魯軍景, 黃文江, 張競(jìng)成，蔣金豹

1. 中國(guó)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 2. 中國(guó)礦業(yè)大學(xué)(北京)地測(cè)學(xué)院, 北京 100083 3. 北京農(nóng)業(yè)信息技術(shù)研究中心，北京 100097

基于小波特征的小麥白粉病與條銹病的定量識(shí)別

魯軍景1, 2, 黃文江1*, 張競(jìng)成3，蔣金豹2

1. 中國(guó)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 2. 中國(guó)礦業(yè)大學(xué)(北京)地測(cè)學(xué)院, 北京 100083 3. 北京農(nóng)業(yè)信息技術(shù)研究中心，北京 100097

小麥白粉病和條銹病是小麥常發(fā)病害中為害較重的兩種病害，在我國(guó)小麥產(chǎn)區(qū)均有發(fā)生，但它們由不同病原引起，需要采取不同的防治措施。因此，快速、準(zhǔn)確的獲取小麥病害類型信息對(duì)于病害的防治具有重要的指導(dǎo)意義。遙感數(shù)據(jù)具有快速、準(zhǔn)確的獲取空間上連續(xù)信息的特點(diǎn)，提出一種基于實(shí)測(cè)冠層高光譜數(shù)據(jù)信息的小麥病害定量識(shí)別方法。通過對(duì)標(biāo)準(zhǔn)化光譜進(jìn)行連續(xù)小波變換，分析350～1 300 nm范圍內(nèi)各波段及其連續(xù)小波特征與小麥白粉病和條銹病之間的相關(guān)性，以及在不同病害間的差異性，篩選出對(duì)不同病害敏感的光譜波段(SBs)和小波特征(WFs)，然后采用Fisher判別分析法分別基于SBs，WFs以及結(jié)合SBs和WFs建立小麥白粉病、條銹病及正常小麥識(shí)別模型，分別采用未參與建模的55個(gè)地面調(diào)查數(shù)據(jù)和留一法進(jìn)行驗(yàn)證。結(jié)果顯示： (1)基于WFs模型的總體識(shí)別精度(分別為92.7%和90.4%)明顯高于基于SBs模型的總體識(shí)別精度(分別為65.5%和61.5%)； (2)SBs和WFs結(jié)合模型的總體識(shí)別精度(分別為94.6%和91.1%)略高于基于WFs模型的總體識(shí)別精度，在Fisher80-55模型中白粉病和正常樣本的生產(chǎn)者精度提高了10%以上。(3)條銹病樣本能在基于WFs和SBs & WFs的模型中準(zhǔn)確判別出來，用戶精度和生產(chǎn)者精度均達(dá)到100%。結(jié)果表明采用作物光譜信息能夠準(zhǔn)確的識(shí)別健康作物和不同類型的作物病害，為采用遙感影像進(jìn)行大范圍作物病害識(shí)別提供了理論基礎(chǔ)，對(duì)于指導(dǎo)作物病害防治具有實(shí)際應(yīng)用價(jià)值。

白粉??； 條銹??； 光譜波段； 小波特征； Fisher線性判別分析

引 言

農(nóng)作物病害監(jiān)測(cè)主要包括對(duì)單一病害發(fā)生程度的估測(cè)和對(duì)不同病害類型的識(shí)別兩大類。目前，大多數(shù)病害監(jiān)測(cè)主要針對(duì)單一病害的傳統(tǒng)光譜特征(光譜波段、植被指數(shù)、一階微分和連續(xù)統(tǒng)特征)進(jìn)行研究。然而，小麥不同的脅迫常在麥區(qū)同時(shí)發(fā)生，而且大都會(huì)造成枯黃萎蔫等相似的外部形態(tài)特征，但其在防治上需實(shí)施不同的殺菌劑，農(nóng)藥的濫用會(huì)給糧食安全帶來隱患，而且農(nóng)藥殘留還會(huì)污染土壤、地下水等[1]，因此準(zhǔn)確獲取病害發(fā)生的程度和其空間分布是十分必要的。遙感技術(shù)的出現(xiàn)極大地促進(jìn)了動(dòng)態(tài)監(jiān)測(cè)作物病害發(fā)生信息的發(fā)展。目前，一些學(xué)者開始利用高光譜研究小麥不同脅迫類型的區(qū)分。Yuan等[2]嘗試?yán)贸Ｓ玫墓庾V特征區(qū)分小麥條銹病、白粉病和蚜害，分類模型取得了較好的效果，總體精度達(dá)到0.75； Guan等[3]利用(NDVI-PhRI), (MSR-PhRI)和(NRI-RVSI)植被指數(shù)結(jié)合建立二維特征空間成功的區(qū)分小麥白粉病、條銹病和水肥脅迫； Huang等[4]利用RELIEF-F特征提取算法構(gòu)建新的光譜指數(shù)NSIs(HI，PMI，YRI和AI)區(qū)分小麥不同的脅迫類型，結(jié)果表明與新型光譜指數(shù)相比常用光譜指數(shù)在識(shí)別病蟲害方面具有更高的精度和可靠性。目前仍存在冠層尺度病害識(shí)別研究較少、大多利用傳統(tǒng)光譜特征以及病害識(shí)別精度不高等問題。

