基于高光譜數據的馬尾松松萎蔫病早期監測1)

張 衡 潘 潔 巨云為 廖振峰

(南京林業大學，南京，210037)

責任編輯:程 紅。

松萎蔫病是由松材線蟲引起的一種對松屬樹種的毀滅性災害，該病最早于1905年在日本發現［1］。我國自1982年在南京中山陵風景區首次發現該病以來迅速蔓延至全國各地，對森林資源和生態環境造成嚴重破壞。據了解，在我國每年由松材線蟲病造成的直接和間接經濟損失高達上億元［2］，因此，如何實現對松萎蔫病實時有效的監測預報尤其是早期預測是迫切需要解決的問題。

近年來，隨著信息技術的快速發展，高光譜遙感作為一種新的監測手段被廣泛運用到森林病蟲害的監測中［3］。高光譜遙感是高光譜分辨率遙感的簡稱，它是指利用很多很窄(通常波段寬度＜10 nm)的電磁波波段從感興趣的物體上獲取相關數據，形成一條完整且連續的光譜曲線。它不僅具有波段窄、通道多、圖像與光譜能夠合二為一等優點，而且它獲取的地物光譜信息連續且精細，因此高光譜遙感應用于地物精細識別和分類的研究越來越引起人們的廣泛關注［4－7］。

本研究以成年馬尾松(Pinus massoniana)為接種材料，利用全波段(350～2 500 nm)高光譜儀于野外實測獲取冠層光譜數據，分析感病植株與對照植株在各個時期的光譜特征，尋找感病植株與健康植株在感病早期差異顯著的光譜特征參數，同時跟蹤測量各時期針葉的葉綠素質量分數，通過光譜特征參數結合感病植株的葉綠素質量分數定量反演，以期達到松材線蟲病各病程定量監測，特別是實現植株在出現肉眼可見感病特征前的早期監測。

1 材料與方法

1.1 試驗設計

試驗地點位于江蘇省南京市棲霞山馬尾松林。采用貝曼氏漏斗法從南京地區自然死亡的黑松木段上分離出松材線蟲，然后經人工挑選，培養，供接種。根據當地的氣候特征，選擇在2012年6月份接種松材線蟲，在7—9月份進行光譜測量。在樣地中隨機選擇7 棵樹高相近年齡相同的健康成年馬尾松作為試驗對象，其中5 棵接種松材線蟲，2 棵為對照。

1.2 數據采集

光譜數據的采集過程包括測量健康與感病植株的冠層光譜反射率。數據采集分為野外冠層光譜數據采集和采樣針葉室內葉綠素質量分數測定兩部分。采用美國ASD 公司生產的全波段光譜儀，在350～2 500 nm 波段范圍內對選定的健康與感病的馬尾松植株冠層進行連續光譜測量，自接種之日起，每隔10d 左右(依天氣而定)進行定株光譜測量。測量時選擇晴朗無風無云的天氣，同時為了減少太陽高度角的變化對測量結果的影響，測量時間選擇在10:00—14:00。光譜數據采集過程中，每株選擇5 個冠層測量點，每次取10 組數據，每次測量前后均用硫酸鋇標準白板進行校正，最后取平均值作為該馬尾松植株的冠層光譜反射率。光譜測量結束后，從光譜測量時對應的相應位置采集小段植株樣品裝入冰袋，帶回室內即時進行葉綠素質量分數的測定。

葉綠素質量分數的測定采用80%丙酮提取比色法［8］。將針葉剪碎、稱質量并磨碎，用80%丙酮浸泡后過濾，利用UV－2102C 型紫外可見分光光度計(上海龍尼柯儀器有限公司)分別測量葉綠素a、葉綠素b 的吸光度，再依據公式Ca=12.21A663－2.81A646;Cb=20.13A646－5.03A663分別計算出其相應的質量分數，然后將兩者相加即為葉綠素總量，為減小誤差，每組做3 次重復，最后取其平均值作為測試植株的葉綠素質量分數。

1.3 數據處理

在高光譜數據處理過程中進行了預處理和光譜參數提取。首先，對采集的各時期高光譜數據進行逐一核查，剔除其中的異常數據，然后求取50 組測量原數據的平均值作為每株馬尾松冠層反射率，然后對接種的5 株馬尾松植株光譜數據進行差異分析。剔除與其他植株感病差異明顯的植株后，取其余感病株光譜數據均值作為感病馬尾松植株的冠層反射率。對照健康馬尾松的冠層反射率數據同理獲取。第二步，對健康及感病馬尾松植株的冠層反射率數據借助ASD 公司提供的View Specpro 軟件和EXCEL 數據分析工具進行處理，提取各種光譜參數，分析其變化特征;然后在MATLAB 軟件中編程實現各波段原始反射率、導數光譜、不同光譜指數與葉綠素質量分數間的相關關系，選擇相關系數最大的光譜指數建立葉綠素質量分數的定量反演模型并進行精度檢驗。

