長江中下游典型地區水稻紋枯病生境評價多源數據集

長江中下游典型地區水稻紋枯病生境評價多源數據集
作者：田洋洋　張靜文　張雪雪　彭代亮　陳雷　張競成
2019年12月31日

本作品收錄於《中國科學數據》

田洋洋, 張靜文, 張雪雪, 等. 長江中下游典型地區水稻紋枯病生境評價多源數據集[J/OL]. 中國科學數據, 2019, 4(4). (2019-10-06). DOI: 10.11922/csdata.2019.0021.zh.

摘要&關鍵詞

摘要：水稻是當今世界最重要的糧食作物之一，而水稻紋枯病是制約水稻高產、優質的重要因素，近年來，水稻病蟲害發生頻繁，給水稻產量帶來嚴重損失。本數據以長江中下游典型地區為研究區域，基於Landsat-8 OLI、Sentinel-2光學遙感影像數據、MODIS地表溫度產品、地面氣象站氣象數據和水稻紋枯病發病情況調查數據，整理分析形成了與水稻紋枯病生境相關的數據集，包括水稻種植範圍及耕作類型數據、水稻生長狀況數據、地表溫度數據、氣象數據等。為大範圍水稻病害生境評價等研究提供完整有效的數據支持。

關鍵詞：遙感；氣象；生境；水稻紋枯病

Abstract & Keywords

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

數據庫（集）基本信息簡介

數據庫（集）名稱	長江中下游典型地區水稻紋枯病生境評價多源數據集
數據作者	田洋洋，張靜文，張雪雪，彭代亮，陳雷，張競成
數據通信作者	張競成（zhangjc_rs@163.com）
數據時間範圍	本數據集包括以下種6種產品：（1）水稻紋枯病病害程度調查數據，2018年7月；（2）衛星地表反射率數據，2018年6月至2018年7月；（3）水稻面積監測數據，2018年7月；（4）影像穗帽變換特徵數據，2018年7月；（5）MODIS地表溫度產品數據，2018年7月至2018年8月；（6）氣象站數據，2018年7月至2018年8月。
地理區域	研究區一：32°45』N – 32°52』N, 117°30』E – 117°36』E；研究區二：30°54』N – 30°58』N』E, 119°50』E– 119°54』E。
空間分辨率	（1）光學衛星遙感反射率數據：Sentinel-2:10 m；Landsat-8 OLI: 30 m；（2）水稻面積監測數據：10 m；（3）影像穗帽變換特徵數據：10m；（4）MODIS地表溫度產品數據：1000 m。
數據量	124.86 MB
數據格式	*.img, *.tif, *.shp, *.hdf, *.txt
數據服務系統網址	http://www.sciencedb.cn/dataSet/handle/795
基金項目	十三五中國科學院信息化專項（XXH13505-03-104）；國家自然科學基金（41671415）；國家重點研發計劃政府間國際科技創新合作重點項目（2017YFE0122400）。
數據庫（集）組成	數據集包括6個數據文件：（1）水稻紋枯病病害程度調查數據數據；（2）衛星地表反射率數據；（3）水稻面積監測數據；（4）影像穗帽變換特徵數據；（5）MODIS地表溫度產品數據；（6）氣象站數據。

Dataset Profile

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

「民以食為天，食以稻為先」。水稻是我國的主要糧食作物之一，全國以稻米為主食的人口約占總人口的60%^[1]。在我國水稻主要種植區域，紋枯病已成為限制水稻高產的首要病害，嚴重危害水稻的品質和產量^[2]。水稻紋枯病又稱雲紋病，俗名花足稈、爛腳瘟、眉目斑，由立枯絲核菌感染得病，多在高溫、高濕條件下發生。紋枯病在南方稻區為害嚴重，是當前水稻生產上的主要病害之一。該病使水稻不能抽穗，或抽穗的秕谷較多，粒重下降^[3]。水稻紋枯病的發生受菌核基數、水稻抗病性、氣候和田間栽培管理幾方面因素影響。高溫高濕、陰雨天多的條件有利於紋枯病的發病和擴展蔓延，田間鬱閉度高、前期防治不好的田塊容易暴發紋枯病，且病情擴展快、危害持續時間長^[4][5]。

