《表1 用于病虫害高光谱特征区分的一阶微分、连续统特征及植被指数》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《作物病虫害遥感监测研究进展与展望》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注：R表示反射率（Reflectance)

另一方面，对敏感波段进行组合构成的光谱指数不仅拥有明确的物理意义，还能突显病虫害的生理生化过程，从而从生物学机制的角度实现对病虫害的监测和区分。Shi等[26]通过接种实验获取了小麦条锈病、白粉病和蚜虫的冠层高光谱数据，通过相关性分析筛选了敏感波段并基于敏感波段提取了多个植被指数特征，之后通过多种核判别分析构建了多种非线性分类器，并利用所构建的分类器对冠层进行了监测识别，结果表明，基于Sigmoid核函数构建的非线性分类器能够获得较高精度的监测效果。Naidu等[21]通过野外实验获取了受葡萄卷叶病侵染的葡萄叶片高光谱数据，通过相关性分析发现绿波段和近红外波段的光谱反射率对病害胁迫有显著的响应。随后，基于敏感波段构建了相关的植被指数，实现了对葡萄卷叶病的高精度遥感识别。在这些研究的基础上，越来越多的学者发现作物病虫害在不同的光谱波段中表现出不同的响应[27-29]，因此如何针对不同的病虫害种类，在实际监测中需要寻找和构建具有高专一性的监测指标，选择较为合适的模型构建方法是作物病虫害遥感监测中继续解决的关键问题[30-32]。目前较为普遍的思路是通过寻找与病虫害严重度较为敏感的高光谱波段来提取和构建相关的光谱特征，表1为当前主要的作物病虫害遥感识别和监测的光谱特征，用于区分和识别不同病虫害胁迫。