利用遥感监测冬小麦病虫害的研究进展与思考

庄东英，王德领，殷 敏，李卫国，耿安红，崔必波*

（1.江苏沿海地区农业科学研究所 新洋试验站，江苏 盐城 224049；2.江苏省农业科学院 农业信息研究所，江苏 南京 210000）

0 引言

小麦是我国重要的粮食作物，占全国粮食产量的60%左右。及时准确地获取小麦的生长状况、病虫害发生情况、产量等信息是现代农业生产中迫切需要解决的重要问题。病虫害是小麦生产的主要障碍，是限制小麦产量的主要因素。据联合国粮食组织估计，世界粮食产量常年因虫害损失10%，因病害损失14%［1］，且有日益加剧的趋势。因此，尽早发现病虫害并及时进行科学防治，是提高作物产量、减少经济损失的有效途径，其中对病虫害的实时动态监测又是对其进行防治的有效保证。

遥感技术能够在不直接接触目标物的情况下，通过获取目标物的电磁波能量与信息（如空间、光谱时间）实现对观测目标的监测、分析和评价［2］。近年来，随着高光谱遥感、多光谱遥感和高分辨率卫星遥感技术的快速发展以及统计和数学模型的介入，许多作物的生理生化参数均得到了有效监测，且精度越来越高［3-6］。因此遥感技术在作物病虫害监测方面体现出越来越重要的价值。笔者简述了遥感监测病虫害的机理和方法，综述了在冬小麦病虫害遥感监测方面的研究进展，并对其存在的问题以及未来的发展动向进行了思考，以期为冬小麦病虫害监测提供参考依据。

1 病虫害遥感监测的机理和方法

1.1 遥感监测的机理

不同作物或同一作物在不同的生长季节、不同病虫害为害程度下，有其特殊意义的诊断性光谱特征，因此可以通过遥感技术来监测作物的生长［7］。小麦对光谱的反射特性表现为：在可见光波段有强的吸收峰，在近红外波段有强的反射峰，因而遥感数据的敏感波段及其组合可以反映小麦的生长情况［8］，这是应用遥感技术监测冬小麦病虫害的理论基础。对植物病虫害的监测是通过监测叶片的生物化学成分来进行的；小麦植株受病虫害为害后，其生理生化参数的变化表现为可见波段和近红外波段的变化。因此，可选择单叶高光谱遥感数据和冠层多光谱遥感数据获得的影像来监测冬小麦病虫害［9］。

1.2 遥感监测的方法

冬小麦受病虫害侵染或为害后，其外部形态和内部形态均会发生一定的变化，其中外部形态的变化一般是肉眼可见的，而内部形态的变化一般是隐形的。传统的病虫害监测和预报主要通过工作人员的调查、取样和分析来进行，此方法手段落后、时效差、费时，在一定程度上会影响病虫害预报的准确性；而遥感技术具有快速、高效、宏观、无损等特点，应用该技术可以提高病虫害监测的精确性［10］。用于遥感影像的软件近几年有了较大进展［11］。在ERDAS软件上的分类方法比较少，主要有非监督分类、监督分类和决策树分类3种，其中非监督分类为ISODATA法，监督分类可以选择最大似然法、马氏距离法和最小距离法。在ENVI软件上的分类方法比较多，包括平行管道法、最大似然法、马氏距离法、最小距离法、光谱角分类法、神经网络分类法、支持向量机分类法、光谱信息分离法、二元编码法、ISODATA和K-mean法［12］。易康软件是专门做面向对象分类的，对高分辨率影像的分类效果很好［13］，因此应用该软件能及时了解小麦的健康状况，为决策者提供决策依据。

2 冬小麦病虫害遥感监测的研究进展

冬小麦在生长发育过程中会遭受多种病虫害的危害，主要害虫为红蜘蛛、蚜虫、吸浆虫，主要病害为纹枯病、白粉病、条锈病和赤霉病。虽然这些病虫害的表现形式多样，但其为害后引起小麦叶片细胞活性、含水量、叶绿素含量、含氮量、可溶性糖含量等生理生化特征的变化基本上是一致的，继而表现出反射光谱特征的差异。学者们对冬小麦病害遥感监测的研究最多，并且取得了一定的研究成果［14-18］。

