资源描述
目 录 摘要1 关键词1 1前言2 2材料与方法3 2.1实验设计与处理3 2.2项目测定与方法3 2.3叶面积指数的测定方式4 2.3.1叶面积指数的概念4 2.3.2叶面积指数的测定方法4 2.3.2.1直接测量法4 2.3.2.2间接测量法4 2.4虫害样本数据的获取7 2.5高光谱特征参数的选取7 3数据处理与分析8 3.1正常茶叶与受茶尺蠖危害的茶叶叶面外观比较8 3.2正常茶叶与受茶尺蠖危害的茶叶叶面积指数比较8 3.3茶尺蠖对茶树冠层反射光谱特征的影响9 3.4高光谱数据处理10 3.4.1近红外光谱分析原理10 3.4.2近红外光谱数据的处理与分析11 3.4.2.1近红外光谱数据的预处理11 3.4.2.2近红外光谱数据定性分析13 4结果与分析13 4.1高光谱特征参数的分析13 4.2高光谱特征参数与叶面积指数的相关分析14 4.3虫害光谱指数及模型精度检验18 5茶尺蠖危害程度单变量遥感估测模型的建立18 6结论20 参考文献21 致谢22高光谱遥感模型对茶尺蠖危害程度研究 摘 要:茶叶虫害是严重影响茶叶生长品质及产量的重要因素,本文针对现阶段对茶园自动化和智能化管理的研究状况,以及目前茶园管理的实际应用情况,提出了一种新型的茶园虫害检测方法,与传统的检测方法相比,它具有及时,准确,简单方便,能大面积监测等优点。具体做法为通过采集试验茶园的高光谱数据,对被茶尺蠖不同程度啃食的一系列高光谱数据进行比较和分析,发现在红边峰值区(680-790nm)和蓝边峰值区(520-580nm)变化相当明显,并找出了茶叶被茶尺蠖啃食程度的相关高光谱数据与茶树叶片指数的关系,建立了相应的茶尺蠖啃食程度拟合模型。试验结果表明:被茶尺蠖不同程度啃食的茶叶的部分光谱特征参数和茶树的叶片面积指数(Leaf Area Index,简称 LAI)存在明显的相关性,其一阶导数总和的相对变化率最大,能够有效反映出茶叶被茶尺蠖啃食的严重程度,真实值与该模型的预测值之间的相关系数为0.97,相对误差的平均值为3.93%。表明模型的预测性较好。关键词:高光谱;茶尺蠖;叶面积指数(LAI);高光谱参数;预测 Study on Harm Degree of Tea Geometrid Based on Hyperspectral Remote Sensing ModelAbstract: Insect pests are important factors seriously affect the growth, quality and yield of tea, this paper focuses on the current situation, proposed a new method for the detection of pests in tea garden, compared with the traditional detection methods, it has a timely, accurate, simple and convenient, wide-area monitoring and so on.Through acquisition the high spectral data for the test of tea garden, and comparison and analysis the tea geometrid varying degrees chewing on a series of high-spectral data, found that the change in red edge peak area (680-790 nm) and blue edge peak area (520-580 nm) is quite obvious, and found the relationship between the hyperspectral data of extent which the tea geometrid grazed and the Tea Leaves index, established the tea geometrid grazing fitting model. The test results show at that: part of the spectrum characteristic parameters of the tea pet plant which is grazed in different degree by the tea geometrid and the tea leaf area index (Leaf Area Index, LAI), there is a clear correlation, the sum of the relative rate of change of