麦类作物学报

作者：高媛，竞霞，刘良云，白宗璠

单位：1.西安科技大学测绘科学与技术学院,陕西西安 710054；2.中国科学院遥感与数字地球研究所,数字地球重点实验室,北京 100094

关键词：日光诱导叶绿素荧光,冠层光谱,小麦,条锈病,独立分量分析,多特征,多核学习,支持向量机,

基金：国家自然科学基金项目（41601467）

为提高小麦条锈病的遥感探测精度，依据日光诱导叶绿素荧光和冠层反射光谱数据在小麦条锈病遥感探测中的优势及其与病情严重度之间的映射关系，在运用独立分量分析法对光谱数据降维的基础上，利用核学习算法分别确定冠层光谱特征和日光诱导叶绿素荧光特征反映小麦条锈病病情严重度的最优核，同时针对冠层光谱与叶绿素荧光特征组，建立基于不同特征最优核映射的多核学习支持向量机模型，并与基于特征直接拼接的模型结果进行对比。结果表明，对于冠层光谱而言，采用高斯核构建的支持向量机模型可较好估测小麦条锈病病情指数，而日光诱导叶绿素荧光指数则是采用多项式核的效果更优；采用直接拼接法融合叶绿素荧光指数和冠层光谱特征能够在一定程度上改善小麦条锈病病情指数估测精度，决定系数(r)最高为0.847，而单独利用冠层光谱信息或者叶绿素荧光信息时，r最高仅为0.802；对日光诱导叶绿素荧光和反射光谱特征分别利用其最优核进行映射构建的多核学习支持向量机模型精度最高，r为 0.915 ，RMSE为0.090，优于基于特征直接拼接构建的支持向量机模型精度。

来源：2020年第1期

《麦类作物学报》期刊编辑部

查看麦类作物学报杂志2020年第1期