基于成像高光谱的小麦冠层白粉病早期监测方法

蔡苇荻，张羽，刘海燕，郑恒彪，程涛，田永超，朱艳，曹卫星，姚霞

基于成像高光谱的小麦冠层白粉病早期监测方法

蔡苇荻，张羽，刘海燕，郑恒彪，程涛，田永超，朱艳，曹卫星，姚霞*

南京农业大学农学院/国家信息农业工程技术中心/智慧农业教育部工程研究中心/农业农村部农作物系统分析与决策重点实验室/江苏省信息农业重点实验室/现代作物生产省部共建协同创新中心，南京 210095

【目的】本研究利用近地面成像高光谱仪，获取接种白粉病菌后的小麦田间冠层时序影像，探索光谱信息与纹理信息的结合在冠层尺度上早期监测小麦白粉病的能力和表现。【方法】本试验以不同年份、不同抗病性小麦品种的田间试验为基础，利用连续小波（continuous wavelet transform，CWT）方法提取对小麦白粉病敏感的小波特征，并基于小波特征获取对应的纹理特征，用以构建归一化纹理指数（normalized difference texture index，NDTI），同时选取具有代表性的传统植被指数（vegetation indices，VIs），然后利用偏最小二乘判别分析模型（partial least squares-linear discrimination analysis，PLS-LDA）基于上述特征及组合，建立小麦冠层健康与感病状态识别模型，并利用偏最小二乘回归（partial least-squaresregression，PLSR）构建了小麦冠层病情严重度估测模型，并利用该技术基于最优特征及组合判别接种后不同天数的小麦健康与感病状态。【结果】基于CWT算法入选的4个小波特征分别是6尺度的595 nm（黄光区域），5尺度的614 nm（红光区域），3尺度的708 nm（近红外区域）和4尺度的754 nm（近红外区域）；进一步确定了构建最佳纹理指数组合的纹理特征有：754 nm处的熵（entropy，ENT）、均值（mean，MEA）、均一性（homogeneity，HOM），7 008 nm处的ENT、HOM，614 nm处的ENT、HOM、异质性（dissimilarity, DIS)，595 nm处的ENT、HOM、DIS。其中，近红外波段754 nm处的纹理特征MEA表现最优越，与病情严重度的相关性最高（2=0.67）。本研究进一步发现基于小波特征与纹理特征结合构建的小麦健康与病害判别PLS-LDA模型的精度最高，其总体分类精度为81.17%，Kappa系数为0.63；基于光谱指数与纹理指数组合构建的小麦病情严重度PLSR模型效果最优，建模和检验2分别为0.76和0.71。本研究中最早能够识别的小麦冠层白粉病的病情严重度为26%左右（接种后24 d左右）。【结论】基于小波特征与纹理特征结合构建的小麦健康与病害识别模型能够显著提高病害的分类精度，而光谱指数与纹理指数的特征组合能够显著提高病情严重度的估测精度以及稳定性。本研究方法和结果可为其他作物的病害监测提供借鉴和参考，对现代智慧农业的精确施药提供了技术支持。

小麦白粉病；冠层；成像高光谱；连续小波；纹理特征

0 引言

【研究意义】小麦白粉病是一种气传性病害，会造成产量损失[1]。自20世纪90年代，小麦白粉病在中国变得更加严重[2]。应对病害的措施主要以抗病育种[3-4]和杀菌剂为主[5-8]。但是经过一段时间，抗病品种就会失去其抗性，同时喷洒农药成本高且会造成环境污染。此外气候变化也会对白粉病的发展造成影响[9-12]。因此，一种能够实时快速无损地监测病害的方法尤其重要。【前人研究进展】遥感技术具有快速、无损、大面积获取数据的优点，已被广泛应用于作物病害监测研究[13-15]。目前对于作物病害监测的研究主要是提取病害敏感光谱波段、构建光谱指数和建立病害模型。CAO等[16]通过获取不同生育期的小麦白粉病冠层光谱发现近红外区域光谱反射率随着病情严重度的上升而显著下降，680—780 nm光谱区域的红边面积与病情严重度的相关性最高。FENG等[17]对冠层小麦白粉病反射光谱与病情严重度进行相关性分析，发现580—710 nm是小麦白粉病的敏感光谱响应区域。MAHLEIN等[18]利用RELIEF-F算法提取叶片病害敏感光谱波段，构建了归一化光谱指数对甜菜褐斑病、锈病和白粉病进行识别，识别精度分别是92%、87%和85%。ZHENG等[19]通过构建三波段光谱指数PRI（570，525，705）和ARI（860，790，750），分别对冠层小麦黄锈病进行早期识别和病情估测。这些研究均是基于光谱分析，无法利用病害的图像信息，而也有研究基于图像纹理信息进行病害识别。王娜等[20]提取了玉米病害图像的颜色、纹理等28个特征，采用遗传算法优化出4个分类效果好的特征，并用Fisher分类器进行了病害识别。昌腾腾[21]采用多类分类支持向量机，利用纹理和颜色特征参数组合，对小麦白粉病、叶枯病、条锈病、叶锈病4种不同类型小麦病害病斑进行了分类识别，识别率达98.33%。前人研究发现单叶病情严重度大于20% 时，光谱特征构建的判别模型结果更好，总体分类精度为87%，小于20% 时，纹理特征构建的判别模型效果更佳，总体分类精度为84%，两者结合模型分类精度可以达到90%[22]。成像高光谱具有图谱合一的特点，不仅可以获取小麦病害光谱反射率信息，也可以获取小麦病害纹理信息，从而提高病害模型监测精度，已成为当今的研究热点。成像高光谱数据已经被用来反演作物生理参数[23-24]和监测病虫害[25-26]，但主要是利用其光谱反射率信息，很少运用其空间信息。空间信息对于病斑形态以及虫孔都有着直观的表达，可对光谱反射率信息进行补充[27-28]。通过光谱与纹理信息的结合可以提高作物监测模型的识别[29]和估测精度[30]。对于高光谱影像的处理方法主要有以下两种：一种是通过提取光谱反射率选取敏感光谱波段以及相应光谱波段的纹理特征，另一种是通过主成分分析的方法选取差异显著的主成分来选取敏感光谱波段以及纹理特征[27,31]。袁琳[22]提出一种基于成像高光谱技术的小麦白粉病、条锈病和蚜虫病这3种病害叶片区分方法，通过构建基于光谱相对变化的光谱比率指纹特征来对病害进行识别，识别精度达90%。刘娜[27]研究基于单叶的小麦条锈病成像高光谱数据，发现3×3窗口下的二阶概率分析中相异性纹理特征滤波结果最好，细节特征最为明显，能够较好地反映染病区域的结构特征，同时通过探测冠层尺度下不同地物背景对小麦白粉病的诊断影响，发现麦穗是影响白粉病识别精度的主要因素。目前对于病害纹理信息的分析主要是基于单叶尺度，冠层尺度较少。冠层获取的成像高光谱会受到不同背景地物的影响，如杂草、土壤、麦穗等[27,29]，而连续小波法可以在不同尺度和分辨率条件下提取和分析微弱的光谱反射率信号[32]。连续小波法是通过将原始光谱反射率信号分解成不同的振幅和尺度，然后对微弱的信号变化进行识别，同时其在叶片组分研究中也具有潜力[33-37]。通过连续小波法选取出的小波光谱特征，在病害判别与病情估测上优于传统方法以及植被指数方法[33,38]。【本研究切入点】目前很多研究集中于单叶尺度，本研究将基于成像高光谱探究小麦冠层白粉病的早期监测方法。【拟解决的关键问题】本文以不同年份、不同抗病性的小麦品种的田间试验为基础，获取接种后的小麦冠层白粉病高光谱成像数据，提取病害敏感特征，构建病害识别模型和病情严重度模型，以实现识别诊断早期病害。

