基于多核支持向量機(jī)的小麥條銹病遙感監(jiān)測研究

高 媛，競 霞，劉良云，白宗璠

(1.西安科技大學(xué)測繪科學(xué)與技術(shù)學(xué)院，陜西西安 710054；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 )

條銹病是我國乃至世界發(fā)生面積廣、危害程度大的一種小麥病害，嚴(yán)重時(shí)可導(dǎo)致小麥減產(chǎn)40%以上[1]。傳統(tǒng)依靠人工田間調(diào)查的小麥條銹病監(jiān)測方法費(fèi)時(shí)費(fèi)力，難以多點(diǎn)同時(shí)大面積展開，且由于缺少病害空間分布的準(zhǔn)確信息，易導(dǎo)致殺菌劑的漏施、多施，造成作物藥害以及土壤污染等環(huán)境問題[2]。近年來，隨著高光譜遙感技術(shù)的發(fā)展，一些基于遙感探測數(shù)據(jù)的無損快速診斷技術(shù)被用于作物病害監(jiān)測中[3]，尤其是利用冠層光譜數(shù)據(jù)的作物病害遙感探測取得了重要進(jìn)展[4-7]，但其研究主要是基于已有植被指數(shù)或者光譜特征，并未考慮冠層反射光譜在受到土壤覆蓋度、冠層幾何結(jié)構(gòu)、大氣等環(huán)境因子對光譜的吸收影響時(shí)隨著時(shí)空的變化[8]，因此針對不同時(shí)空下的小麥條銹病，如何獲取動(dòng)態(tài)的冠層光譜敏感因子顯得尤為重要。劉 琦等[9]在325～1 075 nm全波段范圍內(nèi)成功建立模擬識(shí)別小麥條銹病的模型，但其數(shù)據(jù)直接使用全波段，包含大量無效信息，存在冗余等問題。獨(dú)立變量分析(independent component analysis,ICA)是一種提取高階統(tǒng)計(jì)上線性無關(guān)特征的方法，可以從一組混合觀察信號(hào)中分離出獨(dú)立信號(hào)，最早用于盲源信號(hào)分離問題，具有較高的收斂速度[10]。目前，已有研究將ICA應(yīng)用于植物重金屬污染脅迫信息分析[11-12]。因此，本研究采用獨(dú)立變量分析對小麥冠層全波段光譜數(shù)據(jù)進(jìn)行特征提取，獲取冠層光譜敏感因子。

小麥?zhǔn)艿綏l銹病菌侵染后，光合能力和葉綠素含量迅速降低，而日光誘導(dǎo)葉綠素?zé)晒馀c光合作用之間具有直接的聯(lián)系[13]，能夠敏感反映作物光合生理上的變化[14]。張永江等[15]利用標(biāo)準(zhǔn)FLD(fraunhofer line discrimination)方法預(yù)測了小麥條銹病不同病情嚴(yán)重度的日光誘導(dǎo)葉綠素?zé)晒?，證實(shí)了日光誘導(dǎo)葉綠素?zé)晒饪梢苑从程镩g小麥條銹病的發(fā)病狀況。冠層反射光譜主要反映作物的生化特性，對作物色素含量的變化比較敏感，但難以揭示植被光合生理狀態(tài)[16]，且受土壤顏色、陰影或者其他非綠色景觀成分等背景噪聲的影響較大[13]。條銹病菌侵染后，小麥植株水分、葉綠素含量、光合速率和光能轉(zhuǎn)換率等一些生理生化指標(biāo)均會(huì)發(fā)生變化[4]，綜合利用反射光譜在作物生化參數(shù)探測方面的優(yōu)勢和葉綠素?zé)晒庠诠夂仙碓\斷方面的優(yōu)勢，能夠更加客觀地映射小麥條銹病害的真實(shí)狀況，提高小麥條銹病的遙感探測精度。但目前的研究往往將冠層反射光譜數(shù)據(jù)與葉綠素?zé)晒鈹?shù)據(jù)割裂開來分析或者僅僅只是將這兩種特征進(jìn)行直接拼接作為病情指數(shù)估測模型的輸入?yún)⒘縖17-18]，并未考慮各種特征數(shù)據(jù)與病情指數(shù)之間的最優(yōu)映射關(guān)系。多核學(xué)習(xí)是在支持向量機(jī)(support vector machine，SVM)的基礎(chǔ)上提出的一種新算法，能夠?qū)⒉煌暮撕瘮?shù)組合起來學(xué)習(xí)，彌補(bǔ)單核支持向量機(jī)在針對樣本特征具有異構(gòu)性時(shí)建模的不足[19]。

