基于多表型参数的水稻白叶枯病害程度预测方法及系统

1.本发明涉及水稻白叶枯病害程度预测技术领域，特别是涉及一种基于多表型参数的水稻白叶枯病害程度预测方法及系统。


背景技术：

2.水稻是主要的粮食作物之一，病害侵染是影响水稻产量的重要因素。及时地发现、了解水稻病害的发病程度对于植保作业和田间管理具有重要意义。传统病害发病程度检测方法多为人工进行，这会受到人为的主观判断和环境变化的影响，尤其是对田间水稻的发病程度进行检测时需要耗费大量的人力、物力和时间。随着现代农业技术的快速发展，无人机遥感技术为田间作物表型快速监测提供了支持。无人机通过搭载rgb相机、多光谱相机或高光谱相机来反演作物冠层信息，如叶绿素含量、含水率、氮素含量等。但不同的表型参数反演所建立的模型是不一样的，使用的数据特征也不相同，利用相同的数据特征来反演多种表型参数鲜有报道。
3.白叶枯病是水稻三大病害之一，严重影响着水稻产量和稻米品质。白叶枯病是由稻黄单胞菌水稻致病变种xanthomonas oryzae pv.oryzae(简称：xoo)侵染引起的一种细菌病害。xoo通过水稻的伤口或气孔侵入后在维管束内大量增殖，导致维管束堵塞，阻碍了植物体内养分和水分的运输，光合作用减弱，叶片色素含量下降，叶片含水量降低，叶片变黄枯萎。因此，水稻白叶枯病的严重程度和水稻的叶绿素含量和含水率是存在相关性的，但是目前很少有人关注这一相关性。


技术实现要素：

4.针对上述问题，本发明提供了一种基于多表型参数的水稻白叶枯病害程度预测方法及系统，利用多光谱遥感技术、叶绿素含量和含水率变化实现田间水稻白叶枯病害程度的快速指示。
5.为实现上述目的，本发明提供了如下方案：
6.一种基于多表型参数的水稻白叶枯病害程度预测方法，包括：
7.获取研究区域内水稻的多光谱图像；所述研究区域包括多个小区；
8.基于所述多光谱图像，计算每个所述小区对应的水稻光谱反射率；
9.基于所述水稻光谱反射率和第一回归模型确定每个所述小区对应的水稻叶片叶绿素含量，基于所述水稻光谱反射率和第二回归模型确定每个所述小区对应的水稻植株含水率；所述第一回归模型是基于第一样本数据集确定的；所述第二回归模型是基于第二样本数据集确定的；所述第一样本数据集包括多个样本水稻光谱反射率以及每个所述样本水稻光谱反射率对应的样本水稻叶片叶绿素含量，所述第二样本数据集包括多个所述样本水稻光谱反射率以及每个所述样本水稻光谱反射率对应的样本水稻植株含水率；所述样本水稻为白叶枯病胁迫下的水稻；
10.基于相关性关系以及每个所述小区对应的水稻叶片叶绿素含量、水稻植株含水
率，确定每个所述小区对应的水稻白叶枯病发病程度；所述相关性关系为水稻叶片叶绿素含量、水稻植株含水率、水稻白叶枯病发病程度之间的相关性关系；
11.基于所述第一回归模型的变量投影重要性指标的得分值和所述第二回归模型的变量投影重要性指标的得分值，对所述水稻光谱反射率的特征变量进行筛选，以得到光谱指标；
12.计算所述光谱指标与所述水稻白叶枯病发病程度之间的相关性，并基于所述光谱指标与所述水稻白叶枯病发病程度之间的相关性，生成所述研究区域内水稻白叶枯病害程度可视化分布图。
13.可选地，还包括：
14.计算所述光谱指标与所述水稻叶片叶绿素含量之间的相关性，并基于所述光谱指标与所述水稻叶片叶绿素含量之间的相关性，生成所述研究区域内水稻叶片叶绿素含量可视化分布图；
15.和/或，计算所述光谱指标与所述水稻植株含水率之间的相关性，并基于所述光谱指标与所述水稻植株含水率之间的相关性，生成所述研究区域内水稻植株含水率可视化分布图；
16.和/或，计算所述光谱指标与所述水稻叶片叶绿素含量之间的相关性，计算所述光谱指标与所述水稻植株含水率之间的相关性，并基于所述光谱指标与所述水稻白叶枯病发病程度之间的相关性、所述光谱指标与所述水稻叶片叶绿素含量之间的相关性、和所述光谱指标与所述水稻植株含水率之间的相关性，生成所述研究区域内水稻多表型参数可视化分布图；所述多表型参数包括水稻白叶枯病发病程度、水稻叶片叶绿素含量和水稻植株含水率。
