论文部分内容阅读
本文利用遥感技术手段对不同尺度的小麦条锈病进行监测研究。基于野外实验调查获得冠层高光谱数据和小麦条锈病病情严重度,同时获得与研究区对应的Sentinel-2卫星影像、气象数据等相关数据,对冠层和区域尺度的小麦条锈病进行监测研究,利用不同的特征变量筛选算法和分类算法建立监测模型,对小麦条锈病的防控提供及时和科学指导。主要研究工作如下:(1)在冠层尺度上,根据野外实验获得的各个不同生育期的小麦条锈病冠层高光谱响应特征,研究小麦条锈病的冠层光谱变化和响应规律,在冠层尺度上对小麦条锈病进行监测和分析,同时也为后期区域尺度的研究提供更多理论基础。为了分析光谱特征与小麦条锈病之间的相关性,分别从原始光谱、植被指数特征分析出相关性较高的特征,再利用K-Means算法筛选出最优特征集合,结合LSSVM分类算法,在不同生育期中建立小麦条锈病监测模型。所有模型中,在5月18日,小麦灌浆期,K-Means结合LSSVM监测模型的精度最高达到80.5%,基本实现了冠层尺度上对小麦条锈病的监测。(2)在区域尺度上,本文基于Sentinel-2遥感卫星影像数据建立小麦条锈病的严重度监测模型,通过K-Means结合ReliefF算法的方式筛选出3个宽波段植被指数特征EVI、SIPI、SR和2个红边波段植被指数特征NREDI2、NREDI3作为模型的输入变量,利用BPNN方法建立条锈病的2种监测模型,对陕西宁强县的小麦条锈病发生严重度进行监测,并对2种监测模型的结果进行比较分析。结果表明:采用宽波段植被指数结合红边波段植被指数特征作为输入变量构建的BPNN模型的监测效果,要优于仅以宽波段指数特征作为输入变量的模型,其总体精度达到83.3%,有效地提高了小麦条锈病严重度监测模型的精度。(3)在区域尺度上,基于第四章的理论基础,耦合气象数据结合遥感数据形成多源数据,以期使得建立小麦条锈病的严重度监测模型精度更加精确。基于ReliefF和K-Means方法筛选出与病害相关程度较高的气象特征变量和遥感特征变量,采用OVO SVMs算法建立3种监测模型(遥感数据模型、气象数据模型、遥感结合气象数据模型),分别对区域尺度上小麦条锈病的发生严重度进行监测。结果表明,遥感气象数据结合的模型监测精度最高,总体精度达到83.3%。由此说明多源数据使模型融合了更多的与病害相关的有效信息,提高对病害监测的精度。