背景：

水稻作為全球主要糧食作物之一，其穩(wěn)定和可持續(xù)生產(chǎn)受到多種因素的威脅,，包括病害,、蟲(chóng)害和環(huán)境因素。近年來(lái),，由鐮刀菌引起的水稻穗腐病在東亞水稻種植區(qū)日益成為一種新興病害,，其傳播迅速，并可顯著降低水稻產(chǎn)量和品質(zhì),。此外,，該病害產(chǎn)生的毒素還可能影響食品安全，因此對(duì)其進(jìn)行有效監(jiān)測(cè)和防控具有重要意義,。

目前,，傳統(tǒng)的病害監(jiān)測(cè)方法主要依賴(lài)于人工目測(cè)，這種方法不僅主觀性強(qiáng),、費(fèi)時(shí)費(fèi)力,，而且難以在早期階段準(zhǔn)確識(shí)別受感染的穗粒，尤其是當(dāng)病害程度較輕時(shí),，在田間環(huán)境下難以肉眼察覺(jué),。相比之下，遙感技術(shù),，特別是高光譜成像技術(shù)（HSI）,，提供了一種高效,、無(wú)損的病害監(jiān)測(cè)手段。已有研究表明,，高光譜遙感可用于檢測(cè)多種作物病害,，并能夠在病害出現(xiàn)肉眼可見(jiàn)癥狀前提供早期預(yù)警。然而,，目前大部分研究集中在葉部病害檢測(cè)上,，針對(duì)水稻穗部病害的研究較少。由于穗粒的三維形態(tài)結(jié)構(gòu)復(fù)雜,，傳統(tǒng)的非成像光譜儀難以精確觀測(cè)其光譜特征,，而高光譜成像技術(shù)結(jié)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(jiān)測(cè)的精度,。

此外,，以往研究多在作物生長(zhǎng)的某一特定時(shí)期進(jìn)行病害監(jiān)測(cè)，而忽略了病害在整個(gè)生長(zhǎng)階段的動(dòng)態(tài)變化,。由于水稻穗粒的成熟過(guò)程可能會(huì)影響光譜反射特性,，因此需要開(kāi)發(fā)一種能夠跨生長(zhǎng)階段穩(wěn)定監(jiān)測(cè)病害嚴(yán)重程度的光譜指數(shù)，以提升病害監(jiān)測(cè)的一致性和準(zhǔn)確性,。因此,，該研究的研究目的如下：分析水稻穗腐病在不同生長(zhǎng)階段的光譜響應(yīng)特性，探討其在各階段的光譜變化規(guī)律,；構(gòu)建適用于多個(gè)生長(zhǎng)階段的穗腐病光譜指數(shù),，用于病害嚴(yán)重程度的量化；評(píng)估該指數(shù)在不同生長(zhǎng)階段的適用性,，并與已有光譜指數(shù)進(jìn)行對(duì)比,，驗(yàn)證其在病害監(jiān)測(cè)和病斑分布可視化方面的有效性。

實(shí)驗(yàn)設(shè)計(jì)

1.1材料與方法

（1）實(shí)驗(yàn)設(shè)置

在中國(guó)江蘇省南京市南京農(nóng)業(yè)大學(xué)進(jìn)行了水稻穗腐?。≧SRD）監(jiān)測(cè)的小區(qū)試驗(yàn),。為了方便儀器設(shè)置，使用地上填滿田土的水泥池作為實(shí)驗(yàn)小區(qū),。共有24個(gè)大小相同的小區(qū),，每個(gè)小區(qū)的尺寸為2米×3米（圖1）。2019年和2020年的水稻季節(jié),，除了水稻品種外,，實(shí)驗(yàn)在相同的設(shè)置下進(jìn)行。為了與田間管理實(shí)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）。然后在分蘗期進(jìn)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(chuàng)造RSRD感染和發(fā)展所需的高濕度環(huán)境。

圖1.2019年和2020年試驗(yàn)小區(qū)的實(shí)驗(yàn)區(qū)域地圖,，分別展示了2019年四個(gè)品種（V1: 武運(yùn)粳23號(hào),，V2: 武運(yùn)粳24號(hào)，V3: 武運(yùn)粳7號(hào),，V4: 南粳44號(hào)）和2020年另外四個(gè)品種（V1: 揚(yáng)農(nóng)1號(hào),，V2: 南粳9108號(hào)，V3: 南粳5055號(hào),，V4: 淮稻5號(hào)）的試驗(yàn)小區(qū)布局

