松材线虫病胁迫下松树生理参数的高光谱遥感估测模型研究

发布时间：2020-08-13 13:11

【摘要】：松材线虫病是松属树种的一种毁灭性病害,对森林资源及生态环境造成了严重破坏。松材线虫的侵染能明显引起寄主植株多种生理生化指标发生改变,从而导致植物光谱特征发生变化。本研究通过黑松与马尾松接种试验与测试分析,获取松材线虫病完整发病周期的松树冠层的高光谱数据与相应时期的生理生化参数(叶绿素含量、类胡萝卜素含量和含水量)。然后,应用多种方法对高光谱数据与生理参数之间的关系进行模拟研究,分析比较模型精度并进行模型的验证,最终筛选出最优估测模型,以期快速准确地估测松树的生理参数变化动态,为提高松材线虫病监测模型的准确性提供方法借鉴,进而为建立大面积快速、准确的森林病虫害遥感监测预警系统奠定基础。本文的研究结论如下:1.基于红边参数的感病马尾松和感病黑松的叶绿素含量及类胡萝卜素含量的估算模型精度要高于基于植被指数的回归模型精度,红边参数对色素含量更敏感,能在一定程度上提高估测模型精度。感病马尾松和黑松的类胡萝卜素含量都敏感于相同的光谱指数mND705和dλmin,建立的估算模型精度都不高,其中黑松的估测效果更好。基于水分指数建立的感病马尾松和黑松的含水量估算模型精度总体都不高,感病黑松的模型精度略高。2.利用神经网络对感病马尾松和黑松的叶绿素含量和类胡萝卜素含量进行估测,和经过主成分分析(PCA)降维后的主成分相比,以红边参数为神经网络的输入变量建立的模型精度更高,预测效果也更好。同样的在进行含水量的估测时,基于水分指数的BP神经网络模型预测效果也要比PCA-BP神经网络模型估测效果好。运用神经网络模型的模拟效果良好,在模拟植被生理参数动态变化时可以作为一种优先选择的方法。3.基于粒子群算法(PSO)-支持向量回归(SVR)的感病松树生理参数估算模型精度较高,预测效果良好,运用PSO-SVR模拟感病松树生理参数具有一定可行性。随机森林(RF)回归算法在模拟感病马尾松及黑松叶绿素含量时模型精度不高,在估算感病马尾松的类胡萝卜素含量及含水量时,RF回归模型的预测精度更低。因此,运用RF回归模型模拟植被生理参数动态变化不能达到理想的效果。4.确定感病马尾松和黑松的光谱曲线最优分解层数为7层,根据小波分解系数计算得小波能量系数,建立生理参数逐步回归估算模型。基于小波系数的估算模型的入选建模参量较多,模型精度高且预测效果良好,是一种模拟植被色素含量的可行方法。基于小波分析的感病马尾松及黑松的含水量估算模型的预测精度较低,需寻找最优的小波基函数来提高模拟精度,进一步的运用小波分解特性来模拟植被生理参数动态变化。5.比较分析感病马尾松和黑松的生理参数的多种估测模型,结果表明神经网络能显著提高估测模型精度。其中,基于红边参数和水分指数的BP神经网络模型精度最高,基于主成分分析的BP神经网络模型次之。相比于逐步回归模型,基于红边参数和水分指数的PSO-SVR估算模型精度有所提高,RF回归算法在模拟感病马尾松和黑松生理参数含量时效果不理想。运用小波分析能在一定程度上提高感病马尾松和黑松的色素含量估测模型精度,但对含水量的模拟还需进一步研究。
【学位授予单位】：南京林业大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：S763.7
【图文】：

黑松,马尾松,逐步回归,预测值

（a）（b）图 3-1 基于植被指数的感病马尾松（a）和黑松（b）逐步回归的叶绿素含量预测值与实测值的关系Fig.3-1 Relationship between MSR model based on vegetation indices of infected masson pine(a) and black pine (b) predicted and measured chlorophyll content拟合方程分别如下：（马尾松）（黑松）y 为预测值，x 为实测值。以回归模型的决定系数 R2和模型的预测值与实测值的系数 R2以及均方根误差来作为模型的评价标准。感病马尾松的叶绿素含量预测模型的为 0.7324，预测值与实测值其决定系数 R2为 0.7185，其均方根误差 RMSE 为 0.0935病黑松的叶绿素含量预测模型的 R2为 0.7372，预测值与实测值其决定系数 R2为 0.71其均方根误差 RMSE 为 0.0905。3.2.2 基于植被指数的感病松树类胡萝卜素含量估算模型

黑松,感病,马尾松,逐步回归

式中：x 为 mND705，其决定系数 R2为 0.5910。将感病马尾松和感病黑松的余下 15 组验证数据带入到建立的模中，得到预测值并与实测值拟合，拟合方程如下：（马尾松）（黑松）感病马尾松的类胡萝卜素含量预测模型的 R2为 0.5581，预测值与实测值之间的 R2为 0.5322， RMSE 为 0.0176。感病黑松的预测模型的 R2为 0.5910 预测值与实测值的决定系数 R2为 0.5812，RMSE 为 0.0182。感病马尾松和感病黑松建立的逐步回归模型输入变量都是 mND705，说明指数 mND705 对黑松和马尾松的类胡萝卜素含量较为敏感。拟合效果图如下，单位默认为 mg.g-1：

拟合曲线,黑松,感病,马尾松

（a）（b）图 3-3 基于红边参数的感病马尾松（a）和黑松（b）逐步回归的叶绿素含量预测值与实测值的关系Fig.3-3 Relationship between MSR model based on red edge parameters of infected masson pine (a)and black pine (b) predicted and measured chlorophyll content拟合方程分别为：（马尾松）（黑松）感病马尾松的预测模型 R2为 0.7576，预测值与实测值的拟合曲线的 R2为 0.7320，RMSE 为 0.0905，相比于植被指数，以红边参数为自变量的感病马尾松叶绿素含量预测模型精度（R2=0.7324）略高，预测效果（R2=0.7185、RMSE=0.0935）也比较好。感病黑松的预测模型的 R2为 0.7734，预测值与实测值的 R2为 0.7446， RMSE 为 0.0872，相比于以植被指数为输入变量的预测模型的精度（R2=0.7372）略好，预测效果（R2=0.7184、RMSE=0.0905）也有所提高。3.2.4 基于红边参数的感病松树的类胡萝卜素含量高光谱估算模型

【相似文献】