长江中下游典型地区水稻纹枯病生境评价多源数据集
| 长江中下游典型地区水稻纹枯病生境评价多源数据集 作者：田洋洋 张静文 张雪雪 彭代亮 陈雷 张竞成 2019年12月31日 |
 田洋洋, 张静文, 张雪雪, 等. 长江中下游典型地区水稻纹枯病生境评价多源数据集[J/OL]. 中国科学数据, 2019, 4(4). (2019-10-06). DOI: 10.11922/csdata.2019.0021.zh. |
摘要&关键词 编辑
摘要：水稻是当今世界最重要的粮食作物之一，而水稻纹枯病是制约水稻高产、优质的重要因素，近年来，水稻病虫害发生频繁，给水稻产量带来严重损失。本数据以长江中下游典型地区为研究区域，基于Landsat-8 OLI、Sentinel-2光学遥感影像数据、MODIS地表温度产品、地面气象站气象数据和水稻纹枯病发病情况调查数据，整理分析形成了与水稻纹枯病生境相关的数据集，包括水稻种植范围及耕作类型数据、水稻生长状况数据、地表温度数据、气象数据等。为大范围水稻病害生境评价等研究提供完整有效的数据支持。
关键词：遥感；气象；生境；水稻纹枯病
Abstract & Keywords 编辑
Abstract: Rice is one of the most important grain crops in the world, while rice sheath blight is an vital factor restricting the yield and quality of rice. In recent years, rice pests and diseases occur frequently, causing serious loss of rice yield. Based on Landsat-8 OLI, sentinel-2 optical remote sensing image data, MODIS surface temperature products, meteorological data of surface meteorological station and rice sheath blight incidence investigation data, this study takes typical areas in the middle and lower reaches of the Yangtze river as research areas. The datasets related to rice sheath blight habitats were formed on the basis of sorting and analysis, including rice planting range and tillage type, rice growth condition, surface temperature, meteorological data, etc., which can provide complete and effective data support for large-scale rice disease habitat evaluation and other researches.
Keywords: remote sensing; meteorology; habitat; rice sheath blight
数据库（集）基本信息简介 编辑
| 数据库（集）名称 | 长江中下游典型地区水稻纹枯病生境评价多源数据集 |
| 数据作者 | 田洋洋，张静文，张雪雪，彭代亮，陈雷，张竞成 |
| 数据通信作者 | 张竞成（zhangjc_rs@163.com） |
| 数据时间范围 | 本数据集包括以下种6种产品：（1）水稻纹枯病病害程度调查数据，2018年7月；（2）卫星地表反射率数据，2018年6月至2018年7月；（3）水稻面积监测数据，2018年7月；（4）影像穗帽变换特征数据，2018年7月；（5）MODIS地表温度产品数据，2018年7月至2018年8月；（6）气象站数据，2018年7月至2018年8月。 |
| 地理区域 | 研究区一：32°45’N – 32°52’N, 117°30’E – 117°36’E；研究区二：30°54’N – 30°58’N’E, 119°50’E– 119°54’E。 |
| 空间分辨率 | （1）光学卫星遥感反射率数据：Sentinel-2:10 m；Landsat-8 OLI: 30 m；（2）水稻面积监测数据：10 m；（3）影像穗帽变换特征数据：10m；（4）MODIS地表温度产品数据：1000 m。 |
| 数据量 | 124.86 MB |
| 数据格式 | *.img, *.tif, *.shp, *.hdf, *.txt |
| 数据服务系统网址 | http://www.sciencedb.cn/dataSet/handle/795 |
| 基金项目 | 十三五中国科学院信息化专项（XXH13505-03-104）；国家自然科学基金（41671415）；国家重点研发计划政府间国际科技创新合作重点项目（2017YFE0122400）。 |
| 数据库（集）组成 | 数据集包括6个数据文件：（1）水稻纹枯病病害程度调查数据数据；（2）卫星地表反射率数据；（3）水稻面积监测数据；（4）影像穗帽变换特征数据；（5）MODIS地表温度产品数据；（6）气象站数据。 |