由于豐滿緊湊的粳稻品種更易感染RSRD,，我們選擇了江蘇省常見(jiàn)的八個(gè)粳稻品種進(jìn)行實(shí)驗(yàn)（2019年：武運(yùn)粳23號(hào)、武運(yùn)粳24號(hào),、武運(yùn)粳7號(hào)和南粳44號(hào),；2020年：揚(yáng)農(nóng)1號(hào)、南粳9108號(hào),、南粳5055號(hào)和淮稻5號(hào)）,。在2019年和2020年的實(shí)驗(yàn)小區(qū)中，RSRD自然發(fā)生,。

（2）數(shù)據(jù)收集與預(yù)處理

為了避免稻穗和葉片在小區(qū)內(nèi)對(duì)測(cè)量造成嚴(yán)重干擾,，并提高測(cè)量效率，我們?cè)谇缋实闹形鐣r(shí)分,，在抽穗,、開(kāi)花和灌漿階段，將感染稻穗從水稻植株上移除,，以便進(jìn)行原位成像光譜數(shù)據(jù)采集,。為了確保每個(gè)樣本的完整性,，移除稻穗時(shí)也一并移除了部分莖稈,。移除后，新鮮樣本被轉(zhuǎn)移到靠近小區(qū)的龍門(mén)架平臺(tái)上,。在龍門(mén)架下的每次測(cè)量中,，將五到八個(gè)稻穗放置在帶有黑色面板的凳子上，并在旁邊放置一個(gè)分析光譜裝置,。黑色和白色面板在可見(jiàn)光和近紅外（VNIR）區(qū)域的反射率分別為3%和99.9%,。一臺(tái)數(shù)碼單反相機(jī)（EOS 80D, Canon, Tokyo, Japan）和一臺(tái)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(dòng)線性掃描系統(tǒng)（HSIA-MScope-X）上。升降高度范圍為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(yáng)光下獲取稻穗RGB和高光譜圖像的實(shí)驗(yàn)設(shè)置

RGB照片是通過(guò)相機(jī)快門(mén)的遙控器收集的,。相機(jī)設(shè)置為A+模式，自動(dòng)調(diào)整曝光時(shí)間,，并將圖像質(zhì)量設(shè)置為最大分辨率6000×4000像素,。高光譜圖像是通過(guò)控制平臺(tái)系統(tǒng)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(jī)在該距離下實(shí)現(xiàn)了0.45毫米的空間分辨率，擁有256個(gè)波段,，采樣間隔為2.5nm,，覆蓋范圍為361至1011nm。由于相機(jī)中的光學(xué)光圈是固定的,，在推掃過(guò)程中入射光并不一致,。為了增強(qiáng)光的一致性，圖像掃描是使用龍門(mén)架的水平電機(jī)完成的,，而不是內(nèi)部推掃模塊,。此外，使用網(wǎng)格紙手動(dòng)調(diào)整電機(jī)速度和焦距,，以確保高光譜圖像幀無(wú)失真且清晰,。為了避免中午時(shí)分過(guò)曝，HSI相機(jī)的曝光時(shí)間手動(dòng)設(shè)置為0.4秒,。這些測(cè)量涵蓋了兩年的401個(gè)稻穗（表1）,。

高光譜圖像的反射率是從原始數(shù)字?jǐn)?shù)值中導(dǎo)出的，然后使用最小噪聲分?jǐn)?shù)變換進(jìn)行去噪處理,。為了方便光譜處理,，高光譜圖像的光譜間隔被重新采樣為1nm。由于450至800nm范圍外的信噪比較低,，因此僅使用該范圍內(nèi)的波段進(jìn)行光譜分析,。在ENSI 5.3中手動(dòng)裁剪出每個(gè)稻穗的整體區(qū)域。通過(guò)設(shè)置0.2的閾值,，應(yīng)用760nm波段的反射率來(lái)屏蔽背景,。然后通過(guò)形態(tài)學(xué)方法去除噪聲像素，進(jìn)一步細(xì)化稻穗?yún)^(qū)域,。最后,，計(jì)算每個(gè)稻穗的平均反射率，以供后續(xù)分析使用,。

（3）方法

本研究提出了一種通過(guò)光譜分析和波段選擇構(gòu)建特定于RSRD嚴(yán)重程度量化光譜指數(shù)（SI）的方法,，該方法使用從RGB圖像中提取的疾病斑點(diǎn)（DS）作為參考。該方法采用多生長(zhǎng)階段的光譜數(shù)據(jù)進(jìn)行波段選擇，以確保其穩(wěn)定的性能,，并包括四個(gè)步驟：（1）確定SI的形式以表征主要的光譜響應(yīng),；（2）基于相關(guān)性分析和相關(guān)域分離，選擇多個(gè)生長(zhǎng)階段的敏感波段,；（3）在DS量化和病斑映射中,，評(píng)估所提出的SI與現(xiàn)有SI的比較。