17.可选地，还包括：构建样本数据库；所述样本数据库包括第一样本数据集、第二样本数据集以及第三样本数据集；所述第三样本数据集包括多个样本水稻白叶枯病发病程度以及每个所述样本水稻白叶枯病发病程度对应的样本水稻叶片叶绿素含量和样本水稻植株含水率。
18.可选地，所述样本水稻叶片叶绿素含量的确定过程为：
19.使用spad-502叶绿素仪确定样本区域内每个小区对应的样本水稻叶片叶绿素含量。
20.可选地，所述样本水稻植株含水率的确定过程为：
21.利用湿基含水率方法计算样本区域内每个小区对应的样本水稻植株含水率。
22.可选地，所述第一回归模型的确定过程为：
23.根据偏最小二乘回归方法和所述第一样本数据集，确定所述第一回归模型。
24.可选地，所述第二回归模型的确定过程为：
25.根据偏最小二乘回归方法和所述第二样本数据集，确定所述第二回归模型。
26.可选地，所述基于所述多光谱图像，计算每个所述小区对应的水稻光谱反射率，具体包括：
27.对所述多光谱图像进行预处理；
28.利用envi软件对预处理后的多光谱图像进行水稻光谱反射率的提取，进而确定每个所述小区对应的水稻光谱反射率。
29.一种基于多表型参数的水稻白叶枯病害程度预测系统，包括：
30.多光谱图像获取模块，用于获取研究区域内水稻的多光谱图像；所述研究区域包括多个小区；
31.水稻光谱反射率计算模块，用于基于所述多光谱图像，计算每个所述小区对应的水稻光谱反射率；
32.水稻叶片叶绿素含量和水稻植株含水率计算模块，用于基于所述水稻光谱反射率和第一回归模型确定每个所述小区对应的水稻叶片叶绿素含量，基于所述水稻光谱反射率和第二回归模型确定每个所述小区对应的水稻植株含水率；所述第一回归模型是基于第一样本数据集确定的；所述第二回归模型是基于第二样本数据集确定的；所述第一样本数据集包括多个样本水稻光谱反射率以及每个所述样本水稻光谱反射率对应的样本水稻叶片叶绿素含量，所述第二样本数据集包括多个所述样本水稻光谱反射率以及每个所述样本水稻光谱反射率对应的样本水稻植株含水率；所述样本水稻为白叶枯病胁迫下的水稻；
33.水稻白叶枯病发病程度确定模块，用于基于相关性关系以及每个所述小区对应的水稻叶片叶绿素含量、水稻植株含水率，确定每个所述小区对应的水稻白叶枯病发病程度；所述相关性关系为水稻叶片叶绿素含量、水稻植株含水率、水稻白叶枯病发病程度之间的相关性关系；
34.光谱指标确定模块，用于基于所述第一回归模型的变量投影重要性指标的得分值和所述第二回归模型的变量投影重要性指标的得分值，对所述水稻光谱反射率的特征变量进行筛选，以得到光谱指标；
35.水稻白叶枯病害程度可视化分布图生成模块，用于计算所述光谱指标与所述水稻白叶枯病发病程度之间的相关性，并基于所述光谱指标与所述水稻白叶枯病发病程度之间的相关性，生成所述研究区域内水稻白叶枯病害程度可视化分布图。
36.可选地，还包括：
37.水稻叶片叶绿素含量可视化分布图生成模块，用于计算所述光谱指标与所述水稻叶片叶绿素含量之间的相关性，并基于所述光谱指标与所述水稻叶片叶绿素含量之间的相关性，生成所述研究区域内水稻叶片叶绿素含量可视化分布图；
38.和/或，水稻植株含水率可视化分布图生成模块，用于计算所述光谱指标与所述水稻植株含水率之间的相关性，并基于所述光谱指标与所述水稻植株含水率之间的相关性，生成所述研究区域内水稻植株含水率可视化分布图；
