CN110008905B - 基于遥感影像红边波段的区域尺度小麦条锈病监测方法 - Google Patents
基于遥感影像红边波段的区域尺度小麦条锈病监测方法 Download PDFInfo
- Publication number
- CN110008905B CN110008905B CN201910278469.4A CN201910278469A CN110008905B CN 110008905 B CN110008905 B CN 110008905B CN 201910278469 A CN201910278469 A CN 201910278469A CN 110008905 B CN110008905 B CN 110008905B
- Authority
- CN
- China
- Prior art keywords
- stripe rust
- layer
- wheat stripe
- remote sensing
- weight
- 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 87
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 86
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 title claims abstract description 78
- 238000012544 monitoring process Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 41
- 201000010099 disease Diseases 0.000 claims abstract description 31
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000012216 screening Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000002310 reflectometry Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000036541 health Effects 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 241000221785 Erysiphales Species 0.000 description 5
- 241000607479 Yersinia pestis Species 0.000 description 5
- 238000011835 investigation Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 241000208140 Acer Species 0.000 description 1
- 241001124076 Aphididae Species 0.000 description 1
- 241000207199 Citrus Species 0.000 description 1
- 240000002319 Citrus sinensis Species 0.000 description 1
- 235000005976 Citrus sinensis Nutrition 0.000 description 1
- 240000007154 Coffea arabica Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241000219000 Populus Species 0.000 description 1
- 241001123583 Puccinia striiformis Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- 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 1
- 235000020971 citrus fruits Nutrition 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于遥感影像红边波段的区域尺度小麦条锈病监测方法，与现有技术相比解决了对小麦条锈病利用遥感监测精度差的缺陷。本发明包括以下步骤：遥感影像的获取及预处理；初选特征因子的筛选；构建小麦条锈病严重度监测模型；小麦条锈病严重度监测模型的训练；区域尺度小麦条锈病严重度的判定。本发明利用Sentine‑2遥感影像反演得到与病害相关的宽波段植被指数特征及红边植被指数特征，再通过ReliefF和K‑means算法筛选与病害相关性较大且冗余性较小的宽波段植被指数特征集和加入红边植被指数的特征集，分别与BPNN算法建立小麦条锈病严重度监测模型，以实现区域尺度上小麦条锈病严重度的监测。
