小麦赤霉病多源遥感数据监测研究

【摘要】：中国自古以农业为本,小麦等粮食作物的质量和产量是重中之重。本文的研究方向是通过遥感技术对小麦赤霉病进行有效的监测。小麦赤霉病典型的监测方法是由专业相关人员下田抽查,不仅效率低下和浪费资源,还会损害田间正常生长的小麦,而通过遥感手段可以有效地解决上述问题。卫星和无人机遥感可以持续动态地监测农作物病虫害,本文从这两个方面着手,卫星影像选用Sentinel-2影像来进行冬小麦种植面积提取和赤霉病监测,并使用无人机多光谱和高光谱影像建立冬小麦赤霉病监测模型。主要研究内容有:(1)基于无人机影像的小麦赤霉病监测研究利用试验田两个时期无人机高光谱影像获得原始光谱特征、植被指数和双时相植被指数,并通过相关性分析获得与冬小麦赤霉病具有高度相关的敏感特征,将这些特征作为输入,分别利用支持向量机(SVM)、随机森林(RF)和极度随机树(ETC)这三类分类算法建立冬小麦赤霉病轻重度染病的监测模型。结果表明,无人机高光谱影像小麦赤霉病RF模型的总体精度为94%优于SVM和ETC,比SVM和ETC高出2%和3%,RF分类模型的Kappa系数也是最优的。无人机多光谱影像由于受波段数的限制,一些植被指数不能用于赤霉病的监测,所以除了原始波段、植被指数,另外加入了纹理特征作为初始特征集,通过相关性分析获得敏感特征。使用与高光谱影像相同的分类算法建立小麦赤霉病监测模型,结果显示,RF模型的总体精度为87%,比SVM和ETC高出3%和5%。并且可以发现无人机高光谱影像分类结果精度比多光谱更高,可能原因是高光谱影像波段数更多,所选特征与小麦发病轻重程度相关性更强。(2)基于Sentinel-2卫星影像赤霉病监测研究通过一些实地调查获取地面样点数据,选取需要分类的5种地物,包括水体、建筑、小麦、非小麦植被和裸地,之后选择常见的光谱特征,并使用相关分析进行敏感特征筛选。实验首先以所有的特征变量作为输入,建立马氏距离(MAD)、最小距离(MID)、支持向量机(SVM)、平行六面体(PL)和波谱角(SAM)分类模型,得到总体精度较高的MAD、SVM和SAM模型,然后将特征优化后的特征集作为输入进行分类获得分类结果和精度评估。分类结果说明,经过特征筛选,MAD、SVM和SAM模型的总体分类精度分别提高了2.30%、5.30%和5.30%。MAD模型的总体精度、Kappa系数等精度指标均为3种模型中最好的。结合面积提取的一些方法和结果,还使用与地面采集样点时间相符的一幅哨兵2号影像数据,对选取的原始波段和植被指数等光谱特征进行相关性分析和独立样本T检验(independent t-test),选择与冬小麦健康状况有较强相关性并且在健康和染病样本之间有明显差异的光谱特征,建立冬小麦赤霉病监测模型。使用在面积提取中分类效果比较好的MAD、SAM和SVM三种方法建立了冬小麦赤霉病的遥感图像监测模型。从获得的分类结果精度来看,MAD、SAM和SVM对冬小麦赤霉病都有不错的分类精度,说明使用哨兵2号影像进行冬小麦赤霉病监测行之有效。其中,MAD、SAM和SVM冬小麦赤霉病监测模型的总体精度分别为86.1%、80.6%和75.0%,MAD冬小麦赤霉病监测模型的总体精度是三种监测模型中最高的,比SAM和SVM赤霉病监测模型的总体精度分别高出5.5%和11.1%,说明MAD比较适用于冬小麦赤霉病的卫星遥感影像监测。