CN105825177A - 基于时相和光谱信息及生境条件的作物病害遥感识别方法 - Google Patents

Abstract

本发明公开了一种基于时相和光谱信息及生境条件的作物病害遥感识别方法。在监测时段内获取研究区域的多时相可见光‑近红外及热红外遥感影像并对其进行预处理；利用预处理后的遥感影像结合某种分类算法提取目标作物的种植信息；根据可见光‑近红外及热红外影像获取病害监测的生境信息，结合目标农作物的时相信息和获取的生境信息确定研究区域中目标作物的病害区域和病害类型，并在此基础上利用光谱信息确定病害发生的严重度。本发明提出的技术方案，可以有效提高作物病害的遥感诊断精度，一定程度上解决了作物病害遥感监测的逆向识别问题。

Description

基于时相和光谱信息及生境条件的作物病害遥感识别方法

技术领域

本发明涉及遥感图像处理和农业技术领域，具体而言，涉及一种基于时相和光谱信息及生境条件的作物病害遥感识别方法。

背景技术

农作物病害是农业生产上的重要生物灾害，已成为制约农业高产、优质、高效、生态、安全的一项主导因素。受生产条件和科技水平的限制，长期以来，田块层次的取样实地调查一直是病害识别与监测的主要手段，为病害的预测预报、制定合理的防范策略发挥了重要的作用。但这类方法花费大量的人力、物力和时间，取样的范围和样本量有限，难以多点同时获得大范围的资料。因此迫切需要一种科学、及时、大尺度、相对低成本的作物病害监测技术。

遥感技术能够在大范围内快速获取空间连续地表信息，遥感数据的特点决定了其在农作物病害监测中具有传统人工实地调查难以比拟的优势。农作物在生长过程中受到病害、干旱及营养等胁迫时，均会导致海绵组织被破坏，叶子色素比例发生变化，从而引起可见光区的两个叶绿素吸收谷不明显，550nm处光谱反射峰值随叶片损伤而变低、变平，近红外光区的峰值被削低，甚至消失，整个反射光谱曲线的波状特征被拉平，因此通过比较受损与健康作物光谱曲线，我们仅仅能够确定作物的生长是否受到胁迫及其严重程度，至于胁迫类型则无法判断。

由于不同病害产生的共性光谱特征，使得农作物病害的逆向遥感识别与诊断十分困难，而农作物病害的逆向遥感识别是实现大范围航空航天遥感监测的关键，是利用遥感影像监测农作物病害不可回避的问题。已有研究表明同一作物不同病害的发生与其生育周期、生境条件有着密切的关系，时相信息和生境因子对于农作物病害的遥感监测具有十分重要的价值，然而综合利用生境、时相和光谱信息的病害识别尚未见报道。

发明内容

(一)要解决的技术问题

本发明的目的是提供一种农作物病害遥感逆向识别方法，充分利用病害发生的生境条件、时相信息和光谱特征。

(二)技术方案

一种基于生境因子、时相信息和光谱特征的作物病害遥感逆向识别方法，所述方法包括如下步骤：

S102、在监测时段内获取研究区域的多时相遥感影像，并对其进行预处理。

S104、利用预处理后的多时相遥感影像监测研究区域目标作物的空间种植信息。

S106、获取病害监测的生境信息，并根据所监测病害发生的时相信息和生境条件，确定该病害发生的区域范围。

S108、获取遥感影像数据的光谱信息，根据所提取的光谱数据及其病害区域监测该病害发生的严重程度。

优选地，所获取的多时相卫星数据包括热红外和可见光-近红外影像。

优选地，所述影像的预处理包括辐射校正、几何校正及去云处理。

优选地，所述目标作物种植区域是根据多时相遥感影像分类获得的。

多时相遥感影像分类是将野外调查数据或已有的土地利用分类矢量图作为作物种植区域提取的先验知识，结合作物生长发育的物候信息及多时相遥感影像利用支持向量机、决策树、神经网络及最大似然等分类方法提取目标作物的种植范围。

