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,隨著光譜技術(shù)和遙感技術(shù)的發(fā)展,利用各類遙感數(shù)據(jù)進(jìn)行病害信息提取和監(jiān)測,成為農(nóng)作物病蟲害區(qū)分識別的重要而又有效的手段。特別是無人機(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)致的精度不高和因為重訪周期長而不能達(dá)到實時監(jiān)測的缺點(diǎn),為進(jìn)行區(qū)域尺度的遙感監(jiān)測提供了很好的技術(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)作物病蟲害的區(qū)分識別是一個重要的課題。本論文研究以國家“863”項目“微小型無人機(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)項目“基于多尺度遙感的農(nóng)情綜合遙感監(jiān)測技術(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)域三個尺度對稻瘟病害和缺氮水稻的光譜特征提取和判別方法展開研究。具體研究內(nèi)容如下:(1)葉片尺度上,在對缺氮、輕度感病、重度感病與健康水稻葉片反射率光譜對比分析基礎(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,多個模型預(yù)測分類準(zhǔn)確率達(dá)到98.4%,其中SNV-PLS-DA模型的建模集驗證和預(yù)測識別正確率都達(dá)到100%,分類效果最好。用連續(xù)投影算法提取特征波長結(jié)合判別分析和最小二乘支持向量機(jī)建立分類模型,用9個特征波長建立的S.G-SPA-SVM模型和S.G-SPA-LDA模型預(yù)測正確率都為98.4%。同時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,通過兩兩比較方差分析選擇對4類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)的病害識別模型,實驗結(jié)果表明,基于植被指數(shù)的逐步判別分析模型利用12個植被指數(shù)達(dá)到了最好的分類判別效果,交叉驗證和預(yù)測準(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)處理方法對樣本光譜進(jìn)行處理,在分析三類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)分類算法建立區(qū)分識別模型,模型采用“留一法”進(jìn)行交叉驗證。用PCA提取的前5個主成分作為輸入向量的模型中,判別分析和支持向量機(jī)模型交叉驗證分類結(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個植被指數(shù),通過兩兩比較方差分析篩選出39個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別模型僅僅使用了EVI、m SR705、RVSI和PRI四個植被指數(shù)特征因子,對冠層尺度的健康、缺氮和稻瘟病水稻識別的交叉驗證準(zhǔn)確率達(dá)到94.2%。同時,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個小波系數(shù)特征建立分類識別模型,三類算法建立模型分類精度都在94.2%以上,其中,LDA判別模型的分類結(jié)果最好,模型交叉驗證的總體分類準(zhǔn)確率為97.1%。實驗結(jié)果表明,對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)合三類算法建立模型的分類精度都在94.2%以上;比較三種分類算法發(fā)現(xiàn),判別分析方法分類效果最好,在不同光譜特征的分類模型中,都達(dá)到了最好的分類效果。(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)分類算法建立冠層尺度穗頸瘟識別模型:PCA方法根據(jù)主成分的貢獻(xiàn)率提取前10個主成分建立模型,LDA方法和以RBF為核函數(shù)的SVM算法的分類模型分類結(jié)果最好,采用“留一法”交叉驗證的總體分類準(zhǔn)確率為94.2%;基于篩選的34個敏感植被指數(shù)分類模型,逐步判別分析只用了GNDVI和DVI兩個特征因子,交叉驗證的分類精度達(dá)到94.2%,為冠層水稻穗頸瘟儀器的制定和大范圍監(jiān)測提供依據(jù);CWA方法提取了10個小波系數(shù)特征,建立的模型中LDA和以Linear為核函數(shù)的SVM模型的交叉驗證的總體分類準(zhǔn)確率為94.2%。在冠層尺度穗頸瘟區(qū)分研究中,判別分析分類算法(LDA或逐步判別分析)體現(xiàn)出最強(qiáng)的分類效果。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)對冠層穗頸瘟圖像進(jìn)行分類填圖,ISODATA分類算法的分類精度和Kappa值分別為90.19%和0.7488,分類效果明顯高于采用一個具有顯著性的植被指數(shù)進(jìn)行分類的效果。(4)采用無人機(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個通道覆蓋的波段范圍,選取冠層尺度對穗頸瘟具有顯著區(qū)分能力的植被指數(shù)加上相機(jī)6個通道的反射率光譜,最終篩選出19個具有顯著區(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三個特征建立了模型,模型對2015年兩塊發(fā)病地塊進(jìn)行區(qū)分識別,樣本識別精度為92.8%,分類填圖精度為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,從整個地塊上看,分類正確率可以達(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)位級別】：博士
【學(xué)位授予年份】：2017
【分類號】：S127;S435.111.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 徐海舟;周國英;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;付強(qiáng);盛磊;孫天一;;基于時間序列高光譜遙感影像的田塊尺度作物產(chǎn)量預(yù)測[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)評價西藏植被對氣象干旱的響應(yīng)[J];應(yīng)用氣象學(xué)報;2016年04期

4 王樹文;趙珊;張長利;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)測模型[J];農(nóng)業(yè)工程學(xué)報;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別[J];農(nóng)業(yè)工程學(xué)報;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遙感影像估測區(qū)域冬小麥理論產(chǎn)量[J];中國農(nóng)業(yè)科學(xué);2015年20期

7 方孝榮;高俊峰;謝傳奇;朱逢樂;黃凌霞;何勇;;農(nóng)作物冠層光譜信息檢測技術(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;;基于無人機(jī)遙感影像的大豆葉面積指數(shù)反演研究[J];中國生態(tài)農(nóng)業(yè)學(xué)報;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技術(shù)[J];農(nóng)業(yè)機(jī)械學(xué)報;2015年03期

相關(guān)博士學(xué)位論文 前2條

1 賈銀江;無人機(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：1786661