篇(1)

　　摘 要：為區別喀斯特高原森林植被類型，利用高光譜技術對森林植被開展光譜特征分析，為喀斯特高原貴州省森林植被的遙感探測與精準識別提供理論與技術支持。本研究采用ASDFieldSpec4便攜式地物光譜儀對貴州省常見的華山松(Pinus armandiiFranch)、麻櫟(Quercus acutissimaCarruth)、馬尾松(Pinus massonianaLamb)、杉木(Cunninghamia lanceolata)、水杉(Metasequoia glyptostroboides)、香樟(Cinnamomum camphora)、云南松(Pinus yunnanensis)、柏木(Cupressus funebris Endl. )8種樹種的光譜數據進行采集。在對原始光譜數據進行異常值處理的基礎上，進行包絡線去除，比較原始光譜和包絡線去除圖，選擇差異較大的波段用于識別不同樹種。結果表明：原始光譜中11個特征波段差異都較為明顯，去包絡線中1439～1448nm、1779～1788nm、1958～1967nm和2307～2316nm波段范圍內差異較為明顯，說明包絡線去除法能有效縮小樹種特征波段范圍，達到運用較少波段識別樹種的目的。用歐氏距離法對選取的特征波段進行驗證，發現運用原始光譜曲線與包絡線去除法選取的特征波段皆能有效區分樹種，且包絡線去除法的效果更好。

　　關鍵詞：高光譜;樹種鑒別;包絡線去除法;歐氏距離

　　森林是陸地生態系統的主體，是人類發展不可缺少的自然資源，準確獲取森林樹種類型與空間分布信息對于區域林業經營與管理、保護物種多樣性，改善區域生態環境，以及建立林木生長模型等方面具有重要意義[1-5]。傳統的樹種識別方法主要以費時費力的野外調查為主。由于高光譜遙感具有波段多、波寬窄的特點，其光譜曲線能夠準確區分地物種類，為快速、大面積的森林樹種識別提供了可能，相關研究已成為國際高光譜植被遙感研究的熱點[6-9]。

　　Matthew等[10]基于高光譜遙感影像采用物種辨識分析程序等方法提取7種熱帶雨林樹種;Bunting等[11]利用不同季節的CASI高光譜影像通過構建樹種冠層聚類分析法對澳大利亞昆士蘭州的9種森林群落的信息進行了提取。宮鵬等[12]利用實測光譜數據識別了美國加州的6種主要針葉樹種，證明了高光譜數據具有較強的樹種識別潛力。陳爾學等[13]研究發現對高光譜數據進行降維處理，并采用更加有效的二階統計量估計方法，進而應用將空間上下文信息和光譜信息相結合的分類算法，可以有效提高高光譜數據森林類型的識別精度。陳璇等[14]基于包絡線法和并對其進行一階微分處理對麥冬、圓柏和珊瑚樹進行了有效區分。王志輝等[15]利用光譜一階、二階微分法對高光譜遙感圖像進行處理，選擇樹種特征差異性加大的波段進行組合降維，再利用野外實地調查樣地作為訓練樣本進行樣本，對毛竹、雷竹、雜竹等7個樹種進行了有效區分。徐凱健等[16]基于全年逐旬或逐月尺度的時序光譜數據，并結合相應的微分變換方法，能有效提高區域尺度優勢樹種的識別精度。

　　王波等[17]基于6種典型灌木植物的室內光譜數據，通過反射率、吸收率及其一階微分的變化，篩選出敏感波段，而后通過各個波段之間的相互組合計算NDVI值和RVI值，并且以TM設置波段計算的NDVI值和RVI值最為參考，篩選出優于TM波段且差值最大的波段組合確定為最優模型，最終有辨別出6種灌木植物。目前，典型高光譜特征提取方法和分類方法主要有：包絡線去除(Continuum Removal)、主成分分析法(Principal Component Analysis， PCA)、獨立主成分分析(Independent Component Analysis， ICA)、線性判別分析(Linear Discriminant Analysis， LDA)、小波變換(Wavelet， WT)等。其中，包絡線去除法以其消除不相關背景信息、擴大弱吸收特征信息、突出光譜曲線上吸收和反射的特征、增強光譜曲線各波段之間的對比性等特點，被廣泛應用于地物探測[18-20]。

