小波分析与支持向量机结合的冬小麦白粉病遥感监测

为利用遥感影像数据在区域尺度上实现快速、准确地监测小麦白粉病的发生、发展情况,该研究基于环境与灾害监测预报小卫星(HJ-1A/1B)数据对地表温度(land surface temperature,LST)进行反演、提取4个波段反射率数据并构建7个植被指数。耦合K-mean和Relief算法对小麦白粉病遥感特征进行筛选。通过支持向量机(support vector machine,SVM)与小波特征(Gabor)结合SVM(Gabor SVM)的方法分别建立河北省晋州市小麦白粉病发生监测模型,并对2种模型的监测精度进行对比。结果表明:归一化植被指数(normalized difference vegetation index,NDVI)、比值植被指数(simple ratio index,SR)和地表温度3种特征参量可较好地表征小麦白粉病的发生情况,Gabor SVM的总体精度达到86.7%,优于SVM的80%。因此,小波分析与支持向量机结合的方法可用于基于卫星遥感影像的大面积病害监测,对提高病害监测精度具有重要应用价值。     

基于高光谱信息融合和相关向量机的种蛋无损检测

为了尽可能早的检测出无精蛋和受精蛋,该文提出采用透射高光谱成像技术,融合图像和光谱信息,对其受精信息进行检测。利用高光谱图像系统采集孵化前种蛋在400~1 000 nm的高光谱图像,提取图像特征(长短轴之比、伸长度、圆度、蛋黄面积与整蛋面积之比);筛选出400~760 nm的波段,通过Normalize预处理结合相关系数法提取155个光谱特征变量;运用主成分分析法对图像和光谱的融合信息进行降维,采用相关向量机(relevance vector machine,RVM)分别建立基于图像、光谱和图像-光谱融合信息的受精蛋和无精蛋分类判别模型,并与支持向量机(support vector machine,SVM)模型进行比较,RVM模型检测正确率分别为90%,91%,96%;测试集检测时间分别为0.6619,1.0821,0.5016 s。SVM模型检测正确率分别为84%,90%,93%;测试集检测时间分别为5.9386,5.9886,5.6672 s。结果表明,基于图像-光谱融合所建立的模型优于单一信息的模型,在分类精度上,采用RVM分类精度高于SVM的分类精度;在分类时间上,RVM的分类时间比SVM短,因此,利用高光谱融合信息和相关向量机可以提高种蛋检测精度,研究结果为孵前无精蛋和受精蛋的在线实时检测提供参考。     

小波法反演条锈病胁迫下冬小麦冠层叶片全氮含量

为监测条锈病胁迫下冬小麦的氮素营养状况,该文通过野外试验测量了感染条锈病的冬小麦冠层光谱数据和相应叶片全氮(leaf total nitrogen,LTN)含量,分析了冬小麦条锈病病情指数(disease index,DI)与LTN之间的关系,对冠层光谱进行了连续小波变换(continuous wavelet transform,CWT)处理得到小波系数,并选择一些高光谱指数,分别利用支持向量机(support vector machine,SVM)回归方法构建了小波系数、高光谱指数与冬小麦LTN含量之间的反演模型。研究表明,随着冬小麦DI增大,LTN含量逐渐减小,相关系数为-0.784;CWT处理得到的小波系数为自变量构建的反演冬小麦LTN含量的模型精度普遍高于高光谱指数为自变量的模型精度,其中以Mexican Hat小波函数处理得到的小波系数423(4)建立的反演模型为最优模型,RMSE为0.315,RE为7.62%。因此,该研究表明可以联合应用CWT与SVM方法对条锈病胁迫下冬小麦LTN含量进行反演,且具有较高的估测精度。该研究成果对小麦作物病害预防、指导作物施肥具有重要现实应用意义。     

