結(jié)合HJ衛(wèi)星影像和最小二乘孿生支持向量機(jī)的小麥蚜蟲遙感監(jiān)測

胡根生，吳問天,3，羅菊花，黃文江,3*，梁棟，黃林生

（1.安徽大學(xué)安徽省農(nóng)業(yè)生態(tài)大數(shù)據(jù)工程實(shí)驗(yàn)室，合肥230601；2.安徽大學(xué)電子信息工程學(xué)院，合肥230601；3.中國科學(xué)院遙感與數(shù)字地球研究所，數(shù)字地球重點(diǎn)實(shí)驗(yàn)室，北京100094；4.中國科學(xué)院南京地理與湖泊研究所，南京210008）

結(jié)合HJ衛(wèi)星影像和最小二乘孿生支持向量機(jī)的小麥蚜蟲遙感監(jiān)測

胡根生1,2，吳問天1,2,3，羅菊花4，黃文江1,2,3*，梁棟1,2，黃林生1,2

（1.安徽大學(xué)安徽省農(nóng)業(yè)生態(tài)大數(shù)據(jù)工程實(shí)驗(yàn)室，合肥230601；2.安徽大學(xué)電子信息工程學(xué)院，合肥230601；3.中國科學(xué)院遙感與數(shù)字地球研究所，數(shù)字地球重點(diǎn)實(shí)驗(yàn)室，北京100094；4.中國科學(xué)院南京地理與湖泊研究所，南京210008）

為了準(zhǔn)確、及時(shí)地監(jiān)測小麥蚜蟲發(fā)生情況，利用野外定位調(diào)查數(shù)據(jù)及環(huán)境與災(zāi)害監(jiān)測預(yù)報(bào)小衛(wèi)星星座HJCCD和HJ-IRS影像數(shù)據(jù)，在北京市通州區(qū)和順義區(qū)小麥蚜蟲發(fā)生的關(guān)鍵生育期（灌漿期），提取對(duì)蚜蟲病情影響較大的小麥長勢因子和生境因子，利用最小二乘孿生支持向量機(jī)建立該研究區(qū)的小麥蚜蟲監(jiān)測模型，并與傳統(tǒng)支持向量機(jī)、費(fèi)歇爾線性判別分析和學(xué)習(xí)矢量量化神經(jīng)網(wǎng)絡(luò)模型的監(jiān)測結(jié)果進(jìn)行對(duì)比。結(jié)果表明：最小二乘孿生支持向量機(jī)模型的總體監(jiān)測精度達(dá)到86.4%，優(yōu)于傳統(tǒng)支持向量機(jī)模型（77.3%）、費(fèi)歇爾線性判別分析模型（77.3%）和學(xué)習(xí)矢量量化神經(jīng)網(wǎng)絡(luò)模型（72.7%），取得了較好的監(jiān)測效果。

衛(wèi)星影像；遙感監(jiān)測；小麥蚜蟲；最小二乘孿生支持向量機(jī)

SummaryPests 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 theHJ-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.

農(nóng)作物病蟲害是影響農(nóng)業(yè)產(chǎn)量的主要因素之一。中國作為一個(gè)農(nóng)業(yè)大國，農(nóng)作物病蟲害發(fā)生種類多、影響廣，其中，小麥蚜蟲幾乎每年都會(huì)發(fā)生，且蔓延速度快[1-2]。小麥蚜蟲通過吸食小麥葉片、莖稈和嫩穗的汁液，嚴(yán)重危害小麥的生長發(fā)育。此外，小麥蚜蟲還會(huì)分泌蜜露，附著在葉表面，對(duì)小麥的光合作用產(chǎn)生干擾，引起煤污病，最終導(dǎo)致小麥減產(chǎn)[3]。因此，及時(shí)準(zhǔn)確地監(jiān)測小麥蚜蟲，可以精準(zhǔn)地指導(dǎo)農(nóng)業(yè)生產(chǎn)者對(duì)蟲害進(jìn)行防治，減少糧食產(chǎn)量的損失，同時(shí)也可以減少盲目施藥對(duì)環(huán)境產(chǎn)生的污染。

