基于堆棧稀疏自編碼器的小麥赤霉病高光譜遙感檢測

林芬芳 陳星宇 周維勛 王 倩 張東彥,*

基于堆棧稀疏自編碼器的小麥赤霉病高光譜遙感檢測

林芬芳1,2,3陳星宇1周維勛1王 倩2張東彥2,*

1南京信息工程大學遙感與測繪工程學院, 江蘇南京 210044;2農業生態大數據分析與應用技術國家地方聯合工程研究中心(安徽大學), 安徽合肥 230601;3黃河中下游數字地理技術教育部重點實驗室(河南大學), 河南開封 475004

小麥赤霉病具有發病快、周期短的特點, 利用深度學習特征提取方法建立病害嚴重度檢測模型, 可為小麥赤霉病的防治提供科學指導。研究于2018—2020年間采集3個品種小麥在揚花期、灌漿期和成熟期的麥穗高光譜數據, 通過形態學處理去除麥芒, 提取出麥穗光譜曲線, 使用多源散射校正對光譜進行去噪處理, 再采用堆棧稀疏自編碼器(Stacked Sparse Auto-encoder, SSAE)提取小麥赤霉病的光譜特征, 利用該特征分別結合Softmax分類器和偏最小二乘回歸方法構建小麥赤霉病嚴重度判別和預測模型。通過預訓練, 具有12～6個神經元的雙層SSAE模型表現較好, 模型均方誤差更低, 而且各個病害等級的特征差異明顯; 以訓練的SSAE模型提取的深度學習特征為基礎分別建立赤霉病嚴重度等級判別模型和嚴重度預測模型, 在嚴重度等級判別的分類結果中, 模型的總體精度和Kappa系數分別為88.2%和0.84, 其中“淮麥35”品種的總體精度最高; 在嚴重度預測模型中, 模型對所有品種測試集的預測決定系數和均方根誤差分別為0.927和0.062, 對各品種的預測決定系數均在0.95左右; 相比常見的幾種小麥赤霉病光譜指數, 基于SSAE深度學習特征的赤霉病預測模型精度更高。……