CN103034910B - 基于多源信息的区域尺度病虫害预测方法 - Google Patents

Abstract

本发明涉及遥感及空间数据分析处理和农学技术领域，公开了一种基于多源信息的区域尺度病虫害预测方法。本发明将反映植被生理状态的空间连续的卫星遥感数据和反映气象条件的区域尺度气象数据综合运用于病虫害的预测，从而克服传统病虫害预测模型无法考虑田块间植被生长状态和生境参数差异对病虫害发生概率的影响，将不同种植地块植被的胁迫状况及生境信息纳入模型输入，在一定的地域条件下经过标定模型输出不同地块病虫害发生概率，为病虫害预测提供更精细的信息输出。

Description

基于多源信息的区域尺度病虫害预测方法

技术领域

本发明涉及遥感及空间数据分析处理和农学技术领域，特别是涉及一种基于多源信息的区域尺度病虫害预测方法。

背景技术

农作物病虫害是农业生产中的重要生物灾害，据联合国粮农组织估计，世界粮食产量常年因病害损失14%以上，成为制约农业高产、优质、高效、生态、安全的一项主导因素。我国作为人口大国，能否在面积有限的耕地上取得丰收将直接关系到国民生活和国家稳定。2009年国务院《全国新增1000亿斤粮食生产能力规划（2009-2020年）》和科技部《农业及粮食科技发展规划（2009-2020年）》相继颁布，均明确指出要加强重大病虫害、农业气象防灾减灾科技工程建设，为农业主要气象灾害和生物灾害预警及防控提供技术支撑。

目前，主要采用气象、农学数据在大尺度上进行病虫害预测。这种预测方式的问题是提供的结果较为粗放，通常在县域尺度上提供病害预测结果，无法提供区域内部面状连续的预测结果，难以在较为精细的尺度上指导植被病虫害的防控工作，所采用的病虫害预测模型也无法考虑田块间植被生长状态和生境参数差异对病虫害发生概率的影响。

发明内容

（一）要解决的技术问题

本发明首先要解决的技术问题是：如何克服传统病虫害预测模型无法考虑田块间植被生长状态和生境参数差异对病虫害发生概率的影响的缺陷，提供更细粒度的预测数据。

（二）技术方案

为了解决上述技术问题，本发明提供一种基于多源信息的区域尺度病虫害预测方法，包括以下步骤：

S1、获取反映植被生理状态的空间连续的卫星遥感数据和反映气象条件的区域尺度气象数据，然后分别对所述卫星遥感数据和区域尺度气象数据进行预处理；

S2、从所述卫星遥感数据中获取两部分数据：第一，反映植被生理状态的光谱反射率和植被指数；第二，反映植被生境条件的地表温度；

S3、从根据步骤S1所得到的区域尺度气象数据以及根据步骤S2所得到的卫星遥感数据中进行特征选取，并进行相应的时相选择；

S4、构建预测模型；

S5、进行植被种植面积提取，并在所选取的面积中进行地块单元分割，得到农田管理单元；

S6、将步骤S3所选取的相应时相的区域尺度气象数据特征和卫星遥感数据特征按照所述农田管理单元分别进行平均计算，然后以所述农田管理单元为单位，将所得到的各个特征的平均值作为所述模型的输入数据，输出病虫害发生概率值。

优选地，步骤S1中，选取覆盖可见光、近红外和热红外波段的中高分辨率卫星影像数据作为所述卫星遥感数据，并选取反映病害发生生境条件的参数作为区域尺度气象数据。

优选地，步骤S1中，对所述卫星遥感数据进行预处理包括辐射定标、大气校正、几何校正和去云，对所述区域尺度气象数据进行预处理包括数据检查、异常值去除，取平均和空间插值。

优选地，在步骤S1中，对符合正态分布检验的参数选用克里金方法进行所述空间插值，对于未通过正态分布检验的参数采用反距离权重方法进行所述空间插值。

优选地，步骤S3中进行特征选取的标准包括两方面：所选特征对病虫害发生敏感；所选特征之间的相关系数低于预设值。

优选地，步骤S3中以所选特征对病虫害发生敏感为标准选取特征的方式为：采用独立样本检验特征在正常植被样本和染病植被样本中的差异，表征差异的值大于预设阈值则表明该特征对病虫害发生敏感。

