徐海舟, 周國英, 臧 卓, 林 輝, 董文統(tǒng), 劉君昂*

(1.中南林業(yè)科技大學, 經(jīng)濟林培育與保護省部共建教育部重點實驗室, 長沙 410004; 2.中南林業(yè)科技大學, 森林有害生物防控湖南省重點實驗室, 長沙 410004; 3.中南林業(yè)科技大學, 林業(yè)遙感信息工程研究中心, 長沙 410004)

?

基于地面高光譜遙感的降香黃檀黑痣病病情指數(shù)反演

徐海舟1,2, 周國英1,2, 臧 卓3, 林 輝3, 董文統(tǒng)1,2, 劉君昂1,2*

(1.中南林業(yè)科技大學, 經(jīng)濟林培育與保護省部共建教育部重點實驗室, 長沙 410004; 2.中南林業(yè)科技大學, 森林有害生物防控湖南省重點實驗室, 長沙 410004; 3.中南林業(yè)科技大學, 林業(yè)遙感信息工程研究中心, 長沙 410004)

利用美國Spectra Vista Corporation (以下均用簡稱SVC)HR-1024i非成像高光譜儀采集不同病情程度的降香黃檀冠層光譜數(shù)據(jù),并結合地面同步調(diào)查獲得的降香黃檀黑痣病病情指數(shù)數(shù)據(jù),對光譜數(shù)據(jù)進行重疊校正(scan matching/overlap correction)和白光板反射率校正(white plate reflectance correction)。采用主成分分析法(PCA法)對與降香黃檀黑痣病病情指數(shù)相關性較高的敏感波段進行降維。利用53個訓練集,將敏感波段和PCA法處理后的敏感波段分別作為輸入變量,訓練降香黃檀黑痣病的BP神經(jīng)網(wǎng)絡。兩種輸入變量建立的神經(jīng)網(wǎng)絡計算出的預測值與實際值之間的決定系數(shù)(R2)均達到99%。利用27個驗證集做進一步精度檢驗,結果表明,通過這兩種輸入變量訓練的BP神經(jīng)網(wǎng)絡,得到的預測值與實際值之間的決定系數(shù)(R2)分別為0.951 9和0.706 0,均方根誤差(RMSE)分別為5.998 0和12.919 3。直接以敏感波段作為變量輸入和PCA法處理后的敏感波段作為變量輸入訓練BP神經(jīng)網(wǎng)絡是一種有效的方法,其中,直接以敏感波段作為變量輸入精度更高。

高光譜; 降香黃檀黑痣病; PCA法; BP神經(jīng)網(wǎng)絡; 病情指數(shù)

