论文部分内容阅读
近年来遥感技术的发展为实现大面积快速、准确地监测冬小麦白粉病等主要作物病害的发生、发展情况提供了快速、无损、大范围的监测信息,然而,现阶段在监测范围上,高光谱数据存在一定的局限性。而基于卫星平台的多光谱数据,由于卫星参数不尽相同,不同卫星源数据构造的植被指数在冬小麦白粉病分类识别中呈现出的较大差异。如何综合利用高光谱和多光谱遥感数据源所提供的冬小麦白粉病的发生发展信息,并为冬小麦白粉病的监测选择合适的遥感数据和分类模型,以达到最佳的分类效果,为实际生产提供最高效、最合适的监测模型,减少经济损失是当前对小麦白粉病大尺度监测的关键科学问题。本文基于ASD高光谱与多光谱卫星数据进行三部分试验。具体研究内容和结果如下:1、在小麦白粉病侵染后的叶片光谱响应特征提取方面,本文利用400 nm-800nm波段内的高光谱数据,结合Relief-F算法进行敏感波段筛选,并采用一元线性回归模型、支持向量机模型SVM(supportvectormachine,SVM)与最小二乘支持向量机 LS-SVM(least squares support vector machines,LS-SVM)模型实现冬小麦白粉病监测。试验结果表明:冬小麦白粉病最敏感的波段组合为636nm和784nm。当样本数量在各病害等级上分布较均匀时,一元线性回归模型可得到较好的拟合效果,当样本数量分布不均匀时,SVM模型与LS-SVM模型分类效果好,SVM的分类精度在总体上均高于LS-SVM的分类精度。而从程序运行时间上来看LS-SVM的运行效率更高。因此,当运行样本量越大时,两种模型间的时间差距越大。小样本区域适合SVM分类,但对于区域尺度的试验LS-SVM更为合适。从总体上看LS-SVM更适合实际生产需求。2、在区域尺度上的小麦白粉病监测方面,本文基于环境与灾害监测预报小卫星(HJ-1 A/lB)的可见-近红外多光谱数据对地表温度(land surface temperature,LST)进行反演、构建7个植被指数。通过SVM与小波特征(Gabor)结合SVM(GaborSVM)的方法分别建立河北省晋州市小麦白粉病发生监测模型,并对2种模型的监测精度进行对比。结果表明:归一化植被指数(normalized difference vegetation index,NDVI)、比值植被指数(simple ratio index,SR)和地表温度3种特征参量可较好地表征小麦白粉病的发生情况,GaborSVM的总体精度达到86.7%,优于 SVM 的 80%。3、多源遥感数据在冬小麦白粉病监测应用的评估方面,本文利用环境星数据、高分一号数据和Landsat8数据三类常用的多光谱遥感数据分别对冬小麦白粉病监测分析。试验结果显示:不同的植被指数基于相同的卫星数据所得出的试验结果不相同,同一种植被指数基于不同的卫星数据试验结果不同,并且植被指数中NDVI得到的分类精度最高,同时在Landsat8数据基础之上得到的分类精度高达到93%。