优选地，所述生境信息包括病害监测需要的地表温度和地表湿度。

优选地，病害监测所需要的温度信息是利用热红外影像数据利用大气校正法、单窗算法或单通道算法获取。

地表温度获取是在亮温计算的基础上，利用NDVI Thresholds Method一NDVI^TEM估计地表比辐射率，从而将亮温转换为地表的真实温度。

优选地，病害监测所需要的湿度信息是利用可见光-近红外影像数据，采用Nir-Red二维特征空间分析法或穗帽变换与温度结合的方法，获取病害监测所需的湿度信息。

优选地，利用植保资料，统计分析病害发生的具体的生境条件及时相信息，建立病害的发生与生境因子之间的关系，利用决策树算法根据所监测病害发生的时相信息和生境条件提取病害发生的空间分布信息。

优选地，光谱特征数据包括预处理后的光谱反射率数据和根据卫星影像计算的植被指数。

优选地，所述病害监测的光谱特征数据获取方法为：

根据调查样点病害的发生情况，将样本点的病情严重度分为5个等级。

分别从图像上提取5级样本点的不同形式的光谱特征值，并利用利用变量投影重要性(Variable Importance in Projection，VIP)指标对这些备选光谱特征进行筛选，保留对病害信息响应强烈的光谱特征形式。

VIP的值越大，表示该光谱特征对病害信息的响应越强烈，若自变量的VIP值大于1.0，说明自变量在解释因变量时有比较重要的作用；若自变量的VIP值在0.5～1.0，说明自变量对因变量解释作用的重要性还不很明确，需增加样本或根据别的条件进行判断；若自变量VIP值小于0.5，则自变量对因变量的解释基本没有意义。

优选地，所述光谱信息散度是通过判断未知像元和已知类别像元间的相关程度，将未知像元归入相关程度最高的类别。

(三)有益效果

上述技术方案具有如下优点：由于不同胁迫产生的共性光谱特征，使得农作物病害的逆向遥感识别与诊断十分困难，基于此本发明将反映植被生理状态的光谱特征、影响病害发生的温度和湿度信息以及与病害发生密切相关的物候信息综合应用于农作物病害的遥感监测，提出了“生境条件+时相信息+光谱特征”的作物病害遥感逆向识别算法，提高了农作物病害逆向遥感识别与诊断的精度，有利于政府部门和农业管理部门及时准确的掌握和了解病害发生区域及其严重程度等信息，为大范围内病害防控管理提供重要决策依据。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例提供的一种作物病害遥感逆向识别方法流程示意图；

图2为本发明实施例提供的一种棉花种植范围提取流程图；

图3为本发明实施例提供的一种遥感监测棉花黄萎病发生区域流程图；

图4为本发明实施例提供的一种棉花黄萎病遥感逆向识别结果示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

如图1所示，本发明提供了一种基于生境因子、时相信息和光谱特征的作物病害遥感识别方法，该方法包括如下步骤：

步骤S102，在监测时段内获取研究区域的多时相遥感影像，并对其进行预处理。

其中，所获取的多时相卫星数据包括热红外和可见光-近红外影像，所述影像的预处理包括辐射校正、几何校正及去云处理。具体地，用户结合农学植保经验，确定当地作物病害遥感监测的适宜时期，订购并下载包含可见光、近红外及热红外波段的遥感影像数据。

例如，以棉花为例，根据棉花黄萎病的田间发生规律，选择真叶期至花铃期为病害的监测时段，例如，可以选取2014年6月27日、7月13日、7月29日及8月14日作为监测时段，并获取上述监测时段内种植区域的多时相遥感影像。

将上述多时相遥感影像进行辐射校正、几何校正、去云处理等处理工作，从而将原始多时相遥感影像的灰度值数据处理为带准确地理坐标信息的反射率数据。后续病害信息提取是基于预处理后的多时相反射率影像数据进行的。

S104、利用预处理后的多时相遥感影像监测研究区域目标作物的空间种植信息。

S106、获取病害监测的生境信息，并根据所监测病害发生的时相信息和生境条件，确定该病害发生的区域范围。

可选地，该生境信息包括病害监测需要的地表温度和地表湿度。

在本步骤中，病害监测所需要的温度信息是利用热红外影像数据采用大气校正法、单窗算法或单通道算法获取，湿度信息采用Nir-Red二维特征空间分析法或穗帽变换与温度结合的方法获取。