　　本研究以貴州黔中喀斯特花溪區和高原喀斯特草海自然保護區的華山松(Pinus armandii Franch)、麻櫟(Quercus acutissima Carruth)、馬尾松(Pinus massoniana Lamb)、杉木(Cunninghamia lanceolata)、水杉(Metasequoia glyptostroboides)、香樟(Cinnamomum camphora)、云南松(Pinus yunnanensis)、柏木(Cupressus funebris Endl. )8種典型樹種為研究對象，利用包絡線去除法對實測的葉片高光譜數據進行處理，分析提取樹種原始光譜以及包絡線去除曲線中差異較為明顯的波段，驗證高光譜遙感數據以及包絡線去除法選擇的特征波段對于樹種識別的效應，以期為喀斯特高原貴州省植被的遙感識別、監測和保護提供理論依據和技術支持。

　　1 材料與方法

　　1.1 研究區概況

　　貴州位于云貴高原東部(E103°36′～109°35，N24°37′～29°13′)，全省總面積17.62萬km2，平均海拔1100m左右。境內地勢西高東低，自中部向北、東、南三面傾斜，分為高原山地、丘陵和盆地三種基本類型，以高原山地居多，是典型的喀斯特地貌。貴州是長江、珠江上游地區的重要生態屏障，是國家生態文明試驗區。年平均氣溫在11～19℃之間，年均降雨量為1000～1300mm[21]，年日照時數為1200～1600h[22]。貴州省屬于亞熱帶濕潤季風氣候，因降水豐富、氣候溫暖濕潤的氣象特點，物種資源較為豐富[23]。2018年森林覆蓋率已達57%。貴州省植被豐厚，具有明顯的具有明顯的亞熱帶性質，組成種類繁多，區系成分復雜[24]。境內廣泛分布有赤黃壤、黃棕壤、紅壤、黃壤、石灰土、山地灌叢草甸土、水稻土、紫色土等8個土類[25]。試驗地點選擇貴州省貴陽市花溪區和貴州省威寧縣草海自然保護區。花溪區屬典型的中亞熱帶常綠闊葉林帶，主要森林植被類型有黔中山原濕潤性常綠櫟林、常綠落葉混交林及馬尾松林等[26]。草海自然保護區森林植被主要為云南松(Pinus yunnanensis)、華山松(Pinus armandii Franch)、杉木(Cunninghamia lanceolata)、柏木(Cupressus funebris Endl. )等[27]。

　　1.2 光譜數據采集與預處理

　　本研究利用ASD FieldSpec4便攜式地物光譜儀分別采集華山松、麻櫟、馬尾松、杉木、水杉、香樟、云南松、柏木等8種典型樹種的葉片光譜反射率。該設備波段范圍是350～2500nm，其中，350～1000nm波段光譜采樣間隔為1.4nm，光譜分辨率為3nm;1000～2500nm波段光譜采樣間隔為2nm，光譜分辨率為10nm[28]。

　　數據采集時間選擇晴朗無風天氣，測定時間為10：00～14：00之間，分別于2018年9月30日～2018年10月31日在貴州省貴陽市花溪區試驗區(圖1a)和2018年7月20日～2018年7月27日在貴州省威寧縣草海試驗區(圖1)，采集方法嚴格按照ASD FieldSpec4地物光譜儀使用說明進行操作，每種樹種隨機選擇3塊集中連片且面積不小于10公頃的樣地，每塊樣地內隨機選擇5個樣本，每個樣本重復測量10次，共計1200個樣本數據，而后，刪除受空氣中的水汽以及儀器的系統誤差影響較大的波段(759～763nm、1340～1352nm、1365～1395nm、1801～1925nm、2487～2500nm)的數據，保留質量較高的波段的數據。

