基于子窗口重排法提取敏感参数构建小麦叶片白粉病早期监测模型的方法技术

本发明专利技术提供了基于子窗口重排法(SPA)提取敏感参数构建小麦叶片白粉病早期监测模型的方法，包括以下步骤：1)获取感病小麦叶片的高光谱反射率；2)利用SPA算法从高光谱反射率的原始波段中提取敏感波段；3)选择现有研究中与病害可能相关的光谱指数，利用SPA算法从所述光谱指数中提取敏感光谱指数；4)利用偏最小二乘‑线性判别分析法，将所述敏感波段或所述敏感光谱指数作为分输入变量，构建小麦白粉病早期监测模型；5)用二分类算法对所述小麦白粉病早期监测模型进行检验，且基于独立易感品种用留一交互检验法评价模型表现。综上，基于SPA提取的小麦白粉病敏感光谱特征准确且波段少、构建的小麦白粉病监测模型简单准确性高稳定性好。

Method of sub window rearrangement to extract sensitive parameters for constructing early monitoring model based on powdery mildew of wheat leaves

The invention provides a sub window rearrangement (SPA) method based on the construction of the early monitoring model of powdery mildew of wheat leaves extract the sensitive parameters, which comprises the following steps: 1) to obtain high spectral reflectance of susceptible wheat leaves; 2) using SPA algorithm to extract the sensitive bands from the original band hyperspectral reflectance; 3) spectral index the disease may be in the current study, using SPA algorithm to extract the sensitive spectral index from the spectral index; 4) using partial least squares linear discriminant analysis method, the sensitive band or the sensitive spectral index as input variables, the construction of the early monitoring model of wheat powdery mildew; 5) to examine the early monitoring model the wheat powdery mildew with two classification algorithm based on independent and susceptible cultivars by keeping test a performance evaluation model of interaction. In summary, the sensitive spectral characteristics of wheat powdery mildew based on SPA were accurate and the bands were few. The monitoring model of wheat powdery mildew was simple, high accuracy and good stability.