鑒于此，本研究首先將快速獨(dú)立分量分析(fast independent component analysis,FastICA)方法應(yīng)用到冠層反射光譜的特征提取上，為模型構(gòu)建提供良好的數(shù)據(jù)源。在融合冠層反射光譜特征與日光誘導(dǎo)葉綠素?zé)晒庵笖?shù)時(shí)，分別選用可較好模擬二者與病情指數(shù)相關(guān)關(guān)系的核函數(shù)進(jìn)行映射，使不同病情指數(shù)下的樣本能夠被組合后的特征更好表示，在此基礎(chǔ)上利用多核學(xué)習(xí)支持向量機(jī)方法有效組合不同特征和不同核建立病情指數(shù)估測模型，以期可以更好地揭示小麥條銹病病情指數(shù)與小麥的冠層光譜所表現(xiàn)出的生理生化參量之間的本質(zhì)關(guān)系，提高小麥條銹病病情指數(shù)反演的精度。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)

試驗(yàn)于2018年春季在河北省廊坊市中國農(nóng)業(yè)科學(xué)院試驗(yàn)站進(jìn)行。其中，試驗(yàn)區(qū)域小麥分為健康組(編號(hào)A、D)和染病組(編號(hào)B、C)，每個(gè)試驗(yàn)組面積220 m2，每組分為8個(gè)樣方(A1～A8、B1～B8、C1～C8、D1～D8)，因此共有32個(gè)樣方，其中健康組和染病組各16個(gè)。小麥品種為銘賢169，染病組于2018年4月9日噴灑接種條銹病菌孢子，孢子溶液濃度9 mg·100 mL-1。

1.2 數(shù)據(jù)獲取與預(yù)處理

1.2.1 冠層光譜測量

冠層光譜測量使用ASD Field Spec 4光譜儀，測量時(shí)間為北京時(shí)間11：00-12：30，共測定2018年5月18日、5月24日和5月30日3個(gè)時(shí)期小麥條銹病不同病情嚴(yán)重度下的冠層光譜數(shù)據(jù)。觀測時(shí)測量高度始終離地面1.3 m，探頭垂直向下，探頭視場角25°，每區(qū)域測量10次取均值，并在測量前后用標(biāo)準(zhǔn)BaSO4參考板進(jìn)行校正。利用公式(1)根據(jù)測量得到的光譜數(shù)據(jù)計(jì)算反射值。

R=Ltarget/Lboard×Rboard

(1)

式中R為冠層反射率，Ltarget為目標(biāo)輻亮度，Lboard為參考板輻亮度，Rboard為參考板反射率。

1.2.2 病情指數(shù)調(diào)查

小麥條銹病病情指數(shù)調(diào)查與冠層光譜測量同步進(jìn)行，測量方法為5點(diǎn)取樣法，即在每個(gè)樣方中選取對稱的5個(gè)點(diǎn)，每點(diǎn)約1 m2面積，各點(diǎn)分別選取30株小麥調(diào)查其發(fā)病情況。病情嚴(yán)重度分為9個(gè)梯度：0、1%、10%、20%、30%、45%、60%、80%和100%，分別記錄各梯度下小麥葉片數(shù)，根據(jù)記錄結(jié)果利用公式(2)計(jì)算測試群體的病情指數(shù)(disease index，DI)。

(2)

式中x為各梯度的級(jí)值，n為最高梯度值9，f為各梯度的葉片數(shù)[20]。

1.2.3 日光誘導(dǎo)葉綠素?zé)晒庵笖?shù)提取

日光誘導(dǎo)葉綠素?zé)晒庵笖?shù)在使用ASD Field Spec 4光譜儀測定的冠層光譜數(shù)據(jù)的基礎(chǔ)上利用輻亮度和反射率兩種方法提取[21]?；谳椓炼鹊娜~綠素?zé)晒馓崛∷惴軌虻玫饺~綠素?zé)晒鈴?qiáng)度值，屬于日光誘導(dǎo)葉綠素?zé)晒獾闹苯犹崛》椒?。該算法依?jù)夫瑯和費(fèi)暗線原理，利用夫瑯和費(fèi)線內(nèi)的一個(gè)波段和夫瑯和費(fèi)線外的一個(gè)(或多個(gè))波段的表觀輻亮度，通過計(jì)算自然光照條件下太陽光激發(fā)的熒光對“夫瑯和費(fèi)井”的填充程度估算葉綠素?zé)晒獾膹?qiáng)度。關(guān)于填充程度的計(jì)算，目前已有多種算法，本研究采用魯棒性較好的3FLD算法[22]，其計(jì)算公式如公式(3)所示[23]。