the first derivative is maximum, It reflected the severity of the tea which was grazed by tea geometrid effectively, the correlation coefficient between the true value and the predictive value of the model is 0.97, the relative error of the mean value of 3.93%.Key words: Hyperspectral; Tea geometrid; leaf area index (LAI); Hyperspectral parameters ; Prediction1 前言 中国是最早栽培茶树的国家之一,2011年:我国茶叶产量、种植面积和农业产值均居世界第一位;茶叶出口量和出口金额均居世界第二1。茶叶产量和品质除了受气象条件影响外,病虫害是一个非常重要的因素,采取科学、简易、快速的方式方法对虫害的危害程度进行监测,及早做出应对措施,对有效防治茶园病虫害,提高茶叶的品质和产量的意义重大而深远。所有虫害中茶尺蠖(Tea geometrid)是严重影响茶叶产量和品质的因素之一,可以将茶园啃食殆尽2。茶尺蠖属于鳞翅目尺蛾科,是有机茶园中发生最普遍、为害程度最为严重的病虫害之一,一般一年发生56代,其幼虫体表光滑,腹部只有第6腹节和臀节上具足,爬行时体躯一屈一伸呈拱形,俗称拱背虫、量尺虫、造桥虫等。常停栖在茶叶叶片的边缘,将叶片啃食成“C”形缺口,在湖南、安 安徽、浙江等主产茶区为害,一年之中以夏秋期间为害最重,幼虫啃食茶树叶片,严重时茶丛被啃食呈扫帚状,似火烧过一样。有时无茶可采,造成茶树树势衰弱,耐寒力差。冬季易受冻害,二三年后才能恢复原有产量。防治难度高,对茶树长势和茶叶产量及品质影响极大3。传统的茶尺蠖测报方式有蛹期调查和幼虫期调查等,该调查方式复杂,费时耗力,受人为因素影响较大,且准确率不高4,无法实现有机茶园的产业化和规模化。因此,探索一种简便易行、准确、能有效预测出茶尺蠖危害程度检测方法,及时有效地采取相应的防治措施对提高茶叶品质和产量意义重大而深远。拟合模型来确定为茶尺蠖虫害指数模型,以此来对对茶尺蠖的危害程度进行预测。 近年来,随著高光谱遥感和高分辨率卫星遥感技术的发展,使近红外光谱分析技术发展成为一种快速、无损、无公害,可以进行多组分同时分析的现代分析技术,把近红外高光谱技术应用于农业生产5,对农作物生长状况进行实时监测,使病虫危害预报和损失评估成为可能。对病虫害早期的、小面积范围内的细微光谱差异的监测,传统的宽波段低分辨率卫星遥感是无法识别的6,因此,通过现代近红外高光谱技术来识别农作物病虫害并确定其危害程度,指导农业管理员采取相应措施降低农作物生产中因病虫害造成的损失,这对保护生态环境,提高农作物的产量和品质,提高农业生产积极性,具有重大的经济效益和积极的生态效益。高光谱数据包含着有关作物的丰富的生长信息,它可以有高精度地估测植被的生长状况,不同长势的植物在相同条件下所引起的反射光谱曲线的变化不同7,可根据植物光谱数据的这一现象,在特定条件下采用光谱仪来采集其反射光谱数据,以此来分析作物遭受病虫害的严重程度8,对作物病虫害的进行及时有效的防治具有重要的指导意义。 本研究应用高光遥感技术,采用光谱仪测定植被冠层光谱,再测定植物的叶面积指数(LAI),通过回归模型筛选高光谱特征参数,最后建立虫害光谱指数模型,可对茶尺蠖发生和危害进行可靠和准确的预测。2 材料与方法2.1 实验设计与处理 试验地点为位于湖南省湖南农业大学长安教学实习基地(28。09,N, 113。13,E,海拔65m),属亚热带季风湿润气候区,年平均气温1618摄氏度,平均日照13001800小时,年平均降雨量12001500毫米。试验区茶树长势均匀分布。在4月中下旬,茶尺蠖第一代幼虫始发,大量啃食春茶叶。在园区中任意抽取7行,共35个样点,在每个样点中随机采集8个点。包括未被啃食和一系列已被茶尺蠖不同程度啃食的茶叶和进行采样和分析。2.2 项目测定与方法 本试验所选用光谱仪为美国ASD(Analytical Spectral Device)公司的ASD FieldSpec HandHeld 2手持便携式光谱分析仪。采用FieldSpec HandHeld 2便携式近红外光谱仪测取数据,该光谱仪测定范围为350-1100nm,光谱分辨率为3nm,波长精度为1nm,采样间隔为1.4nm,512阵元光PDA阵列探测器, 凹面消色差光栅,平场成像,易于波长标定,灵敏度高。 选择无风、无云,太阳能见度好的晴天对茶树冠层进行光谱测定,在10:00- 14:00测定茶树冠层光谱反射率。观测时,视场角为25。