当前位置: 首页 > 专利查询>安徽大学专利>正文

一种基于AdaBoost分类器的冬小麦白粉病多时相遥感监测方法及其评价方法技术

技术编号:18495075 阅读:30 留言:0更新日期:2018-07-21 19:14
本发明专利技术涉及一种基于AdaBoost分类器的冬小麦白粉病多时相遥感监测方法及其评价方法,与现有技术相比解决了未针对冬小麦白粉病的机理特性进行遥感监测的缺陷。本发明专利技术包括以下步骤:多时相HJ‑CCD遥感影像获取与预处理;光谱特征计算与归一化;构建基于AdaBoost的小麦白粉病多时相遥感监测模型;冬小麦白粉病遥感监测结果空间制图。本发明专利技术利用冬小麦白粉病的机理特性作为特征向量,通过多相时的光谱特征变化排除小麦白粉病影响外的其他田间胁迫因素影响,将冬小麦白粉病监测转让为分类问题,利用AdaBoost分类器实现冬小麦白粉病的有效监测。

A multi temporal remote sensing monitoring method for winter wheat powdery mildew based on AdaBoost classifier and its evaluation method

The present invention relates to a multi-phase remote sensing monitoring method of winter wheat powdery mildew based on AdaBoost classifier and its evaluation method. Compared with the existing technology, it solves the defect of remote sensing monitoring of the mechanism characteristics of wheat powdery mildew. The present invention includes the following steps: multiphase HJ CCD remote sensing image acquisition and preprocessing; spectral characteristics calculation and normalization; a multi temporal remote sensing monitoring model for wheat powdery mildew based on AdaBoost, and spatial mapping of winter wheat powdery mildew remote sensing monitoring results. In this invention, the mechanism of winter wheat powdery mildew is used as a feature vector, and the effect of other field stress factors on wheat powdery mildew is excluded by spectral characteristics of multiphase time, and the monitoring of winter wheat powdery mildew is transferred into a classification problem, and the effective monitoring of winter wheat powdery mildew is realized by using AdaBoost classifier.

