CN111738138A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111738138A
CN111738138A CN202010564475.9A CN202010564475A CN111738138A CN 111738138 A CN111738138 A CN 111738138A CN 202010564475 A CN202010564475 A CN 202010564475A CN 111738138 A CN111738138 A CN 111738138A
Authority
CN
China
Prior art keywords
sample
remote sensing
class
meteorological
samples
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.)
Granted
Application number
CN202010564475.9A
Other languages
English (en)
Other versions
CN111738138B (zh
Inventor
黄林生
刘勇
江静
吴康
黄文江
张东彦
赵晋陵
翁士状
曾玮
雷雨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui University
Original Assignee
Anhui University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui University filed Critical Anhui University
Priority to CN202010564475.9A priority Critical patent/CN111738138B/zh
Publication of CN111738138A publication Critical patent/CN111738138A/zh
Application granted granted Critical
Publication of CN111738138B publication Critical patent/CN111738138B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及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，与现有技术相比解决了小麦条锈病遥感监测精度差的缺陷。本发明包括以下步骤：遥感训练数据的获取；遥感训练数据的特征筛选；气象数据的特征筛选；小麦条绣病遥感监测模型的构建；小麦条绣病遥感监测模型的训练；待分析遥感数据的获取和特征提取；小麦条绣病严重度遥感监测结果的获得。本发明实现了区域尺度上小麦条锈病严重度的精确监测。

Description

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
技术领域
本发明涉及遥感监测技术领域，具体来说是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。
背景技术
小麦条锈病(Puccinia striiformis f.sptritici)被FAO定义为全球粮食生产重大流行性病害，属于低温、高湿、强光型真菌病害，且属于跨区域气传性病害。小麦条锈病爆发性强、危害性大且区域广，是我国小麦重要病害和主要病害防治对象之一。传统的病虫害监测方法耗时耗力，难以用于大区域病虫害监测和预报，结合遥感影像和气象数据空间覆盖率大的特性，建立大区域病虫害监测模型，对病虫害的防治具有十分重要的意义。
目前，一些学者利用遥感数据和气象数据开展了作物病虫害的监测预测相关研究。多光谱遥感数据在可接受的空间分辨率下具有卫星数量多、影像数据全、成本低等优势，适合于大尺度区域的作物病害监测，并且伴随着气象科学的发展，气象站点数据更新及时且更加密集，为我们能够大范围获取作物的生境信息，以及病害监测提供了更加丰富的信息来源。
如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，黄林生等采用Sentine-2宽波段植被指数结合红边波段植被指数特征作为输入变量构建的BPNN模型用于小麦条锈病的监测，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。
近几年的作物病害遥感监测方法正由传统的遥感数据向多源数据模型方向转变，尤其是结合生境信息的作物病害遥感监测成为研究热点。国内外许多学者研究建立病害发生发展与气象因子组合的定量关系，如Stansbury等对小麦印度腥黑穗病的易感染时期预测，分别基于2种不同气象指标构建模型，并且分析小麦最易感染此病的气象因素。Cooke等的研究，证明影响着条锈病发生的关键气象因子有平均气温、相对湿度、降雨量和日照等，且影响的机理各不相同,这为后续的小麦条锈病遥感监测加入气象特征提供了有力的理论基础。Garrett等提出了一种决策支持框架，来研究气象特征的变化性和作物病害发生发展内部之间的相关性及内部规律。胡小平研究了我国汉中地区小麦条锈病发生流行的气象敏感因子，发现4月降水量及4月平均温度是小麦条锈病进行预测的关键因子。如聂臣巍等结合气温、日照和降雨量等气象数据和模糊综合评判方法建立小麦白粉病发生气象适宜性评价模型；马慧琴将遥感数据与气象数据结合构建小麦白粉病的监测模型，发现结合气象数据的小麦白粉病遥感监测模型的总体精度达到84.2％，高于仅基于遥感数据和仅基于气象数据的监测模型。
另外，模型的构建直接影响病害严重度监测效果。“一对一”支持向量机(one-versus-one OVO SVMs)是基于支持向量机(SVM)算法多分类的拓展应用，通常用来模式识别、分类，此算法结构稳定，使用方便，相较于人工神经网络等其他算法具有能够获得全局最优解的优点。Wang等利用支持向量机模型对小麦条锈病进行分类和识别，获得了97％的识别精度。吴彦衡等使用支持向量机模型对气象样本和病穗率构成的特征值矩阵进行训练,得到小麦赤霉病预测模型准确度较高的结果,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。最近邻算法(KNN)是机器学习中用于数据分类比较成熟的算法。刘炳春等采用K最近邻(KNN)和支持向量机(SVM)两种算法处理最高气温、最低气温、天气现象、风向、风力5种气象数据以及相关指标,建立北京市空气污染等级分类预测模型。刘欣彤等在分析降雨天气对公交客流的影响特性的基础上,提出了基于SVM-KNN算法识别相似模式的短时公交客流预测模型,以上说明基于SVM和KNN算法的应用在遥感和气象病虫害数据处理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数据和气象敏感因子结合的多源数据存在一定的关联，从理论上说，基于遥感影像数据与气象敏感因子的多源数据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数据和气象敏感因子耦合的多源数据，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小麦条锈病遥感监测精度差的缺陷，提供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：
