欧美在线观看视频网站,亚洲熟妇色自偷自拍另类,啪啪伊人网,中文字幕第13亚洲另类,中文成人久久久久影院免费观看 ,精品人妻人人做人人爽,亚洲a视频

基于小波分析與支持向量機(jī)的冬小麥白粉病遙感監(jiān)測方法與流程

文檔序號(hào):11432719閱讀:390來源:國知局
基于小波分析與支持向量機(jī)的冬小麥白粉病遙感監(jiān)測方法與流程

本發(fā)明涉及遙感監(jiān)測技術(shù)領(lǐng)域,具體來說是基于小波分析與支持向量機(jī)的冬小麥白粉病遙感監(jiān)測方法。



背景技術(shù):

小麥白粉病嚴(yán)重影響小麥產(chǎn)量,據(jù)統(tǒng)計(jì),白粉病危害一般可使小麥減產(chǎn)5%~10%,嚴(yán)重區(qū)域可達(dá)20%以上,準(zhǔn)確獲取病害發(fā)生狀況和其空間分布對(duì)于病害防治是十分必要的。傳統(tǒng)的病蟲害監(jiān)測主要依靠植保人員的田間調(diào)查、田間取樣等方式。盡管這些傳統(tǒng)方法的真實(shí)性和可靠性較高,但耗時(shí)、費(fèi)力,難以適應(yīng)目前大范圍的病蟲害實(shí)時(shí)監(jiān)測和預(yù)報(bào)的需求,因此有必要建立遙感影像的監(jiān)測模型。

目前,一些學(xué)者利用遙感數(shù)據(jù)對(duì)病蟲害進(jìn)行了一系列研究。huang等發(fā)現(xiàn)小麥白粉病由于光譜響應(yīng)總體上較平滑,不同于某些僅在較窄波段范圍內(nèi)發(fā)生響應(yīng)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(shù)據(jù)構(gòu)建二維特征空間對(duì)小麥蚜蟲進(jìn)行了預(yù)測,發(fā)現(xiàn)lst對(duì)蚜蟲是否發(fā)生起決定性作用,是蚜蟲發(fā)生發(fā)展的一個(gè)關(guān)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(shù),結(jié)合logistic回歸建立了小麥白粉病預(yù)測模型。以上分析均是基于寬波段植被指數(shù)展開的,但是并未對(duì)寬波段植被指數(shù)進(jìn)行進(jìn)一步細(xì)化研究。

而小波分析是多種分析的結(jié)合算法,能夠從多尺度、多方向上分解數(shù)據(jù),可以對(duì)數(shù)據(jù)進(jìn)行細(xì)化分析,目前尚未出現(xiàn)小波分析應(yīng)用于寬波段植被指數(shù)提取病害信息方面的研究。chen等在對(duì)地震信號(hào)譜分解中先尋找小波變換的最優(yōu)旋轉(zhuǎn)因子,再進(jìn)行處理,降低了算法的運(yùn)算復(fù)雜度,并得到較好的試驗(yàn)結(jié)果。印勇等在對(duì)人臉表情識(shí)別時(shí)采用了pca(principalcomponentanalysis)算法對(duì)小波特征進(jìn)行降維處理,提高了算法的運(yùn)算效率及精度。牛連強(qiáng)等在表情識(shí)別試驗(yàn)中,利用lbp(localbinarypatterns)算法結(jié)合小波變換的方法,大幅度降低了特征的維數(shù),并提高了特征提取的準(zhǔn)確性,得到了100%的識(shí)別率。這表明利用小波特征并進(jìn)行降維處理不僅可以提高運(yùn)算效率還可以提高模型精度。

支持向量機(jī)(svm)在機(jī)器學(xué)習(xí)領(lǐng)域通常用來模式識(shí)別、分類及回歸分析,此算法結(jié)構(gòu)穩(wěn)定,使用方便,相較于人工神經(jīng)網(wǎng)絡(luò)等其他算法具有能夠獲得全局最優(yōu)解的優(yōu)點(diǎn)。wang等利用支持向量機(jī)模型對(duì)小麥條銹病進(jìn)行分類和識(shí)別,獲得了97%的識(shí)別精度。yuan等利用svm模型對(duì)玉米顆粒霉變程度進(jìn)行判別,準(zhǔn)確率達(dá)到91%。張錄達(dá)等利用svm對(duì)小麥蛋白質(zhì)含量進(jìn)行了預(yù)測,并得到了較好的分析結(jié)果。以上說明svm模型在數(shù)據(jù)分類識(shí)別中具有較高的應(yīng)用價(jià)值。

