基于无人机低空遥感影像的烟田杂草精准识别方法研究

来源:用户上传      作者:卢涛　胡文英　张军

　　摘要：槭迪盅烫镏性硬莸木准识别和防控，应用无人机多光谱影像构建光谱、植被、纹理特征等20个特征变量，按照特征重要性评分将特征变量数分为3组，分别添加到随机森林（RF）、支持向量机（SVM）、马氏距离（MD）和C5.0决策树（C5.0）中进行分类，并从分类正确率和时间两方面比较不同分类算法的优适性;通过PCA-ReliefF筛选重要特征信息，在保证较高分类精度的同时降低特征变量维度。结果表明，随着不同特征变量的加入，各分类算法的分类精度不同幅度地提升。其中，使用14个变量的RF模型的分类精度最高、耗时最短，总体精度94.06%，Kappa系数为0.90;MD算法分类精度最低、耗时最少;C5.0决策树耗时最长，总体精度比SVM和MD算法高1.37%、3.62%。综上，RF算法是烟田杂草识别中较合适的分类方法，可以有效实现烟田杂草的精准识别，进而为烟草生产管理提供技术支撑。
　　关键词：杂草识别;烟田;无人机遥感;烟草;分类耗时;随机森林
　　中图分类号：S572文献标识码：A文章编号：1007-5119（2022）04-0079-08
　　Accurate Weed Identification Based on UAV Low-altitude Remote Sensing Images in Tobacco Fields
　　LU Tao1，HU Wenying2，3*，ZHANG Jun4
　　（1. The Second Surveying and Mapping Institute of Guizhou Province，Guiyang 550004，China;2. Faculty of Geography，Yunnan Normal University，Kunming 650050，China;3. Key Laboratory of Resources and Environmental Remote Sensing for Universities in Yunnan，Kunming 650500，China;4. School of Earth Sciences，Yunnan University，Kunming 650504，China）
　　Abstract：In order to realize the accurate identification，prevention and control of weeds，UAV multi-spectral images were used to construct 20 characteristic variables，such as spectrum，vegetation and texture features，that were divided into 3 groups according to the importance score of features. The variables were added to random forest （RF），support vector machine （SVM），Markov distance （MD）and C5.0 decision tree （C5.0）for classification. The optimization of different classification algorithms was compared in terms of classification accuracy and time. PCA-relieff was used to screen important feature information and reduce the dimension of feature variables while ensuring high classification accuracy. The results showed that with the addition of different feature variables，the classification accuracy of each classification algorithm increases with different amplitude. Among them，the RF model using 14 variables has the highest classification accuracy and the shortest time consuming，with an overall accuracy of 94.06% and a Kappa coefficient of 0.90. MD algorithm has the lowest classification accuracy and the least time consuming. C5.0 decision tree takes the longest time，and its overall accuracy is 1.37% and 3.62% higher than SVM and MD algorithms. In conclusion，RF algorithm is a more suitable classification method for weed identification in tobacco fields，which can effectively realize accurate weed identification，thus provide technical support for tobacco production and management.
　　Keywords：weed identification;tobacco field;UAV remote sensing;tobacco;classification of time consuming;random forest

