加工番茄早疫病高光譜遙感識別研究

尹小君，寧川，張永才

（石河子大學信息科學與技術學院，新疆石河子832000）

加工番茄早疫病高光譜遙感識別研究

尹小君，寧川，張永才

（石河子大學信息科學與技術學院，新疆石河子832000）

為了快速監測加工番茄早疫病發病率和加工番茄的產量和質量，防止病蟲害的擴大，該文基于高光譜遙感數據和田間早疫病調查數據，以新疆天山北坡典型加工番茄種植區為研究區，分析加工番茄早疫病的病葉光譜響應特征，尋找早疫病的敏感波段，再利用遺傳算法優化支持向量機的懲罰參數c和核函數參數g，對不同病害嚴重度的病葉進行識別。結果表明：不同病害嚴重度加工番茄早疫病病葉的敏感波段為628nm～643nm和689nm～692nm；遺傳優化算法得出支持向量機最佳懲罰參數c為0.129，核函數參數g為3.479；分別利用多項式核、徑向基核函數、Sigmoid核進行分類訓練和測試，最佳分類模型為徑向基核函數模型，訓練準確率為84.615%，預測準確率為80.681%，高于默認參數c和g的支持向量機模型。說明通過遺傳算法優化支持向量機的識別方法具有更高的精度，支持向量機為多波段協同識別病害嚴重度提供了新的思路。

遺傳算法；支持向量機；加工番茄；早疫病；病蟲害識別

1 引 言

病蟲害是農業生產的重要生物災害，是制約高產、優質和高效農業的主要因素之一。新疆光熱資源豐富、晝夜溫差大，非常適合加工番茄的無支架栽培。早疫病是加工番茄生產過程中發生最為普遍、危害最嚴重的病害，一般年份發病率在30%左右，嚴重發生年份發病率達到50%以上［1－2］，其會造成番茄葉片、莖稈及果實的壞死，從而影響番茄的產量和品質［3］。為了保證加工番茄免受早疫病的危害，每年需要投入大量的殺菌劑來防治該病害的發生，大量殺菌劑的投入造成農藥殘留和生態風險，增加農戶的生產成本［3］。高光譜遙感技術是一種無損測試技術，即在不破壞植被結構的基礎上，對植被的病害嚴重度進行識別，以便迅速采取治理措施提高防治效果，減少殺菌劑的使用，同時為預測預報加工番茄早疫病的發生發展和擴散提供依據［4］。

國內外利用高光譜遙感技術對農作物病蟲害識別已有不少的研究。Kobayashi等［5］學者研究了稻穗瘟的嚴重度，利用機載多光譜掃描儀對稻穗瘟進行探測，運用綠光和紅光的波段比值反演稻穗瘟的嚴重度。Wang等［6］運用可見光和近紅外光譜識別了水稻正常穗和霉穗。李波等［7］測定了水稻受稻干尖線蟲病危害和水稻受稻縱卷葉螟危害的光譜數據，利用主成分分析和概率神經網絡對兩種病害進行識別。劉占宇等［8］通過非成像光譜儀測定了水稻胡麻斑病的病葉光譜反射率，利用主成分分析和徑向基網絡對水稻胡麻斑病的嚴重度進行了估測。楊昊諭等［9］采用熒光光譜技術獲得黃瓜病、蟲害光譜數據，利用主成分分析和支持向量機（Support Vector Machine，SVM）對黃瓜病害和蟲害進行識別。劉良云［10］、黃木易［11］對冬小麥條繡病的病害嚴重度進行了反演。梁棟［12］、林卉等［13］利用SVM分別對冬小麥、小麥葉面積指數進行高光譜遙感反演，提高了預測的效果。近年來，SVM得到了廣泛的應用，SVM在輸入參數上可以融合多個波段的信息，提高遙感識別的精度。但是，SVM的性能受懲罰參數和核參數的影響。本文利用遺傳算法（Genetic Algorithm，GA）優化SVM的懲罰參數和核參數。

本文以天山北坡典型加工番茄種植區農八師143團10連為研究區，優選加工番茄早疫病的多個敏感波段，融合GA算法和SVM模型，對加工番茄早疫病進行識別，提高加工番茄早疫病病害識別精度。

2 材料與方法

2.1 試驗材料的獲取

實驗病譜設在石河子大學試驗站（44°18′N，88° 03′E）加工番茄病圃區，土壤為壤質灰漠土，有機質含量19.3g·kg－1、堿解氮77.4mg·kg－1、速效磷93g·kg－1、速效鉀315mg·kg－1。大田試驗設在農八師143團10連。選用的品種是石番28。選用于加工番茄果實膨大期2013年8月12日和8月20日兩期早疫病病葉光譜數據，其中8月12日共91個樣本，大田樣本為48個，試驗站病圃區43個樣本，8月20日共88個樣本，大田樣本為45個樣本，試驗站病圃區43個樣本。

