基于AdaBoost模型和mRMR算法的小麥白粉病遙感監測

馬慧琴，黃文江，景元書，董瑩瑩，張競成，聶臣巍，唐翠翠,，趙晉陵，黃林生

基于AdaBoost模型和mRMR算法的小麥白粉病遙感監測

馬慧琴1,2，黃文江※2，景元書1，董瑩瑩2，張競成3，聶臣巍2，唐翠翠2,4，趙晉陵4，黃林生4

（1. 南京信息工程大學應用氣象學院，氣象災害預報預警與評估協同創新中心，南京 210044；2. 中國科學院遙感與數字地球研究所，數字地球重點實驗室，北京 100094；3. 杭州電子科技大學生命信息與儀器工程學院，杭州 310018；4. 安徽大學電子信息工程學院，合肥 230039）

除選擇合適的建模方法外，選擇合適的特征選擇算法來優選建模特征對提高作物病害的遙感監測水平具有重要作用。選取陜西省關中平原西部小麥白粉病為對象，基于Landsat 8遙感影像共提取了18個特征變量，通過相關性分析（correlation analysis，CA）和最小冗余最大相關（minimum redundancy maximum relevance，mRMR）2種特征選擇算法篩選出了2組不同的特征變量，分別將其輸入Fisher線性判別分析（Fisher linear discriminant analysis，FLDA）、支持向量機（support vector machine，SVM）和AdaBoost 3種方法，構建小麥白粉病發生嚴重程度監測模型，并對其進行精度驗證與對比分析。結果表明，2種AdaBoost模型對小麥白粉病發生嚴重程度的總體監測精度分別比FLDA模型和SVM模型高出27.9%、27.9%和14.0%、9.3%，mRMR算法篩選特征所建FLDA、SVM及AdaBoost監測模型的總體監測精度分別比CA篩選特征所建模型高出7.0%、11.7%和7.0%，且mRMR算法篩選特征結合AdaBoost方法所建監測模型的精度和Kappa系數分別為88.4%和0.807，為所有模型中最高。說明將AdaBoost方法用于作物病害遙感監測效果較好，在作物病害監測模型的特征變量選擇中mRMR算法比常用CA算法更具優勢。研究結果可為其他作物病害遙感監測提供方法參考。關鍵詞：病害；遙感；監測；小麥；mRMR算法；AdaBoost方法

0 引 言

小麥白粉病已成為中國發生面積和危害十分嚴重的小麥病害之一，在重發年份減產可高達30%[1]。因此利用現代信息技術來提高對該病的監測水平，對于指導病害防治，確保中國糧食生產穩定具有重要的意義。近年來，遙感技術的發展可有效解決病蟲害傳統監測方式的多種弊端，為未來大面積病蟲害監測預測提供了重要手段[2]。

目前，一些學者利用該技術開展了作物病蟲害的監測預測研究。蔣金豹等[3]將冠層光譜一階微分數據與相應的小麥條銹病病情指數進行相關分析，并采用單變量線性和非線性回歸技術，建立了小麥病情指數估測模型。Devadas等[4]和Mahlein等[5]利用單因子方差分析或Relief F方法篩選出的特征對同一作物的多種病害進行了識別研究。魯軍景等[6]通過相關分析和閾值限定的方法分別對傳統光譜特征和小波變換特征進行篩選，并采用偏最小二乘回歸（partial least squares regression，PLSR）法對小麥條銹病嚴重度進行了估測研究。王靜等[7]利用結合前人研究成果選取的7種植被指數對小麥條銹病嚴重度的監測方法進行了探討。以上基于高光譜遙感數據建立的模型很難運用到區域尺度病蟲害的監測當中，學者們通過航空或航天遙感數據，對區域尺度的作物病蟲害進行了監測預測研究。Manuel等[8]利用向前逐步判別分析法從機載影像反演的多種植被指數中篩選出的指數特征，采用線性判別分析（linear discriminant analysis，LDA）和支持向量機（support vector machine，SVM）方法建立了杏樹紅葉斑病嚴重度等級的檢測模型。Yuan等[9]通過T檢驗和互相關檢驗從衛星影像反演的眾多遙感特征中篩選出的2種植被指數，采用3種不同方法構建了冬小麥白粉病圖像反演模型。部分學者[10-12]通過結合遙感與氣象數據特征，從中篩選出最優特征，利用不同建模方法對區域尺度小麥白粉病的發生概率或嚴重度進行了監測預測研究。在上述對作物病蟲害的監測預測研究中，大部分學者將研究重點放在影響作物病蟲害的數據源或者模型構建方法的選擇上，對模型輸入變量的選擇方法則研究較少，通常只是通過簡單的相關分析或T檢驗等方法篩選。

