CN108830249B - 一种基于asd高光谱数据的冬小麦白粉病遥感监测方法 - Google Patents
一种基于asd高光谱数据的冬小麦白粉病遥感监测方法 Download PDFInfo
- Publication number
- CN108830249B CN108830249B CN201810665243.5A CN201810665243A CN108830249B CN 108830249 B CN108830249 B CN 108830249B CN 201810665243 A CN201810665243 A CN 201810665243A CN 108830249 B CN108830249 B CN 108830249B
- Authority
- CN
- China
- Prior art keywords
- wave band
- winter wheat
- powdery mildew
- value
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 241000209140 Triticum Species 0.000 title claims abstract description 42
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 36
- 241000221785 Erysiphales Species 0.000 title claims abstract description 31
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- 201000010099 disease Diseases 0.000 claims abstract description 72
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 72
- 238000012360 testing method Methods 0.000 claims abstract description 31
- 230000003595 spectral effect Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 241000607479 Yersinia pestis Species 0.000 abstract description 8
- 241000196324 Embryophyta Species 0.000 abstract description 6
- 241000238631 Hexapoda Species 0.000 abstract description 6
- 238000010606 normalization Methods 0.000 abstract description 2
- 238000012706 support-vector machine Methods 0.000 description 27
- 238000012843 least square support vector machine Methods 0.000 description 17
- 238000012417 linear regression Methods 0.000 description 12
- 238000005259 measurement Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000002310 reflectometry Methods 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- TZCXTZWJZNENPQ-UHFFFAOYSA-L barium sulfate Chemical compound [Ba+2].[O-]S([O-])(=O)=O TZCXTZWJZNENPQ-UHFFFAOYSA-L 0.000 description 2
- 229930002875 chlorophyll Natural products 0.000 description 2
- 235000019804 chlorophyll Nutrition 0.000 description 2
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Mining & Mineral Resources (AREA)
- Multimedia (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Animal Husbandry (AREA)
