论文摘要
本研究通过对浙江省和黑龙江省6个县（市、区）5种水稻病虫害的观测,运用多种数据处理方法,选择对水稻病虫害响应的敏感光谱区域和谱段,构建病虫害胁迫指数,探索对水稻不同病虫害的危害等级分类和色素含量、病害严重度指数、虫情指数等危害指标的估算方法研究,运用QuickBird影像提取稻飞虱危害面积和产量损失评估。研究内容和研究结果,概述如下:（1）受病虫害胁迫水稻的光谱特征变化分析除稻飞虱和穗颈瘟引起的倒伏外,水稻植株受病虫害胁迫后,光谱反射率在可见光范围内上升,在近红外和短波红外区域内下降。水稻在受到病虫害胁迫后,“红边”和“蓝边”均发生蓝移,向短波方向偏移10nm左右;“绿峰”和“红谷”则均发生红移,向长波方向偏移8nm左右。（2）水稻病虫害响应敏感的光谱波段选择及病虫害胁迫光谱指数的构建运用连续统去除法、光谱敏感度分析法和农学参数-光谱相关系数法等三种方法,对健康的和受病虫害胁迫水稻的原始光谱、反对数光谱、一阶、二阶微分光谱进行分析,从各种变换形式的光谱数据中筛选出对病虫害响应敏感的光谱区域为460-520 nm、530-590 nm、620-680 nm和红690-730 nm,并构建了22个水稻病虫害胁迫光谱指数.（3）水稻不同病虫害危害等级的识别方法研究运用聚类分析CA、概率神经网络PNN、学习矢量量化LVQ神经网络和支持向量分类机SVC（C-SVC）等四种分类方法,开展对水稻不同病虫害的危害等级识别研究,并从分类精度、使用方便程度和消耗时间三个方面来评判分类方法的优劣。其中,分类精度排序为PNN网络（93.5%）>C-支持向量分类机（90.5%）>聚类分析CA（84.3%）>LVQ网络（83.2%）,使用方便程度来排序为PNN网络>C-SVC>LVQ网络>聚类分析CA,消耗时间排序为C-SVC<PNN<LVQ<CA。（4）色素含量和病害严重度指数的估算方法研究运用多元逐步回归分析MSR、偏最小二乘回归法PLS、径向基函数RBF神经网络、后向传播BP神经网络、支持向量回归机SVR等五种回归模型,以及现有的14个光谱植被指数、17个高光谱三边特征参数和本研究提出的22个病虫害胁迫指数的简单线性回归、二次多项式回归模型等多种估算方法,对受病虫危害的叶片色素含量和稻胡麻斑病病害严重度指数进行估算方法研究,并使用相关系数R、方差分析F检验值、均方根误差RMSE、平均绝对误差MAE和平均相对误差MRE等五个指标,对不同的估算方法进行综合评价.（5）基于QuickBird影像的稻飞虱危害评估研究通过目视解译提取研究区内的土地利用类型专题图,选择水稻种植典型样区.研究发现:倒伏的、收割的和受稻飞虱危害而尚未倒伏的稻田与健康稻田相比,其影像色调及NDVI、EVI均发生了巨大的变化。对典型样区内受稻飞虱不同危害状况的稻田进行矢量化,结合实地调查的产量损失数据,确定2005年夏秋之际爆发的稻飞虱,对当年晚稻的产量造成的损失比例为40%。
论文目录
致谢中文摘要Abstract全文目录表目录图目录第一章 绪论1.1 研究目的和意义1.2 植被病虫害遥感的基本原理1.2.1 植被波谱诊断原理1.2.2 健康植被的光谱特征1.2.3 受胁迫植被的光谱特征1.3 植被病虫害胁迫遥感研究进展1.3.1 森林病虫害胁迫遥感研究进展1.3.2 草地病虫害胁迫遥感研究进展1.3.3 农作物病虫害胁迫遥感研究进展1.3.4 水稻病虫害胁迫遥感研究进展1.4 植被病虫害胁迫遥感研究中存在的问题1.5 研究内容1.5.1 水稻病虫害高光谱特征谱段研究1.5.2 水稻病虫害胁迫高光谱特征参数提取1.5.3 基于高光谱遥感的水稻主要病虫害等级识别和危害指标估算1.5.4 基于高空间分辨率卫星影像的稻飞虱危害评估第二章 数据获取、技术路线及方法2.1 数据获取2.1.1 病虫害调查与数据获取2.1.1.1 浙江省武义县稻胡麻斑病调查与数据获取2.1.1.2 黑龙江省友谊农场稻瘟病调查与数据获取2.1.1.3 浙江省杭州市萧山区稻干尖线虫病调查与数据获取2.1.1.4 稻纵卷叶螟调查与数据获取2.1.1.5 浙江省桐庐县稻飞虱调查与数据获取2.1.2 光谱观测2.1.2.1 叶片光谱测定2.1.2.2 冠层光谱测定2.1.3 色素测定2.1.4 QuickBird影像及地面数据2.2 研究技术路线2.3 研究方法第三章 水稻不同病虫害光谱特征分析3.1 高光谱数据预处理3.1.1 光谱数据平滑处理3.1.2 光谱数据变换3.1.2.1 微分光谱变换3.1.2.2 反对数光谱变换3.1.3 分析谱段的确定3.2 水稻主要病虫害的高光谱特征选择3.2.1 概述3.2.2 