王愛芳 張運(yùn) 孟孟 沈豪

摘要：基于水稻冠層高光譜數(shù)據(jù)和樣點植株理化數(shù)據(jù)，首先利用連續(xù)小波分析、灰度共生矩陣等方法提取高光譜圖像的圖譜特征，并對主要理化指標(biāo)和病害程度做相關(guān)性分析，然后通過Relief F算法對多特征進(jìn)行優(yōu)選，最后建立不同核的支持向量機(jī)分類模型。結(jié)果表明：理化特征參與下的分類精度較高，通過Relief F算法篩選得到的最優(yōu)特征中四項理化特征均在內(nèi)，最后精度達(dá)到0.95。研究證實了理化參數(shù)對稻曲病識別的重要作用，可以為大田水稻病害監(jiān)測提供新思路。

關(guān)鍵詞：稻曲?。桓吖庾V識別；連續(xù)小波分析；支持向量機(jī)

中圖分類號：TP751文獻(xiàn)標(biāo)志碼：A文章編號：1001-2443（2023）03-0259-10

引言

水稻病蟲害的及時監(jiān)測和預(yù)警對提高水稻產(chǎn)量和質(zhì)量十分重要［1-2］。傳統(tǒng)監(jiān)測方法多為目測手查、單點監(jiān)測，真實性高，但主觀性強(qiáng)、滯后性大。所以傳統(tǒng)調(diào)查方法無法滿足大范圍病蟲害監(jiān)測和及時預(yù)警需求［3］。

常規(guī)衛(wèi)星傳感器波段寬、分辨率低，難以對作物局部細(xì)微變化實施有效探測。高光譜技術(shù)的優(yōu)勢在于能夠在宏觀尺度上提供更精細(xì)的光譜分辨率，在細(xì)微之處察覺作物的“微表情”，為各類病蟲害脅迫區(qū)分提供詳細(xì)的信息［4-6］。由于這些信息存在特異性，在光譜、紋理等層面得到反映，所以基于高光譜數(shù)據(jù)找到光譜、紋理等特征是作物病蟲害識別的重要途徑。于豐華等利用連續(xù)投影等方法進(jìn)行高光譜特征波段篩選，構(gòu)造了僅包含3個波段的優(yōu)化指數(shù)，得到了相比IDB數(shù)據(jù)庫更優(yōu)的寒地水稻葉片葉綠素含量反演結(jié)果［7］。Zhang等也指出通過原始條帶的代數(shù)組合，強(qiáng)調(diào)了植物一些重要的生物物理特性或功能［8］。Mamata G等采用K-means聚類和GLCM技術(shù)得到芒果葉片病害的紋理特征，為芒果葉片病害的鑒別提供依據(jù)［9］。郭小清等選取不同灰度級下0°、45°、90°和135°的能量、對比度等紋理特征參數(shù)實現(xiàn)了番茄葉部病害的分類［10］。高光譜成像數(shù)據(jù) “圖譜合一”的優(yōu)勢使其成為研究重點。閆明壯等基于綠蘿高光譜圖像分別提取光譜和紋理特征，建立基于單一特征和基于特征融合的識別模型，實驗表明基于特征融合的模型分類效果最佳［11］。Huang等基于小麥高光譜圖像提取了12個特征波譜、4個紋理特征和9個顏色特征，采用PSO-SVM方法建立多特征組合的小麥赤霉病診斷模型，達(dá)到了較好的效果［12］。

以上研究表明高光譜技術(shù)能有效實現(xiàn)病蟲害的識別，但多集中于提取“圖”和“譜”特征。如果作物特有的理化參數(shù)和結(jié)構(gòu)參數(shù)能夠被恰當(dāng)?shù)剡x擇為分類變量，將會大幅提高識別精度。因此，本研究考慮水稻稻曲病脅迫下特有的理化特征，利用多種特征提取方法構(gòu)建稻曲病脅迫識別特征集，結(jié)合支持向量機(jī)分類器完成目標(biāo)分類，以期從內(nèi)部層面為稻曲病的診斷提供理論依據(jù)。

