基于GF-1遙感影像和relief-mRMR-GASVM模型的小麥白粉病監(jiān)測

黃林生，阮 超,，黃文江 ，師 越，彭代亮，丁文娟

(1.安徽大學(xué)農(nóng)業(yè)生態(tài)大數(shù)據(jù)分析與應(yīng)用技術(shù)國家地方聯(lián)合工程研究中心，合肥230601；2.中國科學(xué)院遙感與數(shù)字地球研究所，數(shù)字地球重點(diǎn)實(shí)驗(yàn)室，北京 100094）

0 引 言

小麥白粉病是小麥生產(chǎn)過程中的主要病害之一[1]。及時(shí)有效地監(jiān)測出小麥白粉病的發(fā)生對(duì)提高小麥的產(chǎn)量和質(zhì)量具有重大意義[2]。傳統(tǒng)的監(jiān)測方法主要依靠地面調(diào)查，需要耗費(fèi)大量的人力物力，不適合大區(qū)域的應(yīng)用[3]，遙感技術(shù)的發(fā)展使大區(qū)域的監(jiān)測成為可能。特征變量提取和監(jiān)測模型構(gòu)建是遙感監(jiān)測的 2個(gè)重要環(huán)節(jié)。目前大部分學(xué)者采用相關(guān)性分析[4]、獨(dú)立樣本 T檢驗(yàn)[5]、relief算法[6]和最小冗余最大相關(guān)（minimum redundancy maximum relevance，mRMR）[7]等算法進(jìn)行特征提取。盡管這些特征選擇方法在特征篩選中具有較好的適用性，但單一的方法無法同時(shí)考慮到特征之間的冗余性和特征與類別之間的相關(guān)性，如relief算法沒有考慮特征之間存在的冗余性[8]，mRMR算法則無法體現(xiàn)不同特征對(duì)分類作用的差異[9]，而上述已有的研究并未考慮這種不足。將relief和mRMR算法結(jié)合使用，可有效彌補(bǔ)2種算法的不足，如王露等[10]利用遙感圖像，通過 relief算法結(jié)合mRMR算法實(shí)現(xiàn)了對(duì)地物的分類，且分類精度高于只用relief算法和 mRMR算法的分類精度。Zhang等[9]利用relief算法和mRMR算法對(duì)數(shù)據(jù)集進(jìn)行降維，在基因選擇研究中也取得了較好的效果。

此外，建模方法的選擇直接影響監(jiān)測模型的效果。支持向量機(jī)（support vector machine，SVM）是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的模型構(gòu)建方法[11]，通常用在模式識(shí)別、分類及回歸分析等問題中。黃林生等[11]利用SVM建立了小麥白粉病的監(jiān)測模型。胡根生等[4]利用粒子群（Pso）優(yōu)化的最小二乘支持向量機(jī)（least squares support vector machine，LSSVM）建立了小麥蚜蟲的監(jiān)測模型（Pso-LSSVM）。但是，運(yùn)用這種算法時(shí)，如何有效選擇核函數(shù)、確定參數(shù)等問題仍然存在爭議。傳統(tǒng)的網(wǎng)格尋優(yōu)（grid search，GS）算法效率低，計(jì)算量大，花費(fèi)時(shí)間長，效果并不理想[12]。而遺傳算法(genetic algorithm，GA)擅長解決全局最優(yōu)化問題，算法魯棒性強(qiáng)，且過程簡單，在進(jìn)行快速搜索時(shí)可與問題的領(lǐng)域無關(guān)，擴(kuò)展性好[13]。

基于上述分析，本文以河北藁城的小麥為研究對(duì)象，利用 GF-1遙感影像反演得到初選特征集，將通過 relief算法結(jié)合mRMR算法篩選得到的優(yōu)選特征集作為模型的輸入變量，與經(jīng)過 GA算法優(yōu)化的 SVM（GASVM）方法建立白粉病的監(jiān)測模型（relief-mRMR-GASVM），對(duì)區(qū)域尺度的白粉病進(jìn)行監(jiān)測，并將其結(jié)果與僅通過單一的relief算法或 mRMR算法篩選得到的特征集結(jié)合未經(jīng)過優(yōu)化的SVM方法和經(jīng)過GS算法優(yōu)化的SVM（GSSVM）方法建立的監(jiān)測模型進(jìn)行對(duì)比分析，同時(shí)比較了該方法與已有的3種白粉病監(jiān)測方法AdaBoost[7]、Pso-LSSVM[4]和隨機(jī)森林[14]（random forest，RF）的優(yōu)越性??