,光谱仪的探测头垂直向下,到茶树冠层顶端的高度约0.5m,观测范围直径约为0.22m,为了减小实验误差, 每次测定前都要对光谱仪进行白板较正,在每个样本区域内重复测量30次,取平均值作为光谱反射值。 常见的高光谱吸收特征参数包括从原始光谱、一阶微分光谱提取的基于高光谱位置变量、基于高光谱面积变量和基于高光谱植被指数变量3种类型共25个吸收特征参数,本研究从正常生长与受茶尺蠖危害茶叶的高光谱参数中选出变化率大的参数。测定茶叶的LAI,量取茶叶叶片长度和宽度,用长度和宽度之积,乘以校正系数,计算单位土地面积上的绿色叶面积的倍数即LAI。从获取的高光谱特征参数与IAl做相关分析,选出最适宜的高光谱参数作为茶尺蠖病情指数DI(Disease index)。2.3 叶面积指数的测定方法2.3.1 叶面积指数的概念 叶面积指数(leaf area index)简称LAI,又称为叶面积系数,是指每单位土地面积上植物叶片面积总和与其所占土地面积的比值。即: (2.1) 在生态学中,叶面积指数(LAI)是生态系统的一个非常重要结构参数,可以用来反映植物叶面数量、冠层结构变化、植物群落生命活力及其环境效应,为植物冠层表面物质和能量交换的描述提供结构化的定量信息,并在生态系统碳积累、植被生产力和土壤、植物、大气间相互作用的能量平衡,植被遥感等方面起重要作用。在田间试验中,叶面积指数(LAI)能够有效的反映植物群体长势情况,对茶叶而言,叶面积指数(LAI)的大小直接关系到茶叶的产量。2.3.2 叶面积指数的测定方式2.3.2.1 直接测量法 直接测量法是一种传统的测量方法,它对植物具有一定的破坏作用。它可加以用传统的格点法和方格法进行面积测定;也可以将叶片的轮廓用铅笔描在坐标纸上并依线剪下,然后再称取纸的重量,并用公式算出叶面积;此外,还可以通过叶片面积测定仪进行测定。2.3.2.2 间接测量法 间接方法是借用一些用光学仪器测量而得到叶面积指数,使用间测量方法具有方便快捷等优点,但是所测得的数据要通过用直接方法所得的数据按照恰当的方式进行相应的修整和校正。(1) 点接触法点接触法即将细探针以不同的方位角和高度角插入冠层,记录细探针针尖所接触的叶片的总片数,并采用如下公式进行计算: (2.2) 上式中:LAI叶面积指数, K探针穿过的叶片数, G ()投射函数,天顶角角度。这种方法对于小型植物叶片面积系数的测量比较准确,但是对于高大的乔木应用起来非常困难。(2) 消光系数法消光系数法是指当叶片随机分布并且叶片倾角呈椭圆分布的时候,通过测定冠层上下辐射以及与消光系数相关的参数来计算叶面积指数的一种方法。根据BeerLambert定律得: (2.3)上式中: LAI叶片面积指数,冠层上部的太阳辐射, 冠层下部的太阳辐射,特定植物冠层的消光系数。(3) 经验公式法 经验公式法是通过测量植物的一些比较容易测量的胸径、树高、边材面积等参数,并建立与叶面积或是面积指数相关的经验公式来计算叶片面积系数的一种方法,这种方法测量方便,效率较高,并且对植物的损伤程度比较小,但是经验公式只适用于特定的植物,因而在应用范围方面具有一定的局限性。本试验通过比对以上叶片面面积指数在测量和应用等方面的优劣,采用点接触法来间接获取树的叶片面积指数,试验样品与所对应的数据如表1表所示:表1 与光谱曲线对应的叶面积指数Table1 The spectral curve corresponded to the leaf area index名称叶面积指数名称叶面积指数10014.7240024.9310024.4940034.5310034.4240043.6510043.940054.3810054.240063.4510064.2640074.4620014.0850013.0620024.5650024.9720034.6350034.9720044.9860022.6720054.5760032.520064.6960043.1730014.7760053.2330023.2360061.1530034.5560071.0530044.6770010.5330054.9170020.5230063.9670030.5830073.9470040.5830083.970051.1530093.7770061.1540014.7270071.262.4 虫害样本数据的获取 根据地方标准DB33/T 867茶树主要害虫测报调查规范,对茶尺蠖的幼虫数目进行调查统计,并将其换算成每667 m2茶园虫量(如表3),其换算公式如下: (2.4)根据所测虫害数量(如表2)按轻度、中等、严重按比例1:2:1选取样本。以尽量减少人为等不利因素的影响.