1數(shù)據(jù)與方法

1.1 數(shù)據(jù)資料

研究區(qū)位于弋江區(qū)白馬街道東莊村，隸屬于安徽省蕪湖市，地理坐標(biāo)為118°23′45′′E，31°11′04′′N（如圖1）。區(qū)域內(nèi)亞熱帶季風(fēng)氣候特征顯著，雨熱同期，有利于優(yōu)質(zhì)稻米的生長。研究使用華測P550 Pro六旋翼無人機(jī)為遙感平臺，搭載Resonon高光譜成像系統(tǒng)捕獲水稻冠層影像。該系統(tǒng)中Pika L高光譜相機(jī)的技術(shù)指標(biāo)如表1。整套無人機(jī)采集系統(tǒng)使用大疆如影云平臺，以保證在機(jī)載拍攝過程中能夠承受高速運(yùn)動過程中的風(fēng)阻和慣性，時刻提供穩(wěn)定的影像。

數(shù)據(jù)采集于2021年8月25日—29日。時間為10：00—15：00，此時太陽高度角大，無風(fēng)。通過地面站軟件CHCNAV規(guī)劃航線，設(shè)置飛行高度為60m，飛行速度為3m/s，旁向重疊率為85%，得到2cm分辨率的田塊影像。

考慮到樣本的代表性與合理性，采樣點隨機(jī)均勻分布，覆蓋全部研究地塊。由于采集的是水稻冠層信息，以1m×1m的范圍為樣方大小，盡量選擇在田塊中心以保證樣方內(nèi)水稻的均一性，地面樣方選取完成后，在每個樣方相同對應(yīng)位置以紅色塑料袋標(biāo)桿做標(biāo)記，并手繪樣點分布圖供后續(xù)幾何定位參考。

采用安徽省稻曲病測報調(diào)查規(guī)范對研究區(qū)內(nèi)稻曲病樣本受害等級進(jìn)行劃分［13］，共分為3級，如表2所示。

采用TYS-4N多參數(shù)測定儀測量水稻植株的理化參數(shù)，包括葉綠素含量、含氮量、葉片溫度和濕度?；谖妩c取樣法分別測量每株稻株的劍葉和倒三葉，取每片葉片尖端、中部和尾部三處位置均值作為該樣點水稻冠層理化值。實驗中一共采集了155個樣點，依據(jù)7∶3比例將其分為訓(xùn)練樣本和驗證樣本。

1.2 研究方法

1.2.1 數(shù)據(jù)預(yù)處理 高光譜數(shù)據(jù)預(yù)處理是基于ENVI以及高光譜成像儀配套軟件Airlion Division和Megacube完成，主要進(jìn)行高光譜數(shù)據(jù)的輻射定標(biāo)、幾何校正和拼接裁剪等工作。研究是通過在實驗區(qū)設(shè)置的紅色標(biāo)志物來獲取具體樣本位置和范圍的。由于無人機(jī)高光譜影像數(shù)據(jù)空間分辨率為0.02m，地面調(diào)查實驗中樣方大小為1m×1m，所以在數(shù)據(jù)分析時采用ROI工具，根據(jù)地面采樣點在影像對應(yīng)位置構(gòu)建感興趣區(qū)，以ROI內(nèi)平均光譜反射率作為該樣點光譜反射率［14-15］?；谙裨信d趣區(qū)均值處理可以最大化降低單個像元幾何定位誤差。利用S-G算法對光譜曲線進(jìn)行平滑，降低隨機(jī)噪聲干擾。由于數(shù)據(jù)兩端受到較大噪聲干擾呈現(xiàn)劇烈起伏，故截取400-910nm范圍內(nèi)的光譜進(jìn)行分析［16］。從TYS-4N多參數(shù)測定儀中導(dǎo)出測得樣點理化數(shù)據(jù)，在Excel中進(jìn)行整理。