具體光譜參數及處理方法如下。①基于原始反射率的參數:510～570 nm 最大反射率值及對應的波長(綠峰);640～680 nm 最小反射率及對應波長(紅谷);反射特征區域的反射率，如反射峰與吸收谷中心波長的位置，分別為455、550、680、980 nm。②植被指數:兩波段組合的比值、差值和歸一化植被指數的計算方法參考表1，計算各植被指數的入選波段見表2。③導數光譜:采用一階導數光譜指數作為篩選參數［16］。

表1 多種植被指數計算方法及出處

表2 植被指數的波段組合

2 結果與分析

2.1 不同感病時間馬尾松原始反射光譜特征

由圖1可見，健康馬尾松各時期的光譜變化曲線遵循植被的反射光譜曲線特征，即在綠光區有一個較低的反射峰值，在近紅外區存在一個較高的反射峰值。在光譜測量的6 個時期內反射光譜曲線變化規律相似，無明顯差異。其中，只有8月18日光譜曲線的反射率明顯高于其它各時期，尤其在近紅外區，其它各時期的反射率都逐漸趨于平穩，而它的反射率卻呈現出線性增加的趨勢。究其原因，主要是因為在這個時期對照植株長出了較多的新葉，葉綠素整體含量明顯升高，使得這個時期的光譜反射特征出現了這樣的變化趨勢。

圖1 健康植株(左)與感病植株(右)各時期反射光譜

感病馬尾松光譜曲線與健康植株相比有著明顯的差異，尤其表現在感病中后期，感病植株在綠光區的反射特征逐漸減弱，反射峰值逐漸減小，直至病株完全枯萎，光譜曲線上的反射峰或吸收谷特征明顯消失，趨向于一條平直曲線。其中，8月18日測量的感病植株冠層反射率和對照類似，也表現出反射率的絕對值顯著高于其它測量時間的反射率值，原因與對照相同，此時的感病植株在枯萎變黃的同時，也有部分新葉長出，使得感病植株的反射率值明顯要高于其它時期。

由此可見，健康馬尾松與感病馬尾松植株冠層原始反射率光譜的變化差異比較顯著，特別是在感病的中后期，感病植株的反射峰與吸收谷特征都逐漸減弱直至消失。

2.2 不同感病時間馬尾松特征光譜指數差異

通過對健康植株與感病植株原始反射光譜的對比分析，發現感病植株與健康植株的光譜曲線在感病的中后期差異較為顯著，但在感病早期，冠層葉片顏色變化不明顯，兩者原始反射光譜曲線間的差異也不顯著，單從光譜反射率來看并不能判別馬尾松是否感染了松材線蟲病，因此，需要進一步地尋找能在植株出現肉眼可見感病特征前有明顯差異的光譜指數來進行早期的區分與判別。通過查閱資料，首先選擇了表1中所列舉的7 個植被指數作為敏感參數來進行松萎蔫病的早期判別，這幾個指數是目前光譜分析較為常用的植被指數，在分析植被的反射率時能夠較好地反映出植被的光譜特征，具有一定的代表性［9－15］。

表3 健康植株與感病植株不同時間的各植被指數

根據表1和表2中所給的公式分別計算感病植株與健康植株在不同感病階段對應的植被指數。因為各波段組合的對比結果呈類似的變化規律，因此選取一種作為代表在表3中列出。通過對比分析(表3)可以看出，感病植株與健康植株的比值植被指數和差值植被指數的差異主要表現在感病的中后期，結構敏感色素指數和抗大氣植被指數2 直到感病末期才有較為明顯的差異，而感病植株的歸一化植被指數、加強植被指數和土壤調整植被指數在整個感病階段都與健康植株沒有太大差異。由此可見，感病植株的這些植被指數在植株出現肉眼可見感病特征前與健康植株相比無明顯差異，因此不能用來作為馬尾松松萎蔫病早期判別的光譜指數。