Description
技术领域
本发明涉及遥感数据处理技术领域，具体来说是基于遥感影像红边波段的区域尺度小麦条锈病监测方法。
背景技术
小麦条锈病(Puccinia striiformis f.sptritici)是气传病害，孢子通过空气传播，具有发病广、流行性强、发病概率高的特点，是威胁小麦产量的主要病害之一。小麦受害后，可导致叶片早枯，成穗数降低，一般可减产5％～10％，重病田可减产达20％以上。传统的病虫害监测主要依靠地面调查，虽真实性强，但耗时费力难以适应大区域监测的需求。遥感技术是大区域病虫害监测和预报研究中新型的技术，利用遥感影像数据空间覆盖度大的特性，建立大范围病害监测模型，对指导病害防治，确保小麦产量稳定具有重要的意义。
目前，一些学者利用遥感数据开展了作物病虫害的监测预测相关研究。高光谱卫星影像同时兼有高空间分辨率和高波谱分辨率的特点，近年来得到广泛应用。但其数据尺度小、利用率低且高成本，很难大范围监测作物病虫害。而多光谱遥感数据具有卫星数量多、影像多、成本低的特点，因此广泛应用于监测作物病害。其中Landsat-8、MODIS、GF-1、HJ-CCD、Worldview-2遥感影像是学者们近几年来常用的卫星数据。
如马慧琴等利用Landsat-8遥感影像数据结合气象数据采用相关向量机的模型实现小麦白粉病的区域尺度的监测。然而这些卫星数据空间分辨率在30m或者更低会导致监测的精度受限。Yuan等基于Worldview-2卫星影像数据，通过Fisher线性判别分析构建了小麦白粉病和蚜虫的监测模型。黄林生等利用GF-1影像尝试结合Relief-mRMR-GASVM模型实现小麦白粉病的监测。这些卫星具有较高的空间分辨率或新增加的红边波段，但搭载的单个红边波段的多光谱遥感卫星数量较少，进行相关的研究受限。
而Sentinel-2遥感影像空间分辨率提高20m，重返时间短，宽幅覆盖有290公里，是唯一一个在红边范围含有三个波段的数据。Sentinel-2在可见近红外拥有高空间分辨率的同时提供三个红边范围的响应波段，为植被长势和胁迫区分提供有效数据源，为作物的长势和病害监测提供了更丰富的信息。Chemura等人重采样Sentinel-2传感器数据去估计咖啡叶片上锈病(CLR)发病的严重程度，郑琼等人尝试利用Sentine-2影像的红边波段及构建的新植被指数实现小麦条锈病的监测，以此证明了Sentine-2卫星的红边波段在病虫害监测研究中的潜力，因此基于Sentine-2的红边光谱指数来区分小麦条锈病的发病水平，能为区域尺度上对作物病害的监测提供了更多可操作的可能。
另外，模型的构建直接影响病害严重度监测效果。BP神经网络(back propagationneural network,BPNN)是人工神经网络应用最广泛的部分，具有很强的非线性函数逼近能力。BPNN方法被用于预测柑橘叶片含氮量和脐橙果实可溶性固形物含量，且取得了较好的效果，并在枫杨叶绿素含量光谱反演取得有效成果[。沈文颖等利用BP神经网络建立小麦叶片白粉病反演模型，反演模型对小麦白粉病整个病症期均具有很好的适用性。以上说明BP神经网络模型在病害的反演上有较高的应用价值。
基于以上分析可以得出，小麦条锈病与遥感影像红边波段存在一定的关联，从理论上说，基于遥感影像红边波段分析能够较好进行小麦条锈病的监测。那么如何充分利用遥感影像红边波段，利用预测分析方法对小麦条锈病进行有效监测已经成为急需解决的技术问题。
发明内容
本发明的目的是为了解决现有技术中对小麦条锈病利用遥感监测精度差的缺陷，提供一种基于遥感影像红边波段的区域尺度小麦条锈病监测方法来解决上述问题。
为了实现上述目的，本发明的技术方案如下：
基于遥感影像红边波段的区域尺度小麦条锈病监测方法，包括以下步骤：
遥感影像的获取及预处理：获取Sentinel-2遥感影像数据，对Sentinel-2遥感影像数据进行辐射定标、大气校正及裁剪预处理，提取Sentine-2的波段反射率、红边波段反射率、宽波段植被指数和红边植被指数作为初选特征因子；
初选特征因子的筛选：利用RelifeF算法和K-Means算法对初选特征因子进行筛选，得到筛选后的特征因子；
构建小麦条锈病严重度监测模型：基于BP神经网络构建小麦条锈病严重度监测模型；
小麦条锈病严重度监测模型的训练：采用交叉验证法获取有标签数据作为训练样本，利用有标签数据训练小麦条锈病严重度监测模型，将小麦条锈病分为健康、轻发、重发；
区域尺度小麦条锈病严重度的判定：将筛选后的特征因子输入训练后的小麦条锈病严重度监测模型，得到此区域尺度上小麦条锈病的病害等级。
所述初选特征因子的筛选包括以下步骤：
利用ReliefF算法从若干个初选特征因子中筛选出10个权值较高的特征，作为候选特征集：
将Sentinel-2遥感影像数据点作为样本R，设定样本R在初选特征因子的权值W(A)表示为：
式中differ(A,R1,R2)表示样本R1和R2在初选特征因子A上的距离，max(A)和min(A)分别是初选特征因子A的上界和下界；
将每个初选特征利用ReliefF算法进行20次样本计算，获得20个权值并进行平均，将平均结果作为此特征的最终权重；