提取疾病嚴(yán)重程度參考值：先前的研究主要采用定性的DS標(biāo)準(zhǔn),，通過(guò)視覺(jué)檢查來(lái)標(biāo)記感染樣本,。這種定性研究可能不足以滿足精準(zhǔn)農(nóng)業(yè)中疾病監(jiān)測(cè)的需求。為了彌補(bǔ)人類(lèi)視覺(jué)在DS量化中的低效率和準(zhǔn)確性不足,，開(kāi)發(fā)了一種方法,，利用顏色空間轉(zhuǎn)換和動(dòng)態(tài)閾值分割技術(shù)，從RGB圖像中自動(dòng)提取DS參考數(shù)據(jù)（圖3B）,。

圖3.RSRI開(kāi)發(fā),、DS量化和DS映射程序的技術(shù)流程圖（A 數(shù)據(jù)預(yù)處理，B DS參考提取,，C 指數(shù)構(gòu)建,，D 建模和映射）

首先，每個(gè)樣本從RGB圖像中裁剪出來(lái),，并根據(jù)測(cè)量順序和視覺(jué)匹配與相應(yīng)的稻穗HSI分組,。然后，使用顏色空間轉(zhuǎn)換來(lái)增強(qiáng)每個(gè)RGB圖像的對(duì)比度,，因?yàn)楸尘昂蚏SRD病斑之間的亮度非常接近,。選擇了Lab顏色空間，因?yàn)樗鼛缀醪皇芄庹諚l件或傳感器的影響,，用于背景移除和RSRD病斑識(shí)別,。這個(gè)空間是一個(gè)顏色對(duì)立空間，其中“L”代表亮度,，“a”和“b”代表顏色對(duì)立維度,。“b”值代表了黃/藍(lán)對(duì)立顏色的真實(shí)中性灰度值,，這意味著“b”適合于從背景中分離稻穗,?！癮”值代表了紅/綠對(duì)立顏色的真實(shí)中性灰度值,，這意味著“a”適合于從健康像素中分離出感染像素。傳統(tǒng)的閾值分割方法通常使用單一值將整個(gè)圖像的所有像素分開(kāi),。然而,，嚴(yán)重和早期感染像素的顏色接近背景和健康區(qū)域。成熟度較高的稻穗顏色也較深，接近病斑和背景,。這意味著全局閾值分割方法不適用于準(zhǔn)確提取稻穗病斑,。相比之下，局部閾值分割,，也稱(chēng)為自適應(yīng)或動(dòng)態(tài)閾值分割,，使用不同的閾值分割子區(qū)域以抵抗噪聲或顏色不均勻。動(dòng)態(tài)方法無(wú)論在生長(zhǎng)階段或疾病嚴(yán)重程度如何,，都能比全局方法表現(xiàn)得更好,。

在通過(guò)通道“b”進(jìn)行背景移除和局部閾值分割后，進(jìn)行了形態(tài)學(xué)細(xì)化以去除孤立噪聲的小組件（最小連通組件設(shè)置為五千個(gè)像素）,。接下來(lái),，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(qū)域大小通過(guò)比較識(shí)別結(jié)果和原始RGB圖像之間的視覺(jué)對(duì)比進(jìn)行調(diào)整,。需要注意的是,，該研究中并未考慮RGB圖像與HIS圖像之間的空間對(duì)應(yīng)關(guān)系。DS值是作為每個(gè)樣本在器官尺度上觀察到的疾病嚴(yán)重程度,，而不是像素尺度,。

提出的與現(xiàn)有的光譜指數(shù)：針對(duì)不同病害的光譜指數(shù)理論上應(yīng)該針對(duì)特定的植物-病原相互作用，因?yàn)椴煌乃拗髦参镌谠馐芨鞣N感染時(shí)可能會(huì)表現(xiàn)出可區(qū)分的光譜響應(yīng),。鑒于這種特異性,，構(gòu)建了RSRD指數(shù)（RSRI）來(lái)表達(dá)RSRD的*特光譜特征。隨著病情的發(fā)展,，VNIR區(qū)域的光譜輪廓逐漸變寬,。為了提高所提特征的敏感性，結(jié)合了多個(gè)波段來(lái)表示反射率曲線中的變寬趨勢(shì)（圖3C）,。然后選擇了雙差分（DD）指數(shù)的形式來(lái)描述變化強(qiáng)度,。此外，DD形式的指數(shù)被發(fā)現(xiàn)對(duì)包括日照強(qiáng)度變化在內(nèi)的恒定和線性趨勢(shì)的噪聲不敏感,。DS越嚴(yán)重,，光譜曲線就越寬，DD值就越接近1,。

