近紅外成像光譜技術助力水稻穗腐病嚴重度精準監測
應用方向：
在本研究中，高光譜成像技術（HSI）主要應用於水稻穗腐病（RSRD）的精準監測與病害嚴重程度量化。通過結合近距離高光譜成像與化學計量學分析，HSI不bu僅jin能neng夠gou捕bu獲huo水shui稻dao穗sui粒li的de光guang譜pu特te征zheng，還hai能neng夠gou提ti供gong空kong間jian信xin息xi，從cong而er實shi現xian對dui病bing斑ban的de識shi別bie和he分fen布bu可ke視shi化hua。該gai技ji術shu可ke用yong於yu水shui稻dao生sheng長chang的de不bu同tong階jie段duan，克ke服fu了le傳chuan統tong病bing害hai監jian測ce方fang法fa在zai時shi間jian和he空kong間jian上shang的de局ju限xian性xing，使shi病bing害hai檢jian測ce更geng加jia穩wen定ding和he準zhun確que。研yan究jiu中zhong構gou建jian的de水shui稻dao穗sui腐fu病bing指zhi數shu（RSRI），能夠在多個生長階段保持良好的監測性能，並為病害的早期預警提供科學依據。此外，高光譜成像技術還能應用於病害傳播動態監測、作物育種篩選以及精準農業管理，為提高糧食安全與作物健康提供強有力的技術支持。
背景：
水稻作為全球主要糧食作物之一，其穩定和可持續生產受到多種因素的威脅，包括病害、蟲(chong)害(hai)和(he)環(huan)境(jing)因(yin)素(su)。近(jin)年(nian)來(lai)，由(you)鐮(lian)刀(dao)菌(jun)引(yin)起(qi)的(de)水(shui)稻(dao)穗(sui)腐(fu)病(bing)在(zai)東(dong)亞(ya)水(shui)稻(dao)種(zhong)植(zhi)區(qu)日(ri)益(yi)成(cheng)為(wei)一(yi)種(zhong)新(xin)興(xing)病(bing)害(hai)，其(qi)傳(chuan)播(bo)迅(xun)速(su)，並(bing)可(ke)顯(xian)著(zhu)降(jiang)低(di)水(shui)稻(dao)產(chan)量(liang)和(he)品(pin)質(zhi)。此(ci)外(wai)，該(gai)病(bing)害(hai)產(chan)生(sheng)的(de)毒(du)素(su)還(hai)可(ke)能(neng)影(ying)響(xiang)食(shi)品(pin)安(an)全(quan)，因(yin)此(ci)對(dui)其(qi)進(jin)行(xing)有(you)效(xiao)監(jian)測(ce)和(he)防(fang)控(kong)具(ju)有(you)重(zhong)要(yao)意(yi)義(yi)。
目前，傳統的病害監測方法主要依賴於人工目測，這種方法不僅主觀性強、費fei時shi費fei力li，而er且qie難nan以yi在zai早zao期qi階jie段duan準zhun確que識shi別bie受shou感gan染ran的de穗sui粒li，尤you其qi是shi當dang病bing害hai程cheng度du較jiao輕qing時shi，在zai田tian間jian環huan境jing下xia難nan以yi肉rou眼yan察cha覺jiao。相xiang比bi之zhi下xia，遙yao感gan技ji術shu，特te別bie是shi高gao光guang譜pu成cheng像xiang技ji術shu（HSI），提供了一種高*、無wu損sun的de病bing害hai監jian測ce手shou段duan。已yi有you研yan究jiu表biao明ming，高gao光guang譜pu遙yao感gan可ke用yong於yu檢jian測ce多duo種zhong作zuo物wu病bing害hai，並bing能neng夠gou在zai病bing害hai出chu現xian肉rou眼yan可ke見jian症zheng狀zhuang前qian提ti供gong早zao期qi預yu警jing。然ran而er，目mu前qian大da部bu分fen研yan究jiu集ji中zhong在zai葉ye部bu病bing害hai檢jian測ce上shang，針zhen對dui水shui稻dao穗sui部bu病bing害hai的de研yan究jiu較jiao少shao。由you於yu穗sui粒li的de三san維wei形xing態tai結jie構gou複fu雜za，傳chuan統tong的de非fei成cheng像xiang光guang譜pu儀yi難nan以yi*確觀測其光譜特征，而高光譜成像技術結合近距離成像光譜則能夠獲取穗部的空間和光譜信息，從而提高病害監測的精度。
