1 安徽大学 农业生态大数据分析与应用技术国家地方联合工程研究中心，安徽 合肥 230601
2 安徽大学 电子信息工程学院，安徽 合肥 230601
如何利用较少训练样本达到高分类精度已成为高光谱遥感领域的重要研究方向和极具挑战性任务。针对高光谱图像包含的丰富光谱与空间信息，提出了一种联合局部二值模式LBP（Local Binary Patterns）与K-最近邻KNN（K-Nearest Neighbors）算法的高光谱图像分类方法。首先，通过主成分分析PCA（Principle Component Analysis）对高光谱数据进行降维；然后，使用LBP提取降维后的高光谱图像空间纹理信息，将光谱与空间特征变量堆叠成空—谱特征向量；最后，输入最近邻分类器得到分类结果。选取Pavia University、Indian Pines和Salinas三种公开高光谱数据集的训练集和测试集作为建模和验证数据源，选取KNN、基于径向基核函数的支持向量机（RBF-SVM）、核联合正交匹配追踪（Kernel Simultaneous Orthogonal Matching Pursuit，KSOMP）三种经典分类算法作为比较。在Pavia University与Indian Pines数据集中随机选取10%作为训练样本，总体精度和Kappa系数分别达到99.15%、98.87%和97.88%、97.58%；在Salinas数据集中随机选取2%作为训练样本，总体精度与Kappa系数为98.46%和98.29%。实验结果表明，在训练样本仅为数据集10%甚至2%的条件下，本文提出的方法仍可达到98%以上的分类精度，可满足训练样本难以获取的应用场景对高分类精度要求。
高光谱遥感 局部二值模式 K-最近邻 空谱特征 主成分分析 hyperspectral remote sensing local binary patterns（LBP） k-nearest neighbors（KNN） spatial and textural features principle component analysis
安徽大学, 国家农业生态大数据分析与应用工程研究中心, 安徽 合肥 230601
名优大米含有更多的营养价值与更高的经济价值, 不法商家为赚取更多利益, 对优质大米掺假甚至以次充好, 损害了消费者利益和大米贸易, 打击了生产者的生产积极性。 希望发展一种基于高光谱成像的图谱特征与深度学习网络的名优大米无损鉴别方法。 首先, 采集了全国具有代表性的七种名优大米400～1 000 nm范围高光谱图像, 并提取了每种大米的光谱、 纹理与形态特征。 使用多元散射校正算法做光谱预处理消除光谱散射。 连续投影算法（SPA）、 竞争自适应重加权算法（CARS）以及两者级联方法（CARS-SPA）被用来选取光谱特征的重要波长; 用 SPA选择形态、 纹理特征的重要变量。 最后, 使用深度学习网络-卷积神经网络（CNN）融合各类特征构建大米种类识别模型, 而K-近邻（KNN）、 随机森林（RF）用于与CNN模型相对比。 实验结果显示, 根据全光谱构建的模型的分类准确度达到80%以上; 其中, KNN建模效果最差; RF的效果较好; CNN网络的模型性能最优, 训练集的分类准确度（ACCT）为92.96%, 预测集的分类准确度（ACCP）为89.71%。 而重要波长光谱与全光谱相比, 分类准确度相差较多。 为进一步提升大米种类鉴别的准确度, 选用纹理、 形态两种图像特征与光谱特征进行融合, 最优结果来自光谱与形态特征重要变量所构建的模型。 其中, KNN的ACCT和ACCP分别为69%和67%; RF模型的ACCT=99.98%和ACCP=89.10%; CNN模型的效果最佳, ACCT和ACCP为97.19%和94.55%。 此外, 光谱与纹理融合的分类效果差于光谱, 说明纹理特征弱化了分类结果。 对于分类模型来说, CNN的性能明显优于两种机器学习方法, 可以提供更好的分类效果。 总而言之, CNN融合光谱与形态特征重要变量可实现对名优大米种类的准确鉴别, 这种方法有望拓展到其他农产品的分级, 种类区分和产地鉴别。
高光谱成像 名优大米 图谱特征 卷积神经网络 Hyperspectral imaging High-quality rice Image and spectral features Convolutional neural network 光谱学与光谱分析
2020, 40(9): 2826
1 安徽大学 农业生态大数据分析与应用技术国家地方联合工程研究中心, 安徽 合肥 230601
