文献类型：期刊文章

作　　者：黄林生[1] 江静[1,3] 黄文江[1,2,3] 叶回春[2,3] 赵晋陵[1] 马慧琴[3] 阮超[1,3]

Huang Linsheng;Jiang Jing;Huang Wenjiang;Ye Huichun;Zhao Jinling;Ma Huiqin;Ruan Chao(National Engineering Research Center for Agro-Ecological Big Data Analysis & Application,Anhui University 230601,China;Sanya Institute of Remote Sensing,Sanya 572029,China;Key Laboratory of Digital Earth Science,Institute of Remote Sensing and Digital Earth,Chinese Academy of Sciences,Beijing 100094,China)

机构地区：[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,合肥230601 [2]三亚中科遥感研究所,海南572029 [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

出　　处：《农业工程学报》

基　　金：安徽省科技重大专项(16030701091);国家高层次人才特殊支持计划(万人计划,黄文江);海南省万人计划配套项目(黄文江);安徽省高等学校自然科学研究重点项目(KJ2019A0030)

年　　份：2019

卷　　号：35

期　　号：17

起止页码：178-185

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAB、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、FSTA、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：选用包含红边等多种不同波段信息的多光谱卫星数据,为区域尺度上展开作物病害监测研究提供更加丰富有效的信息,相比于常规的宽波段卫星遥感影像,搭载红边波段的Sentinel-2影像对作物病害胁迫更加敏感,能显著提高模型精度。该文以陕西省宁强县小麦条锈病为研究对象,基于Sentinel-2影像共提取了26个初选特征因子:3个可见光波段反射率(红、绿、蓝)、1个近红外波段反射率、3个红边波段反射率、14个对病害敏感的宽波段植被指数和5个红边植被指数。结合K-Means和ReliefF算法筛选病害敏感特征,最终筛选出3个宽波段植被指数,包括:增强型植被指数(enhanced vegetation index,EVI)、结构加强色素指数(structure intensive pigment index,SIPI)、简单比值植被指数(simpleratio index,SR),2个红边波段植被指数:归一化红边2植被指数(normalized red-edge2 index,NREDI2)、归一化红边3植被指数(normalized red-edge3 index,NREDI3)。利用BP神经网络方法(back propagation neural network,BPNN),分别以宽波段植被指数和宽波段植被指数结合红边波段指数作为输入变量构建小麦条锈病严重度监测模型,对比2种模型的监测精度。结果显示,基于宽波段植被指数结合红边波段植被指数的监测模型的总体精度达到83.3%,Kappa系数0.73,优于仅基于宽波段植被指数特征所建监测模型的精度73.3%,Kappa系数0.58。说明红边波段能够为病害监测提供有效信息,采用宽波段植被指数和红边波段植被指数相结合的方法能够有效提高作物病虫害监测模型精度。

关 键 词：遥感  算法  病害  Sentinel-2红边  小麦 条锈病 BP神经网络

分 类 号：S512.1]