1 材料与方法

1.1 试验设计

2016—2018年在南京农业大学牌楼教学科研基地（118°15′E，32°1′N）进行试验，试验品种为易感白粉病小麦品种“南农0686”及抗白粉病小麦品种“南农9918”。试验为随机区组排列，3次重复，小区面积为6 m2（3 m×2 m），共24个小区，条播，行距25 cm，每行保证基本苗数120株，如图1所示。肥料管理为施纯氮（N）225 kg·hm-2、磷肥（P2O5）120 kg·hm-2、钾肥（K2O）135 kg·hm-2，三者分别为尿素、过磷酸钙、氯化钾，其中氮肥50%作基肥，50%拔节期追施，其他作基肥全部施入。

在直径28 cm的塑料桶中种植易感白粉病小麦品种“南农0686”，放置于18—20℃的温室中培养，可自然发病。待菌苗出现明显病斑后，于拔节期将菌苗叶片与田间麦苗叶片摩擦接触，之后移栽至需接种的各小区边行。接种前后在对照区使用300 g·hm-2三唑酮以控制白粉病发生和蔓延，同时架设2.8 m塑料薄膜将对照和接种区隔离。

图1 冠层试验区

1.2 数据获取

本研究获取2017季和2018季小麦冠层高光谱成像数据，其中2018季数据用于本研究模型的建立，2017季数据用于模型的检验。

1.2.1 成像高光谱的获取与预处理 本研究采用的是GaiaField便携式地物高光谱成像仪，由成像镜头、成像光谱仪（可见光/近红外）、面阵探测器（charge coupled device，CCD相机）3个部分组成。成像光谱仪每次通过采集目标物上一条线的像，即获取一行光谱像元，再通过透射光栅分光使每个像素点对应一条光谱，通过镜头内部的移动，扫描合成包含整个目标物的光谱影像。高光谱成像仪的光谱相机型号为V10E，光谱范围为400—1 000 nm，光谱分辨率为2.8 nm，CCD像元数为1 392×1 040，光谱通道数为260，视场角为45°。小麦冠层测试选择晴朗无风或微风天气，于北京时间10：00—14：00进行测试。通过三脚架固定成像光谱仪，使镜头垂直向下，距离冠层表面1 m，获取影像面积为2 m×2 m，并在相机视场内放光谱反射率为60% 的标准白板，同时根据光强调整曝光时间，然后镜头依次扫描白板与冠层，如图2所示。数据获取时间如表1所示。高光谱影像预处理步骤包括反射率转换、噪声去除、影像裁剪、背景去除和反射率提取[29]。

图2 冠层测试

表1 冠层数据获取时间

DAI表示接种后天数 DAI means day after inoculation

1.2.2 小麦农学参数的测定 在获取冠层高光谱影像数据时，同步获取冠层的水分含量和病情严重度。小麦冠层病情严重度的获取参照《中华人民共和国农业行业标准：小麦白粉病测报调查规范(NY/T 613-2002)》，本研究选用病叶平均病情严重度（average disease index，DI）表示。在调查时采用5点采样法，每个点选取6株小麦，记录每株倒1、倒2、倒3叶的病情严重度，单个叶片病情严重度采用8级划分法，为1%、5%、10%、20%、40%、60%、80%和100%。每个小区的病叶平均病情严重度的计算公式如下：

式中，DI是冠层病情严重度，1，2，…，9是不同病情严重度条件下的叶片数量，0是健康叶片数量。小麦冠层叶绿素含量（canopy chlorophyll content，CCC）主要集中在叶片中，所有绿色叶片中色素含量可以看作冠层色素含量，所以冠层叶绿素含量的测定主要是通过获取叶片色素含量再向冠层转换，以Lichtenthaler[39]方法计算小麦叶片叶绿素的浓度。在小麦接种后，在各小区内选取3株植株，剪下植株上的所有叶片，用电子天秤称取3株植株的总叶片鲜重，再将叶片装于纸袋中，然后放置105℃烘箱中杀青30 min并烘干48 h至恒重，最后将其取出冷却至室温后用电子天秤称取总叶片的干重，通过公式即可算得冠层水分含量。

1.3 特征提取

1.3.1 基于连续小波法选取冠层敏感光谱波段 本文采用连续小波法提取冠层敏感光谱波段，连续小波可以在不同尺度和分辨率条件下提取和分析微弱的光谱信号[32]。通过连续小波选取出的小波特征，在病害判别与病情估测上优于传统方法以及指数方法[33,38]。小波系数的计算公式如下：

式中，()是原始光谱，=1，2，...，n是波段数量，f()是小波系数，a,b()是母小波函数。母小波的计算公式如下：

式中，是尺度因子，可以调节小波的宽度，是移动因子，表示小波的位置。本文选用了墨西哥草帽函数（Mexican hat，mexh）作为母函数[40]。在作物研究上选用的小波特征多数位于小波尺度6以内（21，22，…，26），所以本文中只计算了6尺度下的小波系数[33,38,40]。小波系数利用Matlab2014a自带小波函数算得。