小波變換是繼傅里葉變換之后又一有效的時(shí)頻分析法[5-6]，主要分為離散小波變換和連續(xù)小波變換(continuous wavelet transform, CWT)兩大類，被不同的領(lǐng)域所采納； 在遙感領(lǐng)域主要使用離散小波變換對(duì)影像數(shù)據(jù)進(jìn)行數(shù)據(jù)濾波、去噪，而連續(xù)小波變換主要應(yīng)用于信號(hào)分析。自Cheng等[7]利用連續(xù)小波變換和傳統(tǒng)方法對(duì)比提取葉片的含水量，發(fā)現(xiàn)CWT能利用高頻信號(hào)和低頻信號(hào)提取光譜敏感信息，一些研究便開始關(guān)注CWT在農(nóng)業(yè)領(lǐng)域的應(yīng)用。Huang等[8]利用CWA(continuous wavelet analysis)得到的葉綠素敏感系數(shù)比相關(guān)性分析得到的系數(shù)高。張競(jìng)成[5-6]研究小麥白粉病葉片光譜特征，發(fā)現(xiàn)連續(xù)小波特征比傳統(tǒng)光譜特征與病情嚴(yán)重度相關(guān)性更強(qiáng)，反演效果更好。

以上研究結(jié)果表明CWA能很好的反應(yīng)作物的病害信息，但還未有利用連續(xù)小波變換對(duì)小麥不同病害進(jìn)行區(qū)分的研究，因此，本研究嘗試在冠層尺度上利用連續(xù)小波特征(wavelet features, WFs)和光譜波段(spectral bands, SBs)對(duì)小麥條銹病(yellow rust, YR)、白粉病(powdery mildew, PM)和正常樣本(CK)進(jìn)行區(qū)分。

1 實(shí)驗(yàn)部分

1.1 實(shí)驗(yàn)地和病情調(diào)查

小麥條銹病和白粉病冠層光譜分別獲取于2003年和2012年冬小麥灌漿期，條銹病試驗(yàn)于小湯山國(guó)家精準(zhǔn)農(nóng)業(yè)示范研究基地，共對(duì)98個(gè)小區(qū)的發(fā)病情況進(jìn)行調(diào)查，其中有72個(gè)發(fā)病區(qū)，26個(gè)未發(fā)病區(qū)； 白粉病試驗(yàn)地位于北京市農(nóng)林科學(xué)院，共對(duì)37個(gè)小區(qū)的發(fā)病情況進(jìn)行調(diào)查，其中有32個(gè)發(fā)病區(qū)，5個(gè)未發(fā)病區(qū)。在每個(gè)調(diào)查小區(qū)內(nèi)均勻的選取大小約為1 m2的五個(gè)樣方，并于每個(gè)樣方內(nèi)隨機(jī)選取20株小麥調(diào)查其發(fā)病程度。田間調(diào)查發(fā)病等級(jí)和病情指數(shù)(disease index, DI)計(jì)算方法參見王紀(jì)華的《農(nóng)業(yè)定量遙感基礎(chǔ)與應(yīng)用》[9]。

1.2 冠層光譜的測(cè)定

采用ASD FieldSpec Pro FR(350～2 500 nm)型光譜儀測(cè)定。光譜分辨率在350～1 000和1 000～2 500 nm范圍內(nèi)分別為3和10 nm。在整個(gè)觀測(cè)過程中嚴(yán)格按照光譜測(cè)量規(guī)范，并及時(shí)使用40 cm×40 cm的BaSO4參考板進(jìn)行校正[9-10]，每一個(gè)采樣點(diǎn)均將20次測(cè)量值平均后作為該點(diǎn)的冠層光譜值。