因此,如何利用環(huán)境星遙感數(shù)據(jù)結(jié)合svm模型獲取大面積小麥白粉病發(fā)生的空間分布特征已經(jīng)成為急需解決的技術(shù)問題。



技術(shù)實(shí)現(xiàn)要素:

本發(fā)明的目的是為了解決現(xiàn)有技術(shù)中小麥白粉病難以監(jiān)測預(yù)報(bào)的缺陷,提供一種基于小波分析與支持向量機(jī)的冬小麥白粉病遙感監(jiān)測方法來解決上述問題。

為了實(shí)現(xiàn)上述目的,本發(fā)明的技術(shù)方案如下:

一種基于小波分析與支持向量機(jī)的冬小麥白粉病遙感監(jiān)測方法,包括以下步驟:

數(shù)據(jù)獲取,獲取遙感數(shù)據(jù)和冬小麥白粉病地面調(diào)查點(diǎn)數(shù)據(jù),其中,遙感數(shù)據(jù)為環(huán)境星的ccd光學(xué)數(shù)據(jù)和irs熱紅外數(shù)據(jù);

遙感數(shù)據(jù)的預(yù)處理,利用遙感數(shù)據(jù)計(jì)算對(duì)白粉病敏感的植被指數(shù),獲得白粉病監(jiān)測模型的初選特征;

建模特征的選擇,將白粉病監(jiān)測模型的初選特征通過relief算法結(jié)合k-mean算法進(jìn)行篩選,選擇出3個(gè)最佳特征;對(duì)篩選出的3個(gè)最佳特征進(jìn)行小波變換,通過獨(dú)立樣本t檢驗(yàn)的方法得到3個(gè)對(duì)應(yīng)的最佳小波特征;

支持向量機(jī)模型的建立,通過冬小麥白粉病地面調(diào)查點(diǎn)數(shù)據(jù)構(gòu)建出支持向量機(jī)模型;

獲得遙感監(jiān)測結(jié)果,將遙感數(shù)據(jù)的最佳特征作為輸入數(shù)據(jù),輸入支持向量機(jī)模型,得到冬小麥白粉病遙感監(jiān)測結(jié)果。

所述的遙感數(shù)據(jù)的預(yù)處理包括以下步驟:

將環(huán)境星的ccd光學(xué)數(shù)據(jù)和irs熱紅外數(shù)據(jù)經(jīng)過輻射定標(biāo)、大氣校正和影像裁剪步驟,并結(jié)合landsat8影像進(jìn)行幾何校正;其中,環(huán)境星影像輻射定標(biāo)公式如下:

l=dn/a+l0,

l為輻射亮度,a為絕對(duì)定標(biāo)系數(shù)增益,l0為偏移量,dn為遙感影像像元亮度值;

完成相應(yīng)傳感器的波普響應(yīng)函數(shù)待用,采用envi5.1軟件中flaash模塊完成影像的大氣校正,再對(duì)校正后圖像進(jìn)行裁剪獲取研究區(qū)影像;

根據(jù)研究區(qū)的作物類型利用ndvi、數(shù)字高程模型、近紅外反射率數(shù)據(jù)并結(jié)合envi5.1監(jiān)督分類中的最大似然分類提取冬小麥的種植區(qū)域;

利用環(huán)境星影像數(shù)據(jù)提取7個(gè)寬波段植被指數(shù)以及紅、綠、藍(lán)和近紅外4個(gè)波段反射率數(shù)據(jù),其中,7個(gè)寬波段植被指數(shù)為增強(qiáng)型植被指數(shù)、改進(jìn)的簡單比值指數(shù)、歸一化植被指數(shù)、優(yōu)化土壤調(diào)節(jié)植被指數(shù)、重歸一化植被指數(shù)、土壤調(diào)節(jié)植被指數(shù)和比值植被指數(shù);采用單通道算法反演得到lst數(shù)據(jù);

