小麦茎基腐与全蚀病高光谱遥感识别研究

《小麦茎基腐与全蚀病高光谱遥感识别研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

河南农业大学专业硕士学位论文题目小麦茎基腐与全蚀病高光谱遥感识别研究学位申请人姓名瞿思宇导师姓名乔红波专业学位类别农业硕士领域农业信息化研究方向农业遥感中国郑州2017年3月 分类号密级河南农业大学专业硕士学位论文论文题目：小麦茎基腐与全蚀病高光谱遥感识别研究英文题目：IdentificationWheatBasalRotandWheatTake-allusinghyperspectralremotesensing学位申请人：瞿思宇导师：乔红波学位类别：农业硕士领域：农业信息化研究方向：农业遥感论文提交学位授予日期：日期： 致谢本研究和学位论文是在恩师乔红波副教授的悉心指导下完成的，从课题选题、研究方法及实验过程直至最终完成的每一步都得到了恩师许多关怀与帮助。衷心感谢我的导师乔红波,他以耐心的教导、严谨的态度和开放的思维引领我进入遥感这个全新的领域,并使我在较短的时间里熟悉和适应这个方向。恩师渊博的知识、严谨的治学、宽厚的为人、敏锐的科学动力、高尚的道德情操、实事求是的学术作风以及为人师表的风范，深刻影响着我的思维和行为方式，是我永远学习的榜样。在硕士论文的完成过程中,郭伟副教授也给予我很多细致的指导和帮助,使我在数据处理、数据分析、论文写作等多个方面的能力得以提高。感谢席磊教授,他前瞻的思维和开放的胸襟对我产生深刻的影响,每次与他交流和探讨都使我深受启发。同时,在此特别感谢恩师们在学习生活上给子我非常大的帮助和支持,为我提供优越的学习和研究环境。岁月如梭，两年研究生学习生涯也将结束；回首往昔，恩师不仅仅在学业上给我精心指导，同时也在生活、思想上给予了很大的关怀，再次向恩师表达诚挚的谢意。本论文的完成过程中不仅仅得到了乔老师等恩师的大力帮助和热情指导，所以在此也特别感谢在实验方案设计、数据搜集等过程中,朱日俊、李昆鹏及郭安廷等各位同学在学习上给予我的帮助和支持,在此表示感谢。在研究生期间和你们相处，使得这段美好而丰富的经历成为我年的人生历程中一笔宝贵的财富，谢谢你们。和你们一块度过的时间是美好而难忘的。本论文受到国家自然科学基金项目“基于高光谱遥感的小麦全蚀病监测机理研究”（31301604）项目资助，在此表示特别感谢。最后，感谢诸位专家学者和老师们在百忙之中参与论文审阅与评定！ 目录摘要.............................................................................................................................................11文献综述..................................................................................................................................21.1茎基腐与全蚀病病害.................................................................................................21.2非成像遥感对小麦的研究.........................................................................................41.3相关的国内外研究工作水平及发展趋势.................................................................52引言.........................................................................................................................................82.1研究背景......................................................................................................................82.2研究目的....................................................................................................................102.3研究意义....................................................................................................................103研究方案...............................................................................................................................113.1样本采集....................................................................................................................113.2研究方法....................................................................................................................113.3研究过程....................................................................................................................134结果与分析...........................................................................................................................144.1对2种病害进行不同白穗率间的原始反射率光谱比较.......................................144.2对相同白穗率条件下的2种病害进行组间原始反射率光谱对比.......................164.3T检验验证差异性.....................................................................................................184.4一阶微分光谱的比较...............................................................................................204.5选取明显差异波段进行二阶微分曲线比较...........................................................314.6筛选特征值与植被指数...........................................................................................334.7建立分类函数并对混合样本库进行辨别分析.......................................................345结论与讨论...........................................................................................................................38参考文献...................................................................................................................................39 摘要本研究针对病虫害遥感检测中，茎基腐与全蚀病病害易混淆的问题，基于非成像光谱以及地面样点观测数据，在冠层尺度研究两种病害，对不同尺度上的光谱响应进行对比分析。依据分析所得差异特性及筛选所得特征参数。建立辨别分析模型，对两种病害样本的混合样本库进行区分，实验结果显示区分程度良好。在实际的茎基腐与小麦全蚀病两种病情的评估过程中,降低了对人为主观经验的要求,提高了病情的识别度和计算速度。实现了在非成像高光谱层面，对未知白穗率条件下的两种病害的进行区分。有助于茎基腐与全蚀病两种病害发病区域以及不同田块的发病程度进行非监督的快速多分类的进行，为最终达到病害区域识别、区分病害种类、病害程度分级等步骤的遥感测量一体化目标提供理论依据。本文从小麦茎基腐与全蚀病两类病害不同白穗率原始光谱图谱入手，分波段对原始光谱进行一阶微分变换，选取差异波段处理后得到差异波段二阶微分光谱。同时对光谱特征值与植被指数进行选择。通过IBMSPSSStatistics软件，分别通过逐步判别法对各特征参数进行筛选，结果显示Db对应波长、Dy黄边最大一阶微分值、NPCI、SIPI、RVSI和WI共6个指数对2种病害的区分程度良好，结合所选差异波段得出两组判别系数，建立相应的判别函数式后应用Fisher费氏判别法及Bayes贝叶斯判别法，对三类样本混合集进行辨别分析。