论文投稿_医学论文投稿_核心期刊,职称论文投稿发表_论文部落

　　摘要：农作物病虫害监测目前在数据采集上主要依靠植保人员田间调查、田间取样等传统方式，不仅耗时、费力，而且存在以点代面的代表性差、主观性强和时效性差等弊端，难以满足大范围病虫害实时监测的需求。近年来遥感技术的发展，为大面积、快速获取作物和环境信息提供了重要的手段，是未来大面积病虫害监测和预测预报与产量损失评估的重要手段。该文在阐述植物病虫害胁迫光谱响应的生理机制的基础上，对目前病虫害遥感监测中所常用的光谱敏感波段及植被指数进行了汇总、整理，并对病虫害识别、严重度监测和损失评估等方面所使用的算法进行了综述。在此基础上，指出了目前作物病虫害遥感监测中尚需解决的关键技术问题，并就如何实现大面积作物病虫害遥感监测提出了解决思路。

　　关键词：遥感，病害，虫害控制，作物，光谱特征波段，植被指数

　　0、引言

　　农作物病虫害对农业生产造成巨大的损失。据联合国粮农组织估计，世界粮食产量常年因病害损失14%，虫害损失10%。病虫害的爆发和流行可以看作一个病菌或害虫的群落对农田生态系统的一种入侵或干扰过程。作为世界上最大的人工生态系统，农田生态系统的生态脆弱性使得病虫害的入侵成为一个难以避免的现实。农作物病虫害从小范围发生到爆发或流行受到诸多因素的影响，主要包括气候特点、作物品种、种植习惯以及防治情况等。在全球气候变化的大背景下，农田生态系统受到病虫害胁迫的概率将显著增加，这为全球粮食生产蒙上一层阴影。中国作为农业大国，历史上受到病虫害的影响就非常严重，重要的农作物病虫草鼠害达1400多种，具有种类多、影响大和局部暴发成灾等特点。近年来，中国病虫害的发生和危害出现加重的趋势，如2005年的褐飞虱特大发生成灾，造成长江中下游地区670万hm2的田块枯倒，造成约几百万吨稻谷的损失，直接经济损失约为40亿元。

　　中国作为人口大国，能够在数量和面积有限的耕地上取得丰收将直接关系到国民生活和国家的稳定。

　　目前，中国在作物病虫害监测预报方面主要还是依靠植保人员的田间调查、田间取样等方式。这些传统方法虽然真实性和可靠性较高，但耗时、费力，且存在代表性、时效性差和主观性强等弊端，已难以适应目前大范围的病虫害实时监测和预报的需求。遥感技术是目前唯一能够在大范围内快速获取空间连续地表信息的手段，其在农作物估产、品质预报和病虫害监测等多个方面有着不同程度的研究和应用。这些应用在很大程度上改变了传统的作业和管理模式，极大地推动着农业朝优质、高效、生态、安全和现代化、信息化的方向发展。美国农业部（USDA）国家农业统计服务司（NASS）于2009年5月发布的一份最新报告了解到，美国国家尺度作物生长状态及作物产量数据自1995年起开始利用卫星遥感数据进行分析，该技术对快速、低成本地获得全国尺度的各种粮食种植品种、生长状态、产量等数据具有重要作用。目前，随着精密制造技术和测控技术的发展，各类机载、星载的遥感数据源不断增多，为各级用户提供了多种时间、空间和光谱分辨率的遥感信息。而这些技术和数据的涌现为作物病虫害监测提供了宝贵的契机，使得有可能更为准确、快速地了解作物病虫害发生发展的状况。

　　本文通过对近年来遥感技术在作物病虫害方面的有关研究进行综述，从4个不同层面对这些研究进行介绍，即1）病虫害光谱响应生理机制；2）病虫害光谱响应特征位置；3）应用于病虫害监测的植被指数；4）病虫害遥感识别和程度区分算法。最后，对该技术在作物病虫害研究领域的现存问题及未来的发展趋势进行总结，探讨进一步应用的可行途径。

　　1、植物病虫害胁迫下光谱响应生理机制

　　光学遥感监测是目前植物病虫害监测中研究最为聚集、应用最为广泛的领域。植物在病虫害侵染条件下会在不同波段上表现出不同程度的吸收和反射特性的改变，即病虫害的光谱响应，通过形式化表达成为光谱特征后作为植物病虫害光学遥感监测的基本依据。植物病虫害的光谱响应可以近似认为是一个由病虫害引起的植物色素、水分、形态、结构等变化的函数，因此往往呈现多效性，并且与每一种病虫害的特点有关。