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，包括以下步骤：
遥感训练数据的获取：获取用于训练的遥感影像数据和对应的气象数据；
遥感训练数据的特征筛选：提取出遥感影像数据的初选特征因子，对遥感影像数据的初选特征因子进行筛选，筛选出遥感训练数据特征因子；
气象数据的特征筛选：利用ReliefF和K-means++算法对气象数据的特征因子进行筛选，筛选出气象特征因子；
小麦条绣病遥感监测模型的构建：基于OVO SVMs-KNN算法构建小麦条绣病遥感监测模型；
小麦条绣病遥感监测模型的训练：利用遥感训练数据特征因子和气象特征因子对小麦条绣病遥感监测模型进行训练；
待分析遥感数据的获取和特征提取：获取待分析的遥感影像数据和对应的气象数据，并提取出其遥感特征因子和气象特征因子；
小麦条绣病严重度遥感监测结果的获得：将待分析的遥感特征因子和气象特征因子输入训练后的小麦条绣病遥感监测模型，得到小麦条绣病严重度遥感监测结果。
所述气象数据的特征筛选包括以下步骤：
基于Sentinel-2遥感影像数据，并分析条锈病发生的主要影响因子，选择分析区域及相邻区域的3月到5月份的平均降水量PRE、平均温度TEM、风速WIN、日照时数SSD、相对湿度RHU作为条锈病发生具有影响意义的因子作为监测的初选变量；
利用ReliefF算法从上述遥感气象数据的初选特征因子中筛选出权值较高的特征，作为候选特征集：
将研究区域的气象数据集随机取出一个作为样本R，设定样本R在初选特征因子的权值W(A)表示为：
Figure BDA0002547328820000041
式中R1和R2为初选样本，differ(A,R1,R2)表示样本R1和R2在初选特征因子A上的差，max(A)和min(A)分别是初选特征因子A的上界和下界，p(C)为该类别的比例，p(Class(R))为随机选取的某样本的类别的比例，其计算公式中Mj(C)表示类C中的第j个最近邻样本；
为使得筛选出特征变量的数目不至于过多且相关性较大，将权重阈值设置为0.12，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6位的初选特征因子作为候选特征集；
利用K-means++聚类算法筛选出遥感气象数据特征变量聚类精度最高的一组特征集：
从候选特征集中随机选取一个样本作为初始聚类中心c1；
首先计算每个样本x与当前已有聚类中心之间的最小差值，即与最近的一个聚类中心的差，用D(x)表示，用X表示样本集，接着计算每个样本被选为下一个聚类中心的概率，其公式如下：
Figure BDA0002547328820000051
最后，按照轮盘法选择下一个聚类中心；
重复以上步骤直到选择出共K个聚类中心；
针对气象数据集中每个样本xi，计算它到K个聚类中心的差值并将其分到差值最小聚类中心所对应的类；
针对每个类别ci，重新计算它的聚类中心，其表达式如下所示：
Figure BDA0002547328820000052
其中，Nj表示属于ci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，
Figure BDA0002547328820000053
表示属于ci类所有样本x；
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一个的精度高，该特征对聚类精度贡献为正，则保留此特征；
将聚类精度最高的遥感气象数据特征组合作为最终的模型输入变量。
所述小麦条绣病遥感监测模型的构建包括以下步骤：
基于“一对一”支持向量机和最近邻算法构建小麦条锈病严重度遥感监测模型，模型将多类问题转化为多个二类问题，如果面对的是个k类问题，其表达式如下：
k(k-1)/2，
在模型中，根据条锈病情划分为健康、轻发、重发三大类，k为3；
通过SVM算法构造最优决策函数用同样的方法对3类样本中的每一对构造一个决策函数，共3个分类器，用于判断样本属于第i类还是第j类；
设定对样本分类采用投票的方法，依次采用二分类器对样本进行预测，如果判定为第k类，则对k类的投票数加1，得票最多的那个类作为最终的判定结果；
在OVO SVMs分类过程中，出现输入样本x不能被确切的定义为属于某一类时，出现了不可分；样本在i、j、k类的最终投票得分均为1，根据投票结果无法准确决策此区域点的类别所属；
设定对于这些不可区分的错分和漏分样本通过样本之间的紧密度来描述类中各个样本之间的关系，提高分类精度，紧密度使用KNN分类算法进行描述，用于对不可区分样本进行分类。
所述小麦条绣病遥感监测模型的训练包括以下步骤：
将遥感训练数据特征因子和筛选后的气象特征因子作为训练样本集；
在训练样本集{(x1，y1),…(xn,yn)}中，其中xi∈X,yi∈Y＝{1,-1}，xi是输入样本变量，yi即为其对应的分类结果，用于将两类不同的样本准确无误的分开，分类间隔函数为：Φ(w)＝2/||w||；
由于所选择的训练样本非线性可分，通过非线性变换x＝K(x)将样本映射到高维空间，在核函数满足Mercer条件时，采用内积函数，得到高维空间的分类函数，从而实现线性可分；并引入松弛变量ξ，允许数据在一定程度上违反间隔约束，其约束条件表达式如下：
yi[(w·K(xi))+b0]≥1-ξi；i＝1,2,…,n,；
s.t.ξi≥0；
为了避免ξi取值过大，在目标函数中增加
Figure BDA0002547328820000061
最优分类面问题表达式如下：
Figure BDA0002547328820000062
利用Lagrange优化方法将上述最优分类面问题转化为对偶问题，其表达式如下：
Figure BDA0002547328820000063
αi为训练样本对应的Lagrange乘子，C为惩罚函数，表示对样本错分程度的度量：C越大则对错误分类的惩罚越厉害，最终的决策函数表达式如下：
Figure BDA0002547328820000071
αi *为支持向量所对应的Lagrange乘子，f(x)值确定预测样本x的类别；
将训练样本依次输入上述建立好的k·(k-1)/2个二分类模型，决策时采用“投票法”，每个子分类器根据自己的判定结果对样本所属类别进行投票；
根据条锈病情划分为健康、轻发、重发三大类，k为3，需要训练以上的3个分类器模型：
Figure BDA0002547328820000072
在训练第1个分类器时，以第1类样本作为正样本，第2类作为负样本；其他的模型以此类推；针对可区分类别样本，在预测时，用三个模型对输入样本进行预测然后统计投票，对于模型svmi-j，如果预测值为+1，则第i类的投票加1，否则第j类的投票加1；最后将样本判定为投票最多的那个类；