此ci外wai，以yi往wang研yan究jiu多duo在zai作zuo物wu生sheng長chang的de某mou一yi特te定ding時shi期qi進jin行xing病bing害hai監jian測ce，而er忽hu略lve了le病bing害hai在zai整zheng個ge生sheng長chang階jie段duan的de動dong態tai變bian化hua。由you於yu水shui稻dao穗sui粒li的de成cheng熟shu過guo程cheng可ke能neng會hui影ying響xiang光guang譜pu反fan射she特te性xing，因yin此ci需xu要yao開kai發fa一yi種zhong能neng夠gou跨kua生sheng長chang階jie段duan穩wen定ding監jian測ce病bing害hai嚴yan重zhong程cheng度du的de光guang譜pu指zhi數shu，以yi提ti升sheng病bing害hai監jian測ce的de一yi致zhi性xing和he準zhun確que性xing。因yin此ci，該gai研yan究jiu的de研yan究jiu目mu的de如ru下xia：分析水稻穗腐病在不同生長階段的光譜響應特性，探討其在各階段的光譜變化規律；構建適用於多個生長階段的穗腐病光譜指數，用於病害嚴重程度的量化；評估該指數在不同生長階段的適用性，並與已有光譜指數進行對比，驗證其在病害監測和病斑分布可視化方麵的有效性。
實驗設計
1.1材料與方法
（1）實驗設置
在中國江蘇省南京市南京農業大學進行了水稻穗腐病（RSRD）監測的小區試驗。為了方便儀器設置，使用地上填滿田土的水泥池作為實驗小區。共有24個大小相同的小區，每個小區的尺寸為2米×3米（圖1）。2019年和2020年的水稻季節，除了水稻品種外，實驗在相同的設置下進行。為了與田間管理實踐保持一致，在移栽前施用了基肥（氮肥150公斤/公頃；五氧化二磷135公斤/公頃；氧化鉀18.3公斤/公頃）。然後在分蘖期進行了追肥（氮肥150公斤/公頃）。水稻作物以高密度（行距和株距分別為0.1米和0.15米）移栽，以創造RSRD感染和發展所需的高濕度環境。
圖1.2019年和2020年試驗小區的實驗區域地圖，分別展示了2019年四個品種（V1: 武運粳23號，V2: 武運粳24號，V3: 武運粳7號，V4: 南粳44號）和2020年另外四個品種（V1: 揚農1號，V2: 南粳9108號，V3: 南粳5055號，V4: 淮稻5號）的試驗小區布局
由於豐滿緊湊的粳稻品種更易感染RSRD，我們選擇了江蘇省常見的八個粳稻品種進行實驗（2019年：武運粳23號、武運粳24號、武運粳7號和南粳44號；2020年：揚農1號、南粳9108號、南粳5055號和淮稻5號）。在2019年和2020年的實驗小區中，RSRD自然發生。
（2）數據收集與預處理
為了避免稻穗和葉片在小區內對測量造成嚴重幹擾，並提高測量效率，我們在晴朗的中午時分，在抽穗、kaihuaheguanjiangjieduan，jiangganrandaosuicongshuidaozhizhushangyichu，yibianjinxingyuanweichengxiangguangpushujucaiji。weilequebaomeigeyangbendewanzhengxing，yichudaosuishiyeyibingyichulebufenjinggan。yichuhou，xinxianyangbenbeizhuanyidaokaojinxiaoqudelongmenjiapingtaishang。zailongmenjiaxiademeiciceliangzhong，jiangwudaobagedaosuifangzhizaidaiyouheisemianbandedengzishang，bingzaipangbianfangzhiyigefenxiguangpuzhuangzhi。heisehebaisemianbanzaikejianguanghejinhongwai（VNIR）區域的反射率分別為3%和99.9%。一台數碼單反相機（EOS 80D, Canon, Tokyo, Japan）和一台推掃式高光譜成像儀（GaiaField-V10E, 江蘇雙利合譜科技有限公司）安裝在自動線性掃描係統（HSIA-MScope-X）上。升降高度範圍為250 ~ 1800毫米，掃描距離為1800毫米（圖2）。此外，為了保持一致的光照條件，RGB照片和高光譜圖像在正交方向上同步捕獲。
圖2.在陽光下獲取稻穗RGB和高光譜圖像的實驗設置