表2 每亩虫害数量表Table2 Pest quantity per acre名称虫害数量名称虫害数量143005732023456008900134006783680112008700表3 每亩虫量与虫害发生程度等级对照表Table3 Insect and pest occurrence degree level table per acre危害等级ABC危害程度轻度中等严重每亩虫量/头92002.5 高光谱特征参数的选取在对地物光谱参特征进行分析时,主要依据原始光谱数据曲线或者经过微分处理的光谱数据曲线的一些“波峰”和“波谷”的数值大小及“波峰”和“波谷”所出现的波长位置进行分析对比,找出研究对象的变化与光谱特征参数变化的相关关系,从而实现对被研究对象的进行定性分析或者定量分析。常见的高光谱数据特征参数可分为3个大类型,共19个特征参数9、10,即从原始光谱、一阶导数光谱当中提取出来的基于高光谱位置变量、面积变量和植被指数变量,对这些高光谱特征参数与叶面积指数的相关性进行分析,从其中选出相关性最高的高光谱参数(表3)作为茶尺蠖的危害指数HI(Harm index)。表4 高光谱参数名称及说明 Table4 The name and description of high spectral parameter高光谱参数名称定义及说明Rb蓝边峰区(520-580nm)反射率的最大值b与蓝边峰区反射率最大值相对应的波长Db蓝边峰区一阶导数的最大值SDb蓝边峰区一阶导数的积分值Rr红边峰区(680-790nm)反射率最大值r红边峰区反射率最大值对应的波长Dr红边峰区一阶导数最大值SDr红边峰区一阶导数积分值SDr/ SDb红边峰区一阶导数的积分值SDr与蓝边峰区一阶导数的积分值SDb的比值(SDr-SDb)/(SDr+SDb)红边峰区一阶导数的积分值(SDr) 与蓝边峰区一阶导数的积分值(SDb) 的归一化值3 数据处理与分析3.1 正常茶叶与受茶尺蠖危害的茶叶叶面外观比较 本试验采集了一系列受茶尺蠖不同程度危害的茶叶作为研究对像,并分别采集其光谱数据、叶面积指数及茶尺每亩茶尺蠖数目等信息,无虫害的茶叶和受茶尺蠖危害的茶叶对照如图1所示: (b)被茶尺蠖严重啃食的茶叶(B组) (a)长势良好的茶叶(A组)图1 正常生长与受茶尺蠖危害的对照 Fig1 Normal growth of tea with tea geometrid harm spectral curve control 由图1可以看出,长势良好未受到虫害危害的茶树的叶片鲜艳光亮,呈亮绿色,叶片完好,叶片相互挤在一起,而受到虫子危害的茶叶其叶片被咬成不规则形状,其外部颜色变成暗黄色,叶片的结构也发生了相应的变化。3.2 正常茶叶与受茶尺蠖危害的茶叶叶面积指数比较图2 茶尺蠖数目与叶片面积指数的关系Fig 2 Tea looper number and leaf area index 由图2可以看出,叶面积指数受茶尺蠖危害程度的影响很大,茶尺蠖数目越多,被啃食的茶叶叶片越多,叶片面积指数就会越小。3.3 茶尺蠖对茶树冠层反射光谱特征的影响 茶树叶片的受到虫害的影响,会导致茶树叶片的理化性质发生一些改变,包括叶片的颜色、结构、含水率、叶绿素含量及营养状况等。而这些理化性质的改变都会使其光谱特征参数值发生一些变化,如光谱反射率、透射率、吸收率,红边峰值及其波长位置及蓝边峰值及其波长位置等11。因此,把握正常茶叶光谱特征及其相关信息,是研究茶叶受到其它病虫害危害的前提和基础。 如图3所示光谱曲线是利用美国ASD FieldSpec HandHeld 2光谱仪采集到正常生长的茶树冠层光谱数据: 图3 正常生长的茶树冠层光谱曲线 Fig3 The canopy spectral curve of normal tea 对图3当中的光谱曲线进行仔细分析不难发现该光谱曲线具有如下几个方面的特征: a350505nm区域 在该波段区域光谱为可见光谱的蓝紫光区域,其光谱反射率变化比较小,基本保持不变,反射率值小于0.05,主要原因是在该波段区域内,长势良好的茶叶叶片内含有丰富的叶绿素a、叶绿素b、类胡萝卜素等色素,这些色素吸收了绝大多数的蓝紫光,因而只有极少数的光被反射和透射,从而使这个区域的光谱反射率明显偏小。 b505640nm区域 在该波段区域光谱为可见光谱的黄绿光区域,在这个光谱区域范围内,光谱反射率的变化比较显著,从505nm至555nm,其光谱反射率逐渐增大12,从555nm640nm其光谱反射率又逐渐减小,使光谱曲线在555nm左右出现了一个反射峰,称之为“绿峰”,主要是在这个区域段,叶绿素等色素的对绿光的反射能力比较强。 c640740nm区域 在该波段区域光谱为可见光谱的红光区域,这个区域属于叶绿素的强吸收带, 其光吸收红光的能力最强,大量的红光被吸收,反射能力比较弱,在675nm左右波长处,出现了光谱反射率的极小值,称之为“红谷。 d740780nm区域 在该波段区域光谱为红光波段到近外波段的过渡阶段,在这个区域里,最显著的特征就是其光谱的反射率急剧增强,使光谱曲线接近90度的直角梯度的变化,这就是植被光谱反射率的“红边”,红边包含着丰富的作物生长信息,因此,在对作物进行研究时,可以参照红边的特征来判断作物的长势情况。 