(3)

已有研究表明，O2-A(760nm)波段氧氣吸收形成的夫瑯和費(fèi)暗線特征明顯，熒光較強(qiáng)[24]，且估測精度高[25]?；诖耍狙芯坷?FLD算法估測了O2-A波段的日光誘導(dǎo)葉綠素?zé)晒鈴?qiáng)度。同時(shí)為了提高日光誘導(dǎo)葉綠素?zé)晒馓崛【?，減弱冠層光譜數(shù)據(jù)測量不同時(shí)間段太陽光照強(qiáng)度等外界因素對日光誘導(dǎo)葉綠素?zé)晒夤浪阒档挠绊?，本研究將?jì)算得到的日光誘導(dǎo)葉綠素?zé)晒獾慕^對強(qiáng)度分別除以夫瑯和費(fèi)吸收線內(nèi)的太陽入射輻照度，獲取該吸收線處的日光誘導(dǎo)葉綠素?zé)晒獾南鄬?qiáng)度[26]。

(4)

式中Frelative為日光誘導(dǎo)葉綠素?zé)晒庀鄬?qiáng)度，Iin為參考板獲取的夫瑯和費(fèi)吸收線內(nèi)的太陽入射輻照度。

基于反射率方法提取的日光誘導(dǎo)葉綠素?zé)晒馐?個(gè)反映熒光強(qiáng)度的反射率指數(shù)，屬于葉綠素?zé)晒獾拈g接提取方法。由于葉綠素發(fā)射的熒光對常用于評價(jià)植物健康活力的紅邊區(qū)的表觀反射率有一定貢獻(xiàn)，因此基于反射率的提取算法實(shí)質(zhì)為通過分析熒光對650～800 nm紅邊區(qū)域反射率的影響來構(gòu)建熒光光譜指數(shù)。目前，基于反射率的葉綠素?zé)晒庵笖?shù)通常分為反射率比值指數(shù)、反射率一階導(dǎo)數(shù)指數(shù)以及填充指數(shù)三類[21]，反射率比值指數(shù)利用一個(gè)受熒光影響強(qiáng)的波段和一個(gè)受熒光影響弱的波段的比值去除與反射率相關(guān)的光譜信息以獲取熒光信息，如Zarco-Tejada等[27]構(gòu)建的R690/R655、R740/R720、R440/R690、R750/R800等比值指數(shù)。反射率一階導(dǎo)數(shù)指數(shù)主要用于探測紅邊光譜區(qū)熒光發(fā)射的細(xì)小變化[23]，如Zarco-Tejada等[28]構(gòu)建的一階導(dǎo)數(shù)光譜指數(shù)D730/D706。填充指數(shù)是通過兩個(gè)波段反射率的差間接反映熒光信息，但該指數(shù)除熒光信息外，也受隨大氣和太陽觀測幾何的變化的夫瑯和費(fèi)暗線深度的影響，僅適用于在相同時(shí)間和觀測條件下的數(shù)據(jù)對比[23]?；诖?，本研究僅計(jì)算目前常用的反射率比值指數(shù)和反射率一階導(dǎo)數(shù)指數(shù)并依據(jù)其與病情指數(shù)之間的顯著相關(guān)性進(jìn)行指數(shù)篩選得到最終用于建模的反射率熒光指數(shù)。

1.3 模型構(gòu)建方法

1.3.1 獨(dú)立主成分分析

針對計(jì)算所得的冠層反射光譜，采用快速獨(dú)立分量分析(FastICA)方法提取特征。FastICA，又稱固定點(diǎn)算法，是ICA的一種快速算法，具有收斂速度快、分離效果好的優(yōu)點(diǎn)。ICA最早應(yīng)用于盲源分離，能夠?qū)y量得到的混合信號(hào)分離為相互獨(dú)立的源信號(hào)，數(shù)學(xué)模型表達(dá)式如公式(4) 所示：

X=AS

(5)