傳統(tǒng)的田間取樣和目測方式監(jiān)測小麥蚜蟲費(fèi)時(shí)、費(fèi)力，不具有代表性，且時(shí)效性差。由于小麥蚜蟲的發(fā)生和流行除了跟小麥品種和田間管理有關(guān)以外，還跟小麥生長過程中的溫度和濕度等環(huán)境條件密切相關(guān)，因此，目前很多蚜蟲監(jiān)測研究都是基于氣象數(shù)據(jù)開展的，通過提取氣象因子進(jìn)行建模預(yù)測[4-6]。在實(shí)際應(yīng)用中，氣象數(shù)據(jù)主要由氣象站點(diǎn)提供，在空間上并不連續(xù)。同時(shí)，由于受到地形、人類活動(dòng)等因素的影響，氣象數(shù)據(jù)無法準(zhǔn)確地描述連續(xù)空間上的氣象條件。因此，使用氣象數(shù)據(jù)無法準(zhǔn)確地監(jiān)測蚜蟲的具體發(fā)生位置及范圍。

植物在病蟲害侵染下會(huì)發(fā)生生理、生化狀態(tài)的改變，并表現(xiàn)在不同光譜波段上的吸收和反射特性的改變[7]，因而，利用遙感多光譜數(shù)據(jù)構(gòu)建植被指數(shù)對(duì)農(nóng)作物病蟲害進(jìn)行監(jiān)測在農(nóng)業(yè)植保領(lǐng)域具有重要意義。PRABHAKAR等[8]發(fā)現(xiàn)，對(duì)于輕度感染病蟲害的植株，其光譜反射率在綠波段、近紅外波段和短波紅外波段存在顯著差異，對(duì)于感染嚴(yán)重的植株，除了藍(lán)波段外其他波段的反射率均存在顯著差異。YANG等[9]利用綠度歸一化植被指數(shù)（green normalized difference vegetation index,GNDVI）和土壤調(diào)節(jié)植被指數(shù)（soil-adjusted vegetation index,SAVI）對(duì)作物病蟲害進(jìn)行了監(jiān)測。競霞等[10]利用重歸一化植被指數(shù)（re-normalized difference vegetation index,RDVI）和差值植被指數(shù)（difference vegetation index,DVI）構(gòu)建棉花黃萎病模型，估測棉花黃萎病的病情程度。為實(shí)現(xiàn)作物病蟲害的遙感識(shí)別和程度區(qū)分，除了選擇敏感的植被指數(shù)外，還需要選取合適的識(shí)別和區(qū)分算法。劉占宇[11]利用支持向量分類機(jī)（support vector classifier,SVC）和學(xué)習(xí)矢量量化（learning vector quantization,LVQ）神經(jīng)網(wǎng)絡(luò)等分類方法，對(duì)水稻病蟲害的不同危害等級(jí)進(jìn)行分類。靳寧[12]利用支持向量機(jī)對(duì)棉花黃萎病的發(fā)病程度進(jìn)行了區(qū)分。聶臣巍等[13]利用支持向量機(jī)和費(fèi)歇爾線性判別分析（Fisher linear discriminant analysis,FLDA）對(duì)小麥白粉病的發(fā)病程度進(jìn)行了識(shí)別。以上方法雖然都取得了較好的識(shí)別精度，但各算法仍然存在一些不足，從而限制了其廣泛應(yīng)用，如：神經(jīng)網(wǎng)絡(luò)方法的學(xué)習(xí)參數(shù)及結(jié)構(gòu)模型具有很大的不確定性，且需要大量的已知樣本進(jìn)行訓(xùn)練，在使用進(jìn)化方法計(jì)算時(shí)，可能會(huì)出現(xiàn)收斂時(shí)間過長等問題；費(fèi)歇爾線性判別法擅長解決線性可分問題，但在實(shí)際分類訓(xùn)練過程中，如果不同種類的樣本數(shù)彼此之間差距太大，則會(huì)導(dǎo)致分類器的分類性能下降。

