本文選題：水稻稻瘟病 + 成像高光譜�。� 參考：《東北農(nóng)業(yè)大學(xué)》2017年博士論文

【摘要】：近年來(lái),隨著光譜技術(shù)和遙感技術(shù)的發(fā)展,利用各類(lèi)遙感數(shù)據(jù)進(jìn)行病害信息提取和監(jiān)測(cè),成為農(nóng)作物病蟲(chóng)害區(qū)分識(shí)別的重要而又有效的手段。特別是無(wú)人機(jī)遙感因其高效、靈活、低成本和高分辨率等特點(diǎn),成為農(nóng)作物病蟲(chóng)害監(jiān)控的一種新型遙感技術(shù)手段,彌補(bǔ)了衛(wèi)星遙感數(shù)據(jù)由于射程遠(yuǎn)而導(dǎo)致的精度不高和因?yàn)橹卦L(fǎng)周期長(zhǎng)而不能達(dá)到實(shí)時(shí)監(jiān)測(cè)的缺點(diǎn),為進(jìn)行區(qū)域尺度的遙感監(jiān)測(cè)提供了很好的技術(shù)支撐。然而,如何選用合適的方法,在海量遙感數(shù)據(jù)中提取有用的病害信息,用于農(nóng)作物病蟲(chóng)害的區(qū)分識(shí)別是一個(gè)重要的課題。本論文研究以國(guó)家“863”項(xiàng)目“微小型無(wú)人機(jī)遙感信息獲取與作物養(yǎng)分管理技術(shù)”和黑龍江省重大科技研發(fā)項(xiàng)目“基于多尺度遙感的農(nóng)情綜合遙感監(jiān)測(cè)技術(shù)研究與應(yīng)用”為支撐。研究以北方水稻稻瘟病為研究對(duì)象,以稻瘟病和缺氮、健康水稻的區(qū)分為目標(biāo),以室內(nèi)成像高光譜、近地成像高光譜和無(wú)人機(jī)航空多光譜數(shù)據(jù)為基礎(chǔ),從葉片、冠層和區(qū)域三個(gè)尺度對(duì)稻瘟病害和缺氮水稻的光譜特征提取和判別方法展開(kāi)研究。具體研究?jī)?nèi)容如下:(1)葉片尺度上,在對(duì)缺氮、輕度感病、重度感病與健康水稻葉片反射率光譜對(duì)比分析基礎(chǔ)之上,采用不同的預(yù)處理方法消除噪音影響,然后分別使用偏最小二乘結(jié)合判別分析方法建立PLS-DA判別模型和主成分分析法結(jié)合支持向量機(jī)建立PCA-SVM模型,多個(gè)模型預(yù)測(cè)分類(lèi)準(zhǔn)確率達(dá)到98.4%,其中SNV-PLS-DA模型的建模集驗(yàn)證和預(yù)測(cè)識(shí)別正確率都達(dá)到100%,分類(lèi)效果最好。用連續(xù)投影算法提取特征波長(zhǎng)結(jié)合判別分析和最小二乘支持向量機(jī)建立分類(lèi)模型,用9個(gè)特征波長(zhǎng)建立的S.G-SPA-SVM模型和S.G-SPA-LDA模型預(yù)測(cè)正確率都為98.4%。同時(shí)為了與冠層尺度和區(qū)域尺度相銜接,研究還利用植被指數(shù)法構(gòu)建光譜特征,通過(guò)兩兩比較方差分析選擇對(duì)4類(lèi)水稻葉片具有顯著區(qū)分能力的植被指數(shù),使用逐步判別分析、支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)算法建立基于植被指數(shù)的病害識(shí)別模型,實(shí)驗(yàn)結(jié)果表明,基于植被指數(shù)的逐步判別分析模型利用12個(gè)植被指數(shù)達(dá)到了最好的分類(lèi)判別效果,交叉驗(yàn)證和預(yù)測(cè)準(zhǔn)確率分別為96%和96.9%。(2)冠層尺度水稻葉瘟病信息提取與識(shí)別研究。在葉片尺度病害、缺氮與健康特征分析和區(qū)分研究基礎(chǔ)之上,在水稻拔節(jié)期獲取的水稻冠層高光譜圖像中,分別提取冠層尺度葉瘟病、缺氮、健康樣本光譜數(shù)據(jù),利用標(biāo)準(zhǔn)化處理和S.G平滑預(yù)處理方法對(duì)樣本光譜進(jìn)行處理,在分析三類(lèi)樣本平均光譜特征之后,采用主成分分析、植被指數(shù)和連續(xù)小波變換三種方法對(duì)標(biāo)準(zhǔn)化和預(yù)處理后光譜數(shù)據(jù)提取特征光譜,結(jié)合判別分析、支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)分類(lèi)算法建立區(qū)分識(shí)別模型,模型采用“留一法”進(jìn)行交叉驗(yàn)證。用PCA提取的前5個(gè)主成分作為輸入向量的模型中,判別分析和支持向量機(jī)模型交叉驗(yàn)證分類(lèi)結(jié)果都達(dá)到94.2%。在葉片水平篩選的植被指數(shù)基礎(chǔ)之上,又增加了冠層水平的8個(gè)植被指數(shù),通過(guò)兩兩比較方差分析篩選出39個(gè)具有顯著影響的植被指數(shù)建立模型,其中,采用逐步判別分析算法的識(shí)別模型僅僅使用了EVI、m SR705、RVSI和PRI四個(gè)植被指數(shù)特征因子,對(duì)冠層尺度的健康、缺氮和稻瘟病水稻識(shí)別的交叉驗(yàn)證準(zhǔn)確率達(dá)到94.2%。同時(shí),還嘗試采用CWA連續(xù)小波變換的方法提取小波能量系數(shù)特征,提取了11個(gè)小波系數(shù)特征建立分類(lèi)識(shí)別模型,三類(lèi)算法建立模型分類(lèi)精度都在94.2%以上,其中,LDA判別模型的分類(lèi)結(jié)果最好,模型交叉驗(yàn)證的總體分類(lèi)準(zhǔn)確率為97.1%。