排序方式: 共有13条查询结果,搜索用时 15 毫秒
1.
基于支持向量机(SVM)的稻纵卷叶螟危害水稻高光谱遥感识别 总被引:5,自引:0,他引:5
对健康水稻叶片以及受稻纵卷叶螟危害后的水稻叶片进行了室内光谱的测定及分析。对430~530 nm和560~730 nm波段采用连续统去除的方法,分别提取了波深、斜率参量作为径向基核函数支持向量机的输入变量,利用LIBSVM软件包构建叶片高光谱识别模型。当参数γ和惩罚系数C分别取0.25和1时构建的径向基支持向量机模型的分类性能最佳,识别精度达100%。研究结果为实时水稻病虫害的早期监测以及田间管理提供了一定的理论基础。 相似文献
2.
为进一步完善核桃一苜蓿一鸡的荒岗治理模式,对该模式下荒岗植物多样性的变化进行了研究。结果表明:治理模式建立后,随运行年限的增加,在前4a林木郁闭度增长速度较快,第9年达到最高;单位面积林木保有量非常稳定,为700株/hm^2;核桃树高与冠幅前4a增长较快,以后基本稳定不变,保持在450cm左右;植物物种丰富度在运行期间呈现先增加后降低的趋势;植物多样性随着运行年限的增加而增加,4a后随着林木郁闭度的增大多样性降低,当郁闭度接近0.8时物种多样性和丰富度均较高。 相似文献
3.
对不同水稻色素含量及其对应的光谱数据进行分析,构建新的色素指数,以提高水稻色素含量的估算精度.研究分为叶片和冠层2个水平,采用一种复杂的方法确定水稻色素含量估算的最适色素指数,即将350~2500 nm范围内所有波段两两组合构建所有可能的简单比值色素指数,并利用这些指数与叶绿素、类胡萝卜素含量建立线型模型,将具有最大决定系数模型对应的色素指数作为相应色素估算的最佳比值色素指数,最后使这些指数与已知的各种比值色素指数进行比较.结果表明,本研究中给出的简单比值色素指数可以较好地估算叶绿素、类胡萝卜素含量,尤其是在叶片水平.经过检验,这些色素指数的估算效果一般等于或优于现存的一些比值色素指数.从构成这些指数的波段看,大都集中在红边区域,其次为绿光和短波红外区域.总之,研究中提出的色素指数将为水稻色素含量的遥感监测提供新的技术支撑. 相似文献
4.
油菜红边特征及其叶面积指数的高光谱估算模型 总被引:22,自引:6,他引:16
在2003~2004年油菜生长季,选用6个油菜品种,设置3个氮素水平的小区试验。在不同发育期同步测定油菜冠层的光谱反射率及对应叶片的叶面积指数。利用油菜冠层的光谱反射率数据提取红边参数,分析其变化规律,油菜叶面积指数与红边参数的相关性,估算结果表明:油菜冠层红边一阶导数光谱具有“双峰” 现象,红边位置λred位于690~720 nm之间,在油菜生长旺盛期间出现“红边平台”,前期有“红移”,后期有“蓝移”现象;叶面积指数与冠层光谱红边参数λred、Dλred、Sred之间在开花前存在显著相关,但开花后相关性不显著;利用开花前的红边参数可以估算油菜的叶面积指数,开花后的红边参数不能用于估算油菜的叶面积指数;最后建立了不同时期和开花前油菜叶面积指数的估算模型。 相似文献
5.
基于PCA和PNN的水稻病虫害高光谱识别 总被引:11,自引:6,他引:5
对水稻病虫害准确、快速的识别是采取病虫害防治措施的基础,同时对灾害评估也具有积极意义。该研究选用在水稻孕穗期时测定的两期受稻干尖线虫病危害的水稻叶片光谱数据和于水稻分蘖期时测定的两期受稻纵卷叶螟危害的水稻叶片光谱数据,通过对水稻叶片的光谱特征分析,选用可见光波段(490~670 nm)和短波红外波段(1 520~1 750 nm),用主成分分析技术(PCA)对上述光谱波段进行压缩,获得主分量光谱,最后结合概率神经网络(PNN)对稻干尖线虫病和稻纵卷叶螟进行识别,结果显示对水稻病虫害的识别精度高达95.65%。研究表明,PCA和PNN相结合,可以实现对多种水稻病虫害进行快速、精确的分类识别。 相似文献
6.