【技术实现步骤摘要】
基于子窗口重排法提取敏感参数构建小麦叶片白粉病早期监测模型的方法
本专利技术涉及植物病害早期预测
，具体涉及基于子窗口重排法提取敏感参数构建小麦叶片白粉病早期监测模型的方法。
技术介绍
白粉病(BlumeriagraminisSpeer)是小麦生产中一种世界性主要病害，也是影响小麦产量的主要病害之一。对小麦白粉病进行早期识别、快速监测、定量评价是小麦抗白粉病精确育种、精确施药、生态安全和损失评估等的核心关键技术。前人监测作物病害主要通过破坏性取样测量或者田间调查病株计算发病率、严重度或病情指数，往往耗时费力、效率低下、主观性强、可重复性差；而小麦感染白粉病以后，其内部生理活动和外观形态均会显示异常症状(徐秉良等，2011)。小麦的光合作用能力减弱，植株生长受限，叶片内部的色素含量和水分含量减少，使叶片逐渐发黄干枯。这为基于光谱监测识别白粉病提供了很好的生理条件。因此早在1989年，丹麦学者(Lorenzenetal.1989)发现可以利用400–1100nm光谱信息来识别小麦白粉病，因为该区的光谱反射率与对照品种相比有显著差异；后来，人们开始利用基于一阶导数的光谱特征来识别病害(Milleretal.1991；Baretetal.1994)；瑞士学者HamedHamidMuhammed(2003；2005)基于360–900nm的高光谱信息，利用feature-vector-based(FVBA)特征分析法计算权重系数，定量分析病害严重度和权重系数的关系，从而确定了病害敏感的特征波段范围。CedricBravo(2003)筛选了460-900nm之间的4个波段，归一化后定量反演条绣病害的严重度，后来该课题组成员DimitriosMoshou(2004)利用神经网络法区分病害，进一步提高了病害监测准确度。Moshou(2005)融合高光谱和荧光成像信息，并基于自组织映射法更准确识别病害。可见前人主要基于光谱原始反射率、一阶导数、植被指数与病情严重度构建定量关系，根据相关性等提取敏感光谱(区域)且多为中后期较少明确提取出指示早期病害特征的敏感参数并构建相应的模型。随着机器学习法和化学计量学的发展，科学家们提出了一些新的变量选择方法用于特征的提取，代表性的如随机森林(RandomForest)。虽然在随机森林算法中基于重排的变量重要性评价方法评价很高，但是随机森林每个变量仅被随机重排一次，因此得到的值不可重复；随机森林模型干扰变量的存在具有掩盖效应，可能会无法将最优变量集筛选出来。
技术实现思路
有鉴于此，本专利技术的目的是提供基于子窗口重排法(SubwindowPermutationAnalysis，SPA)提取敏感参数构建小麦叶片白粉病早期监测模型的方法，该方法通过利用子窗口重排法，充分利用小麦白粉病特征变量之间的协同效应，使所述监测方法具有更优的统计意义和更高的稳定性和准确性。为了实现上述专利技术目的，本专利技术提供以下技术方案：本专利技术提供了基于子窗口重排法提取敏感参数构建小麦叶片白粉病早期监测模型的方法，包括以下步骤：1)获取感病小麦叶片的高光谱反射率；2)利用SPA算法从高光谱反射率的原始波段中提取敏感波段；3)选择现有研究中与病害可能相关的光谱指数，利用SPA算法从所述光谱指数中提取敏感光谱指数；4)利用偏最小二乘-线性判别分析法，将所述敏感波段或所述敏感光谱指数作为分输入变量，构建小麦白粉病早期监测模型；5)用二分类算法对所述小麦白粉病早期监测模型进行检验，且基于独立易感品种用留一交互检验法评价模型表现；所述步骤2)与步骤3)之间没有时间顺序的限制。优选的，所述步骤1)中感病小麦叶片按照病情严重度划分样品等级。优选的，所述步骤1)中病情严重度(SL)是病叶上病斑菌丝层覆盖叶片面积占叶片总面积的比率；所述样品等级为9级，分别为0％、1％、5％、10％、20％、40％、60％、80％和100％的小麦叶片。优选的，所述步骤2)中光谱特征包括红边区域，具体优选为400～1000nm。优选的，所述步骤3)中光谱指数包括13种高光谱植被指数和13种微分光谱指数。优选的，所述步骤3)中光谱指数特征包括归一化色素比率指数、红边植被胁迫指数、黄边范围内一阶微分总和、叶绿素吸收比率指数、生理反射指数、花青素反射指数、转换叶绿素吸收指数、蓝边范围内一阶微分总和、红边范围内一阶微分总和与蓝边范围内一阶微分总和的归一化值和红边范围内一阶微分总和与蓝边范围内一阶微分总和的比值。优选的，所述步骤4)中二分类算法的分类为以健康叶片为正类，以患病叶片为负类；实际健康叶片且被预测成健康叶片为真正类，如果实际健康叶片是负类而被预测成正类为假正类；实际康叶片是负类且被预测成负类为真负类，如果实际康叶片是正类被预测成负类为假负类。优选的，所述步骤5)中评价指标包括模型敏感度、模型特异度、模型接受者操作曲线下面积和模型总体分类精度。优选的，所述模型敏感度的计算方法如式I所示；敏感度其中TP为真正类；TN为真负类。优选的，所述模型特异度的计算方法如式Ⅱ所示；特异度其中TN为真负类；FP为假正类。优选的，所述模型接受者操作曲线下面积计算方法根据分类器绘制的接受者操作曲线通过积分计算的接受者操作曲线下面积值。优选的，所述模型总体分类精度的计算方法如式Ⅲ所示；分类精度其中TP为真正类；TN为真负类；FN为假负类；FP为假正类；TN为真负类。本专利技术提供的基于子窗口重排法提取敏感参数构建小麦叶片白粉病早期监测模型的方法，包括以下步骤：1)获取感病小麦叶片的高光谱反射率；2)利用SPA算法从高光谱反射率的原始波段中提取敏感波段；3)选择现有研究中与病害可能相关的光谱指数，利用SPA算法从所述光谱指数中提取敏感光谱指数；4)利用偏最小二乘-线性判别分析法，将所述敏感波段或所述敏感光谱指数作为分输入变量，构建小麦白粉病早期监测模型；5)用二分类算法对所述小麦白粉病早期监测模型进行检验，且基于独立易感品种用留一交互检验法评价模型表现；所述步骤2)与步骤3)之间没有时间顺序的限制。本专利技术提供的方法通过利用子窗口重排法，能够充分利用小麦白粉病特征变量之间的协同效应，使所述监测方法具有更优的统计意义和更高的稳定性。本专利技术提供的方法建模和检验的精度可达到85％以上；基于SPA提取的光谱特征数目少、模型简单准确，且模型的交互检验和独立品种的检验效果都很稳定。说明书附图图1为实施例1中不同病情严重度的小麦叶片图片；图2为实施例1中不同染病阶段小麦叶片病情严重度与光谱反射率的相关性分析；图3为实施例1中不同品种的小麦叶片病情严重度与光谱反射率的相关性分析；图4为实施例1中SPA法计算特征波段的COSS值；图5为实施例1中采用不同数目的特征波段对模型PLS-LDA精度的影响；图6为实施例1中SPA方法计算各光谱指数对应的COSS值图7为实施例1中采用不同数目的光谱指数建立小麦叶片健康状态的PLS-LDA模型的总体精度。具体实施方式本专利技术提供了基于子窗口重排法(SubwindowPermutationAnalysis，SPA)提取敏感参数构建小麦叶片白粉病早期监测模型的方法，包括以下步骤：1)获取感病小麦叶片的高光谱反射率；2)利用SPA算法从高光谱反射率的原始波段中提取敏本文档来自技高网...