e7801100nm区域 该波段区域为光谱反射率的“红肩”区,在这个区域,其显著的特征就是恰好与蓝紫光区相反,其反射率比较大,达到了0.7左右,并且在这个区域内基本保持稳定不变,在这个区域,由于茶叶叶片内部结构中的色素和纤维素等几乎是透明的,光线能够在叶片内部多次发生散射现象,叶绿素吸收光极少,所以使得“红肩”区域的反射率相对较大。3.4 高光谱数据处理 高光谱数据包含着丰富的生物信息,能有效的反映出农作物生长状况,可以为茶园管理员提供科学合理,客观准确的信息,对茶叶的茶尺蠖危害进行现场监测,指导茶园管理,实现茶园管理自动化、产业化和规模化。在本试验中,以试验园区的茶叶为采集目标获取的近红外高光谱数据是本研究中一个非常重要的环节。3.4.1 近红外光谱分析原理 近红外光(Near Infrared,NIR)是指其波长介于可见光(VIS)和中红外光(MIR)之间的电磁波,波长范围在0.82.5m,在研究分析当,近红外区域由近红外短波(7801100nm)和近红外长波(11002526nm)两个区域。 近红外光谱具有非常丰富的生物结构及组成信息,当物质分子振动时,其振动的非谐振性使分子振动从基态向高能级跃迁时就会产生近红外光谱,记录的主要是含氢基团XH(X=C、N、O)振动的倍频和合频吸收13。不同的基团或同一基团在不同化学环境中对近红外光的吸收波长不同,其吸收强度也不同,因而利用近红外光谱的这么特性来测量碳氢有机物质的组成具有独特的优势。 在近红外吸收区域,近红外光的吸收强度比较弱,其灵敏度也不是很高,并且吸收带比较宽,重叠非常严重,利用建立工作曲线的传统方法进行定量分析工作难度非常大,很难取得令人满意的结果。高光谱检测技术而言,如果样品的组成相同,那么它的光谱也相同,如果不相同的话,那么其光谱也会不同,因此它能有效克服传统方法当中的不足。我们可以根据光谱特征参数与待测参数之间构建出与其相对应的监测模型,就可以通过采集近红外高光谱数据迅速对物质成分进行定量分析。3.4.2 近红外光谱数据的处理与分析 近红外光谱包含着丰富的生物生长信息,生物的某些生长状况发生变化会引起一些光谱参数发生变化,因此,我们可以根据光谱参数值的变化的相对量对农作物做出定性分析或是定量分析。目前近红外光谱分析技术的研究中主要有光谱预处理、近红外光谱定性分析等内容。3.4.2.1 近红外光谱数据的预处理 近红外光谱分析信息源非常复杂,其测定的样品往往是一些没有经过分离提纯等预处理的复杂样品,因而近红外光谱信息的重叠性非常严重、有效信息微弱及信噪比比较低等缺点,这使近红外光谱分析难以用常规的方法进行分析,因此,必须通过特定的手段对光谱进行预处理来消除光谱噪声、提高光谱信噪比、筛选有效的数据变量,优化光谱信息范围,净化谱图信息等,使优化后的光谱信息具有广泛的代表性14,以便于能科学准确的建立近红外光谱校正模型及对未知样品组分或性质进行预测和分析。光谱预处理主要包括剔除异常样品、消除光谱噪声及其它干扰因素的影响、优化光谱信息及筛选有效光谱区域等过程。 (1)异常样品数据的剔除 由于受到人为因素的影响、测试浓度标准值时产生偏差、样品处理不合理及外部环境等因素的影响可能会对所采集的光谱数据产生一定的偏差,这对校正模型会产生一些不可忽视的影响,因此,在构建校正模型的时候,应将偏差比较大的数据从样品数据中剔除,以保证数据的准确性和科学性。 (2)噪声及其它干扰因素的消除措施 基线校正:由于光谱仪器,样品背景,电磁干扰等其它因素的影响,有可能会导致近红外光谱分析过程当中产生偏移或漂移现象,会对校正模型的校正质量和预测结果的准确性造成影响,因而必须采用基线校正的方法来消除仪器、样品背景、电磁干扰等因素产生的偏移或者漂移现象。基线校正通常采用的方法是原始光谱进行一阶微分处理或者二阶微分处理,这样可以有效的消除偏移和漂移等成的影响,来提预测结果的准确性。常用的微分处理方法有差分法、Gap法及Savitsky-Galay卷积法。其中,差分法仅仅使用临近两点来计算微分,因而其数据处理过程比较简单,但是这种处理方法会使噪声增强,所以最好的方法是使用Gap法及Savitsky-Galay卷积法,这种方法使用一段数据进行微分处理,因而能很好的减小噪声。 为了减小噪声,提高信噪比,利用OriginPro8数据处理软件,采用Savitgky-Golay方法对原始光谱数据进行平滑处理,处理方程式为: (3.1) 这里的,分别是平滑前后光谱数据中向量当中的一个元素,是移动窗口在平滑中的权重因子。 平滑处理前 平滑处理后图4 Savitgky-Golay平滑处理前后对比Fig4 Comparison between Savitgky-Golay smoothing before and after 通过图4对比分析可以看出,光谱数据通过平滑处理之后,去掉了高频成分,保留了有用的低频信息,效果非常明显。 (3)近红外光谱波长变量与光谱区域的选取 在多元线性回归分析中,对样品吸收的特征峰值位置进行适当的选择,有利于减小噪声对模型构成的不利影响,同时,也可以减小运算的复杂程度,提高运算效率和模型的稳定性。3.4.2.2 近红外光谱数据定性分析 此处省略NNNNNNNNNNNN字。如需要完整说明书和设计图纸等.请联系扣扣:九七一九二零八零零 另提供全套机械毕业设计下载!该论文已经通过答辩4.2 高光特征谱参数与叶面积指数的相关性分析 通过对该试验区茶树冠层的高光谱相关参数与叶片面积指数的相关关系的对比分析,发现其中Rb 、Db、SDb、Rr、 D r、SDr 及SDr/ SDb参数变化较为敏感,以x为高光谱特征参数和y为叶面积指数,分别建立它们与叶面积指数的回归模型(表5)。经研究分析发现: SDb、Rr、Dr、及SDr四个高光谱参数与叶片面积指数的相关性非常明显。表6 叶片指数与高光谱相关参数的非线性拟合回归模型分析Table6 The contrast of nonlinear fitting regression model of Leaf area index and Hyperspectral parameters变量非线性拟合模型R2Sig.Rby = -20226x3 + 4740.2x2 - 285.87x + 5.529 60.7870.000Dby = -8E+08x3 + 5E+06x2 - 7488.6x + 3.7190.8040.000SDby = -34309x3 + 6116.2x2 - 258.08x + 3.430 80.8750.000Rry = -66.317x3 + 71.673x2 - 12.767x + 1.162 20.8980.000Dry = -1E+07x3 + 237745x2 - 1101.7x + 1.883 90.9690.000SDry = -77.349x3 + 80.467x2 - 14.159x + 1.218 50.9950.000SDr/ SDby = -0.5254x3 + 8.429x2 - 42.902x + 71.7110.7360.000 图5 高光谱特征参数的不同模型对比 Fig5 Contrast among different model of high spectral characteristic parameters 表7 高光谱特征参数的不同模型的检验结果Table 7 The test results of different model特征参数名称类型 R2标准误差残差Sig. Rb线性0.7460.75323.8250.001对数0.7210.79026.1860.001二次0.7490.75923.5930.001三次0.7880.70619.9370.001幂0.8340.2853.4180.001指数0.8060.3094.0090.001对数0.8060.3094.0090.001 Db线性0.7680.72021.7790.001对数0.7270.78125.6160.001二次0.7680.72821.7320.001三次0.8050.67718.3350.001幂0.8540.2683.0160.001续表7特征参数名称类型R2标注误差 残差sig.指数0.8320.2883.4770.001对数0.8320.2883.4770.001 SDb线性0.8270.62116.1980.001对数0.7450.75523.9530.001二次0.8300.62516.0010.001三次0.8760.54011.6720.001幂0.8780.2452.5250.001指数0.8840.2392.3960.001对数0.8840.2392.3960.001 Rr线性0.9760.2312.2360.001对数0.9050.4608.8940.001二次0.9770.2322.2020.001三次 0.9680.1691.1890.001幂0.9760.1090.4950.001指数0.9400.1721.2440.001对数0.9400.1721.2440.001 Dr线性0.9350.3836.1460.001对数0.8320.61315.7650.001二次0.9370.3805.9270.001三次0.9690.2682.8810.001幂0.9380.1751.2850.001指数0.9410.1711.2220.001对数0.9410.1711.2220.001 SDr线性0.9700.2602.8470.001对数0.8860.50510.6960.001二次0.9700.263 2.8390.001三次0.9950.1030.4210.001幂0.9690.1240.6420.001指数0.9400.1711.2330.001对数0.9400.1711.2330.001 