优选地，步骤S3中以所选特征之间的相关系数低于预设值为标准选取特征的方式为：对病虫害发生敏感的特征两两进行相关性分析，然后选取相关系数低于预设值的特征。

优选地，步骤S4中选用二值Logistic回归方法构建所述预测模型。

优选地，步骤S5中采用决策树、最大似然或神经网络方法进行所述植被种植面积选取。

优选地，步骤S5中，在所选取的面积内进行图像分割，生成农田管理单元的矢量边界，从而得到所述农田管理单元。

（三）有益效果

上述技术方案具有如下优点：本发明将反映植被生理状态的空间连续的卫星遥感数据和反映气象条件的区域尺度气象数据综合运用于病虫害的预测，从而克服传统病虫害预测模型无法考虑田块间植被生长状态和生境参数差异对病虫害发生概率的影响，将不同种植地块植被的胁迫状况及生境信息纳入模型输入，在一定的地域条件下经过标定模型输出不同地块病虫害发生概率，为病虫害预测提供更精细的信息输出。

附图说明

图1为本发明的方法流程图；

图2为实验区地理位置示意图；

图3为不同发病概率阈值精度分析图；

图4为实验区农田管理单元提取结果图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

目前，中分辨率遥感数据（如环境小卫星）已能够在较短的时间（4天）内重访并完整覆盖全球多数区域的陆地表面，并能够提供可见光、近红外、热红外波段的地表反射、发射信息，为植被生理参数（如叶面积指数、叶绿素）以及地表温度等环境参数的遥感反演提供数据保证。有鉴于此，本发明将反映植被生理状态的空间连续的卫星遥感数据和反映气象条件的区域尺度气象数据综合运用于病害的预测，从而克服传统病虫害预测模型无法考虑田块间植被生长状态和生境参数差异对病害发生概率的影响。

植被病害类型多样，成因复杂，但绝大多数的病害发生与植株自身生理状态及一定的生境条件有关。本发明的目的是提供一种能够基于遥感、气象等通用数据在区域尺度上进行病害预测的方法。该方法在传统气象数据的基础上，引入了空间连续的遥感数据，从而有可能将不同种植地块植被的胁迫状况及生境信息纳入模型输入。在一定的地域条件下经过标定的模型，能够输出不同地块病害发生概率，为病害的防治和管理提供更精细的信息支持，方法整体流程见图1。

本实施例实验区位于北京周边的顺义、通州区。根据气象部门、植保部门预报经验以及历年小麦病害发生情况，该地区属小麦白粉病易发生地区（图2）。同时，该地区小麦种植结构相对简单（品种混杂少）且地块面积较大，适合于进行病害遥感预测。

步骤S1：数据获取及预处理

病害预测模型的构建需获取一定应用区域内多时相的遥感、气象数据，以及大范围地面调查数据。鉴于小麦白粉病、条锈病、麦蚜等多数病虫害普遍在小麦扬花至灌浆期发生和流行，病虫害理想的预测和防治时间是小麦越冬后分蘖至拔节期。因此，遥感数据选择冬小麦分蘖至拔节期内2-3期的数据；气象数据选择这一时间段内的逐日数据；地面调查数据目的是对模型进行标定和验证，需要在小麦扬花至灌浆期病虫危害较明显的时段进行。

1.遥感数据方面，根据多数小麦病虫害发生发展进程较快的特点，选用重访周期短的中高分辨率卫星影像（如国产的环境小卫星CCD和IRS数据），影像波段范围需覆盖可见光、近红外和热红外波段。在与气象数据匹配的时间段内分别获取覆盖应用区域的光学影像和热红外影像。影像预处理包括辐射定标、大气校正、几何校正和去云等步骤，将原始数据处理成为带准确地理坐标信息的反射率/发射率数据。

2.气象数据方面，获取应用区域内各气象站点的逐日气象数据，包括平均温度、降水、湿度、日照时数等反映病害发生生境条件的参数。气象数据预处理包括数据检查和异常值去除，以旬为单位进行平均和空间插值等步骤。对符合正态分布检验的参数选用克里金（kriging）方法插值，对于未通过正态分布检验的参数采用反距离权重（InverseDistanceWeighted）方法进行插值。

