浙江大学学报 (农业与生命科学版)  2017, Vol. 43 Issue (2): 211-219
文章快速检索     高级检索
结合HJ卫星影像和最小二乘孪生支持向量机的小麦蚜虫遥感监测[PDF全文]
胡根生1,2, 吴问天1,2,3, 罗菊花4, 黄文江1,2,3 , 梁栋2, 黄林生1,2    
1. 安徽大学安徽省农业生态大数据工程实验室,合肥 230601;
2. 安徽大学电子信息工程学院,合肥 230601;
3. 中国科学院遥感与数字地球研究所,数字地球重点实验室;
4. 中国科学院南京地理与湖泊研究所,南京 210008
摘要: 为了准确、及时地监测小麦蚜虫发生情况,利用野外定位调查数据及环境与灾害监测预报小卫星星座HJCCD和HJ-IRS影像数据,在北京市通州区和顺义区小麦蚜虫发生的关键生育期(灌浆期),提取对蚜虫病情影响较大的小麦长势因子和生境因子,利用最小二乘孪生支持向量机建立该研究区的小麦蚜虫监测模型,并与传统支持向量机、费歇尔线性判别分析和学习矢量量化神经网络模型的监测结果进行对比。结果表明:最小二乘孪生支持向量机模型的总体监测精度达到86.4%,优于传统支持向量机模型(77.3%)、费歇尔线性判别分析模型(77.3%)和学习矢量量化神经网络模型(72.7%),取得了较好的监测效果。
关键词: 卫星影像    遥感监测    小麦蚜虫    最小二乘孪生支持向量机    
Remote sensing monitoring of wheat aphids by combining HJ satellite images with least squares twin support vector machine model
HU Gensheng1,2, WU Wentian1,2,3, LUO Juhua4, HUANG Wenjiang1,2,3 , LIANG Dong2, HUANG Linsheng1,2    
1. Anhui Engineering Laboratory of Agro-Ecological Big Data, Anhui University, Hefei 230601, China;
2. School of Electronics and Information Engineering, Anhui University, Hefei 230601, China;
3. Key Laboratory of Digital Earth Science, Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100094, China;
4. Nanjing Institute of Geography and Limnology, Chinese Academy of Sciences, Nanjing 210008, China
Summary: Pests and diseases have become serious because of global warming, which have caused great economic losses to agricultural production, and have threatened human life and health, so it was very urgent and challenging to prevent or control pests and diseases. Real-time dynamic monitoring of the occurrence of pests and diseases in large scale continuous space can guide the prevention or control work accurately and effectively to reduce the impact of pests and diseases as well as the environmental pollution caused by the indiscriminate use of pesticides. Remote sensing technology can provide effective information for crop pests and diseases monitoring quickly and accurately on a massive continuous spatial surface. HJ-1A/1B satellite has a high revisit period (4 days). Multi-spectral images obtained by HJ-1A/1B satellite sensors have high spatial resolution (30 m) and are very suitable for the monitoring of agricultural pests and diseases.The occurrence of wheat aphids affects seriously the yield and quality of wheat. Monitoring of the wheat aphids accurately and timely is helpful for effective prevention and control of pests. In this paper, by using the field location survey data and the HJ-CCD and HJ-IRS image data, the growth factors and the environmental factors of wheat are extracted, including normalized difference vegetation index (NDVI), green normalized difference vegetation index (GNDVI), reflectance of red band, land surface temperature (LST) and perpendicular drought index (PDI). These factors had a great influence on the occurrence of wheat aphids. The monitoring model of wheat aphids in Tongzhou District and Shunyi District of Beijing was established by using the least squares twin support vector machine (LSTSVM). The LSTSVM has a good processing ability for large scale unbalanced data and has stronger robustness than the traditional support vector machine (SVM). Computational complexity of LSTSVM is reduced by using the least squares algorithm to transform inequality constraints into equality constraints.Experimental results showed that: the overall monitoring accuracy of the LSTSVM model was 86.4% and the Kappa coefficient was 0.71; the traditional SVM model was 77.3% and 0.52; the Fisher linear discriminant analysis (FLDA) model was 77.3% and 0.54; and the learning vector quantization (LVQ) neural network model was 72.7% and 0.39. In sum, the algorithm proposed in this paper has higher precision than the traditional SVM, FLDA and LVQ neural network.
Key words: satellite image    remote sensing monitoring    wheat aphids    least squares twin support vector machine    