降香黃檀(Dalbergiaodorifera),屬蝶形花科(Papilionaceae) 黃檀屬(Dalbergia),為海南特有樹種,也是一級珍稀、瀕危植物,目前已被國家林業(yè)局列為保護對象[1]。降香黃檀為紅木樹種之一,具有很高的經(jīng)濟價值[2]。董文統(tǒng)等[3]對海南省19個市(縣)中的15個市(縣)10個鄉(xiāng)土樹種病蟲害發(fā)生情況進行了調(diào)查,發(fā)現(xiàn)有許多病蟲害非常嚴重,其中降香黃檀黑痣病發(fā)生率在90%以上。通常降香黃檀黑痣病的調(diào)查主要靠人工踏查,耗費大量時間及人力、物力、財力。并且在病害大面積發(fā)生前,不能夠迅速了解病害的病情程度,因此無法準確及時地對病害進行預測預報。所以,發(fā)展一種能夠迅速并且大范圍監(jiān)測降香黃檀病情嚴重度的辦法,對迅速了解降香黃檀林的健康狀況具有非常重要的意義。遙感監(jiān)測技術相對于以往的監(jiān)測辦法,具有宏觀、經(jīng)濟、動態(tài)、實效等特點[4]。近幾年,國內(nèi)外相關學者,利用遙感技術尤其是高光譜、衛(wèi)星技術,監(jiān)測植物病蟲害取得了顯著成果[5-8]。經(jīng)過多年的研究和發(fā)展,高光譜遙感作為一種新的遙感技術,已得到廣泛應用,特別是在植被指數(shù)、光合有效輻射、植被葉面積指數(shù)、群落類型及冠層溫度等因子的估算,以及在植被生物量、植被生物化學參數(shù)分析和作物單產(chǎn)估算、作物病蟲害監(jiān)測等方面應用較多[9]。王植等[4]利用高光譜遙感技術監(jiān)測板栗病蟲害,通過分析生化參量、農(nóng)學參量和光譜特征,建立了應用高光譜遙感技術監(jiān)測板栗病蟲害的技術流程。馬菁[10]根據(jù)野外調(diào)查采集的健康及受松材線蟲病侵染后的馬尾松光譜特征,通過繪制光譜特征曲線,篩選最佳波段,得出近紅外波段是監(jiān)測馬尾松受松材線蟲病侵染后光譜反射率變化最敏感的波段。武紅敢等[11]利用陸地衛(wèi)星TM影像開展早期蟲源地監(jiān)測方法的研究,通過監(jiān)測結果結合地面驗證對“蟲源地”進行了有效監(jiān)測,為遙感技術用于大面積森林病蟲害的宏觀監(jiān)測及預報、預警提供了實例。伍南等[12]在利用地面高光譜數(shù)據(jù)反演油茶炭疽病病情指數(shù)中證明,將敏感波段作為變量輸入和PCA法處理后的敏感波段作為變量輸入,訓練的BP神經(jīng)網(wǎng)絡均能夠很好地反演油茶炭疽病的病情指數(shù)。

目前,黑痣病脅迫下降香黃檀病情指數(shù)的反演研究尚未見報道。本研究利用美國Spectra Vista Corporation (以下簡稱SVC)HR-1024i型非成像高光譜儀,收集不同病情程度的降香黃檀冠層光譜數(shù)據(jù),并結合地面同步調(diào)查獲得的降香黃檀黑痣病病情指數(shù)數(shù)據(jù),對高光譜數(shù)據(jù)用SVC自帶軟件SVC HR-1024i,進行數(shù)據(jù)重疊校正(scan matching/overlap correction)和白光板反射率校正(white plate reflectance correction)。對降香黃檀一階微分光譜值與病情指數(shù)做相關分析,篩選出較高相關系數(shù)對應的敏感波段,將敏感波段和主成分分析法(PCA法)處理后的敏感波段分別作為輸入變量,訓練降香黃檀黑痣病病情指數(shù)的BP神經(jīng)網(wǎng)絡。

1 材料與方法

1.1 試驗樣地選擇及病情指數(shù)獲取

試驗于2015年3月-9月在海南澄邁降香黃檀混交林進行,林齡為3年,郁閉度0.83,株行距1 m×1 m,樹均高3.5 m。為了最大限度保證采集的病情指數(shù)數(shù)據(jù)相互獨立,試驗樣地設置采用五點取樣法,選取5塊30 m×30 m的樣地,在樣地中采用隔行取樣、人工踏查的方式進行采樣[13],采樣點為降香黃檀冠層區(qū)域(同SVC非成像高光譜儀測試降香黃檀冠層光譜數(shù)據(jù)范圍),共采集100株樹,得到100組數(shù)據(jù),剔除誤差很明顯的20組數(shù)據(jù),最終收集有效數(shù)據(jù)80組,病情指數(shù)(disease index,DI)范圍在0～82.25之間,病情嚴重程度分為5個級別,見表1。

表1 降香黃檀黑痣病病情嚴重程度劃分Table 1 Disease severity division of Dalbergiaodorifera black scurf

