基于遥感技术的烟草花叶病监测研究

徐冬云，李新举，杨永花，窦玉青,3

1 山东农业大学资源与环境学院， 山东泰安岱宗大街61号 271018;2 山东临沂烟草有限公司，山东临沂沂新路306号 276400;3 中国农业科学院烟草研究所，山东青岛科苑经四路 11 号 266101

植物保护

基于遥感技术的烟草花叶病监测研究

徐冬云1，李新举1，杨永花2，窦玉青1,3

1 山东农业大学资源与环境学院， 山东泰安岱宗大街61号 271018;2 山东临沂烟草有限公司，山东临沂沂新路306号 276400;3 中国农业科学院烟草研究所，山东青岛科苑经四路 11 号 266101

为实现烟草花叶病快速、无损监测。基于染病植株冠层高光谱数据，优选病情指示变量，利用偏最小二乘法建立病害程度估测模型，并进一步将模型应用于资源3号卫星遥感数据，建立烟草花叶病病害等级分布图。结果显示： 1）以比值植被指数(RVI)，差值植被指数(DVI) ，再归一化植被指数(RDVI)， 变换植被指数(TVI)， 土壤可调植被指数(SAVI) 作为烟草花叶病病情的指示因子，能有效估测花叶病的严重程度，决定系数达0.8165。2) 在烟草花叶病病害等级分布图上，随机抽取140个样点进行实测，并将实测值与估测值进行线性拟合，拟合优度R2达77.13%。因此该方法能实现对烟草花叶病的大范围实时监测。

烟草花叶病；高光谱；遥感监测；资源3号卫星

烟草花叶病发病率高、危害性大，其田间发病率通常在5%～20%之间，有的地块可高达90%。烟草花叶病早期发病的损失可达50%以上，严重时甚至会导致绝收，并且该病一旦发生无法根除，对烟叶生产造成巨大伤害。

传统的花叶病调查方法主要是田间五点调查取样，该方法操作费时费力、难以实现实时、快速、无损和大面积监测，并且很容易造成健康植株的感染。而高光谱和遥感作为一种实时、快速、无损监测技术，可在不破坏作物的条件下，实现对作物生长及营养状况的快速监测[1]。国内外已有众多学者开展了关于遥感监测作物病虫害的研究，并取得了一定的研究成果。国外早期的研究多是利用高光谱研究作物病害程度与植被指数之间的关系[2-4]。国内，陈兵等利用高光谱数据建立了棉花黄萎病估测模型[5-6]，近几年，刘良云、冯炼等开始利用遥感影像进行作物病害监测的研究[7-8]。但这些研究多集中于小麦、棉花，玉米等作物，对烟草方面的研究仅局限于地面高光谱，航空遥感尺度上的研究还比较少，难以实现大范围病情监测。

偏最小二乘回归方法（Partial Least Square, PLS）是在1983年由Wold和Alban首次提出的[9]，PLS算法具有消除自变量间多重共线性影响的优点[10-11]，因此，近年来，该方法被广泛应用于遥感监测作物生长状况等方面，如估测作物病害严重度、生物量、叶面积指数以及N素含量等[12-15]。

本研究利用PLS方法结合辅助技术变量投影重要性原则建立病害估测模型。利用地面高光谱和高空遥感数据对烟草花叶病实行实时监测，以期实现烟草花叶病的大范围实时监测，为及时采取防治措施提供依据。

1 材料与方法

1.1 试验地点设计

本试验地点位于沂水沂城、道托镇烟草种植区。沂水县位于临沂地区北部，山东省东南部沂山南麓。北纬35°36′～36°13′，东经118°13′～119°03′。试验区为低山丘陵区，地形条件比较单一，烟草种植由烟草公司统一组织实施，统一管理，统一种植，统一施肥，烟草种植品种均为NC102，因此，不存在品种、施肥量、生长期等的不同，为试验的顺利实施提供了有利条件。

1.2 病情指数调查

根据实验区内烟草花叶病的发病情况和该区遥感影像的覆盖范围，在沂水沂城、道托镇分别选择六个病害小区，第个小区利用5点调查取样法选择50株典型发病植株和10株健康植株进行数据采集，记录第个调查点的发病情况，同时利用GPS记录采集点的地理位置，以保证与遥感影像同步对应。根据GBT-23222-2008烟草病虫害分级调查方法，烟草花叶病分为0，1，3，5，7，9共6个等级，群体病情指数DI计算公式如下：

