【技术实现步骤摘要】
一种用于发病初中期分析的小麦条锈病遥感监测方法
本专利技术涉及遥感图像分析
,具体来说是一种用于发病初中期分析的小麦条锈病遥感监测方法。
技术介绍
小麦条锈病主要发生在叶片上,叶片植物细胞在受到病害侵染后,细胞内部的水分含量、色素等都会逐渐发生改变,叶片上逐渐出现越来越多的锈色粉状物,这些现象会引起植被光谱反射率发生变化,然而在病害后期病菌具备有性繁殖能力,并且可以随着气流进行传播导致条锈病的大面积发生,因此对小麦条锈病进行初中期监测是十分必要的。目前对于小麦条锈病的机理研究大多集中在病害的整个发病时期或者发生中后期,这并不利于小麦条锈病的及时防控,通过冠层高光谱数据构建小麦生长初中期条锈病菌的遥感监测模型可以及时地获取病害的发生信息,便于提前做好预防小麦条锈病大面积发生的准备,减少相应的经济损失。现有技术中,师越等通过分析小麦冠层高光谱数据,提取14个植被指数特征,实现了冬小麦条锈、蚜虫和白粉病三种病虫害的检测与分类,但是所选研究的对象包含整个发病时期。黄文江等发现在冠层和田间尺度上利用光化学反射指数(PhotochemicalReflectanceIndex,PRI)可以有效地检测冬小麦条锈病的发生情况。Devada等人发现,没有光谱指数可以在叶片尺度上完全区分小麦条锈病、叶锈病和茎锈病,但花青素反射指数(AnthocyaninReflectanceIndex,ARI)可以区分条锈病和健康小麦。郑琼等分析不同时期小麦条锈病冠层光谱数据发现PRI和ARI能很好地完成对条锈病的监测分类,然而AR ...
【技术保护点】
1.一种用于发病初中期分析的小麦条锈病遥感监测方法,其特征在于,包括以下步骤:/n11)小麦条锈病遥感数据的获取与预处理:获取小麦条锈病遥感数据并提取出冠层高光谱数据,并对冠层高光谱数据进行预处理;/n12)建模特征的选择:从预处理后的小麦冠层反射率光谱曲线中提取出植被指数特征,利用相关性分析方法和随机森林特征选择方法进行筛选;/n13)XGBoost监测模型的构建与训练:构建XGBoost监测模型并对其进行训练;/n14)待分析小麦条锈病遥感图像的获取:获取待分析小麦条锈病遥感图像,并对其进行冠层高光谱数据的采集和预处理,按建模特征的选择步骤所筛选出的特征进行植被指数特征的提取;/n15)小麦条锈病初中期监测结果的获得:将待分析小麦条锈病遥感图像的植被指数特征输入训练后的XGBoost监测模型,得到小麦条锈病初中期监测结果。/n
【技术特征摘要】
1.一种用于发病初中期分析的小麦条锈病遥感监测方法,其特征在于,包括以下步骤:
11)小麦条锈病遥感数据的获取与预处理:获取小麦条锈病遥感数据并提取出冠层高光谱数据,并对冠层高光谱数据进行预处理;
12)建模特征的选择:从预处理后的小麦冠层反射率光谱曲线中提取出植被指数特征,利用相关性分析方法和随机森林特征选择方法进行筛选;
13)XGBoost监测模型的构建与训练:构建XGBoost监测模型并对其进行训练;
14)待分析小麦条锈病遥感图像的获取:获取待分析小麦条锈病遥感图像,并对其进行冠层高光谱数据的采集和预处理,按建模特征的选择步骤所筛选出的特征进行植被指数特征的提取;
15)小麦条锈病初中期监测结果的获得:将待分析小麦条锈病遥感图像的植被指数特征输入训练后的XGBoost监测模型,得到小麦条锈病初中期监测结果。
2.根据权利要求1所述的一种用于发病初中期分析的小麦条锈病遥感监测方法,其特征在于,所述小麦条锈病遥感数据的获取与预处理包括以下步骤:
21)获取利用遥感设备中ASDFieldSpec地物光谱仪所采集的冠层高光谱数据,采集到小麦条锈病的光谱反射率,其中,光谱分辨率在350nm-1000nm范围内为3nm、在1000nm-2500nm范围内为10nm;
22)计算小麦冠层反射率光谱曲线,其计算公式如下:
式中,Rtarget为样本小麦冠层光谱反射率,DNtarget为样本小麦冠层光谱DN灰度值,DNreference为参考板的反射灰度值,Rreference为参考板的反射率值;
23)采用5步滑动平均法对小麦冠层反射率光谱曲线进行信号滤波处理。
3.根据权利要求1所述的一种用于发病初中期分析的小麦条锈病遥感监测方法,其特征在于,所述建模特征的选择包括以下步骤:
31)从预处理后的小麦冠层反射率光谱曲线中提取敏感波段所组成的植被指数,作为初选建模特征;
32)利用相关性分析方法对初选建模特征进行筛选,形成预选建模特征;
33)利用随机森林特征选择方法对预选建模特征进行筛选,形成模型特征集。
4.根据权利要求1所述的一种用于发病初中期分析的小麦条锈病遥感监测方法,其特征在于,所述XGBoost监测模型的构建与训练包括以下步骤:
41)设样本集中有n个小麦条锈病样本,m个最终筛选得到的植被指数特征,XGBoost监测模型中包含k个条锈病样本的基础树模型,最终的预测值则是k个树模型的结果进行求和,即为下式所示:
D={(xi,yi)}(|D|=xi∈Rm,yi∈R)(1)
其中,xi表示第i个样本对应输入的植被指数特征,yi代表第i个条锈病样本所对应的病害分类标签,Rm表示由m个最终筛选得到的植被指数特征构建的线性空间,R即为实数域,表示模型中第i个条锈病样本最终预测的病害分类结果,fk(xi)表示第k个树模型中所有样本xi得到的预测结果,fk∈F表示fk属于由第k个树模型得到的预测值构成的数域,式中F={f(x)=wq(x)}(q:Rm→T,w∈RT)是CART中的空间,q代表将条锈病样本映射到对应叶节点的每个树模型的结构,T代表对应条锈病害树模型的叶节点个数,RT表示由叶子节点构成的线性空间,f(x)即为对应条锈病害树模型的结构q和叶节点权重w;
42)通过引入正则化项使包含植被指数特征的条锈病害模型的目标函数最小化,其表达式如下:
...
【专利技术属性】
技术研发人员:黄林生,刘勇,黄文江,吴康,赵晋陵,翁士状,张东彦,曾玮,洪琪,
申请(专利权)人:安徽大学,
类型:发明
国别省市:安徽;34
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。