《基于无人机成像高光谱的冬小麦全蚀病等级监测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
河南农业大学专业硕士学位论文题目基于无人机成像高光谱的冬小麦全蚀病等级监测学位申请人姓名朱耀辉导师姓名乔红波郭伟专业学位类别农业硕士领域农业信息化研究方向农业遥感中国郑州２０１８年５月 分类号密级河南农业大学专业硕士学位论文论文题目：基于无人机成像高光谱的冬小麦全蚀病等级监测Ｍｏｎ－ｉｔｏｒｉｎｌａｉｆｉｃａｔｉｏｎｗｈｅａｅａｌｌ英文题目：ｇａｎｄｃｓｓｏｆｔｔａｋｉｎｆｉｅｌｄｂａｓｅｄｏｎＵＡＶｈｙｅｒｓｅｃｔｒａｌｉｍａｇｅｐｐ学位申请人：朱耀辉导师：乔红波郭伟学位类别：农业硕士领域：农业信息化研宂方向：农业遥感论文提交学位授予日期：：日期 河南农业大学学位论文独创性声明、使用授权及知识产权归属承诺书学位论基于无人机成像高光谱的冬小麦全蚀病等学位，Ｉ媚Ｉ麵士级监测类别｜｜朱》农ｍ■、化乔＿郭伟如需保密，解密时间年月曰是否保密独创性声明本人呈交论文是在导师指导下进行的研宄工作及取得研宄成果，除了文中特别，加以标注和致谢的地方外，文中不包含其他人已经发表或撰写过的研宂成果也不包括为获得河南农业大学或其他教育机构的学位或证书而使用过的材料，指导教师一对此进行了审定。与我同工作的同志对本研宄所做的任何贡献均己在论文中做了明确的说明，并表示了谢意。特此声明。研究生签名：导师签名：曰期年么月曰曰期：月曰）｜学位论文使用授权及知识产权归属承诺本人完全了解河南农业大学关于保存、使用学位论文的规定，即学生必须按照学校要求提交学位论文的印刷本和电子版本；学校有权保存提交论文的印刷本和电子版本，并提供目录检索和阅览服务，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。本人同意河南农业大学可以用不同方式在不同媒体上发表、传播学位论文的全部或部分内容。本人完全了解《河南农业大学知识产权保护办法》的有关规定，在毕业离开河一南农业大学后，就在校期间从事的科研工作发表的所有论文，第署名单位为河南农业大学，试验材料、原始数据、申报的专利等知识产权均归河南农业大学所有，否贝ＩＪ，承担相应的法律责任。注：保密学位论文在解密后适用于本授权书。Ｉ明研究生签名：导师签名学院领导签名：■曰期＞货年月曰曰期：＞保年《月曰曰期士１７年￡月曰｜ｊ｜ 目录摘要...................................................................................................................................................I1文献综述.......................................................................................................................................11.1研究目的和意义................................................................................................................11.2小麦全蚀病的危害与特点................................................................................................21.3国内外研究现状................................................................................................................31.3.1国外研究现状.........................................................................................................31.3.2国内研究现状.........................................................................................................41.4目前研究存在的不足和发展趋势....................................................................................51.4.1研究中存在的不足.................................................................................................51.4.2未来的发展趋势.....................................................................................................61.5研究内容与技术路线........................................................................................................71.6论文的组织结构................................................................................................................92引言..............................................................................................................................................93材料与方法.................................................................................................................................113.1研究区概况......................................................................................................................113.2病害等级调查..................................................................................................................113.3光谱数据获取..................................................................................................................133.3.1地面光谱数据采集...............................................................................................133.3.2无人机成像高光谱数据采集...............................................................................153.4高光谱数据预处理..........................................................................................................163.4.1ASD非成像光谱数据预处理...............................................................................163.4.2UHD185成像高光谱数据预处理........................................................................193.4.2.1高光谱影像的拼接............................................................................................193.4.2.2高光谱影像冬小麦冠层的平均光谱提取........................................................224基于光谱指数方法的冬小麦全蚀病等级监测.........................................................................244.1实验目的..........................................................................................................................244.2研究方法..........................................................................................................................244.2.1光谱指数理论.......................................................................................................244.2.2模型验证方法.......................................................................................................254.3高光谱图像数据质量评价..............................................................................................254.3.1非成像高光谱数据重采样...................................................................................26I 4.3.2成像高光谱数据与非成像高光谱数据分析对比...............................................264.3.3成像高光谱数据与非成像高光谱数据相关性验证...........................................294.4基于光谱指数方法的小麦全蚀病等级监测模型..........................................................304.4.1基于光谱指数估测全蚀病小麦病害指数的最优光谱指数...............................304.4.2基于光谱指数的全蚀病冬小麦病害指数模型构建及检验...............................314.5基于高光谱影像的冬小麦全蚀病病害等级的空间分布..............................................324.6本章小结..........................................................................................................................335基于支持向量机方法的冬小麦全蚀病等级监测.....................................................................335.1实验目的..........................................................................................................................335.2支持向量机基本概念......................................................................................................345.2.1线性支持向量机...................................................................................................345.2.2非线性支持向量机...............................................................................................365.3数据分析..........................................................................................................................375.3.1高光谱影像非目标区域掩膜...............................................................................375.3.2训练样本可分离性分析.......................................................................................385.4基于核函数支持向量机的冬小麦全蚀病等级监测及检验..........................................385.5本章小结..........................................................................................................................416结论与讨论.................................................................................................................................426.1结论..................................................................................................................................426.2讨论..................................................................................................................................43参考文献.........................................................................................................................................44ABSTRACT....................................................................................................................................49II 摘要小麦是我国最重要的粮食作物之一，近年来由于小麦病虫害在我国部分地区大范围发生，导致了冬小麦的减产和品质降低。随着遥感技术的出现以及对于小麦作物区域尺度精准经营的需要，利用遥感技术来获取、处理和监测小麦病虫害的发生发展已成为了一种有效手段，尤其近年来高光谱遥感监测技术的开发与应用，相比传统的地物光谱仪，利用该技术获得的高光谱影像中的每一个像素点均包含着唯一的光谱数据，达到了“图谱合一”的遥感数据效果，不仅能够对小麦病虫害引起的叶片中含水量、氮含量、叶绿素含量、和组织形态等特征产生光谱响应，又能够对小麦叶片中表现出的光谱特性进行较好的空间可视化显示，为小麦病虫害定量遥感监测提供了重要的研究依据。