為了確定構(gòu)建SI的敏感波段,，應(yīng)用了一個(gè)特征選擇流程，包括以下三個(gè)步驟,。首先,，在校準(zhǔn)樣本的反射率和DS值之間建立了每個(gè)波段的Spearman相關(guān)性。選擇Spearman分析是因?yàn)楸狙芯恐械腄S值不符合正態(tài)分布,。在第二步中,，通過(guò)將波長(zhǎng)分為正域和負(fù)域來(lái)構(gòu)建相關(guān)域,，以定位不同的響應(yīng)區(qū)域。覆蓋少于五個(gè)波段的小域被丟棄,，以確保波段選擇的穩(wěn)健性,。第三步，選擇每個(gè)域中相關(guān)性*強(qiáng)的波段,，形成多個(gè)備選特征（圖4）,。上述選擇分別針對(duì)抽穗、開(kāi)花和灌漿階段的樣本進(jìn)行,。為確保RSRD指數(shù)的一致敏感性,，主要選擇在紅色和近紅外區(qū)域?qū)λ须A段都敏感的共同波段。為了加強(qiáng)對(duì)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(gè)代表性波段來(lái)構(gòu)建三個(gè)候選指數(shù),。然后，使用校準(zhǔn)集得出決定系數(shù)（R2）值,，以評(píng)估每個(gè)候選指數(shù)的DS量化,。

圖4.不同生長(zhǎng)階段（綠色：抽穗，藍(lán)色：開(kāi)花,，紅色：灌漿）下疾病DS與450至800nm波長(zhǎng)處反射率之間的Spearman相關(guān)系數(shù),。灰色和白色背景分別代表負(fù)相關(guān)和正相關(guān),。黑色垂直線對(duì)應(yīng)于灰色或白色相關(guān)域中的最大系數(shù)（上排：抽穗,，中排：開(kāi)花，下排：灌漿）

在整理用于植被脅迫監(jiān)測(cè)的常用光譜指數(shù)（SIs）的線性回歸R2值之后,，選擇了排*前五的光譜指數(shù)（NPCI,、CCI、PRI670,、PSRI和NDVI）與RSRI進(jìn)行比較（表2）,。分別從抽穗、開(kāi)花和灌漿階段各選取三個(gè)稻穗的輕度,、中度和重度感染樣本進(jìn)行映射比較,。接下來(lái)，將DS-SI關(guān)系應(yīng)用于示范樣本的高光譜圖像,，以繪制疾病分布圖,。

鑒于高光譜圖像缺乏像素級(jí)參考的DS，因此將DS圖與RGB圖像進(jìn)行比較,，后者的顏色陰影可以為RSRD的嚴(yán)重程度提供一般性參考,。

準(zhǔn)確性評(píng)估：由于RSRD的感染和發(fā)展限制，2019年和2020年實(shí)驗(yàn)期間不同生長(zhǎng)階段的病穗數(shù)量顯著不平衡（表1）,。因此,，將兩年的所有樣本匯總，以進(jìn)行RSRI構(gòu)建,、模型校準(zhǔn)和模型驗(yàn)證,。匯總的數(shù)據(jù)集被隨機(jī)分為校準(zhǔn)集（60%）和驗(yàn)證集（40%）。使用線性模型擬合DS和SIs之間的關(guān)系,。量化性能以決定系數(shù)（校準(zhǔn)R2和驗(yàn)證R2）,、均方根誤差（RMSE）和偏差（Bias）來(lái)評(píng)估。

1.2.結(jié)果與討論

（1）水稻稻穗對(duì)RSRD的光譜響應(yīng)

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(kāi)花和灌漿階段的所有VNIR（可見(jiàn)光至近紅外）光譜區(qū)域都有所變化（圖5）?？傮w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(qū)顯著增強(qiáng)以及NIR區(qū)域的崩潰,。隨著RSRD的發(fā)展，藍(lán)區(qū)也有所增加,，紅邊向短波長(zhǎng)方向移動(dòng),。此外，隨著DS水平的升高,，NIR區(qū)域的斜率變得更加陡峭,。