1.3.2 纹理特征提取与纹理指数构建 纹理特征反映了影像区域对应作物的表面特性，代表了影像的整体信息。提取纹理特征的方法主要有统计方法、模型方法、信号处理方法和结构方法等。其中，统计方法是基于像元及其领域的灰度属性来研究纹理区域中的统计特性，而二阶概率统计及其特征提取的方法一直是重要的统计纹理分析方法之一[29]。影响二阶概率统计的因素主要有移动窗口的大小、移动步长和移动方向。由前人研究可知，移动窗口较小能够较好地反映图像的比较细微的变化[29]，因此本文选取了3×3窗口下的二阶概率统计滤波，每幅影像可获取8个纹理特征[41]（表2），其他参数选取默认参数，在ENVI软件中计算。纹理特征的提取方式与光谱反射率提取方式一样。本文通过获取敏感波段的8个纹理特征进行两两任意组合构建归一化纹理指数（normalized difference texture index，NDTI），纹理指数已经应用于作物阴阳叶的分类以及生物量的估测[29-30]。具体公式如下：

式中，1，2是获取的纹理特征。

1.3.3 传统光谱指数选取 植株受到白粉病菌侵染后，生理参数会发生相应变化[38,42-44]。本研究一共选择了9个光谱指数，如表3所示。主要有以下指数：（1）用于小麦病害监测，白粉病指数（powdery mildew index，PMI）；（2）对作物生长敏感，修正比值指数（modified simple ratio，MSR）；（3）与光合能力有关，光化学指数（photochemical reflectance index，PRI）和生理反射指数（photosynthetic radiation，PhRI）；（4）与色素变化有关，修正叶绿素吸收反射指数（modified chlorophyll absorption ratio index，MCARI）、花青素反射指数（anthocyanin reflectance index，ARI）、结构不敏感色素指数（structure independent pigment index，SIPI）和归一化叶绿素指数（normalized pigment chlorophyll ration index，NPCI）；（5）与植株水分、氮含量有关，红边植被胁迫指数（red-edge vegetation stress index，RVSI）。

1.4 模型的构建与评价

偏最小二乘（partial least-squares，PLS）是在20世纪80年代由Wold提出的多元统计方法[45]，最初并不是用于统计判别，但经常被用来分类且表现良好[46-47]。偏最小二乘与线性判别分析结合（PLS-LDA）可以有效处理具有样本少、维度高、多重共线性等此类特征的数据[48]，本研究将其用于小麦健康与感病状态分类识别。在病害识别中，将小麦分为健康和感病状态，健康是指叶片或冠层无明显病斑，感病是指叶片或冠层出现白粉病病斑。通过采用混淆矩阵对判别结果进行评价，使用总体分类精度（overall accuracy，OAA）和Kappa系数[29]来评价表现。偏最小二乘回归（PLSR）是PLS方法中最简单的一种方法，是多元线性回归的发展，最初应用于化学和技术领域中[56]。PLSR通过集合多元线性回归分析、主成分分析和典型相关分析的基本功能为一体，首先将自变量矩阵分解为多个主成分变量，每个主成分变量都有不同的自变量组成，主成分变量间以及主成分内部变量间的相关性极低，然后通过不同主成分对自变量的贡献大小排序并进行累加，从而筛选建立回归模型的主成分变量。目前已经被广泛应用在遥感光谱数据的分析中[38,57]。

表2 基于二阶概率统计的纹理特征

表3 本研究中所用植被指数

本研究基于偏最小二乘建立回归模型，使用小波特征、纹理特征、小波特征与纹理特征结合以及光谱指数、纹理指数、光谱指数与纹理指数结合以构建小麦病情严重度估测模型。同时，估测模型的表现使用决定系数（2），均方根误差（）以及相对均方根误差（）3个指标进行评估，2越高以及和越低，则模型估测表现越好。

2 结果

2.1 健康与感病小麦冠层生理参数敏感性分析

作物在生长发育过程中受到病害胁迫时，作物的生理参数如叶绿素含量、水分含量等会发生相应的变化，通过方差分析对不同接种后天数的健康与感病冠层的生理参数进行显著性分析（＜0.05），结果如图3所示。随着接种天数增加，感病冠层（infected）的叶绿素含量以及水分含量（canopy water content，CWC）要逐渐低于健康冠层（healthy）。2018年（图3-A）数据显示健康与感病冠层的叶绿素含量和水分含量均在接种后第24天出现显著差异。2017年（图3-C）数据显示健康冠层与感病冠层的叶绿素含量在接种后第38天出现显著差异，水分含量在接种第23天出现显著差异。总体上，水分出现差异的时间早于叶绿素含量。2017年（图3-D）叶绿素含量有一个先上升后下降的趋势，而在2018年（图3-B）数据中叶绿素含量的上升趋势不明显，主要是因为两者的接种时间存在差异，前者是3月21日接种，此时正处于拔节期初期，后者是在4月1日接种，属于拔节期晚期。

a代表差异不显著；b代表差异显著（p<0.05）。A、B代表2018年；C、D代表2017年

2.2 健康与感病小麦冠层光谱反射率的时序变化

图4是2018年健康和接种后感病小麦冠层的光谱反射率变化，从图中可以看出，随着时间推移，接种后病菌侵入，小麦冠层平均病情严重度逐渐增加，感病冠层的光谱反射率在可见区域逐渐高于健康冠层，在近红外区域逐渐低于健康冠层，但在可见光区域两者差异不明显。

8 d（4%）代表数据在接种后第8天测试光谱反射率，该天感病冠层平均病情严重度为4%，其余类似

2.3 小麦冠层白粉病敏感特征提取

2.3.1 基于连续小波提取小麦冠层敏感光谱波段 本研究将成像高光谱提取的光谱反射率线性插值成光谱间隔为1 nm的光谱反射率，然后通过连续小波法选取了4个对冠层白粉病敏感的光谱特征波段，如图 5和表 4所示。在小波相关系数图中，选取了2值位于前5%的光谱波段区间。入选的4个光谱特征区域分别位于黄光区域（583—656 nm）、红光区域（610—620 nm）和近红外区域（703—717 nm，750—763 nm），然后选择每个区域里的最大2值对应小波系数的光谱波段。通过选取的4个光谱特征波段可以看出，冠层小麦白粉病的敏感区域主要位于黄光区域、红光区域和近红外区域。

相关系数图表示小波系数与冠层病情严重度的决定系数（R2）。红色部分表示最高的前5% R2区域

表4 基于入选的病害敏感小波区域选取的小波特征

2.3.2 基于敏感小波特征提取纹理特征 利用ENVI自带的二阶概率统计滤波提取表 4入选的病害敏感波段的3×3移动窗口下的纹理特征，每个波段图像可提取8个纹理特征，如表2—3所示，共提取了32个纹理特征。本文选取了2018年试验接种后第8天和第38天的健康与感病冠层的8个纹理特征图，如图6所示。从图中可知，通过肉眼难以看出健康与感病冠层的纹理特征差异。

a：健康，b：感病，c：健康，d：感病。MEA、VAR、HOM、CON、DIS、ENT、SEM、COR 分别代表均值、方差、均一性、对比度、异质性、熵、角二阶矩、相关性

a: Healthy, b: Infected, c: Healthy, d: Infected.MEA: Mean; VAR: Variance; HOM: Homogeneity; CON: Contrast; DIS: Dissimilarity; ENT: Entropy; SEM: Second moment; COR: Correlation