1 材料與方法

1.1 研究區(qū)概況

本文的研究區(qū)域位于河北省石家莊市的藁城（如圖1）。河北省麥區(qū)在氣候分區(qū)中屬于黃河流域冬小麥白粉病易發(fā)氣候區(qū)[15]。該區(qū)域地勢(shì)平緩開曠且全境皆平原，由于此地地勢(shì)平坦，氣候變化不大，以溫暖濕悶為主，加之當(dāng)?shù)厮蕳l件好，產(chǎn)量高，麥田群體密度高，且是白粉病發(fā)生的典型區(qū)域[16]，故可以考慮利用遙感衛(wèi)星影像來對(duì)小麥白粉病進(jìn)行監(jiān)測。

圖1 研究區(qū)概況Fig.1 General situation of study area

1.2 數(shù)據(jù)獲取

研究所用的數(shù)據(jù)主要包括遙感衛(wèi)星影像數(shù)據(jù)和實(shí)地調(diào)查的小麥白粉病數(shù)據(jù)。考慮到研究區(qū)當(dāng)時(shí)的天氣、病害調(diào)查時(shí)間以及影像質(zhì)量等因素，遙感數(shù)據(jù)選取了 2014年05月26日的GF-1/WFV數(shù)據(jù)。GF-1/WFV數(shù)據(jù)的空間分辨率為16 m，有藍(lán)、綠、紅、近紅外4個(gè)波段，光譜范圍0.45～0.89 μm。實(shí)地調(diào)查數(shù)據(jù)于2014年05月26日和27日小麥灌漿期調(diào)查獲得，采用了5點(diǎn)調(diào)查法進(jìn)行病害調(diào)查，即在每個(gè)調(diào)查點(diǎn)取1 m×1 m的樣方，在調(diào)查點(diǎn)中心用全球定位系統(tǒng)（global position system，GPS）進(jìn)行定位，樣方里均勻選取5個(gè)對(duì)稱的點(diǎn)，每點(diǎn)選取20株小麥進(jìn)行調(diào)查，記錄樣方內(nèi)白粉病發(fā)病情況。病情嚴(yán)重度采用改進(jìn)的小麥白粉病“0～9級(jí)法”[17]對(duì)病害嚴(yán)重程度進(jìn)行記錄，將小麥從上到下均勻地分成 9段，根據(jù)表 1的分級(jí)標(biāo)準(zhǔn)進(jìn)行分級(jí)，然后計(jì)算出病情指數(shù)[18]

式中DI（disesase index）為病情指數(shù)，x為發(fā)病級(jí)數(shù)，n為最高級(jí)別9，f為不同發(fā)病級(jí)別的株數(shù)。

實(shí)地調(diào)查發(fā)現(xiàn)藁城白粉病發(fā)生嚴(yán)重，且南部發(fā)病嚴(yán)重。共獲取了56個(gè)采樣點(diǎn)數(shù)據(jù)，選取42個(gè)采樣點(diǎn)數(shù)據(jù)作為訓(xùn)練樣本，其余的14個(gè)樣本點(diǎn)數(shù)據(jù)用于模型的驗(yàn)證。

表1 小麥白粉病發(fā)生程度分級(jí)標(biāo)準(zhǔn)Table 1 Grading standards of wheat powdery mildew occurrence degree

1.3 數(shù)據(jù)預(yù)處理

獲取的 GF-1/WFV影像需要經(jīng)過輻射定標(biāo)，大氣校正，并結(jié)合Landsat 8影像數(shù)據(jù)進(jìn)行正射校正等預(yù)處理。GF-1影像輻射定標(biāo)公式如下：

式中 L(λ)為輻射亮度值(W/(m2?sr?μm))，Gain 為增益系數(shù)，Bias為偏置系數(shù)，DN為觀測灰度值，Gain和Bias都由中國資源衛(wèi)星應(yīng)用中心提供。

輻射定標(biāo)完成后，采用ENVI5.1軟件中的 FLAASH大氣校正模塊將影像的輻射亮度轉(zhuǎn)為反射率，最后對(duì)圖像進(jìn)行裁剪獲得所要研究的區(qū)域的影像。