實(shí)驗(yàn)結(jié)果表明,對(duì)于冠層尺度水稻葉瘟病、缺氮、健康的區(qū)分研究中,三種提取特征的方法最好的是CWA方法,提取的小波特征結(jié)合三類(lèi)算法建立模型的分類(lèi)精度都在94.2%以上;比較三種分類(lèi)算法發(fā)現(xiàn),判別分析方法分類(lèi)效果最好,在不同光譜特征的分類(lèi)模型中,都達(dá)到了最好的分類(lèi)效果。(3)冠層尺度穗頸瘟區(qū)分研究。與冠層葉瘟病區(qū)分研究相同,在對(duì)標(biāo)準(zhǔn)化和預(yù)處理后的冠層穗頸瘟樣本和健康樣本的平均光譜進(jìn)行對(duì)比分析基礎(chǔ)上,同樣分別采用PCA、CWA和植被指數(shù)法提取光譜特征,結(jié)合判別分析、支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)分類(lèi)算法建立冠層尺度穗頸瘟識(shí)別模型:PCA方法根據(jù)主成分的貢獻(xiàn)率提取前10個(gè)主成分建立模型,LDA方法和以RBF為核函數(shù)的SVM算法的分類(lèi)模型分類(lèi)結(jié)果最好,采用“留一法”交叉驗(yàn)證的總體分類(lèi)準(zhǔn)確率為94.2%;基于篩選的34個(gè)敏感植被指數(shù)分類(lèi)模型,逐步判別分析只用了GNDVI和DVI兩個(gè)特征因子,交叉驗(yàn)證的分類(lèi)精度達(dá)到94.2%,為冠層水稻穗頸瘟儀器的制定和大范圍監(jiān)測(cè)提供依據(jù);CWA方法提取了10個(gè)小波系數(shù)特征,建立的模型中LDA和以L(fǎng)inear為核函數(shù)的SVM模型的交叉驗(yàn)證的總體分類(lèi)準(zhǔn)確率為94.2%。在冠層尺度穗頸瘟區(qū)分研究中,判別分析分類(lèi)算法(LDA或逐步判別分析)體現(xiàn)出最強(qiáng)的分類(lèi)效果。最后,利用基于植被指數(shù)的逐步判別模型得到的典型標(biāo)準(zhǔn)函數(shù)對(duì)冠層穗頸瘟圖像進(jìn)行分類(lèi)填圖,ISODATA分類(lèi)算法的分類(lèi)精度和Kappa值分別為90.19%和0.7488,分類(lèi)效果明顯高于采用一個(gè)具有顯著性的植被指數(shù)進(jìn)行分類(lèi)的效果。(4)采用無(wú)人機(jī)獲取的多光譜數(shù)據(jù)進(jìn)行區(qū)域尺度的稻瘟病區(qū)分研究。研究使用2016年旋翼機(jī)機(jī)載多光譜相機(jī)獲取的地塊級(jí)圖像進(jìn)行區(qū)域穗頸瘟模型建立。根據(jù)多光譜相機(jī)傳感器的6個(gè)通道覆蓋的波段范圍,選取冠層尺度對(duì)穗頸瘟具有顯著區(qū)分能力的植被指數(shù)加上相機(jī)6個(gè)通道的反射率光譜,最終篩選出19個(gè)具有顯著區(qū)分能力的光譜特征建立模型。逐步判別分析選擇近紅(800nm)、NRI和GREEN/RED三個(gè)特征建立了模型,模型對(duì)2015年兩塊發(fā)病地塊進(jìn)行區(qū)分識(shí)別,樣本識(shí)別精度為92.8%,分類(lèi)填圖精度為85.6%。最后,將逐步判別區(qū)分模型應(yīng)用到大區(qū)域影像中,從整個(gè)地塊上看,分類(lèi)正確率可以達(dá)到80.8%。
[Abstract]:In recent years , with the development of spectral technology and remote sensing technology , it is an important and effective means to extract and monitor diseases and pests by using various remote sensing data . Based on the analysis of leaf - scale diseases , nitrogen - deficient and health - based spectral data , the spectral data of the canopy - scale leaf blast , nitrogen - deficient and healthy samples were extracted by using the method of stepwise discriminant analysis . The results showed that the classification accuracy of the model was 94.2 % . In this paper , the classification accuracy and the Kappa number of the SVM based on the vegetation index are 90.19 % and 0.7488 respectively . The classification accuracy and Kappa number of the SVM are 90.19 % and 0.7488 respectively .

