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、蟲害和環(huán)境因素。近年來，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，因此對其進(jìn)行有效監(jiān)測和防控具有重要意義。

目前，傳統(tǒng)的病害監(jiān)測方法主要依賴于人工目測，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。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、無損的病害監(jiān)測手段。已有研究表明，高光譜遙感可用于檢測多種作物病害，并能夠在病害出現(xiàn)肉眼可見癥狀前提供早期預(yù)警。然而，目前大部分研究集中在葉部病害檢測上，針對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)測的精度。

此外，以往研究多在作物生長的某一特定時(shí)期進(jìn)行病害監(jiān)測，而忽略了病害在整個(gè)生長階段的動(dòng)態(tài)變化。由于水稻穗粒的成熟過程可能會(huì)影響光譜反射特性，因此需要開發(fā)一種能夠跨生長階段穩(wěn)定監(jiān)測病害嚴(yán)重程度的光譜指數(shù)，以提升病害監(jiān)測的一致性和準(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)生長階段的穗腐病光譜指數(shù)，用于病害嚴(yán)重程度的量化；評估該指數(shù)在不同生長階段的適用性，并與已有光譜指數(shù)進(jìn)行對比，驗(yàn)證其在病害監(jiān)測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，V2: 武運(yùn)粳24號，V3: 武運(yùn)粳7號，V4: 南粳44號）和2020年另外四個(gè)品種（V1: 揚(yáng)農(nóng)1號，V2: 南粳9108號，V3: 南粳5055號，V4: 淮稻5號）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的八個(gè)粳稻品種進(jìn)行實(shí)驗(yàn)（2019年：武運(yùn)粳23號、武運(yùn)粳24號、武運(yùn)粳7號和南粳44號；2020年：揚(yáng)農(nóng)1號、南粳9108號、南粳5055號和淮稻5號）。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)對測量造成嚴(yán)重干擾，并提高測量效率，我們在晴朗的中午時(shí)分，在抽穗、開花和灌漿階段，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)的龍門架平臺(tái)上。在龍門架下的每次測量中，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照片是通過相機(jī)快門的遙控器收集的。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失真且清晰。為了避免中午時(shí)分過曝，HSI相機(jī)的曝光時(shí)間手動(dòng)設(shè)置為0.4秒。這些測量涵蓋了兩年的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。通過設(shè)置0.2的閾值，應(yīng)用760nm波段的反射率來屏蔽背景。然后通過形態(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)生長階段的敏感波段；（3）在DS量化和病斑映射中，評估所提出的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)，通過視覺檢查來標(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)測的需求。為了彌補(bǔ)人類視覺在DS量化中的低效率和準(zhǔn)確性不足，開發(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，并根據(jù)測量順序和視覺匹配與相應(yīng)的稻穗HSI分組。然后，使用顏色空間轉(zhuǎn)換來增強(qiáng)每個(gè)RGB圖像的對比度，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病斑識別。這個(gè)空間是一個(gè)顏色對立空間，其中“L"代表亮度，“a"和“b"代表顏色對立維度?！癰"值代表了黃/藍(lán)對立顏色的真實(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。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)方法無論在生長階段或疾病嚴(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，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)域大小通過比較識別結(jié)果和原始RGB圖像之間的視覺對比進(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)：針對不同病害的光譜指數(shù)理論上應(yīng)該針對特定的植物-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)波段來表示反射率曲線中的變寬趨勢（圖3C）。然后選擇了雙差分（DD）指數(shù)的形式來描述變化強(qiáng)度。此外，DD形式的指數(shù)被發(fā)現(xiàn)對包括日照強(qiáng)度變化在內(nèi)的恒定和線性趨勢的噪聲不敏感。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，通過將波長分為正域和負(fù)域來構(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）。上述選擇分別針對抽穗、開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，以評估每個(gè)候選指數(shù)的DS量化。

圖4.不同生長階段（綠色：抽穗，藍(lán)色：開花，紅色：灌漿）下疾病DS與450至800nm波長處反射率之間的Spearman相關(guān)系數(shù)?；疑桶咨尘胺謩e代表負(fù)相關(guān)和正相關(guān)。黑色垂直線對應(yīng)于灰色或白色相關(guān)域中的最大系數(shù)（上排：抽穗，中排：開花，下排：灌漿）

在整理用于植被脅迫監(jiān)測的常用光譜指數(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，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）來評估。