將7個(gè)寬波段植被指數(shù)、4個(gè)波段反射率數(shù)據(jù)和lst數(shù)據(jù)作為白粉病監(jiān)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(jié)合k-mean算法對(duì)白粉病監(jiān)測模型的初選特征進(jìn)行篩選,選擇出3個(gè)最佳特征,其分別為歸一化植被指數(shù)、比值植被指數(shù)和lst數(shù)據(jù);

利用高斯函數(shù)調(diào)制的復(fù)正弦函數(shù)構(gòu)建5個(gè)尺度、8個(gè)方向共40個(gè)小波核函數(shù),小波核函數(shù)的構(gòu)造公式如下:

其中,g(x,y)為高斯調(diào)制函數(shù),σx和σy為其在兩個(gè)坐標(biāo)軸上的標(biāo)準(zhǔn)差,h(x,y)為小波函數(shù),w為復(fù)正弦函數(shù)在橫軸上的頻率,h(x,y)為小波函數(shù)的傅立葉變換形式;

利用40個(gè)小波函數(shù)對(duì)已篩選出的3個(gè)最佳特征進(jìn)行小波變換,得到3組,每組40個(gè)小波特征;

利用獨(dú)立樣本t檢驗(yàn)的方法對(duì)每組小波特征進(jìn)行篩選,選取最優(yōu)的小波特征,由此得到3組對(duì)應(yīng)的小波參數(shù);其表達(dá)式如下:

其中:(h*i)表示濾波器h與數(shù)據(jù)i的卷積,s(x,y)為經(jīng)過gabor濾波器得到的特征;以h(x,y)為母小波,對(duì)其進(jìn)行尺度和旋轉(zhuǎn)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,α-m為尺度因子,t為尺度的數(shù)目m=0,1,,t-1,k為方向的數(shù)目n=0,1,,k-1。

所述支持向量機(jī)模型的建立包括以下步驟:

設(shè)向量機(jī)模型的判別函數(shù)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(shù);

將冬小麥白粉病地面調(diào)查點(diǎn)數(shù)據(jù)分為發(fā)病與不發(fā)病兩類,并歸集為訓(xùn)練樣本;

獲取訓(xùn)練樣本坐標(biāo)位置的遙感數(shù)據(jù);

將訓(xùn)練樣本坐標(biāo)位置的遙感數(shù)據(jù)輸入向量機(jī)模型,獲得訓(xùn)練后的向量機(jī)模型。

所述獲得遙感監(jiān)測結(jié)果包括以下步驟:

將遙感數(shù)據(jù)的歸一化植被指數(shù)、比值植被指數(shù)和lst數(shù)據(jù)小波變換后的特征作為最佳特征指數(shù);

將最佳特征指數(shù)輸入訓(xùn)練后的向量機(jī)模型,生成冬小麥白粉病遙感監(jiān)測結(jié)果圖。

有益效果

本發(fā)明的基于小波分析與支持向量機(jī)的冬小麥白粉病遙感監(jiān)測方法,與現(xiàn)有技術(shù)相比利用環(huán)境星遙感數(shù)據(jù)經(jīng)過小波變換及特征篩選后,結(jié)合svm算法建立的監(jiān)測模型(gaborsvm),實(shí)時(shí)準(zhǔn)確獲取大面積小麥白粉病發(fā)生的空間分布特征,為白粉病防治提供依據(jù)。

本發(fā)明將小波變換(gabor)應(yīng)用于寬波段植被指數(shù),并對(duì)得到的小波特征進(jìn)行篩選,突出對(duì)病害敏感的因子,提高了病害識(shí)別精度。

附圖說明

圖1為本發(fā)明的方法順序圖;

圖2a為12個(gè)植被指數(shù)運(yùn)用svm模型預(yù)測結(jié)果圖;

圖2b為采用ndvi、lst、sr運(yùn)用svm模型預(yù)測結(jié)果圖;