　　由于受各类色素（叶绿素、类胡萝卜素、花青素）的吸收作用，健康植株的光谱通常在可见光区域反射率较低；受叶片内部组织的空气-细胞界面的多次散射作用，在近红外区域往往反射率较高；受水、蛋白质和其他含碳成分的吸收作用，在短波红外区域呈现较低反射率[5]。在受到病菌侵染后，植物叶片上常会形成不同形式的病斑、坏死或枯萎的区域，色素的含量和活性降低，导致可见光区域的反射率增加，同时红边（670～730nm）向短波方向移动。另一方面，感病植株在胁迫较严重时会出现叶倾角变化甚至植株倒伏等冠层形态的变化，从而在较大程度上影响近红外波段的反射率光谱。健康植株受病虫害侵染达一定程度时，植株水分代谢受到干扰，引起叶片或植株的水分亏缺，进而引起近红外波段反射率的变化。同时，植株体含水量变化与植株形态等结构因素亦存在密切关系。但是，相对于色素而言，水分对光谱的影响具有更大的不确定性。多种病虫害（如小麦白粉病、条锈病）易发生于环境湿度较高的地方，此现象与病虫害对植株水分的影响方向相反，因此对二者的影像常难于区分。此外，在冠层尺度上，太阳光经大气时水汽被大量吸收，于近红外波段形成3个水汽吸收带。

　　这一特点进一步加大了对植株体水分信息的提取难度。因此，目前对于植物病虫害反射率光谱的研究，较多的还是考虑色素、细胞结构以及冠层结构的影响。

　　总体而言，目前植物病虫害胁迫下引起光谱响应的生理机制基本是明确的。这些机理为利用遥感技术研究感病植物在不同波段下的光谱响应变化奠定了理论依据。

　　2、作物病虫害胁迫下光谱响应特征位置

　　由于病虫害叶片或冠层光谱是对植物生理、生化、形态、结构等改变的整体响应，具高度复杂性，因此对于不同植物，不同类型、不同发展阶段的病虫害，可能会有多样的光谱特征。针对这些情况已经有相当数量的研究对不同作物病虫害的光谱特征进行了报道。在水稻研究方面：Kobayashi等运用反射率光谱，在冠层和叶片2个尺度上对稻穗瘟（panicleblast）进行识别，研究表明，无论在室内还是在田间冠层，随病粒比例的增加，水稻光谱反射率在430～530、580～680和1480～2000nm范围内均有所提高；Yang和Cheng对受褐飞虱（brownplanthopper）侵扰的水稻冠层光谱进行分析后发现，利用737～925nm波段反射率的改变能够对植物是否受病害侵染做出较好诊断；Yang等发现，当水稻受褐飞虱和稻纵卷叶螟侵扰时，426nm波段处的冠层光谱反射率能够有效地监测2种虫害；Liu等通过对水稻稻穗的光谱分析发现450～850nm波段的反射率变化与水稻颖枯病（glumeblightdisease）具有相关性。在小麦研究方面：Graeff等通过对感染白粉病（powderymildew）和全蚀病（take-alldisease）的小麦叶片光谱进行分析后发现，病害的发生导致490、510、516、540、780和1300nm波段处的强烈光谱响应。

　　Delwiche和Kim发现小麦赤霉病（Fusariumheadblight）能够引起550、568、605、623、660、697、715和733nm位置处的光谱响应;黄木易等通过研究小麦条锈病的光谱特征，发现630～687，740～890和976～1350nm波段对条锈病敏感；刘良云等发现小麦条锈病与560～670nm波段的反射率变化有密切关系，并据此构建了监测模型；Moshou等通过光谱分析筛选出680、725和750这三个与小麦条锈病有关的光谱波段。在其他果蔬研究方面：Sasaki等发现黄瓜在受到Colletotrichumorbiculare病菌感染后会在380～450和750～1200nm波段处出现吸收特征的改变；Zhang等发现番茄晚疫病（lateblightdisease）的发生能够引起700～750、750～930、950～1030和1040～1130nm范围的光谱反射率的显著改变；Xu等发现800～1100、1450和1900nm位置的光谱反射率对番茄斑潜蝇（leafminerdamage）的侵扰较敏感；Jones等通过分析感染叶斑病（xanthomonasperforans）的番茄叶片光谱发现在395、633～635和750～760nm位置的反射率有显著改变；Naidu等通过研究发现能够通过752，684和970nm处的反射率对葡萄卷叶病（leafrolldisease）进行识别和诊断；Wang等发现能够用1150～1280nm波段的反射率诊断洋葱的酸腐病（sourskindisease）。