雖然抽穗階段的光譜變化因DS范圍有限而較為溫和（圖5A），但開(kāi)花階段在所有三個(gè)階段中顯示出*強(qiáng)的光譜響應(yīng)（圖5B）,。具體來(lái)說(shuō),，與其它階段相比，灌漿階段在藍(lán)色和紅色區(qū)域的響應(yīng)最為強(qiáng)烈,。在開(kāi)花階段,，綠色和NIR區(qū)域的反射率在0.0到0.2的輕度DS范圍內(nèi)呈現(xiàn)出顯著的增加而非減少，這并沒(méi)有表現(xiàn)出與灌漿階段相同的單向減弱趨勢(shì)（圖5B,、C）,。

圖5.不同生長(zhǎng)階段（A 抽穗，B 開(kāi)花,，C 灌漿）水稻稻穗在不同程度RSRD（RSRD）嚴(yán)重度下的反射光譜,。(A)中的DS范圍較窄，這是由于早期感染階段允許的檢查水平較低

（2）確定構(gòu)建RSRI的最佳波段

總體而言,，各個(gè)生長(zhǎng)階段中,，單個(gè)波段的反射率與DS之間的Spearman相關(guān)性顯示出一致的趨勢(shì)（圖4）。在藍(lán)色和紅色區(qū)域存在正相關(guān)域,，在綠色和NIR區(qū)域存在負(fù)相關(guān)域,。此外,，抽穗階段的藍(lán)色區(qū)域還有一個(gè)額外的負(fù)相關(guān)域。由于DS范圍有限,，抽穗階段的相關(guān)性最弱,。對(duì)于抽穗和灌漿階段，DS與藍(lán)色區(qū)域的反射率之間的相關(guān)性比綠色區(qū)域更強(qiáng),，而在開(kāi)花階段,，這種對(duì)比則相反。

Spearman相關(guān)曲線顯示,，RSRD的嚴(yán)重程度在紅色區(qū)域最可量化,。此外，所有生長(zhǎng)階段在NIR區(qū)域都出現(xiàn)了一致的相關(guān)性,?；谶@些特征，分別從紅色和NIR區(qū)域選擇了兩個(gè)波段作為構(gòu)建RSRI方程的部分,。紅色區(qū)域的*優(yōu)波段分別為抽穗階段的680nm和開(kāi)花及灌漿階段的675nm（圖4）,。NIR區(qū)域最敏感的波段為751nm、743nm和734nm,。因此,，確定了紅色區(qū)域的共同波段675nm和NIR區(qū)域中位波長(zhǎng)740nm來(lái)填充RSRI方程。RSRI的第三個(gè)波段從抽穗階段的剩余代表性波段中選擇,，包括454nm,、489nm和553nm。構(gòu)建了三個(gè)候選指數(shù),，分別命名為RSRI-1,、RSRI-2和RSRI-3，以進(jìn)行進(jìn)一步比較,。

顯然,，RSRI-1在抽穗階段與DS的相關(guān)性顯著高于RSRI-2和RSRI-3（圖6）。對(duì)于開(kāi)花或灌漿階段,，三個(gè)RSRI候選指數(shù)的R2值僅略有不同,。因此，RSRI454,675,740被確定為量化和映射DS的最佳指數(shù),。

圖6. DS（疾病嚴(yán)重度）與SIs（光譜指數(shù)）之間的關(guān)系,，包括回歸線和R2值。綠色,、藍(lán)色和紅色的正方形分別代表抽穗,、開(kāi)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(guān)系（p值=0.133）外,，所有回歸都具有統(tǒng)計(jì)學(xué)意義（p值<0.001）

（3）使用RSRI和現(xiàn)有指數(shù)對(duì)疾病嚴(yán)重度進(jìn)行量化和映射

DS與SIs之間的關(guān)系在不同生長(zhǎng)階段有所變化（圖7）,。在抽穗階段,，RSRI的R2值高于其他SIs（RSRI: R2 = 0.75; 其他: R2 < 0.66）。在開(kāi)花和灌漿階段,，RSRI對(duì)于輕度和重度感染樣本均展現(xiàn)出*強(qiáng)的相關(guān)性,。RSRI的R2值接近PRI670和PSRI，但高于其他SIs,。此外,，對(duì)于單一SI,，校準(zhǔn)回歸模型的權(quán)重在不同生長(zhǎng)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(xiàn)出類(lèi)似的現(xiàn)象,，除了PRI670,。

圖7. DS與SIs之間的關(guān)系，包括回歸線和R2值,。綠色,、藍(lán)色和紅色的正方形分別代表抽穗、開(kāi)花和灌漿階段的樣本,。所有回歸均具有統(tǒng)計(jì)學(xué)意義（p值<0.001）