支持向量機(jī)是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)方法，和神經(jīng)網(wǎng)絡(luò)相比，其解決了高維問題和局部最小值問題，具有更好的泛化能力。然而，支持向量機(jī)算法的訓(xùn)練時(shí)間較長，對(duì)大規(guī)模訓(xùn)練樣本難以實(shí)施。隨著對(duì)支持向量機(jī)研究的深入，JAYADEVA等[14]提出了孿生支持向量機(jī)（twin support vector machine,TSVM），它通過求解2個(gè)規(guī)模較小的二次規(guī)劃問題，對(duì)大規(guī)模不均衡數(shù)據(jù)具有很好的處理能力，并且可以獲得具有更強(qiáng)魯棒性的最優(yōu)超平面，有效提高了分類精度。在孿生支持向量機(jī)基礎(chǔ)上，利用最小二乘算法可以把不等式約束條件轉(zhuǎn)化成等式約束，簡化了運(yùn)算的復(fù)雜度。因此，本文利用最小二乘孿生支持向量機(jī)（least squares twin support vector machine,LSTSVM）算法，以HJ衛(wèi)星遙感影像數(shù)據(jù)反演出的小麥長勢因子和生境因子作為輸入?yún)?shù)，建立小麥蚜蟲的遙感監(jiān)測模型，對(duì)小麥蚜蟲發(fā)生情況進(jìn)行監(jiān)測，在提高監(jiān)測精度的同時(shí)，增加監(jiān)測模型的普適性。

1 研究方法

1.1 影像預(yù)處理與小麥種植區(qū)提取

近年來，中國環(huán)境與災(zāi)害監(jiān)測預(yù)報(bào)小衛(wèi)星星座HJ-1A/1B的發(fā)射升空為區(qū)域尺度上的作物病蟲害遙感監(jiān)測提供了寶貴的影像數(shù)據(jù)，其攜帶的多光譜傳感器（CCD）獲取的遙感影像，空間分辨率為30 m，重訪周期為4 d，影像范圍能夠覆蓋全國。此外，HJ-1B衛(wèi)星還攜帶紅外多光譜傳感器（IRS），可用于地表溫度反演[15]，非常適合用于農(nóng)業(yè)病蟲害的遙感監(jiān)測。

選擇北京市順義區(qū)（116°32′—116°56′E，39° 62′—40°02′N）和通州區(qū)（116°28′—116°58′E，40° 00′—40°18′N）為本研究區(qū)。該區(qū)域主要農(nóng)作物為冬小麥，種植面積較大，種植結(jié)構(gòu)較為簡單；該地區(qū)也是小麥蚜蟲的易發(fā)區(qū)域。環(huán)境衛(wèi)星影像數(shù)據(jù)的獲取時(shí)間分別為2010年5月13日（時(shí)相1）和2010年5月20日（時(shí)相2），均處于小麥生長和蚜蟲危害的關(guān)鍵期。該區(qū)域小麥蚜蟲發(fā)病情況的實(shí)地調(diào)查時(shí)間為2010年6月5日，共54個(gè)調(diào)查點(diǎn)，并記錄經(jīng)緯度信息和蟲害發(fā)生情況。根據(jù)實(shí)地調(diào)查數(shù)據(jù)將研究區(qū)域蟲害狀態(tài)分為2類：健康和發(fā)生蚜蟲。

數(shù)據(jù)預(yù)處理包括對(duì)影像進(jìn)行輻射定標(biāo)、大氣校正、幾何校正以及研究區(qū)裁剪，預(yù)處理過程都在ENVI 5.1軟件中實(shí)現(xiàn)。以一景經(jīng)過差分全球定位系統(tǒng)控制點(diǎn)矯正過的研究區(qū)域航拍照片為參考影像，對(duì)HJ-CCD和HJ-IRS影像進(jìn)行幾何精校正，保證影像的校正誤差在半個(gè)像元以內(nèi)。影像預(yù)處理結(jié)束后，對(duì)研究區(qū)小麥種植區(qū)進(jìn)行提取，具體方法為：以2010年5月20日的HJ-CCD數(shù)據(jù)作為基準(zhǔn)影像，利用歸一化植被指數(shù)（normalized difference vegetation index,NDVI）對(duì)植被的特殊敏感性，通過設(shè)置NDVI閾值將植被和非植被區(qū)域分開。在研究區(qū)域植被中，除作物以外，還存在森林和草地。由于草地在近紅外波段的反射率高于作物和森林，通過設(shè)置近紅外反射率閾值可以將草地從研究區(qū)域中剔除。研究區(qū)域中森林的地理位置在北京市西北側(cè)的山區(qū)，通過設(shè)置數(shù)字高程模型（digital elevation model,DEM）閾值可以將作物和森林分離[16]。最后利用ENVI 5.1中的最大似然法對(duì)小麥種植區(qū)域進(jìn)行提取，提取的總體精度達(dá)到90%以上。

