基于GF-1遥感影像和relief-mRMR-GASVM模型的小麦白粉病监测

选择合适的建模和特征选择算法对提高作物病害的遥感监测水平有着重要的作用。研究以河北省小麦白粉病为研究对象,基于GF-1/WFV数据共提取了4个波段反射率数据和10个对作物长势和胁迫敏感的植被指数作为初选特征。针对常用的特征提取算法relief算法筛选出的特征存在冗余性的问题,提出了一种relief结合最小冗余最大相关(minimum redundancy maximum relevance,m RMR)的特征降维算法(relief-m RMR)。首先,通过relief算法计算出各特征的权重系数,对特征集进行加权;然后利用m RMR算法选出与类别具有最小冗余性的特征,利用支持向量机(support vector machine,SVM)对河北白粉病进行监测,并用遗传算法(genetic algorithm,GA)优化的SVM(GASVM)建立了白粉病的监测模型(relief-m RMR-GASVM),将监测结果分别与SVM和网格寻优(grid search,GS)算法优化的SVM(GSSVM)的监测结果进行对比分析,同时比较了该方法与Ada Boost、粒子群(Pso)优化的最小二乘支持向量机(least squares support vector machine,Pso-LSSVM)和随机森林(random forest,RF)3种方法的优越性。结果表明,relief-m RMR算法筛选出的特征与GASVM、SVM和GSSVM建立的监测模型精度比传统relief算法筛选特征所建模型的精度分别提高了14.3个百分点、7.2个百分点和7.1个百分点,比传统m RMR算法筛选特征所建模型的精度分别提高了14.3个百分点、14.3个百分点和14.2个百分点。relief-m RMR算法结合GASVM建立的监测模型精度为所有模型中最高,精度为85.7个百分点,分别比SVM和GSSVM所建监测模型精度提高了21.4个百分点和7.2个百分点。此外,GF-1数据结合relief-m RMR-GASVM模型的监测精度分别高出Ada Boost、Pso-LSSVM和RF方法21.4个百分点、14.3个百分点和7.1个百分点。说明GF-1数据结合relief-m RMR-GASVM模型可用于小麦白粉病的遥感监测。     

小波分析与支持向量机结合的冬小麦白粉病遥感监测

为利用遥感影像数据在区域尺度上实现快速、准确地监测小麦白粉病的发生、发展情况,该研究基于环境与灾害监测预报小卫星(HJ-1A/1B)数据对地表温度(land surface temperature,LST)进行反演、提取4个波段反射率数据并构建7个植被指数。耦合K-mean和Relief算法对小麦白粉病遥感特征进行筛选。通过支持向量机(support vector machine,SVM)与小波特征(Gabor)结合SVM(Gabor SVM)的方法分别建立河北省晋州市小麦白粉病发生监测模型,并对2种模型的监测精度进行对比。结果表明:归一化植被指数(normalized difference vegetation index,NDVI)、比值植被指数(simple ratio index,SR)和地表温度3种特征参量可较好地表征小麦白粉病的发生情况,Gabor SVM的总体精度达到86.7%,优于SVM的80%。因此,小波分析与支持向量机结合的方法可用于基于卫星遥感影像的大面积病害监测,对提高病害监测精度具有重要应用价值。     