總體而言,，每個(gè)SI在涉及的生長(zhǎng)階段中對(duì)DS估計(jì)的準(zhǔn)確性差異顯著（圖8，9）,。在開(kāi)花階段的量化性能最佳,，而在抽穗階段的性能最弱。此外,，RSRI和現(xiàn)有光譜指數(shù)在DS量化準(zhǔn)確性方面表現(xiàn)出相反的結(jié)果,。對(duì)于抽穗階段，RSRI在DS量化中獲得了最佳準(zhǔn)確性（R2 = 0.65）（圖8A）,，并且在所有五個(gè)指數(shù)中展現(xiàn)出最集中的RMSE和驗(yàn)證R2的CIs（圖9）,。所有現(xiàn)有光譜指數(shù)在抽穗階段未能有效量化DS，其準(zhǔn)確性指標(biāo)的置信區(qū)間明顯比RSRI寬,。結(jié)果表明,，RSRI在開(kāi)花階段和灌漿階段的DS量化中驗(yàn)證R2分別為0.84和0.78（圖8B，C）,，并且具有緊湊的置信區(qū)間指標(biāo)（圖9）,。此外，現(xiàn)有光譜指數(shù)在開(kāi)花階段對(duì)輕度RSRD嚴(yán)重度存在低估,，而RSRI則沒(méi)有這種情況（圖8）,。RSRI在不同生長(zhǎng)階段的DS量化中表現(xiàn)最佳。

圖8.使用基于SI的模型測(cè)量和估算的DS散點(diǎn)圖,，分別對(duì)應(yīng)抽穗（左列）,、開(kāi)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(zhǎng)階段（左列：抽穗,，中列：開(kāi)花,，右列：灌漿）對(duì)RSRI和現(xiàn)有SIs在DS（疾病嚴(yán)重度）量化中的校準(zhǔn)準(zhǔn)確性（R2）、驗(yàn)證準(zhǔn)確性（R2）,、RMSE和偏差的比較,。每一百輪評(píng)估的平均值（水平條）伴隨著置信區(qū)間（垂直條）。

圖10展示了通過(guò)結(jié)合基于SI的線性模型和高光譜數(shù)據(jù)立方體,，對(duì)三個(gè)代表性樣本稻穗內(nèi)DS的空間變化進(jìn)行映射的結(jié)果,。以RGB圖像作為參考，RSRD感染區(qū)域通過(guò)映射方法成功被描繪出來(lái),。然而,，與提出的SI相比，現(xiàn)有的SIs未能生成DS分布的真實(shí)映射,。相比之下,，基于RSRI的地圖在健康像素區(qū)域的黃色區(qū)域（表示過(guò)估的區(qū)域）比選定的SIs少，而這些區(qū)域被錯(cuò)誤地標(biāo)記為輕度疾病嚴(yán)重度（圖10A,，B）,。基于RSRI的地圖還適當(dāng)?shù)亟沂玖藝?yán)重感染區(qū)域,，而基于選定SIs的對(duì)應(yīng)病變則顯示較弱（圖10C）,。RSRI的病變分布與參考圖像顯示出*強(qiáng)的相似性，特別是對(duì)于輕微和嚴(yán)重感染區(qū)域,。

圖10.展示了三個(gè)獨(dú)立稻穗樣本（A：輕微感染的稻穗,，B：輕度感染的稻穗，C：嚴(yán)重感染的稻穗）的RGB圖像,、病斑分布參考圖以及從RSRI和現(xiàn)有SIs導(dǎo)出的DS圖,。請(qǐng)注意，RGB圖像上可以識(shí)別出谷物之間的小間隙,，但由于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(wú)法被區(qū)分

（4）討論

稻穗成熟度對(duì)RSRD感染光譜響應(yīng)的影響：不同生長(zhǎng)階段的光譜差異表明，RSRD感染稻穗的光譜響應(yīng)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(xué)角度來(lái)看,，光譜響應(yīng)主要受生化成分和組織結(jié)構(gòu)損傷的影響。可見(jiàn)光和NIR區(qū)域的反射率分別與色素濃度和葉片內(nèi)部結(jié)構(gòu)相關(guān),。因此,，RSRD引起的葉綠素和類(lèi)胡蘿卜素降解導(dǎo)致藍(lán)色和紅色區(qū)域反射率增加。綠色峰值反射率的減少（圖11A）可以歸因于花青素含量的增加,，這是一種對(duì)壓力敏感的防御性色素,。此外，RSRD穿透稻殼組織造成的壞死損傷是近紅外平臺(tái)反射率崩潰的主要原因,。從成熟度角度來(lái)看,，光譜變化趨勢(shì)受到稻穗發(fā)育過(guò)程中生化變化的影響。稻穗中葉綠素含量和類(lèi)胡蘿卜素與葉綠素比例隨生長(zhǎng)階段降低,，這應(yīng)該是稻穗成熟過(guò)程中紅色區(qū)域反射率增加的生理基礎(chǔ)（圖11B）,。盡管近紅外平臺(tái)的幅度對(duì)稻穗中的氮含量反應(yīng)顯著，但光譜形狀保持不變（圖11）,。