1.2.2 特征提取及優(yōu)選 研究首先基于Python、MATLAB等程序提取光譜反射率的主成分特征、連續(xù)投影特征和連續(xù)小波特征。并對主要理化指標(biāo)和高光譜做相關(guān)性分析，獲取基于理化參數(shù)的敏感特征波段。其次計算特征圖的灰度紋理特征。

Relief F算法是由KONONENKO在Relief算法上擴(kuò)展而來的可以處理多分類問題的一種算法，其原理與Relief算法類似［17-18］。具體實現(xiàn)過程如下［19］：

（1）初始化權(quán)值矩陣向量W=0；

（2）對于特征A，從所有樣本中隨機(jī)取出一個樣本[Ri]，在與該樣本相同分類的樣本組內(nèi)，取出k個最鄰近樣本[H]和k個不同類樣本[M]；

（3）依據(jù)公式不斷更新該特征的權(quán)重，循環(huán)至m次直至所有樣本依次計算完畢，得到單個特征的最終權(quán)值。

式中，[pC]是該類別的比例，[pclassRi]是隨機(jī)選取某樣本類別的比例，[dA，Ri，Hi]是[Ri]和[Hi]在特征A上的歸一化距離。

1.2.3 病害分類 支持向量機(jī)算法的最大優(yōu)點在于能夠求解小樣本和非線性高維模式識別問題，精度高、學(xué)習(xí)能力強(qiáng)。網(wǎng)格搜索法通過遍歷給定的參數(shù)組合優(yōu)化模型，減少獲得最優(yōu)參數(shù)的偶然性，具有一定的說服力［20］。本研究使用網(wǎng)格搜索法首先確定不同核函數(shù)的最佳參數(shù)，再進(jìn)行不同核函數(shù)的分類對比。

2 結(jié)果與分析

2.1 特征提取

2.1.1 光譜特征提取 使用ENVI 軟件提取稻曲病高光譜數(shù)據(jù)的主成分特征，得到各主成分特征如表3。

由表3可以得到第一個主成分的特征值最大為0.6977，貢獻(xiàn)率為99.57%，說明第一主成分綜合原始信息能力最強(qiáng)。遵從“量少值大”原則，本研究選用第一個主成分進(jìn)行后續(xù)分析。

由圖2可知，通過多次循環(huán)得到最終選取變量個數(shù)為6個時，均方根誤差最小。選擇的特征波段為第1、55、68、73、87和121波段。

利用python軟件實現(xiàn)對121個波段的連續(xù)投影操作，得到結(jié)果如圖2所示。

利用MATLAB軟件對155條高光譜數(shù)據(jù)實現(xiàn)連續(xù)小波分析，由于需要盡可能找到最佳尺度下的光譜信息，參考已有研究選擇10個尺度進(jìn)行分析［21］。并考慮到sym2相比其他小波基（如dbN）具有更好的對稱性，即一定程度上能夠減少對信號進(jìn)行分析和重構(gòu)時的相位失真，故選用sym2作為小波基函數(shù)。將各尺度小波系數(shù)與稻曲病病害程度進(jìn)行相關(guān)性分析得到?jīng)Q定系數(shù)熱力圖，如圖3所示。

由圖3可知，光譜數(shù)據(jù)經(jīng)連續(xù)小波變換后隨分解尺度的變化呈現(xiàn)有規(guī)律的變化。在可見光波段尤其是綠光波段，決定系數(shù)隨著尺度增加先降低后增加，但最有效的光譜信息主要存在于低分解尺度。近紅外波段，隨著分解尺度增加決定系數(shù)增加，但整體相關(guān)性較低。在此基礎(chǔ)上，取每個尺度上R2大于0.5為界選取特征敏感區(qū)，再取各敏感區(qū)內(nèi)具有最高R2的波段為特征波段，具體見表4。