通过建立2个判别函数式，应用2种判别法，对3类样本混合集的样本进行识别区分。实验结果显示，12组别均有良好的区分效果，而两种比较模型对判别结果结果产生的差异可以理解为，由于光谱特征值和植被指数是通过对光谱进行不同形式的组合变换所得，其建立的多元化模型融合了多元信息，而这种多元信息融合增强并突出了某些特定组分及结构的光谱响应信号，所以对于独立光谱特征区分度低的情况，光谱特征值或植被指数建立的多元辨别函数在一定程度上改善了对混合样本库的判别效果。本文验证了两类判别准则对小麦茎基腐与全蚀病两类病害，在非成像高光谱方面进行区分的可行性。最终实现了对茎基腐病害和全蚀病两类病害的区分。关键字：小麦；茎基腐；全蚀病；逐步辨别分析法；Fisher费氏判别法；Bayes贝叶斯判别法；识别区分1 1文献综述1.1茎基腐与全蚀病病害1.1.1茎基腐病害概况茎基腐病是一种由多种病原真菌引起的典型的土传病害，小麦茎基腐病在我国的研究工作起步较晚，近年来由于全球气候变暖现象，加上秸秆还田致使土壤表层病菌积累，以及受耕作制度变化等一系列因素影响，小麦茎基腐病的不断发生，其危害逐年累计，存在病害扩散现象，且具有不断加重及蔓延的趋势。该病害在我国黄淮小麦主产区的普遍发生，极大危害着河南、河北、山东、安徽等省份地区的小麦成产，其中河南省焦作、许昌、商丘等部分麦田病害发生情况严重[1]。有研究显示，茎基腐病在美国西北部的部分地块可导致小麦产量损失率35%，人工接种地块的减产高达61%。茎基腐病多年以来，一直是在澳大利亚地区小麦生产上的重要病害，病害侵染导致显著经济损失，有些地块甚至出现颗粒无收的状况[2]。有研究显示小麦茎基腐病于2015年在河南省新乡市部分麦田严重发生，发生面积3334hm2，病田率高达100%，一般减产一两成，严重地块产量损失率过半，有研究显示近些年该病害蔓延趋势增快，2016年小麦茎基腐病害在河南省北部及西部地区广泛流行，对局部地区造成危害较为严重[3]。引起小麦茎基腐病的镰刀菌种类多，其分布和危害程度受到气候的影响较大。澳大利亚研究对维多利亚地区小麦茎基腐病发生情况进行观察发现，小麦茎基腐病发生的严重程度与生长期降雨量、年降雨量呈负相关[4,5]。小麦茎基腐病害随玉米秸秆还田侵入小麦田中，以植株根茎主要影响部位，侵染小麦茎基部。病菌在土壤中的病残体可存活2年以上，田间小麦在20到24℃温度区间时最易受到病菌侵染，而35℃以上、4℃以下时均不会发病[6]。近年有对新乡地区的小麦茎基腐疾病进行的调查研究文献表明，小麦发病的时期为分蘖期到成熟期，小麦播种后的1个月茎基腐病症状就可显现，最早出现症状的时间点为11月中下旬，会造成地表上层叶片少量泛黄，令茎基部叶鞘色泽渐变为褐色，影响植株出苗情况。小麦从出苗期开始直到起身阶段，植株地表部分的发病情况整体层面不明显，植株症状表现轻微，拔出麦苗后观察，发现植株叶鞘处出现少量褐色状斑；小麦在2月到3月处于返青期，植株生长速率加快，抗寒能力明显下降，小麦抵抗力变差，在麦田气候多变的早春更容易发生茎基腐病，此时病情发展较为缓慢，但此后小麦拔节过程，发病较重到分蘖阶段生长程度明显低于正常植株，病植株生长进度相对较慢；到了小麦扬花灌浆期，通常为4月底5月中这段时期，随着气温的持续提高与降雨量的明显增多，茎基腐病害发展速率提高，病情进入高发期，加上此时田间植株生物量大，以及温、湿度高等条件，使受茎基腐病菌危害的小麦茎基部分颜色发生变化，色泽渐变为褐色，局部发生腐烂现象，阻碍植株光合作用，导致植株穗部籽粒灌浆速率减缓，虽然能够完成正常的抽穗、扬花、授粉与形成籽粒等阶段，但染病植株存在籽粒不育与败育的现象，使结实率降低；到了5月上旬，植株白穗率随气温的升2 高而持续增加，症状严重的田间小麦植株，发病植株叶片会逐渐枯败，伴随白穗产生，造成籽粒灌浆缓停，致使籽粒瘪小的现象，5月下旬后平均白穗率可达到21.2%~35.9%，严重影响小麦产量[7]。小麦茎基腐病的主要症状可分为三大类状况：（1）病害初期烂种及死苗现象：植株在生长前受到病害侵染，可使小麦种子萌发前出现腐烂状况，以及苗期的枯萎情况，植株苗期受病害侵染后，茎基部叶鞘茎秆色泽渐变为褐色，部分植株有可能发生根部变褐腐烂的情况，病害严重时能够引起麦苗发黄死亡状况；（2）病害中期茎基部褐变现象：病害显症时，多使病害植株茎基部的第一茎节及第二茎节变为咖啡色或褐色，病害严重时可扩展至第六茎节，但一般病害不会蔓延到植株穗部，潮湿环境下，受病植株茎节处尤其是茎基部会出现霉层，颜色呈现出红色或白色；（3）病害末期植株白穗化现象：随着病害严重增加，病害植株最终呈现白穗化症状，导致籽粒秕瘦，病害严重时会导致植株无籽的情况发生，末期甚至发生植株整体枯死的现象，色泽呈现枯白状。若植株生长发育末期气候多雨潮湿，在腐生菌的作用下植株病穗多由枯白色变暗发灰[1]。1.1.2全蚀病病害概况小麦全蚀病是一种典型土传性根部病害，又被称为小麦立枯病或黑脚病，在世界各地分布广泛，对小麦生产威胁很大，早先1852年的南澳大利亚就有病害记载，轻者减产一两成，重者减产过半，甚至发生绝收的现象，此后Smith1884年在英国也留有记录[8]。我国小麦全蚀病的发现总体来讲相对较晚，全蚀病1931年前后在我国浙江省出现，此后病发于其他部分地区的情况少有发生，而该病严重发生是在70年代早期于山东省烟台地区，受近些年多元化调种引种以及联合收割机的跨区作业等因素的影响，病情现已经扩散至西北地区、华北地区和华东地区等十九个省(区)，对各地小麦造成毁灭性打击，引起作物植株成簌甚至连片枯死，降低有效穗数、穗粒数及千粒重，使农作物产量造成严重损失，对于小麦植株是一种毁灭性病害[9]。该病害在河南省也具有大范围传播的趋势，小麦全蚀病于1992年在河南省出现,原阳、浚县、扶沟等县均有发生，病情发展很快，现已扩展至50多个县市级地区，已成为我国小麦高产、稳产的主要障碍之一[10]。病害严重时能致使植株成簇或大片枯死，从而造成不可挽回的减产状况；其危害严重，在植株的苗期及成株期皆可发病，而成熟期病株症状最显著[11]。植株各时期病理表现如下，幼苗期主要由于病原菌侵染种子根以及地下茎，令其呈现发黑腐烂的状况，而部分次生根也可受害，致使病苗基部发生叶片黄化现象，导致心叶内卷、分蘖减少，从而使植株生长情况3 衰弱，病害严重时导致植株死亡的发生；病苗返青期推迟，田间分布矮小且稀疏，地下表现为根部发黑情况变深；到拔节期后，受潮湿多雨等气候环境影响，病株茎基部1~2节的叶鞘内侧以及植株茎秆表层能够形成较为明显菌丝层，症状显现为黑褐色，而病株所出现的这种“黑脚”现象是全蚀病与其他根腐病明显不同的典型症状；根部病变后植株容易被拔起，且病根发黑，受多雨潮湿的气候影响，在病株根及茎基部表面及叶鞘内侧生有黑褐色的菌丝层，但在干旱的麦块中，病株的“黑脚”症状相对而言并不明显；小麦灌浆至成熟期，受茎基部发病影响，症状最明显，植株发生早枯现象，整株形成特有“白穗”特征，病株田间分布成簇或点片状，病害严重时将会导致全田植株的枯败死亡[12]。小麦全蚀病菌主要症状：（1）苗期植株地上部的症状不显著，重病植株发生矮化现象，病株基部出现黄叶症状。冲洗病株麦根后，种子根部及地下茎部分成灰黑色状；（2）拔节期病株返青期延迟，出现分蘖少与黄叶等现象，较重发病的植株在拔节期末矮化严重，且田间表象多现稀疏，叶片渐变发黄，与干旱和缺肥所引起病状类似。采集病株分析后，可发现种子的根部以及次生根呈现大面积发黑的病变状况；（3）抽穗灌浆期由于病害的侵蚀，病株根部功能受损，导致水分及养分输送受到阻碍，严重时造成病株的早枯状况，从而造成“白穗”现象，田间表象较为显著，多成簇状或点片状分布于麦田；在潮湿条件下，病株接近成熟时，在病株茎基的叶鞘内侧部分出现突起，所产生的病原菌子囊壳外在表征呈现黑色颗粒状，但干旱情况下，病株基部不存在明显囊壳症状；病株发病严重时，地上部分矮化状况严重，但发病晚的植株矮化情况相对不显著[13]。1.2非成像遥感对小麦的研究茎基腐与全蚀病两类病害的病变在小麦不同生长期均会出现，成熟期的病变症状最为显著。两种病害发病时期症状相近，病发中期茎基与根部色泽变化类似，后期都有白穗症状出现。JacksonRD（1986）、YangZ等（2005）研究显示，叶片和植株结构的变化情况能使植物光谱曲线发生改变[14,15]，对这一变化展开研究，发现在可见光和近红外波段，病株光谱与健康植株相比存在显著差异，乔红波等（2005）、刘良云等（2004）以及Muhammed和Larsolle（2003）研究均显示，可见光波段的光谱反射率曲线整体呈现上升趋势，而近红外区域光谱呈下降的特点，随着病害程度的不同，红谷吸收深度变化以及绿峰顶点降低等特征[16-19]。上述研究表明，利用光谱特征识别作物病虫害发生情况是可行的，MJRM等（2007）通过分析反射光谱特征与病害参数间的关系，提取病害预测的主要敏感波段[20]；QinZ等（2003）研究识别不同病虫害侵染后植株光谱信息，发现敏感波段主要位于可见光与近红外波段[21,22]。王圆圆、陈云浩、李京等根据小麦条诱病病情严重度与红边特征参数之间的变化规律，优化4 了相关波段信息，构建出两个可提高试验精度的新红边参数[23]。但不同病虫害的最佳敏感波段存在差异，水稻稻瘟病的病害监测在485nm波段以及675nm波段附近最为敏感[24]（Kobayashiet.al,2001），小麦条锈病病情指数与930nm反射率显著相关[25-27]（蔡成静等,2005），棉蚜病则在434nm~727nm和648nm最为敏感[28]（Chenet.al,2010）。HuangW、HuangM、LiuL等测定小麦条铸病的冠层光谱采用了ASD光谱仪技术，为能结合多元化波段信息，提出了适合于监测该病害的光谱指数规范化光化学反射指数ሺNationalPollutantReleaseInventory，NPRIሻ用来监测小麦条锈病[27]。