高寒地区粳稻穗颈瘟的无人机高光谱遥感识别-USB迷|专注于互联网分享

2024年4月26日发(作者：召文宣)

第36卷第22期农业工程学报 Vol.36 No.22

68 2020年 11月

Transactions of the Chinese Society of Agricultural Engineering Nov. 2020

高寒地区粳稻穗颈瘟的无人机高光谱遥感识别

孔繁昌

，刘焕军

1,2

，于滋洋

，孟祥添

，韩雨

1,2

，张新乐

，

※

宋少忠

，罗冲

（1. 东北农业大学公共管理与法学院，哈尔滨 150030；2. 中国科学院东北地理与农业生态研究所，长春 130012；3. 吉林工程技

术师范学院信息工程学院，长春 130052）

摘要：水稻穗颈瘟作为稻瘟病的一种发病形式常以褐色斑点性状出现在水稻穗颈节部位，对稻穗颈瘟病害快速、无损

的识别与分级评估一直是备受关注的研究课题。该研究以高寒地区粳稻大田试验为基础，利用无人机高光谱平台获取不

同病害等级的水稻穗颈瘟冠层数据；分别以不同处理的光谱数据作为输入量，使用随机森林（Random Forest，RF）的方

法进行建模，并结合水稻生理对各输入量的特征关联加以解释。结果表明：随着穗颈瘟病害等级的提升，水稻冠层反射

率整体呈现下降的趋势；植被指数组合（Combination of Vegetation Indices，CVIs）作为输入量建立起来的预测模型具有

最高的精度，预测集精度达到90%，Kappa系数为0.86，能够解释穗颈瘟所引起的植株整体生理参数综合变化过程。该

研究结果可为无人机高光谱遥感实现穗颈瘟病定量遥感监测与预警分级提供支持。

关键词：无人机；高光谱；遥感；水稻；稻穗颈瘟；植被指数组合；随机森林算法

doi：10.11975/.1002-6819.2020.22.008

中图分类号：S127；S435.111 文献标志码：A 文章编号：1002-6819(2020)-22-0068-08

孔繁昌，刘焕军，于滋洋，等. 高寒地区粳稻穗颈瘟的无人机高光谱遥感识别[J]. 农业工程学报，2020，36(22)：68-75.

doi：10.11975/.1002-6819.2020.22.008

Kong Fanchang, Liu Huanjun, Yu Ziyang, et al. Identification of japonica rice panicle blast in alpine region by UAV

hyperspectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),

2020, 36(22): 68-75. (in Chinese with English abstract) doi：10.11975/.1002-6819.2020.22.008

0 引言



水稻（Oryzasativa L.）作为中国重要的粮食作物，种植

面积稳定在3 000万hm

以上，稻谷产出量占全国粮食总产

量的1/4左右，因此水稻在中国的粮食结构中发挥着至关重

要的作用。稻瘟病是水稻生产过程中最为严重的病害之一，

尤以穗颈瘟因其传播速度快，防控难度大，破坏性强，对

产量影响最大

[1]

。随着精准农业的不断推进，对农情预测预

报、病害防治的时效和准确性提出了提出更高层次的需求，

传统的“以点代面”的稻瘟病监测手段已不能满足其要求。

高光谱成像技术是结合了高光谱丰富的波段信息与

计算机成像技术二者优势的一种新的技术，在农产品品

质检测

[2-4]

，农作物长势监测

[5-6]

，病虫害的识别

[7-8]

等方面

广泛应用。高光谱成像技术作为一种无损、精准、高效

的检测技术手段已经在稻瘟病的研究中发挥了举足轻重

作用，Huang等

[9]

提出了“光谱词袋”模型分析方法，采

用卡方-支持向量机算法，实现了稻瘟病程度的分级模

型；袁建清等

[10]

筛选不同的光谱输入量，使用偏最小二

收稿日期：2020-07-29 修订日期：2020-10-15

基金项目：国家重点研发计划项目（2016YFD0300604-4）；吉林省发改委

创新能力建设项目（2019C053）

作者简介：孔繁昌，主要从事农业遥感研究。Email：*****************

※通信作者：张新乐，博士，副教授，主要从事生态遥感研究。

Email：*******************

乘判别分析和主成分加支持向量机的方法构建起水稻叶

瘟病与缺氮叶片的判别与诊断模型；黄双萍等

[11]

以田间

获取的离体穗株为试验研究样本，测定每株稻穗的高光

谱影像，基于变种深度卷积神经网络方法，结合植保专

家分级意见建立起了水稻穗瘟的检测模型；Zhang等

[12]

提出了一种感染稻瘟病叶片与健康叶片光谱反射率比的

数据构建方法，建立起支持向量机水稻叶瘟评价模型，

对水稻营养生长后期的水稻叶瘟实现分级检测。在已有

的对稻瘟病成像光谱反演研究中，多数处在实验室理论

阶段，尚没有考虑实际的生产过程中会存在着诸多干扰

因素对稻瘟病识别的影响。在其他病虫害高光谱研究中，

部分学者已经开始尝试在室外环境条件下进行观测，乔

洪波等

[13]

使用近地成像光谱仪对小麦全蚀病等级展开监

测，证明了应用的可行性；Li等

[14]

使用无人机高光谱影

像数据对柑橘的黄龙病进行识别，为黄龙病的大面积监

测提供技术基础。因此，实验室条件下的稻瘟病高光谱

识别已经具备一定的基础，但对于稻瘟病的外业监测尚

需进行更深入的研究

[15]

