作物病害的无损检测和早期识别是精准农业和生态农业发展的关键。高分辨率卫星（Very high resolution satellite，VHRS）和无人机（unmanned aerial vehicle ,UAV）影像越来越多地应用于农作物早期病虫害的无损检测及预警。在影响小麦的所有病害中，锈病是危害最严重的病害之一。

本文设计了有、无药剂对照的随机试验，以埃塞俄比亚6个锈病抗性不同的小麦品种为试验材料，评估了多光谱无人机、SkySa卫星和Pleiades遥感卫星影像对小麦锈病高通量表型鉴定和快速病害检测工具的能力。结果显示，无人机和VHRS多光谱影像可识别出多个对小麦生长早期复合锈病检测具有较强评估能力的光谱特征。其中，18个光谱特征可作为黄锈病和秆锈病病情发展和相关产量损失的预测因子，多个光谱特征对小麦锈病复合病害的检测、品种对病害胁迫的响应和籽粒产量估测具有较强的预测能力。另外，可见光谱波段(绿色、红色)在孕穗期预测能力较高，近红外植被指数(如NDVI、RVI等)在抽穗期预测能力较高。对病害发展和产量预测表现最好的光谱特征是红边波段和基于无人机的比值植被指数和归一化植被指数。 

本研究为多光谱传感器对每像素5cm的无人机影像到每像素50 cm的全域卫星影像的病害检测能力提供了有价值的见解，迈出了病害检测从地块尺度到区域尺度的第一步。

图1. 研究地点和试验设置

图2. 每个小麦品种复合病害的病情发展。a )简单加和（权重系数为1）； b) 加权加和（权重系数为0.7）

图3.每个品种和小区的产量

图4.产量与病害发展曲线下的面积（AUDPC）关系。a )简单加和（权重系数为1）； b) 加权加和（权重系数为0.7）

图5. DInorm值与光谱特征的相关性。a ) UAV图像； b ) SkySat图像；c ) 于抽穗期的Pleiades图像 (非杀菌剂处理)

图6. 基于线性模型回归方程，利用 a )无人机G值， b ) SkySat R值，(c ) Pleiades数据 G值预测孕穗期的DInorm值

图7.基于线性模型的回归方程，利用 a )无人机RVI， b ) SkySat RVI，( c ) Pleiades RVI预测抽穗期的DInorm值（权重0.7）

图8. 基于线性模型的回归方程，利用 a )无人机RVI - AUC和 b ) SkySat  R - AUC预测AUDPCW值（权重0.7）

图9. 基于线性模型的回归方程，利用(a )无人机RVI - AUC和 b ) SkySat R - AUC预测产量