一、引言1.1研究背景與意義小麥作為全球重要的糧食作物之一，其產(chǎn)量和質(zhì)量直接關(guān)系到糧食安全和人類(lèi)的生存發(fā)展。在中國(guó)，小麥種植歷史悠久，種植區(qū)域廣泛，是保障國(guó)家糧食供應(yīng)的關(guān)鍵農(nóng)作物。然而，小麥生長(zhǎng)過(guò)程中面臨著多種病蟲(chóng)害的威脅，其中小麥條銹病是最為嚴(yán)重的病害之一。小麥條銹病是由條形柄銹菌小麥專化型（Pucciniastriiformisf.sp.tritici）引起的一種具有強(qiáng)破壞力的氣傳性病害，其發(fā)病范圍廣泛，傳播速度極快，流行頻率高，對(duì)小麥的產(chǎn)量和質(zhì)量會(huì)產(chǎn)生毀滅性的影響。從對(duì)小麥產(chǎn)量的影響來(lái)看，在條銹病流行年份，其可導(dǎo)致小麥產(chǎn)量大幅減少，減產(chǎn)幅度可達(dá)40%以上，嚴(yán)重時(shí)甚至造成絕收。例如，在某些大規(guī)模爆發(fā)的年份，受條銹病影響的區(qū)域，小麥產(chǎn)量銳減，給當(dāng)?shù)剞r(nóng)業(yè)經(jīng)濟(jì)帶來(lái)沉重打擊，農(nóng)民收入大幅降低，部分地區(qū)甚至出現(xiàn)糧食供應(yīng)緊張的局面。這不僅影響了農(nóng)民的切身利益，也對(duì)國(guó)家的糧食儲(chǔ)備和供應(yīng)安全構(gòu)成了嚴(yán)重威脅。從小麥質(zhì)量角度而言，感染條銹病的小麥，其籽粒飽滿度下降，蛋白質(zhì)含量降低，淀粉品質(zhì)改變，導(dǎo)致面粉加工品質(zhì)變差，烘焙性能下降，影響了小麥的商品價(jià)值和食用口感。傳統(tǒng)的小麥條銹病監(jiān)測(cè)方法主要依賴人工田間調(diào)查。植保人員需要逐塊田地、逐個(gè)樣點(diǎn)進(jìn)行觀察和記錄，統(tǒng)計(jì)發(fā)病植株數(shù)量、發(fā)病部位、發(fā)病嚴(yán)重程度等信息。這種方法存在諸多局限性。一方面，人工調(diào)查需要耗費(fèi)大量的人力、物力和時(shí)間。隨著小麥種植面積的不斷擴(kuò)大，需要監(jiān)測(cè)的區(qū)域越來(lái)越廣，人工調(diào)查的工作量呈指數(shù)級(jí)增長(zhǎng)，導(dǎo)致監(jiān)測(cè)效率低下。例如，在大面積的小麥種植區(qū)，僅完成一次全面的人工調(diào)查就可能需要投入大量的人力，且耗費(fèi)數(shù)周時(shí)間，難以滿足及時(shí)監(jiān)測(cè)病害發(fā)展動(dòng)態(tài)的需求。另一方面，人工調(diào)查的主觀性較強(qiáng)，不同調(diào)查人員對(duì)病害嚴(yán)重度的判斷標(biāo)準(zhǔn)可能存在差異，導(dǎo)致調(diào)查結(jié)果的準(zhǔn)確性和可靠性受到影響。此外，人工調(diào)查難以實(shí)現(xiàn)對(duì)大面積區(qū)域的實(shí)時(shí)動(dòng)態(tài)監(jiān)測(cè)，往往在病害已經(jīng)大面積發(fā)生后才被發(fā)現(xiàn)，錯(cuò)過(guò)最佳防治時(shí)機(jī)。隨著科技的不斷進(jìn)步，遙感技術(shù)在農(nóng)業(yè)領(lǐng)域的應(yīng)用越來(lái)越廣泛。近地面遙感估算方法作為一種新興的技術(shù)手段，為小麥條銹病的監(jiān)測(cè)提供了新的思路和方法。近地面遙感通過(guò)搭載在無(wú)人機(jī)、地面車(chē)輛或手持設(shè)備等平臺(tái)上的傳感器，近距離獲取小麥冠層的光譜信息、圖像信息等，能夠快速、準(zhǔn)確地反映小麥條銹病的發(fā)生發(fā)展情況。其具有高空間分辨率和時(shí)間分辨率的優(yōu)勢(shì)，可以對(duì)小麥條銹病進(jìn)行實(shí)時(shí)動(dòng)態(tài)監(jiān)測(cè)，及時(shí)發(fā)現(xiàn)病害的早期癥狀和發(fā)病中心，為病害防治提供及時(shí)準(zhǔn)確的信息。同時(shí)，近地面遙感數(shù)據(jù)的獲取相對(duì)便捷，成本較低，能夠在不同地形和環(huán)境條件下開(kāi)展監(jiān)測(cè)工作，具有較強(qiáng)的適應(yīng)性和可操作性。因此，開(kāi)展小麥條銹病嚴(yán)重度近地面遙感估算方法的研究具有重要的現(xiàn)實(shí)意義。通過(guò)建立科學(xué)有效的近地面遙感估算模型，能夠?qū)崿F(xiàn)對(duì)小麥條銹病嚴(yán)重度的快速、準(zhǔn)確評(píng)估，為小麥條銹病的監(jiān)測(cè)預(yù)警和精準(zhǔn)防治提供有力的技術(shù)支持，有助于提高小麥的產(chǎn)量和質(zhì)量，保障國(guó)家糧食安全，促進(jìn)農(nóng)業(yè)的可持續(xù)發(fā)展。1.2國(guó)內(nèi)外研究現(xiàn)狀在小麥條銹病嚴(yán)重度近地面遙感估算領(lǐng)域，國(guó)內(nèi)外學(xué)者開(kāi)展了大量研究，取得了一系列成果，同時(shí)也存在一些有待改進(jìn)的方面。國(guó)外在利用近地面遙感技術(shù)估算小麥條銹病嚴(yán)重度方面起步較早。一些研究聚焦于高光譜遙感技術(shù)，通過(guò)分析小麥冠層在不同波段的光譜反射率差異，來(lái)識(shí)別和評(píng)估條銹病的發(fā)生情況。例如，利用高光譜傳感器獲取小麥冠層的連續(xù)光譜數(shù)據(jù)，對(duì)不同發(fā)病程度的小麥進(jìn)行光譜特征分析，發(fā)現(xiàn)條銹病的發(fā)生會(huì)導(dǎo)致小麥在某些特定波段（如可見(jiàn)光和近紅外波段）的光譜反射率發(fā)生明顯變化。通過(guò)對(duì)這些特征波段的篩選和分析，構(gòu)建了相應(yīng)的估算模型，在一定程度上能夠較為準(zhǔn)確地估算小麥條銹病的嚴(yán)重度。在模型構(gòu)建方面，國(guó)外學(xué)者采用了多種方法。其中，機(jī)器學(xué)習(xí)算法得到了廣泛應(yīng)用，如支持向量機(jī)（SVM）、隨機(jī)森林（RF）等。這些算法能夠?qū)Υ罅康倪b感數(shù)據(jù)和對(duì)應(yīng)的病害嚴(yán)重度數(shù)據(jù)進(jìn)行學(xué)習(xí)和訓(xùn)練，建立起兩者之間的復(fù)雜關(guān)系模型。以支持向量機(jī)為例，通過(guò)將遙感數(shù)據(jù)作為輸入特征，病害嚴(yán)重度作為輸出標(biāo)簽，對(duì)模型進(jìn)行訓(xùn)練，使其能夠根據(jù)新的遙感數(shù)據(jù)預(yù)測(cè)小麥條銹病的嚴(yán)重度。這種方法在處理高維數(shù)據(jù)和非線性關(guān)系時(shí)具有一定優(yōu)勢(shì)，能夠提高估算的準(zhǔn)確性。國(guó)內(nèi)在該領(lǐng)域的研究也取得了顯著進(jìn)展。眾多科研團(tuán)隊(duì)利用近地面遙感技術(shù)，結(jié)合不同的傳感器和數(shù)據(jù)分析方法，對(duì)小麥條銹病嚴(yán)重度進(jìn)行估算。在技術(shù)應(yīng)用上，除了高光譜遙感，還拓展到了多光譜遙感和熱紅外遙感等領(lǐng)域。多光譜遙感通過(guò)獲取幾個(gè)特定波段的光譜信息，分析其與小麥條銹病嚴(yán)重度的相關(guān)性，從而實(shí)現(xiàn)對(duì)病害的監(jiān)測(cè)和評(píng)估。熱紅外遙感則利用小麥冠層的熱輻射特性，監(jiān)測(cè)病害發(fā)生時(shí)小麥冠層溫度的變化，為病害嚴(yán)重度的估算提供了新的視角。在模型構(gòu)建上，國(guó)內(nèi)學(xué)者不僅借鑒了國(guó)外的先進(jìn)算法，還結(jié)合國(guó)內(nèi)小麥種植的實(shí)際情況和數(shù)據(jù)特點(diǎn)，進(jìn)行了創(chuàng)新和改進(jìn)。例如，有研究將深度學(xué)習(xí)算法引入小麥條銹病嚴(yán)重度的估算中，利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）強(qiáng)大的特征提取能力，對(duì)遙感圖像進(jìn)行分析，實(shí)現(xiàn)了對(duì)病害嚴(yán)重度的自動(dòng)識(shí)別和分類(lèi)。同時(shí)，一些研究還考慮了環(huán)境因素對(duì)小麥條銹病發(fā)生發(fā)展的影響，將氣象數(shù)據(jù)、土壤數(shù)據(jù)等與遙感數(shù)據(jù)相結(jié)合，構(gòu)建多源數(shù)據(jù)融合模型，進(jìn)一步提高了估算的精度和可靠性。盡管?chē)?guó)內(nèi)外在小麥條銹病嚴(yán)重度近地面遙感估算方面取得了諸多成果，但仍存在一些不足。一方面，不同研究中使用的遙感數(shù)據(jù)和模型算法存在差異，導(dǎo)致研究結(jié)果的可比性和通用性較差。由于缺乏統(tǒng)一的標(biāo)準(zhǔn)和規(guī)范，在不同地區(qū)、不同種植條件下，模型的適用性受到限制。另一方面，現(xiàn)有研究大多集中在對(duì)小麥條銹病嚴(yán)重度的靜態(tài)估算上，對(duì)于病害的動(dòng)態(tài)發(fā)展過(guò)程和時(shí)空演變規(guī)律的研究相對(duì)較少。這使得在實(shí)際應(yīng)用中，難以對(duì)病害的發(fā)展趨勢(shì)進(jìn)行準(zhǔn)確預(yù)測(cè)和及時(shí)預(yù)警。此外，在數(shù)據(jù)獲取方面，近地面遙感數(shù)據(jù)的獲取成本相對(duì)較高，且數(shù)據(jù)處理和分析的技術(shù)要求也較為復(fù)雜，這在一定程度上限制了該技術(shù)的廣泛應(yīng)用和推廣。1.3研究目標(biāo)與內(nèi)容本研究旨在通過(guò)綜合運(yùn)用近地面遙感技術(shù)和數(shù)據(jù)分析方法，建立高精度的小麥條銹病嚴(yán)重度近地面遙感估算模型，實(shí)現(xiàn)對(duì)小麥條銹病嚴(yán)重度的快速、準(zhǔn)確評(píng)估，為小麥條銹病的監(jiān)測(cè)預(yù)警和精準(zhǔn)防治提供科學(xué)依據(jù)和技術(shù)支持。具體研究?jī)?nèi)容如下：多源數(shù)據(jù)獲取與預(yù)處理：利用搭載高光譜、多光譜及熱紅外傳感器的近地面遙感平臺(tái)，在小麥條銹病發(fā)生的不同時(shí)期，對(duì)小麥種植區(qū)域進(jìn)行數(shù)據(jù)采集。同時(shí)，同步收集對(duì)應(yīng)的地面實(shí)測(cè)數(shù)據(jù)，包括小麥條銹病嚴(yán)重度、小麥生長(zhǎng)參數(shù)以及氣象數(shù)據(jù)、土壤數(shù)據(jù)等環(huán)境信息。對(duì)獲取的遙感數(shù)據(jù)進(jìn)行輻射定標(biāo)、大氣校正、幾何校正等預(yù)處理操作，以提高數(shù)據(jù)的質(zhì)量和準(zhǔn)確性，為后續(xù)的分析奠定基礎(chǔ)。例如，通過(guò)輻射定標(biāo)將傳感器記錄的數(shù)字量化值轉(zhuǎn)換為實(shí)際的輻射亮度值，消除傳感器本身的誤差和噪聲；利用大氣校正模型去除大氣對(duì)遙感信號(hào)的影響，還原地物的真實(shí)光譜信息。光譜及圖像特征分析與篩選：深入分析小麥條銹病發(fā)生發(fā)展過(guò)程中，小麥冠層光譜特征和圖像特征的變化規(guī)律。通過(guò)相關(guān)性分析、主成分分析等方法，篩選出與小麥條銹病嚴(yán)重度密切相關(guān)的光譜特征參數(shù)和圖像特征指標(biāo)。例如，在光譜特征方面，研究不同發(fā)病程度下小麥在可見(jiàn)光、近紅外、短波紅外等波段的反射率變化，確定敏感波段和特征光譜指數(shù)；在圖像特征方面，分析圖像的紋理、顏色、形狀等特征與病害嚴(yán)重度的關(guān)系，提取有效的圖像特征用于后續(xù)建模。估算模型構(gòu)建與優(yōu)化：基于篩選出的特征參數(shù)，運(yùn)用機(jī)器學(xué)習(xí)算法（如支持向量機(jī)、隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)等）和統(tǒng)計(jì)分析方法，構(gòu)建小麥條銹病嚴(yán)重度近地面遙感估算模型。通過(guò)對(duì)模型參數(shù)的優(yōu)化和調(diào)整，提高模型的準(zhǔn)確性和穩(wěn)定性。