應用方向：
在本研究中，高光譜成像技術（HSI）主要應用于水稻穗腐病（RSRD）的精準監測與病害嚴重程度量化。通過結合近距離高光譜成像與化學計量學分析，HSI不僅能夠捕獲水稻穗粒的光譜特征，還能夠提供空間信息，從而實現對病斑的識別和分布可視化。該技術可用于水稻生長的不同階段，克服了傳統病害監測方法在時間和空間上的局限性，使病害檢測更加穩定和準確。研究中構建的水稻穗腐病指數（RSRI），能夠在多個生長階段保持良好的監測性能，并為病害的早期預警提供科學依據。此外，高光譜成像技術還能應用于病害傳播動態監測、作物育種篩選以及精準農業管理，為提高糧食安全與作物健康提供強有力的技術支持。
背景：
水稻作為全球主要糧食作物之一，其穩定和可持續生產受到多種因素的威脅，包括病害、蟲害和環境因素。近年來，由鐮刀菌引起的水稻穗腐病在東亞水稻種植區日益成為一種新興病害，其傳播迅速，并可顯著降低水稻產量和品質。此外，該病害產生的毒素還可能影響食品安全，因此對其進行有效監測和防控具有重要意義。
目前，傳統的病害監測方法主要依賴于人工目測，這種方法不僅主觀性強、費時費力，而且難以在早期階段準確識別受感染的穗粒，尤其是當病害程度較輕時，在田間環境下難以肉眼察覺。相比之下，遙感技術，特別是高光譜成像技術（HSI），提供了一種高效、無損的病害監測手段。已有研究表明，高光譜遙感可用于檢測多種作物病害，并能夠在病害出現肉眼可見癥狀前提供早期預警。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結構復雜，傳統的非成像光譜儀難以精確觀測其光譜特征，而高光譜成像技術結合近距離成像光譜則能夠獲取穗部的空間和光譜信息，從而提高病害監測的精度。
此外，以往研究多在作物生長的某一特定時期進行病害監測，而忽略了病害在整個生長階段的動態變化。由于水稻穗粒的成熟過程可能會影響光譜反射特性，因此需要開發一種能夠跨生長階段穩定監測病害嚴重程度的光譜指數，以提升病害監測的一致性和準確性。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特性，探討其在各階段的光譜變化規律；構建適用于多個生長階段的穗腐病光譜指數，用于病害嚴重程度的量化；評估該指數在不同生長階段的適用性，并與已有光譜指數進行對比，驗證其在病害監測和病斑分布可視化方面的有效性。
實驗設計
1.1材料與方法
（1）實驗設置
在中國江蘇省南京市南京農業大學進行了水稻穗腐病（RSRD）監測的小區試驗。為了方便儀器設置，使用地上填滿田土的水泥池作為實驗小區。共有24個大小相同的小區，每個小區的尺寸為2米×3米（圖1）。2019年和2020年的水稻季節，除了水稻品種外，實驗在相同的設置下進行。為了與田間管理實踐保持一致，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，以創造RSRD感染和發展所需的高濕度環境。
圖1.2019年和2020年試驗小區的實驗區域地圖，分別展示了2019年四個品種（V1: 武運粳23號，V2: 武運粳24號，V3: 武運粳7號，V4: 南粳44號）和2020年另外四個品種（V1: 揚農1號，V2: 南粳9108號，V3: 南粳5055號，V4: 淮稻5號）的試驗小區布局
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粳稻品種進行實驗（2019年：武運粳23號、武運粳24號、武運粳7號和南粳44號；2020年：揚農1號、南粳9108號、南粳5055號和淮稻5號）。在2019年和2020年的實驗小區中，RSRD自然發生。
（2）數據收集與預處理
為了避免稻穗和葉片在小區內對測量造成嚴重干擾，并提高測量效率，我們在晴朗的中午時分，在抽穗、開花和灌漿階段，將感染稻穗從水稻植株上移除，以便進行原位成像光譜數據采集。為了確保每個樣本的完整性，移除稻穗時也一并移除了部分莖稈。移除后，新鮮樣本被轉移到靠近小區的龍門架平臺上。在龍門架下的每次測量中，將五到八個稻穗放置在帶有黑色面板的凳子上，并在旁邊放置一個分析光譜裝置。黑色和白色面板在可見光和近紅外（VNIR）區域的反射率分別為3%和99.9%。一臺數碼單反相機（EOS 80D, Canon, Tokyo, Japan）和一臺推掃式高光譜成像儀（GaiaField-V10E, 江蘇雙利合譜科技有限公司）安裝在自動線性掃描系統（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和高光譜圖像的實驗設置