SRDelwiche、MSKim在2000年对小麦赤霉病进行识别区分，该研究使用逐步判别分析法进行分析研究(Stepdiscrimination)[29]；利用波段组合构建的植被指数可进一步提高和改善监测精度，乔红波等在2005年利用冠层归一化植被系数对百株蚜量建模，发现二者之间存在显著相关关系[17]；Liu等在2007年对水稻胡麻叶斑病的病害严重度监测进行研究，采用多元逐步回归法进行分析的精度达到了90%；刘占宇等在2008年对水稻胡麻叶斑病的严重程度进行了预测分析，使用了结合径向基函数神经网络（RadialBasisFunctionNetwork，RBFN）的方法[30]；HelmiZulhaidiMS等在2009年对油棕病害进行探测分析，使用了高光谱植被指数和红边参数进行研究，其精度可达83%以上[31]；袁琳对小麦白粉病、条锈病和蚜虫以冠层光谱数据建模并进行分析，研究常用卫星遥感波段及其波段组合，对这三种病虫害的响应能力以及区分状况，并进行评价[32]；而Jiang等在2010年可以在病害显示症状前12天识别区分出健康和受害作物，该研究利用红边及绿边核心区光谱的一阶微分总和构建的比植被指数进行研究[33]。1.3相关的国内外研究工作水平及发展趋势1.3.1病害图像提取方面随着近些年应用光谱技术分析作物病害研究以及相关报道的日益增加,并且逐渐从叶片尺度及近地成像扩展到航空航天的观测尺度。此类研究所使用了诸多分析及建模等方法，主要是为了提取图像光谱以及空间变异等信息。如CuiD、ZhangQ、LiM等(2010)对受锈病侵染的大豆病害植株进行研究，该研究主要基于数码图像尝试使用了HIS(Hue‐Intensity‐Saturation)颜色模型进行研究分析，最终识别叶片病斑[34]；ZhangM、QinZ、LiuX等(2003)对番茄晚疫病进行了研究，通过对图像进行最小噪声分离变换法和光谱角度制图法等成功从低空飞行航拍的遥感图像中提取病害信息[22]；MoshouD、BravoC、ObertiR等(2005)对在冠层尺度小麦条锈病病害信息进行提取，利用光谱图像识别结合自组织图(Self-organizingmap)，使用神经网络和二次判别分析提取了病害信息[35]；蒋金豹，陈云浩，黄文江等(2007)小麦条锈病的严重度进行研究分析，基于航空高光谱图像，利用回归分析技术成功建立病害反演模型[36]；Qin等(2008)对葡萄溃皮病进行识别研究，分析使用了主成分分析法[37]；Wang等(2009)对洋葱酸腐病进行研究分析，通过图像分析提取病害信息；Sighicell等(2009)分析了甜橙的青霉病和褐腐病等病症，根据病害光谱间的反射率差异进行研究,解析5 了；Yang等(2010)采用交互自组织数据分析技术对棉花根腐病进行研究分析，该研究应用了主成分分析法在高分辨率多光谱以及高光谱航空影像中对病害发生范围进行提取。JonasFranke、GunterMenz(2007)在卫星影像的水平上对小麦白粉病和小麦条锈病进行识别研究，该研究基于Quickbird影像，使用光谱角度制图以及混合调谐滤波等方法进行病害识别[38]。1.3.2病害光谱特征方面随着遥感信息技术的进步与发展，我国遥感技术在作物病虫害监测中优势逐渐表现出来，众多专家学者纷纷投入到研究遥感监测农作物病虫害进程中来。遥感监测病虫害主要根据所发生病虫害的光谱响应变化进行研究，病虫害侵染作物植株过程会一定程度改变在诸多波段光谱的吸收及反射状况[39]。而植物病虫害光谱响应的产生由病虫害引起植物水分、植物色素以及形态结构等发生变化，时常由于病虫害种类不同呈现出多种效应，表现出不同的光谱响应特点。吴曙雯等分析测试了4种感染不同等级稻叶瘋的水稻冠层反射光谱，为应用遥感技术的早期探测该病害发生情况研究提供了实验性依据，研究了绿光区域、红光区域和近红外区域的反射光谱变异特征，发现水稻病情较弦时受害重时绿光与红光区的反射率变化范围大，近红外区的反射率变化范围大[40]；黄木易、王纪华、黄义德等(2004)根据地面高光谱遥感监测的特点、原理与关键技术路线及存在的困难点等方面出发，综述了运用地物光谱仪对病虫害作物植株进行光谱测量检测，建立相对应的监测模型以及把遥感的影像、空间数据与地面数据模型结合起来监测作物病害的可行性[41]。ZYLiu、HFWu、JFHuang等应用神经网络和主成分分析技术识别和分类不同的真菌感染水平水稻栽培稻，分析了水稻颖枯病的穗光谱与病害等级么间的关系，研究了在无感染条件下，光和中度感染引起的水稻颖枯病和严重感染引起的水稻假黑穗病疾病[42]。在冠层研究方面，植物叶片或者冠层受到病虫害侵染么后的生理生化与形态结构等均发生改变，因此该光谱特征具有高度复杂多变的特性。目前己经有多个研究不同种类作物的病虫害光谱特征。如黄木易等研究小麦条锈病，建立模型对病情指数进行反演监测，准确程度大于75%，该研究针对冠层水平的病情指数，通过对地物冠层的光谱处理，以及对航空影像等光谱的分析，首次提出条锈病反演害胁迫指数(StripeRustStressIndex，SRSI)模型[43]。1.3.3病害监测方面遥感技术在病虫害防治方面的应用,遥感技术虽然通过分析病害光谱在一定的条件下较可以准确地监测病害的严重程度和发生范围的信息，但是只可以在病虫害症状出现后进行，因此在病虫害发生前难以进行提前预测以及采取及时的措施因对病虫害，这让病虫害的防治作用的发挥受到限制。近些年以来，怎样采用遥感方面的手段实现病虫害早期发现成为病虫害遥感预测研究的新热点方向。LentheJH、OerkeEC、DehneHW提出了用红外热像成像6 系统对小气候条件监测田间病虫害的方法，促进对小麦病虫害发生率与高空间分辨率下严重程度的研究[44]。MoshouD、BravoC、ObertiR等在多源遥感数据采集分析以及图像融合的基础上，发展地面实时遥感系统。为早期阶段自动检测植物病害提供支持，利用高光谱反射率和多光谱成像技术，使用反射率辨别健康和患病的植株[45]。宫彦萍等结合最新的计算机信息技术和互联网技术，构建了基于WebGIS的农作物病虫害预测预报系统，系统采用了B/S(浏览器/服务器)的体系结构，在网络平台对病虫害空间信息数据进行及时有效的共享与发布，实现网络化运行病虫害预报模型和实时发布大面积遥感病虫害专题图[46]。另一方面，有部分学者利用遥感数据尝试间接获得病虫害植株早期生理状态的变化信息，结合周围环境状态特征以期辅助早期病虫害的预测。为作物病虫害遥感预测拓展了研究思路。例如，病害的发生情况同小麦生长状况及环境因素有所关联。张竞成等利用气象遥感数据对此进行了研究，基于地面成像与非成像光谱数据，开展了对小麦病害监测及预测预报模型及方法的研究，结合航空高光谱、星载多时相光学及热红外数据等多源遥感数据，采用Logistic回归模型，实现病害监测及广范围预测[47]。JFranke、GMenz研究探讨了多光谱遥感对作物疾病多时段分析的潜力。通过分析H幅高分辨率遥感影像进行感染动力学的时空变化分析。运用决策树，使用了混合调谐匹配滤波(Mixture‐TunedMatchFiltering，MTMF)结果与归一化植被指数(NormalizedDifferenceVegetationIndex，NDVI)来区分不同病害严重程度的小麦区域，结果表明出高分辨率多光谱数据通常可适用于检测田间作物活力的异构性问题，但只是适合对适度农作物感染的早期检测方面[38]。BKBhattacharya、CChattopadhyay利用多级跟綜方法，通过分析5公里5公里除了地面气象数据5年(2003~2007)之后的事后卫星数据，分析了红色光、近红外、短波红外反射率数据，应用来自中分辨率成像光谱仪(MODIS)的昼夜的地表温度数据来表征植被病害各爆发与持续的阶段，从而给予病害预警的发布[48]。程术希（2014）基于拉曼光谱对茶叶白星病进行检测建立侵入前后细胞壁有效区分模型,结合BiPLS和SPA得到一种有效信息提取方法,提高了建模效率[49]。蒋金豹,陈云浩,黄文江对冬小麦条诱病进行研究，并使用红边与绿边敏感波段的一阶微分比值建立模型进行监测，能够提前12天识别区分出健康及病害作物[50]。唐佳明对研究所用数据信息进行平稳性分析，采取扩展的迪基-富勒(AugmentedDicky‐Fuller，ADF)检验方法进行测定；应用经验模态分解(EmpiricalModeDecomposition，EMD)法进行模态分解，利用神经网络模型对处理后相关数据进行训练构建新的预测模型[51]。王静基于LST-NDVI二维特征空间区域尺度的构建了白粉病遥感预测模型[52]。7 2引言2.1研究背景我国作为世界人口大国，粮食安全问题已经成为维持国家安定的重要任务，保证粮食产量则成为解决我国粮食安全问题的主要途径[53]。粮食安全对人类生存和发展具有深刻的影响。为保证农作物正常生长免于病虫侵害，传统农药将不可避免的使用，而精准施药是协调作物生长，降低对生态环境影响的重要因素，同时也关系到农业的可持续发展[54]。针对不同植株病害来新兴科学的分类施药，可以更合理调节使用农药种类及计量，从而减少农药过量施用而带来的副作用。从而使我国粮食增产的同时，减少农药残留问题，保障农产品类安全问题。这将有效减缓对环境的破坏,而有关农药的问题一直与人类健康、环境保护、可持续发展等紧密相关。根据时间、地域以及病害种类及程度的不同，因地制宜的科学给药，能够有效节约成本,既可以使农药资源利用率得到提高，有效合理的利用资源,从而提高农作物产量。这是21世纪农业的发展方向、近年来一些发达国家和地区的研究热点，也精准农业所要达到的目的。所谓精准农业(PrecisionAgriculture)，简单的说就是综合应用现代高新技术，获取地球空间信息,使用电子科技辅助决策，实现农业生产过程的工程化，令农田高产化的同时获得优质产品，是高效生产模式下的现代农业和技术体系[55]。精准农业对于传统农业来说，是由信息技术支持的现代化农业生产中高新技术与管理系统[56]。