盗墓笔记,完结小说排行榜,小说排行榜

引言

為實(shí)現(xiàn)大范圍的柑橘黃龍病監(jiān)測(cè)預(yù)警，提供一種減少人工成本的柑橘黃龍病病害統(tǒng)計(jì)方法，本研究通過(guò)地面實(shí)測(cè)黃龍病植株，協(xié)同無(wú)人機(jī)采集低空高光譜遙感影像，經(jīng)過(guò)異常數(shù)據(jù)剔除、平滑去噪、一階微分變換、二階微分變換等處理后，構(gòu)建支持向量機(jī)（SVM）分類(lèi)模型對(duì)柑橘黃龍病進(jìn)行識(shí)別，探討低空無(wú)人機(jī)高光譜遙感監(jiān)測(cè)黃龍病的可行性。

數(shù)據(jù)來(lái)源及研究方法

2.1 數(shù)據(jù)來(lái)源

試驗(yàn)地點(diǎn)為廣西壯族自治區(qū)柳州市鹿寨縣平山，數(shù)據(jù)來(lái)源于使用無(wú)人機(jī)搭載機(jī)載高光譜成像儀采集的低空高光譜遙感影像。高光譜正射影像數(shù)據(jù)包含反射率為30%的漫反射定標(biāo)板，影像分辨率默認(rèn)設(shè)置為1m。采集圖像的區(qū)域?yàn)楦涕俳】抵仓旰忘S龍病植株的種植地塊，如圖1所示。

圖1 無(wú)人機(jī)低空高光譜遙感影像采集區(qū)域

在前期的地面調(diào)研中，已通過(guò)田間診斷和PCR檢測(cè)等地面實(shí)測(cè)方法對(duì)數(shù)據(jù)采集區(qū)域的柑橘植株感染黃龍病情況進(jìn)行抽樣確認(rèn)，即對(duì)目標(biāo)區(qū)域的柑橘植株采樣（51株），以專(zhuān)家經(jīng)驗(yàn)的方式選定目標(biāo)植株進(jìn)行隨機(jī)抽樣采集葉片，健康植株每株采集3張葉片，黃龍病植株癥狀較明顯和癥狀不明顯的葉片各采集3張。采用實(shí)時(shí)熒光定量PCR檢測(cè)樣本，結(jié)果顯示21個(gè)樣本感染黃龍病。基于此，本研究在獲取到無(wú)人機(jī)低空高光譜遙感影像后，分別建立健康植株冠層和黃龍病植株冠層樣本的感興趣區(qū)域（ROI）。

2.2 研究方法

本研究通過(guò)使用軟件完成樣本制作。提取樣本點(diǎn)的平均光譜數(shù)據(jù)，計(jì)算結(jié)果并導(dǎo)出 Excel格式文件，用于后續(xù)試驗(yàn)研究的數(shù)據(jù)處理分析。最后通過(guò)式（1）把提取到的柑橘植株冠層高光譜數(shù)據(jù)進(jìn)行反射率轉(zhuǎn)換，得到柑橘植株冠層的相對(duì)光譜反射率，計(jì)算公式如下。

式中，DNC為柑橘植株冠層的輻射亮度值，DNB為漫反射定標(biāo)板的輻射亮度值，SRC為柑橘植株冠層的相對(duì)光譜反射率，SRB為漫反射定標(biāo)板的光譜反射率。

2.2.1 黃龍病分類(lèi)與檢測(cè)模型

選取400~1000的特征波段，使用通過(guò)軟件獲取的原始光譜、一階微分光譜（FDR)和二階微分光譜（SDR)作為樣本變量；

采用經(jīng)典機(jī)器學(xué)習(xí)分類(lèi)方法中的支持向量機(jī)（SVM）建立柑橘黃龍病分類(lèi)與檢測(cè)模型；引入徑向基核函數(shù)（RBF kernel）來(lái)處理高維數(shù)據(jù)；通過(guò)隨機(jī)拆分?jǐn)?shù)據(jù)集的方式使模型樣本訓(xùn)練集和測(cè)試集的數(shù)據(jù)分布盡量保持一致。SVM是經(jīng)典機(jī)器學(xué)習(xí)中的一類(lèi)監(jiān)督學(xué)習(xí)算法，常被用來(lái)解決二分類(lèi)問(wèn)題，對(duì)于高維、非線性的數(shù)據(jù)有較好的分類(lèi)能力。