- Strategic Management (AREA)
- Marine Sciences & Fisheries (AREA)
- General Business, Economics & Management (AREA)
- Agronomy & Crop Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Cultivation Of Plants (AREA)
Abstract
本发明涉及基于ASD高光谱数据的冬小麦白粉病遥感监测方法，包括以下步骤：采集冬小麦的冠层高光谱数据，计算病情指数DI；选取400～800nm波段范围内的冠层高光谱数据作为试验数据；分别计算各波段对于病情指数DI的权重值a和各波段之间的相关系数，求得将权重值和权重值a最大值所对应的波段与其它波段的相关系数归一化后二者间距d，取权重值a最大值所对应的波段和距离d中的最大正值所对应的波段作为最佳敏感波段组合；构造新植被指数NDVI1；选取10种与白粉病病情相关的植被指数与新植被指数NDVI1构建冬小麦白粉病监测模型。本发明通过对小麦高光谱数据中的原始波段信息进行分析、组合和加强，提取敏感波段和构建新的植被指数，并用于病虫害遥感监测。
Description
技术领域
本发明涉及小麦白粉病遥感监测技术领域，具体涉及一种基于ASD高光谱数据的冬小麦白粉病遥感监测方法。
背景技术
小麦是我国的主要粮食之一，并已在部分地区实现了大面积种植。小麦白粉病是威胁小麦产量和质量的主要病害之一，具有大面积传播的特性，根据相关统计数据显示，病害严重爆发时可使小麦产量降低20％以上。而随着全球变暖，给病害的发生提供了良好的条件。因此对农作物病害进行实时有效监测，为有关部门提供有效参考是很有参考意义的。在对病害的监测方法中，传统的田间调查方式费时费力，而遥感技术通过图谱分析，可及早了解作物健康状况，获得大面积病虫害发生的严重度和空间分布信息，从而为及时、准确地防治病虫害提供数据支持。
高光谱遥感技术利用其可以获取光谱分辨率达纳米数量级的连续光谱曲线，对地物的识别能力强，使得遥感监测病虫害精度不断提高，已广泛用于作物病害分类、识别研究。但由于高光谱遥感数据波段数多，波段间存在冗余，因此，需要设计一种基于ASD高光谱数据的冬小麦白粉病遥感监测方法，通过对原始波段信息进行分析、组合和加强，提取敏感波段和构建新的植被指数并应用于病虫害遥感监测。
发明内容
本发明的目的在于提供一种基于ASD高光谱数据的冬小麦白粉病遥感监测方法，该方法通过对冬小麦冠层高光谱数据中的原始波段信息进行分析、组合和加强，提取敏感波段和构建新的植被指数，并用于病虫害遥感监测。
为实现上述目的，本发明采用了以下技术方案：
一种基于ASD高光谱数据的冬小麦白粉病遥感监测方法，该方法包括以下步骤：
(1)采集试验地冬小麦的冠层高光谱数据，并计算冬小麦的病情指数DI。
(2)选取400～800nm波段范围内的冠层高光谱数据作为试验数据，并将其中的异常数据剔除。
(3)分别计算400～800nm波段范围内各波段对于病情指数DI的权重值a和各波段之间的相关系数，并求得将权重值和权重值a最大值所对应的波段与其它波段的相关系数归一化后二者间距d，取权重值a中的最大值所对应的波段和距离d中的最大正值所对应的波段作为最佳敏感波段组合。
(4)根据最佳敏感波段组合以及归一化植被指数NDVI，构造新植被指数NDVI1。
(5)选取10种与白粉病病情相关的植被指数，并采用这10种植被指数与新植被指数NDVI1构建冬小麦白粉病监测模型。
进一步的，步骤(1)中，采用以下公式计算冬小麦的病情指数DI：
其中，f为分类为各个梯度叶片数，x为对应梯度的级数值，n为梯度描述值从1到8。
进一步的，步骤(3)中，采用Relief-F算法计算400～800nm波段范围内各波段对于病情指数DI的权重值a。
进一步的，步骤(3)中，权重值a中的最大值所对应的波段为636nm，距离d中的最大正值所对应的波段为784nm。
进一步的，步骤(4)中，采用归一化差分法构造新植被指数NDVI1。
由以上技术方案可知，本发明通过对冬小麦冠层高光谱数据中的原始波段信息进行分析、组合和加强，提取敏感波段和构建新的植被指数，并用于病虫害遥感监测。
附图说明
图1是本发明的方法流程图；
图2中的左图是正常样本红边参数(左)，右图是剔除异常点后正常样本红边参数(右)；
图3中的左图是病害样本红边参数，右图是剔除异常点后病害样本红边参数；
图4波段与权重值的对应关系曲线图；
图5波段之间的相关系数的等高线图(400-800nm)；
图6是636nm波段与其他波段的相关性的曲线图；
图7权重值、相关系数及权重值与相关系数间距离的曲线图；
图8是10种与白粉病病情相关的植被指数及其计算公式；
图9是不同植被指数的一元线性回归结果(病害样本)；
图10是不同植被指数的一元线性回归结果(包括健康样本)；
图11是SVM病害等级(包括健康样本)分类精度；
