论文部分内容阅读
松材线虫病是松属树种的一种毁灭性病害,对森林资源及生态环境造成了严重破坏。松材线虫的侵染能明显引起寄主植株多种生理生化指标发生改变,从而导致植物光谱特征发生变化。本研究通过黑松与马尾松接种试验与测试分析,获取松材线虫病完整发病周期的松树冠层的高光谱数据与相应时期的生理生化参数(叶绿素含量、类胡萝卜素含量和含水量)。然后,应用多种方法对高光谱数据与生理参数之间的关系进行模拟研究,分析比较模型精度并进行模型的验证,最终筛选出最优估测模型,以期快速准确地估测松树的生理参数变化动态,为提高松材线虫病监测模型的准确性提供方法借鉴,进而为建立大面积快速、准确的森林病虫害遥感监测预警系统奠定基础。本文的研究结论如下:1.基于红边参数的感病马尾松和感病黑松的叶绿素含量及类胡萝卜素含量的估算模型精度要高于基于植被指数的回归模型精度,红边参数对色素含量更敏感,能在一定程度上提高估测模型精度。感病马尾松和黑松的类胡萝卜素含量都敏感于相同的光谱指数mND705和dλmin,建立的估算模型精度都不高,其中黑松的估测效果更好。基于水分指数建立的感病马尾松和黑松的含水量估算模型精度总体都不高,感病黑松的模型精度略高。2.利用神经网络对感病马尾松和黑松的叶绿素含量和类胡萝卜素含量进行估测,和经过主成分分析(PCA)降维后的主成分相比,以红边参数为神经网络的输入变量建立的模型精度更高,预测效果也更好。同样的在进行含水量的估测时,基于水分指数的BP神经网络模型预测效果也要比PCA-BP神经网络模型估测效果好。运用神经网络模型的模拟效果良好,在模拟植被生理参数动态变化时可以作为一种优先选择的方法。3.基于粒子群算法(PSO)-支持向量回归(SVR)的感病松树生理参数估算模型精度较高,预测效果良好,运用PSO-SVR模拟感病松树生理参数具有一定可行性。随机森林(RF)回归算法在模拟感病马尾松及黑松叶绿素含量时模型精度不高,在估算感病马尾松的类胡萝卜素含量及含水量时,RF回归模型的预测精度更低。因此,运用RF回归模型模拟植被生理参数动态变化不能达到理想的效果。4.确定感病马尾松和黑松的光谱曲线最优分解层数为7层,根据小波分解系数计算得小波能量系数,建立生理参数逐步回归估算模型。基于小波系数的估算模型的入选建模参量较多,模型精度高且预测效果良好,是一种模拟植被色素含量的可行方法。基于小波分析的感病马尾松及黑松的含水量估算模型的预测精度较低,需寻找最优的小波基函数来提高模拟精度,进一步的运用小波分解特性来模拟植被生理参数动态变化。5.比较分析感病马尾松和黑松的生理参数的多种估测模型,结果表明神经网络能显著提高估测模型精度。其中,基于红边参数和水分指数的BP神经网络模型精度最高,基于主成分分析的BP神经网络模型次之。相比于逐步回归模型,基于红边参数和水分指数的PSO-SVR估算模型精度有所提高,RF回归算法在模拟感病马尾松和黑松生理参数含量时效果不理想。运用小波分析能在一定程度上提高感病马尾松和黑松的色素含量估测模型精度,但对含水量的模拟还需进一步研究。