。

无人机高光谱遥感不仅能够实现更大范围内、更高空

间分辨率的病虫害精准监测，而且能够快速完成田块尺度

下目标信息的传递，获得目标地物与周围环境背景的相互

关系。本研究采用无人机高光谱遥感数据，分别以光谱预

处理变换数据、光谱特征参数（Spectral Characteristic

Parameters，SCPs）、植被指数组合（Combination of

第22期孔繁昌等：高寒地区粳稻穗颈瘟的无人机高光谱遥感识别

Vegetation Indices，CVIs）作为输入量，通过随机森林

（Random Forest，RF）分类算法构建水稻穗颈瘟判别模型。

结合最佳输入量，实现病害等级反演，并解释穗颈瘟发病

期间水稻的生理变化与光谱特征关系，以期为无人机高光

谱遥感实现穗颈瘟病定量遥感监测与预警分级提供支持。

1 材料与方法

1.1 数据来源

本研究数据来自吉林市永吉县开展的水稻稻瘟病试

验研究，试验地位于万昌镇（43°44′49″N，125°54′11″E），

研究区地理位置及无人机高光谱影像真彩色合成图如

图 1所示。该地区位于长白山向松辽平原过渡地带，属

于温带大陆性干寒季风型气候，夏季雨量充沛，适宜水

稻种植，农业熟制为一年一熟。选取的水稻品种为吉玉

粳（代号吉90-g4），在每个试验小区中央插播蒙古稻（易

感病，对稻瘟病抗性很差）作为诱发株，最大限度模拟

自然发病，并设有不接种对照组，试验区总面积约

5 000 m

。于2019年4—9月开展水稻稻瘟病试验，2019

年7月9日吉玉粳进入拔节期，将稻梨孢（Pyricularia

oryzae）真菌原液经稀释后均匀喷洒到蒙古稻叶片表面，

稻梨孢侵入蒙古稻后形成诱发株。2019年8月15日，水

稻生长进入乳熟期，吉玉粳出现穗颈瘟，随即请植保专

家对不同的采样区域（1 m×1 m）按照国家标准

[16]

并结合

实地条件对该区域发病程度进行连续的观测、定级，按

照发病程度不同分为无病、轻度、中度、重度4个等级；

采样定级区域共计30个（表1）。

图1 研究区地理位置及地面采样区域

Fig.1 Geographical location of the study area and ground sampling area

谱成像系统包括Cubert S185机载成像光谱仪和超微型计

算机，其中Cubert S185是德国Cubert公司生产的一款全

画幅式机载成像高光谱仪，光谱采集范围450～950 nm，

感染株数占总株数的比

采样区数量

光谱采样间隔为4 nm，拥有125通道。Cubert S185在执

病害等级表征

Number of

值范围

Disease levels Characterizations

Ratio range of infected

sampling

行任务时，能够在0.001 s内获取1幅1 000×1 000（像素）

areas

plants to total plants/%

的全色影像和1幅50×50（像素）的高光谱图像立方体，

健康

0 7

无任何症状

同时无人机内置的定位定向系统（Position and Orientation

Health

轻度病害

System，POS）记录每张影像的经纬度信息。

1/3枝梗发病 0.1～20

Mild disease

1.2.2 无人机高光谱影像的采集与拼接

中度病害

穗颈或主轴发病 20.1～50

无人机高光谱影像的采集时间为2019年8月20日，

Moderate disease

穗颈发病，秕谷

重度病害

无人机高光谱遥感平台对地观测时间段为10:00—12:00，

50.1～100

Severe disease

甚至白穗

一次直接获取整个试验区所有的正射高光谱影像，为尽

可能地避免光线和风速的影响，无人机采集数据时选择

1.2 数据采集与处理

天气晴朗无云、风速低于5级、控制飞行时间在40 min

1.2.1 无人机高光谱影像采集系统

内进行；起飞前对设备进行白板、暗电流校正；飞行旁

试验采用的无人机遥感平台主要包含：大疆M600

向重叠率75%，航向重叠率90%，飞行高度50 m，对应

Pro六旋翼高性能无人机（最大起飞质量6 kg；续航时间

空间分辨率为3.0 cm；地面采样、观测和定级工作同步

16～20 min）、三轴增稳云台、地面控制站。无人机高光

表1 采样区穗颈瘟病害程度等级描述

Table 1 Description of panicle blast disease levels in the

sampling areas

农业工程学报（） 2020年

进行。

无人机高光谱遥感平台采集的是多幅单景影像，需要

对影像进行拼接。采用设备供应商提供的拼接方案，使用

光谱仪自带软件Cube-Pilot 1.5.5对高光谱影像进行反射率

影像的输出；将已经输出的全色影像和POS点数据导入

Agisoft PhotoScan 1.5.0软件

[17-18]

，Agisoft PhotoScan 1.5.0

软件会根据POS点位置并结合临近影像的同名点对影像

进行匹配，生成三维点云数据；最后对全色影像与高光谱

立方体影像进行影像融合与正射校正，得到本研究区包含

地理坐标的无人机正射高光谱影像

[19]