2 數(shù)據(jù)處理和分析方法

2.1 光譜數(shù)據(jù)的標(biāo)準(zhǔn)化

小麥條銹病和白粉病冠層光譜的品種和土壤環(huán)境都不同，在對(duì)光譜進(jìn)行分析前，為盡量消除這些差異，需將原始光譜標(biāo)準(zhǔn)化[5]

(1)

2.2 連續(xù)小波變換

連續(xù)小波變換是一種能將信號(hào)的頻域和時(shí)域同時(shí)局部化的重要處理方法，利用母小波函數(shù)(Ψ(λ)對(duì)信號(hào)進(jìn)行不同尺度、位置細(xì)化，將1-D的反射率轉(zhuǎn)化成由位置和尺度組成的2-D小波能量圖[11]，而這些小波能量系數(shù)能夠?qū)Σ煌『庾V中的敏感信息進(jìn)行提取[12]。在農(nóng)作物光譜分析中，常用高斯函數(shù)作為母小波函數(shù)。

(2)

式中，Ψ(λ)為母小波函數(shù)，f(λ)為原始光譜反射率，a和b分別為小波的頻率伸縮因子和時(shí)間平移因子。

為計(jì)算方便又不影響CWT的精度，僅保留分解尺度為2n(n=1, 2，…，10) 的小波系數(shù)[7]。每一個(gè)樣本都可以得到大小為951波段×10尺度的不同位置和尺度小波能量系數(shù)矩陣，再整理成每個(gè)尺度下所有樣本的小波系數(shù)矩陣； 然后將該系數(shù)矩陣與DI進(jìn)行相關(guān)性分析，得到每個(gè)尺度下的相關(guān)系數(shù)矩陣951波段×1相關(guān)系數(shù)矩陣。

2.3 區(qū)分不同病害的特征選擇

為提高不同脅迫的區(qū)分精度，需篩選出適于病害區(qū)分的光譜特征。利用以下步驟篩選對(duì)不同病害敏感的連續(xù)小波特征和光譜波段。

(1) 對(duì)兩種病害光譜波段/小波系數(shù)進(jìn)行獨(dú)立樣本T檢驗(yàn)，篩選出對(duì)兩種病害具有顯著差異(p<0.01)的光譜波段/小波系數(shù)。(2) 分別將不同病害的特征與DI進(jìn)行相關(guān)性分析，選取相關(guān)系數(shù)|r|>0.3的光譜波段/|r|最高的1%小波系數(shù)，在此基礎(chǔ)上，與(1)中的特征分別取交集(見表1和表2)，得到與某種病害光譜相關(guān)性強(qiáng)又對(duì)不同病害具有顯著差異的特征。(3) 對(duì)上述光譜波段/小波特征取并集，得到用于區(qū)分不同病害敏感的SBs和WFs。

2.4 小麥不同病害的判別模型

由于2.3節(jié)選取的光譜波段和小波特征冗余性較高，因此進(jìn)一步在SPSS利用主成分分析提取SBs和WFs的主成分建立費(fèi)式線性判別模型(fisher linear discrimination analysis, FLDA)，其中Fisher模型采用兩種不同數(shù)量的樣本進(jìn)行訓(xùn)練和驗(yàn)證，分別為隨機(jī)選取80個(gè)樣本訓(xùn)練，剩余55個(gè)做驗(yàn)證(以下稱為Fisher80-55模型)和交叉留一驗(yàn)證。判別模型的精度評(píng)價(jià)采用總體分類精度(overall accuracy, OA)、用戶精度、生產(chǎn)者精度和kappa系數(shù)四個(gè)指標(biāo)[14]。

3 結(jié)果與討論

3.1 小麥病害光譜標(biāo)準(zhǔn)化

小麥白粉病和條銹病光譜標(biāo)準(zhǔn)化比值曲線見圖1，當(dāng)某波段的比率值接近1時(shí)，表示兩年的數(shù)據(jù)差異逐漸減小，但由于病害冠層光譜獲取的時(shí)間、地點(diǎn)等環(huán)境差異較大，因此比值相對(duì)1有一定的偏離，這也說明數(shù)據(jù)標(biāo)準(zhǔn)化的必要性。