2 安徽理工大学 测绘学院, 安徽 淮南 232001
3 北京农业信息技术研究中心, 北京 100097
湖泊蓝藻水华的精准动态监测, 可为水利及环保部门评价污染水体的防治效果、优化和调整防治政策提供依据。论文以巢湖为研究对象, 利用Landsat TM/OLI、HJ-1B CCD/IRS和NPP-VIIRS三种不同空间分辨率的影像数据, 通过归一化水体指数(Normalized Difference Water Index, NDWI)实现巢湖水域范围提取, 利用归一化植被指数(Normalized Difference Vegetation Index, NDVI)和浮游藻类指数(Floating Algae Index, FAI)提取2010~2014年共22景巢湖蓝藻的爆发区域。进一步的, 对NDVI和FAI两种方法计算的蓝藻爆发区域进行对比分析, 评价Landsat、HJ-1B以及VIIRS三种影像数据对巢湖蓝藻水华空间和时间的监测效果及适用性,进而结合气象因素分析不同气象因子对蓝藻水华爆发的影响。研究结果表明: (1) 相比NDVI指数, FAI指数(Landsat和HJ-1B数据为主, VIIRS数据辅助)能降低薄云对蓝藻水华提取效果的影响, 可提高蓝藻水华爆发区域、程度的识别能力; (2) 气象因子中气温和日照时长加重了蓝藻水华爆发的严重程度, 降水则对蓝藻水华的爆发起到一定的抑制作用。综上所述, 论文引入VIIRS卫星影像研究巢湖蓝藻水华爆发, 利用FAI指数降低薄云对蓝藻水华爆发面积提取精度的影响, 取得的研究结果可为基于多源卫星遥感数据的巢湖蓝藻水华动态监测系统开发提供重要的方法支持, 有利于推进卫星遥感技术在安徽省“河长制”和“湖长制”中发挥重要作用。
浮游藻类指数 归一化水体指数 VIIRS影像 巢湖蓝藻 气象因子 floating algae index normalized difference water index VIIRS imagery cyanobacterial blooms of Chaohu Lake meteorological factor 红外与激光工程
2019, 48(7): 0726004
1 安徽大学 安徽省农业生态大数据工程实验室, 安徽 合肥 230601
2 南京信息工程大学 地理与遥感学院, 江苏 南京 210044
为了准确监测小麦白粉病染病早期病情, 给喷药防治提供技术指导, 论文将染病初期的小麦叶片作为研究对象。首先, 利用高光谱图像数据, 通过图像特征分割出叶片区域和病斑区域, 定量计算病情严重度; 其次引入Relief-F算法提取染病早期最敏感波段和波段差, 计算出白粉病病害指数PMDI(Powdery mildew disease index); 并通过分析病情指数DI(Disease index)与11种植被指数(含PMDI指数)的相关性及线性模型, 得出PMDI模型有最高的决定系数(R2=0.839 9)和最低的均方根误差(RMSE=4.522 0), 效果优于其他病害植被指数的结果(其中, Normalized Difference Vegetation Index, NDVI的模型决定系数最高, R2=0.777 1, RMSE=5.336 4); 最后, 选择PMDI和NDVI植被指数分别构建小麦白粉病染病早期病情严重度的支持向量回归模型。结果表明: 经敏感波段筛选构建的PMDI指数的预测结果更好, 预测模型的R2=0.886 3, RMSE=3.553 2, 可以实现小麦白粉病早期无损诊断, 这为指导作物病害喷药防治提供重要的技术支撑。
图像分割 光谱特征 支持向量回归 小麦白粉病 image segmentation spectral features Relief-F Relief-F support vector regression wheat powdery mildew 红外与激光工程
2018, 47(5): 0523001
1 安徽大学安徽农业生态大数据工程实验室, 安徽 合肥 230601
2 安徽三联学院电子电气工程学院, 安徽 合肥 230601
3 中国科学院合肥技术创新工程院, 安徽 合肥 230031