2.2 單葉光譜測定

采用美國ASD Field Spec Pro FR2500便攜式光譜儀與ASD Leaf Clip測試夾耦合測定。ASD Leaf Clip測試夾本身帶有模擬光源，可在密閉環境下測定，操作穩定，測量誤差小。Pro FR 2500便攜式光譜儀有512個光譜波段，波段范圍為350nm～2500nm，采用間隔（波段寬）在350nm～1000nm范圍內為1.4nm；在1000nm～2500nm范圍內為2nm。光譜分辨率在350nm～1000nm為3nm，1000nm～2500nm為10nm。對每片樣本葉片分中上部、左基部和右基部早疫病病害處各測2次。每次測定2條光譜曲線，每條光譜曲線掃描時間0.2s，取平均值作為該葉片的光譜反射值。

2.3 病害嚴重度等級的劃分

在加工番茄早疫病自然發病后，在實驗站病圃區和大田中分別進行采樣，采取加工番茄頂部倒數第3層病葉。根據董金臬病害分級規范［14］，病葉嚴重度等級SL（Severity Level）按照受害面積百分比0%、0%～10%、10%～30%、30%～50%、＞50%，分別分為0級（健康）、1級（輕度）、2級（中度）、3級（嚴重）、4級（極嚴重）。

2.4 GA和SVM算法

圖1 GA和SVM算法

運用GA算法和SVM相結合對加工番茄早疫病病害嚴重度進行識別，如圖1所示，從敏感波段的光譜反射率中，把訓練集和測試集提取出來，進行預處理，利用GA算法的適應度函數，進化代數作為優化準則，搜索最佳的懲罰參數和核函數參數，作為SVM的輸入向量進行訓練，再用得到的模型來識別測試集的早疫病病害嚴重度。

SVM是由Vapnik在1995年提出的一種基于統計學習理論的機器學習方法［15］。在分類中，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。分類超平面如式（1）所示：

b表示偏置，w代表分類面的權重向量，φ表示輸入特征向量空間到高維空間的映射。

找出最優分類超平面的過程轉化為解算一個最優化問題。式（2）和式（3）分別為目標函數和約束條件。

式中，C表示懲罰參數，ξi表示松弛變量，主要解決數據集的線性不可分。利用Lagrange函數將原始優化問題轉化為對偶優化問題，式（4）和式（5）是表示為目標函數和約束條件。

式中，k（xixj）＝φ（xi）φ（xj）代表核函數，使用核函數將輸入特征空間映射到高維空間。選擇不同的核函數可以產生不同的支持向量機，常用的有以下幾種：多項式核（式（6））、徑向基核函數（式（7））和Sigmoid核（式（8））。

其中，d為多項式的階，b為偏置系數。

其中，γ為核函數的寬度。

其中，γ為核函數的寬度，b為偏置系數。

解算上面的對偶問題，得到最優解，由此得出SVM分類判別函數為：

SVM以嚴格的數學理論為基礎，克服了傳統經驗學習和啟發式學習的靠經驗和啟發的先驗成份。同時結構風險最小化原則，提高了置信水平，克服了過學習的問題，得到全局最優解［16－18］。但是，SVM的性能受懲罰參數和核函數參數的影響。

利用遺傳算法優化支持向量機懲罰參數和核函數參數［19］，首先初始種群產生，再進行適應度函數計算，本文適應度函數為測試集數據誤差平方和的倒數：

式中，＾ti為測試集的預測值，tn為測試集的真實值，n為測試集的樣本數目。

然后，進行選擇、交叉和變異循環操作，經過一次次的迭代進化，當滿足迭代終止條件時，輸出末代種群對應的問題最優解，即篩選出最具近優解的懲罰參數和徑向基函數的核函數參數。

3 結果與分析

3.1 加工番茄早疫病的光譜特征分析

當綠色植物生長旺盛時，葉綠素含量高，紅邊會向紅外方向偏移，稱之為紅移；當植物感染病蟲害或重金屬污染時，紅邊會向藍光方向移動，稱之為藍移［20］。加工番茄早疫病病葉共179個樣本，分別求平均值。如圖2所示，在可見光近紅外短波紅外區域中，光譜反射率能反映加工番茄早疫病不同病害程度的變化特征。在可見光區域350nm～760nm，隨著早疫病病害嚴重度升高，光譜反射率也升高，主要是因為加工番茄受早疫病脅迫，使得加工番茄葉片中的葉綠素含量降低，造成葉綠素在藍紅波段的吸收減少，反射增強。在近紅外的反射平臺（761nm～1169nm），加工番茄早疫病不同嚴重度病葉的光譜特征反映比較顯著，隨著病害的加重，光譜反射率降低。在1170nm～2500nm，光譜反射率隨著加工番茄早疫病的加重，光譜反射率增高。這種現象主要是因為加工番茄受早疫病脅迫，使得葉片的細胞結構以及間隙發生變化，并不斷失去水分，細胞含水量降低。加工番茄早疫病病葉不同嚴重度的光譜特征差異比較明顯，利用光譜的手段對早疫病嚴重度進行識別具有可行性。

