基于子窗口重排法提取敏感参数构建小麦叶片白粉病早期监测模型的方法与流程

文档序号:12467001阅读:514来源:国知局
基于子窗口重排法提取敏感参数构建小麦叶片白粉病早期监测模型的方法与流程

本发明涉及植物病害早期预测技术领域,具体涉及基于子窗口重排法提取敏感参数构建小麦叶片白粉病早期监测模型的方法。



背景技术:

白粉病(Blumeriagraminis Speer)是小麦生产中一种世界性主要病害,也是影响小麦产量的主要病害之一。对小麦白粉病进行早期识别、快速监测、定量评价是小麦抗白粉病精确育种、精确施药、生态安全和损失评估等的核心关键技术。前人监测作物病害主要通过破坏性取样测量或者田间调查病株计算发病率、严重度或病情指数,往往耗时费力、效率低下、主观性强、可重复性差;而小麦感染白粉病以后,其内部生理活动和外观形态均会显示异常症状(徐秉良等,2011)。小麦的光合作用能力减弱,植株生长受限,叶片内部的色素含量和水分含量减少,使叶片逐渐发黄干枯。这为基于光谱监测识别白粉病提供了很好的生理条件。因此早在1989年,丹麦学者(Lorenzen et al.1989)发现可以利用400–1100nm光谱信息来识别小麦白粉病,因为该区的光谱反射率与对照品种相比有显著差异;后来,人们开始利用基于一阶导数的光谱特征来识别病害(Miller et al.1991;Baret et al.1994);瑞士学者Hamed Hamid Muhammed(2003;2005)基于360–900nm的高光谱信息,利用feature-vector-based(FVBA)特征分析法计算权重系数,定量分析病害严重度和权重系数的关系,从而确定了病害敏感的特征波段范围。Cedric Bravo(2003)筛选了460-900nm之间的4个波段,归一化后定量反演条绣病害的严重度,后来该课题组成员Dimitrios Moshou(2004)利用神经网络法区分病害,进一步提高了病害监测准确度。Moshou(2005)融合高光谱和荧光成像信息,并基于自组织映射法更准确识别病害。可见前人主要基于光谱原始反射率、一阶导数、植被指数与病情严重度构建定量关系,根据相关性等提取敏感光谱(区域)且多为中后期较少明确提取出指示早期病害特征的敏感参数并构建相应的模型。

随着机器学习法和化学计量学的发展,科学家们提出了一些新的变量选择方法用于特征的提取,代表性的如随机森林(RandomForest)。虽然在随机森林算法中基于重排的变量重要性评价方法评价很高,但是随机森林每个变量仅被随机重排一次,因此得到的值不可重复;随机森林模型干扰变量的存在具有掩盖效应,可能会无法将最优变量集筛选出来。



技术实现要素:

有鉴于此,本发明的目的是提供基于子窗口重排法(Subwindow PermutationAnalysis,SPA)提取敏感参数构建小麦叶片白粉病早期监测模型的方法,该方法通过利用子窗口重排法,充分利用小麦白粉病特征变量之间的协同效应,使所述监测方法具有更优的统计意义和更高的稳定性和准确性。

为了实现上述发明目的,本发明提供以下技术方案:

本发明提供了基于子窗口重排法提取敏感参数构建小麦叶片白粉病早期监测模型的方法,包括以下步骤:

1)获取感病小麦叶片的高光谱反射率;

2)利用SPA算法从高光谱反射率的原始波段中提取敏感波段;

3)选择现有研究中与病害可能相关的光谱指数,利用SPA算法从所述光谱指数中提取敏感光谱指数;

4)利用偏最小二乘-线性判别分析法,将所述敏感波段或所述敏感光谱指数作为分输入变量,构建小麦白粉病早期监测模型;

5)用二分类算法对所述小麦白粉病早期监测模型进行检验,且基于独立易感品种用留一交互检验法评价模型表现;

所述步骤2)与步骤3)之间没有时间顺序的限制。

优选的,所述步骤1)中感病小麦叶片按照病情严重度划分样品等级。

优选的,所述步骤1)中病情严重度(SL)是病叶上病斑菌丝层覆盖叶片面积占叶片总面积的比率;

