基于多源數(shù)據(jù)的小麥白粉病遙感監(jiān)測與預(yù)測模型研究.pdf

1、在氣候變化等因素的影響下，我國小麥白粉病的發(fā)生發(fā)展發(fā)生了變化，其危害也日益增加，使得小麥的產(chǎn)量和品質(zhì)受到嚴(yán)重影響。在作物病蟲害的監(jiān)測及預(yù)測研究中遙感數(shù)據(jù)優(yōu)勢顯著，可大面積、快速、準(zhǔn)確地獲取病蟲害發(fā)生發(fā)展信息。然而，如何選擇合適的方法，有效整合、利用多源數(shù)據(jù)，最大限度地挖掘數(shù)據(jù)中的有效信息，構(gòu)建簡單、高普適性的病蟲害監(jiān)測、預(yù)測模型是一個重要的問題。本研究主要以小麥白粉病為研究對象，在區(qū)域尺度上分別開展重點基于星載多光譜數(shù)據(jù)的小麥病蟲害的識

2、別區(qū)分模型和監(jiān)測模型，以及結(jié)合站點氣象數(shù)據(jù)進(jìn)行病害預(yù)測模型的研究。具體研究內(nèi)容和結(jié)果如下:
　　(1)相比于相對簡單、純粹的實驗環(huán)境，實際農(nóng)田中時常存在不同類型病蟲害混合出現(xiàn)的情況，而其在防治、打藥等管理上需要采取不同的措施，否則會帶來藥害、土壤污染等一系列問題。本文利用Landsat8影像提取的指數(shù)特征，分別構(gòu)建了健康-病害、其他-白粉病、其他-蚜蟲及其他-混合病害（白粉蚜蟲混合發(fā)生）的4種不同病蟲害組合的2分類識別區(qū)分模型，并

3、對模型進(jìn)行驗證，同時還構(gòu)建了單個入選特征變量的分類回歸樹(classification and regression tree，CART)識別模型來了解單個特征變量在多變量模型中的貢獻(xiàn)。結(jié)果表明，4個模型中最優(yōu)模型依次為多特征健康-病害識別(MFIH)模型、多特征其他-白粉病識別(MFIPM)模型、特征DVI對應(yīng)的其他-蚜蟲識別模型以及特征SIPI對應(yīng)的其他-混合病害識別模型，模型的精度依次為82.4％，73.5％，91.2％和88.2

4、％。同時，還構(gòu)建了對4種病蟲害同時區(qū)分的模型，結(jié)果顯示最優(yōu)模型的區(qū)分精度只達(dá)到64.7％，無法實現(xiàn)病蟲害的同時區(qū)分。因此研究在正確識別出健康小麥的基礎(chǔ)上，構(gòu)建了另3種病害的CART3分類識別區(qū)分模型，試驗結(jié)果表明，模型的驗證精度為最高可達(dá)82.6％，為特征PDI對應(yīng)的區(qū)分模型。以上結(jié)果均說明將衛(wèi)星影像遙感數(shù)據(jù)用于區(qū)域尺度范圍的小麥病蟲害的識別區(qū)分具有一定的發(fā)展前景。
　　(2)為探討建模特征選擇方法在病害監(jiān)測模型中的重要性，并提高

5、遙感監(jiān)測小麥白粉病發(fā)生嚴(yán)重度的準(zhǔn)確度，本文利用Landsat8數(shù)據(jù)提取的多種常用植被指數(shù)特征，分別采用相關(guān)性分析(correlation analysis，CA)算法和最小冗余最大相關(guān)(minimal redundancy maximal relevance，mRMR)算法對其進(jìn)行篩選，并通過AdaBoost分類器算法分別以篩選得到的2組特征集為輸入變量構(gòu)建模型，對小麥白粉病發(fā)生嚴(yán)重度進(jìn)行監(jiān)測并將其結(jié)果與采用常用分類方法fisher線性

6、判別(fisher linear discriminant analysis，F(xiàn)LDA)和支持向量機(support vector machine，SVM)所建模型的監(jiān)測結(jié)果進(jìn)行對比分析。試驗結(jié)果表明，2種AdaBoost模型對小麥白粉病發(fā)生嚴(yán)重程度的總體監(jiān)測精度分別比FLDA模型和SVM模型高出27.9％，27.9％和14.0％，9.3％，mRMR算法篩選特征所建FLDA、SVM及AdaBoost監(jiān)測模型的總體監(jiān)測精度分別比CA篩選特

7、征所建模型7.0％，11.7％和7.0％，且mRMR算法篩選特征結(jié)合AdaBoost方法所建監(jiān)測模型的精度和Kappa系數(shù)分別為88.4％和0.807，為所有模型中最高。說明將AdaBoost方法用于作物病害遙感監(jiān)測效果較好，在作物病害監(jiān)測模型的特征變量選擇中mRMR算法比常用CA算法更具優(yōu)勢。研究結(jié)果可為其他作物病害遙感監(jiān)測提供方法參考。
　　(3)相比于作物病蟲害發(fā)生情況的監(jiān)測研究，預(yù)測對病害有效實時的防治措施的制定更具有指導(dǎo)

8、意義。本文在傳統(tǒng)的氣象數(shù)據(jù)病害預(yù)報基礎(chǔ)上，基于Landsat8影像數(shù)據(jù)引入了表征小麥生長狀況及生境因子的指數(shù)特征，同時將站點氣象數(shù)據(jù)通過空間插值分析轉(zhuǎn)化后得到相應(yīng)的空間特征，之后利用相關(guān)向量機(relevance vector machine，RVM)方法構(gòu)建了分別以氣象數(shù)據(jù)和遙感數(shù)據(jù)單獨為輸入變量以及以遙感和氣象數(shù)據(jù)同為輸入變量的3種不同數(shù)據(jù)類型的空間尺度范圍的小麥灌漿期白粉病發(fā)生概率預(yù)測模型，并對其進(jìn)行對比分析。試驗結(jié)果表明，遙感氣