排序方式: 共有26条查询结果,搜索用时 15 毫秒
1.
为减弱冠层几何结构等因素对传感器探测到的冠层日光诱导叶绿素荧光(Solar-induced chlorophyll fluorescence,SIF)的影响,探讨了条锈病胁迫下红光波段荧光(Red SIF,RSIF)的响应特性,并以RSIF为自变量构建了小麦条锈病遥感监测的线性回归(Simple linear regression,SLR)及非线性回归(Non-linear regression,NLR)模型。结果表明:叶片尺度RSIF在小麦条锈病遥感监测中具有较大优势,其与小麦条锈病病情严重度(Severity level,SL)间相关系数较远红光波段SIF(Far-red SIF,FRSIF)提高132%,以叶片尺度RSIF为自变量构建的SLR及NLR模型预测DSL与实测DSL之间R2较FRSIF分别增加9.8%、38.9%,RMSE分别降低23.1%、36.4%。此外,降尺度处理能够提高RSIF监测小麦条锈病的精度,叶片尺度RSIF与DSL之间R2较冠层尺度增加126.3%,以叶片尺度RSIF为自变量构建的SLR和NLR模型预测DSL与实测DSL间R2较冠层尺度分别提高114.3%和233.3%,RMSE分别降低16.7%、15.4%。本文提出方法可提高小麦条锈病遥感监测精度,同时对其它胁迫的遥感监测具有一定的参考价值。 相似文献
2.
为提高小麦条锈病的遥感探测精度,依据日光诱导叶绿素荧光和冠层反射光谱数据在小麦条锈病遥感探测中的优势及其与病情严重度之间的映射关系,在运用独立分量分析法对光谱数据降维的基础上,利用核学习算法分别确定冠层光谱特征和日光诱导叶绿素荧光特征反映小麦条锈病病情严重度的最优核,同时针对冠层光谱与叶绿素荧光特征组,建立基于不同特征最优核映射的多核学习支持向量机模型,并与基于特征直接拼接的模型结果进行对比。结果表明,对于冠层光谱而言,采用高斯核构建的支持向量机模型可较好估测小麦条锈病病情指数,而日光诱导叶绿素荧光指数则是采用多项式核的效果更优;采用直接拼接法融合叶绿素荧光指数和冠层光谱特征能够在一定程度上改善小麦条锈病病情指数估测精度,决定系数(r~2)最高为0.847,而单独利用冠层光谱信息或者叶绿素荧光信息时,r~2最高仅为0.802;对日光诱导叶绿素荧光和反射光谱特征分别利用其最优核进行映射构建的多核学习支持向量机模型精度最高,r~2为0.915,RMSE为0.090,优于基于特征直接拼接构建的支持向量机模型精度。 相似文献
3.
叶绿素是绿色植被进行光合作用的主要色素,是影响作物产量的重要因素之一,也是评价作物健康状况的重要生化指标。快速、准确、无损地监测作物叶片叶绿素含量,是实现作物长势和健康程度精准监测的关键。为提高作物叶绿素含量反演的精度,以冬小麦试验小区为基础,测量关中地区冬小麦叶片反射率及其对应的叶绿素含量。运用分数阶微分法计算0~2阶步长为0.1的分数阶光谱,通过灰色关联分析法提取出与叶绿素含量关联度大的特征,作为模型的输入参数。最终提取出0.6阶751、760 nm, 0.7阶744、751 nm, 0.8阶738、747 nm, 0.9阶738、750 nm, 1.0阶731、750 nm共10个与叶绿素含量关联度高的波段作为模型的特征波段。为解决BP神经网络(back propagation network)收敛速度慢、易陷入局部极小值的问题,使用遗传算法(genetic algorithm, GA)优化BP神经网络的权值和阈值,利用优化后的模型进行叶绿素含量的预测。结果表明,运用遗传算法优化BP神经网络模型反演精度较高,r2为0.952,均方根误差(RMSE)为3.64... 相似文献
4.