查清田间土壤性状与农作物生产力的空间变异状况，确定农产品产量等信息，实现农业系统诊断并能够进行定位，优化产品配方，专业技术组装，科学管理方法，以较少的成本获得更高的收益，合理改善环境，从而使各类农业资源的利用率提高，最终取得经济及环境双方面效益[57]。对植株病害程度进行客观评价，需要充分了解病害性质及其分布特征，从而实现因地制宜的施药，是进行作物管理的前提，同时也是进行产业结构调整的主要依据之一。区分植株病害种类及区域大小研究对农田土壤区域环境管理，精准施药以及作物产量有重要的实际意义，对农业生产布局产生深远影响。现阶段在我国农业病虫害灾情的预报与监测方面，主要还是依靠田间采样调查[14,58]，综合其他植保信息，对病虫害灾情进行病虫害严重度评估和病虫害监测，但这些传统方法病害判定主观性强，不但过于耗时费力，而且存在代表性差的缺点以及时效性差等弊端[59,60]，以及对病虫害发生发展情况并不能及时的掌握。随着现代农发展的进行，使得更多技术结合起来，而遥感技术作为一类新兴无损探测类技术发展起来的，能够实现在不直接接触目标地物的情况下，进行监测分析和评价的探测[61]，能够对广域空间中连续地表信息进行高效获取，农作物估产等方面已广泛应用，品质分析以及病虫害监测等方面也有良好的发展。传统农业的发展，对于病害的预防和治理，并没有脱离喷洒农药毒杀病虫和杂交配种增强抗病虫害基因等方法。虽然随着科技的发展，抗病品种繁育增多，但病虫害对于各抗病品8 种的适应性也是愈来愈强。然而一方面对抗病品种的品质方面并没有能够给予十足地保证。而另一方面对农药滥用所有可能引起的粮食食用方面安全隐患却没有方法完美地解决。然而，过度喷洒农药确实又会导致一系列严重的环境污染[62]。如果在病害发生早期能够准确了解到病虫害的发生时间空间和严重程度，指导田间操作人员适时适量地喷洒农药，既减少了农药使用量，又控制了成本和最终的农作物产量，可以合理控制病虫害蔓延的同时，又能够有效减少对环境的污染[63]。由于受到当地生产条件及其科技水平限制，通常以人工方法进行监测，而这种传统作物病虫害的监测方法多数只能采用手动检测方法自测，其效率低下的状况通常消耗了许多人力物力，且过于浪费时间[64]。同时对农作物病虫害的预报方面，其获取信息严重滞后的特性也严重影响了预报的准确性，这将会给正常农业生产造成不可预估的损失，农作物病虫害是在农业生产中限制作物产量的一类主要因素，是农业生产过程中的一大障碍，同时也制约了农业的质量优化与效益增高方面的发展速度[65,66]。提高监测技术，减少发现农作物病虫害的时间，更加全面地掌握病虫害发生以及发展过程中的病虫害特征，都对农业生产过程中因病虫害所受经济损失的减缓起到重要作用。病害快速区分的研究随着精准农业的开展越来越受到众多研究者的重视，而作为精准农业研究众多应用之一，如何快速分辨植株所受病害在精准施药中显得尤为重要。而采集图像数据来分析，不仅可以节约外出采样的成本，而且也减少了传统病害分析中室内实验室分析的工作量。由于不同植株病害不同，所采取的处理办法也不同。在满足同样精度的条件下，合理的设计不仅能为病害地区提供高效的辨别依据，而且提高对受病害植株所受病害辨别的精度，也能间接节约处理植株病害的施药成本，使得精确施药更为合理客观。利用机器视觉采集图像以及无人机航拍等技术，使用近地成像光谱技术，采集光谱数据，应用相对于人工方法更快捷智能的方式，方便快捷的区分多种病害病发区内的全蚀病与根腐病，采用处理速度以及检验数量优于传统方法的形式，拥有更快捷数据处理效率，快速识别出小麦全蚀病和根腐病的分布情况及病害程度，便于对症下药，且具有及时性强的优点，为后期处理精确施药提供技术支持，以期达到精准农业的目的，可省时省力的解决全蚀病及根腐病对小麦危害的扩大问题。快速发现病害区域严重程度，并辨别区分病害种类，方便对症下药，减少施药过量的程度，同时可以降低施药操作过程中药液对操作者自身的毒害、有效避免因过度施药导致的药液流失量以及因雾化飘移造成对生态环境造成更多污染等一系列危害。基于机器视觉对田间病害快速采集处理方法既是高效处理以及区分病害的理论基础，也是将成为普通民众减少耕作成本采取精确施药的必要前提。9 2.2研究目的由于两种病害发病特征相似，后期都能造成白穗。因此，通过研究其冠层光谱反射率的差异，试图对两种病害进行识别。应用非成像高光谱分析仪对麦田田进行数据采集，提取光谱数据，研究各光谱间差异，对比分析各病害植株的反射率光谱及其衍生波谱，寻找高光谱层面的差异性，从而应用软件区分2种病害。2.3研究意义茎基腐与全蚀病两类病害田间差异区分困难，病发时症状相似，如果能实现两类病害的快速区分，那么在实际的茎基腐与小麦全蚀病两种病情的评估过程中,将会降低对人为主观经验的要求,从而病情识别正确度和增加计算速率。从目前两种病害造成的危害出发，只有对病害进行识别才能对症下药，进而达到精准防治，从而降低其危害。在农业遥感的应用方面，尤其是是农作物长势评估、病虫害等灾害的监测以及农业管理等领域，结合如作物含水量、叶绿素含量、叶面积指数等参数，根据高光谱遥感数据精准反映出作物光谱特征，通过分析得出作物之间的光谱差异，更准确地获取农作物的有关信息，从而为作物长势及产量的预测工作提供数据支持[67]。当前研究的主要内容之一仍是用于精准农业新型的遥感技术与遥感信息定量定性以及定位相结合的一体化快速遥感技术研究，随着技术提高，伴随当今高光谱技术步入航天阶段以及传感器领域不断的进步发展、对地观测专业小卫星方面的进步，遥感技术将成为推进我国精准农业、生态农业和数字农业(DigitalAgriculture)的中流砥柱[68]。10 3研究方案3.1数据采集选取2016年5月18日河南省新乡市原阳县原武镇调查小麦茎基腐的发病情况明显的时期进行调查分析。河南省新乡市原阳县位于河南省北部，地理坐标东径113°36'െ114°15'，北纬34°55'െ35°11'，原武镇地处华北平原南端，黄河故道上。属大陆性暖温带季风型气候，年平均降水量550毫米，年均气温14.4℃。温度适宜以及日照充沛，适合作物生长。由于病害常发区域的种植集中连片，且多以小麦作为主要种植作物。因此该地区作为理想的实验地点，适宜遥感监测实验的进行。受当地气候环境影响，小麦全蚀病和茎基腐病害对该地区的侵害较为普遍，是该地区常发病害。本研究根据病害发生情况，选于在小麦抽穗灌浆期5月中旬左右对其冠层进行高光谱测定，即收获前2周对该地区进行多区域病害调查，应用光谱仪采集光谱数据并记录Gps位置及病害信息，并对15片小麦田进行取样，调查其中白穗植株数，对比总穗数统计得出白穗率，白穗率(%)=白穗数/总穗数×100%[69]。对比同期采集记录，河南省孟州地区调查发病情况记录，所采集小麦全蚀病遥感数据，以及统计的白穗率等病害相关参数，进行对比分析。本研究所用高光谱数据皆为2016年5月18日10:00~14:00之间的无云晴天收集，数据采集使用了ASDFieldSpecHandHeldFR(325~1075nm)手持式野外光谱仪，选取15片以上的小麦田作为数据采集点，每次采集前后分别用白板对照校正。ASD非成像光谱仪光谱范围为350~1000nm，视场角为25°。由于此光谱仪垂直获取图谱且距离地物目标距离较近，所以其接收光照度充足。因此，利用ASD获取的光谱数据提取全蚀病小麦田间的光谱特征可以有效地增加分类精度。ASD光谱仪获取的数据能更准确地反应不同全蚀病小麦白穗率的光谱特征，原因可能是ASD光谱仪在测量的过程中对地物反射角度有很好的控制，利用此类光谱仪获取的光谱数据提取全蚀病小麦白穗率的光谱特征比直接从光谱图像中提取特征的结果精确。本研究选用ASD非成像光谱仪器，采集分析光谱数据[70]。3.2研究方法一个模式识别系统通常包括下面几个部分：数据采集及预处理，特征提取与筛选，识别区分和结果分析。其中，预处理工作通常是规范数据格式及归类等。而在特征波段的选择时，本研究通过对比原始光谱与一阶微分光谱，分波段对2种病害不同程度光谱进行区分，从光谱中提取差异波段进行二阶微分化处理后得到差异波段二阶微分值。在区分识别的研究部分，先对已分级的茎基腐与全蚀病两类病害样本进行差别分析，找出差异波段并提取特征，先分级再区分种类的方案进行病害的分级区分，对区分方法可行性的验证后，将区分范围扩大化，采取到样本进行混合，对两种病害样本的混合集采取先分病害种类再分等级的方案，从样本全库中辨别茎基腐与全蚀病，从而实现先区分后分级的操作，后续分类操作与之前对单独病害分类的方法相同。11 本研究对茎基腐与全蚀病两类病害，通过线性逐步判别筛选变量后，分别建立判别函数，分别通过Bayes贝叶斯判别及Fisher判别法等方法，对两类病害样本混合集进行判别。茎基腐与全蚀病两种病害以下简称2种病害。线性判别(LinearDiscriminantAnalysis,LDA）是一种常用的分类方法，由初步筛选的变量经过线性组合构造建立的判别函数，能够使数据空间维数降低，并且更多的避免数据信息丢失情况发生，可以做到最大程度区分两类病害样本集，而逐步判别分析（Step-LDA）与逐步回归基本原理相近，算法中都具有数据输入和输出，该方法不仅能有效地融合训练样本的类别信息，按照分类能力提取特征，还具有突出的数据压缩能力[71]。然后根据以下4类特征确立判别模块的选择。（1）根据判别中的组数进行区分，可分为两组判别分析和多组判别分析；（2）根据判别函数的形式进行区分，可分为线性判别和非线性判别；（3）根据判别式处理变量的方法不同进行区分，可分为逐步判别、序贯判别等；（4）根据判别标准不同进行区分，可分为距离判别、Fisher费氏判别、Bayes贝叶斯判别法等[72]。而进行逐步判别分析法进行判别函数建立时，通过以下5种方法筛选变量：（1）Wilks’lambda，依据Wilk的统计量最小化法进行筛选；（2）Unexplainedvariance，依据各类不可解释的方差和最小化法进行筛选；（3）Mahalanobis’distance，依据最近两类间Mahalanobis距离最大化法进行筛选；（4）SmallestFratio，依据任何两类间的最小的F值最大化法进行筛选；（5）Rao’V，依据RaoV统计量最大化法进行筛选。