3.2 小麥不同病害的光譜波段和小波特征比較

表1為經(jīng)2.3節(jié)篩選得到的小麥白粉病和條銹病的敏感光譜波段，敏感光譜波段主要位于500～890 nm色素強(qiáng)吸收的位置, 這與黃木易和喬紅波研究的病害冠層光譜響應(yīng)相似，但不同病害的敏感光譜波段交集多、趨勢(shì)一致，這可能是導(dǎo)致后續(xù)判別效果不好的原因。

圖1 基于和的標(biāo)準(zhǔn)化比值曲線

表1 敏感光譜波段

注： PM指只對(duì)白粉病敏感的波段，YR指只對(duì)條銹病敏感的波段，PY指對(duì)白粉、條銹病都敏感的波段。

Note: PM stands for the band only sensitive to powdery mildew; YR stands for the band only sensitive to yellow rust and PY both sensitive to powdery mildew and yellow rust

由2.3節(jié)篩選的小麥白粉病和條銹病的敏感小波特征見表2，兩種病害的小波特征與病情嚴(yán)重度有很強(qiáng)的相關(guān)性，相關(guān)系數(shù)|r|>0.6； 從尺度分析，兩種病害的小波特征主要分布在低尺度(22～24)，分別有兩個(gè)在中尺度(25～26)，白粉病還包含一個(gè)高尺度(尺度為27)的小波特征。從特征分布看，條銹病都分布在可見光色素強(qiáng)吸收的位置，如WF1，WF3，WF6黃光區(qū)，WF2，WF4，WF5，WF7紅光區(qū)，而且還包含了藍(lán)光波段WF8； 白粉病在可見光的5個(gè)特征主要分布在綠峰和紅谷，其他5個(gè)特征也在表征植物細(xì)胞結(jié)構(gòu)的近紅外區(qū)域，Cheng等[7]發(fā)現(xiàn)CWT對(duì)光譜的分解能夠有效的減弱葉片結(jié)構(gòu)的影響，而這些分布在近紅外的特征在光譜波段中并未體現(xiàn)； WF5和WF9為水分的強(qiáng)吸收谷點(diǎn)。這些小

波特征能夠敏感的捕獲小麥?zhǔn)苊{迫后色素、水分、形態(tài)和結(jié)構(gòu)的變化。但小波特征與光譜波段位置略有不同，且交集較少，可能是因?yàn)檫B續(xù)小波變換是在不同位置利用不同的尺度對(duì)整條光譜進(jìn)行分析，詳盡的統(tǒng)計(jì)搜索標(biāo)識(shí)最敏感的特征，從某種程度上突出了目標(biāo)信息的變化，進(jìn)而得到對(duì)不同病害最敏感的多尺度、位置小波特征。

表2 敏感小波特征的位置和尺度參數(shù)

3.3 小麥白粉病、條銹病和健康樣本的判別

基于SBs，WFs和SBs & WFs的Fisher80-55模型和交叉留一驗(yàn)證模型混淆矩陣和精度評(píng)價(jià)結(jié)果見表3。此外，由于Fisher交叉留一驗(yàn)證模型是基于不同的觀察值進(jìn)行判別，無法建立統(tǒng)一的Fisher典則判別散點(diǎn)圖，因此只給出Fisher80-55模型中根據(jù)Fisher典則判別函數(shù)建立的組分布圖[圖2 (a), (b), (c)]分別為SBs，WFs和SBs & WFs作為輸入的組分布圖)。

表3 混淆矩陣和識(shí)別結(jié)果

續(xù)表3

小波特征PM14011593.392.70.8926063284.390.40.84YR025025100072072100CK30121580.070243177.4sum17251355337230135P.sa.(%)74.310080.774.310080.7結(jié)合PM14011593.394.60.9228043287.591.10.85YR025025100072072100CK20131586.780233174.2sum16251455367227135P.sa.(%)87.510092.977.810085.2

