病虫害遥感ppt课件

病虫害遥感closeness to nature病虫害遥感closeness to nature1基本原理光谱特征分析遥感识别与估算基本原理光谱特征分析遥感识别与估算2前提：自然界的任何物体自身都具有反射、吸收、发射电磁波的能力和特征.由于不同物质的分子结构、原子组成、运动方式不同,每个物体都发射和吸收固定波长和频率的电磁波.相同的物体具有相同的电磁波谱特性,不同的物质由于物质组成和内部结构、表面状态不同,具有相异的电磁波谱特性基本原理所有的绿色植物包含的组分基本相同:叶绿素和其它色素(胡罗卜素、叶黄素等)、水、蛋白质、淀粉、木质素和纤维素等结构化的生物化学分子;但是在不同的生长状态下,各个组分的含量会发生变化。前提：自然界的任何物体自身都具有反射、吸收、发射电磁波的能力3水稻作为农作物的一种,其反射光谱特征具有植被的一般特征.通常,健康绿色植物的波谱特征主要取决于它的叶子,而健康叶片的光谱曲线呈现明显的“峰和谷”的特征健康植被的光谱特征水稻作为农作物的一种,其反射光谱特征具有植被的一般特征.通常4植被病原体会引起植被细胞结构内部的化学变化或在植被表面的生长都可能改变叶片颇色.尤其是叶绿素等色素的浓度或含量下降,叶绿素在蓝、红波段的吸收减少反射增强,特别是红光反射率升高,绿色视觉效果就会减弱,以至于植物转为黄色(绿色+红色=黄色),导致叶片的光谱特性变化.受胁迫植被的光谱特征植被病原体会引起植被细胞结构内部的化学变化或在植被表面的生长5特征是对象所表现出来的各种属性和特点.特征分析有效是指在特征数目减少到某个数量时仍能够达到与原始特征数目相同的分类精度.特征空间优化的方式通常可以概括为两种,即特征选择特征选择与特征提取特征提取模式识别中要识别和分类对象,首先要采取各种信息获取手段对特征进行测度,形成原始的特征空间,再对原始的特征进行加工处理和优化,产生有效的特征空间,使之能更好的反应对象的本质,适合分类方法的处理。特征是对象所表现出来的各种属性和特点.特征分析有效是指在特征6数据平滑处理光谱数据变换分析谱段的确定数据预处理数据平滑处理数据预处理7原始数据是所观测植被以及背景、环境信息的综合反映,难免包含有各种噪声在内数据平滑处理对原始光谱求一定步长的移动平均,消除光谱数据中的仪器和环境噪声,获取尽可能反映接近水稻生长状态的真实波谱信息原始数据是所观测植被以及背景、环境信息的综合反映,难免包含有8光谱微分处理可以剔除背景、大气散射等的影响,从而更加有效地进行数据分析光谱数据变换一阶微分能够消除光谱信息中部分线性或近线性背景、光谱噪声等对目标物光谱的影响,二阶微分可以去除独立部分的二次方影响,依此类推,四次微分可以消除大气的瑞利散射的影响反对数光谱变换,即log(1/R)变换是由光谱学引入的,其物理含义是表示光谱吸收值,吸收成分与反射率的109(l/R)变换值之间存在着近似线性关系,通过对数运算可以有效地增强相似光谱之间的差别光谱微分处理可以剔除背景、大气散射等的影响,从而更加有效地进9由于仪器自身的问题,在紫外光波段和短波红外谱段的数据包含较多的噪音.因此,为了方便分析,保证室内、外光谱数据的一致性,进行分析谱段的确定。去除原始光谱、对数光谱中的350一400nm、1301一1500nm、1751一2050nm和351一2500nm,保留1450个波段;去除一阶微分光谱中的350一400nm和851一2500nm,保留450个波段;去除二阶微分光谱中的350一500lun和751一2500nln,保留250个波段.