沈阳农业大学信息与电气工程学院, 辽宁 沈阳 110161
纹枯病是水稻的主要病害之一, 其防治对于保证水稻产量、 质量具有重要意义, 以高光谱检测水稻病害得到了广泛应用, 并且高光谱降维是光谱分析的重要环节。 该研究在2019年沈农水稻试验基地获取水稻低空遥感冠层与地面冠层高光谱, 并对其进行以窗口宽度为15和阶数为3的Savitzky-Golay平滑处理和光谱变换(得到原始光谱、 一阶微分光谱和倒数之对数光谱), 分窗口对这3种光谱分别进行Gram-Schmidt变换, 找到投影空间并映射出主基底, 实现高光谱数据降维, 绘制具有显著性概率的主基底, 其极大极小值为特征波段。 此外3种光谱还采用了主成分分析和连续投影法降维。 以降维后的数据与水稻纹枯病病情指数进行支持向量机回归建模, 其中支持向量机回归进行粒子群优化, 并以径向基为核函数, 对比分析了3种降维方式的降维效果。 结果表明: 水稻地面冠层尺度建模效果高于低空遥感尺度建模; 在光谱处理方面, 低空冠层高光谱进行倒数之对数变换效果较好, 地面冠层所得高光谱数据进行一阶微分变换效果较好; 分窗Gram-Schmidt变换算法优于主成分分析和连续投影法; 粒子群算法可以优化支持向量机中的惩罚系数和核函数参数, 提高其反演精度; 无人机低空遥感尺度中, 高光谱进行倒数之对数处理, 以分窗Gram-Schmidt变换降维, 敏感波段为427.3, 539.6, 749.5和825.4 nm, PSO-SVR建模决定系数R2为0.731, 均方根误差RMSE为0.151; 地面冠层尺度中, 高光谱进行一阶微分处理, 以分窗Gram-Schmidt变换降维, 敏感波段为552, 607, 702和730 nm, PSO-SVR模型决定系数R2为0.778, 均方根误差RMSE为0.147。 因此, 高光谱技术可以有效地检测水稻纹枯病, 并且其病情指数可用冠层高光谱进行反演, 分窗Gram-Schmidt变换对于高光谱数据降维有较好的效果, PSO-SVR建模对于水稻纹枯病病情指数的反演有明显提高, 结果可为冠层尺度检测水稻纹枯病与病害发生情况提供一定的理论基础和技术支撑。
水稻纹枯病 病害检测 高光谱降维 Gram-Schmidt变换 粒子群优化 支持向量机回归 Rice sheath blight Disease detection Hyperspectral dimensionality reduction Gram-Schmidt transform Particle swarm optimization Support vector machine regression 光谱学与光谱分析
2021, 41(7): 2181
1 武汉大学 计算机学院, 武汉 430072
2 武汉大学 测绘遥感信息工程国家重点实验室, 武汉 430072
本文提出了一种高光谱图像降维的判别流形学习方法.针对获取的大量遥感对地观测数据存在大量冗余信息的特点, 引入改进的流形学习方法对高光谱遥感数据进行降维处理, 以提高遥感图像自动分类的总体准确度.该方法充分利用遥感图像自动分类中训练样本的判别信息, 将输入样本的类别信息加入到常规流形学习方法的框架中, 从本质上提高输出的特征在低维空间中的判别力.同时, 引入线性化模型以解决流形学习方法中常见的小样本问题.对高光谱遥感图像自动分类的实验表明, 基于判别流形学习的高光谱遥感图像自动分类方法能够显著地提高图像分类准确度.
流形学习 高光谱降维 分类 Manifold learning Hyperspectral dimensional reduction Classification
