基于冠层光谱的水稻穗颈瘟病害程度预测模型

引用本文

韩雨, 刘焕军, 张新乐, 于滋洋, 孟祥添, 孔繁昌, 宋少忠, 韩晶. 基于冠层光谱的水稻穗颈瘟病害程度预测模型[J]. 光谱学与光谱分析, 2021,41(4): 1220-1226.
HAN Yu, LIU Huan-jun, ZHANG Xin-le, YU Zi-yang, MENG Xiang-tian, KONG Fan-chang, SONG Shao-zhong, HAN Jing. Prediction Model of Rice Panicles Blast Disease Degree Based on Canopy Hyperspectral Reflectance[J]. Spectroscopy and Spectral Analysis, 2021,41(4): 1220-1226.
Doi:10.3964/j.issn.1000-0593(2021)04-1220-07 复制到剪切板

Permissions

《光谱学与光谱分析》期刊社所有

基于冠层光谱的水稻穗颈瘟病害程度预测模型

韩雨^1,², 刘焕军^1,², 张新乐^1,^*, 于滋洋¹, 孟祥添¹, 孔繁昌¹, 宋少忠³, 韩晶¹

1.东北农业大学公共管理与法学院, 黑龙江哈尔滨 150030

2.中国科学院东北地理与农业生态研究所, 吉林长春 130012

3.吉林工程技术师范学院信息工程学院, 吉林长春 130052

*通讯作者 e-mail: xinlezhang@yeah.net

作者简介: 韩雨, 1995年生, 东北农业大学公共管理与法学院硕士研究生 e-mail: 1270078663@qq.com

收稿日期: 2020-04-06 修订日期: 2020-08-08

基金: 国家重点研发计划项目(2016YFD0200600, 2016YFD0200603); 吉林省发改委创新能力建设项目(2019C053); 吉林省教育厅“十三五”产业培育规划项目(JJKH20200181KJ)资助

摘要

对水稻稻瘟病病害程度的定量预测是精准防控的关键, 田间冠层尺度的研究可为高光谱传感器提供理论基础。以受穗颈瘟胁迫的水稻为研究对象, 采用SVC HR768i型光谱辐射仪在大田中获取灌浆期两个不同时间段的水稻冠层光谱反射率, 以水稻发病株数百分比作为病害严重程度指标。冠层光谱数据采用九点平滑预处理, 并重采样为1 nm间隔, 计算植被指数; 经过去包络线和一阶导数光谱变换, 提取高光谱特征参数。分析不同时间段的光谱变换、植被指数、高光谱特征参数与病害程度的相关关系, 构建基于植被指数、高光谱特征参数的穗颈瘟病害程度随机森林预测模型, 并对比分析两个单时期预测模型异同, 优选共用输入量, 构建出两时期混合数据的病害程度预测模型。结果表明: (1)原始光谱曲线经去包络线处理可有效增强与病害程度相关的光谱信息, 近红外波段(960~1 050和1 150~1 280 nm)的相关系数在0.80以上; (2)高光谱特征参数与病害程度相关性分析中, 去包络线吸收谷参数相关系数高于其他参数, 吸收谷 V₃(910~1 100 nm)、吸收谷 V₄(1 100~1 300 nm)中面积( A₃和 A₄)、深度( DP₃和 DP₄)、斜率( SL₄和 SR₄)的相关系数在0.74以上; (3)去包络线吸收谷参数结合随机森林模型预测穗颈瘟病害程度在单时期及两时期混合数据中均表现最好。灌浆期后期数据预测效果最佳, 验证集决定系数 R²=0.91, 均方根误差RMSE=0.02; (4)两时期混合数据预测精度处于两个单时期预测精度之间, 验证集决定系数 R²=0.85、均方根误差RMSE=0.03。研究成果揭示了灌浆期不同时间段水稻穗颈瘟光谱响应机制, 表明去包络线吸收谷参数结合随机森林模型预测稻瘟病的实用性, 可为田间水稻穗颈瘟病害程度进行快速、精确、无损地定量预测, 为精准施药提供理论依据, 并对未来航空、航天遥感的病害监测提供一定的技术支持。

关键词: 冠层光谱; 穗颈瘟; 去包络线; 特征参数

中图分类号:O657.3 文献标志码:A

Prediction Model of Rice Panicles Blast Disease Degree Based on Canopy Hyperspectral Reflectance