圖2c為本發(fā)明的svm模型預(yù)測結(jié)果圖。

具體實(shí)施方式

為使對(duì)本發(fā)明的結(jié)構(gòu)特征及所達(dá)成的功效有更進(jìn)一步的了解與認(rèn)識(shí),用以較佳的實(shí)施例及附圖配合詳細(xì)的說明,說明如下:

如圖1所示,本發(fā)明所述的一種基于小波分析與支持向量機(jī)的冬小麥白粉病遙感監(jiān)測方法,包括以下步驟:

第一步,數(shù)據(jù)獲取。獲取遙感數(shù)據(jù)和冬小麥白粉病地面調(diào)查點(diǎn)數(shù)據(jù),其中,遙感數(shù)據(jù)為環(huán)境星的ccd光學(xué)數(shù)據(jù)和irs熱紅外數(shù)據(jù),即環(huán)境與災(zāi)害監(jiān)測預(yù)報(bào)小衛(wèi)星星座a、b(hj-1a/1b星)數(shù)據(jù),實(shí)際應(yīng)用中可以根據(jù)研究區(qū)天氣狀況,選擇質(zhì)量較好、時(shí)間最接近地面調(diào)查的影像數(shù)據(jù);冬小麥白粉病地面調(diào)查點(diǎn)數(shù)據(jù)為冬小麥白粉病實(shí)地調(diào)查數(shù)據(jù),根據(jù)野外實(shí)際調(diào)整所得的有效數(shù)據(jù)。

第二步,遙感數(shù)據(jù)的預(yù)處理。利用遙感數(shù)據(jù)計(jì)算對(duì)白粉病敏感的植被指數(shù),獲得白粉病監(jiān)測模型的初選特征。其具體步驟如下:

(1)將環(huán)境星的ccd光學(xué)數(shù)據(jù)和irs熱紅外數(shù)據(jù)經(jīng)過輻射定標(biāo)、大氣校正和影像裁剪步驟,并結(jié)合landsat8影像進(jìn)行幾何校正;其中,環(huán)境星影像輻射定標(biāo)公式如下:

l=dn/a+l0,

l為輻射亮度,a為絕對(duì)定標(biāo)系數(shù)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(yīng)傳感器的波普響應(yīng)函數(shù)待用,采用envi5.1軟件中flaash模塊完成影像的大氣校正,再對(duì)校正后圖像進(jìn)行裁剪獲取研究區(qū)影像。

(3)根據(jù)研究區(qū)的作物類型利用ndvi、數(shù)字高程模型(digitalelevationmodel,dem)、近紅外反射率數(shù)據(jù)并結(jié)合envi5.1監(jiān)督分類中的最大似然分類提取冬小麥的種植區(qū)域。

(4)利用環(huán)境星影像數(shù)據(jù)提取7個(gè)寬波段植被指數(shù)以及紅、綠、藍(lán)和近紅外4個(gè)波段反射率數(shù)據(jù)(ρr、ρnrj、ρg、ρb),其中,7個(gè)寬波段植被指數(shù)為增強(qiáng)型植被指數(shù)evi、改進(jìn)的簡單比值指數(shù)msr、歸一化植被指數(shù)ndvi、優(yōu)化土壤調(diào)節(jié)植被指數(shù)osavi、重歸一化植被指數(shù)rdvi、土壤調(diào)節(jié)植被指數(shù)savi和比值植被指數(shù)sr;采用單通道算法反演得到lst(landsurfacetemperature,地表溫度)數(shù)據(jù)。

(5)將7個(gè)寬波段植被指數(shù)、4個(gè)波段反射率數(shù)據(jù)和lst數(shù)據(jù)作為白粉病監(jiān)測模型的初選特征,共計(jì)12個(gè)特征數(shù)據(jù)。

第三步,建模特征的選擇。將白粉病監(jiān)測模型的初選特征通過relief算法結(jié)合k-mean算法進(jìn)行篩選,選擇出3個(gè)最佳特征;對(duì)篩選出的3個(gè)最佳特征進(jìn)行小波變換,通過獨(dú)立樣本t檢驗(yàn)的方法得到3個(gè)對(duì)應(yīng)的最佳小波特征。