同時(shí)，對(duì)比不同模型的性能表現(xiàn)，選擇最優(yōu)的估算模型。例如，利用交叉驗(yàn)證的方法對(duì)模型進(jìn)行訓(xùn)練和評(píng)估，避免過(guò)擬合現(xiàn)象，確保模型具有良好的泛化能力；通過(guò)網(wǎng)格搜索、遺傳算法等優(yōu)化算法，尋找模型的最佳參數(shù)組合，提高模型的預(yù)測(cè)精度。模型驗(yàn)證與應(yīng)用：利用獨(dú)立的測(cè)試數(shù)據(jù)集對(duì)構(gòu)建的估算模型進(jìn)行驗(yàn)證，評(píng)估模型的精度和可靠性。將驗(yàn)證后的模型應(yīng)用于實(shí)際的小麥種植區(qū)域，對(duì)小麥條銹病嚴(yán)重度進(jìn)行估算，并與實(shí)際調(diào)查結(jié)果進(jìn)行對(duì)比分析，進(jìn)一步驗(yàn)證模型的實(shí)用性和有效性。同時(shí)，結(jié)合地理信息系統(tǒng)（GIS）技術(shù)，將估算結(jié)果進(jìn)行可視化表達(dá)，直觀展示小麥條銹病嚴(yán)重度的空間分布情況，為病害防治決策提供直觀依據(jù)。例如，將估算結(jié)果以專題地圖的形式呈現(xiàn)，清晰地展示不同區(qū)域的病害嚴(yán)重程度，便于植保人員快速了解病害的分布范圍和嚴(yán)重程度，制定針對(duì)性的防治措施。1.4研究方法與技術(shù)路線1.4.1研究方法實(shí)驗(yàn)設(shè)計(jì)：選擇具有代表性的小麥種植區(qū)域作為實(shí)驗(yàn)田，設(shè)置多個(gè)樣地。在每個(gè)樣地中，按照不同的小麥品種、種植密度、施肥水平等因素進(jìn)行分組，以研究這些因素對(duì)小麥條銹病發(fā)生發(fā)展及近地面遙感監(jiān)測(cè)的影響。同時(shí)，在不同的時(shí)間節(jié)點(diǎn)，對(duì)小麥條銹病的發(fā)生情況進(jìn)行人工調(diào)查，記錄病害嚴(yán)重度、發(fā)病率等指標(biāo)，作為后續(xù)模型驗(yàn)證的參考數(shù)據(jù)。例如，在實(shí)驗(yàn)田中，選取10個(gè)樣地，每個(gè)樣地面積為100平方米，分別種植不同抗病性的小麥品種，設(shè)置不同的施肥量和灌溉頻率，定期觀察小麥條銹病的發(fā)病情況。數(shù)據(jù)處理方法：運(yùn)用ENVI、ERDAS等遙感圖像處理軟件，對(duì)獲取的近地面遙感數(shù)據(jù)進(jìn)行輻射定標(biāo)、大氣校正、幾何校正等預(yù)處理操作，以提高數(shù)據(jù)的質(zhì)量和準(zhǔn)確性。利用SPSS、R語(yǔ)言等統(tǒng)計(jì)分析軟件，對(duì)預(yù)處理后的遙感數(shù)據(jù)和地面實(shí)測(cè)數(shù)據(jù)進(jìn)行相關(guān)性分析、主成分分析、逐步回歸分析等，篩選出與小麥條銹病嚴(yán)重度密切相關(guān)的特征參數(shù)。例如，使用ENVI軟件對(duì)高光譜遙感數(shù)據(jù)進(jìn)行輻射定標(biāo)，將傳感器記錄的數(shù)字量化值轉(zhuǎn)換為實(shí)際的輻射亮度值；運(yùn)用R語(yǔ)言中的cor函數(shù)，計(jì)算光譜反射率與病害嚴(yán)重度之間的相關(guān)系數(shù)，篩選出相關(guān)性較高的波段。模型構(gòu)建方法：采用機(jī)器學(xué)習(xí)算法，如支持向量機(jī)（SVM）、隨機(jī)森林（RF）、神經(jīng)網(wǎng)絡(luò)（NN）等，構(gòu)建小麥條銹病嚴(yán)重度近地面遙感估算模型。利用訓(xùn)練數(shù)據(jù)集對(duì)模型進(jìn)行訓(xùn)練和優(yōu)化，通過(guò)交叉驗(yàn)證的方法評(píng)估模型的性能，選擇最優(yōu)的模型參數(shù)。例如，使用Python中的scikit-learn庫(kù)，調(diào)用SVM算法構(gòu)建模型，通過(guò)網(wǎng)格搜索法尋找最優(yōu)的懲罰參數(shù)C和核函數(shù)參數(shù)gamma，提高模型的預(yù)測(cè)精度。模型驗(yàn)證方法：利用獨(dú)立的測(cè)試數(shù)據(jù)集對(duì)構(gòu)建好的估算模型進(jìn)行驗(yàn)證，計(jì)算模型的預(yù)測(cè)準(zhǔn)確率、均方根誤差（RMSE）、平均絕對(duì)誤差（MAE）等評(píng)價(jià)指標(biāo)，評(píng)估模型的精度和可靠性。將模型的預(yù)測(cè)結(jié)果與實(shí)際調(diào)查結(jié)果進(jìn)行對(duì)比分析，通過(guò)繪制散點(diǎn)圖、誤差分布圖等方式，直觀展示模型的性能表現(xiàn)。例如，將測(cè)試數(shù)據(jù)集中的遙感數(shù)據(jù)輸入到訓(xùn)練好的模型中，得到小麥條銹病嚴(yán)重度的預(yù)測(cè)值，與實(shí)際調(diào)查的嚴(yán)重度值進(jìn)行比較，計(jì)算RMSE和MAE，評(píng)估模型的準(zhǔn)確性。1.4.2技術(shù)路線本研究的技術(shù)路線圖如下：數(shù)據(jù)獲取：利用搭載高光譜、多光譜及熱紅外傳感器的近地面遙感平臺(tái)，在小麥條銹病發(fā)生的不同時(shí)期，對(duì)小麥種植區(qū)域進(jìn)行數(shù)據(jù)采集。同時(shí)，同步收集對(duì)應(yīng)的地面實(shí)測(cè)數(shù)據(jù)，包括小麥條銹病嚴(yán)重度、小麥生長(zhǎng)參數(shù)以及氣象數(shù)據(jù)、土壤數(shù)據(jù)等環(huán)境信息。數(shù)據(jù)預(yù)處理：對(duì)獲取的遙感數(shù)據(jù)進(jìn)行輻射定標(biāo)、大氣校正、幾何校正等預(yù)處理操作，對(duì)地面實(shí)測(cè)數(shù)據(jù)進(jìn)行整理和標(biāo)準(zhǔn)化處理，確保數(shù)據(jù)的質(zhì)量和一致性。特征分析與篩選：深入分析小麥條銹病發(fā)生發(fā)展過(guò)程中，小麥冠層光譜特征和圖像特征的變化規(guī)律。通過(guò)相關(guān)性分析、主成分分析等方法，篩選出與小麥條銹病嚴(yán)重度密切相關(guān)的光譜特征參數(shù)和圖像特征指標(biāo)。模型構(gòu)建與優(yōu)化：基于篩選出的特征參數(shù)，運(yùn)用機(jī)器學(xué)習(xí)算法（如支持向量機(jī)、隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)等）和統(tǒng)計(jì)分析方法，構(gòu)建小麥條銹病嚴(yán)重度近地面遙感估算模型。通過(guò)對(duì)模型參數(shù)的優(yōu)化和調(diào)整，提高模型的準(zhǔn)確性和穩(wěn)定性。模型驗(yàn)證與應(yīng)用：利用獨(dú)立的測(cè)試數(shù)據(jù)集對(duì)構(gòu)建的估算模型進(jìn)行驗(yàn)證，評(píng)估模型的精度和可靠性。將驗(yàn)證后的模型應(yīng)用于實(shí)際的小麥種植區(qū)域，對(duì)小麥條銹病嚴(yán)重度進(jìn)行估算，并與實(shí)際調(diào)查結(jié)果進(jìn)行對(duì)比分析，進(jìn)一步驗(yàn)證模型的實(shí)用性和有效性。同時(shí)，結(jié)合地理信息系統(tǒng)（GIS）技術(shù)，將估算結(jié)果進(jìn)行可視化表達(dá)，直觀展示小麥條銹病嚴(yán)重度的空間分布情況。[此處插入技術(shù)路線圖]二、小麥條銹病與近地面遙感技術(shù)概述2.1小麥條銹病的特征與危害小麥條銹病是一種極具破壞力的小麥病害，對(duì)小麥的生長(zhǎng)發(fā)育和產(chǎn)量質(zhì)量有著嚴(yán)重影響。其病原菌為條形柄銹菌小麥專化型，是一種嚴(yán)格的專性寄生菌，只能在活的小麥植株上生存和繁衍。小麥條銹病的癥狀較為典型且易于識(shí)別。在苗期感染時(shí)，幼苗葉片上會(huì)出現(xiàn)較多的夏孢子堆，通常呈多層輪狀分布排列。進(jìn)入成株期，發(fā)病初期葉片先出現(xiàn)褪綠條斑，隨著病情發(fā)展，逐漸形成隆起的皰疹斑，即夏孢子堆。這些夏孢子堆較小，呈橢圓形，顏色鮮黃，并且與葉脈平行，整齊地排列成行，呈虛線狀，這也是條銹病得名的原因。發(fā)病后期，夏孢子堆的表皮會(huì)輕微破裂，散出鮮黃色的粉末，即夏孢子。到了成熟期，若此時(shí)染病，在發(fā)病初期小麥的葉鞘上會(huì)出現(xiàn)較多的圓形夏孢子堆以及黑褐色卵圓形孢子堆，后期則開(kāi)始出現(xiàn)短線狀黑色冬孢子堆，且葉背的癥狀一般比葉面更為明顯。小麥條銹病的發(fā)病規(guī)律具有一定的特點(diǎn)。它是一種氣傳性病害，其病原菌的夏孢子可以借助氣流進(jìn)行遠(yuǎn)距離傳播，傳播速度極快，爆發(fā)性強(qiáng)。病害的發(fā)生通常從單片病葉開(kāi)始，逐漸形成發(fā)病中心，然后擴(kuò)散至全田，最終在適宜的條件下迅速蔓延。一般來(lái)說(shuō)，小麥條銹病的發(fā)生需要滿足一定的條件。品種因素是重要的一方面，部分地區(qū)長(zhǎng)期種植同一小麥品種，導(dǎo)致品種特性退化，抗病抗銹能力減弱，容易受到條銹病的侵襲。菌源方面，冬孢子、夏孢子在小麥田周?chē)s草或自生麥苗上越冬或越夏，成為潛在的感染源。栽培管理也對(duì)病害發(fā)生有影響，排水不良、地勢(shì)低洼、土質(zhì)黏重的地塊，以及氮肥施用過(guò)晚或偏施氮肥、田間蔭蔽度大、栽植過(guò)密的田塊，小麥更容易感病。此外，溫度和濕度也是關(guān)鍵因素，條銹病發(fā)病的適宜溫度為9-16℃，結(jié)露、下雨和降霧等高濕環(huán)境都有利于銹病的發(fā)生。在春季，條銹病一般發(fā)病最早，這與春季的氣溫回升以及田間濕度條件等密切相關(guān)。小麥條銹病對(duì)小麥的危害是多方面的，且影響極為嚴(yán)重。從對(duì)小麥生長(zhǎng)發(fā)育的影響來(lái)看，它會(huì)嚴(yán)重破壞小麥葉片的正常功能。染病后的葉片布滿銹斑，導(dǎo)致光合作用的葉面積大幅減少，同時(shí)，條銹病還會(huì)破壞葉綠素，使光合作用效率顯著降低。這使得小麥無(wú)法充分進(jìn)行光合作用，有機(jī)物質(zhì)的合成和積累受到阻礙，小麥生長(zhǎng)所需的能量和養(yǎng)分供應(yīng)不足，進(jìn)而導(dǎo)致植株生長(zhǎng)衰弱，分蘗減少，成穗率降低。在產(chǎn)量方面，小麥條銹病會(huì)造成小麥灌漿不充分，千粒重下降，直接導(dǎo)致小麥產(chǎn)量大幅減少。在流行年份，減產(chǎn)可達(dá)40%以上，嚴(yán)重時(shí)甚至?xí)?dǎo)致絕收，給農(nóng)民的收成和國(guó)家的糧食安全帶來(lái)極大的威脅。在品質(zhì)方面，染病的小麥麥粒營(yíng)養(yǎng)成分和加工品質(zhì)受到損害，籽粒不飽滿，降低了其市場(chǎng)價(jià)值和經(jīng)濟(jì)收益。例如，在一些小麥主產(chǎn)區(qū)，由于條銹病的爆發(fā)，大量小麥品質(zhì)下降，無(wú)法達(dá)到優(yōu)質(zhì)小麥的收購(gòu)標(biāo)準(zhǔn)，農(nóng)民的經(jīng)濟(jì)收入受到嚴(yán)重影響。2.2近地面遙感技術(shù)原理與特點(diǎn)近地面遙感技術(shù)是一種在距離地面較近的高度上，利用傳感器對(duì)目標(biāo)物體進(jìn)行探測(cè)和信息獲取的技術(shù)。其原理基于電磁波的反射和發(fā)射特性。地球上的物體，由于其物質(zhì)組成和結(jié)構(gòu)的不同，對(duì)不同波長(zhǎng)的電磁波具有獨(dú)特的吸收、反射和發(fā)射能力。當(dāng)電磁波照射到小麥植株上時(shí)，小麥冠層會(huì)對(duì)不同波段的電磁波進(jìn)行反射、吸收和透射。近地面遙感傳感器搭載在無(wú)人機(jī)、地面車(chē)輛或手持設(shè)備等平臺(tái)上，能夠接收小麥冠層反射或自身發(fā)射的電磁波信息，并將其轉(zhuǎn)換為電信號(hào)或數(shù)字信號(hào)，進(jìn)而傳輸?shù)綌?shù)據(jù)處理系統(tǒng)中。以高光譜遙感為例，高光譜傳感器能夠獲取連續(xù)的、窄波段的光譜數(shù)據(jù)，通常具有幾十甚至上百個(gè)波段，其光譜分辨率可達(dá)到納米級(jí)。