论文部分内容阅读
本研究以陵两优268为研究对象,运用便携式光谱仪、叶绿素仪测定受稻瘟病侵染的180个分蘖期水稻叶片样本的高光谱数据与叶绿素含量值。随机选取135个样本作为训练集,45个样本作为测试集,研究不同等级稻瘟病原始光谱、导数光谱、对数光谱的光谱特征,讨论受稻瘟病侵染的水稻叶片与健康叶片之间的相关性,运用神经网络技术,提出了基于敏感波段的稻瘟病病情程度分级方法与叶绿素含量预测模型,为水稻稻瘟病监测提供了依据。研究结论如下:(1)一阶导数光谱、二阶导数光谱、对数光谱变换等数学变换对消除背景环境噪声具有良好的效果。对比分析四个等级的水稻稻瘟病光谱曲线,发现“蓝边位置”和“红边位置”与叶片病情程度显著相关,可以很好地反映水稻叶片的健康状况。(2)通过敏感度分析法、光谱特征与叶绿素含量相关性分析法,筛选出稻瘟病敏感波段,原始光谱的敏感波段为473nm、494nm、666nm、674nm、700nm、752nm;一阶导数的敏感波段为492nm、560nm、686nm、743nm;二阶导数光谱敏感波段为574nm、665nm、701nm;对数光谱的敏感波段为540nm、570nm、670nm、772nm、783nm。(3)敏感波段作为输入,稻瘟病等级作为输出。运用系统聚类法、BP神经网络与概率神经网络三种分级方法对135个训练集样本与45个测试集样本进行识别分级。研究发现基于概率神经网络分级的训练样本中对数光谱分级精度最高,达到97.8%;测试样本中,对数光谱分级精度最高,达到75.5%。(4)运用多元逐步回归、径向基神经网络、光谱特征参数法构建受稻瘟病侵染的水稻叶片叶绿素含量估算模型。其中,通过多元逐步回归分析构建的回归模型测试样本预测值与实测值之间的均方根误差0.83,平均相对误差为7.5%。通过径向基神经网络构建的回归模型测试样本预测值与实测值之间的均方根误差1,平均相对误差为8.7%。通过光谱特征参数构建的回归模型测试样本预测值与实测值之间的均方根误差1.27,平均相对误差为10.2%。