本研究主要以小麦全蚀病为研究对象，以小麦全蚀病病害等级监测为主要研究内容。大面积、实时、无损监测小麦全蚀病病害程度对其防治具有重要意义，利用研究区冬小麦冠层尺度上ASD非成像光谱仪和无人机平台搭载的UHD185成像光谱仪获取的冠层光谱反射率，结合地面调查数据，对该区域小麦全蚀病病害等级构建监测模型，以便于及时对小麦全蚀病的防治提供精准指导。本文利用ASD光谱数据评价UHD185光谱数据的精度和可靠性，然后在此基础上比较不同小麦全蚀病病害指数下对应的小麦冠层光谱响应差异，构建冬小麦全蚀病的高光谱遥感监测模型，并用独立样本数据对监测模型的可靠性和精度进行检验。结果表明，冬小麦冠层的ASD光谱数据与UHD185光谱数据相关性显著，决定系数R2均大于0.97，并筛选出UHD185成像高光谱数据在462~874nm波段范围内最为可靠（4~102波段）。首先，综合分析462~874nm波段范围内任意两波段组合构成的差值光谱指数(DSI)、比值型光谱指数(RSI)以及归一化差异光谱指数(NDSI)与小麦全蚀病病害指数的量化关系，构建冬小麦全蚀病病害等级监测模型，分析表明，差值光谱指数DSI(R818,R534)与小麦全蚀病病害指数构建的线性回归模型具有较高的相关性（决定系数R2=0.8605，均方根误差RMSE=0.073，建模样本个数n=20），依据该小麦全蚀病病害监测模型，加入独立样本数据对模型进行验证，检验表明，小麦全蚀病病害指数的预测值和实测值具有较高的相关性（R2=0.76，RMSE=0.149，检验样本个数n=20）。其次，利用基于径向基、多项式、Sigmoid和线性等核函数支持向量机的分类方法对研究区高光谱影像分类，通过真实参考源对分类结果检验，并比较径向基、多项式、Sigmoid和线性等核函数的分类精度，发现基于径向基核函数的支持向量机方法对于小麦全蚀病的分类效果最优，分类精度达到了90.35%，Kappa系数为0.86，且该方法相较于光谱指数方法的小麦全蚀病病害等级分类精度更高。因此，基于径向基核函数支持向量机方法更能够有效的进行小麦全蚀病病害等级监测。本文结果为无人机高光谱遥感技术在小麦全蚀病病害的精准监测应用方面提供了研究依据。关键词：无人机遥感；高光谱；小麦全蚀病；支持向量机；光谱指数I 1文献综述1.1研究目的和意义农作物病虫害是使得作物产量降低的一个关键因素。近年来，农作物病害呈现逐年加重的状况，进而使得农作物产量和品质下滑，由联合国粮农组织（FAO）预测：全球平均每年由于虫灾引起农作物产量下滑14%，因病害下滑10%，我国和其他大多数国家地区类似，仅由病虫害就使得谷物减产400亿公斤左右[1]。小麦作为全球主要的农作物之一，其产量和品质的提高对于维护全球粮食安全方面扮演了关键的角色。然而，目前我国小麦病虫害的发展正趋向于加重的态势，其中小麦全蚀病的危害尤为显著，从局部发病到大范围死亡的周期理论上不超过三年时间[2]。小麦全蚀病又称作为“黑脚病”，其往往寄生于小麦、玉米和旱稻等多种粮食作物中，其中尤以对小麦的危害最为普遍[3]。小麦全蚀病在世界上的小麦粮食作物主产国均有发生，全球发现小麦全蚀病于1852年的南澳大利亚，首次报道于1868年[4]。我国最早发现小麦全蚀病于1943年云南省，此后在1952年发现于河北省[5]，而河南是一个粮食大省，小麦为河南省主产粮食作物，首次出现小麦全蚀病发生在1992年的原阳、浚县和扶沟县，且该病害发生发展持上升趋势[6]。所以，实现及时高效、精确地监测小麦全蚀病病害发病区域与病害程度是提高冬小麦产量和品质的前提。目前预防小麦全蚀病的措施主要有选育抗性品种、作物轮作和药剂拌种等，传统的人工方法监测小麦全蚀病效率低下且不具有推广性，对于全蚀病的发生发展并没有立竿见影的防治效果[7]，鉴于此种情况，迫切的需要开展有效的措施，及时监测感染全蚀病小麦的发病信息及区域，精确预测下一年的可能发病区域，再通过当前主要防治手段遏制全蚀病侵染，并定期监测发病区域，可指导农民精准防治全蚀病病害。遥感监测技术具有实时、无损和规模尺度大等特点，且通过该技术获得的研究区域影像对于病虫害状况的了解更加直观，越来越多的研究人员采用该技术对谷物病虫害的监测获得了大量进展，相比传统方式的监测手段，遥感技术的具有实时、无损获取研究区空间信息的能力[8]。依据小麦被病虫害侵染时，使植株产生颜色、含水量和组织形态等转变，继而使得植株光谱信息在具体波段上表现出相异的参数与光谱信息，根据此种原理，可以实时精确对该病害发生发展提供有效的监测。高时效性和高精度是无人机成像高光谱数据的显著优点，可不受生产条件、地理因素和人为主观的影响对研究区小麦全蚀病的分析，该方法不仅能够对大范围的发病区域进行有效的监测，且作业成本低廉、效率高、时效性好，能够大幅度提升预防效率；有效降低农业生产上农药的施用，减少作业代价，尽可能的降低对生态产生的不利影响。冬小麦发育过程中受到小麦全蚀病的侵染后，导致叶片中的营养成分发生改变，出现了叶片颜色、含水量、叶绿素含量和组织形态的变化，引起小麦冠层光谱响应特征，以此为无人机遥感监测小麦全蚀病的根据。相比传统监测方式，该技术可快速采集研究区域全蚀病小1 麦的病害程度与病株区域[9]。较于以往的全色、多光谱和高光谱遥感，基于无人机成像高光谱技术在小区尺度上的监测更加精细，提高了遥感技术的使用潜力，使其能胜任以往人无法到达的恶劣环境下工作。1.2小麦全蚀病的危害与特点小麦全蚀病是属于土壤传播型的病害，幼苗期被侵染时则导致麦株生长较小，根部与茎基部一至二节颜色变暗；在潮湿环境下，拔节期和灌浆期的病株根部与茎基部会出现肉眼可见的灰黑色菌丝层，俗称“黑脚”，“黑脚”与“白穗”是该病害明显病症[10]。受小麦全蚀病侵染的小麦病害严重时容易导致小麦成簇或大片死亡，并致使小麦出现减产的情况；小麦全蚀病对小麦的胁迫极为严重，在冬小麦苗期和拔节期都可受到病菌侵染，在冬小麦灌浆期的病情尤为严重[11]。小麦全蚀病症状如图1-1所示。图1-1小麦全蚀病症状Fig.1-1Symptomsofwheattake-all小麦每个生长阶段病理表现如下。在越冬期，由小麦全蚀病感染种子根部，导致其出现颜色发暗和病变，并且一些次生根也可能受到损害，导致受病菌侵染麦苗的基部叶片发黄，导致麦苗分蘖减少，从而影响了冬小麦的生长并在病情严重时导致植物死亡；相较于正常麦苗，受全蚀病侵染的麦苗在田间的分布变得较为稀疏，根部发黑情况更为明显；冬小麦拔节期由于气候原因使得土壤比较潮湿，小麦茎秆基部1~2节以及植株茎秆表层出现了黑褐色的菌丝层。受侵染植株中出现的“黑脚”现象是该病害的明显特征，与其他病害大不相同；在小麦植株根部发生病变后，植株能够很容易拔出，且植株根部变为黑色[12]。由于湿润的气候影响，病株根部和茎鞘基部有黑褐色的菌丝层，而干燥的土壤中，受侵染植株的“黑脚”特征较少[13]；在冬小麦灌浆期和成熟期，植株茎干基部受到小麦全蚀病的影响，导致植株枯萎的状况出现，形成独特的小麦全蚀病症状“白穗”特征，出现较为显著病害时将导致小麦枯萎死亡[14]。小麦全蚀病对于小麦生长威胁巨大，会导致小麦生长缓慢，重则颗粒无收；防治小麦全蚀病对于改善河南省小麦生产水平以及保障国家粮食安全至关重要[15]。小麦全蚀病与其他胁迫小麦生长的病害有相似的情况，主要以菌丝状的形态存在于麦收2 后地面下的小麦病根残茬中。利用以往的人工防治小麦全蚀病方法效率低下、作业成本高；此外，由于农业生产中病害发展的不确定性，不合理的过度施用农药既提高了作业成本，也导致了粮食安全隐患和生态污染问题。因此，及时采取科学有效的监测方法获取小麦全蚀病的发病区域和程度等信息是当前主要任务和研究方向。1.3国内外研究现状1.3.1国外研究现状高光谱遥感技术是上个世纪末以来遥感科学与技术的显著成就之一，是当今在该领域的研究热点，它能够采集研究区域大量的有效光谱数据和影像，相较于多光谱遥感技术能够对目标地物进行更为精确的测量，使其能够精准高效的对目标地物进行辨别分析。该技术在精准农业、林业、环境保护和灾害监测预警等方面得到了大量的应用，具备广阔的应用场景。该技术主要依据小麦在受到病虫害胁迫时产生的叶片颜色、含水量和组织形态等变化，继而使小麦冠层光谱在不同的波段上表现出相异的小麦生理生化指标与光谱反射特征的变异规律。根据此原理，近年来国外采用该技术的应用研究越来越多，使得高光谱技术已经有了长远的发展。YueJ等[16]基于无人机安装的UHD185成像光谱仪获得的高光谱和全色图像计算冬小麦作物的高度和光谱反射率，构建了基于光谱参数的多个单参数模型和作物高度模型，实验结果验证了基于无人机的成像高光谱仪可以确定作物的高度，可用于指导农业管理。HuangJ等[17]基于无人机的高光谱影像数据，并应用不同的光谱参数对青少年树木分类的可行性，实验结果表明分类精度可达95.7%。LiuH等[18]采用基于无人机的高光谱数据和地面已测量的高光谱数据计算光谱指标，构建并分析了不同生长阶段诊断LNC的统计回归模型，以频谱相关性为依据，提出了选择响应于LNC的高光谱数据的典型频带的方法，使用这种方法确定了对冬小麦LNC敏感的无人机高光谱带。OlliNevalainen等[19]研究了基于无人机的摄影测量法和高光谱成像技术在北方森林中个体树的检测和树种分类的表现，在分类实验中使用了光谱和3D点云特征，通过随机森林算法和多层感知器(MLP)均得到很好的结果，两者都达到了95％的总体准确度，结果表明即使在恶劣条件下设备依旧可以在UAV平台良好运行。RoopeNäsi等[20]为了识别遭受不同爆发阶段的云杉树皮甲虫侵染的欧洲成熟挪威云杉，开发了一种用于分析森林环境中摄影测量和光谱特征的方法，以识别各类异常树，最佳总体准确度为90%(kappa=0.80)，这种调查方法对于森林的健康管理具有很高的实用价值。AlessandraCapolupo等[21]采用了偏最小二乘回归（PLSR）与狭义植被指数之间的最优化策略，用于分析获取的草地成像高光谱影像的特征参数，通过计算PLSR和狭义植被指数来获取草地性状，证明了PLSR是探索草原结构和生化特征的最佳方法，基于无人机的高光谱检测技术可以对实验区的草地进行详细的评估。ShiY等[22]提出一种基于光谱植被指数的核心判别方法（SVIKDA），用于冬小麦叶片和冠层的黄锈，蚜虫和白粉病的检测和分类，结果3 表明，SVIKDA在健康小麦叶片和感染黄锈病，蚜虫和白粉病的叶片之间的检测和分类方面优于常规线性判别方法，根据侵染类型和严重程度，分类准确率达到了76％~95％。HuangW等[23]开发出新的光谱指数（NSI）用于识别作物上的不同疾病，使用从最相关波段提取的单个波段的反射率与最大和最小相关波段的所有可能组合的归一化波段差异来形成优化的光谱指数，对常见的几类病虫害的分类精度均达到了85%以上，还将NSI应用到冬小麦非成像冠层数据，对于不同疾病的分类结果很有前景。Graef等[24]证明了受到白粉病菌侵染的冬小麦，其冠层光谱在490nm、510nm、516nm、540nm和780nm等波段响应显著。Moshou等[25]比较正常小麦和受到条锈病侵染的小麦冠层光谱数据，判别出相关敏感波段（680nm、725nm、750nm）。LiuZY等[26]对采集到的稻穗高光谱数据对比研究，得出颖枯病与450~850nm波段的光谱信息有明显的响应。YangCM等[27]研究表明土壤调节植被指数（SAVI）和绿度归一化植被指数（GNDVI）对于受到病害侵染的水稻冠层光谱响应较为显著，利用以上植被指数能够实时、无损和准确的监测其病害。此外，已有很多学者利用光谱分析的方法实现了不同病虫害种类的区分。YuanL等[28]、ZhangJ等[29]采用连续小波分析(CWA)光谱分析方法，对常见的三类小麦病虫害进行了鉴别：黄锈病，白粉病和蚜虫；基于连续分解的小波尺度图开发了一种算法来识别损伤的程度和严重程度，评估其对损伤的敏感性和鉴别能力，开发的监测模型总体准确率达到了77%，LiangD等[30]通过主成分分析对目标区域高光谱影像数据处理后，使得病害分类精度提高到97%，并比较受条锈病与白粉病感染的冠层光谱信息，区分不同病害的特征响应波段，将判别后的特征波段基于支持向量机分类方法构建监测模型并检验可靠性和精度，分类精度达到了92%。1.3.2国内研究现状国内在农业领域的光谱技术研究相较于国外起步较晚，我国作为一个粮食大国，有效的监测和预警作物病虫害的发生发展情况意义非凡。随着技术的快速发展，相关植保部门对于农业领域的遥感技术应用在不断的加大，这将大大提升我国在作物病虫害上的科学管理水平。构建基于遥感技术的实时、无损和大面积的作物病虫害监测方法，对于我国的农业现代化战略有显著的支撑意义。高林等[31]采用地物光谱仪和UHD185成像光谱仪在研究区进行空地联合实验，检验了UHD185成像高光谱数据的精度可用作监测小麦叶面积指数（LAI），为开展无人机成像高光谱技术在农作物监测问题上进行了探索。罗菊花等[32]构建了基于高光谱数据的小麦蚜害等级监测模型，通过实地调查数据验证了利用该模型监测小麦病虫害的可靠性和精度。范友波等[33]基于不同白粉病程度的小麦冠层光谱数据，通过对光谱数据进行一阶微分处理，选出最优的光谱响应参数和植被指数构建白粉病病害监测模型，研究表明该模型可有效监测冬小麦白粉病。刘鹏等[34]根据多时期、多生长阶段的对照实验，通过偏最小二乘判别分析（PLS-DA）和偏最小二乘回归（PLSR）等方法构建了适于优选不同病害程度监测波段的方法。刘琦等[35]通过Logistic、IBK和Randomcommittee等方法构建相异的建模比例和参数条件下能4 够判别小麦条锈病的监测模型，研究表明该模型有较好的识别精度和可靠性。王利民等[36]研究了大斑病特征波段区域和合适的监测时期，分析了玉米大斑病遥感监测指数与其他相关指数对玉米病情的关系，利用聚类方法检验了遥感监测指数的可靠性和精度。董锦绘等[37]对目标区域接种条锈病菌，获取了各个生长阶段的光谱信息和病害数据，通过连续统去除的方法得出光谱敏感值，并结合吸收特征参数构建了精度较好的反演模型。刘琦等[38]为了获得一种有效的小麦条锈病识别方法，研究了三种不同浓度小麦条锈病菌胁迫条件下的冠层光谱，通过基于特征光谱数据构建偏最小二乘法小麦条锈病病害监测模型，研究表明该监测模型能够精确高效的识别小麦条锈病。鲁军景等[39]提出了一种小麦病害的定量识别方法，基于连续小波变换方法获得多种病害敏感的光谱波段（SBs）和小波特征（WFs），并通过Fisher判别分析构建基于敏感光谱和小波特征的白粉病，条锈病和正常小麦监测模型，可准确鉴别这三种不同病害。沈文颖等[40]通过分析不同白粉病病害条件下小麦叶片的光谱数据，采用传统的光谱特征参数、比值指数和归一化指数及因子分析（FA）和BP神经网络（BPNN）模拟了小麦白粉病的严重程度。以上研究均是基于光谱技术在农、林业方面的分析研究，但在关于无人机成像高光谱影像应用到冬小麦病害监测的精细光谱特征信息层面上的研究较为匮乏，关于小麦全蚀病在该高光谱成像技术方面的探究更是稀少。本研究主要围绕冬小麦全蚀病的病害程度为研究对象，本研究使用灌浆期冬小麦冠层地面ASD非成像光谱数据和无人机UHD185成像高光谱数据为研究区数据库，通过ASD非成像光谱数据验证UHD185成像高光谱数据的质量，并依据全蚀病冬小麦冠层的病害特征，分析不同的病害程度下的光谱信息差异，为防治全蚀病小麦的发生发展提供精准指导。1.4目前研究存在的不足和发展趋势1.4.1研究中存在的不足利用遥感技术监测小麦病虫害信息是目前农业遥感研究领域的热点，关于遥感监测技术应用于小麦病虫害监测和预测研究已有大量报道，首先，由于小麦病虫害的种类较多，一般研究区域中不仅仅只包含唯一病虫害种类，且大部分研究区中病虫害间的病理症状相近，这就对于单种遥感技术监测方法面对不同气候、区域和时间等多重分辨率的准确性和普适性提出了要求，所以对点、片或大区域范围时利用单一遥感监测方法对病害进行精准分类就比较困难，依据该方法很难同时对包含多种病害的农作物区域进行有效区分和监测。采用多种遥感技术各自具备的优点协同监测作物病虫害的方法成为了一种趋势，运用单种遥感系统对目标区域进行研究分析还难以满足研究的需要。本文从以下三个方面进行介绍：首先，卫星遥感技术具有监测区域范围大、获取数据便捷、信息容量大等优势，可以使得小麦病虫害的监测研究在数据的分析方法、影像特征提取、病虫害发生区域反演等方面都具有显著的效果。这样的优势使得其可以适用于灾害损失评估研究。但是由于小麦作物有其5 自身的特殊性，受环境因素影响较大，需要提供更加高分辨率、高时效性的遥感图像信息。在提供小麦生长发育期病虫害监测、辨别不同小麦病虫害以及病害程度的识别等方面，卫星影像存在区域规模较大、空间分辨率高以及数据获取周期性较长等问题，因此，利用卫星遥感监测小麦病虫害方面的研究还有许多的问题需要解决。其次，近地多光谱遥感技术在小麦病虫害的特征分析、构建监测模型上具备大量的运用。但存在一种普遍的情况就是监测范围有限，对病虫害精细分析尺度的空间分辨率相比地物光谱仪较差，研究将作物的光谱特征信息作为主要利用方面，而不太重视监测所得图像中所包含作物的重要信息。而且，在植株冠层尺度采取病虫害监测时，运用的手段多是只针对小麦本身特定的病害采取准确的监测和细致的分析，由于受小麦全蚀病的侵染导致小麦白穗，且纹枯病、茎基腐病、赤霉病、蚜虫等也会造成小麦白穗[41]。