結合HJ衛星影像和最小二乘孿生支持向量機的小麥蚜蟲遙感監測

胡根生，吳問天,3，羅菊花，黃文江,3*，梁棟，黃林生

（1.安徽大學安徽省農業生態大數據工程實驗室，合肥230601；2.安徽大學電子信息工程學院，合肥230601；3.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；4.中國科學院南京地理與湖泊研究所，南京210008）

結合HJ衛星影像和最小二乘孿生支持向量機的小麥蚜蟲遙感監測

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.安徽大學安徽省農業生態大數據工程實驗室，合肥230601；2.安徽大學電子信息工程學院，合肥230601；3.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；4.中國科學院南京地理與湖泊研究所，南京210008）

為了準確、及時地監測小麥蚜蟲發生情況，利用野外定位調查數據及環境與災害監測預報小衛星星座HJCCD和HJ-IRS影像數據，在北京市通州區和順義區小麥蚜蟲發生的關鍵生育期（灌漿期），提取對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建立該研究區的小麥蚜蟲監測模型，并與傳統支持向量機、費歇爾線性判別分析和學習矢量量化神經網絡模型的監測結果進行對比。結果表明：最小二乘孿生支持向量機模型的總體監測精度達到86.4%，優于傳統支持向量機模型（77.3%）、費歇爾線性判別分析模型（77.3%）和學習矢量量化神經網絡模型（72.7%），取得了較好的監測效果。

衛星影像；遙感監測；小麥蚜蟲；最小二乘孿生支持向量機

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.

農作物病蟲害是影響農業產量的主要因素之一。中國作為一個農業大國，農作物病蟲害發生種類多、影響廣，其中，小麥蚜蟲幾乎每年都會發生，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，嚴重危害小麥的生長發育。此外，小麥蚜蟲還會分泌蜜露，附著在葉表面，對小麥的光合作用產生干擾，引起煤污病，最終導致小麥減產[3]。因此，及時準確地監測小麥蚜蟲，可以精準地指導農業生產者對蟲害進行防治，減少糧食產量的損失，同時也可以減少盲目施藥對環境產生的污染。

傳統的田間取樣和目測方式監測小麥蚜蟲費時、費力，不具有代表性，且時效性差。由于小麥蚜蟲的發生和流行除了跟小麥品種和田間管理有關以外，還跟小麥生長過程中的溫度和濕度等環境條件密切相關，因此，目前很多蚜蟲監測研究都是基于氣象數據開展的，通過提取氣象因子進行建模預測[4-6]。在實際應用中，氣象數據主要由氣象站點提供，在空間上并不連續。同時，由于受到地形、人類活動等因素的影響，氣象數據無法準確地描述連續空間上的氣象條件。因此，使用氣象數據無法準確地監測蚜蟲的具體發生位置及范圍。

植物在病蟲害侵染下會發生生理、生化狀態的改變，并表現在不同光譜波段上的吸收和反射特性的改變[7]，因而，利用遙感多光譜數據構建植被指數對農作物病蟲害進行監測在農業植保領域具有重要意義。PRABHAKAR等[8]發現，對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，對于感染嚴重的植株，除了藍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（green normalized difference vegetation index,GNDVI）和土壤調節植被指數（soil-adjusted vegetation index,SAVI）對作物病蟲害進行了監測。競霞等[10]利用重歸一化植被指數（re-normalized difference vegetation index,RDVI）和差值植被指數（difference vegetation index,DVI）構建棉花黃萎病模型，估測棉花黃萎病的病情程度。為實現作物病蟲害的遙感識別和程度區分，除了選擇敏感的植被指數外，還需要選取合適的識別和區分算法。劉占宇[11]利用支持向量分類機（support vector classifier,SVC）和學習矢量量化（learning vector quantization,LVQ）神經網絡等分類方法，對水稻病蟲害的不同危害等級進行分類。靳寧[12]利用支持向量機對棉花黃萎病的發病程度進行了區分。聶臣巍等[13]利用支持向量機和費歇爾線性判別分析（Fisher linear discriminant analysis,FLDA）對小麥白粉病的發病程度進行了識別。以上方法雖然都取得了較好的識別精度，但各算法仍然存在一些不足，從而限制了其廣泛應用，如：神經網絡方法的學習參數及結構模型具有很大的不確定性，且需要大量的已知樣本進行訓練，在使用進化方法計算時，可能會出現收斂時間過長等問題；費歇爾線性判別法擅長解決線性可分問題，但在實際分類訓練過程中，如果不同種類的樣本數彼此之間差距太大，則會導致分類器的分類性能下降。

