这一特点进一步加大了对植株体水分信息的提取难度。因此，目前对于植物病虫害反射率光谱的研究，较多的还是考虑色素、细胞结构以及冠层结构的影响。
　　总体而言，目前植物病虫害胁迫下引起光谱响应的生理机制基本是明确的。这些机理为利用遥感技术研究感病植物在不同波段下的光谱响应变化奠定了理论依据。
　　2、作物病虫害胁迫下光谱响应特征位置
　　由于病虫害叶片或冠层光谱是对植物生理、生化、形态、结构等改变的整体响应，具高度复杂性，因此对于不同植物，不同类型、不同发展阶段的病虫害，可能会有多样的光谱特征。针对这些情况已经有相当数量的研究对不同作物病虫害的光谱特征进行了报道。在水稻研究方面：Kobayashi等运用反射率光谱，在冠层和叶片2个尺度上对稻穗瘟（panicleblast）进行识别，研究表明，无论在室内还是在田间冠层，随病粒比例的增加，水稻光谱反射率在430～530、580～680和1480～2000nm范围内均有所提高；Yang和Cheng对受褐飞虱（brownplanthopper）侵扰的水稻冠层光谱进行分析后发现，利用737～925nm波段反射率的改变能够对植物是否受病害侵染做出较好诊断；Yang等发现，当水稻受褐飞虱和稻纵卷叶螟侵扰时，426nm波段处的冠层光谱反射率能够有效地监测2种虫害；Liu等通过对水稻稻穗的光谱分析发现450～850nm波段的反射率变化与水稻颖枯病（glumeblightdisease）具有相关性。在小麦研究方面：Graeff等通过对感染白粉病（powderymildew）和全蚀病（take-alldisease）的小麦叶片光谱进行分析后发现，病害的发生导致490、510、516、540、780和1300nm波段处的强烈光谱响应。
　　Delwiche和Kim发现小麦赤霉病（Fusariumheadblight）能够引起550、568、605、623、660、697、715和733nm位置处的光谱响应;黄木易等通过研究小麦条锈病的光谱特征，发现630～687，740～890和976～1350nm波段对条锈病敏感；刘良云等发现小麦条锈病与560～670nm波段的反射率变化有密切关系，并据此构建了监测模型；Moshou等通过光谱分析筛选出680、725和750这三个与小麦条锈病有关的光谱波段。在其他果蔬研究方面：Sasaki等发现黄瓜在受到Colletotrichumorbiculare病菌感染后会在380～450和750～1200nm波段处出现吸收特征的改变；Zhang等发现番茄晚疫病（lateblightdisease）的发生能够引起700～750、750～930、950～1030和1040～1130nm范围的光谱反射率的显著改变；Xu等发现800～1100、1450和1900nm位置的光谱反射率对番茄斑潜蝇（leafminerdamage）的侵扰较敏感；Jones等通过分析感染叶斑病（xanthomonasperforans）的番茄叶片光谱发现在395、633～635和750～760nm位置的反射率有显著改变；Naidu等通过研究发现能够通过752，684和970nm处的反射率对葡萄卷叶病（leafrolldisease）进行识别和诊断；Wang等发现能够用1150～1280nm波段的反射率诊断洋葱的酸腐病（sourskindisease）。
　　Huang等在监测芹菜菌核病时发现采用400～1300nm反射率可有效反应病菌侵染程度。图1和表1对上述光谱位置进行了归纳和总结。
　　从上述研究可以看出，植物类型及染病种类不同，其光谱特征位置具有明显差异。笔者认为，如果能够对各种不同作物的常见病虫害光谱特征位置进行全面研究，建立一个作物病虫害光谱特征数据库，将极大地丰富农业专家系统在病虫害监测与诊断方面的内涵。同时，便于数据交互和共享，为今后病虫害的监测提供信息支持。
　　3、应用于作物病虫害胁迫监测的植被指数
　　在病虫害遥感探测的研究与实践中，研究者们往往不直接使用光谱反射率，而是基于各种类型的植被指数进行分析。迄今为止，已有多种不同形式的植被指数被相继提出，通常具有一定的生物或理化意义，是植物光谱的一种重要的应用形式。除波段组合、插值、比值、归一化等常用的代数形式外，如光谱微分、连续统等变换形式也常用于光谱特征的构建。目前，已有较多的研究尝试通过各类植被指数建立遥感信息和病虫害的发生、程度之间的关系。