圖11. A.開(kāi)花階段三種不同RSRD嚴(yán)重度稻穗的反射光譜,。B.代表與本研究無(wú)關(guān)的三種健康水稻稻穗在抽穗,、開(kāi)花和灌漿階段的反射光譜

疾病發(fā)展和稻穗成熟之間的光譜變化相似性可能會(huì)削弱多生長(zhǎng)階段特征構(gòu)建和DS估計(jì)的普遍性,。此外，微妙的光譜響應(yīng)可能無(wú)法抵消成熟過(guò)程的變化,，這可能會(huì)導(dǎo)致從輕微到輕度感染階段樣本的顯著估計(jì)誤差,，正如現(xiàn)有SIs在模型驗(yàn)證中所做的那樣（圖8）。在冠層尺度上進(jìn)行疾病檢測(cè)時(shí),，壓力和物候變化的共存影響更為常見(jiàn),。因此，確保推導(dǎo)出的光譜特征在不同生長(zhǎng)階段對(duì)稻穗疾病監(jiān)測(cè)有效至關(guān)重要,。

先前的研究通過(guò)從全波段光譜信息中提取特征,，利用主成分分析（PCA）或簡(jiǎn)單體積*大化等方法，減輕了病原體檢測(cè)中因植物衰老等生理變化產(chǎn)生的影響,。然而,，這些轉(zhuǎn)換后的光譜特征可能并不適用于輕微感染的情況，因?yàn)镽SRD在紅色區(qū)域的光譜響應(yīng)可能與稻穗成熟時(shí)的響應(yīng)在幅度和形狀上相似,?？梢钥紤]選擇對(duì)稻穗生長(zhǎng)不敏感的波長(zhǎng)區(qū)域，以抑制全波段轉(zhuǎn)換中的成熟效應(yīng),。鑒于健康稻穗中花青素含量和內(nèi)部結(jié)構(gòu)在不同生長(zhǎng)階段的穩(wěn)定性,，成熟過(guò)程中的光譜變化可以通過(guò)綠色反射率的降低和近紅外區(qū)域的*特斜率來(lái)排除。這些特定于疾病的波段可以用來(lái)避免稻穗成熟對(duì)疾病檢測(cè)性能的影響,。此外,，這個(gè)問(wèn)題可以通過(guò)使用超出VNIR區(qū)域的更多波段來(lái)進(jìn)一步解決，例如短波紅外區(qū)域中對(duì)水分含量和干物質(zhì)敏感的波段。然而,，根據(jù)SIs的比較,，這些對(duì)成熟不敏感的波段并不適用于早期感染階段的DS估計(jì)。需要確定對(duì)早期感染敏感的波段,，以提高早期感染階段和多個(gè)生長(zhǎng)階段DS估計(jì)的準(zhǔn)確性一致性,。

藍(lán)色波段在疾病監(jiān)測(cè)中的貢獻(xiàn)：藍(lán)色波段在疾病監(jiān)測(cè)中的重要性得到了證實(shí)，因?yàn)橹挥蠷SRI和NPCI在抽穗階段（感染的早期階段）的DS量化中達(dá)到了可接受的準(zhǔn)確性,。藍(lán)色區(qū)域的反射率特征是主要色素的吸收重疊,。因此，藍(lán)色反射率應(yīng)對(duì)由病原體感染引起的微妙生化變化敏感,。例如,，藍(lán)色光譜特征可以記錄在早期應(yīng)激階段，衰老和不健康植物中常見(jiàn)的葉綠素含量的減少,。此外,，藍(lán)色波段對(duì)稻穗成熟的不敏感性可能部分解釋了RSRI在不同生長(zhǎng)階段對(duì)DS的一致敏感性（Figs. 7, 8）。

