【摘要】：在氣候變化等因素的影響下,我國小麥白粉病的發(fā)生發(fā)展發(fā)生了變化,其危害也日益增加,使得小麥的產(chǎn)量和品質(zhì)受到嚴重影響。在作物病蟲害的監(jiān)測及預測研究中遙感數(shù)據(jù)優(yōu)勢顯著,可大面積、快速、準確地獲取病蟲害發(fā)生發(fā)展信息。然而,如何選擇合適的方法,有效整合、利用多源數(shù)據(jù),最大限度地挖掘數(shù)據(jù)中的有效信息,構建簡單、高普適性的病蟲害監(jiān)測、預測模型是一個重要的問題。本研究主要以小麥白粉病為研究對象,在區(qū)域尺度上分別開展重點基于星載多光譜數(shù)據(jù)的小麥病蟲害的識別區(qū)分模型和監(jiān)測模型,以及結(jié)合站點氣象數(shù)據(jù)進行病害預測模型的研究。具體研究內(nèi)容和結(jié)果如下:(1)相比于相對簡單、純粹的實驗環(huán)境,實際農(nóng)田中時常存在不同類型病蟲害混合出現(xiàn)的情況,而其在防治、打藥等管理上需要采取不同的措施,否則會帶來藥害、土壤污染等一系列問題。本文利用Landsat 8影像提取的指數(shù)特征,分別構建了健康-病害、其他-白粉病、其他-蚜蟲及其他-混合病害(白粉蚜蟲混合發(fā)生)的4種不同病蟲害組合的2分類識別區(qū)分模型,并對模型進行驗證,同時還構建了單個入選特征變量的分類回歸樹(classification and regression tree,CART)識別模型來了解單個特征變量在多變量模型中的貢獻。結(jié)果表明,4個模型中最優(yōu)模型依次為多特征健康-病害識別(MFIH)模型、多特征其他-白粉病識別(MFIPM)模型、特征DVI對應的其他-蚜蟲識別模型以及特征SIPI對應的其他-混合病害識別模型,模型的精度依次為82.4%,73.5%,91.2%和88.2%。同時,還構建了對4種病蟲害同時區(qū)分的模型,結(jié)果顯示最優(yōu)模型的區(qū)分精度只達到64.7%,無法實現(xiàn)病蟲害的同時區(qū)分。因此研究在正確識別出健康小麥的基礎上,構建了另3種病害的CART 3分類識別區(qū)分模型,試驗結(jié)果表明,模型的驗證精度為最高可達82.6%,為特征PDI對應的區(qū)分模型。以上結(jié)果均說明將衛(wèi)星影像遙感數(shù)據(jù)用于區(qū)域尺度范圍的小麥病蟲害的識別區(qū)分具有一定的發(fā)展前景。(2)為探討建模特征選擇方法在病害監(jiān)測模型中的重要性,并提高遙感監(jiān)測小麥白粉病發(fā)生嚴重度的準確度,本文利用Landsat8數(shù)據(jù)提取的多種常用植被指數(shù)特征,分別采用相關性分析(correlation analysis,CA)算法和最小冗余最大相關(minimal redundancy maximal relevance, mRMR)算法對其進行篩選,并通過AdaBoost分類器算法分別以篩選得到的2組特征集為輸入變量構建模型,對小麥白粉病發(fā)生嚴重度進行監(jiān)測并將其結(jié)果與采用常用分類方法fisher線性判別(fisherlineardiscriminantanalysis,FLDA)和支持向量機(supportvector machine, SVM)所建模型的監(jiān)測結(jié)果進行對比分析。試驗結(jié)果表明,2種AdaBoost模型對小麥白粉病發(fā)生嚴重程度的總體監(jiān)測精度分別比FLDA模型和SVM模型高出27.9%, 27.9%和14.0%, 9.3%,mRMR算法篩選特征所建FLDA、SVM及AdaBoost監(jiān)測模型的總體監(jiān)測精度分別比CA篩選特征所建模型7.0%,11.7%和7.0%,且mRMR算法篩選特征結(jié)合AdaBoost方法所建監(jiān)測模型的精度和Kappa系數(shù)分別為88.4%和0.807,為所有模型中最高。說明將AdaBoost方法用于作物病害遙感監(jiān)測效果較好,在作物病害監(jiān)測模型的特征變量選擇中mRMR算法比常用CA算法更具優(yōu)勢。研究結(jié)果可為其他作物病害遙感監(jiān)測提供方法參考。(3)相比于作物病蟲害發(fā)生情況的監(jiān)測研究,預測對病害有效實時的防治措施的制定更具有指導意義。本文在傳統(tǒng)的氣象數(shù)據(jù)病害預報基礎上,基于Landsat 8影像數(shù)據(jù)引入了表征小麥生長狀況及生境因子的指數(shù)特征,同時將站點氣象數(shù)據(jù)通過空間插值分析轉(zhuǎn)化后得到相應的空間特征,之后利用相關向量機(relevancevectormachine,RVM)方法構建了分別以氣象數(shù)據(jù)和遙感數(shù)據(jù)單獨為輸入變量以及以遙感和氣象數(shù)據(jù)同為輸入變量的3種不同數(shù)據(jù)類型的空間尺度范圍的小麥灌漿期白粉病發(fā)生概率預測模型,并對其進行對比分析。試驗結(jié)果表明,遙感氣象數(shù)據(jù)模型的總體精度達到84.2%,Kappa系數(shù)為0.686,優(yōu)于遙感數(shù)據(jù)模型的80.0%, 0.602和氣象數(shù)據(jù)模型的74.7%, 0.500,說明氣象數(shù)據(jù)結(jié)合遙感數(shù)據(jù)比單一的氣象數(shù)據(jù)或遙感數(shù)據(jù)更適合于區(qū)域尺度范圍內(nèi)作物病蟲害發(fā)生發(fā)展狀況的預測研究。
[Abstract]:......
【學位授予單位】：南京信息工程大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：S435.121.46;S127