39.和/或，水稻多表型参数可视化分布图生成模块，用于计算所述光谱指标与所述水稻叶片叶绿素含量之间的相关性，计算所述光谱指标与所述水稻植株含水率之间的相关性，并基于所述光谱指标与所述水稻白叶枯病发病程度之间的相关性、所述光谱指标与所述水稻叶片叶绿素含量之间的相关性、和所述光谱指标与所述水稻植株含水率之间的相关性，生成所述研究区域内水稻多表型参数可视化分布图；所述多表型参数包括水稻白叶枯病发病程度、水稻叶片叶绿素含量和水稻植株含水率。
40.根据本发明提供的具体实施例，本发明公开了以下技术效果：
41.(1)基于白叶枯病胁迫下的水稻叶片叶绿素含量和水稻植株含水率筛选特征变量，建立新的光谱指标；(2)基于水稻光谱反射率和回归模型预测预测研究区域的水稻叶片叶绿素含量和水稻植株含水率，进而预测水稻白叶枯病发病程度；(3)基于新的光谱指标和
预测得到水稻白叶枯病发病程度水稻白叶枯病害程度的快速指示，适用于高通量水稻病害表型监测研究。
附图说明
42.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
43.图1为本发明基于多表型参数的水稻白叶枯病害程度预测方法的流程图；
44.图2为本发明基于多表型参数的水稻白叶枯病害程度预测方法的整体实施方式流程示意图；
45.图3为本发明中田间水稻测量的spad值、含水率和病害程度之间的变化关系图；
46.图4为本发明中田间水稻白叶枯病害程度、spad值和含水率之间的pearson相关性分析结果图；
47.图5为本发明plsr模型结果图；
48.图6为本发明vip得分结果图；
49.图7为本发明建立的光谱指数si与田间水稻白叶枯病害程度之间的散点图；
50.图8为本发明建立的光谱指数si与田间水稻spad值之间的散点图；
51.图9为本发明建立的光谱指数si与田间水稻含水率之间的散点图；
52.图10为本发明田间水稻白叶枯病害程度的可视化分布图；
53.图11为本发明基于多表型参数的水稻白叶枯病害程度预测系统的结果图。
具体实施方式
54.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
55.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
56.实施例一
57.如图1所示，本实施例提供的一种基于多表型参数的水稻白叶枯病害程度预测方法，包括：
58.步骤100：获取研究区域内水稻的多光谱图像；所述研究区域包括多个小区。
59.步骤200：基于所述多光谱图像，计算每个所述小区对应的水稻光谱反射率。
60.步骤300：基于所述水稻光谱反射率和第一回归模型确定每个所述小区对应的水稻叶片叶绿素含量，基于所述水稻光谱反射率和第二回归模型确定每个所述小区对应的水稻植株含水率；所述第一回归模型是基于第一样本数据集确定的；所述第二回归模型是基于第二样本数据集确定的；所述第一样本数据集包括多个样本水稻光谱反射率以及每个所述样本水稻光谱反射率对应的样本水稻叶片叶绿素含量，所述第二样本数据集包括多个所
述样本水稻光谱反射率以及每个所述样本水稻光谱反射率对应的样本水稻植株含水率；所述样本水稻为白叶枯病胁迫下的水稻。
61.步骤400：基于相关性关系以及每个所述小区对应的水稻叶片叶绿素含量、水稻植株含水率，确定每个所述小区对应的水稻白叶枯病发病程度；所述相关性关系为水稻叶片叶绿素含量、水稻植株含水率、水稻白叶枯病发病程度之间的相关性关系。
62.步骤500：基于所述第一回归模型的变量投影重要性指标(vip)的得分值和所述第二回归模型的变量投影重要性指标的得分值，对所述水稻光谱反射率的特征变量进行筛选，以得到光谱指标。
63.步骤600：计算所述光谱指标与所述水稻白叶枯病发病程度之间的相关性，并基于所述光谱指标与所述水稻白叶枯病发病程度之间的相关性，生成所述研究区域内水稻白叶枯病害程度可视化分布图。
64.进一步地，本实施例提供的方法还包括：