但研究区域内往往都不止存在某一种特定的病害，合理地对比研究才能更加清晰准确的得出病害的特征以及小麦病害产生的原因，使其能更好地控制和防治病虫害。因此将获取到的数据进行图像处理和分析梳理后得出的两类或多类病害进行对比识别也是必要的，而这种研究相较于单一某种病害的研究而言并不完全和充分。最后，地面遥感监测能获取目标地物光谱波段的范围相对较长，可以为田块尺度的病虫害监测提供相应的研究分析。但由于其自身有一定的功能局限性，无法达到直观的小麦病虫害特征的空间分布，以致于无法协同高分辨率的光谱特征对相应小区小麦病虫害特征进行精细诊断。1.4.2未来的发展趋势有效的进行病虫害监测和预测小麦病虫害对于病虫害防治有重要意义，小麦病虫害遥感监测从定性研究发展为目前的基于数学模型的定量研究，从叶片、作物冠层、区域以及卫星遥感尺度上已经获得了长足的发展，遥感监测研究也获得了阶段性的研究成果。目前，随着我国的高分计划不断的发展和应用，以致于卫星的功能获得了大幅度提升，相比早期的卫星遥感数据重访周期长、覆盖角度小以及时空分辨率上的缺点，通过卫星间的协同应用建立了全国尺度范围的作物病虫害遥感监测和预测系统，具有高空间、高光谱分辨率和高重访周期的优点，在病虫害发生发展的不同时期，采集相关区域的多时相和时间维度信息，对于卫星间协同建立合适的作物病虫害遥感监测和预测体系，实现区域、全国以及全球尺度的病虫害监测有重要的意义。无人机高光谱影像遥感可完成对目标区域“图谱合一”的数据获取，能够获得高分辨率的光谱数据，可对卫星遥感关于区域地物光谱分辨率的不足做出弥补。高光谱成像技术在农作物生长状况与病虫害发生发展监测等方面具备明显的优势[42]。相比常规的多光谱遥感，高光谱遥感的光谱分辨率较高，可达5~10nm，而多光谱遥感只有100nm左右。高光谱遥感可有效地识别目标区域光谱的细微差异，实现光谱特性的辨别，让原本于宽波段之中无法监测的光谱特性在高光谱的窄波段之中可以被识别到[43]。而地面遥感监测得到的精细冠层光谱数6 据能够为卫星遥感以及近地遥感提供数据验证，由于作物受到不同病虫害胁迫时会发生相近的病理症状，易造成“同谱异物”与“同物异普”的状况，所以需要高分辨率的冠层光谱数据对病虫害进行精细化鉴别，所以通过如ASD非成像光谱仪等能够采集到更精细的光谱数据，其为卫星和近地尺度的作物病虫害监测应用提供了支撑。作物病虫害监测作为一门多学科、多领域的交叉研究，具备专有的属性和跨度，需要将种类的宽泛性和植物病理学的复杂性、遥感监测的进步性有效结合在一起，从而减少“同谱异物”与“同物异普”的状况，高效的判别病理特征与光谱特征相似的病虫害，为遥感监测作物病虫害的不同种类和病害程度提供理论和数据支持。1.5研究内容与技术路线本文针对在精准农业中，开展采用无人机高光谱遥感技术及时监测小麦全蚀病病情的研究。首先，对不同病害程度的冬小麦冠层光谱数据进行预处理；其次，利用基于不同核函数的支持向量机分类方法对目标区域高光谱影像进行分类，并比较分类精度，确定最优监测小麦全蚀病的核函数支持向量机分类方法；然后，本研究基于ASD光谱数据与UHD光谱数据和地面调查小麦全蚀病病害指数数据，并采用ASD光谱数据评价UHD185光谱数据质量，最后，对不同小麦全蚀病病害指数条件下比较小麦冠层的高光谱敏感性差异，综合分析特征光谱范围内任意两波段组合构成的差值光谱指数(DSI)、比值型光谱指数(RSI)及归一化差异光谱指数(NDSI)与病害指数的量化关系，构建最优小麦全蚀病的高光谱遥感监测模型；最后用独立验证数据检验模型的精度和可靠性。并通过分析国内外研究的现状和进展，进行了以下研究内容：（1）不同病害程度光谱数据获取及预处理在灌浆期，受小麦全蚀病病菌感染的冬小麦白穗特征最为明显，利用ASD非成像高光谱仪和无人机搭载的UHD185成像高光谱仪于研究区域同步进行光谱测定作业，并用标记板标记样点方位。将地面采集的各个样点非成像高光谱数据分别导入ASDviewspec-pro软件中处理，取其样点所对应的平均光谱反射值，并依据病害判别方法进行等级分类，得到不同病害等级的冠层光谱反射曲线，并将数据重采样为UHD185成像高光谱数据的光谱分辨率；UHD185成像高光谱遥感影像预处理包括两个部分：高光谱立方体图像的拼接和研究区域样点的小麦冠层平均光谱的获取。（2）不同病害程度光谱数据分析依据不同病害程度样点UHD185成像高光谱数据与重采样后ASD非成像高光谱数据的平均光谱反射率，分别导出四个病害等级平均光谱反射率，并分析对比两类光谱变化特征，比较不同病害等级之间光谱特征差异；验证小麦冠层重采样ASD光谱数据和UHD185光谱数据在波段范围内的线性关系，确定可靠性和精度高的UHD185光谱波段。（3）基于支持向量机的小麦全蚀病等级监测本研究利用UHD185高光谱影像数据和地面调查数据构建基于最优核函数支持向量机7 的冬小麦全蚀病的等级监测方法。采用基于径向基、多项式、Sigmoid和线性等核函数的支持向量机分类方法对小麦全蚀病病害等级的分类效果进行检验，并比较不同核函数之间的分类精度，选出能够对小麦全蚀病病害等级监测精度较好的核函数支持向量机方法。（4）基于光谱指数的小麦全蚀病等级监测模型本研究采用的光谱指数包括差值光谱指数(DSI)、归一化差异光谱指数(NDSI)和比值型光谱指数(RSI)，主要通过构建特征波段内任意两波段组成的相关光谱指数与病害指数的决定系数等势图，分析比较不同光谱指数对于小麦全蚀病病害指数的相关性，选出关于小麦病害指数的最优光谱指数监测模型；并通过独立验证样本对模型的精度和可靠性进行检验。论文总体技术路线如下图1-2所示：图1-2研究技术路线Fig.1-2Studythetechnicalroute8 1.6论文的组织结构本文的研究分为六章，相关内容如下：第一章是文献综述。本章主要阐述了小麦全蚀病的研究背景、研究意义和农作物病虫害遥感监测的国内外研究现状。首先，描述了小麦全蚀病给农业造成的严重性和对小麦全蚀病监测的必要性；其次，综述了研究内容和技术路线；最后，介绍了本文的组织结构。第二章为引言。主要叙述了本研究的背景和意义。第三章是材料与方法。本章主要描述了研究区概况与地面小麦全蚀病病害等级调查情况；其次，简要的介绍了采用的实验设备以及小麦全蚀病地面与空中高光谱数据的采集；最后，介绍了不同类型光谱数据的预处理方法。第四章是基于光谱指数方法的冬小麦全蚀病等级监测。本章主要利用实地调查小麦全蚀病数据、地面ASD光谱数据和空中UHD185光谱数据。首先，通过ASD光谱数据验证了UHD185光谱数据质量；其次，采用差值光谱指数（DSI）、归一化差异光谱指数（NDSI）和比值光谱指数（RSI）三种光谱指数对光谱数据进行处理并对比分析对全蚀病小麦病害指数敏感性最优的光谱指数及其波段区域和波段组合；最后，利用光谱指数构建小麦全蚀病病害等级监测模型，采用独立样本数据对基于三种光谱指数监测方法的精度对比分析，并依据最优光谱指数模型对研究区域成像高光谱数据进行小麦全蚀病病害等级分类。第五章是基于支持向量机方法的冬小麦全蚀病等级监测。本章利用UHD185高光谱影像数据和地面调查数据构建基于最优核函数支持向量机的冬小麦全蚀病的等级监测方法。采用基于径向基、多项式、Sigmoid和线性等核函数的支持向量机分类方法对目标区域的小麦全蚀病病害等级进行分类，并通过混淆矩阵中总体分类精度与Kappa系数的评价方法对分类结果进行检验。第六章是结论与讨论。对全文进行总结与讨论并指出研究不足之处，并对下一步的研究进行展望。2引言我国由粮食生产大国正迈向产业强国，粮食的安全生产对于我国社会的健康快速发展至关重要。作为一个农产品种植大国，农作物病虫害的高效防治和监测对于粮食安全意义非凡。由于农田中种植的作物单一，一旦农作物遭受病虫害侵染，从成簇发病发展到大面积的死亡仅需要很短的周期，从而农业生产就会遭到极大的影响。因此，农作物病虫害发生发展的监测研究和应用对于合理高效的科学化管理农作物的安全生产意义重大。近年来，我国小麦病虫害的发生正趋向于加重的趋势，其中小麦全蚀病尤为严重，小麦全蚀病具有传播能力强、潜伏期长和无法根本消除的特征。目前，随着小麦生产的机械化水平不断发展，小麦全蚀病随着自动化粮食收割机在全国范围内频繁传播，导致小麦全蚀病在我国表现出大面积的蔓延现象，受侵染耕地面积不断增加，我国的小麦的安全生产现状日益9 严峻，在我国多个小麦主产区已将其列为农业生产中的重要检疫对象。河南省作为重要的小麦粮食主产区之一，首次在我省出现小麦全蚀病病菌于1992年的新乡原阳，至今，小麦全蚀病对我省小麦生产的影响已不容乐观，已呈现加重的态势，受小麦全蚀病侵染耕地面积不断扩大，为保证农作物免于遭受该病菌的侵染，传统农药的施用是农民的首选方式之一，但大量的普遍性施药会对生态环境产生大量的影响，且短期时间内无法彻底消除，这与农业的可持续发展息息相关。但针对不同小麦全蚀病的发病区域和发病程度进行科学化信息采集，做到因小麦病情分类施药，这样能够更加规范的施用农药的范围，从而减少了在防治小麦全蚀病施药带来生态环境影响，以便于促进粮食增产的同时，降低农田环境中的过量农药残留，以比较少的农业生产投入成本获得更大的收益[44]。目前我国大部分地区关于农业病虫害等灾害方面的监测和预警依旧依靠传统的人工田间目测采样调查[45]，并综合当地植保信息，虽然具有较高的可靠性，对病虫害的病情进行人为主观经验的严重性评估和管理[46]，但这些传统方式对于病害认定主观性强，且费时费力不具有明确的代表性等缺点，不能够实时、高效、无损和准确的获取病虫害的病理症状[47]，因此，需要研究一种快速、精准和科学的病虫害监测手段。随着现代精准农业的发展，使得各种技术、交叉学科在农业上的应用得到全面发展，其中遥感技术作为一种无损检测农业病虫害的有效方法，能够实现对病虫害进行精准高效的监测分析和评价[48]。农作物病虫害作为严重的生物灾害已经危及到世界农业生产和粮食安全，小麦全蚀病对我省的粮食生产造成的危害日益加重，植保部门目前使用的监测和防治手段还不能达到大面积的快速、宏观、高效的防控要求[49]。关于农作物病虫害监测及管理等方面，依据作物生长受到病虫害胁迫导致的含水量、氮含量、叶绿素含量以及组织形态变化的特征，采用遥感高光谱成像数据准确显示出作物的光谱特征[50]。近年来，无人机遥感技术快速发展，其具备云下低空飞行的优势，弥补了卫星遥感中容易受到云层干扰的缺点，且无人机遥感技术具备多尺度、时效性高、光谱分辨率高以及成本低等优点，可快速获得目标地物区域的高光谱成像数据，所以，构建基于无人机遥感技术体系实时、高效以及无损的监测区域范围内小麦全蚀病病害具有重要的研究意义。本研究基于利用成像光谱仪可以快速、无损地获取目标区域地物的高光谱影像，从该影像中的每个像素点中均可以获取到特定的光谱反射率，利用ASD光谱数据检验了UHD185光谱数据在小麦全蚀病的遥感细分上具备运用潜力，结合地面调查小麦全蚀病样本点的病害指数，从高光谱影像上获取对应样点的病害光谱曲线能够有效的区分小麦全蚀病的病害程度。综合运用作物学、植物病理学、数理统计等学科知识，并利用植被指数对作物生理生化指标的特殊敏感性，使用光谱指数法对小麦全蚀病的发病区域及病害程度进行了有效监测。本文运用高光谱成像技术有效实现了小麦全蚀病的动态监测，发现并辨别受该病菌侵染的病害区域和病害程度，以便于量化农药使用量，有效降低对生态环境的污染，减少农户生产投入成本。10 3材料与方法3.1研究区概况本文研究区域位于河南省漯河市郾城区裴城镇（如图3-1所示），试验于2017年5月21日在该区域（东经113°49'58.43"E~113°50'2.58"E，北纬33°43'11.08"N~33°43'11.83"N，海拔61m）进行，研究区域为暖湿性季风气候，常年降水量786毫米,农业基础条件较好。冬季寒冷干燥，夏季高温多雨。试验区长112m、宽26m，主要土壤类型为潮土。研究区主要农作物为小麦，且该区域作物种植结构简单，种植区域较大；同时，该区域是小麦全蚀病的高发区域。供研究的小麦品种为矮抗58，播种日期为2016年10月12日，其生长期间的栽培措施同一般高产田。图3-1研究区示意图Fig.3-1Schematicdiagramofthestudyarea3.2病害等级调查试验于2017年5月21日冬小麦灌浆期开展小麦全蚀病病害指数的采集工作。小麦全蚀病病害等级的选取方法严格遵照植保部门的调查方法，依据前人研究中对小麦全蚀病的分级方法[51-53]，本研究中小麦全蚀病等级的划分如表3-1所示。表3-1小麦全蚀病分级Table3-1Wheattake-allgrading小麦全蚀病病情指数小麦全蚀病病害等级0正常小麦0~30轻微小麦全蚀病30~50中等小麦全蚀病<50严重小麦全蚀病小麦全蚀病病情指数为0代表正常小麦，0至30之间为轻微小麦全蚀病，30至50之间为中等小麦全蚀病，大于50为严重小麦全蚀病。地面调查样点如图3-2所示，共采集20个11 样点光谱数据，每个样点采样范围为1×1m。图3-2小麦全蚀病病害调查样点分布Fig.3-2Distributionofsamplingsitesforwheattake-all在灌浆期，受全蚀病侵染的冬小麦白穗特征最为明显，在试验区域中选取样点并进行全蚀病病害的调查，每个调查样点区域为1m2。试验中一共选取了40个不同病害程度的样点，其中20个样点作为建模数据（如表3-2所示），另外20个样点为验证数据（如表3-3所示），归类为四个病害等级：正常，轻微，中等，严重；其中包含：7个正常小麦样点、23个轻微小麦全蚀病样点、7个中等小麦全蚀病样点和3个严重小麦全蚀病样点。表3-2研究区小麦全蚀病害建模样点情况汇总Table3-2Summarizationonmodelingsamplesofwheattake-allinthestudyarea建模病情级数样本总株数发病率(%)病情指数编号012345613900000039002310004003511.437.623350104134420.4515.53436000100372.701.80544000000440061100023344173.1753.2573200000032008500027043686.1161.119160006012330.4321.741029000100303.332.221134000100352.861.901224000100254.002.67131800220124358.1439.9214401203014714.898.1615230007053534.2927.6216291002013312.127.5817800018433375.7655.561831000000310019230003022817.8614.2920220008023231.2522.9212 表3-3研究区小麦全蚀病害验证样点情况汇总Table3-3Summarizationonverificationsamplesofwheattake-allinthestudyarea验证病情级数样本总株数发病率(%)病情指数编号0123456Y1330009004221.4314.29Y22200021004348.8432.56Y32000015133948.7235.47Y42810115104639.1325.00Y5380104304617.3911.96Y6320007003917.9511.97Y751000000510.000.00Y81215711313384.8548.99Y92900010104027.5018.75Y1039000000390.000.00Y11250104013119.3512.90Y122300012003534.2922.86Y131022220404075.0046.67Y1455000000550.000.00Y1557000201605.003.89Y162000014003441.1827.45Y17300006003616.6711.11Y182300019014346.5131.78Y192800016004436.3624.24Y201700022024158.5440.653.3光谱数据获取小麦冠层高光谱数据的规范获取是试验获得成功的根本保障，若采集到的光谱数据中存在干扰因素较多，则会较大影响后续实验结果的准确性。数据采集开始于2017年5月21日，小麦生育期为灌浆期，采用ASD非成像光谱辐射仪进行地面小麦冠层光谱数据的采集，空中试验采用UHD185成像光谱仪进行高光谱影像拍摄。试验中利用ASD非成像光谱辐射仪和无人机搭载的UHD185成像高光谱仪于样点区域同步进行光谱测定作业。小麦冠层光谱数据的采集在晴天无云、无风或风速较小时的试验环境进行，采集时间为11:00点至13:00点之间。3.3.1地面光谱数据采集获取地面冠层光谱的设备为美国ASD公司（AnalyticalSpectralDevices）制造的FieldSpecHandHeld便携式手持非成像光谱仪，利用该设备进行小麦冠层光谱采集工作，ASDFieldSpecHandHeld非成像光谱仪的波长范围为325~1075nm，其中具备应用于植被研究的13 可见光波段和近红外波段。