草地生物量的高光谱遥感估算模型 总被引:17,自引:2,他引:17
为了推进高光谱遥感在草地生理生化参数定量化方面的研究与应用,从冠层尺度上估算草地生物量,该文选用美国ASD公司的ASD FieldSpec Pro FRTM光谱仪,对内蒙古自治区锡林郭勒盟的天然草地进行高光谱遥感地面观测。在进行天然草地地上生物量与原始光谱和高光谱特征变量相关分析的基础上,将观测数据分成两组:一组观测数据作为训练样本,运用单变量线性、非线性和逐步回归分析方法,建立生物量高光谱遥感估算模型;另一组观测数据作为检验样本,进行精度检验。结果表明:生物量与高光谱吸收特征参数变量的分析中,以840、1132、1579、1769和2012 nm等5个原始高光谱波段反射率为变量的逐步回归估算方程为最佳模型,模型标准差为0.404 kg/m2,估算精度为91.6%,说明可以利用高光谱反射率数据,从冠层上对草地生物量进行量化。 相似文献
7.
基于学习矢量量化神经网络的水稻白穗和正常穗的高光谱识别 总被引:3,自引:2,他引:3
水稻病虫害的发生会导致大量白穗的出现,对白穗和正常穗的区分是采取植保措施和灾害评估的基础。通过研究获取了由水稻二化螟和穗瘟造成的白穗和正常穗的室内光谱,选取红边斜率、红边面积、绿峰幅值和绿峰面积等4个高光谱变量作为输入向量,利用学习矢量量化(LVQ)神经网络对水稻白穗和正常穗进行分类。利用测试样本对网络进行测试,结果显示对白穗和正常稻穗的分类精度高达100%。研究表明,基于LVQ神经网络对水稻白穗和正常穗进行辨别的方法是切实可行的,可以补充和替代肉眼观测。 相似文献
8.
9.
基于主成分分析和人工神经网络的稻穗健康状态的高光谱识别 总被引:2,自引:0,他引:2
水稻生长后期穗部遭受病虫危害会严重影响水稻产量,对不同健康状态的稻穗进行精准识别是采取病虫害防控措施和危害评估的依据。研究测定了健康稻穗、轻度、中度和重度危害稻穗及白穗的室内高光谱反射率,并着重分析了不同健康状态稻穗的原始光谱、对数光谱、一阶和二阶微分光谱特征。利用主成分分析方法获取了前述多种变换光谱的主分量,并以其为输入向量,利用学习矢量量化神经网络对多种健康状态稻穗进行分类。结果显示:原始光谱、对数光谱、一阶和二阶微分光谱的总体分类精度分别为75.3%, 74.7%, 91.6%和100%,Kappa系数分别为0.689, 0.682, 0.895和1.000。研究表明,运用高光谱遥感技术对稻穗健康状态进行识别是切实可行的。 相似文献
10.
估算水稻叶面积指数的调节型归一化植被指数 总被引:16,自引:2,他引:16
【目的】叶面积指数(LAI)是描述植物冠层结构、群落生长分析和陆地生态系统研究的重要参数,提高叶面积指数的估算精度是遥感工作者的重要研究方向之一。【方法】通过不同氮素营养水平的水稻小区实验,利用2004年中稻高光谱反射率数据,模拟中等分辨率成像光谱仪(MODIS)前四个通道,提出包含蓝、绿、红和近红外四个谱段的调节型归一化植被指数ANDVI(adjusted-normalized difference vegetation index)。对ANDVI和归一化植被指数NDVI(normalized difference vegetation index)、增强型植被指数EVI(enhanced vegetation index)、绿波比值指数GRI(green ratio index)、红边比值指数RRI(red-edge ratio index)等5个光谱植被指数与水稻LAI的相关关系进行了分析。利用2004年晚稻试验数据,对与LAI相关关系较好的ANDVI进行验证。【结果】ANDVI指数模型预测效果最好,均方根误差为1.771,估算精度达到63.1%。【结论】说明ANDVI具有进行在大面积范围内监测水稻LAI的能力。 相似文献