【技术实现步骤摘要】
一种基于AdaBoost分类器的冬小麦白粉病多时相遥感监测方法及其评价方法
本专利技术涉及遥感监测
,具体来说是一种基于AdaBoost分类器的冬小麦白粉病多时相遥感监测方法及其评价方法。
技术介绍
冬小麦白粉病较易发生在河北的葉城、晋州、赵县,经统计资料显示,该地区白粉病发生具有时间连续性强,爆发特征明显,受灾面积范围大等特点。根据历年经验及冠层症状规律,冬小麦在进入灌浆期时,白粉病的症状发展迅速,且染病植株症状呈现由底部向冠层发展的趋势,会导致植株叶面积指数下降,冠层覆盖度下降等一些比较明显的特征,这也为遥感大范围监控冬小麦白粉病提供了可行性。遥感监测技术已广泛应用于各个领域中,对于农保病虫害识别领域也有部分技术提出利用遥感技术进行大范围监测。但遥感监测技术是基于农保作物不同的病变状态而进行的近似视觉类监测,针对于冬小麦白粉病的初期而言,利用传统的监测方法难以达到有效的监测效果。因此,如何基于冬小麦在灌浆期时的这一生理特性,利用遥感技术对冬小麦白粉病进行监测已经成为急需解决的技术问题。
技术实现思路
本专利技术的目的是为了解决现有技术中未针对冬小麦白粉病的机理特性进行遥感监测的缺陷,提供一种基于AdaBoost分类器的冬小麦白粉病多时相遥感监测方法及其评价方法来解决上述问题。为了实现上述目的,本专利技术的技术方案如下:一种基于AdaBoost分类器的冬小麦白粉病多时相遥感监测方法,包括以下步骤:多时相HJ-CCD遥感影像获取与预处理,获取实地调查样本点所在区域的3景HJ-CCD数据,形成时相T1、时相T2和时相T3组成的时序影像集,并对各景HJ-CCD数据均进行辐射定标、大气标正、几何精校正、影像拼接和掩模处理;光谱特征计算与归一化,分别从时相T1、时相T2和时相T3三幅影像上提取光谱特征并进行归一化处理;构建基于AdaBoost的小麦白粉病多时相遥感监测模型,将归一化处理的多时相、多光谱特征作为输入变量,利用巴氏系数分别计算待分样点与健康样本、病害样本的相似性,并基于两组相似性差值建立弱分类器,建立迭代次数与样本错误率ER的二维关系图,平衡算法执行时间和模型精度,确定弱分类器的最优个数,并通过线性组合构建最终的强分类器,得到适用于冬小麦白粉病的多时相遥感监测分类模型;冬小麦白粉病遥感监测结果空间制图,根据AdaBoost多时相遥感监测模型的计算结果,将研究区的像元标注为健康、病害两种属性,并分别用绿色和红色填图。所述光谱特征计算与归一化包括以下步骤:分别提取T1~T3三个时相影像的多光谱特征SFT1、SFT2和SFT3,SFT1为时相T1的光谱特征、SFT2为时相T2的光谱特征、SFT3为时相T3的光谱特征;其中,SFT1、SFT2和SFT3均包括蓝、绿、红、近红外波段这4个原始光谱波段以及基于这4个波段的归一化植被指数NDVI、三角形植被指数TVI、重归一化植被指数RDVI、修正土壤调节植被指数MSAVI、土壤调节植被指数SAVI,其计算表达式如下:TVI=0.5[120(RNIR-RGreen)-200(RRed-RGreen)],MSAVI=0.5[2RNIR+1-((2RNIR+1)2-8(RNIR-RRed)0.5)],其中,RNIR、RRed、RGreen分别表示HJ-CCD遥感影像中的近红外波段、红波段、绿波段的光谱反射率;计算时相T1至时相T2、时相T2至时相T3的光谱变化幅度,其计算公式如下:SFT1T2change=(SFT2-SFT1)/(SFT2+SFT1),SFT2T3change=(SFT2-SFT3)/(SFT2+SFT3),其中,SFT1T2change表示从时相1至时相2时相光谱特征的变化幅度,SFT2T3change表示从时相2至时相3光谱特征的变化幅度。所述构建基于AdaBoost的小麦白粉病多时相遥感监测模型包括以下步骤:构建弱分类器;优化确定AdaBoost弱分类器个数,建立迭代次数与样本错误率ER的二维关系图,通过平衡算法执行时间和模型精度,确定弱分类器的最优个数;通过所有的弱分类器构建强分类器。所述对各景HJ-CCD数据进行几何精校正处理的方法为:根据样本点区域的一景经过几何精校正的基准LandsatGeoCover产品分别对时相T1、时相T2和时相T3的HJ-CCD影像进行配准,保证选取的几何校正点均匀分布在整个影像内,校正方法采用二次多项式法,几何校正误差控制在0.5个像元内。所述对各景HJ-CCD数据进行大气校正处理的方法为:选取ENVI软件中的FLAASH大气校正模块,包括辐射定标、波谱函数制作和FLAASH大气校正三个步骤。所述构建弱分类器包括以下步骤:选定光谱特征作为特征向量,选用HJ-CCD的蓝、绿、红、近红外波段这四个原始通道,和基于这四个原始通道能够计算且反映叶面积指数LAI、叶绿素Chl及冠层结构变化机制的归一化植被指数NDVI、三角形植被指数TVI、重归一化植被指数RDVI、修正土壤调节植被指数MSAVI、土壤调节植被指数SAVI这5个常用植被指数用于小麦白粉病发生范围进行监测;通过巴氏系数分别计算待分样点与健康样本的相似性δH、待分样本点与病害样本的相似性δD,其计算公式如下:其中,为所有健康样本的特征向量平均值,为所有病害样本的特征向量平均值,为待分样本的特征向量;根据待分样本与病害样本的相似性及待分样本与健康样本的相似性差值建立弱分类器ξm,其公式如下:其中:θm为阈值。所述通过所有的弱分类器构建强分类器包括以下步骤:输入N个样本数据集(x1,y1),...,(xN,yN),其中,每一个xi项都有一个关联的类yi∈{-1,1};归一化每个样本权重,其公式如下:其中,D1(i)是第一次迭代中样本的误差权重;N为输入样本的数量;由所有的弱分类器ξm和其可信率αm组成最终的强分类器Ξ(x),对于m=1,...,M,其组成过程如下:找到弱分类器ξm(x)使得Dm分布的误差εm最小通过错误率计算可信率αm更新样本权重Dm+1=Dm(-αmyiξm(xi));由所有的弱分类器和其可信率够成最终的强分类器其评价方法为分类精度评价步骤,基于实地调查数据对AdaBoost多时相遥感监测模型的分类结果进行验证,构建混淆矩阵,计算总体精度、错分误差、漏分误差和Kappa系数进行评价。所述分类精度评价包括以下步骤:混淆矩阵生成,选取实地调查数据对基于AdaBoost的冬小麦白粉病多时相遥感监测模型的监测结果进行验证,通过将实测值和估测值进行比较组合,得到混淆矩阵二维表;评价指标计算,采用总体精度OA、错分误差C、漏分误差O和Kappa系数κ对模型精度进行评价,计算公式如下:其中,NCorrect是被正确分类的像元总和,即混淆矩阵中对角线上所有数字的和,NTotal是像元总数;其中,NkCommission是其他类别错分为k类的像元数,NkTotal是划分为k类型的像元数之和;其中,NkOmission是k类被错分为其他类别的像元数,NkTruth是k类型的真实参考像元数;其中,N是像元总数,k是分类数(k=2),Xkk是混淆矩阵中对角线上的元素,xkΣ是某一类中真实参考像元数,xΣk是该类中被分类像元数。有益效果本专利技术的一种基于AdaBoos本文档来自技高网...

