论文部分内容阅读
褐飞虱是目前影响我国水稻稳产、高产的主要虫害之一,虫害检测是水稻虫害防治决策和防治工作的基础,根据准确的虫害情报进行灾害预测和防治准备工作,是水稻丰产的基础手段之一。针对目前水稻褐飞虱虫害检测方法依然采用传统目测手查方法的现状,为满足对虫害检测的动态化,及时性要求,开展基于近红外光谱技术的水稻褐飞虱虫害程度检测研究,具有重要理论意义和实用价值。
本研究通过采集水稻冠层与叶片反射光谱数据以及褐飞虱虫量数据,分析褐飞虱胁迫下水稻冠层和叶片光谱特征,比较不同光谱波段反射率对褐飞虱胁迫的敏感程度,并建立褐飞虱虫害光谱检测模型,开展基于近红外光谱技术的水稻褐飞虱虫害程度检测研究。主要完成了以下工作:
(1)提出了一种适用于水稻叶片和冠层光谱的组合预处理方法。由于在采集光谱过程中受到噪声等非目标因素的影响,原始光谱图存在基线漂移,仅用一种光谱预处理方法往往不能得到较好的结果。为了消除基线漂移需要选取合适的预处理方法,通过对比分析各近红外光谱预处理方法对建模影响,寻找到了一种适用于受褐飞虱胁迫水稻光谱的组合预处理方法(SNV+1D+2D)。
(2)分析受虫害胁迫的水稻的近红外光谱敏感区间。为找出受虫害胁迫的水稻特征明显的光谱波段,将光谱曲线细致分为五个波段区间,即可见光中紫光波段(350~450nm)、可见光活性带波段(450~700nm)、近红外的高反射平台过度波段(700~780nm),近红外高反射率波段(780~1300nm),水分强吸收波段(1300~2500nm),并逐一对五个波段内的光谱特性进行分析。水稻光谱在450~700nm和700~1300nm波段特征明显。
(3)开展了特征波长的优选方法研究。在450~1300nm波段范围内的851个波长点划分为30个子区间作为筛选对象,利用GA-iPLS算法筛选特征波长。遗传算法的控制参数设定为:初始群体大小为60,染色体长度为30(即将全光谱划分为30个子区间),交叉概率Pc=0.90,变异概率Pm=0.01,遗传迭代次数为200。确定最佳模型,其交互验证均方根误差(RMSECV)为9.998,校正集样本的水稻光谱预测值与真实值之间相关系数(R)为0.952,预测均方根误差(RMSEP)为10.562,预测集样本的水稻光谱预测值与真实值之间的相关系数(R)为0.956。最终确定48个波长点作为特征波长,用于褐飞虱虫害检测模型建立。
(4)研究了孕穗期水稻叶片虫害程度建模方法。对比分析了主成分分析、偏最小二乘、BP神经网络算法三种建模方法,分别建立了孕穗期水稻叶片虫害程度与光谱反射率之间的数学模型,其中神经网络算法检测精度最高,可以用于水稻褐飞虱虫害检测建模。
(5)研究了基于水稻叶片与冠层光谱的虫害检测建模方法。利用主成分分析、偏最小二乘、BP神经网络算法,分别建立了基于抽穗期水稻叶片光谱,基于冠层光谱的虫害程度与光谱反射率之间的数学模型,研究发现基于水稻叶片光谱的模型能更好的反应水稻褐飞虱虫害程度。通过进一步试验,发现利用水稻叶片光谱信息,可以在褐飞虱接种第六天时,发现水稻受褐飞虱虫害胁迫,检测精度达0.9616。