Dataset Profile 编辑
| Title | Multi-source datasets for habitat evaluation of rice sheath blight in typical areas of the middle and lower reaches of the Yangtze River |
| Data corresponding author | Zhang Jingcheng (zhangjc_rs@163.com) |
| Data authors | Tian Yangyang, Zhang Jingwen, Zhang Xuexue, Peng Dailiang, Cheng Lei, Zhang Jingcheng |
| Time range | This dataset includes the following 6 products: 1. Rice sheath blight disease degree survey data, July 2018; 2. Satellite surface reflectance data, June 2018 – July 2018; 3. Rice area monitoring data, July 2018; 4. Characteristic data of image panicle cap transformation, July 2018; 5. MODIS surface temperature product data, July 2018 – August 2018; 6. Data of weather stations, July 2018 – August 2018. |
| Geographical scope | Study area 1: 32°45’N – 32°52’N, 117°30’E – 117°36’E; Study area 2: 30°54’N – 30°58’N’E, 119°50’E– 119°54’E. |
| Spatial resolution | 1. Reflectance data of optical satellite remote sensing: sentinel-2:10 m; Landsat-8 OLI:30 m; 2. Monitoring data of rice area: 10 m; 3. Image spike transform feature data: 10 m; 4. MODIS surface temperature product data: 1000 m. |
| Data volume | 124.86 MB |
| Data format | *.img, *.tif, *.shp, *.hdf, *.txt |
| Data service system | <http://www.sciencedb.cn/dataSet/handle/795> |
| Sources of funding | 13th Five-year informatization Plan of Chinese Academy of Science s(XXH13505-03-104); National Natural Science Foundation of China (41671415); National Key R&D Program of China (2017YFE0122400). |
| Dataset composition | The dataset consists of 6 subsets in total, including six data files: (1) Survey data of rice sheath blight disease degree; (2) satellite surface reflectance data; (3) rice area monitoring data; (4) image panicle cap transform characteristic data; (5) MODIS surface temperature product data; (6) meteorological station data. |
引 言 编辑
“民以食为天，食以稻为先”。水稻是我国的主要粮食作物之一，全国以稻米为主食的人口约占总人口的60%[1]。在我国水稻主要种植区域，纹枯病已成为限制水稻高产的首要病害，严重危害水稻的品质和产量[2]。水稻纹枯病又称云纹病，俗名花足秆、烂脚瘟、眉目斑，由立枯丝核菌感染得病，多在高温、高湿条件下发生。纹枯病在南方稻区为害严重，是当前水稻生产上的主要病害之一。该病使水稻不能抽穗，或抽穗的秕谷较多，粒重下降[3]。水稻纹枯病的发生受菌核基数、水稻抗病性、气候和田间栽培管理几方面因素影响。高温高湿、阴雨天多的条件有利于纹枯病的发病和扩展蔓延，田间郁闭度高、前期防治不好的田块容易暴发纹枯病，且病情扩展快、危害持续时间长[4][5]。
