2024年6月3日发(作者：信晓枫)
作物学报
ACTA
AGRONOMICA
SINICA 2021, 47(11): 20672079 /
ISSN 0496-3490; CN 11-1809/S; CODEN TSHPA9 E-mail: zwxb301@
DOI: 10.3724/SP.J.1006.2021.03057
基于反射光谱和叶绿素荧光数据的作物病害遥感监测研究进展
竞 霞
1
邹 琴
1
白宗
璠
1
黄文江
2,*
1 2
西安科技大学测绘科学与技术学院, 陕西西安 710054; 中国科学院空天信息创新研究院遥感科学国家重点实验室, 北京 100101
摘 要: 作物病害是影响粮食产量和质量的生物灾害, 病害的侵染消耗了作物营养和水分, 扰乱了其正常的生命过
程, 引起了作物内部生理生化和外部表观形态的改变。冠层反射光谱能够较好地探测作物群体结构信息, 叶绿素荧光
能敏感反映作物光合生理上的变化, 二者均能够实现作物病害的遥感探测。本文从作物病害遥感探测的方法和尺度
两个方面综述了基于反射率光谱的作物病害遥感监测现状, 概括了主动荧光、被动荧光以及协同日光诱导叶绿素荧
光和反射率光谱在作物病害遥感监测中的研究进展, 分析了反射率光谱和叶绿素荧光数据在作物病害遥感探测方面
的优缺点, 探讨了不同数据源、不同监测方法在作物病害遥感探测中可能存在的问题, 并在此基础上展望了作物病害
遥感监测的未来发展, 旨在为后续利用反射率光谱和叶绿素荧光数据探测作物病害提供重要的参考依据。
关键词: 反射率; 叶绿素荧光; 作物病害; 遥感监测
Research progress of crop diseases monitoring based on reflectance and chlo-
rophyll fluorescence data
JING Xia
1
, ZOU Qin
1
, BAI Zong-Fan
1
, and HUANG Wen-Jiang
2,*
1
College of Geometrics, Xi’an University of Science and Technology, Xi’an 710054, Shaanxi, China;
2
State Key Laboratory of Remote Sensing
Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100101, China
Abstract: Crop diseases are biological disasters that affect grain production and quality. The infestation of diseases consumes the
nutrients and water, disrupts its normal life process, and causes changes in the internal physiological and biochemical state and
external appearance of the crop. Canopy reflectance spectrum can detect crop population structure information well, and chloro-
phyll fluorescence data can sensitively reflect changes in crop photosynthetic physiology, both methods are capable of detecting
crop diseases via remote sensing technology. This article outlined the current research status of crop diseases detection based on
reflectance spectrum through remote sensing technology from the aspects of monitoring methods and monitoring scales, summa-
rized the research progress of using active fluorescence, passive fluorescence and coordinated solar-induced chlorophyll fluores-
cence and reflectance spectroscopy to monitor crop diseases, analyzed the advantages and disadvantages of reflectance spectrum
and chlorophyll fluorescence data in crop disease early warning detection, and discussed the possible problems in the remote
sensing detection of crop diseases. On the basis, we made a prospect for the development of remote sensing monitoring crop dis-
eases. This paper provides an important reference for the subsequent applications of crop diseases detection based on reflectance
spectrum and chlorophyll fluorescence data.
Keywords: reflectance; chlorophyll fluorescence; crop diseases; remote sensing monitoring
受近年来极端天气的影响, 作物病害出现来势
早、灾情重和大面积爆发等特点
[1]
, 严重影响了作物
产量和质量, 快速、无损、高精度、大范围的监测
和预警是有效防控作物病害的关键
[2]
。传统的作物
病害监测主要由植保专家等通过田间调查的方法判
断病害严重度, 该方法费时费力, 时效性差, 且受
观测者的主观因素影响较大
[3]
, 难以适应大范围病
害实时监测和预报的需求
[4]
。遥感技术具有快速、
大范围和无破坏等显著优点, 已被广泛应用于作物
长势及病害胁迫监测中
[5-6]
。
本研究由国家自然科学基金项目(41601467, 52079103)资助。
This study was supported by the National Natural Science Foundation of China (41601467, 52079103).
*
通信作者(Corresponding author): 黄文江, E-mail: huangwj@
第一作者联系方式: E-mail: jingxiaxust@
Received (收稿日期): 2020-09-29; Accepted (接受日期): 2021-04-26; Published online (网络出版日期): 2021-05-21.
URL: /kcms/detail/
2068
作 物 学 报
第47卷
作物受到病菌侵染后, 叶片色素及水分含量、
光合生理状态等均会发生变化, 病害的不同侵染阶
段其生理变化强度及其症状显现程度均不相同
[7]
。
在作物受到病害胁迫的早期阶段, 主要是通过生理
机制的调整使其快速适应外在胁迫的变化, 而叶绿
素荧光能够灵敏反映作物光合生理上的变化, 实现
作物病害的早期探测
[8-9]
。当作物受到持续的病害胁
迫后, 不但其细胞活性、生化组分等发生变化, 叶片
形态、叶倾角分布及冠层结构、密度等均会随之改
变, 进而引起植物叶片、冠层反射光谱发生变化。
因此, 利用反射率和叶绿素荧光光谱均能实现作物
病害的遥感监测。
此不同病害类型具有不同波段的光谱响应特性, 利
用光谱响应的敏感波段及异常光谱的变化程度可实
现作物病害的识别及发病程度的预测(表1)。目前主
要采用过滤法(Filter)、包裹法(Wrapper)和嵌入法
(Embedded)三类特征选择算法挑选作物病害遥感探
Filter算法从数据特征的结构出发, 测的敏感因子
[16]
。
利用光谱特征参量与病情指数之间的相关性作为敏
感因子的优选标准, 特征参量的选择独立于模型算
法
[17]
, 能够快速实现作物病害的诊断, 但该方法忽
略了各特征参量间的相关性, 难以挖掘出特征参量
之间的组合效应, 影响了模型构建的精度
[9]
。为提高
模型的泛化能力与预测精度
[18]
, 结合特征选择和模
型构建方法的Wrapper算法诞生, Wrapper算法需要
定义启发策略, 复杂性高, 在作物病害监测的实现
上具有一定的难度
[19]
。Embedded方法是基于Filter
算法和Wrapper算法的折中方案, 能通过学习器自
身主动选择特征, 包括基于惩罚项的特征选择法
[20]
和基于树模型的特征选择法
[21-22]
等, 具有良好的统
计性质, 但参数设置需要深厚的背景知识
[23]
。
作物病害遥感探测精度除与所选特征因子有关
外, 建模算法也是影响其精度的重要因素。作物病
害遥感监测模型主要包括统计模型和人工智能模型
(表2)。统计模型能够综合描述两组变量之间典型的
相关关系, 方法简单且在样本充足的情况下能达到
较好的监测精度, 但由于数据获取时外界条件的差
异, 该方法在空间维和时间维上的普适性较差
[36]
。
因此一些学者提出了能够兼顾训练误差和泛化能力
1 基于反射率光谱的作物病害遥感监测
作物受到病害胁迫后引起的叶片表面“可见–近
红外”波段光谱反射率的变化, 反映了植被物理生化
组分的状况, 是遥感探测病害的直接依据
[10]
。根据
病害对作物生理生化及冠层结构的影响程度, 作物
的反射率光谱会发生相应改变
[11]
, 为受胁作物的生
理胁迫提供丰富的信息
[12]
, 被广泛应用于作物病害
的遥感监测研究。
1.1 基于反射率光谱的作物病害监测方法
受病害胁迫作物生理生化特性及表观形态的改
变会引起光谱特征的改变
[13]
, 其光谱响应特性是由
病害胁迫导致的植物损伤所引起的色素、水分、形
态、结构等变化的函数
[14]
。作物不同, 病害种类及
其发展阶段不同, 导致了光谱特征的多样性
[15]
, 因
表1 特征选择算法及敏感波段
Table 1 Feature selection algorithm and sensitive band
作物病害类型
Type of crop diseases
小麦条锈病 Wheat stripe rust
小麦白粉病 Wheat powdery mildew
水稻穗颈瘟 Rice panicles blast
番茄晚疫病 Tomato late blight
560–670
光谱响应波段
Spectral response band (nm)
490, 510, 516, 540, 780, 1300
430–530, 580–680, 1480–2000
700–750, 750–930, 950–1030, 1040–1130
特征选择算法
Feature selection algorithm
Filter
Filter
Filter
Filter
Filter
Filter
Wrapper
Wrapper
Wrapper
Wrapper
Embedded
Embedded
参考文献
References
[24]
[25]
[26]
[27]
[28]
[29]
[30]
[31]
[32]
[33]
[34]
[35]
棉花黄萎病 Cotton verticillium wilt 680–760, 731–1371
玉米大斑病 Corn leaf blight
小麦条锈病、小麦白粉病
Wheat yellow rust, wheat powdery mildew
水稻颖枯病 Rice panicles
番茄叶斑病 Tomato bacterial spot
花生叶斑病 Peanut leaf spots
450–850
395, 633–635, 750–760
761, 938
725–740
480, 633, 934
苹果黑星病 Venturia inaequalis infection 1350–1750, 2200–2500
马铃薯晚疫病 Potato late blight 600–900
第
11
期
竞霞等: 基于反射光谱和叶绿素荧光数据的作物病害遥感监测研究进展
2069
表2 作物病害遥感监测算法
Table 2 Remote sensing monitoring algorithm for crop diseases
模型
Model
统计模型
Statistical model
作物病害种类
Type of crop diseases
小麦白粉病
Wheat powdery mildew
小麦条锈病
Wheat stripe rust
小麦白粉病
Wheat powdery mildew
番茄叶斑病
Tomato bacterial spot
小麦条锈病
Wheat stripe rust
人工智能模型
Artificial
intelligence model
水稻颖枯病、曲霉病
Rice glume blight disease and
false smut disease
黄瓜花叶病毒
Cucumber mosaic virus
小麦白粉病
Wheat powdery mildew
大豆枯萎病
Soybean sudden death syndrome
油棕茎腐病
Oil palm basal stem rot
小麦白粉病
Wheat powdery mildew
蚕豆病虫害
Broad bean disease and pests
人工神经网络
Artificial neural network
Fisher线性判别分析、AdaBoost和支持向量机
Fisher linear discriminant analysis, support vector machine,
and AdaBoost model
偏最小二乘判别分析
Partial least squares discriminant analysis
决策树、随机森林和支持向量机
Decision tree, random forest, and support vector machine
随机森林
Random forest
聚类算法
K-Means and the FCM clustering
[50]
[49]
[48]
[47]
[46]
[45]
相关分析、方差分析
Correlation analysis and variance analysis
线性回归、非线性回归
Linear regression and nonlinear regression
Logistic回归
Logistic regression
偏最小二乘回归、多元逐步回归
Partial least squares regression and multiple stepwise
regression
偏最小二乘法
Partial least squares
主成分分析
Principal component analysis
[31]
[9]
[44]
[43]
[42]
算法
Algorithm
文献
Reference
[41]
的模式识别和机器学习的作物病害监测模型
[37]
, 该
方法具有较好的非线性拟合能力, 能不断训练样本
数据使目标达到最优化
[38]
, 解决了反射系数轻微变
化而导致作物病害探测困难的问题
[39]
, 但基于机器
学习的作物病害遥感监测需要海量数据样本, 且存
在着过学习、局部极值点和维数灾难等缺点
[40]
。
了地块尺度上的作物病害识别。随着光谱成像技术的
发展, 目前地块尺度的作物病害遥感监测主要利用
高光谱影像和多光谱影像等得到不同病情严重度下
尽管基于航空的作物病害监测取作物病害信息
[56-61]
。
得了较好的诊断效果, 但仪器昂贵限制了其广泛使
用
[62]
, 区域尺度的病害监测以卫星影像作为数据源,
在观测范围和成本上具有一定优势。利用卫星数据获
取作物病害胁迫信息要求使用的卫星传感器具有较
高的光谱分辨率以及可区分健康作物和受病害胁迫
作物的光谱通道
[63]
, 高分辨率和高精度的卫星遥感
影像与其他多源异构信息结合形成时空序列数据集,
为区域内作物病害监测、大尺度病害预报和流行趋势
提供依据
[64-65]
。表3对叶片及冠层、地块和区域尺度
上的部分研究成果进行了总结和归纳。
1.2 基于不同尺度的作物病害遥感监测
在叶片及冠层尺度上, 作物病害的遥感监测主
要基于手持仪器
[51]
、塔基平台
[52-54]
等近地平台搭载的
光谱仪获取不同发病状态下的作物光谱信息。叶片水
平的光谱特征不受土壤和形态等因素影响, 适用于
作物病害的机理研究, 受限于观测范围难以实现大
区域的病害监测。1927年Taubenhaus等
[55]
利用飞机
搭载的黑白相机实现了棉花根腐病判定, 首次实现
2070
作 物 学 报
第47卷
表3 不同尺度的作物病害遥感监测应用案例
Table 3 Application cases of remote sensing monitoring crop diseases at different scales
监测尺度
Monitoring scale
叶片及冠层尺度
Leaf and canopy
scale
设备
Devices
非成像高光谱扫描
仪、成像高光谱仪。
Non-imaging hyper-
spectral scanner and
imaging hyperspectral
spectrometer.
特点
Characteristics
病害类型
Type of diseases
参考文献
Reference
[66]
叶锈病
方便、灵活以及受外界因素影响较小、监测精度高, 通
甜菜叶斑病、
常用于作物病害的遥感探测机理研究, 受探测范围限
制, 难以实现大区域作物病害的遥感探测。
Convenient, flexible and less affected by external factors,
with high detection accuracy. It is usually used to study
the mechanism of early warning and detection of crop
diseases. Due to the limitation of the detection range, it is
difficult to realize the correction and detection of
large-area crop diseases.
和白粉病
Sugar beet leaf spot,
leaf rust and pow-
dery mildew
小麦白粉病
Wheat powdery
mildew
水稻穗瘟病
[67]
地块尺度
Plot scale
成像多光谱仪、成像
高光谱相机、热红外
成像仪。
Imaging
multi-spectrometer,
imaging hyperspectral
camera and thermal
infrared imager.
通常利用搭载于航空平台的传感器监测, 探测范围较
响较小, 对爆发性流行病害具有一定的应急监测能力。
Usually, the sensors carried on the aviation platform are
used for monitoring, which has a large detection range,
more flexible data source acquisition compared with space
data, and less affected by weather conditions, and have a
certain emergency monitoring ability for explosive epi-
demic diseases.
[26]
大, 数据源获取相对航天数据更为灵活且受天气状况影
Rice panicle blast
番茄晚疫病
Tomato late blight
[68]
区域尺度
Regional scale
多光谱卫星、高光谱
卫星、热红外卫星。
Multispectral sate-
llites, hyperspectral
satellites and thermal
infrared satellites.
探测范围广, 以卫星数据为数据源, 能周期性地对同一
依据。
Wide detection range. Using satellite data as a data source,
it can periodically re-monitor the same area and provide a
basis for large-scale disease forecasts and epidemic trends.