判别变量的筛选和判别函数的建立。判别分析时，如果使用所有待选变量作为都判别系数进入判别函数，那么将会扩大计算负担，且常因变量间的不独立性，且各变量的判别能力不一，致使斜方差阵的计算精度降低，从而影响判别结果的可信度。因此需要检验独立变量的判别能力，通过变量的附加信息检验对各变量的判别能力进行检测进而筛选变量，达到精减变量减少冗余，同时保证减少变量个数而不影响判别效果，变量筛选也是判别分析里的重要组成部分。逐步判别分析就是通过逐步计算变量的判别能力，同步进行显著性检验并筛选变量，最终使判别函数优化的方法[73]。根据差异波段二阶微分光谱和经过筛选所得光谱特征值及植被指数，应用spss软件Discriminant比较分析模块，通过逐步判别分析法建立函数模型，应用Fisher费氏判别法以及Bayes贝叶斯判别法，以及对2种病害样本混合库进行辨别分析。最终实现对茎基腐病害和全蚀病两类病害的区分。病害识别流程图如图3.1所示。12 图3.1病害识别流程图3.3研究过程（1）原始光谱预处理。利用手持光谱仪采集的数据需要通过连接计算机进行预处理，将数据传输到计算机里存储，利用ViewSpecPro6.0.11光谱处理软件对原始光谱进行均一化以获得误差较小的数据，并将光谱图像数字化存储，以便于后续使用，在进行处理时根据光谱曲线的变化对比，将数据分类编号，获得数据将用来后续对比分析。（2）对比样本的选取以及原始光谱分析差异，通过图像分析和数据统计找出差异波段。将325~1075nm波段的原始光谱分为四段，并分段进行T检验来验证原始波谱的差异性。（3）选取四段波谱进行一阶微分变换分析。对两类病害的四段波谱进行一阶微分变换后，通过图像分析及数据通统计找出差异波段。（4）确立差异波段进行二阶微分变换验证。对差异波段进行二阶微分变换并进行分析后，确定差异波段。（5）初步筛选特征指数。选取光谱特征值与植被指数共21类，分别对两类病害白穗率进行相关性分析，应用spss软件统计后初步筛选。（6）逐步辨别分析法选取分类函数系数。使用IBMSPSSStatistics软件进行discriminantanalysis辨别分析，通过逐步判别分析法，对差异波段二阶微分波普以及光谱特征指数，使用5种筛选方法选取分类函数系数后，建立两类函数模型。（7）应用Fisher费氏判别法以及Bayes贝叶斯判别法，分析所选波段二阶微分光谱以及所选光谱特征值与植被指数对两种病害的区分情况，对2种病害的3类样本混合库进行辨别分析并得出实验结论。13 4结果与分析4.1对2种病害进行不同白穗率间的原始反射率光谱比较4.1.1对不同白穗率茎基腐原始光谱比较在对茎基腐病害的的原始光谱反射率分析时，选取相同病害不同白穗率间做比较，对茎基腐20%、70%与90%白穗率的三种光谱曲线进行比较分析，以下简称为BR20、BR70与BR90。三种曲线在黄边及红谷波段位置出现明显分层，不同白穗率反射率曲线上升趋势在红波波段急剧变化，三条曲线相交于红边波段720~730nm区域；与近红外平台呈现明显分层。根据白穗率不同，由白穗率变化情况所影响的光吸收作用，可从光谱反射率曲线图中反映出来。如图4.1所示，白穗率差异状况所引起的光谱反射率变化情况，在可见光和近红外波段内，存在有较为显著的差异。不同白穗率程度的茎基腐光谱反射率曲线，在可见光波段的整体呈现上升趋势，而近红外区域光谱上升趋势变缓，出现近红外平台现象。随着病害的加重，不同程度的出现了红谷吸收深度变浅、绿峰顶点降低以及近红外平台下降等图谱特征。图4.1不同白穗率下茎基腐病害光谱反射率在波段325~1075nm原始光谱比较4.1.2对不同白穗率全蚀病病害原始光谱比较在对全蚀病原始光谱反射率分析时，选取全蚀病20%、70%与90%白穗率的3组样本的病害进行比较分析,以下简称为TA20、TA70与TA90。相同病害不同白穗率间做比较，全蚀病病害TA20、TA70与TA90三种光谱曲线进行比较分析。从图像上分析，在390~530nm蓝边区间的可见光波段范围内，区分程度相对不明显。在黄边及红谷区域位置出现明显分层；不同白穗率反射率曲线上升趋势在红波区域急剧变化，三条曲线相交于红边波段710~760nm区域范围附近；于740~900nm的近红外平台范围内呈现相对分层。14 根据白穗率不同，由白穗率变化情况所影响的光吸收作用，可从光谱反射率曲线图中反映出来。如图4.2所示，白穗率差异状况所引起的光谱反射率变化情况，在可见光和近红外波段内，存在有较为显著的差异。不同白穗率程度的全蚀病光谱反射率曲线，在可见光波段的整体呈现上升趋势，而近红外区域光谱上升趋势变缓，出现近红外平台现象。随着病害的加重，不同程度的出现红谷吸收深度变浅、绿峰顶点降低以及近红外平台下降等图谱特征。图4.2不同白穗率下全蚀病病害光谱反射率在波段325~1075nm原始光谱比较4.1.3小结以上分析显示了两种病害，小麦病害较轻时的冠层波谱在波长550nm附近的绿波段都有有明显的反射峰，在685nm附近的红波段都有明显的吸收谷，在750和950nm的近红外反射平带上出现小的连续性的反射峰。而随着白穗率的增加，峰谷显现逐渐趋于平缓，近红外波段的反射平台趋于平滑，反射值逐渐降低。由于白穗率的不同导致叶片和植株结构的变化，在一定程度上影响了光吸收作用，这一可从光谱反射率曲线图中反映出来。白穗率差异状况所引起的光谱反射率变化情况，在可见光和近红外波段内，存在有较为显著的差异。不同白穗率程度的茎基腐与全蚀病两类病害光谱反射率曲线，在可见光波段的整体都呈现上升趋势，都因近红外区域光谱上升趋势变缓而出现近红外平台现象。随着病害的加重，都会不同程度的出现红谷吸收深度变浅、绿峰顶点降低以及近红外平台下降等图谱特征。15 4.2对相同白穗率条件下的2种病害进行组间原始反射率光谱对比同种病害的原始光谱曲线显示除了明显的可区分性，这与前人研究结果类似，本研究主要针对不同病害光谱曲线的异同开展分析，对相同白穗率的茎基腐与全蚀病两种病害分别进行对比，原始光谱的对比过程如下。4.2.120%白穗率下2种病害原始光谱曲线组间对比分析对相同白穗率20%条件下,2种病害的病害样本BR20与TA20，进行组间原始光谱比较分析。如图4.3所示，两种曲线在三种曲线在黄边及红谷波段位置出现明显分层，反射率曲线上升趋势在红波波段出现明显变化差异，两曲线相交于红边波段720~730nm区域，于近红外平台呈现明显分层，2种病害原始光谱曲线具有明显差异图4.320%白穗率下2种病害光谱反射率在波段325~1075nm原始光谱比较4.2.270%白穗率下2种病害原始光谱曲线对比分析对相同白穗率70%条件下2种病害的病害样本BR70与TA70，进行组间原始光谱比较分析。如图4.4所示，在蓝边波段上两曲线上升趋势相近。但数值上BR20反射率值皆大于TA20的反射率值，图像出现明显分层现象。在黄边波段上，茎基腐的反射率值曲线与全蚀病的反射率值曲线相交，变化趋势相近，在图形上都没呈现明显的下降趋势，整体上观察全蚀病的反射率曲线在黄边波段上呈现平缓的上升趋势。红谷波段以及近红外平台处曲线相似，区别程度明显不如蓝边波段。在近红外平台末端，TA70相对BR70曲线有明显上扬趋势。2种病害原始光谱曲线，仅在325~630nm波段附近以及975~1075nm附近，存在相对明显的差异。16 图4.470%白穗率下2种病害光谱反射率在波段325~1075nm原始光谱比较4.2.390%白穗率下2种病害原始光谱曲线对比分析对相同白穗率90%条件下，2种病害的病害样本BR90与TA90，进行组间原始光谱比较分析。如图4.5所示，两种曲线在三种曲线在黄边及红谷波段位置出现明显分层，反射率曲线上升趋势在红波波段出现明显变化差异，两曲线相交于红边波段720~730nm区域；与近红外平台呈现明显分层，2种病害原始光谱曲线具有相对明显的差异。图4.590%白穗率下2种病害光谱反射率在波段325~1075nm原始光谱比较4.2.4小结对原始光谱进行对比时，分波段进行比较，从变化幅度、变化率、最大差值等数据进行分析，从蓝边、黄边、红谷以及近红外平台等波段进行图像分析，对比变化趋势。20%白穗率的茎基腐和全蚀病在670~760nm以及745~920nm表现出较为明显的差异性，而70%白穗率的2种病害原始光谱差异较少，90%白穗率的2种病害在670~760nm与745~910nm波段出现较大差异。症状较轻与症状严重时期的病害情况表现出容易区分的特性。由于白穗率的不同导致叶片和植株结构的变化，在一定程度上影响了光吸收作用，这一可从光谱反射率曲线图中反映出来。白穗率差异状况所引起的光谱反射率变化情况，在可见光和近红外波段内，存在有较为显著的差异。分别对2种病害不同程度的病害样本原始光谱对比后发现，三种白穗率程度的受害小麦冠层反射率具有明显的差异。17 4.3T检验验证差异性为检验白穗率相同的2种病害原始光谱是否具有明显差异，将原始光谱分为4段进行分析，并用样本T检验选取和验证差异波段，为进一步对比分析提供依据。在两样本t检验中要用到F检验，F检验又叫方差齐性检验，用于判断两总体方差是否相等，即方差齐性；F检验中P值(也称Sig值)P൐0.05，则认为两个样本的假设方差相等；F检验中P值P൏0.01,即两组数据的方差显著性差异，方差不相等。应用F检验判定方差异同后，根据结果使用异方差T检验或等方差T检验；检验结果中，T检验P值P൐0.05，所以两组数据无显著性差异；则认为两个样本的组件数据相同；F检验中P值P൏0.01,两个样本的组间数据存在显著性差异。