目前作物病害生境評價較大程度上基於氣象數據與遙感數據。氣象因素能夠被較容易地觀測和分析，在研究中經常用到與溫度和濕度相關的氣象因子數據，如降水量、平均氣溫、平均空氣相對濕度、日照時數、雨霧露天數^{[6][7][8][9][10]}。通過分析氣象條件對甘肅冬小麥條銹病流行的影響，發現甘肅東部的氣候環境有利於小麥病蟲害的發生發展^[11]。通過對南充市小麥條銹病發生流行的氣象因子進行分析，發現溫度、濕度和氣流為主要影響因子，其中低溫寒潮是引起當年11月至翌年4月氣象因子波動的主要原因^[12]。使用地面溫度數據生成「熱積分空氣溫度」，為害蟲監測提供的重要依據，使農業害蟲風險圖的繪製具有一定時空細節^[13]。寄主營養狀態及農田小氣候信息，能夠通過遙感手段得到有效監測。Cappaert和Powelson發現馬鈴薯莖腐病的發生和發展受到冠層密度和葉面濕度等微生境因素的決定^[14]。植物病理學研究顯示病菌的生長繁殖依賴寄主植物為其提供營養，因此，很多植物病害都傾向「選擇」營養水平（氮素、水分等）較高的植株群體^[15]。Bonman和Garrity研究了不同植株營養水平對水稻稻瘟病發生程度的影響，實驗結果表明，病害嚴重程度與植株氮素含量的相關係數在0.5–0.8之間^[16]；Mahapatra等發現芥末黑斑病的發生與寄主植物的氮素含量密切相關，病害程度隨植株含氮量的上升而上升^[17]。綜上，通過分析作物病害發病機理及獲取病害相關生境因子，水稻紋枯病生境評價數據集可以支持病害預警。

長江中下游平原是中國重要的糧、油、棉生產基地，亦為中國水資源最豐富地區，作物可一年二熟，耕地類型以水田為主。長江中下游地區是我國水稻主產區之一，也是我國水稻的集中產區。本數據集選取具有代表性的兩個區域，安徽省滁州市（研究區一）和浙江省湖州市（研究區二），如圖1所示。

圖片

圖1 研究區示意圖圖中所用影像為Sentinel-2大氣校正後的假彩色圖，選取第4波段（紅波段）、第8波段（近紅外波段）、第3波段（綠波段）組成

本數據集包括以下四種數據：一是長江中下游水稻紋枯病病害程度調查數據；二是基於Landsat-8 OLI和Sentinel-2光學遙感數據分類的水稻種植區域；三是基於Sentinel-2光學遙感數據的水稻生長狀況數據；四是氣象數據，即MODIS地表溫度和氣象站氣象數據。本數據集可以作為長江中下游典型地區水稻紋枯病生境檢測的研究數據，可在空間大尺度上實現作物監測、作物病害生境評價等應用。

1 數據採集和處理方法

1.1 數據源

本數據集所採用的數據包括以下三類：

（1）水稻紋枯病病害程度調查數據。調查按照以下規則記錄：全株無病記為健康，基部葉片葉鞘發病記為輕度，第三葉片以下各葉鞘或葉片發病及第二葉片以下各葉鞘或葉片發病記為中度，頂葉葉鞘或頂葉發病及全株發病枯死記為重度。

（2）光學遙感數據：包括Sentinel-2光學遙感數據和Landsat-8 OLI光學遙感數據，Sentinel-2光學遙感數據由歐洲航天局網站（https://scihub.copernicus.eu/）提供，Landsat-8 OLI光學遙感數據由中國科學院遙感與數字地球研究所網站（http://ids.ceode.ac.cn/Index.aspx）提供。