由表4得出，經(jīng)過連續(xù)小波算法得到的敏感特征區(qū)域主要覆蓋1-5尺度的綠光波段、紅光波段和近紅外波段，幾乎遍歷整個光譜波段范圍。進(jìn)一步篩選出的特征波段為尺度1-3的第41波段、尺度4的第42波段和尺度5的第56波段，最后以不同尺度特征波段對應(yīng)的小波系數(shù)作為小波特征。

圖4顯示SPAD值、含氮量和葉片濕度值在400-910nm范圍內(nèi)與原始高光譜反射率之間的相關(guān)系數(shù)均能通過0.01的顯著性。其中SPAD值、葉片濕度及葉片濕度與原始高光譜呈正相關(guān)關(guān)系，在748nm處達(dá)到最大正相關(guān)，相關(guān)系數(shù)分別為0.59和0.5。含氮值與原始光譜反射率呈負(fù)相關(guān)關(guān)系，在727nm處達(dá)到最大相關(guān)系數(shù)-0.48。葉片溫度與原始高光譜反射率呈負(fù)相關(guān)，在417-658nm和692-910nm波段范圍內(nèi)與反射率相關(guān)系數(shù)均能夠通過0.01的顯著性，在757nm處達(dá)到最大相關(guān)系數(shù)-0.39。

2.1.2 圖像特征提取 為減少全波段計算工作量，對第一主成分進(jìn)行灰度共生矩陣計算，進(jìn)而提取紋理特征，結(jié)果如圖5所示。

從圖5可以看出，隨著病害程度加重紋理特征值越來越小。不同受害程度的稻曲病樣本在均值和對比度特征下的紋理特征值最大，區(qū)分度最為明顯。

為進(jìn)一步挖掘稻曲病識別農(nóng)學(xué)特征，最大化發(fā)揮理化指標(biāo)的價值，現(xiàn)對相關(guān)性分析得到的敏感波段圖進(jìn)行灰度共生矩陣計算，提取其紋理特征。結(jié)果如圖6所示。

從圖6可知，所有紋理特征中，均值、方差、對比度和差異性四項特征在不同受害樣本中具有較好的區(qū)分性?？梢悦黠@看出，基于敏感波段圖像的紋理特征相比基于第一主成分圖像的紋理特征不僅在有效特征數(shù)量上有所提高，在方差和差異性特征上也具有明顯分類能力。另外，各類特征值區(qū)分度也有了提高，說明基于理化指標(biāo)敏感波段圖像的紋理特征將會在分類時更具潛力，表明本研究探索得到的稻曲病病害識別農(nóng)學(xué)特征有效。

2.1.3 理化特征提取 為直觀了解四種理化指標(biāo)含量，利用箱型圖進(jìn)行統(tǒng)計，結(jié)果如圖7。

由圖7可以看出隨著病害程度加大，葉綠素和葉片濕度呈下降趨勢，而含氮量和葉片溫度呈上升趨勢。SPAD均值健康樣本為38.46、輕度受害樣本為35.71，重度受害樣本為32.49。健康樣本的SPAD值相對集中，而嚴(yán)重受害樣本的數(shù)據(jù)波動較大。含氮量均值健康樣本為14.62mg/g，重度受害樣本為16.04 mg/g。葉片溫度均值健康樣本為32.62℃，重度受害樣本為33.75℃。葉片濕度均值健康樣本為58.17%RH，重度受害樣本為53.12%RH?？傮w看來不同受害程度下四種理化指標(biāo)相對可分，有利于下一步的病害等級分類識別。

2.2 特征優(yōu)化

經(jīng)過上述特征提取，選用Relief F算法進(jìn)行優(yōu)選。對所有特征進(jìn)行權(quán)重計算，結(jié)果如圖8，各類特征縮寫形式如表5。根據(jù)“權(quán)值大”和“個數(shù)少”原則確定特征選擇閾值，經(jīng)多次實驗最終選擇0.1為特征確定閾值，得到滿足條件的特征有SPAD、含氮量、葉片溫度、葉片濕度、SPA6、PCA、Cor3-GLCM8和CWT1共8個特征，簡稱Relief F8?？梢钥闯觯捻椑砘笜?biāo)全部入列，說明理化指標(biāo)對于稻曲病病害分類貢獻(xiàn)最大。