目前作物病害生境评价较大程度上基于气象数据与遥感数据。气象因素能够被较容易地观测和分析，在研究中经常用到与温度和湿度相关的气象因子数据，如降水量、平均气温、平均空气相对湿度、日照时数、雨雾露天数[6][7][8][9][10]。通过分析气象条件对甘肃冬小麦条锈病流行的影响，发现甘肃东部的气候环境有利于小麦病虫害的发生发展[11]。通过对南充市小麦条锈病发生流行的气象因子进行分析，发现温度、湿度和气流为主要影响因子，其中低温寒潮是引起当年11月至翌年4月气象因子波动的主要原因[12]。使用地面温度数据生成“热积分空气温度”，为害虫监测提供的重要依据，使农业害虫风险图的绘制具有一定时空细节[13]。寄主营养状态及农田小气候信息，能够通过遥感手段得到有效监测。Cappaert和Powelson发现马铃薯茎腐病的发生和发展受到冠层密度和叶面湿度等微生境因素的决定[14]。植物病理学研究显示病菌的生长繁殖依赖寄主植物为其提供营养，因此，很多植物病害都倾向“选择”营养水平（氮素、水分等）较高的植株群体[15]。Bonman和Garrity研究了不同植株营养水平对水稻稻瘟病发生程度的影响，实验结果表明，病害严重程度与植株氮素含量的相关系数在0.5–0.8之间[16]；Mahapatra等发现芥末黑斑病的发生与寄主植物的氮素含量密切相关，病害程度随植株含氮量的上升而上升[17]。综上，通过分析作物病害发病机理及获取病害相关生境因子，水稻纹枯病生境评价数据集可以支持病害预警。
长江中下游平原是中国重要的粮、油、棉生产基地，亦为中国水资源最丰富地区，作物可一年二熟，耕地类型以水田为主。长江中下游地区是我国水稻主产区之一，也是我国水稻的集中产区。本数据集选取具有代表性的两个区域，安徽省滁州市（研究区一）和浙江省湖州市（研究区二），如图1所示。
图1 研究区示意图图中所用影像为Sentinel-2大气校正后的假彩色图，选取第4波段（红波段）、第8波段（近红外波段）、第3波段（绿波段）组成
本数据集包括以下四种数据：一是长江中下游水稻纹枯病病害程度调查数据；二是基于Landsat-8 OLI和Sentinel-2光学遥感数据分类的水稻种植区域；三是基于Sentinel-2光学遥感数据的水稻生长状况数据；四是气象数据，即MODIS地表温度和气象站气象数据。本数据集可以作为长江中下游典型地区水稻纹枯病生境检测的研究数据，可在空间大尺度上实现作物监测、作物病害生境评价等应用。
1 数据采集和处理方法 编辑
1.1 数据源 编辑
本数据集所采用的数据包括以下三类：
（1）水稻纹枯病病害程度调查数据。调查按照以下规则记录：全株无病记为健康，基部叶片叶鞘发病记为轻度，第三叶片以下各叶鞘或叶片发病及第二叶片以下各叶鞘或叶片发病记为中度，顶叶叶鞘或顶叶发病及全株发病枯死记为重度。
（2）光学遥感数据：包括Sentinel-2光学遥感数据和Landsat-8 OLI光学遥感数据，Sentinel-2光学遥感数据由欧洲航天局网站（https://scihub.copernicus.eu/）提供，Landsat-8 OLI光学遥感数据由中国科学院遥感与数字地球研究所网站（http://ids.ceode.ac.cn/Index.aspx）提供。
（3）气象数据：包括MODIS地表温度产品和气象站数据，MODIS地表温度产品由美国地质调查局（United States Geological Survey，USGS）网站（http://glovis.usgs.gov/）提供，气象站数据由中国气象数据网站（http://data.cma.cn/）提供的地面气象站日值数据。数据集所用卫星遥感影像和气象站数据如表1、表2所示。
表1 数据集卫星遥感影像列表
| 序号 | 数据源 | ID | 时间 | 分辨率（m） |
| 1 | Sentinel-2 | S2A_MSIL1C_20180606T024651_N0206_R132_T50SNB_20180606T062402 | 2018年6月6日 | 波段2、3、4、8：10米分辨率，波段5、6、7、8A、11、12：20米分辨率，波段1、9、10：60米分辨率 |
| 2 | S2A_MSIL1C_20180716T024551_N0206_R132_T50SNB_20180716T053144 | 2018年7月16日 | ||
| 3 | S2B_MSIL2A_20180718T023549_N0206_R089_T50RQV_20180718T070956 | 2018年7月18日 | ||
| 4 | Landsat-8 OLI | LO81190392018166SNC00 | 2018年6月15日 | 30 |
| 5 | MODIS MOD11A2 | MOD11A2.A2018185.h27v05.006.2018197143009 | 2018年7月4日 | 1000 |
| 6 | MOD11A2.A2018185.h28v05.006.2018197142829 | 2018年7月4日 | 1000 | |
| 7 | MOD11A2.A2018193.h27v05.006.2018202041936 | 2018年7月12日 | 1000 | |
| 8 | MOD11A2.A2018193.h28v05.006.2018202041018 | 2018年7月12日 | 1000 | |
| 9 | MOD11A2.A2018201.h27v05.006.2018210041006 | 2018年7月20日 | 1000 | |
| 10 | MOD11A2.A2018201.h28v05.006.2018210041522 | 2018年7月20日 | 1000 | |