圖2 Fisher80-55模型的典則判別函數(shù)組分布圖

從總體精度上看，兩模型的小波特征判別精度優(yōu)于光譜波段，OAA分別為92.7%，90.4%和65.5%，61.5%, 圖2(a)和(b)的對(duì)比可以更直觀的看出WFs對(duì)不同脅迫類型區(qū)分的優(yōu)勢(shì)，這主要是由于兩病害脅迫的光譜波段交集太多，而小波特征呈現(xiàn)出不同的趨勢(shì)，能夠兼顧位置和尺度將光譜曲線直接與病情相聯(lián)系, 突顯出光譜信息的微弱變化，從而做到位置和尺度的最優(yōu)化[5]，這與Cheng等的利用CWA監(jiān)測(cè)葉片含水量結(jié)果一致； 而Fisher80-55的分類結(jié)果略高于交叉留一驗(yàn)證的結(jié)果，這可能與選取樣本的隨機(jī)性有關(guān)，但其精度相差不大。從混淆矩陣中發(fā)現(xiàn)光譜波段對(duì)白粉病的區(qū)分精度在70%左右，因此將光譜波段與小波特征結(jié)合作為輸入，發(fā)現(xiàn)兩模型的OA，AA和Kappa系數(shù)均有一定程度的提高； 而且在Fisher80-55模型中，基于SBs & WFs的白粉病和正常樣本的生產(chǎn)者精度比基于WFs的生產(chǎn)者精度提高了10%以上； 圖2(c)更直觀的看出PM和CK組重心間距變大，每一類別都更加集中。當(dāng)關(guān)注不同病害的分類精度時(shí)，在基于WFs和SBs & WFs的模型中都能較準(zhǔn)確的判別出條銹病，用戶精度和生產(chǎn)者精度均達(dá)到100%； 對(duì)于白粉病和正常樣本，在基于SBs & WFs的Fisher80-55模型中，用戶精度和生產(chǎn)者精度也均在90%左右。

4 結(jié) 論

在進(jìn)行光譜分析前，通過光譜標(biāo)準(zhǔn)化消除了背景差異帶來的影響，經(jīng)相關(guān)性分析、獨(dú)立樣本T檢驗(yàn)等方法驗(yàn)證了在冠層尺度利用連續(xù)小波特征進(jìn)行病害區(qū)分的可行性。結(jié)果表明，結(jié)合光譜波段和小波特征的區(qū)分精度最高(94.6%和91.1%)； 而且基于小波特征的總體分類精度(92.7%和90.4%)明顯優(yōu)于光譜波段(65.5%和61.5%)； 對(duì)于不同病害的識(shí)別，條銹病在基于WFs和SBs & WFs的模型中都能較準(zhǔn)確的判別出來，用戶精度和生產(chǎn)者精度均達(dá)到100%。這對(duì)不同病害的識(shí)別、區(qū)分和噴灑相應(yīng)殺菌劑進(jìn)行治理具有重要意義。但是在做光譜曲線的標(biāo)準(zhǔn)化時(shí)并未考慮時(shí)間、光照等差異的影響，而且只是在小麥的灌漿期進(jìn)行研究。因此，該方法的普適性和外延性仍需進(jìn)一步試驗(yàn)和研究。

[1] Sankaran S, Mishra A, Ehsani R, et al. Computers and Electronics in Agriculture, 2010, 72(1): 1.

[2] YUAN Lin, ZHANG Jing-cheng, ZHAO Jin-ling, et al(袁 琳, 張競(jìng)成, 趙晉陵, 等). Spectroscopy and Spectral Analysis(光譜學(xué)與光譜分析), 2013, 33(6): 1608.

[3] Guan Q S, Huang W J, Jiang J B, et al. Sensor Letters, 2014, 12: 1.

[4] Huang W J, Guan Q S, Luo J H, et al. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(6): 2516.

[5] Zhang J C, Pu R L, Huang W J, et al. Field Crop Research, 2012b, 134: 165.

[6] Zhang J C, Yuan L, Pu R L, et al. Computers and Electronics in Agriculture, 2014, 100: 80.

[7] Cheng T, Rivard B, Sanchenz-Azofeifa G A. Remote Sensing of Environment, 2011, 115(2): 662.

[8] Huang L S, Zhang D Y, Liang D, et al. International Journal of Agriculture & Biology, 2013, 15(1): 34.

[9] WANG Ji-hua, ZHAO Chun-jiang, HUANG Wen-jiang(王紀(jì)華，趙春江，黃文江). Theory and Application of Advanced Remote Sensing in Agriculture(農(nóng)業(yè)定量遙感基礎(chǔ)與應(yīng)用). Beijing： Science Press(北京： 科學(xué)出版社), 2008.

