基于支持向量機法提取江漢平原三湖農(nóng)場棉蚜危害程度的空間分布

陳西亮+張佳華+艾天成

摘要：棉蚜是棉花的主要害蟲之一，目前主要通過田間調(diào)查的方式進行測報。將262個調(diào)查點的棉蚜危害數(shù)據(jù)平均分成測試集和驗證集，用3種方法進行支持向量機分類器參數(shù)優(yōu)化，結(jié)果表明粒子群算法效果最好，精度達到了82.035 9%，最優(yōu)參數(shù)c=5.435 4、g=15.023 3。用該參數(shù)構(gòu)建分類模型來識別樣點數(shù)據(jù)空間插值后區(qū)域內(nèi)的蚜蟲危害，最后結(jié)合TM數(shù)據(jù)提取的棉田分布得出了江漢平原三湖農(nóng)場棉蚜危害程度的空間分布，取得了很好的效果，對以后的作物蟲害研究工作具有很好的指導(dǎo)意義。

關(guān)鍵詞：棉蚜；支持向量機；粒子群算法；江漢平原；空間分布

中圖分類號： S127；S435.622+.1 文獻標(biāo)志碼： A

文章編號：1002-1302（2016）09-0157-06

棉花是人們重要的生活資料。目前，棉花不僅僅是我國主要的紡織原料，也是醫(yī)學(xué)、化學(xué)以及國防工業(yè)的重要原料。因此，棉花生產(chǎn)和糧食生產(chǎn)一樣在國民經(jīng)濟中占有重要地位，然而我國棉區(qū)遼闊，自然條件千差萬別，耕作制度復(fù)雜，引發(fā)的棉蟲種類也越來越多。棉蚜作為最主要的害蟲之一，不僅造成了棉花減產(chǎn)，同時也嚴重危害棉花的品質(zhì)，從而造成經(jīng)濟上的巨大虧損。棉蚜大數(shù)量高密度的繁殖現(xiàn)狀除了與自身性質(zhì)有關(guān)外，還受溫度、濕度、土壤養(yǎng)分等多種環(huán)境因素的影響。因此，為了有效控制棉蚜的危害，及時、準確、大面積監(jiān)測和預(yù)測未知區(qū)域棉蚜的發(fā)生情況是有效展開防治工作的前提，同時對避免棉蚜危害造成棉花減產(chǎn)有重要的作用。傳統(tǒng)的棉蚜危害監(jiān)測預(yù)報方法采用田間定點調(diào)查或隨機調(diào)查的方式，借助放大鏡、顯微鏡等工具或直接用肉眼判別棉蚜并統(tǒng)計數(shù)量，這種方法雖然直觀、簡便，但需要投入大量的人力和物力、效率低下，并且調(diào)查點有限，不能反映整個空間的分布。遙感技術(shù)和地面數(shù)據(jù)的結(jié)合正好能彌補這一缺陷，能有效地實現(xiàn)大面積作物病蟲害的監(jiān)測。在國外，Muhammad等利用衛(wèi)星影像分析了小麥條銹病的空間影像特征，將其從正常生長的區(qū)域分開來，實現(xiàn)了小麥病害的識別[1]。Mirik等對俄國麥蚜脅迫下的冬小麥冠層光譜反射特征進行了分析，提出了蚜蟲的準確估測還需依靠相應(yīng)的光譜指數(shù)[2]。我國學(xué)者盧小燕在棉花蚜蟲危害主要生育期測試不同危害程度棉葉的光譜，經(jīng)過分析指出434～727 nm可作為棉葉蚜蟲的敏感波段，648 nm 可作為棉葉蚜蟲的最佳波段[3]。郭永旺等對衛(wèi)星遙感與四波段野外輻射計在麥蚜災(zāi)害監(jiān)測中的使用情況進行了研究比較，結(jié)果表明四波段野外輻射計有很好的實用性[4]。

從國內(nèi)外已有的研究情況來看，應(yīng)用遙感手段研究作物病蟲害主要有水稻二化螟、三化螟、稻飛虱、小麥蚜蟲、東亞飛蝗以及地下害蟲等。害蟲侵害作物后，植被的生理或生化組分發(fā)生變化，直接表現(xiàn)出來的現(xiàn)象就是光譜發(fā)生變化，從而可以直接觀測作物的光譜變化來分析病蟲害情況。通過棉蚜危害及其環(huán)境因子的間接反演病蟲害的研究并不多見，因此利用遙感數(shù)據(jù)和地面數(shù)據(jù)結(jié)合來間接反演棉蚜危害的方法具有很大的研究潛力。本研究利用地面測量數(shù)據(jù)和遙感數(shù)據(jù)結(jié)合來實現(xiàn)對湖北省三湖農(nóng)場2004年棉蚜危害程度空間分布的反演，從而為更大地區(qū)棉蚜災(zāi)害空間反演提供了可靠的理論依據(jù)。

