2021年6月，中国科学院空天信息创新研究院的黄文江及其合作者在《International Journal of Applied Earth Observations and Geoinformation》期刊上发表了一篇题为《Quantitative identification of yellow rust in winter wheat with a new spectral index: Development and validation using simulated and experimental data》的研究论文。
小麦条锈病是全球性病害，对小麦产量和质量造成了严重威胁。尽管高光谱遥感已被应用于检测小麦条锈病，但目前多集中于病害的定性检测，缺乏量化严重度的研究。作者提出了黄锈病最优指数（YROI），基于高光谱数据并结合PROSPECT-D模型，量化分析了病害严重度，并在叶片和冠层尺度上进行验证。与11个常用的光谱指数（如NDVI、SIPI等）进行了对比评估。ROI在叶片尺度（R²=0.822, RMSE=0.070）和冠层尺度（R²=0.542, RMSE=0.085）均表现出了优越的准确性和稳健性，优于其他常用指数。ROI能够有效定量估算小麦条锈病严重度，为精确农业应用中条锈病的实时监测和管理提供了理论依据和技术支持，但在实际应用中尚需进一步验证。
1.小麦条锈病的发病机制及其光谱响应特征
首先，条锈病病原体孢子在小麦叶片表皮上出现。随后，菌落逐渐生长，菌丝和吸器深入叶片表皮细胞，并引起叶片生物物理和生物化学特性（如叶绿素含量、水分等）的显著变化。随着病害的发展，叶片、叶鞘及颖壳表面会逐渐表现出细长明亮的黄色孢子和孢子堆，叶片最终变黄，水分流失后逐渐枯萎，导致植物营养不良甚至死亡。图中的光谱响应特征揭示了不同病害状态下小麦叶片的光谱变化。反射光中包含了叶片表层的光谱信息，并包含了植物组织各层次的综合信号。图中的三条光谱曲线分别代表不同病害状态的叶片：图(a)：条锈病感染叶片的光谱曲线，表现出叶组织和表面病原体孢子的混合光谱信息。与健康叶片相比，该光谱在可见光和近红外波段发生了显著变化。图(b)：病原体孢子的光谱曲线，反射率从522 nm开始上升，说明孢子的存在对光谱特征的影响。图(c)：健康叶片的光谱曲线，在绿色、红色和近红外波段分别表现出峰、谷和高反射的特征。
图1：小麦条锈病在叶片中的感染过程及其光谱响应特征，叶片结构：小麦叶片的结构包括：表皮角质层（Cuticle，C）、表皮层（Epidermis，Ep）、栅栏组织（Palisade Mesophyll，Pm）以及海绵组织（Spongy Mesophyll，Sm）。向下的斜箭头表示入射光（Incident light）。向上的粗箭头表示反射信号（Reflected signals）。
2.实验设计与数据准备
冠层光谱测量使用ASD FieldSpec光谱仪在晴朗、风力较小或无风的条件下进行。测量时间为北京时间10:00–14:00，确保光照条件一致。每个样品的光谱值通过五次扫描取平均值来降低随机误差。测量过程中，光谱仪放置在距地面约1.3米的高度进行测量，并平均取十次扫描的结果来减小测量误差。此外，还使用了白色参考板进行反射光谱校准，以消除环境光和设备之间的差异。
植物生理参数测量进行如下：（1）叶绿素（Cab）和类胡萝卜素（Car）浓度测定：提取后的样品溶液使用UV765PC分光光度计测量，使用公式计算叶绿素a（Chla）、叶绿素b（Chlb）和类胡萝卜素（Car）浓度，转换为以鲜重为基准的浓度（Cab和Car）：为了能够统一衡量植被样本的色素含量，将体积基准浓度（mg/L）转换为以鲜重为基准的浓度（mg/g)，（2）叶片含水量（LWC）测定：测量过程：记录叶片样品的鲜重（FW，g）。将样品在105°C下烘干15分钟，然后在80°C下继续烘干8小时至恒重，测量样品的干重（DW，g）。
病害严重程度评估（Disease Severity Assessment）如下：病害率（DR）：定义为病斑覆盖叶片表面的百分比。本研究中，使用LiDE 300 Canon扫描仪（对受病叶片进行扫描，然后通过MATLAB进行图像处理，计算出病害率（DR）值。病害指数（DI）：用于评估小麦条锈病在冠层尺度上的病害严重程度。病害指数DI是基于叶片病害率（DR）值的九个分级（1% - 100%）来计算的。计算公式为：