| 11 | MOD11A2.A2018209.h27v05.006.2018218215637 | 2018年7月28日 | 1000 | |
| 12 | MOD11A2.A2018209.h28v05.006.2018218215857 | 2018年7月28日 | 1000 | |
| 13 | MOD11A2.A2018217.h27v05.006.2018227170350 | 2018年8月5日 | 1000 | |
| 14 | MOD11A2.A2018217.h28v05.006.2018227165712 | 2018年8月5日 | 1000 |
表2 气象站数据
| 站点 | 50136-59855 |
| 气象参数 | 气压、气温、相对湿度、降水、蒸发、风向风速、日照、0cm地温 |
| 时间范围 | 2018年7月1日至2018年8月31日 |
1.2 数据处理方法 编辑
1.2.1 遥感影像预处理及研究区提取
卫星遥感技术的发展，为植被检测提供了先进的技术手段。Sentinel-2的L1C级多光谱数据是经过几何精校正的正射影像。为消除大气散射和吸收等影响，首先对Sentinel-2的L1C级多光谱数据进行辐射校正和大气校正，通过欧空局（ESA）发布的插件Sen2cor进行辐射定标和大气校正（气溶胶反演、水蒸气反演、卷云修正），得到L2A级大气底层反射率数据。对Landsat-8 OLI数据采用ENVI遥感图像处理软件进行预处理，先对影像进行福射校正，再对经过辐射校正后的影像进行快速大气校正。然后根据研究区的范围裁剪出研究区影像数据。
1.2.2 基于时相信息的水稻面积提取
在此基础上，由于水稻在单个时期容易与影像中的其他作物或植被混淆，因此考虑水稻生长过程的变化特征，运用水稻移栽和拔节阶段光谱时序特性和决策树方法进行水稻面积提取。由于光学卫星数量少、重访周期相对较长、影像受云雨影响大，因此将Sentinel-2和Landsat-8 OLI经过重采样处理，优先使用Sentinel-2数据，若研究区域对应的时间无此数据，则使用Landsat-8 OLI数据。用光学反射率数据中的近红外波段和红外波段通过归一化植被指数计算公式计算得到归一化植被指数，根据归一化植被指数检测绿色作物的特性，用7月的归一化植被指数实现对水、城市与绿色植被的分类。考虑城市植被及其他绿色植被在6–7月变化较小，而水稻冠层变化显著的特点，利用归一化植被指数和绿波段对植物生长状态的响应特点，经反复对比试验采用6、7月归一化植被指数的差值和绿波段实现水稻与其他绿色植被的分类。决策树方法中各步骤阈值均根据土地分类调查训练数据确定，分类图如图2所示。
图2 决策树分类图
1.2.3 基于Sentinel-2影像的穗帽变换
作物病害的发生与作物营养和生长情况相关，应用穗帽变换对Sentinel-2数据进行处理，可以提取水稻生长态势及环境信息，用于反映病虫害作物生境状况。穗帽变换是一种特殊的主成分分析，随着植被生长，在绿度图像上的信息增强，土壤亮度上的信息减弱；当植物成熟和逐渐凋落时，其在绿度图像特征减少，在黄度上的信息增强。
穗帽变换是指在多维光谱空间中，通过线性变换、光谱空间旋转使植被与土壤的光谱特征得以有效分离。这种变换不仅去除了原始影像各波段之间的冗余信息，而且使变换之后的结果变成了有重要物理意义的参数。一般前3个特征就包含了影像的绝大多数信息，变换后的第1分量表征土壤亮度，反映了土壤光谱信息；第2分量表征绿度，反映了植被光谱信息；第3分量表征地物的水分含量，反映了地物的湿度信息[18]。通过对7月的Sentinel-2反射率数据进行穗帽变换，得到水稻种植区域的绿度指数、湿度指数和亮度指数[18]。
2 数据样本描述 编辑
本数据集涵盖与水稻纹枯病生境评价相关的数据，包括水稻纹枯病病害程度调查数据、光学遥感原始影像、光学遥感反射率影像、地物分类影像、水稻生长状况数据、气象数据等。其中水稻纹枯病病害程度调查数据通过矢量化转化为Shapefile格式，其相关属性存储于该数据的属性表中。本数据集以“图像+描述文档”的方式组织存储，包含了影像数据和文本数据，样例如表3所示。表4以农林用地这一类别的一个样本点数据为例，展示了其对应的存储文件列表。
表3 数据样例
| 数据类型 | 数据格式 | 详细描述 | 样例 |
| 水稻纹枯病病害程度调查数据 | Shapefile | 0为健康；1为轻度；2为中度；3为重度，用于水稻纹枯病生境评价、病害检测及预测 | 图片 |
| 光学卫星遥感反射率数据 | IMG | Sentinel-2：波段2、3、4、8：10米分辨率，波段5、6、7、8A、11、12：20米分辨率，波段1、9、10：60米分辨率； Landsat-8 OLI：10米分辨率 | 图片 |
| 地物分类数据 | TIF/IMG | 10米分辨率 0为水；1为城市；2为其他绿色植被；3为水稻，用于作物病害评价、作物产量预测、土地利用现状遥感检测等 | 图片 |
| TIF/IMG | 10米分辨率，用于检测水稻生长态势及环境信息，反映病虫害作物生境状况 | 绿度指数图片 | |
| 亮度指数图片 | |||
| 亮度指数图片 | |||
| MODIS地表温度产品数据 | HDF | 1000米分辨率 数据集包括LST_Day_1km, QC_Day, Day_view_time, Day_view_angl, LST_Night_1km, QC_Night, Night_view_time, Night_view_angl, Emis_31, Emis_32, Clear_day_cov, Clear_night_cov，用于地表温度变换研究、旱情动态监测研究、热岛强度分析等 | LST_Day_1km_20180712图片 |