该设备的采样间隔为1.4nm（指接连采集的两个光谱数据之间的波长差。光谱采样间隔的大小与采集的光谱数据质量息息相关，采样间隔大会节省存储空间，但研究区数据可能会部分丢失；采样间隔小则研究区数据完整，但会占用设备大量存储空间）。光谱分辨率达到了3.0nm（即为波段宽度）。其技术参数如表3-4所示：表3-4ASDFieldSpecHandHeld非成像光谱辐射仪技术参数Table3-4ASDFieldSpecHandHeldnon-imagingspectroradiometertechnicalparameters视场角25%光谱范围350~1050nm采样间隔1.4nm设备参数光谱分辨率3.0nm记录参数相对反射率（Ref）采集速度17ms波长精度+/-1nm波长重复性+/-0.02nmASDFieldSpecHandHeld光谱仪其机理是由该设备采用传感器探头摄取目标光线，通过A/D（模/数）转换卡变成数字信号，存入计算机数据存储设备。对样点采集之前，必须在该设备对应的ViewSpecProControl光谱数据分析软件中，利用SpectrumSave选项，并设置光谱信息的配置信息（存储文件夹、光谱信息采样间隔和光谱采样次数）。最后需要把光谱仪的传感器探头垂直指向地面放置的参考板，对设备采取优化、参考板校正、采集暗电流等处理。对设备的优化是为了依据采集光谱时的外界光照状况处理传感器的光谱响应敏感度，主要是因为光谱采集过程中外界的光照不稳定，会影响光谱数据采集的精确性，所以需要每隔10~15分钟对光谱仪进行优化处理。而光谱仪在工作中会产生一定的暗电流，在光谱数据采集时，采集到的测量数据会受到该电流的影响，所以光谱仪需要每隔5分钟消除一次暗电流，通过对设备采集暗电流的处理，则能够消除采集到光谱数据中的暗电流。参考板校正对于目标区域光谱反射率的精确采集至关重要，光谱仪采集到的是地物灰度值（DN），依据灰度值和参考白板的灰度值和光谱反射率得出地物反射率。所以在对目标物进行光谱数据采集前要进行白板校正，才可进行地物光谱信息采集。对设备采取优化、参考板校正、采集暗电流等处理之后，即可采集采样区域的光谱数据，光谱采集过程中，设备位置必须保持稳定，ViewSpecPro界面有光谱测量进度，光谱测量完成之后能够听到提示音。在数据采集时，传感器探头始终垂直向下，且距离小麦冠层50cm左右（小麦平均株高约为78cm），试验中一共采集40个实地调查样点，每个样点均随机采样10条光谱数据，取其均值作为该采样点的小麦冠层光谱测量值。该样点数据采集时及时进行白板校正，测量后并用标记板标记样点方位，以便于空中成像高光谱数据采集后的样点光谱数据对应提取，减少人为因素的采样点判别误差。14 3.3.2无人机成像高光谱数据采集本研究采用的是由德国Cubert公司生产的UHD185机载高速成像光谱仪，其具有使用成本低、装备轻便快捷、精度高、影像采集速度快等特点，非常适用于无人机平台进行集成。UHD185成像光谱仪是目前最为先进的无人机载成像高光谱仪之一，该设备不同于传统的成像光谱仪的扫描式操作，其无需扫描或变换滤镜合并图像，能够直接提供高光谱影像。随着技术的革新，该UHD185成像光谱仪采用了小型化设计，其质量从3kg减少到470g，为当前高速成像光谱仪之中质量轻的一个，通过该设备拍摄的高光谱影像无须惯性检测单元（IMU）和后续的数据校正，可在极短的时间内拍摄到高光谱立方体图像。在无人机搭载该设备航线测量时，拍摄到的影像可以实时的传输到地面操作站。由于UHD185机载高速成像高光谱仪受无人机飞行高度与自身参数的影响，使得获取的单幅高光谱影像画幅有限，在大区域中应用时，则需要对大量的高光谱图像拼接后才可获取研究区域的整幅高光谱影像。其技术参数如表3-5所示：表3-5UHD185机载高速成像光谱仪技术参数Table3-5TechnicalparametersofUHD185airbornehigh-speedimagingspectrometer光谱范围450~950nm光谱特性采样间隔4nm光谱分辨率8nm@532nm光谱通道125探测器硅CCD数字分辨率12bit测量时间<100μm相机特性相机接口2×GigabitEthernet高光谱成像技术5cubes/sCube分辨率100万像素光谱输出2500spectra/cube镜头视场角27°、20°、15°、10°（可选）光学特性接口类型C-mount地面分辨率mm~m（可选）外界环境干燥/非冷凝操作温度0~40℃物理特性整机重量470g最大起飞重量<840g电源需求DC12V，15W该设备具有全画幅、非扫描、实时成像的特点，光谱范围450~950nm，采样间隔4nm，分辨率为8nm，共125个光谱通道；搭载UHD185设备的平台为AZUP-T8专业型长航时八旋翼无人机，可进行长航时的飞行，一次安装的锂电池续航时间为30分钟，机臂可快速折叠，具有便携灵活的优点，而且维护简单，大大减少了试验过程中的准备时间。无人机系统由无人机平台、单板计算机、机载高速成像高光谱仪UHD185、地面基站、云台等设备构成。15 空中飞行之前，进行无人机设备的预热开机，检查设备的稳定性和安全性，排除故障隐患。等待天气晴朗、无云或视野较好时进行空中成像高光谱数据采集实验。进行空中飞行试验前，设定无人机飞行高度为50m，航向重叠度80%，旁向重叠度60%，飞行速度5m/s。在飞行实验开始之前，首先在地面进行UHD185成像高光谱仪的暗电流消除，然后利用参考板进行辐射标记。在飞行实验中，由地面飞行控制人员操作无人机平台的升降，达到预定高度后，即由无人机自动按照预设定路线进行成像高光谱数据的拍摄。在单板计算机操作下的UHD185光谱仪以1ms的时间间隔采集光谱数据作业，地面控制站通过无线网络遥控单板计算机运行，并将数据存储到单板计算机中。3.4高光谱数据预处理3.4.1ASD非成像光谱数据预处理在试验中共选取20个长势均匀的样点，每个调查点进行光谱测定作业时均采集10条光谱数据，将各个样点采集到的10条光谱数据分别导入ViewSpecPro软件处理，采取软件中的Process菜单栏下的Statistics选项来完成。该设备最初采集到的数据为采样区域灰度值（如图3-3所示），图中显示了采集到的小麦冠层在可见光和近红外波段的灰度值数据信息。获取该样点的灰度值数据之后，通过ViewSpecPro软件中的Process菜单栏下的Reflectance/Transmittance选项或者View菜单栏下Graghdata-Format-Reflectance选项将样点区域的灰度值转换为该区域的光谱反射率（如图3-4所示），图中显示了将目的区域的灰度值转换为光谱反射率之后，得到了该区域冬小麦冠层在可见光和近红外波段的光谱反射率信息。取目标区域光谱数据的平均值，即作为该样点所对应的光谱反射率，以减少数据的噪声和不确定性（如图3-5所示）。图3-3冬小麦冠层的光谱灰度值（DN）曲线Fig.3-3Spectralgrayvalue(DN)curveofwinterwheatcanopy16 图3-4冬小麦冠层的光谱反射率曲线Fig.3-4Spectralreflectancecurveofwinterwheatcanopy图3-5冬小麦样本区域的平均光谱反射率Fig.3-5Averagespectralreflectanceofwinterwheatsamplearea并依据实地调查研究区病害情况，按照植保部门病害判别标准进行等级分类。将归类为四种等级的20个调查样点的光谱数据依据其级别分别进行求平均光谱数据处理（如图3-6所示），得到不同病害等级的冠层平均光谱曲线（如图3-7所示）。17 0.50.450.40.350.30.25光谱反射率0.2ASD0.150.10.0503204205206207208209201020波长/nm图3-6地面调查样点的ASD平均光谱反射率Fig.3-6AveragespectralreflectanceofASDongroundsurveysamples0.40.35正常轻微0.3中等严重0.250.2光谱反射率0.15ASD0.10.0503204205206207208209201020波长/nm图3-7不同小麦全蚀病病害等级的ASD平均光谱反射率Fig.3-7AveragespectralreflectanceofASDfordifferentgradesofwheattake-all从图3-7中可知，小麦的冠层光谱曲线在可见光和近红外波段范围内变化较大。在680nm左右发现有明显的吸收谷，而在550nm左右有显著的反射峰，究其原因是因为小麦冠层光谱受到植株叶片中的色素、叶绿素和叶面积指数（Leafareaindex，LAI）的影响，其中叶绿素和LAI主要吸收蓝光、红光。在红边区域内（690nm~740nm），由于小麦冠层散射的影响，随着在波长的增大，以致于该波段内光谱反射率快速的上升，达到40%以上。而且，因为大气对于光有散射的影响，在900nm左右产生了很多的垂直干扰光谱曲线。为了确保光谱信息的精确度，须剔除这些干扰因素，优选合适的光谱波段进行后续的研究，在后面章节的研究中会有详细介绍。18 3.4.2UHD185成像高光谱数据预处理3.4.2.1高光谱影像的拼接采用德国Cubert公司研发的Cube-Pilot软件与AgisoftLLC公司研发AgisoftPhotoScan软件进行高光谱影像的拼接，高光谱影像拼接流程如图3-8所示。运用UHD185机载高速成像高光谱仪采集到的数据主要由高光谱立方体影像以及全色jpg图像组成，UHD185遥感数据的预处理包含两个方面：高光谱立方体影像的拼接和研究区域样点的小麦冠层平均光谱数据的获取。Cubert-PilotAgisoft1.5.5PhotoSCan1.1.6ENVI5.1图3-8UHD185高光谱影像的拼接流程Fig.3-8Thehyperspectralimageofthesplicingprocess首先，对UHD185成像高光谱仪拍摄的影像进行航带内筛选，影像筛选的目的是去除无人机从起飞到进入航带前和离开航带到拍摄结束返航时这两部分的无关影像。通过去除与研究区无关的高光谱影像，减少了后期处理高光谱影像数据的工作量，加快了整体试验进度；筛选后的UHD185影像可以与各个航带相对应，以便于执行下一步的图像处理操作。其次，对采集到的全色JPG图像进行拼接，使得拼接后的全色JPG图像生成格网模型。该操作过程和数码影像的拼接方式相近，主要分为影像校正、建立密集点云和建立格网模型。该操作利用AgisoftPhotoScan软件中的Mean菜单栏下的Workflow-AddPhotos选项（如图3-9所示），选择并添加需要拼接的图像（支持jpg、tiff等常见格式），可在其中输入UHD185成像高光谱仪拍摄已经过筛选的全色JPG格式的图像；通过Workflow-AlignPhotos选项，将添加的全色JPG图像进行排列对齐，在AlignPhotos状态栏中，Accuracy选择High，Pairpreselection选择Reference，由于本研究没有获取POS（位置与姿态信息）文件，Pairpreselection也可选择Generic或Disable；在以上操作基础上，通过Workflow-BuildDense19 Cloud选项对已排列整齐的JPG图像构建密集点云，由于本研究影像拼接部分采用工作站的配置（工作站的系统为Windows10专业版，处理器为Inter（R）Xeon（R）CPUE5-2609V4@1.70GHz(2处理器)，已安装的内存（RAM）为128GB，系统类型为基于x64的处理器的64为操作系统），则依据计算机性能和内存大小将Quality设置为Medium，其他参数默认；接着通过Workflow-BuildMesh选项对已建立密集点云的图像构建网格，其他参数则默认。图3-9AgisoftPhotoScan软件的全色JPG影像拼接Fig.3-9FullcolorJPGimagestitchingwithAgisoftPhotoScansoftware再次，对UHD185成像高光谱仪拍摄到的全色JPG影像和高光谱立方体两种格式的数据进行融合，融合过程中运用德国Cubert公司提供的Cubert-Pilot软件进行处理（如图3-10所示），且选着相应影像目录并加载，接着将菜单切换到analysis标签下，在左侧的image栏里选择要进行融合的高光谱影像，一般情况下全选，选择pansharpen工具，点击export选项选择文件输出路径后即可以输出融合后的高光谱影像。由于该软件运用Matlab平台开发，图像融合的效率偏低，因此在该过程会消耗较多的时间。图3-10高光谱立方体影像与全色jpg图像的融合Fig.3-10Fusionofhyperspectralcubeimagesandfullcolorjpgimages20 然后，对全色影像和高光谱立方体融合后的图像进行提取影像子波段，由于UHD185成像高光谱仪拍摄到的影像波段数量非常多，且数据量巨大，无法通过AgisoftPhotoScan软件进行一次性拼接所有波段，因此，需要对融合后的影像分批次的拼接，先进行子波段的拼接，再对各个已拼接的子波段影像进行合并。其中，融合后影像子波段的提取是通过“uhd185_bands_extraction.sav”程序实现，程序界面（如图3-11所示）。图3-11融合后影像子波段提取Fig.3-11Sub-bandextractionafterfusion通过菜单栏打开数据文件，将cue格式的待拼接影像导入文件列表中，接着点击选着结果保存路径选项保存输出结果路径。德国Cubert公司推荐使用的波段范围为454~950nm一共125个波段，由于程序中的波段编号从0开始，因此可以采用的光谱波段在程序中的编号范围为1-125。也可以依据自身计算机的性能、影像的数量和影像内存大小选择一次性提取的子波段范围，需要注意的是，单次选着的波段范围越大，则计算机消耗的运行内存就越大，整体子波段提取工作所需的时间也就越长。且提取的不同范围波段需要放在不同的文件夹，以免文件发生覆盖导致后续的图像处理工作出现错误。接着将分为子波段拼接的影像导出，在AgisoftPhotoScan软件中的Photos面板下，选择任意一张影像并右键，点击ChangePath选项，进入到上一步子波段影像的导出路径，系统程序会自动挑选出相同文件名的影像文件，选择并确定，在RelocatePhotos面板里选择Applyto-Allcameras，点击并确定完成文件的替换。选择File-ExportOrthophoto-ExportJPEG/TIFF/PNG选项，弹出ExportOrthophoto面板，并选择默认参数。为确保拼接后影像合并时顺序不会发生混乱，当文件名数字超过100时，输出文件名需要采用前面加上下划线的方式进行命名。最后，利用file_joint.sav程序对拼接后的子波段进行合并，程序打开时会弹出两个选择路径对话框，一个是选择凭借后子波段所在的存储路径，软件会依据文件名筛选所需要合并的影响，所以拼接后子波段所在的路径中不能掺杂其他的tif格式文件。最终得到高光谱影21 像拼接结果，对拼接完成的高光谱影像利用ENVI5.1软件打开，并对其光谱信息进行验证（如图3-12所示）。图3-12UHD185高光谱影像拼接效果图Fig.3-12UHD185hyperspectralimagemosaiceffect除此之外，由于采用AgisoftPhotoScan软件对UHD185成像高光谱仪拍摄到的航带内所有的高光谱影像进行拼接，其中还包含了许多与研究区域的无关高光谱影像，还需要对已拼接完成的高光谱影像进行裁剪，得出具备研究意义的研究区高光谱影像。采用ENVI5.1软件，打开需要进行裁剪的高光谱影像文件，由于该高光谱影像的边界范围是一个任意多边形，即不规则图像，所以需要手动绘制目标区域的裁剪区，将影像按照Linear2%拉伸的显示状态，在LayerManager中选中该高光谱影像文件，通过RegionOfInterest（ROI）Tool面板，在图像上绘制须裁剪区域并保存，选择目标区域文件通过SubsetDatafromROIsParameters面板设置相应参数，选择上一步生成的裁剪区域矢量文件，并选择输出路径和文件名，完成目标区域图像裁剪（如图3-13所示）。图3-13裁剪后小麦全蚀病高光谱影像Fig.3-13Hyperspectralimagesofwheattake-allaftercutting3.4.2.2高光谱影像冬小麦冠层的平均光谱提取依据AgisoftPhotoScan软件对UHD185成像光谱仪所拍摄到影像进行拼接，得到了研22 究区完整的高光谱图像，接着采用Cubert软件对高光谱影像进行样点光谱反射率提取。按照研究区实地样点采集到的小麦全蚀病数据的具体分布，在软件中分别导出调查样点所对应的平均光谱数据（如图3-14所示），并依据实地调查研究区病害情况，按照植保部门病害判别标准进行等级分类，得到不同病害等级的冠层光谱反射曲线（如图3-15所示），并分析对比不同病害光谱反射率特征。