支持向量機是一種基于統計學習理論的機器學習方法，和神經網絡相比，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，支持向量機算法的訓練時間較長，對大規模訓練樣本難以實施。隨著對支持向量機研究的深入，JAYADEVA等[14]提出了孿生支持向量機（twin support vector machine,TSVM），它通過求解2個規模較小的二次規劃問題，對大規模不均衡數據具有很好的處理能力，并且可以獲得具有更強魯棒性的最優超平面，有效提高了分類精度。在孿生支持向量機基礎上，利用最小二乘算法可以把不等式約束條件轉化成等式約束，簡化了運算的復雜度。因此，本文利用最小二乘孿生支持向量機（least squares twin support vector machine,LSTSVM）算法，以HJ衛星遙感影像數據反演出的小麥長勢因子和生境因子作為輸入參數，建立小麥蚜蟲的遙感監測模型，對小麥蚜蟲發生情況進行監測，在提高監測精度的同時，增加監測模型的普適性。

1 研究方法

1.1 影像預處理與小麥種植區提取

近年來，中國環境與災害監測預報小衛星星座HJ-1A/1B的發射升空為區域尺度上的作物病蟲害遙感監測提供了寶貴的影像數據，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]，非常適合用于農業病蟲害的遙感監測。

選擇北京市順義區（116°32′—116°56′E，39° 62′—40°02′N）和通州區（116°28′—116°58′E，40° 00′—40°18′N）為本研究區。該區域主要農作物為冬小麥，種植面積較大，種植結構較為簡單；該地區也是小麥蚜蟲的易發區域。環境衛星影像數據的獲取時間分別為2010年5月13日（時相1）和2010年5月20日（時相2），均處于小麥生長和蚜蟲危害的關鍵期。該區域小麥蚜蟲發病情況的實地調查時間為2010年6月5日，共54個調查點，并記錄經緯度信息和蟲害發生情況。根據實地調查數據將研究區域蟲害狀態分為2類：健康和發生蚜蟲。

數據預處理包括對影像進行輻射定標、大氣校正、幾何校正以及研究區裁剪，預處理過程都在ENVI 5.1軟件中實現。以一景經過差分全球定位系統控制點矯正過的研究區域航拍照片為參考影像，對HJ-CCD和HJ-IRS影像進行幾何精校正，保證影像的校正誤差在半個像元以內。影像預處理結束后，對研究區小麥種植區進行提取，具體方法為：以2010年5月20日的HJ-CCD數據作為基準影像，利用歸一化植被指數（normalized difference vegetation index,NDVI）對植被的特殊敏感性，通過設置NDVI閾值將植被和非植被區域分開。在研究區域植被中，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，通過設置近紅外反射率閾值可以將草地從研究區域中剔除。研究區域中森林的地理位置在北京市西北側的山區，通過設置數字高程模型（digital elevation model,DEM）閾值可以將作物和森林分離[16]。最后利用ENVI 5.1中的最大似然法對小麥種植區域進行提取，提取的總體精度達到90%以上。

1.2 最小二乘孿生支持向量機理論

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

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

把約束條件帶入目標函數可以求得：

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個超平面方程分別對應一類訓練樣本，判斷一個新樣本x∈Rn為類i的決策函數如下：

建立在目標函數和訓練樣本分布之間關系的聚類假設是學習的關鍵，與傳統的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把訓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練樣本之間的親密關系。

