论文部分内容阅读
棉花及棉纺织品是关系国计民生的重要战略资源,与人们的生活息息相关。棉花于春季播种,秋季收获,夏季是决定棉花产量和质量的关键时期,这一时期黄河流域高温多雨,易形成洪涝灾害,棉花对水分敏感,容易受到淹水胁迫,进而影响棉花产量和质量。根据黄河流域棉花种植管理面临的这一问题,本文提出使用棉叶高光谱数据训练多种经典的机器学习和深度学习算法,构建用于监测棉株淹水胁迫程度的分类模型,为洪涝灾害后棉花生产抢救与产量重估提供了参考。设计了以淹水天数为变量的棉花淹水试验模拟夏季洪涝灾害后棉花遭受淹水胁迫的情况。利用高光谱成像仪和叶绿素测量仪采集了无淹水与淹水处理2、4、6、8、10天的棉株叶片高光谱图像及叶绿素相对含量(Soil and plant analyzer development,SPAD)。通过掩膜文件提取高光谱图像棉叶区域,采用主成分分析法进行降维,所得第一主成分图像信息量占全部主成分91%以上。从高光谱图像中提取棉叶光谱反射率曲线,采用多种方法进行平滑去噪,对比不同淹水天数的棉叶反射率发现,随淹水处理天数增加,棉叶光谱反射率在550nm附近及750-950 nm处增高,且出现―红边蓝移‖现象。分析SPAD值与淹水处理天数关系发现,棉叶SPAD值随淹水天数增加而逐渐下降,与淹水天数呈负相关(R=-0.759)。为构建训练、测试机器学习算法所需的数据集,提取棉叶光谱反射率及一二阶微分曲线18种波段位置、3种曲线面积和11种植被指数作为光谱特征;对第一主成分图像进行纹理滤波,提取8种灰度共生矩阵统计量作为纹理特征,并将棉叶SPAD值作为特征。使用多特征数据集对支持向量机(Support vector machine,SVM)和随机森林(Random forest,RF)算法进行训练和测试。结果表明,SVM模型对棉株淹水程度的总体分类精度达96.296%,RF模型的总体分类精度达95.556%,两者对无淹水及淹水处理8、10d的棉叶样本分类效果较好。选择GoogLeNet Inception-v3与VGG-16卷积神经网络构建基于深度学习算法的淹水棉株胁迫程度监测模型。采取随机波段丢弃策略和数据增强手段对棉叶高光谱图像进行扩充,采用高光谱图像降维后的第一主成分图像建立分类数据集,对卷积神经网络进行训练测试。结果表明,Inception-v3模型在训练100轮后效果稳定,分类准确率为97.04%,损失值为0.0868;VGG-16模型在训练300轮后稳定,准确率为97.33%,损失值为0.0817。深度学习模型平均分类准确率相比机器学习模型提高了1.216%,样本易获取且处理简单,因此认为深度学习模型更适合作为棉株淹水胁迫程度监测模型。棉株淹水胁迫程度监测模型对于黄河流域棉产区夏季洪涝灾害后的棉花生产抢救策略制定与棉花损失统计具有一定的帮助。