。

1.3 数据预处理与模型构建

使用专业遥感影像处理软件ENVI 5.3对影像进行

几何校正，校正后影像能够覆盖整个试验区。随后采用

软件中的感兴趣区（Region Of Interest，ROI）工具，

按照地面采样定级时使用载波相位差分系统获取的精

确地理坐标，将每个对应的采样区按照30×30（像素）

大小矩形区域提取1个ROI，实际对应地面空间分辨率

为0.9 m×0.9 m，与实地采样大小较为吻合。将该区域

的所有像素进行计算，取区域像素点反射率平均值作为

该采样区反射光谱。

对ROI的光谱进行9点平滑、一阶微分、主成分

分析（Principal Component Analysis，PCA）、连续统

去除（Continuum Removal，CR）等光谱预处理变换，

植被指数计算、组合和光谱特征参数的提取。选取的

CVIs是通过文献查阅

[20]

，选择与植物感染病害后能够

表征其生理参数发生变化的相关植被指数，并结合本次

实际采样点数据进行相关性计算得出。该组合由反映叶

绿素B和叶绿素A比值变化的叶绿素指数（Chlorophyll

Index，CI）、作物氮素水平变化的作物氮反映指数

Nitrogen Reflectance Index，NRI）、生物量变化的归

一化植被指数（Normalized Difference Vegetation Index，

NDVI）、Vogelman红边指数（Vogelman red edge index，

VOG）、冠层温度变化的光化学植被指数

Photochemical Reflectance Index，PRI）组成，其数学

表达式如表2所示。

表2 植被指数组合及数学表达式

Table 2 Combination of vegetation indices and

mathematical expression

植被指数数学表达式构成参考文献

Vegetation indices Mathematical expressions References

叶绿素指数

Chlorophyll Index CI

CI=(R

640

-R

674

)/R

674

[21]

作物氮反映指数

Nitrogen Reflectance Index NRI

NRI=(R

554

-R

670

)/(R

554

670

)

[22]

归一化植被指数

Normalized Difference Vegetation

NDVI=(R

770

-R

670

)/(R

770

670

)

[23]

Index NDVI

Vogelman红边指数

Vogelman red edge index

VOG=R

740

720

[24]

光化学植被指数PRI

Photochemical Reflectance Index VOG

PRI=(R

530

-R

570

)/(R

530

570

)

[25]

PCA是通过正交变换将较多的变量转换成一组线性

不相关的变量，利用降维的思想对数据量进行压缩，高

光谱数据由于波段多，数据量大，常采用PCA进行处理。

在植被遥感应用中，红边一般定义为670～760 nm

的波段范围，此范围处在由红光波段向近红外波段过渡，

植被光谱反射率快速增高的衔接处，当植物受到病害胁

迫或叶绿素发生变化等因素影响时，红边往往会产生向

短波方向移动的“蓝移”现象

[20]

。此外，在450～950 nm

整条原始光谱曲线范围内会有多处特殊的反射、吸收位

置，常把450～510 nm（蓝光范围内）的强吸收谷称为蓝

谷，520～580 nm（绿光范围内）的光谱强反射峰称为绿

峰，610～700 nm的（红光范围内）的光谱强吸收谷称为

红谷。

连续统去除（CR）又被称为去包络线处理，其最早

是用于矿石光谱化学分析，主要的作用是去除环境背景

值的影响，有效突出目标物体光谱的差异性，Kokaly等

[26]

在对植物的氮元素、木质素在叶片含量的分析中首次将

该方法引入到植被光谱中。植被在不同的生理状态下，

光谱曲线在某一波段范围强吸收或强反射会形成吸收谷

成分变化的重要理论依据。通过分析CR处理后光谱曲

线，提升了稻瘟病在不同光谱范围内的反射（吸收）差

异，提取更多的有关更多病害生理变化特征参数。

本研究使用CR处理后光谱曲线计算SCPs包括谷深

处理后整条光谱曲线中的450～530 nm波段范围内形成

的吸收谷最大深度（1减去某一对应波长去包络线后曲线

值）记为H1；500～670 nm波段范围内形成的反射峰最

大值（某一对应波长去包络线后曲线值）记为H2；530～

760 nm波段范围内形成的吸收谷最大深度记为H3。将

450-530 nm波段范围的连续统去除后光谱曲线与连续统

去除最大反射值所在直线围成的部分进行积分，所得到

的吸收谷面积记为BA，以H1为界限，左半部分积分面

积记为BA1，右半部分记为BA2；500～670 nm波段范

围内连续统去除光谱曲线与连续统去除最小反射率值所

在直线围成的部分进行积分，所得到的反射峰面积记为

GA，以H2为界限，左半部分积分面积记为GA1，右半

部分记为GA2；530～760 nm波段范围连续统去除光谱

曲线与连续统去除反射率最大值所在直线围成的部分进

行积分，所得到的吸收谷面积记为RA，以H3为界限，

左半部分积分面积记为RA1，右半部分记为RA2。500～

530 nm范围内连续统去除光谱曲线两端点间连线斜率记

为S1；530～670 nm范围内连续统去除光谱曲线两端点

间连线斜率记为S2；670～750 nm范围连续统去除光谱

曲线两端点间连线斜率记为

S3。本研究以上操作均在函

数绘图软件Origin 2017中批量完成，使用以上提取的参

数构成稻瘟病识别的SCPs输入量（图2）。

采用RF的方法进行建模，RF是一种统计学习理论，

具有很高的预测准确率，因其优越的性能，可以摒除大

部分噪声，避免过拟合问题

[27]