2.3 不同感病時間馬尾松一階導數光譜

一階微分光譜在辨別細微光譜差異上具有一定的優勢，能夠較好地反映出植物的本質特征［17］，因此將原始反射光譜進行一階微分處理，進一步探尋在感病早期能夠表現出明顯差異的光譜參數。經過仔細的篩查與對比分析，發現感病植株與健康植株在波長593 nm 處一階導數光譜(FD593)有較明顯的差異(表4)，健康植株在波長593 nm 處的一階導數光譜有波動性變化但不顯著，其平均值為(0.025±0.005)，但感病植株的值呈現出一種先減小后逐漸增大的趨勢，這種變化規律與不同感病階段植株葉綠素含量的變化特征吻合(表4)，同時在植株出現肉眼可見感病特征前的發病早期階段，FD593值會減小到0.01 以下，因此，可以利用在波長593 nm 處的一階導數光譜來對馬尾松是否感染了松萎蔫病進行早期定性判別。

表4 健康與感病馬尾松在波長593 nm 處的發射率一階微分與葉綠素質量分數

2.4 馬尾松不同病程葉綠素質量分數定量反演

研究發現，在測量的感病植株各種生理生化指標中，葉綠素質量分數的變化動態與光譜變化特征有明顯的相關關系，并且感病植株在感病過程中葉綠素質量分數的變化規律明顯，更能從外觀上直接反應感病植株不同感病階段的變化［18］。因此，本研究選取植株的葉綠素質量分數進行定量反演以實現松材線蟲病的定量監測。

由圖2可以看出，隨著馬尾松的生長，對照組葉綠素質量分數有波動性變化但不顯著，感病植株的葉綠素質量分數在發病初期會略有升高，但隨著病情的加重，葉綠素質量分數會顯著降低，在發病中后期，隨著針葉的不斷失水、褪綠、褐變，葉綠素質量分數會呈明顯下降趨勢，這一結果與很多研究中顯示葉綠素質量分數變化的情況［18－19］相吻合。

利用單波段光譜反射率與葉綠素質量分數進行相關性分析，同時也將波段進行組合后獲取的多種光譜變換參數與葉綠素質量分數進行相關性分析，計算二者的相關系數，將最終結果進行篩選，發現在波長1 405 nm 處的反射率與葉綠素質量分數的相關系數最大，達到了0.884，呈現出顯著的正相關關系(圖2)，因此用波長1 405 nm 處的反射率來建立葉綠素質量分數的定量反演模型。模型為:CHL=－1.74(X1405)2+4.72X1405－0.76。式中:CHL為感病植株的葉綠素質量分數。

圖2 馬尾松葉綠素質量分數隨波長1 405 nm 反射率的變化

通過在波長1 405 nm 處的反射率獲取，可以直接計算出感病馬尾松植株的葉綠素質量分數。而研究發現，導數光譜指數對傳感器的靈敏度和信噪比的要求很高，用微分因子構建的模型很難在影像反演中獲得令人滿意的結果［19］，因此，不考慮用導數光譜指數作為敏感波段來構建反演模型。

綜上所述，可以利用在波長593 nm 處的導數光譜并結合相應的葉綠素質量分數的定量演算來早期判別馬尾松是否感染了松萎蔫病，在植株出現肉眼可見感病特征前，利用高光譜遙感獲取其光譜反射率進行分析，當FD593的值為0～0.01，相應的葉綠素質量分數超過(1.50 ±0.10)mg·g－1時，就可以確定馬尾松感染了松萎蔫病。

3 結論與討論

結合馬尾松松萎蔫病發生時的生態學特征與相應的高光譜特征，同時結合植株不同感病時期的光譜特征與葉綠素質量分數的相關性分析，從定性與定量兩個方面判斷馬尾松是否感染了松萎蔫病，以此實現植株在出現肉眼可見感病特征前的早期監測。研究表明:①感病與健康馬尾松的原始光譜反射率差異明顯。主要表現在，感病中后期感病植株在綠光區的反射峰逐漸減弱，而在紅光區的吸收谷會逐漸增強，隨著病害程度的進一步加深，反射率、吸收谷都會慢慢消失，反射光譜曲線也逐漸變為一條平滑的直線。但在感病早期二者之間的差異不顯著。②馬尾松在感染松萎蔫病后，葉綠素質量分數呈現先略微升高后下降的趨勢，并且植株的葉綠素質量分數與波長1 405 nm 處的光譜反射率有顯著的相關性，可以據此來實現感病植株葉綠素質量分數的定量預測。模型為:CHL= －1.74(X1405)2+4.72X1405－0.76，式中，CHL為感病植株的葉綠素質量分數。③通過對多種光譜特征參數的篩選，選擇波長593 nm 處反射率的一階微分作為敏感指數，并結合相應的葉綠素質量分數來判斷馬尾松在出現肉眼可見感病特征前是否感染了松萎蔫病。當FD593的值為0～0.01，相應的葉綠素質量分數超過(1.50±0.10)mg·g－1時，就可以確定馬尾松感染了松萎蔫病。

