【摘要】：松材線蟲病是松屬樹種的一種毀滅性病害,對森林資源及生態(tài)環(huán)境造成了嚴重破壞。松材線蟲的侵染能明顯引起寄主植株多種生理生化指標發(fā)生改變,從而導致植物光譜特征發(fā)生變化。本研究通過黑松與馬尾松接種試驗與測試分析,獲取松材線蟲病完整發(fā)病周期的松樹冠層的高光譜數(shù)據(jù)與相應時期的生理生化參數(shù)(葉綠素含量、類胡蘿卜素含量和含水量)。然后,應用多種方法對高光譜數(shù)據(jù)與生理參數(shù)之間的關系進行模擬研究,分析比較模型精度并進行模型的驗證,最終篩選出最優(yōu)估測模型,以期快速準確地估測松樹的生理參數(shù)變化動態(tài),為提高松材線蟲病監(jiān)測模型的準確性提供方法借鑒,進而為建立大面積快速、準確的森林病蟲害遙感監(jiān)測預警系統(tǒng)奠定基礎。本文的研究結(jié)論如下:1.基于紅邊參數(shù)的感病馬尾松和感病黑松的葉綠素含量及類胡蘿卜素含量的估算模型精度要高于基于植被指數(shù)的回歸模型精度,紅邊參數(shù)對色素含量更敏感,能在一定程度上提高估測模型精度。感病馬尾松和黑松的類胡蘿卜素含量都敏感于相同的光譜指數(shù)mND705和dλmin,建立的估算模型精度都不高,其中黑松的估測效果更好�；谒种笖�(shù)建立的感病馬尾松和黑松的含水量估算模型精度總體都不高,感病黑松的模型精度略高。2.利用神經(jīng)網(wǎng)絡對感病馬尾松和黑松的葉綠素含量和類胡蘿卜素含量進行估測,和經(jīng)過主成分分析(PCA)降維后的主成分相比,以紅邊參數(shù)為神經(jīng)網(wǎng)絡的輸入變量建立的模型精度更高,預測效果也更好。同樣的在進行含水量的估測時,基于水分指數(shù)的BP神經(jīng)網(wǎng)絡模型預測效果也要比PCA-BP神經(jīng)網(wǎng)絡模型估測效果好。運用神經(jīng)網(wǎng)絡模型的模擬效果良好,在模擬植被生理參數(shù)動態(tài)變化時可以作為一種優(yōu)先選擇的方法。3.基于粒子群算法(PSO)-支持向量回歸(SVR)的感病松樹生理參數(shù)估算模型精度較高,預測效果良好,運用PSO-SVR模擬感病松樹生理參數(shù)具有一定可行性。隨機森林(RF)回歸算法在模擬感病馬尾松及黑松葉綠素含量時模型精度不高,在估算感病馬尾松的類胡蘿卜素含量及含水量時,RF回歸模型的預測精度更低。因此,運用RF回歸模型模擬植被生理參數(shù)動態(tài)變化不能達到理想的效果。4.確定感病馬尾松和黑松的光譜曲線最優(yōu)分解層數(shù)為7層,根據(jù)小波分解系數(shù)計算得小波能量系數(shù),建立生理參數(shù)逐步回歸估算模型�；谛〔ㄏ禂�(shù)的估算模型的入選建模參量較多,模型精度高且預測效果良好,是一種模擬植被色素含量的可行方法�；谛〔ǚ治龅母胁●R尾松及黑松的含水量估算模型的預測精度較低,需尋找最優(yōu)的小波基函數(shù)來提高模擬精度,進一步的運用小波分解特性來模擬植被生理參數(shù)動態(tài)變化。5.比較分析感病馬尾松和黑松的生理參數(shù)的多種估測模型,結(jié)果表明神經(jīng)網(wǎng)絡能顯著提高估測模型精度。其中,基于紅邊參數(shù)和水分指數(shù)的BP神經(jīng)網(wǎng)絡模型精度最高,基于主成分分析的BP神經(jīng)網(wǎng)絡模型次之。相比于逐步回歸模型,基于紅邊參數(shù)和水分指數(shù)的PSO-SVR估算模型精度有所提高,RF回歸算法在模擬感病馬尾松和黑松生理參數(shù)含量時效果不理想。運用小波分析能在一定程度上提高感病馬尾松和黑松的色素含量估測模型精度,但對含水量的模擬還需進一步研究。
【學位授予單位】：南京林業(yè)大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：S763.7
【圖文】：

（a） （b）圖 3-1 基于植被指數(shù)的感病馬尾松（a）和黑松（b）逐步回歸的葉綠素含量預測值與實測值的關系Fig.3-1 Relationship between MSR model based on vegetation indices of infected masson pine(a) and black pine (b) predicted and measured chlorophyll content擬合方程分別如下：（馬尾松）（黑松）y 為預測值，x 為實測值。以回歸模型的決定系數(shù) R2和模型的預測值與實測值的系數(shù) R2以及均方根誤差來作為模型的評價標準。感病馬尾松的葉綠素含量預測模型的為 0.7324，預測值與實測值其決定系數(shù) R2為 0.7185，其均方根誤差 RMSE 為 0.0935病黑松的葉綠素含量預測模型的 R2為 0.7372，預測值與實測值其決定系數(shù) R2為 0.71其均方根誤差 RMSE 為 0.0905。3.2.2 基于植被指數(shù)的感病松樹類胡蘿卜素含量估算模型