預(yù)處理完成后利用最大似然分類法提取小麥的種植面積，小麥種植面積分類圖見圖1b。

植株感病時(shí)會(huì)出現(xiàn)明顯的冠層結(jié)構(gòu)變化及水分變化，從而引起近紅外波段反射率改變[19]，色素的含量和活性也會(huì)降低，導(dǎo)致可見光區(qū)域的反射率增加，同時(shí)發(fā)生紅邊藍(lán)移的現(xiàn)象[20]，所以紅波段和近紅外波段與病害有較顯著的相關(guān)性且對(duì)特定波段反射率進(jìn)行組合、變換，能夠加強(qiáng)健康樣本與非健康樣本兩者之間的差異[21]。本文選取14個(gè)在病害監(jiān)測研究中常用的特征變量[1,4,11,21]，包括4個(gè)反射率波段（藍(lán)、綠、紅、近紅外）以及10個(gè)由紅波段和近紅外波段或者搭配其他波段進(jìn)行組合、變換而來的植被指數(shù)（表2）作為白粉病監(jiān)測模型的初選特征因子。

表2 寬波段植被指數(shù)Table 2 Vegetation index of wide band range

1.4 特征變量選取算法

1.4.1 relief特征降維算法

relief算法是一種特征權(quán)重算法，通過計(jì)算特征與類別之間的相關(guān)性的大小來對(duì)特征賦予不同的權(quán)重，當(dāng)特征的權(quán)重小于設(shè)定的閾值時(shí)就會(huì)被移除[8]。relief算法從初選的特征集中隨機(jī)選擇一個(gè)樣本a，然后在同類樣本集中尋找一個(gè)最近鄰樣本 H，在不同類樣本集中尋找一個(gè)最近鄰樣本M，樣本a在特征l的權(quán)值w表示為[32]：

式中diff(l, a, b)表示樣本a和b在特征l上的距離，max(l)和min(l)分別是l的上界和下界。

1.4.2 mRMR算法

mRMR算法是基于信息理論的典型特征降維算法[9]，該算法主要是從經(jīng)過relief算法篩選的特征中找出與病害類別具有最大相關(guān)性且相互之間具有最少冗余性的 n個(gè)特征。利用互信息[18]衡量特征子集中特征與特征之間、特征與小麥發(fā)病情況之間的相關(guān)度。互信息I(x,y)為：

式中 p(x)為變量 x的概率，p(y)為變量 y的概率，p(x,y)為x，y的聯(lián)合概率。

特征集中特征與特征的相關(guān)度為：

式中S為特征集合，|S|為該特征的樣本個(gè)數(shù)，xi、xj分別為特征i和特征j中的特征變量，I(xi,xj)為特征i與特征j之間的互信息。

特征集中的特征與類別之間的相關(guān)度為：

式中z為目標(biāo)類別，I(xi,z)為特征i和目標(biāo)類別z之間的互信息。

根據(jù)差準(zhǔn)則組合式（6）、（7）即得到mRMR的特征選擇標(biāo)準(zhǔn)：

1.4.3 relief-mRMR算法

relief算法運(yùn)行效率高，通過計(jì)算特征的權(quán)重，能夠?qū)Ψ诸惸芰?qiáng)的特征賦予較高的權(quán)重[8]，但relief算法不考慮特征之間存在的冗余性，不能去除冗余特征。僅僅通過relief算法得到的候選特征集雖然與小麥白粉病有較高的相關(guān)性，但是由于特征之間可能存在的冗余性反而會(huì)對(duì)模型的精度造成不利的影響。mRMR算法能夠得到特征之間具有最小冗余性且特征與目標(biāo)之間具有最大相關(guān)性的特征集，但mRMR算法計(jì)算復(fù)雜度高，計(jì)算量大，它在相關(guān)性方面的準(zhǔn)確性要低于relief算法，而且無法得到明確的權(quán)重大小，提取出的特征集無法體現(xiàn)不同特征對(duì)分類作用的差異[9]，可能會(huì)導(dǎo)致對(duì)白粉病區(qū)分度好的特征被誤刪?因此提出relief算法結(jié)合mRMR算法（reliefmRMR）來對(duì)初選特征進(jìn)行降維處理，通過利用relief算法篩選出與白粉病相關(guān)性高的候選特征集，提高區(qū)分度好的特征的權(quán)值，同時(shí)減少了mRMR算法在計(jì)算上的負(fù)擔(dān)，再利用mRMR算法去除候選特征集間的冗余特征，得到最優(yōu)的特征集。