nlc202210101038

　　烟草是我国重要的经济作物[1]。杂草防治是烟草生产中所必须面临的问题，我国田间杂草发生面积约9.25×10 hm42[2]，常与作物争夺营养物质而造成农作物减产和品质下降，是阻碍农作物增收的主要生物因素之一。目前田间杂草防治主要采用大面积均匀喷洒除草剂的方式，常因化学药剂过量施用引起作物药害、水土污染、农药残留等问题，不仅增加农业生产成本，还降低了除草效率。研究表明，精准喷施农药可在保证杂草防治效果不变的情况下有效节约40%～60%的农药[3]。杂草空间分布的精准识别是开展高效除草的重要前提，有助于实现精准除草、精准施药。
　　目前杂草的识别方法主要有深度学习[4-5]、机器视觉[6]、光谱特征分析[7-8]等。MARINE等[9]提出了一种结合光谱和空间信息的分类方法，并利用空间信息自动构建监督分类训练数据集，杂草检测率均值为89%，该方法不需要手动选择土壤、作物或杂草像素，便捷性较强。邓向武等[10]通过对数码相机获取的图像进行阈值自动分割，并提取了杂草图像的颜色、形状和纹理等多维特征，最后采用深度置信网络识别杂草，识别率达到91.13%。JOSéM.等[11]使用多种植被指数、纹理特征和作物物候对作物和杂草进行识别，正确率为90.5%。ANA等[12]利用不同监督分类方法对谷类和豆类作物十字花科杂草进行分类，并比较不同监督分类方法的精度。朱登胜等[13]采用目标分割与形态学处理方法对豆苗和杂草进行识别。CLIFFORD等[14]利用近红外波段建立归一化植被指数（NDVI），并将所有光谱波段和NDVI作为分类特征，对大豆和杂草进行区分，以确定多光谱图像对杂草寄生和无杂草大豆的鉴别能力。THOMAS等[15]采用单类支持向量机、单类自组织制图、自动编码器和单类主成分分析方法，使用3个光谱波段和纹理作为检测分类器的输入特征，对比分析了3种方法的分类精度，其中单类支持向量机分类精度最高，总体精度达到了96%。
　　无人机低空遥感具有分辨率高、光谱信息丰富、重访周期短、受大气影响小等特点，目前已成为杂草与作物分类识别的重要手段之一[16-17]。目前有关烟草的研究主要以卫星遥感数据为主，基于无人机多光谱影像的烟草与杂草识别研究少有报道，杂草与烟草之间的光谱、纹理和形状等特征关系与机理还有待探讨，无人机多光谱影像的识别分类精度有待提高。本文基于无人机多光谱影像数据，分别对烟叶及杂草的植被指数、纹理、形状等多种特征进行提取并构建训练特征，将多尺度纹理特征与随机森林算法结合，对试验区内烟叶和杂草进行像元级语义识别，以期得到烟叶和杂草面积及其空间分布识别的最佳特征及模型，为快速获取烟草田间烟叶与杂草面积及其空间分布信息，实现大面积烟田精准除草、精准施药提供技术参考。
　　1材料与方法
　　1.1研究区概况