具体地，地表温度获取是在亮温计算的基础上，利用NDVI Thresholds Method一NDVI^TEM估计地表比辐射率，从而将亮温转换为地表的真实温度。

可选地，目标作物种植区域是根据多时相遥感影像分类获得的。包括以下步骤：确定先验知识；结合作物生长发育的物候信息和该先验知识利用某种分类方法得到目标作物种植区域，其中，该分类方法包括支持向量机法、决策树法、神经网络法以及最大似然法等。

其中，该先验知识可以是地面调查数据或已有的土地利用分类矢量图。

其中，后续的作物病害信息提取是在分类得到的作物种植范围内进行，以减少来自其它地物或作物类型的干扰。

具体地，以新疆石河子棉花种植区域的提取为例进行说明，根据不同作物生长物候历及外野调查发现，在病害监测的时间区间内，石河子农作物主要有小麦、苜蓿、葡萄、棉花、油葵及玉米等，其中以棉花种植面积最大。石河子棉花一般在4月中下旬开始播种出苗，5～6月中上旬为棉花苗期，在6月27日的NDVI(Normalized Difference Vegetation Index，归一化植被指数)图像上棉花种植区域表现为具有裸地特征的低植被覆盖区，而小麦、苜蓿等作物已明显表现为植被特征。7月上旬，棉花由苗期进入现蕾期，植被覆盖度急剧增大，NDVI时间谱曲线呈大幅上升趋势，其增加幅度大于油葵和葡萄，而苜蓿和小麦的NDVI值则几乎没有变化。基于此本研究对7月13日和6月27日的ETM NDVI图像进行差值运算，根据外野调查资料对差值图像设定适当阈值初步提取棉花种植区域。根据NDVI时间序列曲线及研究区域内作物生长的规律性可知，7月下旬随着小麦的腊熟和收割，其NDVI时间谱曲线急剧下降，NDVI值达到最小。而此时棉花植被覆盖度和绿色生物量都达到最大，NDVI时间谱曲线也随之达到峰值，因此在此基础上可以利用7月13日和7月29日两景影像进一步排除小麦对棉花种植区域提取的影响。同理可用7月13日和8月14日的TM影像区分棉花与玉米、苜蓿等作物的种植区域，从而实现棉花种植区域的遥感监测。在本实施例中如图2所示。

步骤S106、获取病害监测的生境信息，并根据所监测病害发生的时相信息和生境条件，确定该病害发生的区域范围。

可选地，该生境信息包括病害监测需要的地表温度和地表湿度。

在本步骤中，病害监测所需要的温度信息是利用热红外影像数据采用大气校正法、单窗算法或单通道算法获取，湿度信息采用Nir-Red二维特征空间分析法或穗帽变换与温度结合的方法获取。

在本发明一种可能的实现方式中，地表温度是采用单通道算法利用TM影像中的热红外波段计算得到的。首先根据TM影像热红外波段接收到的辐射强度与灰度值的关系计算研究区域内像元的辐射温度。

对于TM热红外波段，接收到的辐射强度与灰度值的关系为：

L_sensor＝L_min(λ)+(L_max(λ)-L_min(λ))Q_DN/Q_max

L_sensor——TM热红外波段接收到的辐射强度(mW/cm²srμm)；

Q_max——TM热红外波段最大灰度值；

Q_DN——TM热红外波段像元灰度值；

L_max(λ)、L_min(λ)——TM热红外波段接收到的最大和最小辐射强度。

发射前TM6的预设常量为：

当Q_DN＝0时，L_min(λ)＝0.1238；

当Q_DN＝255，L_max(λ)＝1.56时。

因此TM热红外波段辐射强度与灰度值之间的关系可简化为：

L_(λ)＝0.1238+0.005632156Q_DN

由于Q_DN为TM热红外波段灰度值，属已知数据，因此根据上式可以很容易的求算出相应的热辐射强度L_(λ)，再利用下式即可近似求算出TM热红外波段像元辐射温度。

T₆＝K₂/ln(1+k₁/L_(λ))