将若干个初选特征因子的权值W(A)进行降序排列，排在前10位的初选特征因子作为候选特征集；
利用K-means聚类算法筛选出聚类精度最高的一组特征集：
从候选特征集中权重值最高的特征作为K-means算法的初始中心，按降序顺序依次逐个添加其他的初选特征因子进行聚类；
若添加后进行聚类的精度要相对于上个的精度高，该特征对聚类精度贡献为正，则保留此特征；其中
簇的质心表达式如下：
其中，Nj表示属于Wj类的数据点的个数，属于某个簇的所有点的算术平均值，即为该簇的质心；
将聚类精度最高的特征组合作为最终的模型输入变量。
所述构建小麦条锈病严重度监测模型包括以下步骤：
设定BP神经网络的隐藏层，其表达式如下：
m＝log2n，
n是输入层的输入变量个数，m为隐藏层数目；
设定BP神经网络的隐藏层节点数，其表达式如下：
s＝2n+1，
其中，n是输入层节点数，
选择隐藏层前两层节点数为10,最后一层为3个节点数作为一个参数调整作用；
构建BP神经网络小麦条锈病监测模型：
输入层：为通过ReliefF结合K-Means筛选的两组特征集；
隐藏层：设置3个隐藏层，3层的神经元个数分别为{10，10，3}，3层的激活函数分别为{‘logsig’，‘logsig’，‘logsig’}。输出层：监测的小麦条锈病严重等级{健康、轻发、重发}；
设定利用梯度下降自适应学习率训练函数，
设置最大迭代次数为5000，训练的目标误差为0.000001，学习速率为0.000001。
所述小麦条锈病严重度监测模型的训练包括以下步骤：
采用交叉验证法，选取有标签数据作为训练样本；
初始化网络权值以及偏置：使用随机函数对每一层的连接权值矩阵和偏置向量进行随机初始化；
进行前向传播：输入一个训练样本，然后通过计算得到每个神经元的输出，得到的输出结果hW,b(x)。其计算公式如下：
其中，
表示第l层的第i个节点与第l+1层的第j个节点之间的权重，
表示第l+1层的第i个节点的偏置项，
表示第l+1层第j个节点的输入值，
代表第l+1层第j个节点经过激活函数θ(x)后的输出值；
计算误差并进行反向传播：对于一个给定的样本，正确的输出与神经网络的输出会产生一个误差，误差越小，网络效果越好。用最小化均方根差衡量误差大小，公式如下：
然后利用梯度下降的方法使其误差最小化，即让每个样本权重都向其负梯度方向变化，即求误差L对权重W的梯度；
输入层到隐藏层的权重：
经过推导得到隐藏层反向输出
计算出第一层权重梯度：
第二层权重梯度：
得到一个规律：每一层的权重梯度都等于这一层权重所连的前一层的输入乘以所连的后一层的反向输出；
网络权重与神经网络元偏置调整：根据权重梯度更新权重，公式如下：
判断结束：对于每个样本，判断其误差如果小于我们设定的阈值或者已达到迭代次数，则训练结束，得到用于监测小麦条锈病严重度的BPNN模型。
有益效果
本发明的基于遥感影像红边波段的区域尺度小麦条锈病监测方法，与现有技术相比利用Sentine-2遥感影像反演得到与病害相关的宽波段植被指数特征及红边植被指数特征，再通过ReliefF和K-means算法筛选与病害相关性较大且冗余性较小的宽波段植被指数特征集和加入红边植被指数的特征集，分别与BPNN算法建立小麦条锈病严重度监测模型，以实现区域尺度上小麦条锈病严重度的监测。
附图说明
图1为本发明的方法顺序图。
具体实施方式
为使对本发明的结构特征及所达成的功效有更进一步的了解与认识，用以较佳的实施例及附图配合详细的说明，说明如下：
如图1所示，本发明所述的基于遥感影像红边波段的区域尺度小麦条锈病监测方法，包括以下步骤：
第一步，遥感影像的获取及预处理。
在本发明中，所用数据主要包括遥感数据和小麦条锈病实地调查数据(标签数据)。遥感数据为Sentinel-2卫星遥感数据。其详细的波段和分辨率信息如表1所示。根据研究区天气状况，选择质量较好、时间最接近地面调查的影像数据。每个调查样地取1m×1m的样方，样方区域的中心经纬度坐标用亚米级高精度手持式GPS记录。采用5点调查法调查，即每个调查样方取对称的5点，每点取20株小麦。根据国家农作物病害调查和预测规则(GB/T15795-2011),严重度用分级法表示，设为8级，分别用1％、5％、10％、20％、40％、60％、80％、100％表示，对处于等级之间的病情则取其接近值，虽已发病但严重度低于1％，按1％记。采用下式计算病情指数。
式中i为各严重度值，n为最高级别8，f为各严重度值对应的病叶数。
表1 Sentine-2主要载荷参数信息
获取Sentinel-2遥感影像数据，对Sentinel-2遥感影像数据进行辐射定标、大气校正及裁剪等传统预处理，Sentinel-2影像的预处理是基于SNAP(Sentinel ApplicationPlatform software)应用平台软件进行。根据当地的作物种植类型及物侯历，通过设置最优分割阈值提取小麦种植区域。接着，基于预处理后的遥感影像提取与病害相关的植被指数和其他特征变量。提取Sentine-2的波段反射率特征(红、绿、蓝、近红外)、红边波段反射率(B5、B6、B7)、宽波段植被指数和红边植被指数作为初选特征因子。
