[发明专利]一种带有病害特征预处理功能的小麦白粉病遥感监测方法

权利要求书

1.一种带有病害特征预处理功能的小麦白粉病遥感监测方法，其特征在于，包括以下步骤：

11)遥感数据的获取和预处理，获取研究区的遥感数据，并对遥感数据进行预处理，并通过最大似然分类法提取小麦的种植面积；

12)特征变量的提取，获取小麦实地调查数据样本，利用预处理后的遥感影像来进行小麦白粉病监测所需特征的提取；

13)特征变量的处理，利用relief技术计算出小麦白粉病特征的权重，通过阈值筛选后，利用mRMR技术选择与目标类别相关性最大且相互之间冗余性最小的特征子集作为白粉病监测模型的输入变量；所述特征变量的处理包括以下步骤：

131)针对白粉病监测模型的初选特征因子利用relief方法计算特征权重；

从遥感影像初选特征集中选取白粉病监测模型的初选特征因子，以此初选特征因子σ进行特征权重的计算，直至遥感影像初选特征集中所有初选特征因子均进行了特征权重的计算；

所述特征权重的计算具体步骤如下：

51)在n个实际样本点中随机选取一个样本点A；

52)假设样本点A为健康样本，在样本点A周围寻找两个最近邻样本，一个为最近邻健康样本H，一个为最近邻病害样本M；

53)计算样本点A与最近邻健康样本H之间初选特征因子的差值σ_AH；

54)计算样本点A与最近邻病害样本M之间初选特征因子的差值σ_AM；

55)若σ_AH＜σ_AM，则说明初选特征因子σ有利于区分同类与不同类的最近邻，增加初选特征因子σ的权重；

56)若σ_AH＞σ_AM，则说明初选特征因子σ不利于区分同类与不同类的最近邻，减少初选特征因子σ的权重；

57)重复51)步骤m次，并计算m个初选特征因子σ权重的平均值；

132)设定权重阈值，将初选特征因子σ权重的平均值与权重阈值进行对比；若大于权重阈值，则将初选特征因子σ归入筛选特征集合；若小于权重阈值，则将初选特征因子σ舍弃；

133)通过mRMR方法对筛选特征集合的特征进行降维处理，在relief方法筛选出的筛选特征集合中利用互信息衡量特征子集中特征与病害类别之间、特征与特征之间的相关度，筛选出n个特征变量；

通过mRMR方法对筛选特征集合的特征进行降维处理包括以下步骤：

61)给定两个随机变量x和y，其对应于连续变量的概率密度函数为p(x)、p(y)、p(x,y)，则x和y之间的互信息表示如下：

62)利用互信息计算筛选特征集合S中与病害类别c之间的最大相关性，其表达式如下：

63)利用互信息计算筛选特征集合S中特征x_i和x_j之间的冗余度，其计算表达式如下：

64)利用互信息差准则，选出差值最大的特征，得到最小冗余最大相关的一个特征，将此特征归入建模所需的优选特征集；

65)在剩余的样本集中重复执行62)步骤n次，最终得到n个建模所需的优选特征；

14)白粉病监测模型的构建和优化，构建以支持向量机为基础的白粉病监测模型，并对白粉病监测模型进行优化；

所述白粉病监测模型的构建和优化包括以下步骤：

141)以支持向量机为基础构建白粉病监测模型，将n个特征变量作为样本集；

142)回归函数最小化处理，支持向量机通过寻找φ(x)和b，使得回归函数据f(x)＝ω^Tφ(x)+b的结构风险最小化；

引入非负松弛变量ξ_i和惩罚因子C，待优化问题表示为：

其中，C为常数，ξ_i和控制输出约束的上界和下界；

143)利用遗传方法对惩罚因子和核参数进行优化，以实现白粉病监测模型的优化；所述的利用遗传方法对惩罚因子和核参数进行优化包括以下步骤：

71)将n个建模所需的优选特征作为样本数据，形成训练样本；

72)计算训练样本的输出值与期望值的平均相对误差；

73)对训练样本进行选择、交叉、变异运算；

74)判断是否满足初始设置的最大遗传代数，满足条件时得到最优的惩罚因子和核参数；

15)小麦白粉病遥感监测结果的获得，从遥感影像上逐像元的提取特征变量保存至矩阵A中作为白粉病监测模型的输入变量，提取每个像元的地理坐标保存到矩阵B中，将矩阵A输入到优化后的白粉病监测模型中，得到研究区小麦白粉病监测情况的矩阵结果C，结合矩阵结果C和地理坐标矩阵B将监测结果绘制成图，得到研究区域的小麦白粉病监测结果空间分布图。