各病情嚴重度的降香黃檀葉片數(shù)經(jīng)過統(tǒng)計之后,按公式(1)計算出病情指數(shù)(DI)[14]:

(1)

其中：x為各梯度的級值,n為最高梯度值4,f為各梯度的葉片數(shù)。

1.2 光譜測試

采用SVCHR-1024i型非成像高光譜儀對降香黃檀冠層進行高光譜數(shù)據(jù)采集,光譜波段350～2 500 nm,數(shù)據(jù)輸出時重采樣間隔3 nm[15]。非成像高光譜儀鏡頭與降香黃檀冠層垂直距離控制在1.0 m左右,每次采集前進行白板校正。由于在測定降香黃檀冠層高光譜數(shù)據(jù)時,會存在無法避免的系統(tǒng)誤差和非系統(tǒng)誤差(如測試環(huán)境、人為操作失誤等),為把其他干擾因素對降香黃檀冠層光譜反射率的影響降到最低,應選取病情指數(shù)(DI)相同或接近的降香黃檀冠層進行光譜測定,同時保持探頭垂直于降香黃檀冠層(同采集病情指數(shù)數(shù)據(jù)范圍)。

1.3 光譜數(shù)據(jù)預處理

為了避免儀器噪聲、光散射樣本不均、基線漂移及其他隨機噪聲的影響,對降香黃檀黑痣病高光譜數(shù)據(jù)進行預處理。首先使用美國SVC自帶的SVC HR-1024i軟件進行重疊校正(scan matching/overlap correction)和白光板反射率校正(white plate reflectance correction)。然后通過一階微分方法對原始光譜(R)進行處理,得到微分光譜(D(R)),其公式見式(2)[16]

(2)

其中：Δλ為兩倍波段寬。

1.4 高光譜數(shù)據(jù)敏感波段選擇和訓練BP神經(jīng)網(wǎng)絡

簡化分析和提高預測精度的關鍵技術在于敏感波段的選擇[17]。高光譜數(shù)據(jù)如果直接作為輸入變量,一方面會因為過多變量而導致難度的增加,同時會引入噪聲,減小預測的精確度。為了避免上述問題,從80組有效數(shù)據(jù)中隨機選取53組數(shù)據(jù)作為訓練樣本集,將降香黃檀黑痣病冠層一階微分光譜值(D(R))與病情指數(shù)(DI)做相關性分析,篩選相關性較高的敏感波段,然后采用PCA法對敏感波段對應的高光譜數(shù)據(jù)進行降維。在這項研究中,敏感波段和PCA法處理后的敏感波段分別作為輸入變量,訓練BP神經(jīng)網(wǎng)絡來進行降香黃檀黑痣病病情指數(shù)反演。

使用相關檢驗值R2和RMSE進一步檢驗預測能力。其中：使用MATLAB 2014a得到RMSE值,其代碼見式(3)。

RMSE=sqrt(sum(Ti-Ai)2/n)

(3)

Ti為實際值,Ai為預測值,n為樣本數(shù)。

2 結果與分析

2.1 不同病情嚴重度的降香黃檀冠層一階微分光譜特征

不同病情指數(shù)的降香黃檀冠層一階微分光譜特征中,在500～540 nm綠光區(qū)域有明顯的波峰,在560～590 nm黃光區(qū)域有明顯的波谷,在682～753 nm紅光區(qū)域達到很高的峰值,在1 100～1 152 nm近紅外區(qū)域形成一個明顯的波谷,并且在1 300～1 400 nm近紅外區(qū)域形成一個明顯的W底形峰谷,在1 450～1 600 nm近紅外及中紅外區(qū)域形成一個明顯的波峰,在1 850～1 907 nm中紅外區(qū)域形成波谷(圖1)。隨著病情指數(shù)(DI)的增大,500～540 nm綠光區(qū)域的波峰逐漸降低,560～590 nm黃光區(qū)域的波谷和1 100～1 152 nm近紅外區(qū)域的波谷,1 850～1 907 nm中紅外區(qū)域的波谷逐漸平緩;而682～753 nm紅光區(qū)域峰值的頂點逐漸降低,其中病情指數(shù)(DI)為0、19.3、36.4、63.5、80.3的冠層光譜反射率的一階微分值的峰值頂點分別在724、724、725、725、724 nm處,所對應的一階微分值在0.016 2、0.013 6、0.011 1、0.008 2、0.005 5。結果表明,降香黃檀冠層光譜一階微分值隨著病情指數(shù)的增大而逐漸減小,并且峰值頂點對應的波段基本不變,所以此波段具有良好的指示作用。