其中，k(x,x′)=exp(-‖x-x′‖2/2σ2)，由實(shí)地觀測得到的n個(gè)樣本點(diǎn)的冠層反射光譜構(gòu)成的n個(gè)行向量所組成；S=[S1,S2,…,Sm]T，為m個(gè)待測量獨(dú)立成分特征矩陣，A為混合矩陣，該矩陣與樣本中各獨(dú)立成分比重相關(guān)，維數(shù)為n×m，一般m≤n。

ICA在假設(shè)各成分之間相互獨(dú)立的基礎(chǔ)上，從混合的觀測信號(hào)X中分解出源信號(hào)S，即尋找混合矩陣W，使得

Y=WX

(6)

其中，Y是計(jì)算得到的獨(dú)立源信號(hào)S的最佳逼近。

1.3.2 多核支持向量機(jī)模型

SVM是一種建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上的基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化的學(xué)習(xí)方法，通過使用映射函數(shù)將低維輸入空間的樣本映射到高維空間，使其變?yōu)榫€性情況，其核心問題為核函數(shù)的確定[18]。傳統(tǒng)的SVM中常用的基核函數(shù)包括高斯核以及多項(xiàng)式核等，其表達(dá)式分別為：

k(xi,xj)=exp(-‖xi-xj‖2/2σ2)

(7)

k(xi,xj)=(xi·xj+1)p

(8)

其中，σ是高斯核參數(shù)，p是多項(xiàng)式核函數(shù)中的階數(shù)。

但是傳統(tǒng)單核SVM受到核函數(shù)的限制，當(dāng)建模特征來源廣且與目標(biāo)參量不一定滿足同一種映射關(guān)系時(shí)，無法充分挖掘特征與目標(biāo)參量間的相關(guān)信息，使其應(yīng)用受到限制[19]。多核學(xué)習(xí)方法是在SVM的基礎(chǔ)上發(fā)展而來的算法，其核心思想為基于Mercer定理，用多個(gè)基本核函數(shù)的凸組合代替?zhèn)鹘y(tǒng)單一核函數(shù)的方法來克服傳統(tǒng)單核函數(shù)的固有缺陷，提高學(xué)習(xí)性能[29]。多核學(xué)習(xí)中核函數(shù)的通用表達(dá)式為

(9)

式中Km表示傳統(tǒng)SVM中的基核函數(shù)，M表示基核函數(shù)的個(gè)數(shù)，dm是基核函數(shù)線性組合的權(quán)系數(shù)。

基于此，為了在構(gòu)建小麥條銹病病情嚴(yán)重度估測模型時(shí)充分利用日光誘導(dǎo)葉綠素?zé)晒夂凸趯臃瓷涔庾V特征信息，本研究基于多核學(xué)習(xí)理論，以高斯核和多項(xiàng)式核作為基核函數(shù)，利用Matlab R2014b編程語言，采用梯度下降法計(jì)算權(quán)重系數(shù)，并以KKT條件作為算法的停止準(zhǔn)則，構(gòu)建多核學(xué)習(xí)支持向量機(jī)模型[29]。

1.4 模型精度驗(yàn)證

鑒于留一交叉驗(yàn)證法能夠充分利用樣本中所有數(shù)據(jù)，在有限樣本容量下盡可能減少“過擬合”問題，可以得到較為穩(wěn)定的誤差指標(biāo)，盡量避免因?yàn)殡S機(jī)抽選訓(xùn)練集和測試集導(dǎo)致測試誤差的隨機(jī)變化，本研究采用該方法對模型精度進(jìn)行檢驗(yàn)。精度評價(jià)指標(biāo)選用模型估測DI值與實(shí)測DI間的決定系數(shù)(determination coefficient，r2)和均方根誤差(root mean square error，RMSE)[30]2個(gè) 指標(biāo)。

(10)

(11)