1 研究區(qū)與數(shù)據(jù)源介紹

1.1 研究區(qū)概況

三湖農(nóng)場，位于江漢平原四湖地區(qū)湖北省江陵縣境內(nèi)，始建于1960年9月，國土面積61 km2，其中耕地33.33 km2、林地11.33 km2、精養(yǎng)魚池1.33 km2，總?cè)丝?.5萬人，轄3個生產(chǎn)大隊26個生產(chǎn)小組，是湖北省農(nóng)業(yè)現(xiàn)代化首批試點單位和棉花產(chǎn)業(yè)化示范樣板建設(shè)單位，是國家確定的長江流域優(yōu)質(zhì)專用棉生產(chǎn)基地。

該地區(qū)屬北亞熱帶季風(fēng)濕潤氣候區(qū)，具有四季分明、熱量豐富、光照適宜、雨水充沛、雨熱同季、無霜期長等特點。全年日照時數(shù)1 827～1 897 h、平均氣溫16～16.4 ℃、無霜期246～262 d、平均降水量900～1 100 mm，得天獨厚的自然環(huán)境和氣候為棉花生長提供了充足條件。

1.2 棉花生育期和棉蚜生活習(xí)性介紹

三湖農(nóng)場地區(qū)棉花一般在4月中下旬育苗，5月出苗移栽，6月中下旬至7月初現(xiàn)蕾開花，7月末至8月初裂鈴?fù)滦酰?月裂鈴?fù)滦跏斋@，10月末至11月拔稈[5]。根據(jù)棉花的生長過程、棉蚜發(fā)生時期的不同可將棉蚜分為苗蚜和伏蚜。苗蚜發(fā)生在出苗到現(xiàn)蕾以前，個體大，深綠色，適宜偏低溫度，氣溫超過27 ℃時繁殖受到抑制，蟲口迅速下降；伏蚜主要發(fā)生在7月中下旬到8月份，伏蚜即夏型蚜，黃綠色，體型小，適宜偏高的溫度，在17～28 ℃下大量繁殖，當(dāng)平均氣溫高于30 ℃時，蟲口才迅速減退。棉蚜1年發(fā)生10～30代，具有繁殖速度快、適應(yīng)性強、種群數(shù)量大、群聚性等特性。在適合的溫度條件下，經(jīng)過4、5 d就可以發(fā)育為成蟲，成蟲進行孤雌生殖，且繁殖量大，在適合的溫度下1 d就可以產(chǎn)10多頭，在植物旺盛生長季節(jié)、溫度15～30 ℃條件下最適合蚜蟲生長發(fā)育。

1.3 數(shù)據(jù)源介紹

本研究所使用的數(shù)據(jù)包括地面實測數(shù)據(jù)和遙感數(shù)據(jù)。地面數(shù)據(jù)收集是指各個地面樣點一系列數(shù)據(jù)的收集，地面實測數(shù)據(jù)是2004年長江大學(xué)農(nóng)學(xué)院的艾天成教授對三湖農(nóng)場3 804 hm2 土地的262個土樣進行的養(yǎng)分普查數(shù)據(jù)，包括經(jīng)緯度坐標(biāo)、速效氮、速效磷、速效鉀和有機質(zhì)的含量，2004年8月進行的蟲害調(diào)查數(shù)據(jù)。樣點的NDVI數(shù)據(jù)和溫度數(shù)據(jù)是長江大學(xué)農(nóng)學(xué)院熊勤學(xué)教授用相應(yīng)時相的MOD13Q1植被指數(shù)產(chǎn)品和MOD11標(biāo)準地表溫度產(chǎn)品提取的，另外還結(jié)合MODIS數(shù)據(jù)用SEBAL（the surface energy balance algorithm for land）模型計算出研究區(qū)域地面蒸散，并提取樣點的蒸散量，蒸散值的大小可以反映出棉田的相對濕度。還用了TM數(shù)據(jù)提取三湖地區(qū)棉花種植區(qū)域，由于缺乏2004年8月份有效的TM數(shù)據(jù)，并且TM數(shù)據(jù)僅僅用來提取棉花的種植范圍，可以認為一個地區(qū)相鄰的年份耕作制度不會有很大的變動，最終選用了2003年9月2日的一景覆蓋三湖農(nóng)場的TM數(shù)據(jù)。