HAN Yu^1,², LIU Huan-jun^1,², ZHANG Xin-le^1,^*, YU Zi-yang¹, MENG Xiang-tian¹, KONG Fan-chang¹, SONG Shao-zhong³, HAN Jing¹

1. School of Public Administration and Law, Northeast Agricultural University, Harbin 150030, China

2. Northeast Institute of Geography and Agroecology, Chinese Academy of Sciences, Changchun 130012, China

3. School of Information Engineering, Jilin Engineering Normal University, Changchun 130052, China

*Corresponding author

Abstract

Quantitative prediction of disease degree of rice panicle and neck blast is essential on accurate prevention and control measures. The study of field canopy scale can provide a theoretical basis for hyperspectral sensors. In this paper, the rice which was damaged by panicle and neck blast was regarded as the research object, and hyperspectral canopy reflectance was acquired by SVC HR768i spectral radiometer at two different periods during the filling stage. The percentage of rice plants diseased represented disease degree index. The canopy spectral data were preprocessed by nine-point smoothing and resampled at 1 nm intervals. Vegetation indexes were calculated and hyperspectral characteristic parameters were extracted by continuum removal (CR) and first derivative reflectance. Were totally analyzed between each period, the response ability of different spectral transformation, vegetation index and hyperspectral characteristic parameters to disease degree through correlation analysis, and prediction models of disease degree were established through the random forest (RF) based on vegetation index and hyperspectral characteristic parameters, respectively. The two single-period prediction models were compared to select the common input to generate a disease degree prediction model which mixed data in two periods. The results demonstrated that: (1) Canopy hyperspectral reflectance processed by continuum removal (CR) method could effectively enhance the spectral information which isclosed related to the disease degree. The sensitive bands were the near-infrared region (960~1 050 nm) and (1 150~1 280 nm), and the correlation coefficient was above 0.80. (2) In the correlation analysis between hyperspectral characteristic parameters and the disease degree, the correlation coefficient of absorption valley parameters extracted by CR was higher than other parameters, and that of area ( A₃, A₄), depth ( DP₃, DP₄) and slope ( SL₄, SR₄) in the absorption valley V₃(910~1 100 nm) and V₄(1 100~1 300 nm) was above 0.74. (3) The absorption valley parameters which played a role as the model input showed the best result in the mixed data of two periods and that of every single period. In addition, the prediction accuracy reached a peak at the later filling stage, with R²=0.91 and RMSE=0.02 in the validation set. (4) The prediction accuracy of the mixed data of two periods was between that of two single-period, with R²=0.85, and RMSE=0.03 in the validation set. The results revealed the spectral response mechanism of rice panicle and neck blast at different periods during the filling stage and it was practical to predict disease degree by combining absorption valley parameters extracted by CR with the random forest model, which can be used to rapidly, accurately and nondestructively predictthe disease degree of rice panicle and neck blast and provided a theoretical basis for precise application of pesticides. Beyond that, it also provided some technical reference for aviation and aerospace remote sensing monitoring in the future.

Keyword: Canopy hyperspectral spectra; Rice panicle and neck blast; Continuum removal; Characteristic parameters

文章图片

引言

水稻(Oryza sativa L.)是主要的粮食作物之一, 其中稻瘟病作为水稻三大病害之一, 严重影响着水稻的高产、稳产。快速地识别和预测水稻稻瘟病病害程度可大幅减少水稻种植的经济损失。但传统稻瘟病监测方式以植保专家经验判断为主, 受主观因素影响较大造成不合理的农药施用, 对水稻生长发育产生负面效应, 并且会破坏生态环境。

随着遥感技术的发展, 高光谱遥感技术具有波段多且连续性强等优势被广泛应用于农业病虫害的监测与防治^[1]。水稻病虫害高光谱技术的监测方法主要针对不同尺度下的数据特点, 对不同病虫害胁迫下的光谱曲线进行分析, 筛选病虫害敏感波段与特征参数, 建立识别病害及评价其严重程度的光谱模型^{[1, 2, 3, 4]}, 从而实现病虫害的监测。作物受病虫害胁迫时, 植被内部生化组分发生变化, “ 可见-近红外(400~1 350 nm)” 波谱范围响应敏感, 是病虫害遥感的直接特征, 表现为叶绿素等色素被破坏^[5]、叶片及细胞结构^[6]等发生改变; 针对于穗部病害, 光谱特性主要受穗部排列结构、色素、水分、蛋白质及木质素等生物组分含量控制^[7]。

