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。     

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。     

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。     

卫星遥感绿度资料在小麦气象服务中的应用研究

对小麦各生育期的日数、某生育期卫星遥感绿度值与正积温的关系进行了定量分析,得出了其间的定量关系,为卫星遥感绿度资料在小麦生产气象服务中的应用提供了新的途径。     

基于相关向量机的冬小麦蚜虫遥感预测

蚜虫的流行严重影响了冬小麦的产量。区域尺度上及时准确的预报冬小麦蚜害发生范围能为蚜害的有效预防提供基础信息,从而降低冬小麦产量的损失。该研究利用多时相的环境星CCD光学数据和IRS热红外数据,分别提取了冬小麦的长势因子,比值植被指数(ratio vegetation index,RVI)和归一化植被指数(normalized difference vegetation index,NDVI),以及生境因子,地表温度(land surface temperature,LST)和垂直干旱指数(perpendicular drought index,PDI),利用相关向量机(relevance vector machine,RVM)、支持向量机(support vector machine,SVM)和逻辑回归(logistic regression,LR)方法建立了北京郊区冬小麦灌浆期蚜虫发生预测模型,并对比分析了3种模型预测精度。试验结果表明,RVM总体预测精度达到87.5%,优于SVM的79.2%和LR的75.0%。另外,RVM模型计算量较小,相比于SVM和LR模型,其预测时间可分别缩短7倍和60倍。较高预测精度和较小计算量的特性扩大了RVM在实际中的应用价值。     

基于遥感数据和气象数据的水旱地冬小麦产量估测

研究利用遥感数据进行了运城地区冬小麦不同生育时期归一化差值植被指数和产量关系的研究,利用气象数据和光谱数据构建了冬小麦光谱产量模型、气象产量模型以及光谱气象产量模型。结果表明：运城地区水旱地冬小麦均以5月8日左右的NDVI值与产量相关性最好,且达极显著水平,因此该时期为建立冬小麦遥感估产模型的最佳时相。通过对冬小麦光谱产量模型、气象产量模型以及光谱气象产量模型预测效果进行的F检验,表明各模型均达到极显著水平。与其他两种模型相比,光谱气象产量模型的决定系数（R2）有明显的提高,并且相对均方根误差（RRMSE     

农家小麦品种白大头成株期抗白粉病遗传分析

选用农家品种白大头与感病品种铭贤169和辉县红组合亲本及F1、F2代材料,在成株期自然诱发条件下进行白粉病抗性评价和遗传分析。结果表明,农家品种白大头在田间表现中抗白粉病,田间病级3～4级;亲本铭贤169和辉县红表现中感和高感,田间病级分别为5～6级和7～8级。两组合F1代植株均表现抗病,田间病级2～4级。301株白大头/辉县红组合F2代植株中,抗感分离比为214R ∶ 87S,符合3R ∶ 1S的理论比值;286株白大头/铭贤169组合F2代植株中,抗感分离比为201R ∶ 85S,亦符合3R ∶ 1S的理论比值。表明农家品种白大头成株期对白粉病的抗性由1对显性抗性基因控制。     

小麦白粉病发生气象条件和气象预报研究进展

基于已有成果,采用影响事实检测法,系统分析和汇总气象条件对小麦白粉病影响的规律,对气象因子在国内小麦白粉病预报中的应用进行综述,指出当前研究存在的问题,并对未来发展进行展望.已有研究表明,夏季气温偏低对白粉病病菌的越夏有利;秋冬季及早春气温偏高或阴雨日偏多利于病情发展,但雨水过多且集中则不利于病害发展;冬小麦生长中后期高温干旱会抑制病情发展;日照少则利于白粉病流行;病菌借助大气环流完成异地传播.关于气象因子对小麦白粉病影响的研究多基于田间观测,通过与气象资料对比分析,建立小麦白粉病发生发展与各气象因子及因子组合间的定量关系.有关小麦白粉病的气象预报分定性和定量两大类:定性预报一般采用指标预测法;定量预报以数理统计方法应用为多,人工神经网络法、模糊数学法和灰色系统理论也有应用.目前国内小麦白粉病预报研究中尚存在数据资料有限、指标选择不当、模拟方法仅限于黑箱和灰箱模型、研究结果地域性强、实用性较差等问题.机理模型的研究极少,未来亟待开展.     

基于遗传神经网络的全国小麦条锈病长期气象预测

为了提高反向传播（BP）神经网络模型预测小麦条锈病发病率的准确性和效率,以上年1月-当年3月组合的120个大气环流特征量为基础,定量分析大气环流特征量与全国小麦条锈病发病率之间的相关性并从中筛选出主要的影响因子;对影响因子进行主成分分析（PCA）,提取累计贡献达到85．46％的前10个主成分作为预测因子;利用逐步回归、BP神经网络及遗传算法（GA）优化的BP神经网络三种模型进行预测,三种模型的预测精度均在80％以上,其中GA—BP神经网络模型的精度最高,达92．6％,而其训练步长仅为标准BP神经网络的1／4左右。通过PCA简化网络结构,同时运用GA优化网络初始权值和阈值,GA—BP神经网络模型可以较好的预测小麦条锈病的发病率。     