基于开花期氮素营养指标的冬小麦籽粒蛋白质含量遥感预测

籽粒蛋白含量(grain protein content,GPC)是衡量小麦品质的重要指标,及时准确的预测小麦GPC有利于小麦的分类收割和分级存储。为了能够选择一个合适的氮素营养指标作为中间变量来反演小麦GPC,该文研究分别以开花期植株氮素累积量(plant nitrogen accumulation,PNA)、植株氮素含量(plant nitrogen content,PNC)、叶片氮素累积量(leaf nitrogen accumulation,LNA)和叶片氮素含量(leaf nitrogen content,LNC)4个氮素营养指标为中间变量,并运用支持向量机(support vector machines,SVM)算法实现4个氮素营养指标的估测,最后构建及评价基于开花期"植被指数(vegetation index,VI)-氮素营养指标(nitrogen nutrition index,NNI)-GPC"模式的冬小麦GPC预测模型。结果表明:1)通过分析植被指数与氮素营养指标的相关性,选择植被指数MSAVI、PSRI、DVI、RDVI和GNDVI作为氮素营养指标模型的构建变量;2)运用SVM方法构建的VI-NNI模型中LNC的建模精度与验证精度相对最优,其建模决定系数(coefficient of determination,R~2)和验证集标准均方根误差(normalized root mean squared error,n RMSE)及验证标准化平均误差(normalized average error,NAE)分别为0.820、9.553%、-1.4%,验证结果稳定性较好;3)构建NNI-GPC模型中PNC的建模精度与验证精度相对最好,其建模R~2和验证n RMSE及NAE分别为0.653、9.843%、-0.3%;4)最终构建的VI-NNI-GPC模型中,以开花期PNC为中间变量的模型建模及反演精度最好,其建模R~2和验证n RMSE及NAE分别为0.631、8.564%、-0.9%。以氮素营养指标为中间变量的GPC遥感反演是可行的,并且比较4个氮素营养指标为中间变量反演GPC,PNC具有较高精度的预测结果,为精确反演GPC提供一个可靠的依据,具有一定的应用前景。     

遥感与气象数据结合预测小麦灌浆期白粉病

利用多源数据对区域尺度上小麦白粉病的发生状况准确及时地预报能为农业服务和农业植保等部门提供重要信息,实现小麦白粉病的有效预防。研究利用一景2014年5月6日的landsat8遥感影像提取出植被指数、地表温度(land surface temperature,LST)和影像中各波段反射率特征,同时用2014年3月-5月份的站点逐日地面气象资料计算获得各气象特征,并经过GIS空间插值分析得到相应的空间气象特征。通过Relief算法和泊松相关系数相结合的方式进行遥感和气象特征的筛选,最终得出改进的简单比值指数(modified simple ratio index,MSR)、重归一化植被指数(re-normalized difference vegetation index,RDVI)、3月21日-4月20日总日照时数和4月11日-5月10日大于0.1 mm降雨日数。采用相关向量机(relevance vector machine,RVM)的方法分别用筛选出的遥感、气象数据特征及2种数据特征相结合的方式构建了河北省石家庄市藁城、晋州和赵县3地区小麦灌浆期白粉病的发生预测模型,并对3种不同数据模型进行了验证与评估。试验结果表明,遥感气象数据模型的总体精度达到84.2%,优于遥感数据模型的80.0%和气象数据模型的74.7%。进而得出,相比于单站点准确和空间不连续的气象数据和类型单一的遥感数据,遥感气象数据更适合于区域尺度范围内的作物病虫害发生发展状况的预测研究。     

基于改进植被指数的黄河口区盐渍土盐分遥感反演

快速获取土壤盐分的含量、特征及空间分布信息是盐渍土治理、利用的客观需求。该文针对黄河三角洲盐渍土,以垦利县为例,基于Landsat 8 OLI多光谱影像,在传统植被指数的基础上引入短波红外波段进行扩展,提出了改进植被指数;然后基于改进前后对应的植被指数,分别采用多元逐步回归(multivariable linear regression,MLR)、反向传播神经网络(back propagation neural networks,BPNN)和支持向量机(support vector machine,SVM)方法构建土壤盐分含量的遥感反演模型,并进行模型验证、对比和优选;最后基于最佳模型进行研究区土壤盐分含量的空间分布反演和分析。结果显示:相对传统植被指数,扩展后植被指数可增强与土壤盐分的相关性,大幅降低指数间的多重共线性;采用上述3种方法建模,改进后模型的精度比改进前都有提高,验证集决定系数R2提高0.04~0.10,均方根误差RMSE降低0.13~0.73,相对分析误差RPD提高0.25~0.34,改进后模型RPD均大于2.0,普遍达到性能良好;对比3种建模方法,SVM建模精度最高,BPNN模型次之,MLR分析精度最低,最佳模型为基于改进植被指数的土壤盐分含量支持向量机反演模型,建模集R2和RMSE为0.75、3.48,验证集R2、RMSE和RPD为0.78、3.02和2.56,模型较为准确、可靠;基于该模型反演的研究区土壤盐分含量整体较高,盐渍化程度空间分布表现为自西南部农业生产区至东北沿海区域逐渐加重,与实地调查一致。研究表明基于Landsat 8 OLI多光谱影像,引入第7波段对植被指数进行改进,从而构建土壤盐分含量的支持向量机模型,可获得较好的土壤盐分空间分布反演结果。     