所述样品等级为9级,分别为0%、1%、5%、10%、20%、40%、60%、80%和100%的小麦叶片。

优选的,所述步骤2)中光谱特征包括红边区域,具体优选为400~1000nm。

优选的,所述步骤3)中光谱指数包括13种高光谱植被指数和13种微分光谱指数。

优选的,所述步骤3)中光谱指数特征包括归一化色素比率指数、红边植被胁迫指数、黄边范围内一阶微分总和、叶绿素吸收比率指数、生理反射指数、花青素反射指数、转换叶绿素吸收指数、蓝边范围内一阶微分总和、红边范围内一阶微分总和与蓝边范围内一阶微分总和的归一化值和红边范围内一阶微分总和与蓝边范围内一阶微分总和的比值。

优选的,所述步骤4)中二分类算法的分类为以健康叶片为正类,以患病叶片为负类;实际健康叶片且被预测成健康叶片为真正类,如果实际健康叶片是负类而被预测成正类为假正类;实际康叶片是负类且被预测成负类为真负类,如果实际康叶片是正类被预测成负类为假负类。

优选的,所述步骤5)中评价指标包括模型敏感度、模型特异度、模型接受者操作曲线下面积和模型总体分类精度。

优选的,所述模型敏感度的计算方法如式I所示;敏感度其中TP为真正类;TN为真负类。

优选的,所述模型特异度的计算方法如式Ⅱ所示;特异度其中TN为真负类;FP为假正类。

优选的,所述模型接受者操作曲线下面积计算方法根据分类器绘制的接受者操作曲线通过积分计算的接受者操作曲线下面积值。

优选的,所述模型总体分类精度的计算方法如式Ⅲ所示;分类精度其中TP为真正类;TN为真负类;FN为假负类;FP为假正类;TN为真负类。

本发明提供的基于子窗口重排法提取敏感参数构建小麦叶片白粉病早期监测模型的方法,包括以下步骤:1)获取感病小麦叶片的高光谱反射率;2)利用SPA算法从高光谱反射率的原始波段中提取敏感波段;3)选择现有研究中与病害可能相关的光谱指数,利用SPA算法从所述光谱指数中提取敏感光谱指数;4)利用偏最小二乘-线性判别分析法,将所述敏感波段或所述敏感光谱指数作为分输入变量,构建小麦白粉病早期监测模型;5)用二分类算法对所述小麦白粉病早期监测模型进行检验,且基于独立易感品种用留一交互检验法评价模型表现;所述步骤2)与步骤3)之间没有时间顺序的限制。本发明提供的方法通过利用子窗口重排法,能够充分利用小麦白粉病特征变量之间的协同效应,使所述监测方法具有更优的统计意义和更高的稳定性。本发明提供的方法建模和检验的精度可达到85%以上;基于SPA提取的光谱特征数目少、模型简单准确,且模型的交互检验和独立品种的检验效果都很稳定。

说明书附图

图1为实施例1中不同病情严重度的小麦叶片图片;

图2为实施例1中不同染病阶段小麦叶片病情严重度与光谱反射率的相关性分析;

图3为实施例1中不同品种的小麦叶片病情严重度与光谱反射率的相关性分析;

图4为实施例1中SPA法计算特征波段的COSS值;

图5为实施例1中采用不同数目的特征波段对模型PLS-LDA精度的影响;

图6为实施例1中SPA方法计算各光谱指数对应的COSS值

图7为实施例1中采用不同数目的光谱指数建立小麦叶片健康状态的PLS-LDA模型的总体精度。

具体实施方式

本发明提供了基于子窗口重排法(Subwindow Permutation Analysis,SPA)提取敏感参数构建小麦叶片白粉病早期监测模型的方法,包括以下步骤:

1)获取感病小麦叶片的高光谱反射率;

2)利用SPA算法从高光谱反射率的原始波段中提取敏感波段;

3)选择现有研究中与病害可能相关的光谱指数,利用SPA算法从所述光谱指数中提取敏感光谱指数;