施硅对感染白粉病小麦叶片抗病相关酶活性及硅微域分布的影响

以抗/感白粉病的南农99-18/苏麦3号为试验材料,研究外源硅对接种白粉病后小麦叶片的几丁质酶、β-1,3葡聚糖酶、苯丙氨酸解氨酶(PAL)、多酚氧化酶(PPO)活性和叶片硅微域分布的影响,以探讨外源硅增强小麦抗白粉病的作用机理。结果表明,在不接病原菌时,施硅与否对抗/感病品种的PAL、PPO、β-1,3葡聚糖酶活性和感病品种的几丁质酶活性无显著性影响,但施硅可显著地提高抗病品种的几丁质酶活性;接种病原菌后,抗/感品种小麦叶片的几丁质酶、β-1,3葡聚糖酶、PAL和PPO活性均显著提高,而施硅处理显著地提高了感病品种的这四种酶活性和抗病品种的几丁质酶与β-1,3葡聚糖酶活性,但施硅处理对于抗病品种的PAL和PPO活性影响不显著。同时,施硅处理下,叶片硅元素相对重量都有不同程度提高,并有向刺状体基部和维管束组织富集趋势;接种病原菌后,叶片硅元素明显向病原菌侵染位点聚集,尤其有外源硅供给条件下,这种富集效应尤为显著。这意味着,硅不仅通过调节植株体内与抗病性密切相关的酶活性,而且同时可通过在侵染位点的淀积而构建了防病原菌侵入的"物理或机械屏障",以达到增强小麦的抗病性,从而抑制小麦白粉病病害发展。     

基于ANN技术和高光谱遥感的盐渍土盐分预测

土壤盐渍化是干旱、半干旱农业区主要的土地退化问题,及时、精准、动态地监测盐渍土盐分,对于治理、防治盐渍土和进行农业可持续发展至关重要。以松嫩平原西部长岭县为例,利用盐渍土高光谱数据构建盐渍土盐分遥感预测模型。电导法测得土壤盐量,用ASD高光谱仪野外采集高光谱数据,利用光谱导数变换选择能够表征盐渍土盐分信息的最佳波段,即550、720、760、820和940 nm。通过比较3层和4层72种不同神经网络结构,最终选择5-6-1 结构的3层神经网络预测盐渍土盐分（R2 = 0.895,RMSE = 0.089）。与传统回归相比（R2 = 0.81,RMSE = 0.25）,运用高光谱数据与人工神经网络方法相结合,能够提高盐渍土的预测精度,说明人工神经网络在构建光谱反射率与土壤参数关系研究中具有突出优势。     

基于AdaBoost模型和mRMR算法的小麦白粉病遥感监测

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。     

基于支持向量机回归算法的小麦叶面积指数高光谱遥感反演

为给小麦田间管理提供基础数据,利用高光谱指数实现了小麦冠层叶面积指数值的估测。在21种高光谱指数中筛选出了与LAI值相关性最强的指数OSAVI,建立了小麦LAI值反演的最小二乘支持向量回归（LS-SVR）模型。分析表明,模型校正集决定系数（C-R2）与预测集决定系数（P-R2）分别达0.851与0.848,可实现小麦LAI值的精确反演,且对LAI值较高与较低的样本均具备良好的预测能力,可有效避免冠层郁闭度等因素对估测结果的影响。利用LS-SVR模型与OMIS影像实现了小麦LAI遥感专题图的制作,其填图结果与地面实测值拟合模型R2达0.774,RMSE仅为0.476,2组数据具有较高的相似度。结果表明：可利用高光谱指数实现小麦冠层LAI值信息的准确获取,且OSAVI系反演建模的优选指数,LS-SVR为建模的优选算法。该研究可为小麦等农作物的长势评估提供参考。     

基于遥感信息与作物模型集合卡尔曼滤波同化的区域冬小麦产量预测

区域作物产量预测是国家粮食安全评估的重要内容。遥感虽能获取大面积地表信息,却难以反映作物生长发育的内在过程。作物生长模型已经在单点尺度能成功模拟作物的生长发育过程,但是区域尺度作物关键参数的获取仍很困难。遥感信息与作物模型结合的数据同化已经成为区域产量预测的最有效途径。该文选择河北省衡水地区冬小麦为研究对象,在WOFOST模型标定与区域化的基础上,利用WOFOST模型描述冬小麦生育期内叶面积指数(LAI)变化规律。针对MODIS数据的混合像元造成反演的LAI产品偏低的系统误差,利用实测LAI样本点融合MODIS-LAI趋势信息修正MODIS-LAI数据产品。采用集合卡尔曼(EnKF)算法同化冬小麦返青到抽穗期的MODIS-LAI与WOFOST模拟的LAI以获得时间序列最优的LAI,并以此重新驱动WOFOST模型估算区域冬小麦产量。结果表明,EnKF同化后的冬小麦产量比未同化的产量预测精度有显著提高,与县平均统计产量相比,在潜在模式下,决定系数由0.13提高到0.38,均方根误差由2480下降到880kg/hm2。研究表明,遥感信息与作物模型的EnKF同化是1种有效的作物产量预测方法,并在区域尺度应用上具有广阔的应用潜力。该研究可为区域尺度的作物估产提供参考。     

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。     

遥感与作物生长模型数据同化应用综述

遥感是获取大面积地表信息最有效的手段,在农业资源监测、作物产量预测中发挥着不可替代的重要作用;作物生长模型能够实现单点尺度上作物生长发育的动态模拟,可对作物长势以及产量变化提供内在机理解释。遥感信息和作物生长模型的数据同化有效结合二者优势,在大尺度农业监测与预报上具有巨大的应用潜力。该文系统综述了遥感与作物生长模型的同化研究,概述了遥感与作物生长模型数据同化系统的构建,在归纳国内外研究进展的基础上,总结了当前主流同化方法的特点以及在不同条件下的同化效果。进而具体分析影响同化精度的关键环节,明确了相关科学概念,并相应指出改善精度的策略或者方向。最后从多参数协同、多数据融合、动态预测、多模型耦合以及并行计算环境5个方面展望了遥感与作物生长模型数据同化的未来研究重点和发展趋势,同时结合农业应用现实需求,介绍一种数据同化与集合数值预报结合的应用框架,为大区域、高精度同化研究提供新的思路与借鉴。