第二步，初选特征因子的筛选。利用RelifeF算法和K-Means算法对初选特征因子进行筛选，得到筛选后的特征因子。
合适的特征选择可以有效去除不相关或冗余性，可以提升模型的性能。模型构建时选择与病害发生相关性最大变量可以有效的提高对小麦条锈病严重程度分类的精度。ReliefF算法是Relief算法的扩展，Relief算法只适用于两类样本的问题，ReliefF算法可应用到多个样本上。ReliefF算法是一种特征权重算法(Feature weighting algorithms)，根据各个特征和类别的相关性赋予特征不同的权重，能够对分类能力强的特征赋予较高的权重。
但是ReliefF算法不能识别类别之间的冗余及特征间的相互负作用，针对此，本发明利用K-means算法，K-means算法是一种常用的的无监督的聚类算法，他的基本思想：以空间中k个点为中心进行聚类，对最靠近他们的对象归类。通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。聚类分析可以得到不同特征对样本的聚类精度，可根据聚类分析的精度来提取最高聚类精度的特征集合。因此采用ReliefF算法结合K-means算法的方法对宽波段植被指数及红边植被指数进行筛选，得出最佳的特征组合。
其具体步骤如下：
(1)利用ReliefF算法从若干个初选特征因子中筛选出10个权值较高的特征，作为候选特征集：
A1)将Sentinel-2遥感影像数据点作为样本R，设定样本R在初选特征因子的权值W(A)表示为：
式中differ(A,R1,R2)表示样本R1和R2在初选特征因子A上的距离，max(A)和min(A)分别是初选特征因子A的上界和下界；
A2)将每个初选特征利用ReliefF算法进行20次样本计算，获得20个权值并进行平均，将平均结果作为此特征的最终权重。如针对于红边1归一化差异植被指数，先通过样本进行20次ReliefF算法的运算，获得20个权值，再将这20个权值进行平均，其平均数为红边1归一化差异植被指数的特征权值；
A3)将若干个初选特征因子的权值W(A)进行降序排列，排在前10位的初选特征因子作为候选特征集。
(2)利用K-means聚类算法筛选出聚类精度最高的一组特征集：
B1)从候选特征集中权重值最高的特征作为K-means算法的初始中心，按降序顺序依次逐个添加其他的初选特征因子进行聚类；
若添加后进行聚类的精度要相对于上个的精度高，该特征对聚类精度贡献为正，则保留此特征；其中
簇的质心表达式如下：
其中，Nj表示属于Wj类的数据点的个数，属于某个簇的所有点的算术平均值，即为该簇的质心；
B2)将聚类精度最高的特征组合作为最终的模型输入变量。
在本发明的实验中，通过ReliefF算法和K-means算法的筛选，筛选出EVI、SIPI、SR三个宽波段植被指数及NREDI2和NREDI3两个红边波段植被指数用于小麦条锈病严重度监测的模型构建。
第三步，构建小麦条锈病严重度监测模型：基于BP神经网络构建小麦条锈病严重度监测模型。
为防止过多等级增加监测上的难度，在此将难区分的等级进行合并为一级。即发病严重程度分为健康(1％＜DI≤5％)，用Ⅰ表示，轻发(5％＜DI≤20％)，用Ⅱ表示，重发(DI>20％),用Ⅲ表示，总共3个等级进行监测模型的构建。
本发明通过BP神经网络来构建小麦条锈病的遥感监测模型。BP神经网络是一种信号前向传递、误差反向回馈的有监督的神经网络，具有自学学习能力的优势。BPNN通过逐层构建一个多层的网络使得机器能够自动的学习到隐含在数据内部的关系。小麦条锈病的发病严重度与特征因子的关系是一个非线性问题，而BP神经网络具有处理复杂非线性函数的能力。
因此采用由ReliefF算法结合K-means算法的方法筛选获得特征变量，利用BPNN方法，构建特征变量(实验中以以宽波段植被指数特征EVI、SIPI、SR及红边波段植被指数NREDI2、NREDI3这5个特征)为输入变量的小麦条锈病严重度的监测模型。其具体步骤如下：
(1)设定BP神经网络的隐藏层，其表达式如下：
m＝log2n，
n是输入层的输入变量个数，m为隐藏层数目。
(2)设定BP神经网络的隐藏层节点数，其表达式如下：
s＝2n+1，
其中，n是输入层节点数，
选择隐藏层前两层节点数为10,最后一层为3个节点数作为一个参数调整作用。
(3)构建BP神经网络小麦条锈病监测模型：
输入层：为通过ReliefF结合K-Means筛选的两组特征集；
隐藏层：设置3个隐藏层，3层的神经元个数分别为{10，10，3}，3层的激活函数分别为{‘logsig’，‘logsig’，‘logsig’}。输出层：监测的小麦条锈病严重等级(健康、轻发、重发)。
(4)设定利用梯度下降自适应学习率训练函数，
设置最大迭代次数为5000，训练的目标误差为0.000001，学习速率为0.000001。
第四步，小麦条锈病严重度监测模型的训练。采用交叉验证法获取有标签数据作为训练样本，利用有标签数据按现有技术方式训练小麦条锈病严重度监测模型，将小麦条锈病分为健康、轻发、重发。在此，通过有标签数据进行训练的。标签就是调查的样本点，根据计算的病情指数和适当的等级合并，将其分为三类，健康、轻发、重发。但是由于样本点的数量过少，因此采用传统的交叉验证法，即假设有N个样本点，将每一个样本都作为验证样本，其他N-1个样本作为训练样本。这样得到N个分类器，N个验证结果。用N个结果的平均值来衡量模型的性能。其具体步骤如下：