因为“认为结果无效而被拒绝接受的水平”此判定具有武断性，也就是说，判断数据显著性水平是否具有统计学意义时，必然存在武断性判定，其中，判定通常依照数据集比较分析过程的结果验证时，是先验性亦或是仅从均数间所进行的组间双比较直接得出结论，这就需参考总体数据集里结论相同的支持性证据数，所以在实际验证中，应按照以往该研究领域惯例进行判定；通常来讲，科学领域中产生p值的结果P൑0.05被认为是统计学意义的边界线，但是这显著性水平还包含了相当高的犯错可能性；结果0.05൒P൐0.01被认为是具有统计学意义，由P值后的“*”表示；而0.01൒P൒0.001被认为具有高度统计学意义，由P值后的“**”表示[74]。结合原始光谱分析结果将反射率原始光谱分段后，对不同程度的2种病害进行分阶段F检验，根据F检验所的P值判定对数据进行“齐方差T检验”还是“异方差T检验”，T检验能够有效的反应出两种病害的不同程度原始光谱数据存在差异性的波段分组。进一步验证了原始光谱分析所得出的结论，为进一步的微分处理提供依据，辅助后续分析的进行。显著差异性判别分析结果见表4.1。18 表4.1同白穗率条件下2种病害分波段F检验与T检验结果表BR20&BR70&BR90&BR20&BR70&BR90&TA20TA70TA90TA20TA70TA90分组波段T-检验T-检验T-检验F-检验F检验F检验双尾校验双尾校验双尾校验P值P值P值P值P值P值455~492nm5.26E-44*0.000**3.34E-26**0.044*0.2713.10E-41**蓝波波段*492~577nm2.07E-08*9.67E-21**0.0642.64E-11**0.1032.32E-22**绿波波段*622~770nm5.63E-12*0.320.3340.3256.81E-07**0.129红波波段*780~900nm近红外短波0.025*1E-196**0.3010.6395.65E-06**1.01E-60**波段BR20&TA20BR70&TA70BR90&TA90共有差异波段波长图4.6不同白穗率下2种病害光谱反射率在波段325~1075nm原始光谱比较后的敏感差异波段图如图4.6所示，全波段区域中，黑色区域代表敏感差异波段，白色区域代表未选中不敏感波段。其中，527~733nm波段出现连续性共有的差异波段，928~1075nm出现零散差异波段，将325~1025nm波段分为4段进行一阶微分分析，进一步找寻差异波段。19 4.4一阶微分光谱的比较为进一步验证原始光谱曲线的差异性，进行一阶微分曲线图像分析与数据分析。选取以上分析阶段的分组波段进一步研究。根据不同波段对2种病害原始波谱进行一阶微分处理后，分四波段对2种病害进行不同病害程度的对比分析。4.4.1对455~492nm波段进行2种病害一阶微分曲线比较不同病害程度的2种病害一阶微分值曲线整体存在不规则的类周期性。20%白穗率的2种病害存在差异，而70%与90%白穗率下的2种病害虽然存在差异，但相对来说差异性不明显。不同病害程度的两类病害曲线，在此波段显示出差异性如图4.7、图4.8、图4.9所示。图4.720%白穗率下2种病害光谱反射率在波段455~492nm一阶微分比较图随着波段数值的增加，20%白穗率的2种病害一阶微分曲线整体呈现缓慢上升的趋势，全蚀病病害反射率变化情况上升趋势高于茎基腐疾病，而在455~492nm波段中2种病害一阶微分数据显示反射率变化率波动情况频繁，而茎基腐病害数值呈现时正时负，存在频繁过零点的现象，说明原始曲线在此波段反射率变化情况时增时减。而全蚀病病害一阶微分数值全为正并不存在负值，说明原始曲线在此波段一阶微分整体呈现变化趋势呈现较稳定的上升的趋势。对于此波段下20%白穗率的2种病害曲线来讲，全蚀病一阶微分曲线明显高于茎基腐一阶微分曲线，两曲线在此波段存在明显差异。（图4.7）图4.870%白穗率下2种病害光谱反射率在波段455~492nm一阶微分比较图20 随着波段数值的增加，70%白穗率的2种病害一阶微分曲线整体上升情况不明显，全蚀病病害反射率变化情况与茎基腐疾病相近，但茎基腐病害一阶微分曲线波动现象更明显，但在475~482nm附近2种病害一阶微分值曲线波动较大，茎基腐病害一阶微分值在480nm波段附近出现负值。整体数据显示，茎基腐反射率变化率波动情况频繁且出现波动程度大于全蚀病的变化率。而全蚀病病害一阶微分数值全为正并不存在负值，说明原始曲线在此波段一阶微分整体呈现变化趋势呈现较稳定的上升的趋势。对于此波段下70%白穗率的2种病害曲线来讲，两曲线在此波段显示出差异。（图4.8）图4.990%白穗率下2种病害光谱反射率在波段455~492nm一阶微分比较图随着波段数值的增加，90%白穗率的2种病害一阶微分曲线整体上升情况不明显，全蚀病病害反射率变化情况与茎基腐疾病相近，但茎基腐病害一阶微分曲线波动现象更明显，但在475~482nm附近2种病害一阶微分值曲线波动较大，茎基腐病害一阶微分值在480nm波段附近出现负值。整体数据显示，茎基腐反射率变化率波动情况频繁且出现波动程度大于全蚀病的变化率。而全蚀病病害一阶微分数值全为正并不存在负值，说明原始曲线在此波段一阶微分整体呈现变化趋势呈现较稳定的上升的趋势。对于此波段下90%白穗率的2种病害曲线来讲，两曲线在此波段显示出差异。（图4.9）在此波段不同程度白穗率的2种病害一阶微分图谱特征中，最大值与最小值出现位置相近。但一阶微分均值及总值存在明显差异，特征指数如表4.2所示。在此波段，2种病害的一阶微分值整体上都存在上升趋势，全蚀病一阶微分值的上升情况明显高于全蚀病一阶微分值的变化趋势。但组间差异性有所不同。根据一阶微分数值的变化情况得出结论。茎基腐病害反射率原始曲线在此波段变化趋势平缓，整体呈现上升趋势但存在波动。全蚀病病害反射率原始曲线在此波段呈现上升趋势，且上升幅度稳定。总体来将，2种病害在此波段存在差异。其中，460~461nm、480~482nm、486~487nm这3个波段段为2种病害不同病害程度的共有敏感差异波段，如图4.10所示。21 表4.2不同白穗率下2种病害在波段455~492nm波段的光谱反射率一阶微分图谱特征指数比较表455~492nm波段一阶微分特征指数茎基腐BR20全蚀病TA20茎基腐BR70全蚀病TA70茎基腐BR90全蚀病TA90最大值出现波段（nm）489491489491489491最大一阶微分值0.00042876040.00054038130.00067187100.00056762990.00084879990.0005174093最小值出现波段（nm）481480481480481480最小一阶微分值-0.00018415790.0000756048-0.00027728450.0000357293-0.00013435260.0000588782一阶微分正数部分均值0.00015850060.00022491640.00033104920.00035009270.00040721440.0003304076一阶微分负数部分均值-0.00008494340-0.00019066500-0.00009088400一阶微分全值部分总均值0.00002325390.00022491640.00027308100.00035009270.00037954230.0003304076一阶微分数的正值总和0.00253601000.00809698920.01059357450.01260333880.01384529100.0118946731一阶微分数的负值总和-0.00169886830-0.00076266010-0.00018176810一阶微分值总和0.00083714160.00809698920.00983091440.01260333880.00090756080.0118946731BR20&TA20BR70&TA70BR90&TA90共有差异波段波长图4.10不同白穗率下2种病害光谱反射率在波段455~492nm一阶微分光谱比较后的敏感差异波段图22 4.4.2对492~577nm波段进行2种病害一阶微分曲线比较对2种病害的光谱反射率在波段492~577nm一阶微分比较，分析此波段不同白穗率2种病害一阶微分曲线。不同病害程度2种病害一阶微分值曲线整体存在相近的变化趋势。其中以535~550nm波段中2种病害一阶微分曲线差别最大。存在明显差异不同病害程度的两类病害曲线，在此波段显示出差异性如图4.11、图4.12、图4.13所示。图4.1120%白穗率下2种病害光谱反射率在波段492~577nm一阶微分比较图随着波段数值的增加，20%白穗率的2种病害一阶微分曲线整体呈现先增加然后缓慢下降的趋势，全蚀病病害一阶微分值在此波段下走势高于茎基腐疾病，茎基腐病害曲线优先出现过零点。在535~550nm波段中2种病害一阶微分数据差动最高。2种病害图像呈现值先增后减的趋势，在550~570nm波段附近存在数值低过零点的现象，说明原始曲线在此波段反射率增加趋势逐渐减少。全蚀病一阶微分曲线明显高于茎基腐一阶微分曲线，两曲线在此波段显示出明显差异。（图4.11）图4.1270%白穗率下2种病害光谱反射率在波段492~577nm一阶微分比较图随着波段数值的增加，70%白穗率的2种病害一阶微分曲线整体呈现先增加然后缓慢下降的趋势，茎基腐疾病一阶微分值整体走势波动大于全蚀病病害，茎基腐病害曲线存在少量过零点。在535~550nm波段中2种病害一阶微分数据差动最高，全蚀病一阶微分曲线在此23 波段突增后下降形成高波峰状态。2种病害图像呈现值先增后减的趋势，说明原始曲线在此波段反射率增加趋势逐渐减少，两曲线在此波段显示出明显差异。（图4.12）图4.1390%白穗率下2种病害光谱反射率在波段492~577nm一阶微分比较图随着波段数值的增加，90%白穗率的2种病害一阶微分曲线整体呈现先增加然后缓慢下降的趋势，茎基腐疾病一阶微分值在490~530nm的上升段落波动大于全蚀病病害，在535~550nm波段中2种病害一阶微分数据差动最高，全蚀病一阶微分曲线在此波段突增后下降形成高波峰状态，之后急速下降至低波谷，且存在过零点，下降趋势明显高于茎基腐。2种病害图像呈现值先增后减的趋势，说明原始曲线在此波段反射率增加趋势逐渐减少。