在植被光谱中, 490~530, 560~640和680~760 nm波谱范围分别为蓝边、黄边、红边位置, 经一阶导数处理后提取的特征统称为“ 三边” 参数^[8], 此外, 510~560 nm波段范围称为“ 绿峰” , 在原始光谱上提取特征参数, 以上波段范围包含了大量光谱信息。在病害胁迫下, “ 三边” 参数有效反演出叶绿素含量, 可为水稻病虫害监测提供理论依据。有报道对比分析由稻干尖线虫胁迫下的水稻叶片与健康叶片, 以提取光谱数据的三边及绿峰参数作为输入量, 模型的识别精度达到100%, 与传统的选择敏感波段的方法相比更具普适性。此外, 学者们通常计算窄带植被指数, 通过简单的波段组合的形式来表征病虫害胁迫程度, 对于不同病虫害类型提出具有针对性的波段组合, 不仅强化了光谱变化, 而且可以从生理变化角度做出合理解释。 Kobayashi等^[9]运用光谱比值法确定与水稻叶瘟病的敏感波段, 提出R₅₅₀/R₆₇₅和R₅₇₀/R₆₇₅指数, 获得较佳预测精度, 计算简单具有较强的实用性, 在病虫害遥感中应用价值较大。但三边及绿峰参数仅分析在病害胁迫下可见光的差异, 未考虑近红外范围光谱的变化; 窄带植被指数仅用固定几个波段计算, 包含的光谱信息较为局限。去包络线处理又称连续统去除法(continuum removal, CR), 是将原始光谱数据峰值归一化到“ 1” 的处理方式, 使原始光谱数据处于同一背景下^[10], 保留原始光谱数据的绝大部分信息, 并有效突出光谱信息与病害程度的差异性, 达到理想预测精度。石晶晶等^[11]运用去包络线吸收谷特征对稻纵卷叶螟虫害识别精度达到100%。

目前水稻稻瘟病研究中, 器官(叶片、穗部)光谱数据获取居多, 以实验室数据为主, 未考虑实际田间环境对病虫害监测识别的影响。并且在不同时间段稻瘟病胁迫程度不同, 导致水稻冠层光谱在不同时期对病害程度预测效果存在差异^[12]。随病害浸染时间的推移, 水稻内部生理组分破坏加重, 因此考虑不同时期的稻瘟病胁迫下的光谱特征变化十分必要。本研究在田间获取灌浆期两个时间段水稻穗颈瘟胁迫下不同患病程度的冠层光谱数据, 以发病株数百分比作为因变量, 三边及绿峰参数、去包络线参数、植被指数分别作为输入量, 结合随机森林(random forest, RF)模型预测水稻穗颈瘟病害程度。旨在分析不同时间段穗颈瘟病害程度预测能力机制, 选取模型的最优输入量, 为水稻穗颈瘟定量分析提供高精度预测模型。

1 实验部分

1.1 试验设计

研究区位于吉林省吉林市万昌镇吉林农业大学试验田, 试验面积5 000 m²。大田供试品种为水稻早熟品种— — 吉育粳。试验田共设计24个试验小区, 分为3个不同氮素施肥处理, 1个对照组(CK)处理, 按照9∶ 10∶ 11∶ 10氮肥比例, 采用移栽后施一次底肥, 于返青期、分叉期、孕穗期三次追肥处理方式, 每个处理设置3次重复, 管理方式按照大田模式进行。水稻稻瘟病使用蒙古稻(易感病稻种)进行诱发, 在2019年7月9日进行水稻稻瘟病菌接种, 对照组(CK)处理不接种病菌, 并于8月15日发病, 并由植保专家经鉴定确定为水稻穗颈瘟病害。根据病害程度, 在试验区内设置30个采样点。