图6 近红外波段在小麦冠层接种后第8天和接种后第38天的健康冠层与感病冠层的纹理特征对比图

Fig.6 The texture features contrast images of healthy and infected canopy at 8th day and 38th day after inoculation

2.3.3 最佳纹理指数选取 利用4个小波特征提取的32个纹理特征，两两任意组合构成了496个归一化纹理指数，并分析了其与病情严重度的相关性。表 5列举了估测病情严重度的前10个最佳纹理指数。其中表现最好的归一化纹理指数是NDTI（ENT754，MEA754），其与病情严重度的相关性（2）达0.51。入选前10的纹理指数的特征包含ENT754、MEA754、ENT708、ENT595、ENT614、HOM708、HOM595、HOM614、DIS595、HOM754和DIS614，其中MEA754在每个纹理指数中均有出现，同时发现4个小波特征的熵纹理特征（ENT）和均一性纹理特征（HOM）均入选最佳纹理指数，说明MEA754、ENT和HOM在纹理指数构建中具有重要作用。

根据4个小波特征提取的32个纹理特征，计算了不同光谱波段的纹理特征与小麦冠层病情严重度间的相关关系（2）（表6）。结果表明，绝大多数纹理特征与小麦冠层病情严重度的相关性较差，只有近红外波段754 nm 处MEA纹理特征（MEA754）与小麦病情严重度之间的相关性较好（2=0.67），从而解释了MEA754在纹理指数构建上优越的表现。其他入选纹理指数的10个纹理特征与病情严重度的相关性均低于0.4，但其构建的纹理指数与病情严重度的相关性有显著提高（2＞0.4）。

表5 与病情严重度相关性最高的前10个纹理指数

表6 纹理特征与病情严重度的线性关系

每行加粗字体代表入选前10个纹理指数的纹理特征。ns代表不显著；*、**和***分别代表0.05、0.01和0.001水平上显著。MEA：均值，VAR：方差，HOM：均一性，CON：对比度，DIS：异质性，ENT：熵，SEM：角二阶矩，COR：相关性

The number in bold denotes the selected features in top ten NDTI.ns indicates no significance; *,** and *** indicate significant difference at 0.05,0.01 and 0.001 levels, respectively.MEA: mean, VAR: variance, HOM: homogeneity, CON: contrast, DIS: dissimilarity, ENT: entropy, SEM: second moment, COR: correlation

2.4 小麦冠层健康与感病状态识别模型的构建与评价

利用PLS-LDA模型将选取的特征及其组合对健康和感病冠层进行分类，并采用总体分类精度和Kappa系数对分类结果进行评估，如表7所示。结果表明，对于健康与感病冠层的分类，小波特征与纹理特征结合的分类效果最好，总体分类精度为81.17%，Kappa系数为0.63。纹理特征的分类效果优于小波特征，两者总体分类精度分别为77.27%和72.08%，Kappa系数分别为0.55和0.45，两者Kappa系数都不是很高，但是两者结合分类效果有显著提升，因此纹理特征与小波特征结合能有效提高模型的分类精度。光谱指数的分类效果明显优于纹理指数，两者总分类精度分别为78.57%和73.38%，Kappa系数分别为0.58和0.47，两者结合未显著提升分类效果，其总体分类精度和Kappa系数分别为77.92%和0.56。由此可知，小波特征与纹理特征结合更利于病害识别。

表7 基于不同特征的小麦冠层健康与感病状态识别模型的判别结果

2.5 小麦冠层病情严重度估测模型的构建与评价

本文基于4个小波特征、32个纹理特征、小波特征与纹理特征结合以及光谱指数、纹理指数、光谱指数与纹理指数，应用偏最小二乘方法，建立病情严重度回归模型。同时将2年的数据进行十折交叉验证来考察病情严重度估测模型的可靠性和稳定性，并采用决定系数（2）、均方根误差（）和相对均方根误差（）对效果进行评估（表8）。结果表明，小波特征与纹理特征结合构建的PLSR模型效果最佳，与病情严重度的相关性达0.80。基于纹理特征构建的回归模型优于小波特征，两者2分别为0.72和0.64。基于光谱指数构建的回归模型优于纹理指数，两者2分别为0.76和0.59，但两者结合的效果没有显著提升，2为0.76。

表8 基于不同特征的PLSR回归表现

从检验结果可以看出，基于光谱指数和纹理指数构建的回归模型的检验效果最好，其次是光谱指数，两者2分别为0.71和0.69，分别为11.30和11.54，均为0.38。基于纹理特征和纹理指数的检验效果较差，两者2分别为0.42和0.47，明显低于两者建模的效果，建模2分别为0.72和0.59，可见基于纹理特征和纹理指数单独建立的回归模型的效果不稳定，但分别与小波特征和光谱指数结合，能提高模型的建模和检验效果。从建模和检验的结果看出，光谱指数与纹理指数结合的效果最稳定，适合对病情严重度进行估测。

图7是检验结果模拟值与观测值的1﹕1图。从图中可以看出，基于光谱特征与纹理特征结合（c）以及光谱指数与纹理指数结合（f）的冠层病情严重度实测值和预测值围绕1:1线上下波动。

2.6 基于健康与感病识别模型监测接种后不同天数的病害表现

由表7所知，小波特征与纹理特征结合的分类效果最优，进而将小波特征与纹理特征结合利用PLS-LDA对2年的数据进行接种后不同天数的判别，结果如表9所示。2018年数据显示在接种后第24天健康与感病冠层的分类精度均为100%，Kappa系数为0.84，此时冠层平均病情严重度为27.7%。2017年数据显示在接种后第32天健康与感病冠层的分类精度均为100%，Kappa系数为0.85，此时冠层平均病情严重度为26.2%，因而可以得出基于此方法能最早识别的病情严重度为26%左右（本试验中为接种后24 d）。

a : WFs, b : TFs, c : WFs & TFs, d : VIs, e : NDTIs, f : VIs & NDTIs

表9 基于小波特征与纹理特征结合的PLS-LDA判别结果

8 d（7.4%）代表在接种后第8天获取数据，该天感病冠层平均病情严重度为7.4%，其余类似

8 d (7.4%) represents the data acquired at 8th day after innoculation and the average disease severity of infected canopy is 7.4%, and the rest are similar