式中：x 為 mND705，其決定系數(shù) R2為 0.5910。將感病馬尾松和感病黑松的余下 15 組驗證數(shù)據(jù)帶入到建立的模中，得到預測值并與實測值擬合，擬合方程如下：（馬尾松）（黑松）感病馬尾松的類胡蘿卜素含量預測模型的 R2為 0.5581，預測值與實測值之間的 R2為 0.5322， RMSE 為 0.0176。感病黑松的預測模型的 R2為 0.5910 預測值與實測值的決定系數(shù) R2為 0.5812，RMSE 為 0.0182。感病馬尾松和感病黑松建立的逐步回歸模型輸入變量都是 mND705，說明指數(shù) mND705 對黑松和馬尾松的類胡蘿卜素含量較為敏感。擬合效果圖如下，單位默認為 mg.g-1：

（a） （b）圖 3-3 基于紅邊參數(shù)的感病馬尾松（a）和黑松（b）逐步回歸的葉綠素含量預測值與實測值的關系Fig.3-3 Relationship between MSR model based on red edge parameters of infected masson pine (a)and black pine (b) predicted and measured chlorophyll content擬合方程分別為：（馬尾松）（黑松）感病馬尾松的預測模型 R2為 0.7576，預測值與實測值的擬合曲線的 R2為 0.7320，RMSE 為 0.0905，相比于植被指數(shù)，以紅邊參數(shù)為自變量的感病馬尾松葉綠素含量預測模型精度（R2=0.7324）略高，預測效果（R2=0.7185、RMSE=0.0935）也比較好。感病黑松的預測模型的 R2為 0.7734，預測值與實測值的 R2為 0.7446， RMSE 為 0.0872，相比于以植被指數(shù)為輸入變量的預測模型的精度（R2=0.7372）略好，預測效果（R2=0.7184、RMSE=0.0905）也有所提高。3.2.4 基于紅邊參數(shù)的感病松樹的類胡蘿卜素含量高光譜估算模型

【相似文獻】

相關期刊論文 前10條

1 丁思統(tǒng);吳承禎;余翔華;;金盤山林場小班蓄積單產(chǎn)估測模型[J];江西林業(yè)科技;1991年06期

2 曾偉生;周國芳;廖志云;龔文才;;西藏天然林平均直徑樹高和蓄積估測模型研究[J];中南林業(yè)調(diào)查規(guī)劃;2007年03期

3 周南;徐天蜀;;云冷杉林生物量遙感估測模型研究[J];林業(yè)調(diào)查規(guī)劃;2010年04期

4 梁爽;趙庚星;朱西存;;蘋果樹葉片葉綠素含量高光譜估測模型研究[J];光譜學與光譜分析;2012年05期

5 李毅;徐天蜀;王曉寧;;基于ENVISAT ASAR數(shù)據(jù)的高山松林蓄積量估測模型研究[J];中南林業(yè)調(diào)查規(guī)劃;2012年01期

6 安廣馳;舞毒蛾危害柿樹損失估測模型研究[J];山東林業(yè)科技;1994年03期

7 秦建華,姜志林,錢能志;福建洋口杉木生物量估測模型的選擇[J];南京林業(yè)大學學報(自然科學版);1990年01期

8 潘宏陽;當前我國松材線蟲病的治理對策[J];森林病蟲通訊;2000年06期

9 來燕學;松材線蟲病自然擴散特性及防治策略[J];浙江林學院學報;2000年02期

10 張卓勇;松材線蟲病的鑒別與防治[J];湖南林業(yè)科技;2000年01期

相關會議論文 前10條

1 李亞兵;毛樹春;韓迎春;王香河;王國平;;基于數(shù)字圖像特征的棉花群體大小估測模型[A];中國棉花學會2007年年會論文匯編[C];2007年

2 朱雨行;;河南省松材線蟲病發(fā)生現(xiàn)狀與治理對策研究[A];河南省植物病害研究進展——河南省植物病理學與現(xiàn)代農(nóng)業(yè)學術討論會論文集[C];2011年

3 蔣麗雅;石進;湯堅;;安徽省松材線蟲病治理策略與技術[A];昆蟲與環(huán)境——中國昆蟲學會2001年學術年會論文集[C];2001年

4 王衡芽;鄒國華;;淺論松材線蟲病的除治與預防策略[A];2004中國科協(xié)學術年會第十一分會場論文集[C];2004年

5 王衡芽;鄒國華;;淺論松材線蟲病的除治與預防策略[A];中國林學會2004年年會論文集[C];2004年

6 羅洪;涂勝根;;雪災后的松材線蟲病監(jiān)測與防控[A];全國生物多樣性保護及外來有害物種防治交流研討會論文集[C];2008年

7 郭曉華;孫娜;;外侵有害生物松材線蟲病的損失評估指標體系構(gòu)建[A];全國生物多樣性保護及外來有害物種防治交流研討會論文集[C];2008年

8 馮益明;張海軍;呂全;梁軍;張星耀;;松材線蟲病在我國潛在的適生性分析[A];生物入侵與生態(tài)安全——“第一屆全國生物入侵學術研討會”論文摘要集[C];2007年