为使分级更加明显，将花叶病害重新分为4个等级：健康，DI=0；轻度，DI介于0%-25%；中度，DI介于25%-50%；重度，DI＞50%。

1.3 地面高光谱数据获取

采用美国ASD公司生产的ASD Field Spec4便携式地物波谱仪进行光谱反射率数据的测定，该仪器测量波长范围为350～2500 nm，其中，350～1050 nm 采样间隔为 1.4 nm，光谱分辨率为 3 nm，1 000～2 500 nm 采样间隔为2 nm，光谱分辨率为 10 nm。观测时必须选在晴朗无云无风的天气，测定时间应选在北京时间11:00-14:00。测量时，传感器探头垂直正对烟株，高度设置为1m，第株烟测量3次，第次记10组数据，最后取其平均值作为冠层光谱。测量过程中第测10株对一次白板，保证测量结果的准确性。

1.4 资源3号遥感影像处理

1.4.1 数据预处理

选用2014年7月24日的资源3号全色影像（2.1m）和多光谱影像（5.8m）用于监测烟草花叶病病害程度。两幅影像的具体信息如表1所示。

表1 遥感影像信息Tab. 1 Remote sensing image information

通过辐射定标、大气校正、正射校正、几何校正以及配准融合等一系列的预处理之后，利用支持向量机(SVM)监督分类方法提取出烟草种植区域，作为病害程度分级的基础。大气校正利用ENVI中的FLASH大气校正模块进行，以有效消除大气等对地物反射率的影响，有利于获取地物真实反射率。配准融合利用Gram-Schmidt融合方法，可以在融合的同时避免阴影重叠现象。将融合剪裁后的影像进行增强处理，包括Linear2%，Gaussion拉伸，Equalization以及滤波处理等，经过一系列变换后，烟草种植区得到明显增强。

1.4.2 烟草种植区分类提取

遥感影像增强处理完成后，运用监督分类可提高分类精度。在ENVI Classic中完成烟草种植区域的提取。首先是利用感兴趣区（ROIS）提取分类样本，然后计算各样本分离度，所提取样本的分离度均在1.90以上，说明所选取的样本较好，满足分类要求，为进一步提高分类精度，利用N维可视化分析器（N-Dimensional Visualizer）对训练样本进行优化和提纯，最后利用SVM监督分类方法进行研究区分类，最终分类结果如图1所示。根据GPS记录点，在影像上均匀选择各地物点进行监督分类精度验证，结果见表2。可以看出，烟草分类精度达85.40%，主要是因为该地区很多地方烟草种植分布比较零散并且受套种种植方式的影响，对于大范围集中成片的烟草，分类精度高于85.40%，能够满足分类要求。

图1 ZY-3号影像SVM监督分类结果Fig.1 Classi fi cation of ZY-3 based on SVM supervised classi fi cation

表2 监督分类精度验证Tab. 2 Accuracy veri fi cation of the supervised classi fi cation

2 数据分析

2.1 高光谱数据与遥感数据对比分析

在光谱采集过程中，由于外界环境的影响以及光谱仪不同波段对能量响应上的差异，会导致光谱曲线存在一些噪声，为减少噪声影响提高建模精度，必须对光谱数据进行平滑处理。常用的方法有移动平均法、拟合多项式法、小波变换及各种回归平滑方法[16]。本研究选用九点平滑处理法去除光谱曲线噪声影响[17]。

针对病害分级，分别将四个等级的烟草冠层高光谱数据取平均值并作光谱曲线，为使高光谱数据与资源3号遥感数据相对应，作光谱曲线时仅保留450～890 nm之间的数据。同时根据GPS记录点在遥感影像上分别选取健康、轻度、中度、重度四个等级并记录其DN值。地面实测高光谱曲线和遥感影像光谱曲线分别如图2所示。

图2 各级别病害地面实测光谱曲线及遥感影像光谱曲线Fig. 2 Spectral curves of disease of different levels under fi eld measurement and aviation measurement