SDr/SDb线性0.6920.82928.8950.001对数0.7010.81828.0980.001二次0.7090.81727.3350.001三次0.7110.81327.1260.001幂0.5960.4468.3360.001指数0.5900.4498.4710.001对数0.5900.4498.4710.001结果分析:在以上的高光谱特征参数多种拟合模型都通过了0.01极显著水平检验,在其拟合模型当中,每个特征参数对应的模型的相关系数、标准差和残差并不一致,其中:蓝边峰区(520-580nm)反射率的最大值、蓝边峰区一阶导数的最大值、红边峰区(680-790nm)反射率最大值以幂函数模型最佳;蓝边峰区一阶导数的积分值以指数模型最佳;红边峰区一阶导数最大值、红边峰区一阶导数积分值、红边峰区一阶导数的积分值SDr与蓝边峰区一阶导数的积分值SDb的比值对应的模型以三项式模型最理想,具体拟合模型如表7所示。表8 叶片指数与高光谱相关参数的非线性拟合回归模型对照Table8 The contrast of nonlinear fitting regression model of Leaf area index and Hyperspectral parameters变量非线性拟合模型R2Sig.0.8340.0010.8540.0010.8840.0010.9760.001Dr0.9690.001SDr0.9950.001SDr/ SDb0.7360.001 通过对比表7当中的各特征参数的最优一元拟合模型当中,以红边峰区一阶导数积分值建立的三项式模型的相关系数最大,达到0.995,且其标准差和残差最小,故可以把此曲线作为茶叶病虫害的最优预测曲线15。因此,把SDr进行比例变换,变换系数为100,作为虫害光谱检测指数,用“HI”来表示,即: HI=100SDr (4.1) 正常生长的茶树其叶片面积指数值一般大于2.5,此时HI34.62;当茶尺蠖平均密度在1-7头/m2时,叶面积指数值为1.4-2.4, 此时25.41HI34.10,茶尺蠖轻度发生,不需要防治;当其密度大于7头/m2时,叶面积指数值小于1.4,HI25.41,此时得进行虫害防治。 茶树叶面积指数与茶尺蠖数目的相关关系如图及预测误差分布如(图6-图7)所示: 图6 叶面积指数与茶尺蠖数目的关系曲线Fig6 Leaf area index and tea a. number of curve 图7 茶尺蠖数目的预测误差分布Fig 7 Tea a. number of prediction error distribution 图6和图7可以看出,叶面积指数与茶尺蠖数目呈负相关关系,当茶尺蠖危害轻度发生时,茶尺蠖数目很少,茶树长势良好,此时的叶片面积指数较大;当茶尺蠖危害程度越大,此时茶尺蠖数目越多,茶树叶片被严重啃食,叶片面积指数减小。通过对茶树叶片上的茶尺蠖数目的实际值与模型的预测值的误差分布来看,模型的预测值分布在5%的误差范围内,所以预测效果较为理想。4.3 虫害光谱指数及模型精度检验 从试验园区样点中随机抽取20个对其模型精度进行检验,用实际测得的叶片面积指数值反推HI值,然后再利用已经建立的模型对这20个样点的HI进行预测分析,由图中可见:预测值与实际值的相关系数为0.97,平均相对误差为3.93%,表明模型的预测大体上与真实值的结果相当(如图8), 图8 真实值与高光谱模型预测值误差分析Fig8 The error analysis between true value and high spectral model prediction5 茶尺蠖危害程度多变量遥感估测模型的建立 从众多高光谱特征参数当中选择某一个参数对茶树的茶尺蠖的危害程度进行定量分析,可以起到简化预测模型程序,减少计算量,提高运算速度的效果,但是,茶叶的危害程度是由光谱的多个特征参数所共同反映的,所以,如果只应用单一的变量对虫害的危害程度进行预测,受观测条件各观测背景等偶然因素的影响比较大,会导致预测的结果与实际虫害之间误差比较大16,进行回归预测的时候容易导致回归平方和小于残差平方和的现象出现。而对于多元回归而言,所采用的与虫害危害程度相关的自变量数目越多,则相应的回归平方和越大,其残差平方和越小,因此本研究尝试多元线性回归模型对茶叶的病虫害进行预测。其预测模型如(表8表10)所示:表9 模型综述表Table9 Model summary table模型RR 方调整 R 方标准 估计的误差10.997a0.9940.9930.52037 表10 方差分析Table 10 Analysis of variance模型平方和df均方FSig.回归1545.7247220.818815.4800.000残差9.748360.271总计1555.47243表11 参数估计Table11 Parameters estimation模型 标准误差 标准系数 t Sig.