Sentinel-2影像和BP神经网络结合的小麦条锈病监测方法

选用包含红边等多种不同波段信息的多光谱卫星数据,为区域尺度上展开作物病害监测研究提供更加丰富有效的信息,相比于常规的宽波段卫星遥感影像,搭载红边波段的Sentinel-2影像对作物病害胁迫更加敏感,能显著提高模型精度。该文以陕西省宁强县小麦条锈病为研究对象,基于Sentinel-2影像共提取了26个初选特征因子:3个可见光波段反射率(红、绿、蓝)、1个近红外波段反射率、3个红边波段反射率、14个对病害敏感的宽波段植被指数和5个红边植被指数。结合K-Means和ReliefF算法筛选病害敏感特征,最终筛选出3个宽波段植被指数,包括:增强型植被指数(enhanced vegetation index,EVI)、结构加强色素指数(structure intensive pigment index,SIPI)、简单比值植被指数(simple ratio index,SR),2个红边波段植被指数:归一化红边2植被指数(normalized red-edge2 index,NREDI2)、归一化红边3植被指数(normalized red-edge3 index,NREDI3)。利用BP神经网络方法(back propagation neural network,BPNN),分别以宽波段植被指数和宽波段植被指数结合红边波段指数作为输入变量构建小麦条锈病严重度监测模型,对比2种模型的监测精度。结果显示,基于宽波段植被指数结合红边波段植被指数的监测模型的总体精度达到83.3%,Kappa系数0.73,优于仅基于宽波段植被指数特征所建监测模型的精度73.3%,Kappa系数0.58。说明红边波段能够为病害监测提供有效信息,采用宽波段植被指数和红边波段植被指数相结合的方法能够有效提高作物病虫害监测模型精度。     

群体小麦条锈病发病动态无人机遥感监测方法

针对当前育种群体小麦条锈病表型分析手段单一、效率低下等问题,该研究提出了一种基于无人机低空遥感和多光谱成像技术的群体小麦田间条锈病高通量表型动态分析方法。该方法利用无人机采集自然发病的育种群体小麦（共600个样本,516个基因型）冠层多时相的光谱图像,并提取22个植被指数作为后续分析的表型,同时按照发病后的时间顺序与传统条锈病人工鉴定标准记录条锈病发病阶段和发病严重度数据;使用随机森林算法建立22个光谱植被指数同条锈病发病阶段与病害严重度的分类模型,并筛选出对上述两个分类问题敏感的植被指数;同时,使用随机蛙跳算法对特征进行筛选以降低仅使用随机森林算法对特征筛选的偶然性,并将随机蛙跳算法给出被选择概率排名在约前1/3的特征作为SVM算法的输入,构建发病阶段与病害严重度模型以验证随机蛙跳算法对特征筛选的有效性;综合两次特征选择的结果,分别筛选出对发病阶段和病害严重度敏感的3个植被指数,并基于这些指数响应的时间序列分析了群体中6个参考品种发病动态的差异。对条锈病发病阶段的分类模型构建中,随机森林和SVM模型测试集的F1分数分别为0.970和0.985;对条锈病严重度等级分类中,二者的F1分数为0.740和0.780,表明通过所建立的模型可以实现对群体小麦发病阶段和病害严重度等级的分类,且随机森林算法和随机蛙跳算法都能够筛选出对条锈病发病阶段和病害严重度敏感的特征。筛选出的差分植被红边指数（Difference Vegetation Index - Rededge,DVIRE）的响应对病害胁迫较为敏感,可用于同时描述田间条锈病发病阶段和严重度。该研究提出的高通量表型分析方法,基于无人机成像光谱提取的植被指数对群体小麦田间条锈病进行时间序列动态分析,能够精准量化群体小麦受条锈病胁迫状态,并可为其他作物抗病育种的表型分析提供一定的参考。     