小麦锈病
[69]
地区进行重复监测, 为大尺度病害预报和流行趋势提供
Wheat rust
小麦白粉病
Wheat powdery
midew
小麦黄锈病
Wheat yellow rust
芦笋紫斑病
Asparagus purple
spot disease
黄锈病和蚜虫
Wheat yellow rust
and aphid
[73]
[72]
[71]
[70]
反射率光谱数据能够有效反映冠层结构变化
[11,74]
,
为实现大面积作物病害的遥感探测奠定了重要基础,
然而病害对光谱的影响依赖其生理变化强度、病害
病害早期, 作物主要通
发展阶段和症状显现程度
[7]
。
过调整自身生理机制以适应病害胁迫, 而生化组分
随着病情严重度的增加, 病害则无显著变化
[61,65,75]
。
胁迫导致的植被冠层结构变化在生物系统遭受严重
伤害时才表现出来
[76]
, 作物冠层结构对病害胁迫响
应具有明显的滞后性, 当作物病情指数低于20%时,
反射率光谱难以探测到作物病害胁迫信息
[8]
。叶绿
素荧光与植物光合生理密切相关并参与了作物的能
量分布, 在作物受到病害等胁迫时, 叶绿素荧光先
于叶绿素含量发生变化, 因此叶绿素荧光能够提供
病害胁迫的早期探测信息
[77]
, 更适于作物病害的早
期监测
[9]
。
2 基于叶绿素荧光的作物病害遥感探测
不同于反射率光谱是叶片入射辐射与植物的生
物物理和生化特性之间多次相互作用的结果
[7]
, 叶
绿素荧光是叶绿素分子吸收光子后, 被激发的叶绿
素分子重新发射光子回到基态而产生的一种光信
号
[78]
。叶片叶绿素荧光在红光和远红光光谱区域中
存在由光系统PS I和PS II引起的最大值(图1), 且
叶绿素对转移到叶片表面的红光波段荧光吸收作用
更强, 因此健康的绿色叶片中红光波段峰值通常低
于远红光
[79]
。PS II对生物和非生物胁迫的敏感性致
第
11
期
竞霞等: 基于反射光谱和叶绿素荧光数据的作物病害遥感监测研究进展
2071
使光化学电子传递能力受到损害, 通常在荧光的发
射变化中有明显响应
[80]
, 并能反映出叶绿素荧光和
碳同化之间的复杂关系
[81]
, 已有研究表明, 作物受
水胁迫时, F
440
/F
690
和F
440
/F
740
荧光比值相对恒定,
而温度胁迫则致使叶片叶绿素荧光参数和非光化学
猝灭敏感性高、F
440
/F
690
和F
440
/F
740
比值减小
[82]
, 受
病害胁迫的作物的F
v
/F
m
比值减小, 病原菌入侵会
破坏叶绿素分子合成和降解的动态平衡, 使得患病
植株的PS II活性降低
[83]
。当作物同时处于生物胁迫
(病害胁迫)和非生物胁迫(水、温度、养分胁迫)时, 常
引入热红外成像仪监测, 受生物胁迫时冠层温度升
高, 而受水、养分胁迫时, 冠层温度不变甚至会下
降
[84]
, 对于病害胁迫和热胁迫的区分, 则依赖于病
症表现与否进行判别。
图1 稳态条件下叶片吸收光能后的释放途径及叶片荧光发射
概念图
[79]
Fig. 1 Release path of absorbed light energy in leaves under
steady-state conditions and conceptual figure of leaf fluores-
cence emission
[79]
2.1 基于主动叶绿素荧光的作物病害探测
主动叶绿素荧光的探测主要包括叶绿素荧光动
力学技术和激光诱导荧光技术2种方法。叶绿素荧
光动力学技术多借助(非)调制式叶绿素荧光仪的叶
片“点”式接触方式测量叶绿素荧光参数
[85]
。而激光
诱导荧光技术以紫外光作为激发光源, 测量单色光
激发照明条件下荧光波长的发射荧光
[86]
。
通过主动方法探测的叶绿素荧光已被广泛应用
于作物病害监测以及病害识别和分类等研究中。如
Atta等
[87]
在实验条件下记录了叶绿素荧光光谱随病
情严重度的变化, 基于同步荧光光谱特征实现了小
麦条锈病的早期监测。周丽娜等
[88]
基于激光诱导的
叶绿素荧光实现了稻瘟病发病等级预测; 隋媛媛
等
[89]
利用叶绿素荧光光谱指数在显症前完成了黄瓜
霜霉病预测。在胁迫的分类上, Belasque等
[90]
利用激
光诱导荧光技术实现了人工损伤、养分胁迫和病害
胁迫的准确分类; Wang等
[91]
利用Φ
PSII
、F
v
/F
m
和
F
550
/F
510
三个指标实现了氮、干旱和灰霉病胁迫的分
类。上述研究主要是利用非成像荧光技术进行作物
病害的遥感监测, 该方法具有成本低、数据量小、
处理速度快的优势, 然而叶片不同部位的组织结构
和叶绿素含量存在差异, 导致叶片不同部位的光合
作用具有横向异质性, 而荧光成像技术能够获取植
物的颜色纹理等特征信息和荧光强度信息, 揭示受
生物或非生物因素胁迫的植物叶片或表面的时空异
质性
[92]
, 因此一些研究者利用荧光影像的这种特性
实现了染病与健康植物的区分
[93-94]
、染病作物的早
期诊断
[95]
和作物病害的实时检测
[96]
等。
基于主动荧光的作物病害遥感监测对于揭示叶
片光合状态、解释病害胁迫机理具有重要意义, 但
该方式测定的叶绿素激发荧光与自然条件光合作用
荧光的物理意义差别较大, 而且由于使用条件的限
制(激光激发或叶片接触式测量等), 难以推广到大
范围的遥感应用
[97-98]
。
2.2 基于日光诱导叶绿素荧光探测作物病害
日光诱导叶绿素荧光(Sun-induced Chlorophyll
Fluorescence, SIF)是植物在太阳光照条件下, 由光
合中心发射出的光谱信号(650~800 nm), 具有红光
(685 nm左右)和远红外(740 nm左右)两个波峰, 能
直接反映植物实际光合作用的动态变化
[99]
, 实现作
物病害的遥感监测。
自然条件下, 遥感传感器探测的冠层光谱信号
中SIF信号与植被反射光谱信号混叠, 且冠层SIF
信号很微弱、通常不足入射辐射的2%
[100]
, 因此对
于SIF的信息提取具有很大挑战性
[101]
。随着遥感技
术的进步, 研究者发现SIF在Fraunhofer暗线处具有
填充效应(图2), 这使得SIF的直接遥感探测成为可
能。学者们基于此原理提出了标准FLD (Fraunhofer
Line Discriminator)
[102]
、3FLD (3-bands Fraunhofer
Line Discriminator)
[103]
、iFLD (improved Fraunhofer
Line Discriminator)
[104]
、pFLD (PCA-based FLD)
[105]
和光谱拟合法(Spectral Fitting Method, SFM)
[106]
等单
波段SIF反演算法和全波段SFM
[107]
、FSR
2072
作 物 学 报
第47卷
收线内外反射率和荧光关系的iFLD算法, 利用三次
样条函数插值获得的表观反射率代替真实反射率进
行计算, 从而消除荧光和反射率对SIF反演算法的影
响。Liu等
[105]
以主成分分析代替插值拟合吸收线处的
反射率曲线, 以更精确的估算发射率及荧光校正系
数。SFM则是假定Fraunhofer吸收线内外的荧光和
图2 狭窄的大气吸收带对太阳辐照度的影响(左)和荧光对吸收
带内的填充效应(右)
[104]
Fig. 2 Effect of narrow atmospheric absorption zones on solar
irradiance (left) and filling effect of fluorescence emission on
absorption zone (right)
[104]
发射率是变化的, 利用二次函数拟合SIF光谱和反射
率光谱
[106]
。
全波段SIF光谱反演算法的精度取决于反射率
和SIF光谱的估算精度, Mazzoni等
[107]
分别利用2
个Voigt函数之和以及三次样条函数代替二次函数
拟合SIF光谱和反射率光谱, 基于SFM实现了675~
770 nm波段范围内的SIF光谱反演, 并用模拟数据
进行了验证。FSR算法利用SFM反演出5条吸收线
处的SIF辐照度, 通过奇异值分解提取3个具有SIF
光谱一般分布特征的基谱, 利用加权线性最小二乘
和5个反演的SIF值拟合确定基谱系数, 重建全波段
SIF光谱
[108]
。F-SFM算法则利用主成分分析提取反
射率和SIF的特征波段, 根据不同权重的反射率和
SIF主成分重建反射率和SIF光谱, 并引入迭代过程
提高反射率的估算精度
[109]
。表4归纳了目前常用的
单波段和全波度SIF反演方法, 为今后研究者选择
合适的SIF估测算法提供参考。
(Fluo rescence Spectral Reconstruction)
SIF反演算法。
[108]
及F-SFM
等全波段
(Full-spectrum Spectral Fitting Method)
[109]
标准FLD算法是在假设Fraunhofer吸收线内外
的反射率和透过率相等的基础上, 通过建立吸收谷
内外的辐亮度光谱方程解求SIF
[102]
。为了克服标准
FLD方法在吸收线内外波段的反射率和荧光值实际
上存在差异的局限性
[86]
, Maier等
[103]
提出了3FLD的
SIF提取算法, 该方法假设反射率在很窄的
Fraunhofer吸收线内外呈线性变化, 通过吸收线内外
波段的加权平均值减弱SIF和反射率随波长变化带来
的影响。Luis等
[104]
提出引入2个校正系数表示吸
表4 单波段和全波段SIF的提取算法
Table 4 SIF extraction algorithm for single spectrum and full spectrum
反演算法
Retrieval algorithms
单波段
Single spectrum
FLD
3FLD
iFLD
SFM
pFLD
全波段
Full spectrum
SFM
FSR
F-SFM
Fraunhofer线内外反射率和荧光关系
The relationship of reflectance and SIF between the internal and external
Fraunhofer dark line respectively
参考文献
Reference
r(λ
out
) = r(λ
in
), F(λ
out
) = F(λ
in
) [102]
r(λ
in
) = r(λ
left
)×ω
left
+r(λ
right
)×ω
right
, F(λ
out
) = F(λ
in
) [103]
r(λ
out
) = α
R
r(λ
in
), F(λ
out
) = α
F
F(λ
in
) [104]
r(λ) = f(r
λ
), F(λ) = f(F
λ
) [106]
(
)
k
(
)
R
ii
i
1
n
[105]
r(λ) = S(r
λ
), F(λ) = V(F
λ
) [107]
F(λ) ≈ b
0
+b
1
·(λ–λ
0
)+b
2
·(λ–λ
0
)², r(λ) ≈ b
3
+b
4
·(λ–λ
0
)+b
5
·(λ–λ
0
)² [108]
r(
)
k
i
i
(
), F(
)
j
i
i
(
)
ii
mn
[109]
λ
in
、
λ
out
、
λ
left
、
λ
right
分别表示吸收线内、外、左、右波段的波长值
; ω
left
、
ω
right
分别表示吸收线左右波段反射率的权重系数
; α
R
和
α
F
分
别为反射率和荧光的校正系数
; f(r
λ
)
和
f(F
λ
)
为利用数学函数拟合的反射率和荧光曲线
;
i
和
i
分别为反射率和荧光的主成分
, k
i
和
j
i
分
别为反射率和荧光的主成分权重。
λ
in
, λ
out
, λ
left
, and λ
right
represent the wavelength values of the inner, outer, left, and right bands of the absorption line; ω
left
and ω
right
represent
the weight coefficients of reflectivity in the left and right bands of the absorption line, respectively; α
R
and α
F
represent the correction factor
for reflectance and fluorescence, respectively; f(r
λ
) and f(F
λ
) are the reflectance and fluorescence curves fitted by mathematical functions,
respectively;
i
and
i
are principal components of reflectance and fluorescence, and k
i
, j
i
are the principal component weights of reflectance
and fluorescence, respectively.
第
11
期
竞霞等: 基于反射光谱和叶绿素荧光数据的作物病害遥感监测研究进展
2073
SIF数据能够快速、无损地探知植物光合生理及
其胁迫状况, 被广泛应用于作物病害遥感监测。张
永江等
[110]
基于FLD提取了O
2
-A (760 nm)和O
2
-B
(688 nm)波段的SIF强度, 构建了用于反映作物受胁
迫状况的荧光比值指数F
688
/F
760
, 证实了利用FLD
提取的SIF信息可以反映田间小麦条锈病的发病
状况。Hernández-Clemente等
[111]
利用不同分辨率下
的SIF监测了受疫霉菌侵染的橡树林, 基于提出的
FluorFLIGHT模型实现了健康和发病橡树林的分
类。Raji等
[112]
利用O
2
-A和O
2
-B波段SIF数据构建
了荧光比值F
687
/F
760
, 实现了木薯花叶病的早期探
测。赵叶等
[8]
对比分析了反射率光谱和SIF数据对小
麦条锈病不同发病状态下的敏感性, 发现当病情指
数低于20%, SIF数据对小麦条锈病害胁迫响应更为
敏感, 冠层SIF数据比反射率光谱数据更适于作物
病害的早期探测
[9]
。但叶绿素荧光光谱范围有限, 无
法探测到光谱响应位置不在此范围内的病害类型,
且监测精度受SIF提取精度的影响。
3 SIF与反射率光谱协同的作物病害遥感
探测
作物受到病菌侵染后, 其水分及叶绿素含量、
光合速率和光能转换率等一些生理生化指标均会发
生变化
[113]
, 反射光谱信号对作物群体生物量具有较
稳定的敏感光谱特征, 能够有效反映冠层几何结构
的变化
[11]
, 但难以揭示植被光合生理状态
[12]
, 且受
土壤颜色、阴影或者其他非绿色景观成分等背景噪
声的影响较大
[114]
。叶绿素荧光与光合作用之间具有
直接联系
[114]
, 能够敏感反映作物光合生理上的变
化
[115]
, 且荧光能探测到肉眼不可见的植物病害, 受
湿度影响小
[116]
。但传感器探测到的SIF信息同时受
到作物胁迫状况和冠层几何结构等综合因素的影
响
[117]
, 直接利用冠层SIF监测植物的胁迫状况具有
一定难度。综合利用反射率光谱在作物生化参数探
测方面的优势
[118-119]
和SIF在光合生理诊断方面的
优势
[114]
, 能够更加客观的映射作物受病害胁迫的真
实状况, 提高作物病害的遥感探测精度
[4,21]
。
陈思媛等
[5]
和竞霞等
[21]
研究结果表明, 在反射
率光谱指数及一阶微分光谱指数中加入冠层SIF数
据能够改善小麦条锈病的遥感监测精度, 然而利用
少量波段信息计算反射率光谱指数或一阶微分光谱
指数在一定程度上丢失了对作物病害遥感探测的有
用信息。基于此, 白宗
璠
等
[120]
利用改进离散粒子群
算法从全波段光谱数据中优选遥感探测小麦条锈病
严重度的特征变量, 协同冠层SIF数据分别利用随
机森林和后向传播神经网络构建小麦条锈病遥感探
测模型, 改善了模型的收敛速度和寻优精度并提高
了小麦条锈病遥感探测精度。上述研究是将SIF和
反射率光谱特征直接拼接形成高维特征向量, 没有
考虑不同特征向量与作物病情严重度之间的最优映
射关系, 利用单一函数映射所有特征构建作物病害
遥感监测模型, 不仅难以充分挖掘特征中包含的信
息, 还会增加分类器训练和预测时的计算代价。高
媛等
[20]
基于核函数的特征融合法将SIF和反射率光
谱特征用不同的核函数进行映射, 通过多核学习算
法构建了反射率与SIF协同的小麦条锈病遥感监测
模型。结果表明, 对SIF和反射光谱特征分别利用其
最优核进行映射构建的小麦条锈病严重度估测精度
优于直接拼接法。叶绿素荧光的发射和NPQ能量耗
散都是植物碳固定机制中的重要组成部分
[78,121]
, 均
能够敏感反映植物受胁状况及其光合性能, 因此一
些专家综合利用反射率光谱、SIF和热红外信息进行
作物病害的遥感监测。Poblete等
[122]
基于高光谱影像
和热影像提取的SIF和作物水分胁迫指数(CWSI),
实现了健康橄榄树和受木糖杆菌胁迫橄榄树的分
类。Calderón等
[123]
利用连续3年的机载热、多光谱
和高光谱影像提取出SIF、温度信息和窄带光谱指数
实现了橄榄黄萎病的早期监测。
4 讨论与展望
极端气候条件的变化导致大面积农作物病虫害
频发, 对我国农业可持续发展和粮食安全产生严重
的影响, 全世界每年由病虫害导致的粮食减产约为
总产量的1/4, 其中病害造成的损失为14%, 虫害造
成的损失为10%
[15]
。及时准确的探测到病害胁迫信
息对作物病害的防控以及作物产量和品质的提高,
降低病害防治成本, 减少农药对环境污染具有极为
重要的意义。虽然基于反射率和叶绿素荧光数据的
作物病害遥感探测取得了丰硕的成果, 但由于每种
病害对作物侵染的方式都不相同, 病害的光谱响应
具有多效性
[1]
。因此基于反射率和叶绿素荧光的作
物病害遥感探测还存在一些问题和挑战:
(1) 全波段SIF光谱的作物病害遥感监测精度
及稳定性有待提高。全波段SIF光谱(650~850 nm)
在红光区(685~690 nm附近)和远红光区(730~740
nm附近)存在2个荧光峰值, 不仅包含病害胁迫下
2074 作 物 学 报
第
47
卷
的SIF强度信息, 还能提供形状信息, 与植被生理
状态存在显著相关关系
[78]
, 更适用于作物病害的识
别与监测。然而遥感传感器探测到的SIF信号微弱
且与反射率信号混叠, 如何提高全波段SIF信息的
提取精度, 是利用全波段SIF光谱进行作物病害遥
感监测面临的重要挑战之一。
(2) 群体生物量影响了作物病害的SIF探测精
度。作物在受病菌侵染初期即能通过调整光合速率
的方式启动光保护机制, 以发射叶绿素荧光消耗过
剩的光能等生理机制对病害作出快速响应
[11,62]
, 实
现作物病害的早期探测。然而冠层SIF一方面随能
量耗散途径的生理调节而改变, 另一方面也受到植
物色素组成、叶面积、叶倾角等生化物理参数的影
响, 如何消除群体生物量对冠层SIF的影响, 是基
于SIF数据进行作物病害早期探测需要解决的关键
问题。
(3) 病害微观特性和宏观遥感监测的结合不足。
病菌生长、繁殖和侵染过程会消耗寄主养分、破坏
其正常的生理过程, 如小麦条锈病夏孢子突破表皮
破坏了大量的叶绿素, 从而使各个生育期的叶绿素
含量降低, 导致了小麦叶片褪绿、发黄等症状
[13]
, 这
些变化在反射率和荧光光谱曲线上均有体现。研究
不同病害胁迫下叶片的色素含量、细胞水含量、细
胞间隙比等微观特性以及叶面积指数群体参数与
SIF和反射率光谱的作用机制, 在病害光谱响应特
性分析的基础上, 建立SIF和反射率光谱随病情发
展的动态响应规律和关键参数的估算模型, 对作物
病害的遥感探测和科学防治具有重要意义。
(4) 作物病害逆向遥感识别问题没有很好地解
决。目前作物病害遥感探测主要侧重于研究病害胁
迫下反射率光谱和叶绿素荧光数据的响应特性, 并
利用实验数据中探测到的光谱差异分析作物是否受
到病害胁迫及其病情严重度, 而极少有研究涉及作
物病害类型的遥感识别问题, 即作物病害遥感逆向
识别与诊断问题尚未得到很好地解决。农作物病害
的逆向遥感识别是实现大范围航空航天遥感监测的
关键, 是利用遥感影像监测农作物病害不可回避的
问题。建立基于大尺度范围的作物病害逆向遥感识
别技术方法和体系, 构建具有较强机理解释和一定
普适性的作物病害诊断模型, 还有待进一步研究。
(5) 不同尺度作物病害遥感探测之间没能很好
地结合。近地高光谱作物病害遥感监测具有航空航
天遥感监测难以比拟的方便性、灵活性、经济性等
优势, 而且受外界因素的影响较小, 能获得相对比
较理想的监测结果, 但在空间上具有一定随机性,
只有结合航空航天遥感影像数据才能反映病害发生
发展的空间特征, 从真正意义上实现作物病害的遥
感监测
[124]
。利用航空航天遥感影像监测农作物病害
时, 由于传感器接收到的信号是地面分辨率范围内
像元目标物的总和, 受下垫面状况、植株的形态结
构、天气状况、栽培措施等因子的影响, 因此研究
不同尺度作物病害遥感探测之间的关系, 对提高作
物病害的探测精度, 实现大范围作物病害的遥感监
测具有重要意义。
(6) 作物病害遥感探测模型对植被病理机制和
定量遥感机理结合不够充分。将遥感探测机理与植
被病理机制相结合, 构建具有一定生理机制的作物
病害遥感探测模型对提高模型的实用性具有重要意
义。已有研究主要侧重于分析病害胁迫下反射率或
荧光数据的响应特性, 忽略了病害发生的生理机制
及其遥感探测机理。结合病害生理机制的遥感探测
模型较单纯基于光谱响应特性构建的模型更能提升
对复杂农田环境的适应能力, 提高作物病害遥感监
测精度和模型的普适性。
5 总结
随着农业信息化的不断深入, 利用遥感技术监
测作物病害逐步从理论走向应用, 并且在弥补传统
病害监测时效性差和人力损耗大等缺陷上显示出极
大潜力。论文总结了利用反射率光谱数据进行作物
病害遥感探测中常用的特征优选和模型构建方法,
概括了主动荧光、被动荧光以及协同SIF和反射率
光谱在作物病害遥感监测中的研究进展, 分析了反
射率数据和叶绿素荧光数据在作物病害遥感探测中
的优势和局限性, 探讨了目前研究中可能存在的问
题及未来的发展方向。尽管目前遥感监测技术与实
际生产管理应用存在较大差距, 但在充分考虑病害
生理机制和定量遥感机理的基础上, 结合生境条
件、农学背景深入挖掘多时相遥感数据所包含的病
害信息, 可为现代农业大面积精准管理和植保提供
实时动态监测信息, 使得作物病害遥感监测方法和
技术在应用中不断走向成熟。
References
[1] Deutsch C A, Tewksbury J J, Michelle T, Battisti D S, Merrill S C,
Huey R B, Naylor R L. Increase in crop losses to insect pests in a
warming climate. Science, 2018, 361: 916–919.
[2]
黄文江
,
张竞成
,
罗菊花
,
赵晋陵
.
作物病虫害遥感监测与预
测
.
北京
:
科学出版社
, 2015. p 4.
Huang W J, Zhang J C, Luo J H, Zhao J L. Remote Sensing
第
11
期
竞霞等: 基于反射光谱和叶绿素荧光数据的作物病害遥感监测研究进展
2075
Monitoring and Prediction of Crop Diseases and Insect Pests.
Beijing: Science Press, 2015. p 4 (in Chinese).
[3]
竞霞
.
基于多源多时相数据棉花黄萎病遥感监测研究
.
北京
师范大学博士学位论文
,
北京
2009.