在1 300～1 400 nm近紅外區(qū)域形成的W底形峰谷右側(cè)1 320～1 400 nm區(qū)域,病情指數(shù)(DI)為0、19.3、36.4、63.5、80.3的冠層光譜反射率的一階微分值的峰值頂點分別在1 379、1 380、1 380、1 379、1 379 nm,所對應的一階微分值在-0.025 0、-0.020 9、-0.015 8、-0.011 2、-0.007 1。結果表明,在1 300～1 400 nm近紅外區(qū)域形成的W底形峰谷右側(cè)1 320～1 400 nm區(qū)域,降香黃檀冠層光譜一階微分值隨著病情指數(shù)的增大而逐漸升高,并且峰值頂點對應的波段基本不變,所以此波段具有良好的指示作用。1 450～1 600 nm近紅外及中紅外區(qū)域,其中病情指數(shù)為0、19.3、36.4、63.5、80.3的冠層光譜反射率的一階微分值的峰值頂點分別在1 500、1 499、1 499、1 500、1 499 nm,所對應的一階微分值在0.007 0、0.005 5、0.004 2、0.003 1、0.002 4。結果表明,在1 450～1 600 nm近紅外及中紅外區(qū)域,降香黃檀冠層一階微分光譜值隨著病情指數(shù)的增大而逐漸減小,并且峰值頂點對應的波段基本不變,表明此波段具有良好的指示作用。所以,不同病情指數(shù)的降香黃檀冠層一階微分光譜表現(xiàn)出的差異,可以在高光譜技術監(jiān)測中用來反演降香黃檀黑痣病病情嚴重度。

圖1 不同病情指數(shù)的降香黃檀冠層一階微分光譜特征Fig.1 First derivative spectral features of Dalbergia odorifera canopy with different DI

2.2 一階微分光譜與病情指數(shù)(DI)的相關性分析

對利用訓練集的53個樣本建立的降香黃檀冠層一階微分光譜值與病情指數(shù)進行相關性分析,從圖2可以看出,降香黃檀病情指數(shù)與其一階微分光譜值在419～548、577～650、687～927、1 046～1 091、1 114～1 194、1 239～1 273、1 318～1 441、1 474～1 660、1 692～1 778、1 821～1 912、1 960～2 225 nm波段均達到極顯著正相關,而在1 000～1 034 nm以及其他非常窄的區(qū)域均達到極顯著負相關,由于波段非常窄,所以能夠更加準確地指示降香黃檀的病情嚴重度。由此可知,一階微分光譜值對降香黃檀病情指數(shù)具有良好的指示效果。因此,可以使用非成像高光譜儀收集的高光譜數(shù)據(jù)反演降香黃檀黑痣病病情指數(shù)。

2.3 敏感波段提取與PCA 降維

在該項研究中,挑選出相關性較高的420～544、580～648、687～878、1 000～1 030、1 050～1 090、1 120～1 190、1 240～1 270、1 320～1 440、1 480～1 650、1 700～1 770、1 821～1 910、1 968～2 220 nm總共12個一階微分光譜波段作為采樣區(qū)間,共有187處采樣點。通過PCA法對篩選出來的一階微分光譜敏感波段進行降維。PCA法降維后得到的累積可信度如圖3所示。在12個主成分中,前面10個主成分的累積可信度就已經(jīng)達到99.951 3%。表明,前10個主成分包含了一階微分光譜數(shù)據(jù)特征信息。