2.1 冬小麦病害的遥感监测

条锈病的病原是低温、高湿、强光型真菌，属担子菌亚门真菌；条锈病属于跨区域气候性病害［19］，一旦发生流行会给小麦生产造成极大的产量损失，该病害于1950、1964、1990和2002年在我国大面积发生，分别造成了60亿、30亿、26亿和14亿kg的产量损失［20］。

美国在实施“大面积农作物估产实验”计划之后，开始投身于“农业和资源的空间遥感调查”计划［21-22］，由此带动了很多国家应用航空遥感来监测植物的侵染性和非侵染性病害。Cater等［15］研究发现，病虫害的发生会导致作物叶片的可见光区和近红外区的光谱特性均发生了变化，其中可见光区的反射率会随着病虫害为害程度的加重而增高，而近红外区的反射率则相反。Zhao等［23］在分析受条锈病危害的冬小麦的NDVI、RVI、TVI的变化后，提出了反演冬小麦条锈病的模型。Mirik等［24］研究发现病虫发生量与受害冬小麦的反射光谱有一定的相关性。

我国将遥感技术应用于作物病虫害监测的时间比国外晚，且应用的遥感仪器基本上都是高光谱仪器。从1998年开始，全国农业资源区划办公室实施了“全国农作物业务遥感估产”项目［25］，该项目利用遥感RS（Remote Sensing）的覆盖范围广和快速特性、全球定位系统GPS（Global Positional System）的准确定位特性，以及地理信息系统GIS（Geographic Information System）的数据处理、分析与解译功能，为病虫害的动态监测提供了较为准确的信息源。罗菊花［26］建立了冬小麦受条锈病胁迫与常规胁迫的识别模型，并确立了条锈病的胁迫点，能较好地识别病虫害；罗菊花还利用扫描式光谱成像仪PHI（Pushbroom Hyperspectral Imager）影像上的红波段620～718 nm和近红外波段770～805 nm的光谱反射率，以及相应的病情指数，建立了多元线性回归模型，并进行了病害严重度的反演，反演结果与地面测定结果基本吻合。蔡成静等［27］研究发现近地获得的光谱反射率在可见光谱区明显小于高空获得的光谱反射率，尤其是在显著明显的绿峰580 nm和黄边610 nm处，并在此基础上建立了回归模型，为高空监测小麦条锈病奠定了基础。安虎等［28］根据光谱反射率和小麦条锈病发生程度建立了回归模型。张玉萍等［29］利用ASD手持式地面非成像光谱仪（325-1075）测定了不同生育期、不同病情指数的冬小麦的光谱反射率，并且建立了600～703 nm波段处光谱反射率与拔节期、灌浆期、乳熟期病情指数间的回归模型。蔡成静等［27］利用ASD地面非成像光谱仪对健康、患条锈病的小麦在某些特定波段的光谱反射率进行了比较，发现在2种小麦间差异显著，因而能较好地判断小麦条锈病的发生；此外，他们还建立了小麦病情指数与冠层光谱反射率的回归方程，实现了对小麦条锈病的高光谱动态监测。乔红波等［30］研究发现小麦灌浆期白粉病的病情指数与冠层光谱反射率、遥感数字图像反射率有显著的相关关系，这为地面高光谱和低空遥感监测冬小麦白粉病的发生奠定了基础。乔红波［31］还利用光谱微分技术对受白粉病不同程度为害的小麦冠层的反射率求一阶导数，发现得出的红边反射率在近红外波段（650～780 nm）发生了强烈的变化，且随着为害程度的加重而降低，但红边位置变化不明显。近年来，随着我国遥感监测技术的提升，许多学者［32-37］利用遥感影像分析了受白粉病为害的小麦在主要生育期的光谱特征、生理生化指标和病情指数的变化，建立的回归模型能监测小麦白粉病的发生程度，并能评估出由白粉病为害导致的产量损失，这为精确监测冬小麦病害发生程度和精准农业管理提供了数据支持。

