基于高光谱成像的寒地水稻叶瘟病与缺氮识别

• Published in: 农业工程学报 Vol. 32; no. 13; pp. 155 - 160
• Main Author: 袁建清 苏中滨 贾银江 张雨 章宗鑫
• Format: Journal Article
• Language: Chinese
• Published: 东北农业大学电气与信息学院,哈尔滨150030 2016; 黑龙江东方学院计算机科学与电气工程学部,哈尔滨150066%东北农业大学电气与信息学院,哈尔滨,150030
• Subjects: 主成分分析; 偏最小二乘判别; 光谱分析; 支持向量机; 水稻叶瘟病; 算法; 高光谱成像; 主成分分析; 支持向量机; algorithms; 高光谱成像; 算法; 偏最小二乘判别; spectrum analysis; support vector machine; 水稻叶瘟病; partial least squares-discriminate; 光谱分析; rice leaf blast; hyperspectral imaging; principal component analysis
• ISSN: 1002-6819
• DOI: 10.11975/j.issn.1002-6819.2016.13.022

为进行水稻叶瘟病与养分缺失的区分、实现叶瘟病及时、准确的诊断,以大田试验为基础,利用高光谱成像仪获取2个品种的健康、缺氮、轻度感病和重度感病共4类水稻叶片的反射率光谱,对其光谱特性进行分析,并采用多种预处理方法、分别结合偏最小二乘判别分析（partial least squares-discriminate analysis,PLS-DA）和主成分加支持向量机（principle component analysis-support vector machine,PCA-SVM）方法构建水稻叶瘟病识别模型。试验结果显示6个判别模型都获得了较高的识别准确率,经标准正态变量（standard normal variate,SNV）变换预处理的PLS-DA模型获得了最佳的识别结果,预测准确率达100%,经多元散射校正（multiplicative scatter correction,MSC）预处理的PCA-SVM模型的预测准确率也达到97.5%。本研究为水稻叶瘟病的判别和分级提供了新方法,也为稻瘟病大范围遥感监测提供了基础。