植被生物物理和生物化学参数（VPCPs）与病害率（DR）的关系：结果表明，随着病害严重程度（DR值）的增加，叶片的生理参数发生了显著变化，并且这些变化与病害率之间具有高度显著的相关性（p值均小于0.001）。类胡萝卜素（Car）含量（图2a）：Car含量在健康样本（DR=0）时最高（约为0.925 mg/g），随着病害严重度的增加逐渐下降。当病害率达到0.8时，Car含量下降至0.512 mg/g，较健康样本减少了18.34%。整体趋势显示，类胡萝卜素含量与病害严重度成负相关关系（图2b）。类胡萝卜素/叶绿素比值（Car/Cab比值）：Car/Cab比值随着病害严重度的增加而略有波动，在DR值为0.6时达到最大值（约为0.3）。整体变化趋势不如单独色素含量明显，但表明随着叶绿素含量的减少，类胡萝卜素相对含量有所增加（图2c）。叶片含水量：叶片含水量（Water content）在健康样本中约为77.5%，随着病害严重度增加而逐渐下降。在病害率达到0.8时，叶片含水量下降至60.07%，表明病害对叶片水分含量的显著影响。低DR值时含水量变化不明显，但在高DR值时，含水量的下降更加显著（图2d）。
图2：不同病害率（Disease Ratio, DR）下叶绿素（Cab）、类胡萝卜素（Car）、类胡萝卜素/叶绿素比值和叶片含水量的变化趋势。
3.光谱模拟与新光谱指数的建立
本研究利用PROSPECT-D辐射传输模型模拟了小麦叶片在不同生理状态下的光谱响应特征，分析了叶绿素（Cab）、类胡萝卜素（Car）、叶片含水量（LWC）和叶片结构参数（N）对光谱反射率的影响，并结合病原体孢子的光谱特征，构建了一个新型的光谱指数——黄锈病最优指数（Yellow Rust Optimal Index, YROI）。
通过PROSPECT-D模型模拟的叶片光谱反射率在不同生理参数条件下的变化情况，结果表明：（1）叶绿素（主要是叶绿素a和叶绿素b）是植物光合作用的主要色素，其吸收蓝光和红光，因此叶绿素含量的增加会显著降低这两个波段的反射率。随着叶绿素含量的增加，450–750 nm范围内的反射率显著降低。其中，绿色波段（550 nm）和红边波段（680 nm）最为敏感：当Cab含量增加时，绿色波段的反射率降低，而红边波段发生蓝移（波峰位置向短波方向移动）(图3a)。（2）类胡萝卜素含量增加时，反射率下降，类胡萝卜素是植物中一种保护性色素，能够保护叶片免受光胁迫的伤害。类胡萝卜素含量对反射率主要影响450–550 nm波段的光谱反射率，尤其是520 nm附近的反射率响应最为显著(图3b)。（3）叶片含水量（Cw）的影响，叶片中水分对红外区的光谱吸收非常强，因此含水量增加会显著降低红外波段的反射率。随着叶片含水量的增加，900-2400 nm波段的反射率显著下降。特别是在1450 nm和1950 nm附近的两个水吸收带，反射率变化尤为显著(图3c)。（4）叶片结构参数（N）的影响，随着N值（表示叶片结构的复杂程度，如细胞形状、大小和排列方式）增加，整个光谱范围内的反射率都表现出升高趋势。特别是在近红外区（750-1300 nm），N值增加对反射率的影响更为显著。叶片结构越复杂（N值越大），叶片内部的光散射路径越长，从而导致反射率整体增加(图3d)。(5)叶片干物质含量（Cm）的影响，Cm值增加会导致750-2500 nm波段的反射率升高，尤其是在1800 nm和2200 nm附近的吸收峰处表现尤为显著。叶片干物质（如纤维素和木质素）对短波红外波段的光散射和吸收有显著影响。随着干物质含量增加，叶片内部的散射效应增强，因此在这些波段的反射率升高(图3e)。（6）病原体孢子比例（p）的影响，随着病原体孢子比例的增加，630-680 nm（红光）和680-750 nm（红边）的反射率显著增加，并且曲线形态逐渐平缓。在红边波段还表现出了蓝移效应，即随着孢子含量增加，红边位置向短波方向移动。