2.2 冬小麦病虫害的主要数据源和处理方法

2.2.1 地面遥感数据源 地面遥感数据源在测定过程中不受时间和空间的限制，通过地面光谱测量仪器获得。地面光谱测量仪器具有光谱分辨率较高、操作简单等优点。常用的地面光谱测量仪器为ASD Field Spec Pro FR2500高光谱辐射仪，可以用于非破坏性测定作物冠层的高光谱反射率，其技术参数包括光谱范围、波长精度、测定速度和输出波段，其中光谱范围为325～1050 nm，波长精度为±1 nm，测定速度的固定扫描时间为0.1 s，光谱平均最多可达31800次，输出波段为512 nm（间隔1.438 nm）。

2.2.2 航空遥感数据源 航空遥感数据源不仅获取灵活，而且有较高的空间分辨率和光谱分辨率。用于获取航空遥感数据源的传感器搭载在飞机上或气球上。我国学者应用较多的有我国自主研制的扫描式高光谱成像仪PHI和实用模块化成像光谱仪OMIS（Operative Modular Imaging Spectrometer）等。PHI监测的光谱范围为400～850 nm，共有80个波段，其光谱分辨率＜5 nm，像元数为380像元/行，最大扫描率为60 行/s。OMIS覆盖了可见光、近红外、中短波红外和热红外波谱区，共128个波段。熊帧等［38］利用OMIS成像仪在江苏常州进行了飞行试验，并结合GPS定位技术，对获得的遥感图像进行了校正。

我国学者利用较多的是PHI，并且在冬小麦病虫害遥感监测研究方面取得了一定的进展。刘良云等［39］研究了受条锈病为害以及健康冬小麦的PHI图像光谱及光谱特征，发现在560～670 nm黄边、红谷波段，受条锈病为害冬小麦的光谱反射率高于健康冬小麦的光谱反射率，而在近红外波段，健康冬小麦的光谱反射率则高于受害冬小麦的光谱反射率；在此基础上，他们建立了冬小麦条锈病病情指数的反演模型。杨可明等［40］利用患条锈病的小麦的PHI航空高光谱遥感数据分析了患病小麦的光谱数据，并进一步监测了条锈病的病情。

2.2.3 航天遥感数据源 用于获取航天遥感数据的传感器搭载在卫星上，因此航天遥感数据也称为卫星影像数据。随着我国航天事业的发展，卫星影像数据逐渐丰富，为农作物病虫害遥感监测提供了数据支撑。卫星遥感数据有时间分辨率、空间分辨率和光谱分辨率这3个主要特征，其中时间分辨率用于监测病虫害发生时间的动态变化，空间分辨率用于监测病虫害的发生范围，光谱分辨率用于病虫害种类的识别。常用的卫星遥感数据主要有NOAA/AVHRR、Landsat/TM、SPOT/HRV、CBERS、EOS-MODIS、QUICKBIRD、IRS/LISS、IKONOS、ERS/SAR等。

冯炼等［41］利用光谱数据建立了冬小麦健康生长状况与植被指数的关系模型，其中重归一化植被指数RDVI和三角植被指数TVI的可信度较好；将此模型应用到HJ卫星，发现卫星传感器数据与地面监测数据相符，其中TVI的监测符合率达76.47%。黄林生等［17］基于GF-1遥感数据，利用relief-mRMR-GASVM模型监测小麦白粉病的发生情况，其监测精度比现有的AdaBoost、Pso-LSSVM和RF方法分别提高了21.4、14.3和7.1个百分点。唐翠翠等［42］基于环境卫星CCD光学数据和IRS热红外数据提取出了反映小麦长势的多种植被指数、生境因子等，并建立了3种预测模型分别对冬小麦灌浆期的蚜虫发生情况进行预测，结果发现相关向量机的预测精度优于其他2种模型的。

2.2.4 数据处理方法 通过各种途径获得的图像数据需要经过预处理，具体包括遥感数据预处理和遥感数据常用处理方法2个方面。

遥感数据预处理包括辐射校正、几何校正、数字图像镶嵌、图像统计和图像分类等常用方法。遥感器本身的光电系统特征、太阳高度、地形以及大气条件等都会引起光谱亮度的失真，辐射校正能消除掺杂在影像中的对辐射亮度的各种干扰项，以便能更准确地反映目标物的反射和辐射特征。原始遥感图像通常有严重的几何变形，而几何校正可以消除这种几何变形，几何校正包括地面控制点（GCP）的选取、多项式纠正模型、重采样等过程。当研究区超出单幅遥感图像所覆盖的范围时，通常需要将2幅或多幅图像拼接起来，形成1幅或一系列覆盖全区的较大图像，这个过程就是图像镶嵌。对多光谱遥感数据进行基本的单元和多元统计分析可以为显示和分析这些遥感数据提供许多有用信息。此外，图像分类是图像处理的基础性工作。

