论文部分内容阅读
小麦条锈病具有流行性强,危害程度大等特点,严重影响了小麦的产量和质量。与传统的田间调查取样相比,遥感技术具有快速、宏观、无破坏等显著优点,使得大面积监测小麦条锈病成为可能。小麦受到条锈病菌侵染后,作物的光合能力及色素含量等均会发生变化,日光诱导叶绿素荧光(Solar-Induced Chlorophyll Fluorescence,SIF)对作物光合生理的变化比较敏感,而反射率光谱则受作物生化参数的影响较大。基于此,本研究将反射率光谱数据与冠层SIF数据相结合监测小麦条锈病,以期提高小麦条锈病的遥感监测精度。本文的主要研究内容如下:(1)利用辐亮度和反射率荧光指数两种方法反演了小麦条锈病不同病情严重度下的冠层SIF相对强度,利用相关分析筛选了与小麦条锈病病情指数(Disease Index,DI)达到极显著相关的11个微分光谱指数和6个叶绿素荧光指数作为模型构建的特征变量。6个反射率叶绿素荧光指数中ρ440/ρ690反演的叶绿素荧光强度与小麦条锈病DI值的相关性最高,复相关系数达到了 0.7189。11个一阶微分光谱指数中SDr/SDb与小麦条锈病DI值的相关性最高,复相关系数为-0.8064。(2)论文从惯性权重和粒子更新方式两个方面对传统离散粒子群算法进行改进,利用改进离散粒子群(Modified Discrete Binary Particle Swarm Optimization,MDBPSO)算法从全波段光谱数据中优选遥感监测小麦条锈病严重度的敏感因子,并将其与相关系数(Correlation Coefficient,CC)和传统离散粒子群(Discrete Binary Particle Swarm Optimization,DBPSO)算法进行对比。结果表明CC分析法、DBPSO算法、MDBPSO算法筛选出特征变量的个数分别为50个、320个、56个,MDBPSO与DBPSO算法相比最优适应度函数(Optimum Fitness Value,OFV)最小值从0.145减小到0.127,迭代次数从395次减小到156次。此外与DBPSO算法和CC分析法相比,MDBPSO算法选择出的特征变量在冗余程度上有了一定的改善。(3)本文分别将一阶微分光谱指数和一阶微分光谱指数融合冠层SIF数据作为自变量构建小麦条锈病病情严重度监测模型,并通过交叉验证方法对比分析了不同数据源、不同建模方法反演小麦条锈病病情严重度的精度。研究结果表明,无论采用何种建模算法,在自变量中加入SIF数据后,监测模型精度均有一定程度的提高,其中,随机森林(Random Forest,RF)模型预测DI值与实测DI值间的RMSE平均减小了 9%,后向传播(Back Propagation,BP)神经网络模型预测DI值与实测DI值RMSE平均减小了 10%,偏最小二乘(Partial Least Squares,PLS)模型预测DI值与实测DI值间的RMSE平均减小了 20%。所以在反射率数据中加入SIF数据后可以提高小麦条锈病的监测精度。(4)在模型算法方面,本文分别采用了 RF算法、BP神经网络算法和PLS算法,结果表明无论是微分光谱指数作为自变量还是微分光谱指数协同冠层SIF数据作为自变量,RF模型的反演性能均高于BP神经网络和PLS模型,以反射率微分光谱指数为自变量构建的RF模型预测DI值和实测DI值之间RMSE比BP神经网络模型平均减少了 21%,比PLS模型平均减少35%。自变量中加入冠层SIF数据后,RF模型预测DI值和实测DI值之间RMSE 比 BP神经网络模型平均减少了 21%,比PLS模型平均减少26%。因此无论是否在模型特征参量中加入冠层SIF数据,RF模型预测精度都优于BP神经网络模型与PLS模型。在利用全波段数据与SIF数据融合监测小麦条锈病时,无论何种特征选择算法,RF算法构建的模型精度均高于BP神经网络算法,其检验集的均方根误差(RMSE of the Validation Set,RMSEV)比BP神经网络模型平均减少了 22%。在特征选择算法方面,MDBPSO-BP模型预测DI值和实测DI值间的RMSEv 比 CC-BP和DBPSO-BP算法分别减小了 21%、11%,MDBPSO-RF的模型预测DI值和实测DI值间RMSEv 比 CC-RF和DBPSO-RF分别减小了 18%、11%。综上所述在利用全波段数据协同冠层SIF数据监测小麦条锈病时,MDBPSO-RF是建立监测模型的适宜算法。