无人机高光谱遥感的水稻叶瘟病的光谱特征提取与检测方法研究.pdfVIP

第44卷，第5期光谱学与光谱分析Vol44,No.5,pp1457-1463

2024年5月SpectroscopyandSpectralAnalysisMay,2024

无人机高光谱遥感的水稻叶瘟病的光谱特征提取与检测方法研究

刘子扬1.2，冯帅1.2，赵冬雪1.2，李金朋1.2，关强1.2，许童羽1,2*

1.沈阳农业大学信息与电气工程学院，辽宁沈阳110161

2.沈阳农业大学，辽宁省农业信息化工程技术中心，辽宁沈阳110161

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400～1000nm波段内的无人机高光谱图像，参照国家标准GBT15790—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人，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426.2nm，绿光波段为566nm，红光

波段为683.9nm，近红外波段为830.2和916.4nm。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694.2nm，近红外波段为784.4、787.9、

791.4、905.5、927.2和930.9nm，该方法有效地降低了波段间相关性和允余性。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。

关键词水稻；叶瘟病；无人机；高光谱；机器学习

中图分类号：TP79文献标识码：AD0I:10.3964/j.issn.1000-0593(2024)05-1457-07

保专家来检测，这种方法简单易行且无需设备辅助，但该方

引言法需要检测人员具有丰富的经验，非专业人员不易准确识

别，且由于是人工检测，工作强度较大，无法完成大面积检

稻瘟病是水稻的重要病害。稻瘟病的发生通常会引起水测任务。同时，室内PCR检测方法精度准确，但该方法检测

稻减产10%～35%，严重时会导致颗粒无收1，对水稻的生过程较为复杂，不利于更好地推广到叶瘟病的检测中。而高

产和质量产生严重危害，对国家粮食安全构成重大威胁。因光谱技术是一种识别叶