论文部分内容阅读
本文利用遥感手段对不同尺度的病害监测进行研究,以小麦赤霉病和白粉病两种典型小麦作物病害为研究对象,利用实地调查测得的高光谱数据,遥感影像数据对麦穗尺度、冠层尺度和区域尺度的病害进行研究,利用敏感特征变量和分类算法建立监测模型,为农业生产和管理者对小麦病虫害科学提供指导。主要研究工作如下:(1)在麦穗尺度上,利用染病麦穗和健康麦穗由于水分结构等变化造成的反射率差异提出小麦赤霉病敏感特征筛选和监测模型构建方法。通过测定的小麦赤霉病及健康样本的麦穗光谱数据,分别利用反射率特征、植被指数特征和细节特征结合相关分析和SVM以及GAS VM两种分类方法建立了基于麦穗尺度的赤霉病监测模型。筛选出对赤霉病敏感度且差异较显著的特征,包括350nm-400nm、500-600nm和720-1000nm三个特征波段,MSR、NDVI和SIPI三个植被指数,以及WF01和WF02两个小波特征。将筛选出的最优特征变量,结合未经优化的SVM、和经过GA算法优化的SVM(GASVM)共建立了 16种小麦赤霉病监测模型,在所有模型中,MSR结合GASVM建立的监测模型的监测精度最高,精度为75%。(2)在冠层尺度上,基于麦穗尺度的研究基础,筛选出适合冠层尺度病害监测的特征变量,通过实验测定了小麦赤霉病及健康样本的冠层光谱数据,分别利用光谱反射率特征、植被指数特征和细节特征结合相关分析和SVM以及GASVM两种分类方法建立了基于冠层尺度的赤霉病监测模型。筛选出对病敏感度且差异较显著的特征,包括500-600 nm和700-1000 nm两个特征波段,MSR、ARI、TVI和TVInew四个植被指数,以及WF01和WF02两个小波特征。将筛选出的最优特征变量,结合未经优化的SVM、和经过GA算法优化的SVM(GASVM)共建立了 16种小麦赤霉病监测模型,在所有模型中,TVInew结合GASVM建立的监测模型的监测精度最高,精度为88%。(3)在区域尺度上,基于GF-1/WFV数据共提取了4个波段反射率数据和和10个对作物长势和胁迫敏感的植被指数作为初选特征。针对常用的特征提取算法relief算法筛选出的特征存在冗余性的问题,提出了一种relief结合最小冗余最大相关(minimum redundancy maximum relevance,mRMR)的特征降维算法(relief-mRMR)。首先,通过relief算法计算出各特征的权重系数,对特征集进行加权;然后利用mRMR算法选出与类别具有最小冗余性的特征,利用支持向量机(support vector machine,SVM)对河北白粉病进行监测,并用遗传算法(genetic algorithm,GA)优化的SVM(GASVM)建立了白粉病的监测模型(relief-mRMR-GASVM),将监测结果分别与SVM和网格寻优(grid search,GS)算法优化的SVM(GSSVM)的监测结果进行对比分析,同时比较了该方法与AdaBoost、粒子群(Pso)优化的最小二乘支持向量机(least squares support vector machine,Pso-LSSVM)和随机森林(random forest,RF)3种方法的优越性。结果表明,relief-mRMR算法筛选出的特征与GASVM、SVM和GSSVM建立的监测模型精度比传统relief算法筛选特征所建模型的精度分别提高了14.3%、7.1%和7.2%,比传统mRMR算法筛选特征所建模型的精度分别提高了 14.3%、14.2%和14.3%。relief-mRMR算法结合GASVM建立的监测模型精度为所有模型中最高,精度为85.7%,分别比SVM和GSSVM所建监测模型精度提高了21.4%和7.2%。此外,GF-1数据结合relief-mRMR-GASVM模型的监测精度分别高出AdaBoost、Pso-LSSVM和RF方法21.4%、14.3%和7.1%。说明GF-1 数据结合relief-mRMR-GASVM模型可用于小麦白粉病的遥感监测。表明遥感数据提取作物生长和生境信息的病害监测可用于实际的生产生活中。