【摘要】：除選擇合適的建模方法外,選擇合適的特征選擇算法來優(yōu)選建模特征對(duì)提高作物病害的遙感監(jiān)測(cè)水平具有重要作用。選取陜西省關(guān)中平原西部小麥白粉病為對(duì)象,基于Landsat 8遙感影像共提取了18個(gè)特征變量,通過相關(guān)性分析(correlation analysis,CA)和最小冗余最大相關(guān)(minimum redundancy maximum relevance,mRMR)2種特征選擇算法篩選出了2組不同的特征變量,分別將其輸入Fisher線性判別分析(Fisher linear discriminant analysis,FLDA)、支持向量機(jī)(support vector machine,SVM)和AdaBoost 3種方法,構(gòu)建小麥白粉病發(fā)生嚴(yán)重程度監(jiān)測(cè)模型,并對(duì)其進(jìn)行精度驗(yàn)證與對(duì)比分析。結(jié)果表明,2種AdaBoost模型對(duì)小麥白粉病發(fā)生嚴(yán)重程度的總體監(jiān)測(cè)精度分別比FLDA模型和SVM模型高出27.9%、27.9%和14.0%、9.3%,mRMR算法篩選特征所建FLDA、SVM及AdaBoost監(jiān)測(cè)模型的總體監(jiān)測(cè)精度分別比CA篩選特征所建模型高出7.0%、11.7%和7.0%,且mRMR算法篩選特征結(jié)合AdaBoost方法所建監(jiān)測(cè)模型的精度和Kappa系數(shù)分別為88.4%和0.807,為所有模型中最高。說明將AdaBoost方法用于作物病害遙感監(jiān)測(cè)效果較好,在作物病害監(jiān)測(cè)模型的特征變量選擇中mRMR算法比常用CA算法更具優(yōu)勢(shì)。研究結(jié)果可為其他作物病害遙感監(jiān)測(cè)提供方法參考。
[Abstract]:In addition to selecting the appropriate modeling method, selecting the appropriate feature selection algorithm to optimize the modeling features plays an important role in improving the monitoring level of crop diseases by remote sensing. Taking wheat powdery mildew in the western part of Guanzhong Plain of Shaanxi Province as an object, 18 feature variables were extracted based on Landsat 8 remote sensing image. The correlation analysis (correlation analysis,CA) and the minimum redundancy maximum correlation (minimum redundancy maximum relevance, were used to extract 18 feature variables. MRMR) two feature selection algorithms select two groups of different feature variables, and input them into Fisher linear discriminant analysis (Fisher linear discriminant analysis,FLDA), support vector machine (support vector machine,SVM) and AdaBoost, respectively, and three methods, I. E. Fisher linear discriminant analysis (Fisher linear discriminant analysis,FLDA), support vector machine (support vector machine,SVM) and AdaBoost. The wheat powdery mildew severity monitoring model was constructed, and its accuracy verification and comparative analysis were carried out. The results showed that the overall monitoring accuracy of the two AdaBoost models for the severity of wheat powdery mildew was 27.9%, 27.9% and 14.0%, 9.3% higher than that of the FLDA model and the SVM model, respectively. The FLDA, was screened by the MRMR algorithm. The overall monitoring accuracy of SVM and AdaBoost monitoring model is 7.0%, 11.7% and 7.0% higher than that of CA screening model, respectively. The precision and Kappa coefficient of the monitoring model based on mRMR algorithm and AdaBoost method are 88.4% and 0.807 respectively, which is the highest among all the models. The results show that the AdaBoost method has a good effect on crop disease remote sensing monitoring, and the mRMR algorithm has more advantages than the common CA algorithm in the selection of characteristic variables of crop disease monitoring model. The results can be used as a reference for remote sensing monitoring of other crop diseases.
【作者單位】： 南京信息工程大學(xué)應(yīng)用氣象學(xué)院氣象災(zāi)害預(yù)報(bào)預(yù)警與評(píng)估協(xié)同創(chuàng)新中心;中國(guó)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;杭州電子科技大學(xué)生命信息與儀器工程學(xué)院;安徽大學(xué)電子信息工程學(xué)院;
【基金】：中國(guó)科學(xué)院國(guó)際合作局對(duì)外合作重點(diǎn)項(xiàng)目(131211KYSB20150034) 國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目(2016YFD030702) 國(guó)家自然科學(xué)基金國(guó)際合作項(xiàng)目(61661136004);國(guó)家自然科學(xué)基金項(xiàng)目(41271412、41601467) 江蘇省普通高校自然科學(xué)研究資助項(xiàng)目(15KJA170003)
【分類號(hào)】：S435.121.46;S127

【相似文獻(xiàn)】

相關(guān)期刊論文 前7條

1 趙鋒;王克儉;苑迎春;;基于顏色特征和AdaBoost算法的麥穗識(shí)別的研究[J];作物雜志;2014年01期

2 張保華;黃文倩;李江波;趙春江;劉成良;黃丹楓;;基于亮度校正和AdaBoost的蘋果缺陷在線識(shí)別[J];農(nóng)業(yè)機(jī)械學(xué)報(bào);2014年06期