　　1.3 光譜微分

　　光譜微分可以增強曲線在坡度上的細微變化，突出顯示光譜曲線的差異性，采用光譜導數分析模型具有部分消除大氣效應，可以消除植被光譜土壤成分的影響以及能反映植被的本質特征等一系列優越性[29-30]。本研究在Origin軟件中進行一階微分、二階微分處理，其計算公式如下：

　　1.4 包絡線去除

　　在光譜曲線相似的情況下，直接從中提取光譜特征不便于計算，因此需要對光譜曲線作進一步處理，以突出光譜特征。包絡線去除法可以有效突光譜曲線的吸收、反射和發射特征，并將其歸一到一個一直的背景上，有利于和其他光譜曲線進行特征數值的比較[31-33]。本研究在ENVI Class軟件中進行包絡線去除，其計算公式如下：

　　1.5 檢驗分析

　　為了檢驗原始光譜特征波段和去除包絡線特征波段識別樹種的效果，本研究使用歐式距離法在SPSS25.0軟件中對其進行檢驗;以原始光譜所選的特征波段為例，首先計算所選波段各個樹種所有樣本的原始光譜反射率平均值，然后選擇比較樹種，分別計算每一樹種每一樣本與比較樹種平均值之間的歐氏距離，最后再計算各樹種所有樣本的歐氏距離平均值(表2)。如果不同樹種間的歐式距離的平均值大于同樹種間的歐氏距離平均值，則說明所選波段能有效區分這8種樹種。

　　2 結果與分析

　　2.1 原始光譜曲線分析

　　由圖2可知，8種樹種的光譜曲線形態相似性高，符合綠色植物的光譜曲線特征。但由于不同植被內含成分的不同，導致其在相同的外部條件下對太陽輻射的吸收和反射不盡相同，圖2中八種樹種光譜曲線在某些波段差異明顯，這些差異波段更好的反映了不同樹種之間的光譜特性的差異。挑選差異性較為明顯的549～558nm、785～794nm、964～973nm、1078～1087nm、1190～1199nm、1268～1277nm、1445～1454nm、1665～1674nm、1775～1784nm、1956～1965nm和2211～2220nm共11個波段(波段范圍10nm)，取其平均值進行比較。由圖3可知，在8種樹種光譜曲線的第一個波峰范圍(549～558nm)內，云南松-柏木、馬尾松-杉木、華山松-麻櫟-水杉-香樟三組之間區分明顯，但是后兩組組內樹種區分不明顯;在785～794nm范圍內，云南松與其它七種樹種差異較大，麻櫟-香樟、水杉-杉木-柏木、華山松-馬尾松三組差異明顯，但組內差異較小;964～973nm、1078～1089nm與785～794nm波段范圍內差異情況類似;在1445～1454nm波段范圍內麻櫟與其他7種樹種差異明顯，水杉-香樟、杉木-云南松-華山松-馬尾松-柏木兩組差異性較大，但組內差異性小;1956～1965nm、2211～2220nm與1445～1454nm波段范圍內差異情況類似;其他4個波段范圍(1190～1199nm、1268～1277nm、1665～1674nm和1775～1784nm)內8種樹種差異明顯。

　　推薦閱讀：種植管理論文選擇哪個期刊投稿

篇(2)

　　摘 要：雙孢蘑菇疣孢霉病是由有害疣孢霉菌Mycogone perniciosa引起的、破壞性極強的真菌類病害，且該病害檢測困難耗時，往往導致菇房絕收，菇農收益損失嚴重。早發現、早處理能夠有效解決病害帶來的經濟損失和農藥殘留超標等質檢問題。因此，本研究將能夠快速無損檢測的高光譜成像技術應用到雙孢蘑菇病害早期鑒別。以雙孢蘑菇菌Agaricus bisporus子實體為試材，對健康染病雙孢蘑菇生長早期子實體樣本采集菌蓋的全波段(401～1046 nm)可見/近紅外高光譜圖像信息，利用多元散射校正(MSC)進行預處理，采用決策樹(DT)提取特征波段，對比隨機森林(RF)和極限學習機(ELM)兩種模型對健康和染病雙孢蘑菇鑒別準確度。利用DT選取401.00、951.59、978.09、1006.59和1044.90 nm為鑒別病害的特征波段。對比RF和ELM所建模型效果，得到MSCDTELM模型檢測效果最優，測試集和預測集總體樣本鑒別準確度分別為92.39%和91.32%。結果表明，該模型可以有效提高基于全波段的雙孢蘑菇疣孢霉病早期的鑒別準確度，得到基于高光譜成像技術的便捷準確鑒別雙孢蘑菇病害早期的模型，同時，為進一步開發雙孢蘑菇病害早期的多光譜設備提供了理論依據和方法。