图2显示，烟草受花叶病感染后，在可见光波段（500～700nm）反射率上升，而在近红外波段反射率明显下降，并且随着病害程度的加重，上述变化也越来越明显。主要原因是在可见光波段植被叶片的光谱反射率强度主要受叶片色素控制，烟草受花叶病菌侵染后，叶绿素受到破坏，叶片色素的含量和活性降低，叶片颜色变浅，从而使可见光区域的反射率增加；而在近红外波段，健康烟叶的海绵状叶肉组织的所有空间都充满水分而膨胀时，对任何辐射都是一种良好的反射体，当植物受花叶病毒侵害时，叶片组织的水分代谢受到阻碍，烟叶细胞核固缩，染色质高度凝集，核被膜消失，各种细胞器均发生不同程度的明显改变，结构遭到破坏[18]，导致叶片对近红外辐射的反射能力减少。

上图中遥感影像的光谱曲线与地面实测光谱曲线有相同的变化趋势，即随病害程度的加重，烟草冠层反射率在可见光处上升而在近红外波段下降。二者相同的变化趋势为地面高光谱和高空遥感的结合奠定了基础。

2.2 植被指数计算与模型构建

植被指数（Vegetation Index），又称光谱植被指数，是指由遥感传感器获取的光谱数据，经线性和非线性组合而构成的对植被有一定指示意义的各种数值。植被指数可以综合光谱信息，并且能增强植被信息弱化非植被信息的影响，因此研究选用植被指数来构建病害监测模型。根据前人研究结果，选取11个与作物病害相关的常用植被指数（表3），计算植被指数与病情指数的相关性，结合变量投影重要性原则（VIP），最终筛选出与病情指数相关性高且对病情指数具有重要解释作用的植被指数建立烟草花叶病病害程度监测模型。

2.2.1 植被指数计算

将计算出的各植被指数与病情指数进行相关分析，结果如表4所示。可以看出，各植被指数与病害严重度均成显著负相关。

表3 植被指数及其计算Tab. 3 Vegetation index and its calculation

表4 植被指数与病害程度相关系数矩阵Tab. 4 Correlation matrix of vegetation index and disease severity（N=300）

续表4

2.2.2 变量筛选

表4显示，各自变量之间也存在较强的相关性，因此研究中变量筛选除考虑与病情相关性以外还结合了变量投影重要性原则（variable importance in projection，VIP），避免出现自变量多重共线性问题，提高模型的稳定性和精度。

变量投影重要性指的是自变量对因变量解释作用的重要性，具体计算方法如下：

其中，VIPj是第j个自变量的投影重要性指标，K代表自变量的个数，tn是自变量中提取的主成分个数，r(Y,tn)是因变量和提取主成分的相关系数，wnj是主成分提取过程中各自变量的权重。

当VIP值小于0.5时，说明该自变量对因变量的解释作用很小，建模时应去掉该自变量；当0.5＜VIP＜1时，说明自变量对因变量的解释作用尚未明确，一般也不用此数据建模；当VIP＞1时，表示自变量对因变量具有比较重要的解释作用，一般选择VIP＞1的自变量进行建模。

将表4中与病情相关性绝对值大于0.6的9个植被指数代入式(1)，计算各植被指数的投影重要性，结果如图3所示。

图3 各变量的VIP值Fig.3 VIP value of each variable

2.2.3 模型构建及验证

模型构建时选用前5个小区（300组数据），最后一个小区（60组数据）用于模型验证。根据图3，RVI，DVI ，RDVI， TVI， SAVI的VIP值大于1，因此将以上5个变量作为自变量，病情指数作为因变量，利用PLS算法建立烟草花叶病病害程度模型：

模型精度主要是通过估测值与实测值的决定系数（Determination Coefficient，R2）、估测的误差均方根RMSEP(Root Mean Square Error Predict)和相对误差（Relative Error，RE）来验证。R2的值越接近1，RMSEP和RE的值越接近0，则模型的精度越高。各指标的计算公式为：

