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

摘要

本发明涉及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，与现有技术相比解决了小麦白粉病难以监测预报的缺陷。本发明包括以下步骤：数据获取；遥感数据的预处理；建模特征的选择；支持向量机模型的建立；获得遥感监测结果。本发明利用环境星遥感数据经过小波变换及特征筛选后，结合SVM算法建立的监测模型，实时准确获取大面积小麦白粉病发生的空间分布特征，为白粉病防治提供依据。

说明书

技术领域

本发明涉及遥感监测技术领域，具体来说是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。

背景技术

小麦白粉病严重影响小麦产量，据统计，白粉病危害一般可使小麦减产5％～10％，严重区域可达20％以上，准确获取病害发生状况和其空间分布对于病害防治是十分必要的。传统的病虫害监测主要依靠植保人员的田间调查、田间取样等方式。尽管这些传统方法的真实性和可靠性较高，但耗时、费力，难以适应目前大范围的病虫害实时监测和预报的需求，因此有必要建立遥感影像的监测模型。

目前，一些学者利用遥感数据对病虫害进行了一系列研究。Huang等发现小麦白粉病由于光谱响应总体上较平滑，不同于某些仅在较窄波段范围内发生响应的病害。因此采用宽波段的光谱特征也可取得较为满意的精度。罗菊花等利用LST等数据构建二维特征空间对小麦蚜虫进行了预测，发现LST对蚜虫是否发生起决定性作用，是蚜虫发生发展的一个关键性因子。张竞成等研究了小麦白粉病主要的敏感波段及敏感植被指数，结合Logistic回归建立了小麦白粉病预测模型。以上分析均是基于宽波段植被指数展开的，但是并未对宽波段植被指数进行进一步细化研究。

而小波分析是多种分析的结合算法，能够从多尺度、多方向上分解数据，可以对数据进行细化分析，目前尚未出现小波分析应用于宽波段植被指数提取病害信息方面的研究。Chen等在对地震信号谱分解中先寻找小波变换的最优旋转因子，再进行处理，降低了算法的运算复杂度，并得到较好的试验结果。印勇等在对人脸表情识别时采用了PCA(Principal component analysis)算法对小波特征进行降维处理，提高了算法的运算效率及精度。牛连强等在表情识别试验中，利用LBP(Local binary patterns)算法结合小波变换的方法，大幅度降低了特征的维数，并提高了特征提取的准确性，得到了100％的识别率。这表明利用小波特征并进行降维处理不仅可以提高运算效率还可以提高模型精度。

支持向量机(SVM)在机器学习领域通常用来模式识别、分类及回归分析，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。Yuan等利用SVM模型对玉米颗粒霉变程度进行判别，准确率达到91％。张录达等利用SVM对小麦蛋白质含量进行了预测，并得到了较好的分析结果。以上说明SVM模型在数据分类识别中具有较高的应用价值。

因此，如何利用环境星遥感数据结合SVM模型获取大面积小麦白粉病发生的空间分布特征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白粉病难以监测预报的缺陷，提供一种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，包括以下步骤：

数据获取，获取遥感数据和冬小麦白粉病地面调查点数据，其中，遥感数据为环境星的CCD光学数据和IRS热红外数据；

遥感数据的预处理，利用遥感数据计算对白粉病敏感的植被指数，获得白粉病监测模型的初选特征；

建模特征的选择,将白粉病监测模型的初选特征通过Relief算法结合K-mean算法进行筛选，选择出3个最佳特征；对筛选出的3个最佳特征进行小波变换，通过独立样本T检验的方法得到3个对应的最佳小波特征；

支持向量机模型的建立，通过冬小麦白粉病地面调查点数据构建出支持向量机模型；

获得遥感监测结果，将遥感数据的最佳特征作为输入数据，输入支持向量机模型，得到冬小麦白粉病遥感监测结果。

所述的遥感数据的预处理包括以下步骤：

将环境星的CCD光学数据和IRS热红外数据经过辐射定标、大气校正和影像裁剪步骤，并结合Landsat8影像进行几何校正；其中，环境星影像辐射定标公式如下：

L＝DN/a+L₀，

L为辐射亮度，a为绝对定标系数增益，L₀为偏移量，DN为遥感影像像元亮度值；

完成相应传感器的波普响应函数待用，采用ENVI5.1软件中FLAASH模块完成影像的大气校正，再对校正后图像进行裁剪获取研究区影像；

根据研究区的作物类型利用NDVI、数字高程模型、近红外反射率数据并结合ENVI5.1监督分类中的最大似然分类提取冬小麦的种植区域；

利用环境星影像数据提取7个宽波段植被指数以及红、绿、蓝和近红外4个波段反射率数据，其中，7个宽波段植被指数为增强型植被指数、改进的简单比值指数、归一化植被指数、优化土壤调节植被指数、重归一化植被指数、土壤调节植被指数和比值植被指数；采用单通道算法反演得到LST数据；