　　關鍵詞：雙孢蘑菇;高光譜成像技術;病害早期檢測;鑒別

　　雙孢蘑菇Agaricus bisporus，又稱白蘑菇或紐扣蘑菇，是最常見的栽培蘑菇品種之一，目前在70多個國家進行商業化生產[1]。其肉質鮮美、營養豐富[2]，具有重要的經濟價值，已在全國各地推廣種植[3]。隨著雙孢蘑菇生產和栽培規模日益擴大，其病害的發生與危害也逐年加重，經濟效益大幅下降，嚴重挫傷菇農生產積極性，成為制約雙孢蘑菇產業持續發展的重要因素[4]。雙孢蘑菇疣孢霉病，又稱褐腐病、泡濕病，是一種土傳真菌性病害，具有普遍性、強危害性，特別嚴重的得病菇房減產達50%～60%。其病原菌為有害疣孢霉Mycogoneperniciosa Magnus Delacr.，屬于子囊菌門Ascomycota、糞殼菌綱Sordariomycetes、肉座菌目Hypocreales、肉座菌科Hypocreaceae、疣孢霉屬Mycogone[5]。我國大部分人工栽培的雙孢蘑菇對疣孢霉病高度敏感，且自抗性較差，至今尚未發現對疣孢霉病有免疫的菌株[6]。有害疣孢霉菌對雙孢蘑菇子實體侵染的發病率，高于有害疣孢霉菌在覆土層中間侵染雙孢蘑菇菌絲[7]。當雙孢蘑菇菌絲逐漸扭結到產生菇蕾時，是該病原菌侵染的有利時機。雙孢蘑菇被疣孢霉菌侵染后形成畸形病菇，染病雙孢蘑菇布滿菇房，健康雙孢蘑菇被徹底侵蝕瓦解[8]。但，其具有傳染性強、早期癥狀不明顯、潛伏期長等特點，有經驗的菇農最快也要在雙孢蘑菇子實體小菇期后才能鑒別染病與否，或者采用內源轉錄間隔區(ITS)基因片段的聚合酶鏈式反應(PCR)鑒定[9]以及傳統的柯赫氏法則[10]等有損耗時的檢測方法。這些方法都需要對雙孢蘑菇進行離體檢測，耗時長，得到檢測結果時，雙孢蘑菇疣孢霉病已蔓延菇房，無法起到及時提醒菇農病害發生并采取措施阻止病害進一步擴散的目的。因此，需在病害發生的早期(小菇期之前)能夠快速、無損地鑒別出染病雙孢蘑菇，幫助菇農及時清除染病雙孢蘑菇，及時止損，保證菇房健康雙孢蘑菇的品質，極大降低病害發生時菇農的經濟損失。

　　由于高光譜成像技術能夠無損便捷識別農產品病害的特點，被廣泛應用于農產品病害檢測。例如，Tao等[11]用近紅外高光譜成像儀，采集被黃曲霉真菌染病和健康的玉米粒在900～2 500 nm光譜范圍的圖像，利用隨機蛙跳算法提取30、50和100個重要變量，分別建立偏最小二乘判別模型得到二分類預測的準確度為87.7%、93.8%和95.2%。Gao等[12]利用高光譜成像技術對赤霞珠葡萄的無癥狀葡萄卷葉病(GLD)和發病期葡萄卷葉病進行無損檢測，分別在5個生長期采集葉片高光譜圖像，為消除高光譜樣本異常值，利用光譜歸一化和蒙特卡洛算法對圖像進行預處理，利用最小絕對收縮和選擇算子對預處理后的數據進行特征波長提取，得到690、715、731、1409、1425和1582 nm是早期檢測該病害的特征波段，用最小二乘支持向量機(LS-SVM)作為分類器得到準確率在66.67%～89.93%。表明，高光譜成像技術具有在無癥狀階段無損檢測農作物真菌病害的能力。