遥感数据常用处理方法包括影像融合和影像分类。对于影像融合而言，HIS变换和主成分变换为典型的2种方法；影像分类以区分图像中所含的多个目标物为目的，确定每个像元所属地物类别。

2.3 冬小麦病虫害遥感监测方法

2.3.1 光谱反射率分析法 光谱反射率分析法在监测冬小麦病虫害方面具有直接、简便和快速的特点；该方法通过传感器获得数据，然后分析转换后的光谱反射率特征，比较受害冬小麦和健康冬小麦的光谱特征，从而获得受害冬小麦的光谱特征信息。张晓艳等［43］研究指出患条锈病小麦的光谱反射率与病情指数之间存在相关性，能为冬小麦条锈病害做出早期诊断。赵叶等［44］构建了日光诱导叶绿素荧光数据模型和反射率光谱数据模型，这2种模型均能监测小麦生育期间条锈病的发生情况。

2.3.2 植被指数分析法 植被指数通常选用对绿色植物强吸收的可见光红波段和对绿色植物高反射和高透射的近红外波段进行组合，来反映隐含的植物信息。在病虫害监测中，常用的植被指数有归一化植被指数（NDVI）、比值植被指数（RVI）等。段维纳等［45］将归一化植被指数、陆地叶绿素指数和日光诱导叶绿素荧光指数分别与SIFP融合，构建了小麦条锈病的遥感监测模型，模型的预测精度均得到了提升，其中以NDVI和MTCI为自变量的遥感监测模型的精度最优。同时，在水稻、大豆等其他作物中，学者们也利用植被指数分析法监测病虫害，并取得了一定的研究成果［46-50］。2.3.3 导数光谱分析法 植物导数光谱数据可以反映植物内部物质的吸收波形的变化，在太阳光的大气窗口内，测得的光谱是集地物吸收光谱、大气吸收光谱和散射光谱的混合光谱，其一般以反射率的数据图像表达。利用导数光谱分析法可以减少背景噪声，提高重叠光谱的分辨率，可以分为一阶导数和高阶导数。这种分析方法在一些农作物病虫害的监测中应用较多［51-53］。

2.3.4 光谱特征位置分析法 光谱特征位置是指在光谱曲线上具有一定特点（最高点、最低点、拐点等）的波长所在位置，其分析方法包括红边效应分析和光谱吸收特征分析等。在可见光—近红外波段形成了蓝光、黄边、红边等特征光谱变化区域。

肖璐洁等［54-55］研究发现，冬小麦在倒伏和干旱胁迫下存在红边位移现象，这些红边参数可以反映小麦的生长情况，能为技术监控小麦的病害提供参考。学者们研究最多的是红边位置，通常位于680～750 nm之间。当植物因感染病虫害而“失绿”时，则红边会向蓝光方向移动；而当红边向长波方向移动时植物一般处于旺盛生长状态，其生物量大，叶片色素含量高。郭安延［56］研究发现患条锈病的小麦叶片的光谱反射率在可见光区域和近红外区域均与健康叶片存在区别，可以用于及时监测冬小麦的条锈病。钱彬祥等［57］在红边位置用改进算法反演了冬小麦叶片的叶绿素含量，这为监测冬小麦病虫害的发生奠定了理论基础。在应用光谱特征位置分析法监测其他作物病虫害的发生方面，同样取得了一些成果［58-61］。

3 冬小麦病虫害监测存在的主要问题和研究展望

虽然遥感技术在我国监测冬小麦病虫害中已经取得了一定的研究进展，并且发挥了一定的作用，但还存在较多的问题，需要今后深入研究和解决。

3.1 监测中存在的问题

3.1.1 监测病虫害的种类有限 冬小麦的病虫害种类比较多，前人研究最多的是条锈病、白粉病、蚜虫等，但有关纹枯病、赤霉病、吸浆虫等的研究不多，针对性不明显，而这些病虫害也会导致小麦减产。在以后的研究中，应注重对冬小麦多种病虫害的监测与预报，及时准确地获取病虫害信息，尽可能消除多种病虫害的同时发生。

