《表2 病虫害胁迫与健康作物分类算法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《作物病虫害高光谱遥感进展与展望》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

在分类过程中，除去分类参数的选择，不同的分类算法也会产生不用的分类结果及精度。在Adam等（2017）利用手持式光谱仪测定的冠层高光谱数据进行玉米叶斑病植株分类的研究中，对比分析了引导正则化随机森林GRRF (Guided Regularized Random Forest）和传统随机森林RF(Random Forest）两种分类算法，在相同训练集及验证集情况下，GRRF通过6个敏感波段实现了总体分类精度为89.7%的病害植株分类，而RF的分类精度只达到81.8%。可以看出，选择合适的分类算法，不仅能够降低数据的分析量，更能够实现更高精度的病害分析。目前，统计和机器学习相结合是胁迫作物分类研究中常用的思路（Lowe等，2017）。其中，阈值分割法是最简单的方法之一（Shahin和Symons，2011；Singh等，2010）。Lu等（2018）通过对黄曲病侵染叶片的原始光谱、一阶导数光谱、吸收光谱以及基于灰度共生矩阵的纹理特征的统计分析，构建Youden指数（Youden's=敏感性+特异性-1）作为识别番茄黄叶卷曲病的标准，并利用阈值分割的分类算法实现了感病叶片的检测，验证集分类精度达到100%，同时形成了统计和机器学习相结合的有效思路。此外，基于传统机器学习的分类识别方法，如支持向量机SVM (Support Vector Machine），最大似然分类器MLC (Maximum Likelihood Classifier），神经网络NN (Neural Network）的方法均成功应用于胁迫作物分类研究（Jin等，2018；Mirik等，2011；Nagasubramanian等，2018；刑晓祺，2016）。Li等（2012）对高光谱图像的像素应用深度神经网络分类算法，准确识别小麦叶片镰刀菌疫病区域。表2列出病虫害胁迫作物分类提取部分相关研究及涉及到的主要算法。