1.5 監(jiān)測模型的構(gòu)建方法

本文通過GA算法優(yōu)化的SVM來構(gòu)建小麥白粉病的遙感監(jiān)測模型。SVM的基本思想[13]就是尋找一個(gè)最優(yōu)超平面，使得該超平面在保證分類精度的同時(shí)最大化超平面的兩側(cè)。在SVM分類器中，獨(dú)立的超平面可以定義為

式中 ω表示法向量，決定了超平面的方向；x表示特征向量；k表示偏移量，決定了超平面與原點(diǎn)的距離。

通過引入正則優(yōu)化項(xiàng)和松弛變量ξ，將式(9)轉(zhuǎn)化為

式中C為懲罰因子，n為特征維數(shù)，y為目標(biāo)類別。

引入拉格朗日乘子求解此約束優(yōu)化問題，最后得到SVM的決策函數(shù)為

式中ai是拉格朗日乘子，yi(x·xi)是核函數(shù)。

徑向基核函數(shù)在非線性擬合方面具有較好效果[33]，因此本文選用徑向基核函數(shù)作為SVM的核函數(shù)，影響監(jiān)測模型精度的2個(gè)模型參數(shù)是懲罰因子C和徑向基核函數(shù)參數(shù)γ。傳統(tǒng)的參數(shù)選取方法多是采用反復(fù)試驗(yàn)的方法確定。目前常用GS（gird search）算法得到最優(yōu)的參數(shù)，但這種方法效率低，工作量大[13]。GA（genetic algorithm）算法的優(yōu)點(diǎn)在于解決全局最優(yōu)問題，而且魯棒性強(qiáng)，在進(jìn)行快速搜索時(shí)可與問題的領(lǐng)域無關(guān)，擴(kuò)展性好。本文利用GA算法的優(yōu)點(diǎn)對(duì)懲罰因子和核參數(shù)進(jìn)行優(yōu)化，利用GA優(yōu)化SVM[34]建立小麥白粉病監(jiān)測模型的步驟如下：

1）初始化種群。

2）將經(jīng)過relief-mRMR算法篩選后的樣本數(shù)據(jù)分為訓(xùn)練樣本和驗(yàn)證樣本。本文實(shí)地調(diào)查數(shù)據(jù)有56個(gè)點(diǎn)，將其中42個(gè)點(diǎn)的樣本數(shù)據(jù)作為訓(xùn)練樣本對(duì)每組參數(shù)進(jìn)行訓(xùn)練，其余的14個(gè)點(diǎn)作為驗(yàn)證樣本，計(jì)算出輸出值與期望值的平均相對(duì)誤差。

3）對(duì)種群進(jìn)行選擇、交叉、變異運(yùn)算。

4）判斷是否滿足初始設(shè)置的最大遺傳代數(shù) 100，滿足條件時(shí)得到最優(yōu)的懲罰因子和核參數(shù)。

5）用參數(shù)優(yōu)化后的SVM模型對(duì)河北小麥白粉病進(jìn)行監(jiān)測。

2 結(jié)果與分析

2.1 特征變量的選取

通過relief算法計(jì)算出初選的14個(gè)特征與類別之間的權(quán)重分布，如圖2所示?

圖2 relief算法特征權(quán)重計(jì)算結(jié)果Fig2 Calculation results of feature weight by relief algorithm