1.2 最小二乘孿生支持向量機(jī)理論

對(duì)于給定的訓(xùn)練樣本，最小二乘孿生支持向量機(jī)（LSTSVM）的思想是基于圖正則化框架，利用決策函數(shù)在圖上的光滑性作為正則化項(xiàng)，獲得分類器模型最佳參數(shù)。LSTSVM的模型可表示為下面2個(gè)約束優(yōu)化問題：

式中：A=[ai,j]m1×n，B=[bi,j]m2×n，分別表示m1個(gè)健康訓(xùn)練樣本和m2個(gè)發(fā)病訓(xùn)練樣本，n是樣本的維數(shù)；K(?,?)是核函數(shù)；e1和e2為相應(yīng)維數(shù)的單位向量；C1和C2為懲罰系數(shù)；MT=[ATBT]；wk和bk（k=1,2）為最優(yōu)超平面參數(shù)；y1和y2表示誤差量。

把約束條件帶入目標(biāo)函數(shù)可以求得：

式中：H=[K(A,MT)e1]；Q=[K(B,MT)e2]。

由式（3）、式（4）可得超平面方程：

上述2個(gè)超平面方程分別對(duì)應(yīng)一類訓(xùn)練樣本，判斷一個(gè)新樣本x∈Rn為類i的決策函數(shù)如下：

建立在目標(biāo)函數(shù)和訓(xùn)練樣本分布之間關(guān)系的聚類假設(shè)是學(xué)習(xí)的關(guān)鍵，與傳統(tǒng)的k最近鄰（knearest neighbor,KNN）聚類相比，本文提出KKNN聚類，即通過非線性映射函數(shù)把訓(xùn)練樣本映射到高維的希爾伯特（Hilbert）特征空間。這種高維空間能更好地反映出訓(xùn)練樣本之間的親密關(guān)系。

1.3 最小二乘孿生支持向量機(jī)模型構(gòu)建

模型的建立包括核函數(shù)和模型參數(shù)的選取。由于支持向量機(jī)的核函數(shù)對(duì)其性能有很大影響，而小波函數(shù)具有良好的時(shí)頻局域特性和多尺度分解能力，如果把小波函數(shù)和模型結(jié)合起來，可以獲得更好的監(jiān)測能力。本文選擇滿足平移不變核定理的小波核函數(shù)：

式中：h(x)是小波母函數(shù)；σ是核參數(shù)。模型參數(shù)中核參數(shù)σ反映了訓(xùn)練樣本數(shù)據(jù)的分布或范圍特性，它決定了局部領(lǐng)域的寬度，其值越大表示方差越小。另外，懲罰系數(shù)C1和C2可影響訓(xùn)練誤差的大小和泛化能力的強(qiáng)弱。因此，為了避免過擬合現(xiàn)象，本文中的核參數(shù)和懲罰系數(shù)采用網(wǎng)格搜索法確定。