通過(guò)這些高分辨率的光譜數(shù)據(jù)，可以詳細(xì)分析小麥冠層在不同波長(zhǎng)下的反射率變化，從而獲取關(guān)于小麥生長(zhǎng)狀況、病蟲(chóng)害發(fā)生情況等豐富的信息。多光譜遙感則是獲取幾個(gè)特定波段的光譜信息，這些波段通常是根據(jù)研究目的和對(duì)象的特征進(jìn)行選擇的，例如常用的可見(jiàn)光波段（紅、綠、藍(lán)）、近紅外波段等，通過(guò)分析這些波段的組合和變化，來(lái)監(jiān)測(cè)小麥條銹病的發(fā)生發(fā)展。熱紅外遙感利用的是物體自身發(fā)射的熱輻射，在熱紅外波段，物體的熱輻射強(qiáng)度與溫度密切相關(guān)。小麥感染條銹病后，其生理功能會(huì)發(fā)生變化，導(dǎo)致冠層溫度出現(xiàn)異常，熱紅外傳感器可以捕捉到這種溫度變化，從而為小麥條銹病的監(jiān)測(cè)提供依據(jù)。近地面遙感技術(shù)在監(jiān)測(cè)小麥條銹病時(shí)具有諸多顯著特點(diǎn)。首先是高分辨率，包括高空間分辨率和高光譜分辨率。高空間分辨率使得近地面遙感能夠清晰地分辨出小麥植株的個(gè)體特征以及病害在植株上的細(xì)微分布情況。例如，在無(wú)人機(jī)搭載的高分辨率相機(jī)拍攝的圖像中，可以準(zhǔn)確地識(shí)別出單個(gè)小麥葉片上的條銹病病斑，這對(duì)于早期發(fā)現(xiàn)病害和準(zhǔn)確評(píng)估病害嚴(yán)重度至關(guān)重要。高光譜分辨率則能夠提供豐富的光譜信息，通過(guò)對(duì)不同波段光譜反射率的精細(xì)分析，能夠更準(zhǔn)確地識(shí)別小麥條銹病的特征光譜，提高病害監(jiān)測(cè)的準(zhǔn)確性和敏感性。實(shí)時(shí)性也是近地面遙感的重要優(yōu)勢(shì)。它可以根據(jù)需要隨時(shí)對(duì)小麥種植區(qū)域進(jìn)行監(jiān)測(cè)，及時(shí)獲取小麥條銹病的發(fā)生發(fā)展信息。在病害發(fā)生的關(guān)鍵時(shí)期，如春季小麥條銹病高發(fā)期，可以通過(guò)頻繁的近地面遙感監(jiān)測(cè)，實(shí)時(shí)跟蹤病害的傳播路徑和擴(kuò)散范圍，為及時(shí)采取防治措施提供有力支持。相比傳統(tǒng)的人工調(diào)查方法，近地面遙感能夠在短時(shí)間內(nèi)完成大面積的監(jiān)測(cè)任務(wù)，大大提高了監(jiān)測(cè)效率，使植保人員能夠第一時(shí)間掌握病害動(dòng)態(tài)，做出科學(xué)的防治決策。靈活性是近地面遙感的又一特點(diǎn)。其搭載平臺(tái)多樣，包括無(wú)人機(jī)、地面車(chē)輛和手持設(shè)備等，這些平臺(tái)可以根據(jù)不同的監(jiān)測(cè)需求和地形條件進(jìn)行選擇。在地形復(fù)雜的山區(qū)小麥種植區(qū)，無(wú)人機(jī)可以靈活地穿梭于山間，對(duì)小麥田進(jìn)行全面監(jiān)測(cè)；而在平原地區(qū)，地面車(chē)輛可以快速行駛，對(duì)大面積的小麥田進(jìn)行高效的數(shù)據(jù)采集。手持設(shè)備則適用于對(duì)局部區(qū)域進(jìn)行詳細(xì)的調(diào)查和分析，方便植保人員在田間進(jìn)行實(shí)時(shí)檢測(cè)和記錄。這種靈活性使得近地面遙感能夠適應(yīng)各種不同的監(jiān)測(cè)場(chǎng)景，為小麥條銹病的監(jiān)測(cè)提供了更多的選擇和便利。此外，近地面遙感還具有無(wú)損性的優(yōu)點(diǎn)。它不需要直接接觸小麥植株，避免了對(duì)小麥生長(zhǎng)造成物理?yè)p傷，同時(shí)也減少了人為因素對(duì)病害傳播的影響。在傳統(tǒng)的人工調(diào)查中，調(diào)查人員可能會(huì)在田間行走，對(duì)小麥植株造成踩踏，影響小麥的正常生長(zhǎng)，并且在接觸病害植株后可能會(huì)無(wú)意中傳播病菌。而近地面遙感通過(guò)遠(yuǎn)距離獲取信息，有效地避免了這些問(wèn)題，保證了小麥生長(zhǎng)環(huán)境的自然性和完整性，為準(zhǔn)確監(jiān)測(cè)小麥條銹病提供了可靠的保障。2.3近地面遙感在農(nóng)業(yè)病蟲(chóng)害監(jiān)測(cè)中的應(yīng)用現(xiàn)狀近地面遙感技術(shù)憑借其獨(dú)特的優(yōu)勢(shì)，在農(nóng)業(yè)病蟲(chóng)害監(jiān)測(cè)領(lǐng)域得到了廣泛的應(yīng)用，為病蟲(chóng)害的早期發(fā)現(xiàn)、精準(zhǔn)監(jiān)測(cè)和有效防治提供了有力支持。在棉花病蟲(chóng)害監(jiān)測(cè)方面，棉鈴蟲(chóng)是棉花生產(chǎn)中的重要害蟲(chóng)之一，對(duì)棉花產(chǎn)量和質(zhì)量造成嚴(yán)重?fù)p害。通過(guò)近地面遙感技術(shù)，利用高分辨率的多光譜相機(jī)或高光譜傳感器搭載在無(wú)人機(jī)上，對(duì)棉田進(jìn)行監(jiān)測(cè)。研究發(fā)現(xiàn)，棉鈴蟲(chóng)侵害后的棉花葉片，其光譜反射率在某些波段會(huì)發(fā)生明顯變化，如在可見(jiàn)光波段，由于葉片受損，葉綠素含量下降，導(dǎo)致紅光波段的反射率升高，綠光波段的反射率降低；在近紅外波段，由于葉片內(nèi)部結(jié)構(gòu)被破壞，反射率也會(huì)出現(xiàn)異常。通過(guò)分析這些光譜特征的變化，可以準(zhǔn)確識(shí)別受到棉鈴蟲(chóng)侵害的棉田區(qū)域，確定蟲(chóng)害的分布范圍和嚴(yán)重程度。同時(shí)，結(jié)合時(shí)間序列的遙感數(shù)據(jù)，還可以監(jiān)測(cè)棉鈴蟲(chóng)的發(fā)生發(fā)展趨勢(shì)，為及時(shí)采取防治措施提供依據(jù)。例如，在棉鈴蟲(chóng)的產(chǎn)卵期和幼蟲(chóng)孵化期，通過(guò)頻繁的近地面遙感監(jiān)測(cè)，能夠及時(shí)發(fā)現(xiàn)蟲(chóng)害的早期跡象，指導(dǎo)農(nóng)民在最佳時(shí)機(jī)進(jìn)行防治，有效減少棉鈴蟲(chóng)對(duì)棉花的危害，提高棉花產(chǎn)量和質(zhì)量。在水稻病蟲(chóng)害監(jiān)測(cè)中，稻瘟病是一種常見(jiàn)且危害嚴(yán)重的病害。利用近地面遙感技術(shù)，通過(guò)熱紅外傳感器監(jiān)測(cè)水稻冠層的溫度變化，可以發(fā)現(xiàn)感染稻瘟病的水稻植株溫度會(huì)與健康植株存在差異。這是因?yàn)椴『?huì)影響水稻的生理功能，導(dǎo)致水分代謝和能量平衡發(fā)生改變，從而引起冠層溫度異常。同時(shí)，高光譜遙感也能發(fā)揮重要作用，通過(guò)分析水稻冠層在不同波段的光譜反射率，篩選出與稻瘟病相關(guān)的敏感波段和光譜指數(shù)，如歸一化植被指數(shù)（NDVI）、比值植被指數(shù)（RVI）等在病害發(fā)生時(shí)會(huì)出現(xiàn)明顯變化。通過(guò)對(duì)這些指標(biāo)的監(jiān)測(cè)和分析，可以實(shí)現(xiàn)對(duì)稻瘟病的早期預(yù)警和病情評(píng)估。在實(shí)際應(yīng)用中，利用搭載高光譜和熱紅外傳感器的無(wú)人機(jī)，定期對(duì)水稻田進(jìn)行監(jiān)測(cè)，能夠快速準(zhǔn)確地獲取水稻的健康狀況信息，及時(shí)發(fā)現(xiàn)稻瘟病的發(fā)病區(qū)域，為精準(zhǔn)施藥提供指導(dǎo)，減少農(nóng)藥的使用量，降低環(huán)境污染，同時(shí)提高防治效果，保障水稻的安全生產(chǎn)。與其他農(nóng)業(yè)病蟲(chóng)害監(jiān)測(cè)相比，近地面遙感在小麥條銹病監(jiān)測(cè)中具有一些獨(dú)特的優(yōu)勢(shì)。小麥條銹病是一種氣傳性病害，傳播速度快，一旦爆發(fā)，短時(shí)間內(nèi)就能造成大面積的危害。近地面遙感的高分辨率特點(diǎn)使其能夠清晰地分辨出小麥葉片上的條銹病病斑，即使在病害初期，病斑較小且不明顯時(shí)，也能通過(guò)高分辨率的圖像和光譜數(shù)據(jù)及時(shí)發(fā)現(xiàn)。而在棉花病蟲(chóng)害監(jiān)測(cè)中，棉鈴蟲(chóng)的危害主要表現(xiàn)為葉片的孔洞和缺刻等，雖然近地面遙感也能識(shí)別，但對(duì)于一些小型的棉鈴蟲(chóng)幼蟲(chóng)或蟲(chóng)卵，可能由于分辨率限制而難以準(zhǔn)確檢測(cè)。在水稻稻瘟病監(jiān)測(cè)中，由于水稻植株較為密集，冠層結(jié)構(gòu)復(fù)雜，可能會(huì)對(duì)遙感數(shù)據(jù)的獲取和分析產(chǎn)生一定干擾，相比之下，小麥的冠層結(jié)構(gòu)相對(duì)簡(jiǎn)單，更有利于近地面遙感技術(shù)的應(yīng)用，能夠更準(zhǔn)確地獲取小麥條銹病的相關(guān)信息。然而，近地面遙感在小麥條銹病監(jiān)測(cè)中也面臨一些挑戰(zhàn)。小麥條銹病的發(fā)生發(fā)展受到多種因素的影響，如氣象條件、土壤肥力、品種抗性等，這些因素的復(fù)雜性增加了監(jiān)測(cè)的難度。在不同的氣象條件下，小麥的光譜特征和冠層溫度會(huì)發(fā)生變化，可能會(huì)掩蓋或干擾條銹病的特征信息，導(dǎo)致監(jiān)測(cè)結(jié)果出現(xiàn)偏差。同時(shí)，不同小麥品種對(duì)條銹病的抗性不同，其在發(fā)病后的光譜響應(yīng)也存在差異，這就需要在建立監(jiān)測(cè)模型時(shí)充分考慮品種因素，提高模型的適應(yīng)性和準(zhǔn)確性。此外，近地面遙感數(shù)據(jù)的處理和分析需要專業(yè)的技術(shù)和軟件，數(shù)據(jù)量龐大，處理過(guò)程復(fù)雜，對(duì)硬件設(shè)備和操作人員的技術(shù)水平要求較高，這在一定程度上限制了該技術(shù)的廣泛應(yīng)用和推廣。三、數(shù)據(jù)獲取與預(yù)處理3.1實(shí)驗(yàn)設(shè)計(jì)與數(shù)據(jù)采集3.1.1實(shí)驗(yàn)區(qū)域選擇本研究選取了位于[具體地名]的典型小麥種植區(qū)作為實(shí)驗(yàn)區(qū)域。該區(qū)域擁有悠久的小麥種植歷史，種植面積廣闊，常年穩(wěn)定在[X]萬(wàn)畝以上，為開(kāi)展大規(guī)模的實(shí)驗(yàn)研究提供了充足的樣本空間。區(qū)域內(nèi)小麥品種豐富多樣，涵蓋了[列舉主要小麥品種]等多個(gè)品種，不同品種在生長(zhǎng)特性、抗病能力等方面存在差異，有助于研究不同品種對(duì)小麥條銹病發(fā)生發(fā)展的影響，以及近地面遙感技術(shù)在不同品種監(jiān)測(cè)中的適用性。從病害發(fā)生頻率來(lái)看，該地區(qū)由于其獨(dú)特的氣候條件和地理環(huán)境，小麥條銹病頻發(fā)。春季氣溫回升較快，且多陰雨天氣，空氣濕度較大，為小麥條銹病病原菌的傳播和侵染創(chuàng)造了有利條件。據(jù)當(dāng)?shù)剞r(nóng)業(yè)部門(mén)統(tǒng)計(jì)，過(guò)去[X]年中，該地區(qū)小麥條銹病的年平均發(fā)病面積達(dá)到[X]萬(wàn)畝，發(fā)病頻率高達(dá)[X]%，在一些年份甚至出現(xiàn)大面積流行的情況，對(duì)小麥產(chǎn)量造成了嚴(yán)重影響。這使得該區(qū)域成為研究小麥條銹病近地面遙感監(jiān)測(cè)的理想場(chǎng)所，能夠獲取豐富的病害數(shù)據(jù)，為模型的構(gòu)建和驗(yàn)證提供有力支持。此外，該區(qū)域交通便利，便于實(shí)驗(yàn)設(shè)備的運(yùn)輸和人員的往來(lái)，同時(shí)周邊基礎(chǔ)設(shè)施完善，能夠?yàn)閷?shí)驗(yàn)的順利開(kāi)展提供必要的保障。3.1.2數(shù)據(jù)采集方法在數(shù)據(jù)采集過(guò)程中，主要使用了無(wú)人機(jī)搭載的多光譜相機(jī)作為近地面遙感設(shè)備。無(wú)人機(jī)選用了[具體型號(hào)]，其具有良好的穩(wěn)定性和續(xù)航能力，最大續(xù)航時(shí)間可達(dá)[X]小時(shí)，能夠滿足大面積數(shù)據(jù)采集的需求。