3、結(jié)果與分析

3.1 無(wú)人機(jī)低空高光譜遙感影像數(shù)據(jù)處理

通過(guò)地面實(shí)測(cè)與遙感協(xié)同的方式，驗(yàn)證無(wú)人機(jī)高光譜成像儀獲取的光譜反射率曲線規(guī)律。首先，使用OneClassSVM 算法分別剔除無(wú)人機(jī)低空高光譜遙感數(shù)據(jù)樣本中黃龍病柑橘植株和健康柑橘植株冠層的相對(duì)光譜反射率異常數(shù)據(jù)，如圖2所示；

圖2低空遙感無(wú)人機(jī)高光譜數(shù)據(jù)異常檢測(cè)結(jié)果

然后將其進(jìn)行SG平滑，效果如圖3。結(jié)果表明，One?ClassSVM處理后的光譜數(shù)據(jù)中異常數(shù)據(jù)較少且較好地保留了初始光譜的主要信息，后續(xù)試驗(yàn)將異常剔除和SG 平滑后的光譜作為建模使用的原始光譜。

圖3無(wú)人機(jī)低空高光譜遙感數(shù)據(jù) SG平滑效果

最后將原始光譜進(jìn)行一階微分和二階微分變換，對(duì)圖像灰度變化有較強(qiáng)的響應(yīng)，從而突出檢測(cè)目標(biāo)的特征光譜。本研究中，OneClassSVM 算法以波段反射率或者PCA主成分為變量，高光譜波段較多，因此通過(guò)PCA減少模型所用的變量數(shù)，提高分類(lèi)速度。將原始光譜、FDR、SDR，3類(lèi)光譜數(shù)據(jù)分別進(jìn)行PCA降維，得到3類(lèi)光譜數(shù)據(jù)的主成分變量。綜合考慮累計(jì)方差貢獻(xiàn)率，當(dāng)累計(jì)方差貢獻(xiàn)率達(dá)99.99%時(shí)，將主成分?jǐn)?shù)目調(diào)至85。采用SVM模型分別對(duì)各類(lèi)全波段光譜和主成分變量進(jìn)行建模訓(xùn)練和測(cè)試。

3.2 柑橘黃龍病SVM 分類(lèi)模型構(gòu)建效果

各類(lèi)全波段光譜和主成分變量在SVM分類(lèi)模型訓(xùn)練和測(cè)試效果如表1所示。SVM分類(lèi)模型參數(shù)見(jiàn)表1，通過(guò)對(duì)比模型準(zhǔn)確率，選取模型的最佳參數(shù)。

表1波段光譜不同處理下SVM模型的分類(lèi)結(jié)果

FDR、SDR的準(zhǔn)確率相對(duì)穩(wěn)定，優(yōu)化幅度較小，且均優(yōu)于FDR、SDR原始光譜，表明原始光譜經(jīng)過(guò)變換后，有助于SVM分類(lèi)模型提升判別能力。PCA降維后數(shù)據(jù)信息量減少，測(cè)試集單個(gè)樣本所需要的預(yù)測(cè)時(shí)間減少。2種樣本的訓(xùn)練集準(zhǔn)確率略有上升，但樣本1的測(cè)試集準(zhǔn)確率卻下降，說(shuō)明PCA降維對(duì) SVM分類(lèi)模型的判別準(zhǔn)確率存在一定影響。SVM分類(lèi)模型在引入 RBF后對(duì)高維數(shù)據(jù)有較強(qiáng)的處理能力，與信息量不完整的主成分變量相比，信息完整的全波段光譜的SVM分類(lèi)模型分類(lèi)效果更好。試驗(yàn)采用隨機(jī)拆分?jǐn)?shù)據(jù)集的方式，使訓(xùn)練集和測(cè)試集的全波段光譜在高維空間中的分布和距離盡量保持一致，從而增加計(jì)算量。SVM分類(lèi)模型對(duì)ENVI的全波段一階微分光譜訓(xùn)練集和測(cè)試集分類(lèi) 準(zhǔn)確率分別達(dá)到92.39%和96.43%。可見(jiàn)SVM分類(lèi)模型適用于柑橘黃龍病低空遙感監(jiān)測(cè)。