农作物病虫害是影响农业产量的主要因素之一。中国作为一个农业大国,农作物病虫害发生种类多、影响广,其中,小麦蚜虫几乎每年都会发生,且蔓延速度快[1-2]。小麦蚜虫通过吸食小麦叶片、茎秆和嫩穗的汁液,严重危害小麦的生长发育。此外,小麦蚜虫还会分泌蜜露,附着在叶表面,对小麦的光合作用产生干扰,引起煤污病,最终导致小麦减产[3]。因此,及时准确地监测小麦蚜虫,可以精准地指导农业生产者对虫害进行防治,减少粮食产量的损失,同时也可以减少盲目施药对环境产生的污染。

传统的田间取样和目测方式监测小麦蚜虫费时、费力,不具有代表性,且时效性差。由于小麦蚜虫的发生和流行除了跟小麦品种和田间管理有关以外,还跟小麦生长过程中的温度和湿度等环境条件密切相关,因此,目前很多蚜虫监测研究都是基于气象数据开展的,通过提取气象因子进行建模预测[4-6]。在实际应用中,气象数据主要由气象站点提供,在空间上并不连续。同时,由于受到地形、人类活动等因素的影响,气象数据无法准确地描述连续空间上的气象条件。因此,使用气象数据无法准确地监测蚜虫的具体发生位置及范围。

植物在病虫害侵染下会发生生理、生化状态的改变,并表现在不同光谱波段上的吸收和反射特性的改变[7],因而,利用遥感多光谱数据构建植被指数对农作物病虫害进行监测在农业植保领域具有重要意义。PRABHAKAR等[8]发现,对于轻度感染病虫害的植株,其光谱反射率在绿波段、近红外波段和短波红外波段存在显著差异,对于感染严重的植株,除了蓝波段外其他波段的反射率均存在显著差异。YANG等[9]利用绿度归一化植被指数(green normalized difference vegetation index, GNDVI)和土壤调节植被指数(soil-adjusted vegetation index, SAVI)对作物病虫害进行了监测。竞霞等[10]利用重归一化植被指数(re-normalized difference vegetation index, RDVI)和差值植被指数(difference vegetation index, DVI)构建棉花黄萎病模型,估测棉花黄萎病的病情程度。为实现作物病虫害的遥感识别和程度区分,除了选择敏感的植被指数外,还需要选取合适的识别和区分算法。刘占宇[11]利用支持向量分类机(support vector classifier, SVC)和学习矢量量化(learning vector quantization, LVQ)神经网络等分类方法,对水稻病虫害的不同危害等级进行分类。靳宁[12]利用支持向量机对棉花黄萎病的发病程度进行了区分。聂臣巍等[13]利用支持向量机和费歇尔线性判别分析(Fisher linear discriminant analysis, FLDA)对小麦白粉病的发病程度进行了识别。以上方法虽然都取得了较好的识别精度,但各算法仍然存在一些不足,从而限制了其广泛应用,如:神经网络方法的学习参数及结构模型具有很大的不确定性,且需要大量的已知样本进行训练,在使用进化方法计算时,可能会出现收敛时间过长等问题;费歇尔线性判别法擅长解决线性可分问题,但在实际分类训练过程中,如果不同种类的样本数彼此之间差距太大,则会导致分类器的分类性能下降。

支持向量机是一种基于统计学习理论的机器学习方法,和神经网络相比,其解决了高维问题和局部最小值问题,具有更好的泛化能力。然而,支持向量机算法的训练时间较长,对大规模训练样本难以实施。随着对支持向量机研究的深入,JAYADEVA等[14]提出了孪生支持向量机(twin support vector machine, TSVM),它通过求解2个规模较小的二次规划问题,对大规模不均衡数据具有很好的处理能力,并且可以获得具有更强鲁棒性的最优超平面,有效提高了分类精度。在孪生支持向量机基础上,利用最小二乘算法可以把不等式约束条件转化成等式约束,简化了运算的复杂度。因此,本文利用最小二乘孪生支持向量机(least squares twin support vector machine, LSTSVM)算法,以HJ卫星遥感影像数据反演出的小麦长势因子和生境因子作为输入参数,建立小麦蚜虫的遥感监测模型,对小麦蚜虫发生情况进行监测,在提高监测精度的同时,增加监测模型的普适性。

