预示着，对于一个特定的病害，在特定的病害严重度下,随着病害的症状的数目的增加，光谱将变得更加多样化。光谱植被指数是基于多光谱植被获得的。结果显示，随着病害严重程度的增加，那么所有的光谱植被指数值也变得更加分散。植被指数散布是由于相同病害严重度下,各症状采样点数目比例不同所造成的。所得到的结论是，病害症状的光谱混合分析降低光谱植被指数的精度[ 29 ]。
本研究的目的是根据不同的病害症状开发光谱病害指标,用于小麦叶锈病的检测。如图2d所示，由接触探针记录的受感染的叶片的光谱是混合光谱。因此，本研究尝试用光谱混合分析法估计不同病害症状的纯光谱。
在遥感中,线性光谱混合模型（LSME）通常用于计算每个像素中端元丰度。该方法可用于混合像素，可用于在亚像素规模的信息提取。然而，在本研究中，每个症状区域的分数是已知的，从而可以计算出它们相应的反射光谱。
在一个锈病感染的叶片中，人们可以找到不同大小的症状，如绿色（健康），黄色，橙色，棕色和干枯的区域。若每个症状的面积分数是已知的，那么他们的反射率值可由以下公式计算[31,32]。
(1)
式中, 是光谱仪测得的反射率,是样品i采样区域的在波长为lambda;处的反射率(假设i是分光辐射度计测量的序号,K是记录的总的样本数目),fi是采样面积分数,N是采样区域总数,是剩余误差。所有病害症状面积的分数总和等于1。方程（1）中K个叶片光谱样本（光谱仪记录得到）的N级（N级病症状）可以写成下面的方程(2)。
(2)
上述方程组的矩阵形式如下（忽略了剩余部分）：
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[32172]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
