近日，番号鸽 智慧农业创新团队联合澳大利亚墨尔本大学（The University of Melbourne）团队在国际顶级遥感期刊Remote Sensing of Environment发表了题为“Mitigating the phenological influence on spectroscopic quantification of rice blast disease severity with extended PROSAIL simulations”的研究论文，报道了团队在稻瘟病严重度光谱监测机理与方法方面的重要进展。

稻瘟病（Rice blast, RB）是一种极具毁灭性的真菌病害，可在全球范围内造成严重的水稻减产。目前，病害调查主要依赖人工巡田和随机抽样，其时效性与准确性均存在一定局限。近年来，国内外研究已证实了遥感技术在病情严重度估算中的应用潜力。然而，水稻物候变化所引起的光谱变异与病害侵染导致的光谱响应高度混杂，这种物候异质性对病害敏感光谱特征的稳健性产生显著影响，进而导致明显的病情估算偏差。现有方法多针对不同生育时期分别建模，病情估算模型的精度和通用性严重不足。因此，亟需厘清物候异质性对病情严重度估算的影响机制，并通过削弱其干扰提升病害监测精度。

为解决这一关键问题，本研究提出了一种新颖的思路：通过扩展经典植被辐射传输模型，实现对感病水稻光谱的定量模拟，以突破传统研究方法中感病数据稀缺与定量解析困难的瓶颈。本研究基于光谱混合分析与病斑光学测量，将病情严重度引入叶片辐射传输模型PROSPECT，构建了针对稻瘟病的PROSPECT拓展模型(PROSPECT-RBE)。该模型重构的病叶反射光谱最多可将误差降低36.3%，显著提高了用于病害监测的关键光谱区间反射率模拟精度。在此基础上，通过耦合PROSPECT-RBE与冠层辐射传输模型SAIL，实现了感病水稻冠层尺度的反射率模拟，基于参数化设计将物候异质性分解为具体植被理化参数的数值变化。进一步的敏感性分析与混杂因子解耦结果表明，叶绿素含量是导致不同物候阶段病情估算模型不一致的首要因素，也是解释物候异质性影响的关键变量。据此，研究筛选出最优的叶绿素敏感植被指数，对RIBI_nir（本团队前期提出的稻瘟病指数）进行归一化校正，构建了改进型指数nRIBI_nir，显著提升了病情指数估算精度：决定系数（R²）由0.67提升至0.79，相对均方根误差（rRMSE）降低9%；在营养生长阶段的早期感染样本中，R²提升幅度高达0.51。此外，nRIBI_nir有效克服了原有模型对重度感病区域的病情严重度低估问题，显著提高了稻瘟病病情制图精度。值得注意的是，针对无人机与卫星传感器波段进行适配调整后的nRIBI_nir，在病情指数估算中仍表现出优异性能。研究结果表明，面向病害扩展的植被辐射传输模型不仅为混杂效应影响机制解析提供了可靠工具，也为高精度病害遥感监测奠定了理论基础。nRIBI_nir所展现出的敏感性和通用性，使其在抗病育种、病害动态追踪及多尺度农药精确管理等应用场景中具有重要价值。

图1 面向稻瘟病侵染的叶片及冠层辐射传输拓展及模型评价技术流程图

图2 稻瘟病指数归一化前（RIBI_nir）后（nRIBI_nir）在模拟（A-B、E-F）和实测数据集（C-D、G-H）中的病情估算效果

图3 稻瘟病指数归一化前（A、D）后（B、E）的病情制图结果对比，（C、F）分别为研究区的试验处理示意图和无人机正射影像

该研究由番号鸽 国家信息农业工程技术中心联合墨尔本大学研究团队完成，番号鸽 2021级博士生薛博文为论文第一作者，番号鸽 程涛教授为通讯作者。国际合作者包括西班牙国家研究委员会（CSIC）可持续农业研究所（IAS）定量遥感实验室主任、墨尔本大学教授Pablo J. Zarco-Tejada教授，以及墨尔本大学HyperSens实验室研究员Tomas Poblete博士。智慧农业创新团队在国家自然科学基金等项目、现代作物生产省部共建协同创新中心等平台的资助下，瞄准作物病害智能感知和农药精确管理的重大需求，解决作物病害多尺度精确识别与定量估算的关键技术难题，开展了近十年的病害观测试验，近五年连续在Remote Sensing of Environment、Computers and Electronics in Agriculture等国际知名期刊上发表多项稻瘟病遥感监测方面的创新成果，对于构建天空地一体化作物病害监测体系与推动粮食绿色智慧生产具有重要价值。

论文链接：

//doi.org/10.1016/j.rse.2025.115063