RGB照片是通過相機快門的遙控器收集的。相機設置為A+模式，自動調整曝光時間，並將圖像質量設置為*大分辨率6000×4000像素。高光譜圖像是通過控製平台係統的筆記本電腦軟件獲取的。高光譜鏡頭與稻穗之間的距離保持在0.4米。配備有42.8°的鏡頭，HSI相機在該距離下實現了0.45毫米的空間分辨率，擁有256個波段，采樣間隔為2.5nm，覆蓋範圍為361至1011nm。youyuxiangjizhongdeguangxueguangquanshigudingde，zaituisaoguochengzhongrusheguangbingbuyizhi。weilezengqiangguangdeyizhixing，tuxiangsaomiaoshishiyonglongmenjiadeshuipingdianjiwanchengde，erbushineibutuisaomokuai。ciwai，shiyongwanggezhishoudongtiaozhengdianjisuduhejiaoju，yiquebaogaoguangputuxiangzhenwushizhenqieqingxi。weilebimianzhongwushifenguopu，HSI相機的曝光時間手動設置為0.4秒。這些測量涵蓋了兩年的401個稻穗（表1）。
gaoguangputuxiangdefanshelvshicongyuanshishuzishuzhizhongdaochude，ranhoushiyongzuixiaozaoshengfenshubianhuanjinxingquzaochuli。weilefangbianguangpuchuli，gaoguangputuxiangdeguangpujiangebeizhongxincaiyangwei1nm。由於450至800nm範圍外的信噪比較低，因此僅使用該範圍內的波段進行光譜分析。在ENSI 5.3中手動裁剪出每個稻穗的整體區域。通過設置0.2的閾值，應用760nmboduandefanshelvlaipingbibeijing。ranhoutongguoxingtaixuefangfaquchuzaoshengxiangsu，jinyibuxihuadaosuiquyu。zuihou，jisuanmeigedaosuidepingjunfanshelv，yigonghouxufenxishiyong。
（3）方法
本研究提出了一種通過光譜分析和波段選擇構建特定於RSRD嚴重程度量化光譜指數（SI）的方法，該方法使用從RGB圖像中提取的疾病斑點（DS）作為參考。該方法采用多生長階段的光譜數據進行波段選擇，以確保其穩定的性能，並包括四個步驟：（1）確定SI的形式以表征主要的光譜響應；（2）基於相關性分析和相關域分離，選擇多個生長階段的敏感波段；（3）在DS量化和病斑映射中，評估所提出的SI與現有SI的比較。
提取疾病嚴重程度參考值：先前的研究主要采用定性的DS標準，通過視覺檢查來標記感染樣本。這種定性研究可能不足以滿足精準農業中疾病監測的需求。為了彌補人類視覺在DS量化中的低效率和準確性不足，開發了一種方法，利用顏色空間轉換和動態閾值分割技術，從RGB圖像中自動提取DS參考數據（圖3B）。
圖3.RSRI開發、DS量化和DS映射程序的技術流程圖（A 數據預處理，B DS參考提取，C 指數構建，D 建模和映射）
首先，每個樣本從RGB圖像中裁剪出來，並根據測量順序和視覺匹配與相應的稻穗HSI分組。然後，使用顏色空間轉換來增強每個RGB圖像的對比度，因為背景和RSRD病斑之間的亮度非常接近。選擇了Lab顏色空間，因為它幾乎不受光照條件或傳感器的影響，用於背景移除和RSRD病斑識別。這個空間是一個顏色對立空間，其中“L”代表亮度，“a”和“b”代表顏色對立維度。“b”值代表了黃/藍對立顏色的真實中性灰度值，這意味著“b”適合於從背景中分離稻穗。“a”值代表了紅/綠對立顏色的真實中性灰度值，這意味著“a”shiheyucongjiankangxiangsuzhongfenlichuganranxiangsu。chuantongdeyuzhifengefangfatongchangshiyongdanyizhijiangzhenggetuxiangdesuoyouxiangsufenkai。raner，yanzhonghezaoqiganranxiangsudeyansejiejinbeijinghejiankangquyu。chengshudujiaogaodedaosuiyanseyejiaoshen，jiejinbingbanhebeijing。zheyiweizhequanjuyuzhifengefangfabushiyongyuzhunquetiqudaosuibingban。xiangbizhixia，jubuyuzhifenge，yechengweizishiyinghuodongtaiyuzhifenge，shiyongbutongdeyuzhifengeziquyuyidikangzaoshenghuoyansebujunyun。dongtaifangfawulunzaishengchangjieduanhuojibingyanzhongchengduruhe，dounengbiquanjufangfabiaoxiandegenghao。