　　试验区位于云南省澄江市沙田村，毗邻云南省第三大湖泊抚仙湖。该区域属亚热带季风气候，多年平均气温为14～17 ℃，降水量750～1700 mm。土地肥沃，雨热同期，良好的水热条件和充足的光照时间不仅有利于烤烟的生长，同时也利于杂草的繁衍。试验烟田总面积约为11.22 hm，试验田内主要种植作物为烤烟，田间地物主要由土壤、电线杆、道路、驱虫设备、烟苗植株、各类杂草组成，平均行距110 cm，平均株距75 cm，叶与杂草叶片间的交叠程度较轻，绿色植物与土壤背景的颜色差异显著。主要杂草类型包括结缕草、豆瓣菜、凹头苋和毛曼陀罗等。研究区多光谱影像如图1所示。
　　1.2数据源与预处理
　　使用大疆（DJI）固定翼无人机搭载FC6310R型多光谱成像光谱仪获取研究区2021年5月8日（烟草旺长期）烟田多光谱影像，其最大光圈2.97，焦距9 mm，飞行高度20 m，包含红外和近红外等5个通道。将影像图片及POS数据导入到AgisoftPhotoScan软件中，通过寻找同名点和地面控制点GCP数据的方法完成数据定向、几何校正、地理信息配准以及影像数据的快速拼接处理等。在Arc GIS 10.4中利用SavitzkyGolay滤波法和邻域统计函数方法处理多光谱影像采集过程中产生的飞行条带噪声，最后对影像进行辐射校正、图像降噪、主成分变换以及全色锐化等影像增强处理，以提高目视解译效果，增强植被与土壤之间的对比度。多光谱影像中正常发育的烟叶冠层呈嫩绿色，叶柄不明显或呈翅状柄，冠幅宽且长，与杂草个体在形状、纹理及大小方面有显著差异，相对于成熟期和收获期，此时烟株冠幅较小，冠幅间相互遮挡现象比较轻微，偶有重叠部分。而杂草茂盛区域烟叶分布较为稀疏，土壤裸露较为明显，杂草和烟叶密集区域，两者混淆现象明显。
　　1.3研究方法
　　对多光谱影像完成各项预处理后，首先应用主成分分析法消除各波段间冗余信息，确定最佳分析窗口;然后采用指数计算、灰度共生矩阵计算、主成分分析（Principal Components Analysis，PCA）等方法构建各种分类所需的特征集，利用PCA-ReliefF算法进行特征变量重要性分析、特征选择并进行分类和精度评价;最后利用选定的特征，添加至影像中进行分类，并比较不同分类算法对烟株与杂草的识别效果。
　　1.3.1冗余信息去除为了提高杂草识别的精度并节省计算时间，利用融合图像中植被与非植被之间的灰度值差异，选择NDVI、RVI、DVI等5种常见的植被指数，基于ENVI 5.3平台生成植被指数灰度图，依据最大类间距离准则法（Otsu）确定植被与非植被像元分割最佳阈值，选择有效增强裸士、阴影以及植被之间光谱差异的最佳指数，将植物、阴影和土壤进行分割。此外，为了提高纹理特征提取效率并消除各波段间的相关性及冗余信息，采用主成分分析法对多波段数据进行主成分提取。经主成分变换后，第1主成分（PCA1）包含所有波段81.36%的信息，前3个主成分包含99.47%的信息，能充分显示各种地物影像特征的差别。因此选择PCA1从4种不同窗口尺度提取8种纹理特征（表1），以确定提取纹理特征的最佳窗口。由表1可知，窗口尺度为5×5时能够达到相对稳定的状态，从而确定分析窗口5×5为本文最佳分析窗口。

