[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

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。

主权项

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。