在通過通道“b”進行背景移除和局部閾值分割後，進行了形態學細化以去除孤立噪聲的小組件（最小連通組件設置為五千個像素）。接下來，使用通道“a”和局部閾值分割將稻穗像素分離為感染和健康的像素。局部閾值分割的子區域大小通過比較識別結果和原始RGB圖像之間的視覺對比進行調整。需要注意的是，該研究中並未考慮RGB圖像與HIS圖像之間的空間對應關係。DS值是作為每個樣本在器官尺度上觀察到的疾病嚴重程度，而不是像素尺度。
提出的與現有的光譜指數：針對不同病害的光譜指數理論上應該針對特定的植物-病原相互作用，因為不同的宿主植物在遭受各種感染時可能會表現出可區分的光譜響應。鑒於這種特異性，構建了RSRD指數（RSRI）來表達RSRD的獨特光譜特征。隨著病情的發展，VNIR區域的光譜輪廓逐漸變寬。為了提高所提特征的敏感性，結合了多個波段來表示反射率曲線中的變寬趨勢（圖3C）。然後選擇了雙差分（DD）指數的形式來描述變化強度。此外，DD形式的指數被發現對包括日照強度變化在內的恒定和線性趨勢的噪聲不敏感。DS越嚴重，光譜曲線就越寬，DD值就越接近1。
為了確定構建SI的敏感波段，應用了一個特征選擇流程，包括以下三個步驟。首先，在校準樣本的反射率和DS值之間建立了每個波段的Spearman相關性。選擇Spearman分析是因為本研究中的DS值(zhi)不(bu)符(fu)合(he)正(zheng)態(tai)分(fen)布(bu)。在(zai)第(di)二(er)步(bu)中(zhong)，通(tong)過(guo)將(jiang)波(bo)長(chang)分(fen)為(wei)正(zheng)域(yu)和(he)負(fu)域(yu)來(lai)構(gou)建(jian)相(xiang)關(guan)域(yu)，以(yi)定(ding)位(wei)不(bu)同(tong)的(de)響(xiang)應(ying)區(qu)域(yu)。覆(fu)蓋(gai)少(shao)於(yu)五(wu)個(ge)波(bo)段(duan)的(de)小(xiao)域(yu)被(bei)丟(diu)棄(qi)，以(yi)確(que)保(bao)波(bo)段(duan)選(xuan)擇(ze)的(de)穩(wen)健(jian)性(xing)。第(di)三(san)步(bu)，選(xuan)擇(ze)每(mei)個(ge)域(yu)中(zhong)相(xiang)關(guan)性(xing)*強的波段，形成多個備選特征（圖4）。上述選擇分別針對抽穗、開花和灌漿階段的樣本進行。為確保RSRD指數的一致敏感性，主要選擇在紅色和近紅外區域對所有階段都敏感的共同波段。為了加強對疾病早期階段的敏感性，使用抽穗階段（最早感染階段）保留的三個代表性波段來構建三個候選指數。然後，使用校準集得出決定係數（R²）值，以評估每個候選指數的DS量化。
圖4.不同生長階段（綠色：抽穗，藍色：開花，紅色：灌漿）下疾病DS與450至800nm波長處反射率之間的Spearman相關係數。灰色和白色背景分別代表負相關和正相關。黑色垂直線對應於灰色或白色相關域中的*大係數（上排：抽穗，中排：開花，下排：灌漿）
在整理用於植被脅迫監測的常用光譜指數（SIs）的線性回歸R²值之後，選擇了排名前五的光譜指數（NPCI、CCI、PRI670、PSRI和NDVI）與RSRI進行比較（表2）。分別從抽穗、開花和灌漿階段各選取三個稻穗的輕度、中度和重度感染樣本進行映射比較。接下來，將DS-SI關係應用於示範樣本的高光譜圖像，以繪製疾病分布圖。
鑒於高光譜圖像缺乏像素級參考的DS，因此將DS圖與RGB圖像進行比較，後者的顏色陰影可以為RSRD的嚴重程度提供一般性參考。
準確性評估：由於RSRD的感染和發展限製，2019年和2020年實驗期間不同生長階段的病穗數量顯著不平衡（表1）。因此，將兩年的所有樣本彙總，以進行RSRI構建、模型校準和模型驗證。彙總的數據集被隨機分為校準集（60%）和驗證集（40%）。使用線性模型擬合DS和SIs之間的關係。量化性能以決定係數（校準R²和驗證R²）、均方根誤差（RMSE）和偏差（Bias）來評估。
1.2.結果與討論
（1）水稻稻穗對RSRD的光譜響應
