[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(R2=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R2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.

小麦白粉病;冠层;成像高光谱;连续小波;纹理特征

蔡苇荻;张羽;刘海燕;郑恒彪;程涛;田永超;朱艳;曹卫星;姚霞

南京农业大学农学院/国家信息农业工程技术中心/智慧农业教育部工程研究中心/农业农村部农作物系统分析与决策重点实验室/江苏省信息农业重点实验室/现代作物生产省部共建协同创新中心,南京210095

中国农业科学

[1]蔡苇荻;张羽;刘海燕;郑恒彪;程涛;田永超;朱艳;曹卫星;姚霞-.基于成像高光谱的小麦冠层白粉病早期监测方法)[J].中国农业科学,2022(06):1110-1126

成像高光谱,小麦冠层,早期监测,监测方法,研究利用,近地,光谱仪,白粉病菌,小麦田,时序影像,光谱信息,纹理信息,冠层尺度,小麦白粉病,不同年份,抗病性,小麦品种,田间试验,连续小波,continuous,wavelet,transform,CWT,波特征,于小波,纹理特征,纹理指数,normalized,difference,texture,NDTI,植被指数,vegetation,indices,VIs,偏最小二乘判别分析,判别分析模型,partial,least,squares,linear,discrimination,analysis,LDA,病状,状态识别,识别模型,偏最小二乘回归,regression,PLSR,病情严重度,估测模型,优特,红光,外区域,数组,entropy,ENT,mean,MEA,均一性,homogeneity,HOM,dissimilarity,DIS,近红外波段,特征结合,分类精度,Kappa,光谱指数,病害识别,而光,特征组合,病害监测,现代智慧农业,施药

0.330326