1 研究方法 1.1 影像预处理与小麦种植区提取

近年来,中国环境与灾害监测预报小卫星星座HJ-1A/1B的发射升空为区域尺度上的作物病虫害遥感监测提供了宝贵的影像数据,其携带的多光谱传感器(CCD)获取的遥感影像,空间分辨率为30 m,重访周期为4 d,影像范围能够覆盖全国。此外,HJ-1B卫星还携带红外多光谱传感器(IRS),可用于地表温度反演[15],非常适合用于农业病虫害的遥感监测。

选择北京市顺义区(116°32′—116°56′E,39° 62′—40°02′N)和通州区(116°28′—116°58′E,40° 00′—40°18′N)为本研究区。该区域主要农作物为冬小麦,种植面积较大,种植结构较为简单;该地区也是小麦蚜虫的易发区域。环境卫星影像数据的获取时间分别为2010年5月13日(时相1)和2010年5月20日(时相2),均处于小麦生长和蚜虫危害的关键期。该区域小麦蚜虫发病情况的实地调查时间为2010年6月5日,共54个调查点,并记录经纬度信息和虫害发生情况。根据实地调查数据将研究区域虫害状态分为2类:健康和发生蚜虫。

数据预处理包括对影像进行辐射定标、大气校正、几何校正以及研究区裁剪,预处理过程都在ENVI 5.1软件中实现。以一景经过差分全球定位系统控制点矫正过的研究区域航拍照片为参考影像,对HJ-CCD和HJ-IRS影像进行几何精校正,保证影像的校正误差在半个像元以内。影像预处理结束后,对研究区小麦种植区进行提取,具体方法为:以2010年5月20日的HJ-CCD数据作为基准影像,利用归一化植被指数(normalized difference vegetation index, NDVI)对植被的特殊敏感性,通过设置NDVI阈值将植被和非植被区域分开。在研究区域植被中,除作物以外,还存在森林和草地。由于草地在近红外波段的反射率高于作物和森林,通过设置近红外反射率阈值可以将草地从研究区域中剔除。研究区域中森林的地理位置在北京市西北侧的山区,通过设置数字高程模型(digital elevation model, DEM)阈值可以将作物和森林分离[16]。最后利用ENVI 5.1中的最大似然法对小麦种植区域进行提取,提取的总体精度达到90%以上。

1.2 最小二乘孪生支持向量机理论

对于给定的训练样本,最小二乘孪生支持向量机(LSTSVM)的思想是基于图正则化框架,利用决策函数在图上的光滑性作为正则化项,获得分类器模型最佳参数。LSTSVM的模型可表示为下面2个约束优化问题:

$ \begin{align} &\underset{{{w}_{1}},{{b}_{1}}}{\mathop{\min }}\,\frac{1}{2}{{\left\| K\left( A,{{M}^{\text{T}}} \right){{w}_{1}}+{{e}_{1}}{{b}_{1}} \right\|}^{2}}+\frac{{{C}_{1}}}{2}y_{2}^{\text{T}}{{y}_{2}} \\ &s.t.\ \ \ \ \ \ -\left( K\left( B,{{M}^{\text{T}}} \right){{w}_{1}}+{{e}_{2}}{{b}_{1}} \right)={{e}_{2}}-{{y}_{2}}. \\ \end{align} $ (1)
$ \begin{align} &\underset{{{w}_{2}},{{b}_{2}}}{\mathop{\min }}\,\frac{1}{2}{{\left\| K\left( B,{{M}^{\rm{T}}} \right){{w}_{2}}+{{\mathit{\boldsymbol{e}}}_{2}}{{b}_{2}} \right\|}^{2}}+\frac{{{C}_{2}}}{2}y_{1}^{\rm{T}}{{y}_{1}} \\ &s.t.\ \ \ \ \ \ \left( K\left( A,{{M}^{\rm{T}}} \right){{w}_{2}}+{{\mathit{\boldsymbol{e}}}_{1}}{{b}_{2}} \right)={{e}_{1}}-{{y}_{1}}. \\ \end{align} $ (2)