(1)采用交叉验证法，选取有标签数据作为训练样本。
(2)初始化网络权值以及偏置：使用随机函数对每一层的连接权值矩阵和偏置向量进行随机初始化。
(3)进行前向传播：输入一个训练样本，然后通过计算得到每个神经元的输出，得到的输出结果hW,b(x)。其计算公式如下：
其中，
表示第l层的第i个节点与第l+1层的第j个节点之间的权重，
表示第l+1层的第i个节点的偏置项，
表示第l+1层第j个节点的输入值，
代表第l+1层第j个节点经过激活函数θ(x)后的输出值。
(4)计算误差并进行反向传播：对于一个给定的样本，正确的输出与神经网络的输出会产生一个误差，误差越小，网络效果越好。用最小化均方根差衡量误差大小，公式如下：
然后利用梯度下降的方法使其误差最小化，即让每个样本权重都向其负梯度方向变化，即求误差L对权重W的梯度；
输入层到隐藏层的权重：
经过推导得到隐藏层反向输出
计算出第一层权重梯度：
第二层权重梯度：
得到一个规律：每一层的权重梯度都等于这一层权重所连的前一层的输入乘以所连的后一层的反向输出。
(5)网络权重与神经网络元偏置调整：根据权重梯度更新权重，公式如下：
(6)判断结束：对于每个样本，判断其误差如果小于我们设定的阈值或者已达到迭代次数，则训练结束，得到用于监测小麦条锈病严重度的BPNN模型。
第五步，区域尺度小麦条锈病的判定。将筛选后的特征因子输入训练后的小麦条锈病严重度监测模型，得到此区域尺度小麦条锈病的病害等级。
本发明实验采用的条锈病的地面调查点数据对模型监测结果进行评价。因研究所用实地调查点数量较少，故采用留一法进行监测结果的精度验证。利用Relieff_mRMR和Relieff_mRMR_K-mean筛选的2组特征变量作为输入变量，用BPNN、SVM、AdaBoost三种算法构建6种监测小麦条锈病严重程度模型。各监测方法所得监测结果的总体精度、漏分误差、错分误差、Kappa系数见表2。
表2总体验证结果
表2中可以看出，从模型的漏分、错分情况的角度分析，Relieff_mRMR所选特征构建的三种模型漏分，错分明显高于Relieff_mRMR_K-means筛选特征所建的监测模型。其中，Relieff_mRMR_Adaboost模型总体精度，Kappa系数最低。Relieff_mRMR_SVM模型的漏分和错分最高，尤其在小麦轻发程度上，高达83.3％。Relieff_mRMR_K-means三种算法耦合筛选特征结合BPNN、SVM、AdaBoost三种方法所建的监测模型精度比Relieff_mRMR两种算法筛选特征所建的三种模型精度分别高出6.7％、27.7％、23.3％，说明Relieff_mRMR_K-means筛选的特征构建的监测模型优于Relieff_mRMR所筛选的特征所建的模型,其能更加有效和准确筛选出反映与小麦条锈病严重程度相关的特征。
且Relieff_mRMR_K-means筛选的特征集和Relieff_mRMR的特征集与BPNN算法所模型对小麦条锈病严重程度的总体监测精度分别比SVM模型和AdaBoost模型的总体监测精度分别高出3.4％、10％和13.4％、10％。说明BPNN方法所建监测模型对小麦条锈病严重程度分类精度优于SVM、AdaBoost算法。三种算法耦合筛选的组合特征结合BNNN的监测模型总体精度为83.3％,Kappa系数为0.73。
以上结果表明，Relieff_mRMR_K-means算法结合BPNN方法建立的小麦条锈病严重程度监测模型可以有效提高小麦条锈病监测精度。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (3)
1.一种基于遥感影像红边波段的区域尺度小麦条锈病监测方法，其特征在于，包括以下步骤：
11)遥感影像的获取及预处理：获取Sentinel-2遥感影像数据，对Sentinel-2遥感影像数据进行辐射定标、大气校正及裁剪预处理，提取Sentine-2的波段反射率、红边波段反射率、宽波段植被指数和红边植被指数作为初选特征因子；
12)初选特征因子的筛选：利用RelifeF算法和K-Means算法对初选特征因子进行筛选，得到筛选后的特征因子；
所述初选特征因子的筛选包括以下步骤：
121)利用ReliefF算法从若干个初选特征因子中筛选出10个权值较高的特征，作为候选特征集：
1211)将Sentinel-2遥感影像数据点作为样本R，设定样本R在初选特征因子的权值W(A)表示为：
式中differ(A,R1,R2)表示样本R1和R2在初选特征因子A上的距离，max(A)和min(A)分别是初选特征因子A的上界和下界；
1212)将每个初选特征利用ReliefF算法进行20次样本计算，获得20个权值并进行平均，将平均结果作为此特征的最终权重；
1213)将若干个初选特征因子的权值W(A)进行降序排列，排在前10位的初选特征因子作为候选特征集；
122)利用K-means聚类算法筛选出聚类精度最高的一组特征集：