3.病虫害地面调查方面，在应用区域内随机布样进行调查。根据应用区域的面积设置样点分布及数量，总调查样点个数应不少于30个，同时应保证样点密度不低于1个样点每10km²。在每个样点选定一个直径约为30m的小麦连续种植区域，调查病害是否发生的信息。

本实施例中根据小麦白粉病田间发生规律，选择分蘖期和拔节期作为遥感数据获取时段，该时期小麦开始越冬后生长，属遥感有效监测时段；选择返青期至拔节期作为气象数据获取时段；病害地面调查在病害较明显发生的灌浆期进行。

遥感数据选择地面分辨率为30m的环境小卫星HJ-CCD（光学）和HJ-IRS（红外）数据，在遥感有效监测时段内获取分蘖期（2010年5月1日）和拔节期（2010年5月13日）各两景清晰的影像数据；气象数据获取了应用区内及周边共20个站点的降水、平均温度和日照时数三项与病害发生关联度较高的数据，各站点数据在日值基础上，分别以旬为单位进行平均，得到2010年4月1日至2010年5月10日中4个时相的平均值数据；地面调查在小麦灌浆期进行（2010年5月25日），在应用区域内共选择空间上分布均匀的90个地面样点进行病情调查，其中随机选择54个点为训练样本，其余36个点为验证样本。采用步骤S1方法分别对遥感、气象数据进行预处理，得到各波段反射率/发射率数据，及气象参数空间插值数据。

步骤S2：病害相关遥感特征计算

根据光学卫星影像和热红外卫星影像信息获取的特点，从影像中提取、计算两部分变量：第一，反映植被生理状态的光谱反射率和植被指数，包括R_G(绿波段反射率)、R_R(红波段反射率)、R_NIR(近红外波段反射率)、TVI、SAVI、DSWI和SIWSI。各指数的形式、生理含义及出处见表1。第二，反映冬小麦生境条件的地表温度LST(LandSurfaceTemperature)，根据单通道算法基于定标后的热红外发射率数据计算得到，具体方法参考段四波（2008），罗菊花（2010）等。

表1病害预测光谱特征

步骤S3：病害预测遥感、气象特征及时相选择

病害预测指标的选择是构建病害预测模型的关键步骤。本方法根据两条标准进行指标选择，即一方面入选特征需对病害发生敏感，另一方面入选特征之间的相关性不宜过高，以保证信息的独立性。可采用独立样本t检验分析特征在正常和染病样本中的差异，差异显著则表明该特征（某时相）对病虫害早期信号敏感。在此基础上，对病虫害敏感特征两两进行相关性分析，对于相关系数绝对值超过0.8的变量保留与病虫害严重度相关性相对较强的变量。逐次比较后留下的变量用作构建病害预测模型。

首先根据步骤S2的方法，基于预处理后遥感数据计算得到两个时相各光谱特征值（表1）及地表温度。根据步骤S3所述方法，结合独立样本t检验和相关性分析，对遥感、气象特征和时相进行筛选，得到五项特征，分别是：R_R(时相2)，LST(时相2)，降水(时相2)，平均气温（时相4）和日照时数(时相4)。

步骤S4：病害预测Logistic模型标定及概率阈值设置

本方法基于遥感和气象数据，选用二值Logistic回归方法构建病害发生概率预测模型。将病害发生（1）/不发生（0）的信息作为输入，利用Logit函数（McCullagh&Nelder,1992）进行分析，表达式如下：

$\log \mathrm{it}\left(p\right)=\ln \left(\frac{p}{1-p}\right)---\left(1\right)$

$p=\frac{\exp ({\mathrm{\β}}_0+{\mathrm{\β}}_1{x}_1+{\mathrm{\β}}_2{x}_2+\·\·\·+{\mathrm{\β}}_i{x}_i)}{1+\exp ({\mathrm{\β}}_0+{\mathrm{\β}}_1{x}_1+{\mathrm{\β}}_2{x}_2+\·\·\·+{\mathrm{\β}}_i{x}_i)}---\left(2\right)$

其中，p表示病害发生概率，x₁，x₂…x_i表示经过筛选的各时相遥感和气象参数（步骤S3），模型中β₀为常数，β₁，β₂…β_i分别为各个自变量对应的系数。模型标定基于地面调查点获取的病害发生数据，和对应像元的遥感、气象参数（相同GPS坐标），可通过Pearson和Hosmer-Lemeshow拟合优度检验，以及配对样本检验获得的统计量Somers'D和Goodman-KruskalGamma等统计量检验模型的标定效果。

