【目的】結(jié)合傳統(tǒng)與現(xiàn)代農(nóng)業(yè)病蟲害監(jiān)測的優(yōu)缺點,探索通過無人機高光譜遙感技術(shù)檢測出患病的柑橘植株、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)測方法�！痉椒ā渴褂脽o人機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)投影算法提取對柑橘患病植株分類貢獻值最大的特征波長組合,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算法,建立分類模型�！窘Y(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的特征波長組合,基于特征波長使用邏輯回歸和支持向量機算法建立的分類模型召回率分別達到了93.00%和96.00%�！窘Y(jié)論】基于特征波長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 特征波長提取
    1.4 模型的建立與評價
    1.5 數(shù)據(jù)集設(shè)置
2 結(jié)果與分析
    2.1 特征波長數(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 模型效果評估對比
3 結(jié)論



本文編號：3787101