1221)从候选特征集中权重值最高的特征作为K-means算法的初始中心，按降序顺序依次逐个添加其他的初选特征因子进行聚类；
若添加后进行聚类的精度要相对于上个的精度高，该特征对聚类精度贡献为正，则保留此特征；其中
簇的质心表达式如下：
其中，Nj表示属于Wj类的数据点的个数，属于某个簇的所有点的算术平均值，即为该簇的质心；
1222)将聚类精度最高的特征组合作为最终的模型输入变量；
13)构建小麦条锈病严重度监测模型：基于BP神经网络构建小麦条锈病严重度监测模型；
14)小麦条锈病严重度监测模型的训练：采用交叉验证法获取有标签数据作为训练样本，利用有标签数据训练小麦条锈病严重度监测模型，将小麦条锈病分为健康、轻发、重发；
15)区域尺度小麦条锈病严重度的判定：将筛选后的特征因子输入训练后的小麦条锈病严重度监测模型，得到此区域尺度上小麦条锈病的病害等级。
2.根据权利要求1所述的基于遥感影像红边波段的区域尺度小麦条锈病监测方法，其特征在于，所述构建小麦条锈病严重度监测模型包括以下步骤：
21)设定BP神经网络的隐藏层，其表达式如下：
m＝log2n，
n是输入层的输入变量个数，m为隐藏层数目；
22)设定BP神经网络的隐藏层节点数，其表达式如下：
s＝2n+1，
其中，n是输入层节点数，
选择隐藏层前两层节点数为10,最后一层为3个节点数作为一个参数调整作用；
23)构建BP神经网络小麦条锈病监测模型：
输入层：为通过ReliefF结合K-Means筛选的两组特征集；
隐藏层：设置3个隐藏层，3层的神经元个数分别为{10，10，3}，3层的激活函数分别为{‘logsig’，‘logsig’，‘logsig’}；输出层：监测的小麦条锈病严重等级{健康、轻发、重发}；
24)设定利用梯度下降自适应学习率训练函数，
设置最大迭代次数为5000，训练的目标误差为0.000001，学习速率为0.000001。
3.根据权利要求1所述的基于遥感影像红边波段的区域尺度小麦条锈病监测方法，其特征在于，所述小麦条锈病严重度监测模型的训练包括以下步骤：
31)采用交叉验证法，选取有标签数据作为训练样本；
32)初始化网络权值以及偏置：使用随机函数对每一层的连接权值矩阵和偏置向量进行随机初始化；
33)进行前向传播：输入一个训练样本，然后通过计算得到每个神经元的输出，得到的输出结果hW,b(x)，其计算公式如下：
其中，
表示第l层的第i个节点与第l+1层的第j个节点之间的权重，
表示第l+1层的第i个节点的偏置项，
表示第l+1层第j个节点的输入值，
代表第l+1层第j个节点经过激活函数θ(x)后的输出值；
34)计算误差并进行反向传播：对于一个给定的样本，正确的输出与神经网络的输出会产生一个误差，误差越小，网络效果越好；用最小化均方根差衡量误差大小，公式如下：
然后利用梯度下降的方法使其误差最小化，即让每个样本权重都向其负梯度方向变化，即求误差L对权重W的梯度；
输入层到隐藏层的权重：
经过推导得到隐藏层反向输出
计算出第一层权重梯度：
第二层权重梯度：
得到一个规律：每一层的权重梯度都等于这一层权重所连的前一层的输入乘以所连的后一层的反向输出；
35)网络权重与神经网络元偏置调整：根据权重梯度更新权重，公式如下：
36)判断结束：对于每个样本，判断其误差如果小于我们设定的阈值或者已达到迭代次数，则训练结束，得到用于监测小麦条锈病严重度的BPNN模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910278469.4A CN110008905B (zh) | 2019-04-09 | 2019-04-09 | 基于遥感影像红边波段的区域尺度小麦条锈病监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910278469.4A CN110008905B (zh) | 2019-04-09 | 2019-04-09 | 基于遥感影像红边波段的区域尺度小麦条锈病监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110008905A CN110008905A (zh) | 2019-07-12 |
| CN110008905B true CN110008905B (zh) | 2021-02-12 |
Family
ID=67170371
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910278469.4A Active CN110008905B (zh) | 2019-04-09 | 2019-04-09 | 基于遥感影像红边波段的区域尺度小麦条锈病监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110008905B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110346312B (zh) * | 2019-07-19 | 2021-08-10 | 安徽大学 | 基于费氏线性判别和支持向量机技术的冬小麦穗赤霉病识别方法 |