Jing X. Study on Remote-sensing Monitoring of Cotton Verticil-
lium Wilt Based on Multi-source and Multi-temporal Data. PhD
Dissertation of Beijing Normal University, Beijing, China, 2009
(in Chinese with English abstract).
[4] Sankaran S, Mishra A, Ehsani R, Davis C. A review of advanced
techniques for detecting plant diseases. Comput Electron Agric,
2010, 72: 1–13.
[5]
陈思媛
,
竞霞
,
董莹莹
,
刘良云
.
基于日光诱导叶绿素荧光与
反射率光谱的小麦条锈病探测研究
.
遥感技术与应用
, 2019,
34: 511–520.
Chen S Y, Jing X, Dong Y Y, Liu L Y. Detection of wheat stripe
rust using solar-induced chlorophyll fluorescence and reflectance
spectral indices. Remote Sens Technol Appl, 2019, 34: 511–520
(in Chinese with English abstract).
[6]
吴琼
,
齐波
,
赵团结
,
姚鑫锋
,
朱艳
,
盖钧镒
.
高光谱遥感估
测大豆冠层生长和籽粒产量的探讨
.
作物学报
, 2013, 39:
309–318.
Wu Q, Qi B, Zhao T J, Yao X F, Zhu Y, Gai J Y. A tentative study
on utilization of canopy hyperspectral reflectance to estimate
canopy growth and seed yield in soybean. Acta Agron Sin, 2013,
39: 309–318 (in Chinese with English abstract).
[7] Mahlein A K, Steiner U, Hillnhütter C, Dehne H W, Oerke E C.
Hyperspectral imaging for small-scale analysis of symptoms
caused by different sugar beet diseases. Plant Methods, 2012, 8: 3.
[8]
赵叶
,
竞霞
,
黄文江
,
董莹莹
,
李存军
.
日光诱导叶绿素荧光
与反射率光谱数据监测小麦条锈病严重度的对比分析
.
光谱
学与光谱分析
, 2019, 39: 2739–2745.
Zhao Y, Jing X, Huang W J, Dong Y Y, Li C J. Comparison of
sun-induced chlorophyll fluorescence and reflectance data on es-
timating severity of wheat stripe rust. Spectrosc Spectral Anal,
2019, 39: 2739–2745 (in Chinese with English abstract).
[9]
竞霞
,
吕小艳
,
张超
,
白宗
璠
.
基于
SIF-PLS
模型的冬小麦条
锈病早期光谱探测
.
农业机械学报
, 2020, 51(6): 191–197.
Jing X, Lyu X Y, Zhang C, Bai Z F. Early detection of winter
wheat stripe rust based on SIF-PLS model. Trans CSAM, 2020,
51(6): 191–197 (in Chinese with English abstract).
[10]
黄文江
,
师越
,
董莹莹
,
叶回春
,
邬明权
,
崔贝
,
刘林毅
.
作物
病虫害遥感监测研究进展与展望
.
智慧农业
, 2019, 1(4): 1–11.
Huang W J, Shi Y, Dong Y Y, Ye H C, Wu M Q, Cui B, Liu L Y.
Progress and prospects of crop diseases and pests monitoring by
remote sensing. Smart Agric, 2019, 1(4): 1–11 (in Chinese with
English abstract).
[11] Calderón R, Navas-Cortés J A, Lucena C, Zarco-Tejada J.
High-resolution airborne hyperspectral and thermal imagery for
early detection of Verticillium wilt of olive using fluorescence,
temperature and narrow-band spectral indices. Remote Sens En-
viron, 2013, 139: 231–245.
[12] Ashourloo D, Mobasheri M R, Huete A. Developing two spectral
disease indices for detection of wheat leaf rust (Puccinia
triticina). Remote Sens, 2014, 6: 4723–4740.
[13]
黄木易
,
王纪华
,
黄文江
,
黄义德
,
赵春江
,
万安民
.
冬小麦
条锈病的光谱特征及遥感监测
.
农业工程学报
, 2003, 19(6):
154–158.
Huang M Y, Wang J H, Huang W J, Huang Y D, Zhao C J, Wan A
M. Hyperspectral character of stripe rust on winter wheat and
monitoring by remote sensing. Trans CSAE, 2003, 19(6):
154–158 (in Chinese with English abstract).
[14]
张竞成
,
袁琳
,
王纪华
,
罗菊花
,
杜世州
,
黄文江
.
作物病虫
害遥感监测研究进展
.
农业工程学报
, 2012, 28(20): 1–11.
Zhang J C, Yuan L, Wang J H, Luo J H, Du S Z, Huang W J. Re-
search progress of crop diseases and pests monitoring based on
remote sensing. Trans CSAE, 2012, 28(20): 1–11 (in Chinese
with English abstract).
[15]
黄文江
,
刘林毅
,
董莹莹
,
师越
,
叶回春
,
张竞成
.
基于遥感
技术的作物病虫害监测研究进展
.
农业工程技术
, 2018, 38(9):
39–45.
Huang W J, Liu L Y, Dong Y Y, Shi Y, Ye H C, Zhang J C.
Research progress of crop disease and pest monitoring based on
remote sensing technology. Agric Eng Technol, 2018, 38(9):
39–45 (in Chinese).
[16] Bruce L M, Koger C H, Li J. Dimensionality reduction of hyper-
spectral data using discrete wavelet transform feature extraction.
IEEE Trans Geosci Remote Sens, 2002, 40: 2331–2338.
[17]
周传华
,
柳智才
,
丁敬安
,
周家亿
.
基于
filter+wrapper
模式的
特征选择算法
.
计算机应用研究
, 2019, 36: 1975–1979.
Zhou C H, Liu Z C, Ding J A, Zhou J Y. Feature selection algo-
rithm based on filter + wrapper pattern. Appl Res Comput, 2019,
36: 1975–1979 (in Chinese with English abstract).
[18]
竞霞
,
张腾
,
白宗
璠
,
黄文江
.
融合
GA
与
SVR
算法的小麦条
锈病特征优选与模型构建
.
农业机械学报
, 2020, 51(11):
253–263.
Jing X, Zhang T, Bai Z F, Huang W J. Feature selection and
model construction of wheat stripe rust based on GA and SVR
algorithm. Trans CSAM, 2020, 51(11): 253–263 (in Chinese with
English abstract).
[19] Waad B, Ghazi B M, Mohamed L. On the effect of search strate-
gies on wrapper feature selection in credit scoring. IEEE-Codit,
2013, 218–223.
[20]
高媛
,
竞霞
,
刘良云
,
白宗
璠
.
基于多核支持向量机的小麦条
锈病遥感监测研究
.
麦类作物学报
, 2020, 40(1): 118–126.
Gao Y, Jing X, Liu L Y, Bai Z F. Remote sensing monitoring of
wheat stripe rust based on multiple kernel SVM. J Triticeae
Crops, 2020, 40(1): 118–126 (in Chinese with English abstract).
[21]
竞霞
,
白宗
璠
,
高媛
,
刘良云
.
利用随机森林法协同
SIF
和反
射率光谱监测小麦条锈病
.
农业工程学报
, 2019, 35(13):
154–161.
Jing X, Bai Z F, Gao Y, Liu L Y. Wheat stripe rust monitoring by
random forest algorithm combined with SIF and reflectance
spectrum. Trans CSAE, 2019, 35(13): 154–161 (in Chinese with
English abstract).
[22]
依尔夏提
·
阿不来提
,
买买提
·
沙吾提
,
白灯莎
·
买买提艾力
,
安
申群
,
马春
玥
.
基于随机森林法的棉花叶片叶绿素含量估算
.
作物学报
, 2019, 45: 81–90.
Ershat A, Mamat S, Baidengsha M, An S Q, Ma C Y. Estimation
of leaf chlorophyll content in cotton based on the random forest
approach. Acta Agron Sin, 2019, 45: 81–90 (in Chinese with Eng-
lish abstract).
[23] Wainwright M J. Information-theoretic limits on sparsity
2076 作 物 学 报
第
47
卷
recovery in the high-dimensional and noisy setting. IEEE Trans
Inf Theory, 2009, 55: 5728–5741.
[24]
刘良云
,
黄木易
,
黄文江
,
王纪华
,
赵春江
,
郑兰芬
,
童庆禧
.
利用多时相的高光谱航空图像监测冬小麦条锈病
.
遥感学报
,
2004, 8: 275–281.
Liu L Y, Huang M Y, Huang W J, Wang J H, Zhao C J, Zheng L F,
Tong Q X. Monitoring stripe rust disease of winter wheat using
multi-temporal hyperspectral airborne data. Natl Remote Sens
Bull, 2004, 8: 275–281 (in Chinese with English abstract).
[25] Graeff S, Link J, Claupein W. Identification of powdery mildew
(Erysiphe graminis sp. tritici) and take-all disease (Gaeumanno-
myces graminis sp. tritici) in wheat (Triticum aestivum L.) by
means of leaf reflectance measurements. Open Life Sci, 2006, 1:
275–288.
[26] Kobayashi T, Kanda E, Kitada K, Ishiguro K, Torigoe Y. Detec-
tion of rice panicle blast with multispectral radiometer and the
potential of using airborne multispectral scanners. Phytopathol-
ogy, 2001, 91: 316–323.
[27] Zhang M H, Qin Z H, Liu X. Remote sensed spectral imagery to
detect late blight in field tomato. Precis Agric, 2005, 6: 489–508.
[28] Chen B, Wang K, Li S K, Wang J, Bai J H, Xiao C H, Lai J C.
Spectrum characteristics of cotton canopy infected with verticil-
lium wilt and inversion of severity level. Agric Sci China, 2008,
259: 1169–1180.
[29]
王利民
,
刘佳
,
邵杰
,
杨福刚
,
高建孟
.
基于高光谱的春玉米
大斑病害遥感监测指数选择
.
农业工程学报
, 2017, 33(5):
170–177.
Wang L M, Liu J, Shao J, Yang F G, Gao J M. Remote sensing
index selection of leaf blight disease in spring maize based on
hyperspectral data. Trans CSAE, 2017, 33(5): 170–177 (in Chi-
nese with English abstract).
[30] Shi Y, Huang W J, Gonzalez-Moreno P, Luke B, Dong Y Y,
Zheng Q, Ma H Q, Liu L Y. Wavelet-based rust spectral feature
set (WRSFs): a novel spectral feature set based on continuous
wavelet transformation for tracking progressive host-pathogen
interaction of yellow rust on wheat. Remote Sens, 2018, 252:
1–19.
[31] Liu Z Y, Wu H F, Huang J F. Application of neural networks to
discriminate fungal infection levels in rice panicles using hyper-
spectral reflectance and principal components analysis. Comput
Electron Agric, 2010, 72: 99–106.
[32] Jones C D, Jones J B, Lee W S. Diagnosis of bacterial spot of
tomato using spectral signatures. Comput Electron Agric, 2010,
74: 329–335.
[33] Chen T T, Zhang J L, Chen Y, Wan S B, Zhang L. Detection of
peanut leaf spots disease using canopy hyperspectral reflectance.
Comput Electron Agric, 2019, 156: 677–683.
[34] Delalieux S, Aardt J V, Keulemans W, Schrevens E, Coppin P.
Detection of biotic stress (Venturia inaequalis) in apple trees us-
ing hyperspectral data: non-parametric statistical approaches and
physiological implications. Eur J Agron, 2007, 27: 130–143.
[35] Franceschini M H D,Bartholomeus H, Apeldoorn D F V,
Suomalainen J, Kooistra L. Feasibility of unmanned aerial vehi-
cle optical imagery for early detection and severity assessment of
late blight in potato. Remote Sens, 2019, 11: 1–47.
[36]
姚雄
,
余坤勇
,
杨玉洁
,
曾琪
,
陈樟昊
,
刘健
.
基于随机森林
模型的林地叶面积指数遥感估算
.
农业机械学报
, 2017, 48(5):
159–166.
Yao X, Yu K Y, Yang Y J, Zeng Q, Chen Z H, Liu J. Estimation of
forest leaf area index based on random forest model and remote
sensing data. Trans CSAM, 2017, 48(5): 159–166 (in Chinese
with English abstract).
[37]
白雪冰
,
余建树
,
傅泽田
,
张领先
,
李鑫星
.
可见光谱图像联
合区间的黄瓜白粉病分割与检测
.
光谱学与光谱分析
, 2019,
39: 3592–3598.
Bai X B, Yu J S, Fu Z T, Zhang L X, Li X X. Segmentation and
detection of cucumber powdery mildew based on visible spec-
trum and image processing. Spectrosc Spect Anal, 2019, 39:
3592–3598 (in Chinese with English abstract).
[38]
李金敏
,
陈秀青
,
杨琦
,
史良胜
.
基于高光谱的水稻叶片氮含
量估计的深度森林模型研究
.
作物学报
, 2021, 47: 1342–1350.
Li J M, Chen X Q, Yang Q, Shi L S. Deep learning models for
estimation of paddy rice leaf nitrogen concentration based on
canopy hyperspectral data. Acta Agron Sin, 2021, 47: 1342–1350
(in Chinese with English abstract).
[39] Ashourloo D, Aghighi H, Matkan A A, Mobasheri M R, Rad A M.
An investigation into machine learning regression techniques for
the leaf rust disease detection using hyperspectral measurement.
IEEE J Selec Topic Appl Earth Observ Remote Sens, 2016, 9:
1–8.
[40]
陶新民
,
郝思媛
,
张冬雪
,
徐鹏
.
核聚类集成失衡数据
SVM
算
法
.
哈尔滨工程大学学报
, 2013, 34: 381–388.
Tao X M, Hao S Y, Zhang D X, Xu P. Kernel cluster-based en-
semble SVM approaches for unbalanced data. J Harbin Eng Univ,
2013, 34: 381–388 (in Chinese with English abstract).
[41]
乔红波
,
周益林
,
白由路
,
程登发
,
段霞瑜
.
地面高光谱和低
空遥感监测小麦白粉病初探
.
植物保护学报
, 2006, 33:
341–344.
Qiao H B, Zhou Y L, Bai Y L, Cheng D F, Duan X Y. The pri-
mary research of detecting wheat powdery mildew using in-field
and low altitude remote sensing. J Plant Prot, 2006, 33: 341–344
(in Chinese with English abstract).
[42]
蒋金豹
,
陈云浩
,
黄文江
,
李京
.
冬小麦条锈病严重度高光谱
遥感反演模型研究
.
南京农业大学学报
, 2007, 30(3): 63–67.
Jiang J B, Chen Y H, Huang W J, Li J. Study on hyperspectral
remote sensing retriveral models about winter wheat stripe rust
severity. J Nanjing Agric Univ, 2007, 30(3): 63–67 (in Chinese
with English abstract).
[43] Zhang J, Pu R, Yuan L, Huang W, Nie C, Yang G. Integrating re-
motely sensed and meteorological observations to forecast wheat
powdery mildew at a regional scale. IEEE J Sel Topic Appl Earth
Observ Remote Sens, 2014, 7: 4328–4339.
[44] Jones C D, Jones J B, Lee W S. Diagnosis of bacterial spot of
tomato using spectral signatures. Comput Electron Agric, 2010,
74: 329–335.
[45] Kouakou A K, Bagui O K, Agneroh T A, Soro A P, Zoueu J T.
Cucumber mosaic virus detection by artificial neural network
using multispectral and multimodal imagery. Optik, 2016, 127:
11250–11257.
[46]
马慧琴
,
黄文江
,
景元书
,
董莹莹
,
张竞成
,
聂臣巍
,
唐翠翠
,
赵晋陵
,
黄林生
.
基于
AdaBoost
模型和
mRMR
算法的小麦白
粉病遥感监测
.
农业工程学报
, 2017, 33(5): 162–169.
第
11
期
竞霞等: 基于反射光谱和叶绿素荧光数据的作物病害遥感监测研究进展
2077
Ma H Q, Huang W J, Jing Y S, Dong Y Y, Zhang J C, Nie C W,
Tang C C, Zhao J L, Huang L S. Remote sensing monitoring of
wheat powdery mildew based on AdaBoost model combining
mRMR algorithm. Trans CSAE, 2017, 33(5): 162–169 (in Chi-
nese with English abstract).
[47] Herrmann I, Vosberg S K, Ravindran P, Singh A, Chang H,
Chilvers M I, Conley S P, Townsend P A. Leaf and canopy level
detection of Fusarium virguliforme (sudden death syndrome) in
soybean. Remote Sens, 2018, 10: 1–9.
[48] Santoso H, Tani H, Wang X, Prasetyo A E, Sonobe R. Classifying
the severity of basal stem rot disease in oil palm plantations using
WorldView-3 imagery and machine learning algorithms. Int J
Remote Sens, 2018, 40: 7624–7646.
[49]
李健丽
,
董莹莹
,
师越
,
朱溢佞
,
黄文江
.
基于随机森林模型
的小麦白粉病遥感监测方法
.
植物保护学报
, 2018, 45:
395–396.
Li J L, Dong Y Y, Shi Y, Zhu Y N, Huang W J. Remote sensing
monitoring of wheat powdery mildew based on random forest
model. J Plant Prot, 2018, 45: 395–396 (in Chinese with English
abstract).
[50] Xia J A, Yang Y W, Cao H X, Ke Y, Ge D, Zhang W, Ge S, Chen
G. Performance analysis of clustering method based on crop pest
spectrum. Eng Agric Environ Food, 2018, 11: 84–89.
[51] Steddom K, Bredehoeft M W, Khan M, Rush C M. Comparison
of visual and multispectral radiometric disease evaluations of
cercospora leaf spot of sugar beet. Plant Dis, 2005, 89: 153–158.
[52] Arens N, Backhaus A, Doell S, Seiffert U, Mock H P.
Non-invasive presymptomatic detection of cercospora beticola
infection and identification of early metabolic responses in sugar
beet. Front Plant Sci, 2016, 7; doi: 10.3389/fpls.2016.01377.
[53] Deery D, Jimenez-Berni J, Jones H, Sirault X, Furbank R.
Proximal remote sensing buggies and potential applications for
field-based phenotyping. Agronomy, 2014, 4: 349–379.
[54] Vigneau N, Ecarnot M, Rabatel G, Roumet P. Potential of field
hyperspectral imaging as a non-destructive method to assess
leaf nitrogen content in wheat. Field Crops Res, 2011, 122:
25–31.
[55] Taubenhaus J J, Ezekiel W N, Neblatte C B. Airplane photogra-
phy in the study of cotton root rot. Phytooathology, 1929, 19:
1025–1029.
[56] Lowe A, Harrison N, French A P. Hyperspectral image analysis
techniques for the detection and classification of the early onset
of plant disease and stress. Plant Method, 2017, 13: 1–12.
[57] Devadas R, Lamb D W, Backhouse E, Simpfendorfer S. Sequen-
tial application of hyperspectral indices for delineation of stripe
rust infection and nitrogen deficiency in wheat. Precis Agric,
2015, 16: 477–491.
[58] Dhau I, Adam E, Mutanga O, Ayisi K, Abdel-Rahman E M,
Odindi J, Masocha M. Testing the capability of spectral resolu-
tion of the new multispectral sensors on detecting the severity of
grey leaf spot disease in maize crop. Geocart Int, 2018, 33:
1223–1236.
