基于无人机多光谱影像的槟榔黄化病遥感监测
发布时间：2021-07-31 02:03
黄化病是一种严重危害槟榔生长的病害,迫切需要及时、准确地监测其侵染的严重度差异和空间分布。低空无人机遥感可有效解决槟榔种植区由于多云雨天气而造成光学卫星影像获取不足,提高槟榔黄化病监测的实时性。该文利用大疆精灵Phantom 4 Pro V2.0四旋翼无人机搭载MicaSense RedEdge-M多光谱相机获取5波段多光谱影像,基于最小冗余最大相关算法（Minimum Redundancy Maximum Relevance,m RMR）从15个潜在的植被指数中优选比值植被指数（Ratio VegetationIndex,RVI）、改进的简单比值指数（ModifiedSimpleRatioIndex,MSR）和花青素反射指数（Anthocyanin Reflectance Index,ARI）作为敏感特征,分别利用后向传播神经网络（Back Propagation Neural Network, BPNN）、随机森林（Random Forest, RF）和支持向量机（Support Vector Machine, SVM）分类算法,构建了槟榔黄化病严重度监测模型。结果表明,BPNN模...
【文章来源】：农业工程学报. 2020,36(08)北大核心EICSCD
【文章页数】：8 页
【部分图文】：
研究区地理位置及样本点空间分布
利用m RMR方法进一步对15个植被指数进行筛选，得到特征重要性从高到低的顺序为：RVI、MSR、ARI、GNDVI、OSAVI、WDRVI、NDVI、EVI、TVI、NDGI、MSAVI、PSRI、SAVI、RDVI和DVI。为了进一步确定最优特征，分别输入15个特征变量构建BPNN分类模型，得到图2所示的特征变量个数与总体精度（Overall Accuracy,OA）关系曲线。由图2可知，当特征个数为3时分类精度达到最大值91.7%；随着特征变量个数的增加，总体精度开始下降且波动幅度较小，因此确定最优特征变量个数为3。根据特征重要性优先原则，选择RVI、MSR、ARI作为最优特征组合。分析筛选的植被指数构建机理可以发现，RVI增强了植被与土壤之间的辐射差异，能够表征不同植被覆盖下的生物量信息并与叶绿素含量高度相关[42];MSR能够改善由于植被生化参数变化而出现的饱和性问题，且能够克服大气、土壤和背景等因素的影响[43];ARI可用于植物的色素成分和含量变化分析[44]，可以很好地指示槟榔黄化病发生时色素成分和含量的变化。由于槟榔树有一定的种植间距，从影像上看会有一定面积的裸露土壤，故RVI可减小土壤背景对槟榔树光谱的影响。因此，利用RVI、MSR和ARI指数的组合能有效地提取槟榔黄化病信息。
对比BPNN模型、RF模型和SVM模型的结果，发现BPNN模型的监测效果好于RF模型和SVM模型。主要由于BPNN方法具有较强的非线性拟合能力和泛化能力，建立的网络模型稳定性较好，使得BPNN可较为准确地实现小区域的槟榔黄化病严重度监测。SVM虽然能通过核函数的选择处理各种非线性问题，但是SVM算法对核函数以及惩罚因子等参数的选择较为复杂，使其在线性、非线性、分类以及回归等应用中受到一定的限制[45]，且SVM多用于解决二分类问题。RF具有较强的容噪能力，也不易产生过度拟合现象[46]，但是该方法参数较复杂，且RF的决策容易受取值划分较多的特征影响，导致模型的精度受到影响。3 结论
【参考文献】：
期刊论文
[1]基于无人机多光谱影像的夏玉米叶片氮含量遥感估测[J]. 魏鹏飞,徐新刚,李中元,杨贵军,李振海,冯海宽,陈帼,范玲玲,王玉龙,刘帅兵. 农业工程学报. 2019(08)
[2]海南槟榔种植、加工产业发展现状及对策研究[J]. 孙慧洁,龚敏. 热带农业科学. 2019(02)
[3]基于无人机高光谱遥感的柑橘黄龙病植株的监测与分类[J]. 兰玉彬,朱梓豪,邓小玲,练碧桢,黄敬易,黄梓效,胡洁. 农业工程学报. 2019(03)
[4]万宁市南部地区槟榔黄化病情调查[J]. 杨春雨,战晴晴,周亚奎,张玉秀. 中国药业. 2018(01)
[5]基于高光谱成像技术的菊花花色表型和色素成分分析[J]. 伏静,戴思兰. 北京林业大学学报. 2016(08)
[6]基于mRMR特征优选算法的多光谱遥感影像分类效率精度分析[J]. 程希萌,沈占锋,邢廷炎,夏列钢,吴田军. 地球信息科学学报. 2016(06)