0.450.40.350.30.25光谱反射率0.20.15UHD1850.10.050450500550600650700750800850900950波长/nm图3-14高光谱影像样点小麦冠层的平均光谱反射率Fig.3-14Meanspectralreflectanceofwheatcanopyinhyperspectralimagery0.40.350.3正常轻微0.25中等严重0.2光谱反射率0.15UHD1850.10.050450500550600650700750800850900950波长/nm图3-15不同小麦全蚀病病害等级的冠层平均光谱反射率Fig.3-15Canopymeanspectralreflectanceofdifferentwheattake-all23 图3-15中为不同病害等级对应的冬小麦冠层光谱反射率曲线，由图中信息可以发现，小麦冠层光谱曲线表现出明显的植被特征。不同病害等级的UHD185光谱数据在550nm左右一致出现“反射峰”；在680nm左右出现“吸收谷”，在近红外波段表现为明显的较高的光谱反射率。在454~550nm与910~950波段范围内表现出了明显的噪声干扰，在550~680nm的蓝、绿光范围内，不同病害等级间的冠层光谱反射率区别不是很明显，特征表现为病害等级越高，光谱反射率越高；而在780~910nm近红外波段范围内，不同病害等级间的冠层光谱反射率有显著的区分，特征表现为病害程度越低，反射率越高，不同病害等级间UHD185光谱反射率的大小表现为：正常>轻微>中等>严重。4基于光谱指数方法的冬小麦全蚀病等级监测4.1实验目的为了确定河南省漯河市郾城区研究区域的小麦全蚀病的病害情况，在数据采集前期首先获取了该研究区冬小麦全蚀病病害实地调查数据，且利用植保部门的病害程度评价标准对采集到的病害数据进行分级，并统计该样点的发病株数、发病率以及病情指数。其次，本研究获取该区域的UHD185成像高光谱数据和ASD非成像高光谱数据，在对成像高光谱数据分析之前，由于ASD非成像高光谱数据在作物监测中应用成熟，即利用非成像高光谱数据对成像高光谱数据进行质量评价，并获取可靠的UHD185成像高光谱波段。所获取的冬小麦高光谱数据的光谱范围包括可见光、近红外波段，不同病害程度的冬小麦冠层光谱在此范围内具有独特的吸收与反射特征；在每个波段上对应不同程度的小麦全蚀病的冠层光谱会表现出相异的光谱响应。最后利用光谱指数建立研究区的冬小麦全蚀病监测模型，并验证比较不同光谱指数对冬小麦全蚀病监测的精度，得出最优的监测模型。4.2研究方法4.2.1光谱指数理论光谱指数是指采用不同光谱波段之间的多种组合，不同的波段组合能够反映出有差异的植被信息，利用数据的任意波段能够准确的表现出大量的植被属性，且利用光谱指数能够监测植被的组织结构、氮含量、叶绿素含量和含水量等营养条件，本文采用的光谱指数如表4-1所示，在光谱指数的基础上利用自行编写的程序在MATLABR2014b中构建了任意两个波段组合的光谱指数与病情指数的相关性分析。通过制作任意两个波段的光谱反射率构成的光谱指数与全蚀病小麦病害指数的决定系数R2等势图，选出线性关系最优的波段组合，分析对比具有较高监测小麦全蚀病病害指数能力的光谱指数。24 表4-1本文采用的光谱指数Table4-1SpectralIndicesadoptedinthisstudy光谱指数SpectralIndex表达式Formula参考文献ReferenceR−Rij归一化差异光谱指数Li等[54]R+Rij(NDSI)Ri比值光谱指数(RSI)Li等[54]Rj差值光谱指数(DSI)Yao等[55]R−Rij注：Ri、Rj分别代表450~950nm任意波段反射率。Note:Ri、Rjrepresentbandreflectancesof450~950nm.4.2.2模型验证方法为了验证本文基于光谱指数法建立的冬小麦全蚀病等级监测模型的精度，本研究依据通用的模型验证指标（如表4-2所示），对构建的模型可靠性和精度进行验证。即决定系数R2越大，均方根误差RMSE越小，代表着监测模型的精度和可靠性越高，根据该模型代入的实测数据，求得的预测数据和实测数据的相关性就越高。表4-2模型评价指标Table4-2ModelEvaluationIndex指标Index公式Equation备注Notesn2()yˆ−yR2=i=0i决定系数（Coefficientofn2表示自变量对因变量的解释度2()y−yDetermination，R）i=1in2=()y−yˆ均方根误差（RootMeanRMSE=i1ii表示样本离散程度nSquareError，RMSE）注：表中n代表样本个数；yˆ代表模型计算值；y代表样本实测值；y代表样本实测平均值。iiNote:Inthetable,nrepresentsthenumberofsamples;yˆrepresentsthecalculatevalueswithmodels;yiirepresentsthemeasuredvalue;yrepresentstheaveragevalue.4.3高光谱图像数据质量评价基于无人机的UHD185成像光谱仪获取的数据由高光谱立方体影像以及全色jpg影像所组成，在分析不同小麦全蚀病病害等级的冠层光谱信息之前，关于UHD185成像高光谱数据质量的评价是必要的。由于ASD非成像光谱仪已经进行了大量的应用，所以采用地面同步获得的ASD光谱数据作为UHD185光谱数据的校验标准，相比UHD185光谱数据，ASD非成像高光谱数据已经在作物长势及病虫害监测中经历了长期的实践和考验。本研究以ASD非成像高光谱数据为标准，从两个方面评价UHD185成像高光谱数据质量。25 4.3.1非成像高光谱数据重采样由于ASD非成像光谱数据比UHD185成像高光谱数据的空间分辨率更高，ASD非成像光谱仪的光谱范围为325~1075nm，光谱分辨率为3nm，而UHD185成像光谱仪的光谱范围为450~950nm，光谱分辨率为4nm。因此，依据ASD非成像光谱数据对UHD185成像高光谱数据进行质量评价之前，需将ASD非成像光谱仪获取的光谱数据预处理，即重采样为UHD185波段（如图4-1所示）。0.40.35正常轻微0.3中等严重0.250.2光谱反射率0.15ASD0.10.050450500550600650700750800850900950波长/nm图4-1ASD非成像光谱数据重采样为UHD185的光谱分辨率Fig.4-1SpectralresolutionofUHD185resampledbyASDnon-imagingspectraldata重采样的方法为：将ASD光谱数据以UHD185光谱数据的光谱分辨率为中心，分别抽取自身与临近前后四个波段为一组五个光谱数据，并取这一组光谱数据的平均值为重采样后的ASD非成像高光谱数据，以此类推，最终得到与UHD185成像高光谱数据一致的空间分辨率，以便于下一步ASD非成像高光谱数据和UHD185成像高光谱数据的分析对比。4.3.2成像高光谱数据与非成像高光谱数据分析对比首先，提取二十个调查样点的UHD185成像高光谱数据与重采样后ASD非成像高光谱数据的平均光谱反射率，分别依据病害等级导出平均光谱反射率，并分析对比两类光谱反射率特征，如图4-2至4-5所示。由四种小麦全蚀病病害等级的光谱数据对比图可知，数据均表现出了明显的植被光谱特征，其中，正常小麦的两种光谱数据在490~680nm和790~880nm波段范围内表现出了较好的一致性，在红边范围内吻合度不高；轻微全蚀病小麦的两种光谱数据在780~910nm波段范围内有较好的一致性，在蓝、绿光波段和红边范围内有些微偏离；中等全蚀病小麦的两种光谱数据在775~900nm波段范围内一致性较高；严重全蚀病小麦的两种光谱数据在可见光26 波段范围内偏移较高，在近红外波段具有较高的一致性。相对于ASD非成像高光谱数据，UHD成像高光谱数据曲线的平滑性较好。0.40.35正常小麦(ASD)0.3正常小麦(UHD185)0.250.2光谱反射率0.150.10.050450500550600650700750800850900950波长/nm图4-2正常小麦UHD185成像高光谱数据与重采样后ASD非成像高光谱数据的对比Fig.4-2ComparisonbetweenhyperspectraldataofnormalwheatUHD185imagingandnon-imaginghyperspectraldataofASDafterresampling0.350.3轻微全蚀病小麦(ASD)0.25轻微全蚀病小麦(UHD185)0.20.15光谱反射率0.10.050450500550600650700750800850900950波长/nm图4-3轻微全蚀病小麦UHD185成像高光谱数据与重采样后ASD非成像高光谱数据的对比Fig.4-3ComparisonofhyperspectraldataofUHD185imagingwithlightwheattake-allandnon-imaginghyperspectraldataofASDafterresampling27 0.350.3中等全蚀病小麦(ASD)0.25中等全蚀病小麦(UHD185)0.20.15光谱反射率0.10.050450500550600650700750800850900950波长/nm图4-4中等全蚀病小麦UHD185成像高光谱数据与重采样后ASD非成像高光谱数据的对比Fig.4-4ComparisonofUHD185imaginghyperspectraldataofmediumwheattake-allwithnon-imaginghyperspectraldataofASDafterresampling0.30.25严重全蚀病小麦(ASD)严重全蚀病小麦(UHD185)0.20.15光谱反射率0.10.050450500550600650700750800850900950波长/nm图4-5严重全蚀病小麦UHD185成像高光谱数据与重采样后ASD非成像高光谱数据的对比Fig.4-5ComparisonofhyperspectraldataofUHD185imagingwithseverewheattake-allandnon-imaginghyperspectraldataofASDafterresampling由以上操作可得出不同病害等级UHD185成像高光谱曲线与重采样的ASD非成像高光谱曲线对比图（如图4-6所示），UHD185光谱数据与ASD光谱数据的变化趋势总体一致。两者在550nm附近一致出现“绿峰”特征；在680nm左右出现“红谷”特征，原因在于小麦冠层光谱反射率随叶片中叶绿素含量的增多而减少，由于叶绿素水平的升高，相关叶片光合作用上升，使红蓝光吸收变大，以致于光谱反射率减少[56]；在680~750nm的红边区域，两者的光谱反射率急剧上升[57]，此波段内光谱曲线对应斜率最大值的波长是红边位置REP[58]；在770~910nm的近红外区域，相同全蚀病小麦病害等级的冠层光谱曲线近似一致，呈现近28 红外高反射平台，不同病害等级间ASD和UHD185光谱反射率的大小表现为：正常>轻微>中等>严重，究其原因是小麦病害程度越高，小麦冠层叶片中水分越少，叶绿素含量、氮含量和叶面积指数减少，使得冠层光谱反射率在近红外波段区域减少，Bonham-Carter等[59]验证了近红外波段冠层光谱反射率与氮含量为正相关性；在910nm之后，ASD和UHD185光谱反射率不断下降，且UHD185光谱曲线波动性较大。由以上对比分析可得出在462~874nm范围内光谱曲线一致性较高，下一步将进行该波段范围内的两种光谱数据的相关性验证。0.40.35正常小麦(ASD)正常小麦(UHD185)0.3轻微全蚀病小麦(ASD)轻微全蚀病小麦(UHD185)0.25中等全蚀病小麦(ASD)中等全蚀病小麦(UHD185)0.2严重全蚀病小麦(ASD)严重全蚀病小麦(UHD185)光谱反射率0.150.10.050450500550600650700750800850900950波长/nm图4-6不同病害等级UHD185成像高光谱曲线与重采样的ASD非成像高光谱曲线对比Fig.4-6ComparisonberweenUHD185spectralcurveandresampledASDspectralcurveindifferentdiseasegrade4.3.3成像高光谱数据与非成像高光谱数据相关性验证分析对比两种光谱特征之后，接下来进一步验证了冬小麦冠层的重采样ASD光谱数据和UHD185光谱数据在462~874nm（4~102波段）范围内的线性关系，结果表明，两者决定系数R2均在0.97以上，如图4-7所示。综上分析得出，在462~874nm（4~102波段）的UHD185光谱数据最为可靠，可利用其对不同冬小麦全蚀病病害等级进行准确分类。0.350.40.350.30.3R²=0.990.25R²=0.98810.250.20.20.150.150.10.1UHD185光谱反射率0.05UHD185光谱反射率0.05SpectralreflectanceofUHD1850SpectralreflectanceofUHD185000.10.20.30.400.10.20.30.4ASD光谱反射率ASD光谱反射率SpectralreflectanceofASDSpectralreflectanceofASDa.正常小麦b.轻微全蚀病小麦a.Normalwheatb.Slightofwheattake-all29 0.30.30.25R2=0.97780.25R2=0.9941UHD1850.2UHD1850.20.150.15lectanceoflectanceof0.10.1UHD185光谱反射UHD185光谱反射率0.050.05SpectralrefSpectralref0000.10.20.30.400.10.20.30.4ASD光谱反射率ASD光谱反射率SpectralreflectanceofASDSpectralreflectanceofASDc.中等全蚀病小麦d.严重全蚀病小麦c.Mediumofwheattake-alld.Severeofwheattake-all图4-7不同病害等级的UHD185与重采样的ASD光谱反射率的相关性Fig.4-7CorrelationbetweenUHD185andresampledASDspectralreflectanceindifferentdiseasegrade4.4基于光谱指数方法的小麦全蚀病等级监测模型本研究采用的光谱指数包括归一化差异光谱指数(NDSI)、差值光谱指数(DSI)和比值型光谱指数(RSI)，公式定义如下：R−RijNDSI(R,R)=ijR+RijDSI(Ri,Rj)=Ri−Rj（1）RiRSI(R,R)=ijRj（1）式中Ri—450~950nm波段范围内的第i个波段对应的光谱反射率Ri；Rj—450~950nm波段范围内的第j个波段对应的光谱反射率Rj。4.4.1基于光谱指数估测全蚀病小麦病害指数的最优光谱指数通过MATLABR2014b软件自行编写程序，制作任意两个光谱反射率构成的DSI差值光谱指数、NDSI归一化差异光谱指数和RSI比值型光谱指数与小麦全蚀病病害指数的R2等势图，并由模型评价指标决定系数R2选出线性关系最优的波段组合，分析对比具有较高小麦全蚀病病害监测能力的光谱指数。本研究采用462~874nm（4~102波段）范围内任意两光谱反射率建立的DSI差值光谱指数、NDSI归一化差异光谱指数和RSI比值型光谱指数与全蚀病小麦病害指数的R2等势图（如图4-8所示）：30 a.DSI(Ri,Rj)b.NDSI(Ri,Rj)c.RSI(Ri,Rj)图4-8任意两波段组合构成的DSI(Ri,Rj)、NDSI(Ri,Rj)和RSI(Ri,Rj)与病害指数的决定系数等势图Fig.4-8ContourofR2betweendiseaseindexandDSI(Ri,Rj),NDSI(Ri,Rj)andRSI(Ri,Rj)从决定系数等势图中表示的信息可得出对冬小麦全蚀病病害指数敏感性最优的光谱指数及其波段区域和波段组合。由研究数据可知，相较其他两种光谱指数，DSI差值光谱指数与病害指数相关性最好，其决定系数R2>0.7的光谱波段区域为730~870nm与462~730nm的波段组合，其中DSI(R2达到了818,R534)波段组合与冬小麦全蚀病病害指数的决定系数R0.8605；其次为RSI比值型光谱指数，其决定系数R2>0.5的光谱波段区域为510~710nm与740~850nm的波段组合，其中RSI(R530,R758)波段组合的与冬小麦全蚀病病害指数的决定系数R2达到了0.659；最后为NDSI归一化差异光谱指数，其决定系数R2>0.5的光谱波段区域为510~710nm与740~850的波段组合，其中NDSI(R758,R530)波段组合与小麦全蚀病病害指数的决定系数R2达到了0.6536。由以上分析中发现，DSI差值光谱指数与小麦全蚀病病害指数的敏感性光谱范围相较于NDSI归一化差异光谱指数、RSI比值型光谱指数更宽，小麦全蚀病病害指数与462~874nm（第4~102波段）范围内矩阵联立形式的任意波段组合的相关性也最高，验证了DSI(R818,R534)在精准监测小麦全蚀病病害的能力上优于NDSI(R758,R530)、RSI(R530,R758)两种光谱指数。