。将不同输入量代入RF算

法进行建模，构建水稻穗颈瘟的分类模型，并应用预测

集生成混淆矩阵（Confusion Matrix，CM），CM中针对

整个模型准确率（Accuracy，ACC，%）的计算如式（1）

所示：

（

（反射峰），光谱曲线两点间斜率变化等是识别植物理化

（峰值）、谷（峰）面积、光谱曲线波段间斜率。将

第22期孔繁昌等：高寒地区粳稻穗颈瘟的无人机高光谱遥感识别

ACC=

TC+FC

×100% （1）

式中TC为正确分类的样本数；FC为错误分类的样本数。

注：H1、H2、H3分别代表450～530、500～670、530～760 nm范围内的谷

深（峰值）长度；BA1为450～530 nm吸收谷的左半部分面积，BA2为450～

530 nm吸收谷的右半部分面积；GA1为500～670 nm反射峰的左半部分面

积，GA2为500～670 nm反射峰的右半部分面积；RA1为530～760 nm吸

收谷的左半部分面积，RA2为530～760 nm吸收谷的右半部分面积；S1、

S2和S3分别为500～530、530～670、670～750 nm处的光谱曲线斜率。

Note: H1, H2, and H3 respectively represent the valley depth or peak value in

the range of 450-530, 500-670, 530-760 nm; BA1 is the area of the left half of

the 450-530 nm absorption valley, and BA2 is the area of the right half of the

450-530 nm absorption valley; GA1 is the area of the left half of the 500-670 nm

reflection peak, and GA2 is the area of the right half of the 500-670 nm

reflection peak; RA1 is the area of the left half of the 530-760 nm absorption

valley, and RA2 is the area of the right half of the 530-760 nm absorption valley;

S1, S2, and S3 respectively represent the slope of the spectral curve at 500-530,

530-670, and 670-750 nm.

图2 连续统去除后光谱特征参数

Fig.2 Spectral

characteristic parameters after continuum removal

Kappa系数（K）用于对精度进行判断，可以避免样

本数量不均衡带来的“偏向性”，其计算如式（2）所示：















)



（2）











)