65.计算所述光谱指标与所述水稻叶片叶绿素含量之间的相关性，并基于所述光谱指标与所述水稻叶片叶绿素含量之间的相关性，生成所述研究区域内水稻叶片叶绿素含量可视化分布图。
66.和/或，计算所述光谱指标与所述水稻植株含水率之间的相关性，并基于所述光谱指标与所述水稻植株含水率之间的相关性，生成所述研究区域内水稻植株含水率可视化分布图。
67.和/或，计算所述光谱指标与所述水稻叶片叶绿素含量之间的相关性，计算所述光谱指标与所述水稻植株含水率之间的相关性，并基于所述光谱指标与所述水稻白叶枯病发病程度之间的相关性、所述光谱指标与所述水稻叶片叶绿素含量之间的相关性、和所述光谱指标与所述水稻植株含水率之间的相关性，生成所述研究区域内水稻多表型参数可视化分布图；所述多表型参数包括水稻白叶枯病发病程度、水稻叶片叶绿素含量和水稻植株含水率。
68.进一步地，本实施例提供的方法还包括：构建样本数据库；所述样本数据库包括第一样本数据集、第二样本数据集以及第三样本数据集；所述第三样本数据集包括多个样本水稻白叶枯病发病程度以及每个所述样本水稻白叶枯病发病程度对应的样本水稻叶片叶绿素含量和样本水稻植株含水率。
69.其中，在构建样本数据库过程中，各个元素的确定过程如下所述。
70.样本水稻光谱反射率的确定过程：
71.利用无人机搭载多光谱相机来获取样本区域内白叶枯病胁迫下水稻的多光谱影像；对多光谱影像进行图像拼接、背景去除等处理，然后基于处理后的多光谱影像，提取样本区域内每个小区的样本水稻光谱反射率，并记为x。
72.样本水稻叶片叶绿素含量的确定过程：
73.使用spad-502叶绿素仪，采集样本区域内白叶枯病胁迫下每个小区对应的的样本水稻叶片叶绿素含量，记为y1。
74.一个示例为：使用spad-502叶绿素仪获取样本水稻叶片叶绿素含量，并使用spad值代替叶片叶绿素含量。
75.其中，在测量时，需要避开主叶脉，每片叶片从叶尖到叶鞘分别视为上、中、下三个
部分，每个部分随机选取3个采样点，测量spad值，并将这9个采样点的spad值的平均值代表该水稻叶片的spad值。
76.样本水稻植株含水率的确定过程：
77.利用湿基含水率方法计算样本区域内每个小区对应的样本水稻植株含水率，记为y2。其计算公式为：
[0078][0079]
其中，wc表示样本水稻的植株含水率，fw表示样本水稻植株的鲜重(g)，dw表示样本水稻植株的干重(g)。
[0080]
样本水稻白叶枯病发病程度的确定过程：
[0081]
样本区域内每个小区对应的样本水稻白叶枯病发病程度的调查是依据国家标准gb/t 17980.19-2000进行的，三位植保专家在无人机飞行作业当天进行实地调查并评分，以三位专家评分的平均值作为最终的病害程度评分，即样本水稻白叶枯病发病程度，记为y3。
[0082]
在此基础上，进一步确定出相关性关系，即根据第三数据样本集，计算y1，y2和y3之间的相关性，进而得到水稻叶片叶绿素含量、水稻植株含水率、水稻白叶枯病发病程度之间的相关性关系。
[0083]
其中，相关性的计算采用pearson相关性分析，采用spss软件进行计算相关性系数(r)，r》0为正相关，r《0为负相关，r＝0表示不存在线性关系，|r|＝1表示完全线性相关，0《|r|《＝0.3为极低的相关性，0.3《|r|《＝0.5为低相关性，0.5《|r|《＝0.8为显著相关性，|r|》0.8为极高的相关性。
[0084]
第一回归模型的确定过程为：
[0085]
根据偏最小二乘回归(plsr)方法和所述第一样本数据集，确定所述第一回归模型。
[0086]
第二回归模型的确定过程为：
[0087]
根据偏最小二乘回归(plsr)方法和所述第二样本数据集，确定所述第二回归模型。
[0088]
作为一种优选的实施方式，所述基于所述多光谱图像，计算每个所述小区对应的水稻光谱反射率，具体包括：