1.2 数据采集与处理

使用SVC HR-768i光谱辐射仪进行地面光谱数据采集。所用仪器光谱测量范围: 350~2 500 nm, 光谱分辨率: 350~1 000, 1 000~1 890和1 890~2 500 nm波谱范围分别为3.5, 8.5和6.5 nm。为减小太阳高度角、大气程辐射等差异影响, 选择天空晴朗, 无风天气, 利用手持探测头采集水稻冠层光谱反射率, 测量时间为10:00— 14:00。使用仪器前, 进行去除暗电流处理, 每个样点测量前后对仪器进行白板校正; 测量时, 传感器探头在垂直于冠层高度的40 cm处, 探测针视场角为25° , 每个采样点连续测量两次, 取平均值作为该样点冠层光谱数据测量值, 获取9月3日、 9月10日两期冠层光谱数据共60个样本。对采集光谱数据进行九点平滑预处理去噪, 为避免水汽吸收造成的影响, 选取440~1 350 nm光谱范围, 采样间隔7.6 nm, 并将其重采样为1 nm间隔, 进行去包络线及一阶导数处理, 数据处理在ENVI 5.1、 Excel 2010中完成。

1.3 穗颈瘟病害程度数据

传感器数据测量结束后, 对应采样点获取一穴水稻植株样本, 植株数在100株左右。植保专家根据我国水稻病害认定标准确定发病水稻植株数量, 确定每个采样点发病株数百分比, 发病株数百分比作为病害程度。公式如下

$发病程度 (%) = 发病株数 / 采样总株数$

1.4 特征参数(characteristic parameters, CPs)提取

选取在植物病害分析中常用的植被指数(vegetation index, VI)以及三边参数(derivative spectral parameters, DSP)。光谱数据经去包络线处理后, 进行4个吸收谷(V₁, V₂, V₃, V₄)的特征参数提取, 用 $C R_{(V_{1 — 4})}$ 表示, 包括: 吸收谷面积: A₁, A₂, A₃和A₄; 吸收谷深度: DP₁, DP₂, DP₃和DP₄; 吸收谷宽度: W₁, W₂, W₃和W₄, 如图1, 均在Origin 2017软件— 峰值分析选项中批量提取, 设置基线Y_{(Base line)}=1。吸收谷左侧斜率: SL₁, SL₂, SL₃和SL₄; 吸收谷右侧斜率: SR₁, SR₂, SR₃和SR₄, 利用Origin 2017提取吸收谷谷底、起点及终点值, 在Excel 2010中批量计算斜率, 共提取20个去包络线吸收谷参数, 详见表1。

	Figure Option View Download New Window
	图1 水稻冠层去包络线光谱Fig.1 Rice canopy reflectance continuum-removed spectra

表1 植被指数与三边参数 Table 1 Vegetation index and Derivative spectral parameters

1.5 模型构建与验证

运用随机森林(RF)模型算法, 吸收谷参数、三边参数、植被指数分别作为输入量, 随机抽取建模样本与验证样本, 采用2∶ 1比例设置, 在R语言、 Excel2010中完成处理。综合建模集、验证集决定系数R²、均方根误差RMSE评价模型预测能力。决定系数R²取值范围为[-1, 1], 绝对值越接近1时, 拟合程度越好, 反之越差; 均方根误差RMSE值越接近0, 精度越高。

2 结果与讨论

2.1 基于不同病害程度下水稻冠层光谱特征

不同水稻穗颈瘟病害程度反射光谱符合植被光谱特征。可见光波段范围内, 植被光谱受叶片内各种色素吸收作用, 在440~500 nm蓝波段及610~690 nm红波段有强烈吸收, 形成吸收谷; 在510~590 nm绿波段处吸收减弱, 形成反射峰; 在680~740 nm红边波段反射率显著增加, 红边波段为植被敏感波段, 是植被生理组分变化与受胁迫作用的重要指示波段; 在760~1 300 nm近红外波段形成高反射平台, 近红外波段受冠层结构影响, 叶层间多次折射导致反射率急剧增加。对9月3日、 9月10日灌浆期冠层光谱数据(下文将9月3日光谱数据称为第一期, 9月10日光谱数据称为第二期)进行分析, 如图2。

	Figure Option View Download New Window
	图2 不同穗颈瘟病害程度下去包络线与原始冠层光谱曲线注: ρ 为原始光谱曲线; CR表示去包络线光谱曲线Fig.2 Canopy spectral reflectance curve and continuum removal line of different rice panicle and neckblast disease levels Note: ρ represents spectral reflectance curve and CR represents continuum removal line