圖2 加工番茄早疫病病葉光譜特征

3.2 加工番茄早疫病病害嚴重度等級與光譜反射率的相關分析

對加工番茄早疫病病葉病害嚴重度等級和光譜反射率進行相關分析，如圖3所示，350nm～711nm和1154nm～2500nm呈正相關，582nm～698nm病害嚴重度與光譜反射率呈顯著相關水平，其中691nm的相關系數最大，為0.909。712nm～1153nm呈負相關，764nm病害嚴重度與光譜反射率的相關系數最小，為－0.769。選取628nm～643nm和689nm～692nm為加工番茄早疫病嚴重度的敏感波段。

圖3 加工番茄早疫病病害嚴重度等級與光譜反射率相關曲線

3.3 基于GA－SVM的加工番茄早疫病病害嚴重度識別

3.3.1 輸入向量的選擇與GA－SVM訓練參數的設定

選用于加工番茄果實膨大期2013年8月12日和8月20日兩期早疫病病葉光譜數據，其中8月12日，91個樣本作為訓練樣本。8月20日，88個樣本作為測試樣本。

原始光譜波段范圍為350nm～2500nm，波段數若全部作為輸入向量，計算量過大，導致訓練時間增加，預測結果也不穩定，通過相關分析選取敏感波段如表1所示，選取相關性較強的628nm～643nm和689nm～692nm波段作為敏感波段，輸入SVM模型進行訓練。在Matlab R2009a中，通過GA優化SVM參數懲罰參數c和核函數參數g［21－22］。其中GA的參數中最大的進化代數為200，種群最大的數量為20，參數c的變化范圍為（0，100］，參數g的變化范圍為（0，1000］，得出最佳參數c為0.1289，參數g為3.479。

3.3.2 GA和SVM的分類結果

調用svmtrain和svmpredict函數，代入c和g，分別采用多項式核、徑向基核函數、Sigmoid核，得到訓練樣本的準確率和測試樣本的準確率。如表1所示，其中徑向基核函數的GA－SVM分類準確率最高，在實際分類和預測分類圖中，總樣本88個，正確率為80.68%。

表1 GA－SVM分類結果

選取相關性較強的628nm～643nm和689nm～692nm波段作為敏感波段，輸入SVM模型進行訓練，其中參數c默認為2，參數g默認為1，如表2所示，其中徑向基核函數的SVM模型訓練準確率和預測準確率最高，分別為83.798%和79.625%。說明通過GA優化SVM模型的參數c和參數g，可以提高加工番茄早疫病病害嚴重度高光譜遙感的識別精度。

表2 SVM分類結果

4 結束語

基于高光譜遙感數據和田間早疫病調查數據，利用GA優化SVM懲罰參數c和核函數參數g，對加工番茄早疫病病害嚴重度進行識別。得出以下結論：

（1）加工番茄早疫病光譜響應特征為：在可見光波段（350nm～760nm）隨著病害的加重，光譜反射率升高；在近紅外的反射平臺（761nm～1169nm），不同病害嚴重度早疫病的光譜反射率隨著病害的加重而降低；在（1170nm～2500nm）不同病害嚴重度的加工番茄早疫病的光譜反射率隨著病害的加重而升高。

（2）加工番茄早疫病的敏感波段為628nm～643nm和689nm～692nm。

（3）遺傳優化算法得出支持向量機最佳懲罰參數c為0.129，核函數參數g為3.479；

（4）利用多項式核、徑向基核函數、Sigmoid核進行分類訓練和測試，最佳分類模型為徑向基核函數模型，訓練準確率為84.615%，預測準確率為80.681%，高于默認參數c和g的支持向量機模型，GA優化SVM參數提高了病害識別的精度。同時，SVM在輸入向量上融合更多的波段信息。本文為多波段協同病害識別提供了新的思路。

參考文獻：

［1］ 喻樹龍，王健，楊曉光，等.新疆加工番茄適生種植氣候區劃［J］.中國農業氣象，2005，26（4）：268－271.

［2］ NASH A F，GARDNER R G.Tomato early blight resistance in a breeding line derived from Lycopersicon hirsutum PI 126445［J］.Plant Disease，1988，（72）：206－209.

［3］ 趙思峰，廖依學，王昌，等.新疆加工番茄病蟲草害發生概況及綜合防治技術［J］.新疆農業科學，2004，41（5）：274－276.

［4］ 趙英時.遙感應用分析原理與方法［M］.北京：科學出版社，2005.

