基于多源信息融合的稻瘟病态势感知方法研究

本项目以稻瘟病为研究对象，首次将人因研究中的"态势感知"相关理论引入稻瘟病监测预测的研究中，根据稻瘟病发生流行机理，建立稻瘟病的态势感知理论框架，包括病害发生的觉察、发生态势的理解和预测。在研究方法上，应用改进的两级可拓D-S证据理论融合水稻冠层信息和菌源信息实现稻瘟病发生的早期觉察；根据病害三角形理论和系统研究思想建立稻瘟病发生态势评估体系，并应用可拓层次分析法确定各指标权重系数，计算稻瘟病流行风险指数；应用灰色系统理论、拓扑理论与神经网络或支持向量机技术结合，建立稻瘟病发生态势预测模型，实现对病害流行风险的动态预测。通过本项目的实施，能够提高稻瘟病监测和流行预测的时效性和精度，有利于农业生产者及时进行精确的灾害管理，对保障国家粮食安全，降低生态环境污，具有重大的经济效益和生态效益；同时也对稻瘟病监测预测理论的发展具有重要的推动作用。

本项目以稻瘟病为研究对象，开展了病害发生的觉察、发生态势的理解和预测研究。稻瘟病发生的觉察研究主要包括对菌源信息的检测、稻瘟病发生早期水稻冠层的光谱响应机理以及两者的有效信息融合。针对菌源信息，研究了一种基于显微图像处理技术的稻瘟病孢子自动检测和计数方法，孢子正确检测的平均准确率为95.5%，满足稻瘟病菌孢子自动检测和计数要求。针对稻瘟病发生早期水稻冠层光谱信息，利用支持向量机特征约减算法（SVM-RFE），确定检测的敏感波长组合为1535nm、1027nm和637nm；采用RBF-SVM建立病害发生早期的光谱检测模型，检测准确率达到90%以上。采用D-S证据理论，建立稻瘟病发生早期的觉察模型。稻瘟病发生的态势理解研究主要包括稻叶瘟病、穗瘟病害程度检测以及稻瘟病流行风险模型的建立。结合定性分析与定量估算，提出了一种基于高光谱成像技术的水稻叶瘟病病害程度分级方法。分别在叶片和病斑尺度上完成病斑类型的有效分类，分级准确率为96.39%。提出了一种光谱词袋（Bag of Spectrum Words, BoSW）模型分析方法，分析稻穗的高光谱图像，自动评判穗瘟病害程度。分类识别精度为94.72%，高于主成分分析（PCA）、敏感波段选择等传统光谱分析方法。应用可拓理论与层次分析法结合，客观确定稻瘟病流行风险评价指标体系中各层次的相对权重，计算稻瘟病发生趋势的流行风险指数。利用图像处理技术方法，以田间拍摄的水稻图像为研究对象，对田间植物进行检测研究。通过改进归一化绿蓝差值指数IDNBG与色度模型，经过分类识别、图像阈值分割等步骤，对植物叶片进行提取。植物叶片提取正确率平均可达83.07%。针对病斑在叶片上易形成封闭边缘的特性，采用色度学模型、边缘提取和形态学等方法对田间稻叶瘟病斑进行检测。试验结果表明: 对叶瘟病斑的正确识别率可达到90.26% 。通过本项目的实施，提高了稻瘟病检测和流行预测的精度，有利于农业生产者及时进行精确的田间管理，对保障国家粮食安全、降低生态环境污染具有重要意义。