| 气象站数据 | TXT | 数据文件命名由数据集代码（SURF_CLI_CHN_MUL_DAY）、要素代码（XXX)、项目代码（XXXXX）、年份标识（YYYY）和月份标识（MM）组成。其中，SURF表示地面气象资料，CLI表示地面气候资料，CHN表示中国，MUL表示多要素，DAY表示日值数据。 气象参数说明：PRS-10004表示本站气压，TEM-12001表示气温，RHU-13003表示相对湿度，PRE-13011表示降水，EVP-13240表示蒸发，WIN-11002表示风向风速，SSD-14032表示日照，GST-12030-0cm表示0cm地温。 | 图片 |
表4 数据文件说明
| 数据类型 | 文件名 | 时间 | 备注 |
| 实验调查数据 | Survey data of rice sheath blight | 2018年7月 | |
| 光学卫星地表反射率数据 | LS8_O_20180615_023028_000000_119039_GEOTIFF_SNC_L2 | 2018年6月15日 | 研究区一 |
| S2B_MSIL2A_20180718T023549_N0206_R089_T50RQV_20180718T070956_s2resampled | 2018年7月18日 | ||
| S2A_MSIL2A_20180606T024651_N0206_R132_T50SNB_20180606T062402_s2resampled | 2018年6月6日 | 研究区二 | |
| S2A_MSIL2A_20180716T024551_N0206_R132_T50SNB_20180716T053144_s2resampled | 2018年7月16日 | ||
| 水稻面积监测数据 | fy_classify, hzh_classify | 研究区一及研究区二 | |
| 影像穗帽变换特征数据 | fy_0716_brightness, fy_0716_greenness, fy_0716_wetness, hzh_0718_brightness, hzh_0718_greenness, hzh_0718_wetness | 研究区一及研究区二 | |
| MODIS地表温度产品数据 | MOD11A2.A2018185.h**v**.006.2018197143009.hdf | 文件夹即为时间 | h**v**为区域行列号 |
| 气象站数据 | SURF_CLI_CHN_MUL_DAY_XXX_XXXXX_YYYY_MM | YYYY年MM月 |
3 数据质量控制和评估 编辑
水稻纹枯病病害程度调查数据的等级参考稻纹枯病测报调查规范（GB/T 15791-1995）中的严重度分级标准，调查方法经过植保专家的指导，保证本数据来源的质量和可靠性。卫星光学遥感影像经过校正消除大气散射和吸收等影响，实现对数据的质量把控。地物分类数据则是基于Landsat-8 OLI与Sentinel-2 遥感影像，结合实地调查和影像人工目视解译生成，通过对比高分卫星影像数据与实验调查数据进行质量控制，分类精度达到95%以上。气象站数据与MODIS地表温度数据皆来自相关官方网站，数据均经过质量控制和精度验证。穗帽变换特征直接依据通用公式进行计算，未引入误差。
4 数据价值 编辑
本数据集可以直接用于水稻病害的生境评价，基于遥感、气象等多因素的病害生境评价可以进一步用于发展病害预警模型，用于对大范围病害发生风险进行空间连续的预测。这种预测的模式由于能够提供病害发生风险的空间细节信息，能够更有效地指导植保防控工作，并有利于发展智慧农田管理等数字农业的新模式，不仅具有科学价值，还具有重要的应用前景。
5 数据使用方法和建议 编辑
本数据集包含了水稻纹枯病生境评价多源数据，数据格式包括TIF、Shapefile、HDF、TXT，使用主流的GIS 、ENVI等软件均可实现读写。针对数据集的使用有以下几点建议：
（1）光学卫星遥感影像。由于光学卫星数量少、重访周期相对较长、影像受云雨影响大，因此可以将Sentinel-2和Landsat-8 OLI经过重采样处理，结合两种卫星影像运用。
（2）气象数据的使用。气象站数据包含的气象要素多、具有全天候数据，但此数据只体现在气象站“点”上；MODIS温度产品以影像的形式存在，体现在“面”上，但是记录的气象要素较少，所以可以结合两种数据进行病害生境评价。
（3）生境评价因子的选择。在评价作物病害生境时，应该选择与对应病害相关的生境评价因子，避免引入病害发生无关的因子。
（4）生境评价模型。利用数据集所包含的生境因子，通过对研究区晚稻以1.1 km×1.1 km的区域尺度进行生境评价，使用多元回归建模方法，建立了生境评价系统，精度为55%。其中也可用Logistic回归、偏最小二乘回归等作为生境评价模型建模方法。
致 谢 编辑
感谢欧洲航天局网站提供Sentinel-2的L1C级数据，中国科学院遥感与数字地球研究所提供Landsat-8 OLI数据，美国地质调查局提供MODIS MOD11A2数据产品，中国气象数据提供气象数据。
参考文献 编辑
- ↑ 吴利红, 娄伟平, 姚益平, 等. 水稻农业气象指数保险产品设计——以浙江省为例[J]. 中国农业科学, 2010, 43(23): 4942-4950.