T₆——TM热红外波段像元辐射温度，单位：k；

K₁＝60.776，K₂＝1260.56K。

然后利用NDVI Thresholds Method一NDVI^TEM方法估算研究区域内的地表比辐射率。在计算比辐射率时，对于纯植被像元采用定值ε＝ε_v＝0.986，对于植被和土壤的混合像元，则利用公式ε＝ε_vP_v+ε_s(1-P_v)计算其比辐射率。

式中：ε——地表比辐射率；

ε_v——植被发射率；

ε_s——土壤发射率；

P_v——植被构成比例，计算公式：

$P_v={\[\frac{NDVI-{\mathrm{NDVI}}_{min}}{{\mathrm{NDVI}}_{\max }-{\mathrm{NDVI}}_{\min }}\]}^2$

其中NDVI_max＝0.5，NDVI_min＝0.2。NDVI＞0.5时可认为像元是纯植被像元，P_v＝1，NDVI＜0.2时可认为像元是纯裸土像元，P_v＝0。

根据计算的辐射温度和比辐射率即可获取地表的真实温度。

地表湿度可以采用改进的二维特征空间法，首先采用简单的线性光谱解混法，将目标农作物(如棉花)和土壤的混合像元分解，并求得这两个基本组分所占的比例，进而去除棉花植被信息对土壤湿度反演的干扰，然后对去除植被的土壤像元进行分析，根据NDVI图像的红光和近红外两个波段建立Nir-Red二维特征空间，利用目标农作物在这两个波段的光谱值确定它们在特征空间中的位置，进行地表湿度的反演。

可选地，如图3所示，利用植保资料，统计分析病害发生的具体的生境条件及时相信息，建立病害的发生与生境因子之间的关系，利用决策树算法根据所监测病害发生的时相信息和生境条件提取病害发生的空间分布信息。可以包括以下步骤：

S1061、根据目标病害发生的时相信息，选择合适时期的遥感影像，通过对目标作物的NDVI图像设定合适的阈值，将目标作物分为正常生长区域和受胁迫区域。

示例地，以新疆石河子棉花黄萎病的遥感监测为例进行说明，通过外野调查发现2014年新疆石河子棉花黄萎病的发病高峰期在7月底8月初，因此在本例中选用7月29日的TM图像计算NDVI值，并根据设定的NDVI阈值将棉花分为健康棉花生长区域和受胁迫棉花生长区域。

S1062、调查目标病害的首次发病时间，选用该时期的遥感影像初步将目标作物的受胁迫区域分为可疑目标病害区域和其它胁迫区域。

示例地，以新疆石河子棉花黄萎病的遥感监测为例进行说明，2014年新疆石河子棉花黄萎病发病大概在7月10日左右才有零星发病，所以7月10日前棉花在生长过程中所受到的胁迫均为非黄萎病胁迫，因此可以在棉花生长胁迫区域提取基础上利用7月10日前后的遥感影像排除非黄萎病害区域。在本实例中首先根据2014年6月27日TM影像的红光波段和近红外波段计算NDVI值，并根据设定的NDVI阈值判断是否为胁迫区域，对于小于该阈值的区域为营养胁迫、苗期受到的病虫害以及冷冻灾害等非黄萎病害区域，大于该阈值的则为可疑目标病害区。

S1063、对于可疑目标病害区域，利用目标病害发生的具体生境条件，初步提取目标病害区域。

示例地，以新疆石河子棉花黄萎病的遥感监测为例进行说明，对于可疑目标病害区域，利用7月29日TM NDVI图像以及由TM影像反演的地表温度和土壤含水量结果，根据棉花黄萎病外野调查资料统计分析棉花黄萎病爆发的具体生境条件，设计遥感监测棉花黄萎病害区域的函数表达式，初步提取棉花黄萎病害区域。