nlc202210101038

　　1.3.2分类特征构建与提取无人机多光谱影像光谱分辨率较高，具有丰富的颜色和纹理等特征信息，因此可借助于影像滤波来表达影像的协同性、相异性和信息熵等特征[15]。此外，由于部分区域中的烟叶与杂草之间颜色特征差异不明显，干枯的烟叶和杂草容易与裸土在光谱特征上产生混淆，且杂草像元与烟叶像元各主成分值相似，仅使用阈值法和植被指数法等难以对烟叶与杂草进行分类识别，因此有必要构建多种特征参与分类。采用灰度共生矩阵计算出的统计量作为特征参数进行纹理特征分析。使用ENVI软件ROI工具建立各类别特征样本，并统计每个样本的属性值。基于ENVI平台的Convolutions功能模块，对多光谱图像各波段分别使用卷积低通和高通滤波处理，获得多光谱图像4 个波段反射率数据。综合光谱特征、植被特征、纹理特征和主成分变换后的波段，本文构建的烟草与杂草的分类特征如表2所示。
　　1.3.3特征选择与分类算法选取对特征变量进行选择及重要程度分析评价，有助于提高模型运算效率的同时减少特征间的冗余和处理工作量[18]。PCA-ReliefF算法首先利用PCA去除各特征参数间存在的相关性，然后利用ReliefF算法进行特征选择，克服了单一ReliefF算法不能有效去除冗余特征的缺点[19-20]。通过交叉验证得到特征变量重要性分布和达到最佳分类精度时所用到的特征类型和变量个数（图2）。
　　由图2可知，Band1-3、PCA1-3、信息知和相异性等特征变量的重要性得分均超过8（图2a）。Band 1-3包含了裸土、烟草和杂草为主的主要地物信息和对植被敏感的绿波段;纹理特征对于区分冠幅宽大的烟草与形状、纹理不规则的杂草等地物发挥了重要作用;与植被和土壤关系密切的修改型土壤调整植被指数（MSAVI）和增强植被指数（EVI）对区分研究区中植被和裸土贡献较大，因为MSAVI 和EVI增强了研究区中的植被而弱化了土壤反射率的影响，在植被信息丰富的烟田中有效避免了裸土信息的干扰。
　　为了确定到达分类精度最高时所参与的特征类型和数量，按照变量重要性评分依次选择1～20 个特征变量进行分类并建立混淆矩阵对分类结果进行评价（图2b）。
　　由图2可知，影像分类精度在变量个数为1～12 时明显逐步上升。当特征变量数达到12时，分类精度趋于稳定，OA与Kappa系数的变化并不明显。最终在14个变量全部参与分类时，结果达到最优，OA和Kappa系数分别为86.08%和0.82。通过变量重要性分析对特征做出选择，将重要性评分较小的变量剔除，最终确定训练最佳特征数量为14，将具有该14类特征组成的数据集称为PCA-ReliefF子集，主要包括MSAVI指数、方差、EVI指数、PCA1、均值、信息熵、Bandl、协同性、Band2、PCA2、对比度、PCA3、相异性、Band4。根据该类特征数据子集，分别以独立的光谱波段添加到多光谱影像以及样本数据中，然后使用不同的分类算法进行杂草、烟草面积及其空间分布提取。
　　1.3.4精度评价在多光谱影像中分别选择烟株与杂草样本点，保证样本点均匀分布于研究区域内。其中，训练区烟株和杂草样本点分别有656个和625个。利用ArcGIS软件中随机生成点的方法构建了1281个样本组成样本集，将以上各类特征组成的数据集以4：3的比例随机分成训练样本和验证样本。其中，训练样本用于分类算法模型训练，验证样本用于各分类算法分类结果的精度验证。
　　为了对比各分类算法识别杂草和烟草的精度，分别选择支持向量机（SVM）、马氏距离（MD）、决策树（C5.0）、随机森林（RF）4种分类算法进行训练，综合考虑杂草的提取精度与计算效率。最终确定4个分类算法参数设置如下：（1）SVM的核函数为径向基函数（radial basis function，RBF），惩罚系数为9，gamma为0.2;（2）MD设置最大距离误差为单一值2;（3）C5.0设置置信区间为0.25，不使用全局修剪简化树，最小分支数为8;（4）随机森林决策树的数量设置为1000，其中约42.5%的袋外数据集（Out of Bag，OOB）用于分类结果的精度验证，最大叶节点数设为无限制，分割节点的特征数量K设为输入特征变量总数的平方根[21]。
　　采用混淆矩阵作为精度评价方法。混淆矩阵是n行n列的矩阵，其中n为类别数量，列代表验证数据，行代表由遥感数据分类得到的结果，行与列相交的部分表示分类到真实样本中的数目，并通过定量计算生产者精度（Producer's Accuracy，PA）、用户精度（User，s Accuracy，UA）、总体精度（Overall Accuracy，OA）和Kappa系数等指标来定量评价分类精度。
　　2结果
　　选择分类精度较高、参与分类特征数量最少以及重要性评分为6～8之间的14个特征量，构建PCA-ReliefF特征数据集（表3），分别添加到不同分类算法中进行分类训练及测试，并与原始影像数据进行对比。4种分类算法的分类正确率（OA）和时间结果如表3所示，在4种分类算法模型中，由多个Cart决策树模型集合而成的RF模型分类准确率最高，优于单个Cart分类算法的结果，耗时也相对较短，有效平衡了工作效率与分类精度之间的关系。其次为C5.0决策树算法和SVM算法，总体精度分别为81.32%和80.49%，两者准确率差异较小，耗时较长;马氏距离分类方法耗时最短，准确率最低，仅为79.24%。
　　与原始影像数据（I组）分类结果相比较，按重要性评分大小添加的6个特征（II组）相对原始特征子集的分类精度有所提升，相较于原始影像稻葜蟹掷嘈Ч，总体精度上升幅度均超过3.0%。对原始数据分类效果较差的MD及SVM模型，总体精度均得到了有效提升。在加入了灰度共生矩阵相关特征（III组）之后，SVM算法和C5.0决策树算法总体精度提升幅度最小，RF算法模型提升幅度最大，分类所需时间的变化幅度也较小，表明灰度共生矩阵相关特征对于区分烟株和杂草有一定的作用。而在加入了全部特征变量（IV组）的分类结果中，RF分类算法与C5.0决策树分类精度相对于原始影像数据结果变化幅度最大，分别为94.06%、88.15%和0.90、0.84。