利用随机森林法协同SIF和反射率光谱监测小麦条锈病 总被引:4,自引:2,他引:2
小麦受到条锈病菌侵染后,作物的光合能力及色素含量等均会发生变化,日光诱导叶绿素荧光(solar-induced chlorophyll fluorescence,SIF)对作物光合生理的变化比较敏感,而反射率光谱则受作物生化参数的影响较大,为了提高小麦条锈病的遥感探测精度,该文利用随机森林(random forest,RF)等机器学习算法开展了协同冠层SIF和反射率微分光谱指数的小麦条锈病病情严重度的遥感探测研究。首先利用3FLD(three bands fraunhofer line discrimination)算法提取了冠层SIF数据,然后结合对小麦条锈病病情严重度敏感的11种反射率微分光谱指数分别基于RF和后向传播(back propagation,BP)神经网络算法构建了反射率微分光谱指数与冠层SIF协同的小麦条锈病病情严重度预测模型。研究结果表明:RF算法构建的小麦条锈病病情严重度预测模型优于BP神经网络算法,3个样本组中RF模型病情指数(disease index,DI)估测值与实测值间的决定系数R2平均为0.92,比BP神经网络模型(R2的平均值为0.83)提高了11%,均方根误差(root mean square error,RMSE)平均为0.08,比同组BP神经网络模型(RMSE的平均值为0.12)减少了33%,RF算法更适合于小麦条锈病病情严重度的遥感探测。在反射率微分光谱指数中加入冠层SIF数据后,RF模型和BP神经网络模型精度均有所改善,其中RF模型估测值与实测值间的平均R2提高了4%,平均RMSE减少了22%,BP神经网络模型估测值与实测值间的平均R2提高了14%,平均RMSE减少了28%,综合利用冠层SIF和反射率微分光谱指数能够改善小麦条锈病病情严重度的遥感探测精度。研究结果可为进一步实现作物健康状况大面积高精度遥感监测提供新的思路。 相似文献
5.
基于分数阶微分光谱指数的小麦条锈病遥感监测模型构建 总被引:1,自引:1,他引:0
为提高小麦条锈病的遥感监测精度,该研究利用分数阶微分能够突出光谱的细微信息以及描述光谱数据间微小差异的优势,在对条锈病胁迫下小麦冠层光谱数据进行分数阶微分处理的基础上,构建了两波段和三波段分数阶微分光谱指数,并将其应用于小麦条锈病的遥感探测。研究结果表明,1.2阶次微分光谱与小麦条锈病冠层病情严重度的相关性最高,较原始反射率光谱、一阶微分光谱和二阶微分光谱分别提高了20.9%、3.9%和20.5%;基于分数阶微分光谱指数的最优分数阶次及其对应波长构建的三波段分数阶微分光谱指数对小麦条锈病的探测能力优于两波段分数阶微分光谱指数,其中分数阶微分光化学指数与冠层病情严重度的相关系数达到0.875;以分数阶微分光谱指数为自变量构建的高斯过程回归(Gaussian Process Regression,GPR)模型对小麦条锈病冠层病情严重度的预测精度优于反射率光谱指数,其训练数据集及验证数据集病情指数(Disease Index,DI)预测值和实测值间的决定系数较反射率光谱指数分别提高了3.8%和19.1%,该研究结果对进一步实现作物健康状况大面积高精度遥感监测具有重要意义。 相似文献
6.
作物病害是影响粮食产量和质量的生物灾害,病害的侵染消耗了作物营养和水分,扰乱了其正常的生命过程,引起了作物内部生理生化和外部表观形态的改变。冠层反射光谱能够较好地探测作物群体结构信息,叶绿素荧光能敏感反映作物光合生理上的变化,二者均能够实现作物病害的遥感探测。本文从作物病害遥感探测的方法和尺度两个方面综述了基于反射率光谱的作物病害遥感监测现状,概括了主动荧光、被动荧光以及协同日光诱导叶绿素荧光和反射率光谱在作物病害遥感监测中的研究进展,分析了反射率光谱和叶绿素荧光数据在作物病害遥感探测方面的优缺点,探讨了不同数据源、不同监测方法在作物病害遥感探测中可能存在的问题,并在此基础上展望了作物病害遥感监测的未来发展,旨在为后续利用反射率光谱和叶绿素荧光数据探测作物病害提供重要的参考依据。 相似文献
7.