[7]基于t检验和弹性网的数据分类特征选择方法[J]. 肖忆南,谢榕,杜娟. 小型微型计算机系统. 2015(10)
[8]基于BP神经网络的麦蚜最大虫株率预测[J]. 靳然,李生才. 山西农业大学学报(自然科学版). 2015(04)
[9]基于可见光波段无人机遥感的植被信息提取[J]. 汪小钦,王苗苗,王绍强,吴云东. 农业工程学报. 2015(05)
[10]基于随机森林回归算法的小麦叶片SPAD值遥感估算[J]. 王丽爱,马昌,周旭东,訾妍,朱新开,郭文善. 农业机械学报. 2015(01)
本文编号：3312547
【文章来源】：农业工程学报. 2020,36(08)北大核心EICSCD
【文章页数】：8 页
【部分图文】：
研究区地理位置及样本点空间分布
利用m RMR方法进一步对15个植被指数进行筛选，得到特征重要性从高到低的顺序为：RVI、MSR、ARI、GNDVI、OSAVI、WDRVI、NDVI、EVI、TVI、NDGI、MSAVI、PSRI、SAVI、RDVI和DVI。为了进一步确定最优特征，分别输入15个特征变量构建BPNN分类模型，得到图2所示的特征变量个数与总体精度（Overall Accuracy,OA）关系曲线。由图2可知，当特征个数为3时分类精度达到最大值91.7%；随着特征变量个数的增加，总体精度开始下降且波动幅度较小，因此确定最优特征变量个数为3。根据特征重要性优先原则，选择RVI、MSR、ARI作为最优特征组合。分析筛选的植被指数构建机理可以发现，RVI增强了植被与土壤之间的辐射差异，能够表征不同植被覆盖下的生物量信息并与叶绿素含量高度相关[42];MSR能够改善由于植被生化参数变化而出现的饱和性问题，且能够克服大气、土壤和背景等因素的影响[43];ARI可用于植物的色素成分和含量变化分析[44]，可以很好地指示槟榔黄化病发生时色素成分和含量的变化。由于槟榔树有一定的种植间距，从影像上看会有一定面积的裸露土壤，故RVI可减小土壤背景对槟榔树光谱的影响。因此，利用RVI、MSR和ARI指数的组合能有效地提取槟榔黄化病信息。
对比BPNN模型、RF模型和SVM模型的结果，发现BPNN模型的监测效果好于RF模型和SVM模型。主要由于BPNN方法具有较强的非线性拟合能力和泛化能力，建立的网络模型稳定性较好，使得BPNN可较为准确地实现小区域的槟榔黄化病严重度监测。SVM虽然能通过核函数的选择处理各种非线性问题，但是SVM算法对核函数以及惩罚因子等参数的选择较为复杂，使其在线性、非线性、分类以及回归等应用中受到一定的限制[45]，且SVM多用于解决二分类问题。RF具有较强的容噪能力，也不易产生过度拟合现象[46]，但是该方法参数较复杂，且RF的决策容易受取值划分较多的特征影响，导致模型的精度受到影响。3 结论
【参考文献】：
期刊论文
[1]基于无人机多光谱影像的夏玉米叶片氮含量遥感估测[J]. 魏鹏飞,徐新刚,李中元,杨贵军,李振海,冯海宽,陈帼,范玲玲,王玉龙,刘帅兵. 农业工程学报. 2019(08)
[2]海南槟榔种植、加工产业发展现状及对策研究[J]. 孙慧洁,龚敏. 热带农业科学. 2019(02)
[3]基于无人机高光谱遥感的柑橘黄龙病植株的监测与分类[J]. 兰玉彬,朱梓豪,邓小玲,练碧桢,黄敬易,黄梓效,胡洁. 农业工程学报. 2019(03)
[4]万宁市南部地区槟榔黄化病情调查[J]. 杨春雨,战晴晴,周亚奎,张玉秀. 中国药业. 2018(01)
[5]基于高光谱成像技术的菊花花色表型和色素成分分析[J]. 伏静,戴思兰. 北京林业大学学报. 2016(08)
[6]基于mRMR特征优选算法的多光谱遥感影像分类效率精度分析[J]. 程希萌,沈占锋,邢廷炎,夏列钢,吴田军. 地球信息科学学报. 2016(06)
[7]基于t检验和弹性网的数据分类特征选择方法[J]. 肖忆南,谢榕,杜娟. 小型微型计算机系统. 2015(10)
[8]基于BP神经网络的麦蚜最大虫株率预测[J]. 靳然,李生才. 山西农业大学学报(自然科学版). 2015(04)
[9]基于可见光波段无人机遥感的植被信息提取[J]. 汪小钦,王苗苗,王绍强,吴云东. 农业工程学报. 2015(05)
[10]基于随机森林回归算法的小麦叶片SPAD值遥感估算[J]. 王丽爱,马昌,周旭东,訾妍,朱新开,郭文善. 农业机械学报. 2015(01)
本文编号：3312547
本文链接：https://www.wllwen.com/wenshubaike/kaixinbaike/3312547.html