為使篩選出的特征變量的數(shù)量不至于過多，將權(quán)重閾值設(shè)置為2 500，篩選出滿足條件（≥2 500）的8個(gè)特征作為mRMR算法的候選特征集，然后通過mRMR算法進(jìn)一步篩選得到最優(yōu)的特征變量SR、NIR、NDVI作為第1組特征集，同時(shí)選取relief算法得到的權(quán)重最大的3個(gè)特征SR、GNDVI、TVI作為第2組特征集，選取單獨(dú)采用mRMR算法得到的最優(yōu)的3個(gè)特征TVI、RTVI和RDVI作為第3組特征集。對(duì)比不同方法篩選出的特征變量，SR、NIR、NDVI和GNDVI[21-22,24-25]主要表征植被受病害脅迫后的長勢(shì)和植被覆蓋度變化，RDVI[31]主要表征不同高低植被覆蓋度下的生物量信息，TVI和RTVI[23,28]表征了脅迫引起的生物組分含量變化。而從病理的角度，由于受白粉病侵染后葉片表層孢子菌落發(fā)展的影響，作物的冠層結(jié)構(gòu)受到破壞，導(dǎo)致紅邊及近紅外波段產(chǎn)生較大響應(yīng)[19]。因此，相比后2組特征，relief-mRMR算法篩選出的特征更偏重于反映這種長勢(shì)及冠層結(jié)構(gòu)信息的變化。

2.2 病害監(jiān)測模型的構(gòu)建

本文通過relief算法、mRMR算法和relief-mRMR算法篩選的最優(yōu)特征變量，結(jié)合未經(jīng)優(yōu)化的SVM、經(jīng)過GS算法優(yōu)化的 SVM（GSSVM）和 GA算法優(yōu)化的 SVM（GASVM）共建立了9種小麥白粉病監(jiān)測模型，分別為relief-SVM模型、mRMR-SVM模型、relief-mRMR-SVM模型、relief-GSSVM 模型、mRMR-GSSVM 模型、relief-mRMR-GSSVM模型、relief-GASVM模型、mRMR-GASVM模型和relief-mRMR-GASVM模型?

2.3 不同特征降維方法對(duì)應(yīng)模型精度對(duì)比分析

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[5]。本文結(jié)合2014年05月26日和27日的實(shí)地采樣點(diǎn)數(shù)據(jù)對(duì) 9種模型進(jìn)行了評(píng)估，同時(shí)對(duì)其他學(xué)者提出的幾種白粉病的監(jiān)測方法進(jìn)行了對(duì)比分析。表3列出了3種特征選擇算法結(jié)合3種建模方法建立的白粉病監(jiān)測模型的性能對(duì)比。

從表3中可以看出，在SVM、GSSVM和GASVM 3種方法模型中，relief-mRMR算法篩選特征所建監(jiān)測模型的精度和Kappa系數(shù)均高于relief算法和mRMR算法單獨(dú)篩選特征所建模型。relief-mRMR算法篩選出的特征與GASVM、SVM 和 GSSVM 建立的監(jiān)測模型精度比傳統(tǒng) relief算法篩選特征所建模型的精度分別提高了 14.3個(gè)百分點(diǎn)、7.2個(gè)百分點(diǎn)和7.1個(gè)百分點(diǎn)，比傳統(tǒng)mRMR算法篩選特征所建模型的精度分別提高了14.3個(gè)百分點(diǎn)、14.3個(gè)百分點(diǎn)和14.2個(gè)百分點(diǎn)。對(duì)比SVM、GSSVM和GASVM 3種模型方法所建模型可以看出，GASVM 方法建立的監(jiān)測模型精度高于SVM 和 GSSVM 方法建立的監(jiān)測模型精度，其中relief-mRMR-GASVM 模型的精度最高，總體精度比relief-mRMR-GSSVM和relief-mRMR-SVM模型的總體精度分別高出 7.2和 21.4個(gè)百分點(diǎn)，且 relief-mRMR-GASVM 模型的總體精度、用戶精度、制圖精度均為85.7%，Kappa系數(shù)為0.714，為所有模型中最高。以上結(jié)果說明 relief-mRMR算法能夠更加有效地篩選出反映小麥的長勢(shì)與發(fā)病情況的特征，其篩選特征所建模型優(yōu)于relief算法和mRMR篩選特征所建模型。GASVM方法建立的監(jiān)測模型優(yōu)于未經(jīng)優(yōu)化的SVM和GSSVM方法建立的模型精度，relief-mRMR算法結(jié)合GASVM方法建立的白粉病監(jiān)測模型可以有效提高模型監(jiān)測精度，這與Zhang等[9]和王露等[10]的研究結(jié)果一致。

表3 模型分類精度對(duì)比分析Table 3 Accuracy analysis of different classification for models