[0089]
对所述多光谱图像进行预处理；利用envi软件对预处理后的多光谱图像进行水稻光谱反射率的提取，进而确定每个所述小区对应的水稻光谱反射率。
[0090]
本实施例提供一种基于多表型参数的水稻白叶枯病害程度预测方法，主要是：将利用无人机搭载多光谱相机获取的白叶枯病胁迫下水稻光谱反射率，构建光谱反射率与白叶枯病胁迫下水稻叶绿素含量和含水率变化的回归模型，从中选取相应的特征波段进而构建一个光谱指标来评估水稻白叶枯病害程度，所述的光谱指标可以用于快速指示水稻叶片叶绿素含量、水稻植株含水率和水稻白叶枯病发病程度的田间分布情况。显然本实施例能够实现白叶枯病胁迫下水稻叶片叶绿素含量、水稻植株含水率和水稻白叶枯病发病程度等多种表型参数的快速指示。
[0091]
实施例二
[0092]
先以本实施例提供的方法为例，说明一种基于多表型参数的水稻白叶枯病害程度预测方法具有可实施性。
[0093]
本实施例的实验数据或者说样本数据涉及两个实验地点，分别为浙江省衢州市龙游县(29
°0′
17
″
n，119
°
10
′
46
″
e)水稻实验基地和绍兴市诸暨市(29
°
37
′
22
″
n，120
°
11
′
40
″
e)水稻实验基地，这两个地点均属于亚热带季风气候，湿润多雨，适合水稻的生长，而且都属于白叶枯病的流行地区，水稻种植后无需额外的处理即可自然发病。龙游县水稻实验基地中的实验区域共有60个小区，每个小区种植一个水稻品种，共60个品种，水稻品种分别为ash1至ash60，每个小区长10.6m，宽4.72m，小区间的间隔为0.5m，所有水稻于2021年5月中旬培育，6月26日人工移栽至田间，10月中旬收获。诸暨市水稻实验基地中的实验区域共有13个小区，每个小区长60m，宽5.5m，每个小区种植一个水稻品种，分别为甬优31，嘉禾优2号，甬1578，中浙优8号，春鲜7860，甬优15，嘉禾优7245，甬优7860，甬优1540，嘉67，浙粳100，浙粳165和华西优2171，小区间的间隔为0.5m，所有水稻于2021年5月中旬培育，6月13日人工移栽至田间，10月中旬收获。所有水稻品种均由浙江省农科院提供，水稻生长管理按照当地管理方式进行。不同水稻品种对白叶枯病的抗性不同，田间的表型也不同。
[0094]
如图2所示，本实施例提供的基于叶绿素和含水率变化的水稻白叶枯病害程度预测方法包括如下步骤。
[0095]
(1)无人机多光谱图像采集；使用搭载一个25波段多光谱相机的无人机对实验基地进行多光谱图像的采集，其波长范围为600-875nm。龙游县水稻实验基地的多光谱图像是在水稻移栽至田间后的第16天，66天和92天采集的，诸暨市水稻实验基地的多光谱图像是在水稻移栽至田间后的第30天，68天和106天采集的，涉及了水稻的分蘖期、拔节期、抽穗期和灌浆期。在进行无人机作业时，无人机与地面之间的距离均为25米，飞行速度为2.5m/s，航向重叠率为60％，旁向重叠率为75％。
[0096]
(2)光谱反射率(x)提取；无人机采集的多光谱图像为连续的多张小视角范围的图像，采用photoscan软件将这些小视角范围的图像拼接为整个实验区域的正射影像。利用阈值分割方法去除背景信息，利用envi软件选择感兴趣小区进行光谱反射率的提取。所述阈值分割方法是基于背景和水稻的反射率差异最大的波长为阈值进行处理，本实施例在波长为675nm处反射率差异最大。
[0097]
(3)水稻叶绿素含量(y1)测量；在无人机飞行作业的同一天内使用spad-502叶绿素仪对实验区域内各小区的水稻叶绿素进行测量，使用spad值代替叶绿素含量。每个小区随机选择三株水稻，每株水稻随机选择三片完全展开的叶片，每片叶片从叶尖到叶鞘分别视为上、中、下三个部分，每个部分随机选取3个采样点，测量spad值，这27个采样点的spad值的平均值代表该株水稻的spad值，然后随机选择的三株水稻的平均值代表该小区的水稻spad值。