感染RSRD的水稻稻穗的反射光譜隨著DS水平的變化，在抽穗、開花和灌漿階段的所有VNIR（可見光至近紅外）光譜區域都有所變化（圖5）。總體而言，這些階段感染稻穗的反射率變化相似，包括綠峰減弱、紅區顯著增強以及NIR區域的崩潰。隨著RSRD的發展，藍區也有所增加，紅邊向短波長方向移動。此外，隨著DS水平的升高，NIR區域的斜率變得更加陡峭。
雖然抽穗階段的光譜變化因DS範圍有限而較為溫和（圖5A），但開花階段在所有三個階段中顯示出*強的光譜響應（圖5B）。具體來說，與其它階段相比，灌漿階段在藍色和紅色區域的響應最為強烈。在開花階段，綠色和NIR區域的反射率在0.0到0.2的輕度DS範圍內呈現出顯著的增加而非減少，這並沒有表現出與灌漿階段相同的單向減弱趨勢（圖5B、C）。
圖5.不同生長階段（A 抽穗，B 開花，C 灌漿）水稻稻穗在不同程度RSRD（RSRD）嚴重度下的反射光譜。(A)中的DS範圍較窄，這是由於早期感染階段允許的檢查水平較低
（2）確定構建RSRI的*佳波段
總體而言，各個生長階段中，單個波段的反射率與DS之間的Spearman相關性顯示出一致的趨勢（圖4）。在藍色和紅色區域存在正相關域，在綠色和NIR區域存在負相關域。此外，抽穗階段的藍色區域還有一個額外的負相關域。由於DS範圍有限，抽穗階段的相關性最弱。對於抽穗和灌漿階段，DS與藍色區域的反射率之間的相關性比綠色區域更強，而在開花階段，這種對比則相反。
Spearman相關曲線顯示，RSRD的嚴重程度在紅色區域最可量化。此外，所有生長階段在NIR區域都出現了一致的相關性。基於這些特征，分別從紅色和NIR區域選擇了兩個波段作為構建RSRI方程的部分。紅色區域的*優波段分別為抽穗階段的680nm和開花及灌漿階段的675nm（圖4）。NIR區域最敏感的波段為751nm、743nm和734nm。因此，確定了紅色區域的共同波段675nm和NIR區域中位波長740nm來填充RSRI方程。RSRI的第三個波段從抽穗階段的剩餘代表性波段中選擇，包括454nm、489nm和553nm。構建了三個候選指數，分別命名為RSRI-1、RSRI-2和RSRI-3，以進行進一步比較。
顯然，RSRI-1在抽穗階段與DS的相關性顯著高於RSRI-2和RSRI-3（圖6）。對於開花或灌漿階段，三個RSRI候選指數的R²值僅略有不同。因此，RSRI454,675,740被確定為量化和映射DS的*佳指數。
圖6. DS（疾病嚴重度）與SIs（光譜指數）之間的關係，包括回歸線和R²值。綠色、藍色和紅色的正方形分別代表抽穗、開花和灌漿階段的樣本。除了RSRI-3（553,675,740）與抽穗階段DS之間的關係（p值=0.133）外，所有回歸都具有統計學意義（p值<0.001）
（3）使用RSRI和現有指數對疾病嚴重度進行量化和映射
DS與SIs之間的關係在不同生長階段有所變化（圖7）。在抽穗階段，RSRI的R²值高於其他SIs（RSRI: R² = 0.75; 其他: R² < 0.66）。在開花和灌漿階段，RSRI對於輕度和重度感染樣本均展現出*強的相關性。RSRI的R²值接近PRI670和PSRI，但高於其他SIs。此外，對於單一SI，校準回歸模型的權重在不同生長階段有所不同，特別是在抽穗階段。圖7中比較的所有SIs均表現出類似的現象，除了PRI670。
圖7. DS與SIs之間的關係，包括回歸線和R²值。綠色、藍色和紅色的正方形分別代表抽穗、開花和灌漿階段的樣本。所有回歸均具有統計學意義（p值<0.001）
總體而言，每個SI在涉及的生長階段中對DS估計的準確性差異顯著（圖8，9）。在開花階段的量化性能*佳，而在抽穗階段的性能最弱。此外，RSRI和現有光譜指數在DS量化準確性方麵表現出相反的結果。對於抽穗階段，RSRI在DS量化中獲得了*佳準確性（R² = 0.65）（圖8A），並且在所有五個指數中展現出最集中的RMSE和驗證R²的CIs（圖9）。所有現有光譜指數在抽穗階段未能有效量化DS，其準確性指標的置信區間明顯比RSRI寬。結果表明，RSRI在開花階段和灌漿階段的DS量化中驗證R²分別為0.84和0.78（圖8B，C），並且具有緊湊的置信區間指標（圖9）。此外，現有光譜指數在開花階段對輕度RSRD嚴重度存在低估，而RSRI則沒有這種情況（圖8）。RSRI在不同生長階段的DS量化中表現*佳。
圖8.使用基於SI的模型測量和估算的DS散點圖，分別對應抽穗（左列）、開花（中列）和灌漿（右列）階段。從頂部到底部的行分別代表RSRI（A-C）、NPCI（D-F）、CCI（G-I）、PRI670（J-L）、PSRI（M-O）和NDVI（P-R）
圖9.在不同生長階段（左列：抽穗，中列：開花，右列：灌漿）對RSRI和現有SIs在DS（疾病嚴重度）量化中的校準準確性（R²）、驗證準確性（R²）、RMSE和偏差的比較。每一百輪評估的平均值（水平條）伴隨著置信區間（垂直條）。