【參考文獻】

相關期刊論文 前10條

1 孫建召;;基于決策樹CART算法的鎳金屬價格預測研究[J];世界有色金屬;2016年18期

2 李軍懷;付靜飛;蔣文杰;費蓉;王懷軍;;基于MRMR的文本分類特征選擇方法[J];計算機科學;2016年10期

3 魯軍景;黃文江;張競成;蔣金豹;;基于小波特征的小麥白粉病與條銹病的定量識別[J];光譜學與光譜分析;2016年06期

4 聶臣巍;袁琳;王保通;金秀良;黃文江;張競成;楊貴軍;;綜合遙感與氣象信息的小麥白粉病監(jiān)測方法[J];植物病理學報;2016年02期

5 白雪嬌;王鵬新;解毅;王蕾;賀鵬;;基于結(jié)構相似度的關中平原旱情空間分布特征[J];農(nóng)業(yè)機械學報;2015年11期

6 沈文穎;李映雪;馮偉;張海艷;張元帥;謝迎新;郭天財;;基于因子分析-BP神經(jīng)網(wǎng)絡的小麥葉片白粉病反演模型[J];農(nóng)業(yè)工程學報;2015年22期

7 謝娟英;胡秋鋒;董亞非;;K-S檢驗與mRMR相結(jié)合的基因選擇算法[J];計算機應用研究;2016年04期

8 祝志慧;劉婷;馬美湖;;基于高光譜信息融合和相關向量機的種蛋無損檢測[J];農(nóng)業(yè)工程學報;2015年15期

9 石玉瓊;李團勝;;陜西關中耕地糧食生產(chǎn)潛力研究[J];中國農(nóng)學通報;2015年13期

10 唐翠翠;黃文江;羅菊花;梁棟;趙晉陵;黃林生;;基于相關向量機的冬小麥蚜蟲遙感預測[J];農(nóng)業(yè)工程學報;2015年06期

相關博士學位論文 前9條

1 秦占飛;西北地區(qū)水稻長勢遙感監(jiān)測研究[D];西北農(nóng)林科技大學;2016年

2 袁琳;小麥病蟲害多尺度遙感識別和區(qū)分方法研究[D];浙江大學;2015年

3 廖欽洪;作物長勢參數(shù)的垂直分布反演及遙感監(jiān)測研究[D];浙江大學;2014年

4 杜世州;基于多源數(shù)據(jù)小麥白粉病遙感監(jiān)測研究[D];安徽農(nóng)業(yè)大學;2013年

5 凌成星;Worldview-2八波段影像支持下的濕地信息提取與地上生物量估算研究[D];中國林業(yè)科學研究院;2013年

6 王慧芳;基于多源數(shù)據(jù)冬小麥凍害遙感監(jiān)測研究[D];浙江大學;2013年

7 張競成;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;2012年

8 劉占宇;水稻主要病蟲害脅迫遙感監(jiān)測研究[D];浙江大學;2008年

9 張麗新;高維數(shù)據(jù)的特征選擇及基于特征選擇的集成學習研究[D];清華大學;2004年

相關碩士學位論文 前2條

1 唐翠翠;基于多源遙感數(shù)據(jù)的小麥病蟲害大尺度監(jiān)測預測研究[D];安徽大學;2016年

2 楊偉志;基于OLI數(shù)據(jù)的西寧市森林生物量估測研究[D];西北農(nóng)林科技大學;2015年

，

本文編號：2426448