我國對松萎蔫病的致病機理及相應的防治措施和控制方法的研究已日漸成熟，但對該病的早期監測預報的研究還比較少見，而利用高光譜遙感技術對該病進行早期的監測預報仍處于探索階段。由于松材線蟲病在發病早期病害木自身并無明顯癥狀，而等到植株顯現出肉眼可見的感病特征則會在短時期內迅速萎蔫死亡，因此，在未知感病與否的情況下，如何判斷感病并實現感病植株的早期監測對松材線蟲病的預防與治理具有重要的實踐意義與應用價值。

本研究的結論表明，通過對健康與感病馬尾松連續的光譜監測，結合相應時期植株的生理生化參數(如葉綠素質量分數)的同步分析，在發病早期可以較為準確地判別出被感染的馬尾松，這為深入研究利用高光譜遙感技術來實現松萎蔫病的早期監測預報提供了依據。但是，由于時間和試驗條件的限制，本研究在建模時所用的數據有限，需要在將來的研究中對定量模型進行進一步的檢驗和驗證，同時，不同樹種間、不同生境、不同病蟲害的判別是否會有差異都有待深入的研究與探索。

［1］ Kwon T S，Shin J H，Lim J H，et al.Management of pine wilt disease in Korea through preventative silvicultural control［J］.Forest Ecology and Management，2011，261(3):562 －569.

［2］ 趙博光.松萎蔫病致病新機理論文選編［M］.香港:中國科學文化出版社，2008:279 －289.

［3］ Sankaran S，Mishra A，Ehsani R，et al.A review of advanced techniques for detecting plant diseases［J］.Computers and Electronics in Agriculture，2010，72(2):1 －13.

［4］ 陳鵬程，張建華，雷勇輝，等.高光譜遙感監測農作物病蟲害研究進展［J］.中國農學通報，2006，22(2):388 －391.

［5］ 何誠，馮仲科，袁進軍，等.高光譜遙感技術在生物多樣性保護中的應用研究進展［J］.光譜學與光譜分析，2012，32(6):1628－1632.

［6］ Vane G，Goetz A F H.Terrestrial imaging spectrometry:current status，future trends［J］.Remote Sensing of Environment，1993，44(2/3):117 －126.

［7］ Green R O，Eastwood M L，Sarture C M，et al.Imaging spectroscopy and the airborne visible/infrared imaging spectrometer(AVIRIS)［J］.Remote Sensing Environment，1998，65(3):227－248.

［8］ 郝再彬.植物生理實驗［M］.哈爾濱:哈爾濱工程大學出版社，2004.

［9］ Pearson R L，Miller L D.Remote mapping of standing crop biomass for estimation of the productivity of the shortgrass prairie［R］.Michigan:Willow Run Laboratories，1972:1357 －1381.

［10］ Richardson A J，Wiegand C L.Distinguishing vegetation from soil background information［J］.Photogrammetric Engineering and Remote Sensing，1977，43(12):1541 －1552.

［11］ Rouse J W Jr.Monitoring the vernal advancement of retrogradation of natural vegetation［R/OL］.［2014 －02 －11］.http://ntrs.nasa.gov/search.jsp?R=19730009608.

［12］ Justice C O，Vermote E，Townshend J R G，et al.The moderate resolution imaging spectroradiometer (MODIS):land remote sensing for global change research［J］.IEEE Transactions on Geoscience and Remote Sensing，1998，36(4):1228 －1250.

［14］ Gitelson A A，Kaufman Y J，Stark R，et al.Novel algorithms for remote estimation of vegetation fraction［J］.Remote Sensing of Environment，2002，80(1):76 －87.

［15］ Huete A R.A soil-adjusted vegetation index (SAVI)［J］.Remote Sensing of Environment，1988，25:295 －309.

［16］ 喬紅波，程登發，孫京瑞，等.麥蚜對小麥冠層光譜特性的影響研究［J］.植物保護，2005，31(2):21 －26.

［17］ 許勇.江蘇沿海無機氮磷營養鹽遙感監測研究［D］.南京:南京師范大學，2009.

［18］ 王曉堂.基于高光譜的松萎蔫病動態變化的研究［D］.南京:南京林業大學，2011.

［19］ 陳玉惠，葉建仁，魏初獎，等.松材線蟲侵染對馬尾松、黑松水分及其相關代謝的影響［J］.植物病理學報，2005，35(3):201－207.