搭載的多光譜相機(jī)為[相機(jī)型號(hào)]，該相機(jī)能夠獲取[列舉相機(jī)的主要波段，如紅、綠、藍(lán)、近紅外等]等多個(gè)波段的光譜信息，光譜分辨率達(dá)到[X]nm，空間分辨率為[X]cm，能夠清晰地捕捉到小麥冠層的細(xì)微特征，為后續(xù)的分析提供高精度的數(shù)據(jù)支持。數(shù)據(jù)采集時(shí)間主要集中在小麥條銹病的高發(fā)期，即每年的[具體月份]。在這個(gè)時(shí)期，小麥條銹病的癥狀表現(xiàn)較為明顯，易于識(shí)別和監(jiān)測(cè)。為了獲取病害的動(dòng)態(tài)發(fā)展信息，采用了定期采集的方式，每隔[X]天進(jìn)行一次數(shù)據(jù)采集，共進(jìn)行了[X]次。這樣可以全面跟蹤小麥條銹病從初期發(fā)病到病情加重的整個(gè)過(guò)程，分析病害在不同階段的光譜特征變化。在數(shù)據(jù)采集方式上，首先根據(jù)實(shí)驗(yàn)區(qū)域的范圍和地形特點(diǎn)，利用專業(yè)的無(wú)人機(jī)飛行規(guī)劃軟件，制定詳細(xì)的飛行路線。飛行高度設(shè)定為[X]米，以保證獲取的圖像具有合適的分辨率和覆蓋范圍。在飛行過(guò)程中，無(wú)人機(jī)按照預(yù)設(shè)的路線自動(dòng)飛行，多光譜相機(jī)同步進(jìn)行數(shù)據(jù)采集，確保能夠全面、均勻地覆蓋整個(gè)實(shí)驗(yàn)區(qū)域。同時(shí)，為了保證數(shù)據(jù)的準(zhǔn)確性和可靠性，在每次飛行前，對(duì)無(wú)人機(jī)和多光譜相機(jī)進(jìn)行嚴(yán)格的校準(zhǔn)和檢查，確保設(shè)備性能正常。在數(shù)據(jù)采集過(guò)程中，還記錄了當(dāng)時(shí)的天氣狀況、光照條件等環(huán)境參數(shù)，以便后續(xù)對(duì)數(shù)據(jù)進(jìn)行校正和分析。3.2數(shù)據(jù)預(yù)處理步驟3.2.1輻射定標(biāo)與大氣校正輻射定標(biāo)是將傳感器記錄的原始數(shù)字量化值（DN值）轉(zhuǎn)換為具有物理意義的輻射亮度值的關(guān)鍵過(guò)程。在小麥條銹病近地面遙感監(jiān)測(cè)中，這一步驟至關(guān)重要。由于傳感器在獲取數(shù)據(jù)時(shí)，其記錄的DN值受到多種因素影響，如傳感器自身的增益、偏置以及電子噪聲等，這些因素導(dǎo)致DN值不能直接反映小麥冠層的真實(shí)輻射特性。通過(guò)輻射定標(biāo)，能夠消除傳感器自身的誤差，準(zhǔn)確確定傳感器入口處的輻射值，為后續(xù)的數(shù)據(jù)分析提供可靠的基礎(chǔ)。在實(shí)際操作中，利用ENVI軟件進(jìn)行輻射定標(biāo)。以研究中獲取的無(wú)人機(jī)多光譜遙感數(shù)據(jù)為例，首先打開(kāi)數(shù)據(jù)對(duì)應(yīng)的元數(shù)據(jù)文件（通常為MTL文件），從中提取輻射定標(biāo)所需的參數(shù)，如增益系數(shù)、偏置系數(shù)等。在ENVI軟件的Toolbox中，選擇RadiometricCorrection下的RadiometricCalibration工具，打開(kāi)輻射定標(biāo)面板。在面板中，設(shè)置定標(biāo)類(lèi)型為輻射率數(shù)據(jù)（Radiance），并根據(jù)元數(shù)據(jù)中的參數(shù)設(shè)置相應(yīng)的輻射率數(shù)據(jù)單位調(diào)整系數(shù)。同時(shí)，確保數(shù)據(jù)的儲(chǔ)存順序（Interleave）和數(shù)據(jù)類(lèi)型（DataType）設(shè)置正確，一般儲(chǔ)存順序可選擇BIL（Band-InterleavedbyLine）或BIP（Band-InterleavedbyPixel），數(shù)據(jù)類(lèi)型設(shè)置為Float，以保證數(shù)據(jù)精度。設(shè)置完成后，點(diǎn)擊Apply進(jìn)行輻射定標(biāo)，得到輻射亮度值圖像。輻射定標(biāo)前，圖像的DN值無(wú)法準(zhǔn)確反映小麥冠層的輻射信息，不同傳感器或同一傳感器在不同時(shí)間獲取的數(shù)據(jù)之間缺乏可比性。而輻射定標(biāo)后，圖像的輻射亮度值能夠準(zhǔn)確反映小麥冠層對(duì)不同波段電磁波的輻射強(qiáng)度，為后續(xù)分析提供了準(zhǔn)確的數(shù)據(jù)基礎(chǔ)。大氣校正則是消除大氣對(duì)遙感信號(hào)影響的重要環(huán)節(jié)。大氣中的氣體分子（如氧氣、二氧化碳、水蒸氣等）和氣溶膠會(huì)對(duì)電磁波產(chǎn)生吸收和散射作用，導(dǎo)致傳感器接收到的信號(hào)并非完全來(lái)自小麥冠層的真實(shí)反射，從而影響對(duì)小麥條銹病的監(jiān)測(cè)精度。通過(guò)大氣校正，能夠去除大氣吸收和散射的影響，還原小麥冠層的真實(shí)反射率，提高遙感數(shù)據(jù)的質(zhì)量和可解釋性。本研究采用FLAASH大氣校正模型，該模型基于MODTRAN4+輻射傳輸模型的代碼，能夠有效校正由于漫反射引起的連帶效應(yīng)。在ENVI軟件中，在完成輻射定標(biāo)后，選擇RadiometricCalibration下的AtmosphericCorrectionModule，進(jìn)而選擇FLAASHAtmosphericCorrection。在FLAASH大氣校正參數(shù)設(shè)置面板中，首先設(shè)置傳感器類(lèi)型，根據(jù)實(shí)際使用的無(wú)人機(jī)多光譜相機(jī)選擇對(duì)應(yīng)的類(lèi)型。地面高程（Groundelevation）參數(shù)通過(guò)獲取研究區(qū)域的數(shù)字高程模型（DEM）數(shù)據(jù)，并進(jìn)行相應(yīng)的計(jì)算和處理后輸入。同時(shí)，準(zhǔn)確設(shè)置飛行日期（Flightdate）和飛行時(shí)間（FlighttimeGMT），這些信息可從無(wú)人機(jī)飛行記錄中獲取。大氣模型（Atmospheremodel）根據(jù)研究區(qū)域的地理位置和數(shù)據(jù)獲取時(shí)間選擇合適的模型，如中緯度夏季模型、中緯度冬季模型等。設(shè)置完成后，點(diǎn)擊Apply進(jìn)行大氣校正。大氣校正前，由于大氣的影響，圖像的顏色和紋理可能會(huì)出現(xiàn)偏差，難以準(zhǔn)確識(shí)別小麥條銹病的特征。大氣校正后，圖像的顏色和紋理更加真實(shí)，能夠清晰地展現(xiàn)小麥冠層的細(xì)節(jié)信息，有助于準(zhǔn)確分析小麥條銹病的發(fā)生情況。3.2.2圖像拼接與裁剪在數(shù)據(jù)采集過(guò)程中，由于無(wú)人機(jī)的飛行范圍和相機(jī)的視場(chǎng)角限制，通常會(huì)獲取多幅遙感圖像。這些圖像在空間上相互重疊，但每幅圖像僅覆蓋研究區(qū)域的一部分。為了獲取研究區(qū)域完整的圖像數(shù)據(jù)，需要進(jìn)行圖像拼接。圖像拼接的原理是基于圖像之間的重疊區(qū)域，通過(guò)匹配重疊區(qū)域的特征點(diǎn)，將多幅圖像進(jìn)行幾何變換和融合，生成一幅無(wú)縫的大圖像。在ENVI軟件中，使用SeamlessMosaic工具進(jìn)行圖像拼接。首先，將需要拼接的多幅圖像加載到SeamlessMosaic工具中，在加載過(guò)程中，軟件會(huì)自動(dòng)識(shí)別圖像的地理坐標(biāo)信息（如果圖像帶有地理坐標(biāo)）。對(duì)于沒(méi)有地理坐標(biāo)的圖像，需要進(jìn)行地理配準(zhǔn)，使其具有統(tǒng)一的地理坐標(biāo)系。在拼接過(guò)程中，設(shè)置DataIgnoreValue參數(shù)，忽略圖像中的無(wú)效值（如背景值），通常將其設(shè)置為0。同時(shí)，勾選ShowPreview選項(xiàng)，實(shí)時(shí)預(yù)覽拼接效果。在ColorCorrection選項(xiàng)中，可選擇HistogramMatching進(jìn)行勻色處理，使拼接后的圖像顏色更加均勻一致。OverlapAreaOnly選項(xiàng)表示僅對(duì)重疊區(qū)域進(jìn)行直方圖匹配，EntireScene選項(xiàng)則表示對(duì)整景影像進(jìn)行直方圖匹配，可根據(jù)實(shí)際情況選擇合適的選項(xiàng)。此外，還可以通過(guò)自動(dòng)或手動(dòng)繪制接邊線的方式，優(yōu)化拼接效果，自動(dòng)繪制接邊線時(shí)，選擇下拉菜單Seamlines中的AutoGenerateSeamlines，軟件會(huì)根據(jù)圖像特征自動(dòng)生成接邊線；手動(dòng)繪制接邊線時(shí)，選擇下拉菜單Seamlines中的Starteditingseamlines，通過(guò)繪制多邊形重新設(shè)置接邊線。設(shè)置完成后，在Export面板中，設(shè)置重采樣方法（Resamplingmethod）為CubicConvolution，背景值（OutputbackgroundValue）為0，并選擇鑲嵌結(jié)果的輸出路徑，點(diǎn)擊Finish執(zhí)行鑲嵌，得到拼接后的完整圖像。完成圖像拼接后，為了提取研究區(qū)域的有效信息，需要對(duì)拼接后的圖像進(jìn)行裁剪。裁剪的目的是去除研究區(qū)域之外的冗余信息，提高數(shù)據(jù)處理效率和分析精度。在ENVI軟件中，采用矢量文件掩膜裁剪的方法進(jìn)行圖像裁剪。首先，獲取研究區(qū)域的矢量邊界文件（如SHP格式文件），該文件可通過(guò)地理信息系統(tǒng)（GIS）數(shù)據(jù)獲取或根據(jù)研究區(qū)域的邊界坐標(biāo)手動(dòng)繪制。在ENVI軟件中，點(diǎn)擊FILE—OpenVectorFile輸入矢量文件，在AvailableVectorList對(duì)話框中，選擇FILE—ExportlayerstoROIs，將矢量文件轉(zhuǎn)換為感興趣區(qū)域（ROI）。選擇ConvertallrecordsofanEVFlayertooneROI，將所有記錄轉(zhuǎn)換為一個(gè)ROI。回到AvailableVectorList對(duì)話框，點(diǎn)擊LoadSelected加載ROI，選擇顯示的窗口為拼接后的遙感圖像打開(kāi)的窗口，將CurrentLayer顏色改成黑色，以便清晰顯示裁剪區(qū)域。點(diǎn)擊Apply查看裁剪區(qū)域是否準(zhǔn)確，確認(rèn)無(wú)誤后，在ENVI主菜單選擇BasicTools—SubsetdataviaROIs，選擇拼接后的圖像，在SpatialsubsetviaROIParameters對(duì)話框中，選擇剛才導(dǎo)出的ROI，將掩膜項(xiàng)設(shè)為YES，掩膜背景的值為0，點(diǎn)擊確定輸出裁剪后的圖像。通過(guò)圖像拼接和裁剪，得到了研究區(qū)域完整且準(zhǔn)確的遙感圖像數(shù)據(jù)，為后續(xù)的小麥條銹病嚴(yán)重度估算提供了基礎(chǔ)。3.2.3實(shí)地調(diào)查數(shù)據(jù)收集實(shí)地調(diào)查數(shù)據(jù)是驗(yàn)證和校準(zhǔn)近地面遙感估算模型的重要依據(jù)，能夠提供小麥條銹病嚴(yán)重度的真實(shí)情況。在實(shí)地調(diào)查中，采用樣方法進(jìn)行數(shù)據(jù)收集。根據(jù)研究區(qū)域的大小和小麥種植的分布情況，將研究區(qū)域劃分為若干個(gè)樣方，每個(gè)樣方的面積設(shè)置為100平方米，以保證樣方具有代表性。在每個(gè)樣方內(nèi)，隨機(jī)選取5-10個(gè)樣點(diǎn)，每個(gè)樣點(diǎn)調(diào)查1平方米范圍內(nèi)的小麥植株。對(duì)于每個(gè)樣點(diǎn)，詳細(xì)記錄小麥條銹病的相關(guān)信息。首先，確定小麥條銹病的病害等級(jí)，按照國(guó)家標(biāo)準(zhǔn)或行業(yè)標(biāo)準(zhǔn)，將病害等級(jí)劃分為0-5級(jí)，其中0級(jí)表示無(wú)病，1級(jí)表示輕微發(fā)病，葉片上有少量病斑，病斑面積占葉片總面積的5%以下；2級(jí)表示輕度發(fā)病，病斑面積占葉片總面積的6%-15%；3級(jí)表示中度發(fā)病，病斑面積占葉片總面積的16%-30%；4級(jí)表示重度發(fā)病，病斑面積占葉片總面積的31%-50%；5級(jí)表示極重度發(fā)病，病斑面積占葉片總面積的50%以上。