近日，中心在国际顶级遥感期刊《Remote Sensing of Environment》发表了题为“A disease-specific spectral index tracks Magnaporthe oryzaeinfection in paddy rice from ground to space”的研究论文，报道了他们在多尺度稻叶瘟敏感光谱指数构建，以及小农户田块稻叶瘟发生时空动态遥感监测方面的重要进展。
稻瘟病（Magnaporthe oryzae）是威胁全球水稻生产的最具破坏性的真菌病害。现有的稻叶瘟发病信息主要通过田间调查来获取，这种方法不仅费时费力，而且存在代表性差等弊端，难以满足大范围稻瘟病高时效高精度监测的需求。构建适用于叶片和冠层尺度的稻叶瘟敏感光谱指数，对于遏制病害蔓延、病害定损评估、早期病害预测预警至关重要。现有研究多集中在基于机器学习或统计模型的单一尺度稻叶瘟识别和病情指数估算，缺乏对稻叶瘟高度敏感、可适用于叶片（个体）和冠层尺度（群体）的光谱指数。
该研究综合分析了从单叶到冠层尺度稻叶瘟侵染引起的光谱响应（图1），基于单波段可分性和特异性光谱响应规律创建了一对稻叶瘟敏感植被指数(RIce Blast Indices, RIBIs)，进一步通过光谱指数波段优化方法确定了三波段具体位置(R665, R753和R1102)。利用叶片、近地面冠层和卫星平台获取的多年多试验点实测数据，系统评价了RIBIs在不同尺度对稻叶瘟病害严重程度的估算能力。结果表明，在叶片尺度RIBIred对感染和健康样本的识别表现出最高的分类精度（图2），而在冠层尺度RIBInir则表现出与病情指数最高的相关性（图3）。
图1. 稻叶瘟侵染下不同病害严重程度的水稻光谱反射率。A. 单叶尺度不同接种后天数(Days after inoculation, DAI）；B. 近地面冠层尺度不同病情指数(Disease index, DI)。
图2. RIBIs与传统光谱植被指数在温室（2018和2019）和自然条件下（2020）对健康与感病叶片分类精度的比较。RBVI：前人研究中对稻叶瘟较敏感的植被指数，SVI：类似RIBI的植被指数，TBVI：传统三波段植被指数，OD：其他类型病害指数，CW：叶绿素及水分敏感植被指数。
图3. RIBInir和传统指数NDVI在近地面（A和C）及卫星尺度（B和D）与稻叶瘟病情指数DI的相关性。不同颜色散点代表在不同时期和试验点获取的样本。
该研究进一步对Sentinel-2卫星影像提取的RIBInir进行时间序列分析和热点分析发现，在时间维度上，基于RIBInir的时间序列能准确追踪小农户田块中稻叶瘟的爆发与恢复态势，而传统植被指数NDVI对自然条件下稻瘟病发生过程的敏感性更差（图4）。空间维度上，RIBInir对稻叶瘟发生区域的刻画更加准确，稻叶瘟时空动态传播规律的与实地调查一致性更好（图5），卫星影像分析结果中表征病害恢复的绿色像素与呈现恢复趋势的黑色调查点吻合度更高。该研究构建了适用于叶片和冠层尺度的稻叶瘟敏感光谱指数，显著提高了对多尺度稻叶瘟发生的识别精度和对病情指数的估算能力；首次提出了基于光谱指数图的小农户田块稻叶瘟爆发热点识别思路，为基于卫星遥感的稻叶瘟传播概率等级划分和病害流行风险评估奠定基础。
图4.试验区（以江苏省淮安市唐曹村为例）Sentinel-2影像植被指数的时间序列结果比较（A. RIBInir; B. NDVI）。红色星号表示不同水平下的显著性差异。
图5.两个典型研究区卫星影像RIBInir和NDVI的热点分析结果（左：江苏省淮安市唐曹村；右：江苏省淮安市太平村）。黑色点代表实地调查点。
该研究由南京农业大学国家信息农业工程技术中心完成，中心博士研究生田龙为论文第一作者，程涛教授为通讯作者。中心在国家自然科学基金等项目，以及现代作物生产省部共建协同创新中心等平台的资助下，瞄准作物病虫害高时效高精度监测预警难题，持续开展了多年温室与田间试验，近两年连续在Remote Sensing of Environment上发表稻叶瘟光谱监测机理与方法方面的创新成果，对于作物病虫害天空地一体化监测预警和作物绿色智慧生产具有重要价值。
论文链接：
https://doi.org/10.1016/j.rse.2022.113384
2021年叶片尺度稻叶瘟早期监测论文链接：
https://doi.org/10.1016/j.rse.2021.112350