白粉病是危害小麦产量和品质的重要病害之一,但以往的监测手段以目测手查、定性描述和主观判断为主,以点带面的观测手段往往延误了病情的及时防控,增加了后期治理的难度和成本。遥感技术的发展使得叶片、冠层、区域等多尺度的病害监测成为可能。本论文的研究目的是筛选不同尺度、有无噪声条件下的敏感光谱特征,实现对小麦白粉病严重度的估测区分。基于这一目标,综合了非成像高光谱数据、卫星多光谱数据、地面实测数据、高程数据、热红外数据等多源多尺度数据,优选了基于叶片高光谱数据和卫星多光谱数据的小麦白粉病严重度估测敏感光谱特征。同时,以Landsat-8和MODIS反演的地表温度作为关键生境特征,辅以筛选出的植被指数作为长势因子,通过星地结合实现了区域尺度上小麦白粉病严重度分级并进行了评估。主要研究内容如下:(1)基于非成像高光谱技术的白粉病严重度区分方法研究选取了基于高光谱位置和常见植被指数的19个光谱特征,以灌浆初期的小麦叶片光谱曲线为数据源,研究了小麦白粉病与叶片高光谱敏感特征的关系。在变量的筛选方面,采用独立样本T检验对高光谱特征与小麦白粉病严重度的相关关系进行显著程度验证;随后使用筛选出的特征进行了线性回归,发现大部分高光谱特征的回归模型效果都比较好。为了进一步提高回归模型的病害监测能力,根据变量互相关矩阵,筛选出4个特征(MSRn、NDVIn、λg、SIPIn)进行多元线性回归,结果表明结合多个独立变量可以有效提高线性回归模型的病害评估能力;此外,基于随机森林对白粉病的病害等级进行了分类,总体精度达到了82.7%,Kappa系数为0.73。(2)评估模拟噪声环境下敏感特征对病害监测的稳定性基于冬小麦叶片非成像高光谱数据,检验敏感特征对于加入模拟背景噪声后的鲁棒性。选择了经过变量筛选和回归分析验证的四个敏感高光谱特征,通过改变加入噪声的类型及其权重,研究各特征与白粉病严重度相关性的变化情况。结果表明,噪声的加入会不同程度地影响各特征与小麦白粉病严重度的相关性。随后,进一步研究了根据GF-1 WFV和Landsat-8 OLI各自波段范围和光谱响应函数模拟出的两种数据在综合噪声(土壤、云层和树木)干扰条件下对小麦白粉病的监测能力,共选取了蓝波段、绿波段、红波段、近红外波段、归一化植被指数(NDVI)、归一化绿度植被指数(NDGI)、色素敏感植被指数(SIPI)七种指数进行分析。试验结果显示,在受到背景噪声干扰情况下,GF-1和Landsat-8对于白粉病都有比较强的监测能力;GF-1可以作为小麦白粉病监测的可靠数据源进行使用。(3)植被指数与地表温度结合的白粉病区域尺度遥感监测选取中国北方小麦白粉病常发且病情较为严重的河北省晋州市为研究区,研究区域尺度上白粉病的遥感监测方法。使用GF-1 WFV数据反演的植被指数代表小麦长势结合Landsat-8和MODIS数据反演的地表温度,通过选用支持小样本分类的支持向量机算法,在区域尺度上反演了小麦白粉病严重度。植被指数筛选中使用Relief-F算法得到敏感变量;地表温度反演时选用四种类型:单时相Landsat-8反演的地表温度(T1),多时相Landsat-8反演的地表温度(T2),多时相MODIS反演的地表温度(T3)和Lansat-8与MODIS结合反演的地表温度(T4),这四种地表温度分别结合相同的植被指数进行小麦白粉病严重度估测。结果表明,基于T4构建的模型精度最高,基于72的次之,基于T1的最低,分别为81.2%,76.8%,73.9%,64.8%。结果表明多时相地表温度可明显提高小麦白粉病的遥感监测精度。综上所述,小麦白粉病的遥感监测已经进入实际应用,下一步应该多挖掘地表温度等生境因素的监测能力,以求实时、准确、大范围的监测白粉病严重度。