[59] Chakradhar M, Corey M, Kushendra S, Carolyn Y. Supervised
classification of RGB aerial imagery to evaluate the impact of a
root rot disease. Remote Sens, 2018, 10: 1–17.
[60] Liu W, Cao X, Fan J, Wang Z, Yan Z, Luo Y, West J S, Xu X,
Zhou Y. Detecting wheat powdery mildew and predicting grain
yield using unmanned aerial photography. Plant Dis, 2018, 102:
1981–1988.
[61] Zhang X, Han L, Dong Y, Shi Y, Sobeih T. A deep learning-based
approach for automated yellow rust disease detection from
high-resolution hyperspectral UAV images. Remote Sens, 2019,
11: 1–16.
[62] Martinelli F, Scalenghe R, Davino S, Panno S, Scuderi G, Ruisi P,
Villa P, Stroppiana D, Boschetti M, Goulart L R, Davis C E,
Dandekar A M. Advanced methods of plant disease detection. a
review. Agron Sustain Dev, 2015, 35: 1–25.
[63] Yuan L, Zhang H B, Zhang Y T, Xing C, Bao Z Y. Feasibility
assessment of multi-spectral satellite sensors in monitoring and
discriminating wheat diseases and insects. Optik, 2017, 131:
598–608.
[64] Yuan L, Pu R L, Zhang J C, Wang J, Yang H. Using high spatial
resolution satellite imagery for mapping powdery mildew at a re-
gional scale. Precis Agric, 2016, 17: 332–348.
[65] Jonas F, Gunter M. Multi-temporal wheat disease detection by
multi-spectral remote sensing. Precis Agric, 2007, 8: 161–172.
[66] Rumpf T, Mahlein A K, Steiner U, Oerke E C, Dehne H W,
Plümer L. Early detection and classification of plant diseases
with support vector machines based on hyperspectral reflectance.
Comput Electron Agric, 2010, 74: 91–99.
[67] Cao X, Luo Y, Zhou Y, Duan X, Cheng D. Detection of powdery
mildew in two winter wheat cultivars using canopy hyperspectral
reflectance. Crop Prot, 2013, 45: 124–131.
[68] Wang X, Zhang M, Zhu J, Geng S. Spectral prediction of phy-
tophthora infestans infection on tomatoes using artificial neural
network (ANN). Int J Remote Sens, 2008, 29: 1693–1706.
[69] Chen D, Shi Y, Huang W, Zhang J, Wu K. Mapping wheat rust
based on high spatial resolution satellite imagery. Comput Elec-
tron Agric, 2018, 152: 109–116.
[70] Zhang J C, Pu R L, Yuan L, Wang J H, Huang W J, Yang G J.
Monitoring powdery mildew of winter wheat by using moderate
resolution multi-temporal satellite imagery. PLoS One, 2014, 9:
e93107.
[71] Zheng Q, Huang W, Cui X, Shi Y, Liu L. New spectral index for
detecting wheat yellow rust using Sentinel-2 multispectral im-
agery. Sensors, 2018, 18: 1–19.
[72] Navrozidis I, Alexandridis T K, Dimitrakos A, Lagopodi A L,
Moshou D, Zalidis G. Identification of purple spot disease on
asparagus crops across spatial and spectral scales. Comput Elec-
tron Agric, 2018, 148: 322–329.
[73] Du X, Li Q, Shang J, Liu J, Qian B, Jing Q, Dong T, Fan D,
Wang H, Zhao L, Lieff S, Davies T. Detecting advanced stages of
winter wheat yellow rust and aphid infection using RapidEye data
in North China Plain. GISci Remote Sens, 2019, 56: 1093–1113.
[74] Calderón R, Zarco-Tejada P J, Lucena C, Zarco-Tejada P J.
High-resolution airborne hyperspectral and thermal imagery for
pre-visual detection of Verticillium wilt using fluorescence, tem-
perature and narrow-band indices. Remote Sens Environ, 2013,
139: 231–245.
[75] López-López M, Calderón R, González-Dugo V, Zarco-Tejada P,
Fereres E. Early detection and quantification of almond red leaf
blotch using high-resolution hyperspectral and thermal imagery.
2078 作 物 学 报
第
47
卷
Remote Sens, 2016, 8: 1–23.
[76]
张永江
,
刘良云
,
侯名语
,
刘连涛
,
李存东
.
植物叶绿素荧光
遥感研究进展
.
遥感学报
, 2009, 13: 963–978.
Zhang Y J, Liu L Y, Hou M Y, Liu L T, Li C D. Progress in re-
mote sensing of vegetation chlorophyll fluorescence. Natl Remote
Sens Bull, 2009, 13: 963–978 (in Chinese with English abstract).
[77] Liu L, Zhang Y, Jiao Q, Peng D. Assessing photosynthetic
light-use efficiency using a solar-induced chlorophyll fluores-
cence and photochemical reflectance index. Int J Remote Sens,
2013, 34: 4264–4280.
[78] Porcar-Castell A, Tyystjärvi E, Atherton J, van der Tol C, Flexas J,
Pfündel E E, Moreno J, Frankenberg C, Berry J A. Linking chlo-
rophyll a fluorescence to photosynthesis for remote sensing
applications: mechanisms and challenges. J Exp Bot, 2014, 65:
4065–4095.
[79] Mohammed G H, Colombo R, Middleton E M, Rascher U, Tol C
V D, Nedbal L, Goulas Y, Pérez-Priego O, Damm A, Meroni M,
Joiner J, Cogliati S, Verhoef W, Malenovský Z, Gastellu-
Etchegorry J, Miller J R, Guanter L, Moreno J, Moya I, Berry J A,
Frankenberg C, Zarco-Tejada P J. Remote sensing of
solar-induced chlorophyll fluorescence (SIF) in vegetation: 50
years of progress. Remote Sens Environ, 2019, 231: 1–39.
[80] Ač A, Malenovský Z, Olejníčková J, Gallé A, Rascher U, Mo-
hammed G. Meta-analysis assessing potential of steady-state
chlorophyll fluorescence for remote sensing detection of plant
water, temperature and nitrogen stress. Remote Sens Environ,
2015, 168: 420–436.
[81] Ireland C R, Long S P, Baker N R. The relationship between car-
bon dioxide fixation and chlorophyll a fluorescence during induc-
tion of photosynthesis in maize leaves at different temperatures
and carbon dioxide concentrations. Planta, 1984, 160: 550–558.
[82] Lang M, Lichtenthaler H K, Sowinska M, Heisel F, Miehé J A.
Fluorescence imaging of water and temperature stress in plant
leaves. J Plant Physiol, 1996, 148: 613–621.
[83] Chiu Y, Hsu W, Chang Y. Detecting cabbage seedling diseases by
using chlorophyll fluorescence. Eng Agric Environ Food, 2015, 8:
95–100.
[84] Falkenberg N R, Piccinni G, Cothren J T, Leskovar D I, Rush C
M. Remote sensing of biotic and abiotic stress for irrigation
management of cotton. Agric Water Manage, 2007, 87: 23–31.
[85] Maxwell K, Johnson G N. Chlorophyll fluorescence: a practical
guide. J Exp Bot, 2000, 51: 659–668.
[86]
刘良云
,
张永江
,
王纪华
,
赵春江
.
利用夫琅和费暗线探测自
然光条件下的植被光合作用荧光研究
.
遥感学报
, 2006, 10:
130–137.
Liu L Y, Zhang Y J, Wang J H, Zhao C J. Detecting photosynthe-
sis fluorescence under natural sunlight based on fraunhofer line.
Natl Remote Sens Bull, 2006, 10: 130–137 (in Chinese with Eng-
lish abstract).
[87] Atta B M, Saleem M, Ali H, Bilal M, Fayyaz M. Application of
fluorescence spectroscopy in wheat crop: early disease detection
and associated molecular changes. J Fluoresc, 2020, 30:
801–810.
[88]
周丽娜
,
于海业
,
张蕾
,
任顺
,
隋媛媛
,
于连军
.
基于叶绿素
荧光光谱分析的稻瘟病害预测模型
.
光谱学与光谱分析
, 2014,
34: 1003–1006.
Zhou L N, Yu H Y, Zhang L, Ren S, Sui Y Y, Yu L J. Rice blast
prediction model based on analysis of chlorophyll fluorescence
spectrum. Spectrosc Spectral Anal, 2014, 34: 1003–1006 (in
Chinese with English abstract).
[89]
隋媛媛
,
王庆钰
,
于海业
.
基于叶绿素荧光光谱指数的温室黄
瓜病害预测
.
光谱学与光谱分析
, 2016, 36: 1779–1782.
Sui Y Y, Wang Q J, Yu H Y. Prediction of greenhouse cucumber
disease based on chlorophyll fluorescence spectrum index. Spec-
trosc Spectral Anal, 2016, 36: 1779–1782 (in Chinese with Eng-
lish abstract).
[90] Belasque J, Gasparoto M C, Marcassa L G. Detection of me-
chanical and disease stresses in citrus plants by fluorescence
spectroscopy. Appl Optics, 2008, 47: 1922–1926.
[91] Wang H, Qian X J, Zhang L, Xu S L, Li H F, Xia X J, Dai L K,
Xu L, Yu J Q, Liu X. A method of high throughput monitor-
ing crop physiology using chlorophyll fluorescence and multis-
pectral imaging. Front Plant Sci, 2018, 9: 1–12.
[92] Barón M, Penida M, Pérez-Bueno M L. Picturing pathogen infec-
tion in plants. Z Naturforsch, 2016, 7: 355–368.
[93] Lloyd D, Nari W. Imaging and spectroscopy of natural fluoro-
phores in pine needles. Plants, 2018, 7: 1–16.
[94] Sankaran S, Ehsani R. Detection of Huanglongbing disease in
citrus using fluorescence spectroscopy. Trans ASABE, 2012, 55:
313–320.
[95] Fabíola M V P, Débora M B P M, Pereira-Filho E R,
Pereira-Filho E R, Venâncio A L, Russo M D S T, Cardinali M C
D B, Martins P K, Freitas-Astúa J. Laser-induced fluorescence
imaging method to monitor citrus greening disease. Comput
Electron Agric, 2011, 79: 90–93.
[96] Moshou D, Bravo C, Oberti R, West J, Bodria L, Mccartney A,
Ramon H. Plant disease detection based on data fusion of
hyper-spectral and multi-spectral fluorescence imaging using
Kohonen maps. Real-Time Imag, 2005, 11: 75–83.
[97] Ouns A, Cerovic Z G, Briantais J M, Moya I. Dual-exacitation
FLI-DAR for the estimation of epidermal UV absorption in
leaves and canopies. Remote Sens Environ, 2001, 76: 33–45.
[98] Rosema A, Snel J F H, Zahn H, Buurmeijer W F, van Hove L W
A. The relation between laser-induced chlorophyll fluorescence
and photosynthesis. Remote Sens Environ, 1998, 65: 143–154.
[99]
章钊颖
,
王松寒
,
邱博
,
宋练
,
张永光
.
日光诱导叶绿素荧光
遥感反演及碳循环应用进展
.
遥感学报
, 2019, 23: 37–52.
Zhang Z Y, Wang S H, Qiu B, Song L, Zhang Y G. Retrieval of
sun-induced chlorophyll fluorescence and advancements in car-
bon cycle app1ication. Natl Remote Sens Bull, 2019, 23: 37–52
(in Chinese with English abstract).
[100] Zarco-Tejada P J, González-Dugo V, Williams L E, Suárez L,
Berni J A, Goldhamer D, Fereres E. A PRI-based water stress in-
dex combining structural and chlorophyll effects: assessment us-
ing diurnal narrow-band airborne imagery and the CWSI thermal
index. Remote Sens Environ, 2013, 138: 38–50.
[101] Sun Y, Frankenberg C, Wood J D, Schimel D S, Jung M, Guanter
L, Drewry D T, Verma M, Porcar-Castell A, Griffis T J, Gu L,
Magney T S, Kohler P, Evans B, Yuen K. OCO-2 advances pho-
tosynthesis observation from space via solar-induced chlorophyll
fluorescence. Science, 2017, 358: 1–7.
[102] Plascyk J A, Gabriel F C. Fraunhofer line discriminator MK
第
11
期
竞霞等: 基于反射光谱和叶绿素荧光数据的作物病害遥感监测研究进展
2079
II—airborne instrument for precise and standardized ecological
luminescence measurement. IEEE Trans Instrum Measur, 1975,
24: 306–313.
[103] Maier S W, Günther K P, Stellmes M. Sun-induced fluorescence:
a new tool for precision farming. In: McDonald M, Schepers J,
Tartly L, eds. Digital Imaging and Spectraltechniques: Applica-
tions to Precision Agriculture and Crop Physiology. USA:
American Society of Agronomy Special Publication, 2003. pp
209–222.
[104] Luis A, Luis G, Joan V, Julia A, Luis G, Javier C, Jose M. Im-
proved fraunhofer line Discrimination method for vegetation
fluorescence quantification. IEEE Geosci Remote Sens Lett,
2008, 5: 620–624.
[105] Liu X J, Liu L Y. Improving chlorophyll fluorescence retrieval
using reflectance reconstruction based on principal components
analysis. IEEE Geosci Remote Sens Lett, 2015, 12: 1645–1649.
[106] Mazzoni M, Falorni P, Del Bianco S. Sun-induced leaf fluores-
cence retrieval in the O2-B atmospheric absorption band. Opt
Express, 2008, 16: 7014–7022.
[107] Mazzoni M, Falorni P, Verhoef W. High-resolution methods for
fluorescence retrieval from space. Opt Express, 2010, 18:
15469–15663.
[108] Zhao F, Guo Y Q, Verhoef W, Gu X, Liu L, Yang G. A method to
reconstruct the solar-induced canopy fluorescence spectrum
from hyperspectral measurements. Remote Sens, 2014, 6:
10171–10192.
[109] Liu X, Liu L, Zhang S, Zhou X. New spectral fitting method for
full-spectrum solar-induced chlorophyll fluorescence retrieval
based on principal components analysis. Remote Sens, 2015, 7:
10626–10645.
[110]
张永江
,
黄文江
,
王纪华
,
刘良云
,
马智宏
,
李佛琳
.
基于
Fraunhofer
线的小麦条锈病荧光遥感探测
.
中国农业科学
,
2007, 40: 78–83.
Zhang Y J, Huang W J, Wang J H, Liu L Y, Ma Z H, Li F L.
Chlorophyll fluorescence sensing to detect stripe rust in wheat
(Triticum aestivum L.) fields based on fraunhofer lines. Sci Agric
Sin, 2007, 40: 78–83 (in Chinese with English abstract).
[111] Hernández-Clemente R, North P R J, Hornero A, Zarco-Tejada P
J. Assessing the effects of forest health on sun-induced chloro-
phyll fluorescence using the fluorflight 3-d radiative transfer
model to account for forest structure. Remote Sens Environ, 2017,
193: 165–179.
[112] Raji S N, Subhash N, Ravi V, Saravanan R, Mohanan C N, Nita S,
Kumar T M. Detection of mosaic virus disease in cassava plants
by sunlight-induced fluorescence imaging: a pilot study for
proximal sensing. Int J Remote Sens, 2015, 36: 2880–2897.
[113]
刘琦
,
王翠翠
,
王睿
,
谷医琳
,
李薇
,
马占鸿
.
潜育期小麦条
锈菌的高光谱定性识别
.
植物保护学报
, 2018, 45: 153–160.
Liu Q, Wang C C, Wang R, Gu Y L, Li W, Ma Z H. Hyperspec-
tral qualitative identification on latent period of wheat stripe
rust. J Plant Prot, 2018, 45: 153–160 (in Chinese with English
abstract).
[114] Song L, Guanter L, Guan K, You L, Huete A, Ju W, Zhang Y.
Satellite sun-induced chlorophyll fluorescence detects early
response of winter wheat to heat stress in the Indian
Indo-Gangetic Plains. Glob Change Biol, 2018, 24: 4023–4037.
[115] Müller P, Li P, Niyogi K K. Non-photochemical quenching. a
response to excess light energy. Plant Physiol, 2001, 125:
1558–1566.
[116]
卢劲竹
,
蒋焕煜
,
崔笛
.
荧光成像技术在植物病害检测的应用
研究进展
.
农业机械学报
, 2014, 45(4): 244–252.
Lu J Z, Jiang H Y, Cui D. Progress of fluorescence imaging
technology in detection of plant diseases. Trans CSAM, 2014,
45(4): 244–252 (in Chinese with English abstract).
[117] Knyazikhin Y, Schull M A, Stenberg P, Moettus M, Rautiainen M,
Yang Y, Marshak A, Carmona P L, Kaufmann R K, Lewis P. Hy-
perspectral remote sensing of foliar nitrogen content. Proc Natl
Acad Sci USA, 2012, 110: E185–E192.
[118] Beck P S A, Goetz S J. Satellite observations of high northern
latitude vegetation productivity changes between 1982 and 2008:
ecological variability and regional differences. Environ Res Lett,
2011, 6: 45501–45510.
[119] Gamon J A, Kovalchuck O, Wong C Y S, Harris A, Garrity S R.
Monitoring seasonal and diurnal changes in photosynthetic pig-
ments with automated PRI and NDVI sensors. Biogeosciences,
2015, 12: 4149–4159.
[120]
白宗
璠
,
竞霞
,
张腾
,
董莹莹
. MDBPSO
算法优化的全波段光
谱数据协同冠层
SIF
监测小麦条锈病
.
作物学报
, 2020, 46:
1248–1257.
Bai Z F, Jing X, Zhang T, Dong Y Y. Canopy SIF synergize with
total spectral reflectance optimized by the MDBPSO algorithm to
monitor wheat stripe rust. Acta Agron Sin, 2020, 46: 1248–1257
(in Chinese with English abstract).
[121] Cheng Y B, Middleton E, Zhang Q Y, Karl H, Petya C, Lawrence
C, Bruce C, William K, Craig D. Integrating solar induced fluo-
rescence and the photochemical reflectance index for estimating
gross primary production in a cornfield. Remote Sens, 2013, 5:
6857–6879.
[122] Poblete T, Camino C, Beck P S A, Hornero A, Kattenborn T,
Saponari M, Boscia D, Nava-Cortés J A, Zarco-Tejada P J. De-
tection of Xylella fastidiosa infection symptoms with airborne
multispectral and thermal imagery: assessing bandset reduction
performance from hyperspectral analysis. ISPRS J Photogramm
Remote Sens, 2020, 162: 27–40.
[123] Calderón R, Navas-Cortés J A, Lucena C, Zarco-Tejada P J.
High-resolution airborne hyperspectral and thermal imagery for
early detection of Verticillium wilt of olive using fluorescence,
temperature and narrow-band spectral indices. Remote Sens En-
viron, 2013, 139: 231–245.
[124]
蔡成静
,
王海光
,
安虎
,
史延春
,
黄文江
,
马占鸿
.
小麦条锈
病高光谱遥感监测技术研究
.
西北农林科技大学学报
(
自然科
学版
), 2005, 33(6): 31–36.
Cai C J, Wang H G, An H, Shi Y C, Huang W J, Ma Z H. Re-
mote sensing research on monitoring technology of wheat
stripe rust. J Northwest Agric For Univ (Nat Sci Edn) 2005,
33(6): 31–36 (in Chinese with English abstract).
