[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

说明书

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。

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；