3 曾憲貴;劉磊安;左文明;;基于膚色相似度和AdaBoost算法的人臉跟蹤[J];仲愷農(nóng)業(yè)工程學(xué)院學(xué)報(bào);2011年01期

4 余劍;;基于AdaBoost改進(jìn)算法的農(nóng)作物病蟲害預(yù)測(cè)模型研究[J];沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào);2010年06期

5 孫俊;金夏明;毛罕平;武小紅;唐凱;張曉東;;基于Adaboost及高光譜的生菜葉片氮素水平鑒別研究[J];光譜學(xué)與光譜分析;2013年12期

6 ;華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版)第35卷總目次2007年[J];華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年12期

7 ;[J];;年期

相關(guān)會(huì)議論文 前10條

1 Wen Feng;;A Novel Lips Detection Method Combined Adaboost Algorithm and Camshift Algorithm[A];2012年計(jì)算機(jī)應(yīng)用與系統(tǒng)建模國(guó)際會(huì)議論文集[C];2012年

2 張超;苗振江;;基于AdaBoost的面部信息感知[A];第十三屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2007）論文集[C];2007年

3 郭翌;汪源源;;基于Adaboost算法的頸動(dòng)脈粥樣硬化判別方法[A];中國(guó)儀器儀表學(xué)會(huì)第十一屆青年學(xué)術(shù)會(huì)議論文集[C];2009年

4 張紅梅;高海華;王行愚;;抑制樣本噪聲的AdaBoost算法及其在入侵檢測(cè)中的應(yīng)用[A];2007年中國(guó)智能自動(dòng)化會(huì)議論文集[C];2007年

5 陸文聰;鈕冰;金雨歡;;基于AdaBoost算法的亞細(xì)胞位置預(yù)測(cè)[A];中國(guó)化學(xué)會(huì)第26屆學(xué)術(shù)年會(huì)化學(xué)信息學(xué)與化學(xué)計(jì)量學(xué)分會(huì)場(chǎng)論文集[C];2008年

6 陳宏偉;劉建偉;費(fèi)向東;;一種半監(jiān)督環(huán)境下的Adaboost算法[A];2008'中國(guó)信息技術(shù)與應(yīng)用學(xué)術(shù)論壇論文集（二）[C];2008年

7 唐曉丹;苗振江;;基于AdaBoost和粒子濾波的目標(biāo)跟蹤[A];第十四屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2008年

8 張彬;金連文;;基于AdaBoost的手寫體漢字相似字符識(shí)別[A];第二十六屆中國(guó)控制會(huì)議論文集[C];2007年

9 ;Using Skin Color and HAD-AdaBoost Algorithm for Face Detection in Color Images[A];Information Technology and Computer Science—Proceedings of 2012 National Conference on Information Technology and Computer Science[C];2012年

10 肖磊;李麗;肖佳文;;基于AdaBoost-SVM的上市公司信用風(fēng)險(xiǎn)評(píng)估[A];2012管理創(chuàng)新、智能科技與經(jīng)濟(jì)發(fā)展研討會(huì)論文集[C];2012年

相關(guān)博士學(xué)位論文 前4條

1 佟旭;基于復(fù)雜網(wǎng)絡(luò)理論的糖尿病腎病辨證建模研究[D];北京中醫(yī)藥大學(xué);2016年

2 劉沖;模擬電路故障診斷AdaBoost集成學(xué)習(xí)方法研究[D];大連海事大學(xué);2011年

3 張?zhí)珜?人眼注視點(diǎn)估計(jì)方法的研究[D];南開大學(xué);2013年

4 趙培英;基于智能計(jì)算的膜蛋白結(jié)構(gòu)與相互作用預(yù)測(cè)研究[D];東華大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 皮麗琴;基于AdaBoost-GASVM算法和LDA主題模型的短文本分類研究[D];華南理工大學(xué);2015年

2 孫斌;一種基于Adaboost的實(shí)時(shí)行人檢測(cè)算法[D];華南理工大學(xué);2015年

3 蔡澤彬;基于視頻分析的行人檢測(cè)及統(tǒng)計(jì)方法研究[D];華南理工大學(xué);2015年

4 游晴;Adaboost人臉檢測(cè)算法研究及其在硬件平臺(tái)上的實(shí)現(xiàn)[D];昆明理工大學(xué);2015年

5 宋雨;基于視覺圖片的腦—機(jī)接口控制研究[D];天津理工大學(xué);2015年

6 林欣;基于改進(jìn)膚色模型的AdaBoost人臉檢測(cè)算法研究[D];陜西科技大學(xué);2015年

7 袁浩杰;Adaboost算法的并行化及其在目標(biāo)分類中的應(yīng)用[D];華南理工大學(xué);2015年

8 張恒;基于近紅外圖像的疲勞駕駛檢測(cè)研究與系統(tǒng)實(shí)現(xiàn)[D];長(zhǎng)安大學(xué);2015年

9 朱非易;基于不平衡學(xué)習(xí)的蛋白質(zhì)—維生素綁定位點(diǎn)預(yù)測(cè)研究[D];南京理工大學(xué);2015年

10 張?jiān)?一種基于AdaBoost的組合分類算法研究[D];四川師范大學(xué);2015年

，

本文編號(hào)：2443766