　　Huang等在监测芹菜菌核病时发现采用400～1300nm反射率可有效反应病菌侵染程度。图1和表1对上述光谱位置进行了归纳和总结。

　　从上述研究可以看出，植物类型及染病种类不同，其光谱特征位置具有明显差异。笔者认为，如果能够对各种不同作物的常见病虫害光谱特征位置进行全面研究，建立一个作物病虫害光谱特征数据库，将极大地丰富农业专家系统在病虫害监测与诊断方面的内涵。同时，便于数据交互和共享，为今后病虫害的监测提供信息支持。

　　3、应用于作物病虫害胁迫监测的植被指数

　　在病虫害遥感探测的研究与实践中，研究者们往往不直接使用光谱反射率，而是基于各种类型的植被指数进行分析。迄今为止，已有多种不同形式的植被指数被相继提出，通常具有一定的生物或理化意义，是植物光谱的一种重要的应用形式。除波段组合、插值、比值、归一化等常用的代数形式外，如光谱微分、连续统等变换形式也常用于光谱特征的构建。目前，已有较多的研究尝试通过各类植被指数建立遥感信息和病虫害的发生、程度之间的关系。

　　在水稻研究方面：Yang等采用绿度植被指数（greennormalizeddifferencevegetationindex,GNDVI）和土壤调节植被指数（soil-adjustedvegetationindex，SAVI）对水稻病害进行监测，2种指数与病情程度之间的决定系数均达到0.8以上。在小麦研究方面：Bravo等利用归一化植被指数（normalizeddifferencevegetationindex，NDVI），采用判别分析提取小麦条锈病病情信息，准确率超过95%；Zhao等发现比值植被指数（simpleratio，SR）和三角形植被指数（triangularvegetationindex，TVI）对诊断小麦病害有较好的效果；黄木易等发现经连续统去除法处理后的540～740nm区间内的吸收深度（depth）和吸收面积（area）能够与小麦病叶的严重度之间建立极显著的相关关系；Huang等[33]采用改正型叶绿素吸收比值指数（thetransformedchlorophyllabsorptionandreflectanceindex,TCARI）和优化土壤调节植被指数（optimizedsoil-adjustedvegetationindex，OSAVI）的组合对小麦病害条件下的色素变化进行监测，决定系数达到0.7795，结果表明TCARI和OSAVI指数的比值能够与受条锈病侵染的小麦植株的部分生理生化参数建立良好的相关关系；蒋金豹等通过实验研究发现在冠层尺度上，红边核心区（725～735nm）内一阶微分总和（SDr'）与绿边核心区（520～530nm）内一阶微分总和（SDg'）的比值对小麦病害早期症状敏感，与病情指数间相关系数达到0.921，表明微分植被指数SDr'/SDg'适用于小麦病害的早期诊断；Huang等成功运用光化学植被指数（photochemicalreflectanceindex,PRI）监测了小麦病害，分别在冠层和航空观测尺度上达到了超过90%的估测精度；此外，Devadas等发现氮反射率指数（nitrogenreflectanceindex，NRI），结构不敏感植被指数（structuralindependentpigmentindex，SIPI），植被衰老指数（plantscenescencereflectanceindex，PSRI）和归一化叶绿素比值指数（normalizedpigmentchlorophyllratioindex，NPCI）能够识别并进一步区分同种小麦病害的不同亚型。在其他果蔬研究方面：Steddom等利用NDVI、花青素反射指数（anthocyaninreflectanceindex，ARI）对甜菜病害进行了监测；Xu等采用水体指数（waterbandindex,IWB）对番茄病虫害进行探测；Naidu等尝试利用红边植被胁迫指数（red-edgevegetationstressindex，RVSI），调节型叶绿素吸收比率指数（modifiedchlorophyllabsorptioninreflectanceindex，MCARI）,可见光大气阻尼指数（visibleatmosphericallyresistanceindex，VARI）及水分指数（waterindex，WI）对葡萄病害进行识别，且识别效果达到极显著水平。