式中：yi，Yi分别为实测值和估测值，分别为实测值和估测值的平均值， n为检验样本个数。

经检验，该模型R2=0.81656，RMSEP=0.42831 RE=8.61%。表明该模型可以较好的估测烟草花叶病病害程度。

2.3 遥感影像烟草病害分级

计算烟草的各植被指数，并代入式（2），即可得到烟草花叶病病害等级图。由于沂水烟草种植区域不是集中成片，为使病害等级显示清晰，选取了沂城试验站附近种植面积较大的一片进行了分级，分级结果如图4所示。

图4 烟草病害等级图Fig.4 Classi fi cation of mosaic tobacco

将分级结果进行统计，结果如图5 所示。可以看出，该地区烟草受花叶病迫害严重的仅占1%左右，93.76%属于健康和轻度感染，发病情况并不严重，为避免病情的进一步扩展，应该及时对中度及重度感染的烟草进行处理，以保证健康烟草的生长。

图5 烟草病害分级统计结果Fig.5 Statistical results of mosaic tobacco

为验证遥感监测精度，在实地随机抽取140个样点进行病害调查同时记录各样点的地理坐标，在遥感影像上找到各样点并计算病情指数，得出各样点病情指数的地面实测值与遥感估测值的1:1关系图（图6所示）。由图可见，地面实测值与遥感估测值之间的R2达0.7713，基本能够满足烟草病虫害监测要求。

图6 烟草花叶病遥感监测检验结果Fig.6 Validation result of mosaic tobacco monitored by remote sensing

3 结论与讨论

利用地面高光谱数据和偏最小二乘法建立烟草花叶病病害监测模型，模型的决定系数为0.81656，估测相对误差RE为8.61%。该模型可以较好的估测烟草花叶病病害程度。

将估测模型应用于资源3号卫星遥感数据，随机选择140个样点对估测值与实测值进行线性拟合，拟合优度R2=0.7713，说明遥感估测也能够基本满足烟草花叶病监测要求，而且适用于大范围实时估测，可大幅提高估测效率。

但是资源3号卫星数据并不充分，今后的研究还应充分利用重访周期短、分辨率高的多源遥感数据进行病害监测，进一步提高遥感监测结果的可靠性。

[1] 王克如，潘文超，李少昆，等. 不同施氮量棉花冠层高光谱特征研究[J]. 光谱学与光谱分析，2011, 31(7):1868-1872.Wang Keru, Pan Wenchao, Li Shaokun, et al. Monitoring models of the plant nitrogen content based on cotton canopy hyperspectral reflectance [J]. Spectroscopy and Spectral Analysis, 2011, 31(7): 1868-1872. (in Chinese)

[2] Nicolas H. Using remote sensing to determine the date of a fungicide application on winter wheat [J]. Crop Protection,2004, 23(9): 853-863.

[3] Mirik M, Michels Jr G J, Kassymzhanova-Mirik S, et al.Using digital image analysis and spectral re fl ectance data to quantify damage by greenbug (Hemitera: Aphididae) in winter wheat[J]. Computers and Electronics in Agriculture,2006, 51(1-2): 86-98.

[4] Moshou D, Bravo C, West J, et al. The automatic detection of ‘yellow rust’ in wheat using re fl ectance measurements and neural networks [J]. Computers and Electronics in Agriculture, 2004, 44(3): 173-188.

[5] 陈兵，王克如，李少昆，等.棉花黄萎病冠层高光谱遥感监测技术研究[J].新疆农业科学，2007，44(6)：740-745.Chen Bing, Wang Keru, Li Shaokun, et al. Studies on monitoring canopy spectrum of cotton verticillium wilt by remote sensing technique [J]. Xinjiang Agricultural Sciences,2007,44(6):740-745. (in Chinese)

[6] 陈兵，王方永，韩焕勇，等.黄萎病棉花光谱识别影响因素分析[J].光谱学与光谱学分析，2014，34(3)：795-800.Chen Bing, Wang Fangyong, Han Huanyong, et al. Research of in fl uence factors on spectral recognition for leaf in fl ected by verticillium wilt [J]. Spectroscopy and Spectral Analysis,2014, 34(3):795-800. (in Chinese)