圖2 降香黃檀冠層光譜一階微分值與 病情指數(shù)之間的相關曲線特征Fig.2 Correlation curve between Dalbergia odorifera canopy first derivative spectral data and DI

圖3 前12個主成分的累積可信度Fig.3 Accumulated reliability of the first 12 principal components

2.4 訓練BP神經(jīng)網(wǎng)絡及精度評價

根據(jù)上述分析結果,選取420～544、580～648、687～878、1 000～1 030、1 050～1 090、1 120～1 190、1 240～1 270、1 320～1 440、1 480～1 650、1 700～1 770、1 821～1 910、1 968～2 220 nm總共12個微分光譜的波段作為采樣區(qū)間,將所有訓練集和驗證集進行采樣之后的數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡的輸入變量。BP神經(jīng)網(wǎng)絡中相關參數(shù)設置如下：學習速率(lr)為0.1,最大訓練步數(shù)(epochs)1 000,網(wǎng)絡訓練目標誤差(goal)為0.000 1,動量常數(shù)(mc)為0.9。建立一個輸入層節(jié)點數(shù)187、隱含層節(jié)點數(shù)50、輸出層節(jié)點數(shù)1的187-50-1的三層BP神經(jīng)網(wǎng)絡。

得到BP神經(jīng)網(wǎng)絡擬合結果圖4和BP神經(jīng)網(wǎng)絡預測結果圖5,從圖4中可以看出,BP神經(jīng)網(wǎng)絡擬合結果中差值基本在零附近,擬合效果非常好,在圖5中,BP神經(jīng)網(wǎng)絡預測結果中差值基本在正負10范圍之內(nèi),預測的效果也非常好。

圖4 BP神經(jīng)網(wǎng)絡擬合結果Fig.4 BP neural network fitting result

圖5 BP神經(jīng)網(wǎng)絡預測結果Fig.5 BP neural network prediction result

將采樣數(shù)據(jù)通過PCA法進行降維,得到前10個主成分作為輸入變量,為優(yōu)化BP神經(jīng)網(wǎng)絡結構,反復調(diào)整隱含層節(jié)點數(shù)。得到10-6-1三層BP神經(jīng)網(wǎng)絡。BP神經(jīng)網(wǎng)絡中相關參數(shù)設置如下：學習速率(lr)為0.1,最大訓練步數(shù)(epochs)為1 000,網(wǎng)絡訓練目標誤差(goal)為0.000 1,動量常數(shù)(mc)為0.9。

得到BP神經(jīng)網(wǎng)絡擬合結果圖6和BP神經(jīng)網(wǎng)絡預測結果圖7,從圖6中可以看出,BP神經(jīng)網(wǎng)絡擬合結果中差值幾乎在零附近,擬合效果很好。在圖7中,BP神經(jīng)網(wǎng)絡預測結果中差值基本在正負20范圍之內(nèi),預測的效果比較理想。

圖6 PCA法降維后BP神經(jīng)網(wǎng)絡擬合結果Fig.6 BP neural network fitting result after PCA

圖7 PCA法降維后BP神經(jīng)網(wǎng)絡預測結果Fig.7 BP neural network prediction result after PCA

圖8 兩種輸入變量對驗證集的預測結果Fig.8 Prediction result of two input variables to validation set