3 讨论

3.1 连续小波法筛选病害敏感特征的能力

连续小波法已被广泛用来提取作物病害敏感光谱波段，其表现优于传统特征选取方法[58-59]。连续小波选取的小波特征与植物叶绿素、干物质含量等叶片生化参数存在高度相关，能够反映植物的生理变化，具有生理意义[38]。但目前连续小波法主要运用在单叶水平，冠层水平运用较少。本文尝试将其应用到冠层水平，发现其选取的4个光谱特征均位于小麦白粉病敏感光谱响应区域[17,33,60]，说明其在冠层上具有应用价值，也说明mexh函数能够很好地捕捉到原始光谱反射率的吸收特征。本文中选用了6个小波尺度，选取的小波特征主要分布在3—6尺度，是因为该范围的小波特征保留了大量的原始光谱信息[38,58]。本文中连续小波法选取的病害敏感小波特征在判别模型中表现略低于植被指数和纹理指数，在回归模型中的表现高于纹理指数但略低于植被指数。基于小波特征提取的纹理特征在判别模型中表现低于植被指数但高于纹理指数，在回归模型中低于植被指数和纹理指数。光谱特征与纹理特征结合在判别模型中表现优于其他特征，在回归模型中略低于植被指数与纹理指数结合，因此基于连续小波法筛选的特征组合更适用于病害识别。

3.2 纹理信息在作物病害监测中的表现差异

纹理信息分析为光谱数据增加了冠层结构信息，提高了遥感光谱手段监测作物病害的精度。相比于小波特征，纹理特征在小麦冠层健康与感病状态识别模型中的表现较优，在小麦冠层病情严重度估测模型中的表现较差。同时构建归一化纹理指数对小麦白粉病进行监测与识别，但发现构建的纹理指数与冠层病情严重度的相关性均较差，基于纹理指数构建的小麦冠层健康与感病状态识别模型和小麦冠层病情严重度估测模型的精度也不高，均低于光谱指数。虽然基于纹理特征和纹理指数构建的病害监测模型精度有待提高，但两者分别与小波特征和光谱指数结合能够显著提高模型的精度，因此纹理信息在遥感作物监测中有着独特的作用[60]。

本文选用的前10个纹理指数与病情严重度相关性较低，但从纹理指数的组分当中可以发现位于近红外波段754 nm的MEA纹理特征在入选的10个纹理指数中出现了10次，说明其在纹理指数构建当中有着重要作用。通过计算单个纹理特征与病情严重度的相关性，发现绝大数纹理特征与小麦病情严重度的相关性较差，只有近红外波段754 nm处均值纹理（MEA754）与小麦病情严重度之间的相关性较好，2为0.67，从而解释了MEA754在纹理指数构建上优越的表现。小麦遭受白粉病侵染时，病菌会破坏叶片结构与叶片色素，近红外区域变化较大，因此MEA754表现突出。

3.3 光谱与纹理信息结合在病害早期监测中的优越性

利用偏最小二乘判别分析对健康和感病冠层进行分类，发现在所有特征及其组合中纹理特征与小波特征结合构建的识别模型分类精度最高，效果最稳定，总体分类精度在81.17%，Kappa系数为0.63，肯定了纹理特征在病害识别中的作用，同时小波特征与纹理特征结合可以提高病害分类的精度。

在病情严重度估测模型中，基于植被指数和纹理指数结合建立的偏最小二乘回归模型的效果最稳定，在建模和检验模型中都有着良好的表现，建模和检验决定系数（2）分别为0.76和0.71，与前人的研究结果一致[30]，也与前人关于光谱信息与纹理信息结合可以提升生物量[61-62]和叶面积指数反演[63-64]的研究结论一致。因此在分类识别中可将小波特征与纹理特征结合，在病情估测中可将光谱指数与纹理指数结合。本研究中预测病情严重度中后期偏低，其原因可能是：（1）病情严重度较高时，小麦已接近生育期后期，此时叶片伸长，穗子抽出，其光谱特征与纹理特征本身也会变化，且穗与叶片互相遮挡的概率更高，不能获取有效病斑信息，因此可能会影响估测模型的建立；（2）本研究使用2018年数据建模，2017年数据验证，获取数据的生育期不同，可能会有所影响。

根据小波特征与纹理特征结合在识别模型中的优越表现，对健康与感病冠层建立不同接种后天数的判别模型，发现在2018年获取的数据中可以在接种后第24天识别白粉病，与健康和感病冠层的生理参数出现显著差异在同一天，此时冠层平均病情严重度在27.7%，健康和感病冠层的分类精度均在100%，Kappa系数为0.84。在2017年获取的数据中显示在接种后第32天可以识别白粉病，比健康和感病冠层的叶绿素含量出现显著差异早6 d以及水分含量迟9 d，此时冠层平均病情严重度在26.2%，健康与感病冠层的分类精度均在100%，Kappa系数为0.85，因此能最早识别的病情严重度在26%左右（本试验中为接种后24 d）。本研究未能精确识别病情严重度＜26%的情况，因此监测更早期病害仍是本研究后续需解决的问题。

4 结论

为了能够尽早识别小麦白粉病，本文利用成像光谱仪连续获取了2年小麦病害时序数据，提取了对病害敏感的小波特征（595、614、708、754 nm）与纹理特征，并构建了归一化纹理指数和选用了传统植被指数，然后利用偏最小二乘线性判别模型对健康和感病冠层进行分类以及偏最小二乘回归模型对病情严重度进行估测，判别模型采用混淆矩阵评价分类精度，估测模型采用十折交叉验证法评价估测效果。在小麦冠层健康与感病状态识别模型中，相比于光谱指数与纹理指数的结合，小波特征与纹理特征的结合能够显著提高病害的分类效果，其总体分类精度为81.17%，Kappa系数为0.63，但在病情估测模型中光谱指数与纹理指数的结合能够显著提高模型估测精度以及稳定性，其建模和检验决定系数（2）分别为0.76和0.71。根据光谱特征与纹理特征结合在小麦冠层健康与感病状态识别模型中的稳定表现，对冠层健康与感病状态进行接种后不同天数的判别，明确了冠层小麦白粉病最早识别的病情严重度在26%左右（本试验中为接种后24 d），从而为农业病害防治提供依据。然而，本文只用了单一生态点的数据进行判别，且能够最早识别的病情严重度较高，模型监测精度还有待提高。

[1] BOWEN K L, EVERTS K L, LEATH S.Reduction in yield of winter wheat in North Carolina due to powdery mildew and leaf rust.Phytopathology, 1991, 81(5): 503-511.

[2] 刘万才, 邵振润.小麦白粉病流行规律及近年发生概况和分析.植保技术与推广, 1994, 6: 17-19.