然而，在構建遙感監測模型過程中，特征變量選擇也是最關鍵的問題，由于一些機器學習算法受不相關或冗余特征的負面影響，直接影響了模型的分類精度和泛化性能[13-15]。一些學者將最小冗余最大相關（minimum redundancy maximum relevance，mRMR）等特征選擇算法用于圖像分類、土地利用分類、生物樣本類型區分及疾病診斷等研究時均取得了較好的結果[16-19]。Huang等[20]和Mahlein等[21]利用Relief F算法找出的單一波段和兩波段歸一化波長差中的最優組合構建的新植被指數分別對冬小麥和甜菜的3種不同病害進行監測識別，結果表明新的光譜指數能夠監測和識別病害且可靠性較高。Unler等[22]利用mRMR結合粒子群（particle swarm optimization，PSO）的混合算法（mr2PSO）進行特征選擇，采用支持向量機分類器在幾種基準數據集上進行測試，并與另2種算法進行比較，結果表明該算法在分類精度和計算性能中均具有競爭力。程希萌等[23]通過3種方法實現mRMR算法優選特征信息并采用C5.0和K-近鄰（K-nearest neighbor，KNN）2種分類器進行遙感圖像分類，其結果表明兩種分類器的分類效率和總體精度均有不同程度的提高。

常規的病蟲害監測預測方法存在人為主觀性強、普適性差、構建困難等缺陷，學者們開始探索新的方法對作物病蟲害進行監測預測[7,9,11]。AdaBoost算法能夠將比隨機猜測略好的弱分類器提升為分類精度高的強分類器，為學習算法的設計提供了新的思想和新的方法[24]。目前，該方法主要用于手寫文檔的識別與檢索，從印刷文檔中識別手寫注釋和手寫簽名的驗證，人臉檢測等[25-27]，尚未運用到作物病害的遙感監測研究中。本文以陜西省關中平原西部為研究區域，基于Landsat8遙感影像反演得到多個特征變量，分別通過相關性分析（correlation analysis，CA）和mRMR算法從中選取出2組相應最優的特征變量，輸入到Adaboost方法及常用的分類方法Fisher線性判別分析（Fisher linear discriminant analysis，FLDA）和支持向量機，構建6種小麥白粉病發生嚴重程度遙感監測模型，并將其結果進行對比分析。

1 材料與方法

1.1 研究區概況

研究區位于陜西省關中平原西部（圖1）。該區域水熱條件較好，氣候溫和濕潤，是陜西省主要的高產農作區[28]，冬小麥為當地重要農作物，同時也是中國小麥白粉病的常發區域。

圖1 研究區地理位置及樣本點空間分布Fig.1 Geographic location and spatial distribution of sample points of study area

1.2 數據獲取

所用數據主要包括遙感數據和小麥白粉病地面調查數據。遙感數據為2014年5月11日的一景Landsat 8遙感影像。小麥白粉病地面調查數據于2014年5月10日（小麥揚花期）在陜西省關中平原西部調查獲得。每個調查樣地取1 m × 1 m的樣方，樣方區域的中心經緯度坐標用亞米級高精度手持式GPS記錄。采用5點調查法調查，即每個調查樣方取對稱的5點，每點取20株小麥，采用改進的“0-9級法”記錄病害嚴重程度，調查時先將每株小麥均勻地劃分為9段，由下至上依次記錄為第1段至第9段，表1為具體的分級標準。分別記錄其發病級別后，采用式（1）計算病情指數（disease index，DI）。

式中x為發病級數，n為最高級別9，f為不同發病級別的株數。

總共獲取了43個野外調查點，為防止過多等級增加監測上的難度，研究將發病嚴重程度重分為健康（0級），用Ⅰ表示，輕發（1～3級），用Ⅱ表示，重發（4～9級），用Ⅲ表示，總共3個等級進行監測模型的構建。

1.3 數據處理

首先，對Landsat 8遙感影像進行輻射定標、大氣校正及裁剪等預處理。根據當地的作物種植類型及其物候歷，通過設置最優分割閾值結合最大似然分類法提取研究區的小麥種植區域[11]（圖1b）。

接著，基于預處理后的遙感影像提取與病害相關的植被指數和其他特征變量。本文提取了Landsat 8藍、綠、紅及近紅外波段的反射率及對病害較敏感的植被指數，以及表征生境因子的地表溫度(land surface temperature，LST)。表2僅列舉出了研究最終使用到的3種植被指數的名稱及計算公式。另外，地表溫度利用熱紅外11波段，由常用的單通道算法反演獲得。研究還通過穗帽變換獲得了綠度植被指數(Greenness)以及濕度指數(Wetness)，見公式（2）～（3）所示：

式中wi，gi(i=2,…,7)為各波段對應系數（表3），bi(i=2,…,7)為各波段反射率值。

表1 小麥白粉病發生程度分級標準Table1 Grading standard of wheat powdery mildew occurrence degree