分析谱段的确定分析谱段的确定10特征选择或特征提取的任务是从n个特征中求出对分类最有效的m个特征(m180。连续统去除法就是用实际光谱波段值除以连续统上相应波段值基于连续统去除法的光谱选择连续统定义为手工逐点直接连接那些凸出的“峰”值点,并使折线在12光谱特征选择光谱特征选择13光谱特征选择光谱特征选择14基于光谱敏感度分析的敏感谱段选择光谱敏感度(sPectralsensitivity)定义为“受胁迫水稻植株光谱和正常水稻植株光谱的差值与正常水稻植株光谱的比值原始光谱敏感度在某一谱段为正值时,表明在该谱段内受胁迫水稻植株原始光谱反射率比健康水稻植株的要高,该值越大则表明原始光谱反射率增长越高基于光谱敏感度分析的敏感谱段选择光谱敏感度(sPectral15光谱特征选择光谱特征选择16光谱特征选择微分光谱敏感度代表了受病虫害胁迫后水稻的微分光谱在不同的光谱区间的增减变动,微分光谱敏感度的峰值可以认为是微分光谱中的敏感波段光谱特征选择微分光谱敏感度代表了受病虫害胁迫后水稻的微分光谱17水稻主要病虫害的高光谱特征提取特征提取(或特征抽取)是在特征选择以后,利用某些特征提取算法,从原始特征中求出最能反应其类别特征的新特征,既能压缩数据量,又可提高不同类别特征之间的可分性,有利于准确、快速地进行分类.与光谱特征选择一样,光谱特征提取也是光谱特征空间的减维过程,但它是建立在各光谱波段间的重新组合和优化基础上的。在经过特征提取后的光谱特征空间中,其新的光谱向量应该是反应特定地物(对象)某一性状的一个光谱参量,或者是有别于其它地物(对象)的光谱参量此处主要叙述线性变换中的主成分分析法、微分技术中的植被“三边”特征参数和基于敏感谱段构建病虫害胁迫光谱指数等三种光谱特征提取方法.水稻主要病虫害的高光谱特征提取特征提取(或特征抽取)是在特征18基于主成分分析的光谱特征提取主成分分析(PCA)又称为K一L变换,是在均方误差最小情况下的最佳正交线性变换,是建立在统计特征基础上的线性变换,从而将多个指标简化为少数几个综合指标的一种统计分析方法主成分分析的过程实质上是对原坐标系进行平移和旋转变换,使得新坐标系的原点与样本点集合的重心重合,新坐标系的第一轴与数据变异的最大方向对应,新坐标系的第二轴与第一轴标准正交,并且对应于数据变异的第二大方向依次类推.这些新轴分别被称为第一主轴,第二主轴若经过舍弃少量信息后,由主轴构成的子空间能够十分有效地表示原数据的变异情况,则原来的p维空间就被降至m维.这个新生成的m维子空间被称为m维主超平面.可以用原样本点集合在主超平面上的投影来近似地表现原样本点集合.基于主成分分析的光谱特征提取主成分分析(PCA)又称为K一L19基于主成分分析的光谱特征提取基于主成分分析的光谱特征提取20基于高光谱三边特征参数提取所谓“红边”是指红光区外叶绿素吸收减少部位(700nm)之间,健康植物的光谱响应陡然增加(亮度增加约10倍)的这一窄条带区.因此,红边常作为植物的敏感特征光谱波段,它的移动反映了叶绿素含量、物候期、健康状况及类别等多种信息.已有的研究表明作物从生长发育倒成熟期(开花结果),其光谱红边会发生红移(向长波方向偏移);而植物因地球化学效应,即受地球化学元素异常的影响(如受金属毒害作用等),会发植物出现中毒性病变,其光谱红边则发生蓝移(向短波方向偏移).