圖10展示了通過結合基於SI的線性模型和高光譜數據立方體，對三個代表性樣本稻穗內DS的空間變化進行映射的結果。以RGB圖像作為參考，RSRD感染區域通過映射方法成功被描繪出來。然而，與提出的SI相比，現有的SIs未能生成DS分布的真實映射。相比之下，基於RSRI的地圖在健康像素區域的黃色區域（表示過估的區域）比選定的SIs少，而這些區域被錯誤地標記為輕度疾病嚴重度（圖10A，B）。基於RSRI的地圖還適當地揭示了嚴重感染區域，而基於選定SIs的對應病變則顯示較弱（圖10C）。RSRI的病變分布與參考圖像顯示出*強的相似性，特別是對於輕微和嚴重感染區域。
圖10.展示了三個獨立稻穗樣本（A：輕微感染的稻穗，B：輕度感染的稻穗，C：嚴重感染的稻穗）的RGB圖像、病斑分布參考圖以及從RSRI和現有SIs導出的DS圖。請注意，RGB圖像上可以識別出穀物之間的小間隙，但由於高光譜圖像的空間分辨率較低，這些間隙在高光譜圖像上無法被區分
（4）討論
稻穗成熟度對RSRD感染光譜響應的影響：不同生長階段的光譜差異表明，RSRD感染稻穗的光譜響應受到病原-宿主相互作用和稻穗成熟度的共同影響。從病理學角度來看，光譜響應主要受生化成分和組織結構損傷的影響。可見光和NIR區域的反射率分別與色素濃度和葉片內部結構相關。因此，RSRD引起的葉綠素和類胡蘿卜素降解導致藍色和紅色區域反射率增加。綠色峰值反射率的減少（圖11A）可以歸因於花青素含量的增加，這是一種對壓力敏感的防禦性色素。此外，RSRD穿(chuan)透(tou)稻(dao)殼(ke)組(zu)織(zhi)造(zao)成(cheng)的(de)壞(huai)死(si)損(sun)傷(shang)是(shi)近(jin)紅(hong)外(wai)平(ping)台(tai)反(fan)射(she)率(lv)崩(beng)潰(kui)的(de)主(zhu)要(yao)原(yuan)因(yin)。從(cong)成(cheng)熟(shu)度(du)角(jiao)度(du)來(lai)看(kan)，光(guang)譜(pu)變(bian)化(hua)趨(qu)勢(shi)受(shou)到(dao)稻(dao)穗(sui)發(fa)育(yu)過(guo)程(cheng)中(zhong)生(sheng)化(hua)變(bian)化(hua)的(de)影(ying)響(xiang)。稻(dao)穗(sui)中(zhong)葉(ye)綠(lv)素(su)含(han)量(liang)和(he)類(lei)胡(hu)蘿(luo)卜(bu)素(su)與(yu)葉(ye)綠(lv)素(su)比(bi)例(li)隨(sui)生(sheng)長(chang)階(jie)段(duan)降(jiang)低(di)，這(zhe)應(ying)該(gai)是(shi)稻(dao)穗(sui)成(cheng)熟(shu)過(guo)程(cheng)中(zhong)紅(hong)色(se)區(qu)域(yu)反(fan)射(she)率(lv)增(zeng)加(jia)的(de)生(sheng)理(li)基(ji)礎(chu)（圖11B）。盡管近紅外平台的幅度對稻穗中的氮含量反應顯著，但光譜形狀保持不變（圖11）。
圖11. A.開花階段三種不同RSRD嚴重度稻穗的反射光譜。B.代表與本研究無關的三種健康水稻稻穗在抽穗、開花和灌漿階段的反射光譜
疾病發展和稻穗成熟之間的光譜變化相似性可能會削弱多生長階段特征構建和DS估gu計ji的de普pu遍bian性xing。此ci外wai，微wei妙miao的de光guang譜pu響xiang應ying可ke能neng無wu法fa抵di消xiao成cheng熟shu過guo程cheng的de變bian化hua，這zhe可ke能neng會hui導dao致zhi從cong輕qing微wei到dao輕qing度du感gan染ran階jie段duan樣yang本ben的de顯xian著zhu估gu計ji誤wu差cha，正zheng如ru現xian有youSIs在模型驗證中所做的那樣（圖8）。zaiguancengchidushangjinxingjibingjianceshi，yalihewuhoubianhuadegongcunyingxianggengweichangjian。yinci，quebaotuidaochudeguangputezhengzaibutongshengchangjieduanduidaosuijibingjianceyouxiaozhiguanzhongyao。