基于支持向量机回归的冬小麦叶面积指数遥感反演

利用单一植被指数反演叶面积指数(LAI)时,存在不同程度的饱和性且每种指数只能包含部分波段的信息,该文提出利用支持向量机回归的方法进行叶面积指数的反演,可以用更多的波段信息作为输入参数以提高LAI反演精度。选取冬小麦起身期、拔节期和灌浆期的实测光谱和叶面积指数数据,用统计回归的方法分别建立NDVI-LAI和RVI-LAI模型,用支持向量机回归(SVR)方法分别建立以NDVI、RVI以及蓝、绿、红和近红外4个波段数据作为输入参数的回归预测模型,即NDVI-SVR、RVI-SVR和NRGB-SVR模型。上述5个模型分别利用对应时期的环境星HJ-CCD数据进行验证。结果表明:NDVI和RVI与叶面积指数(LAI)的回归模型预测的结果与实测值的RMSE分别为0.98与0.97;预测精度分别为59.2%与59.3%。以NDVI和RVI结合实测叶面积指数(LAI)训练并预测的结果与实测值的均方根误差RMSE分别为0.71与0.83预测精度分别为70.4%与67.1%。以蓝(B)、绿(G)、红(R)以及近红外(NIR)波段作为输入参数回归并预测的RMSE值为0.42,预测精度为81.7%。通过支持向量机回归预测具有更好的拟合效果,可以输入更多波段信息,提高了叶面积遥感反演精度,对冬小麦的多个生育期均具有较好的适用性。     

基于GF-1遥感影像和relief-mRMR-GASVM模型的小麦白粉病监测

选择合适的建模和特征选择算法对提高作物病害的遥感监测水平有着重要的作用。研究以河北省小麦白粉病为研究对象,基于GF-1/WFV数据共提取了4个波段反射率数据和10个对作物长势和胁迫敏感的植被指数作为初选特征。针对常用的特征提取算法relief算法筛选出的特征存在冗余性的问题,提出了一种relief结合最小冗余最大相关(minimum redundancy maximum relevance,m RMR)的特征降维算法(relief-m RMR)。首先,通过relief算法计算出各特征的权重系数,对特征集进行加权;然后利用m RMR算法选出与类别具有最小冗余性的特征,利用支持向量机(support vector machine,SVM)对河北白粉病进行监测,并用遗传算法(genetic algorithm,GA)优化的SVM(GASVM)建立了白粉病的监测模型(relief-m RMR-GASVM),将监测结果分别与SVM和网格寻优(grid search,GS)算法优化的SVM(GSSVM)的监测结果进行对比分析,同时比较了该方法与Ada Boost、粒子群(Pso)优化的最小二乘支持向量机(least squares support vector machine,Pso-LSSVM)和随机森林(random forest,RF)3种方法的优越性。结果表明,relief-m RMR算法筛选出的特征与GASVM、SVM和GSSVM建立的监测模型精度比传统relief算法筛选特征所建模型的精度分别提高了14.3个百分点、7.2个百分点和7.1个百分点,比传统m RMR算法筛选特征所建模型的精度分别提高了14.3个百分点、14.3个百分点和14.2个百分点。relief-m RMR算法结合GASVM建立的监测模型精度为所有模型中最高,精度为85.7个百分点,分别比SVM和GSSVM所建监测模型精度提高了21.4个百分点和7.2个百分点。此外,GF-1数据结合relief-m RMR-GASVM模型的监测精度分别高出Ada Boost、Pso-LSSVM和RF方法21.4个百分点、14.3个百分点和7.1个百分点。说明GF-1数据结合relief-m RMR-GASVM模型可用于小麦白粉病的遥感监测。     

利用HJ-1-A/B CCD2数据反演冬小麦叶面积指数

叶面积指数是十分重要的作物生理生态参数,为提高利用国产环境减灾小卫星CCD数据反演冬小麦叶面积指数的精度,该文以5种常用的植被指数(归一化差值植被指数(normalized difference vegetation index,NDVI),增强植被指数(enhanced vegetation index,EVI),双波段增强植被指数(2-bands enhanced vegetation index,EVI2),比值植被指数(ratiovegetation index,RVI),土壤调节植被指数(soil-adjusted vegetation index,SAVI)为基础,结合3种常用的回归模型,按生长阶段比较分析了不同植被指数和回归模型反演叶面积指数的精度。结果表明,除生殖生长阶段外,叶面积指数和5种植被指数之间均有较强的相关关系;指数模型和一元线性模型分别为全生育期和营养生长阶段的最佳拟合模型;EVI在全生育期拟合时的表现好于其他4个指数(R2=0.9348),SAVI则是营养生长阶段表现最佳的指数(R2=0.9404)。该研究为进一步利用植被指数反演叶面积指数提供了参考。     