2 結(jié)果與分析

2.1 特征參量的優(yōu)選

2.1.1 冠層反射光譜特征的選取

利用FastICA算法提取冠層反射光譜特征向量時(shí)，由于1 800 nm之后的冠層反射光譜數(shù)據(jù)信噪低，且在1 351～1 450 nm處光譜數(shù)據(jù)受空氣中水汽影響較大，因而為了減少噪聲干擾，選取波長在400～1 800 nm范圍內(nèi)且不包含水汽影響的波段作為有效波段進(jìn)行分析。由于不同波段的冠層光譜反射率與小麥條銹病病情指數(shù)之間的相關(guān)性不同(圖1)，因此為了減少FastICA的輸入波段數(shù)，降低噪聲干擾，選取與DI顯著相關(guān)的波段作為FastICA的輸入波段，然后依次進(jìn)行標(biāo)準(zhǔn)化以及白化操作以獲取獨(dú)立分量，最終依據(jù)表1中得到的各獨(dú)立分量與病情指數(shù)之間的相關(guān)系數(shù)挑選最終的冠層反射光譜特征。最終共挑選出冠層光譜特征6個(gè)，分別位于468～523 nm、558～713 nm以及1 410～1 563 nm波段處。

表1 冠層反射光譜獨(dú)立成分分量信息Table 1 Independent components of canopy reflectance spectrum

圖1 小麥冠層光譜與條銹病病情指數(shù)相關(guān)關(guān)系

2.1.2 日光誘導(dǎo)葉綠素?zé)晒馓卣鞯倪x取

在選取日光誘導(dǎo)葉綠素?zé)晒馓卣鲿r(shí)，首先基于輻亮度算法計(jì)算O2-A波段的日光誘導(dǎo)葉綠素?zé)晒鈴?qiáng)度；其次，對于基于反射率的熒光指數(shù)，在利用公式(1)將冠層輻亮度數(shù)據(jù)轉(zhuǎn)化為反射率的基礎(chǔ)上，參考已有的研究成果計(jì)算常用的反射率比值指數(shù)以及反射率一階導(dǎo)數(shù)指數(shù)R440/R690、R690/R655、R740/R720、R750/R800、D730/D706。最后計(jì)算上述特征參量與小麥條銹病病情指數(shù)之間的相關(guān)系數(shù)，挑選與DI極顯著相關(guān)的葉綠素?zé)晒庵笖?shù)作為用于建模的日光誘導(dǎo)葉綠素?zé)晒馓卣鳌谋?可以看出，O2-A吸收線位置處熒光相對強(qiáng)度、R440/R690、R740/R720、D730/D706與小麥條銹病病情指數(shù)達(dá)到了極顯著相關(guān)，可以作為日光誘導(dǎo)葉綠素?zé)晒獗O(jiān)測小麥條銹病嚴(yán)重度的敏感因子。

表2 日光誘導(dǎo)葉綠素?zé)晒庵笖?shù)信息Table 2 Solar-induced chlorophyll fluorescence index

2.2 模型的構(gòu)建與精度評價(jià)

2.2.1 不同特征參量的最優(yōu)核選取

針對優(yōu)選的冠層反射光譜特征以及日光誘導(dǎo)葉綠素?zé)晒馓卣鲄⒘?，分別利用支持向量機(jī)學(xué)習(xí)算法構(gòu)建小麥條銹病病情嚴(yán)重度估測模型，并采用留一交叉法對不同模型精度進(jìn)行驗(yàn)證，分析各特征參量與病情指數(shù)之間的映射關(guān)系，以確定反射光譜數(shù)據(jù)和日光誘導(dǎo)葉綠素?zé)晒獾淖顑?yōu)核函數(shù)，其結(jié)果分別如圖2和圖3所示。圖2描述了冠層反射特征參量分別采用高斯核和多項(xiàng)式核構(gòu)建支持向量機(jī)模型的效果，可以看出，對于利用FastICA提取的冠層反射率獨(dú)立成分分量而言，采用高斯核的效果優(yōu)于多項(xiàng)式核。而圖3的結(jié)果表明，對于葉綠素?zé)晒庵笖?shù)而言，采用多項(xiàng)式核的效果優(yōu)于高斯核。葉綠素?zé)晒庵饕从匙魑锕夂献饔脿顟B(tài)，受土壤等非綠色植被背景噪聲的影響較小，因此可以選用特定分布的核函數(shù)如多項(xiàng)式核作為其與病情指數(shù)之間的映射函數(shù)。但對于作物冠層反射率而言，在獲取反射率光譜時(shí)，受土壤等背景噪聲的影響較大，導(dǎo)致獲取的樣本點(diǎn)反射率光譜與病情指數(shù)的關(guān)系不一定符合某種分布[2]，而高斯核函數(shù)能夠?qū)崿F(xiàn)高維空間的非線性映射，即使在樣本分布未知的情況下，其旋轉(zhuǎn)對稱性可確保不造成大的偏差，從而獲得較高的反演精度。