同時(shí)，記錄每個(gè)樣點(diǎn)的發(fā)病面積，通過(guò)測(cè)量病斑的長(zhǎng)度和寬度，計(jì)算病斑面積，進(jìn)而統(tǒng)計(jì)樣點(diǎn)內(nèi)的發(fā)病面積。除了病害信息，還記錄樣點(diǎn)的地理位置信息，使用GPS設(shè)備準(zhǔn)確記錄每個(gè)樣點(diǎn)的經(jīng)緯度坐標(biāo)，以便與遙感圖像進(jìn)行空間匹配。此外，記錄樣點(diǎn)的小麥品種、種植密度、施肥情況等小麥生長(zhǎng)參數(shù)，以及調(diào)查時(shí)的氣象數(shù)據(jù)，如溫度、濕度、光照強(qiáng)度等，這些環(huán)境因素可能會(huì)影響小麥條銹病的發(fā)生發(fā)展，對(duì)后續(xù)的分析具有重要意義。通過(guò)全面、細(xì)致的實(shí)地調(diào)查，收集到了豐富的小麥條銹病相關(guān)數(shù)據(jù)，為小麥條銹病嚴(yán)重度近地面遙感估算模型的構(gòu)建和驗(yàn)證提供了可靠的數(shù)據(jù)支持。四、小麥條銹病嚴(yán)重度與近地面遙感數(shù)據(jù)的相關(guān)性分析4.1光譜特征分析4.1.1不同發(fā)病程度小麥的光譜反射率差異為了深入探究小麥條銹病嚴(yán)重度與近地面遙感數(shù)據(jù)的相關(guān)性，首先對(duì)不同發(fā)病程度小麥的光譜反射率進(jìn)行了詳細(xì)分析。通過(guò)實(shí)驗(yàn)獲取了健康小麥以及不同發(fā)病程度小麥的高光譜數(shù)據(jù)，將發(fā)病程度分為輕度、中度和重度三個(gè)等級(jí)，每個(gè)等級(jí)選取了30個(gè)樣本進(jìn)行測(cè)量。在分析過(guò)程中，繪制了健康小麥與不同發(fā)病程度小麥的光譜反射率曲線，結(jié)果如圖1所示。從圖中可以明顯看出，在可見(jiàn)光波段（400-700nm），隨著小麥條銹病發(fā)病程度的加重，光譜反射率呈現(xiàn)出明顯的變化趨勢(shì)。在綠光波段（500-560nm），健康小麥的光譜反射率相對(duì)較低，而輕度發(fā)病小麥的反射率略有上升，中度和重度發(fā)病小麥的反射率進(jìn)一步升高。這是因?yàn)樾←湼腥緱l銹病后，葉片中的葉綠素含量逐漸減少，導(dǎo)致對(duì)綠光的吸收能力減弱，反射率相應(yīng)增加。例如，在550nm處，健康小麥的反射率約為0.05，輕度發(fā)病小麥的反射率增加到0.06左右，中度發(fā)病小麥達(dá)到0.07，重度發(fā)病小麥則高達(dá)0.08以上。在紅光波段（630-680nm），情況則相反。健康小麥對(duì)紅光的吸收較強(qiáng)，反射率較低，而發(fā)病小麥的反射率隨著發(fā)病程度的加重而逐漸升高。這是由于條銹病破壞了小麥葉片的光合結(jié)構(gòu)，影響了光合作用對(duì)紅光的利用，使得紅光的反射率升高。在650nm處，健康小麥的反射率約為0.03，輕度發(fā)病小麥升高到0.04，中度發(fā)病小麥為0.05，重度發(fā)病小麥達(dá)到0.06以上。在近紅外波段（760-1300nm），健康小麥的光譜反射率較高，這是因?yàn)榻】敌←溔~片內(nèi)部細(xì)胞結(jié)構(gòu)完整，對(duì)近紅外光具有較強(qiáng)的散射作用。然而，隨著條銹病發(fā)病程度的加重，小麥葉片的細(xì)胞結(jié)構(gòu)遭到破壞，近紅外波段的反射率逐漸降低。在800nm處，健康小麥的反射率約為0.4，輕度發(fā)病小麥下降到0.35左右，中度發(fā)病小麥為0.3，重度發(fā)病小麥僅為0.25左右。[此處插入健康小麥與不同發(fā)病程度小麥的光譜反射率曲線對(duì)比圖]4.1.2敏感波段的確定為了進(jìn)一步確定對(duì)小麥條銹病嚴(yán)重度敏感的波段，采用了多種統(tǒng)計(jì)分析方法。首先，計(jì)算了不同波段光譜反射率與小麥條銹病嚴(yán)重度之間的相關(guān)系數(shù)，結(jié)果如表1所示。從表中可以看出，在600-703nm波段范圍內(nèi)，相關(guān)系數(shù)呈現(xiàn)出較高的絕對(duì)值，其中在650-680nm波段，相關(guān)系數(shù)達(dá)到了0.8以上，表明該波段與小麥條銹病嚴(yán)重度具有極強(qiáng)的相關(guān)性。在這個(gè)波段范圍內(nèi)，隨著條銹病嚴(yán)重度的增加，光譜反射率顯著升高，這是由于條銹病對(duì)小麥葉片光合色素和光合結(jié)構(gòu)的破壞，導(dǎo)致對(duì)紅光的吸收減少，反射增加。在770-930nm的近紅外波段，相關(guān)系數(shù)也較為顯著，達(dá)到了-0.7左右。這表明該波段的光譜反射率與小麥條銹病嚴(yán)重度呈負(fù)相關(guān)關(guān)系，隨著條銹病嚴(yán)重度的增加，近紅外波段的反射率明顯下降。這是因?yàn)闂l銹病破壞了小麥葉片的細(xì)胞結(jié)構(gòu)，使得葉片對(duì)近紅外光的散射能力減弱，反射率降低。此外，還運(yùn)用了主成分分析（PCA）方法對(duì)光譜數(shù)據(jù)進(jìn)行降維處理，進(jìn)一步篩選出敏感波段。通過(guò)PCA分析，將原始的高光譜數(shù)據(jù)轉(zhuǎn)換為幾個(gè)主成分，這些主成分能夠最大限度地保留原始數(shù)據(jù)的信息。結(jié)果發(fā)現(xiàn)，前三個(gè)主成分累計(jì)貢獻(xiàn)率達(dá)到了90%以上，其中第一主成分在600-703nm和770-930nm波段具有較高的載荷，進(jìn)一步證明了這兩個(gè)波段范圍對(duì)小麥條銹病嚴(yán)重度的敏感性。[此處插入不同波段光譜反射率與小麥條銹病嚴(yán)重度的相關(guān)系數(shù)表]綜上所述，通過(guò)對(duì)光譜反射率差異的分析以及統(tǒng)計(jì)分析方法的應(yīng)用，確定了600-703nm和770-930nm等波段為對(duì)小麥條銹病嚴(yán)重度敏感的波段。這些敏感波段的確定為后續(xù)建立小麥條銹病嚴(yán)重度近地面遙感估算模型提供了重要的依據(jù)，通過(guò)對(duì)這些波段光譜信息的分析和利用，可以更準(zhǔn)確地估算小麥條銹病的嚴(yán)重度。4.2植被指數(shù)與病害嚴(yán)重度的關(guān)系4.2.1常用植被指數(shù)的計(jì)算植被指數(shù)是通過(guò)對(duì)不同波段的遙感數(shù)據(jù)進(jìn)行數(shù)學(xué)運(yùn)算得到的，能夠反映植被的生長(zhǎng)狀況、覆蓋度、生物量等信息。在小麥條銹病監(jiān)測(cè)中，常用的植被指數(shù)包括歸一化植被指數(shù)（NDVI）、比值植被指數(shù)（RVI）、綠度植被指數(shù)（GVI）等，它們?cè)诒O(jiān)測(cè)小麥條銹病嚴(yán)重度方面發(fā)揮著重要作用。歸一化植被指數(shù)（NDVI）的計(jì)算公式為：NDVI=\frac{NIR-R}{NIR+R}，其中NIR表示近紅外波段的反射率，R表示紅光波段的反射率。該指數(shù)是目前應(yīng)用最廣泛的植被指數(shù)之一，其原理基于植被在近紅外波段具有高反射率，而在紅光波段具有低反射率的特性。健康的小麥植被由于含有豐富的葉綠素，能夠強(qiáng)烈吸收紅光進(jìn)行光合作用，同時(shí)對(duì)近紅外光具有較高的反射率，因此健康小麥的NDVI值較高。而當(dāng)小麥感染條銹病后，葉片中的葉綠素含量下降，對(duì)紅光的吸收能力減弱，反射率增加，同時(shí)近紅外波段的反射率因葉片結(jié)構(gòu)受損而降低，導(dǎo)致NDVI值減小。例如，在本研究的實(shí)驗(yàn)區(qū)域中，健康小麥的NDVI值通常在0.6-0.8之間，而輕度發(fā)病小麥的NDVI值下降到0.4-0.6，中度發(fā)病小麥為0.2-0.4，重度發(fā)病小麥則低于0.2。比值植被指數(shù)（RVI）的計(jì)算公式為：RVI=\frac{NIR}{R}，同樣利用了植被在近紅外和紅光波段的反射率差異。與NDVI相比，RVI對(duì)植被的變化更為敏感，能夠更突出地反映植被的生長(zhǎng)狀況。當(dāng)小麥?zhǔn)艿綏l銹病侵害時(shí)，RVI值會(huì)隨著病害嚴(yán)重度的增加而減小，這是因?yàn)榧t光反射率的增加和近紅外反射率的降低導(dǎo)致兩者的比值減小。在實(shí)際應(yīng)用中，RVI可以作為輔助指標(biāo)，與NDVI結(jié)合使用，提高對(duì)小麥條銹病嚴(yán)重度的監(jiān)測(cè)精度。綠度植被指數(shù)（GVI）是基于綠色植被在綠光波段的反射特征構(gòu)建的指數(shù)，其計(jì)算公式為：GVI=\frac{G-B}{G+B}，其中G表示綠光波段的反射率，B表示藍(lán)光波段的反射率。小麥感染條銹病后，葉片顏色會(huì)發(fā)生變化，對(duì)綠光和藍(lán)光的反射率也會(huì)相應(yīng)改變。條銹病導(dǎo)致葉片發(fā)黃，綠光反射率降低，藍(lán)光反射率相對(duì)變化較小，使得GVI值減小。在本研究中，通過(guò)對(duì)不同發(fā)病程度小麥的GVI值進(jìn)行分析，發(fā)現(xiàn)健康小麥的GVI值在0.2-0.4之間，隨著條銹病嚴(yán)重度的增加，GVI值逐漸下降，重度發(fā)病小麥的GVI值可降至0.1以下。4.2.2植被指數(shù)與小麥條銹病嚴(yán)重度的相關(guān)性研究為了深入探究植被指數(shù)與小麥條銹病嚴(yán)重度之間的相關(guān)性，本研究對(duì)不同發(fā)病程度小麥的植被指數(shù)進(jìn)行了詳細(xì)分析，并計(jì)算了各植被指數(shù)與小麥條銹病嚴(yán)重度之間的相關(guān)系數(shù)。結(jié)果如表2所示，從表中可以看出，歸一化植被指數(shù)（NDVI）與小麥條銹病嚴(yán)重度之間呈現(xiàn)出極強(qiáng)的負(fù)相關(guān)關(guān)系，相關(guān)系數(shù)達(dá)到了-0.92。這表明隨著小麥條銹病嚴(yán)重度的增加，NDVI值顯著下降，兩者之間存在著緊密的聯(lián)系。例如，在實(shí)驗(yàn)數(shù)據(jù)中，當(dāng)小麥條銹病嚴(yán)重度從輕度增加到中度時(shí)，NDVI值從0.55下降到0.35，進(jìn)一步驗(yàn)證了這種負(fù)相關(guān)關(guān)系。比值植被指數(shù)（RVI）與小麥條銹病嚴(yán)重度也呈現(xiàn)出顯著的負(fù)相關(guān)，相關(guān)系數(shù)為-0.85。隨著病害嚴(yán)重度的加重，RVI值逐漸減小，這與理論分析一致。在實(shí)際監(jiān)測(cè)中，可以通過(guò)觀察RVI值的變化來(lái)初步判斷小麥條銹病的發(fā)生發(fā)展情況。綠度植被指數(shù)（GVI）與小麥條銹病嚴(yán)重度同樣呈負(fù)相關(guān)，相關(guān)系數(shù)為-0.78。這說(shuō)明GVI值也能在一定程度上反映小麥條銹病的嚴(yán)重程度，隨著病害的加重，GVI值降低。[此處插入植被指數(shù)與小麥條銹病嚴(yán)重度的相關(guān)系數(shù)表]通過(guò)上述相關(guān)性分析，可以得出結(jié)論：這些植被指數(shù)與小麥條銹病嚴(yán)重度之間存在著顯著的相關(guān)性，能夠作為監(jiān)測(cè)小麥條銹病嚴(yán)重度的有效指標(biāo)。在實(shí)際應(yīng)用中，可以利用這些植被指數(shù)，結(jié)合近地面遙感技術(shù)獲取的光譜數(shù)據(jù)，建立小麥條銹病嚴(yán)重度的估算模型，實(shí)現(xiàn)對(duì)小麥條銹病嚴(yán)重度的快速、準(zhǔn)確評(píng)估。同時(shí)，多種植被指數(shù)的綜合運(yùn)用，可以相互補(bǔ)充和驗(yàn)證，提高監(jiān)測(cè)的準(zhǔn)確性和可靠性。五、小麥條銹病嚴(yán)重度近地面遙感估算模型構(gòu)建5.1傳統(tǒng)估算方法介紹與對(duì)比5.1.1人工調(diào)查法人工調(diào)查法是小麥條銹病嚴(yán)重度估算的傳統(tǒng)方法之一，也是最基礎(chǔ)的方法。其具體步驟如下：在小麥條銹病發(fā)生期間，調(diào)查人員深入田間，按照一定的抽樣方法選擇樣點(diǎn)。一般采用五點(diǎn)取樣法，在一塊小麥田中，選取田塊的四個(gè)角和中心位置作為樣點(diǎn)，每個(gè)樣點(diǎn)選取一定面積的小麥植株，如1平方米。