基于机器视觉形状特征参数的祁门红茶等级识别

外形是评价茶叶质量的重要指标之一,目前主要依赖人工审评的方法,客观、准确的评价外形指标对茶叶加工、销售有重要的意义。该研究提出了一种基于形状特征直方图结合支持向量机的茶叶等级识别方法。以7个等级的祁门工夫红茶为研究对象,构建图像采集系统,标定相机参数,采集各等级的茶叶图像。对图像进行灰度化、二值化处理,提取叶片的6个绝对形状特征:长度、宽度、面积、周长、最小外接矩长、宽,在此基础上计算狭长度,矩形度2个相对形状特征,生成形状特征的直方图。以直方图分布为特征向量,构建了基于BP神经网络,极限学习机(extreme learning machine,ELM),支持向量机(support vector machine,SVM),最小二乘支持向量机(least squares support vector machine,LS-SVM)的等级识别模型,并对比了不同模型的识别效果。结果表明,该文构建的图像采集系统测量精度0.3 mm,能够准确提取形状特征参数;基于形状特征直方图的LS-SVM模型识别效果最好,识别精度为95.71%,测试集决定系数为96.2%,具有算法复杂度低,易于求解的优点。研究结果为实现茶叶的客观、数字化等级鉴定,提供了试验数据和参考方法。     

基于AdaBoost模型和mRMR算法的小麦白粉病遥感监测

除选择合适的建模方法外,选择合适的特征选择算法来优选建模特征对提高作物病害的遥感监测水平具有重要作用。选取陕西省关中平原西部小麦白粉病为对象,基于Landsat 8遥感影像共提取了18个特征变量,通过相关性分析(correlation analysis,CA)和最小冗余最大相关(minimum redundancy maximum relevance,mRMR)2种特征选择算法筛选出了2组不同的特征变量,分别将其输入Fisher线性判别分析(Fisher linear discriminant analysis,FLDA)、支持向量机(support vector machine,SVM)和AdaBoost 3种方法,构建小麦白粉病发生严重程度监测模型,并对其进行精度验证与对比分析。结果表明,2种AdaBoost模型对小麦白粉病发生严重程度的总体监测精度分别比FLDA模型和SVM模型高出27.9%、27.9%和14.0%、9.3%,mRMR算法筛选特征所建FLDA、SVM及AdaBoost监测模型的总体监测精度分别比CA筛选特征所建模型高出7.0%、11.7%和7.0%,且mRMR算法筛选特征结合AdaBoost方法所建监测模型的精度和Kappa系数分别为88.4%和0.807,为所有模型中最高。说明将AdaBoost方法用于作物病害遥感监测效果较好,在作物病害监测模型的特征变量选择中mRMR算法比常用CA算法更具优势。研究结果可为其他作物病害遥感监测提供方法参考。     

基于机器学习的离心泵气液两相压升预测

针对离心泵气液两相压升难以准确预测的问题,该研究构建了基于机器学习的离心泵压升预测模型.通过试验获得入口体积含气率、转速和液相流量对离心泵两相压升性能的影响规律,建立气液两相运行条件下离心泵性能基础数据库.根据试验结果,确定以入口体积含气率、转速和液相流量作为输入特征,构建基于线性回归、BP神经网络、支持向量机和随机森...     

基于高光谱数据的土壤全氮含量估测模型对比研究

构建基于高光谱数据的土壤全氮含量估测模型,为快速、准确监测农田土壤全氮含量,判断作物生长发育情况和评价土地质量提供新的技术和方法.以新疆南疆地区主要类型土壤为研究对象,于室内测定土壤全氮含量和光谱反射率数据,利用偏最小二乘回归(PLSR)、支持向量机回归(SVM)、随机森林回归(RF)与光谱反射率(R)及其4种数学变换...     