1.3 最小二乘孿生支持向量機模型構建

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

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

1.4 特征提取

小麥受蚜蟲侵染后會在外部形態和內部生理上發生變化，如出現葉片變黃、枯萎、葉綠素含量下降等癥狀，無論是形態還是生理的變化，都會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學運算提取出對植物長勢具有指標意義的植被指數。例如，與生物量和色素吸收有關的紅（RR）、綠（RG）和近紅外（RNIR）波段的反射率，本文將其候選為監測模型的輸入變量。同時，歸一化植被指數（NDVI）、綠度歸一化植被指數（GNDVI）、歸一化差異綠度指數（normalized difference greenness index,NDGI）、重歸一化植被指數（RDVI）和三角植被指數（triangular vegetation index,TVI）共5個基于多光譜數據構建的植被指數用于后續分析。其中：NDVI、GNDVI能表征植被長勢信息和植被覆蓋度[17]，對作物的長勢監測十分有效；NDGI靈敏性強，對作物生長活力的監測有效，可以對不同活力植被形式進行監測；RDVI可用于不同高低植被覆蓋度下的作物生長監測；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、表達式及文獻出處。

表1 用于小麥蚜蟲監測研究的多光譜植被指數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境因素對小麥蚜蟲病的發生有著較大的影響，適宜的溫度（16～25℃）有利于蚜蟲的大量繁殖，干燥的天氣會導致作物含水量降低，營養物質相對變多，有利于蚜蟲的生長發育；同時，干燥的天氣也有利于蚜蟲的遷徙擴散和繁殖蔓延，最終導致蚜蟲的發生量增大。因此，除了上述多光譜植被指數之外，本文還提取了小麥的生境因子作為監測模型的輸入。所提取的生境因子包括利用HJ-IRS數據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（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呈現近似線性的分布（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為土壤線在縱坐標上的截距。根據土壤線公式，構建的垂直干旱指數（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]。

相關分析能夠對2個變量直接的依存關系進行評價并量化。因此，為了進一步了解并提取用于小麥蚜蟲監測的特征，本文采用獨立樣本t檢驗對所選特征在時相1和時相2時期與健康及發生蟲害樣本的差異性進行檢驗，篩選出對蟲害信息敏感的特征因子。表2匯總了t檢驗的分析結果，各個特征除RNIR、NDGI、RDVI和TVI外，均表現出對蟲害的敏感性。為了讓入選的光譜特征能夠對小麥蚜蟲病情具有較強的響應，選取置信度達到0.999水平的特征因子作為監測模型的輸入變量進行后續建模分析，選取的特征包括：RR（時相1），NDVI（時相1），GNDVI（時相1），LST（時相2），PDI（時相2）。樣本集分為訓練集和驗證集。本文實地調查了54個樣本數據，將其中32個樣本構成訓練集，剩下的22個樣本構成驗證集。

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

2 結果與分析

本文基于地面調查數據，對提取出的小麥長勢因子和生境因子作為監測模型的輸入變量，分別用最小二乘孿生支持向量機（LSTSVM）、傳統支持向量機（SVM）、費歇爾線性判別分析（FLDA）、學習矢量量化（LVQ）神經網絡進行小麥蚜蟲監測建模，得出的監測結果如圖1所示。

圖1 4種模型監測結果Fig.1 Monitoring results of four models

實地調查數據顯示：2010年北京市通州區和順義區小麥蚜蟲會較大面積發生，且通州區的蚜蟲發生面積大于順義區；在研究區域實地調查點的54份樣本中，染病樣本共17個，發病率為31.5%。其中，順義區共有35個樣本點，7個樣本點發生蟲害，28個樣本點健康，發病率為20.0%；通州區共有19個樣本點，其中10個樣本點發生蟲害，9個樣本點健康，發病率為52.6%，明顯高于順義區的發病率。另外，從中國氣象科學數據共享服務網獲取的北京市通州區和順義區2010年5月份的氣象數據顯示，在小麥灌漿期，通州區5月份的日平均氣溫高于順義區，且通州區5月上旬少雨干旱，有利于蚜蟲的繁殖生長。由此可以推斷，通州區的發病面積將大于順義區的發病面積。從4個監測模型的結果來看，通州區的蟲害發生面積均大于順義區的蟲害發生面積，這和實地調查數據以及氣象數據的結果一致。