【技术保护点】
1.一种基于AdaBoost分类器的冬小麦白粉病多时相遥感监测方法,其特征在于,包括以下步骤:11)多时相HJ‑CCD遥感影像获取与预处理,获取实地调查样本点所在区域的3景HJ‑CCD数据,形成时相T1、时相T2和时相T3组成的时序影像集,并对各景HJ‑CCD数据均进行辐射定标、大气标正、几何精校正、影像拼接和掩模处理;12)光谱特征计算与归一化,分别从时相T1、时相T2和时相T3三幅影像上提取光谱特征并进行归一化处理;13)构建基于AdaBoost的小麦白粉病多时相遥感监测模型,将归一化处理的多时相、多光谱特征作为输入变量,利用巴氏系数分别计算待分样点与健康样本、病害样本的相似性,并基于两组相似性差值建立弱分类器,建立迭代次数与样本错误率ER的二维关系图,平衡算法执行时间和模型精度,确定弱分类器的最优个数,并通过线性组合构建最终的强分类器,得到适用于冬小麦白粉病的多时相遥感监测分类模型;14)冬小麦白粉病遥感监测结果空间制图,根据AdaBoost多时相遥感监测模型的计算结果,将研究区的像元标注为健康、病害两种属性,并分别用绿色和红色填图。

【技术特征摘要】
1.一种基于AdaBoost分类器的冬小麦白粉病多时相遥感监测方法,其特征在于,包括以下步骤:11)多时相HJ-CCD遥感影像获取与预处理,获取实地调查样本点所在区域的3景HJ-CCD数据,形成时相T1、时相T2和时相T3组成的时序影像集,并对各景HJ-CCD数据均进行辐射定标、大气标正、几何精校正、影像拼接和掩模处理;12)光谱特征计算与归一化,分别从时相T1、时相T2和时相T3三幅影像上提取光谱特征并进行归一化处理;13)构建基于AdaBoost的小麦白粉病多时相遥感监测模型,将归一化处理的多时相、多光谱特征作为输入变量,利用巴氏系数分别计算待分样点与健康样本、病害样本的相似性,并基于两组相似性差值建立弱分类器,建立迭代次数与样本错误率ER的二维关系图,平衡算法执行时间和模型精度,确定弱分类器的最优个数,并通过线性组合构建最终的强分类器,得到适用于冬小麦白粉病的多时相遥感监测分类模型;14)冬小麦白粉病遥感监测结果空间制图,根据AdaBoost多时相遥感监测模型的计算结果,将研究区的像元标注为健康、病害两种属性,并分别用绿色和红色填图。2.根据权利要求1所述的一种基于AdaBoost分类器的冬小麦白粉病多时相遥感监测方法,其特征在于,所述光谱特征计算与归一化包括以下步骤:21)分别提取T1~T3三个时相影像的多光谱特征SFT1、SFT2和SFT3,SFT1为时相T1的光谱特征、SFT2为时相T2的光谱特征、SFT3为时相T3的光谱特征;其中,SFT1、SFT2和SFT3均包括蓝、绿、红、近红外波段这4个原始光谱波段以及基于这4个波段的归一化植被指数NDVI、三角形植被指数TVI、重归一化植被指数RDVI、修正土壤调节植被指数MSAVI、土壤调节植被指数SAVI,其计算表达式如下:TVI=0.5[120(RNIR-RGreen)-200(RRed-RGreen)],MSAVI=0.5[2RNIR+1-((2RNIR+1)2-8(RNIR-RRed)0.5)],其中,RNIR、RRed、RGreen分别表示HJ-CCD遥感影像中的近红外波段、红波段、绿波段的光谱反射率;22)计算时相T1至时相T2、时相T2至时相T3的光谱变化幅度,其计算公式如下:SFT1T2change=(SFT2-SFT1)/(SFT2+SFT1),SFT2T3change=(SFT2-SFT3)/(SFT2+SFT3),其中,SFT1T2change表示从时相1至时相2时相光谱特征的变化幅度,SFT2T3change表示从时相2至时相3光谱特征的变化幅度。3.根据权利要求1所述的一种基于AdaBoost分类器的冬小麦白粉病多时相遥感监测方法,其特征在于,所述构建基于AdaBoost的小麦白粉病多时相遥感监测模型包括以下步骤:31)构建弱分类器;32)优化确定AdaBoost弱分类器个数,建立迭代次数与样本错误率ER的二维关系图,通过平衡算法执行时间和模型精度,确定弱分类器的最优个数;33)通过所有的弱分类器构建强分类器。4.根据权利要求1所述的一种基于AdaBoost分类器的冬小麦白粉病遥感监测方法,其特征在于,所述对各景HJ-CCD数据进行几何精校正处理的方法为:根据样本点区域的一景经过几何精校正的基准LandsatGeoCover产品分别对时相T1、时相T2和时相T3的HJ-CCD影像进行配准,保证选取的几何校正点均匀分布在整个影像内,校正方法采用二次多...

【专利技术属性】
技术研发人员:赵晋陵黄文江梁栋黄林生徐超张东彦翁士状阮莉敏
申请(专利权)人:安徽大学
类型:发明
国别省市:安徽,34

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1