1.4 數(shù)據(jù)預(yù)處理

1.4.1 調(diào)查點數(shù)據(jù)的空間插值 將調(diào)查點數(shù)據(jù)導(dǎo)入到ArcGIS中加上UTM投影用克里金插值法插值結(jié)果見圖2至圖9。

從圖2可以看出2004年8月份三湖區(qū)棉田的溫度情況：

整個三湖區(qū)的溫度都穩(wěn)定在28.5 ℃左右，最低溫度在27.8 ℃ 左右，整體溫度差異不大，這可能是因為研究區(qū)內(nèi)水塘多，水體蒸發(fā)順勢帶走部分熱量使溫度較周邊低，或是研究區(qū)內(nèi)土壤含水量高，水的熱容量和熱導(dǎo)率較土高，每升高1 ℃ 需要吸收的熱量多，因此不宜升溫。從圖5中能夠清楚地發(fā)現(xiàn)調(diào)查區(qū)速效鉀的分布狀況：在調(diào)查區(qū)的西部、中部和南部土壤速效鉀的含量都不高，中部有些地區(qū)甚至只有50 mg/kg 左右，但在調(diào)查區(qū)最北部、東北部至東部都有明顯的差異，含量較高。從圖7可以看出調(diào)查區(qū)蒸散量的空間特征：圖中一片深黃色平展開來，反映出了該區(qū)域水汽蒸發(fā)較均勻，蒸散量是運用SEBALA模型計算出來的，它與土地凈輻射通量、土壤熱通量、輻射條件等都有密切的關(guān)系。NDVI是應(yīng)用最為廣泛的用于指示植被生長狀態(tài)和植被覆蓋度的因子，從圖8可以看出調(diào)查區(qū)植被生長的優(yōu)劣，大部分地區(qū)植被覆蓋度不高，而在調(diào)查區(qū)的西北部少部分地區(qū)作物覆蓋度極好。圖9反映了調(diào)查區(qū)的棉蚜危害程度空間分布特征：可以看出在調(diào)查區(qū)的中部、東部、南部大部分地區(qū)的棉蚜危害程度較輕，在調(diào)查區(qū)的東北部及西南部地區(qū)危害程度比較重，蚜蟲密度可高達1 000頭/株。

1.4.2 數(shù)據(jù)歸一化處理和重采樣 數(shù)據(jù)歸一化處理是數(shù)據(jù)挖掘的一項基礎(chǔ)工作，不同評價指標(biāo)往往具有不同的量綱和量綱單位，這樣的情況會影響到數(shù)據(jù)分析的結(jié)果[6]。為了消除指標(biāo)間的量綱影響，需要進行數(shù)據(jù)歸一化處理，以解決數(shù)據(jù)間的可比性。原始數(shù)據(jù)經(jīng)過數(shù)據(jù)標(biāo)準化處理后，各指標(biāo)處于同一數(shù)量級，適合進行綜合對比評價。由插值數(shù)據(jù)可以看出各種數(shù)據(jù)的分布范圍極不均勻，并且單位也不一樣。速效氮和速效鉀的值比較大，分布范圍也大，其他數(shù)據(jù)分布范圍較小，因此要進行歸一化處理。本研究用min-max標(biāo)準化，使結(jié)果值映射到0和1之間。轉(zhuǎn)換函數(shù)如下：

式中：xmax為樣本數(shù)據(jù)的最大值，xmin為樣本數(shù)據(jù)的最小值，x為原始數(shù)據(jù)的值，x*為歸一化后的值。本研究的調(diào)查點數(shù)據(jù)直接導(dǎo)入到Matlab中編程歸一化，插值數(shù)據(jù)導(dǎo)入到ENVI中用波段運算代入上式歸一化，為了保證插值數(shù)據(jù)和TM數(shù)據(jù)匹配，將插值數(shù)據(jù)的分辨率重采樣到30 m，投影也保持一致，最后將數(shù)據(jù)處理成Matlab可以識別的格式，并將樣點數(shù)據(jù)平均分成2組，一組作為測試集，另一組作為驗證集，代入進行參數(shù)優(yōu)化。