利用ArcGIS軟件對4種模型監測出的結果進行統計分析發現，LSTSVM、SVM、FLDA和LVQ神經網絡模型監測發生蟲害的面積分別占種植區域面積的30.3%、27.5%、39.9%和22.2%（表3）。由此可以看出，LSTSVM模型的監測結果和實地調查點的發病情況最為接近，更能反映出小麥蚜蟲的實際發病情況。SVM和LVQ神經網絡模型的監測結果偏低于實地調查點的發病情況，而FLDA模型的監測結果高于實地調查點的發病情況。表3列出了通州區和順義區小麥種植區域的像元分類情況。

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

利用實地調查樣本中作為驗證集的22個點的數據對模型進行進一步驗證，小麥蚜蟲發病監測的總體精度、錯分誤差和卡帕（Kappa）系數見表4。從中可以看出，4種模型的總體精度都達到了70%以上。LSTSVM、SVM、FLDA和LVQ神經網絡監測模型的總體精度分別為86.4%、77.3%、77.3%和72.7%，蟲害地塊的錯分誤差分別為12.5%、25.0%、30.3%和20.0%，卡帕系數分別為0.71、0.52、0.54和0.39。結果表明，基于LSTSVM算法監測模型的總體精度最高，錯分誤差最小，卡帕系數最大。從錯分誤差結果可以看出，FLDA模型易將健康區域識別為蟲害區域，對蟲害的發生面積存在過估計現象，而SVM和LVQ神經網絡模型則易將發病區域識別為健康區域，對蟲害的發生面積存在低估計現象。同時，LVQ神經網絡模型的總體精度在4個模型中最低，說明該模型在只有少量訓練樣本的情況下，分類效果較差。無論是過高還是過低的監測結果都會對實際的病蟲害防治工作帶來影響。以上結果表明，基于LSTSVM小麥蚜蟲監測模型的準確度更高，泛化能力更強，為利用遙感影像準確監測小麥蚜蟲的發生情況提供了一種有效方法和技術支持。

表4 4種模型的驗證結果Table 4 Validation results of four models

3 結論

本文給出的最小二乘孿生支持向量機把孿生支持向量機的不等式約束條件轉化成等式約束，簡化了運算復雜度，同時以遙感數據反演出的小麥長勢因子和生境因子作為輸入參數，利用國產環境衛星遙感影像建立小麥蚜蟲監測模型，對北京市順義區和通州區的小麥蚜蟲發生情況進行監測，并且與SVM、FLDA和LVQ神經網絡算法的監測結果進行了比較分析。結果表明，本文所用方法的監測精度達到了86.4%，遠超SVM、FLDA和LVQ神經網絡算法的監測精度（77.3%、77.3%和72.7%），取得了很好的監測效果。

監測小麥蚜蟲的發生情況能夠有效地指導農業生產者對發病區域采取針對性的防治措施，不僅可以解決由于病蟲害導致的糧食減產問題，同時，還能減少由于過度使用農藥而造成的生態和食品安全問題，對保障糧食產量和保護環境有著深遠的意義。在接下來的研究中，將考慮結合氣象數據或者更高分辨率的遙感數據進行建模，例如采用國產高分系列衛星影像，利用獲得的遙感數據結合更加精細的氣象因子對小麥蚜蟲進行監測。

[1]羅菊花.基于多源數據的小麥蚜蟲遙感監測預測研究.北京:北京師范大學,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.作物病蟲害遙感監測與預測.北京:科學出版社,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.農業工程學報,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分及病情反演研究.光譜學與光譜分析,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測.農業工程學報,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測研究.杭州:浙江大學, 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別及遙感監測研究.南京:南京信息工程大學,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測方法.植物病理學報，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衛星CCD數據的冬小麥病蟲害面積監測.農業工程學報,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.多源遙感數據小麥病害信息提取方法研究.杭州:浙江大學,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]王紀華,趙春江,黃文江,等.農業定量遙感基礎與應用.北京:科學出版社,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衛星圖像水稻種植面積的識別分析.地球信息科學學報,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田干旱遙感監測.北京:北京大學,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模擬數據反演地表溫度的兩種單通道算法.自然科學進展,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

國家自然科學基金（61672032，41271412）；安徽省自然科學基金（1408085MF121，1608085MF139）；安徽省科技計劃項目（16030701091，1604A0702016）；中國科學院國際合作局對外合作重點項目（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