[發明專利]基于小波分析與支持向量機的冬小麥白粉病遙感監測方法

有效

• 申請號: 201710362043.8
• 申請日: 2017-05-22
• 公開（公告）號: CN107103306B
• 公開（公告）日: 2019-06-18
• 發明（設計）人: 黃林生;劉文靜;黃文江;杜世州;徐超;梁棟;洪琪;趙晉陵;張東彥;阮超
• 申請（專利權）人: 安徽大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62
• 代理公司: 合肥國和專利代理事務所(普通合伙) 34131
• 代理人: 張祥騫

本發明涉及基于小波分析與支持向量機的冬小麥白粉病遙感監測方法，與現有技術相比解決了小麥白粉病難以監測預報的缺陷。本發明包括以下步驟：數據獲取；遙感數據的預處理；建模特征的選擇；支持向量機模型的建立；獲得遙感監測結果。本發明利用環境星遙感數據經過小波變換及特征篩選后，結合SVM算法建立的監測模型，實時準確獲取大面積小麥白粉病發生的空間分布特征，為白粉病防治提供依據。

技術領域

本發明涉及遙感監測技術領域，具體來說是基于小波分析與支持向量機的冬小麥白粉病遙感監測方法。

背景技術

小麥白粉病嚴重影響小麥產量，據統計，白粉病危害一般可使小麥減產5％～10％，嚴重區域可達20％以上，準確獲取病害發生狀況和其空間分布對于病害防治是十分必要的。傳統的病蟲害監測主要依靠植保人員的田間調查、田間取樣等方式。盡管這些傳統方法的真實性和可靠性較高，但耗時、費力，難以適應目前大范圍的病蟲害實時監測和預報的需求，因此有必要建立遙感影像的監測模型。

目前，一些學者利用遙感數據對病蟲害進行了一系列研究。Huang等發現小麥白粉病由于光譜響應總體上較平滑，不同于某些僅在較窄波段范圍內發生響應的病害。因此采用寬波段的光譜特征也可取得較為滿意的精度。羅菊花等利用LST等數據構建二維特征空間對小麥蚜蟲進行了預測，發現LST對蚜蟲是否發生起決定性作用，是蚜蟲發生發展的一個關鍵性因子。張競成等研究了小麥白粉病主要的敏感波段及敏感植被指數，結合Logistic回歸建立了小麥白粉病預測模型。以上分析均是基于寬波段植被指數展開的，但是并未對寬波段植被指數進行進一步細化研究。

而小波分析是多種分析的結合算法，能夠從多尺度、多方向上分解數據，可以對數據進行細化分析，目前尚未出現小波分析應用于寬波段植被指數提取病害信息方面的研究。Chen等在對地震信號譜分解中先尋找小波變換的最優旋轉因子，再進行處理，降低了算法的運算復雜度，并得到較好的試驗結果。印勇等在對人臉表情識別時采用了PCA(Principal component analysis)算法對小波特征進行降維處理，提高了算法的運算效率及精度。牛連強等在表情識別試驗中，利用LBP(Local binary patterns)算法結合小波變換的方法，大幅度降低了特征的維數，并提高了特征提取的準確性，得到了100％的識別率。這表明利用小波特征并進行降維處理不僅可以提高運算效率還可以提高模型精度。

支持向量機(SVM)在機器學習領域通常用來模式識別、分類及回歸分析，此算法結構穩定，使用方便，相較于人工神經網絡等其他算法具有能夠獲得全局最優解的優點。Wang等利用支持向量機模型對小麥條銹病進行分類和識別，獲得了97％的識別精度。Yuan等利用SVM模型對玉米顆粒霉變程度進行判別，準確率達到91％。張錄達等利用SVM對小麥蛋白質含量進行了預測，并得到了較好的分析結果。以上說明SVM模型在數據分類識別中具有較高的應用價值。

因此，如何利用環境星遙感數據結合SVM模型獲取大面積小麥白粉病發生的空間分布特征已經成為急需解決的技術問題。

發明內容

本發明的目的是為了解決現有技術中小麥白粉病難以監測預報的缺陷，提供一種基于小波分析與支持向量機的冬小麥白粉病遙感監測方法來解決上述問題。

為了實現上述目的，本發明的技術方案如下：

一種基于小波分析與支持向量機的冬小麥白粉病遙感監測方法，包括以下步驟：

數據獲取，獲取遙感數據和冬小麥白粉病地面調查點數據，其中，遙感數據為環境星的CCD光學數據和IRS熱紅外數據；

遙感數據的預處理，利用遙感數據計算對白粉病敏感的植被指數，獲得白粉病監測模型的初選特征；

建模特征的選擇,將白粉病監測模型的初選特征通過Relief算法結合K-mean算法進行篩選，選擇出3個最佳特征；對篩選出的3個最佳特征進行小波變換，通過獨立樣本T檢驗的方法得到3個對應的最佳小波特征；