图12是SVM病害等级(病害样本)分类精度；
图13是LS-SVM病害等级(包括健康样本)分类精度；
图14是LS-SVM病害等级(病害样本)分类精度。
具体实施方式
下面结合附图对本发明做进一步说明：
如图1所示的一种基于ASD高光谱数据的冬小麦白粉病遥感监测方法，该方法包括以下步骤：
S1、采集试验地冬小麦的冠层高光谱数据，并计算冬小麦的病情指数DI。
高光谱数据及病情指数数据均来自于2001-2002年度在北京市昌平区小汤山国家精准农业示范基地(40°10.6′N，116°26.3′E)展开的病虫害试验。此次试验根据相关试验标准对试验地的小麦进行了白粉病孢子接种，试验所用的小麦品种为易感白粉病的“北农10”。在上述野外数据采集试验中，光谱采集使用的是来自美国ASD公司生产的ASDFieldSpec Pro FR(350nm-2500nm)型光谱仪。数据采集均在阳光充足的正午时间进行，测量时环境条件要求为无风、少云且阳光充足，并且冠层光谱数据都是在小麦冠层之上10cm-20cm左右处收集。设置每个样点测定20次，每次测量前均使用40cm×40cm的BaSO4标准白板进行光谱校正，记录结果为20次扫描的平均值。
采用以下公式计算冬小麦的病情指数DI：
其中，f为分类为各个梯度叶片数，x为对应梯度的级数值，n为梯度描述值从1到8。通常使用病情指数(disease index,DI)来描述作物病情的严重程度。本发明的试验中小麦白粉病情况参照国家农业行业标准(NY/T613-2002)进行调查统计。
S2、选取400～800nm波段范围内的冠层高光谱数据作为试验数据，并将其中的异常数据剔除。
由于小麦的冠层光谱曲线在不同的波段范围内，随着病情等级的差异，光谱反射率也存在着特定的变化规律。在400nm-700nm波段内，随着病害等级的升高，光谱反射率也随之升高，在780nm-1350nm之间光谱反射率数据基本遵循随着病害等级的升高，光谱反射率逐渐降低的变化趋势。而在不同病害等级与光谱反射率之间的相关性中，450nm-780nm波段处的病情指数与光谱反射率相关系数较大，在780nm-950nm处的相关性值趋于平稳并且数值较小。因此，为了有效提高数据的利用效率，减小数据量，本发明使用400nm-800nm波长范围的数据进行试验，包括对病害等级变化有着规律性改变的400nm-700nm波段、700nm-780nm波段范围内的红边波段。
在数据采集与野外试验的过程中难免存在一定的人为因素，为了确保试验的正确性和客观性，在使用数据之前需对数据进行异常点去除。本发明采用中心距离法去除异常点，此处变量选择的为红边变量，大量研究表明红边变量可以表明植被的叶绿素特性变化。当植被生长旺盛，叶绿素含量高时，红边会向长波方向移动(红移)，而当植被遇到侵害时，红边则会向短波方向移动(蓝移)。因此，本发明采用红边变量剔除异常点。从图2(左)中可以看出，正常样本的红边参数大部分均处于720nm左右，但其中存在部分明显异常点，一部分数据的红边参数与正常样本的红边参数值出现了明显的偏差，造成这种现象的原因是测量过程中的某些错误操作造成的，这类样本点需要剔除。图3(左)为病害样本的红边参数图，从图中可以看出红边参数在整体上满足随着病害等级增加而红边减小的变化趋势，并且存在明显的异常点，且在45-55号样本间存在明显的整体高于变化曲线的情况，导致这种情况的原因可能是由于测量人员采用不同的测量习惯导致，由于样本的采集测量病非一次完成，不同的试验实施人员之间会有不同的测量习惯，这是导致试验误差的主要原因，因此试验时要注意试验人员的稳定，尽量减少人员的变动而导致的试验误差。从图2(右)与图3(右)中可以看出，中心距离法可以有效的去除异常点，使得试验数据处于误差可接受的范围内，为接下来的试验提供可信赖的试验数据。本发明所进行的野外试验共得到207个样本数据，其中健康样本145个，病害样本62个，经过以上数据筛选得到145个有效样本数据，其中健康样本90个，病害样本55个。90个健康样本，病害等级为0。55个病害样本，当DI<＝10时设为1，当10<DI<＝20时设为2，当20<DI<＝30时设为3，30<DI<＝40设为4，当DI>40时设为5。
S3、分别计算400～800nm波段范围内各波段对于病情指数DI的权重值a和各波段之间的相关系数，并求得将权重值和权重值a最大值所对应的波段与其它波段的相关系数归一化后二者间距d，取权重值a中的最大值所对应的波段和距离d中的最大正值所对应的波段作为最佳敏感波段组合。