[10] HUANG Wen-jiang(黃文江). Mechanism and Application of Crop Disease Monitoring Using Remote Sensing(作物病蟲害遙感監(jiān)測(cè)機(jī)理與應(yīng)用). Beijing: China Agricultural Scientech Press(北京： 中國(guó)農(nóng)業(yè)科學(xué)技術(shù)出版社)，2009.

[11] Cheng T, Rivard B, Sanchenz-Azofeifa G A, et al. Remote Sensing of Environment, 2010, 114(4): 902.

[12] Bruce L M, Li J. IEEE Transactions on Geoscience and Remote Sensing, 2001, 39(7): 1540.

[13] Jolliffe I T. Principal Component Analysis, Springer, 2002.

[14] ZHAO Ying-shi(趙英時(shí)). Analysis Principle and Applications of Remote Sensing(遙感應(yīng)用分析原理與方法). Beijing: Science Press(北京： 科學(xué)出版社)，2003.

*Corresponding author

(Received Apr. 13, 2015; accepted Aug. 8, 2015)

Quantitative Identification of Yellow Rust and Powdery Mildew in Winter Wheat Based on Wavelet Feature

LU Jun-jing1, 2, HUANG Wen-jiang1*, ZHANG Jing-cheng3, JIANG Jin-bao2

1. Key Laboratory of Digital Earth Science, Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100094, China 2. College of Resource Science and Technology, China University of Mine and Technology, Beijing 100083, China 3. Beijing Agriculture Information Technology Research Center, Beijing 100097, China

Powdery mildew (Blumeria graminis) and stripe rust (Puccinia striiformis f. sp. Tritici) are two of the most prevalent and serious winter wheat diseases in the field, which caused heavy yield loss of winter wheat all over the world. It is necessary to quantitatively identify different diseases for spraying specific fungicides. This study examined the potential of quantitative distinction of powdery mildew and yellow rust by using hyperspectral data with continuous wavelet transform at canopy level. Spectral normalization was processing prior to other data analysis, given the differences of the groups in cultivars and soil environment. Then, continuous wavelet features were extracted from normalized spectral bands using continuous wavelet transform. Correlation analysis and independent t-test were used conjunctively to obtain sensitive spectral bands and continuous wavelet features of 350～1 300 nm, and then, principal component analysis was done to eliminate the redundancy of the spectral features. After that, Fisher linear discriminant models of powdery mildew, stripe rust and normal sample were built based on the principal components of SBs, WFs, and the combination of SBs & WFs, respectively. Finally, the methods of leave-one-out and 55 samples which have no share in model building were used to validate the models. The accuracies of classification were analyzed, it was indicated that the overall accuracies with 92.7% and 90.4% of the models based on WFs, were superior to those of SFs with 65.5% and 61.5%; However, the classification accuracies of Fisher 80-55 were higher but no different than leave-one-out cross validation model, which was possibly related to randomness of training samples selection. The overall accuracies with 94.6% and 91.1% of the models based on SBs & WFs were the highest; The producer’ accuracies of powdery mildew and healthy samples based on SBs & WFs were improved more than 10% than those of WFs in Fisher 80-55. Focusing on the discriminant accuracy of different disease, yellow rust can be discriminated in the model based on both WFs and SBs & WFs with higher accuracy; the user’ accuracy and producer’ accuracy were all up to 100%. The results show great potential of continuous wavelet features in discriminating different disease stresses, and provide theoretical basis for crop disease identification in wide range using remote sensing image.

Powdery mildew; Stripe rust; Spectral Bands; Wavelet Features; Fisher linear discrimination analysis

2015-04-13，

2015-08-08

國(guó)家自然科學(xué)基金項(xiàng)目(41271412)項(xiàng)目和中國(guó)科學(xué)院百人計(jì)劃項(xiàng)目資助

魯軍景，女，1989年生，中國(guó)科學(xué)院遙感與數(shù)字地球研究所和中國(guó)礦業(yè)大學(xué)(北京)碩士研究生 e-mail: junjing2@sina.com *通訊聯(lián)系人 e-mail: huangwenjiang@gmail.com

S132

A

10.3964/j.issn.1000-0593(2016)06-1854-05