為了檢驗直接以敏感波段作為輸入變量和PCA法降維后作為輸入變量建立的BP神經(jīng)網(wǎng)絡的預測能力。該項研究比較了兩種輸入變量對驗證集27個樣本的預測結果(見圖8)。在BP神經(jīng)網(wǎng)絡中,通過把敏感波段作為輸入變量,得出的實際值與預測值之間進行擬合,結果如圖8a所示：實際值與預測值之間的決定系數(shù)(R2)為0.951 9,均方根誤差(RMSE)為5.998 0;在BP神經(jīng)網(wǎng)絡中,通過PCA法降維后的敏感波段作為輸入變量,得出的實際值與預測值之間進行擬合,結果如圖8b所示;實際值與預測值之間的決定系數(shù)(R2)為0.706 0,均方根誤差(RMSE)為12.919 3,兩種輸入變量都取得良好的預測結果,其中,直接以敏感波段作為輸入變量訓練的BP神經(jīng)網(wǎng)絡更佳。

3 結論與討論

根據(jù)降香黃檀黑痣病冠層一階微分光譜值與病情指數(shù)的相關性篩選出與病情指數(shù)(DI)相關性較高的敏感波段。同時采用PCA法對篩選出的敏感波段進行降維,提高BP神經(jīng)網(wǎng)絡的運算速度。在訓練和驗證BP神經(jīng)網(wǎng)絡過程中,分別以敏感波段和PCA法降維后的敏感波段作為輸入變量,得到的決定系數(shù)(R2)分別為0.951 9和0.706 0,均方根誤差(RMSE)分別為和5.998 0和12.919 3。結果表明,兩種輸入變量訓練的BP神經(jīng)網(wǎng)絡均獲得較高的精度。其中,直接以敏感波段作為輸入變量訓練的降香黃檀黑痣病病情指數(shù)BP神經(jīng)網(wǎng)絡,比經(jīng)過PCA法降維后的敏感波段作為輸入變量訓練的BP神經(jīng)網(wǎng)絡預測效果更好。本研究表明,降香黃檀冠層一階微分光譜值與病情指數(shù)通過相關分析提取的敏感波段,可以直接作為輸入變量,訓練BP神經(jīng)網(wǎng)絡,并且預測效果很好。該研究結果可以為降香黃檀林黑痣病病情嚴重度的快速診斷提供參考,并為今后采用航天、航空遙感技術實現(xiàn)快速、及時、大面積監(jiān)測病害奠定了基礎。

[1] 劉洪灣, 李際, 林秀蓮. 海南降香黃檀病蟲害調(diào)查與防治[J]. 農(nóng)業(yè)災害研究, 2011, 1(2):32-33.

[2] 伍慧雄, 莊雪影, 溫秀軍, 等. 降香黃檀病蟲害調(diào)查[J]. 廣東林業(yè)科技, 2009, 25(6):86-88.

[3] 董文統(tǒng), 劉君昂, 周國英, 等. 海南省鄉(xiāng)土樹種病蟲害發(fā)生現(xiàn)狀[J]. 中南林業(yè)科技大學學報, 2014, 34(6):55-60.

[4] 王植, 曹均, 曹慶昌, 等. 高光譜遙感監(jiān)測板栗病蟲害的可行性初探[J]. 中國農(nóng)學通報, 2010, 26(13):380-384.

[5] Johnson D A, Richard A J, Hamm P B, et al. Aerial photography used for spatial pattern analysis of late blight infection in irrigated potato circles [J]. Phytopathology, 2003, 93(7):805-812.

[6] Huang W J, Lamb D W, Niu Z, et al. Identification of yellow rust in using in-situ spectral reflectance measurements and air-borne hyperspectral imaging [J]. Precision Agriculture, 2007, 8(5):187-197.

[7] 劉占宇, 黃敬峰, 陶榮祥, 等. 基于主成分分析和徑向基網(wǎng)絡的水稻胡麻斑病嚴重度估測[J]. 光譜學與光譜分析, 2008, 28(9):2156-2160.

[8] 陳云浩, 蔣金豹, 黃文江, 等. 主成分分析法與植被指數(shù)經(jīng)驗方法估測冬小麥條銹病嚴重度的對比研究[J]. 光譜學與光譜分析, 2009, 29(8): 2161-2165.