表2 寬波段植被指數計算公式Table2 Vegetation indices based on wide bands

1.4 特征變量優選及模型構建

1.4.1 mRMR（最小冗余最大相關）算法

mRMR算法是基于信息理論的典型特征選擇算法，其主要思想是從特征空間中尋找與目標類別有最大相關性且相互之間冗余性最小的m個特征。主要是利用互信息來衡量特征子集中特征與類別之間、特征與特征之間的相關度[32-35]。

表3 穗帽變換指數Wetness、Greenness相應波段系數Table3 Corresponding coefficients of Wetness and Greenness by tasseled cap transformation

算法中特征集中的特征與類別之間的相關度為：

式中S為特征集合，c為目標類別，I( xi; c)為特征i和目標類別c之間的互信息。

特征集中特征與特征的相關度為：

式中I( xi; xj)為特征i與特征j之間的互信息。

任意2個變量x，y之間的互信息為：

式中p(x)為變量x的概率，p(y)為變量y的概率，p(x,y)為x，y的聯合概率。

組合式（4）、（5）即為mRMR原則，記為max(,)D RΦ，得到mRMR原則的互信息商標準：

在商標準的基礎上，采用增量搜索優化算法得到最優特征子集。假定已有m–1個特征組成的特征集Sm–1，在剩下的樣本特征{X–Sm–1}中選擇第m個滿足下式條件的特征：

1.4.2 特征變量優選

選擇最能反映病害發生發展狀況的特征變量構建病害監測預測模型，可以有效提高模型的準確度。當前的病蟲害監測研究對建模方法開展了大量分析，而對特征變量選擇方法的研究則較少。本文通過以下2種方式選取特征變量，構建小麥白粉病發生嚴重程度監測模型。首先，在SPSS中通過相關性分析計算各特征變量與白粉病發生嚴重程度間的相關系數，篩選出達到顯著性差異（P<0.01）的特征Wetness、LST和SIWSI為第1組特征變量。之后，利用mRMR算法選擇出第2組特征變量Greenness、Wetness、LST、RDVI和SR。

1.4.3 模型構建

本文選取AdaBoost算法構建大尺度小麥白粉病遙感監測模型。AdaBoost是由Freund和Schapire提出，目前使用和研究最多的集成算法[36]。該算法的基本思想是利用若干個分類能力較弱的弱分類器，將其按一定的方式疊加為分類能力很強的強分類器[37-38]。AdaBoost算法最初設計解決二分類問題，但實際問題以多分類居多，將此方法用于多分類時的二分類拆解將多分類問題拆解為多個二分類問題，這種拆解中隱式地假定了使用與二分類相同的弱分類器條件，可避免求解復雜的多分類下的弱分類器條件這一難題[39]。文中將一對其余的二分類拆解AdaBoost算法[40]用于解決3分類（健康、輕發、重發）問題。該算法具體過程如下：

1）輸入樣本集S={(x1,y1),…,(xm,ym)}，其中，xi∈X，X為訓練集，m=X；yi∈Y，Y為類別標簽集，k=Y，(xi, yi)為某一樣本點的特征變量和該點對應的類別標簽；

2）初始化：D1( i, l)=1/mk (1≤i≤m，1≤l≤k) ，為初始權重分布；

3）訓練過程：

循環學習T次

① 將第t次迭代后的分布D（tt=1,…,T）用于訓練弱學習；

② 得到弱規則ht：X×Y→R，由弱學習器產生；

③ 選擇ht的加權投票權值

式中rt為弱規則ht的預測與類別yi之間相關性的度量，其計算公式為

式中ht( xi, l)為類別標簽l∈Y是否應該賦給xi的預測，其值反映了預測的可信度。

④更新權值

4）則最終的合并假設為

2 結果與分析

2.1 模型的評估與驗證

利用2種特征選擇方法篩選出2組特征變量作為輸入變量，采用上述AdaBoost方法及常用分類方法FLDA和SVM構建監測模型，并對其結果進行擬合優度評價。主要通過Spearman來檢驗模型，統計量參數包括Somers’D、Kendall’s Tau-c和Goodman-Kruskal Gama，取值范圍為[–1,1]，其值越大，則模型精度越高。表4列出了具體的參數值，從中可以看出，AdaBoost方法所建2模型的Spearman相關性均達到了極顯著水平，FLDA和SVM模型中則只有mRMR算法篩選特征所建SVM監測模型（mRMR-SVM模型）達到了極顯著水平。并且另3種參數值均表現為AdaBoost模型最高，FLDA模型最低，SVM模型介于二者之間。同時在6個監測模型中，2個AdaBoost模型和mRMR-SVM模型對應參數值明顯高于其余的監測模型，其中mRMR算法篩選特征所建AdaBoost監測模型(mRMR-AdaBoost模型)為所有模型中最高。此外，在3種模型中均表現為mRMR算法篩選特征所建監測模型的參數值高于CA算法篩選特征所建監測模型。說明通過AdaBoost方法結合mRMR算法篩選出的特征變量構建的監測模型的優越性最高。