4.4.2基于光谱指数的全蚀病冬小麦病害指数模型构建及检验本文对比分析了462~874nm波段内的任意两个波段组合以矩阵联立形式运算获得的RSI比值型光谱指数、DSI差异光谱指数和NDSI归一化差异光谱指数对小麦全蚀病病害指数的相关性。本文以小麦全蚀病病害指数为因变量，分别以DSI差值光谱指数、NDSI归一化差异光谱指数和RSI比值型光谱指数为自变量，建立小麦全蚀病病害指数的成像高光谱监测模型，2均在0.65以上。其中DSI(R通过构建模型得出三个监测模型的决定系数R818,R534)与小麦全蚀病病害指数的相关性最高，DSI(R818,R534)与小麦全蚀病病害指数呈高度负相关性，决定系2=0.8605，均方根误差RMSE=0.073；其次RSI(R数R530,R758)与小麦全蚀病病害指数的相关性相比另外两种光谱指数较低，RSI(R530,R758)与小麦全蚀病病害指数表现高度正相关性，2=0.6590，RMSE=0.115；NDSI(RR758,R530)与小麦全蚀病病害指数呈高度负相关性，相比其他两种相关性最低，R2=0.6536，RMSE=0.116。31 综上分析可知，DSI(R818,R534)对小麦全蚀病病害指数的监测精度最高，为了评价该监测方法的精度和可靠性，利用同期获取了研究区内的20个验证样本，并采用独立采集的实测样本数据对三个小麦全蚀病病害指数监测模型的可靠性和精度进行验证，监测模型的验证精2均在0.6以上，其中DSI(R度R818,R534)与小麦全蚀病病害指数构建的监测模型的实测值和预测值具有较高的相关性（R2=0.76，RMSE=0.149，验证样本个数n=20）（如图4-9所示）。研究结果表明由DSI(R818,R534)构建的小麦全蚀病监测模型y=-6.4901×(R818-R534)+1.4613能够有效的监测小麦全蚀病的病害等级。0.70.70.60.60.50.50.40.4y=-6.4901x+1.4613y=6.6171x-1.81822R=0.8605R2=0.6590.30.3RMSE=0.073RMSE=0.1150.20.2小麦全蚀病病害指数小麦全蚀病病害指数0.10.1Diseaseindexofwheattake-allDiseaseindexofwheattake-all000.250.30.350.40.130.180.230.28RSI(R530,R758)DSI(R818,R534)a.RSI与病害指数的线性反演模型b.DSI与病害指数的线性反演模型a.LinearinversionmodelofRSIanddiseaseindexb.LinearinversionmodelofDSIanddiseaseindex0.710.90.60.80.50.70.60.4y=-5.6454x+3.20970.5y=1.1273x+0.0050.3R2=0.6536R2=0.760.4RMSE=0.116RMSE=0.1490.2病害指数预测值0.3小麦全蚀病病害指数0.20.1PredictedofdiseaseindexDiseaseindexofwheattake-all0.1000.460.510.560.6100.20.40.60.81病害指数实测值NDSI(R758,R530)Measuredofdiseaseindexc.NDSI与病害指数的线性反演模型d.实测值与预测值的相关性c.LinearinversionmodelofNDSIanddiseaseindexd.Correlationbetweenpredictedandmeasured图4-9病害指数反演与验证Fig.4-9Retrievingandvalidationofdiseaseindex4.5基于高光谱影像的冬小麦全蚀病病害等级的空间分布利用DSI(R818,R534)构建的小麦全蚀病病害指数监测模型，通过ENVI5.1软件，将采集于小麦灌浆期的UHD185成像高光谱影像数据利用波段运算（Bandmath）工具进行反演，即由DSI(R818,R534)构建的小麦全蚀病监测模型y=-6.4901×(R818-R534)+1.4613，获得基于该监测模型反演的研究区灰度图，并运用ArcMap10.2软件对tiff格式的灰度图像进行构建金字32 塔，通过Toolbox中的计算统计数据工具对影像进行处理，对影像的属性依据病害指数的病害等级划分进行分类，最终得到试验区域全蚀病小麦病害等级空间分布情况（如图4-10所示）。图4-10试验区全蚀病小麦病害等级空间分布Fig.4-10Spatialdistributionofdiseaselevelofwheattake-allinexperimentalarea4.6本章小结本研究利用ASD非成像光谱仪和无人机搭载的UHD185成像光谱仪对研究区冬小麦全蚀病进行病害等级监测，获取了灌浆期冬小麦不同全蚀病病害程度的冠层光谱，并对比分析了ASD非成像光谱数据与UHD185成像光谱数据相应的波段曲线变化趋势，从光谱线性关系的两个层面进行了校验，一方面，发现UHD185成像光谱数据在462~874nm（4~102波段）与相应波段ASD非成像光谱数据的相关性最高，相关系数R2均达到0.97以上，结果表明，UHD185成像高光谱数据在相关特征波段同样能够达到ASD光谱数据的精度要求，但UHD185光谱数据的在874~950nm（102~125波段）并未出现光谱反射率显著的变化，可能的原因是由于实验过程中UHD185传感器与ASD传感器观测角、通道函数差异的影响，目前还没有确切依据能够解释这种差异，在后续的研究中有待解决；另一方面，随着小麦全蚀病病害的加重，发现在可见光和近红外波段的光谱反射率不断降低，不同病害等级之间在近红外波段的变化最为明显，依据这种光谱特征差异，为进行冬小麦全蚀病病害等级监测提供了研究依据。5基于支持向量机方法的冬小麦全蚀病等级监测5.1实验目的本研究依据研究区的冬小麦全蚀病的病害情况，采用无人机平台拍摄获得的UHD185成像高光谱遥感影像，提取研究区样点的冠层平均光谱，结合地面调查样点的小麦全蚀病的病害数据，运用支持向量机（SVM）分类的方法进行研究区冬小麦全蚀病等级监测，选择多种核函数并比较分类结果的精度，优选最适于冬小麦全蚀病等级监测的方法。33 5.2支持向量机基本概念支持向量机（SupportVectorMachine，SVM）是建立在统计学习理论（StatisticalLearningTheory，SLT）基础上的一种机器学习方法，相比常规的学习方法，其具有分类精度高、计算速度快、适应性能强等优点，由Vapnik等[60]在20世纪90年代提出，是近年来被大量采用的机器学习方法，为后续的研究提供了新的思路。在过去的机器学习中，通常运用经验风险最小化原则（EmpiricalRiskMinimization，ERM），其只是主观上的形式并没有经历大量的理论检验[61]，在现实问题中机器学习的VC维越高则置信度越大，使得实际风险和经验风险的区分变大，即产生过度学习现象[62]。由此，统计学习理论提出了新的方法：将函数集变为一个函数子集序列，使得每个子集序列依照VC维的大小进行排列；从各个子集序列中查询较小的经验风险，且在其间考虑经验风险和置信度，得到最小的实际风险，即将其称作为结构风险最小化（StructuralRiskMinimization，SRM）[63]。支持向量机是运用结构风险最小化原则的一种机器学习方法，其能够自行判别对于分类有较大识别能力的支持向量，依据此类方法构建的分类器可以使得类别间的分隔达到最大，采用有限的样本数据在建立的模型中获取学习能力和复杂度间的最大平衡。因此，支持向量机在解决小规模样本、非线性以及高维度模式辨别方面具有良好的普适性、稀疏性和精确性。本研究使用径向基核函数（RadialBasisFunction，RBF）、多项式核函数polynomial、Sigmoid核函数和线性核函数Linear为支持向量机的核函数。5.2.1线性支持向量机支持向量机采用核函数将低维空间的线性不可分问题变成了高维内积空间中的线性划分问题，通过寻找一个最优超平面实现两组不同的特征向量的间隔最大化，有效规避了“维数灾难”且无局部最小值问题。如图5-1所示，图中星形和方形代表着两类样本，H为最优分类超平面，H1和H2是不同类距离最优分类超平面最近的样本且和分类超平面H平行的平面，H1和H2平面之间的距离称为分类间隔。图5-1最优超平面示意图Fig.5-1Theconceptofoptimalhyperplane34 最优超平面可描述为（ω⋅x）+b=0（2）ω⋅x+b≥0,y=+1（3）ω⋅x+b≤0,y=−1（4）ω是超平面的法线方向，此时假设空间为fω,b=sgn(ω⋅x+b)（5）对（ω,b）进行如下约束，其中n是训练样本个数，xi是第i个输入数据，和b分别为超平面的权重向量和截距向量。minω⋅xi+b=1（6）i=1,2...n可知，能够正确区分训练样本的分类超平面不是唯一的，为了达到最优的分类结果，依据以下算法构建决策超平面，可以使得各个类别的类边缘支持向量与超平面间的距离最大化，即分类的最优超平面。为了让超平面将两类样本正确分类，应选择合适的ω和b，由约束条件归一化可得：y（ω⋅x+b）≥1,i=1,2,,ni在训练样本的线性方面，关于最优超平面的问题可转化为以下二次规划问题：12minω（7）2s.t.yi(ω⋅xi+b)≥1,i=1,2,,n该二次规划问题用拉格朗日法进行计算：n12L(αi,ω,b)=ω−αiyi(ω⋅xi+b−1)（8）2i=1其中，αi为训练样本的拉格朗日乘子，最终得到最优决策函数为：nf(x)=sgn(ω⋅x+b)=sgnαiyi(xi⋅x)+b（9）i=1其中n是支持向量的个数，xi是支持向量，b是分类阈值。当训练样本集线性不可分时，对第i个训练样本点引进松弛变量ξ，把约束条件放松为：iy(ω⋅x+b)+ξ≥1,i=1,2,,niii结果如下：n12minω+Cξi（10）2i=135 其中C为惩罚参数，在应用中需要人为设定具体参数值。5.2.2非线性支持向量机训练样本集利用线性判别函数不能区分类与类之间的样本时，此时，支持向量机就需要引进核函数（KernelFunction）处理该非线性分类的问题。通过核函数在复杂训练样本和高维空间中构建映射关系，使得该样本在其中呈近似线性可分，较好处理了高维空间中直接计算的问题。如图5-2所示：图5-2输入空间映射到高维特征空间Fig.5-2Mappingfrominputspacetohigh-dimensionalfeaturespace支持向量机基于核函数实现了把输入空间中的非线性可分问题转变为高维空间中的线性可分问题，通过核函数实现了非线性算法，且算法不会变复杂。在映射中，通过将原输入空间中的核函数K(xixj)=ϕ(xi)⋅ϕ(xj)来实现，非线性可分支持向量机的优化问题如下：n12minω+Cξi（11）2i=1y(ω⋅ϕ(x)+b)+ξ≥1,ξ≥0,i=1,2,,niiii得出相应的决策函数如下：nf(x)=sgnαiyiK(xi,x)+b（12）i=1基于核函数的支持向量机处理非线性可分问题的能力大大加强，且运用相异的核函数可以组成不同的支持向量机分类方法，其中核函数有多种形式，在应用中运用的核函数包括径向基核函数（RadialBasisFunction，RBF）、多项式核函数、Sigmoid型核函数和线性核函数，其表达式如下：（1）径向基核函数：2K(x,x)=exp()−γx−x,0.1≤γ≤1.5（13）ii（2）多项式核函数：36 dK(x,x)=((x⋅x)+1),1≤d≤10（14）ii（3）Sigmoid型核函数：K(x,xi)=tanh(k(x⋅xi)−v),k>0,v>0（15）（4）线性核函数：K(x,xi)=x⋅xi（16）5.3数据分析5.3.1高光谱影像非目标区域掩膜在对高光谱影像进行处理之前，由于影像区域无法避免拍摄到树木、道路和裸土等区域，即背景噪声。在对该影像进行基于核函数的支持向量机分类后会对非目标区域也进行分类，容易对目标区域的地物分类造成干扰；同样，目标区域是不规则图像时，图像中包含部分像元作为背景，对图像进行监督分类时，背景像元同样参与分类，使得对分类结果的精度产生干扰。因此，为了减少对目标区域分类的干扰，则对影像进行非目标区域掩膜。首先进行目标区域矢量边界的提取，构建感兴趣区域，依据该区域构建掩膜（由0和1组成的二值图像，1值对应目标区域，0值对应背景区域），利用该掩膜与待处理影像相乘，得到感兴趣区域影像，该区域数据值不变，而区域外的数据值变为0。对背景区域掩膜后的二值图像如图5-3所示：图5-3掩膜后的二值图像与高光谱影像示意图Fig.5-3Schematicdiagramofmaskedbinaryimageandhyperspectralimage由图可知，通过ENVI5.1软件对原始影像进行的掩膜处理，较好的分离出了研究目标区域，消除了背景噪声对后续小麦全蚀病病害训练样本点提取的影像。37 5.3.2训练样本可分离性分析本研究依据植保部门病害评价标准，并结合地面调查数据将病害分为四类等级：正常，轻微，中等，严重。依据地面实际调查样点，通过ENVI5.1软件的感兴趣区域（RegionofInterest，ROI）来选择对应成像高光谱影像中的训练样本，利用Jeffries-Matusita距离来判断训练样本的可分离性，比较训练样本的可分离性用于验证样本之间的区分，其取值范围为0~2.0之间，当Jeffries-Matusita距离大于1.9时则表明训练样本间的可分性较好，该训练样本为合格样本；小于1.8时，则需重新设置训练样本。本文设定阈值为1.9，依据地面调查样点选取对应训练样本点，每种病害等级均选取10个，不同类别训练样本间的Jeffries-Matusita距离如表5-1所示。表5-1训练样本的可分离性Table5-1Separabilityoftrainingsamples训练样本严重中等轻微正常严重N/A2.0002.0002.000中等2.000N/A2.0002.000轻微2.0002.000N/A2.000正常2.0002.0002.000N/A5.4基于核函数支持向量机的冬小麦全蚀病等级监测及检验本研究分别利用基于径向基、多项式、Sigmoid和线性等核函数的支持向量机方法对冬小麦全蚀病病害等级进行分类。利用ENVI5.1软件基于不同核函数支持向量机方法对高光谱影像进行处理，并对比基于不同核函数支持向量机分类方法的精度。分类结果如图5-4至5-7所示：图5-4基于径向基核函数的小麦全蚀病等级空间分布Fig.5-4Spatialdistributionofwheattake-allgradesbasedonradialbasiskernelfunction38 图5-5基于多项式核函数的小麦全蚀病等级空间分布Fig.5-5Spatialdistributionofwheattake-allgradesbasedonpolynomialkernelfunctions图5-6基于Sigmoid型核函数的小麦全蚀病等级空间分布Fig.5-6Spatialdistributionofwheattake-allgradesbasedonSigmoidkernelfunctions图5-7基于线性核函数的小麦全蚀病等级空间分布Fig.5-7Spatialdistributionofwheattake-allgradesbasedonlinearkernelfunctions为了对基于不同核函数支持向量机方法的小麦全蚀病病害分类效果验证，本研究选择地表验证样本感兴趣区作为真实参考源，且每一类选择10个训练样本区域，并采用通用的检验分类精度的方法对支持向量机的分类精度进行评价：混淆矩阵（confusionmatrix）。混淆矩阵中主要的两个评价指标为：总体分类精度；Kappa系数。39 总体分类精度（OverallAccuracy）：即结果中正确分类的总像元数除以图像的总体像元数。其中被准确分类的像元数目按照混淆矩阵的对角线分布，总像元数为所有真实分类的像元总数。其表达式为：nxiii=1总体分类精度=（17）nnxijj==11iKappa系数：即分类结果中所有真实分类的像元总数（N）乘以混淆矩阵对角线（Xii）的和，再减去某一类中真实参考像元数与该类中被分类像元总数之积后，除以像元总数的平方减去某一类中真实参考像元总数与该类中被分类像元总数之积对所有类别求和的结果。其表达式为：Nxii−（xi⋅xi）iiKappa=（18）n2N−（xi⋅xi）i=1本文中利用混淆矩阵对于四种核函数支持向量机分类方法的精度进行评价，如表5-2至5-5所示。本研究基于地面调查数据，选择地表验证样本感兴趣区作为真实参考源，在高光谱影像中对应选取小麦全蚀病病害等级的监督分类训练样本区域，每类病害等级均选取10个，由以上混淆矩阵分析结果可得出，径向基、多项式、Sigmoid和线性等核函数的分类精度均达到了85%以上，多项式、Sigmoid和线性等核函数的总体分类精度分别为89.34%、85.79%和89.07%，而基于径向基核函数的支持向量机方法总体分类精度达到了90.35%，Kappa系数为0.86。