基于网格搜索随机森林算法的工矿复垦区土地利用分类

为提高工矿复垦区遥感影像土地利用分类精度,为土地复垦监测工作提供数据支持,该文探讨了基于网格搜索(Grid-Search)的随机森林(random forest)复垦区土地利用分类方法。研究利用GF-1影像、DEM(digital elevation model)和野外调查等数据,以随机森林分类算法为框架,采用基于OOB(Out-of-Bag)误差的网格搜索法对算法进行参数寻优,结合影像光谱、地形、纹理、空间信息,计算选取了33个特征变量,构建了4种变量组合模型开展随机森林分类试验,4个组合模型的分类精度分别达到82.79%、84.91%、86.75%、88.16%。为去除33个特征变量中的冗余信息、降低影像波段变量维度、缩短分类执行时间并保证影像分类精度,试验分别利用变量重要性估计和Relief F方法进行特征选择后再次执行随机森林分类,将分类结果与不同组合模型、不同分类方法进行比较,结果表明:基于网格搜索参数寻优的随机森林算法在多特征变量的影像分类中可以达到88.16%的分类精度,在利用不同方法降维后依然可以将分类精度保持在85%以上,精度优于相同特征变量下的SVM(support vector machine)和MLC(maximum likelihood classification)分类方法;在效率方面,随机森林分类方法执行时间优于SVM,并且在处理多维特征变量时能力更强。由此可见,采用基于网格搜索的随机森林方法对工矿复垦区土地利用信息进行分类提取可以得到较高的精度,基于该方法开展遥感影像解译可为土地复垦监测工作提供技术支持和理论参考。     

无人机多光谱遥感反演不同深度土壤盐分

快速、精准获取作物覆盖下的土壤盐分信息,可以提高区域土壤盐渍化治理的有效性。该研究在内蒙古河套灌区沙壕渠灌域内试验地获取无人机多光谱遥感图像数据,并同步采集不同深度的土壤盐分数据。通过遥感图像数据提取光谱反射率并计算传统光谱指数,在此基础上引入红边波段建立新的光谱指数,同时使用Elastic-net算法（ENET）对光谱变量进行筛选,并将筛选后的光谱变量分为原始光谱变量组和改进光谱变量组;运用BP神经网络（Back Propagation Neural Networks,BPNN）、支持向量机（Support Vector Machine,SVM）和极限学习机（Extreme Learning Machine,ELM）3种机器学习方法,构建作物覆盖下不同土壤深度的土壤盐分反演模型,并基于最佳反演模型绘制试验区不同深度土壤盐分反演图。结果表明,使用ENET变量选择方法可以有效筛选出最优光谱变量,且基于改进光谱变量组构建的反演模型精度均高于原始光谱变量组;ELM模型反演效果优于SVM模型和BPNN模型,其验证集的决定系数为0.783,均方根误差为0.141,一致性相关系数为0.875;研究区域内,作物覆盖下的土壤盐分最佳反演深度为10～20 cm;在不同土壤深度下,基于改进光谱变量组构建的最佳反演模型绘制的土壤盐分反演图可以较为真实的反映试验区内的盐渍化程度,这说明引入红边波段构建光谱指数可以用于土壤盐分的反演。该研究为无人机多光谱遥感监测农田土壤盐渍化以及农田盐渍化治理提供了一种新途径。     

冬小麦病害与产量损失的多时相遥感监测

为了开展农作物病害遥感监测与产量损失评估,该文以北京郊区大田生产条件下的冬小麦条锈病、白粉病的为研究对象,获取了2007年4月10日、4月26日、5月12日、5月28日共四期Landsat TM卫星影像,准同步地测量了试验地块的冠层光谱数据及配套农学数据。利用该4个时相的遥感数据,分析了试验区的冬小麦条锈病、白粉病在主要生育期的光谱特征及其变化,与对照地块相比,病害小麦在可见光和短波红外波段的光谱反射率降增大,近红外波段反射率减小,红边则会向短波方向移动,红边振幅减小,NDVI值减小。并利用冬小麦病害发生前期（4月10日,4月26日）的卫星遥感数据建立了作物产量的早期预测模型,结合实测的产量数据,定量计算了条锈病和白粉病的产量损失,结果表明两个白粉病和条锈病小麦地块的减产幅度超过了30%。     