本发明采用Relief-F算法计算400～800nm波段范围内各波段对于病情指数DI的权重值a。优选的，权重值a中的最大值所对应的波段为636nm，距离d中的最大正值所对应的波段为784nm。本发明通过Relief-F算法计算400-800nm波段对于病情指数的敏感度，找出对病情指数最敏感的波段建立分类特征指数。从图4可以看出，不同波段对于病情指数的权重值有着较大的差异，根据Relief-F算法权重值最大值的波段为636nm处，即对于病情指数最敏感的波段为636nm波段。图5展示了不同波段间的相关系数，由图可知，相近波段间显示出了极高的相关性，若使用相近波段的组合，则会产生大量冗余，浪费信息。因此，为了得到极可能多的信息的同时，尽可能少的产生冗余。选择另一个组合波段的条件应为，在保证Relief-F算法权重值较大的前提下，与636nm波段的相关性尽可能的小。图6显示了636nm波段与其他波段之间的相关性，可见在700nm波段之前其相关系数均大于0.5，而700nm之后的相关系数处于较小状态。图7中实线条表示400-800nm波段对于病情指数的权重值，虚线表示636nm波段与其他波段间的相关性，而点横为将权重值以及相关系数归一化后两者间的距离。将正向距离最大者定为另一波段，根据数据选择784nm波段。至此，选择出了636nm波段以及784nm波段。
S4、根据最佳敏感波段组合以及归一化植被指数NDVI，构造新植被指数NDVI1。为了扩大敏感波段间的特征差距，采用归一化差分法，仿照归一化植被指数NDVI构造新植被指数NDVI1。
S5、选取10种与白粉病病情相关的植被指数，并采用这10种植被指数与新植被指数NDVI1构建冬小麦白粉病监测模型。根据前人的研究成果，选取如图8所示的10种与白粉病病情相关的植被指数，验证经Relief-f算法结合相关系数构建的新指数NDVI1监测白粉病的应用潜力。本发明采用一元线性回归模型、支持向量机模型SVM(support vectormachine，SVM)与最小二乘支持向量机LS-SVM(least squares support vector machines，LS-SVM)模型实现冬小麦白粉病监测。
a.一元线性回归模型
一元线性回归中包括一个自变量一个因变量，通过直线拟合，表示出因变量与自变量之间的关系，建立线性回归方程Y＝ax+b，其中Y是病害等级，x是植被指数，a,b是系数。本发明中的自变量为植被指数，因变量为病害等级。计算每一个植被指数在一元线性回归的情况下的方程决定系数，依次判断植被指数是否适合在线性模型条件下分类数据。
b.支持向量机模型
支持向量机回归分类思想是将线性不可分的数据，通过核函数将数据映射到更高维度空间，使得数据线性呈现可分性，此时在高维特征空间上采用线性分类算法实现数据分类，解决在低维度空间中难以利用线性模型进行分类识别的问题。支持向量机能够有效的处理回归问题以及模式识别问题，因此在监测预测领域也存在应用价值。该模型的决策函数如下式所示：
其中，αi为拉格朗日乘子，b为偏差值，xi，yi是二分类中的支持向量，K(x·xi)是核函数。
c.最小二乘支持向量机模型
标准支持向量机模型求解的是一个带约束的二次规划问题，并且由于约束条件与样本容量相同，因此当样本容量较大时会使得求解过程的工作量极大，训练时间也会因此而增加。最小二乘支持向量机是基于标准支持向量机，并在标准支持向量机的基础上进行了发展，采用二次损失函数取代支持向量机中的不敏感损失函数，并且将不等式约束条件变为等式约束条件，将求解过程转化为求解一组等式方程的问题。
假设训练样本数据集包含n个样本点，(x1,y1),...,(xn,yn),x∈Rn,y∈{+1,-1}，x为输入数据，y为输出数据，则最小二乘支持向量机的优化问题表达式如下：
s.t. yi[wTφ(xi)+b)]＝1-ξi,i＝1,...,n
其中，
代表模型的泛化能力，而
则反映出模型的精确度。是权重向量，ξ∈R是松弛因子，b∈R是偏差值，γ是可调参数。
用拉格朗日法求解其约束优化问题，最后得到最小二乘支持向量机的决策函数为：
其中，ai是拉格朗日乘子，k(x,xi)是径向基核函数。
由于本发明采集的调查样本中健康样本数量明显较多，因此，试验分为两组进行：第一组只对发病样本进行拟合(病害)，第二组对所有样本进行拟合(健康与病害)。
分别利用各个植被指数与病情指数建立一元线性回归模型，统计每个植被指数的决定系数。由图9中可以看出病害样本的决定系数大于0.5的包括MSR、NDVI(840/675)、NRI、PRI、SIPI、NPCI、ARI、RVSI、NDVI1(784/636)，但均未超过0.8。从图10中可以看出对健康与病害样本的线性回归模型中，总体决定系数均较低。但其中MCARI在对健康与病害样本的线性回归模型的决定系数比对病害样本的要高，说明这种植被指数在对包含健康样本的分类中效果较好。