生理参数（Cab、Car、Cw、N、条锈病孢子比例）对光谱反射率的敏感性分析和不同波段与病害率之间的相关性分析。各个生理参数对不同波段光谱反射率的影响程度（标准化到0–1之间），S值越高，表示该波段的反射率对该参数越敏感。叶绿素（Cab）：在603 nm和698 nm波段处表现出最高敏感性，说明这些波段最能反映叶绿素的变化。类胡萝卜素（Car）：在500-550 nm之间的敏感性较高，尤其是520 nm处有一个局部峰值。叶片结构参数（N）：N参数的敏感性较为分散，但在红色波段（650-700 nm）附近具有较高的敏感性。孢子比例（YR spores）：主要影响红色波段（630-680 nm）的反射率，最大敏感性出现在682 nm。叶片含水量（Cw）和干物质含量（Cm）：在可见光区的敏感性较低，在近红外区（900-2400 nm）有较高敏感性。通过计算光谱反射率与病害严重度（DR）之间的相关系数（|r|），611 nm波段的相关性最高（|r|=0.7862），而452 nm波段的相关性最低（图4）。
图3：通过PROSPECT-D模型模拟的叶片光谱反射率在不同生理参数条件下的变化情况，以及在添加条锈病孢子光谱时的反射率响应。
图4：各个生理参数对光谱反射率的敏感性分析结果和不同波段反射率与病害严重度（DR）之间的相关性分析。
4.YROI（黄锈病最优指数）的构建
根据敏感性分析和相关性分析的结果，研究选择了611 nm、452 nm和550 nm三个波段来构建黄锈病最优指数（YROI），公式为：
5.黄锈病定量检测的光谱指数比较与新指数YROI的优势分析
在本研究中，作者将新提出的黄锈病最优指数（Yellow Rust Optimal Index, YROI）与文献中常用的11个植被指数进行了对比，并分别在病害率（Disease Ratio, DR）和病害指数（Disease Index, DI）这两个指标上评估其性能。通过4折交叉验证（4-fold cross-validation）发现，在定量检测黄锈病病害率（DR）时，YROI表现出了最优的预测精度，其决定系数（R²）为0.822，均方根误差（RMSE）为0.070。拟合直线的斜率（Slope = 0.834）接近理想的1:1线，说明YROI能够准确量化小麦黄锈病的病害率。在所有已发表的光谱指数中，光化学反射指数（Photochemical Reflectance Index, PRI）表现最佳（R² = 0.704, RMSE = 0.084），能够较好地反映叶片的生理活动状态，并且之前的研究（Huang et al., 2007）已证明其在量化小麦黄锈病病害程度方面具有较高的应用价值。植物衰老反射指数（Plant Senescence Reflectance Index, PSRI）也取得了较好的结果（R² = 0.685, RMSE = 0.085），能够有效反映植被的生理衰老状态。其他叶绿素相关指数（SIPI和MTCI）表现中等（R²均大于0.6），但修正叶绿素吸收反射指数（MCARI）表现最差（R² = 0.509），表明叶绿素相关指数只能部分反映黄锈病引起的病害变化（图5）。
在病害指数（DI）评估中，YROI仍然表现最优（R² = 0.542, RMSE = 0.085），表现出优越的稳定性和鲁棒性。PRI在病害指数上的表现同样优异（R² = 0.514, RMSE = 0.086），这与其在病害率（DR）上的表现一致，进一步验证了其在病害严重度评估中的应用潜力。PSRI作为衰老状态的指标，在病害指数上的结果也较为理想（R² = 0.509），能够反映植被的整体生理状态。其他指数（如PhRI、NDVI和MSR）尽管在病害率上表现尚可（R²接近0.6），但在病害指数（DI）上表现明显下降，说明它们不适合用于黄锈病病害严重度的定量评估。相较之下，TVI（R² = 0.191, RMSE = 0.072）和RVSI（R² = 0.020, RMSE = 0.034）在病害率和病害指数的评估中均表现较差，说明它们对黄锈病变化的敏感度很低，无法有效量化病害变化。因此，尽管大多数已发表的光谱指数能够在某种程度上定性识别黄锈病，但在定量评估病害严重程度时，仅有PRI和PSRI表现出较好的效果，而YROI在病害率和病害指数评估中的表现均优于其他所有常用指数（图6）。
图5：各光谱指数在病害率（Disease Ratio, DR）上的回归结果。
图6：各光谱指数在病害率（Disease Ratio, DR）上的回归结果。