　　高光譜成像技術在食用菌病害檢測中也被用于開發快速檢測蘑菇病害的無損檢測系統。例如，Bagnasco等[13]研究了高光譜成像技術結合主成分分析法檢測健康和被嗜真菌感染的牛肝菌，采集樣本在可見/近紅外光譜區(400～1000 nm)的高光譜圖像，采用標準正態變換法(SNV)對原始數據進行預處理，基于分數閾值的監督規則，分析了兩種低階主成分的分數圖，結果表明該方法可以直接在測試樣本的假彩色圖像中顯示被污染的樣本點。但在利用高光譜成像技術對雙孢蘑菇早期病害方面的研究較少，且針對雙孢蘑菇病害的研究都在其子實體生長的中后期(小菇期之后)。Parrag等[14]采集感染蛛網病的采收期雙孢蘑菇菌蓋在900～1700 nm光譜范圍內的高光譜圖像，利用歸一化算法(單個強度值減去整個光譜強度的平均值)和Savitzky-Golay平滑(多項式階為3，窗口大小為9)對原始光譜進行預處理，在平均光譜中發現水峰附近(1200 nm和1450 nm)與健康雙孢蘑菇菌蓋的反射值有明顯差異，利用支持向量機(SVM)成功分離出感染蛛網病的樣本，正確率在80%以上，結果表明利用高光譜成像技術得出雙孢蘑菇的含水率空間分布，可以用于檢測雙孢蘑菇的腐壞程度。

　　綜上所述，在早期(小菇期之前)對雙孢蘑菇疣孢霉病進行檢測識別，能夠及時發現染病雙孢蘑菇阻止其繼續侵害健康雙孢蘑菇的同時，還能減少因發病早期癥狀不明顯，無法及時確診使菇農盲目采用大量化學農藥處理，導致的農藥超標、食品安全、土壤污染等問題。因此，本研究擬基于高光譜成像技術，建立雙孢蘑菇疣孢霉病早期快速檢測方法，為開發雙孢蘑菇病害檢測的快速便捷方法提供參考。

　　1 材料與方法

　　1.1 試驗材料

　　試驗材料為福建省農業科學院食用菌研究所提供的雙孢蘑菇菌種W192。將播種、裝袋后的雙孢蘑菇放入人工氣候箱(MEC-350B-LED型，寧波普朗特儀器有限公司)中培養。

　　1.2 試驗方法

　　1.2.1 雙孢蘑菇的培養 設置人工氣候箱溫度22℃，相對濕度90%，無光照。培養期間每天早晚通風1 h。兩周后，菌絲布滿栽培料，進行覆土處理，高度約2.5 cm。此后，調整人工氣候箱內的環境為溫度20℃，濕度85%，無光照。覆土后7～10 d，菌絲長至2/3覆土層，調整人工氣候箱內的環境為溫度20℃，相對濕度90%，無光照。

　　1.2.2 雙孢蘑菇染病與鑒定 有害疣孢霉菌My.p0012，由福建省農業科學院食用菌研究所提供。將有害疣孢霉菌在馬鈴薯葡萄糖瓊脂培養基(PDA)上，于25℃恒溫黑暗環境中培養7 d。于無菌操作臺(SWCJ1FB型，蘇州凈化設備有限公司)內用超純水將PDA培養基上的有害疣孢霉菌孢子洗下，制作成有害疣孢霉菌的孢子懸液。用血球計數板檢查該孢子懸液，確定濃度為1.0×105個·mL-1。雙孢蘑菇菌絲長至2/3覆土層時，將5 mL有害疣孢霉菌孢子懸液均勻噴灑在覆土層表面。將病菇上的褐色液滴和病菇切片分別在無菌臺內，置于PDA平板培養基，于25℃黑暗環境中培養。5 d后，在顯微鏡下挑出菌絲并純化，觀察是否是有害疣孢霉菌。

