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流程
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(principalcomponentanalysis)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(localbinarypatterns)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。
技術實現要素：
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；
支持向量機模型的建立，通過冬小麥白粉病地面調查點數據構建出支持向量機模型；
獲得遙感監測結果，將遙感數據的最佳特征作為輸入數據，輸入支持向量機模型，得到冬小麥白粉病遙感監測結果。
所述的遙感數據的預處理包括以下步驟：
將環境星的ccd光學數據和irs熱紅外數據經過輻射定標、大氣校正和影像裁剪步驟，并結合landsat8影像進行幾何校正；其中，環境星影像輻射定標公式如下：
l＝dn/a+l0，
l為輻射亮度，a為絕對定標系數增益，l0為偏移量，dn為遙感影像像元亮度值；
完成相應傳感器的波普響應函數待用，采用envi5.1軟件中flaash模塊完成影像的大氣校正，再對校正后圖像進行裁剪獲取研究區影像；
根據研究區的作物類型利用ndvi、數字高程模型、近紅外反射率數據并結合envi5.1監督分類中的最大似然分類提取冬小麥的種植區域；
利用環境星影像數據提取7個寬波段植被指數以及紅、綠、藍和近紅外4個波段反射率數據，其中，7個寬波段植被指數為增強型植被指數、改進的簡單比值指數、歸一化植被指數、優化土壤調節植被指數、重歸一化植被指數、土壤調節植被指數和比值植被指數；采用單通道算法反演得到lst數據；
將7個寬波段植被指數、4個波段反射率數據和lst數據作為白粉病監測模型的初選特征。
所述建模特征的選擇包括以下步驟：
使用relief算法結合k-mean算法對白粉病監測模型的初選特征進行篩選，選擇出3個最佳特征，其分別為歸一化植被指數、比值植被指數和lst數據；
利用高斯函數調制的復正弦函數構建5個尺度、8個方向共40個小波核函數，小波核函數的構造公式如下：
其中，g(x,y)為高斯調制函數，σx和σy為其在兩個坐標軸上的標準差，h(x,y)為小波函數，w為復正弦函數在橫軸上的頻率，h(x,y)為小波函數的傅立葉變換形式；
利用40個小波函數對已篩選出的3個最佳特征進行小波變換，得到3組，每組40個小波特征；
利用獨立樣本t檢驗的方法對每組小波特征進行篩選，選取最優的小波特征，由此得到3組對應的小波參數；其表達式如下：
其中：(h*i)表示濾波器h與數據i的卷積，s(x,y)為經過gabor濾波器得到的特征；以h(x,y)為母小波，對其進行尺度和旋轉變換，可以得到一組自相似的濾波器，如下所示：
hmn(x,y)＝α-mh(x',y')，
上式中x'＝α-m(xcosθ+ysinθ),y'＝α-m(-xcosθ+ysinθ),α＞1,
所述支持向量機模型的建立包括以下步驟：
設向量機模型的判別函數如下：
式中ai為lagrange乘子，sv為支持向量，xi、yi為兩類中的支持向量，b為閾值，其中k(xi,x)為滿足mercer定理的正定核函數；
將冬小麥白粉病地面調查點數據分為發病與不發病兩類，并歸集為訓練樣本；
獲取訓練樣本坐標位置的遙感數據；
將訓練樣本坐標位置的遙感數據輸入向量機模型，獲得訓練后的向量機模型。
所述獲得遙感監測結果包括以下步驟：
將遙感數據的歸一化植被指數、比值植被指數和lst數據小波變換后的特征作為最佳特征指數；
將最佳特征指數輸入訓練后的向量機模型，生成冬小麥白粉病遙感監測結果圖。
有益效果
本發明的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(gaborsvm)，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。
本發明將小波變換(gabor)應用于寬波段植被指數，并對得到的小波特征進行篩選，突出對病害敏感的因子，提高了病害識別精度。
附圖說明
圖1為本發明的方法順序圖；
圖2a為12個植被指數運用svm模型預測結果圖；
圖2b為采用ndvi、lst、sr運用svm模型預測結果圖；
圖2c為本發明的svm模型預測結果圖。
具體實施方式
為使對本發明的結構特征及所達成的功效有更進一步的了解與認識，用以較佳的實施例及附圖配合詳細的說明，說明如下：
如圖1所示，本發明所述的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：