将7个宽波段植被指数、4个波段反射率数据和LST数据作为白粉病监测模型的初选特征。

所述建模特征的选择包括以下步骤：

使用Relief算法结合K-mean算法对白粉病监测模型的初选特征进行筛选，选择出3个最佳特征，其分别为归一化植被指数、比值植被指数和LST数据；

利用高斯函数调制的复正弦函数构建5个尺度、8个方向共40个小波核函数，小波核函数的构造公式如下：

其中，g(x,y)为高斯调制函数，σ_x和σ_y为其在两个坐标轴上的标准差，h(x,y)为小波函数，W为复正弦函数在横轴上的频率，H(x,y)为小波函数的傅立叶变换形式；

利用40个小波函数对已筛选出的3个最佳特征进行小波变换，得到3组，每组40个小波特征；

利用独立样本T检验的方法对每组小波特征进行筛选，选取最优的小波特征，由此得到3组对应的小波参数；其表达式如下：

其中：(h*I)表示滤波器h与数据I的卷积，S(x,y)为经过Gabor滤波器得到的特征；以h(x,y)为母小波，对其进行尺度和旋转变换，可以得到一组自相似的滤波器，如下所示：

h_mn(x,y)＝α^-mh(x',y')，

上式中x'＝α^-m(xcosθ+ysinθ),y'＝α^-m(-xcosθ+ysinθ),α＞1,α^-m为尺度因子，T为尺度的数目m＝0,1,,T-1，K为方向的数目n＝0,1,,K-1。

所述支持向量机模型的建立包括以下步骤：

设向量机模型的判别函数如下：

式中a_i为Lagrange乘子，_SV为支持向量，x_i、y_i为两类中的支持向量，b为阈值，其中k(x_i,x)为满足Mercer定理的正定核函数；

将冬小麦白粉病地面调查点数据分为发病与不发病两类，并归集为训练样本；

获取训练样本坐标位置的遥感数据；

将训练样本坐标位置的遥感数据输入向量机模型，获得训练后的向量机模型。

所述获得遥感监测结果包括以下步骤：

将遥感数据的归一化植被指数、比值植被指数和LST数据小波变换后的特征作为最佳特征指数；

将最佳特征指数输入训练后的向量机模型，生成冬小麦白粉病遥感监测结果图。

有益效果

本发明的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，与现有技术相比利用环境星遥感数据经过小波变换及特征筛选后，结合SVM算法建立的监测模型(GaborSVM)，实时准确获取大面积小麦白粉病发生的空间分布特征，为白粉病防治提供依据。

本发明将小波变换(Gabor)应用于宽波段植被指数，并对得到的小波特征进行筛选，突出对病害敏感的因子，提高了病害识别精度。

附图说明

图1为本发明的方法顺序图；

图2a为12个植被指数运用SVM模型预测结果图；

图2b为采用NDVI、LST、SR运用SVM模型预测结果图；

图2c为本发明的SVM模型预测结果图。

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，本发明所述的一种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，包括以下步骤：

第一步，数据获取。获取遥感数据和冬小麦白粉病地面调查点数据，其中，遥感数据为环境星的CCD光学数据和IRS热红外数据，即环境与灾害监测预报小卫星星座A、B(HJ-1A/1B星)数据，实际应用中可以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；冬小麦白粉病地面调查点数据为冬小麦白粉病实地调查数据，根据野外实际调整所得的有效数据。

第二步，遥感数据的预处理。利用遥感数据计算对白粉病敏感的植被指数，获得白粉病监测模型的初选特征。其具体步骤如下：

(1)将环境星的CCD光学数据和IRS热红外数据经过辐射定标、大气校正和影像裁剪步骤，并结合Landsat8影像进行几何校正；其中，环境星影像辐射定标公式如下：

L＝DN/a+L₀，

L为辐射亮度，a为绝对定标系数增益，L₀为偏移量，DN(Digital>

(2)完成相应传感器的波普响应函数待用，采用ENVI5.1软件中FLAASH模块完成影像的大气校正，再对校正后图像进行裁剪获取研究区影像。

(3)根据研究区的作物类型利用NDVI、数字高程模型(digital elevation model，DEM)、近红外反射率数据并结合ENVI5.1监督分类中的最大似然分类提取冬小麦的种植区域。