LIU W C, SHAO Z Z.Epidemiology, occurrence and analysis of wheat powdery mildew in recent years.Plant Protection Technology and Extension, 1994, 6: 17-19.(in Chinese)

[3] BINGHAM I J, WALTERS D R, FOULKES M J, PAVELEY N D.Crop traits and the tolerance of wheat and barley to foliar disease.Annals of Applied Biology, 2009, 154(2): 159-173.

[4] FOULKES M J, PAVELEY N D, WORLAND A, WELHAM S J, THOMAS J, SNAPE J W.Major genetic changes in wheat with potential to affect disease tolerance.Phytopathology, 2006, 96(7): 680-688.

[5] QIN W C, XUE X Y, ZHANG S M, GU W, WANG B K.Droplet deposition and efficiency of fungicides sprayed with small UAV against wheat powdery mildew.International Journal of Agricultural and Biological Engineering, 2018, 11(2): 27-32.

[6] MILNE A, PAVELEY N, AUCLSLEY E, PARSONS D.A model of the effect of fungicides on disease-induced yield loss, for use in wheat disease management decision support systems.Annals of Applied Biology, 2007, 151(1): 113-125.

[7] HUSSAIN Z, LEITCH M H.The effect of applied sulphur on the growth, grain yield and control of powdery mildew in spring wheat.Annals of Applied Biology, 2005, 147(1): 49-56.

[8] WOLFE M.Trying to understand and control powdery mildew.Plant Pathology, 1984, 33(4): 451-466.

[9] BEEST D E T, PAVELEY N D, SHAW M W, VAN DEN BOSCH F.Disease-weather relationships for powdery mildew and yellow rust on winter wheat.Phytopathology, 2008, 98(5): 609-617.

[10] SHAW M W, POKORNÝ R, LEBEDA A.Preparing for changes in plant disease due to climate change.Plant Protection Science, 2009, 45(Special): S3-S10.

[11] 姚树然, 霍治国, 董占强, 李敏, 陈晓静.基于逐时温湿度的小麦白粉病指标与模型.生态学杂志, 2013, 32(5): 1364-1370.

YAO S R, HUO Z G, DONG Z Q, LI M, CHEN X J.Indices and modeling of wheat powdery mildew epidemic based on hourly air temperature and humidity data.Chinese Journal of Ecology, 2013, 32(5): 1364-1370.(in Chinese)

[12] CAUBEL J, LAUNAY M, RIPOCHE D, GOUACHE D, BUIS S, HUARD F, HUBER L, BRUN F, BANCAL M O.Climate change effects on leaf rust of wheat: Implementing a coupled crop-disease model in a French regional application.European Journal of Agronomy, 2017, 90: 53-66.

[13] ZHANG J CH, PU R L, YUAN L, HUANG W J,YANG G J.Integrating remotely sensed and meteorological observations to forecast wheat powdery mildew at a regional scale.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(11): 4328-4339.

[14] MAHLEIN A K, OERKE E C, STEINER U, DEHNE H W.Recent advances in sensing plant diseases for precision crop protection.European Journal of Plant Pathology, 2012, 133(1): 197-209.

[15] MARTINELLI F, SCALENGHE R, DAVINO S, PANNO S, SCUDERI G, RUISI P, VILLA P, STROPPIANA D, BOSCHETTI M, GOULART L R, DAVIS C E, DANDEKAR A M.Advanced methods of plant disease detection.A review.Agronomy for Sustainable Development, 2015, 35(1): 1-25.

[16] CAO X R, LUO Y, ZHOU Y L, DUAN X Y, Cheng D F.Detection of powdery mildew in two winter wheat cultivars using canopy hyperspectral reflectance.Crop Protection, 2013, 45: 124-131.

[17] FENG W, SHEN W, HE L, DUAN J, GUO B, LI Y, WANG C, GUO T.Improved remote sensing detection of wheat powdery mildew using dual-green vegetation indices.Precision Agriculture, 2016, 17(5): 608-627.

[18] MAHLEIN A K, RUMPF T, WELKE P, DEHNE H W, PLUEMER L, STEINER U, OERKE E C.Development of spectral indices for detecting and identifying plant diseases.Remote Sensing of Environment, 2013, 128: 21-30.

[19] ZHENG Q, HUANG W, CUI X, DONG Y, SHI Y, MA H, LIU L.Identification of wheat yellow rust using optimal three-band spectral indices in different growth stages.Sensors, 2019, 19(1): 35.

[20] 王娜.基于图像处理的玉米叶部病害识别研究[D].石河子: 石河子大学, 2009.

WANG N, Research on maize leaf disease recognition based on image processing[D].Shihezi: Shihezi University, 2009.(in Chinese)

[21] 昌腾腾.基于支持向量机的小麦病害识别研究[D].泰安: 山东农业大学, 2015.

CHANG T T.Research on wheat disease recognition based on Support vector Machine[D].Taian: Shandong Agricultural University, 2015.(in Chinese)

[22] 袁琳.小麦病虫害多尺度遥感识别和区分方法研究[D].杭州: 浙江大学, 2015.

YUAN L.Identification and differentiation of wheat disease and insects with multi-source and multi-scale remote sensing data[D].Hangzhou: Zhejiang University, 2015.(in Chinese)

[23] YAO X, HUANG Y, SHANG G, ZHOU C, CHENG T, TIAN Y, CAO W, ZHU Y.Evaluation of six algorithms to monitor wheat leaf nitrogen concentration.Remote Sensing, 2015, 7(11): 14939-14966.

[24] ZHOU K, CHENG T, ZHU Y, CAO W, USTIN S L, ZHENG H, YAO X, TIAN Y.Assessing the impact of spatial resolution on the estimation of leaf nitrogen concentration over the full season of paddy rice using near-surface imaging spectroscopy data.Frontiers in Plant Science, 2018, 9: 964.

[25] MIRIK M, ANSLEY R J, STEDDOM K, RUSH C M, MICHELS G J, WORKNEH F, CUI S, ELLIOTT N C.High spectral and spatial resolution hyperspectral imagery for quantifying Russian wheat aphid infestation in wheat using the constrained energy minimization classifier.Journal of Applied Remote Sensing, 2014, 8(1): 83661.

[26] 梁栋, 刘娜, 张东彦.利用成像高光谱区分冬小麦白粉病与条锈病.红外与激光工程, 2017, 46(1): 138004.

LIANG D, LIU N, ZHANG D Y.Discrimination of powdery mildew and yellow rust of winter wheat using high-resolution hyperspectra and imageries.Infrared and Laser Engineering, 2017, 46(1): 138004.(in Chinese)

[27] 刘娜.基于图像和光谱解析的小麦病害识别研究[D].合肥: 安徽大学, 2016.

