论文部分内容阅读
油菜是我国最为主要的油料作物之一,但其产量和品质往往因病害而出现大幅下降。因此,实现快速有效地病害检测并制定合理的防治措施,对保障油菜的产量和品质具有重要意义。传统的病害检测方法通常局限于实验室环境下的微观尺度检测,不仅流程繁琐、滞后性较强,同时会令研究样本遭到破坏,很难满足现代农业对精准生产的要求。为克服传统方法所存在缺陷,本研究以油菜作为研究对象,利用搭载高光谱成像仪和热红外成像仪的无人机模拟平台,分别从冠层尺度和叶片尺度对健康及染病的油菜样本实现了判别分析。主要研究内容如下:(1)从冠层尺度获取高光谱图像数据,对健康和染病油菜样本进行了检测研究。分别采用移动平均法(MAS)、多项式卷积平滑法(SG)、标准正态变量变换(SNV)、多元散射校正(MSC)及去趋势化法(De-trending)对获取到的冠层高光谱数据进行预处理,得到图像中整株样本的光谱反射值。其后,分别基于全波段和特征波长建立偏最小二乘法(PLS-DA)、支持向量机(SVM)、极限学习机(ELM)、K-近邻分类算法(KNN)模型,进行健康和染病样本的判别分析。在基于全波段信息的分析中,不同预处理方法和建模方法组合性能差异明显,其中采用MSC预处理结合ELM建模方法得到的分类效果最优,建模集和预测集的结果达到100%。然后,分别采用连续投影算法(SPA)、二阶导数(2ndDer)及遗传算法-偏最小二乘法(GA-PLS)进行特征波长提取,并利用提取的特征波长建立PLS-DA、SVM、ELM及KNN模型进行分析。结果显示基于SPA所选取特征波长结合ELM模型得到的分类效果最优,建模集和预测集的结果都达到100%。(2)基于光谱数据计算油菜植被指数,通过相关性分析和单因素方差分析获取优选植被指数,并分别基于单一及组合优选后的植被指数对健康和染病样本进行建模判别分析。结果显示,优选得到的DVI、TVI、RVSI、RDVI、CARI及OSAVI等指数与油菜健康与染病状态相关性较好,可对其进一步建模分析。针对单一和组合优选植被指数的判别结果显示,组合建模条件下的分类效果优于单一植被指数。(3)从叶片尺度获取高光谱图像数据,对健康和染病油菜样本进行检测研究。分别采用MAS、SG、MSC、Detrending及SNV对获取到的叶片高光谱数据进行预处理,得到叶片病斑区域的光谱反射值。其后,分别基于全波段和特征波长信息建立PLS-DA、SVM、ELM、KNN模型,进行健康和染病样本的判别分析。在基于全波段信息的分析中,其中采用MSC预处理结合ELM建模方法得到的分类效果最优,建模集和预测集的结果达到100%。进一步地,在基于特征波长的分析中,分别采用SPA、2ndDer及GA-PLS进行特征波长提取,并利用提取的特征波长建立PLS-DA、SVM、ELM及KNN模型进行分析。结果显示基于SPA方法所选取特征波长结合ELM模型得到的分类效果最优,建模集和预测集的结果达到100%。(4)从冠层尺度获取热红外图像数据,对健康和染病油菜样本进行早期的识别诊断。提取样本冠层尺度的温度值,并对其进行生理指数的监测。然后利用平均温度和最大温差区分健康和染病油菜,并进行单因素方差分析。结果表明,健康和染病油菜的最大温差差异明显,且随着天数的变化该差值基本保持不变;健康和染病植株的平均温度差值起初无明显变化,但随着天数的变化差值逐渐增大。其单因素方差分析表明,最大温差在油菜染病后第1天即存在显著性差异(P<0.01)。进一步地,分析油菜生理指数(气孔导度、光合速率、二氧化碳浓度及蒸腾速率)随染病程度的加重发生的变化,该变化可以直观检测出菌核病对油菜的染病程度,且发现健康油菜的生理指数高于比染病油菜,并对生理指数与温度进行相关性分析。结果显示,光合速率、二氧化碳浓度与蒸腾速率与温度之间存在显著相关性。(5)针对叶片尺度的热红外数据对健康和染病油菜样本进行早期的识别诊断。获取样本中染病叶片健康区域和病斑区域的温度信息。其中热红外图像可以直观的识别出病害侵染过程,并利用像素点的值来判别健康和染病区域的温度差异。采用温度信息中的最大温度、最小温度、平均温度以及最大温差对健康和染病油菜植株进行识别,根据以上温度信息区分染病叶片的健康与染病区域,并对其进行单因素方差分析。结果表明,健康和染病区域的最大温度、最小温度、最大温差以及平均温度都存在较明显的差异,且病斑区域温度高于健康区域。其单因素方差分析表明,最大温差在第1天即存在显著性差异(P<0.01),可以实现对油菜菌核病的早期诊断识别。