(4)利用环境星影像数据提取7个宽波段植被指数以及红、绿、蓝和近红外4个波段反射率数据(ρ_R、ρ_NRJ、ρ_G、ρ_B)，其中，7个宽波段植被指数为增强型植被指数EVI、改进的简单比值指数MSR、归一化植被指数NDVI、优化土壤调节植被指数OSAVI、重归一化植被指数RDVI、土壤调节植被指数SAVI和比值植被指数SR；采用单通道算法反演得到LST(land>

(5)将7个宽波段植被指数、4个波段反射率数据和LST数据作为白粉病监测模型的初选特征，共计12个特征数据。

第三步，建模特征的选择。将白粉病监测模型的初选特征通过Relief算法结合K-mean算法进行筛选，选择出3个最佳特征；对筛选出的3个最佳特征进行小波变换，通过独立样本T检验的方法得到3个对应的最佳小波特征。

针对选取的12个特征数据而言，特征之间可能存在冗余情况，影响模型算法的精度，需要对于这12个特征数据进行筛选。同时由于小波变换使数据量扩大为原来的40倍，导致特征维数过多从而影响模型的运算效率，也需要对小波特征进行进一步筛选。

其具体步骤如下：

(1)使用Relief算法结合K-mean算法对白粉病监测模型的初选特征进行筛选，选择出3个最佳特征，其分别为归一化植被指数、比值植被指数和LST数据。在此，3个最佳特征为经过算法比较后得出，在实际应用中，可以采用12个特征数据中的任意3个或多个特征数据，但基于小波变换使数据量扩大为原来的40倍的考虑，选择数量不宜超过4个，基于精度的考虑，适合选用Relief算法结合K-mean算法所确定的归一化植被指数、比值植被指数和LST数据这3个最佳特征。

其中，Relief算法是一种特征权重算法，通过计算特征与类别间的相关性赋予特征不同的权重。但是Relief算法不能识别类别间的冗余以及特征间的相互负作用。聚类分析可以得到不同特征对样本的聚类精度，因此可根据聚类分析的精度来提取最高聚类精度的特征集合。利用MATLAB中的Kmeans函数对数据进行聚类分析。根据Relief算法将特征数据按平均权重排序，依次组合特征进行聚类分析，将取得的聚类精度最大的特征集合用于建模分析。

表1 12个特征的Relief特征权重、K-mean聚类精度、特征组合精度对比表

如表1所示，其列举12个特征的Relief特征权重、K-mean聚类精度及特征组合精度对比，由第三行数据可知在组合到SAVI时精度开始下降，到LST时精度上升，而之后又下降，故选择NDVI、SR和LST构建模型。

(2)小波变换具有多分辨率特性，采用多通道滤波，每个通道都可以得到数据的某种局部特征。将植被指数特征与小波核函数进行卷积运算，卷积后的幅值作为建模特征信息。

利用农业应用方面常用的高斯函数作为母小波函数构造小波核函数，高斯函数调制的复正弦函数构建5个尺度、8个方向共40个小波核函数，小波核函数的构造公式如下：

其中，g(x,y)为高斯调制函数，σ_x和σ_y为其在两个坐标轴上的标准差，h(x,y)为小波函数，W为复正弦函数在横轴上的频率，H(x,y)为小波函数的傅立叶变换形式。

(3)利用40个小波函数对已筛选出的3个最佳特征(归一化植被指数、比值植被指数和LST数据)进行小波变换，得到3组、每组40个小波特征。

(4)利用独立样本T检验的方法对每组小波特征进行筛选，选取最优的小波特征，由此得到3组对应的小波参数；其表达式如下：

其中：(h*I)表示滤波器h与数据I的卷积，S(x,y)为经过Gabor滤波器得到的特征；以h(x,y)为母小波，对其进行尺度和旋转变换，可以得到一组自相似的滤波器，如下所示：

h_mn(x,y)＝α^-mh(x',y')，

上式中x'＝α^-m(xcosθ+ysinθ),y'＝α^-m(-xcosθ+ysinθ),α＞1,α^-m为尺度因子，T为尺度的数目m＝0,1,,T-1，K为方向的数目n＝0,1,,K-1。

由此，得到归一化植被指数、比值植被指数和LST数据小波变换后的特征(最佳特征)，即尺度m、方向n及对应的尺度因子和旋转角度。

第四步，支持向量机模型的建立。支持向量机是基于统计学习理论的一种机器学习方法，它的核心思想是结构风险最小化，通过核函数把输入线性不可分的数据映射到高维空间，构造超平面，使得不同样本之间的类间隔最大，类内间隔最小。它具有结构简单、适应性抢、全局最优等特点，能较好的解决高维特征、非线性、过学习与不确定性等问题，广泛应用于遥感影像分类中。通过冬小麦白粉病地面调查点数据构建出支持向量机模型。其具体步骤如下：