　　在水稻研究方面：Yang等采用绿度植被指数（greennormalizeddifferencevegetationindex,GNDVI）和土壤调节植被指数（soil-adjustedvegetationindex，SAVI）对水稻病害进行监测，2种指数与病情程度之间的决定系数均达到0.8以上。在小麦研究方面：Bravo等利用归一化植被指数（normalizeddifferencevegetationindex，NDVI），采用判别分析提取小麦条锈病病情信息，准确率超过95%；Zhao等发现比值植被指数（simpleratio，SR）和三角形植被指数（triangularvegetationindex，TVI）对诊断小麦病害有较好的效果；黄木易等发现经连续统去除法处理后的540～740nm区间内的吸收深度（depth）和吸收面积（area）能够与小麦病叶的严重度之间建立极显著的相关关系；Huang等[33]采用改正型叶绿素吸收比值指数（thetransformedchlorophyllabsorptionandreflectanceindex,TCARI）和优化土壤调节植被指数（optimizedsoil-adjustedvegetationindex，OSAVI）的组合对小麦病害条件下的色素变化进行监测，决定系数达到0.7795，结果表明TCARI和OSAVI指数的比值能够与受条锈病侵染的小麦植株的部分生理生化参数建立良好的相关关系；蒋金豹等通过实验研究发现在冠层尺度上，红边核心区（725～735nm）内一阶微分总和（SDr'）与绿边核心区（520～530nm）内一阶微分总和（SDg'）的比值对小麦病害早期症状敏感，与病情指数间相关系数达到0.921，表明微分植被指数SDr'/SDg'适用于小麦病害的早期诊断；Huang等成功运用光化学植被指数（photochemicalreflectanceindex,PRI）监测了小麦病害，分别在冠层和航空观测尺度上达到了超过90%的估测精度；此外，Devadas等发现氮反射率指数（nitrogenreflectanceindex，NRI），结构不敏感植被指数（structuralindependentpigmentindex，SIPI），植被衰老指数（plantscenescencereflectanceindex，PSRI）和归一化叶绿素比值指数（normalizedpigmentchlorophyllratioindex，NPCI）能够识别并进一步区分同种小麦病害的不同亚型。在其他果蔬研究方面：Steddom等利用NDVI、花青素反射指数（anthocyaninreflectanceindex，ARI）对甜菜病害进行了监测；Xu等采用水体指数（waterbandindex,IWB）对番茄病虫害进行探测；Naidu等尝试利用红边植被胁迫指数（red-edgevegetationstressindex，RVSI），调节型叶绿素吸收比率指数（modifiedchlorophyllabsorptioninreflectanceindex，MCARI）,可见光大气阻尼指数（visibleatmosphericallyresistanceindex，VARI）及水分指数（waterindex，WI）对葡萄病害进行识别，且识别效果达到极显著水平。
　　4、作物病虫害胁迫遥感识别和程度区分算法
　　为实现对作物病虫害的遥感识别和程度区分，除了需要选择合适的波段或植被指数外，还需要选择合适的识别和区分算法，以建立这些病情和光谱特征之间的关系。目前针对不同类型的病虫害以及病虫害的不同特点，研究者们提出了各种各样的方法和模型。大致可以分为2类：一类是基于高光谱非成像数据建立的模型，一类是基于图像的数据分析方法。这些方法涉及了多元统计分析，数据挖掘算法和图像分析方法，总的目的是为了使所建立的模型具有较高的精度和专一性。

---

期刊库（http://www.zgqkk.com），是一个专门从事期刊推广、投稿辅导的网站。
　　本站提供如何投稿辅导，寻求投稿辅导合作，快速投稿辅导，投稿辅导格式指导等解决方案：省级投稿辅导/国家级投稿辅导/核心期刊投稿辅导//职称投稿辅导。

---

　　【免责声明】本文仅代表作者本人观点，与投稿辅导_期刊发表_中国期刊库专业期刊网站无关。投稿辅导_期刊发表_中国期刊库专业期刊网站站对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任。