【目的】結(jié)合傳統(tǒng)與現(xiàn)代農(nóng)業(yè)病蟲害監(jiān)測(cè)的優(yōu)缺點(diǎn),探索通過無人機(jī)高光譜遙感技術(shù)檢測(cè)出患病的柑橘植株、通過人工田間調(diào)查方式判斷其患病種類及患病程度的病蟲害監(jiān)測(cè)方法�！痉椒ā渴褂脽o人機(jī)獲取原始高光譜圖像,經(jīng)過光譜預(yù)處理和特征工程后,采用連續(xù)投影算法提取對(duì)柑橘患病植株分類貢獻(xiàn)值最大的特征波長(zhǎng)組合,基于全波段使用BP神經(jīng)網(wǎng)絡(luò)和XgBoost算法、基于特征波段使用邏輯回歸和支持向量機(jī)算法,建立分類模型。【結(jié)果】基于全波段的BP神經(jīng)網(wǎng)絡(luò)和XgBoost算法的ROC曲線下面積(Area under curve,AUC)分別為0.883 0和0.912 0,分類準(zhǔn)確率均超過95%;提取出698和762 nm的特征波長(zhǎng)組合,基于特征波長(zhǎng)使用邏輯回歸和支持向量機(jī)算法建立的分類模型召回率分別達(dá)到了93.00%和96.00%�！窘Y(jié)論】基于特征波長(zhǎng)建模在患病樣本分類中表現(xiàn)出很高的準(zhǔn)確率,證明了特征波長(zhǎng)組合的有效性。本研究結(jié)果可為柑橘種植園的病蟲害監(jiān)測(cè)提供一定的數(shù)據(jù)和理論支撐。

【文章頁數(shù)】：9 頁

【文章目錄】：
1 材料與方法
    1.1 試驗(yàn)地概況
    1.2 高光譜數(shù)據(jù)采集及預(yù)處理
        1.2.1 無人機(jī)高光譜數(shù)據(jù)采集
        1.2.2 高光譜圖像預(yù)處理
    1.3 特征工程
        1.3.1 異常數(shù)據(jù)剔除
        1.3.2 過采樣處理
        1.3.3 特征波長(zhǎng)提取
    1.4 模型的建立與評(píng)價(jià)
    1.5 數(shù)據(jù)集設(shè)置
2 結(jié)果與分析
    2.1 特征波長(zhǎng)數(shù)的最優(yōu)結(jié)果
    2.2 基于全波段的柑橘患病植株分類結(jié)果
        2.2.1 BP神經(jīng)網(wǎng)絡(luò)
        2.2.2 XgBoost
    2.3 基于特征波段的分類模型及效果
    2.4 模型效果評(píng)估對(duì)比
3 結(jié)論



本文編號(hào)：3787101