1.4 特征提取

小麥?zhǔn)苎料x侵染后會(huì)在外部形態(tài)和內(nèi)部生理上發(fā)生變化，如出現(xiàn)葉片變黃、枯萎、葉綠素含量下降等癥狀，無論是形態(tài)還是生理的變化，都會(huì)引起小麥光譜特征的改變，特別是可見光和近紅外波段，以及由這些波段通過數(shù)學(xué)運(yùn)算提取出對(duì)植物長勢具有指標(biāo)意義的植被指數(shù)。例如，與生物量和色素吸收有關(guān)的紅（RR）、綠（RG）和近紅外（RNIR）波段的反射率，本文將其候選為監(jiān)測模型的輸入變量。同時(shí)，歸一化植被指數(shù)（NDVI）、綠度歸一化植被指數(shù)（GNDVI）、歸一化差異綠度指數(shù)（normalized difference greenness index,NDGI）、重歸一化植被指數(shù)（RDVI）和三角植被指數(shù)（triangular vegetation index,TVI）共5個(gè)基于多光譜數(shù)據(jù)構(gòu)建的植被指數(shù)用于后續(xù)分析。其中：NDVI、GNDVI能表征植被長勢信息和植被覆蓋度[17]，對(duì)作物的長勢監(jiān)測十分有效；NDGI靈敏性強(qiáng)，對(duì)作物生長活力的監(jiān)測有效，可以對(duì)不同活力植被形式進(jìn)行監(jiān)測；RDVI可用于不同高低植被覆蓋度下的作物生長監(jiān)測；TVI能探測到由病蟲害脅迫引起的作物光譜反射率變化。表1為篩選出的植被指數(shù)、表達(dá)式及文獻(xiàn)出處。

表1 用于小麥蚜蟲監(jiān)測研究的多光譜植被指數(shù)Table 1 Multispectral vegetation indices used for wheat aphids monitoring research

由于小麥在生長過程中溫度和濕度等環(huán)境因素對(duì)小麥蚜蟲病的發(fā)生有著較大的影響，適宜的溫度（16～25℃）有利于蚜蟲的大量繁殖，干燥的天氣會(huì)導(dǎo)致作物含水量降低，營養(yǎng)物質(zhì)相對(duì)變多，有利于蚜蟲的生長發(fā)育；同時(shí)，干燥的天氣也有利于蚜蟲的遷徙擴(kuò)散和繁殖蔓延，最終導(dǎo)致蚜蟲的發(fā)生量增大。因此，除了上述多光譜植被指數(shù)之外，本文還提取了小麥的生境因子作為監(jiān)測模型的輸入。所提取的生境因子包括利用HJ-IRS數(shù)據(jù)反演出表征小麥生長過程中田間溫度狀況的地表溫度（land surface temperature,LST）和表征小麥生長過程中土壤含水量的垂直干旱指數(shù)（perpendicular drought index,PDI）。其中，PDI是基于多光譜影像近紅外波段反射率和紅波段反射率建立的光譜特征空間提出的，其原理是：對(duì)于不同植被覆蓋度和濕度信息的像元在二維特征空間具有不同的分布，土壤在近紅外波段反射率和紅波段反射率上會(huì)呈現(xiàn)近似線性的分布（土壤線）。土壤線的擬合公式[23]為：

式中：M為擬合得到的土壤線斜率；I為土壤線在縱坐標(biāo)上的截距。根據(jù)土壤線公式，構(gòu)建的垂直干旱指數(shù)（PDI）公式為：

地表溫度（LST）的反演采用普適性較高的單通道算法[24]。

相關(guān)分析能夠?qū)?個(gè)變量直接的依存關(guān)系進(jìn)行評(píng)價(jià)并量化。因此，為了進(jìn)一步了解并提取用于小麥蚜蟲監(jiān)測的特征，本文采用獨(dú)立樣本t檢驗(yàn)對(duì)所選特征在時(shí)相1和時(shí)相2時(shí)期與健康及發(fā)生蟲害樣本的差異性進(jìn)行檢驗(yàn)，篩選出對(duì)蟲害信息敏感的特征因子。表2匯總了t檢驗(yàn)的分析結(jié)果，各個(gè)特征除RNIR、NDGI、RDVI和TVI外，均表現(xiàn)出對(duì)蟲害的敏感性。為了讓入選的光譜特征能夠?qū)π←溠料x病情具有較強(qiáng)的響應(yīng)，選取置信度達(dá)到0.999水平的特征因子作為監(jiān)測模型的輸入變量進(jìn)行后續(xù)建模分析，選取的特征包括：RR（時(shí)相1），NDVI（時(shí)相1），GNDVI（時(shí)相1），LST（時(shí)相2），PDI（時(shí)相2）。樣本集分為訓(xùn)練集和驗(yàn)證集。本文實(shí)地調(diào)查了54個(gè)樣本數(shù)據(jù)，將其中32個(gè)樣本構(gòu)成訓(xùn)練集，剩下的22個(gè)樣本構(gòu)成驗(yàn)證集。