為了理解帶寬在疾病監(jiān)測(cè)中的效果,，我們根據(jù)常安裝在無(wú)人機(jī)上的植被遙感設(shè)備Airphen（Hi-phen,，法國(guó)）和RedEdge-MX多光譜相機(jī)（Micasense，美國(guó)）模擬出寬波段,，并從中導(dǎo)出了新的RSRI,。基于傳感器的光譜響應(yīng)函數(shù)和高光譜反射率的積分計(jì)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(guān)系以及在多個(gè)生長(zhǎng)階段的RSRD嚴(yán)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估計(jì)中同樣有效，它們?cè)跓o(wú)人機(jī)上安裝的相機(jī)進(jìn)行疾病監(jiān)測(cè)方面具有潛力,。然而,，由于大氣效應(yīng)的影響，藍(lán)色特征可能不適合于航空或航天平臺(tái),。

圖12.展示了三個(gè)生長(zhǎng)階段（A）Airphen和（B）RedEdge-MX模擬數(shù)據(jù)的DS-RSRI關(guān)系,。綠色、藍(lán)色和紅色正方形分別代表抽穗,、開(kāi)花和灌漿階段的樣本,。RSRI是通過(guò)參考Airphen或RedEdge-MX的帶寬和中心波長(zhǎng)，從高光譜數(shù)據(jù)立方體模擬的多光譜反射率計(jì)算得出的,。將454nm,、675nm和740nm的波段分別替換為每個(gè)傳感器的藍(lán)色,、紅色和近紅外波段。所有回歸均具有統(tǒng)計(jì)學(xué)意義（p值<0.001）

圖13.使用基于RSRI的模型從多光譜數(shù)據(jù)（A-C Airphen相機(jī),，D-F RedEdge-MX相機(jī)）得出的測(cè)量和估算的量化DS散點(diǎn)圖,，分別對(duì)應(yīng)抽穗（A, D）、開(kāi)花（B, E）和灌漿（C, F）階段,。

然而,，由于色素復(fù)雜降解過(guò)程的影響，通過(guò)生化變化來(lái)理解藍(lán)色反射率的變化是困難的,。盡管由于與紅色波段相比對(duì)DS的敏感性較弱（圖4）,，藍(lán)色波段可能不足以單獨(dú)用于疾病監(jiān)測(cè)，但可以利用特征工程方法來(lái)增強(qiáng)藍(lán)色波段的敏感性,，如SIs,、特征組合和先前研究中應(yīng)用的光譜轉(zhuǎn)換。此外,，根據(jù)病原體類(lèi)別的不同,，藍(lán)色波段響應(yīng)背后的微妙生化變化可能會(huì)有所不同。確定對(duì)特定脅迫敏感的特定波段區(qū)域?qū)τ贒S估計(jì)和疾病識(shí)別中的特征構(gòu)建至關(guān)重要,。

結(jié)論

本研究確定了多個(gè)生長(zhǎng)階段對(duì)RSRD的光譜響應(yīng)差異,，并構(gòu)建了一個(gè)新的指數(shù)RSRI，該指數(shù)對(duì)多個(gè)物候階段的RSRD敏感,。結(jié)果表明,，灌漿階段綠色和近紅外區(qū)域的反射率對(duì)DS的敏感性顯著低于開(kāi)花階段,。RSRI的優(yōu)化表明,，藍(lán)色波段的加入提高了抽穗階段SI對(duì)DS的敏感性，增強(qiáng)了早期疾病檢測(cè)能力,。與NPCI,、CCI、PRI670,、PSRI和NDVI相比,，RSRI在早期感染階段對(duì)DS的敏感性最高，并且從抽穗到灌漿階段在DS估計(jì)中表現(xiàn)最為穩(wěn)定（抽穗：R2 = 0.65,，RMSE = 0.02,；開(kāi)花：R2= 0.84，RMSE = 0.08,；灌漿：R2= 0.78,，RMSE = 0.08）。此外,，基于RSRI的模型比之前研究的SIs更能準(zhǔn)確地映射輕微,、輕度和嚴(yán)重感染樣本的病斑分布。RSRI在早期感染階段的DS估計(jì)和病斑映射可以為作物保護(hù)和病理學(xué)研究提供有效的參考。

推薦產(chǎn)品

GaiaField-V10E

作者簡(jiǎn)介（人名+單位+博導(dǎo)/碩導(dǎo)）

程濤,，南京農(nóng)業(yè)大學(xué),，博士生導(dǎo)師

參考文獻(xiàn)

論文引用自一區(qū)文章：Bowen Xue, Long Tian, Ziyi Wang, Xue Wang, Xia Yao, Yan Zhu, We*xing Cao, Tao Cheng. Quantifcation of rice spikelet rot disease severity at organ scale with proximal imaging spectroscopy. Precision Agriculture (2023) 24:1049–1071.