（3）氣象數據：包括MODIS地表溫度產品和氣象站數據，MODIS地表溫度產品由美國地質調查局（United States Geological Survey，USGS）網站（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 數據集衛星遙感影像列表

序號	數據源	ID	時間	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 氣象站數據

站點	50136-59855
氣象參數	氣壓、氣溫、相對濕度、降水、蒸發、風向風速、日照、0cm地溫
時間範圍	2018年7月1日至2018年8月31日

1.2 數據處理方法

1.2.1 遙感影像預處理及研究區提取

衛星遙感技術的發展，為植被檢測提供了先進的技術手段。Sentinel-2的L1C級多光譜數據是經過幾何精校正的正射影像。為消除大氣散射和吸收等影響，首先對Sentinel-2的L1C級多光譜數據進行輻射校正和大氣校正，通過歐空局（ESA）發布的插件Sen2cor進行輻射定標和大氣校正（氣溶膠反演、水蒸氣反演、捲雲修正），得到L2A級大氣底層反射率數據。對Landsat-8 OLI數據採用ENVI遙感圖像處理軟件進行預處理，先對影像進行福射校正，再對經過輻射校正後的影像進行快速大氣校正。然後根據研究區的範圍裁剪出研究區影像數據。

1.2.2 基於時相信息的水稻面積提取

在此基礎上，由於水稻在單個時期容易與影像中的其他作物或植被混淆，因此考慮水稻生長過程的變化特徵，運用水稻移栽和拔節階段光譜時序特性和決策樹方法進行水稻面積提取。由於光學衛星數量少、重訪周期相對較長、影像受雲雨影響大，因此將Sentinel-2和Landsat-8 OLI經過重採樣處理，優先使用Sentinel-2數據，若研究區域對應的時間無此數據，則使用Landsat-8 OLI數據。用光學反射率數據中的近紅外波段和紅外波段通過歸一化植被指數計算公式計算得到歸一化植被指數，根據歸一化植被指數檢測綠色作物的特性，用7月的歸一化植被指數實現對水、城市與綠色植被的分類。考慮城市植被及其他綠色植被在6–7月變化較小，而水稻冠層變化顯著的特點，利用歸一化植被指數和綠波段對植物生長狀態的響應特點，經反覆對比試驗採用6、7月歸一化植被指數的差值和綠波段實現水稻與其他綠色植被的分類。決策樹方法中各步驟閾值均根據土地分類調查訓練數據確定，分類圖如圖2所示。

圖片

圖2 決策樹分類圖

1.2.3 基於Sentinel-2影像的穗帽變換

作物病害的發生與作物營養和生長情況相關，應用穗帽變換對Sentinel-2數據進行處理，可以提取水稻生長態勢及環境信息，用於反映病蟲害作物生境狀況。穗帽變換是一種特殊的主成分分析，隨着植被生長，在綠度圖像上的信息增強，土壤亮度上的信息減弱；當植物成熟和逐漸凋落時，其在綠度圖像特徵減少，在黃度上的信息增強。

穗帽變換是指在多維光譜空間中，通過線性變換、光譜空間旋轉使植被與土壤的光譜特徵得以有效分離。這種變換不僅去除了原始影像各波段之間的冗餘信息，而且使變換之後的結果變成了有重要物理意義的參數。一般前3個特徵就包含了影像的絕大多數信息，變換後的第1分量表徵土壤亮度，反映了土壤光譜信息；第2分量表徵綠度，反映了植被光譜信息；第3分量表徵地物的水分含量，反映了地物的濕度信息^[18]。通過對7月的Sentinel-2反射率數據進行穗帽變換，得到水稻種植區域的綠度指數、濕度指數和亮度指數^[18]。

2 數據樣本描述

本數據集涵蓋與水稻紋枯病生境評價相關的數據，包括水稻紋枯病病害程度調查數據、光學遙感原始影像、光學遙感反射率影像、地物分類影像、水稻生長狀況數據、氣象數據等。其中水稻紋枯病病害程度調查數據通過矢量化轉化為Shapefile格式，其相關屬性存儲於該數據的屬性表中。本數據集以「圖像+描述文檔」的方式組織存儲，包含了影像數據和文本數據，樣例如表3所示。表4以農林用地這一類別的一個樣本點數據為例，展示了其對應的存儲文件列表。