2.3 病害識別

2.3.1 基于光譜和紋理特征的病害識別 將光譜維特征和紋理特征進(jìn)行組合，共計6類47個特征作為輸入變量，進(jìn)行SVM分類。結(jié)果如表6。

經(jīng)過網(wǎng)格搜索法獲得最優(yōu)參數(shù)如下：Linear核下懲罰系數(shù)為0.0009、階數(shù)為3、gamma值為0.01；RBF核下懲罰系數(shù)為1024、階數(shù)為3、gamma值為0.1；Poly核下懲罰系數(shù)為0.0009、階數(shù)為3、gamma值為0.01；Sigmoid核下懲罰系數(shù)為0.0009、階數(shù)為3、gamma值為0.01。由表6可知，在各最優(yōu)參數(shù)核函數(shù)下經(jīng)SVM分類精度最優(yōu)的是RBF核，為0.68。實驗結(jié)果表明，基于光譜和紋理特征的分類結(jié)果并不佳。

2.3.2 基于光譜和理化特征的病害識別 將光譜維特征和理化特征進(jìn)行組合，共計5類19個特征作為輸入變量，進(jìn)行SVM分類。結(jié)果如表7。

經(jīng)過網(wǎng)格搜索法獲得最優(yōu)參數(shù)如下：Linear核下懲罰系數(shù)為1024、階數(shù)為3、gamma值為0.01；RBF核下懲罰系數(shù)為1024、階數(shù)為3、gamma值為0.1；Poly核下懲罰系數(shù)為0.0009、階數(shù)為4、gamma值為3；Sigmoid核下懲罰系數(shù)為1024、階數(shù)為3、gamma值為0.1。由表7可知，在各最優(yōu)參數(shù)核函數(shù)下經(jīng)SVM分類精度最優(yōu)的是Sigmoid核，為0.93。實驗結(jié)果表明，相比之下在同樣有光譜維特征參與時理化特征的分類貢獻(xiàn)率遠(yuǎn)大于紋理特征。

2.3.3 基于光譜、紋理和理化特征的病害識別 將光譜維、圖像維和理化特征進(jìn)行組合，共計7類51個特征作為輸入變量，進(jìn)行SVM分類。結(jié)果如表8。

經(jīng)過網(wǎng)格搜索法獲得最優(yōu)參數(shù)如下：Linear核下懲罰系數(shù)為1024、階數(shù)為3、gamma值為0.01；RBF核下懲罰系數(shù)為1024、階數(shù)為3、gamma值為0.01；Poly核下懲罰系數(shù)為0.0009、階數(shù)為4、gamma值為0.1；Sigmoid核下懲罰系數(shù)為0.0009、階數(shù)為3、gamma值為0.01。由表8可知，在各最優(yōu)參數(shù)核函數(shù)下分類精度最優(yōu)的是Linear核，為0.89。當(dāng)前實驗條件下特征維數(shù)最多，但在分類精度上僅僅優(yōu)于基于光譜維和圖像維特征參與的分類。

2.3.4 基于Relief F特征優(yōu)選的病害識別 將經(jīng)Relief F算法選取的8個特征作為輸入變量，進(jìn)行SVM分類。結(jié)果如表9。

