小波分析与支持向量机结合的冬小麦白粉病遥感监测
本文选题：遥感 + 支持向量机 ； 参考：《农业工程学报》2017年14期
【摘要】：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。
[Abstract]:In order to quickly and accurately monitor the occurrence and development of wheat powdery mildew on the regional scale using remote sensing image data, this paper studies the inversion of land surface temperature based on environment and disaster monitoring and forecasting small satellite HJ-1A / 1B data.Four band reflectance data were extracted and 7 vegetation indices were constructed.The remote sensing features of wheat powdery mildew were screened by coupling K-mean and Relief algorithms.The monitoring models of wheat powdery mildew in Jinzhou City of Hebei Province were established by using support vector machine (SVM) and wavelet feature (SVM(Gabor) combined with SVM(Gabor (SVM), and the monitoring accuracy of the two models was compared.The results showed that the normalized difference vegetation index NDVI, the ratio vegetation index simple ratio indexSRs and the surface temperature could better characterize the occurrence of wheat powdery mildew. The overall accuracy of SVM was 86.7%, which was better than that of SVM 80%.Therefore, the combination of wavelet analysis and support vector machine can be used in large area disease monitoring based on satellite remote sensing image, and it has important application value to improve the accuracy of disease monitoring.
【作者单位】： 安徽大学安徽省农业生态大数据工程实验室;中国科学院遥感与数字地球研究所数字地球重点实验室;
【基金】：安徽省自然科学基金(1608085MF139) 安徽省科技重大专项(16030701091) 中国科学院国际合作局对外合作重点项目(131211KYSB20150034) 国家自然科学基金国际合作项目(61661136004) 国家重点研发计划项目(2016YFD0300702)
【分类号】：S435.121.46;TP79
【参考文献】
相关期刊论文 前10条
1 崔海滨;杨柯;张龙;吴晓松;刘勇;王安;李慧;计敏;;基于Gabor变换的TDLAS检测信号的降噪研究[J];光谱学与光谱分析;2016年09期
2 邓曾;李丹;柯樱海;吴燕晨;李小娟;宫辉力;;基于改进SVM算法的高分辨率遥感影像分类[J];国土资源遥感;2016年03期
3 鲁军景;黄文江;张竞成;蒋金豹;;基于小波特征的小麦白粉病与条锈病的定量识别[J];光谱学与光谱分析;2016年06期
4 马慧琴;黄文江;景元书;;遥感与气象数据结合预测小麦灌浆期白粉病[J];农业工程学报;2016年09期
5 袁莹;王伟;褚璇;喜明杰;;光谱特征波长的SPA选取和基于SVM的玉米颗粒霉变程度定性判别[J];光谱学与光谱分析;2016年01期
6 鲁军景;黄文江;蒋金豹;张竞成;;小波特征与传统光谱特征估测冬小麦条锈病病情严重度的对比研究[J];麦类作物学报;2015年10期
7 牛连强;赵子天;张胜男;;基于Gabor特征融合与LBP直方图的人脸表情特征提取方法[J];沈阳工业大学学报;2016年01期
8 王道明;鲁昌华;蒋薇薇;肖明霞;李必然;;基于粒子群算法的决策树SVM多分类方法研究[J];电子测量与仪器学报;2015年04期
9 徐涵秋;;新型Landsat8卫星影像的反射率和地表温度反演[J];地球物理学报;2015年03期
10 陈颖频;彭真明;贺振华;田琳;张洞君;;基于自适应窗函数的最优分数域Gabor变换及其应用(英文)[J];Applied Geophysics;2013年03期
相关博士学位论文 前2条
1 张竞成;多源遥感数据小麦病害信息提取方法研究[D];浙江大学;2012年
2 张丽新;高维数据的特征选择及基于特征选择的集成学习研究[D];清华大学;2004年
相关硕士学位论文 前1条
1 叶超;基于Gabor小波和SVM的人脸识别算法研究[D];中北大学;2014年
【共引文献】
相关期刊论文 前10条
1 李红莲;李飞超;高山;李小亭;;基于TDLAS的CO_2检测系统测量不确定度分析与评定[J];激光杂志;2017年10期
2 王利民;刘佳;杨福刚;杨玲波;姚保民;高建孟;;基于GF-1/WFV数据的冬小麦条锈病遥感监测[J];农业工程学报;2017年20期
3 高思培;冉艳艳;;基于Landsat-8时空数据的水体指数分析[J];西部大开发(土地开发工程研究);2017年10期
4 孙静;;Landsat-8数据地表温度反演单通道修正算法[J];遥感信息;2017年05期