1.4.3 棉蚜危害程度分級 參考前人的研究[7]，根據(jù)蚜蟲密度將棉蚜危害程度分為4類：把蚜蟲密度<200頭/株的點認定為危害程度輕，200～<500頭/株的點認定為危害程度中，500～800頭/株的點認定為危害程度較重，>800頭/株的點認定為危害程度重。

2 研究方法

本研究將數(shù)據(jù)預(yù)處理后借助于Matlab的支持向量機加強版工具箱，用調(diào)查點數(shù)據(jù)進行支持向量機的參數(shù)最優(yōu)化，然后用最優(yōu)參數(shù)建立支持向量機模型，將插值的7個影響因子數(shù)據(jù)代入進行支持向量機分成輕、中、較重、嚴重4類。同時提取TM數(shù)據(jù)的NDVI，經(jīng)分析NDVI值大于0.35的像元為棉田，因此以NDVI>0.35為閾值建立掩膜，將分類結(jié)果乘以掩膜數(shù)據(jù)就得到了三湖農(nóng)場棉蚜危害程度的空間分布，掩膜外為建筑物和水體。

2.1 支持向量機分類法

支持向量機是由Vapnik首先提出的，可用于模式分類和非線性回歸。支持向量機的主要思想是建立一個分類超平面作為決策曲面，使得正例和反例之間的隔離邊緣被最大化。支持向量機的理論基礎(chǔ)是統(tǒng)計學(xué)習(xí)理論，更準確地說，支持向量機是結(jié)構(gòu)風(fēng)險最小化的近似實現(xiàn)。

2.1.1 線性可分情形 SVM算法是從線性可分情況下的最優(yōu)分類面提出的。所謂最優(yōu)分類面就是不僅能將2類樣本點無錯誤地分開，而且要使分類間隔最大[7]。

2.1.2 非線性可分情形 在實際應(yīng)用中，通常數(shù)據(jù)在輸入空間并不是線性可分的，然而如果原始數(shù)據(jù)通過非線性映射（x） 可以被映射到高維特征空間，從而可以在新空間中定義1個超平面[8-9]。對于支持向量機的對偶和原始表示，決策函數(shù)為測試樣本和訓(xùn)練樣本之間的內(nèi)積組合形式?？梢员硎境桑?/p>

式（4）只包含待分類樣本與訓(xùn)練樣本中支持向量的內(nèi)機運算，計算的復(fù)雜度并沒有增加，可見通過核函數(shù)映射是解決支持向量機線性不可分問題的一種很好的方案。常用的核函數(shù)有：線性核函數(shù)、多項式核函數(shù)、徑向基核函數(shù)和兩層感知器核函數(shù)，還可以自定義核函數(shù)。選用不同的核函數(shù)可能會導(dǎo)致分類或回歸的效果不一樣，本研究選用徑向基核函數(shù)，表達式如下：

由以上討論可知要使用Matlab的支持向量機工具箱完成棉蚜危害識別，就要確定訓(xùn)練樣本的懲罰參數(shù)c和核函數(shù)參數(shù)g，不同的c和g分類精度是不同的。為了找到適合本研究的最佳支持向量機模型參數(shù)，在后面的研究中使用了網(wǎng)格搜索法、遺傳算法和粒子群算法進行參數(shù)優(yōu)化。

2.2 支持向量機分類模型參數(shù)尋優(yōu)

2.1.1 網(wǎng)格搜索法參數(shù)尋優(yōu) 交叉驗證是用來驗證分類器性能的一種統(tǒng)計方法，基本思想是把原始數(shù)據(jù)進行分組，一部分作為訓(xùn)練集樣本，另一部分作為驗證集。用訓(xùn)練集對分類器進行訓(xùn)練得到分類模型，再用模型來識別驗證集，將得到的分類精度作為分類器的性能指標(biāo)[10-12]。通常都是用K-fold CV將原始數(shù)據(jù)分成K組，將每個子集分別做1次驗證，其余K-1組數(shù)據(jù)作為訓(xùn)練集，這樣就得到K個分類模型，用這K個模型最終驗證集分類準確率的平均數(shù)作為分類器的性能指標(biāo)，K一般取大于2的值。網(wǎng)格搜索法的基本原理是讓c和g在一定范圍內(nèi)劃分網(wǎng)格并遍歷網(wǎng)格內(nèi)所有點進行取值，對于一組取定的c和g值，利用K-fold CV方法在此參數(shù)下驗證分類的準確率，最終得到的分類精度最高的那組c和g作為分類的最優(yōu)參數(shù)[13-14]。本研究中c和g的的取值范圍為[2-8，28]，K取默認值5，c和g的步距設(shè)為0.5，利用Matlab支持向量機工具箱的SVMcgForClass函數(shù)進行網(wǎng)格搜索法參數(shù)尋優(yōu)。