对于不可区分的错分和漏分样本，采用KNN算法描述各个种类的紧密度，基于KNN紧密度方法用于考虑待分样本的某一周围邻域内的训练样本密度来判定类别归属，算法训练步骤如下：
样本欧氏距离：设训练样本集{(x1，y1),…(xn,yn)}中，其中xi∈X,yi∈Y＝{1,-1}，xi是输入样本变量，yi即为其对应的分类结果，共有c个类别v1,v2,…,vc，计算两样本的欧氏距离如表达式所示：
Figure BDA0002547328820000073
式中：xim和xjm表示测试样本和类中心的第m个特征属性；
样本中心距离：第i类样本的平均特征为该类样本的样本中心，
Figure BDA0002547328820000081
ni为第i类的样本数量，任意样本点xj到第i类样本中心的欧式距离为以下表达式所示：
d(xj,oi)＝||xj-oi||；
基于欧式距离类别判别：样本点离各自类中心的最大距离如下式所示：
di_max＝max(d(xj,oi)|xj∈Ri)，
则样本x基于欧式距离类别判别函数如下式所示：
Figure BDA0002547328820000082
样本紧密度：基于加权KNN对于不同类别的样本紧密度如下式所示：
Figure BDA0002547328820000083
式中：wj为权系数，这里取距离的倒数，
Figure BDA0002547328820000084
则有
Figure BDA0002547328820000085
式中：k表示k近邻的个数，ui(x)表示输入样本属于第i类训练数据的紧密度隶属度，ui(x(j))表示第j个近邻属于第i类别的隶属度，有
Figure BDA0002547328820000086
通过赋给k个近邻不同的加权系数，可确定样本属于各个类别的紧密程度；
基于KNN紧密度的判别函数：样本中心距离与样本分布结合的分类判别函数为gi(x)＝si(x)×μi(x)，通过计算测试样本属于各个种类的紧密度，找出紧密度值最高的类别，作为测试样本的预测结果，Max(gi(x)),i＝1,2,…,c；
由于所选择的遥感气象特征样本线性不可分，利用非线性映射Φ:Rn→H把输入空间映射到特征空间，遥感气象数据样本集在此特征空间上线性可分
Figure BDA0002547328820000091
其中K(x,y)＝Φ(x)·Φ(y)，K(x,y)是支持向量机中用到的核函数；
将不可区分的样本根据紧密度的大小确定其类别，其紧密度值最大的哪一类即为其判定结果；
搜集遥感训练数据特征因子和气象特征因子经过OVO SVMs-KNN算法模型进行训练的结果，将两者结果再次经过OVO SVMs-KNN模型进行训练，进行最终分类，得到小麦条锈病的严重度监测结果，用于精确判定小麦条锈病病情是处于健康、轻发、重发中的哪一类。
有益效果
本发明的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，与现有技术相比利用耦合气象数据结合遥感数据形成多源数据，再通过ReliefF和K-means++算法筛选出与病害相关程度较高的气象特征变量和遥感特征变量，将形成的多源数据采用由OVO SVMs-KNN算法建立小麦条锈病严重度监测模型，实现了区域尺度上小麦条锈病严重度的精确监测。
附图说明
图1为本发明的方法顺序图；
图2为本发明中基于ReliefF算法的不同气象特征权重平均值对比图；
图3为本发明中OVO SVMs-KNN结合训练和分类流程示意图；
图4为现有技术中气象数据监测结果；
图5为现有技术中遥感数据监测结果；
图6为本发明实施方式中遥感气象相结合数据监测结果。
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，包括以下步骤：
第一步，遥感训练数据的获取，获取用于训练的遥感影像数据和对应的气象数据。
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气象数据。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/T 15795-2011)，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。
Figure BDA0002547328820000101
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
Figure BDA0002547328820000102
Figure BDA0002547328820000111
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候历，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。
对于条锈病气象敏感因子研究发现，影响条锈病发生的主要气象因子包括温度，湿度，降雨量、日照时数等几类。条锈菌喜冷怕热，且孢子在风的作用下会进行远距离传播，其生长和繁殖的过程中需要适宜的气温、光照，湿润的环境。条锈病的发生与各种气象因素有较大的相关性。
分析各种因素的影响，选择陕西宁强县及相邻区域的3月到5月份的平均降水量PRE、平均温度TEM、风速WIN、日照时数SSD、相对湿度RHU作为条锈病发生具有影响意义的因子作为监测的初选变量。
第二步，遥感训练数据的特征筛选。利用现有技术方法提取出遥感影像数据的初选特征因子，通过现有方法对遥感影像数据的特征因子进行筛选，筛选出遥感训练数据特征因子。
在实验验证中，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，气象数据的特征筛选，利用ReliefF和K-means++算法对气象数据的特征因为进行筛选，筛选出气象特征因子。
(1)利用ReliefF算法将初选特征因子中筛选出6个权值较高的特征，作为候选特征集：
A1)将研究区域的气象数据集随机取出一个作为样本R，设定样本R在初选特征因子的权值W(A)表示为：
Figure BDA0002547328820000121
Figure BDA0002547328820000122
式中R1和R2为初选样本，differ(A,R1,R2)表示样本R1和R2在初选特征因子A上的差，max(A)和min(A)分别是初选特征因子A的上界和下界，p(C)为该类别的比例，p(Class(R))为随机选取的某样本的类别的比例。其计算公式中Mj(C)表示类C中的第j个最近邻样本；
A2)为使得筛选出特征变量的数目不至于过多且相关性较大，将权重阈值设置为0.12，,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，如图2所示。
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6位的初选特征因子作为候选特征集。
(2)利用K-means++聚类算法筛选出遥感气象数据特征变量聚类精度最高的一组特征集：
B1)从候选特征集中随机选取一个样本作为初始聚类中心c1；