第一步，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，即環境與災害監測預報小衛星星座a、b(hj-1a/1b星)數據，實際應用中可以根據研究區天氣狀況，選擇質量較好、時間最接近地面調查的影像數據；冬小麥白粉病地面調查點數據為冬小麥白粉病實地調查數據，根據野外實際調整所得的有效數據。
第二步，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。其具體步驟如下：
(1)將環境星的ccd光學數據和irs熱紅外數據經過輻射定標、大氣校正和影像裁剪步驟，并結合landsat8影像進行幾何校正；其中，環境星影像輻射定標公式如下：
l＝dn/a+l0，
l為輻射亮度，a為絕對定標系數增益，l0為偏移量，dn(digitalnumber)為遙感影像像元亮度值，是遙感影像像元亮度值。
(2)完成相應傳感器的波普響應函數待用，采用envi5.1軟件中flaash模塊完成影像的大氣校正，再對校正后圖像進行裁剪獲取研究區影像。
(3)根據研究區的作物類型利用ndvi、數字高程模型(digitalelevationmodel，dem)、近紅外反射率數據并結合envi5.1監督分類中的最大似然分類提取冬小麥的種植區域。
(4)利用環境星影像數據提取7個寬波段植被指數以及紅、綠、藍和近紅外4個波段反射率數據(ρr、ρnrj、ρg、ρb)，其中，7個寬波段植被指數為增強型植被指數evi、改進的簡單比值指數msr、歸一化植被指數ndvi、優化土壤調節植被指數osavi、重歸一化植被指數rdvi、土壤調節植被指數savi和比值植被指數sr；采用單通道算法反演得到lst(landsurfacetemperature，地表溫度)數據。
(5)將7個寬波段植被指數、4個波段反射率數據和lst數據作為白粉病監測模型的初選特征，共計12個特征數據。
第三步，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。
針對選取的12個特征數據而言，特征之間可能存在冗余情況，影響模型算法的精度，需要對于這12個特征數據進行篩選。同時由于小波變換使數據量擴大為原來的40倍，導致特征維數過多從而影響模型的運算效率，也需要對小波特征進行進一步篩選。
其具體步驟如下：
(1)使用relief算法結合k-mean算法對白粉病監測模型的初選特征進行篩選，選擇出3個最佳特征，其分別為歸一化植被指數、比值植被指數和lst數據。在此，3個最佳特征為經過算法比較后得出，在實際應用中，可以采用12個特征數據中的任意3個或多個特征數據，但基于小波變換使數據量擴大為原來的40倍的考慮，選擇數量不宜超過4個，基于精度的考慮，適合選用relief算法結合k-mean算法所確定的歸一化植被指數、比值植被指數和lst數據這3個最佳特征。
其中，relief算法是一種特征權重算法，通過計算特征與類別間的相關性賦予特征不同的權重。但是relief算法不能識別類別間的冗余以及特征間的相互負作用。聚類分析可以得到不同特征對樣本的聚類精度，因此可根據聚類分析的精度來提取最高聚類精度的特征集合。利用matlab中的kmeans函數對數據進行聚類分析。根據relief算法將特征數據按平均權重排序，依次組合特征進行聚類分析，將取得的聚類精度最大的特征集合用于建模分析。
表112個特征的relief特征權重、k-mean聚類精度、特征組合精度對比表
如表1所示，其列舉12個特征的relief特征權重、k-mean聚類精度及特征組合精度對比，由第三行數據可知在組合到savi時精度開始下降，到lst時精度上升，而之后又下降，故選擇ndvi、sr和lst構建模型。
(2)小波變換具有多分辨率特性，采用多通道濾波，每個通道都可以得到數據的某種局部特征。將植被指數特征與小波核函數進行卷積運算，卷積后的幅值作為建模特征信息。
利用農業應用方面常用的高斯函數作為母小波函數構造小波核函數，高斯函數調制的復正弦函數構建5個尺度、8個方向共40個小波核函數，小波核函數的構造公式如下：
其中，g(x,y)為高斯調制函數，σx和σy為其在兩個坐標軸上的標準差，h(x,y)為小波函數，w為復正弦函數在橫軸上的頻率，h(x,y)為小波函數的傅立葉變換形式。
(3)利用40個小波函數對已篩選出的3個最佳特征(歸一化植被指數、比值植被指數和lst數據)進行小波變換，得到3組、每組40個小波特征。
(4)利用獨立樣本t檢驗的方法對每組小波特征進行篩選，選取最優的小波特征，由此得到3組對應的小波參數；其表達式如下：
其中：(h*i)表示濾波器h與數據i的卷積，s(x,y)為經過gabor濾波器得到的特征；以h(x,y)為母小波，對其進行尺度和旋轉變換，可以得到一組自相似的濾波器，如下所示：
hmn(x,y)＝α-mh(x',y')，
上式中x'＝α-m(xcosθ+ysinθ),y'＝α-m(-xcosθ+ysinθ),α＞1,
由此，得到歸一化植被指數、比值植被指數和lst數據小波變換后的特征(最佳特征)，即尺度m、方向n及對應的尺度因子和旋轉角度。