LIU N.Recognition of wheat diseases based on imagery and spectral analysis[D].Hefei: Anhui University, 2016.(in Chinese)

[28] 张东彦, 张竞成, 朱大洲, 王纪华, 罗菊花, 赵晋陵, 黄文江.小麦叶片胁迫状态下的高光谱图像特征分析研究.光谱学与光谱分析, 2011, 31(4): 1101-1105.

ZHANG D Y, ZHANG J C, ZHU D Z, WANG J H, LUO J H, ZHAO J L, HUANG W J.Investigation of the hyperspectral image characteristics of wheat leaves under different stress.Spectroscopy and Spectral Analysis, 2011, 31(4): 1101-1105.(in Chinese)

[29] 黄宇.基于成像高光谱的小麦氮素营养监测研究[D].南京: 南京农业大学, 2015.

HUANG Y.Monitoring nitrogen status with imaging hyperspectral in wheat[D].Nanjing: Nanjing Agricultural University, 2015.(in Chinese)

[30] ZHENG H B, CHENG T, ZHOU M, LI D, YAO X, TIAN Y, CAO W, ZHU Y.Improved estimation of rice aboveground biomass combining textural and spectral analysis of UAV imagery.Precision Agriculture, 2019, 20(3): 611-629.

[31] 杨燕.基于高光谱成像技术的水稻稻瘟病诊断关键技术研究[D].杭州: 浙江大学, 2012.

YANG Y.The key diagnosis technology of rice blast based on hyperspectral image[D].Hangzhou: Zhejiang University, 2012.(in Chinese)

[32] Cheng T, Rivard B, Sánchez-Azofeifa A.Spectroscopic determination of leaf water content using continuous wavelet analysis.Remote Sensing of Environment, 2010, 115(2): 659-670.

[33] ZHANG J C, YUAN L, WANG J H, HUANG W J, CHEN L P, ZHANG D Y.Spectroscopic leaf level detection of powdery mildew for winter wheat using continuous wavelet analysis.Journal of Integrative Agriculture, 2012, 11(9): 1474-1484.

[34] 梁栋, 杨勤英, 黄文江, 彭代亮, 赵晋陵, 黄林生, 张东彦, 宋晓宇.基于小波变换与支持向量机回归的冬小麦叶面积指数估算.红外与激光工程, 2015, 44(1):335-340.

LIANG D, YANG Q Y, HUANG W J, PENG D L, ZHAO J L, HUANG L S, ZHANG D Y, SONG X Y.Estimation of leaf area index based on wavelet transform and support vector machine regression in winter wheat.Infrared Laser Engineering, 2015, 44(1): 335-340.(in Chinese)

[35] SINGH S K, HOYOS-VILLEGAS V, RAY J D, SMITH J R, FRITSCHI F B.Quantification of leaf pigments in soybean ((L.) Merr.) based on wavelet decomposition of hyperspectral features.Field Crops Research, 2013, 149: 20-32.

[36] LIAO Q, WANG J, YANG G, ZHANG D, LII H, FU Y, LI Z.Comparison of spectral indices and wavelet transform for estimating chlorophyll content of maize from hyperspectral reflectance.Journal of Applied Remote Sensing, 2013, 7(1): 73575.

[37] PU R, GONG P.Wavelet transform applied to EO-1 hyperspectral data for forest LAI and crown closure mapping.Remote Sensing of Environment, 2004, 91(2): 212-224.

[38] SHI Y, HUANG W, GONZÁLEZ-MORENO P, LUKE B, DONG Y, ZHENG Q, MA H, LIU L.Wavelet-based rust spectral feature set (wrsfs): A novel spectral feature set based on continuous wavelet transformation for tracking progressive host-pathogen interaction of yellow rust on wheat.Remote Sensing, 2018, 10(4): 525.

[39] LICHTENTHALER H K.Chlorophylls and carotenoids: pigments of photosynthetic biomembranes.Methods in Enzymology, 1987, 148C(1): 350-382.

[40] ZHANG J C, WANG B, ZHANG X X, LIU P, DONG Y Y, WU K H, HUANG W J.Impact of spectral interval on wavelet features for detecting wheat yellow rust with hyperspectral data.International Journal of Agricultural and Biological Engineering, 2018, 11(6): 138-144.

[41] HARALICK R M, SHANMUGAM K.Textural features for image classification.IEEE Transactions on Systems, Man, and Cybernetics, 1973, 3(6): 610-621.

[42] FENG W, QI S L, HENG Y R, ZHOU Y, WU Y P, LIU W D, HE L, LI X.Canopy vegetation indices from in situ hyperspectral data to assess plant water status of winter wheat under powdery mildew stress.Front Plant Science, 2017, 8: 1219.

[43] 杜世州.基于多源数据小麦白粉病遥感监测研究[D].合肥: 安徽农业大学, 2013.

DU S Z.Research on wheat powdery mildew monitoring based on Multi-source remote sensing data [D].Hefei: Anhui University, 2013.(in Chinese)

[44] 王文雁.基于高光谱的小麦白粉病监测研究[D].南京: 南京农业大学, 2016.

WANG W Y.Monitoring powdery mildew with hyperspectral reflectance in wheat [D].Nanjing: Nanjing Agricultural University, 2016.(in Chinese)

[45] WOLD S, MARTENS H, WOLD H.The multivariate calibration problem in chemistry solved by the PLS method.Matrix pencils. Springer Berlin Heidelberg, 1983: 286-293.

[46] ORTIZ M C, SARABIA L A, SYMINGTON C.Analysis of ageing and typification of vintage ports by partial least squares and soft independent modelling class analogy.Analyst, 1996, 121(8): 1009-1013.

[47] DELWICHE S R, CHEN Y R, HRUSCHKA W R.Differentiation of hard red wheat by near-infrared analysis of bulk samples.Cereal Chemistry, 1995, 72(3): 243-247.

[48] BARKER M, RAYENS W.Partial least squares for discrimination.Journal of Chemometrics, 2003, 17(3): 166-173.

[49] HUANG W J, GUAN Q S, LUO J H, ZHANG J C, ZHAO J L, LIANG D, HUANG L S, ZHANG D Y.New optimized spectral indices for identifying and monitoring winter wheat diseases.Ieee Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(6): 2516-2524.

[50] CHEN B, WANG K, LI S, WANG J, BAI J, XIAO C, LAI J.Spectrum characteristics of cotton canopy infected with verticillium wilt and inversion of severity level.Computer and Computing Technologies in Agriculture, 2008, 2: 1169-1180.