不同病害程度下, 水稻冠层光谱反射率有明显差异, 总体来看, 病害程度越严重, 在可见光-近红波段反射率整体下降。绿波段处反射率降低, 反射峰高度有所下降, 尤其重度病害时, 绿波段与红波断反射率几乎一致, 但红谷变化并无显著规律。经去包络线处理后, 440~540, 540~780, 910~1 100和1 100~1 300 nm形成4个明显吸收谷, 与原始光谱反射特征吻合。由图2可得, 健康光谱曲线的吸收谷面积、深度均大于染病样本。随病害程度增加, 后两个吸收谷呈现面积、深度变小的规律, 但前两个吸收谷变化无明显规律性。不同时期的冠层光谱在病害胁迫下, 表现出一致的结果。

2.2 不同光谱变换与病害程度相关性分析

整体上看, 无论单期还是两个时期混合光谱数据(下文将两个时期混合数据称为两时期)与穗颈瘟病害程度相关系数均不高, 未达到强相关水平。第一期原始光谱数据在720~780 nm波谱范围与穗颈瘟病害程度呈极显著负相关(p< 0.01), 相关系数在0.50以上, 并在754 nm处达到最佳相关性0.57; 第二期原始光谱数据710~780 nm波谱范围呈极显著负相关(p< 0.01), 相关系数约0.46, 在757 nm处达到最佳相关系数0.46; 两时期光谱数据在741~761 nm范围呈显著负相关(p< 0.01), 相关系数在0.50以上, 并在757 nm处达到最佳相关系数0.51。三组数据分析中, 均在红边波段表现出最大相关性, 两时期数据相关系数处在第一期与第二期之间。

三组不同数据经过去包络线处理后, 与穗颈瘟病害程度相关性大幅度提升。第一期在955~1 040和1 170~1 200 nm近红波段范围呈极显著正相关(p< 0.01), 相关系数在0.75以上, 960~970和980~990 nm波谱范围相关系数达到0.80以上, 在962 nm处达到最佳相关系数0.83; 第二期在近红980~1 050和1 190~1 270 nm波谱范围呈极显著正相关(p< 0.01), 相关系数达到0.90以上, 在1 004 nm处达到最佳相关系数0.93; 两时期数据在近红波段960~1 050和1 150~1 280 nm波谱范围, 呈极显著正相关(p< 0.01), 相关系数在0.75以上, 并在980~1 050和1 160~1 250 nm波谱范围内, 相关系数达到0.80以上, 在1 004 nm处达到最佳相关系数0.87。第二期数据相关性明显高于第一期, 两时期数据相关性与上述结果一致。此外, 三组数据与穗颈瘟病害程度均呈极显著正相关, 并且达到极显著相关的波段均在900~1 300 nm近红波段范围内。

2.3 不同特征参数与病害程度相关性分析

通过相关性分析发现, 植被指数与三边参数在三组数据中表现均不好, 相关系数较低, 在0.69以下, 除PRI指数均呈极显著负相关(p< 0.01), 第二期相关系数均低于第一期, 并且植被指数相关系数略高于三边参数。三组数据在吸收谷参数A₃, DP₄, A₄, SL₄, SR₄和DP₃处都表现为极强相关性, 除SL₄外均呈极显著负相关(p< 0.01), 相关系数在0.74以上, 如表2。第一期数据最大值在吸收谷V₃的面积A₃、深度DP₃, 分别为0.81和0.80(p< 0.01), 第二期数据最大值在第四吸收谷左侧斜率SL₄与深度DP₄, 均为0.90(p< 0.01), 第二期相关系数较第一期平均提升0.10左右, 主要表现在吸收谷V₃和V₄上, 两时期数据相关性数值处在第一期与第二期之间, 与去包络线光谱数据相关性结果吻合。在所有特征参数相关性分析中, 去包络线吸收谷参数相关系数明显高于植被指数与三边参数。

表2 特征参数与穗颈瘟病害相关性 Table 2 Correlation coefficient between CPs and rice panicles blast disease degree