針對(duì)選取的12個(gè)特征數(shù)據(jù)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(duì)于這12個(gè)特征數(shù)據(jù)進(jìn)行篩選。同時(shí)由于小波變換使數(shù)據(jù)量擴(kuò)大為原來的40倍,導(dǎo)致特征維數(shù)過多從而影響模型的運(yùn)算效率,也需要對(duì)小波特征進(jìn)行進(jìn)一步篩選。

其具體步驟如下:

(1)使用relief算法結(jié)合k-mean算法對(duì)白粉病監(jiān)測模型的初選特征進(jìn)行篩選,選擇出3個(gè)最佳特征,其分別為歸一化植被指數(shù)、比值植被指數(shù)和lst數(shù)據(jù)。在此,3個(gè)最佳特征為經(jīng)過算法比較后得出,在實(shí)際應(yīng)用中,可以采用12個(gè)特征數(shù)據(jù)中的任意3個(gè)或多個(gè)特征數(shù)據(jù),但基于小波變換使數(shù)據(jù)量擴(kuò)大為原來的40倍的考慮,選擇數(shù)量不宜超過4個(gè),基于精度的考慮,適合選用relief算法結(jié)合k-mean算法所確定的歸一化植被指數(shù)、比值植被指數(shù)和lst數(shù)據(jù)這3個(gè)最佳特征。

其中,relief算法是一種特征權(quán)重算法,通過計(jì)算特征與類別間的相關(guān)性賦予特征不同的權(quán)重。但是relief算法不能識(shí)別類別間的冗余以及特征間的相互負(fù)作用。聚類分析可以得到不同特征對(duì)樣本的聚類精度,因此可根據(jù)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(shù)對(duì)數(shù)據(jù)進(jìn)行聚類分析。根據(jù)relief算法將特征數(shù)據(jù)按平均權(quán)重排序,依次組合特征進(jìn)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(gè)特征的relief特征權(quán)重、k-mean聚類精度、特征組合精度對(duì)比表

如表1所示,其列舉12個(gè)特征的relief特征權(quán)重、k-mean聚類精度及特征組合精度對(duì)比,由第三行數(shù)據(jù)可知在組合到savi時(shí)精度開始下降,到lst時(shí)精度上升,而之后又下降,故選擇ndvi、sr和lst構(gòu)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(gè)通道都可以得到數(shù)據(jù)的某種局部特征。將植被指數(shù)特征與小波核函數(shù)進(jìn)行卷積運(yùn)算,卷積后的幅值作為建模特征信息。

利用農(nóng)業(yè)應(yīng)用方面常用的高斯函數(shù)作為母小波函數(shù)構(gòu)造小波核函數(shù),高斯函數(shù)調(diào)制的復(fù)正弦函數(shù)構(gòu)建5個(gè)尺度、8個(gè)方向共40個(gè)小波核函數(shù),小波核函數(shù)的構(gòu)造公式如下:

其中,g(x,y)為高斯調(diào)制函數(shù),σx和σy為其在兩個(gè)坐標(biāo)軸上的標(biāo)準(zhǔn)差,h(x,y)為小波函數(shù),w為復(fù)正弦函數(shù)在橫軸上的頻率,h(x,y)為小波函數(shù)的傅立葉變換形式。

(3)利用40個(gè)小波函數(shù)對(duì)已篩選出的3個(gè)最佳特征(歸一化植被指數(shù)、比值植被指數(shù)和lst數(shù)據(jù))進(jìn)行小波變換,得到3組、每組40個(gè)小波特征。

(4)利用獨(dú)立樣本t檢驗(yàn)的方法對(duì)每組小波特征進(jìn)行篩選,選取最優(yōu)的小波特征,由此得到3組對(duì)應(yīng)的小波參數(shù);其表達(dá)式如下:

其中:(h*i)表示濾波器h與數(shù)據(jù)i的卷積,s(x,y)為經(jīng)過gabor濾波器得到的特征;以h(x,y)為母小波,對(duì)其進(jìn)行尺度和旋轉(zhuǎn)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,α-m為尺度因子,t為尺度的數(shù)目m=0,1,,t-1,k為方向的數(shù)目n=0,1,,k-1。