遥感与气象数据结合预测小麦灌浆期白粉病

利用多源数据对区域尺度上小麦白粉病的发生状况准确及时地预报能为农业服务和农业植保等部门提供重要信息,实现小麦白粉病的有效预防。研究利用一景2014年5月6日的landsat8遥感影像提取出植被指数、地表温度(land surface temperature,LST)和影像中各波段反射率特征,同时用2014年3月-5月份的站点逐日地面气象资料计算获得各气象特征,并经过GIS空间插值分析得到相应的空间气象特征。通过Relief算法和泊松相关系数相结合的方式进行遥感和气象特征的筛选,最终得出改进的简单比值指数(modified simple ratio index,MSR)、重归一化植被指数(re-normalized difference vegetation index,RDVI)、3月21日-4月20日总日照时数和4月11日-5月10日大于0.1 mm降雨日数。采用相关向量机(relevance vector machine,RVM)的方法分别用筛选出的遥感、气象数据特征及2种数据特征相结合的方式构建了河北省石家庄市藁城、晋州和赵县3地区小麦灌浆期白粉病的发生预测模型,并对3种不同数据模型进行了验证与评估。试验结果表明,遥感气象数据模型的总体精度达到84.2%,优于遥感数据模型的80.0%和气象数据模型的74.7%。进而得出,相比于单站点准确和空间不连续的气象数据和类型单一的遥感数据,遥感气象数据更适合于区域尺度范围内的作物病虫害发生发展状况的预测研究。     

白粉病胁迫下小麦冠层叶绿素密度的高光谱估测

为了明确病害胁迫下作物生长特征及其危害程度,基于大田小区和盆栽小麦白粉病接种试验,在病害胁迫下不同生育时期测定群体光谱及叶绿素密度。综合分析群体光谱反射率、一阶微分及传统光谱特征参数与冠层叶绿素密度间关系,建立病害叶绿素密度估算模型并检验。结果表明,随病情指数增加,叶绿素含量下降,不同感性品种均如此,对白粉病易感品种的危害较重。病害冠层叶绿素密度与红光600～630nm和红边690～718nm的反射率及红边长波段(718～756nm)的一阶微分间相关性最显著。在传统植被指数中,以SDr/SDb和VOG3为变量的估测模型拟合精度较高,决定系数R2分别为0.752和0.723,模型检验相对误差(RE)最小,RE分别为18.0%和18.6%。利用红边区域(680～760nm)波段差异特性,选取680、718和756nm波段新建红边角度指数(REAI),较传统植被指数的模型拟合精度更高,归一化角度指数NDAI(α,β)和比值角度指数RAI(α,β)的R2分别为0.783和0.776,模型检验误差更小,RE分别为16.8%和17.5%。因此,NDAI(α,β)是估测病害小麦冠层叶绿素密度的可靠指标,对利用该模型监测小麦光合潜力和病害影响评价具有积极意义。     

基于因子分析-BP神经网络的小麦叶片白粉病反演模型

明确白粉病胁迫下小麦叶片受害程度并构建误差小、精度高的反演模型,是实现小麦白粉病遥感监测和精确防控的基础。基于大田小区小麦白粉病人工接种试验,采用高光谱仪测试不同白粉病危害程度下冬小麦叶片光谱反射率,利用常规光谱特征参数、比值指数和归一化指数及因子分析(factor analysis,FA)与BP神经网络(back propagation neural network,BPNN)相结合的方法对小麦叶片白粉病严重度进行模型模拟并对模型拟合精度与适用性比较。结果表明:对小麦白粉病反应敏感的光谱波段为415、485~495、620~640 nm。常规光谱参数中表现较好的光谱植被指数和两波段比值及归一化植被指数的决定系数范围为0.6~0.8,均方根误差范围为8.5~11.5,其中,RI(670,855)、NDVI(680,880)、RGRcn和PSRI对白粉病反演精度及误差控制表现得相对较好。经过FA提取敏感波段的公共因子,进而利用BPNN算法进行模拟,较常规光谱参数有效提高了病情严重度的估算精度,各个测定时期模拟检验决定系数大于0.80,模型的检验均方根误差小于8.09,整个灌浆期反演模型检验的均方根误差和相对误差分别为7.84和7.56%,反演模型对小麦白粉病的整个病症期均具有很好的适用性。由此可得,基于FA-BPNN法所建立的反演模型精度高、误差小,对小麦白粉病病害时期兼容性好,研究结果对植物病害精确防控具有重要意义。     