【學(xué)位授予單位】：東北農(nóng)業(yè)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：S127;S435.111.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 徐海舟;周?chē)?guó)英;臧卓;林輝;董文統(tǒng);劉君昂;;基于地面高光譜遙感的降香黃檀黑痣病病情指數(shù)反演[J];植物保護(hù);2016年05期

2 劉煥軍;康苒;Susan Ustin;張新樂(lè);付強(qiáng);盛磊;孫天一;;基于時(shí)間序列高光譜遙感影像的田塊尺度作物產(chǎn)量預(yù)測(cè)[J];光譜學(xué)與光譜分析;2016年08期

3 王圓圓;扎西央宗;;利用條件植被指數(shù)評(píng)價(jià)西藏植被對(duì)氣象干旱的響應(yīng)[J];應(yīng)用氣象學(xué)報(bào);2016年04期

4 王樹(shù)文;趙珊;張長(zhǎng)利;蘇中濱;王麗鳳;趙越;;基于成像光譜技術(shù)的寒地玉米苗期冠層氮含量預(yù)測(cè)模型[J];農(nóng)業(yè)工程學(xué)報(bào);2016年13期

5 袁建清;蘇中濱;賈銀江;張雨;章宗鑫;;基于高光譜成像的寒地水稻葉瘟病與缺氮識(shí)別[J];農(nóng)業(yè)工程學(xué)報(bào);2016年13期

6 譚昌偉;羅明;楊昕;馬昌;嚴(yán)翔;周健;杜穎;王雅楠;;運(yùn)用PLS算法由HJ-1A/1B遙感影像估測(cè)區(qū)域冬小麥理論產(chǎn)量[J];中國(guó)農(nóng)業(yè)科學(xué);2015年20期

7 方孝榮;高俊峰;謝傳奇;朱逢樂(lè);黃凌霞;何勇;;農(nóng)作物冠層光譜信息檢測(cè)技術(shù)及方法綜述[J];光譜學(xué)與光譜分析;2015年07期

8 高林;楊貴軍;王寶山;于海洋;徐波;馮海寬;;基于無(wú)人機(jī)遙感影像的大豆葉面積指數(shù)反演研究[J];中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào);2015年07期

9 孔慶明;蘇中濱;沈維政;張丙芳;王建波;紀(jì)楠;葛慧芳;;IPLS-SPA波長(zhǎng)選擇方法在近紅外秸稈生物量中的應(yīng)用研究[J];光譜學(xué)與光譜分析;2015年05期

10 謝傳奇;方孝榮;邵詠妮;何勇;;番茄葉片早疫病近紅外高光譜成像檢測(cè)技術(shù)[J];農(nóng)業(yè)機(jī)械學(xué)報(bào);2015年03期

相關(guān)博士學(xué)位論文 前2條

1 賈銀江;無(wú)人機(jī)遙感圖像拼接關(guān)鍵技術(shù)研究[D];東北農(nóng)業(yè)大學(xué);2016年

2 張競(jìng)成;多源遙感數(shù)據(jù)小麥病害信息提取方法研究[D];浙江大學(xué);2012年

，

本文編號(hào)：1786661