B2)首先计算每个样本与当前已有聚类中心之间的最小差值(即与最近的一个聚类中心的差)，用D(x)表示，用X表示样本集，接着计算每个样本被选为下一个聚类中心的概率，其公式如下：
Figure BDA0002547328820000123
最后，按照轮盘法选择下一个聚类中心；
B3)重复以上步骤直到选择出共K个聚类中心；
B4)针对气象数据集中每个样本xi，计算它到K个聚类中心的差值并将其分到差值最小聚类中心所对应的类；
B5)针对每个类别ci，重新计算它的聚类中心，其表达式如下所示：
Figure BDA0002547328820000131
其中，Nj表示属于ci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，
Figure BDA0002547328820000132
表示属于ci类所有样本x；
B6)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一个的精度高，该特征对聚类精度贡献为正，则保留此特征；
B7)将聚类精度最高的遥感气象数据特征组合作为最终的模型输入变量。
B8)如表2所示，得到聚类精度后，将聚类精度最高的特征组合作为最终的模型输入变量。
表2基于K-means++算法的各个气象特征组合聚类精度
Figure BDA0002547328820000133
第四步，小麦条锈病遥感监测模型的构建，基于OVO SVMs-KNN算法构建小麦条绣病遥感监测模型；
本发明通过“一对一”支持向量机OVO SVMs和最近邻KNN算法来构建小麦条锈病的遥感监测模型。OVO SVMs是支持向量机(SVM)算法实现多分类的一种拓展运用。支持向量机(support vector machines,SVM)是一种二分类模型，基于风险最小化及统计学习理论的学习方法，在所建的模型中找到算法复杂度和学习能力强弱两者之间的最佳平衡，同时是要基于有限的样本数据。很多研究表明，支持向量机在有关非线性的小样本分类等问题表现出特有的优势，将样本库中的样本项映射到给定类别中的其中之一，从而预测未知类别。KNN最近邻算法是机器学习中经常用于数据分类一种经典算法，能够很好的解决训练模型的样本错分和漏分问题。目前已广泛应用支持向量机对病害胁迫进行判别分析和监测分类，同时最近邻算法也多用于遥感数据的判别分析。
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OVOSVMs-KNN算法，构建遥感数据特征变量和气象数据特征变量(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)采用“一对一”支持向量机(one-versus-one OVO SVMs)算法来构建小麦条锈病严重度遥感监测模型。模型将多类问题转化为多个二类问题，如果面对的是个k类问题，其表达式如下：
k(k-1)/2，
在这个模型中，根据条锈病情划分为健康、轻发、重发三大类，k为3。
(2)如图3所示，通过SVM算法构造最优决策函数用同样的方法对3类样本中的每一对构造一个决策函数，需要3个分类器，用于判断样本属于第i类还是第j类。
(3)对样本分类采用投票的方法，依次采用二分类器对样本进行预测，如果判定为第m类，则对m类的投票数加1，得票最多的那个类作为最终的判定结果。
第五步，小麦条锈病严重度监测模型的训练，利用遥感训练数据特征因子和气象特征因子对小麦条绣病遥感监测模型进行训练；
(1)将通过ReliefF结合K-means++筛选的遥感数据特征变量和气象数据特征变量作为分别训练样本集；
(2)设训练样本集{(x1，y1),…(xn,yn)}中，其中xi∈X,yi∈Y＝{1,-1}，xi是输入样本变量，yi即为其对应的分类结果。用于将两类不同的样本准确无误的分开，分类间隔函数为：Φ(w)＝2/||w||。
(3)由于所选择的训练样本非线性可分，通过非线性变换x＝K(x)将样本映射到高维空间，在核函数满足Mercer条件时，采用适当的内积函数，得到高维空间的分类函数，从而实现线性可分。并引入松弛变量ξ，允许数据在一定程度上违反间隔约束，约束条件表达式如下：
yi[(w·K(xi))+b0]≥1-ξi；i＝1,2,…,n,；
s.t.ξi≥0
(4)为了避免ξi取值过大，在目标函数中增加
Figure BDA0002547328820000151
最优分类面问题表达式如下：
Figure BDA0002547328820000152
利用Lagrange优化方法将上述最优分类面问题转化为对偶问题，其表达式如下：
Figure BDA0002547328820000153
αi为训练样本对应的Lagrange乘子，C为惩罚函数，表示对样本错分程度的度量：C越大则对错误分类的惩罚越厉害。最终的决策函数表达式如下：
Figure BDA0002547328820000154
αi *为支持向量所对应的Lagrange乘子，f(x)值确定预测样本x的类别。
(5)将训练样本依次输入上述建立好的k·(k-1)/2个二分类模型。决策时采用“投票法”，每个子分类器根据自己的判定结果对样本所属类别进行投票。
(6)根据条锈病情划分为健康、轻发、重发三大类，k为3，需要训练以上的3个分类器模型：
svm1-2:1～2
svm1-3:1～3
svm2-3:2～3
在训练第1个分类器时，以第1类样本作为正样本，第2类作为负样本；其他的模型以此类推。针对可区分类别样本，在预测时，用三个模型对输入样本进行预测。然后统计投票，对于模型svmi-j，如果预测值为+1，则第i类的投票加1，否则第j类的投票加1。最后将样本判定为投票最多的那个类。
(7)对于不可区分的错分和漏分样本，采用kNN算法描述各个种类的紧密度，基于kNN紧密度方法是考虑待分样本的某一周围邻域内的训练样本密度来判定类别归属，算法训练步骤如下：
C1)样本欧氏距离：设训练样本集{(x1，y1),…(xn,yn)}中，其中xi∈X,yi∈Y＝{1,-1}，xi是输入样本变量，yi即为其对应的分类结果，共有c个类别v1,v2,…,vc，计算两样本的欧氏距离如表达式所示：
Figure BDA0002547328820000161
式中：xim和xjm表示测试样本和类中心的第m个特征属性。
C2)样本中心距离：第i类样本的平均特征为该类样本的样本中
Figure BDA0002547328820000162
ni为第i类的样本数量。任意样本点xj到第i类样本中心的欧式距离为以下表达式所示：
d(xj,oi)＝||xj-oi||
C3)基于欧式距离类别判别：样本点离各自类中心的最大距离如下式所示：
di_max＝max(d(xj,oi)|xj∈Ri)
则样本x基于欧式距离类别判别函数如下式所示：
Figure BDA0002547328820000163
C4)样本紧密度：基于加权kNN的对于不同类别的样本紧密度如下式所示：
Figure BDA0002547328820000164
式中：wj为权系数，这里取距离的倒数，
Figure BDA0002547328820000165