RGB照片是通過相機快門的遙控器收集的。相機設置為A+模式，自動調整曝光時間，并將圖像質量設置為最大分辨率6000×4000像素。高光譜圖像是通過控制平臺系統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相機在該距離下實現了0.45毫米的空間分辨率，擁有256個波段，采樣間隔為2.5nm，覆蓋范圍為361至1011nm。由于相機中的光學光圈是固定的，在推掃過程中入射光并不一致。為了增強光的一致性，圖像掃描是使用龍門架的水平電機完成的，而不是內部推掃模塊。此外，使用網格紙手動調整電機速度和焦距，以確保高光譜圖像幀無失真且清晰。為了避免中午時分過曝，HSI相機的曝光時間手動設置為0.4秒。這些測量涵蓋了兩年的401個稻穗（表1）。
高光譜圖像的反射率是從原始數字數值中導出的，然后使用最小噪聲分數變換進行去噪處理。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的波段進行光譜分析。在ENSI 5.3中手動裁剪出每個稻穗的整體區域。通過設置0.2的閾值，應用760nm波段的反射率來屏蔽背景。然后通過形態學方法去除噪聲像素，進一步細化稻穗區域。最后，計算每個稻穗的平均反射率，以供后續分析使用。
（3）方法
本研究提出了一種通過光譜分析和波段選擇構建特定于RSRD嚴重程度量化光譜指數（SI）的方法，該方法使用從RGB圖像中提取的疾病斑點（DS）作為參考。該方法采用多生長階段的光譜數據進行波段選擇，以確保其穩定的性能，并包括四個步驟：（1）確定SI的形式以表征主要的光譜響應；（2）基于相關性分析和相關域分離，選擇多個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與現有SI的比較。
提取疾病嚴重程度參考值：先前的研究主要采用定性的DS標準，通過視覺檢查來標記感染樣本。這種定性研究可能不足以滿足精準農業中疾病監測的需求。為了彌補人類視覺在DS量化中的低效率和準確性不足，開發了一種方法，利用顏色空間轉換和動態閾值分割技術，從RGB圖像中自動提取DS參考數據（圖3B）。
圖3.RSRI開發、DS量化和DS映射程序的技術流程圖（A 數據預處理，B DS參考提取，C 指數構建，D 建模和映射）
首先，每個樣本從RGB圖像中裁剪出來，并根據測量順序和視覺匹配與相應的稻穗HSI分組。然后，使用顏色空間轉換來增強每個RGB圖像的對比度，因為背景和RSRD病斑之間的亮度非常接近。選擇了Lab顏色空間，因為它幾乎不受光照條件或傳感器的影響，用于背景移除和RSRD病斑識別。這個空間是一個顏色對立空間，其中“L"代表亮度，“a"和“b"代表顏色對立維度。“b"值代表了黃/藍對立顏色的真實中性灰度值，這意味著“b"適合于從背景中分離稻穗。“a"值代表了紅/綠對立顏色的真實中性灰度值，這意味著“a"適合于從健康像素中分離出感染像素。傳統的閾值分割方法通常使用單一值將整個圖像的所有像素分開。然而，嚴重和早期感染像素的顏色接近背景和健康區域。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確提取稻穗病斑。相比之下，局部閾值分割，也稱為自適應或動態閾值分割，使用不同的閾值分割子區域以抵抗噪聲或顏色不均勻。動態方法無論在生長階段或疾病嚴重程度如何，都能比全局方法表現得更好。
在通過通道“b"進行背景移除和局部閾值分割后，進行了形態學細化以去除孤立噪聲的小組件（最小連通組件設置為五千個像素）。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域大小通過比較識別結果和原始RGB圖像之間的視覺對比進行調整。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關系。DS值是作為每個樣本在器官尺度上觀察到的疾病嚴重程度，而不是像素尺度。
提出的與現有的光譜指數：針對不同病害的光譜指數理論上應該針對特定的植物-病原相互作用，因為不同的宿主植物在遭受各種感染時可能會表現出可區分的光譜響應。鑒于這種特異性，構建了RSRD指數（RSRI）來表達RSRD的*特光譜特征。隨著病情的發展，VNIR區域的光譜輪廓逐漸變寬。為了提高所提特征的敏感性，結合了多個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）指數的形式來描述變化強度。此外，DD形式的指數被發現對包括日照強度變化在內的恒定和線性趨勢的噪聲不敏感。DS越嚴重，光譜曲線就越寬，DD值就越接近1。
