《表4 作物病虫害灾害量化分析光谱指数及特定病虫害指数》

  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

《作物病虫害高光谱遥感进展与展望》

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

在以上两个方向的作物病虫害危害严重度定量分析中，自变量可以是全波段或特定区间的光谱，而更多的是针对特定病虫害的特征图谱。其中，植被指数（SVI）作为可以反映作物各个生长阶段的光学遥感指标（Joalland等，2017；Prabhakar等，2011），受到广泛关注。目前已经有150多个SVI发表在各类科学文献中，其中有很大一部分SVI具有扎实的生物物理学基础并且经过了可靠的系统测试。然而，Devadas等（2009）的研究结果表明，单一的SVI有一定的能力区分病株（器官、叶片甚至地块尺度）和健康植物，但不能理想地分离不同的疾病或划分不同的疾病等级。在这种情况下，研究人员有针对性地分析了疾病特异性数据，并结合不同波长数据构建特定的病虫害识别指数（SDIs）。因为每种疾病都以一种特定的方式影响寄主植被的光谱特征，这些SDI比单纯的SVI能够更简便快捷的实现特定病虫害的量化反演分析（Vanegas等，2018）。Zhang等（2019c）以冬小麦麦穗的高光谱显微图像为数据源，利用类间不稳定指数ISI (In Stability Index between classes）和SAM分类器相结合的算法提取对赤霉病敏感的4个单波长，然后通过相关分析确定668 nm和417 nm处最相关的差分光谱指数（DSI）。最后采用穷举搜索法分析各特征参数的权重，确定并提出了小麦赤霉病病害识别量化指数FCI，并利用FCI实现了基于图像分割的病害严重度估测。对比其他常用SVI，研究构建的FCI分类精度达到89.80%，高出SVI最高分类精度29%。因此，SDI的构建成为作物病虫害危害程度量化分析的重点方向。另一种直接通过模型拟合反演疾病严重程度的方法则主要集中在统计分析上。表4给出了作物病虫害危害严重度量化分析常用的光谱及病害指数。