式中N为CM中所有观测样本数量，r为CM中列的数量，

为CM中对角线上的观测样本数量，X

为CM中第i

行的观测样本数量，X

为第i列的观测样本数量。

本研究数据集共计30个样本，20个样本用于建模，

10个用于验证。数据预处理和模型构建分别在EXCEL

2010、Origin 2017、ENVI 5.3、RStudio 1.2.5软件中实现

和完成。

2 结果与分析

2.1 水稻穗颈瘟光谱特征分析

在大田环境下获取到的高光谱影像中提取不同发病

区域的反射光谱曲线，随后对其进行9点平滑处理，9点

平滑可以很好地去除光谱曲线随机噪声，使曲线变化更

加清晰。选取其中具有代表性的健康、轻度、中度和重

度等级样本区域绘制光谱反射曲线（图3）。由图3a可

知，水稻感染穗颈瘟后，从健康到重病，光谱整体反射

率呈现依次下降的趋势，其中出现5处明显的差异性：

在530 nm的绿峰波段处，绿峰反射率随病害加深逐渐降

低；在610～700 nm红谷波段范围内，随着病害加深，

形成重度、中度、轻度、健康依次由小到大明显的吸收

差异；绿峰与红谷受病害程度的加深表现出相反的变化，

在二者变化共同的作用下，550～670 nm范围光谱曲线斜

率的绝对值逐渐减小；在植物特有红边范围内，由于穗

颈瘟病害的胁迫出现红边“蓝移”现象；在近红外高反

射区域，健康到重度病害反射率逐渐降低的趋势明显，

而且下降的幅度在不断的减小。

2.2 连续统去除光谱曲线特征分析

由图3b可知，对于野外获取的水稻光谱数据进行CR

处理，水稻反射率变化趋势进一步拉大。从健康到重病的

反射率依次呈现上升趋势，在466～750 nm之间出现了3

个明显反射吸收的极值，分别以498、534和666 nm为中

心点，分别对应蓝光波段的吸收谷，绿光波段的反射峰和

红光波段的吸收谷，随着病害等级升高，极值处出现增加

或者减少10%～20%的反射率。因此，计算每一个吸收谷

和反射峰围成的面积，吸收谷深深度和反射峰值，2个极

值之间的斜率等光谱曲线特征参数可以很好地反映光谱

的差异变化。但在近红外高反射区光谱变化差异变得不再

显著，这与原始光谱曲线表现出的差异有明显不同。

a. 9点平滑处理后光谱曲线

a. Spectral curve after 9-point smoothing

b. 连续统去除处理后光谱曲线

b. Spectrum curve after continuum removal

图3 大田环境下不同病害程度的水稻光谱曲线

Fig.3 Rice spectrum curves of different disease levels in

field environment

农业工程学报（） 2020年

2.3 不同输入量的建模结果分析

使用光谱预处理变换数据、SCPs、CVIs分别作为输

入量代入RF分类模型中（表3），其中基于CVIs的建

模方法精度最高，建模精度达到了85%，验证精度为90%，

Kappa系数为0.86，验证集只有一个重度病害样本被分到

了中度样本里面，Kappa系数也达到了几乎完全一致水

平，说明CVIs作为输入量建模可以达到对穗颈瘟早期识

别达到了理想的效果，针对于处于发病后期的穗颈瘟识

别模型需要加强；9点平滑、光谱曲线特征参数、去包络

线也取得不错的效果，建模精度范围在70%～80%之间，

验证精度范围在70%～80%之间，Kappa系数在0.59～

0.70之间，主要问题表现在将健康、轻度病害错分为重

度病害，模型加重了病害程度分级，相对于CVIs的精度

来看，使用这些输入量建模仍有待优化；PCA作为一种

常用的光谱处理方法作为输入量建模在本研究中建模精

度仅为60%，验证精度为70%，Kappa系数为0.60，并

未表现出较好的效果，这可能由于主成分在进行正交变

换时，将无用的地物光谱信息混入了正交向量中，导致

精度较实验室理论结果下降；而对于一阶微分来看，精

度明显偏低，验证精度仅有60%，Kappa系数也仅有0.47，

这种数据处理方法没有凸显穗颈瘟在特征波段的光谱变

化，结合RF进行建模精度也就最低。

表3 不同输入量的建模精度

Table 3 Modeling accuracy of different inputs

光谱处理方法

分类精度验证精度

Kappa系数

Spectral processing methods

Classification Verification Kappa

accuracy/% accuracy/%coefficient

9点平滑反射率

9-point smooth

70 70 0.59

一阶微分

First-order differential

60 60 0.47

连续统去除

Continuum Removal CR

70 70 0.60

主成分分析

Principal Component Analysis PCA

60 70 0.60

植被指数组合

Combination of Vegetation Indices CVIs

85 90 0.86

光谱特征参数

Spectral Characteristic Parameters SCPs

80 80 0.70

3 讨论

3.1 稻瘟病识别输入参数选择与水稻生理变化解释

目前，针对于稻瘟病的分级，使用PCA后数据作为

输入量建模是一种常用的方式。由于本次试验为无人机

平台下的大田试验，在室外受到光线以及周围环境背景

的影响，光谱数据进行主成分时可能忽略了有效的光谱

信息和夹杂了环境背景噪声，这导致本次研究结果与实

验室条件下结果有不同。同时，采用主成分后的光谱数

据缺乏相应的物理意义的解释。

稻瘟病的发生和发展带来一系列水稻生理参数的变

化，这些生理参数的变化无论是在光谱曲线还是水稻生

长表征都能够体现出来。在光谱曲线上，稻瘟病等级与

光谱曲线的最大正相关出现在666～670 nm处，这与

Kobayashi等

[28]

