论文部分内容阅读
本研究针对病虫害遥感监测中不同病虫害光谱易混的问题,以小麦白粉病、条锈病和蚜虫这三种我国北方麦区典型的病虫害类型为例,基于成像/非成像光谱、多源卫星影像及地面样点观测数据,在叶片、冠层和区域尺度上研究小麦病虫害在不同尺度上的光谱响应特点和差异,以及相应的识别和区分模型的建立方法,为利用遥感技术进行病虫害识别和区分奠定基础。主要工作及进展如下:(1)提出一种基于成像高光谱技术的小麦病虫害叶片区分方法。该方法主要包括叶片与背景分离,小麦叶片病虫伤斑范围提取,结合光谱特征和图像几何、纹理特征的病虫害区分三个部分的内容。在这一方法中,首先对光谱波段进行优选,在光谱分析基础上确定570 nm,680 nm和750m为输入波段,并提出一种能够匹配这些波段,并且对经典植被指数TVI从光谱几何角度进行改进的指数RTVI,作为叶片病虫伤斑和正常区域识别的特征。在病虫害区分方面,构建了基于光谱相对变化的光谱比率指纹特征;并有针对性地优选了几种基于图像的几何及纹理特征。在此基础上,提出一种能够综合光谱和图像特征的病虫害区分方法,基于独立验证样本检验的区分精度达到90%。同时,为使整个流程自动化,将该方法集成设计开发形成PestDiscriminator V1.0软件,方便用户对该方法的使用。(2)在叶片尺度上,基于单叶光谱提出小麦病虫害光谱区分特征选择和区分模型构建方法。通过对比小麦白粉病、条锈病、蚜虫及各自正常参考叶片光谱波段及特征,根据独立样本T检验结果筛选得到对三种病虫害敏感且具有区分能力的波段及光谱特征,包括666-683 nm,752-758 nm,和1893-1905 nm三个特征波段,以及Dy, GI, NDVI,和PRI四个植被指数。此外,将通用的连续小波分析特征提取流程进行改造,实现了从参数反演到分类的功能转换,并获得五个叶片尺度小波特征用于病虫害区分。在此基础上,基于FLDA和SVM两种方法,分别采用原始波段、植被指数以及小波特征三种类型特征建立病虫害判别模型。结果表明,基于植被指数特征判别模型效果最佳,判别精度均达到80%以上。(3)在冠层尺度上,以叶片尺度特征选择结果为基础,进一步补充了部分适应于冠层尺度植被信息提取的特征,利用冠层尺度实验数据对上述特征的病虫害敏感性与区分能力进行检验。结果表明,Dy, WID550-750, PRI,和NPCI四个植被指数,以及四个小波特征通过检验。在区分模型方面,基于植被指数特征构建的FLDA判别模型对三种病虫害的区分效果最佳,判别精度达75%,优于基于原始波段和小波特征的模型精度。上述结果显示,光谱特征的敏感性规律和不同算法的区分精度在叶片和冠层两个尺度之间均存在较大差异。在上述分析基础上,以冠层光谱数据模拟的方式对常用卫星遥感传感器的波段及波段组合对病虫害的响应和区分能力进行评价。结果表明,不同卫星传感器和通道间响应规律和区分能力表现一致性较高,部分波段表现出对病虫害监测和区分的潜力。(4)在区域尺度上,以河北省晋州市周家庄地区同时感染小麦白粉病和蚜虫的发生现场为例,基于星地协同的遥感与地面观测数据,研究基于多源遥感数据提取作物生长和生境特征的方法,以及区域尺度病虫害监测和区分方法。主要过程包括作物生长和生境特征选择与提取,区域作物非正常生长区域识别,和作物病虫害区分模型构建等三个方面。在特征选择方面,结合冠层数据分析结果和星地协同数据分析结果,筛选用于识别小麦非正常生长区域的特征,包括Yellow_WV2, NIR-2_WV2, GNDVI_WV2,和LST_TM8四个特征。在非正常生长区域识别的基础上,进一步选择了用于区分不同小麦病虫害类型的特征,包括Green_WV2, Red_WV2, NIR-1_WV2,和NDVI_WV2四个反映作物生长的特征,及SIWSI_TM8, DSWI_ TM8, Wetness_TM8, Greenness_TM8,和LST_TM8五个反映作物生境的特征。基于上述特征相对正常参照的比率转换值,构建小麦白粉病和蚜虫两种病虫害的判别模型,基于验证数据的模型总体精度可达到81%,表明综合多源遥感数据提取作物生长和生境信息的病虫害监测和区分是一条可行的途径。