排序方式: 共有9条查询结果,搜索用时 472 毫秒
1
1.
基于方向一致性特征的小麦条锈病与白粉病识别方法 总被引:1,自引:0,他引:1
针对小麦条锈病、白粉病这2种病斑颜色特征相近、形状特征不明显,但在方向分布的一致性上却存在较大差别这一特点,提出了一种方向一致性描述方法。通过不同的方向核与图像卷积得到多个方向图和边缘,对每个方向图依据边缘图进行统计得到图像的方向分布直方图;并计算方向分布直方图的标准差,作为图像方向分布的一致性特征。该方法能够较好地抑制噪声影响,得到的结果符合图像的实际分布情况。利用该方法对小麦病斑进行特征提取,并应用于小麦条锈病与白粉病的病斑识别实验中。实验结果表明,所提出的方向一致性特征使条锈病与白粉病的区别度较大,准确识别率达到99%。 相似文献
2.
为了在病害发生条件下进行玉米LAI的遥感估算,针对41个不同抗性的玉米自交系品种,通过人工接种方法,获得了不同病害严重程度(1~9级)的LAI数据,同时采集了地面高光谱和无人机多光谱数据,构建了K近邻算法、支持向量机、梯度提升分类树和决策分类树分类模型对病害进行分类,对玉米种质资源抗病性进行了划分。基于不同玉米病害胁迫程度分类结果,采用随机森林回归、梯度提升回归树、极端梯度增强算法、轻量梯度提升机4种机器学习模型对玉米LAI进行反演,讨论了不同模型在病害胁迫下的鲁棒性。研究结果表明,对不同生育期玉米病害程度进行划分,基于地面高光谱识别精度分别为84.72%(梯度提升分类树)、47.67%(支持向量机)、55.05%(K近邻算法)、83.02%(决策分类树)。基于病害分类结果,本文利用无人机多光谱数据估算了不同病情等级胁迫下的玉米LAI。构建了4种集成学习模型对不同病情等级的LAI进行估算,4个LAI反演模型的总体反演精度(rRMSE)分别为:19.11%(梯度提升回归树)、15.94%(轻量梯度提升机)、14.51%(随机森林回归)和15.45%(极端梯度增强算法)。其中极端梯度增强算... 相似文献
3.
模拟多光谱卫星传感器数据的冬小麦白粉病遥感监测 总被引:1,自引:0,他引:1
为了解利用遥感技术快速大范围监测小麦白粉病病害情况的可行性,以Landsat5TM波段响应函数为基础,将地面实测冠层高光谱数据模拟为TM多光谱数据,从而分析卫星传感器多光谱波段对病害的响应情况,并构建多光谱指数(PMSI)估测白粉病严重度。在此基础上,采用2010年星-地配套数据对PMSI估测精度进行验证。结果表明,PMSI能够较准确地反映冬小麦白粉病发生的程度,获得较理想的病情严重度反演精度(r2=0.475,RMSE=0.129)。因此采用多光谱卫星遥感影像在小麦大面积种植区域进行病害监测具有应用潜力。 相似文献
4.
基于AdaBoost模型和mRMR算法的小麦白粉病遥感监测 总被引:3,自引:3,他引:0
除选择合适的建模方法外,选择合适的特征选择算法来优选建模特征对提高作物病害的遥感监测水平具有重要作用。选取陕西省关中平原西部小麦白粉病为对象,基于Landsat 8遥感影像共提取了18个特征变量,通过相关性分析(correlation analysis,CA)和最小冗余最大相关(minimum redundancy maximum relevance,mRMR)2种特征选择算法筛选出了2组不同的特征变量,分别将其输入Fisher线性判别分析(Fisher linear discriminant analysis,FLDA)、支持向量机(support vector machine,SVM)和AdaBoost 3种方法,构建小麦白粉病发生严重程度监测模型,并对其进行精度验证与对比分析。结果表明,2种AdaBoost模型对小麦白粉病发生严重程度的总体监测精度分别比FLDA模型和SVM模型高出27.9%、27.9%和14.0%、9.3%,mRMR算法筛选特征所建FLDA、SVM及AdaBoost监测模型的总体监测精度分别比CA筛选特征所建模型高出7.0%、11.7%和7.0%,且mRMR算法筛选特征结合AdaBoost方法所建监测模型的精度和Kappa系数分别为88.4%和0.807,为所有模型中最高。说明将AdaBoost方法用于作物病害遥感监测效果较好,在作物病害监测模型的特征变量选择中mRMR算法比常用CA算法更具优势。研究结果可为其他作物病害遥感监测提供方法参考。 相似文献
5.