［5］ KOBAYASHI T，KANADA E，KITADA K，et al.Detection of rice panicle blast with multispectral radiometer and the potential of using airborne multispectral scanners［J］.Phytopathology，2001，91（3）：316－323.

［6］ WANG D，DOWELL F E，LAN Y，et al.Determing pecky rice kernels using visible and near－infrared spectroscopy［J］.International Journal of Food Properties，2002，5（3）：629－639.

［7］ 李波，劉占宇，黃敬峰，等.基于PCA和PNN的水稻病蟲害高光譜識別［J］.農業工程學，2009，25（9）：143－148.

［8］ 劉占宇，孫化生，黃敬峰.基于學習矢量化神經網絡的水稻白穗和正常穗的高光譜識別［J］.中國水稻科學，2007，21（6）：664－668.

［9］ 楊昊諭，于海業，劉煦，等.葉綠素熒光PCA－SVM分析的黃瓜病蟲害診斷研究［J］.光譜學與光譜分析，2010，30（11）：3018－3021.

［10］ 劉良云，黃木易，黃文江，等.利用多時相的高光譜航空圖像監測冬小麥條繡病［J］.遙感學報，2004，8（3）：275－282.

［11］ 黃木易，黃文江，劉良云，等.冬小麥條繡病單葉光譜特性及嚴重度反演［J］.農業工程學報，2004，20（1）：176－181.

［12］ 梁棟，管青松，黃文江，等.基于支持向量機回歸的冬小麥葉面積指數遙感反演［J］.農業工程學報，2013，29（7）：117－123.

［13］ 林卉，梁亮，張連蓬，等.基于支持向量機回歸算法的小麥葉面積指數高光譜遙感反演［J］.農業工程學報，2013，29（11）：139－146.

［14］ 董金臬.農業植物病理學.北方本［M］.北京：中國農業出版社，2001.

［15］ 羅澤舉.支持向量機學習算法及應用研究中的若干問題［D］.中山大學，2006.

［16］ 范昕煒.支持向量機算法的研究及其應用［D］.浙江大學，2003.

［17］ 張睿，馬建文.改進的P－SVM支持向量機與遙感數據分類［J］.遙感學報，2009，13（3）：445－453.

［18］ 宮鵬.遙感科學與技術中的一些前沿問題［J］.遙感學報，2009，13（1）：13－24.

［19］ 雷英杰，張善文，李續武，等.MATLAB遺傳算法工具箱及應用［M］.西安：西安電子科技大學出版社，2005.

［20］ 黃木易，王記華，黃文江，等.冬小麥條繡病的光譜特征及遙感監測［J］.農業工程學報，2003，19（6）：154－158.

［21］ CHANG C C，LIN C J.LIBSVM：A library for support vector machines［EB／OL］.http：／／www.csie.ntu.edu.tw／～cjlin／libsvm，2001.

［22］ YANG L.LIBSVM－faruto ultimate version a toolbox with implements for support vector machines based on libsvm［EB／OL］.http：／／www.ilovematlab.cn，2009.

Hyperspectral Remote Sensing Identification of Processing Tomato Early Blight Based on GA and SVM

YIN Xiao－jun，NING Chuan，ZHANG Yong－cai

（The Institute of Information Science and Technology，Shihezi 832000）

The yield and quality of processing tomato are seriously affected by early blight.Our study area is the main growing area of the north of Tianshan in Xinjiang.Based on the data of hyperspectral remote sensing and the data of survey in the field of early blight，we analyzed the spectral characterization in order to look for the sensitive wave bands and recognized the different disease severity with the genetic algorithm and support vector machine model.The result show that：①Sensitive bands of different disease severity levels of processing tomato early blight is 628nm～643nm and 689nm～692nm.②Using genetic algorithm optimize parameters of support vector machine，we get that the best penalty parameters is 0.129and kernel function parameters is 3.479.③We make classification training and testing by polynomial nuclear，radial basis function nuclear，and sigmoid nuclear，where the best classification model is the radial basis function nuclear of SVM.Training accuracy is 84.615% and testing accuracy is 80.681%.Those are higher than SVM with default parameters.So the method of support vector machine optimized by genetic algorithm has higher accuracy and support vector machine are offered a new idea of combined band to identify disease severity.

genetic algorithm；support vector machine；processing tomato；early blight；blight recognition

10.3969／j.issn.1000－3177.2015.02.017

TP79

A

1000－3177（2015）138－0094－05

2013－12－20

2014－04－24

中國科學院數字地球重點實驗室開放基金項目（2012LDE011）；國家科技支撐計劃項目（2012BAH27B02）；國家自然科學基金項目（31260291）；石河子大學高層次人才基金項目（RCZX201226）。

尹小君（1977～），女，博士，副教授，主要從事資源環境遙感研究。

E－mail：penseyinxj＠163.com