且红移与蓝移的幅度基本相似,大致在7-10nm,在严重受压抑情况下,蓝移可达40nm基于高光谱三边特征参数提取所谓“红边”是指红光区外叶绿素吸收21以受水稻干尖线虫病危害的叶片光谱为例基于高光谱三边特征参数提取以受水稻干尖线虫病危害的叶片光谱为例基于高光谱三边特征参数提22基于高光谱三边特征参数提取基于高光谱三边特征参数提取23基于高光谱三边特征参数提取基于高光谱三边特征参数提取24基于植被指数特征参数提取对于复杂的植被遥感来说,仅用个别波段或多个单波段数据分析对比来提取植被信息具有很大的局限性.因此往往选用多光谱遥感数据经分析运算(加、减、乘、除等线性或非线性组合方式),产生某些对植被长势、生物量等有一定指示意义的数值即所谓的“植被指数它用一种简单而有效的形式仅用光谱信号,不需其他辅助资料,也没有任何假设条件,来实现对植物状态信.息的表达,以定性和定量地评价植被覆盖、生长活力及生物量等基于植被指数特征参数提取对于复杂的植被遥感来说,仅用个别波段25基于植被指数特征参数提取基于植被指数特征参数提取26基于植被指数特征参数提取基于植被指数特征参数提取27基于高光谱三边特征参数提取基于高光谱三边特征参数提取28水稻主要病虫害的商光谱遥感识别研究分类方法：聚类分析,概率神经网络,学习矢量量化,支持向量机聚类分析是研究物以类聚的一种统计分析方法,用于对事物类别尚不清楚,甚至事物总共有几类都不能确定的情况下进行事物分类的场合.聚类分析实质上是寻找一种能客观反映元素之间亲疏关系的统计量,然后根据这种统计量把元素分成若干类.常用的聚类统计量有距离系数或相似系数两类,前者一般用于对样品分类,而相似系数一般用于对变量聚类.距离的定义很多,如极端距离、明考斯基距离、欧氏距离、切比雪夫距离等;相似系数有相关系数、夹角余弦、列联系数等.水稻主要病虫害的商光谱遥感识别研究分类方法：聚类分析,概率神29概率神经网络(Probabilistic Neural Network,PNN)是一种由径向基函数神经元和竞争神经元共同组合的新型神经网络。水稻主要病虫害的商光谱遥感识别研究概率神经网络(Probabilistic Neural Ne30一个PNN由三层神经元组成,即输入层、径向基层和竞争层。输入层对应对病虫害胁迫响应敏感谱段的光谱或经各种方法提取的新的光谱变量,第二层采用径向基神经元,该网络的隐层神经元个数与输入样本矢量的个数相同,第三层采用竞争层,也就是该网络的输出层,其神经元个数等于训练样本数据中需要进行分类的病虫害类别数。PNN的分类方式为:首先为网络提供一种输入模式向量,径向基层计算该输入向量同样本输入向量之间的距离“dist”,该层的输出为一个距离向量.竞争层接受距离向量为输入向量,计算每个模式出现的概率,通过竞争传递函数为概率最大的元素对应输出l这就是一类模式;否则输出0,作为其它模式。以水稻干尖线虫病为例,将健康叶片赋予类别。1,而将受稻干尖线虫危害的叶片赋予类别,2,输出结果非1即2。水稻主要病虫害的商光谱遥感识别研究一个PNN由三层神经元组成,即输入层、径向基层和竞争层。输入31学习矢量量化(learningvectorquantization,LVQ)算法是在有教师状态下对竞争层进行训练的一种学习算法,它是从Kohonen竞争算法演化而来的水稻主要病虫害的商光谱遥感识别研究学习矢量量化(learningvectorquantizat32一个LVQ神经网络由三层神经元组成,即输入层、隐含层和输出层.该网络在输入层与隐含层间为完全连接,而在隐含层与输出层间为部分连接,隐含神经元(又称Kohonen神经元)和输出神经元都具有二进制输出值.当某个模式被送至网络时,对隐含神经元指定的参考矢量最接近输入模式的隐含神经元因获得激发而赢得竞争,因而允许它产生一个,l”,其他隐含神经元都被迫产生,0,。