动态表面增强拉曼光谱是在干态与湿态表面增强拉曼光谱(SERS)检测的基础上发展而来的, 不仅具有极好的信号增强, 还具有良好的重复性与稳定性。 提出了一种基于动态SERS与多元分析方法的敌瘟磷快速定量分析方法。 实验中, 首先测量100, 50, 10, 5, 1, 05和01 mg·L-1敌瘟磷动态SERS谱图, 并使用多项式校正方法去除光谱基线漂移。 然后, 处理后的全范围(600~1 800 cm-1)与特征范围(674~713, 890~1 195, 1 341~1 399和1 549~1 612 cm-1)光谱分别利用支持向量机回归(SVR)构建定量模型, 实现对敌瘟磷的定量分析。 同时, 实验还评估了主成分分析(PCA)对定量分析结果的影响。 实验结果表明特征范围光谱所建立的模型预测误差较小, 而数据经过PCA处理后预测误差得到进一步下降。 最优回归模型是由特征范围光谱经PCA处理后所构建的模型(RMSECV=0065 7 mg·L-1), 模型能够准确地预测敌瘟磷溶液浓度。 为了测试实际检测中的效果, 该方法被用来对苹果表面的敌瘟磷残留进行检测, 并通过气相色谱法进行验证。 结果表明该方法对于同一样本多次检测值波动较小, 且检测均值与气相色谱检测值相差较小, 相对误差最大仅为513%。 此外, 动态SERS检测可在2 min内完成, 且后续数据处理也可在数秒内完成, 同时整个过程的试剂消耗仅在2 μL左右。 因此, 所提出的方法在敌瘟磷快速准确检测具有极大优势。
动态表面增强拉曼光谱 多元分析方法 敌瘟磷 快速定量分析 Dynamic surface-enhanced Raman spectroscopy Multivariate analysis method Edifenphos Rapid and quantitative analysis
1 安徽省农业生态大数据工程实验室 安徽大学, 安徽 合肥 230601
2 国家农业信息化工程技术研究中心, 北京 100097
3 南京信息工程大学 地理与遥感学院, 江苏 南京 210044
病害胁迫是造成小麦减产及危及世界粮食安全的主要因素之一。如何准确区分相似病害并科学诊断病害严重度, 成为国内外研究热点。文中针对中国冬小麦种植区常见的两种真菌疾病——白粉病和条锈病, 采用高光谱成像系统获取两种病害侵染的小麦叶片图谱合一数据, 通过主成分分析法对影像数据进行降维、密度分割法对病害面积进行分割后, 得到识别病斑准确率达到97%; 进一步分析侵染白粉病和条锈病的叶片病斑区域的光谱特征差异, 选择第二主成分图像筛选两种病害的敏感波段, 得到识别白粉病的敏感波段为519、643、696、764、795、813 nm, 条锈病的敏感波段为494、630、637、698、755、805 nm。最后对筛选出的敏感波段建立白粉病和条锈病支持向量机(SVM)判别模型并验证, 得到两种病害的区分精度为92%。综上, 利用高光谱图像协同解析可在叶片尺度实现小麦白粉病和条锈病的有效判别, 这为开发病害区分仪器提供了重要的理论基础。
高光谱 主成分分析(PCA) 支持向量机(SVM) 密度分割 病害判别 hyperspectra principal component analysis support vector machine density slice disease discrimination 红外与激光工程
2017, 46(1): 0138004
1 安徽大学 计算智能与信号处理教育部重点实验室，安徽 合肥 230039
2 安徽大学 现代教育技术中心，安徽 合肥 230601
3 北京农业信息技术研究中心，北京 100097
冻害是造成中国农业生产重大损失的气象灾害之一，对国内粮食安全生产造成严重威胁。利用图像处理技术提取冻害前后小麦的覆盖度特征，用高光谱技术研究冻害前后小麦的光谱变化特征并确定遥感诊断的敏感波段。研究结果表明：可见光波段的绿、红光可用于诊断冻害胁迫，尤其在绿峰与红谷位置表现明显；近红外波段是判断冻害胁迫的敏感区间。综上，光谱分析结合图像处理技术用于田间小麦冻害特征区间提取是可行的。
地面覆盖度 冻害胁迫 高光谱和图像特征 小麦 ground coverage freezing stress hyperspectral and imaging characteristics wheat
1 安徽大学计算机智能与信号处理教育部重点实验室，安徽 合肥 230039
2 安徽大学电子信息工程学院，安徽 合肥 230039
3 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
4 北京农业信息技术研究中心，北京100097