2024年6月3日发(作者：信晓枫)
作物学报
ACTA
AGRONOMICA
SINICA 2021, 47(11): 20672079 /
ISSN 0496-3490; CN 11-1809/S; CODEN TSHPA9 E-mail: zwxb301@
DOI: 10.3724/SP.J.1006.2021.03057
基于反射光谱和叶绿素荧光数据的作物病害遥感监测研究进展
竞 霞
1
邹 琴
1
白宗
璠
1
黄文江
2,*
1 2
西安科技大学测绘科学与技术学院, 陕西西安 710054; 中国科学院空天信息创新研究院遥感科学国家重点实验室, 北京 100101
摘 要: 作物病害是影响粮食产量和质量的生物灾害, 病害的侵染消耗了作物营养和水分, 扰乱了其正常的生命过
程, 引起了作物内部生理生化和外部表观形态的改变。冠层反射光谱能够较好地探测作物群体结构信息, 叶绿素荧光
能敏感反映作物光合生理上的变化, 二者均能够实现作物病害的遥感探测。本文从作物病害遥感探测的方法和尺度
两个方面综述了基于反射率光谱的作物病害遥感监测现状, 概括了主动荧光、被动荧光以及协同日光诱导叶绿素荧
光和反射率光谱在作物病害遥感监测中的研究进展, 分析了反射率光谱和叶绿素荧光数据在作物病害遥感探测方面
的优缺点, 探讨了不同数据源、不同监测方法在作物病害遥感探测中可能存在的问题, 并在此基础上展望了作物病害
遥感监测的未来发展, 旨在为后续利用反射率光谱和叶绿素荧光数据探测作物病害提供重要的参考依据。
关键词: 反射率; 叶绿素荧光; 作物病害; 遥感监测
Research progress of crop diseases monitoring based on reflectance and chlo-
rophyll fluorescence data
JING Xia
1
, ZOU Qin
1
, BAI Zong-Fan
1
, and HUANG Wen-Jiang
2,*
1
College of Geometrics, Xi’an University of Science and Technology, Xi’an 710054, Shaanxi, China;
2
State Key Laboratory of Remote Sensing
Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100101, China
Abstract: Crop diseases are biological disasters that affect grain production and quality. The infestation of diseases consumes the
nutrients and water, disrupts its normal life process, and causes changes in the internal physiological and biochemical state and
external appearance of the crop. Canopy reflectance spectrum can detect crop population structure information well, and chloro-
phyll fluorescence data can sensitively reflect changes in crop photosynthetic physiology, both methods are capable of detecting
crop diseases via remote sensing technology. This article outlined the current research status of crop diseases detection based on
reflectance spectrum through remote sensing technology from the aspects of monitoring methods and monitoring scales, summa-
rized the research progress of using active fluorescence, passive fluorescence and coordinated solar-induced chlorophyll fluores-
cence and reflectance spectroscopy to monitor crop diseases, analyzed the advantages and disadvantages of reflectance spectrum
and chlorophyll fluorescence data in crop disease early warning detection, and discussed the possible problems in the remote
sensing detection of crop diseases. On the basis, we made a prospect for the development of remote sensing monitoring crop dis-
eases. This paper provides an important reference for the subsequent applications of crop diseases detection based on reflectance
spectrum and chlorophyll fluorescence data.
Keywords: reflectance; chlorophyll fluorescence; crop diseases; remote sensing monitoring
受近年来极端天气的影响, 作物病害出现来势
早、灾情重和大面积爆发等特点
[1]
, 严重影响了作物
产量和质量, 快速、无损、高精度、大范围的监测
和预警是有效防控作物病害的关键
[2]
。传统的作物
病害监测主要由植保专家等通过田间调查的方法判
断病害严重度, 该方法费时费力, 时效性差, 且受
观测者的主观因素影响较大
[3]
, 难以适应大范围病
害实时监测和预报的需求
[4]
。遥感技术具有快速、
大范围和无破坏等显著优点, 已被广泛应用于作物
长势及病害胁迫监测中
[5-6]
。
本研究由国家自然科学基金项目(41601467, 52079103)资助。
This study was supported by the National Natural Science Foundation of China (41601467, 52079103).
*
通信作者(Corresponding author): 黄文江, E-mail: huangwj@
第一作者联系方式: E-mail: jingxiaxust@
Received (收稿日期): 2020-09-29; Accepted (接受日期): 2021-04-26; Published online (网络出版日期): 2021-05-21.
URL: /kcms/detail/
2068
作 物 学 报
第47卷
作物受到病菌侵染后, 叶片色素及水分含量、
光合生理状态等均会发生变化, 病害的不同侵染阶
段其生理变化强度及其症状显现程度均不相同
[7]
。
在作物受到病害胁迫的早期阶段, 主要是通过生理
机制的调整使其快速适应外在胁迫的变化, 而叶绿
素荧光能够灵敏反映作物光合生理上的变化, 实现
作物病害的早期探测
[8-9]
。当作物受到持续的病害胁
迫后, 不但其细胞活性、生化组分等发生变化, 叶片
形态、叶倾角分布及冠层结构、密度等均会随之改
变, 进而引起植物叶片、冠层反射光谱发生变化。
因此, 利用反射率和叶绿素荧光光谱均能实现作物
病害的遥感监测。
此不同病害类型具有不同波段的光谱响应特性, 利
用光谱响应的敏感波段及异常光谱的变化程度可实
现作物病害的识别及发病程度的预测(表1)。目前主
要采用过滤法(Filter)、包裹法(Wrapper)和嵌入法
(Embedded)三类特征选择算法挑选作物病害遥感探
Filter算法从数据特征的结构出发, 测的敏感因子
[16]
。
利用光谱特征参量与病情指数之间的相关性作为敏
感因子的优选标准, 特征参量的选择独立于模型算
法
[17]
, 能够快速实现作物病害的诊断, 但该方法忽
略了各特征参量间的相关性, 难以挖掘出特征参量
之间的组合效应, 影响了模型构建的精度
[9]
。为提高
模型的泛化能力与预测精度
[18]
, 结合特征选择和模
型构建方法的Wrapper算法诞生, Wrapper算法需要
定义启发策略, 复杂性高, 在作物病害监测的实现
上具有一定的难度
[19]
。Embedded方法是基于Filter
算法和Wrapper算法的折中方案, 能通过学习器自
身主动选择特征, 包括基于惩罚项的特征选择法
[20]
和基于树模型的特征选择法
[21-22]
等, 具有良好的统
计性质, 但参数设置需要深厚的背景知识
[23]
。
作物病害遥感探测精度除与所选特征因子有关
外, 建模算法也是影响其精度的重要因素。作物病
害遥感监测模型主要包括统计模型和人工智能模型
(表2)。统计模型能够综合描述两组变量之间典型的
相关关系, 方法简单且在样本充足的情况下能达到
较好的监测精度, 但由于数据获取时外界条件的差
异, 该方法在空间维和时间维上的普适性较差
[36]
。
因此一些学者提出了能够兼顾训练误差和泛化能力
1 基于反射率光谱的作物病害遥感监测
作物受到病害胁迫后引起的叶片表面“可见–近
红外”波段光谱反射率的变化, 反映了植被物理生化
组分的状况, 是遥感探测病害的直接依据
[10]
。根据
病害对作物生理生化及冠层结构的影响程度, 作物
的反射率光谱会发生相应改变
[11]
, 为受胁作物的生
理胁迫提供丰富的信息
[12]
, 被广泛应用于作物病害
的遥感监测研究。
1.1 基于反射率光谱的作物病害监测方法
受病害胁迫作物生理生化特性及表观形态的改
变会引起光谱特征的改变
[13]
, 其光谱响应特性是由
病害胁迫导致的植物损伤所引起的色素、水分、形
态、结构等变化的函数
[14]
。作物不同, 病害种类及
其发展阶段不同, 导致了光谱特征的多样性
[15]
, 因
表1 特征选择算法及敏感波段
Table 1 Feature selection algorithm and sensitive band
作物病害类型
Type of crop diseases
小麦条锈病 Wheat stripe rust
小麦白粉病 Wheat powdery mildew
水稻穗颈瘟 Rice panicles blast
番茄晚疫病 Tomato late blight
560–670
光谱响应波段
Spectral response band (nm)
490, 510, 516, 540, 780, 1300
430–530, 580–680, 1480–2000
700–750, 750–930, 950–1030, 1040–1130
特征选择算法
Feature selection algorithm
Filter
Filter
Filter
Filter
Filter
Filter
Wrapper
Wrapper
Wrapper
Wrapper
Embedded
Embedded
参考文献
References
[24]
[25]
[26]
[27]
[28]
[29]
[30]
[31]
[32]
[33]
[34]
[35]
棉花黄萎病 Cotton verticillium wilt 680–760, 731–1371
玉米大斑病 Corn leaf blight
小麦条锈病、小麦白粉病
Wheat yellow rust, wheat powdery mildew
水稻颖枯病 Rice panicles
番茄叶斑病 Tomato bacterial spot
花生叶斑病 Peanut leaf spots
450–850
395, 633–635, 750–760
761, 938
725–740
480, 633, 934
苹果黑星病 Venturia inaequalis infection 1350–1750, 2200–2500
马铃薯晚疫病 Potato late blight 600–900
第
11
期
竞霞等: 基于反射光谱和叶绿素荧光数据的作物病害遥感监测研究进展
2069
表2 作物病害遥感监测算法
Table 2 Remote sensing monitoring algorithm for crop diseases
模型
Model
统计模型
Statistical model
作物病害种类
Type of crop diseases
小麦白粉病
Wheat powdery mildew
小麦条锈病
Wheat stripe rust
小麦白粉病
Wheat powdery mildew
番茄叶斑病
Tomato bacterial spot
小麦条锈病
Wheat stripe rust
人工智能模型
Artificial
intelligence model
水稻颖枯病、曲霉病
Rice glume blight disease and
false smut disease
黄瓜花叶病毒
Cucumber mosaic virus
小麦白粉病
Wheat powdery mildew
大豆枯萎病
Soybean sudden death syndrome
油棕茎腐病
Oil palm basal stem rot
小麦白粉病
Wheat powdery mildew
蚕豆病虫害
Broad bean disease and pests
人工神经网络
Artificial neural network
Fisher线性判别分析、AdaBoost和支持向量机
Fisher linear discriminant analysis, support vector machine,
and AdaBoost model
偏最小二乘判别分析
Partial least squares discriminant analysis
决策树、随机森林和支持向量机
Decision tree, random forest, and support vector machine
随机森林
Random forest
聚类算法
K-Means and the FCM clustering
[50]
[49]
[48]
[47]
[46]
[45]
相关分析、方差分析
Correlation analysis and variance analysis
线性回归、非线性回归
Linear regression and nonlinear regression
Logistic回归
Logistic regression
偏最小二乘回归、多元逐步回归
Partial least squares regression and multiple stepwise
regression
偏最小二乘法
Partial least squares
主成分分析
Principal component analysis
[31]
[9]
[44]
[43]
[42]
算法
Algorithm
文献
Reference
[41]
的模式识别和机器学习的作物病害监测模型
[37]
, 该
方法具有较好的非线性拟合能力, 能不断训练样本
数据使目标达到最优化
[38]
, 解决了反射系数轻微变
化而导致作物病害探测困难的问题
[39]
, 但基于机器
学习的作物病害遥感监测需要海量数据样本, 且存
在着过学习、局部极值点和维数灾难等缺点
[40]
。
了地块尺度上的作物病害识别。随着光谱成像技术的
发展, 目前地块尺度的作物病害遥感监测主要利用
高光谱影像和多光谱影像等得到不同病情严重度下
尽管基于航空的作物病害监测取作物病害信息
[56-61]
。
得了较好的诊断效果, 但仪器昂贵限制了其广泛使
用
[62]
, 区域尺度的病害监测以卫星影像作为数据源,
在观测范围和成本上具有一定优势。利用卫星数据获
取作物病害胁迫信息要求使用的卫星传感器具有较
高的光谱分辨率以及可区分健康作物和受病害胁迫
作物的光谱通道
[63]
, 高分辨率和高精度的卫星遥感
影像与其他多源异构信息结合形成时空序列数据集,
为区域内作物病害监测、大尺度病害预报和流行趋势
提供依据
[64-65]
。表3对叶片及冠层、地块和区域尺度
上的部分研究成果进行了总结和归纳。
1.2 基于不同尺度的作物病害遥感监测
在叶片及冠层尺度上, 作物病害的遥感监测主
要基于手持仪器
[51]
、塔基平台
[52-54]
等近地平台搭载的
光谱仪获取不同发病状态下的作物光谱信息。叶片水
平的光谱特征不受土壤和形态等因素影响, 适用于
作物病害的机理研究, 受限于观测范围难以实现大
区域的病害监测。1927年Taubenhaus等
[55]
利用飞机
搭载的黑白相机实现了棉花根腐病判定, 首次实现
2070
作 物 学 报
第47卷
表3 不同尺度的作物病害遥感监测应用案例
Table 3 Application cases of remote sensing monitoring crop diseases at different scales
监测尺度
Monitoring scale
叶片及冠层尺度
Leaf and canopy
scale
设备
Devices
非成像高光谱扫描
仪、成像高光谱仪。
Non-imaging hyper-
spectral scanner and
imaging hyperspectral
spectrometer.
特点
Characteristics
病害类型
Type of diseases
参考文献
Reference
[66]
叶锈病
方便、灵活以及受外界因素影响较小、监测精度高, 通
甜菜叶斑病、
常用于作物病害的遥感探测机理研究, 受探测范围限
制, 难以实现大区域作物病害的遥感探测。
Convenient, flexible and less affected by external factors,
with high detection accuracy. It is usually used to study
the mechanism of early warning and detection of crop
diseases. Due to the limitation of the detection range, it is
difficult to realize the correction and detection of
large-area crop diseases.
和白粉病
Sugar beet leaf spot,
leaf rust and pow-
dery mildew
小麦白粉病
Wheat powdery
mildew
水稻穗瘟病
[67]
地块尺度
Plot scale
成像多光谱仪、成像
高光谱相机、热红外
成像仪。
Imaging
multi-spectrometer,
imaging hyperspectral
camera and thermal
infrared imager.
通常利用搭载于航空平台的传感器监测, 探测范围较
响较小, 对爆发性流行病害具有一定的应急监测能力。
Usually, the sensors carried on the aviation platform are
used for monitoring, which has a large detection range,
more flexible data source acquisition compared with space
data, and less affected by weather conditions, and have a
certain emergency monitoring ability for explosive epi-
demic diseases.
[26]
大, 数据源获取相对航天数据更为灵活且受天气状况影
Rice panicle blast
番茄晚疫病
Tomato late blight
[68]
区域尺度
Regional scale
多光谱卫星、高光谱
卫星、热红外卫星。
Multispectral sate-
llites, hyperspectral
satellites and thermal
infrared satellites.
探测范围广, 以卫星数据为数据源, 能周期性地对同一
依据。
Wide detection range. Using satellite data as a data source,
it can periodically re-monitor the same area and provide a
basis for large-scale disease forecasts and epidemic trends.