圖2 基于冠層反射率的小麥條銹病病情嚴(yán)重度反演模型預(yù)測DI值與實(shí)測值散點(diǎn)圖

圖3 基于熒光指數(shù)的小麥條銹病病情嚴(yán)重度反演模型預(yù)測DI值與實(shí)測值散點(diǎn)圖

2.2.2 多特征融合下的模型構(gòu)建與精度評價(jià)

常用的多特征融合方法主要有直接拼接法和基于核函數(shù)的特征融合法兩種。其中，直接拼接法將所有特征并列形成高維的特征向量，并未考慮不同類型特征各自具有的特性，仍采用單一核函數(shù)映射所有特征來構(gòu)建模型，不僅無法充分挖掘特征中包含的信息，同時(shí)可能還會(huì)增加分類器訓(xùn)練和預(yù)測時(shí)的計(jì)算代價(jià)。而基于核函數(shù)的特征融合法將不同的特征用不同的核函數(shù)進(jìn)行映射實(shí)現(xiàn)多特征融合，更有利于樣本數(shù)據(jù)特征的表達(dá)，可以在一定程度上彌補(bǔ)各個(gè)單特征的缺點(diǎn)，最大限度地發(fā)揮各種特征的優(yōu)勢，提高模型監(jiān)測精度。

為了驗(yàn)證多特征融合下的多核學(xué)習(xí)支持向量機(jī)在小麥條銹病病情指數(shù)反演中的優(yōu)越性，首先比較僅采用冠層反射光譜特征或日光誘導(dǎo)葉綠素?zé)晒馓卣鞯膯我惶卣鹘＞扰c將這兩種特征直接拼接的多特征融合的建模精度(表3)；然后對比分析直接拼接法與基于多核學(xué)習(xí)的多特征融合兩種不同特征融合方法的建模精度(圖4)。

表3 多特征融合與單特征模型的精度對比Table 3 Accuracy comparison between multi-feature combination and single feature model

從表3可以看出，相對于使用單一特征，使用多特征融合方法的模型反演精度總體上有所提高。在使用高斯核建模時(shí)，基于直接拼接法融合冠層反射率特征以及葉綠素?zé)晒庵笖?shù)特征后的模型預(yù)測DI值和實(shí)測DI值間的r2為 0.787，RMSE為0.142，優(yōu)于僅使用冠層反射率(r2= 0.725,RMSE=0.161)或者僅使用葉綠素?zé)晒庵笖?shù)特征(r2=0.765,RMSE=0.149)時(shí)的模型精度；對于多項(xiàng)式核SVM而言，采用直接拼接法的模型r2為0.847，RMSE為0.120，優(yōu)于采用單一特征的建模精度。其次，由圖4可以看出，采用基于核函數(shù)的多特征融合方法模型的預(yù)測DI值與實(shí)測DI值之間的擬合程度最優(yōu)，其r2為0.915,RMSE為0.090，相對于采用直接拼接法，其r2分別提高了16.3%、8.0%，RMSE分別減少了 36.6%、25.0%。說明對于冠層反射率光譜特征以及日光誘導(dǎo)葉綠素?zé)晒庵笖?shù)特征而言，采用直接拼接法進(jìn)行多特征融合雖然在一定程度上可以提高模型反演的精度，但該方法仍使用單一核函數(shù)映射融合后的特征，不能夠較好地反映不同類型特征具有的特性。而基于多核學(xué)習(xí)的多特征融合的小麥條銹病病情指數(shù)反演模型，可以最大限度地利用特征特性，將冠層反射光譜特征在作物生化參數(shù)探測的優(yōu)勢以及葉綠素?zé)晒庠诠夂仙碓\斷方面的優(yōu)勢結(jié)合起來，提高病情估測的精 準(zhǔn)度。