在每個(gè)樣點(diǎn)內(nèi)，調(diào)查人員仔細(xì)觀察小麥葉片，識(shí)別條銹病的癥狀，統(tǒng)計(jì)發(fā)病葉片的數(shù)量，并根據(jù)病害嚴(yán)重度分級(jí)標(biāo)準(zhǔn)，判斷每片發(fā)病葉片的嚴(yán)重程度。病害嚴(yán)重度分級(jí)通常采用國(guó)際上通用的標(biāo)準(zhǔn)，將病害嚴(yán)重度分為0-9級(jí)，0級(jí)表示無(wú)病，1-3級(jí)為輕度發(fā)病，4-6級(jí)為中度發(fā)病，7-9級(jí)為重度發(fā)病。在實(shí)際調(diào)查中，調(diào)查人員憑借經(jīng)驗(yàn)和肉眼觀察，對(duì)發(fā)病葉片的病斑面積、密度等特征進(jìn)行評(píng)估，確定其所屬的病害嚴(yán)重度等級(jí)。例如，當(dāng)葉片上病斑面積占葉片總面積的5%以下時(shí)，可判定為1級(jí)；病斑面積占葉片總面積的5%-15%時(shí)，判定為2級(jí)；病斑面積占葉片總面積的16%-30%時(shí)，判定為3級(jí)，以此類(lèi)推。人工調(diào)查法具有一定的優(yōu)點(diǎn)。它能夠直接觀察到小麥條銹病的發(fā)病癥狀，對(duì)于一些復(fù)雜的病害情況，如病害的混合發(fā)生、不同品種小麥的發(fā)病差異等，能夠進(jìn)行直觀的判斷和分析。同時(shí)，人工調(diào)查可以獲取詳細(xì)的田間信息，如小麥的生長(zhǎng)狀況、種植密度、土壤條件等，這些信息對(duì)于全面了解小麥條銹病的發(fā)生發(fā)展具有重要意義。然而，人工調(diào)查法也存在諸多缺點(diǎn)。首先，人工調(diào)查需要耗費(fèi)大量的人力和時(shí)間。在大面積的小麥種植區(qū)域，逐一進(jìn)行樣點(diǎn)調(diào)查的工作量巨大，需要投入大量的調(diào)查人員，且調(diào)查過(guò)程緩慢，難以滿足對(duì)病害快速監(jiān)測(cè)的需求。其次，人工調(diào)查的主觀性較強(qiáng)，不同的調(diào)查人員由于經(jīng)驗(yàn)、判斷標(biāo)準(zhǔn)等因素的差異，對(duì)病害嚴(yán)重度的評(píng)估可能存在偏差，導(dǎo)致調(diào)查結(jié)果的準(zhǔn)確性和可靠性受到影響。此外，人工調(diào)查只能獲取有限樣點(diǎn)的信息，難以全面反映整個(gè)區(qū)域的小麥條銹病發(fā)生情況，存在抽樣誤差。5.1.2簡(jiǎn)單統(tǒng)計(jì)模型基于簡(jiǎn)單統(tǒng)計(jì)方法構(gòu)建的小麥條銹病嚴(yán)重度估算模型，是利用統(tǒng)計(jì)分析手段，建立小麥條銹病嚴(yán)重度與相關(guān)影響因素之間的數(shù)學(xué)關(guān)系。其中，線性回歸模型是較為常用的一種簡(jiǎn)單統(tǒng)計(jì)模型。線性回歸模型假設(shè)小麥條銹病嚴(yán)重度與自變量（如光譜反射率、植被指數(shù)等）之間存在線性關(guān)系，通過(guò)最小二乘法等方法確定模型的參數(shù)，從而實(shí)現(xiàn)對(duì)小麥條銹病嚴(yán)重度的估算。以歸一化植被指數(shù)（NDVI）與小麥條銹病嚴(yán)重度的關(guān)系為例，假設(shè)小麥條銹病嚴(yán)重度為Y，NDVI為X，建立線性回歸模型Y=aX+b，其中a和b為模型參數(shù)。通過(guò)收集一定數(shù)量的樣本數(shù)據(jù)，利用最小二乘法求解參數(shù)a和b，得到具體的線性回歸方程。在實(shí)際應(yīng)用中，將新獲取的NDVI值代入方程，即可估算出相應(yīng)的小麥條銹病嚴(yán)重度。簡(jiǎn)單統(tǒng)計(jì)模型的優(yōu)點(diǎn)在于原理簡(jiǎn)單，易于理解和實(shí)現(xiàn)。它能夠快速地利用已有的數(shù)據(jù)建立模型，對(duì)小麥條銹病嚴(yán)重度進(jìn)行初步的估算。同時(shí)，模型的計(jì)算量相對(duì)較小，對(duì)數(shù)據(jù)處理能力的要求較低，在一些數(shù)據(jù)量有限、計(jì)算資源不足的情況下具有一定的應(yīng)用價(jià)值。然而，簡(jiǎn)單統(tǒng)計(jì)模型也存在明顯的局限性。首先，它假設(shè)變量之間存在線性關(guān)系，而在實(shí)際情況中，小麥條銹病嚴(yán)重度與相關(guān)因素之間的關(guān)系往往是復(fù)雜的非線性關(guān)系，線性回歸模型難以準(zhǔn)確描述這種復(fù)雜關(guān)系，導(dǎo)致估算結(jié)果的精度較低。其次，簡(jiǎn)單統(tǒng)計(jì)模型對(duì)數(shù)據(jù)的要求較高，需要大量的、高質(zhì)量的數(shù)據(jù)來(lái)保證模型的準(zhǔn)確性。如果數(shù)據(jù)存在噪聲、缺失或異常值，會(huì)對(duì)模型的性能產(chǎn)生較大影響，降低估算的可靠性。此外，簡(jiǎn)單統(tǒng)計(jì)模型的泛化能力較差，當(dāng)應(yīng)用于不同的小麥種植區(qū)域或不同的生長(zhǎng)環(huán)境時(shí)，模型的適應(yīng)性不足，難以準(zhǔn)確估算小麥條銹病嚴(yán)重度。5.2基于機(jī)器學(xué)習(xí)的估算模型構(gòu)建5.2.1支持向量機(jī)回歸（SVM）模型支持向量機(jī)回歸（SVM）是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)算法，其原理基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，旨在尋找一個(gè)最優(yōu)的超平面，使得樣本數(shù)據(jù)在該超平面上的間隔最大化，從而實(shí)現(xiàn)對(duì)數(shù)據(jù)的準(zhǔn)確分類(lèi)或回歸預(yù)測(cè)。在小麥條銹病嚴(yán)重度估算中，SVM回歸模型通過(guò)對(duì)大量的遙感數(shù)據(jù)和對(duì)應(yīng)的病害嚴(yán)重度數(shù)據(jù)進(jìn)行學(xué)習(xí)，建立起兩者之間的非線性關(guān)系模型。SVM回歸模型的算法核心在于將低維空間中的非線性問(wèn)題通過(guò)核函數(shù)映射到高維空間，使其在高維空間中能夠線性可分。具體來(lái)說(shuō)，對(duì)于給定的訓(xùn)練數(shù)據(jù)集\{(x_i,y_i)\}_{i=1}^n，其中x_i是輸入特征向量（如遙感數(shù)據(jù)中的光譜反射率、植被指數(shù)等），y_i是對(duì)應(yīng)的小麥條銹病嚴(yán)重度，SVM回歸模型的目標(biāo)是找到一個(gè)函數(shù)f(x)，使得對(duì)于新的輸入x，能夠準(zhǔn)確預(yù)測(cè)其對(duì)應(yīng)的小麥條銹病嚴(yán)重度y。在構(gòu)建小麥條銹病嚴(yán)重度估算模型時(shí)，首先將經(jīng)過(guò)預(yù)處理的遙感數(shù)據(jù)和實(shí)地調(diào)查得到的小麥條銹病嚴(yán)重度數(shù)據(jù)作為輸入。將高光譜數(shù)據(jù)中篩選出的敏感波段的反射率、計(jì)算得到的多種植被指數(shù)（如歸一化植被指數(shù)NDVI、比值植被指數(shù)RVI等）以及其他相關(guān)的環(huán)境因素?cái)?shù)據(jù)（如氣象數(shù)據(jù)、土壤數(shù)據(jù)等）組成輸入特征向量x，而對(duì)應(yīng)的小麥條銹病嚴(yán)重度作為輸出標(biāo)簽y。然后，選擇合適的核函數(shù)。常見(jiàn)的核函數(shù)有線性核函數(shù)、徑向基函數(shù)（RBF）核、多項(xiàng)式核函數(shù)等。在小麥條銹病嚴(yán)重度估算中，由于病害嚴(yán)重度與遙感數(shù)據(jù)之間的關(guān)系較為復(fù)雜，通常選擇徑向基函數(shù)（RBF）核，其表達(dá)式為K(x_i,x_j)=\exp(-\gamma\|x_i-x_j\|^2)，其中\(zhòng)gamma是核函數(shù)的參數(shù)，控制著函數(shù)的復(fù)雜度。通過(guò)調(diào)整\gamma的值，可以優(yōu)化模型的性能。接著，確定模型的懲罰參數(shù)C。懲罰參數(shù)C用于平衡模型的訓(xùn)練誤差和模型的復(fù)雜度，C值越大，模型對(duì)訓(xùn)練數(shù)據(jù)的擬合程度越高，但可能會(huì)導(dǎo)致過(guò)擬合；C值越小，模型的復(fù)雜度越低，但可能會(huì)導(dǎo)致欠擬合。通常采用交叉驗(yàn)證的方法，如10折交叉驗(yàn)證，來(lái)尋找最優(yōu)的C值和\gamma值。在10折交叉驗(yàn)證中，將訓(xùn)練數(shù)據(jù)集隨機(jī)分成10個(gè)大小相等的子集，每次選擇其中1個(gè)子集作為驗(yàn)證集，其余9個(gè)子集作為訓(xùn)練集，對(duì)模型進(jìn)行訓(xùn)練和驗(yàn)證，重復(fù)10次，最后將10次驗(yàn)證結(jié)果的平均值作為模型的評(píng)估指標(biāo)，如均方根誤差（RMSE）、平均絕對(duì)誤差（MAE）等，選擇使評(píng)估指標(biāo)最優(yōu)的C值和\gamma值作為模型的最終參數(shù)。最后，利用確定好參數(shù)的SVM回歸模型對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練，得到小麥條銹病嚴(yán)重度估算模型。在實(shí)際應(yīng)用中，將新獲取的遙感數(shù)據(jù)輸入到訓(xùn)練好的模型中，即可預(yù)測(cè)出對(duì)應(yīng)的小麥條銹病嚴(yán)重度。5.2.2神經(jīng)網(wǎng)絡(luò)模型神經(jīng)網(wǎng)絡(luò)模型是一種模擬人類(lèi)大腦神經(jīng)元結(jié)構(gòu)和功能的計(jì)算模型，在小麥條銹病嚴(yán)重度估算中具有重要應(yīng)用。其中，BP（BackPropagation）神經(jīng)網(wǎng)絡(luò)是一種常用的前饋神經(jīng)網(wǎng)絡(luò)，它通過(guò)誤差反向傳播算法來(lái)調(diào)整網(wǎng)絡(luò)的權(quán)重和閾值，從而實(shí)現(xiàn)對(duì)復(fù)雜非線性關(guān)系的建模和預(yù)測(cè)。BP神經(jīng)網(wǎng)絡(luò)模型在小麥條銹病嚴(yán)重度估算中具有諸多優(yōu)勢(shì)。首先，它具有強(qiáng)大的非線性映射能力，能夠?qū)W習(xí)小麥條銹病嚴(yán)重度與遙感數(shù)據(jù)、環(huán)境因素等輸入變量之間復(fù)雜的非線性關(guān)系。與傳統(tǒng)的線性模型相比，BP神經(jīng)網(wǎng)絡(luò)能夠更準(zhǔn)確地描述實(shí)際情況，提高估算的精度。其次，BP神經(jīng)網(wǎng)絡(luò)具有良好的泛化能力，經(jīng)過(guò)大量數(shù)據(jù)的訓(xùn)練后，它能夠?qū)ξ匆?jiàn)過(guò)的數(shù)據(jù)進(jìn)行準(zhǔn)確的預(yù)測(cè)，適應(yīng)不同的小麥種植區(qū)域和環(huán)境條件。此外，BP神經(jīng)網(wǎng)絡(luò)還具有較強(qiáng)的容錯(cuò)能力，即使輸入數(shù)據(jù)中存在一定的噪聲或誤差，它也能夠在一定程度上保持預(yù)測(cè)的準(zhǔn)確性。BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程主要包括以下幾個(gè)步驟：數(shù)據(jù)準(zhǔn)備：將經(jīng)過(guò)預(yù)處理的遙感數(shù)據(jù)、實(shí)地調(diào)查的小麥條銹病嚴(yán)重度數(shù)據(jù)以及其他相關(guān)的環(huán)境數(shù)據(jù)進(jìn)行整理和歸一化處理。歸一化處理可以將數(shù)據(jù)映射到[0,1]或[-1,1]的區(qū)間內(nèi)，避免數(shù)據(jù)的量綱和尺度差異對(duì)模型訓(xùn)練的影響。將數(shù)據(jù)劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，訓(xùn)練集用于訓(xùn)練模型，驗(yàn)證集用于調(diào)整模型的參數(shù)和防止過(guò)擬合，測(cè)試集用于評(píng)估模型的性能。