5 霍跃华;范伟强;孙雁宇;;瓦斯遥测关键技术现状与发展方向[J];工矿自动化;2017年10期
6 王琳;徐涵秋;;快速城市化下福州市的热环境变迁[J];同济大学学报(自然科学版);2017年09期
7 谢启姣;陈昆仑;金贵;;武汉城镇化与热岛效应的定量研究[J];测绘科学;2017年09期
8 张陆唯;石玉;刘文波;;DKSVD和SVM在钢轨裂纹漏磁识别上的对比研究[J];电子测量技术;2017年09期
9 邓睿;刘亮;徐二丽;;基于Landsat时间序列数据的重庆市热力景观格局演变分析[J];生态环境学报;2017年08期
10 张博博;徐涵秋;胡秀娟;付伟;林中立;;福建长汀河田盆地林下水土流失区的遥感判别[J];遥感信息;2017年04期
相关博士学位论文 前10条
1 肖艳;面向对象的PolSAR影像分类研究[D];吉林大学;2017年
2 郑利娟;基于高分一/六号卫星影像特征的农作物分类研究[D];中国科学院大学(中国科学院遥感与数字地球研究所);2017年
3 毕超;人脸识别中若干特征优化方法研究[D];东北师范大学;2017年
4 刘俊;分布式数据处理系统中作业性能优化关键技术研究[D];重庆大学;2016年
5 李辉;基于粒计算的神经网络及集成方法研究[D];中国矿业大学;2015年
6 黄红兵;层次流形学习及其在监督分类中的应用[D];上海交通大学;2015年
7 袁琳;小麦病虫害多尺度遥感识别和区分方法研究[D];浙江大学;2015年
8 田杰;基于图像分析的小麦叶部病害识别方法研究[D];西北农林科技大学;2015年
9 乐源;基于光谱数据的植被重点参数反演方法研究[D];武汉大学;2014年
10 牛清宁;基于信息融合的疲劳驾驶检测方法研究[D];吉林大学;2014年
相关硕士学位论文 前10条
1 黄维;非控环境下的人脸特征提取与分类算法研究[D];南京邮电大学;2016年
2 刘欢;基于EHMM-SVM的人脸识别算法研究[D];郑州大学;2016年
3 尹政博;基于PHOG描述算子的手写数字识别系统研究与实现[D];东北师范大学;2016年
4 付瑶;具有年龄鲁棒性的人脸识别算法研究[D];北京交通大学;2015年
5 孔晨辰;基于加权组稀疏表示的人脸识别方法研究[D];浙江工业大学;2015年
6 李洋;基于随机森林的人脸表情识别研究[D];长春工业大学;2015年
7 侯洪涛;一种课堂环境下学生表情识别系统的研究[D];北京工业大学;2015年
8 张佳敏;基于支持向量机的表情识别应用研究[D];重庆大学;2015年
9 王镇;基于HOG特征的人脸表情识别算法研究[D];南京邮电大学;2015年
10 刘磊;基于HOG和粒子滤波的行人检测与跟踪[D];合肥工业大学;2015年
【二级参考文献】
相关期刊论文 前10条
1 沈文颖;李映雪;冯伟;张海艳;张元帅;谢迎新;郭天财;;基于因子分析-BP神经网络的小麦叶片白粉病反演模型[J];农业工程学报;2015年22期
2 祝志慧;刘婷;马美湖;;基于高光谱信息融合和相关向量机的种蛋无损检测[J];农业工程学报;2015年15期
3 唐翠翠;黄文江;罗菊花;梁栋;赵晋陵;黄林生;;基于相关向量机的冬小麦蚜虫遥感预测[J];农业工程学报;2015年06期
4 徐涵秋;;新型Landsat8卫星影像的反射率和地表温度反演[J];地球物理学报;2015年03期
5 盛佳;洪中华;张云;袁国良;;基于TerraSAR-X影像的格陵兰岛海岸水边线提取[J];极地研究;2014年04期
6 刘松松;张辉;毛征;孟博;李昂;;基于HRM特征提取和SVM的目标检测方法[J];国外电子测量技术;2014年10期
7 范媛媛;桑英军;胡光;周在进;郝云荣;;基于小波变换的电能质量监测[J];沈阳工业大学学报;2014年06期
8 陈仁文;朱霞;徐栋霞;毛世杰;;基于改进型粒子群算法的卡箍直径检测算法研究[J];仪器仪表学报;2014年08期
9 周绍磊;廖剑;史贤俊;;RBF-SVM的核参数选择方法及其在故障诊断中的应用[J];电子测量与仪器学报;2014年03期
10 张磊;邵振峰;;改进的OIF和SVM结合的高光谱遥感影像分类[J];测绘科学;2014年11期
相关博士学位论文 前1条
1 乔红波;麦蚜和白粉病遥感监测技术研究[D];中国农业科学院;2007年
相关硕士学位论文 前6条
1 张惠发;人脸识别的关键问题研究[D];吉林大学;2012年
2 黄泉龙;基于PCA的人脸识别研究[D];西安电子科技大学;2012年
3 朱玉石;基于DCV和SVM的人脸识别方法研究与实现[D];东北大学;2010年
4 齐兴敏;基于PCA的人脸识别技术的研究[D];武汉理工大学;2007年
5 孙鑫;特征子空间法人脸识别研究[D];电子科技大学;2005年
6 李刚;基于特征脸法的正面人脸识别研究[D];中国人民解放军国防科学技术大学;2002年
【相似文献】
相关期刊论文 前10条
1 向大芳;;支持向量机云检测方法的稳定性分析研究[J];计算机应用与软件;2013年01期
2 任能;谷波;;冷壁面霜层生长的支持向量机模型[J];制冷学报;2007年03期
3 赵春晖;陈万海;万建;;一种改进的多类支持向量机超光谱图像分类方法[J];智能系统学报;2008年01期
4 曹志坤;谷波;顾众;;基于改进的支持向量机制冷陈列柜优化模型[J];上海交通大学学报;2009年09期
5 张红亮;王水林;吕颖慧;尹小涛;;爆破震动效应的支持向量机分析预测[J];矿业研究与开发;2007年04期
6 欧敏;林从谋;;支持向量机预测高边坡爆破质点振动速度[J];金属矿山;2011年06期
7 周建永;;支持向量机修正灰色模型在工程价格预测中的应用[J];科技通报;2013年07期
8 李波;郭凤菊;李新军;;一种多属性约简支持向量机混合分类方法[J];昆明理工大学学报(理工版);2006年04期
9 潘翔;李洁冰;;一种基于支持向量机的目标定位方法[J];浙江大学学报(工学版);2006年03期
10 史秀志;董凯程;邱贤阳;陈小康;;基于支持向量机回归爆破振动速度预测分析[J];工程爆破;2009年03期
相关会议论文 前3条
1 侯澍e，
本文编号：1755671
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/1755671.html