式中:A =[ai, j]m1 × nB =[bi, j]m2 × n,分别表示m1个健康训练样本和m2个发病训练样本,n是样本的维数;K (∙, ∙) 是核函数;e1e2为相应维数的单位向量;C1C2为惩罚系数;M T =[ATBT];wkbkk = 1, 2)为最优超平面参数;y1y2表示误差量。

把约束条件带入目标函数可以求得:

$ \left[ \begin{matrix} {{w}_{1}} \\ {{b}_{1}} \\ \end{matrix} \right]=-{{\left( \frac{1}{{{C}_{1}}}{{H}^{\text{T}}}H+{{Q}^{\text{T}}}Q \right)}^{-1}}{{Q}^{\text{T}}}{{\mathrm{e}}_{2}}. $ (3)
$ \left[ \begin{matrix} {{w}_{2}} \\ {{b}_{2}} \\ \end{matrix} \right]={{\left( \frac{1}{{{C}_{2}}}{{Q}^{\text{T}}}Q+{{H}^{\text{T}}}H \right)}^{-1}}{{H}^{\text{T}}}{{\mathrm{e}}_{1}}. $ (4)

式中:H =[K (A, M T) e1];Q =[K (B, M T) e2]。

由式(3)、式(4)可得超平面方程:

$ K\left( {{x}^{\text{T}}},{{M}^{\text{T}}} \right){{w}_{1}}+{{b}_{1}}=0. $ (5)
$ K\left( {{x}^{\text{T}}},{{M}^{\text{T}}} \right){{w}_{2}}+{{b}_{2}}=0. $ (6)

上述2个超平面方程分别对应一类训练样本,判断一个新样本xRn为类i的决策函数如下:

$ {\rm{Class}}\left( i \right) = \arg \mathop {\min }\limits_{k = 1,2} {\kern 1pt} \frac{{\left| {K\left( {{x^{\rm{T}}},{M^{\rm{T}}}} \right){w_k} + {b_k}} \right|}}{{\sqrt {{{\left( {{w_k}} \right)}^{\rm{T}}}K\left( {M,{M^{\rm{T}}}} \right){w_k}} }}. $ (7)

建立在目标函数和训练样本分布之间关系的聚类假设是学习的关键,与传统的k最近邻(k-nearest neighbor, KNN)聚类相比,本文提出KKNN聚类,即通过非线性映射函数把训练样本映射到高维的希尔伯特(Hilbert)特征空间。这种高维空间能更好地反映出训练样本之间的亲密关系。

1.3 最小二乘孪生支持向量机模型构建

模型的建立包括核函数和模型参数的选取。由于支持向量机的核函数对其性能有很大影响,而小波函数具有良好的时频局域特性和多尺度分解能力,如果把小波函数和模型结合起来,可以获得更好的监测能力。本文选择满足平移不变核定理的小波核函数:

$ K\left( x,{x}' \right)=K\left( x-{x}' \right)=\prod\limits_{i=1}^{n}{h\left( \frac{{{x}_{i}}-{{{{x}'}}_{i}}}{\sigma } \right)} $ (8)

式中:h (x) 是小波母函数;σ是核参数。模型参数中核参数σ反映了训练样本数据的分布或范围特性,它决定了局部领域的宽度,其值越大表示方差越小。另外,惩罚系数C1C2可影响训练误差的大小和泛化能力的强弱。因此,为了避免过拟合现象,本文中的核参数和惩罚系数采用网格搜索法确定。