图11基于SVM模型，通过SVM模型实现对冬小麦病害等级的分类识别，采用LIBSVM软件包实现回归和预测，由于病害样本数目较少，需要适时的调整参数“C”，防止过拟合。试验中模型的输入自变量数据为11个植被指数，病害等级为因变量，其输入变量为所有的样本数据，实现对病害等级分类精度的分析。对角线上的数字为单个植被指数在SVM模型中的分类精度，其余位置数据为行列相交的植被指数共同作为输入变量的到的分类精度。从图11中可以看出NDVI1的分类精度无论从单独分类精度或者从组合精度来看都呈现出较大的分类精度，分类精度均高于85％。在对角线元素上，NDVI1的分类精度最高为89.58％。表中可知组合分类精度最高的为NDVI1与MSR达到92.71％。从总体上看，SVM的分类精度均较高，NRI、PHRI、MCARI三种植被指数的分类精度在70％-80％，其余植被指数的分类精度均高于80％。从程序运行时间上来看，NDVI1的运行时间为5.1672秒，NDVI-MSR的组合输入的分类运行时间为6.5247秒，11种植被指数组合输入的运行时间为13.2428秒。
图12基于SVM算法，输入样本仅为病害样本，11个植被指数的单独分类精度最大的为NDVI1达到78.18％。组合精度最大值为NDVI1与RVSI的组合，精度达到83.63％。单个植被指数中MSR、PRI、ARI、NDVI1的分类精度均高于70％。从程序运行时间上来看，NDVI1的运行时间为0.0116秒，NDVI1-RVSI的组合输入的分类运行时间为0.0124秒，11种植被指数组合输入的运行时间为0.0136秒。
图13的数据基于LS-SVM算法，输入数据为所有的样本数据，11个植被指数的单独分类精度最大的为NDVI1达到86.4658％。组合精度最大值为NDVI1与RVSI的组合，精度达到91.1458％。并且单个植被指数分类精度均高于70％。从程序运行时间上来看，NDVI1的运行时间为0.0255秒，NDVI1-RVSI的组合输入的分类运行时间为0.0256秒，11种植被指数组合输入的运行时间为0.0277秒。
图14的数据表11基于LS-SVM算法，输入样本仅为犯病样本，11个植被指数的单独分类精度最大的为NDVI1与SIPI均达到67.27％。组合精度最大值为SIPI与MCARI的组合，精度达到78.18％。单个植被指数分类精度均低于70％。从程序运行时间上来看，NDVI1的运行时间为0.0093秒，NDVI1-RVSI的组合输入的分类运行时间为0.0093秒，11种植被指数组合输入的运行时间为0.0123秒。
由一元线性回归模型结果可以分析出当样本量在病害等级上分布不均时，一元线性拟合无法达到实际生产的需求。对比一元线性回归模型，非线性拟合中的SVM模型和LS-SVM模型分类效果更好，其原因是由于样本在病害等级上分布不均匀，使得数据线性不可分，而支持向量机和最小二乘支持向量机能将线性不可分的数据通过核函数映射到更高维度空间，使得数据呈线性可分，此时在高维特征空间上采用线性分类算法实现数据分类，所以SVM和LS-SVM模型要优于线性拟合模型。而在实际生产中，样本的采集结果通常是随机的，因此这种情况下非线性拟合模型要优于线性拟合模型。由三种模型分类结果可知，基于Relief-f和相关分析法构造出来的新指数NDVI1分类精度总体上要优于其它植被指数，说明可以用该指数应用于病害的分类研究。从模型的运行时间上来看，由于最小二乘支持向量机采用二次损失函数取代支持向量机中的不敏感损失函数，并且将不等式约束条件变为等式约束条件，将求解过程转化为求解一组等式方程的问题，避免了求解二次规划问题，加快了求解速度。因此LS-SVM更适合于大区域病害监测。而从分类精度上来看，SVM的分类整体精度要优于LS-SVM，因此SVM适合于小区域的病害监测。
综上所述，本发明通过Relief-F算法和相关系数方法找到对冬小麦白粉病最敏感的波段，构造了新的指数NDVI1，该指数在识别分类中无论从试验精度或效率都得到了最好的结果。本发明建立线性拟合和非线性拟合模型实现对高光谱小麦白粉病数据的分类识别。从病害样本的分类结果中可以看出，在总体上线性拟合模型适合在病害等级上样本数量较均匀的情况下分类，且在样本分布较均匀时，比非线性拟合模型分类效果好。非线性拟合中的SVM的分类精度在总体上均高于LS-SVM的分类精度。但是从程序运行时间上来看LS-SVM模型的运行时间比SVM模型的运行时间要短，因此LS-SVM适合用于大区域尺度的病害识别。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (4)
1.一种基于ASD高光谱数据的冬小麦白粉病遥感监测方法，其特征在于：该方法包括以下步骤：
(1)采集试验地冬小麦的冠层高光谱数据，并计算冬小麦的病情指数DI；
(2)选取400～800nm波段范围内的冠层高光谱数据作为试验数据，并将其中的异常数据剔除；
(3)分别计算400～800nm波段范围内各波段对于病情指数DI的权重值a和各波段之间的相关系数，并求得将权重值和权重值a最大值所对应的波段与其它波段的相关系数归一化后二者间距d，取权重值a中的最大值所对应的波段和距离d中的最大正值所对应的波段作为最佳敏感波段组合；权重值a中的最大值所对应的波段为636nm，距离d中的最大正值所对应的波段为784nm；
(4)根据最佳敏感波段组合以及归一化植被指数NDVI，构造新植被指数NDVI1；
(5)选取10种与白粉病病情相关的植被指数，并采用这10种植被指数与新植被指数NDVI1构建冬小麦白粉病监测模型。
