SentineI-2影像和BP神经网络结合的小麦条锈病监测方法

摘要：

选用包含红边等多种不同波段信息的多光谱卫星数据,为区域尺度上展开作物病害监测研究提供更加丰富有效的信息,相比于常规的宽波段卫星遥感影像,搭载红边波段的Sentinel-2影像对作物病害胁迫更加敏感,能显著提高模型精度.该文以陕西省宁强县小麦条锈病为研究对象,基于Sentinel-2影像共提取了26个初选特征因子:3个可见光波段反射率(红、绿、蓝)、1个近红外波段反射率、3个红边波段反射率、14个对病害敏感的宽波段植被指数和5个红边植被指数.结合K-Means和ReliefF算法筛选病害敏感特征,最终筛选出3个宽波段植被指数,包括:增强型植被指数(enhanced vegetation index,EVI)、结构加强色素指数(structure intensive pigment index,SIPI)、简单比值植被指数(simple ratio index,SR),2个红边波段植被指数:归一化红边2植被指数(normalized red-edge2 index,NREDI2)、归一化红边3植被指数(normalized red-edge3 index,NREDI3).利用BP神经网络方法(back propagation neural network,BPNN),分别以宽波段植被指数和宽波段植被指数结合红边波段指数作为输入变量构建小麦条锈病严重度监测模型,对比 2 种模型的监测精度.结果显示,基于宽波段植被指数结合红边波段植被指数的监测模型的总体精度达到 83.3%,Kappa 系数0.73,优于仅基于宽波段植被指数特征所建监测模型的精度73.3%,Kappa系数0.58.说明红边波段能够为病害监测提供有效信息,采用宽波段植被指数和红边波段植被指数相结合的方法能够有效提高作物病虫害监测模型精度.

关键词：遥感、算法、病害、Sentinel-2红边、小麦、条锈病、BP神经网络

所属期刊栏目：35

分类号：S512.1(禾谷类作物)

资助基金：安徽省科技重大专项16030701091;国家高层次人才特殊支持计划;海南省万人计划配套项目;安徽省高等学校自然科学研究重点项目KJ2019A0030

在线出版日期：2019-11-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：178-185