第四步，支持向量機模型的建立。支持向量機是基于統計學習理論的一種機器學習方法，它的核心思想是結構風險最小化，通過核函數把輸入線性不可分的數據映射到高維空間，構造超平面，使得不同樣本之間的類間隔最大，類內間隔最小。它具有結構簡單、適應性搶、全局最優等特點，能較好的解決高維特征、非線性、過學習與不確定性等問題，廣泛應用于遙感影像分類中。通過冬小麥白粉病地面調查點數據構建出支持向量機模型。其具體步驟如下：
(1)設向量機模型的判別函數如下：
式中ai為lagrange乘子，sv為支持向量，xi、yi為兩類中的支持向量，b為閾值，其中k(xi,x)為滿足mercer定理的正定核函數。
(2)將冬小麥白粉病地面調查點數據分為發病與不發病兩類，并歸集為訓練樣本。在實際應用中，針對于冬小麥白粉病地面調查點數據只需使用訓練樣本，若需對模型的準確性進行驗證，還可以將樣本劃分為訓練樣本和測試樣本，通過測試樣本坐標位置的遙感數據輸入訓練樣本訓練后的向量機模型，判斷模型的可靠性。
(3)獲取訓練樣本坐標位置的遙感數據。
(4)將訓練樣本坐標位置的遙感數據輸入向量機模型，獲得訓練后的向量機模型。
第五步，獲得遙感監測結果。將遙感數據的最佳特征作為輸入數據，輸入支持向量機模型，得到冬小麥白粉病遙感監測結果。將小波變換與svm相結合，利用gabor小波變換在敏感特征提取方面的優勢和支持向量機在小樣本分類中的優勢，提高監測模型的精度和效率。其具體步驟如下：
(1)將遙感數據的歸一化植被指數、比值植被指數和lst數據小波變換后的特征作為最佳特征指數。
(2)將最佳特征指數輸入訓練后的向量機模型，生成冬小麥白粉病遙感監測結果圖。
如圖2a、圖2b和圖2c所示，在圖2a、圖2b和圖2c中，白色區域為非麥區、灰色區域為健康冬小麥、黑色區域為病害冬小麥。其中，圖2a為將全部12個植被指數運用svm模型預測結果，圖2b為經過特征篩選后采用ndvi、lst、sr的svm監測結果，圖2c為分別對ndvi、lst、sr小波變換后，利用經過獨立樣本t檢驗得到的最優小波特征進行svm的監測結果。
從圖2a、圖2b和圖2c，可以看出三種監測模型的白粉病發生情況的總體空間分布相似，東部發病情況較西部嚴重。而發病面積占總種植面積的百分比分別為：圖2a為49％、圖2b為45％和圖2c為38％。圖2a與其余兩幅圖相比，白粉病的分布情況較為零散。圖2b與圖2c大體相同，僅在某些細小部位存在區別(在圖2b中處于健康區域內的小塊病害區域，在圖2c中部分被分為健康區域)。而小麥白粉病是由布氏白粉菌引起的，具有繁殖快，傳播面廣，一旦氣候條件有利，極具爆發性的特點，因此，從小麥灌漿期區域尺度上看，白粉病零散發生的概率較低。由此可以間接得出svm結合特征篩選模型與gaborsvm結合特征篩選模型的可信度高于svm未經特征篩選模型，并且gaborsvm結合特征篩選模型相較于svm結合特征篩選模型有了一定的改善。
采用獨立的樣本數據對模型進行驗證能夠更好地體現實際模型的精度。基于白粉病的地面調查點數據對模型監測結果進行評價，如表2總體驗證結果所示。表2中列出了svm模型與gaborsvm結合relief算法與k-mean聚類的用戶精度、總體精度和kappa系數。從結果中可以看出3組試驗都獲得了較好的實驗結果。
從總體精度上看，svm模型的總體精度低于gaborsvm模型(本發明所述方法)，說明gabor小波特征相較于原始植被指數特征對病害的識別率較高，gaborsvm模型的kappa系數也達到0.583，高于2個svm模型的0.286和0.444。并且在2個svm模型中，通過特征篩選的svm模型精度高于未進行特征篩選的svm模型，可以推測是由于去除了冗余特征及負相關特征所致。從用戶精度來看，3組模型中病害的用戶精度分別為50％、83.3％、91.7％，表明3個模型對病害的識別精度在不斷提高，gaborsvm的用戶精度達到91.7％，表明此模型能較為準確的識別病害樣本。以上結果表明，小波特征能提高監測模型對健康與病害的區分精度，且特征篩選有助于提高模型精度。
表2總體驗證結果
本發明利用ccd數據和irs數據建立了冬小麥白粉病的監測模型，選取了表征冬小麥生長狀況的ndvi、sr和lst，使用gaborsvm的方法對區域尺度的小麥白粉病進行監測，并與svm方法進行比較分析。經檢驗，在特征篩選結合gaborsvm模型的總體精度達到86.7％，此模型與特征篩選結合svm模型相比總體精度提高了6.7％，因此，小波變換應用于植被指數可以提高小麥白粉病的監測精度。同時，特征篩選結合svm模型比未經過特征篩選的svm模型在總體精度上提高了20％。
以上顯示和描述了本發明的基本原理、主要特征和本發明的優點。本行業的技術人員應該了解，本發明不受上述實施例的限制，上述實施例和說明書中描述的只是本發明的原理，在不脫離本發明精神和范圍的前提下本發明還會有各種變化和改進，這些變化和改進都落入要求保護的本發明的范圍內。本發明要求的保護范圍由所附的權利要求書及其等同物界定。
- 還沒有人留言評論。精彩留言會獲得點贊！