1.研究背景
全球气候变化加剧了农作物害虫和病害的增加，威胁全球粮食安全。由条锈菌引起的小麦条锈病是一种流行性病害，目前已影响包括中国、美国和英国在内的60多个国家。条锈病会严重降低小麦产量，中度感染通常导致20–30%的减产，严重感染则会造成超过60%的损失。作为一种空气传播病害，条锈病孢子通过风很容易传播。一旦附着在小麦叶片上，在适宜的温度和湿度条件下，它们会迅速感染邻近的植株。因此，即使在没有可见症状的情况下，条锈病的早期准确检测对于早期预防和控制至关重要，从而减少农民的潜在损失。然而，目前的检测方法，如目视检查、田间采样和实验室分析，通常具有主观性、耗时且劳动强度大，这在一定程度上阻碍了小麦条锈病的早期、准确和快速检测。
2.创新之处
无人机高光谱遥感在作物病害监测中受到广泛关注。然而，仅依靠光谱信息捕捉小麦条锈病早期阶段（无症状和轻症阶段）的细微变化仍然存在一定难度。作物生物化学参数（BPs），特别是色素，对早期病害变化反应迅速，因此在早期病害监测中具有较大的应用潜力。基于此，我们提出了一种结合色素和光谱指数（SIs）的小麦条锈病早期检测方法。在本研究中，我们在小麦条锈病侵染早期阶段收集了地面样本数据和无人机高光谱数据。利用这些数据，我们将重点评估结合无人机高光谱影像提取的色素与光谱指数（SIs）在小麦条锈病早期检测中的有效性。具体目标包括：（1）研究通过RTM混合反演获取的叶片色素等生物化学参数在小麦感染条锈病病原体后的变化，并评估其区分病害小麦与健康小麦的能力；（2）通过耦合色素和光谱指数开发并验证小麦条锈病早期检测模型；（3）评估色素和光谱指数在条锈病早期检测模型中的贡献和作用。
3.关键图表
图1 利用无人机高光谱影像中的色素和光谱指数实现小麦条锈病早期检测方法的流程
图2 基于不同无人机高光谱影像特征的小麦条锈病检测模型的精度表现。A和B分别表示使用随机森林（RF）算法和支持向量机（SVM）算法构建的模型。SIM=基于光谱指数的模型，PM=基于色素的模型，PSIM=融合色素和光谱指数的模型。
4.主要结论
研究结果表明，筛选出的色素和光谱指数（SIs）能够在7天、16天和23天感染后（DPI）有效区分感染条锈病的小麦与健康小麦。结合色素和光谱指数的模型（PSIMs）比仅依赖光谱指数（SIMs）或色素（PMs）的模型表现更优。值得注意的是，基于RF的PSIM在无症状阶段（7 DPI）和轻症阶段（16 DPI）的总体准确率分别达到78.1%和81.3%。此外，PSIM中的色素比光谱指数贡献更大，进一步突显了色素在条锈病早期检测中的重要性。总体而言，本研究提出的结合色素和光谱指数的方法有效提升了小麦条锈病的早期检测能力，并为其他作物病害的早期检测提供了重要参考。
5.发表信息
Guo A, Huang W, Qian B, et al. Improved early detection of wheat stripe rust through integration pigments and pigment-related spectral indices quantified from UAV hyperspectral imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2024, 135: 104281.
6.声明
（1）小编水平有限，文章分析和理解均是个人见解，强烈推荐通过合理渠道获取原文，直接进行阅读。
（2）文稿涉及的材料仅为交流学习，如涉及版权和其他问题，请联系删除，小编对此表示歉意，邮箱：xu_xibo@126.com。