因此，相较于另外三种核函数，基于径向基核函数的支持向量机方法对于小麦全蚀病病害等级的分类结果最优。表5-2基于径向基核函数的支持向量机分类的混淆矩阵及分类精度Table5-2Supportvectormachineclassificationconfusionmatrixandclassificationaccuracybasedonradialbasiskernelfunction类别严重#1中等#1轻微#1正常#1总量严重5923300625中等510860119轻微0132450258正常00125759884总量5971543767591886总体精度90.35%Kappa系数0.8640 表5-3基于多项式核函数的支持向量机分类的混淆矩阵及分类精度Table5-3Supportvectormachineclassificationconfusionmatrixandclassificationaccuracybasedonpolynomialkernelfunction类别严重#1中等#1轻微#1正常#1总量严重5822900611中等15107160138轻微0182370255正常00123759882总量5971543767591886总体精度89.34%Kappa系数0.84表5-4基于Sigmoid型核函数的支持向量机分类的混淆矩阵及分类精度Table5-4SupportvectormachineclassificationconfusionmatrixandclassificationaccuracybasedonSigmoidkernelfunction类别严重#1中等#1轻微#1正常#1总量严重5894100630中等884580150轻微0291860215正常00132759891总量5971543767591886总体精度85.79%Kappa系数0.79表5-5基于线性核函数的支持向量机分类的混淆矩阵及分类精度Table5-5Supportvectormachineclassificationconfusionmatrixandclassificationaccuracybasedonlinearkernelfunction类别严重#1中等#1轻微#1正常#1总量严重5651800583中等3212810161轻微0826537310正常00110722832总量5971543767591886总体精度89.07%Kappa系数0.845.5本章小结本研究利用UHD185高光谱影像数据和地面调查数据构建基于最优核函数支持向量机的冬小麦全蚀病的等级监测方法。采用基于径向基、多项式、Sigmoid和线性等核函数的支持向量机分类方法对小麦全蚀病病害等级的分类精度进行检验。结果表明，利用基于径向基核函数的支持向量机方法的结果精度最佳，达到了90.35%，Kappa系数为0.86，高于多项式、Sigmoid和线性等核函数支持向量机分类方法的监测精度（89.34%、85.79%和89.07%），获得了较好的小麦全蚀病病害等级空间分布效果。由第四章基于差值光谱指数DSI(R818,R534)41 特征波段组合构建的小麦全蚀病等级监测模型的精度为86.05%，相较于本章中径向基核函数的支持向量机分类方法，基于光谱指数方法构建的小麦全蚀病病害等级监测模型的分类精度较低。基于径向基核函数的支持向量机分类方法能够有效地对小麦全蚀病的发生发展进行实时的监测，有效指导农民对于病害区域的精准防治。同时，还能够大大的减少农药对于农田生态环境的破坏，对于维护我国国家粮食安全和稳步增产有重要的意义。6结论与讨论6.1结论传统的冬小麦病虫害监测手段缺乏时效性且耗费大量人力物力，近年来，国内外部分学者开始运用无人机成像高光谱技术监测作物长势及空间分布反演，技术理论逐步成熟，为精准农业的发展提供了关键性条件，但关于无人机监测冬小麦全蚀病却鲜有报道。本文从小麦全蚀病对冬小麦危害的严重性角度论证了监测小麦全蚀病病害发展的必要性，在冬小麦灌浆期获取了不同全蚀病冬小麦病害程度冠层光谱的地面ASD光谱数据和空中UHD185光谱数据，其中，相较于UHD185成像光谱仪，ASD非成像光谱仪由于方便操作和携带以及包含较高的光谱分辨率，其已经在作物长势和病虫害监测中经历了长期的考验和实践，成为了农作物研究领域的重要工具。因此在利用UHD185光谱数据对不同冬小麦全蚀病的冠层光谱信息进行分析之前，对于UHD185光谱数据的可靠性和精度评价是非常必要的。本文基于UHD185光谱数据利用光谱指数的方法进行了研究，并分析了不同小麦全蚀病病害等级的冠层光谱特征。首先，评估了基于无人机高光谱遥感数据构建的DSI(R818,R534)、NDSI(R758,R530)和RSI(R530,R758)三种光谱指数监测冬小麦全蚀病病害等级的能力；其次，比较了基于不同核函数的支持向量机方法对于小麦全蚀病的分类精度。研究结论如下：（1）通过对比分析ASD非成像光谱仪与UHD185成像光谱仪采集不同全蚀病小麦病害程度的冠层光谱信息，发现UHD185光谱数据在462~874nm（4~102波段）范围内最适于监测冬小麦全蚀病的病害等级，且冠层光谱反射率在近红外波段的变化最为明显，且病害等级间的光谱反射率响应表现为：正常>轻微>中等>严重。究其原因是随着冬小麦病害指数不断的升高，在近红外波段的冬小麦冠层光谱反射率不断降低，根据此类光谱响应差异的原理，为小麦全蚀病等级监测提供了研究方向。（2）通过MATLAB软件自编程序获取任意两个波段光谱反射率与病害指数决定系数2最高的特征波段组合，并建立基于特征波段组合的光谱指数。相比NDSI(RR758,R530)与RSI(R530,R758)光谱指数特征波段组合，基于DSI(R818,R534)差异光谱指数与病害指数构建的线性回归模型具有较高的相关性，该监测模型的相关系数R2达到了0.8605，均方根误差RMSE为0.073；独立样本检验模型的R2达到了0.76，RMSE为0.149。结果表明，构建的冬小麦全蚀病病害监测模型在结构、精度和可靠性上均表现良好，能够精准反演冬小麦全蚀病的发42 病相应区域与对应的病害等级。本研究建立的监测模型结构简单、意义明确，易于模型的推广与应用，为冬小麦全蚀病的防治以及其他作物病害在精细光谱尺度上的监测提供了解决思路。（3）利用UHD185高光谱影像数据和地面调查数据构建基于最优核函数支持向量机的冬小麦全蚀病的等级监测方法。采用基于径向基、多项式、Sigmoid和线性等核函数的支持向量机分类方法对小麦全蚀病病害等级的分类精度进行检验。结果表明，相比光谱指数方法构建的小麦全蚀病等级监测模型，基于径向基核函数支持向量机方法的结果精度最佳，达到了90.35%，Kappa系数为0.86，该方法对于研究区小麦全蚀病病害等级的分类精度最高，采用该方法能够有效地对小麦全蚀病的发生发展进行实时的监测，有效指导农民对于病害区域的精准防治。同时，还能够有效的降低农药对于农田的生态破坏，对于维护粮食安全和产量有重要的作用。6.2讨论本研究中采用无人机成像高光谱和地面调查数据，从高光谱影像的光谱特征等方面检验了基于无人机成像高光谱监测小麦全蚀病的意义，但该监测模型还需要进一步的改进，有以下几个方面需要改善：（1）病虫害监测模型方法的改善。本研究建立的基于光谱指数方法的监测模型对于冬小麦全蚀病能够有效的监测，但还不足以应对复杂环境条件下的特殊情况，有很多学者已基于连续小波分析（CWA）的方法做小麦病虫害的鉴别监测，研究表明，基于连续小波分析的光谱鉴别方法具备很好的适应性和精确性，对于支持农田复杂环境下的病虫害区分和监测显示出了很好的应用潜力，在后续的研究中会进一步利用统计分析的方法，完善本研究模型性能。（2）病虫害种类细分。本研究中高光谱影像监测模型的建立仅限于冬小麦全蚀病的监测，无法适用于其他病害种类。一块研究区域不可能仅限于一种小麦病虫害，由于冬小麦受到小麦全蚀病侵染后会导致其出现“白穗现象”，然而这不是小麦全蚀病的特有症状表现，其他小麦病虫害如纹枯病、茎基腐病、赤霉病、蚜虫等同样会造成小麦产生白穗，因此，本研究构建的监测模型方法还无法鉴别同类病害症状的病虫害类型，需要结合更多的机器学习方法和大量数据样本构建小麦病虫害的监测模型，提升模型的可靠性和精度，所以在监测病虫害发生发展程度的基础上，对于冬小麦多种病虫害类型精准区分是下一步研究的主要方向。（3）病虫害监测区域尺度。本研究需要继续在监测区域尺度上继续扩展，结合研究区域气候、地理、卫星遥感和地面调查等数据提高模型对于小麦生长环境的适应性，构建冬小麦病虫害区域尺度监测模型，使其能够精准高效的执行大面积冬小麦病虫害的监测任务。43 参考文献[1]李月华.植物保护在农业生产中的作用[J].科学中国人,1995(4):37-39.[2]李丽霞.小麦全蚀病及其防治技术[J].河南农业,2004(11):26-26.[3]余洪菊.小麦全蚀病症状辨别及防治方法探析[J].农业灾害研究,2017,7(2).[4]AsherMJC,ShiptonPJ.Biologyandcontroloftake-all.[J].1981.[5]郝祥之.小麦全蚀病及其防治[M].上海科学技术出版社,1982.[6]李洪连,袁红霞,王守正,等.河南省小麦全蚀病的发生与防治对策[J].河南农业科学,1993(12):17-18.[7]彭娟.小麦内生细菌对小麦全蚀病的生物防治研究[D].河南大学,2008.[8]张竞成,袁琳,王纪华,等.作物病虫害遥感监测研究进展[J].农业工程学报,2012,28(20):1-11.[9]乔红波,师越,司海平,等.基于无人机数字图像与高光谱数据融合的小麦全蚀病等级的快速分类技术[J].植物保护,2015(6):157-162.[10]王玉双.控制小麦全蚀病扩展蔓延的措施[J].中国植保导刊,2002,22(7):38-38.[11]王珂,吴迪,王堃,等.小麦全蚀病的发生规律与综合防治技术[J].科技信息,2010(24):370-371.[12]乔旭,陈华,王金召.小麦全蚀病的研究进展[J].农业科技通讯,2011(9):135-137.[13]李洪连,袁红霞,王守正,等.河南省小麦全蚀病的发生与防治对策[J].河南农业科学,1993(12):17-18.[14]乔红波,师越,司海平,等.基于近地成像光谱的小麦全蚀病等级监测[J].农业工程学报,2014,30(20):172-178.[15]许兰杰,聂战胜,詹克慧.河南省小麦全蚀病的发生与综合防治技术[J].安徽农学通报,2009,15(12):115-117.[16]YueJ,YangG,LiC,etal.EstimationofWinterWheatAbove-groundBiomassUsingUnmannedAerialVehicle-basedSnapshotHyperspectralSensorandCropHeightImprovedModels[J].RemoteSensing,2017,9(7):708.[17]HuangJ,SunYH,WangMY,etal.Juveniletreeclassificationbasedonhyperspectralimageacquiredfromanunmannedaerialvehicle[J].InternationalJournalofRemoteSensing,2017,38(8-10):2273-2295.[18]LiuH,ZhuH,WangP.QuantitativemodellingforleafnitrogencontentofwinterwheatusingUAV-basedhyperspectraldata[M].Taylor&Francis,Inc.2017.[19]NevalainenO,HonkavaaraE,TuominenS,etal.IndividualTreeDetectionandClassificationwithUAV-BasedPhotogrammetricPointCloudsandHyperspectralImaging[J].Remote44 Sensing,2017,3(185):185.[20]NäsiR,HonkavaaraE,LyytikäinensaarenmaaP,etal.UsingUAV-BasedPhotogrammetryandHyperspectralImagingforMappingBarkBeetleDamageatTree-Level[J].RemoteSensing,2015,7(11):15467-15493.[21]CapolupoA,KooistraL,BerendonkC,etal.EstimatingPlantTraitsofGrasslandsfromUAV-AcquiredHyperspectralImages&58;AComparisonofStatisticalApproaches[J].ISPRSInternationalJournalofGeo-Information,2015,4(4):2792-2820.[22]ShiY,HuangW,LuoJ,etal.Detectionanddiscriminationofpestsanddiseasesinwinterwheatbasedonspectralindicesandkerneldiscriminantanalysis[J].Computers&ElectronicsinAgriculture,2017,141:171-180.[23]HuangW,GuanQ,LuoJ,etal.NewOptimizedSpectralIndicesforIdentifyingandMonitoringWinterWheatDiseases[J].IEEEJournalofSelectedTopicsinAppliedEarthObservations&RemoteSensing,2014,7(6):2516-2524.[24]GraeffS,LinkJ,ClaupeinW.Identificationofpowderymildew(Erysiphegraminis,sp.tritici)andtake-alldisease(Gaeumannomycesgraminis,sp.tritici)inwheat(Triticumaestivum,L.)bymeansofleafreflectancemeasurements[J].CentralEuropeanJournalofBiology,2006,1(2):275-288.[25]MoshouD,BravoC,WestJ,etal.Automaticdetectionof'yellowrust'inwheatusingreflectancemeasurementsandneuralnetworks.[J].Computers&ElectronicsinAgriculture,2004,44(3):173-188.[26]LiuZY,WuHF,HuangJF.Applicationofneuralnetworkstodiscriminatefungalinfectionlevelsinricepaniclesusinghyperspectralreflectanceandprincipalcomponentsanalysis.[J].Computers&ElectronicsinAgriculture,2010,72(2):99-106.[27]YangCM,ChengCH,ChenRK.ChangesinSpectralCharacteristicsofRiceCanopyInfestedwithBrownPlanthopperandLeaffolder[J].CropScience,2007,47(1):329-335.[28]YuanL,BaoZY,TianJH,etal.SpectralDifferentiationamongDifferentDiseasesandPestsinWinterWheatUsingContinuousWaveletAnalysis[J].GeographyandGeo-InformationScience,2017.[29]ZhangJ,WangN,YuanL,etal.Discriminationofwinterwheatdiseaseandinsectstressesusingcontinuouswaveletfeaturesextractedfromfoliarspectralmeasurements[J].BiosystemsEngineering,2017,162:20-29.[30]LiangD,LiuN,ZhangD,etal.Discriminationofpowderymildewandyellowrustofwinterwheatusinghigh-resolutionhyperspectraandimageries[J].Infrared&LaserEngineering,2017,46(1):138004.45 [31]高林,杨贵军,于海洋,等.