【技术保护点】
基于子窗口重排法提取敏感参数构建小麦叶片白粉病早期监测模型的方法，包括以下步骤：1)获取感病小麦叶片的高光谱反射率；2)利用SPA算法从高光谱反射率的原始波段中提取敏感波段；3)选择现有研究中与病害可能相关的光谱指数，利用SPA算法从所述光谱指数中提取敏感光谱指数；4)利用偏最小二乘‑线性判别分析法，将所述敏感波段或所述敏感光谱指数作为分输入变量，构建小麦白粉病早期监测模型；5)用二分类算法对所述小麦白粉病早期监测模型进行检验，且基于独立易感品种用留一交互检验法评价模型表现；所述步骤2)和步骤3)之间没有时间顺序的限制。

【技术特征摘要】
1.基于子窗口重排法提取敏感参数构建小麦叶片白粉病早期监测模型的方法，包括以下步骤：1)获取感病小麦叶片的高光谱反射率；2)利用SPA算法从高光谱反射率的原始波段中提取敏感波段；3)选择现有研究中与病害可能相关的光谱指数，利用SPA算法从所述光谱指数中提取敏感光谱指数；4)利用偏最小二乘-线性判别分析法，将所述敏感波段或所述敏感光谱指数作为分输入变量，构建小麦白粉病早期监测模型；5)用二分类算法对所述小麦白粉病早期监测模型进行检验，且基于独立易感品种用留一交互检验法评价模型表现；所述步骤2)和步骤3)之间没有时间顺序的限制。2.根据权利要求1所述的方法，其特征在于，所述步骤1)中感病小麦叶片按照病情严重度划分样品病情等级。3.根据权利要求2所述的方法，其特征在于，所述病情严重度是病叶上病斑菌丝层覆盖叶片面积占叶片总面积的比率；所述样品等级为9级病情严重度SL，分别为0％、1％、5％、10％、20％、40％、60％、80％和100％的小麦叶片。4.根据权利要求2所述的方法，其特征在于，所述步骤2)中敏感波段包括红边区域。5.根据权利要求3所述的方法，其特征在于，所述步骤3)中光谱指数包括13种高光谱植被指数和13种微分光谱指数。6.根据权利要求5所述的方法，其特征在于，所述步骤3)中光谱指数特征包括归一化色素比...

【专利技术属性】
技术研发人员：姚霞，程涛，王文雁，刘红艳，海德，田永超，朱艳，曹卫星，
申请(专利权)人：南京农业大学，
类型：发明
国别省市：江苏,32