产生“1”的输出神经元给出输入模式的分类,每个输出神经元被表示为不同的类水稻主要病虫害的商光谱遥感识别研究一个LVQ神经网络由三层神经元组成,即输入层、隐含层和输出层33支持向量机(Support Vector Machine,SvM)是最近20年来兴起的新兴数据挖掘技术,它的理论基础是统计学习理论,它是对结构风险最小化归纳原则的一种实现,是一种极其有效的数据分类和预测技术.支持向量机SVM最主要的功能是用于求解分类问题(classificatinn),也称为模式识别问题,在概率统计中则称为判别分析问题.水稻主要病虫害的商光谱遥感识别研究支持向量机(Support Vector Machine,S34同一分类方法对不同水稻病虫害的危害等级的识别精度不同,在对同一病虫害的不同等级的识别中也存在差异。这里从三个方面进行比较，即：分类精度，模型构建，花费时间。水稻主要病虫害的商光谱遥感识别研究同一分类方法对不同水稻病虫害的危害等级的识别精度不同,在对同35从表4.6中可知,四种分类方法对五种不同病虫害类型的平均识别精度为87.9%,PNN和C一SVC高于平均值,而cA和LvQ则低于均值.不同分类方法对五种不同病虫危害等级识别中,PNN平均分类精度最高93.5%,其次为C-SvC和CA,LVQ的平均识别精度最低83.2%,可能是由于LvQ中的参数设置存在问题所致.水稻主要病虫害的商光谱遥感识别研究从表4.6中可知,四种分类方法对五种不同病虫害类型的平均识别36模型构建指的是某一模型或分类方法的可操作性,使用是否方便。聚类分析传统的经典的用于解决分类问题的方法,在流行的所有统计中都有现成的模块,具有严密的数学推理和明确的物理意义,缺点在于需要自己设定分类闽值.PNN网络是一种具有结构简单、训练快捷等特点的神经网络,广泛应用于模式分类问题的解决,缺点是分布敏度spread对分类结果影响很大,需要不断调试.LvQ网络结构同PNN一样简单,但过多的参数设置是使用者不得不面对的问题.SVC所涉及到的数学知识对一般的科研人员来说是比较困难的,自己编程实现该算法难度就更大了,但林智仁在网络上免费提供的LIBSVM使困扰很多人的问题得以解决.从模型使用的方便程度来看,PNNC-SVCLVQCA.水稻主要病虫害的商光谱遥感识别研究模型构建指的是某一模型或分类方法的可操作性,使用是否方便。水37消耗时间指某一模型或方法在实现分类的整个过程中必须投入的时间,反映了模型或方法的实用性.几乎所有的统计软件中都提供了CA模块,但都没有预测(专指对分类问题的预测)功能,对训练数据和测试数据需要进行相同步骤的计算,除需要设定闽值的缺陷外,没有自动分类的性能使研究人员不得不一个样本一个样本的对照闭值筛选,在所列的四种分类方法中耗用时间最多,如果样本过多则耗时量更是不堪想象.PNN、LVQ和C-SVC都需要按照特定的数据格式整理数据,但所需时间并不太多.PNN和LvQ需要不断调试参数才能达到理想的分类效果,这是一个很繁琐很漫长的过程,且参数设置因人而异,具有较大的随意性.C-SVC在LIBSVM中无需调试即可运行,且具有较好的分类效果.从模型的消耗时间来看,C-SVCPNNLVQCA。由此可见，分类性能最好的应属c-svc,其次为PNN网络,再次为LVQ网络,最差的为CA水稻主要病虫害的商光谱遥感识别研究消耗时间指某一模型或方法在实现分类的整个过程中必须投入的时间38thanks!thanks!39