2.根据权利要求1所述的一种基于ASD高光谱数据的冬小麦白粉病遥感监测方法，其特征在于：步骤(1)中，采用以下公式计算冬小麦的病情指数DI：
其中，f为分类为各个梯度叶片数，x为对应梯度的级数值，n为梯度描述值从1到8。
3.根据权利要求1所述的一种基于ASD高光谱数据的冬小麦白粉病遥感监测方法，其特征在于：步骤(3)中，采用Relief-F算法计算400～800nm波段范围内各波段对于病情指数DI的权重值a。
4.根据权利要求1所述的一种基于ASD高光谱数据的冬小麦白粉病遥感监测方法，其特征在于：步骤(4)中，采用归一化差分法构造新植被指数NDVI1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810665243.5A CN108830249B (zh) | 2018-06-26 | 2018-06-26 | 一种基于asd高光谱数据的冬小麦白粉病遥感监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810665243.5A CN108830249B (zh) | 2018-06-26 | 2018-06-26 | 一种基于asd高光谱数据的冬小麦白粉病遥感监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108830249A CN108830249A (zh) | 2018-11-16 |
| CN108830249B true CN108830249B (zh) | 2021-12-03 |
Family
ID=64137544
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810665243.5A Active CN108830249B (zh) | 2018-06-26 | 2018-06-26 | 一种基于asd高光谱数据的冬小麦白粉病遥感监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108830249B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110008905B (zh) * | 2019-04-09 | 2021-02-12 | 安徽大学 | 基于遥感影像红边波段的区域尺度小麦条锈病监测方法 |
| CN110132860B (zh) * | 2019-05-29 | 2021-09-14 | 安徽大学 | 一种基于麦穗尺度分析的冬小麦赤霉病高光谱遥感监测方法 |
| CN110335249A (zh) * | 2019-05-31 | 2019-10-15 | 浙江大学山东工业技术研究院 | 基于高光谱成像技术的柑橘黄龙病检测方法 |
| CN112101681B (zh) * | 2020-09-25 | 2023-04-28 | 北京师范大学 | 基于遥感ndpi时间序列监测冬小麦干热风灾害的方法 |
| CN113358613B (zh) * | 2021-05-25 | 2022-11-04 | 西安科技大学 | Sisp指数探测小麦病害方法和sisp指数构建方法 |
| CN117907248B (zh) * | 2024-03-19 | 2024-05-28 | 中国水利水电科学研究院 | 一种冬小麦关键生育期根系土壤含水量遥感监测方法及系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10275150A (ja) * | 1997-03-28 | 1998-10-13 | Toa Medical Electronics Co Ltd | 画像ファイリングシステム |
| WO2004001659A1 (en) * | 2001-12-17 | 2003-12-31 | Digitalglobe Inc. | System, method, and apparatus for satellite remote sensing |
| CN104408307B (zh) * | 2014-11-25 | 2017-07-14 | 河南农业大学 | 田间小麦白粉病发病程度的快速监测方法及其监测模型的构建方法 |
| CN106954385B (zh) * | 2015-01-09 | 2020-07-28 | 麦克赛尔控股株式会社 | 植物信息取得系统、植物信息取得装置和植物信息取得方法 |
-
2018
- 2018-06-26 CN CN201810665243.5A patent/CN108830249B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN108830249A (zh) | 2018-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108830249B (zh) | 一种基于asd高光谱数据的冬小麦白粉病遥感监测方法 | |
