小麦病虫害多尺度遥感识别和区分方法研究

发布时间：2021-09-03 01:31

　　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... 

【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校

【文章页数】：168 页

【学位级别】：博士

【文章目录】：
致谢
中文摘要
Abstract
全文目录
图目录
Figure list
表目录
Table list
第一章 绪论
    1.1 引言
    1.2 植物病虫害遥感监测研究
        1.2.1 基于成像光谱技术的病虫害遥感诊断和监测研究
        1.2.2 基于近地光谱分析的病虫害遥感特征提取及监测研究
        1.2.3 基于航空及卫星遥感技术的植物病虫害监测及制图研究
        1.2.4 遥感信息辅助的植物病虫害生境监测
    1.3 病虫害遥感监测的最大挑战——病虫害识别与区分
    1.4 中国北方麦区几种主要病虫害特点和研究概况
        1.4.1 小麦条锈病
        1.4.2 小麦白粉病
        1.4.3 小麦蚜虫
    1.5 论文结构安排及技术路线
第二章 试验方案、数据获取及处理
    2.1 试验方案
        2.1.1 试验1—基于成像高光谱的小麦病虫害识别及区分试验
        2.1.2 试验2—叶片尺度小麦病虫害光谱识别及区分试验
        2.1.3 试验3—冠层尺度小麦病虫害光谱识别及区分试验
        2.1.4 试验4—区域尺度小麦病虫害识别及区分试验
    2.2 地面控制试验数据获取
        2.2.1 病害田间接种
        2.2.2 光谱数据获取
        2.2.3 病/虫情严重度调查
    2.3 卫星遥感影像数据获取及预处理
        2.3.1 卫星影像获取
        2.3.2 卫星影像预处理
第三章 基于成像高光谱技术的小麦病虫害叶片区分方法
    3.1 成像高光谱病虫害区分概述
    3.2 基于成像光谱数据的叶片及病虫伤斑范围提取方法
        3.2.1 叶片与背景分离方法
        3.2.2 基于病虫害光谱曲线特征的波段优选
        3.2.3 小麦叶片病虫伤斑范围提取方法
    3.3 基于光谱比率方法的小麦病虫害区分
        3.3.1 光谱比率特征计算及意义
        3.3.2 基于光谱比率特征的小麦病虫害区分模型
    3.4 基于图像形态学特征的叶片病虫害区分方法
        3.4.1 区分叶片病虫害的形态学特征
        3.4.2 基于图像形态学特征的叶片病虫害区分模型
    3.5 综合叶片光谱和形态学特征的病虫害区分方法以及软件实现
    3.6 本章小结
第四章 叶片尺度小麦病虫害光谱区分方法研究
    4.1 数据分析及处理流程
    4.2 光谱标准化处理
    4.3 小麦不同病虫害区分特征选择
        4.3.1 基于原始光谱的小麦不同病虫害区分特征选择
        4.3.2 基于植被指数的小麦不同病虫害区分特征选择
        4.3.3 基于连续小波分析的小麦不同病虫害区分特征选择
    4.4. 小麦不同病虫害叶片光谱判别模型
        4.4.1 基于原始光谱的小麦不同病虫害叶片光谱判别模型
        4.4.2 基于植被指数的小麦不同病虫害叶片光谱判别模型
        4.4.3 基于小波特征的小麦不同病虫害叶片光谱判别模型
        4.4.4 基于FLDA判别模型的样本特征空间分布
    4.5 本章小结
第五章 冠层尺度小麦病虫害光谱区分方法研究
    5.1 数据分析及处理流程
    5.2 光谱标准化处理
    5.3 小麦不同病虫害区分特征选择
        5.3.1 小麦不同病虫害冠层光谱响应特征
        5.3.2 基于植被指数的小麦不同病虫害区分特征选择
        5.3.3 基于连续小波分析的小麦不同病虫害区分特征选择
    5.4 小麦不同病虫害冠层光谱判别模型
        5.4.1 基于植被指数的小麦不同病虫害冠层光谱判别模型
        5.4.2 基于小波特征的小麦不同病虫害冠层光谱判别模型
        5.4.3 基于FLDA判别模型的样本特征空间分布
    5.5 基于宽波段传感器的小麦病虫害区分模拟研究
        5.5.1 多种传感器通道响应特征及模拟
        5.5.2 研究基本思路
        5.5.3 传感器病虫害识别和区分能力评价
        5.5.4 传感器病虫害识别和区分能力总结
    5.6 本章小结
第六章 结合作物生长与生境特征反演的区域病虫害遥感监测与区分研究
    6.1 数据分析及处理流程
    6.2 数据源说明及特征提取方法
        6.2.1 数据源介绍
        6.2.2 地面调查
        6.2.3 光谱及生境特征
    6.3 结合星地协同观测数据的胁迫区域识别
        6.3.1 农田胁迫区域识别特征选择
        6.3.2 农田健康与胁迫区域识别判别模型
    6.4 综合作物生长和生境特征的病虫害区分方法
        6.4.1 病虫害识别区分特征选择
        6.4.2 反映相对差异的比率特征计算
        6.4.3 病虫害区分模型构建
    6.5 本章小结
第七章 结论、创新点与展望
    7.1 主要工作与结论
    7.2 论文特色与创新点
    7.3 研究展望
参考文献
作者简介与攻读博士研究生期间的科研成果


【参考文献】：
期刊论文
[1]作物病虫害遥感监测研究进展[J]. 张竞成,袁琳,王纪华,罗菊花,杜世州,黄文江.  农业工程学报. 2012(20)
[2]基于支持向量机的小麦条锈病和叶锈病图像识别[J]. 李冠林,马占鸿,王海光.  中国农业大学学报. 2012(02)
[3]用高光谱微分指数监测冬小麦病害的研究[J]. 蒋金豹,陈云浩,黄文江.  光谱学与光谱分析. 2007(12)
[4]指示冬小麦条锈病严重度的两个新的红边参数[J]. 王圆圆,陈云浩,李京,黄文江.  遥感学报. 2007(06)
[5]基于学习矢量量化神经网络的水稻白穗和正常穗的高光谱识别[J]. 刘占宇,孙华生,黄敬峰.  中国水稻科学. 2007(06)
[6]高光谱在小麦条锈病严重度分级识别中的应用[J]. 王海光,马占鸿,王韬,蔡成静,安虎,张录达.  光谱学与光谱分析. 2007(09)
[7]小麦条锈病高光谱近地与高空遥感监测比较研究[J]. 蔡成静,马占鸿,王海光,张玉萍,黄文江.  植物病理学报. 2007(01)
[8]烟蚜为害特征的高光谱比较[J]. 乔红波,蒋金炜,程登发,陈胜利,刘建安,马继盛.  昆虫知识. 2007(01)
[9]作物病虫害遥感监测研究进展[J]. 陈兵,李少昆,王克如,柏军华,隋学艳,白彩云.  棉花学报. 2007(01)
[10]基于SVM方法的赤潮生物优势种航空高光谱识别[J]. 马毅,张杰,崔廷伟.  光谱学与光谱分析. 2006(12)

博士论文
[1]多源遥感数据小麦病害信息提取方法研究[D]. 张竞成.浙江大学 2012
[2]麦蚜和白粉病遥感监测技术研究[D]. 乔红波.中国农业科学院 2007



本文编号：3380132