黃化病是一種嚴重危害檳榔生長的病害,迫切需要及時、準確地監(jiān)測其侵染的嚴重度差異和空間分布。低空無人機遙感可有效解決檳榔種植區(qū)由于多云雨天氣而造成光學衛(wèi)星影像獲取不足,提高檳榔黃化病監(jiān)測的實時性。該文利用大疆精靈Phantom 4 Pro V2.0四旋翼無人機搭載MicaSense RedEdge-M多光譜相機獲取5波段多光譜影像,基于最小冗余最大相關算法（Minimum Redundancy Maximum Relevance,m RMR）從15個潛在的植被指數(shù)中優(yōu)選比值植被指數(shù)（Ratio VegetationIndex,RVI）、改進的簡單比值指數(shù)（ModifiedSimpleRatioIndex,MSR）和花青素反射指數(shù)（Anthocyanin Reflectance Index,ARI）作為敏感特征,分別利用后向傳播神經(jīng)網(wǎng)絡（Back Propagation Neural Network, BPNN）、隨機森林（Random Forest, RF）和支持向量機（Support Vector Machine, SVM）分類算法,構建了檳榔黃化病嚴重度監(jiān)測模型。結果表明,BPNN模... 

【文章來源】：農(nóng)業(yè)工程學報. 2020,36(08)北大核心EICSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

研究區(qū)地理位置及樣本點空間分布

利用m RMR方法進一步對15個植被指數(shù)進行篩選，得到特征重要性從高到低的順序為：RVI、MSR、ARI、GNDVI、OSAVI、WDRVI、NDVI、EVI、TVI、NDGI、MSAVI、PSRI、SAVI、RDVI和DVI。為了進一步確定最優(yōu)特征，分別輸入15個特征變量構建BPNN分類模型，得到圖2所示的特征變量個數(shù)與總體精度（Overall Accuracy,OA）關系曲線。由圖2可知，當特征個數(shù)為3時分類精度達到最大值91.7%；隨著特征變量個數(shù)的增加，總體精度開始下降且波動幅度較小，因此確定最優(yōu)特征變量個數(shù)為3。根據(jù)特征重要性優(yōu)先原則，選擇RVI、MSR、ARI作為最優(yōu)特征組合。分析篩選的植被指數(shù)構建機理可以發(fā)現(xiàn)，RVI增強了植被與土壤之間的輻射差異，能夠表征不同植被覆蓋下的生物量信息并與葉綠素含量高度相關[42];MSR能夠改善由于植被生化參數(shù)變化而出現(xiàn)的飽和性問題，且能夠克服大氣、土壤和背景等因素的影響[43];ARI可用于植物的色素成分和含量變化分析[44]，可以很好地指示檳榔黃化病發(fā)生時色素成分和含量的變化。由于檳榔樹有一定的種植間距，從影像上看會有一定面積的裸露土壤，故RVI可減小土壤背景對檳榔樹光譜的影響。因此，利用RVI、MSR和ARI指數(shù)的組合能有效地提取檳榔黃化病信息。

對比BPNN模型、RF模型和SVM模型的結果，發(fā)現(xiàn)BPNN模型的監(jiān)測效果好于RF模型和SVM模型。主要由于BPNN方法具有較強的非線性擬合能力和泛化能力，建立的網(wǎng)絡模型穩(wěn)定性較好，使得BPNN可較為準確地實現(xiàn)小區(qū)域的檳榔黃化病嚴重度監(jiān)測。SVM雖然能通過核函數(shù)的選擇處理各種非線性問題，但是SVM算法對核函數(shù)以及懲罰因子等參數(shù)的選擇較為復雜，使其在線性、非線性、分類以及回歸等應用中受到一定的限制[45]，且SVM多用于解決二分類問題。RF具有較強的容噪能力，也不易產(chǎn)生過度擬合現(xiàn)象[46]，但是該方法參數(shù)較復雜，且RF的決策容易受取值劃分較多的特征影響，導致模型的精度受到影響。3 結論

【參考文獻】：
期刊論文
[1]基于無人機多光譜影像的夏玉米葉片氮含量遙感估測[J]. 魏鵬飛,徐新剛,李中元,楊貴軍,李振海,馮海寬,陳幗,范玲玲,王玉龍,劉帥兵.  農(nóng)業(yè)工程學報. 2019(08)
[2]海南檳榔種植、加工產(chǎn)業(yè)發(fā)展現(xiàn)狀及對策研究[J]. 孫慧潔,龔敏.  熱帶農(nóng)業(yè)科學. 2019(02)
[3]基于無人機高光譜遙感的柑橘黃龍病植株的監(jiān)測與分類[J]. 蘭玉彬,朱梓豪,鄧小玲,練碧楨,黃敬易,黃梓效,胡潔.  農(nóng)業(yè)工程學報. 2019(03)
[4]萬寧市南部地區(qū)檳榔黃化病情調(diào)查[J]. 楊春雨,戰(zhàn)晴晴,周亞奎,張玉秀.  中國藥業(yè). 2018(01)
[5]基于高光譜成像技術的菊花花色表型和色素成分分析[J]. 伏靜,戴思蘭.  北京林業(yè)大學學報. 2016(08)
[6]基于mRMR特征優(yōu)選算法的多光譜遙感影像分類效率精度分析[J]. 程希萌,沈占鋒,邢廷炎,夏列鋼,吳田軍.  地球信息科學學報. 2016(06)
[7]基于t檢驗和彈性網(wǎng)的數(shù)據(jù)分類特征選擇方法[J]. 肖憶南,謝榕,杜娟.  小型微型計算機系統(tǒng). 2015(10)
[8]基于BP神經(jīng)網(wǎng)絡的麥蚜最大蟲株率預測[J]. 靳然,李生才.  山西農(nóng)業(yè)大學學報(自然科學版). 2015(04)
[9]基于可見光波段無人機遙感的植被信息提取[J]. 汪小欽,王苗苗,王紹強,吳云東.  農(nóng)業(yè)工程學報. 2015(05)
[10]基于隨機森林回歸算法的小麥葉片SPAD值遙感估算[J]. 王麗愛,馬昌,周旭東,訾妍,朱新開,郭文善.  農(nóng)業(yè)機械學報. 2015(01)



本文編號：3312547