[7] 刘良云，黄木易，黄文江，等.利用多时相的高光谱航空图像检测冬小麦条锈病[J].遥感学报，2004，8(3)：275-281.Liu Liangyun, Wang Muyi, Wang Wenjiang, et al.Monitoring stripe rust disease of winter wheat using multitemporal hyperspectral airborne data [J]. Journal of Remote Sensing,2004,8(3):275-281. (in Chinese)

[8] 冯炼，吴玮，陈晓玲，等.基于HJ卫星CCD数据的冬小麦病虫害面积监测[J].农业工程学报，2010，26（7）：213-219.Feng Lian, Wu Wei, Chen Xiaoling, et al. Diseases and insect pests area monitoring for winter wheat based on HJ-CCD imagery [J]. Transactions of the CSAE,2010,26(7):213-219. (in Chinese)

[9] 王惠文.偏最小二乘回归方法及其应用[M].北京:国防工业出版社,1999.Wang Huiwen. Partial Least-Squares Regression——Method and Applications [M]. Beijing: National Defence Industry Press, 1999. (in Chinese)

[10] Naesset E, Bollandsas O M, Gobakken T. Comparing regression methods in estimation of biophysical properties of forest stands from two di ff erent inventories using laser scanner data [J]. Remote Sensing of Environment, 2005,94(4): 541-553.

[11] 王惠文，吴载斌，孟洁.偏最小二乘回归的线性与非线性方法[M].北京：国防工业出版社，2006.Wang Huiwen, Wu Zaibin, Meng Jie. Partial Least-Squares Regression——Linear and Nonlinear Methods [M]. Beijing:National Defence Industry Press, 2006. (in Chinese)

[12] 王圆圆，陈云浩，李京，等.利用偏最小二乘回归反演冬小麦条锈病严重度[J].国土资源遥感，2007(1)：57-60.Wang Yuanyuan, Chen Yunhao, Li Jing, et al. The application of partial least square to the inversion of severity of winter wheat stripe rust disease [J]. Remote Sensing for Land＆Resources,2007(1):57-60. (in Chinese)

[13] Hung T Nguyen, Byun-Woo Lee. Assessment of Rice Leaf Growth and Nitrogen Status by Hyperspectral Canopy Reflectance and Partial Least Square Regression [J].European Journal of Agronomy, 2006, 24(4):349-356.

[14] Hansen P M, Schjoerring J K. Re fl ectance Measurement of Canopy Biomass and Nitrogen Status in Wheat Crop Using Normalized Di ff erence Vegetation Indices and Partial Least Squares Regression [J]. Remote Sensing of Environment,2003, 86(4):542 -553.

[15] Clevers JG PW,Vander HeijdenGW AM, Verzkov S, et al.Estimating Spatial Pattern of Biomass and Nitrogen Status in Grasslands Through Imaging Spectrometry[A]. The 9th International Symposium on Physical Measurements and Signatures in Remote Sensing[C]. Beijing: 2005.

[16] 房贤一，朱西存，王凌，等.基于高光谱的苹果盛果期冠层叶绿素含量监测研究[J].中国农业科学，2013，4(16)：3504-3513.Fang Xianyi, Zhu Xicun, Wang Ling, et al. Hyperspectral monitoring of the canopy chlorophyll content at apple tree prosperous fruit stage [J]. Scientia Agricultura Sinica,2013,4(16):3504-3513. (in Chinese)

[17] 何挺，王静， 程烨，等. 土壤水分光谱特征研究[ J ].土壤学报，2006，43 (6)：1027-1032.He Ting, Wang Jing, Cheng Ye, et al. Spectral features of soil moisture [J]. Acta Pedologica Sinica, 2006, 43(6):1027-1032. (in Chinese)

[18] 黄遵锡，李红，陈文久，等. 感染烟草花叶病毒烟叶超微病理结构的观察[J]. 云南师范大学学报：自然科学版， 1995，15(2)：58-67.Huang Zunxi, Li Hong, Chen Wenjiu, et al. On the observation of ultrastruction of tobacco leaf cells infected by tobacco mosaic virus [J]. Journal of Yunnan Normal University, 1995,15(2):58-67. (in Chinese)

[19] Pearson R L, Miller, L D. Remote mapping of standing crop biomass for estimation of the productivity of the short grass prairie [C]. In: Proceedings of the Eighth International Symposum on Remote Sensing of Environment, 1972:1357-1381.