nlc202210101038

　　在不同特征量加入时，RF算法模型分类所需时间均是4个分类算法模型中最短的。相较于未添加任何特征变量参与分类的原始影像数据结果，RF、MD与C5.0决策树模型准确率不同程度提升，相应的分类耗时也随着不同数量的特征变量加入而有所增加。通过直观目视解译并对比原始影像可发现（图3），C5.0、SVM和RF分类算法提取的杂草与烟株斑块边界分明，尤其是烟株轮廓比较清晰，形状规则，提取较为完整，极易从形状上与杂草区分开来。虽然消除了大部分杂草与烟株混淆的像元，但通过真彩色高分辨率无人机影像目视解译发现，各算法仍存在杂草与烟株混淆的现象，其中尤以SVM算法最为明显。
　　通过以上分析可知，综合光谱特征、植被和纹理等特征的随机森林模型总体分类精度最高，工作效率也相对较快，同时所用到的特征变量数也较多，说明随机森林算法比MD、SVM和C5.0方法更能有效地提取烟田中的杂草信息，具有很好的适用性。
　　3讨论
　　研究利用无人机多光谱遥感影像，通过多种特征提取及数据降维，分别选择MD、SVM、C5.0和RF方法进行杂草和烟株信息提取并结合各分类算法的识别精度和所需时间，对比了各分类算法模型的优劣，最终得到了能够快速准确识别田间杂草的分类算法模型。目前有关杂草与烟株分布的遥感解译主要以遥感卫星和无人机高分辨率影像为主，两者相比，无人机高分辨率影像数据在可获取性、成像周期、便捷性等方面均优于遥感卫星影像。在方法方面，综合考虑识别精度和所需时间两个维度，C5.0、RF方法适用于烟田中杂草与烟株的分类识别研究，可快速获取作物田间杂草空间分布信息，为指导烟田精准除草和施药剂量的估算提供一定的决策依据。但由于受烟田环境的复杂性以及数据源分辨率的限制，所选分类算法模型的适用性仍有待改进，比如采用无人机正射影像的方式获取数据、改进分类识别算法等。此外，受限于多光谱影像分辨率、阴影以及分类算法模型的局限性，研究仅对烟株、杂草进行分类识别，并未进行杂草类别具体区分，在下一步的研究中，可考虑应用更高分辨率的无人机多光谱影像对杂草类别进行区分。
　　4结论
　　研究应用无人机多光谱影像光谱信息，利用PCA-ReliefF方法有效地筛选出影像中最重要的特征变量，按照不同的特征重要性评分将特征变量数分为3组，分别添加到各分类算法中实现了对烟草田间杂草的识别分类，OA最高达到了94.06%，Kappa系数最高为0.90。从杂草识别精度和所需时间两个维度比较，RF算法的分类精度高于SVM的机器学习算法和C5.0决策树算法，且分类所需时间也相对较快，效果与效率相对平衡。PCA-ReliefF方法构建出的杂草与烟株的识别特征，在降低特征变量维度的同时还能保持较高的分类精度，从而缩短模型运算处理时间，有效提高了工作效率。
　　参考文献
　　[1]时焦.我国烟田杂草研究现状及防治对策展望[J].中国烟草科学，2021，42（3）：100-108.
　　SHI J. Research status and control strategy prospect of weeds in tobacco fields in China[J]. Chinese Tobacco Science，2021，42（3）：100-108.
　　[2] 李香菊.近年我国农田杂草防控中的突出问题与治理对策[J].植物保护，2018，44（5）：77-84.
　　LI X J. Prominent problems and countermeasures of farmland weed control in China in recent years[J]. Plant Protection，2018，44（5）：77-84.
　　[3] 叶志华，王少南，喻大昭.生物资源在减轻农业草害中的作用与技术对策[J].灾害学，2001（1）：7-12.
　　YE Z H，WANG S N，YU D Z. Effects of biological resources on reducing agricultural grass damage and technical countermeasures [J]. Journal of Catastrophology，2001（1）：7-12.
　　[4] JENSEN H G，JACOBSEN L B，PEDERSEN S M，et al. Socioeconomic impact of widespread adoption of precision farming and controlled traffic systems in Denmark[J]. Precision Agriculture，2012（13）：661-677.
　　[5]陈树人，栗移新，毛罕平，等.基于光谱分析技术的作物中杂草识别研究[J].光谱学与光谱分析，2009，29（2）：463-466.
　　CHEN S R，LI Y X，MAO H P，et al. Identification of weeds in crops based on spectral analysis technology[J]. Spectroscopy and Spectral Analysis，2009，29（2）：463-466.
　　[6] WANG N，ZHANG N，DOWELL F E，et al. Design of an optical weed sensor using plant spectral characteristics[J]. Biological Quality and Precision Agriculture II，2000，44（2）：63-72.