MDBPSO算法优化的全波段光谱数据协同冠层SIF监测小麦条锈病 总被引:1,自引:0,他引:1
为了从全波段光谱数据中提取对小麦条锈病敏感的特征参量,提高小麦条锈病遥感探测模型的运行效率和精度,本文首先从惯性权重和粒子更新方式两个方面对传统离散粒子群算法(discretebinaryparticleswarmoptimization, DBPSO)进行改进,利用改进离散粒子群算法(modified discrete binary particle swarm optimization, MDBPSO)从全波段光谱数据中优选遥感探测小麦条锈病严重度的特征变量,然后与冠层日光诱导叶绿素荧光(solar-inducedchlorophyllfluorescence,SIF)数据相结合作为自变量分别利用随机森林(randomforest,RF)和后向传播(backpropagation,BP)神经网络算法构建小麦条锈病遥感探测模型,并将其与相关系数(correlationcoefficient,CC)分析法和DBPSO算法提取特征参量构建模型的精度进行对比分析。结果表明:(1) MDBPSO算法比传统DBPSO算法具有更快的收敛速度和更高的寻优精度,改进前后其迭代次数从395次减少到15... 相似文献
8.
烟草长势信息是烟草生产管理的重要依据,全面了解遥感技术在烟草长势监测及估产中的应用进展,为利用遥感技术支撑科学化、精细化烟田管理提供科学参考。在对相关文献分析和归纳的基础上,从地面光谱、无人机遥感、卫星遥感3种尺度对目前遥感技术在烟草长势监测与估产方面的应用进行系统总结,并对进一步研究进行展望。(1)基于地面光谱对烟草的监测,主要是利用反射率光谱及其不同的变换形式、光谱指数和光谱位置变量估测其生理生化参量(氮、磷、钾、生物量、叶面积指数、叶绿素等),为诊断烟草生长、健康状况、成熟度提供依据,进一步实现烟草长势监测、估产与品质评定。(2)利用无人机遥感技术能够在小尺度上对作物的面积进行提取、监测长势及估产,但受搭载相机分辨率、地形、自身稳定性等影响,不能监测烟草的细微变化。(3)参考LandSat、SPOT、MODIS、HJ-1等光学遥感数据以及SAR数据,利用遥感影像融合、分类等技术能够实现对大面积烟田病害、长势进行监测和产量估计。结合多源、多平台遥感数据,对烟草的参数进行定量研究,并利用同化技术对大尺度上烟草生长过程进行动态监测,来探索烟草的最佳采收期是未来研究的重点。 相似文献
9.
棉花黄萎病病情严重度的连续统去除估测法 总被引:5,自引:1,他引:4
该文利用地面高光谱数据遥感监测棉花黄萎病病情严重度.通过分析黄萎病不同病情严重度下棉花单叶光谱变化特征,筛选对病情严重度识别的敏感波段,利用连续统去除法对光谱反射率进行处理并构建基于光谱特征吸收参量的病情严重度估测模型.红光光谱(650~700 nm)是识别棉花单叶黄萎病病情严重度的最佳波段,且随受害棉叶病情严重度增加,红光光谱吸收波段位置向长波方向移动,吸收波段深度及特征吸收峰面积减小,二者与病情严重度呈极显著线性相关关系.以红光波段特征吸收峰右半端面积为自变量建立的线性模型具有最大决定系数,最小均方根误差,为棉花单叶黄萎病病情严重度估测的最佳模型.研究结果表明,利用高光谱遥感技术能够有效地监测棉花黄萎病病情严重度,为进一步深入研究棉花黄萎病的遥感监测机理提供理论依据. 相似文献
10.
【目的】对带病斑苹果树叶片的高光谱图像进行病斑提取,为作物病虫害的遥感监测提供支持。【方法】对带有病斑的苹果树叶片成像高光谱图像,从传统基于光谱特征和面向对象特征2个方向入手进行病斑提取。为减少高光谱图像波段之间的冗余,首先对高光谱图像采用PCA变换进行降维处理,利用降维之后的前11个波段,分别采用波谱角分类和面向对象分类的方法提取苹果树叶片病害区域。【结果】由于同物异谱和异物同谱现象的存在,波谱角分类算法在提取病斑时,对叶柄和叶脉产生了错误的分类,而且以像元为分类单位的波谱角分类,在分类结果图中存在椒盐噪声,而面向对象分类则避免了这一现象的发生。【结论】采用面向对象分类方法提取苹果叶片病斑的结果优于基于光谱特征的波谱角分类方法,其总体精度和Kappa系数分别为98.44%和0.97。 相似文献