研究結合2014年5月10日的地面調查數據對3種方法模型的監測結果進行了進一步評價。表5列舉了3種建模方法對應2種不同特征選擇算法篩選特征所建監測模型的漏分、錯分情況、總體精度以及Kappa系數。從中可以看出，2個FLDA監測模型精度及Kappa系數為所有模型中最低，且mRMR-FLDA模型對應的精度及Kappa系數較高，但僅為60.5%和0.321；在2個SVM監測模型中，mRMR算法篩選特征所建監測模型（mRMR-SVM模型）精度及Kappa系數分別為79.1%和0.652，高于CA篩選特征所建監測模型(CA-SVM模型)；在2個AdaBoost監測模型中，mRMR算法篩選出的特征變量構建的模型（mRMR-AdaBoost模型）的總體精度及Kappa系數為分別為88.4%和0.807，高于CA算法篩選特征構建的模型（CA-AdaBoost模型）的81.4%和0.685。對比3種方法所建監測模型的總體精度發現，通過CA和mRMR算法篩選得到的2組特征結合FLDA方法及SVM方法所建監測模型的總體精度比相應特征結合AdaBoost方法所建監測模型分別低27.9%、27.9%和14.0%、9.3%。mRMR算法篩選特征所建FLDA、SVM及AdaBoost監測模型的總體監測精度分別比CA篩選特征所建模型高出7.0%、11.7%和7.0%。對比2種方法所建模型的漏分、錯分情況發現，FLDA監 測模型的漏分、錯分情況總體最為嚴重，SVM監測模型次之，AdaBoost監測模型最低。從CA和mRMR 2種特征選擇算法角度對比模型的漏分、錯分情況發現，不同方法所建模型中均表現為CA算法篩選特征所建監測模型的漏分、錯分誤差明顯高于mRMR算法篩選特征所建監測模型。說明AdaBoost方法所建監測模型的優越性高于FLDA和SVM方法所建監測模型，mRMR算法篩選出的特征所建監測模型的優越性高于CA算法篩選特征所建監測模型。

表4 AdaBoost模型的擬合優度評價Table4 Evaluation of fit goodness of three AdaBoost models

表5 3種方法所建監測模型的總體驗證結果Table5 Overall verification results of monitoring models through three methods

2.2 小麥白粉病發生嚴重程度監測

3種建模方法結合2種特征選擇算法所建小麥白粉病發生嚴重程度監測模型的評價結果顯示，2個FLDA監測模型精度為6個模型中最低的2個，且模型中精度較高的也只有60.5%，無法實現對病害的較準確監測，因此，研究以2種特征選擇算法篩選出的特征變量作為輸入變量，只將采用SVM方法和AdaBoost方法構建的監測模型應用于整個研究區，對研究區中小麥病害進行監測，得到研究區小麥白粉病發生嚴重程度的空間分布圖（圖2）。

圖2 SVM模型和AdaBoost模型監測小麥白粉病發病嚴重程度空間分布Fig.2 Spatial distribution map of wheat powdery mildew with different severities by SVM and AdaBoost models

從監測結果分布圖中可以看出，CA-SVM模型的監測結果中將研究區小麥基本上全部監測為健康，只有零星區域表現為發病，完全不同于另外3個模型；mRMRSVM模型和2個AdaBoost模型的監測結果則均表現為禮泉縣以西區域發病嚴重，以東區域發病較少，且白粉病重發區主要位于禮泉縣以西。對比上述3個不同模型發現，對于禮泉縣以東，3模型的監測結果基本一致，白粉病重發區極少，少部分區域輕發，健康麥區最多。就禮泉縣以西麥區而言，mRMR-SVM模型則明顯不同于2個AdaBoost模型，表現為白粉病輕發區明顯大于2個AdaBoos模型，健康麥區和重發區域則相反。2個AdaBoost模型的監測結果則表現為重發麥區基本一致，CA-AdaBoost模型的健康麥區大于mRMR-AdaBoost模型，輕發麥區則剛好相反。但3模型的整體趨勢均表現為輕發麥區最大，健康麥區次之，重發區域最少。43個小麥病害調查點中22個調查點位于禮泉縣以西，其中5個調查點為健康，11個調查點為輕發，6個點重發。而禮泉縣以東的21個調查點中17個為健康，4個輕發，沒有重發點。結合白粉病發生嚴重程度實地調查情況和4個監測模型的評價結果及監測所得的病害發生嚴重程度的空間分布結果可以看出，CA-SVM監測模型的結果與實際情況極為不符，而另3個模型監測結果與實際情況則較為相符，且其中mRMR-AdaBoost監測模型最相符，說明其優越性高于mRMR-SVM監測模型和CA-AdaBoost監測模型。