(常量) 3.06816.7230.000Rb51.3090.1730.8720.389Db693.765-0.042-0.5400.593SDb74.498-1.386-5.4490.000Rr27.297-2.018-3.0220.005Dr409.238-0.336-1.7440.090SDr30.5863.1404.3230.000SDR/ SDB0.592-0.735-9.5980.000 输出结果结果表明,调整的判定系数=0.993,说明自变量、和整体上对Y的回归效果是显著的,在方差分析当中,Sig.=0.000,说明判定回归方程是显著的。由参数估计表可以得出此多元模型的回归方程可以表示为:其中分别表示、和。 但是,从系数分析表可以看出,这并不是一个最佳的回归模型,给定的显著性水平=0.05,在回归模型当中除变量之外对Y的影响均不显著,这说明将自变量全部与Y构建的回归模型的回归效果并不是最好的, 主要是因为采用的自变量过多,对回归模型的稳定性造成不良影响,从而导致估测模型的可靠性变差,精度变低的过拟合现象。因此,建立的预测模型既要减小偶然因素的影响,又要不影响到预测模型的预测稳定性和预测精度,这样就得对所有对茶叶危害程度相关的光谱特征参数进行筛选,要从中筛选出对茶叶危害程度有显著影响的光谱特征参数,而逐步回归方法是对全部因子按其对y影响程度大小(偏回归平方的大小),从大到小地依次逐个地引入回归方程,并随时对回归方程当时所含的全部变量进行检验,看其是否仍然显著,如不显著就将其剔除,知道回归方程中所含的所有变量对y的作用都显著是,才考虑引入新的变量。再在剩下的未选因子中,选出对y作用最大者,检验其显著性,显著着,引入方程,不显著,则不引入。直到最后再没有显著因子可以引入,也没有不显著的变量需要剔除为止。因此对于多元高光谱我特征参数对茶叶的病虫害危害程度预测分析而言,可以采用逐步回归方法对其进行分析。6 结论 传统的虫害严重度测报方法是通过观测虫害症状来确定,受主观成分的影响较大17,且效率不高,本研究通过采集茶叶受茶尺蠖不同程度危害后的高光谱数据,建立与叶面积指数相应的数学回归模型,根据预测结果可以看出,预测值与实际值的相关系数为0.97,相对误差平均值为3.93,表明对茶尺蠖的危害程度预测值与真实值大体相当,完全可以利用高光谱遥感技术对产业化和规模化茶园的茶尺蠖对茶叶危害情况进行监测。 实测高光谱光谱参数,除了受茶尺蠖取食干扰外以外,还受到很多外界因素的影响和干扰,因此,有必要对茶树植被实测光谱进行数据处理,消除各种环境因素的影响,以便获取能反映茶树植被特征的光谱,光谱微分方法能够减弱周围环境对光谱的影响18。本研究选择了红边(620760 rim)一阶微分总和与蓝边(430470 nm)一阶微分总和的比值建立茶尺蠖严重度光谱模型,在茶尺蠖危害过程中,sDrSDb完全能够区分健康茶叶与病害茶叶,因此,可以利用高光谱植被指数SDrSDb监测茶尺蠖危害程度。 本研究结果主要是针对一片茶园内的茶尺蠖得出的结论,对于其他茶园的茶尺蠖的危害程度还有待进一步验证。当前,国内外有部分研究通过构建三维高光谱数据信息阵,采用多维偏最小二乘(NPLS)算法建立作物长势预测模型19,20,来对农作物的不同生长时期的虫害危害程度进行全程监测,使虫害监测区域化和精准化,在茶叶虫害程度的监测上也可以借鉴地引入多种高维数据模型21,通过比较其模型在回归效果上的优劣,来确定最佳的茶尺蠖高光谱监测模型。参考文献1福建茶叶门户网.2011年中国茶产量全球第一出口居第二EB/OL.(2011-09-26).2青青花木网.茶树虫害防治之茶尺蠖防治EB/OL.( 2010-08-28).3郭书普农业实用技术百科全书M北京:中国致公出版社,1996:657660.4吕佩珂中国粮食作物、经济作物、药用植物病虫原色图鉴(下册)M第三版北京:远方出版社,2007:808810.5毛迎新茶尺蠖核型多角体病毒湖北分离株的分子鉴定J湖南农业大学学报,2010(6):685686.6张春艳.茶尺蠖防治研究进展J.农林论坛,2009(31):346-371.7卢辉.高光谱遥感模型对茶尺蠖危害程度研究J.光谱学与光谱分析,2009(3):711-745.8郝树广;秦启联;王正军查看详情期刊论文-昆虫学报 2002(04):30-31.9安虎;王海光;刘荣英小麦条锈病单片病叶特征光谱的初步研究期刊论文-中国植保导刊 2005(11):21-22.10蒋金豹;陈去浩;黄文江病害胁迫下冬小麦冠层叶片色素含量高光谱遥感估测研究期刊论文-光谱学与光谱分析 2007(07):15-16.11吴彤;倪绍祥;李云海基于地面高光谱数据的茶尺蠖危害程度监测期刊论文-遥感学报 2007(01):24-26.12 高光谱遥感图像的处理与应用 张媛(导师:何明一) - 西北工业大学硕士论文- 2006-03-01:12-13. 13 高光谱遥感图像特征提取及分
展开阅读全文