小麥病蟲害多尺度遙感識別和區(qū)分方法研究.pdf

1、本研究針對病蟲害遙感監(jiān)測中不同病蟲害光譜易混的問題，以小麥白粉病、條銹病和蚜蟲這三種我國北方麥區(qū)典型的病蟲害類型為例，基于成像/非成像光譜、多源衛(wèi)星影像及地面樣點觀測數(shù)據，在葉片、冠層和區(qū)域尺度上研究小麥病蟲害在不同尺度上的光譜響應特點和差異，以及相應的識別和區(qū)分模型的建立方法，為利用遙感技術進行病蟲害識別和區(qū)分奠定基礎。主要工作及進展如下:
　　(1)提出一種基于成像高光譜技術的小麥病蟲害葉片區(qū)分方法。該方法主要包括葉片與背景分

2、離，小麥葉片病蟲傷斑范圍提取，結合光譜特征和圖像幾何、紋理特征的病蟲害區(qū)分三個部分的內容。在這一方法中，首先對光譜波段進行優(yōu)選，在光譜分析基礎上確定570 nm，680 nm和750 nm為輸入波段，并提出一種能夠匹配這些波段，并且對經典植被指數(shù)TVI從光譜幾何角度進行改進的指數(shù)RTVI，作為葉片病蟲傷斑和正常區(qū)域識別的特征。在病蟲害區(qū)分方面，構建了基于光譜相對變化的光譜比率指紋特征;并有針對性地優(yōu)選了幾種基于圖像的幾何及紋理特征。在此

3、基礎上，提出一種能夠綜合光譜和圖像特征的病蟲害區(qū)分方法，基于獨立驗證樣本檢驗的區(qū)分精度達到90％。同時，為使整個流程自動化，將該方法集成設計開發(fā)形成PestDiscriminator V1.0軟件，方便用戶對該方法的使用。
　　(2)在葉片尺度上，基于單葉光譜提出小麥病蟲害光譜區(qū)分特征選擇和區(qū)分模型構建方法。通過對比小麥白粉病、條銹病、蚜蟲及各自正常參考葉片光譜波段及特征，根據獨立樣本T檢驗結果篩選得到對三種病蟲害敏感且具有區(qū)分能

4、力的波段及光譜特征，包括666-683 nm，752-758 nm，和1893-1905nm三個特征波段，以及Dy，GI，NDVI和PRI四個植被指數(shù)。此外，將通用的連續(xù)小波分析特征提取流程進行改造，實現(xiàn)了從參數(shù)反演到分類的功能轉換，并獲得五個葉片尺度小波特征用于病蟲害區(qū)分。在此基礎上，基于FLDA和SVM兩種方法，分別采用原始波段、植被指數(shù)以及小波特征三種類型特征建立病蟲害判別模型。結果表明，基于植被指數(shù)特征判別模型效果最佳，判別精度

5、均達到80％以上。
　　(3)在冠層尺度上，以葉片尺度特征選擇結果為基礎，進一步補充了部分適應于冠層尺度植被信息提取的特征，利用冠層尺度實驗數(shù)據對上述特征的病蟲害敏感性與區(qū)分能力進行檢驗。結果表明，Dy，WID550-750，PRI,和NPCI四個植被指數(shù)，以及四個小波特征通過檢驗。在區(qū)分模型方面，基于植被指數(shù)特征構建的FLDA判別模型對三種病蟲害的區(qū)分效果最佳，判別精度達75％，優(yōu)于基于原始波段和小波特征的模型精度。上述結果顯示

6、，光譜特征的敏感性規(guī)律和不同算法的區(qū)分精度在葉片和冠層兩個尺度之間均存在較大差異。在上述分析基礎上，以冠層光譜數(shù)據模擬的方式對常用衛(wèi)星遙感傳感器的波段及波段組合對病蟲害的響應和區(qū)分能力進行評價。結果表明，不同衛(wèi)星傳感器和通道間響應規(guī)律和區(qū)分能力表現(xiàn)一致性較高，部分波段表現(xiàn)出對病蟲害監(jiān)測和區(qū)分的潛力。
　　(4)在區(qū)域尺度上，以河北省晉州市周家莊地區(qū)同時感染小麥白粉病和蚜蟲的發(fā)生現(xiàn)場為例，基于星地協(xié)同的遙感與地面觀測數(shù)據，研究基于多

7、源遙感數(shù)據提取作物生長和生境特征的方法，以及區(qū)域尺度病蟲害監(jiān)測和區(qū)分方法。主要過程包括作物生長和生境特征選擇與提取，區(qū)域作物非正常生長區(qū)域識別，和作物病蟲害區(qū)分模型構建等三個方面。在特征選擇方面，結合冠層數(shù)據分析結果和星地協(xié)同數(shù)據分析結果，篩選用于識別小麥非正常生長區(qū)域的特征，包括Yellow_WV2，NIR-2_WV2,GNDVI_WV2，和LST_TM8四個特征。在非正常生長區(qū)域識別的基礎上，進一步選擇了用于區(qū)分不同小麥病蟲害類型的