表2 各光譜特征不同時(shí)相健康及蟲害樣點(diǎn)差異分析Table 2 Different analysis of various kinds of spectral features at Table 2 different phases

2 結(jié)果與分析

本文基于地面調(diào)查數(shù)據(jù)，對(duì)提取出的小麥長勢因子和生境因子作為監(jiān)測模型的輸入變量，分別用最小二乘孿生支持向量機(jī)（LSTSVM）、傳統(tǒng)支持向量機(jī)（SVM）、費(fèi)歇爾線性判別分析（FLDA）、學(xué)習(xí)矢量量化（LVQ）神經(jīng)網(wǎng)絡(luò)進(jìn)行小麥蚜蟲監(jiān)測建模，得出的監(jiān)測結(jié)果如圖1所示。

圖1 4種模型監(jiān)測結(jié)果Fig.1 Monitoring results of four models

實(shí)地調(diào)查數(shù)據(jù)顯示：2010年北京市通州區(qū)和順義區(qū)小麥蚜蟲會(huì)較大面積發(fā)生，且通州區(qū)的蚜蟲發(fā)生面積大于順義區(qū)；在研究區(qū)域?qū)嵉卣{(diào)查點(diǎn)的54份樣本中，染病樣本共17個(gè)，發(fā)病率為31.5%。其中，順義區(qū)共有35個(gè)樣本點(diǎn)，7個(gè)樣本點(diǎn)發(fā)生蟲害，28個(gè)樣本點(diǎn)健康，發(fā)病率為20.0%；通州區(qū)共有19個(gè)樣本點(diǎn)，其中10個(gè)樣本點(diǎn)發(fā)生蟲害，9個(gè)樣本點(diǎn)健康，發(fā)病率為52.6%，明顯高于順義區(qū)的發(fā)病率。另外，從中國氣象科學(xué)數(shù)據(jù)共享服務(wù)網(wǎng)獲取的北京市通州區(qū)和順義區(qū)2010年5月份的氣象數(shù)據(jù)顯示，在小麥灌漿期，通州區(qū)5月份的日平均氣溫高于順義區(qū)，且通州區(qū)5月上旬少雨干旱，有利于蚜蟲的繁殖生長。由此可以推斷，通州區(qū)的發(fā)病面積將大于順義區(qū)的發(fā)病面積。從4個(gè)監(jiān)測模型的結(jié)果來看，通州區(qū)的蟲害發(fā)生面積均大于順義區(qū)的蟲害發(fā)生面積，這和實(shí)地調(diào)查數(shù)據(jù)以及氣象數(shù)據(jù)的結(jié)果一致。

利用ArcGIS軟件對(duì)4種模型監(jiān)測出的結(jié)果進(jìn)行統(tǒng)計(jì)分析發(fā)現(xiàn)，LSTSVM、SVM、FLDA和LVQ神經(jīng)網(wǎng)絡(luò)模型監(jiān)測發(fā)生蟲害的面積分別占種植區(qū)域面積的30.3%、27.5%、39.9%和22.2%（表3）。由此可以看出，LSTSVM模型的監(jiān)測結(jié)果和實(shí)地調(diào)查點(diǎn)的發(fā)病情況最為接近，更能反映出小麥蚜蟲的實(shí)際發(fā)病情況。SVM和LVQ神經(jīng)網(wǎng)絡(luò)模型的監(jiān)測結(jié)果偏低于實(shí)地調(diào)查點(diǎn)的發(fā)病情況，而FLDA模型的監(jiān)測結(jié)果高于實(shí)地調(diào)查點(diǎn)的發(fā)病情況。表3列出了通州區(qū)和順義區(qū)小麥種植區(qū)域的像元分類情況。