类型	第一期		第二期		两时期
类型	特征参数	相关系数	特征参数	相关系数	特征参数	相关系数
植被指数(VI)	MCARI	-0.69^{* *}	PRI	0.63^{* *}	MCARI	-0.59^{* *}
	TVI	-0.65^{* *}	MCARI	-0.53^{* *}	TVI	-0.56^{* *}
	TCARI	-0.65^{* *}	TCARI	-0.50^{* *}	TCARI	-0.55^{* *}
	NRI	-0.58^{* *}	TVI	-0.48^{* *}	PRI	0.52^{* *}
三边参数(DSP)	D_b	-0.63^{* *}	SD_b	-0.51^{* *}	SD_r	-0.52^{* *}
	SD_r	-0.63^{* *}	SD_r	-0.48^{* *}	SD_b	-0.49^{* *}
	SD_b	-0.63^{* *}	D_r	-0.47^{* *}	D_r	-0.48^{* *}
	D_r	-0.61^{* *}	D_b	-0.47^{* *}	D_b	-0.48^{* *}
吸收谷参数(C $R_{(V_{1 — 4})}$ )	A₃	-0.81^{* *}	DP₄	-0.90^{* *}	DP₃	-0.74^{* *}
	DP₃	-0.80^{* *}	SL₄	0.90^{* *}	SR₃	-0.68^{* *}
	A₄	-0.76^{* *}	SR₄	-0.88^{* *}	A₃	-0.80^{* *}
	DP₄	-0.76^{* *}	A₄	-0.88^{* *}	DP₄	-0.79^{* *}
	SR₃	-0.75^{* *}	A₃	-0.84^{* *}	A₄	-0.77^{* *}
	SR₄	-0.75^{* *}	SR₃	-0.80^{* *}	SL₄	0.76^{* *}
	SL₄	0.69^{* *}	DP₃	-0.76^{* *}	SR₄	-0.74^{* *}

Note: * * indicate that correlations are significant at confidence levels of 0.01

注: * * 相关性在0.01水平上显著

表2 特征参数与穗颈瘟病害相关性 Table 2 Correlation coefficient between CPs and rice panicles blast disease degree

2.4 模型分析

两个单时期数据分别以吸收谷参数、植被指数、三边参数为输入量采用随机森林(RF)模型进行病害程度预测。在不同单时期预测模型构建中, 植被指数与三边参数作为输入量时, 无论是第一期还是第二期, 验证集决定系数R²均小于0.45, 均方根误差RMSE大于0.10, 模型不稳定、精度差(见表3)。以吸收谷参数作为输入量时, 建模集决定系数R²均达到0.85以上, 均方根误差RMSE在0.06~0.09之间; 验证集决定系数R²在0.70以上, 均方根误差RMSE在0.02~0.08之间, 模型均达到理想预测效果。第二期数据在预测模型构建中效果最佳, 建模集决定系数R²=0.97, 均方根误差RMSE=0.00; 验证集R²=0.91, 均方根误差RMSE=0.02, 模型十分稳定, 精度达到了最高。第一期数据预测效果虽然达到了预测的可行性水平, 但相比于第二期数据, 模型效果相对较差。

表3 不同单时期病害程度与特征参数预测模型精度 Table 3 Accuracy of prediction model for rice panicles blast disease degree estimation based on CPs at each single period

时期	输入量	建模样本(n=20)		验证样本(n=10)
时期	输入量	R²	RMSE	R²	RMSE
	C $R_{(V_{1 — 4})}$	0.86	0.09	0.70	0.08
第一期	VI	0.76	0.11	0.33	0.11
	DSP	0.80	0.10	0.33	0.10
	C $R_{(V_{1 — 4})}$	0.97	0.00	0.91	0.02
第二期	VI	0.82	0.06	0.41	0.10
	DSP	0.74	0.13	0.31	0.10

表3 不同单时期病害程度与特征参数预测模型精度 Table 3 Accuracy of prediction model for rice panicles blast disease degree estimation based on CPs at each single period

单时期模型构建中, 植被指数与三边参数作为输入量的效果不佳, 故两时期数据预测模型中将不再考虑其建模效果。基于两个时期混合数据, 以吸收谷特征参数作为输入量构建模型, 建模集决定系数R²=0.88、均方根误差RMSE=0.06, 验证集决定系数R²=0.85、均方根误差RMSE=0.03, 模型稳定、精度较高, 获得了仅次于第二期数据的预测效果, 表现理想(见表4)。

表4 基于吸收谷参数两时期混合数据病害程度预测模型精度 Table 4 Accuracies of prediction model for rice panicles blast disease degree estimation based on $CR_{(V_{1-4})}$ extracted by mixed data of two periods