1.4 特征提取

小麦受蚜虫侵染后会在外部形态和内部生理上发生变化,如出现叶片变黄、枯萎、叶绿素含量下降等症状,无论是形态还是生理的变化,都会引起小麦光谱特征的改变,特别是可见光和近红外波段,以及由这些波段通过数学运算提取出对植物长势具有指标意义的植被指数。例如,与生物量和色素吸收有关的红(RR)、绿(RG)和近红外(RNIR)波段的反射率,本文将其候选为监测模型的输入变量。同时,归一化植被指数(NDVI)、绿度归一化植被指数(GNDVI)、归一化差异绿度指数(normalized difference greenness index, NDGI)、重归一化植被指数(RDVI)和三角植被指数(triangular vegetation index, TVI)共5个基于多光谱数据构建的植被指数用于后续分析。其中:NDVI、GNDVI能表征植被长势信息和植被覆盖度[17],对作物的长势监测十分有效;NDGI灵敏性强,对作物生长活力的监测有效,可以对不同活力植被形式进行监测;RDVI可用于不同高低植被覆盖度下的作物生长监测;TVI能探测到由病虫害胁迫引起的作物光谱反射率变化。表 1为筛选出的植被指数、表达式及文献出处。

表1 用于小麦蚜虫监测研究的多光谱植被指数 Table 1 Multispectral vegetation indices used for wheat aphids monitoring research
点击放大

由于小麦在生长过程中温度和湿度等环境因素对小麦蚜虫病的发生有着较大的影响,适宜的温度(16~25 ℃)有利于蚜虫的大量繁殖,干燥的天气会导致作物含水量降低,营养物质相对变多,有利于蚜虫的生长发育;同时,干燥的天气也有利于蚜虫的迁徙扩散和繁殖蔓延,最终导致蚜虫的发生量增大。因此,除了上述多光谱植被指数之外,本文还提取了小麦的生境因子作为监测模型的输入。所提取的生境因子包括利用HJ-IRS数据反演出表征小麦生长过程中田间温度状况的地表温度(land surface temperature, LST)和表征小麦生长过程中土壤含水量的垂直干旱指数(perpendicular drought index, PDI)。其中,PDI是基于多光谱影像近红外波段反射率和红波段反射率建立的光谱特征空间提出的,其原理是:对于不同植被覆盖度和湿度信息的像元在二维特征空间具有不同的分布,土壤在近红外波段反射率和红波段反射率上会呈现近似线性的分布(土壤线)。土壤线的拟合公式[23]为:

$ {{R}_{\text{NIR}}}=M{{R}_{\text{R}}}+I. $ (9)

式中:M为拟合得到的土壤线斜率;I为土壤线在纵坐标上的截距。根据土壤线公式,构建的垂直干旱指数(PDI)公式为:

$ \text{PDI}=\left( {{R}_{\text{R}}}+M\times {{R}_{\text{NIR}}} \right)/{{\left( {{M}^{2}}+1 \right)}^{0.5}}. $ (10)

地表温度(LST)的反演采用普适性较高的单通道算法[24]

相关分析能够对2个变量直接的依存关系进行评价并量化。因此,为了进一步了解并提取用于小麦蚜虫监测的特征,本文采用独立样本t检验对所选特征在时相1和时相2时期与健康及发生虫害样本的差异性进行检验,筛选出对虫害信息敏感的特征因子。表 2汇总了t检验的分析结果,各个特征除RNIR、NDGI、RDVI和TVI外,均表现出对虫害的敏感性。为了让入选的光谱特征能够对小麦蚜虫病情具有较强的响应,选取置信度达到0.999水平的特征因子作为监测模型的输入变量进行后续建模分析,选取的特征包括:RR(时相1),NDVI(时相1),GNDVI(时相1),LST(时相2),PDI(时相2)。样本集分为训练集和验证集。本文实地调查了54个样本数据,将其中32个样本构成训练集,剩下的22个样本构成验证集。

表2 各光谱特征不同时相健康及虫害样点差异分析 Table 2 Different analysis of various kinds of spectral features at Table 2 different phases
点击放大
2 结果与分析

本文基于地面调查数据,对提取出的小麦长势因子和生境因子作为监测模型的输入变量,分别用最小二乘孪生支持向量机(LSTSVM)、传统支持向量机(SVM)、费歇尔线性判别分析(FLDA)、学习矢量量化(LVQ)神经网络进行小麦蚜虫监测建模,得出的监测结果如图 1所示。