- ↑ 王爱军, 郑爱萍. 水稻纹枯病发病特点及防治措施[J]. 中国稻米, 2018, 24(03): 124-126.
- ↑ 郑树森, 孙昌伟, 孙秘珍. 水稻纹枯病防治技术[J]. 现代农村科技, 2016, (7): 29-29.
- ↑ 夏汉炎, 张夕林, 羌烨. 南通地区水稻纹枯病暴发流行特点及其防控技术研究[J]. 世界农药, 2016, 38(4): 57-61.
- ↑ 张夕林, 羌烨. 沿江稻区水稻纹枯病暴发流行特点及其防控技术研究[J]. 中国农药, 2016, 2016(6): 74-79.
- ↑ 程玲娟, 王金强, 王孝春. 气象因子对水稻纹枯病的影响之探讨[J]. 中国植保导刊, 2012, 32(05): 35-37.
- ↑ 苏荣瑞, 刘凯文, 冯明, 等. 2014年江汉平原水稻稻曲病促病气象条件指数分析[J]. 中国植保导刊, 2015, 35(09): 44-49.
- ↑ 顾鑫. 气象因子对马铃薯晚疫病病情指数的影响[J]. 中国马铃薯, 2015, 29(05): 298-300.
- ↑ LAUNAY M, CAUBEL J, BOURGEOIS G, et al. Climatic indicators for crop infection risk: Application to climate change impacts on five major foliar fungal diseases in Northern France[J]. Agriculture, Ecosystems & Environment, 2014, 197(197): 147-158.
- ↑ KRISS A B, PAUL P A, XU X, et al. Quantification of the relationship between the environment and Fusarium head blight, Fusarium pathogen density, and mycotoxins in winter wheat in Europe[J]. European Journal of Plant Pathology, 2012, 133(4): 975-993.
- ↑ 张旭东, 尹东, 万信, 等. 气象条件对甘肃冬小麦条锈病流行的影响研究[J]. 中国农业气象, 2004, 24(4): 26-28.
- ↑ 杜晓宇, 欧晓阳. 南充市小麦条锈病流行成因及治理对策[J]. 植物保护, 2004, 30(4): 65-68.
- ↑ SILVA J R M D, DAMÁSIO C V, SOUSA A M O, et al. Agriculture pest and disease risk maps considering MSG satellite data and land surface temperature[J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 38: 40-50.
- ↑ CAPPAERT M.R, POWELSON M.L. Canopy density and microclimate effects on the development of aerial stem rot of potatoes[J]. Phytopathology, 1990, 80(4): 350-356.
- ↑ JONES, D G. The Epidemiology of Plant Diseases[M]. Netherlands: Springer, 2006.
- ↑ BONMAN J M, GARRITY D P. Effects of nitrogen timing and split application on blast disease in upland rice[J]. Plant Disease, 1992, 76(4): 384-389.
- ↑ MAHAPATRA S, SAHA P, DAS S. Effect of different levels of nitrogen in field on Alternaria blight severity of mustard[J]. Journal of Mycopathological Research, 2014, 52(1): 35-40.
- ^ 18.0 18.1 NEDKOV R. Orthogonal Transformation of Segmented Images from the Satellite Sentinel-2[J]. Comptes rendus de l'Académie bulgare des sciences: sciences mathématiques et naturelles, 2017, 70(5): 687-692.
数据引用格式 编辑
田洋洋, 张静文, 张雪雪, 等. 长江中下游典型地区水稻纹枯病生境评价多源数据集[DB/OL]. Science Data Bank, 2019. (2019-10-08). DOI: 10.11922/csdata.2019.0021.zh.