则有
Figure BDA0002547328820000171
式中：k表示k近邻的个数，ui(x)表示输入样本属于第i类训练数据的紧密度隶属度，ui(x(j))表示第j个近邻属于第i类别的隶属度，有
Figure BDA0002547328820000172
通过赋给k个近邻不同的加权系数，可确定样本属于各个类别的紧密程度。
C5)基于kNN紧密度的判别函数：样本中心距离与样本分布结合的分类判别函数为gi(x)＝si(x)×μi(x)，通过计算测试样本属于各个种类的紧密度，找出紧密度值最高的类别，作为测试样本的预测结果。Max(gi(x)),i＝1,2,…,c。
由于所选择的遥感气象特征样本线性不可分，利用非线性映射Φ:Rn→H把输入空间映射到特征空间，遥感气象数据样本集在此特征空间上线性可分
Figure BDA0002547328820000173
其中K(x,y)＝Φ(x)·Φ(y)，K(x,y)是支持向量机中用到的核函数。
C6)将不可区分的样本根据紧密度的大小确定其类别，其紧密度值最大的哪一类即为其判定结果。
C7)分别搜集遥感和气象数据特征变量训练样本集经过OVO SVMs-KNN算法模型进行训练的结果，将两者结果再次经过OVO SVMs-KNN模型进行训练，进行最终分类，得到小麦条锈病的严重度监测结果，用于精确判定小麦条锈病病情是处于健康、轻发、重发中的哪一类。
第六步，待分析遥感数据的获取和特征提取，获取待分析的遥感影像数据和对应的气象数据，并提取出其遥感特征因子和气象特征因子。
为扩大本发明的应用领域，将所要研究的遥感数据和气象数据通过上述所使用的ReliefF和K-means++算法筛选与病害相关性较大气象数据特征因子和遥感数据特征因子，将筛选过后的数据提取出来，作为后续的小麦条锈病严重度监测模型的训练样本集。
第七步，小麦条绣病严重度遥感监测结果的获得，将待分析的遥感特征因子和气象特征因子输入训练后的小麦条绣病遥感监测模型，得到小麦条绣病严重度遥感监测结果。
本发明实验采用的条锈病的地面调查数据对模型监测结果进行评价，分别对气象数据、遥感数据、气象与遥感数据结合3种数据建立的模型，与病情指数进行相关性分析，检验各数据模型对小麦条锈病的响应能力。从表3可以看到，3类数据模型均都达到极显著性相关，相关系数分别是：气象数据为0.501，遥感数据为0.678，遥感气象数据为0.712。同时说明在3种数据中，气象遥感数据模型与病情指数的相关系数最高，也意味着其对小麦条锈病的响应能力最强。
采用2018年5月12日陕西宁强县，对条锈病的地面调查数据对3种数据模型监测结果进行评价，分别以气象数据、遥感数据、遥感气象数据作为输入变量，通过OVO SVMs方法构建3种监测小麦条锈病严重程度的模型。各监测方法所得监测结果的漏分误差、错分误差、总体精度、Kappa系数见表4。
分析3种模型的监测情况发现，气象数据的监测模型精度最低，为53.3％，Kappa系数仅0.29。遥感数据的监测模型和Kappa系数都介于气象数据模型和遥感气象数据模型之间，总体精度为80.0％，Kappa系数为0.68。遥感气象数据的监测模型精度和Kappa系数最高，精度达到86.8％，Kappa系数达到0.79，比最低的气象数据模型总体精度提高33.5％。从3种模型的漏分和错分情况来看，遥感数据模型与气象数据模型对比，健康地块和重发地块的漏分和错分误差都有较大的减小，从而说明单一的气象数据监测效果并没有单一的遥感数据监测效果好。在遥感数据的模型基础上，在添加气象数据，健康、错分误差又得到了降低。从病理的角度分析，小麦受条锈病菌浸染后破坏了叶片的结构，因此导致遥感数据会对小麦条锈病产生较大响应。又因条锈病属于低温、高湿、强光型气传病害，气象条件是条锈菌存活、生长和繁殖的关键因素。表明多源数据源相比单一类型数据源，可为小麦条锈病监测提供更多相关信息。
综上结果表明，多源数据源(气象+遥感数据)更是适合区域尺度的小麦条锈病严重度监测的模型构建。
表3各数据模型对条锈病的相关系数
Figure BDA0002547328820000191
***表示该植被指数特征与病害相关性在0.999置信度下
表4不同数据类型模型精度对比
Figure BDA0002547328820000192
利用研究区Sentinel-2卫星遥感影像数据，分别以气象数据特征集201804-PRE、201805-TEM、201804-SSD、201805-RHU、遥感数据特征集EVI、SIPI、SR、NREDI2、NREDI3，气象遥感数据EVI、SIPI、SR、NREDI2、NREDI3、201804-PRE、201805-TEM、201804-SSD、201805-RHU作为OVO SVM方法的3组输入变量构建模型，对研究区小麦病害进行监测，得到小麦条锈病严重程度的空间分布情况分别见图4、图5、图6和表5的3种模型的病害浸染比例。结合表5和图4、图5、图6的监测图分析可以看出，其条锈病空间分布整体趋势是一致的，即东南地区发病较严重，但细节和发病程度上还是有差异的。图4健康地块所占比例明显大于图5和图6，达到68.2％，且轻发和重发地块比例比实地调查比例小很多。且图4在采样点的区域分布中，发病麦区较少，与实际情况不符。图5整体趋势符合实际情况，但采样点区域，轻发麦区和重发麦区面积太少，与实际情况不太符。东南部分的发病麦区分布不均匀，而图6健康、轻发、重发麦区面积比例分布与实地调查面积比例相符，且分布合理，更能合理的反映小麦条锈病真实发病情况。
表5各模型病害浸染比例统计
Figure BDA0002547328820000201
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。
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 (4)

1.一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，其特征在于，包括以下步骤：
11)遥感训练数据的获取：获取用于训练的遥感影像数据和对应的气象数据；
12)遥感训练数据的特征筛选：提取出遥感影像数据的初选特征因子，对遥感影像数据的初选特征因子进行筛选，筛选出遥感训练数据特征因子；
13)气象数据的特征筛选：利用ReliefF和K-means++算法对气象数据的特征因子进行筛选，筛选出气象特征因子；
14)小麦条绣病遥感监测模型的构建：基于OVO SVMs-KNN算法构建小麦条绣病遥感监测模型；
15)小麦条绣病遥感监测模型的训练：利用遥感训练数据特征因子和气象特征因子对小麦条绣病遥感监测模型进行训练；
16)待分析遥感数据的获取和特征提取：获取待分析的遥感影像数据和对应的气象数据，并提取出其遥感特征因子和气象特征因子；
17)小麦条绣病严重度遥感监测结果的获得：将待分析的遥感特征因子和气象特征因子输入训练后的小麦条绣病遥感监测模型，得到小麦条绣病严重度遥感监测结果。
2.根据权利要求1所述的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，其特征在于，所述气象数据的特征筛选包括以下步骤：