时期	输入量	建模样本(n=40)		验证样本(n=20)
时期	输入量	R²	RMSE	R²	RMSE
两时期	C $R_{(V_{1 — 4})}$	0.88	0.06	0.85	0.03

表4 基于吸收谷参数两时期混合数据病害程度预测模型精度 Table 4 Accuracies of prediction model for rice panicles blast disease degree estimation based on

{C R}_{(V_{1 — 4})}

extracted by mixed data of two periods

植被病害分析中, 常用三边参数与植被指数作为重要指标, 两种特征参数主要利用可见光与红边波段对不同病害程度响应的敏感性来进行病害分析。但在本文中, 这两种特征参数并未展现出良好预测能力, 主要由于采样时期不同导致, 本研究采样时间为灌浆期, 作物发育趋于成熟, 叶绿素等色素逐渐分解, 含量下降。但有研究表明, 植被病害亦导致叶绿素等色素含量下降^[5]。两个方面因素影响程度各异, 造成混乱, 表明了可见光及红边波段在此研究中并不适用。去包络线处理可显著增强冠层光谱信息, 由于水稻穗颈瘟发病位置在植株穗部与颈部, 真菌浸染后组织结构破坏, 蛋白质、木质素、淀粉、水等生理组分合成与运输受阻, 致使敏感波段位于900~1 350 nm近红外波谱范围内, 敏感参数主要位于吸收谷V₃和V₄。并且灌浆期后期病害真菌浸染时间长, 冠层形态与植被组织结构破坏严重、营养组分受病害胁迫变化更加明显, 光谱吸收特征差异性显著, 致使第二期数据预测能力提高。

在有关水稻病害研究中, 实验室数据获取居多, 忽略了田间环境因素的影响, 并对发病部位(穗部、叶片等)进行采样, 使研究具有针对性。本研究获取田间水稻冠层光谱数据, 充分地考虑了田间环境变化以及水稻冠层结构影响。如去包络线处理可以统一冠层光谱信息背景, 消除部分噪声、无关变量的影响, 在灌浆期对穗颈瘟病害程度进行定量分析时, 解决了不同时间段预测模型输入量变化的复杂性。而且, 随机森林模型采用投票方式赋予不同输入量权重, 根据参数重要性构建模型, 采用吸收谷参数结合随机森林模型进行穗颈瘟病害程度预测表现出巨大优势。但对水稻受穗颈瘟胁迫下生理组分变化仍需深入讨论, 灌浆前期病害程度研究需要进一步分析。

3 结论

以灌浆期两个时间段田间水稻冠层光谱数据为例, 提取多种高光谱特征参数, 采用随机森林模型对水稻穗颈瘟病害程度进行预测, 得到以下结论:

(1) 冠层光谱数据经去包络线处理可以增强与水稻穗颈瘟病害程度相关的光谱信息, 在近红外波段960~1 050和1 150~1 280 nm相关系数最好, 在1 004 nm处达到最大相关系数0.86;

(2) 在光谱参数中, 吸收谷参数与病害程度表现为极显著相关, 主要表现在去包络线处理光谱的吸收谷V₃(910~1 100 nm), V₄(1 100~1 300 nm)中, 相关系数达到0.74以上, 高于植被指数与三边参数。

(3) 引入吸收谷参数CR(V_{1— 4})作为输入量, 构建随机森林模型, 对水稻穗颈瘟病害程度预测获得了理想效果, 验证集决定系数R²在0.70以上, 均方根误差RMSE小于0.08, 模型稳定, 精度较高, 并且灌浆期后期预测效果最为精确。

(4) 基于两个时间段数据同步预测病害程度取得较好结果, 验证集决定系数R²=0.85、均方根误差RMSE=0.03, 表明吸收谷参数结合随机森林模型在灌浆期不同时间段构建水稻穗颈瘟病害程度预测模型具有实用性。

基于以往水稻稻瘟病研究, 本工作实现了田间冠层水平的病害程度预测。随着高光谱遥感技术的迅速发展, 无人机及卫星尺度的病害遥感监测是未来的发展趋势, 本研究可为航空、航天的大面积病害监测提供一定的理论基础与技术支撑。