Logistic模型的输出是一个发病的概率值，在实际防治应用中还需规定一个阈值，对概率高于阈值的范围进行农药喷洒操作，阈值通常选择范围在0.2-0.3之间。同时，在有条件获取一个独立的验证样本情况下，可通过考察不同阈值下的精度指标进行阈值设定。具体方法是以一定步长（如5%）改变阈值，计算每一阈值下的正确率，设定阈值为正确率最高的概率。其中，病害预测正确率的计算方法是：

预测正确率%=（预测正确样点数/总样点数）×100%（3）

本实施例中，参照步骤S4的方法，基于训练样本各项特征和病害发生调查数据对Logistic模型参数进行标定，并计算了不同阈值取值下（以5%为步长变化）模型的总体精度、错分率和漏分率（图3）。由总体精度曲线可见，概率阈值在多种取值下均可达到最高值73%，因此，阈值选取可参考错分率、漏分率等指标进行。在本例中，推荐使用20%为阈值，在该阈值下漏分率较低（3%），错分率较高（17%），防控面积较大，但安全性较高。在防治力量或资源有限时，亦可采用40%为阈值，此时漏分率（6%）和错分率（17%）均较高，防控面积较大，但安全性较低。用户在设定概率阈值时可根据防控目标、资源和经费的丰欠进行合理选择。

步骤S5：植被种植面积提取及地块单元分割

植被病害预测为避免非植被区域信息的混杂对结果的影响，在应用前应首先提取区域内的植被种植面积。植被种植面积提取一方面可参考已有耕地矢量图等地理资料提取，或根据多时相影像进行分类获得。影像分类应结合应用区域中的土地利用类型数据、地形数据和物候知识（如通过某个特定生育期中目标植被的生长阶段和可能出现的其它植被类型进行植被种植面积提取）等先验知识，采用决策树、最大似然或神经网络等监督分类方法进行植被种植面积提取。

在植被种植区域内，农业生产管理通常是以田块为基本操作单位组织实施的。为与生产实践更好地对接，本方法在植被种植区域内首先将连片的农田划分成若干个长势、环境条件均一的基本管理单元，以各管理单元为基本单位进行病害预测，一方面可避免部分噪声像元的影像，另一方面亦便于病虫害防治作业的实施。

农田管理单元的提取在某些基础地理资料齐全的区域中，可直接使用农田地块矢量边界作为管理单元划分的依据。而对于基础资料缺乏或不完整的区域，采用遥感图像分割方法进行农田管理单元的生成。通常将光学遥感影像兰、绿、红、近红外4个原始通道和植被指数NDVI植被输入波段，利用Ecognition7.0软件（或其它版本）的多尺度分割（multiplesegmentation）功能在植被种植范围内进行图像分割，生成农田管理单元的矢量边界。关于多尺度分割功能的层权重（Layerweight），分割尺度（Scale），形状因子（Shape）和紧凑度因子（Compactness）等几项参数设置，参考Pu等（2012）方法进行参数优化。

本实施例中，首先以决策树分类的方式，基于5月13日获取的应用区域HJ-CCD影像和DEM数据提取植被种植区域。由于该时期实验区域内主要植被覆盖类型以森林和麦田为主，通过DEM数据（是否超过100m）可较清楚地将林地和麦田区分开。在植被种植范围内，以同景影像的兰、绿、红、近红外4个原始通道和植被指数NDVI作为输入波段，使用Ecognition7.0软件的多尺度分割功能进行图像分割，生成农田管理单元的矢量边界（图4），其中具体参数设置为：Scale=20，Shape=0.4，Compactness=0.8。

步骤S6：植被病害预测结果输出

将各项经过筛选的遥感、气象参数（步骤S3中选择）图层首先按照农田管理单元（步骤S5中生成）进行平均计算后，以农田管理单元为单位，将各变量输入病害预测模型（步骤S4中标定），运算后输出病害发生概率结果。将该概率值按步骤S4中确定概率阈值进行划分，对发病概率高于阈值的区域进行防治措施。在使用该方法时，为使模型具有较高的稳定性和可靠性，建议采用2-3年的数据进行模型的标定。

