1.一种基于遥感影像红边波段的区域尺度小麦条锈病监测方法，其特征在于，包括以下步骤：

11)遥感影像的获取及预处理：获取Sentinel-2遥感影像数据，对Sentinel-2遥感影像数据进行辐射定标、大气校正及裁剪预处理，提取Sentine-2的波段反射率、红边波段反射率、宽波段植被指数和红边植被指数作为初选特征因子；

12)初选特征因子的筛选：利用RelifeF算法和K-Means算法对初选特征因子进行筛选，得到筛选后的特征因子；

所述初选特征因子的筛选包括以下步骤：

121)利用ReliefF算法从若干个初选特征因子中筛选出10个权值较高的特征，作为候选特征集：

1211)将Sentinel-2遥感影像数据点作为样本R，设定样本R在初选特征因子的权值W(A)表示为：式中differ(A,R1,R2)表示样本R1和R2在初选特征因子A上的距离，max(A)和min(A)分别是初选特征因子A的上界和下界；

1212)将每个初选特征利用ReliefF算法进行20次样本计算，获得20个权值并进行平均，将平均结果作为此特征的最终权重；

1213)将若干个初选特征因子的权值W(A)进行降序排列，排在前10位的初选特征因子作为候选特征集；

122)利用K-means聚类算法筛选出聚类精度最高的一组特征集：

1221)从候选特征集中权重值最高的特征作为K-means算法的初始中心，按降序顺序依次逐个添加其他的初选特征因子进行聚类；

若添加后进行聚类的精度要相对于上个的精度高，该特征对聚类精度贡献为正，则保留此特征；其中簇的质心表达式如下：

其中，Nj表示属于Wj类的数据点的个数，属于某个簇的所有点的算术平均值，即为该簇的质心；

1222)将聚类精度最高的特征组合作为最终的模型输入变量；

13)构建小麦条锈病严重度监测模型：基于BP神经网络构建小麦条锈病严重度监测模型；

14)小麦条锈病严重度监测模型的训练：采用交叉验证法获取有标签数据作为训练样本，利用有标签数据训练小麦条锈病严重度监测模型，将小麦条锈病分为健康、轻发、重发；

15)区域尺度小麦条锈病严重度的判定：将筛选后的特征因子输入训练后的小麦条锈病严重度监测模型，得到此区域尺度上小麦条锈病的病害等级。

2.根据权利要求1所述的基于遥感影像红边波段的区域尺度小麦条锈病监测方法，其特征在于，所述构建小麦条锈病严重度监测模型包括以下步骤：

21)设定BP神经网络的隐藏层，其表达式如下：m＝log2n，

n是输入层的输入变量个数，m为隐藏层数目；

22)设定BP神经网络的隐藏层节点数，其表达式如下：s＝2n+1，

其中，n是输入层节点数，

选择隐藏层前两层节点数为10,最后一层为3个节点数作为一个参数调整作用；

23)构建BP神经网络小麦条锈病监测模型：

输入层：为通过ReliefF结合K-Means筛选的两组特征集；

隐藏层：设置3个隐藏层，3层的神经元个数分别为{10，10，3}，3层的激活函数分别为{‘logsig’，‘logsig’，‘logsig’}；输出层：监测的小麦条锈病严重等级{健康、轻发、重发}；

24)设定利用梯度下降自适应学习率训练函数，

设置最大迭代次数为5000，训练的目标误差为0.000001，学习速率为0.000001。

3.根据权利要求1所述的基于遥感影像红边波段的区域尺度小麦条锈病监测方法，其特征在于，所述小麦条锈病严重度监测模型的训练包括以下步骤：

31)采用交叉验证法，选取有标签数据作为训练样本；

32)初始化网络权值以及偏置：使用随机函数对每一层的连接权值矩阵和偏置向量进行随机初始化；

33)进行前向传播：输入一个训练样本，然后通过计算得到每个神经元的输出，得到的输出结果hW,b(x)，其计算公式如下：其中， 表示第l层的第i个节点与第l+1层的第j个节点之间的权重， 表示第l+1层的第i个节点的偏置项， 表示第l+1层第j个节点的输入值， 代表第l+1层第j个节点经过激活函数θ(x)后的输出值；

34)计算误差并进行反向传播：对于一个给定的样本，正确的输出与神经网络的输出会产生一个误差，误差越小，网络效果越好；用最小化均方根差衡量误差大小，公式如下：然后利用梯度下降的方法使其误差最小化，即让每个样本权重都向其负梯度方向变化，即求误差L对权重W的梯度；

输入层到隐藏层的权重：

经过推导得到隐藏层反向输出

计算出第一层权重梯度： 第二层权重梯度：

得到一个规律：每一层的权重梯度都等于这一层权重所连的前一层的输入乘以所连的后一层的反向输出；

35)网络权重与神经网络元偏置调整：根据权重梯度更新权重，公式如下：

36)判断结束：对于每个样本，判断其误差如果小于我们设定的阈值或者已达到迭代次数，则训练结束，得到用于监测小麦条锈病严重度的BPNN模型。