[发明专利]一种耦合气象特征区域尺度的小麦条绣病严重度遥感监测方法

权利要求书

1.一种耦合气象特征区域尺度的小麦条绣病严重度遥感监测方法，其特征在于，包括以下步骤：

11)遥感训练数据的获取：获取用于训练的遥感影像数据和对应的气象数据；

12)遥感训练数据的特征筛选：提取出遥感影像数据的初选特征因子，对遥感影像数据的初选特征因子进行筛选，筛选出遥感训练数据特征因子；

13)气象数据的特征筛选：利用ReliefF和K-means++算法对气象数据的特征因子进行筛选，筛选出气象特征因子；

14)小麦条绣病遥感监测模型的构建：基于OVO SVMs-KNN算法构建小麦条绣病遥感监测模型；

15)小麦条绣病遥感监测模型的训练：利用遥感训练数据特征因子和气象特征因子对小麦条绣病遥感监测模型进行训练；

16)待分析遥感数据的获取和特征提取：获取待分析的遥感影像数据和对应的气象数据，并提取出其遥感特征因子和气象特征因子；

17)小麦条绣病严重度遥感监测结果的获得：将待分析的遥感特征因子和气象特征因子输入训练后的小麦条绣病遥感监测模型，得到小麦条绣病严重度遥感监测结果。

2.根据权利要求1所述的一种耦合气象特征区域尺度的小麦条绣病严重度遥感监测方法，其特征在于，所述气象数据的特征筛选包括以下步骤：

21)基于Sentinel-2遥感影像数据，并分析条锈病发生的主要影响因子，选择分析区域及相邻区域的3月到5月份的平均降水量PRE、平均温度TEM、风速WIN、日照时数SSD、相对湿度RHU作为条锈病发生具有影响意义的因子作为监测的初选变量；

22)利用ReliefF算法从上述遥感气象数据的初选特征因子中筛选出权值较高的特征，作为候选特征集：

221)将研究区域的气象数据集随机取出一个作为样本R，设定样本R在初选特征因子的权值W(A)表示为：

式中R₁和R₂为初选样本，differ(A,R₁,R₂)表示样本R₁和R₂在初选特征因子A上的差，max(A)和min(A)分别是初选特征因子A的上界和下界，p(C)为该类别的比例，p(Class(R))为随机选取的某样本的类别的比例，其计算公式中M_j(C)表示类C中的第j个最近邻样本；

222)为使得筛选出特征变量的数目不至于过多且相关性较大，将权重阈值设置为0.12，每个初选特征利用ReliefF算法进行20次样本计算，获得20个权值并进行平均，将平均结果作为此特征的最终权重；

223)将若干个初选特征因子的权值W(A)进行降序排列，排在前6位的初选特征因子作为候选特征集；

23)利用K-means++聚类算法筛选出遥感气象数据特征变量聚类精度最高的一组特征集：

231)从候选特征集中随机选取一个样本作为初始聚类中心c₁；

232)首先计算每个样本x与当前已有聚类中心之间的最小差值，即与最近的一个聚类中心的差，用D(x)表示，用X表示样本集，接着计算每个样本被选为下一个聚类中心的概率，其公式如下：

最后，按照轮盘法选择下一个聚类中心；

233)重复以上步骤直到选择出共K个聚类中心；

234)针对气象数据集中每个样本x_i，计算它到K个聚类中心的差值并将其分到差值最小聚类中心所对应的类；

235)针对每个类别c_i，重新计算它的聚类中心，其表达式如下所示：

其中，N_j表示属于c_i类的数据点的个数，属于某个簇的所有点的算术平均值，即为该簇的质心，表示属于c_i类所有样本x；

236)按降序顺序依次逐个添加其他的初选特征因子进行聚类；若添加后进行聚类的精度要相对于上一个的精度高，该特征对聚类精度贡献为正，则保留此特征；

237)将聚类精度最高的遥感气象数据特征组合作为最终的模型输入变量。