小麦锈病
[69]
地区进行重复监测, 为大尺度病害预报和流行趋势提供
Wheat rust
小麦白粉病
Wheat powdery
midew
小麦黄锈病
Wheat yellow rust
芦笋紫斑病
Asparagus purple
spot disease
黄锈病和蚜虫
Wheat yellow rust
and aphid
[73]
[72]
[71]
[70]
反射率光谱数据能够有效反映冠层结构变化
[11,74]
,
为实现大面积作物病害的遥感探测奠定了重要基础,
然而病害对光谱的影响依赖其生理变化强度、病害
病害早期, 作物主要通
发展阶段和症状显现程度
[7]
。
过调整自身生理机制以适应病害胁迫, 而生化组分
随着病情严重度的增加, 病害则无显著变化
[61,65,75]
。
胁迫导致的植被冠层结构变化在生物系统遭受严重
伤害时才表现出来
[76]
, 作物冠层结构对病害胁迫响
应具有明显的滞后性, 当作物病情指数低于20%时,
反射率光谱难以探测到作物病害胁迫信息
[8]
。叶绿
素荧光与植物光合生理密切相关并参与了作物的能
量分布, 在作物受到病害等胁迫时, 叶绿素荧光先
于叶绿素含量发生变化, 因此叶绿素荧光能够提供
病害胁迫的早期探测信息
[77]
, 更适于作物病害的早
期监测
[9]
。
2 基于叶绿素荧光的作物病害遥感探测
不同于反射率光谱是叶片入射辐射与植物的生
物物理和生化特性之间多次相互作用的结果
[7]
, 叶
绿素荧光是叶绿素分子吸收光子后, 被激发的叶绿
素分子重新发射光子回到基态而产生的一种光信
号
[78]
。叶片叶绿素荧光在红光和远红光光谱区域中
存在由光系统PS I和PS II引起的最大值(图1), 且
叶绿素对转移到叶片表面的红光波段荧光吸收作用
更强, 因此健康的绿色叶片中红光波段峰值通常低
于远红光
[79]
。PS II对生物和非生物胁迫的敏感性致
第
11
期
竞霞等: 基于反射光谱和叶绿素荧光数据的作物病害遥感监测研究进展
2071
使光化学电子传递能力受到损害, 通常在荧光的发
射变化中有明显响应
[80]
, 并能反映出叶绿素荧光和
碳同化之间的复杂关系
[81]
, 已有研究表明, 作物受
水胁迫时, F
440
/F
690
和F
440
/F
740
荧光比值相对恒定,
而温度胁迫则致使叶片叶绿素荧光参数和非光化学
猝灭敏感性高、F
440
/F
690
和F
440
/F
740
比值减小
[82]
, 受
病害胁迫的作物的F
v
/F
m
比值减小, 病原菌入侵会
破坏叶绿素分子合成和降解的动态平衡, 使得患病
植株的PS II活性降低
[83]
。当作物同时处于生物胁迫
(病害胁迫)和非生物胁迫(水、温度、养分胁迫)时, 常
引入热红外成像仪监测, 受生物胁迫时冠层温度升
高, 而受水、养分胁迫时, 冠层温度不变甚至会下
降
[84]
, 对于病害胁迫和热胁迫的区分, 则依赖于病
症表现与否进行判别。
图1 稳态条件下叶片吸收光能后的释放途径及叶片荧光发射
概念图
[79]
Fig. 1 Release path of absorbed light energy in leaves under
steady-state conditions and conceptual figure of leaf fluores-
cence emission
[79]
2.1 基于主动叶绿素荧光的作物病害探测
主动叶绿素荧光的探测主要包括叶绿素荧光动
力学技术和激光诱导荧光技术2种方法。叶绿素荧
光动力学技术多借助(非)调制式叶绿素荧光仪的叶
片“点”式接触方式测量叶绿素荧光参数
[85]
。而激光
诱导荧光技术以紫外光作为激发光源, 测量单色光
激发照明条件下荧光波长的发射荧光
[86]
。
通过主动方法探测的叶绿素荧光已被广泛应用
于作物病害监测以及病害识别和分类等研究中。如
Atta等
[87]
在实验条件下记录了叶绿素荧光光谱随病
情严重度的变化, 基于同步荧光光谱特征实现了小
麦条锈病的早期监测。周丽娜等
[88]
基于激光诱导的
叶绿素荧光实现了稻瘟病发病等级预测; 隋媛媛
等
[89]
利用叶绿素荧光光谱指数在显症前完成了黄瓜
霜霉病预测。在胁迫的分类上, Belasque等
[90]
利用激
光诱导荧光技术实现了人工损伤、养分胁迫和病害
胁迫的准确分类; Wang等
[91]
利用Φ
PSII
、F
v
/F
m
和
F
550
/F
510
三个指标实现了氮、干旱和灰霉病胁迫的分
类。上述研究主要是利用非成像荧光技术进行作物
病害的遥感监测, 该方法具有成本低、数据量小、
处理速度快的优势, 然而叶片不同部位的组织结构
和叶绿素含量存在差异, 导致叶片不同部位的光合
作用具有横向异质性, 而荧光成像技术能够获取植
物的颜色纹理等特征信息和荧光强度信息, 揭示受
生物或非生物因素胁迫的植物叶片或表面的时空异
质性
[92]
, 因此一些研究者利用荧光影像的这种特性
实现了染病与健康植物的区分
[93-94]
、染病作物的早
期诊断
[95]
和作物病害的实时检测
[96]
等。
基于主动荧光的作物病害遥感监测对于揭示叶
片光合状态、解释病害胁迫机理具有重要意义, 但
该方式测定的叶绿素激发荧光与自然条件光合作用
荧光的物理意义差别较大, 而且由于使用条件的限
制(激光激发或叶片接触式测量等), 难以推广到大
范围的遥感应用
[97-98]
。
2.2 基于日光诱导叶绿素荧光探测作物病害
日光诱导叶绿素荧光(Sun-induced Chlorophyll
Fluorescence, SIF)是植物在太阳光照条件下, 由光
合中心发射出的光谱信号(650~800 nm), 具有红光
(685 nm左右)和远红外(740 nm左右)两个波峰, 能
直接反映植物实际光合作用的动态变化
[99]
, 实现作
物病害的遥感监测。
自然条件下, 遥感传感器探测的冠层光谱信号
中SIF信号与植被反射光谱信号混叠, 且冠层SIF
信号很微弱、通常不足入射辐射的2%
[100]
, 因此对
于SIF的信息提取具有很大挑战性
[101]
。随着遥感技
术的进步, 研究者发现SIF在Fraunhofer暗线处具有
填充效应(图2), 这使得SIF的直接遥感探测成为可
能。学者们基于此原理提出了标准FLD (Fraunhofer
Line Discriminator)
[102]
、3FLD (3-bands Fraunhofer
Line Discriminator)
[103]
、iFLD (improved Fraunhofer
Line Discriminator)
[104]
、pFLD (PCA-based FLD)
[105]
和光谱拟合法(Spectral Fitting Method, SFM)
[106]
等单
波段SIF反演算法和全波段SFM
[107]
、FSR
2072
作 物 学 报
第47卷
收线内外反射率和荧光关系的iFLD算法, 利用三次
样条函数插值获得的表观反射率代替真实反射率进
行计算, 从而消除荧光和反射率对SIF反演算法的影
响。Liu等
[105]
以主成分分析代替插值拟合吸收线处的
反射率曲线, 以更精确的估算发射率及荧光校正系
数。SFM则是假定Fraunhofer吸收线内外的荧光和
图2 狭窄的大气吸收带对太阳辐照度的影响(左)和荧光对吸收
带内的填充效应(右)
[104]
Fig. 2 Effect of narrow atmospheric absorption zones on solar
irradiance (left) and filling effect of fluorescence emission on
absorption zone (right)
[104]
发射率是变化的, 利用二次函数拟合SIF光谱和反射
率光谱
[106]
。
全波段SIF光谱反演算法的精度取决于反射率
和SIF光谱的估算精度, Mazzoni等
[107]
分别利用2
个Voigt函数之和以及三次样条函数代替二次函数
拟合SIF光谱和反射率光谱, 基于SFM实现了675~
770 nm波段范围内的SIF光谱反演, 并用模拟数据
进行了验证。FSR算法利用SFM反演出5条吸收线
处的SIF辐照度, 通过奇异值分解提取3个具有SIF
光谱一般分布特征的基谱, 利用加权线性最小二乘
和5个反演的SIF值拟合确定基谱系数, 重建全波段
SIF光谱
[108]
。F-SFM算法则利用主成分分析提取反
射率和SIF的特征波段, 根据不同权重的反射率和
SIF主成分重建反射率和SIF光谱, 并引入迭代过程
提高反射率的估算精度
[109]
。表4归纳了目前常用的
单波段和全波度SIF反演方法, 为今后研究者选择
合适的SIF估测算法提供参考。
(Fluo rescence Spectral Reconstruction)
SIF反演算法。
[108]
及F-SFM
等全波段
(Full-spectrum Spectral Fitting Method)
[109]
标准FLD算法是在假设Fraunhofer吸收线内外
的反射率和透过率相等的基础上, 通过建立吸收谷
内外的辐亮度光谱方程解求SIF
[102]
。为了克服标准
FLD方法在吸收线内外波段的反射率和荧光值实际
上存在差异的局限性
[86]
, Maier等
[103]
提出了3FLD的
SIF提取算法, 该方法假设反射率在很窄的
Fraunhofer吸收线内外呈线性变化, 通过吸收线内外
波段的加权平均值减弱SIF和反射率随波长变化带来
的影响。Luis等
[104]
提出引入2个校正系数表示吸
表4 单波段和全波段SIF的提取算法
Table 4 SIF extraction algorithm for single spectrum and full spectrum
反演算法
Retrieval algorithms
单波段
Single spectrum
FLD
3FLD
iFLD
SFM
pFLD
全波段
Full spectrum
SFM
FSR
F-SFM
Fraunhofer线内外反射率和荧光关系
The relationship of reflectance and SIF between the internal and external
Fraunhofer dark line respectively
参考文献
Reference
r(λ
out
) = r(λ
in
), F(λ
out
) = F(λ
in
) [102]
r(λ
in
) = r(λ
left
)×ω
left
+r(λ
right
)×ω
right
, F(λ
out
) = F(λ
in
) [103]
r(λ
out
) = α
R
r(λ
in
), F(λ
out
) = α
F
F(λ
in
) [104]
r(λ) = f(r
λ
), F(λ) = f(F
λ
) [106]
(
)
k
(
)
R
ii
i
1
n
[105]
r(λ) = S(r
λ
), F(λ) = V(F
λ
) [107]
F(λ) ≈ b
0
+b
1
·(λ–λ
0
)+b
2
·(λ–λ
0
)², r(λ) ≈ b
3
+b
4
·(λ–λ
0
)+b
5
·(λ–λ
0
)² [108]
r(
)
k
i
i
(
), F(
)
j
i
i
(
)
ii
mn
[109]
λ
in
、
λ
out
、
λ
left
、
λ
right
分别表示吸收线内、外、左、右波段的波长值
; ω
left
、
ω
right
分别表示吸收线左右波段反射率的权重系数
; α
R
和
α
F
分
别为反射率和荧光的校正系数
; f(r
λ
)
和
f(F
λ
)
为利用数学函数拟合的反射率和荧光曲线
;
i
和
i
分别为反射率和荧光的主成分
, k
i
和
j
i
分
别为反射率和荧光的主成分权重。
λ
in
, λ
out
, λ
left
, and λ
right
represent the wavelength values of the inner, outer, left, and right bands of the absorption line; ω
left
and ω
right
represent
the weight coefficients of reflectivity in the left and right bands of the absorption line, respectively; α
R
and α
F
represent the correction factor
for reflectance and fluorescence, respectively; f(r
λ
) and f(F
λ
) are the reflectance and fluorescence curves fitted by mathematical functions,
respectively;
i
and
i
are principal components of reflectance and fluorescence, and k
i
, j
i
are the principal component weights of reflectance
and fluorescence, respectively.
第
11
期
竞霞等: 基于反射光谱和叶绿素荧光数据的作物病害遥感监测研究进展
2073
SIF数据能够快速、无损地探知植物光合生理及
其胁迫状况, 被广泛应用于作物病害遥感监测。张
永江等
[110]
基于FLD提取了O
2
-A (760 nm)和O
2
-B
(688 nm)波段的SIF强度, 构建了用于反映作物受胁
迫状况的荧光比值指数F
688
/F
760
, 证实了利用FLD
提取的SIF信息可以反映田间小麦条锈病的发病
状况。Hernández-Clemente等
[111]
利用不同分辨率下
的SIF监测了受疫霉菌侵染的橡树林, 基于提出的
FluorFLIGHT模型实现了健康和发病橡树林的分
类。Raji等
[112]
利用O
2
-A和O
2
-B波段SIF数据构建
了荧光比值F
687
/F
760
, 实现了木薯花叶病的早期探
测。赵叶等
[8]
对比分析了反射率光谱和SIF数据对小
麦条锈病不同发病状态下的敏感性, 发现当病情指
数低于20%, SIF数据对小麦条锈病害胁迫响应更为
敏感, 冠层SIF数据比反射率光谱数据更适于作物
病害的早期探测
[9]
。但叶绿素荧光光谱范围有限, 无
法探测到光谱响应位置不在此范围内的病害类型,
且监测精度受SIF提取精度的影响。
3 SIF与反射率光谱协同的作物病害遥感
探测
作物受到病菌侵染后, 其水分及叶绿素含量、
光合速率和光能转换率等一些生理生化指标均会发
生变化
[113]
, 反射光谱信号对作物群体生物量具有较
稳定的敏感光谱特征, 能够有效反映冠层几何结构
的变化
[11]
, 但难以揭示植被光合生理状态
[12]
, 且受
土壤颜色、阴影或者其他非绿色景观成分等背景噪
声的影响较大
[114]
。叶绿素荧光与光合作用之间具有
直接联系
[114]
, 能够敏感反映作物光合生理上的变
化
[115]
, 且荧光能探测到肉眼不可见的植物病害, 受
湿度影响小
[116]
。但传感器探测到的SIF信息同时受
到作物胁迫状况和冠层几何结构等综合因素的影
响
[117]
, 直接利用冠层SIF监测植物的胁迫状况具有
一定难度。综合利用反射率光谱在作物生化参数探
测方面的优势
[118-119]
和SIF在光合生理诊断方面的
优势
[114]
, 能够更加客观的映射作物受病害胁迫的真
实状况, 提高作物病害的遥感探测精度
[4,21]
。
陈思媛等
[5]
和竞霞等
[21]
研究结果表明, 在反射
率光谱指数及一阶微分光谱指数中加入冠层SIF数
据能够改善小麦条锈病的遥感监测精度, 然而利用
少量波段信息计算反射率光谱指数或一阶微分光谱
指数在一定程度上丢失了对作物病害遥感探测的有
用信息。基于此, 白宗
璠
等
[120]
利用改进离散粒子群
算法从全波段光谱数据中优选遥感探测小麦条锈病
严重度的特征变量, 协同冠层SIF数据分别利用随
机森林和后向传播神经网络构建小麦条锈病遥感探
测模型, 改善了模型的收敛速度和寻优精度并提高
了小麦条锈病遥感探测精度。上述研究是将SIF和
反射率光谱特征直接拼接形成高维特征向量, 没有
考虑不同特征向量与作物病情严重度之间的最优映
射关系, 利用单一函数映射所有特征构建作物病害
遥感监测模型, 不仅难以充分挖掘特征中包含的信
息, 还会增加分类器训练和预测时的计算代价。高
媛等
[20]
基于核函数的特征融合法将SIF和反射率光
谱特征用不同的核函数进行映射, 通过多核学习算
法构建了反射率与SIF协同的小麦条锈病遥感监测
模型。结果表明, 对SIF和反射光谱特征分别利用其
最优核进行映射构建的小麦条锈病严重度估测精度
优于直接拼接法。叶绿素荧光的发射和NPQ能量耗
散都是植物碳固定机制中的重要组成部分
[78,121]
, 均
能够敏感反映植物受胁状况及其光合性能, 因此一
些专家综合利用反射率光谱、SIF和热红外信息进行
作物病害的遥感监测。Poblete等
[122]
基于高光谱影像
和热影像提取的SIF和作物水分胁迫指数(CWSI),
实现了健康橄榄树和受木糖杆菌胁迫橄榄树的分
类。Calderón等
[123]
利用连续3年的机载热、多光谱
和高光谱影像提取出SIF、温度信息和窄带光谱指数
实现了橄榄黄萎病的早期监测。
4 讨论与展望
极端气候条件的变化导致大面积农作物病虫害
频发, 对我国农业可持续发展和粮食安全产生严重
的影响, 全世界每年由病虫害导致的粮食减产约为
总产量的1/4, 其中病害造成的损失为14%, 虫害造
成的损失为10%
[15]
。及时准确的探测到病害胁迫信
息对作物病害的防控以及作物产量和品质的提高,
降低病害防治成本, 减少农药对环境污染具有极为
重要的意义。虽然基于反射率和叶绿素荧光数据的
作物病害遥感探测取得了丰硕的成果, 但由于每种
病害对作物侵染的方式都不相同, 病害的光谱响应
具有多效性
[1]
。因此基于反射率和叶绿素荧光的作
物病害遥感探测还存在一些问题和挑战:
(1) 全波段SIF光谱的作物病害遥感监测精度
及稳定性有待提高。全波段SIF光谱(650~850 nm)
在红光区(685~690 nm附近)和远红光区(730~740
nm附近)存在2个荧光峰值, 不仅包含病害胁迫下
2074 作 物 学 报
第
47
卷
的SIF强度信息, 还能提供形状信息, 与植被生理
状态存在显著相关关系
[78]
, 更适用于作物病害的识
别与监测。然而遥感传感器探测到的SIF信号微弱
且与反射率信号混叠, 如何提高全波段SIF信息的
提取精度, 是利用全波段SIF光谱进行作物病害遥
感监测面临的重要挑战之一。
(2) 群体生物量影响了作物病害的SIF探测精
度。作物在受病菌侵染初期即能通过调整光合速率
的方式启动光保护机制, 以发射叶绿素荧光消耗过
剩的光能等生理机制对病害作出快速响应
[11,62]
, 实
现作物病害的早期探测。然而冠层SIF一方面随能
量耗散途径的生理调节而改变, 另一方面也受到植
物色素组成、叶面积、叶倾角等生化物理参数的影
响, 如何消除群体生物量对冠层SIF的影响, 是基
于SIF数据进行作物病害早期探测需要解决的关键
问题。
(3) 病害微观特性和宏观遥感监测的结合不足。
病菌生长、繁殖和侵染过程会消耗寄主养分、破坏
其正常的生理过程, 如小麦条锈病夏孢子突破表皮
破坏了大量的叶绿素, 从而使各个生育期的叶绿素
含量降低, 导致了小麦叶片褪绿、发黄等症状
[13]
, 这
些变化在反射率和荧光光谱曲线上均有体现。研究
不同病害胁迫下叶片的色素含量、细胞水含量、细
胞间隙比等微观特性以及叶面积指数群体参数与
SIF和反射率光谱的作用机制, 在病害光谱响应特
性分析的基础上, 建立SIF和反射率光谱随病情发
展的动态响应规律和关键参数的估算模型, 对作物
病害的遥感探测和科学防治具有重要意义。
(4) 作物病害逆向遥感识别问题没有很好地解
决。目前作物病害遥感探测主要侧重于研究病害胁
迫下反射率光谱和叶绿素荧光数据的响应特性, 并
利用实验数据中探测到的光谱差异分析作物是否受
到病害胁迫及其病情严重度, 而极少有研究涉及作
物病害类型的遥感识别问题, 即作物病害遥感逆向
识别与诊断问题尚未得到很好地解决。农作物病害
的逆向遥感识别是实现大范围航空航天遥感监测的
关键, 是利用遥感影像监测农作物病害不可回避的
问题。建立基于大尺度范围的作物病害逆向遥感识
别技术方法和体系, 构建具有较强机理解释和一定
普适性的作物病害诊断模型, 还有待进一步研究。
(5) 不同尺度作物病害遥感探测之间没能很好
地结合。近地高光谱作物病害遥感监测具有航空航
天遥感监测难以比拟的方便性、灵活性、经济性等
优势, 而且受外界因素的影响较小, 能获得相对比
较理想的监测结果, 但在空间上具有一定随机性,
只有结合航空航天遥感影像数据才能反映病害发生
发展的空间特征, 从真正意义上实现作物病害的遥
感监测
[124]
。利用航空航天遥感影像监测农作物病害
时, 由于传感器接收到的信号是地面分辨率范围内
像元目标物的总和, 受下垫面状况、植株的形态结
构、天气状况、栽培措施等因子的影响, 因此研究
不同尺度作物病害遥感探测之间的关系, 对提高作
物病害的探测精度, 实现大范围作物病害的遥感监
测具有重要意义。
(6) 作物病害遥感探测模型对植被病理机制和
定量遥感机理结合不够充分。将遥感探测机理与植
被病理机制相结合, 构建具有一定生理机制的作物
病害遥感探测模型对提高模型的实用性具有重要意
义。已有研究主要侧重于分析病害胁迫下反射率或
荧光数据的响应特性, 忽略了病害发生的生理机制
及其遥感探测机理。结合病害生理机制的遥感探测
模型较单纯基于光谱响应特性构建的模型更能提升
对复杂农田环境的适应能力, 提高作物病害遥感监
测精度和模型的普适性。
5 总结
随着农业信息化的不断深入, 利用遥感技术监
测作物病害逐步从理论走向应用, 并且在弥补传统
病害监测时效性差和人力损耗大等缺陷上显示出极
大潜力。论文总结了利用反射率光谱数据进行作物
病害遥感探测中常用的特征优选和模型构建方法,
概括了主动荧光、被动荧光以及协同SIF和反射率
光谱在作物病害遥感监测中的研究进展, 分析了反
射率数据和叶绿素荧光数据在作物病害遥感探测中
的优势和局限性, 探讨了目前研究中可能存在的问
题及未来的发展方向。尽管目前遥感监测技术与实
际生产管理应用存在较大差距, 但在充分考虑病害
生理机制和定量遥感机理的基础上, 结合生境条
件、农学背景深入挖掘多时相遥感数据所包含的病
害信息, 可为现代农业大面积精准管理和植保提供
实时动态监测信息, 使得作物病害遥感监测方法和
技术在应用中不断走向成熟。
References
[1] Deutsch C A, Tewksbury J J, Michelle T, Battisti D S, Merrill S C,
Huey R B, Naylor R L. Increase in crop losses to insect pests in a
warming climate. Science, 2018, 361: 916–919.
[2]
黄文江
,
张竞成
,
罗菊花
,
赵晋陵
.
作物病虫害遥感监测与预
测
.
北京
:
科学出版社
, 2015. p 4.
Huang W J, Zhang J C, Luo J H, Zhao J L. Remote Sensing
第
11
期
竞霞等: 基于反射光谱和叶绿素荧光数据的作物病害遥感监测研究进展
2075
Monitoring and Prediction of Crop Diseases and Insect Pests.
Beijing: Science Press, 2015. p 4 (in Chinese).
[3]
竞霞
.
基于多源多时相数据棉花黄萎病遥感监测研究
.
北京
师范大学博士学位论文
,
北京
2009.
