基于超光谱多维特征融合的叶粉病严重性的分类模型的研究
Donghua Wang1,2, Huichun Ye3,4, Yanan You1,2
1College of Water Resources Science and Engineering, Taiyuan University of Technology, Taiyuan, 030024, China.
Plant methods
|December 2, 2025
概括
远程传感有效地监测粉菌,使用高光谱数据. 功能融合与主要成分分析 (PCA) 在分类疾病严重程度方面实现了98.89%的准确性.
科学领域:
- 农业遥感 农业遥感
- 植物病理学 植物病理学
- 数据科学是数据科学.
背景情况:
- 由Oidium heveae引起的粉,对全球产量和经济产生重大影响.
- 气候变化和种植方式的改变加剧了疾病的传播和严重程度,需要进行高级监测.
- 有效的遥感方法对于在种植园中早期发现和管理疾病至关重要.
研究的目的:
- 开发和评估一个遥感框架,用于分类粉的严重程度.
- 调查各种光谱特征提取和选择方法的有效性.
- 评估特征融合策略的性能,以提高分类准确性.
主要方法:
- 使用数学转换 (MT),连续波束转换 (CWT) 和植被指数 (VIs) 来提取光谱特征.
- 通过相关性分析 (CA),最小绝对收缩和选择运算符 (LASSO) 和主要组件分析 (PCA) 进行特征选择.
- 构建基本和融合特征集,然后使用随机森林 (RF) 模型进行分类.
主要成果:
- 连续波段转换 (CWT) 性能优于其他光谱数据处理方法.
- 主要组件分析 (PCA) 是最有效的特征选择技术.
- 特征融合显著提高了模型性能,基于PCA的融合集 (PCA_ALL) 实现了98.89%的整体精度和0.98.98的卡帕系数.
结论:
- 一个强大的遥感框架来分类粉的严重程度是建立使用融合的超光谱特征.
- 这种方法支持天然行业向智能决策的过渡.
- 该框架提供了通过无人机和卫星平台进行大规模的动态疾病监测的基本参数.
更多相关视频
06:22Machine Learning-Based Cough Tone Classification: Diagnostic Exploration of Chronic Obstructive Pulmonary Disease and Respiratory Tract Infections
Published on: September 19, 2025
406
06:41Imaging and Analysis for Quantifying Maize (Zea mays) Abiotic Stress Phenotypes
Published on: March 28, 2025
1.5K