3 結論與討論

本文利用Landsat 8遙感數據，通過CA和mRMR 2種不同的特征變量選擇方法，選取了2組特征變量Wetness、LST和SIWSI，Greenness、Wetness、LST、RDVI和SR，采用AdaBoost方法以2組變量為輸入變量對陜西省關中平原西部麥區的小麥白粉病發生嚴重程度進行監測，同時將2個AdaBoost模型監測結果與常用分類方法FLDA和SVM所建模型監測結果進行對比分析。結果表明：6個模型中mRMR-SVM模型和2個AdaBoost模型均能較準確地監測研究區小麥白粉病發生嚴重程度，其中采用CA和mRMR算法篩選特征結合AdaBoost方法構建的監測模型的總體精度比對應的FLDA監測模型及SVM監測模型分別高出27.9%、27.9%和14.0%、9.3%，證明將AdaBoost方法用于作物病害監測具有較好的應用前景。受特征選擇方法自身特點的影響，在FLDA、SVM和AdaBoost 3種不同方法模型中，mRMR算法篩選特征所建模型的總體監測精度分別比相應的CA篩選特征所建模型高7.0%、11.7%和7.0%，說明mRMR算法在作物病害建模特征的選擇中比常用CA算法更具優勢。

研究只采用了1景影像進行小麥白粉病發生嚴重程度的監測研究，而小麥白粉病的發生發展受多種類型因素的影響，如氣象因子及田間管理信息等，同時，數據獲取區域也僅為陜西省關中平原西部地區，數據量及區域范圍均相對較少，因此模型的通用性有待進一步驗證。另外，在建模特征的篩選過程中，主要采用了常用的CA算法和mRMR算法進行特征變量的選擇，旨在解決常用方法在特征選擇時無法同時去除病害類別不相關特征和冗余特征的問題，但卻未考慮mRMR算法的復雜性。在今后的研究中，盡可能地采用多年多地區的病害數據，并結合多源數據，尋找更加簡單有效的特征選擇方法篩選模型的輸入變量，采用文中的建模方法來構建多種監測模型，并從中選擇更優的模型來實現對病害嚴重程度的準確監測。

[1] 周益林，段霞瑜，程登發. 利用高光譜遙感估計白粉病對小麥產量及蛋白質含量的影響[J].植物保護學報，2009，36(1)：32－36.

Zhou Yilin, Duan Xiayu, Cheng Dengfa. Estimation of the effects of powdery mildew on wheat yield and protein content using hyperspectral remote sensing [J]. Acta Phytophylacica Sinica, 2009, 36(1): 32－36. (in Chinese with English abstract)

[2] 張競成，袁琳，王紀華，等. 作物病蟲害遙感監測研究進展[J]. 農業工程學報，2012，28(20)：1－11.

Zhang Jingcheng, Yuan Lin, Wang Jihua, et al. Research progress of crop diseases and pests monitoring based on remote sensing [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(20): 1－11. (in Chinese with English abstract)

[3] 蔣金豹，陳云浩，黃文江. 用高光譜微分指數監測冬小麥病害的研究[J]. 光譜學與光譜分析，2007，27(12)：2475－2479.

Jiang Jinbao, Chen Yunhao, Huang Wenjiang. Using hyperspectral derivative index to monitor winter wheat disease [J]. Spectroscopy and Spectral Analysis, 2007, 27(12): 2475－2479. (in Chinese with English abstract)

[4] Devadas R, Lamb D W, Simpfendorfer S, et al. Evaluating ten spectral vegetation indices for identifying rust infection in individual wheat leaves[J]. Precision Agriculture, 2008, 10(6): 459－470.

[5] Mahlein A K, Rumpf T, Welke P, et al. Development of spectral indices for detecting and identifying plant diseases[J]. Remote Sensing of Environment, 2013, 128: 21－30.

[6] 魯軍景，黃文江，蔣金豹，等. 小波特征與傳統光譜特征估測冬小麥條銹病病情嚴重度的對比研究[J]. 麥類作物學報，2015，35(10)：1456－1461.

Lu Junjing, Huang Wenjiang, Jiang Jinbao, et al. Comparison of wavelet features and conventional spectral features on estimating severity of stripe rust in winter wheat[J]. Journal of Triticeae Crops, 2015, 35(10): 1456－1461. (in Chinese with English abstract)

[7] 王靜，景元書，黃文江，等. 冬小麥條銹病嚴重度不同估算方法對比研究[J]. 光譜學與光譜分析，2015，35(6)：1649－1653.

Wang Jing, Jing Yuanshu, Huang Wenjang, et al. Comparative research on estimating the severity of yellow rust in winter wheat[J]. Spectroscopy and Spectral Analysis, 2015, 35(6): 1649－1653. (in Chinese with English abstract)

[8] Manuel López-López, Rocío Calderón, Victoria González-Dugo, et al. Early detection and quantification of almond red leaf blotch using high-resolution hyperspectral and thermal imagery[J]. Remote Sensing, 2016, 8(4): 276.