| CN110008905B (zh) | 基于遥感影像红边波段的区域尺度小麦条锈病监测方法 | |
| CN108596104A (zh) | 一种带有病害特征预处理功能的小麦白粉病遥感监测方法 | |
| Hong et al. | Hyperspectral imaging using multivariate analysis for simulation and prediction of agricultural crops in Ningxia, China | |
| CN112557393B (zh) | 基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法 | |
| CN112287886B (zh) | 基于高光谱图像融合图谱特征的小麦植株氮含量估测方法 | |
| CN114694036A (zh) | 一种基于高分影像和机器学习的高海拔地区作物分类识别的方法 | |
| CN116543316B (zh) | 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法 | |
| CN107271372A (zh) | 一种苹果叶片叶绿素遥感估测方法 | |
| CN110163101A (zh) | 中药材种子区别及等级快速判别方法 | |
| Huang et al. | Detection of scab in wheat ears using in situ hyperspectral data and support vector machine optimized by genetic algorithm. | |
| CN110376202A (zh) | 基于成像高光谱技术的茶树炭疽病病斑识别方法 | |
| CN114266961A (zh) | 一种整合高光谱和多频段全极化sar影像的沼泽植被堆栈集成学习分类方法 | |
| CN103278467A (zh) | 一种植物叶片氮素丰缺快速无损高准确率的鉴别方法 | |
| CN112881327A (zh) | 一种基于新型植被指数的烟叶spad值估测方法 | |
| Zhao et al. | Study on the classification method of rice leaf blast levels based on fusion features and adaptive-weight immune particle swarm optimization extreme learning machine algorithm | |
| CN112528789A (zh) | 一种用于发病初中期分析的小麦条锈病遥感监测方法 | |
| CN113657158A (zh) | 基于Google Earth Engine的大尺度大豆种植区域提取算法 | |
| Amirruddin et al. | Assessing leaf scale measurement for nitrogen content of oil palm: performance of discriminant analysis and Support Vector Machine classifiers | |
| CN108846370B (zh) | 一种小麦白粉病中晚期病害严重度自动分析方法 | |
| CN109960972A (zh) | 一种基于中高分辨率时序遥感数据的农林作物识别方法 | |
| CN102521830B (zh) | 一种受病害胁迫农作物冠层高光谱图像的波段优选方法 | |
| Kumar et al. | A study on paddy crops disease prediction using data mining techniques | |
| Xu et al. | Hyperspectral imaging with machine learning for non-destructive classification of Astragalus membranaceus var. mongholicus, Astragalus membranaceus, and similar seeds | |
| Sari et al. | Detection of Corn Leaves Nutrient Deficiency Using Support Vector Machine (SVM) |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |