冬小麦叶面积指数反演与病害光谱识别研究

摘要

随着全球变暖，病虫害的发生给冬小麦产量和品质带来了巨大损失。冬小麦生长过程中主要遭受病虫害（包括条锈病、白粉病、蚜虫等）和水肥胁迫等影响。如何及时监测和正确区分不同病害类型与其它胁迫对于指导小麦变量喷药有重要意义。传统的监测方法主要是由植物保护专家通过实地抽样调查来判断疾病的严重性，时效性差，费时费力，调查难以在大范围内进行，同时调查结果受人为因素影响较大。相比之下，遥感具有大面积、全天候、多波段、快速、无损等特点，为大范围的作物理化参数反演和病害监测提供了可能。本文首先将支持向量机和遥感技术相结合，实现了冬小麦一个重要生理参数——叶面积指数(LAI)的大面积反演。其次，以植被指数为手段对不同病害的识别展开了深入研究。主要研究内容和结果如下:
　　1、提出使用支持向量机的方法实现叶面积指数反演，在输入参数上可以包含更多的波段，解决了经验公式法中植被指数易饱和以及LAI反演精度较低的问题。本文所用数据为遥感影像和实测光谱数据和叶面积指数数据，时期选择在冬小麦的起身期、拔节期和灌浆期。选用了两种植被指数:归一化植被指数(NDVI)和比值植被指数(RVI)。共构建了五种预测模型，分别为两种统计回归模型(NDVI-LAI和RVI-LAI)，三种支持向量机回归(SVR)模型(NDVI-SVR、RVI-SVR和NRGB-SVR)，其中NRGB-SVR表示SVR的输入参数为蓝(B)、绿(G)、红(R)以及近红外(NIR)四个波段。上述五个模型分别利用对应时期的环境星HJ-CCD数据进行验证。结果表明:NDVI-LAI和RVI-LAI模型的均方根误差(RMSE)分别为0.98与0.97;反演精度分别为59.2％和59.3％。以支持向量机作为工具，另外三种模型NDVI-SVR、RVI-SVR和NRGB-SVR的均方根误差(RMSE)分别为0.71、0.83和0.42;反演精度分别为70.4％、67.1％和81.7％。
　　2、提出了利用常用植被指数组合构建特征空间的方法来识别和区分小麦条锈病、白粉病和水肥胁迫，解决了利用冠层数据难以识别冬小麦常规胁迫的问题。本文首先选取了十五种常用植被指数，通过独立样本T检验获取每种胁迫的敏感指数。最终，指数的组合被选择用来区分不同胁迫。结果表明，归一化植被指数(NDVI)和生理反射植被指数(PhRI)的组合可以用来识别白粉病和条锈病(PM-YR)。以NDVI和PhRI为坐标轴建立一个2维坐标系，不同胁迫的数据分布在坐标系中，分类边界可以用来识别白粉病和条锈病。类似地，修正简单植被指数(MSR)和生理反射植被指数(PhRI)的组合可以识别条锈病和水肥胁迫(YR-n0w0);氮反射指数(NRI)和红边植被胁迫指数(RVSI)的组合可以识别百分病和水肥胁迫(PM-n0w0)。经验证，PM-YR, YR-n0w0和PM-n0w0模型的识别精度分别为:83.3％，88％，88.75％，KAPPA精度分别为:63.41％，74.79％，71.43％。
　　3、提出一种新的优化光谱指数用于识别冬小麦的不同病害，解决了有限的指数对于识别不同的病害达不到理想的效果的问题。新的优化光谱指数由单波段和两个不同波段的归一化构成，由RELIFE-F算法得到和某种病害最相关和最不相关的波段，最相关波段用作新指数的单波段，最相关和最不相关波段的可能组合构成归一化波段。以冬小麦的条锈病、白粉病和蚜虫为例，在叶片尺度，健康叶片、条锈叶片、白粉叶片和蚜虫叶片的最终识别结果分别为86.5％，85.2％，91.6％和93.5％，在冠层尺度也得到了满意的结果。在叶片尺度，白粉指数(PMI)和病害指数(DI)有很好的相关性，说明可以用白粉指数反演白粉病的严重度。在冠层尺度，条锈指数(YRI)和病害指数(DI)显示出了很高的相关性(R2=0.86)，说明新的植被指数可以提高病害监测的精度在精准农业中的应用。

目录

声明

摘要

第一章 绪论

1．1 研究目的和意义

1．2 研究现状

1．2．1 叶面积指数反演方法

1．2．2 病虫害识别方法

1．3 研究内容

1．3．1 冬小麦叶面积指数的遥感反演方法研究

1．3．2 基于常用植被指数的冬小麦病害识别研究

1．3．3 基于新的优化植被指数的冬小麦病害识别研究

1．4 论文的组织结构

第二章 数据获取与预处理

2．1 基于支持向量机回归的冬小麦叶面积指数反演

2．1．1 研究区和试验方案

2．1．2 数据的获取

2．1．3 数据预处理

2．2 基于常用植被指数的冬小麦病害识别研究

2．2．1 研究区概况和试验方案

2．2．2 冠层光谱数据获取

2．3 基于新的优化植被指数的冬小麦病害识别研究

2．3．1 研究区概况和病害接种

2．3．2 叶片光谱数据获取

2．3．3 叶片尺度病情指数获取

2．3．4 验证数据获取

第三章 基于支持向量机回归的冬小麦叶面积指数反演

3．1 植被指数选择

3．2 支持向量机回归

3．3 结果与分析

3．3．1 LAI反演模型的建立

3．3．2 验证结果

3．4 小结

第四章 基于常用植被指数的冬小麦病害识别研究

4．1 不同胁迫下冠层光谱特征

4．2 植被指数选取和敏感性分析

4．3 冬小麦不同胁迫的定量化识别

4．3．1 基于二维特征空间的预测模型

4．3．2 验证

4．4 小结

第五章 基于新的优化植被指数的冬小麦病害识别研究

5．1 RELIEF-F算法

5．2 波段间的相关性分析

5．3 叶片尺度新光谱指数的构建与应用

5．3．1 新光谱指数的构建

5．3．2 基于新光谱指数的病害识别

5．3．3 常用指数的病害识别

5．3．4 白粉指数(PMI)和病情指数(DI)相关性

5．4 新光谱指数在冠层尺度上的应用

5．4．1 基于冠层光谱数据的分类

5．4．2 条锈病病情指数(DI)估计

5．5 小结

第六章 总结与展望

6．1 论文总结

6．2 研究展望

参考文献

致谢

攻读硕士学位期间研究成果