由此,得到歸一化植被指數(shù)、比值植被指數(shù)和lst數(shù)據(jù)小波變換后的特征(最佳特征),即尺度m、方向n及對(duì)應(yīng)的尺度因子和旋轉(zhuǎn)角度。

第四步,支持向量機(jī)模型的建立。支持向量機(jī)是基于統(tǒng)計(jì)學(xué)習(xí)理論的一種機(jī)器學(xué)習(xí)方法,它的核心思想是結(jié)構(gòu)風(fēng)險(xiǎn)最小化,通過核函數(shù)把輸入線性不可分的數(shù)據(jù)映射到高維空間,構(gòu)造超平面,使得不同樣本之間的類間隔最大,類內(nèi)間隔最小。它具有結(jié)構(gòu)簡單、適應(yīng)性搶、全局最優(yōu)等特點(diǎn),能較好的解決高維特征、非線性、過學(xué)習(xí)與不確定性等問題,廣泛應(yīng)用于遙感影像分類中。通過冬小麥白粉病地面調(diào)查點(diǎn)數(shù)據(jù)構(gòu)建出支持向量機(jī)模型。其具體步驟如下:

(1)設(shè)向量機(jī)模型的判別函數(shù)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(shù)。

(2)將冬小麥白粉病地面調(diào)查點(diǎn)數(shù)據(jù)分為發(fā)病與不發(fā)病兩類,并歸集為訓(xùn)練樣本。在實(shí)際應(yīng)用中,針對(duì)于冬小麥白粉病地面調(diào)查點(diǎn)數(shù)據(jù)只需使用訓(xùn)練樣本,若需對(duì)模型的準(zhǔn)確性進(jìn)行驗(yàn)證,還可以將樣本劃分為訓(xùn)練樣本和測試樣本,通過測試樣本坐標(biāo)位置的遙感數(shù)據(jù)輸入訓(xùn)練樣本訓(xùn)練后的向量機(jī)模型,判斷模型的可靠性。

(3)獲取訓(xùn)練樣本坐標(biāo)位置的遙感數(shù)據(jù)。

(4)將訓(xùn)練樣本坐標(biāo)位置的遙感數(shù)據(jù)輸入向量機(jī)模型,獲得訓(xùn)練后的向量機(jī)模型。

第五步,獲得遙感監(jiān)測結(jié)果。將遙感數(shù)據(jù)的最佳特征作為輸入數(shù)據(jù),輸入支持向量機(jī)模型,得到冬小麥白粉病遙感監(jiān)測結(jié)果。將小波變換與svm相結(jié)合,利用gabor小波變換在敏感特征提取方面的優(yōu)勢和支持向量機(jī)在小樣本分類中的優(yōu)勢,提高監(jiān)測模型的精度和效率。其具體步驟如下:

(1)將遙感數(shù)據(jù)的歸一化植被指數(shù)、比值植被指數(shù)和lst數(shù)據(jù)小波變換后的特征作為最佳特征指數(shù)。

(2)將最佳特征指數(shù)輸入訓(xùn)練后的向量機(jī)模型,生成冬小麥白粉病遙感監(jiān)測結(jié)果圖。

如圖2a、圖2b和圖2c所示,在圖2a、圖2b和圖2c中,白色區(qū)域?yàn)榉躯渽^(qū)、灰色區(qū)域?yàn)榻】刀←?、黑色區(qū)域?yàn)椴『Χ←湣F渲?,圖2a為將全部12個(gè)植被指數(shù)運(yùn)用svm模型預(yù)測結(jié)果,圖2b為經(jīng)過特征篩選后采用ndvi、lst、sr的svm監(jiān)測結(jié)果,圖2c為分別對(duì)ndvi、lst、sr小波變換后,利用經(jīng)過獨(dú)立樣本t檢驗(yàn)得到的最優(yōu)小波特征進(jìn)行svm的監(jiān)測結(jié)果。