[0098]
(4)水稻含水率(y2)测量；在无人机飞行作业的同一天内，在实验区域内各小区中随机选择三株水稻，擦净后测量鲜重并记录，然后将水稻样本放入在105℃的烘箱中杀青30分钟，随后设置为70℃烘干至恒重后称量并记录干重。采用湿基含水率方法计算水稻的含水率，每个小区的三个样本的平均值来代表该小区的含水率wc。
[0099]
(5)田间水稻白叶枯病害程度(y3)调查；在无人机飞行作业的同一天内，依据国家标准gb/t 17980.19-2000，三位植保专家进行实地调查并对病害程度进行评分，疾病程度
得分分别为0，1，2，3，4，5；其中，0代表没有明显症，1-5则代表病害程度依次递增，最后以三位专家评分的平均值作为最终的疾病严重评分结果。
[0100]
(6)为建立一个普适的模型，将两个实验区域的数据放在一起进行综合分析，图3(a)显示了不同病害程度下水稻spad值的分布情况，图3(b)显示了不同病害程度下水稻含水率的分布情况。由于实验区域各小区面积较大，为保证结果的可靠性，提取光谱数据时，将龙游县水稻实验基地中的实验区域的每个小区都平均分为两个子小区，将诸暨市水稻实验基地中的实验区域的每个小区都平均分为五个子小区，因此共有555个样本。对水稻spad、含水率和水稻病害程度进行pearson相关性分析，结果如图4所示，水稻病害程度与水稻spad、含水率均成负相关，相关性系数分别为-0.83和-0.77，*p《0.05表示相关性在0.05上是显著的，都表现了显著的相关性。对所获取的x，y1，y2和y3一一对应后，以8：2的比例随机选择以构成建模集和预测集。其中，此步骤也确定出水稻叶片叶绿素含量、水稻植株含水率、水稻白叶枯病发病程度之间的相关性关系，且该相关性关系用于后续实际操作过程中，根据水稻叶片叶绿素含量、水稻植株含水率，确定水稻白叶枯病发病程度。
[0101]
(7)以建模集中的x作为输入，分别以y1和y2作为输出建立白叶枯病胁迫下水稻叶绿素和含水率与光谱反射率之间的plsr模型，得到建模集样本对应的预测数据，然后将预测集中的x带入模型，得到预测集样本对应的预测数据。plsr模型结果表型利用多光谱数据对水稻白叶枯病胁迫下spad和含水率进行预测是可行的，对于spad的预测集r2为0.67，rmse为5.36，如图5(a)所示；对于含水率的预测集r2为0.72，rmse为0.05，如图5(b)所示。此步骤的plsr模型用于后续实际操作过程中，仅仅根据光谱反射率，即可得到水稻叶片叶绿素含量、水稻植株含水率。
[0102]
(8)分别对水稻spad和水稻含水率wc的plsr模型的vip得分值进行计算，结果如图6所示，vip值大于1的视为重要的变量。利用光谱数据分别对水稻spad和水稻含水率进行预测，结果均指示了658nm，675nm和698nm为重要的波长，基于这三个波长，依据是否和病害程度有相关性建立一个新的光谱指数si。
[0103]
所有样本在658nm，675nm和698nm处的反射率值随着病害程度的增加而增加，为了体现病害程度间的差异，先分别计算了r658+r698和r658+r675，然后再将二者相加，最终si的计算公式如下：
[0104]
si＝2*r658+r675+r698；
[0105]
其中，r658，r675和r698分别代表波长658nm，675nm和698nm处对应的光谱反射率值。
[0106]
si和病害程度间呈正相关，如图7所示，相关系数达0.762，证明基于水稻spad和含水率变化建立的水稻白叶枯病害程度评估的光谱指数si是有效的。以0.1作为阈值可以快速实现健康水稻和感病水稻的判别，si《＝0.1视为未感病的健康水稻，si》0.1视为感病水稻。此外，si和水稻spad以及含水率之间的相关性如图8和图9所示，都呈现负相关关系，且都有显著的相关性，基于相应的病害程度的si值可以了解到spad和含水率的相对应的情况。