基于无人机高光谱遥感的冬小麦叶面积指数反演[J].农业工程学报,2016,32(22):113-120.[32]罗菊花,黄木易,赵晋陵,等.冬小麦灌浆期蚜虫危害高光谱特征研究[J].农业工程学报,2011,27(7):000215-219.[33]范友波,顾晓鹤,王双亭,等.冬小麦白粉病冠层光谱特征解析与病情指数反演[J].麦类作物学报,2017,37(1):136-143.[34]刘鹏,张竞成,杨娉婷,等.多生育期小麦条锈病光谱波段优选及监测研究[J].中国生物防治学报,2017(6).[35]刘琦,李薇,王翠翠,等.基于Logistic、IBk以及Randomcommittee方法的条锈病潜育期小麦冠层光谱的定性识别[J].植物保护学报,2018(01):146-152.[36]王利民,刘佳,邵杰,等.基于高光谱的春玉米大斑病害遥感监测指数选择[J].农业工程学报,2017,33(5):170-177.[37]董锦绘,杨小冬,杨贵军,等.基于近地高光谱信息的小麦条锈病病情指数反演[J].麦类作物学报,2016,36(12):1674-1680.[38]刘琦,谷医林,王翠翠,等.基于偏最小二乘法的小麦条锈病潜育期冠层高光谱分析[J].植物保护学报,2018(01):138-145.[39]鲁军景,黄文江,张竞成,等.基于小波特征的小麦白粉病与条锈病的定量识别[J].光谱学与光谱分析,2016,36(6):1854-1858.[40]沈文颖,李映雪,冯伟,等.基于因子分析-BP神经网络的小麦叶片白粉病反演模型[J].农业工程学报,2015,31(22):183-190.[41]YaoX,JiaW,SiH,etal.Exploringnovelbandsandkeyindexforevaluatingleafequivalentwaterthicknessinwheatusinghyperspectrainfluencedbynitrogen.[J].PlosOne,2014,9(6):e96352.[42]ZhangM,LiuX,O''NeillM.SpectraldiscriminationofPhytophthorainfestansinfectionontomatoesbasedonprincipalcomponentandclusteranalyses[J].InternationalJournalofRemoteSensing,2002,23(6):1095-1107.[43]SidumoAJ,NansenC,CaparedaS.VariogramAnalysisofHyperspectralDatatoCharacterizetheImpactofBioticandAbioticStressofMaizePlantsandtoEstimateBiofuelPotential[J].AppliedSpectroscopy,2010,64(6):627-636.[44]刘爱民,封志明,徐丽明.现代精准农业及我国精准农业的发展方向[J].中国农业大学学报,2000,5(2):20-25.[45]管青松.冬小麦叶面积指数反演与病害光谱识别研究[D].安徽大学,2014.[46]隋学艳,王汝娟,姚慧敏,等.农业气象灾害遥感监测研究进展[J].中国农学通报,2014,30(17):284-288.46 [47]NilssonH.RemoteSensingandImageAnalysisinPlantPathology[J].AnnualReviewofPhytopathology,1995,33(1):489.[48]陈鹏程,张建华,雷勇辉,等.高光谱遥感监测农作物病虫害研究进展[J].中国农学通报,2006,22(3):388-391.[49]黄文江,张竞成,师越,,等.作物病虫害遥感监测与预测研究进展[J].南京信息工程大学学报(自然科学版),2018,10(01):30-43.[50]姚云军,秦其明,张自力,等.高光谱技术在农业遥感中的应用研究进展[J].农业工程学报,2008,24(7):301-306.[51]吴青雷.小麦根、茎病害严重度分级与减产损失率测定[J].植物保护,1993,19(2):44-45.[52]陈怀谷.小麦全蚀病菌的遗传组成和病害的防治技术研究[D].南京农业大学,2012.[53]王宁,冯彦霞,杜文珍,等.小麦全蚀病菌致病力测定及品种抗病性研究[J].植物遗传资源学报,2012,13(3):478-483.[54]LiF,MisteleB,HuY,etal.ComparinghyperspectralindexoptimizationalgorithmstoestimateaerialNuptakeusingmulti-temporalwinterwheatdatasetsfromcontrastingclimaticandgeographiczonesinChinaandGermany[J].Agricultural&ForestMeteorology,2013,180(8):44-57.[55]YaoX,JiaW,SiH,etal.Exploringnovelbandsandkeyindexforevaluatingleafequivalentwaterthicknessinwheatusinghyperspectrainfluencedbynitrogen[J].PlosOne,2014,9(6):e96352.[56]秦占飞,常庆瑞,谢宝妮,等.基于无人机高光谱影像的引黄灌区水稻叶片全氮含量估测[J].农业工程学报,2016,32(23):77-85.[57]HorlerDNH,DockrayM,BarberJ.Therededgeofplantleafreflectance[J].InternationalJournalofRemoteSensing,1983,4(2):273-288.[58]王大成,张东彦,赵晋陵,等.基于红边位置提取验证成像与非成像高光谱数据的一致性[J].光谱学与光谱分析,2011,31(9):2450-2454.[59]Bonham-CarterGF.Numericalproceduresandcomputerprogramforfittinganinvertedgaussianmodeltovegetationreflectancedata[J].Computers&Geosciences,1988,14(3):339-356.[60]VladimirN.Vapnik,张学工.统计学习理论的本质[M].清华大学出版社,2000.[61]KunJia,QiangziLi,YichenTian,etal.Cropclassificationusingmulti-configurationSARdataintheNorthChinaPlain[J].InternationalJournalofRemoteSensing,2012,33(1):170-183.[62]ShaoY,ZhaoC,BaoY,etal.QuantificationofNitrogenStatusinRicebyLeastSquaresSupportVectorMachinesandReflectanceSpectroscopy[J].Food&BioprocessTechnology,2012,5(1):100-107.47 [63]谭琨,杜培军.基于支持向量机的高光谱遥感图像分类[J].红外与毫米波学报,2008,27(2):123-128.48 Monitoringandclassificationofwheattake-allinfieldbasedonUAVhyperspectralimageSupervisor:Prof.QiaoHongbo&GuoWeiMaster(Ph.D)Candidate:ZhuYaohuiABSTRACTWheatisoneofthemostimportantfoodcropsinChina.Inrecentyears,wheatpestsanddiseaseshaveoccurredonalargescaleinsomeareasofChina,resultinginreducedwinterwheatproductionandreducedquality.Withtheemergenceofremotesensingtechnologyandtheneedforprecisemanagementofwheatcropsatregionalscale,theuseofremotesensingtechnologytoobtain,processandmonitortheoccurrenceanddevelopmentofwheatpestsanddiseaseshasbecomeaneffectivemeans,especiallyinrecentyears,thedevelopmentofhyperspectralremotesensingmonitoringtechnology.Comparedwithtraditionalspectroscopicspectrometers,eachpixelinahyperspectralimageobtainedusingthistechniquecontainsuniquespectraldata,whichachievestheeffectof“mapandspectrumintegration”ofremotesensingdataandcannotonlycausewheatdiseasesandinsectpests.Thewatercontent,nitrogencontent,chlorophyllcontent,andtissuemorphologyoftheleavesproducespectralresponses,andcanalsoprovideabetterspatialvisualizationofthespectralcharacteristicsexhibitedbythewheatleaves,providinganimportantbasisforquantitativeremotesensingmonitoringofwheatpestsanddiseases.Researchbasis.Inthisstudy,theWheatTake-allwastakenastheresearchobject,andthelevelofdiseasemonitoringofWheatTake-allwasthemainresearchcontent.Large-scale,real-timeandnon-destructivemonitoringoftheextentofWheatTake-allisimportantforitspreventionandcontrol.CanopyspectralreflectanceobtainedbytheASDnon-imagingspectrometeronthecanopyscaleofthewinterwheatinthestudyareaandtheUHD185imagingspectrometermountedontheUAVplatformisused.Combinedwiththegroundsurveydata,amonitoringmodelforthelevelofWheatTake-allwasestablishedinthisareatoprovidetimelyandaccurateguidanceforthepreventionandcontrolofWheatTake-all.ThispaperusesASDspectraldatatoevaluatetheaccuracyandreliabilityofUHD185spectraldata,andthencomparesthecorrespondingwheatcanopyspectralresponsedifferencesunderdifferentdiseaseindexofWheatTake-all,andbuildsahyperspectralremotesensingmonitoringmodelofWheatTake-all.Anduseindependentsampledatatotestthereliabilityandaccuracyofthemonitoringmodel.TheresultsshowedthattheASDspectraldataofwinterwheatcanopywere49 significantlycorrelatedwithUHD185spectraldata,andthedeterminationcoefficientR2wasgreaterthan0.97.TheUHD185imaginghyperspectraldatawasselectedtobethemostreliable(462-874nm)range(4~102bands).First,acomprehensiveanalysisofthedifferencespectralindex(DSI),ratiospectralindex(RSI),normalizeddifferencespectralindex(NDSI),andthequantificationofdiseaseindexofWheatTake-allintherangeof462to874nmRelationships,toconstructamonitoringmodelofdiseaseseverityofWheatTake-all,theanalysisshowsthatthelinearregressionmodelconstructedbydifferencespectralindexDSI(R818,R534)andwheatdiseaseindexofWheatTake-allhasahighcorrelation(decisioncoefficientR2=0.8605,Rootmeansquareerror(RMSE=0.073,numberofmodeledsamplesn=20).BasedontheWheatTake-allmonitoringmodel,independentmodeldatawereaddedtoverifythemodel.TestsshowedthatthepredictedvalueofthediseaseindexofWheatTake-allwasThemeasuredvalueshaveahighcorrelation(R2=0.76,RMSE=0.149,numberoftestsamplesn=20).Secondly,classificationmethodsbasedonradialbasisfunction,polynomial,Sigmoidandlinearkernelsupportvectormachines(SVM)areusedtoclassifyhyperspectralimagesinthestudyarea.Theclassificationresultsareverifiedbyrealreferencesources,andradialbasisfunction,polynomial,Sigmoid,andlinearityarecompared.Theclassificationaccuracyofthekernelfunctionswasevaluated.ThesupportvectormachinemethodbasedonradialbasisfunctionwasfoundtohavethebestclassificationeffectonWheatTake-all.Theclassificationaccuracyreached90.35%andtheKappacoefficientwas0.86.ComparedwiththespectralindexThemethodhasahigherclassificationaccuracyfortheWheatTake-all.Therefore,basedontheradialbasisfunctionsupportvectormachinemethod,wecaneffectivelymonitorthediseaselevelofWheatTake-all.ThispaperprovidestheresearchbasisfortheapplicationofUAVhyperspectralremotesensingtechnologyintheprecisemonitoringandapplicationofWheatTake-all.Keyword：UAVremotesensing;Hyperspectral;WheatTake-all;Supportvectormachine;Spectralindex50
此文档下载收益归作者所有
