10.13718/j.cnki.xdzk.2023.06.006
高光谱成像的水稻冠层穗颈瘟早期识别
为实现田间水稻冠层穗颈瘟的早期识别,利用室外高光谱成像系统采集早期自然发病大田的水稻冠层穗颈瘟图像,提取、分析反射率光谱特征.对预处理后的高光谱数据,采用主成分分析(Principal Component Analysis,PCA)、植被指数(Vegetation Index,VI)和竞争性自适应重加权法(Competitive Adaptive Reweighted Sampling,CARS)3 种方法提取特征变量,结合支持向量机(Support Vector Machine,SVM)和线性判别分析(Linear Discrimi-nant Analysis,LDA)分类算法构建识别模型.结果显示:以CARS特征波长和植被指数构建的模型,从分类结果看都取得了不错的效果,但是特征波长数量较多,可能存在过拟合的风险;单独使用 PCA 获得的主成分构建水稻冠层识别模型,没有明显效果.为此,研究尝试对选取的植被指数和提取的CARS特征使用PCA进一步降维,得到 4个VI-PCs特征和 5 个CARS-PCs特征用于建模,取得了很好的效果.基于 VI-PCs 特征的 SVM模型和 LDA模型的总体分类精度分别为 94%和 95%;基于 CARS-PCs 特征的 SVM模型和 LDA模型总体分类精度分别为 95%和97%,实现用较少变量获得较好的区分效果.从模型构建算法来看,LDA算法模型均优于SVM算法模型,说明 LDA方法更适合于水稻冠层穗颈瘟识别模型的构建.研究可为航空、航天大面积的作物病虫害遥感监测提供理论依据.
高光谱成像、水稻穗颈瘟、竞争性自适应重加权法、支持向量机、判别分析
45
S435.111.1;S127(病虫害及其防治)
科技创新新一代人工智能重大项目;黑龙江省省属本科高校基本科研业务费项目;黑龙江省高等教育教学改革重点委托项目
2023-06-20(万方平台首次上网日期,不代表论文的发表时间)
共9页
57-65