21)基于Sentinel-2遥感影像数据，并分析条锈病发生的主要影响因子，选择分析区域及相邻区域的3月到5月份的平均降水量PRE、平均温度TEM、风速WIN、日照时数SSD、相对湿度RHU作为条锈病发生具有影响意义的因子作为监测的初选变量；
22)利用ReliefF算法从上述遥感气象数据的初选特征因子中筛选出权值较高的特征，作为候选特征集：
221)将研究区域的气象数据集随机取出一个作为样本R，设定样本R在初选特征因子的权值W(A)表示为：
Figure FDA0002547328810000021
Figure FDA0002547328810000022
式中R1和R2为初选样本，differ(A,R1,R2)表示样本R1和R2在初选特征因子A上的差，max(A)和min(A)分别是初选特征因子A的上界和下界，p(C)为该类别的比例，p(Class(R))为随机选取的某样本的类别的比例，其计算公式中Mj(C)表示类C中的第j个最近邻样本；
222)为使得筛选出特征变量的数目不至于过多且相关性较大，将权重阈值设置为0.12，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；
223)将若干个初选特征因子的权值W(A)进行降序排列，排在前6位的初选特征因子作为候选特征集；
23)利用K-means++聚类算法筛选出遥感气象数据特征变量聚类精度最高的一组特征集：
231)从候选特征集中随机选取一个样本作为初始聚类中心c1；
232)首先计算每个样本x与当前已有聚类中心之间的最小差值，即与最近的一个聚类中心的差，用D(x)表示，用X表示样本集，接着计算每个样本被选为下一个聚类中心的概率，其公式如下：
Figure FDA0002547328810000023
最后，按照轮盘法选择下一个聚类中心；
233)重复以上步骤直到选择出共K个聚类中心；
234)针对气象数据集中每个样本xi，计算它到K个聚类中心的差值并将其分到差值最小聚类中心所对应的类；
235)针对每个类别ci，重新计算它的聚类中心，其表达式如下所示：
Figure FDA0002547328810000031
其中，Nj表示属于ci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，
Figure FDA0002547328810000032
表示属于ci类所有样本x；
236)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一个的精度高，该特征对聚类精度贡献为正，则保留此特征；
237)将聚类精度最高的遥感气象数据特征组合作为最终的模型输入变量。
3.根据权利要求1所述的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，其特征在于，所述小麦条绣病遥感监测模型的构建包括以下步骤：
31)基于“一对一”支持向量机和最近邻算法构建小麦条锈病严重度遥感监测模型，模型将多类问题转化为多个二类问题，如果面对的是个k类问题，其表达式如下：
k(k-1)/2，
在模型中，根据条锈病情划分为健康、轻发、重发三大类，k为3；
32)通过SVM算法构造最优决策函数用同样的方法对3类样本中的每一对构造一个决策函数，共3个分类器，用于判断样本属于第i类还是第j类；
33)设定对样本分类采用投票的方法，依次采用二分类器对样本进行预测，如果判定为第k类，则对k类的投票数加1，得票最多的那个类作为最终的判定结果；
34)在OVO SVMs分类过程中，出现输入样本x不能被确切的定义为属于某一类时，出现了不可分；样本在i、j、k类的最终投票得分均为1，根据投票结果无法准确决策此区域点的类别所属；
设定对于这些不可区分的错分和漏分样本通过样本之间的紧密度来描述类中各个样本之间的关系，提高分类精度，紧密度使用KNN分类算法进行描述，用于对不可区分样本进行分类。
4.根据权利要求1所述的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，其特征在于，所述小麦条绣病遥感监测模型的训练包括以下步骤：
41)将遥感训练数据特征因子和筛选后的气象特征因子作为训练样本集；
42)在训练样本集{(x1，y1),…(xn,yn)}中，其中xi∈X,yi∈Y＝{1,-1}，xi是输入样本变量，yi即为其对应的分类结果，用于将两类不同的样本准确无误的分开，分类间隔函数为：Φ(w)＝2/||w||；
43)由于所选择的训练样本非线性可分，通过非线性变换x＝K(x)将样本映射到高维空间，在核函数满足Mercer条件时，采用内积函数，得到高维空间的分类函数，从而实现线性可分；并引入松弛变量ξ，允许数据在一定程度上违反间隔约束，其约束条件表达式如下：
yi[(w·K(xi))+b0]≥1-ξi；i＝1,2,…,n,；
s.t.ξi≥0；
44)为了避免ξi取值过大，在目标函数中增加
Figure FDA0002547328810000041
最优分类面问题表达式如下：
Figure FDA0002547328810000042
利用Lagrange优化方法将上述最优分类面问题转化为对偶问题，其表达式如下：
Figure FDA0002547328810000043
αi为训练样本对应的Lagrange乘子，C为惩罚函数，表示对样本错分程度的度量：C越大则对错误分类的惩罚越厉害，最终的决策函数表达式如下：
Figure FDA0002547328810000044
αi *为支持向量所对应的Lagrange乘子，f(x)值确定预测样本x的类别；
45)将训练样本依次输入上述建立好的k·(k-1)/2个二分类模型，决策时采用“投票法”，每个子分类器根据自己的判定结果对样本所属类别进行投票；
46)根据条锈病情划分为健康、轻发、重发三大类，k为3，需要训练以上的3个分类器模型：
Figure FDA0002547328810000051
在训练第1个分类器时，以第1类样本作为正样本，第2类作为负样本；其他的模型以此类推；针对可区分类别样本，在预测时，用三个模型对输入样本进行预测然后统计投票，对于模型svmi-j，如果预测值为+1，则第i类的投票加1，否则第j类的投票加1；最后将样本判定为投票最多的那个类；
47)对于不可区分的错分和漏分样本，采用KNN算法描述各个种类的紧密度，基于KNN紧密度方法用于考虑待分样本的某一周围邻域内的训练样本密度来判定类别归属，算法训练步骤如下：
471)样本欧氏距离：设训练样本集{(x1，y1),…(xn,yn)}中，其中xi∈X,yi∈Y＝{1,-1}，xi是输入样本变量，yi即为其对应的分类结果，共有c个类别v1,v2,…,vc，计算两样本的欧氏距离如表达式所示：
Figure FDA0002547328810000052
式中：xim和xjm表示测试样本和类中心的第m个特征属性；
472)样本中心距离：第i类样本的平均特征为该类样本的样本中心，
Figure FDA0002547328810000053
ni为第i类的样本数量，任意样本点xj到第i类样本中心的欧式距离为以下表达式所示：