3.1.2 病虫害遥感监测方法不够成熟 光谱反射技术虽然具有普适性，但是缺乏针对性，只能分析病虫害的光谱特征，不能反映病虫害为害对冬小麦生理生化指标的影响，因此在今后的研究中应将多种指标结合起来。植被指数分析法能较好地反映冬小麦受病虫害为害后生理生化指标的变化，进而能反演冬小麦的病情指数，但是该方法也存在一定的不足，例如构建标准不尽相同、容易受冠层背景等的影响。导数光谱分析法虽然能减少背景噪声，提高重叠光谱的分辨率，但是该技术在冬小麦病虫害监测方面的应用研究不多，以后需要扩展相关研究，以进一步提高病虫害监测的精度。光谱特征位置分析法针对的是某一特征点的波长，不能反映受害小麦的全段光谱信息，这限制了对冬小麦病虫害的及时监测和诊断。

3.2 未来研究展望

3.2.1 完善遥感技术本身的局限性 首先，由于各个遥感系统所获取的遥感数据多数以混合像元方式表达，这在一定程度上限制了其应用精度，因此今后需要开发稳定的高分辨率传感器。其次，对遥感图像判读、解译后获得的往往是对地物的大致估计信息或间接信息，这与实际情况存在出入，且在很多情况下应用计算机判读、解译遥感图像的误差比用熟练的人工的误差大，但全靠人工的方式，则解译工作量大，工作周期更长。最后，遥感信息的获取、解译技术还比较复杂，需要多种专业人员的协作配合才能完成这项工作。在今后的研究与应用中，应改进人工和计算机判读方法和解译技术，以提高对小麦病虫害的监测精度。

3.2.2 多种遥感数据相结合 遥感数据的质量和处理方法决定了病虫害监测的效果。数据源的质量需得到进一步的改善，应综合采用多波段数据、多时相遥感数据、多类型遥感数据。例如我国南方地区多云多雨，光学卫星遥感数据往往不易获得，应采用雷达遥感数据进行全天时、全天候的监测，以弥补光学遥感数据的不足。为了提高监测精度，今后除了综合使用NOAA、Landsat、HJ卫星等中低分辨率卫星遥感数据外，还有必要结合使用高分辨的卫星遥感数据（如快鸟、SPOT、IKONOS等）。除此之外，应同时开展实地调查，弥补或改进遥感数据处理方法的不足。

3.2.3 病虫害监测预报模型的改进 病虫害监测预报模型多数以回归模型为主，其主要通过统计计算和相关分析建立，很少解答预测因子与预报对象之间的相关性；所建模型的参数也有限，导致模型的普适性与机理性差，因而在不同地区、不同条件下较难推广应用。因此，将作物品种、土壤因素、气候条件等因素进行综合考虑，明确影响作物病虫害发生的主要诱因，建立以多方面因素为预测因子的监测模型，提高模型的通用性和可解释性，便于作物病虫害监测预报模型在不同的年份、不同的区域、不同的时相内推广应用。

3.2.4 利用遥感数据反演农情参数 小麦病虫害的发生与作物的长势、气候环境条件等因素关系较为密切。因此，利用遥感技术可及时、大面积地反演作物生长期间的叶面积指数、生物量、叶绿素含量、氮素含量等指标，以及农田环境因素如温度、湿度等信息，有利于根据这些指标和因素对病虫害的发生进行预测预报。

3.2.5 综合应用3S技术 RS（遥感）不是一门独立的学科，其应用已经与GIS（地理信息系统）和GPS（全球定位系统）融为一体。RS技术能及时获取大量的小麦信息；GPS能对受害的小麦进行精确定位；GIS能对获得的数据进行及时有效的处理。因此，综合应用GIS、GPS和RS技术，集成专家知识、数据库和作物模型等信息，建立作物病虫害监测预报系统，大面积开展作物病虫害监测预报，对于农业植保部门准确获取作物病虫害信息，开展科学防治意义重大。