不同模型在渔业CPUE标准化中的比较分析

为了提高渔业数据单位捕捞努力量渔获量（catch per unite of effort,CPUE）标准化数据的质量和模型连续稳定预测能力,该文采用人工神经网络（artificial neural network,ANN）、回归树（regression trees,RT）、随机森林（random forest,RF）和支持向量机（support vector machine,SVM）等机器学习方法和传统的广义线性模型（generalized linear model,GLM）等方法,对2000－2013年大西洋大眼金枪鱼（Thunnus obesus）延绳钓CPUE数据进行标准化。采用平均绝对误差、平均均方误差、3种相关系数（Pearson's,Kendall's和Spearman's）和标准化均方误差等评价指标对不同模型标准化结果进行对比,寻找较优的标准化方法。研究结果表明,在验证数据集SVM方法得到的3种相关系数（0.596,0473和0.632）和RF（0.623,0.456,0.621）相似,高于RT(0.516,0.432和0.586)、ANN(0.428,0.249和0.365)和GLM(0.199,0.106和0.159)。SVM预测的均方误差（11.25）、平均绝对误差（2.107）和标准化均方误差（0.652）略低于RF（11.655,2.377和0.661）,明显低于RT（14.999,2.434和0.801）、ANN(16.692,2.883和0.823)和GLM（16.517,2.777和0.993）。各项指标揭示SVM方法要优于其他4种方法,RF次之,GLM计算结果在所有方法中最差,不适合渔业数据CPUE标准化。SVM和RF方法应该被优先考虑用于渔业数据CPUE标准化。研究结果为渔业资源管理和保护提供更好的支持。     

基于机器视觉的小麦害虫分割算法研究

农业病虫害的自动识别是精准农业研究方向之一。以小麦蚜虫为例，运用机器视觉技术对非特定场景下害虫的分类和分割算法进行了研究。在分类上，训练了SVM分类器和基于k-均值聚类的分类方法。比较得出，SVM分类器和k-均值聚类算法在处理精度和速度上各有优势；在分割上，运用合并和分裂相结合的区域生长算法分割害虫和叶片，进行自动识别。分析表明，该算法对害虫的分类效果好、分割识别准确率达到90．7％，速度能够满足实时处理的要求，为农业机械精准施药提供了技术上的支持。     

支持向量机与分类后验概率空间变化向量分析法相结合的冬小麦种植面积测量方法

利用遥感手段提取农作物种植面积时,需要结合作物物候特征,以提高面积的提取精度。该文以北京市通州区西南部为试验区,以冬小麦为研究对象,利用多时相的环境减灾小卫星遥感影像数据,通过基于支持向量机二分法的分类后验概率空间变化向量分析法进行冬小麦种植面积遥感测量试验研究。研究结果表明：该文提出的方法测量结果总体精度、Kappa系数分别为95%、0.90,远高于支持向量机（SVM）分类后直接比较方法（总体精度91%,Kappa系数0.79）;解决了实际应用中的变化阈值选取的主观性问题,该方法的频度直方图两极化现象使得变化阈值取值部分频度被压低摊平,阈值敏感度降低,变化阈值取值更为客观,一定程度上解决了阈值难以设定的问题;SVM二分法和变化向量分析的结合增强了对光谱的敏感性,能够监测不同季相上植被的长势变化,进而提高了农作物种植面积遥感测量的精度,同时对其他农作物种植面积测量提供了途径。     

应用红外光声光谱技术及支持向量机模型测定土壤有机质含量

快速测定土壤有机质含量对作物生产和土壤肥力评价具有重要意义,红外光声光谱技术的应用为土壤有机质快速测定提供了可能。本研究以江苏省南京市溧水区水稻土土样为材料,探究了红外光声光谱技术在有机质测定中的应用。采用主成分分析、偏最小二乘和独立成分分析,分别提取了土壤光谱的主成分、偏最小二乘潜变量和独立成分,并以提取的信息输入支持向量机,从而构建了三种支持向量机校正模型。同时,偏最小二乘也被用于建立校正模型,作为支持向量机模型的对照。预测结果表明,基于独立成分的支持向量机模型效果最好,预测相关系数R2、均方根误差RMSEP和实际测量值的标准差与光谱模型预测值标准差的比值即RPD值分别为0.808、0.575和2.28。F检验表明,该模型显著优于基于主成分的支持向量机模型,但与基于偏最小二乘潜变量的支持向量机模型,以及经典偏最小二乘模型没有显著差异。t检验表明,各校正模型对有机质的预测结果与化学测定结果没有显著差异。因此,红外光声光谱技术为土壤有机质的快速测定提供了新的技术手段。     

基于近红外光谱和支持向量机的土壤参数预测

应用支持向量机算法对实时土壤光谱数据进行处理,获得了土壤全氮和有机质的回归模型并研究了模型随参数变化的规律。从中国农业大学试验田采集了150个土样,用光谱仪获取了原始土壤样本的近红外光谱,用实验室分析法获取了各样本的全氮和有机质含量。以近红外光谱数据为自变量对2个土壤参数进行了回归建模并评价了算法各参数对模型的影响。研究表明土壤参数适合于全谱支持向量回归。对于土壤全氮,基于小波降噪NIR光谱的SVM回归模型的标定R2为0.9224,验证R2为0.3667;对于土壤有机质,基于原始NIR光谱的SVM回归模型