　　推薦閱讀：農作物技術論文發表sci4區雜志

篇(3)

　　摘要：遙感技術因快速、無損監測等優點而被廣泛應用于農業領域。通過開展不同脅迫下棉花冠層光譜室外測試試驗，分析不同脅迫冠層光譜特征差異，再分別建立不同的光譜特征參數判別式對其進行識別，可為棉花所受脅迫類型的快速識別提供參考。結果表明，無論哪種脅迫，棉花冠層光譜反射率形狀和大小均在近紅外波段變化相同，可見光波段和短波紅外波段差異明顯;不同脅迫下棉花冠層紅邊均具有“雙峰”現象，紅邊峰值減小，紅邊位置均發生“藍移”;黃萎病、枯萎病、干旱、紅蜘蛛、角斑病、紅葉莖枯病和蚜蟲脅迫下冠層的吸收波段位置(Lo)、吸收深度(Depth672)和吸收面積(Area672)均明顯減小，吸收寬度(Lwidth)均明顯增加，而缺氮和鹽害的Lo、Depth672和Area672基本不變，Lwidth均略微增加;不同脅迫下棉花冠層10個光譜特征參數表現出一定的規律，可建立相應的判別式實現對棉田所受脅迫類型的快速識別。

　　關鍵詞：棉花;冠層;脅迫;高光譜;識別

　　引言

　　各種脅迫會導致作物產量和品質的下降，影響農業生產的可持續性[1-3]。棉花是新疆農業的支柱性產業，近年來新疆棉花總、單產一直位居全國第一。然而，由于新疆棉花連年種植，不合理使用化肥農藥等，造成棉田干旱和缺素時常發生，各種病蟲為害頻繁，次生土壤鹽堿化也逐年加重，嚴重影響棉花產業的穩定性和可持續性[4-7]。

　　利用遙感技術對植被干旱、凍害、病蟲害等脅迫進行監測的研究較多，為農作物脅迫遙感監測奠定了研究基礎[8-10]。林海榮等利用ETM影像，結合農業災害和農作物生長發育情況，對新疆沙灣地區棉花結鈴期發生冷害情況進行遙感監測，認為植被指數降低越多，冷害程度越重[11];Tilling A K等研究表明利用冬小麥冠層光譜反射率在近紅外光區的變化能夠監測到氮素和水分脅迫[12];Yang C M等發現，426nm的冠層光譜反射率能夠有效地監測到水稻受褐飛虱和稻縱卷葉螟等蟲害脅迫[13];Chen B等對不同品種、不同生育期棉花黃萎病的冠層光譜研究表明，隨病害嚴重度的增加棉花冠層光譜反射率在可見光(620～700nm)和短波紅外波段呈現上升趨勢，近紅外波段則表現出相反的趨勢[14]。Steddom K等利用歸一化植被指數、花青素反射指數對甜菜病害進行監測，分類精度達87.9%[15]。艾效夷等采用偏最小二乘回歸方法綜合冠層光譜和葉片生理參數，建立綜合模型對小麥條銹病進行監測，比單獨光譜參數建立的模型精度提高21%[16]。黃雙萍等提出一種光譜詞袋模型的分析方法，通過分析正常和穗瘟病稻穗的高光譜圖像，實現了穗瘟病害程度的自動評判，提高了穗瘟病分級的自動化程度和準確率，預測分類識別精度達94.72%[17]。袁建清等利用高光譜成像儀獲取健康、缺氮、感病水稻葉片的反射率光譜，采用六個判別模型構建水稻瘟病和缺氮識別模型，預測準確率達97.5%[18]。本文針對北疆綠洲區棉田開展棉花不同脅迫下冠層光譜的識別研究，為棉田脅迫的光譜識別提供研究基礎。