4)利用偏最小二乘-线性判别分析法,将所述敏感波段或所述敏感光谱指数作为分输入变量,构建小麦白粉病早期监测模型;

5)用二分类算法对所述小麦白粉病早期监测模型进行检验,且基于独立易感品种用留一交互检验法评价模型表现;

所述步骤2)与步骤3)之间没有时间顺序的限制。

本发明获取感病小麦叶片的高光谱反射率。

本发明的实施例中,所述小麦品种包括易感型小麦品种“生选六号”(Vh)和中感型小麦品种“扬辐麦4号”(Vm)。

本发明为了获得感病小麦植株,优选将白粉病真菌在小麦拔节后期接种到小麦上,在下风向的一列8个小区作为诱发行发病区,在试验田诱发行的另一边的上风方向选择4个小区,四周用塑料薄膜围起来进行隔离处理,作为正常对照区。

本发明中,所述感病小麦叶片优选按照病情严重度划分样品等级。所述病情严重度是病叶上病斑菌丝层覆盖叶片面积占叶片总面积的比率。本发明中,所述样品等级优选9级,优选具体分别为0%、1%、5%、10%、20%、40%、60%、80%和100%的小麦叶片。本发明中,所述病情严重度是根据全国农业技术推广服务中心主编的《主要农作物病虫害测报技术规范应用手册》中计算方法得到。

本发明中,获取带有病害信息高光谱反射率的方法优选为用光谱仪测定小麦叶片的光谱反射率。本发明对所述光谱仪没有特殊限制,采用本领域技术人员所熟知的光谱仪即可。本发明实施例中,采用美国Analytical Spectral Device(ASD)公司生产的FieldSpecPro FR2500光谱仪。所述测定的参数包括波段范围、采样间隔和光谱分辨率。所述波段为350~1050nm时,间隔优选1.4nm,光谱分辨率优选为3nm;所述波段为1050~2500nm时,光谱采样间隔优选为2nm,光谱分辨率优选为10nm。所述叶片测量的部位优选为叶尖、叶中和叶基。所述部位测量三次,取平均值作为该叶片的高光谱反射率。得到高光谱反射率后,本发明利用子窗口重排法从原始波段或者相关的植被指数中提取与病情严重度显著相关的敏感波段或者光谱指数。

本发明中,优选将小麦叶片原始光谱反射率与叶片病情严重度进行相关性研究分析,得到白粉病在小麦叶片感病早期的敏感波段范围。所述相关性分析具体是分别将400~1000nm范围内的每一个波段作为一个变量Xi(i=1,2,3,….,601),将病斑比率作为对应的变量Y,计算每个变量Xi和变量Y之间的线性相关性,得出相应的相关系数和P值。计算结果均在Matlab环境下计算,相关系数为皮尔逊(Pearson)类型。所述相关性分析优选与叶片病情严重度的显著相关的敏感波段,所述显著相关为P≤0.01。

本发明中,所述敏感波段的范围优选包括红光区域和近红外区域。在中感小麦品种中,所述敏感波段区域优选为675~700nm和711~1000nm。在易感小麦品种中,所述敏感波段区域优选为497~518nm和578~1000nm。

本发明中,所述提取的敏感波段的方法优选为通过子窗口重排法(SPA)确定400~1000nm全波段范围内每个波段位置重排前后预测误差的统计分布,确定该波段是否有信息变量,并计算获得COSS值,COSS值越高,该变量越有意义。通过COSS值对每个波段的重要性进行排序,选择COSS值排名靠前的波段为敏感波段。本发明中,所述COSS值排名前20的波段分别为:554、569、550、739、747、749、755、814、631、757、433、428、732、740、746、786、761、596、750和768nm,其中红边区域被选择的波段数最多,这与小麦白粉病感染的前期阶段红边区域对病害导致的相关生化组分及其变化的相关性最高有关。因此所述通过SPA从原始波段中提取的敏感波段优选包括红边区域。

本发明采用与上面提取敏感波段的方法,利用子窗口重排法,从与病害可能相关的光谱指数中提取敏感光谱指数。具体的,本发明根据现有技术的记载,筛选与病害相关的光谱指数;计算所述光谱指数与小麦叶片病情严重度的关系性,提取得到与病情严重度显著相关的敏感光谱指数。

