[发明专利]基于子窗口重排法提取敏感参数构建小麦叶片白粉病早期监测模型的方法

说明书

技术领域

本发明涉及植物病害早期预测技术领域，具体涉及基于子窗口重排法提取敏感参数构建小麦叶片白粉病早期监测模型的方法。

背景技术

白粉病(Blumeriagraminis Speer)是小麦生产中一种世界性主要病害，也是影响小麦产量的主要病害之一。对小麦白粉病进行早期识别、快速监测、定量评价是小麦抗白粉病精确育种、精确施药、生态安全和损失评估等的核心关键技术。前人监测作物病害主要通过破坏性取样测量或者田间调查病株计算发病率、严重度或病情指数，往往耗时费力、效率低下、主观性强、可重复性差；而小麦感染白粉病以后，其内部生理活动和外观形态均会显示异常症状(徐秉良等，2011)。小麦的光合作用能力减弱，植株生长受限，叶片内部的色素含量和水分含量减少，使叶片逐渐发黄干枯。这为基于光谱监测识别白粉病提供了很好的生理条件。因此早在1989年，丹麦学者(Lorenzen et al.1989)发现可以利用400–1100nm光谱信息来识别小麦白粉病，因为该区的光谱反射率与对照品种相比有显著差异；后来，人们开始利用基于一阶导数的光谱特征来识别病害(Miller et al.1991；Baret et al.1994)；瑞士学者Hamed Hamid Muhammed(2003；2005)基于360–900nm的高光谱信息，利用feature-vector-based(FVBA)特征分析法计算权重系数，定量分析病害严重度和权重系数的关系，从而确定了病害敏感的特征波段范围。Cedric Bravo(2003)筛选了460-900nm之间的4个波段，归一化后定量反演条绣病害的严重度，后来该课题组成员Dimitrios Moshou(2004)利用神经网络法区分病害，进一步提高了病害监测准确度。Moshou(2005)融合高光谱和荧光成像信息，并基于自组织映射法更准确识别病害。可见前人主要基于光谱原始反射率、一阶导数、植被指数与病情严重度构建定量关系，根据相关性等提取敏感光谱(区域)且多为中后期较少明确提取出指示早期病害特征的敏感参数并构建相应的模型。

随着机器学习法和化学计量学的发展，科学家们提出了一些新的变量选择方法用于特征的提取，代表性的如随机森林(RandomForest)。虽然在随机森林算法中基于重排的变量重要性评价方法评价很高，但是随机森林每个变量仅被随机重排一次，因此得到的值不可重复；随机森林模型干扰变量的存在具有掩盖效应，可能会无法将最优变量集筛选出来。

发明内容

有鉴于此，本发明的目的是提供基于子窗口重排法(Subwindow PermutationAnalysis，SPA)提取敏感参数构建小麦叶片白粉病早期监测模型的方法，该方法通过利用子窗口重排法，充分利用小麦白粉病特征变量之间的协同效应，使所述监测方法具有更优的统计意义和更高的稳定性和准确性。

为了实现上述发明目的，本发明提供以下技术方案：

本发明提供了基于子窗口重排法提取敏感参数构建小麦叶片白粉病早期监测模型的方法，包括以下步骤：

1)获取感病小麦叶片的高光谱反射率；

2)利用SPA算法从高光谱反射率的原始波段中提取敏感波段；

3)选择现有研究中与病害可能相关的光谱指数，利用SPA算法从所述光谱指数中提取敏感光谱指数；

4)利用偏最小二乘-线性判别分析法，将所述敏感波段或所述敏感光谱指数作为分输入变量，构建小麦白粉病早期监测模型；

5)用二分类算法对所述小麦白粉病早期监测模型进行检验，且基于独立易感品种用留一交互检验法评价模型表现；

所述步骤2)与步骤3)之间没有时间顺序的限制。

优选的，所述步骤1)中感病小麦叶片按照病情严重度划分样品等级。

优选的，所述步骤1)中病情严重度(SL)是病叶上病斑菌丝层覆盖叶片面积占叶片总面积的比率；

所述样品等级为9级，分别为0％、1％、5％、10％、20％、40％、60％、80％和100％的小麦叶片。

优选的，所述步骤2)中光谱特征包括红边区域，具体优选为400～1000nm。

优选的，所述步骤3)中光谱指数包括13种高光谱植被指数和13种微分光谱指数。