先前的研究通過從全波段光譜信息中提取特征，利用主成分分析（PCA）或簡單體積*大(da)化(hua)等(deng)方(fang)法(fa)，減(jian)輕(qing)了(le)病(bing)原(yuan)體(ti)檢(jian)測(ce)中(zhong)因(yin)植(zhi)物(wu)衰(shuai)老(lao)等(deng)生(sheng)理(li)變(bian)化(hua)產(chan)生(sheng)的(de)影(ying)響(xiang)。然(ran)而(er)，這(zhe)些(xie)轉(zhuan)換(huan)後(hou)的(de)光(guang)譜(pu)特(te)征(zheng)可(ke)能(neng)並(bing)不(bu)適(shi)用(yong)於(yu)輕(qing)微(wei)感(gan)染(ran)的(de)情(qing)況(kuang)，因(yin)為(wei)RSRD在(zai)紅(hong)色(se)區(qu)域(yu)的(de)光(guang)譜(pu)響(xiang)應(ying)可(ke)能(neng)與(yu)稻(dao)穗(sui)成(cheng)熟(shu)時(shi)的(de)響(xiang)應(ying)在(zai)幅(fu)度(du)和(he)形(xing)狀(zhuang)上(shang)相(xiang)似(si)。可(ke)以(yi)考(kao)慮(lv)選(xuan)擇(ze)對(dui)稻(dao)穗(sui)生(sheng)長(chang)不(bu)敏(min)感(gan)的(de)波(bo)長(chang)區(qu)域(yu)，以(yi)抑(yi)製(zhi)全(quan)波(bo)段(duan)轉(zhuan)換(huan)中(zhong)的(de)成(cheng)熟(shu)效(xiao)應(ying)。鑒(jian)於(yu)健(jian)康(kang)稻(dao)穗(sui)中(zhong)花(hua)青(qing)素(su)含(han)量(liang)和(he)內(nei)部(bu)結(jie)構(gou)在(zai)不(bu)同(tong)生(sheng)長(chang)階(jie)段(duan)的(de)穩(wen)定(ding)性(xing)，成(cheng)熟(shu)過(guo)程(cheng)中(zhong)的(de)光(guang)譜(pu)變(bian)化(hua)可(ke)以(yi)通(tong)過(guo)綠(lv)色(se)反(fan)射(she)率(lv)的(de)降(jiang)低(di)和(he)近(jin)紅(hong)外(wai)區(qu)域(yu)的(de)獨(du)特(te)斜(xie)率(lv)來(lai)排(pai)除(chu)。這(zhe)些(xie)特(te)定(ding)於(yu)疾(ji)病(bing)的(de)波(bo)段(duan)可(ke)以(yi)用(yong)來(lai)避(bi)免(mian)稻(dao)穗(sui)成(cheng)熟(shu)對(dui)疾(ji)病(bing)檢(jian)測(ce)性(xing)能(neng)的(de)影(ying)響(xiang)。此(ci)外(wai)，這(zhe)個(ge)問(wen)題(ti)可(ke)以(yi)通(tong)過(guo)使(shi)用(yong)超(chao)出(chu)VNIR區域的更多波段來進一步解決，例如短波紅外區域中對水分含量和幹物質敏感的波段。然而，根據SIs的比較，這些對成熟不敏感的波段並不適用於早期感染階段的DS估計。需要確定對早期感染敏感的波段，以提高早期感染階段和多個生長階段DS估計的準確性一致性。
藍色波段在疾病監測中的貢獻：藍色波段在疾病監測中的重要性得到了證實，因為隻有RSRI和NPCI在抽穗階段（感染的早期階段）的DS量liang化hua中zhong達da到dao了le可ke接jie受shou的de準zhun確que性xing。藍lan色se區qu域yu的de反fan射she率lv特te征zheng是shi主zhu要yao色se素su的de吸xi收shou重zhong疊die。因yin此ci，藍lan色se反fan射she率lv應ying對dui由you病bing原yuan體ti感gan染ran引yin起qi的de微wei妙miao生sheng化hua變bian化hua敏min感gan。例li如ru，藍lan色se光guang譜pu特te征zheng可ke以yi記ji錄lu在zai早zao期qi應ying激ji階jie段duan，衰shuai老lao和he不bu健jian康kang植zhi物wu中zhong常chang見jian的de葉ye綠lv素su含han量liang的de減jian少shao。此ci外wai，藍lan色se波bo段duan對dui稻dao穗sui成cheng熟shu的de不bu敏min感gan性xing可ke能neng部bu分fen解jie釋shi了leRSRI在不同生長階段對DS的一致敏感性（Figs. 7, 8）。