基于贝叶斯网络的小麦条锈病预测研究 总被引:1,自引:0,他引:1
[目的]在地理信息系统GIS的平台上,将不确定性推理方法——贝叶斯网络引入病害预测,基于关键气象因子(温度、降水、湿度、日照)构建一个用于预测小麦条锈病发生概率的贝叶斯网络模型.[方法]采用预测日前7d的气象数据预测自预测日起7d内的条锈病发病概率,并对我国小麦条锈病重要流行区域——甘肃省东南部地区2010 ~ 2012年病害发生情况进行预测.[结果]模型在返青期至乳熟期输出的病害发生概率与实际调查结果吻合度分别为62.92%、63.18%、79.48%、94.75%,能够较客观地反映病害发生的时间规律和空间分布特点.[结论]该研究表明将贝叶斯网络和GIS分析结合在较大的空间范围内利用关键气象因子进行小麦条锈病短期预测是一种可行的途径. 相似文献
6.
在叶片尺度上,基于高光谱植被指数反演实际光合速率(Phi2)、非调节的光能耗散(PhiNO)、非光化学淬灭(PhiNPQ)、相对叶绿素含量(RC)4个叶绿素荧光参数,分析不同氮素处理下叶片光谱反射率和4个叶绿素荧光参数在不同时期的变化特征。结果表明,可见光波段在过量施氮下叶片反射率低于不施氮处理;在近红外波段,叶片光谱反射率随着施氮量的增大而增大。随着玉米的生长,不施氮处理下Phi2逐渐减少,PhiNPQ逐渐增加;过量施氮下Phi2先增加后减少,PhiNO和PhiNPQ先降低后增加。RC在不同施氮条件下均随着生育时期发展先增加后减少。Phi2和PhiNPQ与归一化植被指数(NDVI)的相关性最好,PhiNO与改进型叶绿素吸收比值指数(MCARI)的相关性最好,RC与红边植被指数(CIred edge)的相关性最好。 相似文献
7.
光合有效辐射吸收比率(fraction of absorbed photosynthetically active radiation,FAPAR)是反映作物产量的重要参数之一。无人机遥感能够快速无损地获取高分辨率植被冠层光谱信息,已成为进行物理化参数反演的重要手段。以不同播期玉米为研究对象,基于无人机搭载多光谱传感器,提取植被指数与植被纹理特征,使用偏最小二乘(partial least squares regression,PLSR)方法将二者结合反演玉米FAPAR,并与传统单独使用植被指数或植被纹理特征反演植被FAPAR的方法进行比较。结果表明:使用传统方法单独利用植被指数反演FAPAR(验证RMSE最低为7.33×10-2,rRMSE最低为8.66%)的效果比单独利用纹理特征反演FAPAR(验证RMSE最低为9.50×10-2,rRMSE最低为11.23%)的精度更高;使用PLSR方法单独利用植被指数或纹理特征估算FAPAR的效果比传统方法精度更高(植被指数与纹理特征的验证RMSE最低分别为6.77×10-2和5.24×10-2,rRMSE最低分别为8.01%和6.19%);使用PLSR方法将植被指数与纹理特征相结合估算FAPAR(验证RMSE最低为4.72×10-2,rRMSE最低为5.57%)的效果比单独使用植被指数或纹理特征估算FAPAR的精度更高。综上,使用PLSR方法将植被指数和植被纹理特征相结合来反演玉米冠层FAPAR可行,为作物FAPAR遥感反演研究提供了新的思路。 相似文献
8.
为探究无人机多源遥感影像估算玉米叶面积指数(Leaf area index, LAI)垂直分布,在田间设置了密度和播期试验,在7个生育时期利用无人机采集了可见光、多光谱和热红外影像并同步获取玉米LAI垂直分布数据。同时,为合理制定无人机飞行任务,分析了不同飞行高度和不同太阳高度角下获取的无人机影像对估算玉米LAI的影响。基于无人机影像提取的与玉米LAI相关性较高的植被指数、纹理信息和冠层温度等特征,利用7种机器学习方法分别构建了玉米冠层不同高度LAI估算模型,从中选取鲁棒性强的2个模型用于分析在不同飞行高度和不同太阳高度角下估算LAI的差异。研究结果表明,MLPR和RFR模型对玉米LAI估算鲁棒性最强,全生育期下模型rRMSE为11.31%(MLPR)和11.42%(RFR)。玉米冠层LAI垂直分布估算误差,所有模型的平均rRMSE分别为9.1%(LAI-1)、14.19%(LAI-2)、18.62%(LAI-3)、23.29%(LAI-4)和26.7%(LAI-5)。对于玉米穗位叶及以下部位的LAI估算误差均在20%以下,得到了较好精度。同时,在不同飞行高度和太阳高度角试验中可以得出... 相似文献
9.
1