叶面积指数(LAI)是作物长势诊断及产量预测的重要参数。通过对冬小麦采样点的高光谱曲线进行连续小波变换(CWT)，然后利用小波系数与LAI建立支持向量机回归(SVR)模型，实现冬小麦不同生育时期的叶面积指数估算。通过对所研究方法与选取的植被指数、偏最小二乘(PLS)回归等5种方法的反演结果进行统计分析。结果表明：利用连续小波变换确定的LAI的敏感波段为680、739、802、895 nm，对应尺度分别为8、4、9和8，对应小波系数的LAI回归确定系数(R2)明显高于冠层反射率的回归确定系数；利用小波系数与LAI建立的SVR模型的反演精度最高，模型实测值与预测值的检验精度(R2)为0.86，均方根误差(RMSE)为0.43；而常用植被指数(归一化植被指数，NDVI；比值植被指数，RVI)建立的估测模型对冬小麦多个生育时期LAI反演精度最低(R2<0.76，RMSE>0.56)。因此利用连续小波变换进行数据预处理，能更好地筛选出对叶面积指数敏感的信息，LAI回归方法比较结果表明，SVR比PLS更适合于LAI的估测，通过将CWT与SVR结合(CWT-SVR)能实现不同生育时期冬小麦叶面积指数的遥感估算。
叶面积指数(LAI) 高光谱 连续小波变换(CWT) 支持向量机回归(SVR) 偏最小二乘(PLS) leaf area index(LAI) hyperspectral continuous wavelet transform (CWT) support vector machine regression(SVR) partial least-square(PLS)
1 浙江大学农业遥感与信息技术应用研究所, 浙江 杭州310058
2 北京农业信息技术研究中心, 北京100097
3 中国科学院对地观测与数字地球科学中心, 北京100094
小麦条锈病和白粉病作为我国麦区两种重要病害, 在田间常同时发生, 为病害防治管理带来困难。 基于实验测试获得白粉病、 条锈病叶片光谱数据, 探讨采用光谱分析对两种病害进行区分识别及严重度监测的可行性。 通过相关分析和独立T检验, 筛选出对白粉病和条锈病敏感度差异较显著的波段及光谱特征, 包括665～684, 718～726 nm等6个波段范围, 以及DEP550-770, SIWSI等11个光谱特征。 基于这些波段和特征, 采用FLDA构建病害判别模型; 借助PLSR分析构建病情严重度反演模型。 研究结果表明, 筛选得到的反射率波段和光谱特征能够较好地区分两种病害, 判别模型总体精度达到80%以上, 准确度较高。 其中, 染病比率超过20%的病叶区分和识别精度可达95%。 同时, 分别基于两种病害敏感光谱特征构建的病情严重度反演模型能够较好地估测病情严重度, 两种病害估测均方根误差均低于15%。 上述叶片尺度小麦白粉病和条锈病区分和严重度反演模型为进一步研究两种病害冠层尺度的区分和监测提供基础。
高光谱 条锈病 白粉病 费氏线性判别分析 偏最小二乘回归分析 Hyperspectral Yellow rust Powdery mildew Fisher linear discrimination analysis (FLDA) Partial least square regression (PLSR) 光谱学与光谱分析
2013, 33(6): 1608
1 国家农业信息化工程技术研究中心， 北京100097
2 浙江大学农业遥感与信息技术应用研究所， 浙江 杭州310029
3 科学技术部中国农村技术开发中心星火与信息处， 北京100054
定量遥感是当前遥感发展的前沿， 作物组分信息解析是农业定量遥感的研究热点， 而成像高光谱技术为解决微观尺度的作物组分信息探测研究提供了强有力的手段。 利用成像光谱仪(pushbroom imaging spectrometer， PIS)与地物光谱仪(FieldSpec ProFR2500， ASD)同步收集冬小麦、 玉米不同生育期叶片的反射光谱， 通过不同算法提取PIS与ASD数据的红边位置， 验证成像光谱数据的精度。 结果表明: (1)PIS与ASD原始光谱数据在红边区间(670～740 nm)有很高的吻合度； (2)从室内光谱(玉米叶片)红边位置的提取结果看， 两仪器提取的红边位置都集中在700～720 nm； (3)从室外光谱(小麦叶片)红边位置的提取结果看， PIS与ASD数据提取结果有差异， PIS数据的红边位置在760 nm处， 而ASD数据的红边位置在720 nm处， 这种差异主要是成像光谱数据受氧气吸收的影响较大所致； (4)PIS与ASD的红边变幅不同， 但趋势相同。 以上结论为成像光谱数据的深入应用提供了参考。
红边位置 成像高光谱 玉米 冬小麦 叶片 Red edge position Hyperspectral imaging Corn Winter wheat Leaf 光谱学与光谱分析
2011, 31(9): 2450
