论文部分内容阅读
本文利用近地非成像高光谱数据对不同尺度的小麦赤霉病的监测方法进行研究。以小麦赤霉病为研究对象,分别在麦穗尺度和冠层尺度提取敏感特征变量以及利用不同分类算法建立监测模型,对田间小麦赤霉病严重度进行监测。实验结果可以为农业植保和管理者对田间小麦赤霉病的监测,病害防控以及田间管理提供指导。主要研究工作如下:(1)在麦穗尺度上,从不同测量角度对麦穗赤霉病进行识别研究。首先对非成像高光谱数据进行光谱标准化处理。利用一阶微分特征、连续统去除的光谱吸收特征和植被指数来评价赤霉病的识别能力。然后分别从冬小麦穗正面、侧面和直立三个角度提取对赤霉病敏感且类间差异显著的光谱特征集。最后,利用Fisher线性判别分析和支持向量机算法构建了有效的疾病严重程度识别模型。在所选特征中,绿峰与蓝边一阶微分总和比值SDg/SDb和归一化值(SDg-SDb)/(SDg+SDb)在模型中占主导地位。结果表明:所选择的光谱特征在监测麦穗感染赤霉病方面有很大的潜力;将LDA与SVM相结合,可以进一步提高模型的精度,侧面模型总体精度(88.6%)优于正面(85.7%),直立角模型的总体精度最低(68.6%)。(2)在麦穗尺度上,提出新的病情严重度的评估方法对麦穗赤霉病的识别作进一步研究,选择直立测量角度的样本数据,对原始光谱进行连续小波变换,结合相关分析与独立样本T检验筛选出适合赤霉病识别的小波特征变量作为模型的输入变量,以SVM算法构建了基于新型病情严重度的赤霉病的识别模型。筛选出对赤霉病敏感且类间差异较显著的特征,包括原始光谱491nm、699nm两个特征波段,以及原始光谱进行连续小波变换后的6个小波特征。结果表明:基于小波特征的模型精度高于基于原始光谱波段特征的模型精度,两种特征结合可以进一步提高模型的精度;基于新型严重度的模型精度均高于基于原始严重度的模型,三分类的识别精度最高达到75.56%,二分类的识别精度最高达到91.11%;新型严重度比原始严重度能更好地表达小麦赤霉病的真实病情。(3)在冠层尺度上,通过实验测定了小麦赤霉病不同严重程度样本的冠层光谱数据,筛选出适合冠层尺度病害监测的特征变量以及建立了监测模型。首先分别利用原始光谱波段特征、一阶微分特征、连续统去除特征以及植被指数特征四种传统的常用于病害识别监测的特征,结合利用连续小波变换获得的小波特征。利用相关分析以及类间独立样本T检验筛选出对赤霉病敏感度且类间差异较显著的特征,包括原始光谱特征波段635nm,一阶微分特征Dy(黄边最大一阶微分值)、SDy/SDb(黄边一阶微分总和与蓝边一阶微分总和比值)、波段550nm以及波段666nm,植被指数PRI,GARI,以及F1、F2和F3三个小波特征。为了减小特征之间的信息冗余,将筛选出的最优特征变量用LDA方法进行降维后作为输入变量,分别用Adboost算法与SVM算法构建模型,模型的分类精度分别为70.59%,67.65%,增加小波变量后模型精度分别为79.41%,82.35%。增加小波特征后的模型精度明显高于基于传统特征的模型精度,Adboost模型与SVM模型精度分别提高8.82%和14.7%。其中SVM模型对冠层赤霉病的识别能力优于Adboost模型。