圖4 反射率與熒光融合的小麥條銹病病情嚴(yán)重度反演模型預(yù)測DI值與實(shí)測值散點(diǎn)圖

3 討 論

小麥條銹病原菌在侵入小麥后，會(huì)造成小麥水分、葉綠素含量、光合速率和光能轉(zhuǎn)換率等一些生理生化指標(biāo)均發(fā)生變化[4]。綜合利用反射光譜在作物生化參數(shù)探測方面的優(yōu)勢和葉綠素?zé)晒庠诠夂仙碓\斷方面的優(yōu)勢能夠比較全面客觀地映射小麥條銹病害的真實(shí)狀況，提高小麥條銹病的遙感估測精度。本研究表明，基于直接拼接法融合日光誘導(dǎo)葉綠素?zé)晒饧肮趯庸庾V反射率特征作為輸入變量構(gòu)建的小麥條銹病遙感探測模型的估測精度較采用單一熒光數(shù)據(jù)或反射光譜數(shù)據(jù)所構(gòu)建的模型均不同程度提高，其中對于高斯核SVM，采用直接拼接法的多特征融合模型比采用單一冠層反射光譜數(shù)據(jù)或葉綠素?zé)晒鈹?shù)據(jù)的模型預(yù)測DI值與實(shí)測DI值之間的r2分別提高了 8.6%、2.9%，RMSE分別減少了11.8%、4.7%；對于多項(xiàng)式核SVM而言，r2分別提高了 26.0%、5.6%，RMSE分別減少了31.8%、12.4%。

對于日光誘導(dǎo)葉綠素?zé)晒庵笖?shù)與反射光譜特征的融合而言，雖然采用直接拼接法融合日光誘導(dǎo)葉綠素?zé)晒夂头瓷涔庾V數(shù)據(jù)作為小麥條銹病病情嚴(yán)重度估測模型的輸入?yún)⒘磕軌蛟谝欢ǔ潭壬咸岣吣Ｐ凸罍y精度，但是不同光譜特征與病情指數(shù)之間不一定滿足相同的最優(yōu)映射關(guān)系，因此，本研究在提取可見光-近紅外反射率獨(dú)立分量特征組以及日光誘導(dǎo)葉綠素?zé)晒庵笖?shù)特征組的基礎(chǔ)上，使用不同的核函數(shù)分別對不同特征組建模，以期可以找到不同特征參量與病情指數(shù)之間的最優(yōu)映射函數(shù)。本研究結(jié)果表明，對于冠層光譜而言，由于其實(shí)際測量時(shí)受到土壤、植株葉片角度等影響較大,采用在樣本分布情況未知下仍有較好建模結(jié)果，且以高斯核效果更優(yōu)，而對于日光誘導(dǎo)葉綠素?zé)晒庵笖?shù)而言，采用多項(xiàng)式核的效果優(yōu)于高斯核?；诖耍狙芯繕?gòu)建了特征最優(yōu)核映射的多核學(xué)習(xí)支持向量機(jī)模型。通過對比分析反射光譜數(shù)據(jù)和日光誘導(dǎo)葉綠素?zé)晒鈹?shù)據(jù)特征進(jìn)行直接拼接后的單核學(xué)習(xí)SVM模型與基于不同特征最優(yōu)核映射的多核學(xué)習(xí)SVM模型的預(yù)測精度發(fā)現(xiàn)，基于特征最優(yōu)核映射的多核學(xué)習(xí)模型效果較采用直接拼接法的多特征融合模型更優(yōu)。

在提取冠層反射光譜特征參量時(shí)，雖然本研究采用的獨(dú)立成分分量方法在一定程度上能夠避免全波段信息含量巨大、無效信息冗雜的問題，但如何消除數(shù)據(jù)測試時(shí)外界環(huán)境條件差異對光譜影響，使所建模型具有更強(qiáng)的穩(wěn)定性和適用性，還需要更加深入的研究。其次，在尋找不同特征參量組與病情指數(shù)之間的最優(yōu)核函數(shù)映射時(shí)，本研究僅采用高斯核和多項(xiàng)式核作為基礎(chǔ)核進(jìn)行分析，當(dāng)改變遙感監(jiān)測條銹病的敏感因子或者分析更多的核函數(shù)時(shí)，最優(yōu)映射核是否會(huì)改變以及如何更客觀合理地挑選不同特征參量的最優(yōu)核函數(shù)還有待進(jìn)一步研究。

小麥病害不僅導(dǎo)致其反射光譜及日光誘導(dǎo)葉綠素?zé)晒獍l(fā)生變化，而且病害的發(fā)生與小麥的生育期及其外界溫濕度條件等均有關(guān)系，如何綜合利用時(shí)相信息、溫濕度條件、反射光譜和日光誘導(dǎo)葉綠素?zé)晒鈹?shù)據(jù)以及農(nóng)學(xué)知識(shí)等多種數(shù)據(jù)和技術(shù)手段提高小麥條銹病遙感逆向識(shí)別的精度則是下一步工作的重點(diǎn)。