基于多源数据的小麦白粉病遥感监测与预测模型研究

发布时间：2019-02-19 11:04

【摘要】：在气候变化等因素的影响下,我国小麦白粉病的发生发展发生了变化,其危害也日益增加,使得小麦的产量和品质受到严重影响。在作物病虫害的监测及预测研究中遥感数据优势显著,可大面积、快速、准确地获取病虫害发生发展信息。然而,如何选择合适的方法,有效整合、利用多源数据,最大限度地挖掘数据中的有效信息,构建简单、高普适性的病虫害监测、预测模型是一个重要的问题。本研究主要以小麦白粉病为研究对象,在区域尺度上分别开展重点基于星载多光谱数据的小麦病虫害的识别区分模型和监测模型,以及结合站点气象数据进行病害预测模型的研究。具体研究内容和结果如下:(1)相比于相对简单、纯粹的实验环境,实际农田中时常存在不同类型病虫害混合出现的情况,而其在防治、打药等管理上需要采取不同的措施,否则会带来药害、土壤污染等一系列问题。本文利用Landsat 8影像提取的指数特征,分别构建了健康-病害、其他-白粉病、其他-蚜虫及其他-混合病害(白粉蚜虫混合发生)的4种不同病虫害组合的2分类识别区分模型,并对模型进行验证,同时还构建了单个入选特征变量的分类回归树(classification and regression tree,CART)识别模型来了解单个特征变量在多变量模型中的贡献。结果表明,4个模型中最优模型依次为多特征健康-病害识别(MFIH)模型、多特征其他-白粉病识别(MFIPM)模型、特征DVI对应的其他-蚜虫识别模型以及特征SIPI对应的其他-混合病害识别模型,模型的精度依次为82.4%,73.5%,91.2%和88.2%。同时,还构建了对4种病虫害同时区分的模型,结果显示最优模型的区分精度只达到64.7%,无法实现病虫害的同时区分。因此研究在正确识别出健康小麦的基础上,构建了另3种病害的CART 3分类识别区分模型,试验结果表明,模型的验证精度为最高可达82.6%,为特征PDI对应的区分模型。以上结果均说明将卫星影像遥感数据用于区域尺度范围的小麦病虫害的识别区分具有一定的发展前景。(2)为探讨建模特征选择方法在病害监测模型中的重要性,并提高遥感监测小麦白粉病发生严重度的准确度,本文利用Landsat8数据提取的多种常用植被指数特征,分别采用相关性分析(correlation analysis,CA)算法和最小冗余最大相关(minimal redundancy maximal relevance, mRMR)算法对其进行筛选,并通过AdaBoost分类器算法分别以筛选得到的2组特征集为输入变量构建模型,对小麦白粉病发生严重度进行监测并将其结果与采用常用分类方法fisher线性判别(fisherlineardiscriminantanalysis,FLDA)和支持向量机(supportvector machine, SVM)所建模型的监测结果进行对比分析。试验结果表明,2种AdaBoost模型对小麦白粉病发生严重程度的总体监测精度分别比FLDA模型和SVM模型高出27.9%, 27.9%和14.0%, 9.3%,mRMR算法筛选特征所建FLDA、SVM及AdaBoost监测模型的总体监测精度分别比CA筛选特征所建模型7.0%,11.7%和7.0%,且mRMR算法筛选特征结合AdaBoost方法所建监测模型的精度和Kappa系数分别为88.4%和0.807,为所有模型中最高。说明将AdaBoost方法用于作物病害遥感监测效果较好,在作物病害监测模型的特征变量选择中mRMR算法比常用CA算法更具优势。研究结果可为其他作物病害遥感监测提供方法参考。(3)相比于作物病虫害发生情况的监测研究,预测对病害有效实时的防治措施的制定更具有指导意义。本文在传统的气象数据病害预报基础上,基于Landsat 8影像数据引入了表征小麦生长状况及生境因子的指数特征,同时将站点气象数据通过空间插值分析转化后得到相应的空间特征,之后利用相关向量机(relevancevectormachine,RVM)方法构建了分别以气象数据和遥感数据单独为输入变量以及以遥感和气象数据同为输入变量的3种不同数据类型的空间尺度范围的小麦灌浆期白粉病发生概率预测模型,并对其进行对比分析。试验结果表明,遥感气象数据模型的总体精度达到84.2%,Kappa系数为0.686,优于遥感数据模型的80.0%, 0.602和气象数据模型的74.7%, 0.500,说明气象数据结合遥感数据比单一的气象数据或遥感数据更适合于区域尺度范围内作物病虫害发生发展状况的预测研究。
[Abstract]:......
【学位授予单位】：南京信息工程大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：S435.121.46;S127

【参考文献】