為了理解帶寬在疾病監測中的效果，我們根據常安裝在無人機上的植被遙感設備Airphen（Hi-phen，法國）和RedEdge-MX多光譜相機（Micasense，美國）模擬出寬波段，並從中導出了新的RSRI。基於傳感器的光譜響應函數和高光譜反射率的積分計算寬波段反射率。與窄波段RSRI相比，寬波段RSRI在DS與SI之間的關係以及在多個生長階段的RSRD嚴重度量化中顯示出相似的性能（圖12，13）。這樣的性能表明，寬波段在DS估gu計ji中zhong同tong樣yang有you效xiao，它ta們men在zai無wu人ren機ji上shang安an裝zhuang的de相xiang機ji進jin行xing疾ji病bing監jian測ce方fang麵mian具ju有you潛qian力li。然ran而er，由you於yu大da氣qi效xiao應ying的de影ying響xiang，藍lan色se特te征zheng可ke能neng不bu適shi合he於yu航hang空kong或huo航hang天tian平ping台tai。
圖12.展示了三個生長階段（A）Airphen和（B）RedEdge-MX模擬數據的DS-RSRI關係。綠色、藍色和紅色正方形分別代表抽穗、開花和灌漿階段的樣本。RSRI是通過參考Airphen或RedEdge-MX的帶寬和中心波長，從高光譜數據立方體模擬的多光譜反射率計算得出的。將454nm、675nm和740nm的波段分別替換為每個傳感器的藍色、紅色和近紅外波段。所有回歸均具有統計學意義（p值<0.001）
圖13.使用基於RSRI的模型從多光譜數據（A-C Airphen相機，D-F RedEdge-MX相機）得出的測量和估算的量化DS散點圖，分別對應抽穗（A, D）、開花（B, E）和灌漿（C, F）階段。
然而，由於色素複雜降解過程的影響，通過生化變化來理解藍色反射率的變化是困難的。盡管由於與紅色波段相比對DS的敏感性較弱（圖4），藍色波段可能不足以單獨用於疾病監測，但可以利用特征工程方法來增強藍色波段的敏感性，如SIs、特(te)征(zheng)組(zu)合(he)和(he)先(xian)前(qian)研(yan)究(jiu)中(zhong)應(ying)用(yong)的(de)光(guang)譜(pu)轉(zhuan)換(huan)。此(ci)外(wai)，根(gen)據(ju)病(bing)原(yuan)體(ti)類(lei)別(bie)的(de)不(bu)同(tong)，藍(lan)色(se)波(bo)段(duan)響(xiang)應(ying)背(bei)後(hou)的(de)微(wei)妙(miao)生(sheng)化(hua)變(bian)化(hua)可(ke)能(neng)會(hui)有(you)所(suo)不(bu)同(tong)。確(que)定(ding)對(dui)特(te)定(ding)脅(xie)迫(po)敏(min)感(gan)的(de)特(te)定(ding)波(bo)段(duan)區(qu)域(yu)對(dui)於(yu)DS估計和疾病識別中的特征構建至關重要。
結論
本研究確定了多個生長階段對RSRD的光譜響應差異，並構建了一個新的指數RSRI，該指數對多個物候階段的RSRD敏感。結果表明，灌漿階段綠色和近紅外區域的反射率對DS的敏感性顯著低於開花階段。RSRI的優化表明，藍色波段的加入提高了抽穗階段SI對DS的敏感性，增強了早期疾病檢測能力。與NPCI、CCI、PRI670、PSRI和NDVI相比，RSRI在早期感染階段對DS的敏感性最高，並且從抽穗到灌漿階段在DS估計中表現最為穩定（抽穗：R² = 0.65，RMSE = 0.02；開花：R²= 0.84，RMSE = 0.08；灌漿：R²= 0.78，RMSE = 0.08）。此外，基於RSRI的模型比之前研究的SIs更能準確地映射輕微、輕度和嚴重感染樣本的病斑分布。RSRI在早期感染階段的DS估計和病斑映射可以為作物保護和病理學研究提供有效的參考。
推薦產品
作者簡介（人名+單位+博導/碩導）
程濤，南京農業大學，博士生導師
參考文獻
論文引用自一區文章：Bowen Xue, Long Tian, Ziyi Wang, Xue Wang, Xia Yao, Yan Zhu, Weixing Cao, Tao Cheng. Quantifcation of rice spikelet rot disease severity at organ scale with proximal imaging spectroscopy. Precision Agriculture (2023) 24:1049–1071. https://doi.org/10.1007/s11119-022-09987-z
地址：無錫市梁溪區南湖大道飛宏路58-1-108.png)
電話：.png)
郵箱：
在線谘詢