[9] Yuan Lin, Pu Ruiliang, Zhang Jingcheng, et al. Using high spatial resolution satellite imagery for mapping powdery mildew at a regional scale[J]. Precision Agriculture, 2016, 17: 332－348.

[10] Zhang Jingcheng, Pu Ruiliang, Yuan Lin, et al. Integrating remotely sensed and meteorological observations to forecast wheat powdery mildew at a regional scale[J]. Selected Topics in Applied Earth Observations and Remote Sensing, IEEE Journal of, 2014, 7(11): 4328－4339.

[11] 馬慧琴，黃文江，景元書. 遙感與氣象數據結合預測小麥灌漿期白粉病[J]. 農業工程學報，2016，32(9)：165－172.

Ma Huiqin, Huang Wenjiang, Jing Yuanshu. Wheat powdery mildew forecasting in filling stage based on remote sensing and meteorological data [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(9): 165－172. (in Chinese with English abstract)

[12] 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測方法[J]. 植物病理學報，2016，46(2)：285－288.

Nie Chenwei, Yuan Lin, Wang Baotong, et al. Monitoring wheat powdery mildew based on integrated remote sensing and meteorological information[J]. Acta Phytopathologica Sinica, 2016, 46(2)：285－288. (in Chinese with English abstract)

[13] Kohavi R, John G. Wrappers for feature subset selection[J]. Artificial Intelligence, 1997, 97(1/2): 273－324.

[14] 張麗新. 高維數據的特征選擇及基于特征選擇的集成學習研究[D]. 北京：清華大學，2004 .

Zhang Lixin. Study on Feature Selection and Ensemble Learning Based on Feature Selection for High-dimensional Datasets[D]. Beijing: Tsinghua University, 2004. (in Chinese with English abstract)

[15] 姚旭，王曉丹，張玉璽，等. 特征選擇方法綜述[J]. 控制與決策，2012，27(2)：161－166，192.

Yao Xu, Wang Xiaodan, Zhang Yuxi, et al. Summary of feature selection algorithms[J]. Control and Decision, 2012, 27(2): 161－166, 192. (in Chinese with English abstract)

[16] 丁建睿，黃劍華，劉家鋒，等. 基于mRMR和SVM的彈性圖像特征選擇與分類[J]. 哈爾濱工業大學學報，2012，44(5)：81－85.

Ding Jianrui, Huang Jianhua, Liu Jiafeng, et al. Elastogram features selection and classification based on mRMR and SVM[J]. Journal of Harbin Institute of Technology, 2012, 44(5): 81－85. (in Chinese with English abstract)

[17] Li Biqing, Hu Lele, Chen Lei, et al. Prediction of protein domain with mRMR feature selection and analysis[J]. PLoS One, 2012, 7(6): e39308.

[18] 肖艷，姜琦剛，王斌，等. 基于Relief F和PSO混合特征選擇的面向對象土地利用分類[J]. 農業工程學報，2016，32(4)：211－216.

Xiao Yan, Jiang Qigang, Wang Bin, et al. Object based land-use classification based on hybrid feature selection method of combining Relief F and PSO [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(4): 211－216. (in Chinese with English abstract)

[19] Sen B, Peker M. Novel approaches for automated epileptic diagnosis using FCBF selection and classification algorithms [J]. Turkish Journal of Electrical Engineering & Computer Sciences, 2013, 21(Supp. 1): 2092－2109.

[20] Huang Wenjiang, Guan Qingsong, Luo Juhua, et al. New optimized spectral indices for identifying and monitoring winter wheat diseases [J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(6): 2516－2524.

[21] Mahlein A K, Rumpf T, Welke P, et al. Development of spectral indices for detecting and identifying plant diseases [J]. Remote Sensing of Environment, 2013, 128(1): 21－30.

[22] Unler A, Murat A, Chinnam R B. mr2PSO: A maximum relevance minimum redundancy feature selection method based on swarm intelligence for support vector machine classification [J]. Information Sciences, 2011, 181(20): 4625－4641.

[23] 程希萌，沈占鋒，邢廷炎，等. 基于 mRMR 特征優選算法的多光譜遙感影像分類效率精度分析[J]. 地球信息科學學報，2016，18(6)：815－823.

Cheng Ximeng, Shen Zhanfeng, Xing Tingyan, et al. Efficiency and accuracy analysis of multispectral image classification based on mRMR feature selection method[J]. Journal of Geo-information Science, 2016, 18(6): 815－823. (in Chinese with English abstract)

[24] 曹瑩，苗啟廣，劉家辰，等. AdaBoost 算法研究進展與展望[J]. 自動化學報，2013，39(6)：745－758.