A:LSTSVM监测结果;B:SVM监测结果;C:FLDA监测结果;D:LVQ神经网络监测结果。 A: LSTSVM monitoring results; B: SVM monitoring results; C: FLDA monitoring results; D: LVQ neural network monitoring results. 图1 4种模型监测结果 Fig. 1 Monitoring results of four models

实地调查数据显示:2010年北京市通州区和顺义区小麦蚜虫会较大面积发生,且通州区的蚜虫发生面积大于顺义区;在研究区域实地调查点的54份样本中,染病样本共17个,发病率为31.5%。其中,顺义区共有35个样本点,7个样本点发生虫害,28个样本点健康,发病率为20.0%;通州区共有19个样本点,其中10个样本点发生虫害,9个样本点健康,发病率为52.6%,明显高于顺义区的发病率。另外,从中国气象科学数据共享服务网获取的北京市通州区和顺义区2010年5月份的气象数据显示,在小麦灌浆期,通州区5月份的日平均气温高于顺义区,且通州区5月上旬少雨干旱,有利于蚜虫的繁殖生长。由此可以推断,通州区的发病面积将大于顺义区的发病面积。从4个监测模型的结果来看,通州区的虫害发生面积均大于顺义区的虫害发生面积,这和实地调查数据以及气象数据的结果一致。

利用ArcGIS软件对4种模型监测出的结果进行统计分析发现,LSTSVM、SVM、FLDA和LVQ神经网络模型监测发生虫害的面积分别占种植区域面积的30.3%、27.5%、39.9%和22.2%(表 3)。由此可以看出,LSTSVM模型的监测结果和实地调查点的发病情况最为接近,更能反映出小麦蚜虫的实际发病情况。SVM和LVQ神经网络模型的监测结果偏低于实地调查点的发病情况,而FLDA模型的监测结果高于实地调查点的发病情况。表 3列出了通州区和顺义区小麦种植区域的像元分类情况。

表3 种植区域像元分类情况 Table 3 Classification of pixels in planting area
点击放大

利用实地调查样本中作为验证集的22个点的数据对模型进行进一步验证,小麦蚜虫发病监测的总体精度、错分误差和卡帕(Kappa)系数见表 4。从中可以看出,4种模型的总体精度都达到了70%以上。LSTSVM、SVM、FLDA和LVQ神经网络监测模型的总体精度分别为86.4%、77.3%、77.3%和72.7%,虫害地块的错分误差分别为12.5%、25.0%、30.3%和20.0%,卡帕系数分别为0.71、0.52、0.54和0.39。结果表明,基于LSTSVM算法监测模型的总体精度最高,错分误差最小,卡帕系数最大。从错分误差结果可以看出,FLDA模型易将健康区域识别为虫害区域,对虫害的发生面积存在过估计现象,而SVM和LVQ神经网络模型则易将发病区域识别为健康区域,对虫害的发生面积存在低估计现象。同时,LVQ神经网络模型的总体精度在4个模型中最低,说明该模型在只有少量训练样本的情况下,分类效果较差。无论是过高还是过低的监测结果都会对实际的病虫害防治工作带来影响。以上结果表明,基于LSTSVM小麦蚜虫监测模型的准确度更高,泛化能力更强,为利用遥感影像准确监测小麦蚜虫的发生情况提供了一种有效方法和技术支持。

表4 4种模型的验证结果 Table 4 Validation results of four models
点击放大
3 结论

本文给出的最小二乘孪生支持向量机把孪生支持向量机的不等式约束条件转化成等式约束,简化了运算复杂度,同时以遥感数据反演出的小麦长势因子和生境因子作为输入参数,利用国产环境卫星遥感影像建立小麦蚜虫监测模型,对北京市顺义区和通州区的小麦蚜虫发生情况进行监测,并且与SVM、FLDA和LVQ神经网络算法的监测结果进行了比较分析。结果表明,本文所用方法的监测精度达到了86.4%,远超SVM、FLDA和LVQ神经网络算法的监测精度(77.3%、77.3%和72.7%),取得了很好的监测效果。