表3 數據樣例

數據類型	數據格式	詳細描述	樣例
水稻紋枯病病害程度調查數據	Shapefile	0為健康；1為輕度；2為中度；3為重度，用於水稻紋枯病生境評價、病害檢測及預測	圖片
光學衛星遙感反射率數據	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	圖片
地物分類數據	TIF/IMG	10米分辨率 0為水；1為城市；2為其他綠色植被；3為水稻，用於作物病害評價、作物產量預測、土地利用現狀遙感檢測等	圖片
	TIF/IMG	10米分辨率，用於檢測水稻生長態勢及環境信息，反映病蟲害作物生境狀況	綠度指數圖片
			亮度指數圖片
			亮度指數圖片
MODIS地表溫度產品數據	HDF	1000米分辨率 數據集包括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，用於地表溫度變換研究、旱情動態監測研究、熱島強度分析等	LST_Day_1km_20180712圖片
氣象站數據	TXT	數據文件命名由數據集代碼（SURF_CLI_CHN_MUL_DAY）、要素代碼（XXX)、項目代碼（XXXXX）、年份標識（YYYY）和月份標識（MM）組成。其中，SURF表示地面氣象資料，CLI表示地面氣候資料，CHN表示中國，MUL表示多要素，DAY表示日值數據。 氣象參數說明：PRS-10004表示本站氣壓，TEM-12001表示氣溫，RHU-13003表示相對濕度，PRE-13011表示降水，EVP-13240表示蒸發，WIN-11002表示風向風速，SSD-14032表示日照，GST-12030-0cm表示0cm地溫。	圖片

表4 數據文件說明

數據類型	文件名	時間	備註
實驗調查數據	Survey data of rice sheath blight	2018年7月
光學衛星地表反射率數據	LS8_O_20180615_023028_000000_119039_GEOTIFF_SNC_L2	2018年6月15日	研究區一
	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	研究區二
	S2A_MSIL2A_20180716T024551_N0206_R132_T50SNB_20180716T053144_s2resampled	2018年7月16日
水稻面積監測數據	fy_classify, hzh_classify		研究區一及研究區二
影像穗帽變換特徵數據	fy_0716_brightness, fy_0716_greenness, fy_0716_wetness, hzh_0718_brightness, hzh_0718_greenness, hzh_0718_wetness		研究區一及研究區二
MODIS地表溫度產品數據	MOD11A2.A2018185.h**v**.006.2018197143009.hdf	文件夾即為時間	h**v**為區域行列號
氣象站數據	SURF_CLI_CHN_MUL_DAY_XXX_XXXXX_YYYY_MM	YYYY年MM月

3 數據質量控制和評估

水稻紋枯病病害程度調查數據的等級參考稻紋枯病測報調查規範（GB/T 15791-1995）中的嚴重度分級標準，調查方法經過植保專家的指導，保證本數據來源的質量和可靠性。衛星光學遙感影像經過校正消除大氣散射和吸收等影響，實現對數據的質量把控。地物分類數據則是基於Landsat-8 OLI與Sentinel-2 遙感影像，結合實地調查和影像人工目視解譯生成，通過對比高分衛星影像數據與實驗調查數據進行質量控制，分類精度達到95%以上。氣象站數據與MODIS地表溫度數據皆來自相關官方網站，數據均經過質量控制和精度驗證。穗帽變換特徵直接依據通用公式進行計算，未引入誤差。

4 數據價值

本數據集可以直接用於水稻病害的生境評價，基於遙感、氣象等多因素的病害生境評價可以進一步用於發展病害預警模型，用於對大範圍病害發生風險進行空間連續的預測。這種預測的模式由於能夠提供病害發生風險的空間細節信息，能夠更有效地指導植保防控工作，並有利於發展智慧農田管理等數字農業的新模式，不僅具有科學價值，還具有重要的應用前景。

