基于AdaBoost模型和mRMR算法的小麦白粉病遥感监测-农业工程学报.PDFVIP

第 33 卷 第 5 期 农 业 工 程 学 报 Vol.33 No.5 162 2017 年 3 月 Transactions of the Chinese Society of Agricultural Engineering Mar. 2017 基于 AdaBoost 模型和 mRMR 算法的小麦白粉病遥感监测 1,2 2 ※ 1 2 3 马慧琴 ，黄文江 ，景元书 ，董莹莹 ，张竞成 ， 聂臣巍 2 2,4 4 4 ，唐翠翠 ，赵晋陵 ，黄林生 （1. 南京信息工程大学应用气象学院，气象灾害预报预警与评估协同创新中心，南京 210044 ； 2. 中国科学院遥感与数字地球研究所，数字地球重点实验室，北京 100094 ； 3. 杭州电子科技大学生命信息与仪器工程学院，杭州 310018 ；4. 安徽大学电子信息工程学院，合肥 230039 ） 摘 要：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。 关键词：病害；遥感；监测；小麦；mRMR 算法；AdaBoost 方法 doi ：10.11975/j.issn.1002-6819.2017.05.024 中图分类号：S4; TP79 文献标志码：A 文章编号：1002-6819(2017)-05-0162-08 马慧琴，黄文江，景元书，董莹莹，张竞成，聂臣巍，唐翠翠，赵晋陵，黄林生. 基于 AdaBoost 模型和 mRMR 算法的小 麦白粉病遥感监测 [J]. 农业工程学报，2017，33(5)：162－169. doi ：10.11975/j.issn.1002-6819.2017.05.024 Ma Huiqin, Huang Wenjiang, Jing Yuanshu, Dong Yingying, Zhang Jingcheng, Nie Chenwei, Tang Cuicui, Zhao Jinli