(1)设向量机模型的判别函数如下：

式中a_i为Lagrange乘子，_SV为支持向量，x_i、y_i为两类中的支持向量，b为阈值，其中k(x_i,x)为满足Mercer定理的正定核函数。

(2)将冬小麦白粉病地面调查点数据分为发病与不发病两类，并归集为训练样本。在实际应用中，针对于冬小麦白粉病地面调查点数据只需使用训练样本，若需对模型的准确性进行验证，还可以将样本划分为训练样本和测试样本，通过测试样本坐标位置的遥感数据输入训练样本训练后的向量机模型，判断模型的可靠性。

(3)获取训练样本坐标位置的遥感数据。

(4)将训练样本坐标位置的遥感数据输入向量机模型，获得训练后的向量机模型。

第五步，获得遥感监测结果。将遥感数据的最佳特征作为输入数据，输入支持向量机模型，得到冬小麦白粉病遥感监测结果。将小波变换与SVM相结合，利用Gabor小波变换在敏感特征提取方面的优势和支持向量机在小样本分类中的优势，提高监测模型的精度和效率。其具体步骤如下：

(1)将遥感数据的归一化植被指数、比值植被指数和LST数据小波变换后的特征作为最佳特征指数。

(2)将最佳特征指数输入训练后的向量机模型，生成冬小麦白粉病遥感监测结果图。

如图2a、图2b和图2c所示，在图2a、图2b和图2c中，白色区域为非麦区、灰色区域为健康冬小麦、黑色区域为病害冬小麦。其中，图2a为将全部12个植被指数运用SVM模型预测结果，图2b为经过特征筛选后采用NDVI、LST、SR的SVM监测结果，图2c为分别对NDVI、LST、SR小波变换后，利用经过独立样本T检验得到的最优小波特征进行SVM的监测结果。

从图2a、图2b和图2c，可以看出三种监测模型的白粉病发生情况的总体空间分布相似，东部发病情况较西部严重。而发病面积占总种植面积的百分比分别为：图2a为49％、图2b为45％和图2c为38％。图2a与其余两幅图相比，白粉病的分布情况较为零散。图2b与图2c大体相同，仅在某些细小部位存在区别(在图2b中处于健康区域内的小块病害区域，在图2c中部分被分为健康区域)。而小麦白粉病是由布氏白粉菌引起的，具有繁殖快，传播面广，一旦气候条件有利，极具爆发性的特点，因此，从小麦灌浆期区域尺度上看，白粉病零散发生的概率较低。由此可以间接得出SVM结合特征筛选模型与GaborSVM结合特征筛选模型的可信度高于SVM未经特征筛选模型，并且GaborSVM结合特征筛选模型相较于SVM结合特征筛选模型有了一定的改善。

采用独立的样本数据对模型进行验证能够更好地体现实际模型的精度。基于白粉病的地面调查点数据对模型监测结果进行评价，如表2总体验证结果所示。表2中列出了SVM模型与GaborSVM结合Relief算法与K-mean聚类的用户精度、总体精度和Kappa系数。从结果中可以看出3组试验都获得了较好的实验结果。

从总体精度上看，SVM模型的总体精度低于GaborSVM模型(本发明所述方法)，说明Gabor小波特征相较于原始植被指数特征对病害的识别率较高，GaborSVM模型的Kappa系数也达到0.583，高于2个SVM模型的0.286和0.444。并且在2个SVM模型中，通过特征筛选的SVM模型精度高于未进行特征筛选的SVM模型，可以推测是由于去除了冗余特征及负相关特征所致。从用户精度来看，3组模型中病害的用户精度分别为50％、83.3％、91.7％，表明3个模型对病害的识别精度在不断提高，GaborSVM的用户精度达到91.7％，表明此模型能较为准确的识别病害样本。以上结果表明，小波特征能提高监测模型对健康与病害的区分精度，且特征筛选有助于提高模型精度。

表2 总体验证结果

本发明利用CCD数据和IRS数据建立了冬小麦白粉病的监测模型，选取了表征冬小麦生长状况的NDVI、SR和LST，使用GaborSVM的方法对区域尺度的小麦白粉病进行监测，并与SVM方法进行比较分析。经检验，在特征筛选结合GaborSVM模型的总体精度达到86.7％，此模型与特征筛选结合SVM模型相比总体精度提高了6.7％，因此，小波变换应用于植被指数可以提高小麦白粉病的监测精度。同时，特征筛选结合SVM模型比未经过特征筛选的SVM模型在总体精度上提高了20％。

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。