5 數據使用方法和建議

本數據集包含了水稻紋枯病生境評價多源數據，數據格式包括TIF、Shapefile、HDF、TXT，使用主流的GIS 、ENVI等軟件均可實現讀寫。針對數據集的使用有以下幾點建議：

（1）光學衛星遙感影像。由於光學衛星數量少、重訪周期相對較長、影像受雲雨影響大，因此可以將Sentinel-2和Landsat-8 OLI經過重採樣處理，結合兩種衛星影像運用。

（2）氣象數據的使用。氣象站數據包含的氣象要素多、具有全天候數據，但此數據只體現在氣象站「點」上；MODIS溫度產品以影像的形式存在，體現在「面」上，但是記錄的氣象要素較少，所以可以結合兩種數據進行病害生境評價。

（3）生境評價因子的選擇。在評價作物病害生境時，應該選擇與對應病害相關的生境評價因子，避免引入病害發生無關的因子。

（4）生境評價模型。利用數據集所包含的生境因子，通過對研究區晚稻以1.1 km×1.1 km的區域尺度進行生境評價，使用多元回歸建模方法，建立了生境評價系統，精度為55%。其中也可用Logistic回歸、偏最小二乘回歸等作為生境評價模型建模方法。

致 謝

感謝歐洲航天局網站提供Sentinel-2的L1C級數據，中國科學院遙感與數字地球研究所提供Landsat-8 OLI數據，美國地質調查局提供MODIS MOD11A2數據產品，中國氣象數據提供氣象數據。

參考文獻

1. 吳利紅, 婁偉平, 姚益平, 等. 水稻農業氣象指數保險產品設計——以浙江省為例[J]. 中國農業科學, 2010, 43(23): 4942-4950.
2. 王愛軍, 鄭愛萍. 水稻紋枯病發病特點及防治措施[J]. 中國稻米, 2018, 24(03): 124-126.
3. 鄭樹森, 孫昌偉, 孫秘珍. 水稻紋枯病防治技術[J]. 現代農村科技, 2016, (7): 29-29.
4. 夏漢炎, 張夕林, 羌燁. 南通地區水稻紋枯病暴發流行特點及其防控技術研究[J]. 世界農藥, 2016, 38(4): 57-61.
5. 張夕林, 羌燁. 沿江稻區水稻紋枯病暴發流行特點及其防控技術研究[J]. 中國農藥, 2016, 2016(6): 74-79.
6. 程玲娟, 王金強, 王孝春. 氣象因子對水稻紋枯病的影響之探討[J]. 中國植保導刊, 2012, 32(05): 35-37.
7. 蘇榮瑞, 劉凱文, 馮明, 等. 2014年江漢平原水稻稻曲病促病氣象條件指數分析[J]. 中國植保導刊, 2015, 35(09): 44-49.
8. 顧鑫. 氣象因子對馬鈴薯晚疫病病情指數的影響[J]. 中國馬鈴薯, 2015, 29(05): 298-300.
9. 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.
10. 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.
11. 張旭東, 尹東, 萬信, 等. 氣象條件對甘肅冬小麥條銹病流行的影響研究[J]. 中國農業氣象, 2004, 24(4): 26-28.
12. 杜曉宇, 歐曉陽. 南充市小麥條銹病流行成因及治理對策[J]. 植物保護, 2004, 30(4): 65-68.
13. 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.
14. 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.
15. JONES, D G. The Epidemiology of Plant Diseases[M]. Netherlands: Springer, 2006.
16. 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.
17. 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. ^ ^{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.

數據引用格式

田洋洋, 張靜文, 張雪雪, 等. 長江中下游典型地區水稻紋枯病生境評價多源數據集[DB/OL]. Science Data Bank, 2019. (2019-10-08). DOI: 10.11922/csdata.2019.0021.zh.