表3 種植區(qū)域像元分類情況Table 3 Classification of pixels in planting area

利用實(shí)地調(diào)查樣本中作為驗(yàn)證集的22個(gè)點(diǎn)的數(shù)據(jù)對(duì)模型進(jìn)行進(jìn)一步驗(yàn)證，小麥蚜蟲發(fā)病監(jiān)測的總體精度、錯(cuò)分誤差和卡帕（Kappa）系數(shù)見表4。從中可以看出，4種模型的總體精度都達(dá)到了70%以上。LSTSVM、SVM、FLDA和LVQ神經(jīng)網(wǎng)絡(luò)監(jiān)測模型的總體精度分別為86.4%、77.3%、77.3%和72.7%，蟲害地塊的錯(cuò)分誤差分別為12.5%、25.0%、30.3%和20.0%，卡帕系數(shù)分別為0.71、0.52、0.54和0.39。結(jié)果表明，基于LSTSVM算法監(jiān)測模型的總體精度最高，錯(cuò)分誤差最小，卡帕系數(shù)最大。從錯(cuò)分誤差結(jié)果可以看出，F(xiàn)LDA模型易將健康區(qū)域識(shí)別為蟲害區(qū)域，對(duì)蟲害的發(fā)生面積存在過估計(jì)現(xiàn)象，而SVM和LVQ神經(jīng)網(wǎng)絡(luò)模型則易將發(fā)病區(qū)域識(shí)別為健康區(qū)域，對(duì)蟲害的發(fā)生面積存在低估計(jì)現(xiàn)象。同時(shí)，LVQ神經(jīng)網(wǎng)絡(luò)模型的總體精度在4個(gè)模型中最低，說明該模型在只有少量訓(xùn)練樣本的情況下，分類效果較差。無論是過高還是過低的監(jiān)測結(jié)果都會(huì)對(duì)實(shí)際的病蟲害防治工作帶來影響。以上結(jié)果表明，基于LSTSVM小麥蚜蟲監(jiān)測模型的準(zhǔn)確度更高，泛化能力更強(qiáng)，為利用遙感影像準(zhǔn)確監(jiān)測小麥蚜蟲的發(fā)生情況提供了一種有效方法和技術(shù)支持。

表4 4種模型的驗(yàn)證結(jié)果Table 4 Validation results of four models

3 結(jié)論

本文給出的最小二乘孿生支持向量機(jī)把孿生支持向量機(jī)的不等式約束條件轉(zhuǎn)化成等式約束，簡化了運(yùn)算復(fù)雜度，同時(shí)以遙感數(shù)據(jù)反演出的小麥長勢因子和生境因子作為輸入?yún)?shù)，利用國產(chǎn)環(huán)境衛(wèi)星遙感影像建立小麥蚜蟲監(jiān)測模型，對(duì)北京市順義區(qū)和通州區(qū)的小麥蚜蟲發(fā)生情況進(jìn)行監(jiān)測，并且與SVM、FLDA和LVQ神經(jīng)網(wǎng)絡(luò)算法的監(jiān)測結(jié)果進(jìn)行了比較分析。結(jié)果表明，本文所用方法的監(jiān)測精度達(dá)到了86.4%，遠(yuǎn)超SVM、FLDA和LVQ神經(jīng)網(wǎng)絡(luò)算法的監(jiān)測精度（77.3%、77.3%和72.7%），取得了很好的監(jiān)測效果。

監(jiān)測小麥蚜蟲的發(fā)生情況能夠有效地指導(dǎo)農(nóng)業(yè)生產(chǎn)者對(duì)發(fā)病區(qū)域采取針對(duì)性的防治措施，不僅可以解決由于病蟲害導(dǎo)致的糧食減產(chǎn)問題，同時(shí)，還能減少由于過度使用農(nóng)藥而造成的生態(tài)和食品安全問題，對(duì)保障糧食產(chǎn)量和保護(hù)環(huán)境有著深遠(yuǎn)的意義。在接下來的研究中，將考慮結(jié)合氣象數(shù)據(jù)或者更高分辨率的遙感數(shù)據(jù)進(jìn)行建模，例如采用國產(chǎn)高分系列衛(wèi)星影像，利用獲得的遙感數(shù)據(jù)結(jié)合更加精細(xì)的氣象因子對(duì)小麥蚜蟲進(jìn)行監(jiān)測。