虽然全蚀病下降趋势滞后于茎基腐，但下降趋势明显，两曲线在此波段显示出明显差异。（图4.13）在此波段不同程度白穗率的2种病害一阶微分图谱特征中，20%白穗率的一阶微分最大值与最小值出现位置相近，但70%白穗率与90%白穗率的一阶微分最大值和最小值出现位置出现差别。一阶微分均值及总值存在明显差异，特征指数如表4.3所示。在此波段，茎基腐病害和全蚀病病害的一阶微分值整体上都存在先增后减的变化趋势，整体变化趋势相近，2种病害上升趋势虽然同样存在减缓趋势，但是茎基腐上升趋势减慢程度更高。而535~550nm波段中2种病害一阶微分曲线部分出现的差异性最大。经过T检验验证后，2种病害不同病害程度的共有敏感差异波段如图4.14所示，498~508nm及515~526nm波段少量共有敏感差异，而538~557nm波段最为连贯。24 表4.3不同白穗率下2种病害在波段492~577nm波段的光谱反射率一阶微分图谱特征指数比较表492~577nm波段一阶微分特征指数茎基腐BR20全蚀病TA20茎基腐BR70全蚀病TA70茎基腐BR90全蚀病TA90最大值出现波段（nm）518516517543517543最大一阶微分值0.0014513060.0016450810.0014027920.0014702680.0012547260.00126135最小值出现波段（nm）566562574561574561最小一阶微分值-0.000920013-0.000509847-7.33137E-059.26852E-050.000250392-3.67053E-05一阶微分正数部分均值0.000689630.0010526580.0006231720.0007437220.0007292080.00063047一阶微分负数部分均值-0.00060935-0.000271379-6.80685E-0500-1.99936E-05一阶微分全值部分总均值0.0002566370.0007531730.0006067130.0007437220.0007292080.000607239一阶微分数的正值总和0.0386192870.0684227530.0511000680.0624726270.0612534660.051068045一阶微分数的负值总和-0.017104339-0.005156204-0.00013613700-5.99809E-05一阶微分值总和0.0215574990.0632665490.0509639310.0624726270.0612534660.051008064BR20&TA20BR70&TA70BR90&TA90共有差异波段波长图4.14不同白穗率下2种病害光谱反射率在波段492~577nm一阶微分光谱比较后的敏感差异波段图25 4.4.3对620~770nm波段的一阶微分曲线比较对2种病害的光谱反射率在波段620~770nm一阶微分比较，分析此波段不同白穗率2种病害一阶微分曲线。三种病害程度的2种病害一阶微分值曲线存在不同的差异性，20%白穗率的两类病害曲线具有明显差异，而70%白穗率与90%白穗率在此波段显示出变化趋势相近且难以分辨的差异性，如图4.15、图4.16、图4.17所示。图4.1520%白穗率下2种病害光谱反射率在波段492~577nm一阶微分比较图随着波段数值的增加，20%白穗率的2种病害一阶微分曲线整体呈现先增加然后缓慢下降的趋势，而茎基腐一阶微分曲线上升区域的顶点明显滞后于全蚀病的。727nm波段到达顶点时的波峰值是全蚀病同波段一阶微分值的2.973倍。此后在茎基腐758nm出现尖峰，而全蚀病757nm出现尖峰，2种病害变化趋势相近，反弹上升后回归，但此处茎基腐波峰值是全蚀病博峰值的2.554倍。两曲线在此波段显示出明显差异。（图4.15）图4.1670%白穗率下2种病害光谱反射率在波段492~577nm一阶微分比较图随着波段数值的增加，70%白穗率的2种病害一阶微分曲线在670~750nm波段呈现先增加然后下降的趋势，左半坡上升趋势与右半坡下降趋势相比更陡，2种病害一阶微分曲线波峰最高值同时出现，在690nm处到同时达波峰后，缓慢下降，此后在2种病害在755nm26 同时出现尖波谷后，在758nm同时出现尖波峰，变化趋势相近，同时变化幅度也相差无几。在750~770nm波段，2种病害一阶微分曲线表现为急速下降到波谷极值后反弹上升直至出现尖峰极值后回归的快速波动。2种病害此波段光谱曲线表现出相近的变化趋势，且差异性不大。（图4.16）图4.1790%白穗率下2种病害光谱反射率在波段492~577nm一阶微分比较图随着波段数值的增加，90%白穗率的2种病害一阶微分曲线在670~750nm波段呈现先增加然后下降的趋势，左半坡上升趋势与右半坡下降趋势相比更陡，2种病害一阶微分曲线到达波峰后，缓慢下降，690~750nm波段出现明显差异，茎基腐下降趋势更明显，在714nm出差值最大。此后在茎基腐病害在756nm出现尖波谷，全蚀病病害在755nm出现尖波谷，两曲线在758nm同时出现尖波峰，变化趋势相近，同时变化幅度也相差无几，但全蚀病波峰与波谷一阶微分数值均大于茎基腐的。750~770nm波段，2种病害一阶微分曲线表现为急速下降到波谷极值后反弹上升直至出现尖峰极值后回归的快速波动。此波段整体上，2种病害表现出相近的变化趋势，但茎基腐一阶微分曲线在下降趋势更加明显，两曲线在690~770nm波段显示出相对明显的差异。（图4.17）所示在此波段不同程度白穗率的2种病害一阶微分图谱特征中，20%白穗率的一阶微分最大值与最小值出现位置出现明显差异，但70%白穗率与90%白穗率的一阶微分最大值和最小值出现位置相近，一阶微分均值及总值存在差异，特征指数如表4.4。在此波段，茎基腐病害和全蚀病病害的一阶微分值整体上都存在先增后减的变化趋势，20%白穗率的茎基腐一阶微分曲线上升区域的顶点明显滞后于全蚀病的，而70%与90%白穗率的整体变化趋势相近，2种病害上升趋势虽然同样存在减缓趋势，但是茎基腐上升趋势减慢程度更高。总体来讲，690~770nm波段中2种病害一阶微分曲线部分出现的差异性相对较大。经过T检验验证后，2种病害不同病害程度的共有敏感差异波段如图4.18所示，635~653nm呈现出不连贯的敏感差异，666~677nm波段相对连贯。27 表4.4不同白穗率下2种病害在波段662~770nm波段的光谱反射率一阶微分图谱特征指数比较表662~770nm波段一阶微分特征指数茎基腐BR20全蚀病TA20茎基腐BR70全蚀病TA70茎基腐BR90全蚀病TA90最大值出现波段（nm）727696758758758758最大一阶微分值0.0100205690.0049213390.0051026050.0043265370.0030988160.004786223最小值出现波段（nm）638660755755756755最小一阶微分值-0.000708971-0.000761993-0.001875147-0.001592904-0.002552852-0.001028776一阶微分正数部分均值0.0046578220.0027178350.0014728330.0013608790.0010658070.001411959一阶微分负数部分均值-0.000292964-0.00039715-0.000339166-0.000258205-0.000323862-0.00016089一阶微分全值部分总均值0.0031759540.0016371260.0010660580.0010524820.0007632940.001176566一阶微分数的正值总和0.4797556460.2609121650.1679029540.1619445910.1225677650.176494829一阶微分数的负值总和-0.012890408-0.020254668-0.011192486-0.007229738-0.010363586-0.00353957一阶微分总和0.4668652380.2406574970.1567104680.1547148530.1122041790.17295526BR20&TA20BR70&TA70BR90&TA90共有差异波段波长图4.18不同白穗率下2种病害光谱反射率在波段622~770nm一阶微分光谱比较后的敏感差异波段图28 4.4.4对780~900nm波段的一阶微分曲线比较对2种病害的光谱反射率在波段780~900nm一阶微分比较，分析此波段不同白穗率2种病害一阶微分曲线。三种白穗率的的比较分析如下。不同白穗率的2种病害一阶微分值曲线变化趋势相近，存在相近的不规则类周期性波动。其中，20%白穗率的茎基腐一阶微分曲线变化幅度略大于全蚀病的，而随着病害程度的加重，全蚀病曲线的波动情况加深，但2种病害曲线整体表现出相近的变化趋势，具有难以分辨的差异性。如图4.19、图4.20、图4.21所示。特征指数如表4.5所示，在此波段不同程度白穗率的2种病害一阶微分图谱特征中，不同病害组一阶微分最大值和最小值出现位置相近。一阶微分均值及总值相似。在此波段，茎基腐病害和全蚀病病害的一阶微分值整体上都存在相近的不规则类周期性波动。显示出相似的变化趋势，具有难以分辨的差异性。不存在共有差异波段，区分程度较差。经过T检验验证后，2种病害不同病害程度的共有敏感差异波段如图所示，不存在共有差异波段，区分程度较差。