Jing X. Study on Remote-sensing Monitoring of Cotton Verticil-
lium Wilt Based on Multi-source and Multi-temporal Data. PhD
Dissertation of Beijing Normal University, Beijing, China, 2009
(in Chinese with English abstract).
[4] Sankaran S, Mishra A, Ehsani R, Davis C. A review of advanced
techniques for detecting plant diseases. Comput Electron Agric,
2010, 72: 1–13.
[5]
陈思媛
,
竞霞
,
董莹莹
,
刘良云
.
基于日光诱导叶绿素荧光与
反射率光谱的小麦条锈病探测研究
.
遥感技术与应用
, 2019,
34: 511–520.
Chen S Y, Jing X, Dong Y Y, Liu L Y. Detection of wheat stripe
rust using solar-induced chlorophyll fluorescence and reflectance
spectral indices. Remote Sens Technol Appl, 2019, 34: 511–520
(in Chinese with English abstract).
[6]
吴琼
,
齐波
,
赵团结
,
姚鑫锋
,
朱艳
,
盖钧镒
.
高光谱遥感估
测大豆冠层生长和籽粒产量的探讨
.
作物学报
, 2013, 39:
309–318.
Wu Q, Qi B, Zhao T J, Yao X F, Zhu Y, Gai J Y. A tentative study
on utilization of canopy hyperspectral reflectance to estimate
canopy growth and seed yield in soybean. Acta Agron Sin, 2013,
39: 309–318 (in Chinese with English abstract).
[7] Mahlein A K, Steiner U, Hillnhütter C, Dehne H W, Oerke E C.
Hyperspectral imaging for small-scale analysis of symptoms
caused by different sugar beet diseases. Plant Methods, 2012, 8: 3.
[8]
赵叶
,
竞霞
,
黄文江
,
董莹莹
,
李存军
.
日光诱导叶绿素荧光
与反射率光谱数据监测小麦条锈病严重度的对比分析
.
光谱
学与光谱分析
, 2019, 39: 2739–2745.
Zhao Y, Jing X, Huang W J, Dong Y Y, Li C J. Comparison of
sun-induced chlorophyll fluorescence and reflectance data on es-
timating severity of wheat stripe rust. Spectrosc Spectral Anal,
2019, 39: 2739–2745 (in Chinese with English abstract).
[9]
竞霞
,
吕小艳
,
张超
,
白宗
璠
.
基于
SIF-PLS
模型的冬小麦条
锈病早期光谱探测
.
农业机械学报
, 2020, 51(6): 191–197.
Jing X, Lyu X Y, Zhang C, Bai Z F. Early detection of winter
wheat stripe rust based on SIF-PLS model. Trans CSAM, 2020,
51(6): 191–197 (in Chinese with English abstract).
[10]
黄文江
,
师越
,
董莹莹
,
叶回春
,
邬明权
,
崔贝
,
刘林毅
.
作物
病虫害遥感监测研究进展与展望
.
智慧农业
, 2019, 1(4): 1–11.
Huang W J, Shi Y, Dong Y Y, Ye H C, Wu M Q, Cui B, Liu L Y.
Progress and prospects of crop diseases and pests monitoring by
remote sensing. Smart Agric, 2019, 1(4): 1–11 (in Chinese with
English abstract).
[11] Calderón R, Navas-Cortés J A, Lucena C, Zarco-Tejada J.
High-resolution airborne hyperspectral and thermal imagery for
early detection of Verticillium wilt of olive using fluorescence,
temperature and narrow-band spectral indices. Remote Sens En-
viron, 2013, 139: 231–245.
[12] Ashourloo D, Mobasheri M R, Huete A. Developing two spectral
disease indices for detection of wheat leaf rust (Puccinia
triticina). Remote Sens, 2014, 6: 4723–4740.
[13]
黄木易
,
王纪华
,
黄文江
,
黄义德
,
赵春江
,
万安民
.
冬小麦
条锈病的光谱特征及遥感监测
.
农业工程学报
, 2003, 19(6):
154–158.
Huang M Y, Wang J H, Huang W J, Huang Y D, Zhao C J, Wan A
M. Hyperspectral character of stripe rust on winter wheat and
monitoring by remote sensing. Trans CSAE, 2003, 19(6):
154–158 (in Chinese with English abstract).
[14]
张竞成
,
袁琳
,
王纪华
,
罗菊花
,
杜世州
,
黄文江
.
作物病虫
害遥感监测研究进展
.
农业工程学报
, 2012, 28(20): 1–11.
Zhang J C, Yuan L, Wang J H, Luo J H, Du S Z, Huang W J. Re-
search progress of crop diseases and pests monitoring based on
remote sensing. Trans CSAE, 2012, 28(20): 1–11 (in Chinese
with English abstract).
[15]
黄文江
,
刘林毅
,
董莹莹
,
师越
,
叶回春
,
张竞成
.
基于遥感
技术的作物病虫害监测研究进展
.
农业工程技术
, 2018, 38(9):
39–45.
Huang W J, Liu L Y, Dong Y Y, Shi Y, Ye H C, Zhang J C.
Research progress of crop disease and pest monitoring based on
remote sensing technology. Agric Eng Technol, 2018, 38(9):
39–45 (in Chinese).
[16] Bruce L M, Koger C H, Li J. Dimensionality reduction of hyper-
spectral data using discrete wavelet transform feature extraction.
IEEE Trans Geosci Remote Sens, 2002, 40: 2331–2338.
[17]
周传华
,
柳智才
,
丁敬安
,
周家亿
.
基于
filter+wrapper
模式的
特征选择算法
.
计算机应用研究
, 2019, 36: 1975–1979.
Zhou C H, Liu Z C, Ding J A, Zhou J Y. Feature selection algo-
rithm based on filter + wrapper pattern. Appl Res Comput, 2019,
36: 1975–1979 (in Chinese with English abstract).
[18]
竞霞
,
张腾
,
白宗
璠
,
黄文江
.
融合
GA
与
SVR
算法的小麦条
锈病特征优选与模型构建
.
农业机械学报
, 2020, 51(11):
253–263.
Jing X, Zhang T, Bai Z F, Huang W J. Feature selection and
model construction of wheat stripe rust based on GA and SVR
algorithm. Trans CSAM, 2020, 51(11): 253–263 (in Chinese with
English abstract).
[19] Waad B, Ghazi B M, Mohamed L. On the effect of search strate-
gies on wrapper feature selection in credit scoring. IEEE-Codit,
2013, 218–223.
[20]
高媛
,
竞霞
,
刘良云
,
白宗
璠
.
基于多核支持向量机的小麦条
锈病遥感监测研究
.
麦类作物学报
, 2020, 40(1): 118–126.
Gao Y, Jing X, Liu L Y, Bai Z F. Remote sensing monitoring of
wheat stripe rust based on multiple kernel SVM. J Triticeae
Crops, 2020, 40(1): 118–126 (in Chinese with English abstract).
[21]
竞霞
,
白宗
璠
,
高媛
,
刘良云
.
利用随机森林法协同
SIF
和反
射率光谱监测小麦条锈病
.
农业工程学报
, 2019, 35(13):
154–161.
Jing X, Bai Z F, Gao Y, Liu L Y. Wheat stripe rust monitoring by
random forest algorithm combined with SIF and reflectance
spectrum. Trans CSAE, 2019, 35(13): 154–161 (in Chinese with
English abstract).
[22]
依尔夏提
·
阿不来提
,
买买提
·
沙吾提
,
白灯莎
·
买买提艾力
,
安
申群
,
马春
玥
.
基于随机森林法的棉花叶片叶绿素含量估算
.
作物学报
, 2019, 45: 81–90.
Ershat A, Mamat S, Baidengsha M, An S Q, Ma C Y. Estimation
of leaf chlorophyll content in cotton based on the random forest
approach. Acta Agron Sin, 2019, 45: 81–90 (in Chinese with Eng-
lish abstract).
[23] Wainwright M J. Information-theoretic limits on sparsity
2076 作 物 学 报
第
47
卷
recovery in the high-dimensional and noisy setting. IEEE Trans
Inf Theory, 2009, 55: 5728–5741.
[24]
刘良云
,
黄木易
,
黄文江
,
王纪华
,
赵春江
,
郑兰芬
,
童庆禧
.
利用多时相的高光谱航空图像监测冬小麦条锈病
.
遥感学报
,
2004, 8: 275–281.
Liu L Y, Huang M Y, Huang W J, Wang J H, Zhao C J, Zheng L F,
Tong Q X. Monitoring stripe rust disease of winter wheat using
multi-temporal hyperspectral airborne data. Natl Remote Sens
Bull, 2004, 8: 275–281 (in Chinese with English abstract).
[25] Graeff S, Link J, Claupein W. Identification of powdery mildew
(Erysiphe graminis sp. tritici) and take-all disease (Gaeumanno-
myces graminis sp. tritici) in wheat (Triticum aestivum L.) by
means of leaf reflectance measurements. Open Life Sci, 2006, 1:
275–288.
[26] Kobayashi T, Kanda E, Kitada K, Ishiguro K, Torigoe Y. Detec-
tion of rice panicle blast with multispectral radiometer and the
potential of using airborne multispectral scanners. Phytopathol-
ogy, 2001, 91: 316–323.
[27] Zhang M H, Qin Z H, Liu X. Remote sensed spectral imagery to
detect late blight in field tomato. Precis Agric, 2005, 6: 489–508.
[28] Chen B, Wang K, Li S K, Wang J, Bai J H, Xiao C H, Lai J C.
Spectrum characteristics of cotton canopy infected with verticil-
lium wilt and inversion of severity level. Agric Sci China, 2008,
259: 1169–1180.
[29]
王利民
,
刘佳
,
邵杰
,
杨福刚
,
高建孟
.
基于高光谱的春玉米
大斑病害遥感监测指数选择
.
农业工程学报
, 2017, 33(5):
170–177.
Wang L M, Liu J, Shao J, Yang F G, Gao J M. Remote sensing
index selection of leaf blight disease in spring maize based on
hyperspectral data. Trans CSAE, 2017, 33(5): 170–177 (in Chi-
nese with English abstract).
[30] Shi Y, Huang W J, Gonzalez-Moreno P, Luke B, Dong Y Y,
Zheng Q, Ma H Q, Liu L Y. Wavelet-based rust spectral feature
set (WRSFs): a novel spectral feature set based on continuous
wavelet transformation for tracking progressive host-pathogen
interaction of yellow rust on wheat. Remote Sens, 2018, 252:
1–19.
[31] Liu Z Y, Wu H F, Huang J F. Application of neural networks to
discriminate fungal infection levels in rice panicles using hyper-
spectral reflectance and principal components analysis. Comput
Electron Agric, 2010, 72: 99–106.
[32] Jones C D, Jones J B, Lee W S. Diagnosis of bacterial spot of
tomato using spectral signatures. Comput Electron Agric, 2010,
74: 329–335.
[33] Chen T T, Zhang J L, Chen Y, Wan S B, Zhang L. Detection of
peanut leaf spots disease using canopy hyperspectral reflectance.
Comput Electron Agric, 2019, 156: 677–683.
[34] Delalieux S, Aardt J V, Keulemans W, Schrevens E, Coppin P.
Detection of biotic stress (Venturia inaequalis) in apple trees us-
ing hyperspectral data: non-parametric statistical approaches and
physiological implications. Eur J Agron, 2007, 27: 130–143.
[35] Franceschini M H D,Bartholomeus H, Apeldoorn D F V,
Suomalainen J, Kooistra L. Feasibility of unmanned aerial vehi-
cle optical imagery for early detection and severity assessment of
late blight in potato. Remote Sens, 2019, 11: 1–47.
[36]
姚雄
,
余坤勇
,
杨玉洁
,
曾琪
,
陈樟昊
,
刘健
.
基于随机森林
模型的林地叶面积指数遥感估算
.
农业机械学报
, 2017, 48(5):
159–166.
Yao X, Yu K Y, Yang Y J, Zeng Q, Chen Z H, Liu J. Estimation of
forest leaf area index based on random forest model and remote
sensing data. Trans CSAM, 2017, 48(5): 159–166 (in Chinese
with English abstract).
[37]
白雪冰
,
余建树
,
傅泽田
,
张领先
,
李鑫星
.
可见光谱图像联
合区间的黄瓜白粉病分割与检测
.
光谱学与光谱分析
, 2019,
39: 3592–3598.
Bai X B, Yu J S, Fu Z T, Zhang L X, Li X X. Segmentation and
detection of cucumber powdery mildew based on visible spec-
trum and image processing. Spectrosc Spect Anal, 2019, 39:
3592–3598 (in Chinese with English abstract).
[38]
李金敏
,
陈秀青
,
杨琦
,
史良胜
.
基于高光谱的水稻叶片氮含
量估计的深度森林模型研究
.
作物学报
, 2021, 47: 1342–1350.
Li J M, Chen X Q, Yang Q, Shi L S. Deep learning models for
estimation of paddy rice leaf nitrogen concentration based on
canopy hyperspectral data. Acta Agron Sin, 2021, 47: 1342–1350
(in Chinese with English abstract).
[39] Ashourloo D, Aghighi H, Matkan A A, Mobasheri M R, Rad A M.
An investigation into machine learning regression techniques for
the leaf rust disease detection using hyperspectral measurement.
IEEE J Selec Topic Appl Earth Observ Remote Sens, 2016, 9:
1–8.
[40]
陶新民
,
郝思媛
,
张冬雪
,
徐鹏
.
核聚类集成失衡数据
SVM
算
法
.
哈尔滨工程大学学报
, 2013, 34: 381–388.
Tao X M, Hao S Y, Zhang D X, Xu P. Kernel cluster-based en-
semble SVM approaches for unbalanced data. J Harbin Eng Univ,
2013, 34: 381–388 (in Chinese with English abstract).
[41]
乔红波
,
周益林
,
白由路
,
程登发
,
段霞瑜
.
地面高光谱和低
空遥感监测小麦白粉病初探
.
植物保护学报
, 2006, 33:
341–344.
Qiao H B, Zhou Y L, Bai Y L, Cheng D F, Duan X Y. The pri-
mary research of detecting wheat powdery mildew using in-field
and low altitude remote sensing. J Plant Prot, 2006, 33: 341–344
(in Chinese with English abstract).
[42]
蒋金豹
,
陈云浩
,
黄文江
,
李京
.
冬小麦条锈病严重度高光谱
遥感反演模型研究
.
南京农业大学学报
, 2007, 30(3): 63–67.
Jiang J B, Chen Y H, Huang W J, Li J. Study on hyperspectral
remote sensing retriveral models about winter wheat stripe rust
severity. J Nanjing Agric Univ, 2007, 30(3): 63–67 (in Chinese
with English abstract).
[43] Zhang J, Pu R, Yuan L, Huang W, Nie C, Yang G. Integrating re-
motely sensed and meteorological observations to forecast wheat
powdery mildew at a regional scale. IEEE J Sel Topic Appl Earth
Observ Remote Sens, 2014, 7: 4328–4339.
[44] Jones C D, Jones J B, Lee W S. Diagnosis of bacterial spot of
tomato using spectral signatures. Comput Electron Agric, 2010,
74: 329–335.
[45] Kouakou A K, Bagui O K, Agneroh T A, Soro A P, Zoueu J T.
Cucumber mosaic virus detection by artificial neural network
using multispectral and multimodal imagery. Optik, 2016, 127:
11250–11257.
[46]
马慧琴
,
黄文江
,
景元书
,
董莹莹
,
张竞成
,
聂臣巍
,
唐翠翠
,
赵晋陵
,
黄林生
.
基于
AdaBoost
模型和
mRMR
算法的小麦白
粉病遥感监测
.
农业工程学报
, 2017, 33(5): 162–169.
第
11
期
竞霞等: 基于反射光谱和叶绿素荧光数据的作物病害遥感监测研究进展
2077
Ma H Q, Huang W J, Jing Y S, Dong Y Y, Zhang J C, Nie C W,
Tang C C, Zhao J L, Huang L S. Remote sensing monitoring of
wheat powdery mildew based on AdaBoost model combining
mRMR algorithm. Trans CSAE, 2017, 33(5): 162–169 (in Chi-
nese with English abstract).
[47] Herrmann I, Vosberg S K, Ravindran P, Singh A, Chang H,
Chilvers M I, Conley S P, Townsend P A. Leaf and canopy level
detection of Fusarium virguliforme (sudden death syndrome) in
soybean. Remote Sens, 2018, 10: 1–9.
[48] Santoso H, Tani H, Wang X, Prasetyo A E, Sonobe R. Classifying
the severity of basal stem rot disease in oil palm plantations using
WorldView-3 imagery and machine learning algorithms. Int J
Remote Sens, 2018, 40: 7624–7646.
[49]
李健丽
,
董莹莹
,
师越
,
朱溢佞
,
黄文江
.
基于随机森林模型
的小麦白粉病遥感监测方法
.
植物保护学报
, 2018, 45:
395–396.
Li J L, Dong Y Y, Shi Y, Zhu Y N, Huang W J. Remote sensing
monitoring of wheat powdery mildew based on random forest
model. J Plant Prot, 2018, 45: 395–396 (in Chinese with English
abstract).
[50] Xia J A, Yang Y W, Cao H X, Ke Y, Ge D, Zhang W, Ge S, Chen
G. Performance analysis of clustering method based on crop pest
spectrum. Eng Agric Environ Food, 2018, 11: 84–89.
[51] Steddom K, Bredehoeft M W, Khan M, Rush C M. Comparison
of visual and multispectral radiometric disease evaluations of
cercospora leaf spot of sugar beet. Plant Dis, 2005, 89: 153–158.
[52] Arens N, Backhaus A, Doell S, Seiffert U, Mock H P.
Non-invasive presymptomatic detection of cercospora beticola
infection and identification of early metabolic responses in sugar
beet. Front Plant Sci, 2016, 7; doi: 10.3389/fpls.2016.01377.
[53] Deery D, Jimenez-Berni J, Jones H, Sirault X, Furbank R.
Proximal remote sensing buggies and potential applications for
field-based phenotyping. Agronomy, 2014, 4: 349–379.
[54] Vigneau N, Ecarnot M, Rabatel G, Roumet P. Potential of field
hyperspectral imaging as a non-destructive method to assess
leaf nitrogen content in wheat. Field Crops Res, 2011, 122:
25–31.
[55] Taubenhaus J J, Ezekiel W N, Neblatte C B. Airplane photogra-
phy in the study of cotton root rot. Phytooathology, 1929, 19:
1025–1029.
[56] Lowe A, Harrison N, French A P. Hyperspectral image analysis
techniques for the detection and classification of the early onset
of plant disease and stress. Plant Method, 2017, 13: 1–12.
[57] Devadas R, Lamb D W, Backhouse E, Simpfendorfer S. Sequen-
tial application of hyperspectral indices for delineation of stripe
rust infection and nitrogen deficiency in wheat. Precis Agric,
2015, 16: 477–491.
[58] Dhau I, Adam E, Mutanga O, Ayisi K, Abdel-Rahman E M,
Odindi J, Masocha M. Testing the capability of spectral resolu-
tion of the new multispectral sensors on detecting the severity of
grey leaf spot disease in maize crop. Geocart Int, 2018, 33:
1223–1236.