為了確定構建SI的敏感波段，應用了一個特征選擇流程，包括以下三個步驟。首先，在校準樣本的反射率和DS值之間建立了每個波段的Spearman相關性。選擇Spearman分析是因為本研究中的DS值不符合正態分布。在第二步中，通過將波長分為正域和負域來構建相關域，以定位不同的響應區域。覆蓋少于五個波段的小域被丟棄，以確保波段選擇的穩健性。第三步，選擇每個域中相關性*強的波段，形成多個備選特征（圖4）。上述選擇分別針對抽穗、開花和灌漿階段的樣本進行。為確保RSRD指數的一致敏感性，主要選擇在紅色和近紅外區域對所有階段都敏感的共同波段。為了加強對疾病早期階段的敏感性，使用抽穗階段（最早感染階段）保留的三個代表性波段來構建三個候選指數。然后，使用校準集得出決定系數（R2）值，以評估每個候選指數的DS量化。
圖4.不同生長階段（綠色：抽穗，藍色：開花，紅色：灌漿）下疾病DS與450至800nm波長處反射率之間的Spearman相關系數。灰色和白色背景分別代表負相關和正相關。黑色垂直線對應于灰色或白色相關域中的最大系數（上排：抽穗，中排：開花，下排：灌漿）
在整理用于植被脅迫監測的常用光譜指數（SIs）的線性回歸R2值之后，選擇了排*前五的光譜指數（NPCI、CCI、PRI670、PSRI和NDVI）與RSRI進行比較（表2）。分別從抽穗、開花和灌漿階段各選取三個稻穗的輕度、中度和重度感染樣本進行映射比較。接下來，將DS-SI關系應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圖像進行比較，后者的顏色陰影可以為RSRD的嚴重程度提供一般性參考。
準確性評估：由于RSRD的感染和發展限制，2019年和2020年實驗期間不同生長階段的病穗數量顯著不平衡（表1）。因此，將兩年的所有樣本匯總，以進行RSRI構建、模型校準和模型驗證。匯總的數據集被隨機分為校準集（60%）和驗證集（40%）。使用線性模型擬合DS和SIs之間的關系。量化性能以決定系數（校準R2和驗證R2）、均方根誤差（RMSE）和偏差（Bias）來評估。
1.2.結果與討論
（1）水稻稻穗對RSRD的光譜響應
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）光譜區域都有所變化（圖5）。總體而言，這些階段感染稻穗的反射率變化相似，包括綠峰減弱、紅區顯著增強以及NIR區域的崩潰。隨著RSRD的發展，藍區也有所增加，紅邊向短波長方向移動。此外，隨著DS水平的升高，NIR區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階段中顯示出*強的光譜響應（圖5B）。具體來說，與其它階段相比，灌漿階段在藍色和紅色區域的響應最為強烈。在開花階段，綠色和NIR區域的反射率在0.0到0.2的輕度DS范圍內呈現出顯著的增加而非減少，這并沒有表現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）確定構建RSRI的最佳波段
總體而言，各個生長階段中，單個波段的反射率與DS之間的Spearman相關性顯示出一致的趨勢（圖4）。在藍色和紅色區域存在正相關域，在綠色和NIR區域存在負相關域。此外，抽穗階段的藍色區域還有一個額外的負相關域。由于DS范圍有限，抽穗階段的相關性最弱。對于抽穗和灌漿階段，DS與藍色區域的反射率之間的相關性比綠色區域更強，而在開花階段，這種對比則相反。
Spearman相關曲線顯示，RSRD的嚴重程度在紅色區域最可量化。此外，所有生長階段在NIR區域都出現了一致的相關性。基于這些特征，分別從紅色和NIR區域選擇了兩個波段作為構建RSRI方程的部分。紅色區域的*優波段分別為抽穗階段的680nm和開花及灌漿階段的675nm（圖4）。NIR區域最敏感的波段為751nm、743nm和734nm。因此，確定了紅色區域的共同波段675nm和NIR區域中位波長740nm來填充RSRI方程。RSRI的第三個波段從抽穗階段的剩余代表性波段中選擇，包括454nm、489nm和553nm。構建了三個候選指數，分別命名為RSRI-1、RSRI-2和RSRI-3，以進行進一步比較。
顯然，RSRI-1在抽穗階段與DS的相關性顯著高于RSRI-2和RSRI-3（圖6）。對于開花或灌漿階段，三個RSRI候選指數的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。
