植物保护
植物保護
식물보호
PLANT PROTECTION
2012年
5期
22-26
,共5页
伍南%刘君昂%闫瑞坤%臧卓
伍南%劉君昂%閆瑞坤%臧卓
오남%류군앙%염서곤%장탁
高光谱%油茶炭疽病%主成分分析%BP神经网络%病情指数%反演
高光譜%油茶炭疽病%主成分分析%BP神經網絡%病情指數%反縯
고광보%유다탄저병%주성분분석%BP신경망락%병정지수%반연
使用FieldSpec HandHeldTM地物光谱仪采集不同发病程度的油茶冠层光谱数据,并实地调查油茶炭疽病病情指数,将光谱数据进行一阶微分与滑动平均滤波相结合的预处理,提取与病情指数相关性较高的敏感波段,并采用主成分分析法(principal component analysis,PCA)对敏感波段的光谱数据进行降维,分别以敏感波段和PCA降维处理后的敏感波段作为输入变量建立了病情指数的BP神经网络反演模型.两种建模方法建立的BP神经网络模型计算出的预测值与观测值之间的决定系数(R2)均达99％以上.精度检验证明,以PCA降维所得到的前10个主成分作为输入变量建立的10-7-1三层BP神经网络模型预测精度更高,模型计算出的预测值与观测值之间的决定系数(R2)和均方根误差(RMSE)分别为0.998 6和0.814 8.该研究表明,利用地面高光谱数据结合主成分分析和BP神经网络算法反演油茶炭疽病病情指数是一种有效的方法.
使用FieldSpec HandHeldTM地物光譜儀採集不同髮病程度的油茶冠層光譜數據,併實地調查油茶炭疽病病情指數,將光譜數據進行一階微分與滑動平均濾波相結閤的預處理,提取與病情指數相關性較高的敏感波段,併採用主成分分析法(principal component analysis,PCA)對敏感波段的光譜數據進行降維,分彆以敏感波段和PCA降維處理後的敏感波段作為輸入變量建立瞭病情指數的BP神經網絡反縯模型.兩種建模方法建立的BP神經網絡模型計算齣的預測值與觀測值之間的決定繫數(R2)均達99％以上.精度檢驗證明,以PCA降維所得到的前10箇主成分作為輸入變量建立的10-7-1三層BP神經網絡模型預測精度更高,模型計算齣的預測值與觀測值之間的決定繫數(R2)和均方根誤差(RMSE)分彆為0.998 6和0.814 8.該研究錶明,利用地麵高光譜數據結閤主成分分析和BP神經網絡算法反縯油茶炭疽病病情指數是一種有效的方法.
사용FieldSpec HandHeldTM지물광보의채집불동발병정도적유다관층광보수거,병실지조사유다탄저병병정지수,장광보수거진행일계미분여활동평균려파상결합적예처리,제취여병정지수상관성교고적민감파단,병채용주성분분석법(principal component analysis,PCA)대민감파단적광보수거진행강유,분별이민감파단화PCA강유처리후적민감파단작위수입변량건립료병정지수적BP신경망락반연모형.량충건모방법건립적BP신경망락모형계산출적예측치여관측치지간적결정계수(R2)균체99％이상.정도검험증명,이PCA강유소득도적전10개주성분작위수입변량건립적10-7-1삼층BP신경망락모형예측정도경고,모형계산출적예측치여관측치지간적결정계수(R2)화균방근오차(RMSE)분별위0.998 6화0.814 8.해연구표명,이용지면고광보수거결합주성분분석화BP신경망락산법반연유다탄저병병정지수시일충유효적방법.
