论文部分内容阅读
近年来,随着全球气候变暖,赤霉病的流行呈现逐年加重的趋势,受到赤霉病侵染的小麦,人畜食用后会发生中毒的现象,因此赤霉病的流行会严重制约我国小麦的产量和质量,并且造成很大的经济损失,快速、准确诊断赤霉病变得十分重要。遥感监测技术具有实时、客观和精准等优点,尤其是高光谱遥感,可以为作物病虫害监测研究提供重要的技术支持。本文从麦穗和冠层两个不同尺度开展研究,利用近地ASD光谱仪收集麦穗和冠层的光谱数据,结合机器学习相关方法,进行赤霉病病情回归与病害程度的分类研究,从而为病害评估提供技术支撑。本文主要研究内容如下:(1)基于麦穗尺度的冬小麦赤霉病高光谱遥感监测以染病的小麦麦穗为研究对象,利用ASD高光谱数据,一方面通过对光谱微分与赤霉病病情严重度进行相关分析,筛选出450～488nm和500～540nm两个敏感波段范围,随后以这两个敏感波段范围内一阶微分总和的归一化比值构建赤霉病指数WSI(Wheat Scab Index)。另一方面通过11种植被指数和12种光谱微分指数(含WSI指数)与病情严重度构建一元线性回归模型,结果显示WSI模型的决定系数(R2)为0.73,效果优于其它植被指数的结果(NBNDVI模型的决定系数最高,R2=0.67)和其它微分指数的结果(SDy模型的决定系数最高,R2=0.64)。最后以11种植被指数和12种光谱微分指数为自变量,病情严重度为因变量建立多元逐步回归,其效果(R2=0.79)要优于单一指数构建的一元线性回归效果,可以为小麦赤霉病无损监测提供方法与模型支持。(2)基于冠层尺度的冬小麦赤霉病高光谱遥感监测以小麦冠层的高光谱数据为研究对象,利用一阶微分、连续小波变换提取了光谱微分特征和小波特征,以及常用于病害监测的植被指数,在三种类型的特征中选择与赤霉病严重程度呈显著相关的特征作为赤霉病的敏感特征,其中,基于小波分析的特征提取在赤霉病病害信息提取方面具有较大的优势。基于原始光谱数据和敏感特征构建了支持向量机(SVM)和随机森林(RF)的病害监测模型,并基于原始光谱数据构建了PCA-Bayesian的病害监测模型,结果表明:在SVM病害等级分类模型中,输入变量为敏感特征的模型分类效果(76%)优于原始光谱数据(63%),表明敏感特征提高了SVM模型对病害等级的区分精度。在基于PCA-Bayesian的病害分类试验中,PCA-Bayesian的分类效果(83%)优于SVM模型的分类效果。在基于RF的病害分类试验中,RF的分类效果(89%)要优于SVM(76%)和PCA-Bayesian(83%)的分类效果。