[9] 林輝, 孫華, 熊育久, 等. 林業(yè)遙感[M]. 北京：中國林業(yè)出版社, 2011:165-166.

[10]馬菁. 基于遙感技術的松材線蟲病早期預警[D]. 北京：北京林業(yè)大學, 2012.

[11]武紅敢, 石進. 松毛蟲災害的TM影像監(jiān)測技術[J]. 遙感學報, 2004, 8(2):172-177.

[12]伍南, 劉君昂, 閆瑞坤, 等. 基于地面高光譜數(shù)據(jù)的油茶炭疽病病情指數(shù)反演[J]. 植物保護, 2012,38(5):22-26.

[13]陳攀. 椰心葉甲田間調(diào)查技術研究[D]. ?？冢喝A南熱帶農(nóng)業(yè)大學, 2007.

[14]劉君昂, 潘華平, 伍南, 等. 油茶主要病害空間分布格局規(guī)律的研究[J]. 中國森林病蟲, 2010, 29(9):7-11.

[15]宋仁飛, 林輝, 臧卓, 等. 東洞庭湖濕地植被高光譜數(shù)據(jù)變換及識別[J]. 中南林業(yè)科技大學學報, 2014, 34(11):135-139.

[16]王磊, 白由路, 盧艷麗, 等. 光譜數(shù)據(jù)變換對玉米氮素含量反演精度的影響[J]. 遙感技術與應用, 2011, 26(2):220-225.

[17]林芬芳, 陳祝爐, 王珂, 等. 基于傅里葉變換紅外光譜和siPLS-GA-PLS的水稻葉片氮素含量預測研究[J].紅外與毫米波學報, 2009,28(4):277-280.

(責任編輯：田 喆)

Dalbergiaodoriferablack scurf disease index inversion based on ground hyperspectral technology

Xu Haizhou1,2, Zhou Guoying1,2, Zang Zhuo3, Lin Hui3, Dong Wentong1,2, Liu Junang1,2

(1. Key Laboratory of Cultivation and Protection for Non-Wood Forest Trees, Ministry of Education, Central South University of Forestry and Technology, Changsha 410004, China; 2. Hunan Provincial Key Laboratory for Control of Forest Diseases and Pests, Central South University of Forestry and Technology, Changsha 410004, China; 3.Research Center of Forest Remote Sensing & Information Engineering, Central South University of Forestry and Technology, Changsha 410004, China)

Canopy spectral data ofDalbergiaodoriferawere collected according to different disease incidences, using Spectra Vista Corporation (SVC) HR-1024i un-imaging hyperspectral of America, then scan matching/overlap correction and white plate reflectance correction of spectral data were completed based on the disease index ofD.odoriferablack scurf obtained simultaneously in the field. Principal component analysis (PCA) was applied to conduct dimension-reduction of sensitive wave band which highly related to disease index. Both sensitive wave bands from 53 training sets before and after processing by PCA were chosen as input variables for training BP neural network ofD.odoriferablack scurf. The results showed that both coefficients of determination (R2) between the predictive values from BP neural network established by above two variables and the actual values were to 99%. Further accuracy test by using 27 validation sets showed that the coefficients of determination (R2) between the predictive value and the actual value were up to 0.951 9 and 0.706 0, and the root mean square errors (RMSE) were 5.998 0 and 12.919 3. The results indicated that both methods of training BP neural network by using sensitive wave bands directly and after treatment by PCA as variables were all effective ways, of which using sensitive wave bands directly was more accurate.

hyperspectral;Dalbergiaodoriferablack scurf; PCA method; BP neural network; disease index

2015-11-10

2016-01-14

國家林業(yè)公益性行業(yè)科研專項(201304402)

S 431.9

A

10.3969/j.issn.0529-1542.2016.05.007

* 通信作者 E-mail:kjc9620@163.com