2.1.2 粒子群算法參數(shù)尋優(yōu) 粒子群算法（PSO）由Kennedy和Eberhart在1995年提出，該算法模擬鳥群飛行覓食行為，鳥類捕食時每只鳥找到食物最簡單有效的方法是追隨當(dāng)前距離食物最近的鳥周圍的區(qū)域。PSO是從這種生物種群行為特征中得到啟發(fā)并用于求解最優(yōu)化問題的，算法中每個粒子都代表問題的1個潛在解，每個粒子對應(yīng)著1個有適應(yīng)度函數(shù)決定的適應(yīng)度值。粒子的速度決定了粒子移動的方向和距離，速度隨自身及其他粒子的移動經(jīng)驗進行動態(tài)調(diào)整，從而實現(xiàn)可解空間中的尋優(yōu)[15-16]。本研究中的適應(yīng)度值就是交叉驗證分類的準確率。

假設(shè)在一個D維的搜索空間中，由n個粒子組成的種群X=（X1，X2，…，Xn），其中第i個粒子表示為一個D維的向量Xi=（Xi1，Xi2，…，Xin）T，代表第i個粒子在D維搜索空間中的位置。根據(jù)目標(biāo)函數(shù)即可計算出每個粒子位置xi對應(yīng)的適應(yīng)度值。第i個粒子的速度為vi=（vi1，vi2，…，vin）T，其個體極值為Pi=（Pi1，Pi2，…，Pin）T，種群的全局極值為Pg=（Pg1，Pg2，…，Pgn）。在每一次迭代過程中，粒子通過個體極值和全局極值更新自身的速度和位置，更新公式為：

式中：w為慣性因子，調(diào)節(jié)對解空間的搜索范圍。r1和r2是2個隨機數(shù)，取值范圍是（0，1），c1和c2是學(xué)習(xí)因子，經(jīng)驗取值c1=c2=2，調(diào)節(jié)學(xué)習(xí)最大步長。

粒子群算法優(yōu)化初始值進化代數(shù)設(shè)置為100，種群數(shù)量為20，c和g的范圍為[0，100]，粒子和速度初始化對初始粒子位置和粒子速度賦予隨機值。初始化參數(shù)設(shè)置好后代入psoSVMcgForClass函數(shù)進行支持向量機分類器參數(shù)優(yōu)化。

2.1.3 遺傳算法參數(shù)尋優(yōu) 遺傳算法（GA）是模擬達爾文生物進化論的自然選擇和遺傳學(xué)機理的生物進化過程的計算模型，是一種模擬自然進化過程搜索最優(yōu)解的方法，是由美國Michigan大學(xué)的Holland教授提出的。遺傳算法模擬了自然選擇和遺傳中發(fā)生的復(fù)制、交叉和變異等現(xiàn)象，從任一初始群體出發(fā)，通過隨機選擇、交叉和變異操作，產(chǎn)生一群更適應(yīng)環(huán)境的個體，使群體進化到搜索空間中越來越好的區(qū)域，這樣一代一代地不斷繁衍進化，最后收斂到一群最適應(yīng)環(huán)境的個體，求得問題的最優(yōu)解[17-19]。

遺傳算法是從代表問題可能潛在的解集的一個種群開始的，而一個種群則由經(jīng)過基因編碼的一定數(shù)目的個體組成，因此，第一步需要實現(xiàn)從表現(xiàn)型到基因型的映射，即編碼工作。初代種群產(chǎn)生后，按照適者生存和優(yōu)勝劣汰的原理，逐代演化產(chǎn)生出越來越好的近似解。在每一代，根據(jù)問題域中適應(yīng)度的大小選擇個體，并借助自然遺傳學(xué)的遺傳算子進行組合交叉和變異，產(chǎn)生出代表新的解集的種群。這個過程將導(dǎo)致種群像自然進化一樣，子代種群比父代種群更加適應(yīng)環(huán)境，末代種群中最優(yōu)個體經(jīng)過解碼可作為問題近似的最優(yōu)解。