基于计算机视觉的稻谷霉变程度检测

为了实现无损检测稻谷储藏中的霉变,该研究以引起稻谷霉变的5种常见真菌(米曲霉、黑曲霉、构巢曲霉、桔青霉和杂色曲霉)为对象,首先进行真菌培养,制成悬浮液,然后将悬浮液接种到稻谷样品中,对稻谷样品模拟储藏,确定不同霉变程度的稻谷类型,划分为对照组(无霉变)、轻微霉变组和严重霉变组。利用计算机视觉系统对三组稻谷样品进行图像采集和图像处理,提取灰度、颜色和纹理特征,共获取68个图像特征。采用支持向量机(support vector machines,SVM)和偏最小二乘法判别分析(partial least squares discriminant analysis,PLS-DA)构建模型,分别用于无霉变稻谷与霉变稻谷的区分和稻谷霉变类型区分。为了降低模型复杂度和数据冗余,利用连续投影算法(successive projections algorithm,SPA)来消除原始数据变量间的共线性,优选特征值。结果表明:利用所有参数构建的SVM模型能够很好的区分对照组与霉变组,其中建模集和验证集总体区分准确率分别为99.7%和98.4%;SVM模型对于稻谷严重霉变类型的区分效果要优于轻微霉变稻谷,其中对稻谷轻微霉变类型建模集和验证集总体区分的准确率分别为99.3%和92.0%,对稻谷严重霉变类型区分的总体准确率分别为100%和94%,且整体上SVM模型的效果要优于PLS-DA模型。而基于SPA优选特征构建的模型区分结果表明,SVM模型区分效果优于PLS-DA模型,其中,在建模集和验证集中,对无霉变和霉变稻谷总体区分准确率分别为99.8%和99.5%,对稻谷轻微霉变种类区分总体准确率分别为99.8%和90.5%,对稻谷严重霉变种类区分总体准确率分别为100%和95.0%。因此,基于计算机视觉对稻谷霉变检测是可行的,而且SPA优选特征能够较好反映稻谷霉变特征,基于优选特征和SVM模型能够较好地稻谷霉变进行识别和区分,结果较好,可以为实际应用提供技术支持和参考。     

地下部分隔对间作小麦养分吸收和白粉病发生的影响

通过根系分隔的盆栽试验,探讨了地下部分隔对小麦//蚕豆间作系统中小麦的养分吸收和白粉病发生的影响。结果表明:根系不分隔小麦的生物量和N、P、K吸收量均大于尼龙网分隔处理和根系完全分隔处理。根系分隔方式还影响了小麦白粉病的发生,小麦白粉病的发病率和发病指数均表现为根系不分隔(I)尼龙网分隔(M)完全分隔(P)。表明地下部的相互作用改善了小麦的生长,提高了小麦抗白粉病的能力。     

基于大气环流特征量的河北省冬小麦白粉病预报模型

利用1990-2010年逐年的河北省冬小麦白粉病和国家气候中心74项大气环流特征量指数（即大气环流指数）逐月值资料,通过Pearson相关分析和逐步回归分析方法,筛选与白粉病发生显著相关的大气环流因子,建立河北省冬小麦白粉病受害面积的年前、春季预报模型.首先根据白粉病发生面积与大气环流指数关系,建立白粉病发生面积预报模型（模型Ⅰ和模型Ⅱ）,并基于贝叶斯分类规则,利用白粉病面积预报结果建立白粉病发生程度的预报模型;另外,基于贝叶斯分类规则直接利用关键大气环流指数建立白粉病发生程度预报模型（模型Ⅲ和模型Ⅳ）;最后通过预报结果与实际发生情况的对比对模型效果进行检验.结果表明,白粉病发生面积和发生程度两种模型均可在发病前1a的12月底和当年4月底进行预报;对1990-2010年的历史回代拟合和2011-2013年的外延预报结果显示,模型Ⅰ和模型Ⅱ预报的小麦白粉病发生面积（1990-2013年）与实际发生面积基本一致,年前和春季病害发生程度预报模型（模型Ⅲ和模型Ⅳ）的历史回代拟合准确率分别为81.0％和90.5％,2011-2013年外延预报误差最大的仅1个等级.说明大气环流特征量对小麦白粉病有较强的气候指示效应,可为小麦白粉病的长期预测提供参考依据.     