对日本水稻穗颈瘟研究得出的敏感波段

范围结果是一致的，此处属于红谷吸收波段，与叶绿素A

含量有关；当作物受到胁迫或者接近成熟时，叶绿素A

的含量会出现下降，从而导致植物细胞传递光能的能力

下降，穗颈细胞遭受到稻梨孢侵染后出现发黄、干枯现

象与此相符合。最大负相关出现在750～754 nm处，该

处虽然不是叶绿素的强吸收带，但是随着叶绿素的减少，

吸收带变窄，引起红边“蓝移”，因此，750 nm处反射

率仍受叶绿素含量的间接影响，同时红边位置与水分弱

吸收带（720～740 nm）临近，红边位置变化与穗颈细胞

间持水率降低导致的枯黄也有关联。

CR处理后的光谱曲线，在466～534 nm的位置出现

一个明显的吸收谷，这是较之前原始光谱曲线新出现的

特征，计算该处的谷面积、谷深度后发现与稻瘟病病害

等级相关性较强。结合水稻生理变化来看，此处与叶绿

素A、类胡萝卜素强吸收有关系，当穗颈瘟发生时，穗

颈细胞组织结构病变，叶绿素A、类胡萝卜素降低，因

此在此处的吸收谷逐渐收缩。同时，将CR处理后光谱谷

深、谷面积、斜率等构建一个能够反映稻瘟病胁迫条件

下水稻植株叶绿素、类胡萝卜素、细胞结构、红边变化

等植物生理参数组合作为输入量进行建模，得到较好的

效果。

不同波段组合、变换构建的植被指数可以从多角度

反映当作物生长受到胁迫时所发生的生理变化。在已有

的病虫害研究中，很多学者已经指出病害能够带来植物

本身叶绿素、LAI、氮、作物冠层温度等生理指标改变。

因此，可以将植被指数作为水稻穗颈瘟发病程度与生理

指标变化之间的“纽带”，构建起CVIs来对稻瘟病进行

分级。本研究采用的CI由640和674 nm波段组成，分

别代表叶绿素B和叶绿素A的吸收峰，穗颈受到胁迫后

对蓝紫光和红光吸收率出现差异，从而导致能够反映穗

颈叶绿素B和叶绿素A相对含量变化的CI发生变化；当

水稻抽穗期后，水稻稻穗和穗颈部分占据了水稻冠层的

优势，穗颈瘟发生时，穗颈营养运输发生障碍，大量营

养无法正常运输到稻穗部分，因而导致稻穗内部的氮元

素含量较正常稻穗不足，选择能够反映氮变化的NRI作

为参考可以考察发生穗颈瘟时水稻植株表层氮含量；在

530 nm处存在叶黄质敏感的波段，将其与570 nm处反射

率组合可以构成冠层光化学指数PRI，该指数指出当作物

光合功能出现问题，更多的光能会转换成热量散失，因

此与冠层温度密不可分，由于病害发生程度的差异，光

合功能受到干扰程度不同，能够使用该指数来反演水稻

冠层温度；植物受到病害胁迫时，使近红外反射率下降

而可见光部分亮度增高，会出现红边“蓝移”现象，VOG

红边指数可以判断红边的变化，借助该指数辅以判断穗

颈瘟发生时红边的移动以及红边幅值的变化；NDVI作为

预测生物量的指标已被广泛采用，穗颈瘟的发生带来生

物量的改变，在对植被指数与生物量相关性分析过程中，

NDVI与生物量的相关性在置信度为0.01水平下相关性

达到了0.699，可以用来估算生物量的变化。总结以上选

择特定指数所关注因素、用途，形成了一个特定的CVIs，

这个指数组合综合考虑了水稻穗颈瘟发生不同程度的生

第22期孔繁昌等：高寒地区粳稻穗颈瘟的无人机高光谱遥感识别

理参数的变化，并且成为判断稻瘟病发展程度的中间参

量，建模时获得了最高的精度，说明具有建模的可行性。

3.2 无人机高光谱遥感对稻瘟病监测研究前景

水稻穗颈瘟病室内的识别与分级已有很多学者进行

了相关的研究，这类试验大多都是采样离体带回到实验

室，在相对稳定条件下进行试验，取得了比较高的精度，

采用的各种方法均达到90%以上。但是，在水稻实际生

产中，这种方式不仅破坏作物本身的生理结构，而且没

有摆脱“以点代面”的困境。无人机遥感平台以实际应

用为出发点，在室外大田环境下进行数据采集，环境中

的光线、随机噪声、地物间反射的相互作用等干扰因素

不可避免。这导致大田数据建模验证精度较室内数据低，

如何进一步降低数据的噪声，选择合适的尺度数据作为

输入量提高建模识别精度应为主要的研究方向，可以为

大尺度稻瘟病的监测提供思路、为后续研究开展储备相

应的关键技术。

4 结论

1）分析4类不同穗颈瘟受灾程度叶片的反射光谱曲

线规律，在反射光谱曲线上有3个明显特征：在近红外

波段，随着叶片感染程度加深，反射率明显呈现下降趋

势；在550～670 nm之间曲线，健康样本呈现一个明显

的斜率，而染病样本斜率趋近于0；670～760 nm的红边

范围随着病害等级升高出现“蓝移”现象。连续统去除

Continuum Removal，CR）处理可以增强光谱在466～750

nm的差异性，提升不同病害等级之间可辨识性，从而更

有效提取光谱曲线特征参数（Spectral Characteristic

Parameters，SCPs）。

2）由不同波段组合变换构成的植被指数能够反演出

水稻在穗颈瘟胁迫条件下的不同生理参数变化，组合生

成一个特定的植被指数组合（Combination of Vegetation

Indices，CVIs），搭建生理参数与穗颈瘟发病程度之间

的“纽带”，提高了模型准确性。

3）使用随机森林（Random Forest，RF）算法对穗颈

瘟分类建模具有可行性，在所有输入参数中，使用多种

植被指数构成的CVIs作为输入参量的建模验证精度最高

为90%，Kappa系数为0.86，建模结果可以用来识别大田

穗颈瘟。

相对于在室内环境下对稻瘟病的光谱理论研究，无

人机高光谱遥感监测是理论研究走向大田应用的关键一

环，本研究可以为水稻抽穗期发生在穗颈节部位的穗颈

瘟病害的大范围监测、及时指导农户精准施肥施药、减

少产量损失提供新的支持。

[参考文献]

[1] 丁克坚，檀根甲，吴坚. 稻瘟病为害损失研究[J]. 植物保

护学报，1999(1)：60-64.

Ding Kejian, Tan Genjia, Wu Jian. A study on yield loss

caused by rice blast[J]. Journal of Plant Protection, 1999(1):

60-64. (in Chinese with English abstract)

[2] 孙俊，靳海涛，芦兵，等. 基于高光谱图像及深度特征的

大米蛋白质含量预测模型[J]. 农业工程学报，2019，

35(15)：295-303.

Sun Jun, Jin Haitao, Lu Bing, et al. Prediction model of rice

protein content based on hyperspectral image and deep

feature[J]. Transactions of the Chinese Society of

Agricultural Engineering (Transactions of the CSAE), 2019,

35(15): 295-303. (in Chinese with English abstract)

[3] Xie Chuanqi, Chu Bingquan, He Yong. Prediction of banana

color and firmness using a novel wavelengths selection

method of hyperspectral imaging[J]. Food Chemistry, 2018,

245: 132-140.

[4] 邹志勇，吴向伟，陈永明，等. 低温冷冻和机械损伤条件

下马铃薯高光谱图像特征响应特性研究[J]. 光谱学与光

谱分析，2019，39(11)：3571-3578.

Zou Zhiyong, Wu Xiangwei, Chen Yongming, et al.

Investigation of hyperspectral imaging technology for

detecting frozen and mechanical damaged potato[J].

Spectroscopy and Spectral Analysis, 2019, 39(11):

3571-3578. (in Chinese with English abstract)

[5] 秦占飞，常庆瑞，谢宝妮，等. 基于无人机高光谱影像的

引黄灌区水稻叶片全氮含量估测[J]. 农业工程学报，

2016，32(23)：77-85.

Qin Zhanfei, Chang Qingrui, Xie Baoni, et al. Rice leaf

nitrogen content estimation based on hyperspectral imagery

of UAV in Yellow River diversion irrigation district[J].

Transactions of the Chinese Society of Agricultural

Engineering (Transactions of the CSAE), 2016, 32(23):

77-85. (in Chinese with English abstract)

[6] 郑涛，刘宁，孙红，等. 基于高光谱成像的马铃薯叶片叶

绿素分布可视化研究[J]. 农业机械学报，2017，48(S1)：

153-159，340.

