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Mj(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xi,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ci,重新计算它的聚类中心,其表达式如下所示:其中,Nj表示属于ci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ci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。
3.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,所述小麦条绣病遥感监测模型的构建包括以下步骤:
31)基于“一对一”支持向量机和最近邻算法构建小麦条锈病严重度遥感监测模型,模型将多类问题转化为多个二类问题,如果面对的是个k类问题,其表达式如下:k(k-1)/2,
在模型中,根据条锈病情划分为健康、轻发、重发三大类,k为3;
32)通过SVM算法构造最优决策函数用同样的方法对3类样本中的每一对构造一个决策函数,共3个分类器,用于判断样本属于第i类还是第j类;
33)设定对样本分类采用投票的方法,依次采用二分类器对样本进行预测,如果判定为第k类,则对k类的投票数加1,得票最多的那个类作为最终的判定结果;
34)在OVO SVMs分类过程中,出现输入样本x不能被确切的定义为属于某一类时,出现了不可分;样本在i、j、k类的最终投票得分均为1,根据投票结果无法准确决策此区域点的类别所属;
设定对于这些不可区分的错分和漏分样本通过样本之间的紧密度来描述类中各个样本之间的关系,提高分类精度,紧密度使用KNN分类算法进行描述,用于对不可区分样本进行分类。
4.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,所述小麦条绣病遥感监测模型的训练包括以下步骤:
41)将遥感训练数据特征因子和筛选后的气象特征因子作为训练样本集;
42)在训练样本集{(x1,y1),…(xn,yn)}中,其中xi∈X,yi∈Y={1,-1},xi是输入样本变量,yi即为其对应的分类结果,用于将两类不同的样本准确无误的分开,分类间隔函数为:Φ(w)=2/||w||;
43)由于所选择的训练样本非线性可分,通过非线性变换x=K(x)将样本映射到高维空间,在核函数满足Mercer条件时,采用内积函数,得到高维空间的分类函数,从而实现线性可分;并引入松弛变量ξ,允许数据在一定程度上违反间隔约束,其约束条件表达式如下:yi[(w·K(xi))+b0]≥1-ξi;i=1,2,…,n,;
s.t.ξi≥0;
44)为了避免ξi取值过大,在目标函数中增加 最优分类面问题表达式如下:利用Lagrange优化方法将上述最优分类面问题转化为对偶问题,其表达式如下:αi为训练样本对应的Lagrange乘子,C为惩罚函数,表示对样本错分程度的度量:C越大则对错误分类的惩罚越厉害,最终的决策函数表达式如下:αi*为支持向量所对应的Lagrange乘子,f(x)值确定预测样本x的类别;
45)将训练样本依次输入上述建立好的k·(k-1)/2个二分类模型,决策时采用“投票法”,每个子分类器根据自己的判定结果对样本所属类别进行投票;
46)根据条锈病情划分为健康、轻发、重发三大类,k为3,需要训练以上的3个分类器模型:在训练第1个分类器时,以第1类样本作为正样本,第2类作为负样本;其他的模型以此类推;针对可区分类别样本,在预测时,用三个模型对输入样本进行预测然后统计投票,对于模型svmi-j,如果预测值为+1,则第i类的投票加1,否则第j类的投票加1;最后将样本判定为投票最多的那个类;
47)对于不可区分的错分和漏分样本,采用KNN算法描述各个种类的紧密度,基于KNN紧密度方法用于考虑待分样本的某一周围邻域内的训练样本密度来判定类别归属,算法训练步骤如下:
471)样本欧氏距离:设训练样本集{(x1,y1),…(xn,yn)}中,其中xi∈X,yi∈Y={1,-1},xi是输入样本变量,yi即为其对应的分类结果,共有c个类别v1,v2,…,vc,计算两样本的欧氏距离如表达式所示:式中:xim和xjm表示测试样本和类中心的第m个特征属性;
472)样本中心距离:第i类样本的平均特征为该类样本的样本中心, ni为第i类的样本数量,任意样本点xj到第i类样本中心的欧式距离为以下表达式所示:d(xj,oi)=||xj-oi||;
473)基于欧式距离类别判别:样本点离各自类中心的最大距离如下式所示:di_max=max(d(xj,oi)|xj∈Ri),
则样本x基于欧式距离类别判别函数如下式所示:
474)样本紧密度:基于加权KNN对于不同类别的样本紧密度如下式所示:式中:wj为权系数,这里取距离的倒数, 则有
式中:k表示k近邻的个数,ui(x)表示输入样本属于第i类训练数据的紧密度隶属度,ui(j)(x )表示第j个近邻属于第i类别的隶属度,有 通过赋给k个近邻不同的加权系数,可确定样本属于各个类别的紧密程度;
475)基于KNN紧密度的判别函数:样本中心距离与样本分布结合的分类判别函数为gi(x)=si(x)×μi(x),通过计算测试样本属于各个种类的紧密度,找出紧密度值最高的类别,作为测试样本的预测结果,Max(gi(x)),i=1,2,…,c;
由于所选择的遥感气象特征样本线性不可分,利用非线性映射Φ:Rn→H把输入空间映射到特征空间,遥感气象数据样本集在此特征空间上线性可分其中K(x,y)=Φ(x)·Φ(y),K(x,y)是支持向量机中用到的核函数;
478)将不可区分的样本根据紧密度的大小确定其类别,其紧密度值最大的哪一类即为其判定结果;
48)搜集遥感训练数据特征因子和气象特征因子经过OVO SVMs-KNN算法模型进行训练的结果,将两者结果再次经过OVO SVMs-KNN模型进行训练,进行最终分类,得到小麦条锈病的严重度监测结果,用于精确判定小麦条锈病病情是处于健康、轻发、重发中的哪一类。