δ13C法研究砂姜黑土添加秸秆后团聚体有机碳变化规律

为研究水稻秸秆添加对砂姜黑土水稳性团聚体分布及稳定性的影响,探索水稻秸秆腐解过程中外源新碳及原有机碳在不同粒级团聚体中的分配规律,该文通过室内模拟试验,运用δ~(13)C示踪方法,将稳定同位素碳(δ~(13)C)标记的水稻秸秆添加入砂姜黑土,利用湿筛法得到不同培养时期不同粒级的土壤水稳性团聚体,测定不同时期各粒级土壤外源新碳及原有机碳含量。结果表明:未添加水稻秸秆的砂姜黑土(对照组),水稳性微团聚体(250μm)占主体,团聚体有机碳含量低。与对照相比,添加水稻秸秆(试验组)显著促进了2000、2000~250μm粒级水稳性大团聚体的团聚(P0.05);培养到120 d时,2000、2000~250μm水稳性团聚体比对照组分别增加了265.5%、16.0%,促使水稳性大团聚体(250μm)占主体,显著提高了砂姜黑土水稳性团聚体的平均重量直径(mean weight diameter,MWD)、几何平均直径(geometric mean diameter,GMD)、水稳性大团聚体含量(R0.25),降低了分形维数(D)值(P0.05),土壤结构稳定性明显得到改善。试验组各粒级团聚体有机碳含量显著增加,培养到15 d时,2000、2000~250、250~53、53μm粒级团聚体有机碳分别比对照组增加了21.4%、25.4%、34.7%、50.0%,其中微团聚体有机碳增加幅度大于大团聚体的增加幅度。MWD、GMD、R0.25与2000~250、250~53μm粒级团聚体有机碳呈极显著正相关关系(P0.01),与2000μm粒级团聚体有机碳呈显著正相关关系(P0.05)、与53μm粒级团聚体有机碳关系不显著。不同粒级团聚体的δ~(13)C值明显增加,动态变化较大,表明外源新碳周转速率较快。外源新碳主要分配在250~53、53μm粒级微团聚体中,分配比例分别为38%、28%,外源新碳的分解速率明显快于原有机碳。研究得出添加水稻秸秆有利于增加砂姜黑土的团聚体稳定性,提高土壤及不同粒级团聚体的有机碳含量,提升土壤碳水平,改善了土壤结构,这为淮北地区土壤质量提升及有机碳循环提供了理论依据。     

焦作小麦白粉病发生程度的气候预测方法

利用焦作市1980-2005年小麦白粉病发生程度资料和气候资料,采用次序统计量方法和Bayes判别准则,确定小麦白粉病等级与当地气候指标的定量关系,建立预测模型,得出模型中关键气象因子指标为:(1)前一年10月平均气温(T10)≥16.5℃;(2)当年3月气温(T3)≤9.5℃;(3)前一年8、9、10月降水量之和(R8+R9+R10)≤180mm;(4)当年3月降水量(R3)≥25mm。当模型中有3个或4个指标满足,则小麦当年可能发生重度白粉病;当没有或只有1个指标满足,则不会发生小麦白粉病。对1980-2005年该地区小麦白粉病发生状况进行模拟和预报,历史拟合率达73%以上,2006年和2007年延伸预测结果与实际一致。