2.4 不同模型精度對(duì)比分析

為進(jìn)一步驗(yàn)證本文建模方法的優(yōu)越性，研究以relief-mRMR算法篩選特征作為輸入變量，分別用已有的3種白粉病監(jiān)測方法AdaBoost[7]、Pso-LSSVM[4]和RF[14]構(gòu)建監(jiān)測模型，并將其結(jié)果與relief-mRMR-GASVM模型結(jié)果進(jìn)行對(duì)比分析。4種監(jiān)測方法的具體驗(yàn)證結(jié)果如表4所示。可以看出采用GF-1數(shù)據(jù)結(jié)合relief-mRMR-GASVM模型的監(jiān)測精度高于其他幾種方法的監(jiān)測精度，其監(jiān)測精度比AdaBoost方法、Pso-LSSVM方法和RF分別高出21.4、14.3和7.1個(gè)百分點(diǎn)。這一結(jié)果顯示已有的3種方法在本文中并未表現(xiàn)出同已有文獻(xiàn)[4,7,14]中一致的較優(yōu)的結(jié)果，導(dǎo)致這一結(jié)果的原因可能與不同研究中的樣本數(shù)據(jù)的數(shù)據(jù)源不同有關(guān)，本文所用遙感影像為空間分辨率更高的 GF-1影像數(shù)據(jù)，其他已有研究所用數(shù)據(jù)均為Landsat-8 TM數(shù)據(jù)[2,4,14]，GF-1影像數(shù)據(jù)的信噪比等指標(biāo)要低于Landsat TM數(shù)據(jù)，且不同的傳感器在光譜覆蓋范圍和光譜響應(yīng)上均存在差異[35]，由不同傳感器的光譜響應(yīng)函數(shù)、信噪比及混合像元效應(yīng)引起的差異對(duì)模型精度的影響仍需要下一步探討。

表4 不同白粉病監(jiān)測方法驗(yàn)證結(jié)果Table 4 Validaiton results of different powdery mildew monitoring methods

2.5 研究區(qū)小麥白粉病監(jiān)測

采用研究區(qū)2014年05月26日遙感影像，以單個(gè)像元為基本處理單元，3個(gè)SVM監(jiān)測模型為9個(gè)模型中最低，精度最高只有64.3%，無法應(yīng)用到對(duì)白粉病的監(jiān)測中。因此本文用利用3種特征選擇算法分別結(jié)合GSSVM和GASVM模型方法得到2014年05月26日的小麥白粉病發(fā)生發(fā)布情況如圖3所示。

從監(jiān)測結(jié)果分布圖中可以看出2種mRMR算法建立的模型監(jiān)測的結(jié)果顯示白粉病輕度發(fā)生，與實(shí)地調(diào)查時(shí)的嚴(yán)重發(fā)生偏差較大，relief算法和relief-mRMR算法建立 的 4 種 監(jiān) 測 模 型 relief-GSSVM(圖 3a）、relief-mRMR-GSSVM（圖 3c）、relief-GASVM（圖 3d）和relief-mRMR-GASVM（圖3f）在空間分布上大致相同，南部發(fā)病情況比北部發(fā)病情況嚴(yán)重，與實(shí)際調(diào)查情況相符，發(fā)病面積占總體面積的百分比依次為44.5%、62.1%、62.4%和60.4%。圖3a與其余3幅圖相比發(fā)病面積較少，與實(shí)地調(diào)查的小麥白粉病嚴(yán)重發(fā)生存在偏差。對(duì)比圖3a、3c、3d和3f可以發(fā)現(xiàn)，圖3a和圖3d的監(jiān)測結(jié)果中白粉病發(fā)病區(qū)分布較零散。而小麥白粉病是由布氏白粉菌引起，該病菌具有繁殖快，傳播面積廣的特點(diǎn)，一般不會(huì)零散發(fā)生[18]，因此圖3a和圖3d的監(jiān)測結(jié)果與小麥白粉病的特點(diǎn)相悖，而圖3c和圖3f的監(jiān)測結(jié)果更符合小麥白粉病發(fā)生特點(diǎn)，可信度更高。

圖3c和圖3f在大體上表現(xiàn)出一致性，但在細(xì)節(jié)上存在差異，觀察圖3c和圖3f兩幅局部監(jiān)測結(jié)果圖（分別為圖3g和圖3h）可以發(fā)現(xiàn)圖3h中分為健康的區(qū)域在圖3g中被分為發(fā)病。

