欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023106314730
申请人: 安徽大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于CARS-Ridge算法融合新型指数的小麦赤霉病识别方法,其特征在于:该方法包括下列顺序的步骤:(1)获取数据:获得小麦赤霉病冠层高光谱数据,同时对各个样方的发病率进行统计;

(2)进行数据降维:通过CARS、PCA和SPA三种算法对获取的小麦赤霉病冠层高光谱数据进行降维,得到三种不同的特征集;

(3)进行建模:通过RF、PLSR和Ridge三种算法进行建模,得到CARS-RF、CARS-PLSR、CARS-Ridge、PCA-RF、PCA-PLSR、PCA-Ridge、SPA-RF、SPA-PLSR和SPA-Ridge共9个小麦赤霉病识别模型;

(4)确定最优模型:通过对9个小麦赤霉病识别模型的结果进行十折交叉验证,确定最优模型;

(5)开发新型指数:以12个植被指数为基础,构建两个新型指数即WFItwo和WFIthree;

(6)构建最优小麦赤霉病识别模型:将新型指数与最优模型进行融合,得到最优小麦赤霉病识别模型;

所述步骤(5)具体包括以下步骤:

(5a)首先根据Pearson相关系数的计算公式计算全光谱波段与样方中发病小麦穗数占调查总穗数的比例DER的相关性,相关性的结果在0至1之间,选定固定阈值对波段进行划分,相关系数大于0.7的波长被选择作为初选波长;假设(x1,y1),(x2,y2),…,(xn,yn)分别表示两个变量X和Y的取值,n为样本数量,Pearson相关系数的计算公式为:式中,R为Pearson相关系数,xi和yi分别表示第i个自变量和因变量;

是协方差,它度量变量X和Y之间的相关性,和分别是样本的均值,即:

(5b)根据Pearson相关系数的计算公式计算植被指数与样方中发病小麦穗数占调查总穗数的比例DER的相关性,同样按照阈值划分选取与DER相关系数达到0.7以上的植被指数做为初选植被指数;所述12个植被指数为敏感色素指数SIPI、花青素反射指数ARI、转化叶绿素吸收反射指数TCARI、改良叶绿素吸收比指数MCARI、归一化差分植被指数NDVI、修正简单比值指数MSR、比值植被结构指数RVSI、植物衰老反射指数PSRI、三角植被指数TVI和氮反射指数NRI、光化学反射指数PRI和生理反射指数PHRI;

(5c)根据Pearson相关系数的计算公式计算初选波长与初选植被指数的相关性,采用阈值划分,将与初选植被指数之间相关系数大于0.7的初选波长进一步分割,最终保留下来的波长用来构建两种新型指数WFItwo和WFIthree:其中,R687、R659和R760是最终保留下来的波长。

2.根据权利要求1所述的基于CARS-Ridge算法融合新型指数的小麦赤霉病识别方法,其特征在于:所述步骤(1)具体包括以下步骤:(1a)测量光谱数据:获得小麦赤霉病冠层高光谱数据,病害发生分为自然发生和人为接种两种,所有小麦冠层光谱反射率均采用FieldSpec4光谱仪进行测量;

(1b)统计发病率:统计每个样方的发病率,以此来定量估计小麦感染的严重程度,小麦发病率与冠层光谱采集同步进行,统计样方中发病小麦穗数占调查总穗数的比例DER来作为小麦染病程度的重要评估指标。

3.根据权利要求1所述的基于CARS-Ridge算法融合新型指数的小麦赤霉病识别方法,其特征在于:在步骤(2)中,通过CARS算法对高光谱数据进行降维具体包括以下步骤:(2a)进行蒙特卡罗模型采样:以迭代和竞争的方式通过蒙特卡洛MC对变量进行采样,设置蒙特卡洛MC采样运行N次并获得N个子集变量,在每一次样本运行中,随机选取子集变量中80%的样本建立蒙特卡罗模型;

(2b)通过指数递减函数EDF进行波长选择:通过指数递减函数EDF强制波长减少,去除回归系数绝对值较小的变量;

(2c)进行自适应重加权采样:保留回归系数绝对值较大的变量形成新的特征集;

(2d)循环迭代:将新的特征集输入蒙特卡罗模型并计算十折交叉验证的均方根误差,N次运行所记录的最小均方根误差对应的子集就是筛选出的最优波长组合,最优波长组合组成CARS算法确定的特征集;

指数递减函数EDF定义为:

ri=ae-ki

其中,i表示采样运行的次数;在第N次采样运行时,只有两个波长被保留,r1=1,rN=2/P;a和k是常数,a为指数递减函数EDF在i=0处的取值,k为指数递减函数EDF的下降速度,a和k的计算公式如下:波长P的数量为501,采样运行的总数N设置为50。

4.根据权利要求1所述的基于CARS-Ridge算法融合新型指数的小麦赤霉病识别方法,其特征在于:在步骤(3)中,通过Ridge算法进行建模具体是指:假设线性回归模型y=xβ+ε,回归参数β的目标函数为:

其中,x为自变量,即样方的冠层光谱反射率,y为因变量,即发病率;β和ε分别表示回归系数和误差;n表示样本数量;λ是正则化参数,它的值由脊迹法进行确定,以平衡线性回归模型的方差和偏差;线性回归模型的偏差随λ的增大而增大,而方差则相反;

回归系数β的目标函数等价于:

式中,xi和yi分别表示第i个自变量和因变量,n表示样本数量,α表示回归系数向量,用于拟合自变量与因变量之间的线性关系的未知参数;根据平面笛卡尔坐标系中的β-λ曲线,即脊迹曲线,在β趋于稳定的点上,找到最佳λ值。

5.根据权利要求1所述的基于CARS-Ridge算法融合新型指数的小麦赤霉病识别方法,其特征在于:所述步骤(4)具体包括以下步骤:(4a)将基于CARS、PCA和SPA三种算法得到的三种不同特征集作为输入变量,与RF、PLSR和Ridge三种算法相结合,共构建9个小麦赤霉病识别模型:CARS-RF、CARS-PLSR、CARS-Ridge、PCA-RF、PCA-PLSR、PCA-Ridge、SPA-RF、SPA-PLSR和SPA-Ridge;输入的三种不同特征集被均匀分成了十份,九份用来建模,一份用来验证,重复十次,采用十折交叉验证方法评价每个模型对小麦赤霉病的识别能力;

(4b)各个模型的精度和性能由决定系数R2和均方根误差RMSE两个统计指标来评价,R2和RMSE的计算公式分别为:其中,n是样本数量,ti是实际值,di是模型预测值;RMSE的值越小表示模型越准确;R2的值介于0到1之间,越接近1越好,表示模型对因变量变化的解释程度;当R2为1时,模型完美拟合数据;当R2为0时,模型无法解释因变量的变化;

(4c)所有模型中,R2越接近于1而RMSE越接近于0的模型对病害的识别能力越好,根据模型运行结果,确定CARS-Ridge模型为最优模型。

6.根据权利要求1所述的基于CARS-Ridge算法融合新型指数的小麦赤霉病识别方法,其特征在于:所述步骤(6)具体是指:将新型指数与基于CARS算法确定的特征集共同作为最优模型的输入,构建最优小麦赤霉病识别模型。