Zheng Tao, Liu Ning, Sun Hong, et al. Visualization of

chlorophyll distribution of potato leaves based on

hyperspectral imaging technology[J]. Transactions of the

Chinese Society for Agricultural Machinery, 2017, 48(S1):

153-159, 340. (in Chinese with English abstract)

[7] Jin Xiu, Jie Lu, Wang Shuai, et al. Classifying wheat

hyperspectral pixels of healthy heads and fusarium head

blight disease using a deep neural network in the wild field[J].

Remote Sensing, 2018, 10(3): 395-414.

[8] 朱梦远，杨红兵，李志伟

. 高光谱图像和叶绿素含量的水

稻纹枯病早期检测识别[J]. 光谱学与光谱分析，2019，

39(6)：1898-1904.

Zhu Mengyuan, Yang Hongbing, Li Zhiwei. Early detection

and identification of rice sheath blight disease based on

hyperspectral image and chlorophyll content[J]. Spectroscopy

and Spectral Analysis, 2019, 39(6): 1898-1904. (in Chinese

with English abstract)

[9] Huang Shuangping, Qi Long, Ma Xu, et al. Hyperspectral

image analysis based on BoSW model for rice panicle blast

（

农业工程学报（） 2020年

grading[J]. Computers and Electronics in Agriculture, 2015,

118: 167-178.

[10] 袁建清，苏中滨，贾银江，等. 基于高光谱成像的寒地水

稻叶瘟病与缺氮识别[J]. 农业工程学报，2016，32(13)：

155-160.

Yuan Jianqing, Su Zhongbin, Jia Yinjiang, et al.

Identification of rice leaf blast and nitrogen deficiency in cold

region using hyperspectral imaging[J]. Transactions of the

Chinese Society of Agricultural Engineering (Transactions of

the CSAE), 2016, 32(13): 155-160. (in Chinese with English

abstract)

[11] 黄双萍，孙超，齐龙，等. 基于深度卷积神经网络的水稻

穗瘟病检测方法[J]. 农业工程学报，2017，33(20)：169-176.

Huang Shuangping, Sun Chao, Qi Long, et al. Rice panicle

blast identification method based on deep convolution neural

network[J]. Transactions of the Chinese Society of

Agricultural Engineering (Transactions of the CSAE), 2017,

33(20): 169-176. (in Chinese with English abstract)

[12] Zhang Guosheng, Xu Tongyu, Tian Youwen, et al.

Assessment of rice leaf blast severity using hyperspectral

imaging during late vegetative growth[J]. Australasian Plant

Pathology, 2020, 49(5): 571-578.

[13] 乔红波，师越，司海平，等. 基于近地成像光谱的小麦

全蚀病等级监测[J]. 农业工程学报，2014，30(20)：

172-178.

Qiao Hongbo, Shi Yue, Si Haiping, et al. Monitoring and

classification of wheat take-all in field based on imaging

spectrometer[J]. Transactions of the Chinese Society of

Agricultural Engineering (Transactions of the CSAE), 2014,

30(20): 172-178. (in Chinese with English abstract)

[14] Li Xiuhua, Lee Wonsuk, Li Minzan, et al. Spectral difference

analysis and airborne imaging classification for citrus

greening infected trees[J]. Computers and Electronics in

Agriculture, 2012, 83: 32-46.

[15] 谢亚平，陈丰农，张竞成，等. 基于高光谱技术的农作物

常见病害监测研究[J]. 光谱学与光谱分析，2018，38(7)：

2233-2240.

Xie Yaping, Chen Fengnong, Zhang Jingcheng, et al. Study

on monitoring of common diseases of crops based on

hyperspectral technology[J]. Spectroscopy and Spectral

Analysis, 2018, 38(7): 2233-2240. (in Chinese with English

abstract)

[16] 农业部全国农业技术推广服务中心. GB/T 15790-2009：稻

瘟病测报调查规范[S]. 北京：中国标准出版社，2009.

[17] Turner D, Lucieer A, Wallace L. Direct georeferencing of

ultrahigh-resolution UAV imagery[J]. IEEE Transactions on

Geoence & Remote Sensing, 2014, 52(5): 2738-2745.

[18] Yuan Huanhuan, Yang Guijun, Li Changchun, et al.

Retrieving soybean leaf area index from unmanned aerial

vehicle hyperspectral remote sensing: Analysis of RF, ANN,

and SVM regression models[J]. Remote Sensing, 2017, 9(4):

309-322.

[19] Aasen H, Burkart A, Bolten A, et al. Generating 3D

hyperspectral information with lightweight UAV snapshot

cameras for vegetation monitoring: From camera calibration

to quality assurance[J]. ISPRS Journal of Photogrammetry

and Remote Sensing, 2015, 108: 245-259.

[20] 李苑溪，陈锡云，罗达，等. 铜胁迫下玉米叶片反射光谱

的红边位置变化及其与叶绿素的关系[J]. 光谱学与光谱

分析，2018，38(2)：546-551.

Li Yuanxi, Chen Xiyun, Luo Da, et al. Effects of cuprum

stress on position of red edge of maize leaf reflection

hyperspectra and relations to chlorophyll content[J].

Spectroscopy and Spectral Analysis, 2018, 38(2): 546-551.

(in Chinese with English abstract)

[21] Gupta R K, Vijayan D, Prasad T S. New hyperspectral

vegetation characterization parameters[J]. Advances in Space

Research, 2001, 28(1): 201-206.

