论文部分内容阅读
中国作为一个农业大国,农作物病虫害发生种类多且影响范围广,给我国粮食生产造成了巨大的损失。区域尺度上准确、及时地监测农作物病虫害的发生情况有利于高效地指导防治工作,利用遥感技术对农作物病虫害信息进行提取以及区域尺度上的作物病虫害监测已经成为了热门的研究课题。然而,如何选取合适有效的方法以及最大限度地挖掘遥感影像数据中有效的信息是研究者面临的主要问题。本文以小麦的常见病虫害—小麦白粉病和小麦蚜虫为研究对象,以小麦白粉病和小麦蚜虫在区域尺度上的监测为研究主线,分别利用Landsat-8遥感卫星影像数据和环境与灾害监测预报小卫星影像数据开展小麦病虫害遥感监测模型以及方法研究,具体研究内容和成果如下:(1)给出一种粒子群优化最小二乘支持向量机的小麦白粉病监测算法。以陕西省关中平原部分地区2014年发生的小麦白粉病为研究对象,利用Landsat-8卫星OLI和TIRS数据,提取出对小麦白粉病病情影响较大的小麦长势因子和田间环境因子共5项,包括归一化植被指数(NDVI)、比例植被指数(RVI)、绿度(GREENNESS)、湿度(WETNESS)和地表温度(LST),利用最小二乘支持向量机(LSSVM)对小麦白粉病进行监测,并用粒子群优化算法(PSO)优化模型参数,将监测结果与传统最小二乘支持向量机和支持向量机(SVM)的监测结果进行对比分析。结果表明:经过粒子群算法优化的最小二乘支持向量机模型(PSO-LSSVM)的总体监测精度达到92.8%,优于传统LSSVM的85.7%和SVM的71.4%,取得了较好的监测效果。(2)给出一种基于最小二乘孪生支持向量机的小麦蚜虫遥感监测算法。以北京市通州区和顺义区2010年发生的小麦蚜虫为研究对象,基于环境与灾害监测预报小卫星HJ-CCD和HJ-IRS数据,在区域尺度上对小麦蚜虫的发生情况进行遥感监测。在小麦蚜虫发生的关键生育期(灌浆期),提取对蚜虫病情影响较大的小麦长势因子和生境因子。通过独立样本t检验的方法并结合地面调查数据对提取的特征因子进行筛选,最终选取置信度达到0.999水平的特征因子:红波段反射率、归一化植被指数(NDVI)、绿度归一化植被指数(GNDVI)、表征土壤水分含量的垂直干旱指数(PDI)以及表征小麦生长过程中田间温度状况的地表温度(LST)作为监测模型的输入变量,最后利用最小二乘孪生支持向量机建立研究区域的小麦蚜虫监测模型,并与传统支持向量机、Fisher线性判别分析和LVQ神经网络模型的监测结果进行对比。最后的研究结果表明:最小二乘孪生支持向量机模型的总体监测精度达到86.4%,优于传统支持向量机模型(77.3%)、Fisher线性判别分析模型(77.3%)和LVQ神经网络模型(72.7%),取得了较好的监测效果。