9 潘宏陽;;松材線蟲病在中國的流行與病原群體變異研究[A];生物入侵與生態(tài)安全——“第一屆全國生物入侵學術研討會”論文摘要集[C];2007年

10 張星耀;;我國松材線蟲病防控基礎研究進展[A];第三屆全國生物入侵大會論文摘要集——“全球變化與生物入侵”[C];2010年

相關重要報紙文章 前10條

1 記者 張健康;為防松材線蟲病 浙江請專家出招[N];中國綠色時報;2008年

2 本報記者 朱邪;省政府要求嚴防松材線蟲病維護生態(tài)安全[N];貴州日報;2008年

3 記者 趙海旭;堅決遏制松材線蟲病擴散蔓延[N];杭州日報;2008年

4 ;全國松材線蟲病防治工作會議召開[N];人民日報;2009年

5 段世文;我國為何如此重視松材線蟲病的防治工作？[N];農(nóng)民日報;2002年

6 本報通訊員 朋金和　本報記者 龍琳;安徽六招阻擊松材線蟲病[N];中國綠色時報;2009年

7 本報記者 章龍;我市召開松材線蟲病防疫工作會議[N];三明日報;2009年

8 記者 陳清浩　通訊員 林蔭;我省打響松材線蟲病圍剿戰(zhàn)[N];南方日報;2009年

9 記者 駱會欣;《浙江省松材線蟲病防控條例》今起施行[N];中國花卉報;2009年

10 鄒建豐;我省部署防治松材線蟲病[N];新華日報;2009年

相關博士學位論文 前10條

1 竇玉青;基于高光譜技術的煙草含氮化合物估測模型研究[D];山東農(nóng)業(yè)大學;2016年

2 謝文;基于高光譜技術的森林土壤不同養(yǎng)分含量光譜特征及估測模型研究[D];江西農(nóng)業(yè)大學;2017年

3 石雷;基于3S技術的云南省松材線蟲病風險評估研究[D];中國林業(yè)科學研究院;2008年

4 李蘭英;浙江省松材線蟲病環(huán)境影響經(jīng)濟評價與治理研究[D];北京林業(yè)大學;2006年

5 黃任娥;感染松材線蟲病松樹滑刃目線蟲研究[D];南京林業(yè)大學;2007年

6 申衛(wèi)星;泰山松材線蟲病、美國白蛾風險分析評估與預警技術研究[D];山東農(nóng)業(yè)大學;2012年

7 王妮;基于3S技術的森林資源變化動態(tài)監(jiān)測[D];南京林業(yè)大學;2012年

8 楊旭華;神經(jīng)網(wǎng)絡及其在控制中的應用研究[D];浙江大學;2004年

9 李素芳;基于神經(jīng)網(wǎng)絡的無線通信算法研究[D];山東大學;2015年

10 石艷超;憶阻神經(jīng)網(wǎng)絡的混沌性及幾類時滯神經(jīng)網(wǎng)絡的同步研究[D];電子科技大學;2014年

相關碩士學位論文 前10條

1 劉文雅;松材線蟲病脅迫下松樹生理參數(shù)的高光譜遙感估測模型研究[D];南京林業(yè)大學;2017年

2 戴超;北京主要樹種樹冠體積及表面積估測模型研究[D];華北理工大學;2015年

3 張國圣;基于高光譜的水稻氮素診斷和產(chǎn)量估測模型[D];沈陽農(nóng)業(yè)大學;2017年

4 李明亮;土壤有機質(zhì)高光譜灰色關聯(lián)度估測模型研究[D];山東農(nóng)業(yè)大學;2017年

5 張永秀;基于語音質(zhì)量估測模型的水聲語音通信系統(tǒng)研究[D];廈門大學;2014年

6 張衡;不同脅迫類型下松樹高光譜特征響應機制研究[D];南京林業(yè)大學;2015年

7 徐云瀚;延平區(qū)松材線蟲病發(fā)生特點與綜合防治技術初步研究[D];福建農(nóng)林大學;2015年

8 張思行;石泉縣松材線蟲病特點及防治技術研究[D];北京林業(yè)大學;2016年

9 張玉煥;馬尾松苗抗松材線蟲病評價及失活線蟲分離新技術研究[D];華南農(nóng)業(yè)大學;2016年

10 習妍;浙江省舟山市定海區(qū)松材線蟲病發(fā)生蔓延影響因素的初步研究[D];北京林業(yè)大學;2009年

本文編號：2792046