基于无人机数字图像与高光谱数据融合的小麦全蚀病等级的快速分类技术

小麦全蚀病是检疫性的土传病害,对小麦生产危害极大,对其发生的监测是治理的根本。遥感技术可实时、宏观地监测病害发生发展,尤其是将光谱信息与高分辨率数字图像进行融合,可直观、精准地对病害识别和分类。本文基于计算机视觉技术,通过光谱数据与高分辨率数字图像结合的方法,对小麦全蚀病等级进行快速分类。首先,通过ASD非成像光谱仪获取小麦全蚀病的光谱信息,提取全蚀病特征光谱,建立光谱比。其次,利用无人机获取的实时田间数码图像,对其颜色特征进行重量化。最后,利用基于支持向量机的决策树分类对图像视场中的不同全蚀病等级进行分类。结果表明,4个全蚀病等级的分类精度均大于86%(Kappa0.81),平均运算时间小于30s。通过与实地调查的小麦全蚀病的白穗率等级做比对,验证分类结果的准确性,结果表明该方法基本可以实现对小麦全蚀病等级的实时监测。     

基于Grey-Sigmoid核函数支持向量机高光谱遥感图像分类方法研究

针对传统支持向量机方法中存在的野值噪声敏感问题,提出了一种基于紧密度的Grey-Sigmoid核函数支持向量机,不仅考虑样本与所属类中心之间的关系,还考虑了各个样本之间的距离。通过样本之间的紧密度来描述各个样本之间的关系,利用包围同一类样本的最小超球半径来衡量样本间的紧密度,样本灰度依据样本在球中的位置确定。通过对田间小麦全蚀病的遥感图像分类的实验验证,证明Grey-Sigmoid核函数和传统的Sigmoid核函数相比,计算速度更快,且精度没有明显损失。     

基于近地成像光谱的小麦全蚀病等级监测

小麦全蚀病是检疫性的土传病害,对小麦生产危害极大,对其发生的监测是治理的根本。遥感技术可实时、宏观监测病害发生发展,尤其是成像光谱技术的图谱合一,可精准对病害识别和分类。该文首先通过主成分分析提取不同小麦白穗率的冠层光谱特征;再通过灰色聚类分析方法,研究白穗率等级的可分性;最后利用基于径向基(RBF,radial basis function)核函数的支持向量机对全蚀病害的近地成像高光谱图像进行分类,从而验证近地成像光谱在全蚀病监测上的可行性。研究结果显示:该方法对5种程度的小麦全蚀病白穗率的分类精度均达94%以上,Kappa值大于0.8。研究表明利用该方法,通过近地成像光谱图像可以准确监测小麦全蚀病的病情,对小麦全蚀病的治理有指导意义。     

基于遥感技术的作物病虫害监测研究进展

作物病虫害严重影响农业生产和粮食安全。近年来,随着全球气候变化,病虫害造成的经济损失日益加剧。作物病虫害监测目前主要依靠植保人员田间调查,这种传统的病虫害监测方法费时费力且存在以点代面的代表性差、主观性强和时效性差等弊端,难以满足大范围病虫害实时监测的需求。遥感技术的出现为作物病虫害监测提供了新的契机,是未来大面积病虫害监测与产量损失评估的重要手段。本文在阐述作物病虫害胁迫光谱响应的生理机制的基础上,对目前作物病虫害遥感监测中较为通用的方法进行了综述,同时指出了目前作物病虫害遥感监测中尚需解决的关键技术问题,并就如何实现大面积作物病虫害遥感监测提出了解决思路。     

基于随机森林模型的小麦白粉病遥感监测方法

正小麦白粉病是危害我国小麦生产的主要病害,及时高精度地监测其发生发展状况对有效制定病害防控策略十分重要。基于目测手查的传统病害调查方式,耗时费力且无法实时监测。随着空间遥感技术的发展,利用遥感开展病害监测已成为及时获取作物病害信息的重要方式。目前作物病害监测方法大致分为统计模型和物理模型,前者灵活易用、操作简单;后者能定量分析病害发生情况,但输入变量较     

作物病虫害遥感监测研究进展与展望

病虫害是农业生产过程中影响粮食产量和质量的重要生物灾害。目前,我国的作物病虫害监测方式以点状的地面调查为主,无法大面积、快速获取作物病虫害发生状况和空间分布信息,难以满足作物病虫害的大尺度科学监测和防控的需求。近年来,随着国内外卫星光谱、时间和空间分辨率的不断提升,利用遥感手段开展高效、无损的病虫害监测成为有效提升我国病虫害测报水平的重要手段。与此同时,多平台、多种方式的作物病虫害遥感监测也为病虫害的有效防治和管理提供了重要科技支撑。本文从作物病虫害光谱特征、遥感监测方法和遥感监测系统等方面阐述了作物病虫害遥感监测研究的进展,分析了当前面临的挑战,并对未来发展趋势进行了展望。     

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。     

利用近地成像高光谱遥感对小麦全蚀病的监测

<正>小麦全蚀病是检疫性土传病害,近年来随着种子调运和跨区联合收割,有扩散趋势。利用遥感技术宏观、动态和实时的特点,可更好地监测其发生发展。近年发展迅速的成像光谱技术,在对目标物成像的同时可测量其波谱特性,将辐射特性与波谱特性结合为图谱特性,或称图像立方体,