[20] Rouse J W, Haas R H, Schell J A, et al. Monitoring the vernal advancement of retrogradation of natural vegetation[M]. NASA/GSFC Type III Final Rep, 1974.

[21] Jordan C F. Derivation of leaf area index from quality of light on the forest fl oor [J]. Ecology, 1969, 50(4): 663-666.

[22] Richardson AJ, Wiegand CL. Distinguishing vegetation from soil background information [J]. Photogrammtric Engineering and Remote Sensing, 1977, 43(12):1541-1552.

[23] Roujean J L, Breon F M. Estimating PAR absorbed by vegetation from bidirectional re fl ectance measurements [J].Remote Sensing of Environment, 1995, 51(3): 375-384.

[24] Broge N H, Leblanc E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area and canopy chlorophyll density[J]. Remote Sensing of Environment, 2001, 76 (2):156-172.

[25] Huete A R. A soil-adjusted vegetation index (SAVI) [J].Remote Sensing of Environment, 1988, 25(3): 295-309.

[26] Rondeaux G, Steven M, Baret F. Optimization of soiladjusted vegetation indices [J]. Remote Sensing of Environment, 1996, 55(2):95-107.

[27] Chamard P, Courel M F, Ducousso M, et al. Utilisation des bandes spectrales du vert et du rouge pour une meilleure é valuation des formations végétales actives[J].Télédéctection et cartographie, éd. Aupelf-uref, 1991: 203-209.

[28] Qi J, Chehbouni A, Huete A, et al. A modi fi ed soil adjusted vegetation index [J]. Remote Sensing of Environment,1994, 48(2): 119-126.

[29] Liu H Q, Huete A. A feedback based modification of the NDVI to minimize canopy background and atmospheric noise [J]. IEEE Transactions on Geoscience & Remote Sensing, 1995, 33(2), 457-465.

Study on monitoring mosaic virus infected tobacco based on remote sensing technology

XU Dongyun1, LI Xinju1, YANG Yonghua2, DOU Yuqing1,3
1 College of Resources and Environment, Shandong Agricultural University, Taian 271018, Shandong, China;2 Shandong Linyi Municipal Tobacco Corporation, Linyi 276400, Shandong, China;3Tobacco Research Institute, Chinese Academy of Agricultural Sciences, Qingdao 266101, Shandong, China

Disease severity estimation model was established using partial least squares method to fi nd best indicator variable for disease condition on the basis of canopy hyper spectral data of mosaic tobacco so as to realize fast and nondestructive monitoring of tobacco mosaic virus. Tobacco mosaic disease grade map was obtained by applying the model to remote sensing data of ZY-3 satellite. Results showed that: 1)the ratio vegetation index (RVI), di ff erence vegetation index (DVI), and normalized di ff erence vegetation index (RDVI),transformed vegetation index (TVI), soil adjusted vegetation index (SAVI) as indicators of mosaic tobacco could e ff ectively estimate the disease severity. The determination coefficient of the model based on the above 5 index was 0.8165. 2) Randomly selected 140 samples were measured on tobacco mosaic disease grade map. Then linear fi tting of measured value and the estimated value was implemented and its R2 reached 77.13%. It was suggested that this method could achieve real-time monitoring of mosaic tobacco over large areas.

tobacco mosaic disease; hyper spectrum; remote sensing monitoring; ZY-3 satellite

徐冬云, 李新举,杨永花,等. 基于遥感技术的烟草花叶病监测研究[J]. 中国烟草学报，2016,22（1）

国家自然科学基金（No:41171425）; 山东省烟草公司重点项目资助（No:2014-7-1）; 上海烟草集团公司重点科技项目，（No:SZBCW2013-01140）

徐冬云（1990—），硕士研究生，主要从事高光谱遥感研究，Email: xdy900815@126.com

李新举（1965—），教授，博士生导师，Email: lxj0911@126.com

2015-05-13

: XU Dongyun, LI Xinju, YANG Yonghua, et al. Study on monitoring mosaic virus infected tobacco based on remote sensing technology [J]. Acta Tabacaria Sinica, 2016,22(1)