圖3h中小麥健康與發(fā)病地塊之間分布比較均勻，而圖3g則大多表現(xiàn)出整塊的區(qū)域全為發(fā)病區(qū)域，只有少數(shù)地塊表現(xiàn)出均勻分布，比較兩幅局部監(jiān)測結(jié)果圖可以發(fā)現(xiàn) 通 過 relief-mRMR-GSSVM模 型 和relief-mRMR-GASVM監(jiān)測的整體趨勢(shì)與實(shí)際相符，但在細(xì)節(jié)部分，relief-mRMR-GASVM模型的區(qū)分能力要優(yōu)于relief-mRMR-GSSVM模型，relief-mRMR-GASVM模型在局部的監(jiān)測中仍適用。

結(jié)合白粉病實(shí)地調(diào)查情況和 9個(gè)監(jiān)測模型的評(píng)價(jià)結(jié)果、不同白粉病監(jiān)測方法驗(yàn)證結(jié)果以及空間分布結(jié)果可以看出，relief-mRMR算法在白粉病的監(jiān)測中可以提取較優(yōu)的特征集，GF-1數(shù)據(jù)結(jié)合relief-mRMR-GASVM模型在整體趨勢(shì)、發(fā)病特點(diǎn)、局部細(xì)節(jié)上都與實(shí)際情況較為一致，能夠真實(shí)地反映出小麥白粉病的發(fā)病狀況，可用于日常的生產(chǎn)中對(duì)小麥白粉病實(shí)時(shí)監(jiān)測的需求中，通過準(zhǔn)確獲取白粉病的發(fā)病狀況、空間分布特征來有計(jì)劃的提供防治依據(jù)，減少產(chǎn)量損失。

圖3 小麥白粉病監(jiān)測結(jié)果空間分布圖Fig.3 Monitoring spatial map of wheat powdery mild

3 結(jié) 論

本文利用GF-1遙感數(shù)據(jù)建立了小麥白粉病的監(jiān)測模型，通過 relief-mRMR（minimum redundancy maximum relevance）算法篩選出 3個(gè)特征變量 NIR（near-infrared reflectance）、SR（simple ratio index）和 NDVI（normalized difference vegetation index）作為模型的輸入變量，與GASVM建立白粉病的監(jiān)測模型，對(duì)河北藁城的小麥白粉病發(fā)生情況進(jìn)行監(jiān)測，并將其結(jié)果與僅通過relief算法和mRMR算法篩選后的特征與未經(jīng)優(yōu)化的 SVM（support vector machine）和GSSVM建立的監(jiān)測模型進(jìn)行對(duì)比分析，同時(shí)比較了該方法與已有的 3種小麥白粉病監(jiān)測方法 AdaBoost、Pso-LSSVM（least squares support vector machine）和RF（random forest）的優(yōu)越性，

1）SVM、GSSVM和GASVM 3種不同模型方法中，通過 relief-mRMR算法建立的模型精度均高于僅通過relief算法和mRMR算法建立的模型精度，說明relief和mRMR 2種算法結(jié)合，在選出與病害發(fā)生相關(guān)性大的特征的同時(shí)可有效去除特征之間的冗余性，從而獲得更優(yōu)的特征集。

2）relief-mRMR算法結(jié)合GASVM方法使得監(jiān)測模型 的 精 度 從 relief-mRMR-SVM 的 64%和relief-mRMR-GSSVM的 78.5%提高到 85.7%，且relief-mRMR-GASVM 模型的 Kappa系數(shù)（0.714）為 9個(gè)監(jiān)測模型中最高。說明relief-mRMR-GASVM方法可以提高小麥白粉病模型的監(jiān)測精度，同時(shí)使得監(jiān)測模型的一致性得到改善，進(jìn)一步加深了模型在實(shí)際應(yīng)用中的可靠性。

3）relief-mRMR-GASVM方法的監(jiān)測精度較已有的3種白粉病監(jiān)測方法AdaBoost、Pso-LSSVM和RF方法分別提高了 21.4、14.3和 7.1個(gè)百分點(diǎn)。說明本文提出的GF-1影像數(shù)據(jù)結(jié)合relief-mRMR-GASVM模型的方法較已有監(jiān)測方法更適用于小麥白粉病的監(jiān)測。