圖6. DS（疾病嚴重度）與SIs（光譜指數）之間的關系，包括回歸線和R2值。綠色、藍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之間的關系（p值=0.133）外，所有回歸都具有統計學意義（p值<0.001）
（3）使用RSRI和現有指數對疾病嚴重度進行量化和映射
DS與SIs之間的關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出*強的相關性。RSRI的R2值接近PRI670和PSRI，但高于其他SIs。此外，對于單一SI，校準回歸模型的權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均表現出類似的現象，除了PRI670。
圖7. DS與SIs之間的關系，包括回歸線和R2值。綠色、藍色和紅色的正方形分別代表抽穗、開花和灌漿階段的樣本。所有回歸均具有統計學意義（p值<0.001）
總體而言，每個SI在涉及的生長階段中對DS估計的準確性差異顯著（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和現有光譜指數在DS量化準確性方面表現出相反的結果。對于抽穗階段，RSRI在DS量化中獲得了最佳準確性（R2 = 0.65）（圖8A），并且在所有五個指數中展現出最集中的RMSE和驗證R2的CIs（圖9）。所有現有光譜指數在抽穗階段未能有效量化DS，其準確性指標的置信區間明顯比RSRI寬。結果表明，RSRI在開花階段和灌漿階段的DS量化中驗證R2分別為0.84和0.78（圖8B，C），并且具有緊湊的置信區間指標（圖9）。此外，現有光譜指數在開花階段對輕度RSRD嚴重度存在低估，而RSRI則沒有這種情況（圖8）。RSRI在不同生長階段的DS量化中表現最佳。
圖8.使用基于SI的模型測量和估算的DS散點圖，分別對應抽穗（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和現有SIs在DS（疾病嚴重度）量化中的校準準確性（R2）、驗證準確性（R2）、RMSE和偏差的比較。每一百輪評估的平均值（水平條）伴隨著置信區間（垂直條）。
圖10展示了通過結合基于SI的線性模型和高光譜數據立方體，對三個代表性樣本稻穗內DS的空間變化進行映射的結果。以RGB圖像作為參考，RSRD感染區域通過映射方法成功被描繪出來。然而，與提出的SI相比，現有的SIs未能生成DS分布的真實映射。相比之下，基于RSRI的地圖在健康像素區域的黃色區域（表示過估的區域）比選定的SIs少，而這些區域被錯誤地標記為輕度疾病嚴重度（圖10A，B）。基于RSRI的地圖還適當地揭示了嚴重感染區域，而基于選定SIs的對應病變則顯示較弱（圖10C）。RSRI的病變分布與參考圖像顯示出*強的相似性，特別是對于輕微和嚴重感染區域。
圖10.展示了三個獨立稻穗樣本（A：輕微感染的稻穗，B：輕度感染的稻穗，C：嚴重感染的稻穗）的RGB圖像、病斑分布參考圖以及從RSRI和現有SIs導出的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分
（4）討論
稻穗成熟度對RSRD感染光譜響應的影響：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。從病理學角度來看，光譜響應主要受生化成分和組織結構損傷的影響。可見光和NIR區域的反射率分別與色素濃度和葉片內部結構相關。因此，RSRD引起的葉綠素和類胡蘿卜素降解導致藍色和紅色區域反射率增加。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，這應該是稻穗成熟過程中紅色區域反射率增加的生理基礎（圖11B）。盡管近紅外平臺的幅度對稻穗中的氮含量反應顯著，但光譜形狀保持不變（圖11）。
圖11. A.開花階段三種不同RSRD嚴重度稻穗的反射光譜。B.代表與本研究無關的三種健康水稻稻穗在抽穗、開花和灌漿階段的反射光譜
疾病發展和稻穗成熟之間的光譜變化相似性可能會削弱多生長階段特征構建和DS估計的普遍性。此外，微妙的光譜響應可能無法抵消成熟過程的變化，這可能會導致從輕微到輕度感染階段樣本的顯著估計誤差，正如現有SIs在模型驗證中所做的那樣（圖8）。在冠層尺度上進行疾病檢測時，壓力和物候變化的共存影響更為常見。因此，確保推導出的光譜特征在不同生長階段對稻穗疾病監測有效至關重要。
