查看更多>>摘要:为了确定最佳的无人机高光谱遥感检测水稻冠层叶瘟病分类模型,以水稻大田试验为研究基础,获取了 400~1 000 nm波段内的无人机高光谱图像,参照国家标准GBT 15790-2009稻瘟病测报调查规范,按病情指数将叶瘟病划为5个等级,提取了 0~4级共227组高光谱数据.采用Savitzky-Golay平滑(SG平滑)、一阶微分光谱(1-Der)和二阶微分光谱(2-Der)对数据进行预处理,并构建SVM模型,对比得出较优的预处理方法.采用主成分分析法(PCA)选取主成分累计贡献率;连续投影法(SPA)和随机青蛙法(RF)筛选光谱特征波段,并将筛选的结果作为模型的输入,分别构建粒子群优化的极限学习机(PSO-ELM)、极限学习机(ELM)、支持向量机(SVM)和决策树(DT)分类模型,并对模型进行对比分析得出最优分类模型.结果表明:相比于1-Der和2-Der,SG平滑方法的去噪效果较好,分类准确率较高,是较优的预处理方法,分类准确率和Kappa系数分别为93.47%、91.85%.PCA的前2个PC的累计贡献率为93.13%,为了模型的有效构建,最终选取了前6个PC,累计贡献率为99.02%.SPA使用RMSE作为最佳光谱特征波段选择标准,共显示了 7个最佳光谱特征波段,其中可见光波段为400.8、416.7和426.2 nm,绿光波段为566 nm,红光波段为683.9 nm,近红外波段为830.2和916.4 nm.RF将筛选概率大于0.2的波段选为最佳光谱特征波段,最终筛选了 8个光谱特征波段,其中红光波段为663.4和694.2 nm,近红外波段为784.4、787.9、791.4、905.5、927.2和930.9 nm,该方法有效地降低了波段间相关性和冗余性.将3种筛选结果分别构建分类模型,结果显示所有模型的总体分类准确率全部大于92.61%,建模结果较好;其中,以PSO-ELM模型对PCA的分类准确率达到97.77%,Kappa系数为97.22%,在所有模型中分类准确率最高,相比于ELM模型的最高分类准确率和Kappa系数高1.42%和1.56%,相比于SVM模型的最高分类准确率和Kappa系数高2.12%和2.66%,相比于DT模型的最高分类准确率和Kappa系数高4.44%和5.58%.综合评价PSO-ELM模型的建模效果优于ELM模型、SVM模型和DT模型,是最优的分类模型.因此,利用无人机高光谱遥感检测水稻叶瘟病具有可行性,为水稻生产和叶瘟病的检测提供科学依据和技术支持.