[0107]
(9)基于建立的光谱指数si，实现田间水稻病害程度的可视化分析，同时也能反映田间spad和含水率的情况，可视化分布结果如图10所示，由于篇幅有限，只选择了龙游县水稻实验基地中的实验区域的第二次飞行图像进行显示。
[0108]
实施例三
[0109]
如图11所示，本实施例提供的一种基于多表型参数的水稻白叶枯病害程度预测系统，包括：
[0110]
多光谱图像获取模块1，用于获取研究区域内水稻的多光谱图像；所述研究区域包括多个小区。
[0111]
水稻光谱反射率计算模块2，用于基于所述多光谱图像，计算每个所述小区对应的水稻光谱反射率。
[0112]
水稻叶片叶绿素含量和水稻植株含水率计算模块3，用于基于所述水稻光谱反射率和第一回归模型确定每个所述小区对应的水稻叶片叶绿素含量，基于所述水稻光谱反射率和第二回归模型确定每个所述小区对应的水稻植株含水率；所述第一回归模型是基于第一样本数据集确定的；所述第二回归模型是基于第二样本数据集确定的；所述第一样本数据集包括多个样本水稻光谱反射率以及每个所述样本水稻光谱反射率对应的样本水稻叶片叶绿素含量，所述第二样本数据集包括多个所述样本水稻光谱反射率以及每个所述样本水稻光谱反射率对应的样本水稻植株含水率；所述样本水稻为白叶枯病胁迫下的水稻。
[0113]
水稻白叶枯病发病程度确定模块4，用于基于相关性关系以及每个所述小区对应的水稻叶片叶绿素含量、水稻植株含水率，确定每个所述小区对应的水稻白叶枯病发病程度；所述相关性关系为水稻叶片叶绿素含量、水稻植株含水率、水稻白叶枯病发病程度之间的相关性关系。
[0114]
光谱指标确定模块5，用于基于所述第一回归模型的变量投影重要性指标的得分值和所述第二回归模型的变量投影重要性指标的得分值，对所述水稻光谱反射率的特征变量进行筛选，以得到光谱指标。
[0115]
水稻白叶枯病害程度可视化分布图生成模块6，用于计算所述光谱指标与所述水稻白叶枯病发病程度之间的相关性，并基于所述光谱指标与所述水稻白叶枯病发病程度之间的相关性，生成所述研究区域内水稻白叶枯病害程度可视化分布图。
[0116]
进一步地，本实施例提供的系统还包括：
[0117]
水稻叶片叶绿素含量可视化分布图生成模块，用于计算所述光谱指标与所述水稻叶片叶绿素含量之间的相关性，并基于所述光谱指标与所述水稻叶片叶绿素含量之间的相关性，生成所述研究区域内水稻叶片叶绿素含量可视化分布图。
[0118]
和/或，水稻植株含水率可视化分布图生成模块，用于计算所述光谱指标与所述水稻植株含水率之间的相关性，并基于所述光谱指标与所述水稻植株含水率之间的相关性，生成所述研究区域内水稻植株含水率可视化分布图。
[0119]
和/或，水稻多表型参数可视化分布图生成模块，用于计算所述光谱指标与所述水稻叶片叶绿素含量之间的相关性，计算所述光谱指标与所述水稻植株含水率之间的相关性，并基于所述光谱指标与所述水稻白叶枯病发病程度之间的相关性、所述光谱指标与所述水稻叶片叶绿素含量之间的相关性、和所述光谱指标与所述水稻植株含水率之间的相关性，生成所述研究区域内水稻多表型参数可视化分布图；所述多表型参数包括水稻白叶枯病发病程度、水稻叶片叶绿素含量和水稻植株含水率。
[0120]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统
而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0121]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。