網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)：確定BP神經(jīng)網(wǎng)絡(luò)的層數(shù)和每層的神經(jīng)元數(shù)量。常見(jiàn)的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、隱藏層和輸出層。輸入層的神經(jīng)元數(shù)量取決于輸入變量的數(shù)量，如遙感數(shù)據(jù)的波段數(shù)、植被指數(shù)的數(shù)量以及環(huán)境因素的個(gè)數(shù)等；輸出層的神經(jīng)元數(shù)量通常為1，即小麥條銹病嚴(yán)重度；隱藏層的層數(shù)和神經(jīng)元數(shù)量則需要根據(jù)具體問(wèn)題進(jìn)行調(diào)試和優(yōu)化。一般來(lái)說(shuō)，增加隱藏層的層數(shù)和神經(jīng)元數(shù)量可以提高模型的表達(dá)能力，但也會(huì)增加模型的訓(xùn)練時(shí)間和過(guò)擬合的風(fēng)險(xiǎn)。在本研究中，通過(guò)多次試驗(yàn)，確定了一個(gè)包含1個(gè)隱藏層，隱藏層神經(jīng)元數(shù)量為10的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。初始化參數(shù)：隨機(jī)初始化網(wǎng)絡(luò)的權(quán)重和閾值。權(quán)重表示神經(jīng)元之間的連接強(qiáng)度，閾值則用于控制神經(jīng)元的激活狀態(tài)。初始權(quán)重和閾值的選擇會(huì)影響模型的訓(xùn)練速度和收斂性，通常采用隨機(jī)初始化的方法，使權(quán)重和閾值在一定范圍內(nèi)取值。正向傳播：將訓(xùn)練集中的輸入數(shù)據(jù)依次輸入到BP神經(jīng)網(wǎng)絡(luò)中，從輸入層開(kāi)始，經(jīng)過(guò)隱藏層的計(jì)算，最后得到輸出層的預(yù)測(cè)值。在隱藏層和輸出層中，神經(jīng)元的計(jì)算通常采用激活函數(shù)，如Sigmoid函數(shù)、ReLU函數(shù)等。以Sigmoid函數(shù)為例，其表達(dá)式為\sigma(x)=\frac{1}{1+e^{-x}}，它可以將輸入值映射到(0,1)的區(qū)間內(nèi)，增加模型的非線性表達(dá)能力。假設(shè)隱藏層第j個(gè)神經(jīng)元的輸入為net_j=\sum_{i=1}^{n}w_{ij}x_i+b_j，其中w_{ij}是輸入層第i個(gè)神經(jīng)元與隱藏層第j個(gè)神經(jīng)元之間的權(quán)重，x_i是輸入層第i個(gè)神經(jīng)元的輸入值，b_j是隱藏層第j個(gè)神經(jīng)元的閾值，那么隱藏層第j個(gè)神經(jīng)元的輸出為h_j=\sigma(net_j)。同理，輸出層的預(yù)測(cè)值\hat{y}=\sigma(\sum_{j=1}^{m}w_{kj}h_j+b_k)，其中w_{kj}是隱藏層第j個(gè)神經(jīng)元與輸出層第k個(gè)神經(jīng)元之間的權(quán)重，b_k是輸出層第k個(gè)神經(jīng)元的閾值。誤差計(jì)算：計(jì)算預(yù)測(cè)值與實(shí)際值之間的誤差，常用的誤差函數(shù)有均方誤差（MSE）等，其表達(dá)式為MSE=\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2，其中y_i是實(shí)際值，\hat{y}_i是預(yù)測(cè)值，n是樣本數(shù)量。誤差的大小反映了模型預(yù)測(cè)的準(zhǔn)確性，誤差越小，說(shuō)明模型的預(yù)測(cè)效果越好。反向傳播：根據(jù)誤差反向傳播算法，將誤差從輸出層反向傳播到隱藏層和輸入層，計(jì)算每個(gè)權(quán)重和閾值的梯度，然后根據(jù)梯度下降法更新權(quán)重和閾值。梯度下降法的原理是沿著誤差函數(shù)的負(fù)梯度方向更新參數(shù)，使得誤差函數(shù)逐漸減小。具體來(lái)說(shuō)，對(duì)于權(quán)重w_{ij}，其更新公式為w_{ij}=w_{ij}-\eta\frac{\partialMSE}{\partialw_{ij}}，其中\(zhòng)eta是學(xué)習(xí)率，控制著參數(shù)更新的步長(zhǎng)。學(xué)習(xí)率過(guò)大可能導(dǎo)致模型無(wú)法收斂，學(xué)習(xí)率過(guò)小則會(huì)使訓(xùn)練速度過(guò)慢。在訓(xùn)練過(guò)程中，通常需要根據(jù)實(shí)際情況調(diào)整學(xué)習(xí)率，如采用動(dòng)態(tài)學(xué)習(xí)率的方法，隨著訓(xùn)練的進(jìn)行逐漸減小學(xué)習(xí)率。模型評(píng)估與優(yōu)化：在訓(xùn)練過(guò)程中，定期使用驗(yàn)證集對(duì)模型進(jìn)行評(píng)估，觀察模型的誤差變化情況。如果模型在驗(yàn)證集上的誤差逐漸增大，說(shuō)明模型可能出現(xiàn)了過(guò)擬合現(xiàn)象，此時(shí)可以采取一些措施進(jìn)行優(yōu)化，如增加訓(xùn)練數(shù)據(jù)量、調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)、采用正則化方法等。正則化方法可以通過(guò)在誤差函數(shù)中添加正則化項(xiàng)，如L1正則化項(xiàng)或L2正則化項(xiàng)，來(lái)限制模型的復(fù)雜度，防止過(guò)擬合。L2正則化項(xiàng)的表達(dá)式為\lambda\sum_{i=1}^{n}\sum_{j=1}^{m}w_{ij}^2，其中\(zhòng)lambda是正則化系數(shù)，控制著正則化的強(qiáng)度。模型訓(xùn)練與測(cè)試：重復(fù)上述正向傳播、誤差計(jì)算、反向傳播和模型評(píng)估的過(guò)程，直到模型在驗(yàn)證集上的誤差達(dá)到最小或滿足預(yù)設(shè)的停止條件，如訓(xùn)練次數(shù)達(dá)到一定值、誤差變化小于一定閾值等。此時(shí)，訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型就可以用于小麥條銹病嚴(yán)重度的預(yù)測(cè)。使用測(cè)試集對(duì)訓(xùn)練好的模型進(jìn)行測(cè)試，計(jì)算模型的評(píng)估指標(biāo)，如均方根誤差（RMSE）、平均絕對(duì)誤差（MAE）、決定系數(shù)（R2）等，以評(píng)估模型的性能和準(zhǔn)確性。5.3模型參數(shù)優(yōu)化與選擇5.3.1交叉驗(yàn)證方法在構(gòu)建小麥條銹病嚴(yán)重度近地面遙感估算模型時(shí)，為了提高模型的泛化能力，避免過(guò)擬合現(xiàn)象，采用了交叉驗(yàn)證方法對(duì)模型參數(shù)進(jìn)行優(yōu)化。其中，K折交叉驗(yàn)證是一種常用且有效的交叉驗(yàn)證技術(shù)。K折交叉驗(yàn)證的具體過(guò)程如下：首先，將收集到的包含遙感數(shù)據(jù)、小麥條銹病嚴(yán)重度數(shù)據(jù)以及相關(guān)環(huán)境因素?cái)?shù)據(jù)的數(shù)據(jù)集，隨機(jī)劃分為K個(gè)大小基本相等的子集。在本研究中，經(jīng)過(guò)多次試驗(yàn)和分析，選擇K=10，即10折交叉驗(yàn)證。這是因?yàn)?0折交叉驗(yàn)證在計(jì)算復(fù)雜度和模型評(píng)估準(zhǔn)確性之間能夠達(dá)到較好的平衡，既能充分利用數(shù)據(jù)進(jìn)行訓(xùn)練和驗(yàn)證，又不會(huì)使計(jì)算量過(guò)大。在每次驗(yàn)證過(guò)程中，從這10個(gè)子集中選取1個(gè)子集作為驗(yàn)證集，其余9個(gè)子集則合并作為訓(xùn)練集。以支持向量機(jī)回歸（SVM）模型為例，使用訓(xùn)練集對(duì)SVM模型進(jìn)行訓(xùn)練，通過(guò)調(diào)整模型的參數(shù)，如懲罰參數(shù)C和核函數(shù)參數(shù)γ（對(duì)于徑向基函數(shù)核），使得模型在訓(xùn)練集上能夠較好地?cái)M合數(shù)據(jù)。然后，將驗(yàn)證集輸入到訓(xùn)練好的模型中，計(jì)算模型在驗(yàn)證集上的預(yù)測(cè)誤差，常用的誤差指標(biāo)有均方根誤差（RMSE）、平均絕對(duì)誤差（MAE）等。重復(fù)上述過(guò)程10次，每次選擇不同的子集作為驗(yàn)證集，這樣可以得到10組不同的模型參數(shù)和對(duì)應(yīng)的驗(yàn)證誤差。最終，將這10次驗(yàn)證的誤差結(jié)果進(jìn)行平均，得到一個(gè)綜合的誤差指標(biāo)。通過(guò)比較不同參數(shù)組合下的綜合誤差指標(biāo)，選擇使誤差最小的參數(shù)組合作為模型的最優(yōu)參數(shù)。例如，在對(duì)SVM模型進(jìn)行參數(shù)優(yōu)化時(shí)，設(shè)置懲罰參數(shù)C的取值范圍為[0.1,1,10]，核函數(shù)參數(shù)γ的取值范圍為[0.01,0.1,1]，通過(guò)10折交叉驗(yàn)證，對(duì)這9種不同的參數(shù)組合進(jìn)行訓(xùn)練和驗(yàn)證，計(jì)算每種組合下的均方根誤差（RMSE）。假設(shè)經(jīng)過(guò)計(jì)算，當(dāng)C=1，γ=0.1時(shí)，模型在10次驗(yàn)證中的平均RMSE最小，那么就選擇這組參數(shù)作為SVM模型的最優(yōu)參數(shù)。通過(guò)K折交叉驗(yàn)證，能夠更全面地評(píng)估模型在不同數(shù)據(jù)子集上的性能，避免了由于數(shù)據(jù)集劃分的隨機(jī)性導(dǎo)致的評(píng)估偏差。同時(shí)，通過(guò)對(duì)不同參數(shù)組合的比較和選擇，能夠找到使模型在訓(xùn)練集和驗(yàn)證集上都具有較好性能的參數(shù)，從而提高模型的泛化能力，使其在實(shí)際應(yīng)用中能夠更準(zhǔn)確地預(yù)測(cè)小麥條銹病的嚴(yán)重度。5.3.2模型評(píng)估指標(biāo)為了準(zhǔn)確評(píng)估小麥條銹病嚴(yán)重度近地面遙感估算模型的性能，選擇了一系列科學(xué)合理的評(píng)估指標(biāo)，這些指標(biāo)能夠從不同角度反映模型的預(yù)測(cè)準(zhǔn)確性和可靠性。決定系數(shù)（R2）是一個(gè)重要的評(píng)估指標(biāo)，它用于衡量模型對(duì)數(shù)據(jù)的擬合優(yōu)度。R2的取值范圍在0到1之間，其值越接近1，說(shuō)明模型對(duì)數(shù)據(jù)的擬合效果越好，即模型能夠解釋的因變量（小麥條銹病嚴(yán)重度）的變異程度越高。假設(shè)模型的預(yù)測(cè)值為\hat{y}_i，實(shí)際值為y_i，平均值為\bar{y}，則R2的計(jì)算公式為：R?2=1-\frac{\sum_{i=1}^{n}(y_i-\hat{y}_i)^2}{\sum_{i=1}^{n}(y_i-\bar{y})^2}。在本研究中，通過(guò)計(jì)算不同模型的R2值，來(lái)評(píng)估模型對(duì)小麥條銹病嚴(yán)重度數(shù)據(jù)的擬合能力。例如，若某模型的R2值達(dá)到0.85，說(shuō)明該模型能夠解釋85%的小麥條銹病嚴(yán)重度的變異，擬合效果較好。均方根誤差（RMSE）也是常用的評(píng)估指標(biāo)之一，它能夠直觀地反映模型預(yù)測(cè)值與實(shí)際值之間的平均誤差程度。RMSE的計(jì)算公式為：RMSE=\sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2}，其中n為樣本數(shù)量。RMSE的值越小，表明模型的預(yù)測(cè)值與實(shí)際值越接近，預(yù)測(cè)誤差越小，模型的準(zhǔn)確性越高。在實(shí)際應(yīng)用中，RMSE可以幫助我們了解模型預(yù)測(cè)結(jié)果的波動(dòng)情況，評(píng)估模型的穩(wěn)定性。例如，兩個(gè)模型對(duì)同一組小麥條銹病嚴(yán)重度數(shù)據(jù)進(jìn)行預(yù)測(cè)，模型A的RMSE為0.5，模型B的RMSE為0.8，說(shuō)明模型A的預(yù)測(cè)結(jié)果更接近實(shí)際值，預(yù)測(cè)準(zhǔn)確性更高。