[51] GAMON J A, PENUELAS J, FIELD C B.A narrow-waveband spectral index that tracks diurnal changes in photosynthetic efficiency.Remote Sensing of Environment, 1992, 41(1): 35-44.

[52] DAUGHTRY C S T, WALTHALL C L, KIM M S, DE COLSTOUN E B, MCMURTREY J E.Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance.Remote Sensing of Environment, 2000, 74(2): 229-239.

[53] LEWIS H G, BROWN M.A generalized confusion matrix for assessing area estimates from remotely sensed data.International Journal of Remote Sensing, 2001, 22(16): 3223-3235.

[54] PENUELAS J, BARET F, FILELLA I.Semiempirical indexes to assess carotenoids chlorophyll-a ratio from leaf spectral reflectance.Photosynthetica, 1995, 31(2): 221-230.

[55] MERTON R, HUNTINGTON J.Early simulation results of the ARIES-1 satellite sensor for multi-temporal vegetation research derived from AVIRIS.Proceedings of the Eighth Annual JPL Airborne Earth Science Workshop, Pasadena, CA, USA, 1999: 9-11.

[56] WOLD S, SJÖSTRÖM M, ERIKSSON L.PLS-regression: a basic tool of chemometrics.Chemometrics and Intelligent Laboratory Systems, 2001, 58(2): 109-130.

[57] ZHANG J C, PU R L, WANG J H, YUAN L, LUO J H.Detecting powdery mildew of winter wheat using leaf level hyperspectral measurements.Computers and Electronics in Agriculture, 2012, 85: 13-23.

[58] ZHANG J, PU R, LORAAMM R W, YANG G, WANG J.Comparison between wavelet spectral features and conventional spectral features in detecting yellow rust for winter wheat.Computers and Electronics in Agriculture, 2014, 100: 79-87.

[59] SHI Y, HUANG W J, ZHOU X F.Evaluation of wavelet spectral features in pathological detection and discrimination of yellow rust and powdery mildew in winter wheat with hyperspectral reflectance data.Journal of Applied Remote Sensing, 2017, 11(2): 26025.

[60] CAO X R, LUO Y, ZHOU Y L, ZHOU Y L, DUAN X Y, CHENG D F.Detection of powdery mildew in two winter wheat cultivars using canopy hyperspectral reflectance.Crop Protection, 2013, 45: 124-131.

[61] 郑恒彪.水稻生育期及生长参数的近地面遥感监测研究[D].南京: 南京农业大学, 2018.

ZHENG H B.Monitoring rice phenology and growth parameters using near-ground remote sensing platforms[D].Nanjing: Nanjing Agricultural University, 2018.(in Chinese)

[62] Lu D.Aboveground biomass estimation using Landsat TM data in the Brazilian Amazon.International Journal of Remote Sensing, 2005, 26(12): 2509-2525.

[63] WULDER M, FRANKLIN S, LAVIGNE M.High spatial resolution optical image texture for improved estimation of forest stand leaf area index.Canadian Journal of Remote Sensing, 1996, 22(4): 441-449.

[64] WULDER M A, LEDREW E F, FRANKLIN S E, LAVIGNE M B.Aerial image texture information in the estimation of northern deciduous and mixed wood forest leaf area index (LAI).Remote Sensing of Environment, 1998, 64(1): 64-76.

Early Detection on Wheat Canopy Powdery Mildew with Hyperspectral Imaging

CAI WeiDi, Zhang Yu, Liu HaiYan, Zheng HengBiao, Cheng Tao, Tian YongChao, Zhu Yan, Cao WeiXing, Yao Xia*

College of Agriculture, Nanjing Agricultural University/National Engineering and Technology Center for Information Agriculture/ Engineering Research Center of Smart Agriculture, Ministry of Education/Key Laboratory for Crop System Analysis and Decision Making, Ministry of Agriculture and Rural Affairs/Jiangsu Key Laboratory for Information Agriculture/Collaborative Innovation Center for Modern Crop Production co-sponsored by Province and Ministry, Nanjing 210095

【Objective】In this study, the near-ground imaging spectrometer was used to obtain time-series images of wheat canopy after inoculation with powdery mildew, which aimed to explore the ability and performance of the combination of spectral feature and texture feature in the early detection of wheat powdery mildew at canopy scale.【Method】 Based on the field trials of wheat varieties with different disease resistance in different years, the wavelet features sensitive to wheat powdery mildew were extracted by continuous wavelet transform (CWT) method, and the corresponding texture features were extracted based on spectral features to construct normalized difference texture index (NDTI).Meanwhile, the representative traditional vegetation indices (Vis) were selected.Then, based on these features and combinations, the partial least squares discriminant analysis (PLS-LDA) model was used to establish wheat canopy healthy and disease recognition model.The partial least squares regression (PLSR) was used to estimate the severity of wheat canopy disease.The technique was used to distinguish the healthy and disease wheat at different days after inoculation based on the optimal features and combinations.【Result】 Based on CWT, the selected four wavelet features were 595 nm (yellow region) at 6 scales, 614 nm (red region) at 5 scales, 708 nm (near infrared region) at 3 scales, and 754 nm (near infrared region) at 4 scales respectively.The following texture features were selected for the best texture index combination: ENT754, MEA754, ENT708, ENT595, ENT614, HOM708, HOM595, HOM614, DIS595, HOM754and DIS614.Besides, it was found that the texture feature MEA754had the superior performance among all the texture, with the highest correlation between the severity of disease and texture (2=0.67).The PLS-LDA model based on the combination of wavelet feature and texture feature had the highest accuracy, with the overall classification accuracy of 81.17% and the Kappa coefficient of 0.63.In addition, the PLSR model based on spectral index and texture index was the best, and the2of modeling and testing was 0.76 and 0.71, respectively.The severity of wheat canopy powdery mildew was about 26% (about 24 days after inoculation), which was identified in this study at the earliest time.【Conclusion】 The wheat healthy and disease recognition model based on the combination of wavelet feature and texture feature could significantly improve the accuracy of disease classification, and the combination of spectral index and texture index could significantly improve the accuracy and stability of disease severity estimation.The method and results of this study could provide the reference for disease monitoring of other crops and technical support for accurate application of modern intelligent agriculture.

wheatpowdery mildew; canopy; hyperspectral imaging; continuous wavelet transform; texture feature

2021-05-25；

2021-09-06

国家重点研发计划（2021YFE0194800）、民用航天技术预先研究项目（D040104）、国家自然科学基金（31971780）、江苏省重点研发计划（BE 2019383）

蔡苇荻，E-mail：2019101180@njau.edu.cn。通信作者姚霞，E-mail：yaoxia@njau.edu.cn

（责任编辑 杨鑫浩）