[59] Chakradhar M, Corey M, Kushendra S, Carolyn Y. Supervised
classification of RGB aerial imagery to evaluate the impact of a
root rot disease. Remote Sens, 2018, 10: 1–17.
[60] Liu W, Cao X, Fan J, Wang Z, Yan Z, Luo Y, West J S, Xu X,
Zhou Y. Detecting wheat powdery mildew and predicting grain
yield using unmanned aerial photography. Plant Dis, 2018, 102:
1981–1988.
[61] Zhang X, Han L, Dong Y, Shi Y, Sobeih T. A deep learning-based
approach for automated yellow rust disease detection from
high-resolution hyperspectral UAV images. Remote Sens, 2019,
11: 1–16.
[62] Martinelli F, Scalenghe R, Davino S, Panno S, Scuderi G, Ruisi P,
Villa P, Stroppiana D, Boschetti M, Goulart L R, Davis C E,
Dandekar A M. Advanced methods of plant disease detection. a
review. Agron Sustain Dev, 2015, 35: 1–25.
[63] Yuan L, Zhang H B, Zhang Y T, Xing C, Bao Z Y. Feasibility
assessment of multi-spectral satellite sensors in monitoring and
discriminating wheat diseases and insects. Optik, 2017, 131:
598–608.
[64] Yuan L, Pu R L, Zhang J C, Wang J, Yang H. Using high spatial
resolution satellite imagery for mapping powdery mildew at a re-
gional scale. Precis Agric, 2016, 17: 332–348.
[65] Jonas F, Gunter M. Multi-temporal wheat disease detection by
multi-spectral remote sensing. Precis Agric, 2007, 8: 161–172.
[66] Rumpf T, Mahlein A K, Steiner U, Oerke E C, Dehne H W,
Plümer L. Early detection and classification of plant diseases
with support vector machines based on hyperspectral reflectance.
Comput Electron Agric, 2010, 74: 91–99.
[67] Cao X, Luo Y, Zhou Y, Duan X, Cheng D. Detection of powdery
mildew in two winter wheat cultivars using canopy hyperspectral
reflectance. Crop Prot, 2013, 45: 124–131.
[68] Wang X, Zhang M, Zhu J, Geng S. Spectral prediction of phy-
tophthora infestans infection on tomatoes using artificial neural
network (ANN). Int J Remote Sens, 2008, 29: 1693–1706.
[69] Chen D, Shi Y, Huang W, Zhang J, Wu K. Mapping wheat rust
based on high spatial resolution satellite imagery. Comput Elec-
tron Agric, 2018, 152: 109–116.
[70] Zhang J C, Pu R L, Yuan L, Wang J H, Huang W J, Yang G J.
Monitoring powdery mildew of winter wheat by using moderate
resolution multi-temporal satellite imagery. PLoS One, 2014, 9:
e93107.
[71] Zheng Q, Huang W, Cui X, Shi Y, Liu L. New spectral index for
detecting wheat yellow rust using Sentinel-2 multispectral im-
agery. Sensors, 2018, 18: 1–19.
[72] Navrozidis I, Alexandridis T K, Dimitrakos A, Lagopodi A L,
Moshou D, Zalidis G. Identification of purple spot disease on
asparagus crops across spatial and spectral scales. Comput Elec-
tron Agric, 2018, 148: 322–329.
[73] Du X, Li Q, Shang J, Liu J, Qian B, Jing Q, Dong T, Fan D,
Wang H, Zhao L, Lieff S, Davies T. Detecting advanced stages of
winter wheat yellow rust and aphid infection using RapidEye data
in North China Plain. GISci Remote Sens, 2019, 56: 1093–1113.
[74] Calderón R, Zarco-Tejada P J, Lucena C, Zarco-Tejada P J.
High-resolution airborne hyperspectral and thermal imagery for
pre-visual detection of Verticillium wilt using fluorescence, tem-
perature and narrow-band indices. Remote Sens Environ, 2013,
139: 231–245.
[75] López-López M, Calderón R, González-Dugo V, Zarco-Tejada P,
Fereres E. Early detection and quantification of almond red leaf
blotch using high-resolution hyperspectral and thermal imagery.
2078 作 物 学 报
第
47
卷
Remote Sens, 2016, 8: 1–23.
[76]
张永江
,
刘良云
,
侯名语
,
刘连涛
,
李存东
.
植物叶绿素荧光
遥感研究进展
.
遥感学报
, 2009, 13: 963–978.
Zhang Y J, Liu L Y, Hou M Y, Liu L T, Li C D. Progress in re-
mote sensing of vegetation chlorophyll fluorescence. Natl Remote
Sens Bull, 2009, 13: 963–978 (in Chinese with English abstract).
[77] Liu L, Zhang Y, Jiao Q, Peng D. Assessing photosynthetic
light-use efficiency using a solar-induced chlorophyll fluores-
cence and photochemical reflectance index. Int J Remote Sens,
2013, 34: 4264–4280.
[78] Porcar-Castell A, Tyystjärvi E, Atherton J, van der Tol C, Flexas J,
Pfündel E E, Moreno J, Frankenberg C, Berry J A. Linking chlo-
rophyll a fluorescence to photosynthesis for remote sensing
applications: mechanisms and challenges. J Exp Bot, 2014, 65:
4065–4095.
[79] Mohammed G H, Colombo R, Middleton E M, Rascher U, Tol C
V D, Nedbal L, Goulas Y, Pérez-Priego O, Damm A, Meroni M,
Joiner J, Cogliati S, Verhoef W, Malenovský Z, Gastellu-
Etchegorry J, Miller J R, Guanter L, Moreno J, Moya I, Berry J A,
Frankenberg C, Zarco-Tejada P J. Remote sensing of
solar-induced chlorophyll fluorescence (SIF) in vegetation: 50
years of progress. Remote Sens Environ, 2019, 231: 1–39.
[80] Ač A, Malenovský Z, Olejníčková J, Gallé A, Rascher U, Mo-
hammed G. Meta-analysis assessing potential of steady-state
chlorophyll fluorescence for remote sensing detection of plant
water, temperature and nitrogen stress. Remote Sens Environ,
2015, 168: 420–436.
[81] Ireland C R, Long S P, Baker N R. The relationship between car-
bon dioxide fixation and chlorophyll a fluorescence during induc-
tion of photosynthesis in maize leaves at different temperatures
and carbon dioxide concentrations. Planta, 1984, 160: 550–558.
[82] Lang M, Lichtenthaler H K, Sowinska M, Heisel F, Miehé J A.
Fluorescence imaging of water and temperature stress in plant
leaves. J Plant Physiol, 1996, 148: 613–621.
[83] Chiu Y, Hsu W, Chang Y. Detecting cabbage seedling diseases by
using chlorophyll fluorescence. Eng Agric Environ Food, 2015, 8:
95–100.
[84] Falkenberg N R, Piccinni G, Cothren J T, Leskovar D I, Rush C
M. Remote sensing of biotic and abiotic stress for irrigation
management of cotton. Agric Water Manage, 2007, 87: 23–31.
[85] Maxwell K, Johnson G N. Chlorophyll fluorescence: a practical
guide. J Exp Bot, 2000, 51: 659–668.
[86]
刘良云
,
张永江
,
王纪华
,
赵春江
.
利用夫琅和费暗线探测自
然光条件下的植被光合作用荧光研究
.
遥感学报
, 2006, 10:
130–137.
Liu L Y, Zhang Y J, Wang J H, Zhao C J. Detecting photosynthe-
sis fluorescence under natural sunlight based on fraunhofer line.
Natl Remote Sens Bull, 2006, 10: 130–137 (in Chinese with Eng-
lish abstract).
[87] Atta B M, Saleem M, Ali H, Bilal M, Fayyaz M. Application of
fluorescence spectroscopy in wheat crop: early disease detection
and associated molecular changes. J Fluoresc, 2020, 30:
801–810.
[88]
周丽娜
,
于海业
,
张蕾
,
任顺
,
隋媛媛
,
于连军
.
基于叶绿素
荧光光谱分析的稻瘟病害预测模型
.
光谱学与光谱分析
, 2014,
34: 1003–1006.
Zhou L N, Yu H Y, Zhang L, Ren S, Sui Y Y, Yu L J. Rice blast
prediction model based on analysis of chlorophyll fluorescence
spectrum. Spectrosc Spectral Anal, 2014, 34: 1003–1006 (in
Chinese with English abstract).
[89]
隋媛媛
,
王庆钰
,
于海业
.
基于叶绿素荧光光谱指数的温室黄
瓜病害预测
.
光谱学与光谱分析
, 2016, 36: 1779–1782.
Sui Y Y, Wang Q J, Yu H Y. Prediction of greenhouse cucumber
disease based on chlorophyll fluorescence spectrum index. Spec-
trosc Spectral Anal, 2016, 36: 1779–1782 (in Chinese with Eng-
lish abstract).
[90] Belasque J, Gasparoto M C, Marcassa L G. Detection of me-
chanical and disease stresses in citrus plants by fluorescence
spectroscopy. Appl Optics, 2008, 47: 1922–1926.
[91] Wang H, Qian X J, Zhang L, Xu S L, Li H F, Xia X J, Dai L K,
Xu L, Yu J Q, Liu X. A method of high throughput monitor-
ing crop physiology using chlorophyll fluorescence and multis-
pectral imaging. Front Plant Sci, 2018, 9: 1–12.
[92] Barón M, Penida M, Pérez-Bueno M L. Picturing pathogen infec-
tion in plants. Z Naturforsch, 2016, 7: 355–368.
[93] Lloyd D, Nari W. Imaging and spectroscopy of natural fluoro-
phores in pine needles. Plants, 2018, 7: 1–16.
[94] Sankaran S, Ehsani R. Detection of Huanglongbing disease in
citrus using fluorescence spectroscopy. Trans ASABE, 2012, 55:
313–320.
[95] Fabíola M V P, Débora M B P M, Pereira-Filho E R,
Pereira-Filho E R, Venâncio A L, Russo M D S T, Cardinali M C
D B, Martins P K, Freitas-Astúa J. Laser-induced fluorescence
imaging method to monitor citrus greening disease. Comput
Electron Agric, 2011, 79: 90–93.
[96] Moshou D, Bravo C, Oberti R, West J, Bodria L, Mccartney A,
Ramon H. Plant disease detection based on data fusion of
hyper-spectral and multi-spectral fluorescence imaging using
Kohonen maps. Real-Time Imag, 2005, 11: 75–83.
[97] Ouns A, Cerovic Z G, Briantais J M, Moya I. Dual-exacitation
FLI-DAR for the estimation of epidermal UV absorption in
leaves and canopies. Remote Sens Environ, 2001, 76: 33–45.
[98] Rosema A, Snel J F H, Zahn H, Buurmeijer W F, van Hove L W
A. The relation between laser-induced chlorophyll fluorescence
and photosynthesis. Remote Sens Environ, 1998, 65: 143–154.
[99]
章钊颖
,
王松寒
,
邱博
,
宋练
,
张永光
.
日光诱导叶绿素荧光
遥感反演及碳循环应用进展
.
遥感学报
, 2019, 23: 37–52.
Zhang Z Y, Wang S H, Qiu B, Song L, Zhang Y G. Retrieval of
sun-induced chlorophyll fluorescence and advancements in car-
bon cycle app1ication. Natl Remote Sens Bull, 2019, 23: 37–52
(in Chinese with English abstract).
[100] Zarco-Tejada P J, González-Dugo V, Williams L E, Suárez L,
Berni J A, Goldhamer D, Fereres E. A PRI-based water stress in-
dex combining structural and chlorophyll effects: assessment us-
ing diurnal narrow-band airborne imagery and the CWSI thermal
index. Remote Sens Environ, 2013, 138: 38–50.
[101] Sun Y, Frankenberg C, Wood J D, Schimel D S, Jung M, Guanter
L, Drewry D T, Verma M, Porcar-Castell A, Griffis T J, Gu L,
Magney T S, Kohler P, Evans B, Yuen K. OCO-2 advances pho-
tosynthesis observation from space via solar-induced chlorophyll
fluorescence. Science, 2017, 358: 1–7.
[102] Plascyk J A, Gabriel F C. Fraunhofer line discriminator MK
第
11
期
竞霞等: 基于反射光谱和叶绿素荧光数据的作物病害遥感监测研究进展
2079
II—airborne instrument for precise and standardized ecological
luminescence measurement. IEEE Trans Instrum Measur, 1975,
24: 306–313.
[103] Maier S W, Günther K P, Stellmes M. Sun-induced fluorescence:
a new tool for precision farming. In: McDonald M, Schepers J,
Tartly L, eds. Digital Imaging and Spectraltechniques: Applica-
tions to Precision Agriculture and Crop Physiology. USA:
American Society of Agronomy Special Publication, 2003. pp
209–222.
[104] Luis A, Luis G, Joan V, Julia A, Luis G, Javier C, Jose M. Im-
proved fraunhofer line Discrimination method for vegetation
fluorescence quantification. IEEE Geosci Remote Sens Lett,
2008, 5: 620–624.
[105] Liu X J, Liu L Y. Improving chlorophyll fluorescence retrieval
using reflectance reconstruction based on principal components
analysis. IEEE Geosci Remote Sens Lett, 2015, 12: 1645–1649.
[106] Mazzoni M, Falorni P, Del Bianco S. Sun-induced leaf fluores-
cence retrieval in the O2-B atmospheric absorption band. Opt
Express, 2008, 16: 7014–7022.
[107] Mazzoni M, Falorni P, Verhoef W. High-resolution methods for
fluorescence retrieval from space. Opt Express, 2010, 18:
15469–15663.
[108] Zhao F, Guo Y Q, Verhoef W, Gu X, Liu L, Yang G. A method to
reconstruct the solar-induced canopy fluorescence spectrum
from hyperspectral measurements. Remote Sens, 2014, 6:
10171–10192.
[109] Liu X, Liu L, Zhang S, Zhou X. New spectral fitting method for
full-spectrum solar-induced chlorophyll fluorescence retrieval
based on principal components analysis. Remote Sens, 2015, 7:
10626–10645.
[110]
张永江
,
黄文江
,
王纪华
,
刘良云
,
马智宏
,
李佛琳
.
基于
Fraunhofer
线的小麦条锈病荧光遥感探测
.
中国农业科学
,
2007, 40: 78–83.
Zhang Y J, Huang W J, Wang J H, Liu L Y, Ma Z H, Li F L.
Chlorophyll fluorescence sensing to detect stripe rust in wheat
(Triticum aestivum L.) fields based on fraunhofer lines. Sci Agric
Sin, 2007, 40: 78–83 (in Chinese with English abstract).
[111] Hernández-Clemente R, North P R J, Hornero A, Zarco-Tejada P
J. Assessing the effects of forest health on sun-induced chloro-
phyll fluorescence using the fluorflight 3-d radiative transfer
model to account for forest structure. Remote Sens Environ, 2017,
193: 165–179.
[112] Raji S N, Subhash N, Ravi V, Saravanan R, Mohanan C N, Nita S,
Kumar T M. Detection of mosaic virus disease in cassava plants
by sunlight-induced fluorescence imaging: a pilot study for
proximal sensing. Int J Remote Sens, 2015, 36: 2880–2897.
[113]
刘琦
,
王翠翠
,
王睿
,
谷医琳
,
李薇
,
马占鸿
.
潜育期小麦条
锈菌的高光谱定性识别
.
植物保护学报
, 2018, 45: 153–160.
Liu Q, Wang C C, Wang R, Gu Y L, Li W, Ma Z H. Hyperspec-
tral qualitative identification on latent period of wheat stripe
rust. J Plant Prot, 2018, 45: 153–160 (in Chinese with English
abstract).
[114] Song L, Guanter L, Guan K, You L, Huete A, Ju W, Zhang Y.
Satellite sun-induced chlorophyll fluorescence detects early
response of winter wheat to heat stress in the Indian
Indo-Gangetic Plains. Glob Change Biol, 2018, 24: 4023–4037.
[115] Müller P, Li P, Niyogi K K. Non-photochemical quenching. a
response to excess light energy. Plant Physiol, 2001, 125:
1558–1566.
[116]
卢劲竹
,
蒋焕煜
,
崔笛
.
荧光成像技术在植物病害检测的应用
研究进展
.
农业机械学报
, 2014, 45(4): 244–252.
Lu J Z, Jiang H Y, Cui D. Progress of fluorescence imaging
technology in detection of plant diseases. Trans CSAM, 2014,
45(4): 244–252 (in Chinese with English abstract).
[117] Knyazikhin Y, Schull M A, Stenberg P, Moettus M, Rautiainen M,
Yang Y, Marshak A, Carmona P L, Kaufmann R K, Lewis P. Hy-
perspectral remote sensing of foliar nitrogen content. Proc Natl
Acad Sci USA, 2012, 110: E185–E192.
[118] Beck P S A, Goetz S J. Satellite observations of high northern
latitude vegetation productivity changes between 1982 and 2008:
ecological variability and regional differences. Environ Res Lett,
2011, 6: 45501–45510.
[119] Gamon J A, Kovalchuck O, Wong C Y S, Harris A, Garrity S R.
Monitoring seasonal and diurnal changes in photosynthetic pig-
ments with automated PRI and NDVI sensors. Biogeosciences,
2015, 12: 4149–4159.
[120]
白宗
璠
,
竞霞
,
张腾
,
董莹莹
. MDBPSO
算法优化的全波段光
谱数据协同冠层
SIF
监测小麦条锈病
.
作物学报
, 2020, 46:
1248–1257.
Bai Z F, Jing X, Zhang T, Dong Y Y. Canopy SIF synergize with
total spectral reflectance optimized by the MDBPSO algorithm to
monitor wheat stripe rust. Acta Agron Sin, 2020, 46: 1248–1257
(in Chinese with English abstract).
[121] Cheng Y B, Middleton E, Zhang Q Y, Karl H, Petya C, Lawrence
C, Bruce C, William K, Craig D. Integrating solar induced fluo-
rescence and the photochemical reflectance index for estimating
gross primary production in a cornfield. Remote Sens, 2013, 5:
6857–6879.
[122] Poblete T, Camino C, Beck P S A, Hornero A, Kattenborn T,
Saponari M, Boscia D, Nava-Cortés J A, Zarco-Tejada P J. De-
tection of Xylella fastidiosa infection symptoms with airborne
multispectral and thermal imagery: assessing bandset reduction
performance from hyperspectral analysis. ISPRS J Photogramm
Remote Sens, 2020, 162: 27–40.
[123] Calderón R, Navas-Cortés J A, Lucena C, Zarco-Tejada P J.
High-resolution airborne hyperspectral and thermal imagery for
early detection of Verticillium wilt of olive using fluorescence,
temperature and narrow-band spectral indices. Remote Sens En-
viron, 2013, 139: 231–245.
[124]
蔡成静
,
王海光
,
安虎
,
史延春
,
黄文江
,
马占鸿
.
小麦条锈
病高光谱遥感监测技术研究
.
西北农林科技大学学报
(
自然科
学版
), 2005, 33(6): 31–36.
Cai C J, Wang H G, An H, Shi Y C, Huang W J, Ma Z H. Re-
mote sensing research on monitoring technology of wheat
stripe rust. J Northwest Agric For Univ (Nat Sci Edn) 2005,
33(6): 31–36 (in Chinese with English abstract).