遺傳算法有3個基本操作：選擇、交叉和變異。選擇的目的是為了從當(dāng)前群體中選出優(yōu)良的個體，使它們有機會作為父代繁衍子孫。根據(jù)各個個體的適應(yīng)度值，按照一定規(guī)則從上一代群體中選出一些優(yōu)良的個體遺傳到下一代，選擇的依據(jù)是適應(yīng)性強的個體為下一代貢獻1個或多個后代的概率大。通過交叉操作可以得到新一代個體，新個體組合了父代的個體特性。將群體中各個個體隨機搭配成對，對每一個個體，以交叉概率交換它們之間的部分染色體。對種群中每一個個體，以變異概率改變某一個或多個基因座上的基因值為其他的等位基因，同生物界中一樣，變異發(fā)生的概率很低，變異為新個體的產(chǎn)生提供了機會。遺傳算法參數(shù)尋優(yōu)的初始值設(shè)置和粒子群算法一致，代入gaSVMcgForClass中進行參數(shù)尋優(yōu)。

3 結(jié)果與分析

3.1 參數(shù)尋優(yōu)結(jié)果

圖10是以log2c 、log2g為x軸和y軸，以交叉驗證分類精度為z軸的網(wǎng)格參數(shù)優(yōu)化結(jié)果的3D圖，精度值越大表示相應(yīng)的參數(shù)c和g值越好。當(dāng)驗證分類精度為80.814%時，得到最優(yōu)參數(shù)c=16、g=11.313 7。圖11和圖12都是以進化代數(shù)為橫軸，適應(yīng)度為縱軸的參數(shù)尋優(yōu)適應(yīng)度曲線。粒子群算法在進化代數(shù)為18左右時最佳適應(yīng)度達到穩(wěn)定，達到82.035 9%，最優(yōu)參數(shù)c=4.020 3、g=20.652 4。遺傳算法進化代數(shù)在20左右時最佳適應(yīng)度達到穩(wěn)定，最佳適應(yīng)度最大值為81.437 1%，最優(yōu)參數(shù)c=5.435 4、g=15.023 3。經(jīng)比較可知粒子群算法參數(shù)尋優(yōu)的精度最高，可將該組c和g值用于支持向量機分類器的構(gòu)造。

3.2 TM數(shù)據(jù)提取棉花種植區(qū)結(jié)果

圖13是用TM數(shù)據(jù)NDVI值大于0.35為掩膜提取的三湖農(nóng)場棉田的種植分布。TM數(shù)據(jù)2、4、3波段組合形成的假彩色圖，農(nóng)田清晰可見。三湖農(nóng)場是長江流域優(yōu)質(zhì)專用棉生產(chǎn)基地，在8月末9月初的時候可以認為農(nóng)田里種的作物全是棉花。圖13中的黑色背景是用掩膜剔除的建筑用地和水體。

3.3 支持向量機法提取三湖農(nóng)場蚜蟲危害程度分布的結(jié)果

以地面調(diào)查的262個樣點為訓(xùn)練樣本，選取徑向基核函數(shù)，利用粒子群參數(shù)尋優(yōu)得到的優(yōu)化值c=4.020 3、g=20.652 4 進行支持向量機分類器的構(gòu)造，得到分類模型。以空間插值并且歸一化后的溫度、速效氮、速效磷、速效鉀、有機質(zhì)、蒸散量和NDVI共7個因子數(shù)據(jù)形成待分類樣本，用構(gòu)造好的分類模型識別待分類樣本得到棉蚜危害的分布，再用“3.2” 節(jié)中建立的掩膜數(shù)據(jù)乘以分類數(shù)據(jù)就剔除了非農(nóng)田的影響（圖14）。

由圖14可以看出三湖農(nóng)場中部和東部的棉花長勢較好，受蟲害較輕，受蟲害嚴重的主要集中在西部和西南部；棉蚜危害程度的空間分布整體趨勢與直接用蚜蟲密度調(diào)查點數(shù)據(jù)空間插值得到的情況一致。