平均絕對(duì)誤差（MAE）同樣是衡量模型預(yù)測(cè)準(zhǔn)確性的重要指標(biāo)，它表示預(yù)測(cè)值與實(shí)際值之間絕對(duì)誤差的平均值。MAE的計(jì)算公式為：MAE=\frac{1}{n}\sum_{i=1}^{n}|y_i-\hat{y}_i|。MAE對(duì)預(yù)測(cè)值與實(shí)際值之間的誤差較為敏感，能夠直接反映模型預(yù)測(cè)的平均偏差程度。與RMSE相比，MAE更注重誤差的絕對(duì)值，而不考慮誤差的平方，因此在評(píng)估模型性能時(shí)，MAE和RMSE可以相互補(bǔ)充，從不同角度反映模型的準(zhǔn)確性。例如，在評(píng)估小麥條銹病嚴(yán)重度估算模型時(shí)，若模型的MAE值較小，說(shuō)明模型的預(yù)測(cè)結(jié)果在平均意義上與實(shí)際值的偏差較小，預(yù)測(cè)的準(zhǔn)確性較高。在選擇最優(yōu)模型時(shí)，綜合考慮這些評(píng)估指標(biāo)。通常情況下，優(yōu)先選擇R2值較高，同時(shí)RMSE和MAE值較低的模型。這意味著該模型既能較好地?cái)M合數(shù)據(jù)，又能保證預(yù)測(cè)結(jié)果的準(zhǔn)確性和穩(wěn)定性。例如，在比較支持向量機(jī)回歸（SVM）模型和神經(jīng)網(wǎng)絡(luò)模型時(shí)，SVM模型的R2為0.82，RMSE為0.6，MAE為0.45；神經(jīng)網(wǎng)絡(luò)模型的R2為0.88，RMSE為0.5，MAE為0.4。從這些指標(biāo)可以看出，神經(jīng)網(wǎng)絡(luò)模型在擬合優(yōu)度和預(yù)測(cè)準(zhǔn)確性方面都優(yōu)于SVM模型，因此在本研究中，選擇神經(jīng)網(wǎng)絡(luò)模型作為小麥條銹病嚴(yán)重度近地面遙感估算的最優(yōu)模型。通過(guò)綜合運(yùn)用這些評(píng)估指標(biāo)，能夠更科學(xué)、準(zhǔn)確地選擇出性能最佳的模型，為小麥條銹病嚴(yán)重度的估算提供可靠的技術(shù)支持。六、模型驗(yàn)證與結(jié)果分析6.1模型驗(yàn)證方法6.1.1獨(dú)立數(shù)據(jù)集驗(yàn)證為了全面、客觀地評(píng)估構(gòu)建的小麥條銹病嚴(yán)重度近地面遙感估算模型的性能，采用獨(dú)立數(shù)據(jù)集驗(yàn)證的方法。獨(dú)立數(shù)據(jù)集的來(lái)源主要是在與訓(xùn)練數(shù)據(jù)集不同的時(shí)間和地點(diǎn)獲取的小麥條銹病相關(guān)數(shù)據(jù)。具體而言，在研究區(qū)域內(nèi)，選擇了另外幾塊具有代表性的小麥田塊，這些田塊的小麥品種、種植密度、土壤條件等與訓(xùn)練數(shù)據(jù)集所涉及的田塊相似，但數(shù)據(jù)采集時(shí)間與訓(xùn)練數(shù)據(jù)的采集時(shí)間不同，以確保數(shù)據(jù)的獨(dú)立性和差異性。在數(shù)據(jù)采集過(guò)程中，同樣使用搭載多光譜相機(jī)的無(wú)人機(jī)進(jìn)行遙感數(shù)據(jù)獲取，同時(shí)進(jìn)行實(shí)地調(diào)查，記錄小麥條銹病的嚴(yán)重度等信息。對(duì)于遙感數(shù)據(jù)，按照與訓(xùn)練數(shù)據(jù)相同的預(yù)處理步驟，進(jìn)行輻射定標(biāo)、大氣校正、圖像拼接與裁剪等操作，以保證數(shù)據(jù)的質(zhì)量和一致性。實(shí)地調(diào)查數(shù)據(jù)則按照嚴(yán)格的標(biāo)準(zhǔn)進(jìn)行記錄和整理，確保數(shù)據(jù)的準(zhǔn)確性和可靠性。選擇獨(dú)立數(shù)據(jù)集的方法主要基于以下考慮：一是為了避免模型在訓(xùn)練數(shù)據(jù)上的過(guò)擬合現(xiàn)象。如果僅使用訓(xùn)練數(shù)據(jù)進(jìn)行模型評(píng)估，模型可能會(huì)過(guò)度適應(yīng)訓(xùn)練數(shù)據(jù)的特點(diǎn)，而在面對(duì)新的數(shù)據(jù)時(shí)表現(xiàn)不佳。通過(guò)使用獨(dú)立數(shù)據(jù)集，可以更真實(shí)地檢驗(yàn)?zāi)Ｐ蛯?duì)不同數(shù)據(jù)的泛化能力，即模型在新的、未見(jiàn)過(guò)的數(shù)據(jù)上的預(yù)測(cè)準(zhǔn)確性。二是獨(dú)立數(shù)據(jù)集能夠反映不同時(shí)間和空間條件下小麥條銹病的發(fā)生情況。由于小麥條銹病的發(fā)生受到多種因素的影響，包括氣象條件、病蟲(chóng)害傳播等，不同時(shí)間和地點(diǎn)的數(shù)據(jù)可以涵蓋更多的變化情況，從而更全面地評(píng)估模型在實(shí)際應(yīng)用中的性能。在驗(yàn)證過(guò)程中，將獨(dú)立數(shù)據(jù)集的遙感數(shù)據(jù)輸入到訓(xùn)練好的模型中，得到小麥條銹病嚴(yán)重度的預(yù)測(cè)值，然后與實(shí)地調(diào)查得到的實(shí)際嚴(yán)重度值進(jìn)行對(duì)比分析，通過(guò)計(jì)算各種評(píng)估指標(biāo)，如均方根誤差（RMSE）、平均絕對(duì)誤差（MAE）、決定系數(shù)（R2）等，來(lái)評(píng)估模型的準(zhǔn)確性和可靠性。6.1.2實(shí)地驗(yàn)證實(shí)地驗(yàn)證是確保小麥條銹病嚴(yán)重度近地面遙感估算模型準(zhǔn)確性和可靠性的重要環(huán)節(jié)。通過(guò)將實(shí)地調(diào)查數(shù)據(jù)與模型估算結(jié)果進(jìn)行詳細(xì)對(duì)比，能夠直觀地了解模型在實(shí)際應(yīng)用中的表現(xiàn)。在實(shí)地驗(yàn)證過(guò)程中，組織專業(yè)的調(diào)查人員深入到小麥種植區(qū)域，按照嚴(yán)格的抽樣方法選取多個(gè)樣點(diǎn)。每個(gè)樣點(diǎn)的面積設(shè)定為1平方米，以保證樣點(diǎn)具有代表性。在每個(gè)樣點(diǎn)內(nèi)，調(diào)查人員仔細(xì)觀察小麥植株的發(fā)病情況，依據(jù)小麥條銹病嚴(yán)重度分級(jí)標(biāo)準(zhǔn)，準(zhǔn)確判斷每個(gè)樣點(diǎn)的病害嚴(yán)重度等級(jí)。小麥條銹病嚴(yán)重度分級(jí)通常采用國(guó)際通用標(biāo)準(zhǔn)，將其分為0-9級(jí)，0級(jí)表示無(wú)病，1-3級(jí)為輕度發(fā)病，4-6級(jí)為中度發(fā)病，7-9級(jí)為重度發(fā)病。調(diào)查人員憑借豐富的經(jīng)驗(yàn)和專業(yè)知識(shí)，對(duì)發(fā)病葉片的病斑面積、密度等特征進(jìn)行仔細(xì)評(píng)估，確保病害嚴(yán)重度等級(jí)的判斷準(zhǔn)確無(wú)誤。同時(shí)，將這些樣點(diǎn)的地理位置信息使用高精度的GPS設(shè)備進(jìn)行記錄，以便與遙感圖像進(jìn)行精確的空間匹配。將樣點(diǎn)的相關(guān)信息，包括小麥條銹病嚴(yán)重度、小麥品種、種植密度、土壤條件以及調(diào)查時(shí)的氣象數(shù)據(jù)等，整理成詳細(xì)的數(shù)據(jù)表格。將這些實(shí)地調(diào)查數(shù)據(jù)與模型估算結(jié)果進(jìn)行對(duì)比分析。在對(duì)比過(guò)程中，首先根據(jù)樣點(diǎn)的地理位置信息，在遙感圖像上準(zhǔn)確找到對(duì)應(yīng)的區(qū)域，提取該區(qū)域的遙感數(shù)據(jù)，并輸入到訓(xùn)練好的模型中，得到模型對(duì)該樣點(diǎn)小麥條銹病嚴(yán)重度的估算值。然后，將模型估算值與實(shí)地調(diào)查得到的實(shí)際嚴(yán)重度值進(jìn)行一一對(duì)比，計(jì)算兩者之間的誤差。除了計(jì)算誤差外，還繪制了散點(diǎn)圖，以直觀地展示模型估算值與實(shí)際值之間的關(guān)系。在散點(diǎn)圖中，橫坐標(biāo)表示實(shí)際嚴(yán)重度值，縱坐標(biāo)表示模型估算值，通過(guò)觀察散點(diǎn)的分布情況，可以清晰地了解模型估算值與實(shí)際值的偏差程度和分布規(guī)律。通過(guò)實(shí)地驗(yàn)證，能夠及時(shí)發(fā)現(xiàn)模型在實(shí)際應(yīng)用中存在的問(wèn)題，如模型在某些特定條件下的偏差較大，或者對(duì)某些小麥品種的病害嚴(yán)重度估算不準(zhǔn)確等。針對(duì)這些問(wèn)題，可以進(jìn)一步優(yōu)化模型，調(diào)整模型參數(shù)，或者增加更多的訓(xùn)練數(shù)據(jù)，以提高模型的準(zhǔn)確性和可靠性，使其能夠更好地應(yīng)用于實(shí)際的小麥條銹病監(jiān)測(cè)和防治工作中。6.2結(jié)果分析與討論6.2.1估算精度分析通過(guò)獨(dú)立數(shù)據(jù)集驗(yàn)證和實(shí)地驗(yàn)證兩種方法，對(duì)構(gòu)建的小麥條銹病嚴(yán)重度近地面遙感估算模型進(jìn)行了全面的精度評(píng)估。在獨(dú)立數(shù)據(jù)集驗(yàn)證中，將訓(xùn)練好的模型應(yīng)用于獨(dú)立的測(cè)試數(shù)據(jù)集，計(jì)算得到模型的各項(xiàng)評(píng)估指標(biāo)。結(jié)果顯示，模型的決定系數(shù)（R2）達(dá)到了0.85，這表明模型能夠解釋85%的小麥條銹病嚴(yán)重度的變異，對(duì)數(shù)據(jù)具有較好的擬合能力。均方根誤差（RMSE）為0.5，平均絕對(duì)誤差（MAE）為0.35，這兩個(gè)指標(biāo)反映了模型預(yù)測(cè)值與實(shí)際值之間的平均誤差程度。RMSE為0.5說(shuō)明模型預(yù)測(cè)值與實(shí)際值的平均誤差在可接受范圍內(nèi)，MAE為0.35則進(jìn)一步表明模型的預(yù)測(cè)結(jié)果在平均意義上與實(shí)際值的偏差較小，預(yù)測(cè)的準(zhǔn)確性較高。在實(shí)地驗(yàn)證中，將模型估算結(jié)果與實(shí)地調(diào)查數(shù)據(jù)進(jìn)行對(duì)比。通過(guò)對(duì)多個(gè)樣點(diǎn)的實(shí)地調(diào)查，獲取了準(zhǔn)確的小麥條銹病嚴(yán)重度數(shù)據(jù)。將這些數(shù)據(jù)與模型估算值進(jìn)行一一對(duì)比，發(fā)現(xiàn)大部分樣點(diǎn)的模型估算值與實(shí)際值較為接近。在散點(diǎn)圖中，散點(diǎn)主要集中在對(duì)角線附近，說(shuō)明模型的估算值與實(shí)際值具有較好的一致性。通過(guò)計(jì)算實(shí)地驗(yàn)證的評(píng)估指標(biāo)，R2達(dá)到了0.82，RMSE為0.55，MAE為0.38。雖然實(shí)地驗(yàn)證的指標(biāo)略低于獨(dú)立數(shù)據(jù)集驗(yàn)證，但整體仍處于較高水平，進(jìn)一步驗(yàn)證了模型在實(shí)際應(yīng)用中的準(zhǔn)確性和可靠性。對(duì)比不同模型的性能表現(xiàn)，支持向量機(jī)回歸（SVM）模型和神經(jīng)網(wǎng)絡(luò)模型在估算精度上存在一定差異。SVM模型的R2為0.82，RMSE為0.6，MAE為0.45；神經(jīng)網(wǎng)絡(luò)模型的R2為0.88，RMSE為0.5，MAE為0.4。從這些指標(biāo)可以看出，神經(jīng)網(wǎng)絡(luò)模型在擬合優(yōu)度和預(yù)測(cè)準(zhǔn)確性方面都優(yōu)于SVM模型。這是因?yàn)樯窠?jīng)網(wǎng)絡(luò)模型具有更強(qiáng)的非線性映射能力，能夠更好地學(xué)習(xí)小麥條銹病嚴(yán)重度與遙感數(shù)據(jù)、環(huán)境因素等輸入變量之間復(fù)雜的非線性關(guān)系。而SVM模型雖然也能夠處理非線性問(wèn)題，但在面對(duì)復(fù)雜的實(shí)際情況時(shí)，其擬合能力相對(duì)較弱。因此，在本研究中，神經(jīng)網(wǎng)絡(luò)模型表現(xiàn)出更好的性能，更適合用于小麥條銹病嚴(yán)重度的近地面遙感估算。6.2.