經(jīng)過網(wǎng)格搜索法獲得最優(yōu)參數(shù)如下：Linear核下懲罰系數(shù)為1024、階數(shù)為3、gamma值為0.01；RBF核下懲罰系數(shù)為1024、階數(shù)為3、gamma值為0.1；Poly核下懲罰系數(shù)為0.0009、階數(shù)為5、gamma值為3；Sigmoid核下懲罰系數(shù)為1024、階數(shù)為3、gamma值為0.1。由表9可知，在各最優(yōu)參數(shù)核函數(shù)下分類精度最優(yōu)的是RBF核，為0.95。實驗結(jié)果表明，在經(jīng)過Relief F特征優(yōu)選后僅使用8個特征就較好地提高了稻曲病病害的識別率。分析原因，可能是優(yōu)選特征中綜合了各個維度、各種提取方法的優(yōu)勢，并包含了全部理化特征，最大化發(fā)揮了理化參數(shù)的價值。

3 結(jié)論與討論

本研究以稻曲病為對象，基于機(jī)載高光譜成像數(shù)據(jù)研究了水稻理化特征、光譜特征及紋理特征對稻曲病脅迫識別的意義。結(jié)論如下：（1）基于RBF核的SVM分類方法在稻曲病病害識別中優(yōu)于其他類型的核函數(shù)。在基于優(yōu)選8個特征參與下的精度達(dá)到最大，為0.95。這也和大多數(shù)研究結(jié)果一致，RBF核具有較好的分類普適性。（2）整體來說，Linear核和RBF核在不同特征參與下呈現(xiàn)相近的分類結(jié)果且每次分類都能保持較為穩(wěn)定的高精度狀態(tài)，但在訓(xùn)練集較少、特征個數(shù)較多的情況下，Linear核優(yōu)勢更大，如基于光譜維、圖像紋理維和理化特征參與的模型中，基于Linear核的分類精度最高，為0.89。（3）模型中Sigmoid核對不同分類參數(shù)具有較高的敏感性，表現(xiàn)在整體分類精度隨特征個數(shù)變化呈現(xiàn)較大波動。Poly核在一些分類中能取得較好的結(jié)果，但受階數(shù)影響較大。（4）對比不同特征組合，有理化特征參與的分類精度較高。且基于Relief F特征優(yōu)選后得到的8個特征中理化指標(biāo)權(quán)重值最大，在不同核函數(shù)下的分類精度也都達(dá)到0.90及以上，說明理化特征對于稻曲病病害識別具有較大潛力，本文提出的分類方法有效。

參考文獻(xiàn)

［1］ 韓國鑫.基于氣象條件水稻病害短期分級預(yù)警系統(tǒng)的研究［D］.大慶：黑龍江八一農(nóng)墾大學(xué)，2019：1-6.

［2］ 孫盈蕊.基于多尺度遙感技術(shù)的水稻病蟲害監(jiān)測研究［D］.北京：中國地質(zhì)大學(xué)，2019：1-6.

［3］ 黃文江，張競成，施越，等.作物病蟲害遙感監(jiān)測與預(yù)測研究進(jìn)展［J］.南京信息工程大學(xué)學(xué)報（自然科學(xué)版），2018，10（1）：30-43.

［4］ ZHAO X H， ZHANG J C， HANG Y B， et al. Detection and discrimination of disease and insect stress of tea plants using hyperspectral imaging combined with wavelet analysis［J］. Computers and Electronics in Agriculture， 2022， 193： 1-11.

［5］ XIE Y T， PLETT D， LIU H J. The promise of hyperspectral imaging for the early detection of crown rot in wheat［J］. AgriEngineering， 2021， 3（4）： 924-941.

［6］ 李志偉，袁婧，丁為民，等.基于高光譜成像技術(shù)識別水稻紋枯?。跩］.華南農(nóng)業(yè)大學(xué)學(xué)報，2018，39（6）：97-103.

［7］ 于豐華，許童羽，郭忠輝，等.基于紅邊優(yōu)化植被指數(shù)的寒地水稻葉片葉綠素含量遙感反演研究［J］.智慧農(nóng)業(yè)，2020，2（1）：77-86.

［8］ ZHANG J C， HUANG Y B， PU R L， et al. Monitoring plant diseases and pests through remote sensing technology： A review［J］. Computers and Electronics in Agriculture， 2019， 165： 1-14.

