[发明专利]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

权利要求书

1.一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，其特征在于，包括以下步骤：

11)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；

12)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；

13)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；所述建模特征的选择包括以下步骤：

131)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；

132)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；

133)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；

134)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；

14)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；

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

2.根据权利要求1所述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，其特征在于，所述的遥感数据的预处理包括以下步骤：

21)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；

22)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；

23)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；

24)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；

25)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。