nlc202210101038

　　[7] BORREGAARD T，NIELSEN H，N0RGAARD L，et al. Crop-weed discrimination by line imaging spectroscopy[J]. Journal of Agricultural Engineering Research，2000，4（75）：389-400.
　　[8]权龙哲，吴冰，毛首人.基于Mask R-CNN农田杂草实例分割与叶龄识别方法[J].东北农业大学学报，2021，52（4）：65-76.
　　QUAN L Z，WU B，MAO S R. Field weed instance segmentation and leaf age identification based on Mask R-CNN[J]. Journal of Northeast Agricultural University，2021，52（4）：65-76.
　　[9] MARINE L，GAWA I J，ROMAIN F，et al. Unsupervised classification algorithm for early weed detection in row-crops by combining spatial and spectral information[J]. Remote Sensing，2018，7（61）：2072-4292.
　　[10]邓向武，齐龙，马旭，等.基于多特征融合和深度置信网络的稻田苗期杂草识别[J].农业工程学报，2018，34（14）：165-172.
　　DENG X W，QI L，MA X，et al. Identification of weeds in rice field seedling stage based on multi-feature fusion and deep confidence network[J]. Transactions of the Chinese Society of Agricultural Engineering，2018，34（14）：165-172.
　　[11] JM Pe？A-Barragan，NGUGI M K，PLANT R E，et al. Object-based crop identification using multiple vegetation indices，textural features and crop phenology[J]. Remote Sensing of Environment，2011，6（115）：1301-1316.
　　[12] DE CASTRO A I，JURADO-EXPOSITO M，PENA-BARRAGAN J M，et al. Airborne multi-spectral imagery for mapping cruciferous weeds in cereal and legume crops[J]. Precision Agriculture，2012，13：302-321.
　　[13]朱登伲邵咏妮，潘家志，等.应用多光谱数字图像识别苗期作物与杂草[J].浙江大学学报（农业与生命科学版），2008，149 （4）：418-422.
　　ZHU D S，SHAO Y N，PAN J Z，et al. Identification of seedlingcrops and weeds by multi-spectral digital image[J]. Journal of Zhejiang University （Agriculture & Life Science），2008，149（4）：418-422.
　　[14] KOGER C H，SHAW D R，WATSON C E，et al. Detecting late-season weed infestations in soybean （Glycine max）1[J]. Weed Technology，2003，17：696-704.
　　[15] THOMAS A，AFRODITI A T，XANTHOULA E P，et al. Novelty detection classifiers in weed mapping：silybum marianum detection on UAV multispectral images[J]. Sensors，2017，17（9）：2007.
　　[16]刘延鑫，王俊峰，杜传印，等.基于YOLOv3的多类烟草叶部病害检测研究[J].中国烟草科学，2022，43（2）：94-100.
　　LIU Y X，WANG J F，DU C Y，et al. Detection of various tobacco leaf diseases based on YOLOv3[J]. Chinese Tobacco Science，2022，43（2）：94-100.
　　[17]薛宇飞，张军，张萍，等.基于Sentinel-2遥感影像的烟草种植信息精准提取[J].中国烟草科学，2022，43⑴：96-106.
　　XUE Y F，ZHANG J，ZHANG P，et al. Object-oriented accurate extraction of tobacco information based on sentinel-2 remote sensing images[J]. Chinese Tobacco Science，2022，43（1）：96-106.
　　[18]赵静，李志铭，鲁力群，等.基于无人机多光谱遥感图像的玉米田间杂草识别[J].中国农业科学，2020，53（8）：1545-1555.
　　ZHAO J，LI Z M，LU L Q，et al. Weed identification in maize field based on UAV multi-spectral remote sensing images[J]. Scientia Agricultura Sinica，2020，53（8）：1545-1555.
　　[19]侯群群，王飞，严丽.基于灰度共生矩阵的彩色遥感图像纹理特征提取[J].国土资源遥感，2013，25⑷：26-32.
　　HOU Q Q，WANG F，YAN L. Texture feature extraction from color remote sensing images based on gray co-occurrence matrix[J]. Remote Sensing for Land and Resources，2013，25（4）：26-32.
　　[20]侯蒙京，殷建鹏，葛静，等.基于随机森林的高寒湿地地区土地覆盖遥感分类方法[J].农业机械学报，2020，51（7）：220-227.
　　HOU M J，YIN J P，GE J，et al. Remote sensing classification method of land cover in alpine wetland based on random forest[J]. Transactions of the Chinese Society for Agricultural Machinery，2020，51（7）：220-227.
　　[21]蒋玉娇，王晓丹，王文军，等.一种基于PCA和ReliefF的特征选择方法[J].计算机工程与应用，2010，46（26）：170-172.
　　JIANG Y J，WANG X D，WANG W J，et al. A feature selection method based on PCA and ReliefF[J]. Computer Engineering and Applications，2010，46（26）：170-172.

nlc202210101038

转载注明来源:https://www.xzbu.com/1/view-15440683.htm