基于PCA和PNN的水稻病虫害高光谱识别

被引：39

作者：

李波 ^{[1
,2
]}

刘占宇 ^{[2
,3
,4
]}

黄敬峰 ^{[2
,3
,4
]}

张莉丽 ^{[5
]}

周湾 ^{[5
]}

石晶晶 ^{[4
]}

机构：

[1] 浙江大学公共管理学院

[2] 浙江省农业遥感与信息技术重点实验室

[3] 浙江大学农业信息科学与技术中心

[4] 浙江大学农业遥感与信息技术应用研究所

[5] 杭州市植保土肥总站

来源：

农业工程学报 | 2009年 / 25卷 / 09期

关键词：

光谱分析; 主成分分析; 神经网络; 水稻;

D O I：

暂无

中图分类号：

TP79 [遥感技术的应用];

学科分类号：

摘要：

对水稻病虫害准确、快速的识别是采取病虫害防治措施的基础,同时对灾害评估也具有积极意义。该研究选用在水稻孕穗期时测定的两期受稻干尖线虫病危害的水稻叶片光谱数据和于水稻分蘖期时测定的两期受稻纵卷叶螟危害的水稻叶片光谱数据,通过对水稻叶片的光谱特征分析,选用可见光波段(490～670nm)和短波红外波段(1520～1750nm),用主成分分析技术(PCA)对上述光谱波段进行压缩,获得主分量光谱,最后结合概率神经网络(PNN)对稻干尖线虫病和稻纵卷叶螟进行识别,结果显示对水稻病虫害的识别精度高达95.65%。研究表明,PCA和PNN相结合,可以实现对多种水稻病虫害进行快速、精确的分类识别。

引用

页码：143 / 147

页数：5

共 13 条

[1] 基于学习矢量量化神经网络的水稻白穗和正常穗的高光谱识别
刘占宇
孙华生
黄敬峰
[J]. 中国水稻科学, 2007, (06) : 664 - 668
[2] 基于主成分和多类判别分析的可见-红外光谱水蜜桃品种鉴别新方法
李晓丽
胡兴越
何勇
[J]. 红外与毫米波学报, 2006, (06) : 417 - 420
[3] 基于主成分分析和神经网络的近红外光谱苹果品种鉴别方法研究
何勇
李晓丽
邵咏妮
[J]. 光谱学与光谱分析, 2006, (05) : 850 - 853
[4] 基于分层抽样的中国水稻种植面积遥感调查方法研究
焦险峰
杨邦杰
裴志远
[J]. 农业工程学报, 2006, (05) : 105 - 110
[5] 冬小麦条锈病的光谱特征及遥感监测
黄木易
王纪华
黄文江
黄义德
赵春江
万安民
[J]. 农业工程学报, 2003, (06) : 154 - 158
[6] 浅析我国农作物病虫草鼠害成灾特点与减灾对策
戴小枫
叶志华
曹雅忠
郭予元
[J]. 应用生态学报, 1999, (01) : 121 - 124
[7] 基于邻域统计特性的概率神经网络及其在自动目标识别中的应用
刘天溶，沈定刚，戚飞虎
[J]. 红外与毫米波学报, 1995, (01) : 52 - 58
[8] 水稻主要病虫害胁迫遥感监测研究.[D].刘占宇.浙江大学.2008, 09
[9] Determining pecky rice kernels using visible and near-infrared spectroscopy
Wang, D
Dowell, FE
Lan, Y
Pasikatan, M
Maghirang, E
[J]. INTERNATIONAL JOURNAL OF FOOD PROPERTIES, 2002, 5 (03) : 629 - 639
[10] 稻作诊断.[M].苏祖芳; 周纪平; 丁海红; 编著.上海科学技术出版社.2007,

← 1 2 →