基于连续统去除法的光谱特征选择3.2.2.1 连续统去除法简介3.2.2.2 光谱特征位置搜索3.2.3 基于光谱敏感度分析的敏感谱段选择3.2.3.1 原始光谱敏感度分析3.2.3.2 对数光谱敏感度分析3.2.3.3 微分光谱敏感度分析3.2.4 基于相关系数分析法的敏感谱段选择3.2.4.1 水稻原始光谱与生理生化参数间的相关关系3.2.4.2 水稻对数光谱与生理生化参数间的相关关系3.2.4.3 水稻微分光谱与生理生化参数间的相关关系3.2.5 综合不同分析方法的敏感谱段选择3.3 水稻主要病虫害的高光谱特征提取3.3.1 概述3.3.2 基于主成分分析的光谱特征提取3.3.2.1 主成分定义及求解3.3.2.2 几何解释3.3.2.3 PCA变换的发展3.3.2.4 基于传统PCA变换的光谱特征提取3.3.2.5 基于分段PCA变换的光谱特征提取3.3.3 高光谱三边特征参数提取3.3.4 光谱植被指数提取3.3.4.1 现有的植被指数3.3.4.2 病虫害胁迫指数的构建3.4 本章小结与讨论第四章 水稻病虫害高光谱遥感识别及估算研究4.1 水稻主要病虫害的高光谱遥感识别研究4.1.1 数据描述4.1.2 分类方法4.1.2.1 聚类分析4.1.2.2 PNN网络4.1.2.3 LVQ网络4.1.2.4 支持向量分类机（SVC）4.1.3 结果与分析4.1.3.1 聚类分析的分类结果4.1.3.2 PNN网络的分类结果4.1.3.3 LVQ网络的分类结果4.1.3.4 SVC的分类结果4.1.4 方法评价4.1.4.1 分类精度4.1.4.2 模型构建4.1.4.3 消耗时间4.2 水稻危害指标的高光谱遥感估算研究4.2.1 数据描述4.2.2 回归预测方法4.2.2.1 MSR分析4.2.2.2 PLS分析4.2.2.3 RBF网络4.2.2.4 BP网络4.2.2.5 支持向量回归机（SVR）4.2.3 结果与分析4.2.3.1 运用 MSR分析构建的水稻危害指标估算模型4.2.3.2 运用PLS分析构建的水稻危害指标估算模型4.2.3.3 运用 RBF网络构建的水稻危害指标估算模型4.2.3.4 运用BP网络构建的水稻危害指标估算模型4.2.3.5 运用 SVR构建的水稻危害指标估算模型4.2.3.6 光谱指数对水稻危害指标的估算4.2.3.7 高光谱三边特征参数对水稻危害指标的估算4.2.4 方法评价4.3 本章小结第五章 基于QuickBird影像的稻飞虱危害评估5.1 研究区概述5.1.1 地理概况5.1.2 稻飞虱危害情况简介5.2 QuickBird影像预处理5.2.1 QuickBird卫星影像简介5.2.2 几何校正5.2.2.1 地面控制点（GCP）的选取5.2.2.2 多项式纠正模型和像元重采样5.2.2.3 影像配准5.2.3 QuickBird影像统计特征分析5.2.3.1 QuickBird影像单元统计5.2.3.2 QuickBird影像多元统计5.2.3.3 QuickBird影像信息熵的计算5.3 QuickBird影像融合5.3.1 融合方法5.3.1.1 植被指数模型（VIs）5.3.1.2 Brovey变换5.3.1.3 主成分变换（PCA）5.3.1.4 小波变换融合法（WT）5.3.1.5 平滑滤波亮度调节法（SFIM）5.3.1.6 多时相影像融合（MT）5.3.2 融合效果评价方法5.3.2.1 光谱质量5.3.2.2 空间纹理结构信息5.3.3 QuickBird影像融合结果5.3.3.1 目视质量评价（VQA）5.3.3.2 统计质量评价（SQA）5.3.4 小结5.4 稻飞虱危害评估5.4.1 水稻种植区域提取5.4.2 稻飞虱危害区域提取5.4.2.1 基于多时相融合影像的水稻健康状况分析5.4.2.2 基于植被指数VIs的水稻健康状况分析5.4.2.3 稻飞虱危害面积提取5.4.3 危害评估5.5 本章小结第六章 结论、创新点和讨论6.1 结论6.1.1 色素含量及色素间的比例发生改变6.1.2 病虫害胁迫水稻的光谱特征变化6.1.3 水稻病虫害响应敏感波段的选择6.1.4 主分量光谱的提取和病虫害胁迫指数的构建6.1.5 多种分类方法对水稻病虫危害等级的识别6.1.6 多种回归方法对水稻病虫危害指标的估算6.1.7 基于QuickBird影像的稻飞虱危害损失评估6.2 创新点与新进展6.3 讨论与展望参考文献（References）作者简历与攻读博士研究生期间的科研成果
相关论文文献
标签：病虫害胁迫论文; 光谱指数论文; 敏感谱段论文; 神经网络论文; 水稻论文; 遥感论文; 支持向量机论文;