本发明中,所述光谱指数包括13种高光谱植被指数和13种微分光谱指数。所述光谱指数已用于监测作物的叶绿素、水分、氮素、光合效率,病害发生后,这些参数均易发生变化。主要包括高光谱植被指数和微分光谱指数。所述高光谱指数特征优选包括窄波段归一化植被指数(NBNDVI)、氮反射指数(NRI)、三角植被指数(TVI)、光化学植被指数(PRI)、生理反射指数(PhRI)、叶绿素吸收比率指数(CARI)、转换叶绿素吸收指数(TCARI)、改进型叶绿素吸收指数(MCARI)、红边植被胁迫指数(RVSI)、植被衰老指数(PSRI)、花青素反射指数(ARI)、结构不敏感植被指数(SIPI)和归一化色素比率指数(NPCI)。所述选定的微分光谱指数优选包括蓝边范围最大一阶微分值(Db)、蓝边范围内一阶微分总和(SDb)、黄边范围最大一阶微分值(Dy)、黄边范围内一阶微分总和(SDy)、红边范围最大一阶微分值(Dr)、红边范围内一阶微分总和(SDr)、红边范围内一阶微分总和与蓝边范围内一阶微分总和的比值(SDr/SDb)、红边范围内一阶微分总和与黄边范围内一阶微分总和的比值(SDr/SDy)、黄边范围内一阶微分总和与蓝边范围内一阶微分总和的比值(SDy/SDb)、红边范围内一阶微分总和与蓝边范围内一阶微分总和的归一化值(SDr-SDb)/(SDr+SDb)、红边范围内一阶微分总和与黄边范围内一阶微分总和的归一化值(SDr-SDy)/(SDr+SDy)、黄边范围内一阶微分总和与蓝边范围内一阶微分总和的归一化值(SDy-SDb)/(SDy+SDb)、红边位置(REP)。

本发明中,所述光谱指数与小麦叶片病情严重度的相关性的计算方法包括以下步骤:将所述的13种高光谱指数和13种微分光谱指数共26种指数分别作为变量Xj(j=1,2,3,….,26),将病斑比率作为对应的变量Y,计算每个变量Xj和变量Y之间的线性相关性,得出相应的相关系数和P值。计算结果均在Matlab环境下利用软件自带的统计函数计算,相关系数为皮尔逊Pearson类型。本发明中,所述显著相关为P值≤0.01。

本发明中,所述提取优选采用SPA方法计算各光谱指数对应的COSS值,根据COSS值对每个光谱指数进行排序,从COSS值排名靠前的光谱指数中提取光谱指数特征。所述通过子窗口重排法从光谱指数中提取的光谱特征包括归一化色素比率指数(NPCI)、红边植被胁迫指数(RVSI)、黄边范围内一阶微分总和(SDy)、叶绿素吸收比率指数(CARI)、生理反射指数(PhRI)、花青素反射指数(ARI)、转换叶绿素吸收指数(TCARI)、蓝边范围内一阶微分总和(SDb)、红边范围内一阶微分总和与蓝边范围内一阶微分总和的归一化值(SDr-SDb)/(SDr+SDb)和红边范围内一阶微分总和与蓝边范围内一阶微分总和的比值(SDr/SDb)。

得到敏感波段或敏感光谱指数后,本发明利用偏最小二乘-线性判别分析法,将利用SPA提取的敏感波段或敏感光谱指数作为所述分析法的输入变量,构建小麦白粉病早期监测模型。

本发明中,所述构建小麦白粉病早期监测模型的机理如下:假设样本X为n×p矩阵,n表示本研究中的样本容量,p表示利用子窗口重排分析方法(SPA)挑选的特征变量;样本类别记录在n×1的矢量Y中,Y是指叶片健康类别,即感病叶片定义位正类,Matab代码中用+1表示,健康叶片定义为负类,Matlab代码中用-1表示。利用算法PLS-LDA作为分类器,得到X与Y之间的数学关系,X和Y并非明确的函数关系,因此称呼为模型。

