| 基于无人机高光谱遥感的柑橘患病植株分类与特征波段提取 |
| |
| 引用本文： | 邓小玲,曾国亮,朱梓豪,黄梓效,杨佳诚,童泽京,殷献博,王天伟,兰玉彬.基于无人机高光谱遥感的柑橘患病植株分类与特征波段提取[J].华南农业大学学报,2020,41(6):100-108. |
| |
| 作者姓名： | 邓小玲 曾国亮 朱梓豪 黄梓效 杨佳诚 童泽京 殷献博 王天伟 兰玉彬 |
| |
| 作者单位： | 华南农业大学 电子工程学院/人工智能学院,广东 广州 510642;国家精准农业航空施药技术国际联合中心,广东 广州 510642;国家精准农业航空施药技术国际联合中心,广东 广州 510642 |
| |
| 基金项目： | 国家自然科学基金（61675003）；广东省重点领域研发计划（2019B020214003）；广东高校重点领域（人工智能）专项（2019KZDZX1012）；广东大学生科技创新培育专项（pdjh2019b007） |
| |
| 摘 要： | 目的 结合传统与现代农业病虫害监测的优缺点，探索通过无人机高光谱遥感技术检测出患病的柑橘植株、通过人工田间调查方式判断其患病种类及患病程度的病虫害监测方法。方法 使用无人机获取原始高光谱图像，经过光谱预处理和特征工程后，采用连续投影算法提取对柑橘患病植株分类贡献值最大的特征波长组合，基于全波段使用BP神经网络和XgBoost算法、基于特征波段使用逻辑回归和支持向量机算法，建立分类模型。结果 基于全波段的BP神经网络和XgBoost算法的ROC曲线下面积(Area under curve，AUC)分别为0.883 0和0.912 0，分类准确率均超过95%；提取出698和762 nm的特征波长组合，基于特征波长使用逻辑回归和支持向量机算法建立的分类模型召回率分别达到了93.00%和96.00%。结论 基于特征波长建模在患病样本分类中表现出很高的准确率，证明了特征波长组合的有效性。本研究结果可为柑橘种植园的病虫害监测提供一定的数据和理论支撑。
|
| 关 键 词： | 柑橘病虫害 无人机 高光谱遥感 XgBoost 连续投影算法 |
| 收稿时间： | 2020/6/19 0:00:00 |
Classification and feature band extraction of diseased citrus plants based on UAV hyperspectral remote sensing |
| |
| DENG Xiaoling,ZENG Guoliang,ZHU Zihao,HUANG Zixiao,YANG Jiacheng,TONG Zejing,YIN Xianbo,WANG Tianwei,LAN Yubin.Classification and feature band extraction of diseased citrus plants based on UAV hyperspectral remote sensing[J].Journal of South China Agricultural University,2020,41(6):100-108. |
| |
| Authors: | DENG Xiaoling ZENG Guoliang ZHU Zihao HUANG Zixiao YANG Jiacheng TONG Zejing YIN Xianbo WANG Tianwei LAN Yubin |
| |
| Institution: | College of Electronic Engineering/College of Artificial Intelligence, South China Agricultural University, Guangzhou 510642, China;National Center for International Collaboration Research on Precision Agricultural Aviation Pesticides Spraying Technology, Guangzhou 510642, China |
| |
| Abstract: | |
| |
| Keywords: | citrus disease and pest UAV hyperspectral remote sensing XgBoost continuous projection algorithm |
| 本文献已被 万方数据 等数据库收录！ |
| 点击此处可从《华南农业大学学报》浏览原始摘要信息 |
| 点击此处可从《华南农业大学学报》下载免费的PDF全文 |