　　1 材料與方法

　　1.1 試驗設計

　　2013—2016年在石河子大學試驗站進行棉花不同脅迫小區試驗，試驗小區按隨機區組設計，每小區約43m2，品種為新陸早7號(XLZ-7)、新陸早13號(XLZ-13)、新陸早33號(XLZ-33)和新陸早45號(XLZ-45)等。試驗設3個重復，種植密度24萬株·ha-1。每年4月中下旬播種，膜下滴灌，膜上點播，灌水量約3300m3·ha-1，施純氮300kg·ha-1，P2O5 150kg·ha-1和K2O 75kg·ha-1。2013—2018年在新疆農墾科學院棉花所試驗田進一步開展試驗，品種為新陸早8號(XLZ-8)和XLZ-33，設計和管理與石河子大學試驗站相同。2016—2019年分別在第八師122團、143團、147團、149團和148團選擇不同脅迫棉田同步開展大田試驗，試驗品種包括XLZ-33、XLZ-42、XLZ-45和XLZ-60等，田間管理同當地生產一致。

　　1.2 冠層脅迫調查及等級劃分

　　田間調查各種脅迫發生期棉花冠層的受害情況，選擇合適冠層確定脅迫等級并進行光譜測試。各脅迫等級按冠層受害程度和癥狀不同進行分級。每種脅迫冠層被分成5級并分別用不同的符號表示。例如：黃萎病為b0、b1、b2、b3和b4;枯萎病為kb0、kb1、kb2、kb3和kb4;干旱為w0、w1、w2、w3和w4;缺氮為n0、n1、n2、n3和n4;紅蜘蛛為h0、h1、h2、h3和h4;角斑病為j0、j1、j2、j3和j4;紅葉莖枯為hb0、hb1、hb2、hb3和hb4;蚜蟲為y0、y1、y2、y3和y4;鹽害為s0、s1、s2、s3和s4。具體分級方法可參考相關文獻[19]。

　　1.3 光譜測試方法

　　采用Field Spec Pro FR 2500型背掛式野外高光譜輻射儀(美國ASD公司，光譜波段范圍350～2500nm)每年于棉花不同脅迫期進行冠層光譜測定。選擇在晴朗無云，風速小于3m·s-1，北京時間11﹕30—14﹕00時進行測定，傳感器探頭垂直向下距冠頂約1.0m，視場角為25°，以2條光譜為一采樣光譜，每小區不同位置測定5次，平均值為該小區反射值，每次光譜測量前后均以參考板標定。

　　1.4 數據分析

　　用軟件Viewspec pro Version 4.05對遙感數據進行預處理，用軟件Excel 2007和Matlab 12.01提取高光譜特征參數，并進行相關統計分析(本文篩選的光譜特征參數和定義見表1所列)。

　　2 結果與分析

　　2.1 不同脅迫棉花冠層光譜反射率特征比較

　　如圖1所示可知，棉花冠層受到不同脅迫后反射率形狀和大小均發生變化，其中近紅外波段(700～1300nm)反射率形狀和值的大小變化規律均相同，可見光波段(400～700nm)和短波紅外波段(1300～2500nm)存在較大差異。可見光波段，黃萎病、枯萎病、干旱和蚜蟲等脅迫的光譜反射率形狀和大小變化均較大，趨勢基本一致，反射率值均隨脅迫嚴重程度的增加而增加;紅蜘蛛、角斑病和紅葉莖枯病的冠層光譜在650nm(紅光)附近有一個獨特的反射峰，且紅蜘蛛和角斑病受害冠層反射率在550nm(綠峰)附近低于正常冠層，紅葉莖枯病受害冠層反射率高于正常冠層。缺氮和鹽害的光譜形狀和大小基本無變化。短波紅外波段，隨嚴重程度增加，枯萎病和紅葉莖枯病的冠層光譜反射率均增加;紅蜘蛛的冠層反射率減小;角斑病和缺氮的冠層反射率在1450nm吸收峰附近增加，在1600nm和2200nm附近減小;黃萎病和蚜蟲的冠層反射率在1600～1850nm波段低于正常冠層，其他波段范圍高于正常冠層;鹽害的冠層反射率在1600～1850nm波段低于正常冠層，其他波段基本不變;干旱的冠層反射率呈現先低于、后高于正常冠層的特征。

　　推薦閱讀：南疆無膜滴灌栽培對棉花出苗及生長指標的影響