分类器的评价指标有多种,这些指标的计算主要来自于混淆矩阵表1。混淆矩阵用于比较分类结果和实际的真实信息,矩阵中每一行代表实际类别,每一列代表预测类别。

表1混淆矩阵

本发明中,所述二分类算法的分类法优选以健康叶片为正类,以感病叶片为负类;如果实际健康叶片且被预测成健康叶片为真正类,如果实际健康叶片是负类而被预测成正类为假正类;如果实际康叶片是负类且被预测成负类为真负类,如果实际康叶片是正类被预测成负类为假负类。

得到监测模型后,本发明用二分类算法对所述步骤4)得到的小麦白粉病鉴定模型进行检验。

本发明中,所述评价指标优选包括模型敏感度、模型特异度、模型的接受者操作(ROC)曲线下面积(Area under the Curve ofROC,AUC)和模型总体分类精度。

本发明中,所述模型敏感度的计算方法如式I所示;敏感度其中TP为真正类;TN为真负类。模型的敏感度是指分类器中将实际为正类别的样本预测为正类别的能力,数值在0-100%之间,可表示模型正确判断正类别的概率

本发明中,所述模型特异度的计算方法如式Ⅱ所示;特异度其中TN为真负类;FP为假正类。模型的特异度是指分类器中将实际为负类别的样本预测为负类别的能力,数值在0-100%之间,可表示模型正确判断负类别的概率

本发明中,所述模型AUC计算方法根据分类器绘制的ROC曲线通过积分计算的ROC曲线下面积值。模型的AUC指ROC曲线下方的那部分面积大小,一个理想分类模型其AUC值为1,通常其值在0.5-1.0之间,较大的AUC代表了分类模型具备较好的性能。使用AUC值作为评价标准是因为很多时候ROC曲线并不能清晰的说明哪个分类器的效果更好,而作为一个数值,对应AUC更大的分类器效果更好;

本发明中,所述模型总体分类精度的计算方法如式Ⅲ所示;分类精度其中TP为真正类;TN为真负类;FN为假负类;FP为假正类;TN为真负类。模型的总体分类精度表示该模型总体的判别准确率,代表分类器对整个样本的判定能力。

本发明中,所述计算优选在MATLAB下进行。

用留一交互检验和易感感染小麦品种评价模型

留一交互检验就是利用原数据集,将每个样本进行一次检验,假设样本数为n,则第一个样本集X1作为测试集,将X1输入到构建的模型中得到一个预测的类别,如此进行下去,直到所有n个样本均被预测一次,这时可利用样本实际的类别Y与预测的类别计算对应的评价指标并对该模型进行评价。同样,用易感品种数据进行检验,是指将易感品种数据集X输入构建的模型中得到一个预测的类别,并利用易感品种的实际类别Y计算对应的评价指标并对该模型进行评价。

下面结合实施例对本发明提供的基于子窗口重排法提取敏感参数构建小麦叶片白粉病早期监测模型的方法的详细说明,但是不能把它们理解为对本发明保护范围的限定。

实施例1

2014年11月~2015年6月年在南京农业大学牌楼教学科研基地(118°15′E,32°1′N)进行,试验品种为易感型小麦品种“生选六号”(Vh)和中感型小麦品种“扬辐麦4号”(Vm),小区面积6m2(3m×2m),3次重复。所有小区施肥、管理状况相同,氮肥、磷肥、钾肥分别为尿素、过磷酸钙、氯化钾。试验田白粉病真菌于拔节后期接种,东边一列8个小区作为诱发行,在试验田西边上风方向选择4个小区,四周用塑料薄膜围起来进行隔离处理,作为正常对照区。

小麦叶片高光谱反射率测定采用美国Analytical Spectral Device(ASD)公司生产的FieldSpecPro FR2500光谱仪(波段范围350~2500nm,视场角25°,其中350~1050nm光谱采样间隔1.4nm,光谱分辨率3nm;1050~2500nm光谱釆样间隔为2nm,光谱分辨率为10nm,如表2)。将测试的小麦植株叶片按不同叶位分别剪下装入大号自封袋内,放入存有冰块的泡沫箱内冷藏运回实验室。在室内用仪器自带的单叶光谱叶片夹测定每张叶片的光谱反射率。单叶光谱叶片夹自带主动光源,可在密闭环境下测定,操作稳定,测量误差小。每张叶片测量叶尖、叶中和叶基三个部位,每个部位测量三次,取平均值作为该叶片的光谱测量值。

