基于GF-1遥感影像和relief-mRMR-GASVM模型的小麦白粉病监测

• Published in: 农业工程学报 Vol. 34; no. 15; pp. 167 - 封4
• Main Authors: 黄林生, 阮超, 黄文江, 师越, 彭代亮, 丁文娟
• Format: Journal Article
• Language: Chinese
• Published: 中国科学院遥感与数字地球研究所,数字地球重点实验室,北京 100094%中国科学院遥感与数字地球研究所,数字地球重点实验室,北京 100094 01.08.2018; 安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心,合肥,230601%安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心,合肥 230601
• Subjects: 病害; 支持向量机; relief算法; 监测; 白粉病; 遥感; 小麦; mRMR算法
• ISSN: 1002-6819
• DOI: 10.11975/j.issn.1002-6819.2018.15.021

S127%S435.121.4+6; 选择合适的建模和特征选择算法对提高作物病害的遥感监测水平有着重要的作用.研究以河北省小麦白粉病为研究对象,基于GF-1/WFV数据共提取了4个波段反射率数据和10个对作物长势和胁迫敏感的植被指数作为初选特征.针对常用的特征提取算法relief算法筛选出的特征存在冗余性的问题,提出了一种relief结合最小冗余最大相关(minimum redundancy maximum relevance,mRMR)的特征降维算法(relief-mRMR).首先,通过relief算法计算出各特征的权重系数,对特征集进行加权;然后利用mRMR算法选出与类别具有最小冗余性的特征,利用支持向量机(support vector machine,SVM)对河北白粉病进行监测,并用遗传算法(genetic algorithm,GA)优化的SVM(GASVM)建立了白粉病的监测模型(relief-mRMR-GASVM),将监测结果分别与SVM和网格寻优(grid search,GS)算法优化的SVM(GSSVM)的监测结果进行对比分析,同时比较了该方法与AdaBoost、粒子群(Pso)优化的最小二乘支持向量机(least squares support vector machine,Pso-LSSVM)和随机森林(random forest,RF)3种方法的优越性.结果表明,relief-mRMR算法筛选出的特征与GASVM、SVM和GSSVM建立的监测模型精度比传统relief算法筛选特征所建模型的精度分别提高了14.3个百分点、7.2个百分点和7.1个百分点,比传统mRMR算法筛选特征所建模型的精度分别提高了14.3个百分点、14.3个百分点和14.2个百分点.relief-mRMR算法结合GASVM建立的监测模型精度为所有模型中最高,精度为85.7个百分点,分别比SVM和GSSVM所建监测模型精度提高了21.4个百分点和7.2个百分点.此外,GF-1数据结合relief-mRMR-GASVM模型的监测精度分别高出AdaBoost、Pso-LSSVM和RF方法21.4个百分点、14.3个百分点和7.1个百分点.说明GF-1数据结合relief-mRMR-GASVM模型可用于小麦白粉病的遥感监测.