由以上分析可知，本研究所用的方法能很好地反演出三湖農(nóng)場棉花受蚜蟲危害程度的空間分布，由于獲取的樣本點有限，導(dǎo)致樣點數(shù)據(jù)的空間插值范圍也有限，最終只能局限在三湖農(nóng)場地區(qū)進行蟲害情況反演。在以后的研究中可以將該方法推廣到更大的區(qū)域和其他種類的作物，另外該方法只能利用溫度、速效氮、速效磷、速效鉀、有機質(zhì)的含量、蒸散量和NDVI的綜合效應(yīng)來識別蟲害，并不能明顯地反映出每一種因子對棉蟲的影響。如果能結(jié)合逐步回歸分析的方法，找出主要的影響因子以及每個因子的權(quán)重，就能利用更少的地面數(shù)據(jù)進行大面積的蟲害反演，進一步提高效率。

參考文獻：

[1]Muhammed H H，Larsolle A. Feature vector based analysis of hyperspectral crop reflectance data for discrimination and quantification of fungal disease severity in wheat[J]. Biosystems Engineering，2003，86（2）：125-134.

[2]Mirik M，Michels Jr G J，et al. Reflectance characteristics of Russian wheat aphid （Hemiptera：Aphididae） stress and abundance in winter wheat[J]. Computers and Electronics in Agriculture，2007，57（2）：123-134.

[3]盧小燕. 棉花蚜蟲單葉高光譜特征識別研究[J]. 新疆農(nóng)墾科技，2010，6（1）：32-35.

[4]郭永旺，金曉華，楊建國，等. 麥蚜災(zāi)害遙感監(jiān)測技術(shù)應(yīng)用研究[J]. 植保技術(shù)與推廣，2001，21（3）：3-5.

[5]蘇榮瑞，熊勤學(xué)，耿一風(fēng)，等. 利用多時相HJ-CCD影像監(jiān)測江漢平原南部地區(qū)棉花和中稻種植面積[J]. 長江流域資源與環(huán)境，2013，22（11）：1441-1448.

[6]王新志，陳 偉，祝明坤. 樣本數(shù)據(jù)歸一化方式對GPS高程轉(zhuǎn)換的影響[J]. 測繪科學(xué)，2013，38（6）：162-165.

[7]丁世飛，齊丙娟，譚紅艷. 支持向量機理論與算法研究綜述[J]. 電子科技大學(xué)學(xué)報，2011，40（1）：2-10.

[8]顧亞祥，丁世飛. 支持向量機研究進展[J]. 計算機科學(xué)，2011，38（2）：14-17.

[9]張 策，臧淑英，金 竺，等. 基于支持向量機的扎龍濕地遙感分類研究[J]. 濕地科學(xué)，2011，9（3）：263-269.

[10]鄧 蕊，馬永軍，劉堯猛. 基于改進交叉驗證算法的支持向量機多類識別[J]. 天津科技大學(xué)學(xué)報，2007，22（2）：58-61.

[11]韓 萌，丁 劍. 基于交叉驗證的BP算法的改進與實現(xiàn)[J]. 計算機工程與設(shè)計，2008，29（14）：3738-3739.

[12]胡局新，張功杰. 基于K折交叉驗證的選擇性集成分類算法[J]. 科技通報，2013，29（12）：115-117.

[13]王健峰，張 磊，陳國興，等. 基于改進的網(wǎng)格搜索法的SVM參數(shù)優(yōu)化[J]. 應(yīng)用科技，2012，39（3）：28-31.

[14]王 鵬，朱小燕. 基于RBF核的SVM的模型選擇及其應(yīng)用[J]. 計算機工程與應(yīng)用，2003，39（24）：72-73.

[15]張建科，劉三陽，張曉清. 改進的粒子群算法[J]. 計算機工程與設(shè)計，2007，28（17）：4215-4216.

[16]張 丹，韓勝菊，李 建，等. 基于改進粒子群算法的BP算法的研究[J]. 計算機仿真，2011，28（2）：147-150.

[17]李良敏，溫廣瑞，王生昌. 基于遺傳算法的回歸型支持向量機參數(shù)選擇法[J]. 計算機工程與應(yīng)用，2008，44（7）：23-26.

[18]王克奇，楊少春，戴天虹，等. 采用遺傳算法優(yōu)化最小二乘支持向量機參數(shù)的方法[J]. 計算機應(yīng)用與軟件，2009，26（7）：109-111.

[19]萬 源，童恒慶，朱映映. 基于遺傳算法的多核支持向量機的參數(shù)優(yōu)化[J]. 武漢大學(xué)學(xué)報：理學(xué)版，2012，58（3）：255-259.