根据小麦白粉病的光谱响应特点,本研究参考了各类光谱指数对作物病害监测研究中的应用情况,选用了13种高光谱植被指数(表2)和13种微分光谱指数(表3)(Gong et al.,2002),主要是红、黄、蓝边范围内最大一阶微分值、一阶微分总和、比值和归一化值。

表2选用了13种高光谱植被指数

表3 13种选定的微分光谱指数

小麦叶片健康状态监测模型的构建与评价

模型构建:采用Barker提出的偏最小二乘-线性判别分析(PLS-LDA)。在白粉病前期小麦叶片的健康状态监测研究中,将叶片分为健康叶片和感病叶片两类,健康叶片是指叶片表面未出现任何病斑,称为正类;感病叶片是指叶片表面刚开始出现病斑以及病情严重度在5%以下(病斑比率<7.5%),称为负类。

模型检验和评价:

采用二分类算法检验模型,并以敏感度、特异度、AUC和总体分类精度来综合评价模型的表现。本文应用二分类方法表达模型预测的四种情况:如果实例是健康叶片(负类)且被预测成健康叶片(负类),称为真负类(True Positive,TP),如果实例是负类而被预测成正类,称之为假正类(False Positive,FP)。相应地,如果实例是负类且被预测成正类,称为真正类(True Negative,TN),如果实例是负类被预测成正类,称为假正类(False Negative,FN)。

数据利用和分析:

本文将中感品种“扬辐麦4号”数据作为测试数据集,样本容量n=168,其中感病叶片(正类)有77片、健康叶片(负类)有91片;将易感品种“生选6号”数据作为独立验证数据集,叶片样本容量n=167,其中感病叶片(正类)有81片、健康叶片(负类)有86片,具体分布如表4所示。

表4白粉病感病前期小麦叶片各病斑比率的数量分布

结果

以2014-2015年实验中两品种的小麦叶片原始光谱反射率与叶片病情严重度进行相关性研究分析,探索白粉病在小麦叶片不同感病时期的敏感波段范围。从图2可以看出,在白粉病侵染前期,红光区域和近红外区域对病情严重度较先响应,易感品种“生选6号”的叶片光谱在497~518nm和578~1000nm处与病情严重度显著相关(P=0.01),中感品种“扬辐麦4号”的叶片光谱在675~700nm和711~1000nm处与病情严重度显著相关(P=0.01),说明不同抗性的小麦品种对光谱的响应存在敏感性差异。

基于光谱指数的小麦感白粉病监测特征提取

根据小麦白粉病的光谱响应特点,本研究参考了各类光谱指数对作物病害监测研究中的应用情况,选用了13种高光谱植被指数和13种微分光谱指数,并定量分析了这些指数与叶片病情严重度的关系(图3),结果表明:除了NRI和(SDr-SDy)/(SDr+SDy)与病情严重度之间的相关性不显著以外(P-Value>0.01),其他24种光谱指数均与小麦叶片的病情严重度显著相关(P-Value≤0.01)。

不同的光谱指数与病情严重度的相关性高低在不同品种间表现趋势相同,而同一种光谱指数与病情严重度的相关性在不同品种间表现不同,即易感品种的光谱指数比中感品种的光谱指数对小麦白粉病的叶片病情严重度更加敏感。如植被指数CARI对易感品种“生选6号”的小麦白粉病病情严重度相关性较高(R=0.73,P=0.000),而对中感品种“扬辐麦4号”的小麦白粉病病情严重度相关性较低(R=0.43,P=0.000),因此,可认为不同抗性小麦品种的白粉病病情信息对同一种光谱指数的敏感性存在差异。