[22] 谭昌伟，杨昕，马昌，等. 基于HJ-1A/1B影像的冬小麦

开花期主要生长指标遥感定量监测研究[J]. 麦类作物学

报，2015，35(3)：427-435.

Tan Changwei, Yang Xin, Ma Chang, et al. Remote sensing

monitoring of major growth indices of winter wheat at

anthesis stage base on HJ-1A/1B images[J]. Journal of

Triticeae Crops, 2015, 35(3): 427-435. (in Chinese with

English abstract)

[23] Zhang Binghua, Zhang Li, Xie Dong, et al. Application of

synthetic NDVI time series blended from Landsat and

MODIS data for grassland biomass estimation[J]. Remote

Sensing, 2015, 8(1): 10-30.

[24] Vogelmann J E, Rock B N, Moss D M. Red edge spectral

measurements from sugar maple leaves[J]. International

Journal of Remote Sensing, 1993, 14(8): 1563-1575.

[25] Elvanidi A, Katsoulas N, Augoustaki D, et al. Crop

reflectance measurements for nitrogen deficiency detection in

a soilless tomato crop[J]. Biosystems Engineering, 2018, 176:

1-11.

[26] Kokaly R F, Clark R N. Spectroscopic determination of leaf

biochemistry using band-depth analysis of absorption

features and stepwise multiple linear regression[J]. Remote

Sensing of Environment, 1999, 67(3): 267-287.

[27] 于新洋，赵庚星，常春艳，等. 随机森林遥感信息提取研

究进展及应用展望[J]. 遥感信息，2019，34(2)：8-14.

Yu Xinyang, Zhao Gengxing, Chang Chunyan, et al. Random

forest classifier in remote sensing information extraction: A

review of applications and future development[J]. Remote

Sensing Information, 2019, 34(2): 8-14. (in Chinese with

English abstract)

[28] Kobayashi T, Sasahara M, Kanda E, et al. Assessment of rice

panicle blast disease using airborne hyperspectral imagery[J].

Open Agriculture Journal, 2016, 10(1): 28-34.

第22期

孔繁昌等：高寒地区粳稻穗颈瘟的无人机高光谱遥感识别

Identification of japonica rice panicle blast in alpine region by UAV

hyperspectral remote sensing

Kong Fanchang, Liu Huanjun, Yu Ziyang, Meng Xiangtian

, Han Yu

1,2

, Zhang Xinle

※

11,21

Song Shaozhong

, Luo Chong

(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)

Abstract: Panicle blast is one of the most serious diseases in the rice production process. Because of its rapid transmission,

difficult prevention and control, and strong destruction, it has the greatest impact on yield. The Unmanned Aerial Vehicle

(UAV) hyperspectral remote sensing can not only realize the accurate monitoring of diseases and insect pests in a larger range

and with higher spatial resolution but also promoted the application of the hyperspectral theory of rice blast. In this study, a

field experiment on rice blast was conducted in Yongji, Jilin from April to September 2019. Jiyujing (code name: ji90-g4) was

selected as the experimental variety. In order to maximally stimulate the natural onset of rice blast, Mongolian rice inoculated

with Pyricularia oryzae was used as the inducing plant to infect healthy rice. The UAV hyperspectral remote sensing platform

(UAV: DJI M600 Pro; Imaging spectrometer: Cubert S185) was used to collect hyperspectral image data of the entire

experimental area. At the same time, plant protection experts were invited on the ground to classify the 30 sampling points

according to the health, mild, moderate, and severe simultaneous disease severity. ENVI 5.3 was used for the geometric

correction of the image. According to the GPS positioning points determined by ground sampling, each corresponding

sampling area was extracted into a Region Of Interest (ROI) according to the 30 × 30(pixels) rectangular area, and the

corresponding ground spatial resolution was 0.9 m × 0.9 m. The spectral data of all pixels in each ROI were averaged, and

different spectral preprocessing and mathematical transformations were carried out as the input of the model. The samples

were randomly divided into the modeling set and verification set according to the ratio of 2:1, and then Random Forest (RF)

model was used for modeling. RF model avoided the overfitting problem when there were few sampling points. The overall

reflectance of rice spectral curve with different panicle blast grades showed a downward trend, and change at 670 nm was the

strongest correlation with the change of rice blast grade; Continuum Removal (CR) treatment further improved the spectral

difference of target objects, and there were three obvious inflection points of reflection and absorption between 466 and 750

nm, with 498, 534, and 666 nm as the center points. Based on a variety of the Combination of Vegetation Indices (CVIs) which

reflected the changes in rice physiological parameters, the best results were obtained in RF modeling. The highest accuracy of

modeling was 90% and the Kappa coefficient was 0.86. At the same time, it explained the changes in plant physiological

parameters such as chlorophyll, carotenoid, nitrogen content, cell structure, red edge, and so on. The relationship between the

spectrum of panicle blast and the variation of plant parameters were established. The Principal Component Analysis (PCA)

method for data processing and modeling, which was often used in previous studies on rice blast spectrum, did not achieve

ideal results in this study, which might be due to the difference between field and laboratory environmental conditions. How to

reduce environmental noise and extract more effective disease information would be the key to the next step of research.

Compared with the indoor spectral theory research of rice blast, the UAV hyperspectral remote sensing monitoring experiment

is the theoretical research, and it is the key link to the field rice blast quantitative remote sensing monitoring and early warning

grading, filling the gap between the theory and practice of rice blast monitoring.

Keywords: UAV; hyperspectral; remote sensing; rice; rice panicle blast; combination of vegetation indices; random forest

algorithm