监测小麦蚜虫的发生情况能够有效地指导农业生产者对发病区域采取针对性的防治措施,不仅可以解决由于病虫害导致的粮食减产问题,同时,还能减少由于过度使用农药而造成的生态和食品安全问题,对保障粮食产量和保护环境有着深远的意义。在接下来的研究中,将考虑结合气象数据或者更高分辨率的遥感数据进行建模,例如采用国产高分系列卫星影像,利用获得的遥感数据结合更加精细的气象因子对小麦蚜虫进行监测。

参考文献
[1] 罗菊花. 基于多源数据的小麦蚜虫遥感监测预测研究. 北京: 北京师范大学, 2012: 2.
LUO J H. Monitoring and predicting of aphid based on multisource remote sensing data. Beijing: Beijing Normal University, 2012:2.(in Chinese with English abstract)
[2] 黄文江, 张竞成, 罗菊花, 等. 作物病虫害遥感监测与预测. 北京: 科学出版社 , 2015 : 6 .
HUANG W J, ZHANG J C, LUO J H, et al. Remote Sensing Monitoring and Prediction of Crop Pests. Beijing: Science Press , 2015 : 6 . (in Chinese with English abstract)
[3] 罗菊花, 黄木易, 赵晋陵, 等.冬小麦灌浆期蚜虫危害高光谱特征研究. 农业工程学报,2011,27 (7):215–219.
LUO J H, HUANG M Y, ZHAO J L, et al. Spectrum characteristics of winter wheat infected by aphid in filling stage. Transactions of the Chinese Society of Agricultural Engineering, 2011,27 (7):215–219. (in Chinese with English abstract)
[4] CHATTOPADHYAY C, AGRAWAL R, Kumar A, et al. Forecasting of Lipaphis erysimi on oilseed Brassicas in India: A case study. Crop Protection, 2005,24 (12):1042–1053. DOI: 10.1016/j.cropro.2005.02.010.
[5] GARRETT K A, DOBSON A D M, KROSCHEL J, et al. The effects of climate variability and the color of weather time series on agricultural diseases and pests, and on decisions for their management. Agricultural and Forest Meteorology, 2013,170 :216–227. DOI: 10.1016/j.agrformet.2012.04.018.
[6] DUTTA S, BHATTACHARYA B K, RAJAK D R, et al. Modelling regional level spatial distribution of aphid (Lipaphis erysimi) growth in Indian mustard using satellite-based remote sensing data. International Journal of Pest Management, 2008,54 (1):51–62. DOI: 10.1080/09670870701472314.
[7] 袁琳, 张竞成, 赵晋陵, 等.基于叶片光谱分析的小麦白粉病与条锈病区分及病情反演研究. 光谱学与光谱分析,2013,33 (6):1608–1614.
YUAN L, ZHANG J C, ZHAO J L, et al. Differentiation of yellow rust and powdery mildew in winter wheat and retrieving of disease severity based on leaf level spectral analysis. Spectroscopy and Spectral Analysis, 2013,33 (6):1608–1614. (in Chinese with English abstract)
[8] PRABHAKAR M, PRASAD Y G, VENNILA S, et al. Hyperspectral indices for assessing damage by the solenopsis mealybug (Hemiptera: Pseudococcidae) in cotton. Computers and Electronics in Agriculture, 2013,97 :61–70. DOI: 10.1016/j.compag.2013.07.004.
[9] YANG C M, CHENG C H, CHEN R K, et al. Changes in spectral characteristics of rice canopy infested with brown plant hopper and leaf folder. Crop Science, 2007,47 (1):329–335. DOI: 10.2135/cropsci2006.05.0335.
[10] 竞霞, 黄文江, 琚存勇, 等.基于PLS算法的棉花黄萎病高空间分辨率遥感监测. 农业工程学报,2010,26 (8):229–235.
JING X, HUANG W J, JU C Y, et al. Remote sensing monitoring severity level of cotton verticillium wilt based on partial least squares regressive analysis. Transactions of the Chinese Society of Agricultural Engineering, 2010,26 (8):229–235. (in Chinese with English abstract)
[11] 刘占宇. 水稻主要病虫害胁迫遥感监测研究. 杭州: 浙江大学, 2008: 75-84.
LIU Z Y. Monitoring the rice disease and insect with remote sensing. Hangzhou: Zhejiang University, 2008:75-84. (in Chinese with English abstract)