参考文献

文献列表

[1]	Yang C, Cheng C, Chen R, et al. Crop Science, 2007, 47(1): 329. [本文引用:2]
[2]	YUAN Jian-qing, SU Zhong-bin, JIA Yin-jiang, et al(袁建清, 苏中滨, 贾银江, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2016, 32(13): 155. [本文引用:1]
[3]	ZHU Meng-yuan, YANG Hong-bing, LI Zhi-wei(朱梦远, 杨红兵, 李志伟). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2019, 39(6): 1898. [本文引用:1]
[4]	HUANG Shuang-ping, SUN Chao, QI Long, et al(黄双萍, 孙超, 齐龙, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2017, 33(20): 169. [本文引用:1]
[5]	ZHOU Li-na, CHENG Shu-chao, YU Hai-ye, et al(周丽娜, 程树朝, 于海业, 等). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2017, 48(2): 203. [本文引用:2]
[6]	CHENG Shu-xi, SHAO Yong-ni, WU Di, et al(程术希, 邵咏妮, 吴迪, 等). Journal of Zhejiang University·Agriculture and Life Sciences(浙江大学学报·农业与生命科学版), 2011, 37(3): 307. [本文引用:1]
[7]	Liu Z Y, Wu H F, Huang J F. Computers & Electronics in Agriculture, 2010, 72(2): 99. [本文引用:1]
[8]	LI Yuan-yuan, CHANG Qing-rui, LIU Xiu-ying, et al(李媛媛, 常庆瑞, 刘秀英, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2016, 32(16): 135. [本文引用:1]
[9]	Kobayashi T, Kand a E, Naito S, et al. Journal of General Plant Pathology, 2003, 69(1): 17. [本文引用:1]
[10]	Clark R N, Roger T L. Journal of Geophysical Research Atmospheres, 1984, 89: 6329. [本文引用:1]
[11]	SHI Jing-jing, LIU Zhan-yu, ZHANG Li-li, et al(石晶晶, 刘占宇, 张莉丽, 等). Chinese Journal of Rice Science(中国水稻科学), 2009, 23(3): 331. [本文引用:1]
[12]	Kobayashi T, Kand a E, Kitada K, et al. Phytopathology, 2001, 91(3): 316. [本文引用:1]
[13]	Zhang Jingcheng, Pu Ruiliang, Wang Jihua, et al. Computers and Electronics in Agriculture, 2012, 85: 13. [本文引用:1]

2007

0.0

... 随着遥感技术的发展, 高光谱遥感技术具有波段多且连续性强等优势被广泛应用于农业病虫害的监测与防治^[1] ...

... 水稻病虫害高光谱技术的监测方法主要针对不同尺度下的数据特点, 对不同病虫害胁迫下的光谱曲线进行分析, 筛选病虫害敏感波段与特征参数, 建立识别病害及评价其严重程度的光谱模型^[1,2,3,4], 从而实现病虫害的监测 ...

2016

0.0

2019

0.0

2017

0.0

2017

0.0

... 波谱范围响应敏感, 是病虫害遥感的直接特征, 表现为叶绿素等色素被破坏^[5]、叶片及细胞结构^[6]等发生改变 ...

... 但有研究表明, 植被病害亦导致叶绿素等色素含量下降^[5] ...

2011

0.0

... 波谱范围响应敏感, 是病虫害遥感的直接特征, 表现为叶绿素等色素被破坏^[5]、叶片及细胞结构^[6]等发生改变 ...

2010

0.0

... 针对于穗部病害, 光谱特性主要受穗部排列结构、色素、水分、蛋白质及木质素等生物组分含量控制^[7] ...

2016

0.0

... 参数^[8], 此外, 510~560 nm波段范围称为#cod#x0201c ...

2003

0.0

... Kobayashi等^[9]运用光谱比值法确定与水稻叶瘟病的敏感波段, 提出R₅₅₀/R₆₇₅和R₅₇₀/R₆₇₅指数, 获得较佳预测精度, 计算简单具有较强的实用性, 在病虫害遥感中应用价值较大 ...

1984

0.0

... 的处理方式, 使原始光谱数据处于同一背景下^[10], 保留原始光谱数据的绝大部分信息, 并有效突出光谱信息与病害程度的差异性, 达到理想预测精度 ...

2009

0.0

... 石晶晶等^[11]运用去包络线吸收谷特征对稻纵卷叶螟虫害识别精度达到100% ...

2001

0.0

... 并且在不同时间段稻瘟病胁迫程度不同, 导致水稻冠层光谱在不同时期对病害程度预测效果存在差异^[12] ...

2012

0.0