Cao Ying, Miao Qiguang, Liu Jiachen, et al. Advance and prospects of AdaBoost algorithm[J]. Acta Automatica Sinica, 2013, 39(6): 745－758. (in Chinese with English abstract)

[25] Peng X, Setlur S, Govindaraju V, et al. Using a boosted tree classifier for text segmentation in hand-annotated documents[J]. Pattern Recognition Letters, 2012, 33(7): 943－950.

[26] Hu Juan, Chen Youbin. Writer-independent off-line handwritten signature verification based on real AdaBoost[C]// Proceedings of the 2nd International Conference on Artificial Intelligence, Management Science and Electronic Commerce, NewYork, USA: IEEE, 2011: 6095－6098.

[27] Viola P, Jones M J. Robust real-time face detection[J]. International Journal of Computer Vision, 2004, 57(2): 137－154.

[28] 石玉瓊，李團勝. 陜西關中耕地糧食生產潛力研究[J]. 中國農學通報，2015，31(13)：196－204.

Shi Yuqiong, Li Tuansheng. Farmland grain potential productivity of Guanzhong, Shaanxi Province[J]. Chinese Agricultural Science Bulletin, 2015, 31(13): 196－204. (in Chinese with English abstract)

[29] Baret F, Guyot G. Potentials and limits of vegetation indices for LAI and APAR assessment [J]. Remote Sensing of Environment, 1991, 35(2/3): 161-173.

[30] Roujean J L, Breon F M. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements [J]. Remote Sensing of Environment, 1995, 51(3): 375-384.

[31] Fensholt R, Sandholt I. Derivation of a shortwave infrared water stress index from MODIS near-and shortwave infrared data in a semiarid environment[J]. Remote Sensing of Environment, 2003, 87(1): 111-121.

[32] Ding C, Peng H. Minimum redundancy feature selection from microarray gene expression data[J]. Journal of Bioinformatics and Computational Biology, 2005, 3(2): 185－205.

[33] Peng Hanchuan, Long Fuhui, Ding Chris. Feature selection based on mutual information criteria of max-dependency, max-relevance, and min-redundancy [J]. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 2005, 27(8): 1226－1238.

[34] 孫健，王成華. 基于mRMR原則和優化SVM的模擬電路故障診斷[J]. 儀器儀表學報，2013，34(1)：221－226.

Sun Jian, Wang Chenghua. Analog circuit fault diagnosis based on mRMR and optimized SVM [J]. Chinese Journal of Scientific Instrument, 2013, 34(1): 221－226. (in Chinese with English abstract)

[35] 王露，龔光紅. 基于ReliefF+mRMR特征降維算法的多特征遙感圖像分類[J]. 中國體視學與圖像分析，2014，19(3)：250－257.

Wang Lu, Gong Guanghong. Multiple features remotesensing image classification based on combining Relief F and mRMR[J]. Chinese Journal of Stereology and Image Analysis, 2014, 19(3): 250－257. (in Chinese with English abstract)

[36] Freund Y, Schapire R E. A decision-theoretic generalization of online learning and an application to Boosting[J]. Journal of Computer and System Sciences, 1997, 55(1): 119－139.

[37] 李文波，王立研. 一種基于Adaboost算法的車輛檢測方法[J]. 長春理工大學學報：自然科學版，2009，32（2）：292－295.

Li Wenbo, Wang Liyan. An approach of vehicle detection based on adaboost algorithm[J]. Journal of Changchun University of Science and Technology: Natural Science Edition, 2009, 32(2): 292－295. (in Chinese with English abstract)

[38] 付忠良. 關于AdaBoost有效性的分析[J]. 計算機研究與發展，2008，45(10)：1747－1755.

Fu Zhongliang. Effectiveness analysis of adaboost[J]. Journal of Computer Research and Development, 2008, 45(10): 1747－1755. (in Chinese with English abstract)

[39] 曹瑩，苗啟廣，劉家辰，等. AdaBoost算法研究進展與展望[J]. 自動化學報，2013，39(6)：745－758.

Cao Ying, Miao Qiguang, Liu Jiachen, et al. Advance and prospects of adaboost algorithm[J]. Acta Automatica Sinica, 2013, 39(6): 745－758. (in Chinese with English abstract)

[40] Schapire R E, Singer Y. Improved boosting algorithms using confidence-rated predictions[J]. Machine Learning, 1999, 37(3): 297－336.