1)基于SPA法提取小麦白粉病的敏感特征波段

本文通过SPA子窗口重排法计算了400~1000nm全波段范围内每个波段位置重排前后预测误差的统计分布,确定该波段是否为有信息变量,并通过COSS值对每个波段的重要性进行排序(图4)。COSS值排名前20的波段分别为:554、569、550、739、747、749、755、814、631、757、433、428、732、740、746、786、761、596、750和768nm,其中红边区域被选择的波段数最多,这与小麦白粉病感染的前期阶段红边区域对病情的相关性最高有关。

利用全数据训练和交叉验证两种情况下的模型总体精度,以进一步确定不同数目的特征波段对模型PLS-LDA精度的影响(图5)。结果显示,全数据训练模式下,精度曲线总体单调,波段数达到5之后总体精度维持在一定范围内并小幅波动,波段数为16时精度达到最大;而交叉验证模式下则在波段数达到12时精度最高,因此选择前12个波段作为SPA提取的初始特征波段集S1,S1={428、433、550、554、569、631、739、747、749、755、757和814nm}。

另外,这12个特征波段广泛分布在400~500nm、501~600nm、601~700nm、701~800nm和801~900nm各子空间内,参照子空间划分的方法,在各子空间内按照COSS值选择一个得分最高的波段进一步构成一组特征波段集S2,以测试该组特征波段集在前期诊断小麦叶片健康状态时的效果,S2={433、554、631、739和814nm}。

2)基于SPA提取小麦感白粉病的敏感光谱指数

采用上述同样的方法,基于SPA方法计算各光谱指数对应的COSS值(图6),然后从已有的光谱指数中提取最优的光谱指数组合,建立小麦叶片健康状态的监测模型。结果显示:排名前10的光谱指数:NPCI、RVSI、SDy、CARI、PhRI、ARI、TCARI、SDb、(SDr-SDb)/(SDr+SDb)和SDr/SDb

同样在全数据训练和交叉验证两种情况下,评价采用不同数目的光谱指数建立小麦叶片健康状态的PLS-LDA模型的总体精度(图7)。结果显示,全数据训练模式下,光谱指数个数达到4之后模型的监测精度维持在一定范围内并小幅波动,交叉验证模式下的精度变化同全数据训练模式下类似,因此,选择COSS值最大的前4种光谱指数对小麦叶片健康状态进行诊断,分别为NPCI(归一化色素比率指数)、RVSI(红边植被胁迫指数)、SDy(黄边微分总和)和CARI(叶绿素吸收比值指数)。

3)小麦叶片健康状态监测模型的构建与评价比较

以不同抗性品种的二种小麦叶片的早期数据集作为研究对象,基于上述内容提取的光谱特征作为输入变量,基于PLS-LDA方法分别构建小麦叶片健康状态监测模型,采用留一交互检验(Leave-One-Out Cross Validation,LOOCV)和易感小麦品种“生选6号”的前期数据对模型进行检验(Independent Variety Validation,IVV),检测结果如表5和表6所示。

表5

表6

从表5和表6中可以看出:

(1)基于SPA提取的敏感波段对小麦叶片健康状态进行判别分析时,建模和检验的精度可达到90%以上,但是监测模型对独立品种的检验效果很差,说明敏感波段只适合用于单一品种小麦叶片健康状态的诊断,且模型输入的变量数目达316个,过多的变量增加了模型的复杂程度。

(2)基于SPA提取的敏感光谱特征准确且波段少、构建的白粉病监测模型简单,准确且稳定。

由以上实施例可知,本发明提供的通过子窗口重排分析技术(SPA)分别从光谱反射率、光谱指数中提取敏感特征对小麦叶片健康状态的诊断识别监测进行了分析。采用SPA技术提取的特征波段仅为12个,基于PLS-LDA构建的小麦叶片健康状态监测模型的分类精度为85.12%,交互检验精度为84.52%,独立易感品种的检验精度为84.43%;同样,从光谱指数层面分析时,利用SPA技术提取的4个光谱指数构建的PLS-LDA监测模型的分类精度为82.14%,交互检验精度为80.95%,独立易感品种的检验精度为85.63%,这也表明了SPA技术选择的特征波段及其构建的模型准确性好,稳定性高。

以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。

当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1