图4.1920%白穗率下2种病害谱反射率在波段780~900nm一阶微分比较图4.2070%白穗率下2种病害光谱反射率在波段780~900nm一阶微分比较图图4.2190%白穗率下2种病害光谱反射率在波段780~900nm一阶微分比较图29 表4.5不同白穗率下2种病害在波段780~900nm波段的光谱反射率一阶微分图谱特征指数比较表780~900nm波段一阶微分特征指数茎基腐BR20全蚀病TA20茎基腐BR70全蚀病TA70茎基腐BR90全蚀病TA90最大值出现波段（nm）821821821821821821最大一阶微分值0.0044741630.0025008320.00417380.0033470990.0025973320.003450796最小值出现波段（nm）824823824819894824最小一阶微分值-0.002675623-0.001093939-0.002075881-0.001555577-0.001137435-0.00138393一阶微分正数部分均值0.0008838090.0005812380.000845260.0007178150.0005971240.000776889一阶微分负数部分均值-0.00077644-0.000286142-0.000716537-0.000459043-0.000488453-0.000430742一阶微分全值部分总均值0.0004272410.0003571650.0004548110.0004432150.0003347760.000535363一阶微分数的正值总和0.0768913920.0517301710.0760733930.0660389510.0543382470.07458131一阶微分数的负值总和-0.025622517-0.008870408-0.021496102-0.01285319-0.014165148-0.0103378一阶微分总和0.0512688760.0428597630.0545772910.0531857610.0401730980.06424351BR20&TA20BR70&TA70BR90&TA90共有差异波段波长图4.22不同白穗率下2种病害光谱反射率在波段780~900nm一阶微分光谱比较后的敏感差异波段图30 4.5选取差异波段进行二阶微分曲线比较两种病害一阶微分曲线分析结果相结合，选取一阶微分曲线差异较大的535~575nm波段进行二阶微分变换进行验证，比较两类病害二阶微分曲线存在的差异情况。结果显示，2种病害在此波段的二阶微分曲线存在特殊差异，且该差异对不同白穗率的2种病害区分都有趋势相近的差异变化。4.5.1对比茎基腐不同白穗率病害在535~575nm差异波段的二阶微分曲线不同白穗率茎基腐病害二阶微分曲线图像显示，在535~575nm波段的二阶微分曲线整体走势类似，呈现出相近的变数趋势。但在545~557nm波段附近以及565~575nm波段曲线走势存在较大的差异。如图4.18所示。图4.23不同白穗率下茎基腐病害光谱反射率在波段535~575nm二阶微分曲线比较4.5.2对比全蚀病不同白穗率病害在535~575nm差异波段的二阶微分曲线不同白穗率全蚀病病害二阶微分曲线图像显示，在535~575nm波段的二阶微分曲线整体走势类似，呈现出相近的变数趋势。在545~557nm波段附近存在少许波谷差异。如图4.19所示。图4.24不同白穗率下茎基腐病害光谱反射率在波段535~575nm二阶微分曲线比较31 4.5.3对比2种病害在相同白穗率条件下535~575nm差异波段的二阶微分曲线分析此波段不同白穗率2种病害二阶微分曲线，对2种病害的光谱反射率在波段535~575nm二阶微分比较。三种白穗率条件下的两曲线对比图显示出明显差异性，如图4.25、图4.26、图4.27所示。图4.2520%白穗率下茎基腐病害光谱反射率在波段535~575nm二阶微分曲线比较图4.2670%白穗率下茎基腐病害光谱反射率在波段535~575nm二阶微分曲线比较图4.2790%白穗率下茎基腐病害光谱反射率在波段535~575nm二阶微分曲线比较32 BR20&TA20BR70&TA70BR90&TA90共有差异波段波长图4.28不同白穗率下2种病害光谱反射率在波段535~575nm二阶微分曲线比较后的敏感差异波段图由于538~557nm的一阶微分共有差异波段最为连贯，选取525~575nm波段进行二阶微分处理后进行对比验证，并进行分段T检验验证其敏感性。如图4.28所示，结果表明，此波段具有多段公用差异波段，且相对连贯性较好。最终选取二阶微分图谱的547~567nm波段为作为典型差异波段进行下一步研究。4.6筛选光谱特征值与植被指数特征的选取除进行原始波段反射率与一阶微分光谱以及二阶微分光谱的比较分析选择出的特异波段外，还可筛选光谱特征指数与植被指数进行分析。光谱特征根据一定的变化法则，对选定的特异波段位的反射率变换组合，从而得出具有一定物理学及生物学意义的特征指数。本研究在系统归纳常用于植物胁迫和作物病害识别、监测的光谱特征基础上，选取包括一阶微分变换光谱特征和植被指数两类不同形式的光谱特征指数。Db蓝边（490~530nm）最大一阶微分值、Db对应的波长、Db对应的反射率、SDb蓝边一阶微分总和、Dy黄边（550~580nm）最大一阶微分值、Dy对应的波长、Dy对应的反射率、SDy黄边一阶微分总和、Dr红边（640~680nm）最大一阶微分值、Dr对应的波长、Dr对应的反射率、SDr黄边一阶微分总和、GI(Greenindex)绿色指数、TVI(Triangularvegetationindex)三角植被指数、PRI(PhotochemicalReflectanceIndex)光化学植被指数、RVSI(Red-EdgeVegetationStressIndex)红边植被胁迫指数、SIPI(StructureIntensivePigmentIndex)结构加强色素指数、WI(waterindex)绿色植被覆盖湿度、NPCI中分辨率陆地叶绿素成像指数、AI蚜虫指数(aphidindex)(Miriketal.,2006a)和DSSI2光感损伤指数(damagesensitivespectralindex2)(Miriketal.,2006b)共21个，生成备选特征集。对备选特征集应用实测数据进行敏感性检验。分别对2种病害计算不同病害白穗率的特征值与植被指数进行分析，将所得光谱特征值依次与对应2种病害样本集合进行特征指数与白穗率的相关性检验。研究以上特征指数对2种病害的区分能力以及响应情况，分别计算特征值后与不同白穗率的样本库对比，并进行相关性检验后进行初步筛选。检验表见表4.6。33 表4.6特征值与植被指数对2种病害白穗率间的相关性检验特征值与植被指数茎基腐全蚀病茎基腐&全蚀病Db蓝边（490~530nm）最大一阶微分值---Db对应的波长---Db对应的反射率++-SDb蓝边一阶微分总和+--Dy黄边（550~580nm）最大一阶微分值++-Dy对应的波长--Dy对应的反射率+++SDy黄边一阶微分总和+++Dr红边（640~680nm）最大一阶微分值+-+Dr对应的波长--Dr对应的反射率+++SDr红边一阶微分总和+++GI=R554/R677---TVI=0.5*(120*(R750-R550)-200*(R670-R550))---PRI=(R570-R531)/(R570+R531)+++RVSI=((R712+R752)/2)-R732+++SIPI=(R800-R445)/(R800+R680)---WI=R900/R970---NPCI=(R680-R430)/(R680+R430)+++分别应用5类筛选法则进行筛选：Wilks’lambda，根据Wilk的统计量最小化筛选；Unexplainedvariance，根据各类不可解释的方差和最小化筛选；Mahalanobis’distance，根据最近两类间的Mahalanobis距离最大化筛选；SmallestFratio，根据任何两类间的最小的F值最大化筛选；Rao’V,根据RaoV统计量最大化筛选。5类筛选法则筛选结果取相同部分。结果显示，Db对应波长、Dy黄边最大一阶微分值、NPCI、SIPI、RVSI和WI共6个指数对2种病害的区分程度良好。逐步统计分析资料显示，以上指数显著性P值均小于0.001，具有极其显著的区分意义。4.7建立分类函数并对混合样本库进行辨别分析选取不同白穗率的2种病害样本进行混合，得到样本数量240组的混合样本库。使用50%白穗率作为阈值，将2种病害样本混合库分为两类，结合病害样本的混合总库，共计三个样本库。分别对50%以下白穗率的2种病害混合样本库120组、50%以上白穗率2种病害混合样本库120组以及2种病害总混合样本库240组，三类样本库进行判别分析。判别分析是依照所选样品的特征对样品库进行识别归类，判断其属性以及类型的一种多元统计分析方法；基本原理简单可分为：建立判别函数，选取判别准则，将待判样品代入判别函数进行判别；由于建立判别函数准则的差异，可将判别分析的常用方法分为以下三类，距离判别、Bayes贝叶斯判别以及Fisher费氏判别法，其中Bayes判别法又可分两种：最大后验概率法与最小误判损失法，而Fisher判别法是一种先对样品进行投影后再采用距离判别34 的方法；在实际应用中，SPSS软件能够实现Fisher费氏判别法与Bayes贝叶斯判别法两种，并且这两种方法的操作时可共用分类函数系数[75]。分别基于上述原始波段衍生的一阶微分与二阶微分，以及光谱特征和植被指数，使用spss软件中的Discriminant比较分析模块，采取逐步判别法，分别使用5类筛选法对参数进行筛选，提取相同筛选参数，建立相应的类别判别函数式，分别使用Fisher费氏判别法与Bayes贝叶斯判别法，两种判别方法进行辨别分析，对2种病害进行进行区分。判别分析中，根据wilks进行逐步变量筛选并进行F检验，wiks最小的选入判别函数。Wilks'lambda是组内平方和与总平方和之比。当所有样品组间均值都相等时，Wilks'lambda值为1；当组内变异小于总变异时，Wilks'lambda值接近于0。因此，Wilks'lambda值大，表明各组间均值近似相等；Wilks'lambda值小，表示组间数值存在差异。而对于判别分析，仅当组均值不等时，判别分析及结果具有意义[76]。通常来讲，只有实验结果达到0.05或0.01的水平，才能够称数据间存在显著或极显著差异。通常用P>0.05表示差异性不显著；0.01