4、討論

1）對(duì)于高光譜數(shù)據(jù)，合適的光譜變換能有效地提高黃龍病植株區(qū)域判別準(zhǔn)確率，如試驗(yàn)中從原始光譜變換到FDR數(shù)據(jù)后，判別模型有較好地優(yōu)化效果，但再變換到SDR數(shù)據(jù)后，模型優(yōu)化效果不明顯。后續(xù)的研究中，可嘗試把原始光譜變換成反對(duì)數(shù)光譜（ILR spectra），因?yàn)榉磳?duì)數(shù)光譜可以有效地放大相似光譜間的差異。

2）空中高光譜圖像受設(shè)備、地面、大氣等多客觀因素的干擾，因此要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理以便消除干擾，提高數(shù)據(jù)的可區(qū)分性。在軟件的ROI統(tǒng)計(jì)工具中，首先將樣本矢量圖形shape文件導(dǎo)入樣本中，在軟件中每個(gè)彩色方框即為樣本ROI，可直接導(dǎo)出每個(gè)框的各波段像元平均值。在ROI上的統(tǒng)計(jì)中可看到該ROI 內(nèi)的像元統(tǒng)計(jì)信息，均值就是ROI內(nèi)的各波段平均值。

3）從SVM分類(lèi)模型對(duì)全波段光譜和主成分變量的判別效果來(lái)看，全波段光譜的分類(lèi)準(zhǔn)確率更優(yōu)，但全波段光譜數(shù)據(jù)量大，處理效率低，不便于未來(lái)的推廣和應(yīng)用。后續(xù)的研究中可以嘗試更適合于主成分變量的判別模型，如經(jīng)典機(jī)器學(xué)習(xí)分類(lèi)方法中的k近鄰（kNN）以及深度神經(jīng)網(wǎng)絡(luò)模型等，進(jìn)一步優(yōu)化提升分類(lèi)模型的準(zhǔn)確率。此外，本研究目標(biāo)區(qū)域的柑橘有可能種植時(shí)期不同，暫無(wú)法排除罹患黃龍病是造成與健康植株長(zhǎng)勢(shì)差異的唯一原因，冠層疏密程度不同，在光譜上可能存在差異，對(duì)最后的SVM模型分類(lèi)效果存在影響。

5、結(jié)論

本研究通過(guò)地面實(shí)測(cè)判別出罹患黃龍病的柑橘植株，協(xié)同無(wú)人機(jī)低空遙感獲取標(biāo)定柑橘種植地塊的高光譜影像，通過(guò)軟件獲取健康植株和黃龍病植株冠層感興趣區(qū)域的平均光譜，通過(guò)降噪和光譜變換得到原始光譜、一階微分光譜和二階微分光譜，引入徑向基核函數(shù)構(gòu)建黃龍病支持向量機(jī)（SVM）分類(lèi)模型。使用軟件提取樣本平均光譜，其全波段一階微分光譜的訓(xùn)練集和測(cè)試集分類(lèi)準(zhǔn)確率分別為 87.41% 和 84.67%；使用另一軟件提取樣本平均光譜，其全波段一階微分光譜的訓(xùn)練集和測(cè)試集分類(lèi)準(zhǔn)確率分別為92.39%和96.43%。從試驗(yàn)結(jié)果可以看出，無(wú)人機(jī)低空高光譜遙感影像結(jié)合機(jī)器學(xué)習(xí)識(shí)別黃龍病的方法可行；同時(shí)也可以預(yù)見(jiàn)，在其技術(shù)成熟并且得到推廣應(yīng)用后，將會(huì)極大提高柑橘種植區(qū)域的有效管理和生產(chǎn)效率，可為柑橘種植區(qū)域的黃龍病防控提供信息技術(shù)支撐，加快柑橘數(shù)字化發(fā)展進(jìn)程。