| CN111738138B (zh) * | 2020-06-19 | 2024-02-02 | 安徽大学 | 一种耦合气象特征区域尺度的小麦条绣病严重度遥感监测方法 |
| CN111898503B (zh) * | 2020-07-20 | 2021-02-26 | 中国农业科学院农业资源与农业区划研究所 | 基于云覆盖遥感影像和深度学习的作物识别方法和系统 |
| CN114092795A (zh) * | 2020-07-31 | 2022-02-25 | 中国矿业大学(北京) | 基于植被指数归一化的作物病害等级评估方法 |
| CN112232387B (zh) * | 2020-09-29 | 2024-02-06 | 南京财经大学 | 基于lselm-rfe的粮食作物病害症状的有效特征识别方法 |
| CN112364691B (zh) * | 2020-10-10 | 2024-02-09 | 广东省科学院生态环境与土壤研究所 | 一种烟草病虫害识别方法 |
| CN112528789A (zh) * | 2020-12-02 | 2021-03-19 | 安徽大学 | 一种用于发病初中期分析的小麦条锈病遥感监测方法 |
| CN112834442A (zh) * | 2021-01-04 | 2021-05-25 | 四川大学 | 基于多光谱数据的大区域尺度作物生长实时监测方法 |
| CN112949412B (zh) * | 2021-02-03 | 2022-07-12 | 中国科学院空天信息创新研究院 | 小麦条锈病动态监测方法及装置 |
| CN113435252B (zh) * | 2021-05-27 | 2023-09-29 | 广西壮族自治区烟草公司百色市公司 | 一种基于遥感的烟草病虫害监测预警方法和系统 |
| CN113378747B (zh) * | 2021-06-22 | 2023-09-12 | 中国科学院空天信息创新研究院 | 一种小麦条锈病遥感预测方法及装置 |
| CN114925932A (zh) * | 2022-06-13 | 2022-08-19 | 中国科学院空天信息创新研究院 | 作物病害严重程度预测方法、系统、存储介质及电子设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106845544A (zh) * | 2017-01-17 | 2017-06-13 | 西北农林科技大学 | 一种基于粒子群与支持向量机的小麦条锈病预测方法 |
| CN107103306A (zh) * | 2017-05-22 | 2017-08-29 | 安徽大学 | 基于小波分析与支持向量机的冬小麦白粉病遥感监测方法 |
| CN108596104A (zh) * | 2018-04-26 | 2018-09-28 | 安徽大学 | 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 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9195891B2 (en) * | 2006-11-07 | 2015-11-24 | The Curators Of The University Of Missouri | Method of predicting crop yield loss due to n-deficiency |
| CN108830249B (zh) * | 2018-06-26 | 2021-12-03 | 安徽大学 | 一种基于asd高光谱数据的冬小麦白粉病遥感监测方法 |
| CN109242875B (zh) * | 2018-10-19 | 2020-08-18 | 北京工业职业技术学院 | 一种冬小麦种植面积提取方法和系统 |
-
2019
- 2019-04-09 CN CN201910278469.4A patent/CN110008905B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106845544A (zh) * | 2017-01-17 | 2017-06-13 | 西北农林科技大学 | 一种基于粒子群与支持向量机的小麦条锈病预测方法 |
| CN107103306A (zh) * | 2017-05-22 | 2017-08-29 | 安徽大学 | 基于小波分析与支持向量机的冬小麦白粉病遥感监测方法 |
| CN108596104A (zh) * | 2018-04-26 | 2018-09-28 | 安徽大学 | 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110008905A (zh) | 2019-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN110287944B (zh) | 基于深度学习的多光谱遥感影像的农作物虫害监测方法 | |