d(xj,oi)＝||xj-oi||；
473)基于欧式距离类别判别：样本点离各自类中心的最大距离如下式所示：
di_max＝max(d(xj,oi)|xj∈Ri)，
则样本x基于欧式距离类别判别函数如下式所示：
Figure FDA0002547328810000061
474)样本紧密度：基于加权KNN对于不同类别的样本紧密度如下式所示：
Figure FDA0002547328810000062
式中：wj为权系数，这里取距离的倒数，
Figure FDA0002547328810000063
则有
Figure FDA0002547328810000064
式中：k表示k近邻的个数，ui(x)表示输入样本属于第i类训练数据的紧密度隶属度，ui(x(j))表示第j个近邻属于第i类别的隶属度，有
Figure FDA0002547328810000065
通过赋给k个近邻不同的加权系数，可确定样本属于各个类别的紧密程度；
475)基于KNN紧密度的判别函数：样本中心距离与样本分布结合的分类判别函数为gi(x)＝si(x)×μi(x)，通过计算测试样本属于各个种类的紧密度，找出紧密度值最高的类别，作为测试样本的预测结果，Max(gi(x)),i＝1,2,…,c；
由于所选择的遥感气象特征样本线性不可分，利用非线性映射Φ:Rn→H把输入空间映射到特征空间，遥感气象数据样本集在此特征空间上线性可分
Figure FDA0002547328810000066
其中K(x,y)＝Φ(x)·Φ(y)，K(x,y)是支持向量机中用到的核函数；
478)将不可区分的样本根据紧密度的大小确定其类别，其紧密度值最大的哪一类即为其判定结果；
48)搜集遥感训练数据特征因子和气象特征因子经过OVO SVMs-KNN算法模型进行训练的结果，将两者结果再次经过OVO SVMs-KNN模型进行训练，进行最终分类，得到小麦条锈病的严重度监测结果，用于精确判定小麦条锈病病情是处于健康、轻发、重发中的哪一类。
CN202010564475.9A 2020-06-19 2020-06-19 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 Active CN111738138B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010564475.9A CN111738138B (zh) 2020-06-19 2020-06-19 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010564475.9A CN111738138B (zh) 2020-06-19 2020-06-19 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

Publications (2)

Publication Number Publication Date
CN111738138A true CN111738138A (zh) 2020-10-02
CN111738138B CN111738138B (zh) 2024-02-02

Family

ID=72650199

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010564475.9A Active CN111738138B (zh) 2020-06-19 2020-06-19 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

Country Status (1)

Country Link
CN (1) CN111738138B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113283470A (zh) * 2021-04-15 2021-08-20 浙江工业大学 一种基于人的心理认知模型的青菜病害分类检测方法
CN113378747A (zh) * 2021-06-22 2021-09-10 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
CN114842338A (zh) * 2022-05-11 2022-08-02 中国科学院空天信息创新研究院 一种耦合遥感和气象数据的小麦条锈病预测方法及装置
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
CN117391265A (zh) * 2023-12-13 2024-01-12 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) 基于大数据分析的林业病虫灾害风险预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100332430A1 (en) * 2009-06-30 2010-12-30 Dow Agrosciences Llc Application of machine learning methods for mining association rules in plant and animal data sets containing molecular genetic markers, followed by classification or prediction utilizing features created from these association rules
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
CN108985959A (zh) * 2018-08-09 2018-12-11 安徽大学 一种基于地表温度反演技术的小麦白粉病遥感监测方法
CN110008905A (zh) * 2019-04-09 2019-07-12 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
WO2020047739A1 (zh) * 2018-09-04 2020-03-12 安徽中科智能感知大数据产业技术研究院有限责任公司 基于多时序属性元素深度特征的小麦重度病害预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100332430A1 (en) * 2009-06-30 2010-12-30 Dow Agrosciences Llc Application of machine learning methods for mining association rules in plant and animal data sets containing molecular genetic markers, followed by classification or prediction utilizing features created from these association rules
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
CN108985959A (zh) * 2018-08-09 2018-12-11 安徽大学 一种基于地表温度反演技术的小麦白粉病遥感监测方法
WO2020047739A1 (zh) * 2018-09-04 2020-03-12 安徽中科智能感知大数据产业技术研究院有限责任公司 基于多时序属性元素深度特征的小麦重度病害预测方法
CN110008905A (zh) * 2019-04-09 2019-07-12 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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
赵静;李志铭;鲁力群;贾鹏;杨焕波;兰玉彬;: "基于无人机多光谱遥感图像的玉米田间杂草识别", 中国农业科学, no. 08 *
马慧琴;黄文江;景元书;: "遥感与气象数据结合预测小麦灌浆期白粉病", 农业工程学报, no. 09 *
马慧琴;黄文江;景元书;董莹莹;张竞成;聂臣巍;唐翠翠;赵晋陵;黄林生;: "基于AdaBoost模型和mRMR算法的小麦白粉病遥感监测", 农业工程学报, no. 05 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113283470A (zh) * 2021-04-15 2021-08-20 浙江工业大学 一种基于人的心理认知模型的青菜病害分类检测方法
CN113283470B (zh) * 2021-04-15 2024-02-20 浙江工业大学 一种基于人的心理认知模型的青菜病害分类检测方法
CN113378747A (zh) * 2021-06-22 2021-09-10 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
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
CN114842338A (zh) * 2022-05-11 2022-08-02 中国科学院空天信息创新研究院 一种耦合遥感和气象数据的小麦条锈病预测方法及装置
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
CN117391265A (zh) * 2023-12-13 2024-01-12 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) 基于大数据分析的林业病虫灾害风险预测方法
CN117391265B (zh) * 2023-12-13 2024-03-05 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) 基于大数据分析的林业病虫灾害风险预测方法

Also Published As

Publication number Publication date
CN111738138B (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
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
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
CN110728411B (zh) 一种基于卷积神经网络的高低空区域联合降雨预测方法
CN106295124B (zh) 多种图像检测技术综合分析基因子图相似概率量的方法
CN107103306B (zh) 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
CN110717903A (zh) 一种利用计算机视觉技术进行农作物病害检测的方法
CN103489005B (zh) 一种基于多分类器融合的高分辨率遥感影像分类方法
CN106503739A (zh) 联合光谱和纹理特征的高光谱遥感影像svm分类方法及系统
CN111161362B (zh) 一种茶树生长状态光谱影像鉴别方法
CN103440505B (zh) 空间邻域信息加权的高光谱遥感图像分类方法
CN103996047B (zh) 基于压缩谱聚类集成的高光谱图像分类方法
CN110309780A (zh) 基于bfd-iga-svm模型的高分辨率影像房屋信息快速监督识别
Feng et al. A deep convolutional neural network-based wavelength selection method for spectral characteristics of rice blast disease
CN111950530B (zh) 农作物种植结构提取的多特征优选与融合方法
Liao et al. Class-wise graph embedding-based active learning for hyperspectral image classification
CN104252625A (zh) 样本自适应多特征加权的遥感图像分类方法
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
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
CN105930863A (zh) 一种卫星相机谱段设置的确定方法
Vignesh et al. EnC-SVMWEL: ensemble approach using cnn and svm weighted average ensemble learning for sugarcane leaf disease detection
CN105869161B (zh) 基于图像质量评价的高光谱图像波段选择方法
CN113947796A (zh) 一种基于身份识别的人体温度趋势检测方法及装置
Chang et al. Recognition of wheat rusts in a field environment based on improved DenseNet
Kumawat et al. Time-Variant Satellite Vegetation Classification Enabled by Hybrid Metaheuristic-Based Adaptive Time-Weighted Dynamic Time Warping
CN117611908A (zh) 天空地一体化大场景高光谱遥感图像的农作物精准分类

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