[12] 靳宁. 棉花黄萎病高光谱识别及遥感监测研究. 南京: 南京信息工程大学, 2009: 27-29.
JIN N. Study on cotton verticillium wilt based on hyperspectral identification and remote sensing monitoring. Nanjing: Nanjing University of Information Science and Technology, 2009:27-29. (in Chinese)
[13] 聂臣巍, 袁琳, 王保通, 等.综合遥感与气象信息的小麦白粉病监测方法. 植物病理学报,2016,46 (2):285–288.
NIE C W, YUAN L, WANG B T, et al. Monitoring wheat powdery mildew based on integrated remote sensing and meteorological information. Acta Phytopathologica Sinica, 2016,46 (2):285–288. (in Chinese with English abstract)
[14] JAYADEVA, KHEMCHANDANI R, CHANDRA S. Twin support vector machines for pattern classification. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2007,29 (5):905–910. DOI: 10.1109/TPAMI.2007.1068.
[15] 冯炼, 吴玮, 陈晓玲, 等.基于HJ卫星CCD数据的冬小麦病虫害面积监测. 农业工程学报,2010,26 (7):213–219.
FENG L, WU W, CHEN X L, et al. Diseases and insect pests area monitoring for winter wheat based on HJ-CCD imagery. Transactions of the Chinese Society of Agricultural Engineering, 2010,26 (7):213–219. (in Chinese with English abstract)
[16] 张竞成. 多源遥感数据小麦病害信息提取方法研究. 杭州: 浙江大学, 2012: 79-81.
ZHANG J C. Methods for information extraction of wheat disease based on multi-source remote sensing data. Hangzhou: Zhejiang University, 2012:79-81.(in Chinese with English abstract)
[17] 王纪华, 赵春江, 黄文江, 等. 农业定量遥感基础与应用. 北京: 科学出版社 , 2008 : 259 -261.
WANG J H, ZHAO C J, HUANG W J, et al. Foundation and Application of Agricultural Quantitative Remote Sensing. Beijing: Science Press , 2008 : 259 -261. (in Chinese with English abstract)
[18] 魏新彩, 王新生, 刘海, 等.HJ卫星图像水稻种植面积的识别分析. 地球信息科学学报,2012,14 (3):382–388.
WEI X C, WANG X S, LIU H, et al. Extraction of paddy rice coverage based on the HJ satellite data. Journal of GeoInformation Science, 2012,14 (3):382–388. (in Chinese with English abstract)
[19] ROUSE J W, HAAS R H, SCHELL J A, et al. Monitoring the vernal advancement of retrogradation of natural vegetation. NASA/ GSFC Type Ⅲ Final Report, 1974.
[20] CHANMARD P, COUREL M F, DUCOUSSO M, et al. Utilisation des bandes spectrales du vert et du rouge pour une meilleure évaluation des formations végétales actives. Télédétection et Cartographie, 1991 :203–209.
[21] ROUJEAN J L, BREBON F M. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements. Remote Sensing of Environment, 1995,51 (3):375–384. DOI: 10.1016/0034-4257(94)00114-3.
[22] ZHAO C J, HUANG M Y, HUANG W J, et al. Analysis of winter wheat stripe rust characteristic spectrum and establishing of inversion models//Proceedings of Geoscience and Remote Sensing Symposium. 2004:4318-4320.
[23] 阿布都瓦斯提·吾拉木. 基于n维光谱特征空间的农田干旱遥感监测. 北京: 北京大学, 2006: 116-124.
ABDUWASIT · GHULAM. Agricultural drought remote sensing monitoring model based on n-dimensional spectral feature space. Beijing: Peking University, 2006:116-124. (in Chinese with English abstract)
[24] 段四波, 阎广建, 钱永刚, 等.利用HJ-1B模拟数据反演地表温度的两种单通道算法. 自然科学进展,2008,18 (9):1001–1008.
DUAN S B, YAN G J, QIAN Y G, et al. Two single channel algorithms for retrieving land surface temperature using simulated HJ-1B data. Progress in Natural Science, 2008,18 (9):1001–1008. (in Chinese with English abstract)