[1]羅菊花.基于多源數(shù)據(jù)的小麥蚜蟲遙感監(jiān)測預(yù)測研究.北京:北京師范大學(xué),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]黃文江,張競成,羅菊花,等.作物病蟲害遙感監(jiān)測與預(yù)測.北京:科學(xué)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）

[3]羅菊花,黃木易,趙晉陵,等.冬小麥灌漿期蚜蟲危害高光譜特征研究.農(nóng)業(yè)工程學(xué)報(bào),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]CHATTOPADHYAYC,AGRAWALR,KumarA,etal.Forecasting ofLipaphis erysimion oilseed Brassicas in India:A case study.Crop Protection,2005,24（12）:1042-1053.

[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.

[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.

[7]袁琳,張競成,趙晉陵,等.基于葉片光譜分析的小麥白粉病與條銹病區(qū)分及病情反演研究.光譜學(xué)與光譜分析,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.

[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.

[10]競霞,黃文江,琚存勇,等.基于PLS算法的棉花黃萎病高空間分辨率遙感監(jiān)測.農(nóng)業(yè)工程學(xué)報(bào),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]劉占宇.水稻主要病蟲害脅迫遙感監(jiān)測研究.杭州:浙江大學(xué), 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]靳寧.棉花黃萎病高光譜識(shí)別及遙感監(jiān)測研究.南京:南京信息工程大學(xué),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]聶臣巍,袁琳,王保通,等.綜合遙感與氣象信息的小麥白粉病監(jiān)測方法.植物病理學(xué)報(bào)，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.Twinsupport vector machines for pattern classification.IEEE Transactions on Pattern Analysis and Machine Intelligence,2007, 29（5）:905-910.

[15]馮煉,吳瑋,陳曉玲,等.基于HJ衛(wèi)星CCD數(shù)據(jù)的冬小麥病蟲害面積監(jiān)測.農(nóng)業(yè)工程學(xué)報(bào),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]張競成.多源遙感數(shù)據(jù)小麥病害信息提取方法研究.杭州:浙江大學(xué),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]王紀(jì)華,趙春江,黃文江,等.農(nóng)業(yè)定量遙感基礎(chǔ)與應(yīng)用.北京:科學(xué)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）

[18]魏新彩,王新生,劉海,等.HJ衛(wèi)星圖像水稻種植面積的識(shí)別分析.地球信息科學(xué)學(xué)報(bào),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 Geo-Information 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 meilleureévaluation 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.

[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維光譜特征空間的農(nóng)田干旱遙感監(jiān)測.北京:北京大學(xué),2006:116-124. ABDUWASIT·GHULAM.Agricultural drought remote sensing monitoring model based onn-dimensional spectral feature space. Beijing:Peking University,2006:116-124.(in Chinese with English abstract)

[24]段四波,閻廣建,錢永剛,等.利用HJ-1B模擬數(shù)據(jù)反演地表溫度的兩種單通道算法.自然科學(xué)進(jìn)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）

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 Dong1,2,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）

satellite image;remote sensing monitoring;wheat aphids;least squares twin support vector machine

TP 79

A

10.3785/j.issn.1008-9209.2016.08.021

Journal of Zhejiang University（Agric.&Life Sci.）,2017,43（2）:211-219

國家自然科學(xué)基金（61672032，41271412）；安徽省自然科學(xué)基金（1408085MF121，1608085MF139）；安徽省科技計(jì)劃項(xiàng)目（16030701091，1604A0702016）；中國科學(xué)院國際合作局對(duì)外合作重點(diǎn)項(xiàng)目（131211KYSB20150034）。

黃文江（http://orcid.org/0000-0003-1710-8301），E-mail:huangwj@radi.ac.cn

（First author）：胡根生（http://orcid.org/0000-0002-0181-0748），E-mail:hugs2906@sina.com

（Received）:2016-08-02；接受日期（Accepted）:2017-02-15