從圖2a、圖2b和圖2c,可以看出三種監(jiān)測模型的白粉病發(fā)生情況的總體空間分布相似,東部發(fā)病情況較西部嚴(yán)重。而發(fā)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(xì)小部位存在區(qū)別(在圖2b中處于健康區(qū)域內(nèi)的小塊病害區(qū)域,在圖2c中部分被分為健康區(qū)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(fā)性的特點(diǎn),因此,從小麥灌漿期區(qū)域尺度上看,白粉病零散發(fā)生的概率較低。由此可以間接得出svm結(jié)合特征篩選模型與gaborsvm結(jié)合特征篩選模型的可信度高于svm未經(jīng)特征篩選模型,并且gaborsvm結(jié)合特征篩選模型相較于svm結(jié)合特征篩選模型有了一定的改善。

采用獨(dú)立的樣本數(shù)據(jù)對(duì)模型進(jìn)行驗(yàn)證能夠更好地體現(xiàn)實(shí)際模型的精度?;诎追鄄〉牡孛嬲{(diào)查點(diǎn)數(shù)據(jù)對(duì)模型監(jiān)測結(jié)果進(jìn)行評(píng)價(jià),如表2總體驗(yàn)證結(jié)果所示。表2中列出了svm模型與gaborsvm結(jié)合relief算法與k-mean聚類的用戶精度、總體精度和kappa系數(shù)。從結(jié)果中可以看出3組試驗(yàn)都獲得了較好的實(shí)驗(yàn)結(jié)果。

從總體精度上看,svm模型的總體精度低于gaborsvm模型(本發(fā)明所述方法),說明gabor小波特征相較于原始植被指數(shù)特征對(duì)病害的識(shí)別率較高,gaborsvm模型的kappa系數(shù)也達(dá)到0.583,高于2個(gè)svm模型的0.286和0.444。并且在2個(gè)svm模型中,通過特征篩選的svm模型精度高于未進(jìn)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(fù)相關(guān)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(gè)模型對(duì)病害的識(shí)別精度在不斷提高,gaborsvm的用戶精度達(dá)到91.7%,表明此模型能較為準(zhǔn)確的識(shí)別病害樣本。以上結(jié)果表明,小波特征能提高監(jiān)測模型對(duì)健康與病害的區(qū)分精度,且特征篩選有助于提高模型精度。

表2總體驗(yàn)證結(jié)果

本發(fā)明利用ccd數(shù)據(jù)和irs數(shù)據(jù)建立了冬小麥白粉病的監(jiān)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(duì)區(qū)域尺度的小麥白粉病進(jìn)行監(jiān)測,并與svm方法進(jìn)行比較分析。經(jīng)檢驗(yàn),在特征篩選結(jié)合gaborsvm模型的總體精度達(dá)到86.7%,此模型與特征篩選結(jié)合svm模型相比總體精度提高了6.7%,因此,小波變換應(yīng)用于植被指數(shù)可以提高小麥白粉病的監(jiān)測精度。同時(shí),特征篩選結(jié)合svm模型比未經(jīng)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(fā)明的基本原理、主要特征和本發(fā)明的優(yōu)點(diǎn)。本行業(yè)的技術(shù)人員應(yīng)該了解,本發(fā)明不受上述實(shí)施例的限制,上述實(shí)施例和說明書中描述的只是本發(fā)明的原理,在不脫離本發(fā)明精神和范圍的前提下本發(fā)明還會(huì)有各種變化和改進(jìn),這些變化和改進(jìn)都落入要求保護(hù)的本發(fā)明的范圍內(nèi)。本發(fā)明要求的保護(hù)范圍由所附的權(quán)利要求書及其等同物界定。

當(dāng)前第1頁1 2 
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
1
鄢陵县| 萍乡市| 肥乡县| 和政县| 彭阳县| 新闻| 昭苏县| 正宁县| 洪湖市| 平定县| 沭阳县| 楚雄市| 榆树市| 景德镇市| 平南县| 临武县| 蓬莱市| 广元市| 凉山| 中江县| 焦作市| 昌平区| 乐昌市| 华安县| 安康市| 桐柏县| 栾川县| 福海县| 巴东县| 增城市| 开阳县| 阿克苏市| 嘉鱼县| 静海县| 桦南县| 大庆市| 临泽县| 白山市| 太湖县| 上高县| 会昌县|