1.2.結(jié)果與討論

（1）水稻稻穗對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、開花和灌漿階段的所有VNIR（可見光至近紅外）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）。具體來說，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，這并沒有表現(xiàn)出與灌漿階段相同的單向減弱趨勢（圖5B、C）。

圖5.不同生長階段（A 抽穗，B 開花，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（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)，而在開花階段，這種對比則相反。

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，所有生長階段在NIR區(qū)域都出現(xiàn)了一致的相關(guān)性。基于這些特征，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740nm來填充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）。對于開花或灌漿階段，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）。在開花和灌漿階段，RSRI對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，對于單一SI，校準(zhǔn)回歸模型的權(quán)重在不同生長階段有所不同，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在涉及的生長階段中對DS估計(jì)的準(zhǔn)確性差異顯著（圖8，9）。在開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)在開花階段對輕度RSRD嚴(yán)重度存在低估，而RSRI則沒有這種情況（圖8）。RSRI在不同生長階段的DS量化中表現(xiàn)最佳。

圖8.使用基于SI的模型測量和估算的DS散點(diǎn)圖，分別對應(yīng)抽穗（左列）、開花（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.在不同生長階段（左列：抽穗，中列：開花，右列：灌漿）對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展示了通過結(jié)合基于SI的線性模型和高光譜數(shù)據(jù)立方體，對三個(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)域通過映射方法成功被描繪出來。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）?；赗SRI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。請注意，RGB圖像上可以識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法被區(qū)分

（4）討論

稻穗成熟度對RSRD感染光譜響應(yīng)的影響：不同生長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。從成熟度角度來看，光譜變化趨勢受到稻穗發(fā)育過程中生化變化的影響。稻穗中葉綠素含量和類胡蘿卜素與葉綠素比例隨生長階段降低，這應(yīng)該是稻穗成熟過程中紅色區(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.代表與本研究無關(guān)的三種健康水稻稻穗在抽穗、開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)可能無法抵消成熟過程的變化，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)行疾病檢測時(shí)，壓力和物候變化的共存影響更為常見。因此，確保推導(dǎo)出的光譜特征在不同生長階段對稻穗疾病監(jiān)測有效至關(guān)重要。

先前的研究通過從全波段光譜信息中提取特征，利用主成分分析（PCA）或簡單體積*大化等方法，減輕了病原體檢測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]選擇對稻穗生長不敏感的波長區(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)在不同生長階段的穩(wěn)定性，成熟過程中的光譜變化可以通過綠色反射率的降低和近紅外區(qū)域的*特斜率來排除。這些特定于疾病的波段可以用來避免稻穗成熟對疾病檢測性能的影響。此外，這個(gè)問題可以通過使用超出VNIR區(qū)域的更多波段來進(jìn)一步解決，例如短波紅外區(qū)域中對水分含量和干物質(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)。需要確定對早期感染敏感的波段，以提高早期感染階段和多個(gè)生長階段DS估計(jì)的準(zhǔn)確性一致性。

藍(lán)色波段在疾病監(jiān)測中的貢獻(xiàn)：藍(lán)色波段在疾病監(jiān)測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的葉綠素含量的減少。此外，藍(lán)色波段對稻穗成熟的不敏感性可能部分解釋了RSRI在不同生長階段對DS的一致敏感性（Figs. 7, 8）。

為了理解帶寬在疾病監(jiān)測中的效果，我們根據(jù)常安裝在無人機(jī)上的植被遙感設(shè)備Airphen（Hi-phen，法國）和RedEdge-MX多光譜相機(jī)（Micasense，美國）模擬出寬波段，并從中導(dǎo)出了新的RSRI?；趥鞲衅鞯墓庾V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，它們在無人機(jī)上安裝的相機(jī)進(jìn)行疾病監(jiān)測方面具有潛力。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、開花和灌漿階段的樣本。RSRI是通過參考Airphen或RedEdge-MX的帶寬和中心波長，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)）得出的測量和估算的量化DS散點(diǎn)圖，分別對應(yīng)抽穗（A, D）、開花（B, E）和灌漿（C, F）階段。

然而，由于色素復(fù)雜降解過程的影響，通過生化變化來理解藍(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，但可以利用特征工程方法來增強(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)生長階段對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DS的敏感性顯著低于開花階段。RSRI的優(yōu)化表明，藍(lán)色波段的加入提高了抽穗階段SI對DS的敏感性，增強(qiáng)了早期疾病檢測能力。與NPCI、CCI、PRI670、PSRI和NDVI相比，RSRI在早期感染階段對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.