［9］ MAMATA G， SOUMYA G， SONALI H， et al. Identification of anthracnose disease in mango plant using clustering and gray level co-occurrence Matrix［J］. ITM Web of Conferences， 2020， 32： 1-6.

［10］ 郭小清，范濤杰，舒欣.基于圖像融合特征的番茄葉部病害的識別［J］.湖南農(nóng)業(yè)大學(xué)學(xué)報（自然科學(xué)版），2019，45（2）：212-217+224.

［11］ 閆明壯，王浩云，吳媛媛，等.基于光譜與紋理特征融合的綠蘿葉綠素含量檢測［J］.南京農(nóng)業(yè)大學(xué)學(xué)報，2021，44（3）：1-14.

［12］ HUANG L S， LI T K， DING C L， et al. Diagnosis of the severity of fusarium head blight of wheat ears on the basis of image and spectral feature fusion［J］. Sensors， 2020， 20（10）： 1-17.

［13］ 安徽省植保總站.稻曲病測報調(diào)查規(guī)范 安徽省地方標(biāo)準(zhǔn)：DB34/T 2958—2017［S］.合肥：安徽省質(zhì)量技術(shù)監(jiān)督局，2017.

［14］ 劉楊，馮海寬，黃玨，等.基于無人機(jī)高光譜特征參數(shù)和株高估算馬鈴薯地上生物量［J］.光譜學(xué)與光譜分析，2021，41（3）：903-911.

［15］ 劉林毅.小麥赤霉病及白粉病多尺度遙感監(jiān)測方法研究［D］.北京：中國科學(xué)院大學(xué)（中國科學(xué)院空天信息創(chuàng)新研究院），2020：13-14.

［16］ 劉爽，譚鑫，劉成玉，等.高光譜數(shù)據(jù)處理算法的小麥赤霉病籽粒識別［J］.光譜學(xué)與光譜分析，2019，39（11）：3540-3546.

［17］ 陳俊穎，陸慧娟，嚴(yán)珂，等.ReliefF和APSO混合降維算法研究［J］.中國計量大學(xué)學(xué)報，2017，28（2）：214-218.

［18］ 張文博，孔金玲，楊園園，等.面向?qū)ο蟮暮祬^(qū)植被遙感精細(xì)分類研究［J］.測繪科學(xué)，2021，46（1）：136-140+183.

［19］ 徐暢，李紹青，李正飛，等.超參優(yōu)化的Relief F-SVM在制冷劑充注量故障診斷的應(yīng)用［J］.制冷技術(shù)，2021，41（1）：17-34.

［20］ 姜明男，汪守康，何俊捷，等.基于支持向量機(jī)的大型生活垃圾焚燒爐排爐運(yùn)行參數(shù)預(yù)測［J］.中國電機(jī)工程學(xué)報，2021，42（1）：1-14.

［21］ 束美艷，顧曉鶴，孫林，等.倒伏脅迫下的玉米冠層結(jié)構(gòu)特征變化與光譜響應(yīng)解析［J］.光譜學(xué)與光譜分析，2019，39（11）：3553-3559.

Abstract： Based on the hyperspectral data of the rice canopy and the physicochemical data of the sampled plants， the spectral features of the hyperspectral images were extracted by methods such as continuous wavelet analysis and grayscale co-occurrence matrix， and the correlation analysis was carried out on the main physicochemical indicators and the degree of disease. Then， multiple features were optimized by the Relief F algorithm， and finally a support vector machine classification model with different kernels was established. The results showed that the classification accuracy with the participation of physicochemical features was high， and the four physicochemical features were included in the optimal features screened by the Relief F algorithm， the final accuracy reached 0.95. The study confirmed the important role of physicochemical parameters in the identification of rice false smut， which can provide new ideas for field rice disease monitoring.

Key words： rice false smut; hyperspectral identification; continuous wavelet analysis; support vector machine

（責(zé)任編輯：鞏 劼）