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生的影響。然而，這些轉換后的光譜特征可能并不適用于輕微感染的情況，因為RSRD在紅色區域的光譜響應可能與稻穗成熟時的響應在幅度和形狀上相似。可以考慮選擇對稻穗生長不敏感的波長區域，以抑制全波段轉換中的成熟效應。鑒于健康稻穗中花青素含量和內部結構在不同生長階段的穩定性，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，這個問題可以通過使用超出VNIR區域的更多波段來進一步解決，例如短波紅外區域中對水分含量和干物質敏感的波段。然而，根據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。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生長階段DS估計的準確性一致性。
藍色波段在疾病監測中的貢獻：藍色波段在疾病監測中的重要性得到了證實，因為只有RSRI和NPCI在抽穗階段（感染的早期階段）的DS量化中達到了可接受的準確性。藍色區域的反射率特征是主要色素的吸收重疊。因此，藍色反射率應對由病原體感染引起的微妙生化變化敏感。例如，藍色光譜特征可以記錄在早期應激階段，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測中的效果，我們根據常安裝在無人機上的植被遙感設備Airphen（Hi-phen，法國）和RedEdge-MX多光譜相機（Micasense，美國）模擬出寬波段，并從中導出了新的RSRI。基于傳感器的光譜響應函數和高光譜反射率的積分計算寬波段反射率。與窄波段RSRI相比，寬波段RSRI在DS與SI之間的關系以及在多個生長階段的RSRD嚴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估計中同樣有效，它們在無人機上安裝的相機進行疾病監測方面具有潛力。然而，由于大氣效應的影響，藍色特征可能不適合于航空或航天平臺。
圖12.展示了三個生長階段（A）Airphen和（B）RedEdge-MX模擬數據的DS-RSRI關系。綠色、藍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，從高光譜數據立方體模擬的多光譜反射率計算得出的。將454nm、675nm和740nm的波段分別替換為每個傳感器的藍色、紅色和近紅外波段。所有回歸均具有統計學意義（p值<0.001）
圖13.使用基于RSRI的模型從多光譜數據（A-C Airphen相機，D-F RedEdge-MX相機）得出的測量和估算的量化DS散點圖，分別對應抽穗（A, D）、開花（B, E）和灌漿（C, F）階段。
然而，由于色素復雜降解過程的影響，通過生化變化來理解藍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），藍色波段可能不足以單獨用于疾病監測，但可以利用特征工程方法來增強藍色波段的敏感性，如SIs、特征組合和先前研究中應用的光譜轉換。此外，根據病原體類別的不同，藍色波段響應背后的微妙生化變化可能會有所不同。確定對特定脅迫敏感的特定波段區域對于DS估計和疾病識別中的特征構建至關重要。
結論
本研究確定了多個生長階段對RSRD的光譜響應差異，并構建了一個新的指數RSRI，該指數對多個物候階段的RSRD敏感。結果表明，灌漿階段綠色和近紅外區域的反射率對DS的敏感性顯著低于開花階段。RSRI的優化表明，藍色波段的加入提高了抽穗階段SI對DS的敏感性，增強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估計中表現最為穩定（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更能準確地映射輕微、輕度和嚴重感染樣本的病斑分布。RSRI在早期感染階段的DS估計和病斑映射可以為作物保護和病理學研究提供有效的參考。
推薦產品
GaiaField-V10E
作者簡介（人名+單位+博導/碩導）
程濤，南京農業大學，博士生導師
參考文獻
論文引用自一區文章：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.
© 2019 版權所有：江蘇雙利合譜科技有限公司 備案號：蘇ICP備2021046114號-3 技術支持：化工儀器網 GoogleSitemap 管理登陸
在線客服