Remote sensing monitoring of wheat powdery mildew based on AdaBoost model combining mRMR algorithm

Ma Huiqin1,2, Huang Wenjiang2※, Jing Yuanshu1, Dong Yingying2, Zhang Jingcheng3,
Nie Chenwei2, Tang Cuicui2,4, Zhao Jinling4, Huang Linsheng4
(1. Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters, School of Applied Meteorology, Nanjing University of Information Science & Technology, Nanjing 210044, China; 2. Key Laboratory of Digital Earth Science, Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100094, China; 3. College of Life Information Science and Instrument Engineering, Hangzhou Dianzi University, Hangzhou 310018, China; 4. School of Electronic and Information Engineering, Anhui University, Hefei 230039, China)

Wheat powdery mildew has become one of the most serious wheat diseases in China, so it is necessary for using modern remote sensing information technology to improve the monitoring ability of the disease for guiding disease prevention and ensuring Chinese grain production safety. Feature selection was one of the key issues for establishing inversion models, and the use of good feature selection method would make a direct impact on disease classification accuracy. In this study, the Landsat 8 remote sensing image was used to extract total eighteen characteristic variables. Then, we got two groups different features, and Wetness, land surface temperature (LST) and shortwave infrared water stress index (SIWSI) were obtained by correlation analysis (CA) algorithm, and Greenness, Wetness, LST, re-normalized difference vegetation index (RDVI) and simple ratio (SR) were obtained by minimum redundancy maximum relevance (mRMR) algorithm. The basic idea of AdaBoost method was through a certain category by using numbers of weak classification classifiers to get a strong classifier which has great classification ability for improving classification accuracy. It generally was used to solve the binary classification problem, and we reformed it to solve three classification problems through dichotomous dismantling way of one against all. Then, we used it and common classification method Fisher linear discriminant analysis (FLDA) and support vector machine (SVM) to monitor wheat powdery mildew occurrence severity (healthy, slight, severe) in western Guanzhong Plain, Shaanxi province, China through two group features obtained by two different feature selection methods mentioned above. Model with mRMR algorithm combining AdaBoost method (mRMR-AdaBoost model) produced the highest Spearman relevance value (0.868) in six models. Moreover, the values of Somers’D, Goodman-Kruskal Gamma, and Kendal’s Tau-c of mRMR-AdaBoost model were the highest than those of models with CA algorithm and models with mRMR algorithm which constructed by FLDA and SVM methods. It indicated that mRMR-AdaBoost model had a better performance than the other five models. The validation results showed that, the overall accuracies and the Kappa coefficient of AdaBoost models with CA and mRMR algorithms were 81.4%, 0.685 and 88.4%, 0.807, respectively, and they were higher by 27.9%, 27.9%, 14.0% and 9.3% than those of FLDA and SVM models with corresponding selection algorithms. The overall accuracies of FLDA, SVM and AdaBoost models with mRMR algorithm were higher by 7.0%, 11.7% and 7.0% than those of the corresponding methodological models with CA algorithm. Furthermore, mRMR-AdaBoost model had the lowest omission and commission error in all six models. Additionally, compared with the spatial distribution results of wheat powdery mildew severities which mapped by SVM and AdaBoost models and combined with surface survey results of wheat powdery mildew occurrence severity, the mapping results of mRMR-SVM model and two AdaBoost models were similar and close to ground survey results, and among them, the results of mRMR-AdaBoost model was the closest to ground reality than the others’. These results revealed that for remote sensing monitoring of crop disease, the application of AdaBoost method had a good prospect, and for feature variables selecting of crop disease monitoring model, the minimal redundancy maximal relevance algorithm had more advantages than CA algorithm. The study results can provide a method reference for monitoring of other crop diseases.

diseases; remote sensing; monitoring; wheat; mRMR algorithm; AdaBoost method

10.11975/j.issn.1002-6819.2017.05.024

S4; TP79

A

1002-6819(2017)-05-0162-08

馬慧琴，黃文江，景元書，董瑩瑩，張競成，聶臣巍，唐翠翠，趙晉陵，黃林生. 基于AdaBoost模型和mRMR算法的小麥白粉病遙感監測[J]. 農業工程學報，2017，33(5)：162－169.

10.11975/j.issn.1002-6819.2017.05.024 http://www.tcsae.org

Ma Huiqin, Huang Wenjiang, Jing Yuanshu, Dong Yingying, Zhang Jingcheng, Nie Chenwei, Tang Cuicui, Zhao Jinling, Huang Linsheng. Remote sensing monitoring of wheat powdery mildew based on AdaBoost model combining mRMR algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(5): 162－169. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.05.024 http://www.tcsae.org

2016-06-21

2017-02-11

中國科學院國際合作局對外合作重點項目（131211KYSB20150034）；國家重點研發計劃項目（2016YFD030702）；國家自然科學基金國際合作項目（61661136004）；國家自然科學基金項目（41271412、41601467）；江蘇省普通高校自然科學研究資助項目（15KJA170003）。

馬慧琴，女，甘肅人，主要從事農業氣象和植被定量遙感研究。南京 南京信息工程大學應用氣象學院，210044。

Email：1033513161@qq.com。

※通信作者：黃文江，博士，研究員，博士生導師，主要從事植被定量遙感研究。北京 中國科學院遙感與數字地球研究所數字地球重點實驗室，100094。Email：huangwj@radi.ac.cn