本实施例中，根据上述生成的农田管理单元，将各特征变量图层按单元矢量图斑进行平均后输入标定后的Logistic模型，选择20%为概率阈值进行分割后得到病害发生概率预测结果。可以作出2010年小麦白粉病发生区域预测图，该年份植保部门记录及我们的地面调查均表明当年通州区小麦白粉病偏重爆发，发生的范围与预测结果较为一致，由独立验证样本计算得到的模型精度在80%。此外，由于预测模型是参照2010年调查数据进行标定的，为了更客观地对模型进行验证，实验另采用2011、2012年两个独立年份的相应时相的特征变量作为输入，对实验区2011年、2012年小麦白粉病发生情况进行预测。植保部门记录及我们的地面调查均显示这两年小麦白粉病基本未发生，仅2011年在局部有轻度发生，这与模型输出的预测结果较为一致，进一步验证了模型和方法的有效性。

由以上实施例可以看出，本发明将反映植被生理状态的空间连续的卫星遥感数据和反映气象条件的区域尺度气象数据综合运用于病虫害的预测，从而克服传统病虫害预测模型无法考虑田块间植被生长状态和生境参数差异对病虫害发生概率的影响，将不同种植地块植被的胁迫状况及生境信息纳入模型输入，在一定的地域条件下经过标定模型输出不同地块病虫害发生概率，为病虫害预测提供更精细的信息输出。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。

Claims (9)

1.一种基于多源信息的区域尺度病虫害预测方法，其特征在于，包括以下步骤：

S1、获取反映植被生理状态的空间连续的卫星遥感数据和反映气象条件的区域尺度气象数据，然后分别对所述卫星遥感数据和区域尺度气象数据进行预处理；

S2、从所述卫星遥感数据中获取两部分数据：第一，反映植被生理状态的光谱反射率和植被指数；第二，反映植被生境条件的地表温度；

S3、从根据步骤S1所得到的区域尺度气象数据以及根据步骤S2所得到的卫星遥感数据中进行特征选取，并进行相应的时相选择；

S4、构建预测模型；

S5、进行植被种植面积提取，并在所选取的面积中进行地块单元分割，得到农田管理单元；

S6、将步骤S3所选取的相应时相的区域尺度气象数据特征和卫星遥感数据特征按照所述农田管理单元分别进行平均计算，然后以所述农田管理单元为单位，将所得到的各个特征的平均值作为所述模型的输入数据，输出病虫害发生概率值；

所述步骤S1中，选取覆盖可见光、近红外和热红外波段的中高分辨率卫星影像数据作为所述卫星遥感数据，并选取反映病害发生生境条件的参数作为区域尺度气象数据。

2.如权利要求1所述的方法，其特征在于，步骤S1中，对所述卫星遥感数据进行预处理包括辐射定标、大气校正、几何校正和去云，对所述区域尺度气象数据进行预处理包括数据检查、异常值去除，取平均和空间插值。

3.如权利要求2所述的方法，其特征在于，在步骤S1中，对符合正态分布检验的参数选用克里金方法进行所述空间插值，对于未通过正态分布检验的参数采用反距离权重方法进行所述空间插值。

4.如权利要求1所述的方法，其特征在于，步骤S3中进行特征选取的标准包括两方面：所选特征对病虫害发生敏感；所选特征之间的相关系数低于预设值。

5.如权利要求4所述的方法，其特征在于，步骤S3中以所选特征对病虫害发生敏感为标准选取特征的方式为：采用独立样本检验特征在正常植被样本和染病植被样本中的差异，表征差异的值大于预设阈值则表明该特征对病虫害发生敏感。

6.如权利要求5所述的方法，其特征在于，步骤S3中以所选特征之间的相关系数低于预设值为标准选取特征的方式为：对病虫害发生敏感的特征两两进行相关性分析，然后选取相关系数低于预设值的特征。

7.如权利要求1所述的方法，其特征在于，步骤S4中选用二值Logistic回归方法构建所述预测模型。

8.如权利要求1所述的方法，其特征在于，步骤S5中采用决策树、最大似然或神经网络方法进行所述植被种植面积选取。

9.如权利要求1～8中任一项所述的方法，其特征在于，步骤S5中，在所选取的面积内进行图像分割，生成农田管理单元的矢量边界，从而得到所述农田管理单元。