| Moshou et al. | Automatic detection of ‘yellow rust’in wheat using reflectance measurements and neural networks | |
| CN111738138B (zh) | 一种耦合气象特征区域尺度的小麦条绣病严重度遥感监测方法 | |
| De Castro et al. | Applying neural networks to hyperspectral and multispectral field data for discrimination of cruciferous weeds in winter crops | |
| Bendel et al. | Evaluating the suitability of hyper-and multispectral imaging to detect foliar symptoms of the grapevine trunk disease Esca in vineyards | |
| Bandi et al. | Performance evaluation of various statistical classifiers in detecting the diseased citrus leaves | |
| 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 | |
| CN109598306A (zh) | 基于srcm和卷积神经网络的高光谱图像分类方法 | |
| CN111161362A (zh) | 一种茶树生长状态光谱影像鉴别方法 | |
| CN111768051A (zh) | 一种小麦赤霉病动态预警方法及装置 | |
| 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 | |
| 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 | |
| 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 | |
| López-Granados et al. | Classifying irrigated crops as affected by phenological stage using discriminant analysis and neural networks | |
| Mullapudi et al. | Spatial and seasonal change detection in vegetation cover using time-series landsat satellite images and machine learning methods | |
| Mohan et al. | Weather and Crop Prediction Using Modified Self Organizing Map for Mysore Region. | |
| McNish et al. | Oat crown rust disease severity estimated at many time points using multispectral aerial photos | |
| CN115731464A (zh) | 基于鲸鱼优化算法和cnn模型的荔枝病虫害识别方法 | |
| Dadi | Assessing the transferability of random forset and time-weighted dynamic time warping for agriculture mapping | |
| Ju et al. | Remote sensing monitoring of wheat leaf rust based on UAV multispectral imagery and the BPNN method | |
| Chaiyana et al. | Mapping and predicting cassava mosaic disease outbreaks using earth observation and meteorological data-driven approaches | |
| Ding et al. | Extraction of soybean planting areas based on multi-temporal Sentinel-1/2 data | |
| CN117975299B (zh) | 基于光谱曲线斜率特征的松材线虫病监测方法及系统 | |
| CN117557905A (zh) | 一种基于地理探测器的区域小麦条锈病遥感方法 |
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 |