S1064、对于初步提取的目标病害区域，结合病害和虫害发生的特点及其目标病害发生的生境条件，进一步确定目标病害发生区域。

示例地，以新疆石河子棉花黄萎病的遥感监测为例进行说明，由于黄萎病对棉花的危害在适宜的温湿度条件下具有时间和空间上的连续性，而虫害危害具有时间上的阶段性和空间上的随意性等特点，本例根据棉花黄萎病害区域的初步提取结果，利用8月14日反演的地表温湿度数据进一步提取棉花黄萎病害区域，以减少虫害等胁迫对监测结果的影响，提高遥感监测棉花黄萎病害区域精度。

在本实施例中，确定棉花黄萎病害区域流程图如图3所示。

S108、获取遥感影像数据的光谱信息，根据所提取的光谱数据及其病害区域监测该病害发生的严重程度。

可选地，根据需要开展与影像获取时间同步的地面调查，地面调查与影像获取前后时间相差以不超过1天为宜，调查的内容为调查区域内作物发病的类型及其病情严重度。

示例地，以新疆石河子棉花黄萎病的遥感监测为例进行说明，如果需要监测7月底棉花黄萎病发病的严重程度，则在7月29日卫星过境的同时地面同步调查棉花黄萎病的发病情况，通过5点取样法进行病情指数调查，每点选取10株棉花，分别调查其发病情况。单株棉花黄萎病病情严重度分为5个等级，即无生病叶片棉株病情严重度为0级；受害棉叶数不超过25％的棉株其病情严重度为1级；受害棉叶数在25％～50％之间的棉株其病情严重度为2级；受害棉叶数在50％～75％之间的棉株其病情严重度为3级；受害棉叶数超过75％的棉株病情严重度为4级。分别记录各点各级株数，按下式计算测试群体的病情指数(disease index，DI)：

$DI=\frac{\mathrm{\Σ}(X*f)\×100}{n*\mathrm{\Σ}f}$

式中：X——各级病级值；

n——最高病级值；

f——各级株数。

根据测试群体DI的不同将黄萎病冠层病情严重度也分为5级，即：正常(b0)：DI＝0；轻度(b1)：DI在0～25之间；中度(b2)：DI在25～50之间；严重(b3)：DI在50～75之间；极严重(b4)：DI在75～100之间。

可选地，光谱特征数据包括预处理后的光谱反射率和根据卫星影像计算的植被指数。

表1 植被指数的定义及表达

可选地，对备选光谱特征进行筛选，保留对病害信息响应强烈的光谱特征形式。

示例地，以新疆石河子棉花黄萎病的遥感监测为例进行说明，

对于7月29日的NDVI图像选用红外光和近红外光2个通道的原始光谱反射率以及RVI(比值植被指数)、NDVI、DVI、RDVI、TVI、NDGI、MSAVI、GEMI、EVI九个宽波段植被指数(表1)这11个光谱特征作为病害监测的备选光谱特征。在此基础上根据调查点病害发生情况，将样本点数据按照发病情况分为0级(健康样本)、1级(轻度发病)、2级(中度发病)以及3级(重度发病)和4级(严重发病)五个级别，分别提取这5个级别样本点单时相和多时相备选光谱特征值，并采用变量投影重要性准则对这些备选光谱特征进行筛选，保留对病害信息影响强烈的光谱特征。

通过变量投影重要性反映了每个自变量在解释因变量作用时的重要性，计算公式为：

${\mathrm{VIP}}_j=\sqrt{\frac{p}{Rd(Y;t_1,t_2,t_3,\mathrm{...},t_m)}\underset{h=1}{\overset{m}{\Σ}}Rd(Y;t_h)w_{hj}^2}$

其中，VIP_j为第j个自变量(在本发明实施例中即确定的光谱特征)的VIP(VariableImportance in Projection，变量投影重要性)指标；m为从原变量中提取的成分个数；p为自变量个数；t_h为第h个成分；Rd(Y，t_h)为成分t_h对因变量Y的解释能力，为二者相关系数的平方；Rd(Y；t₁，t₂，t₃，...，t_m)为成分t₁，t₂，t₃，...，t_m对因变量y的累计解释能力；为轴w_h的第j个分量，用于测量x_j对构造成分t_h的边际贡献，并且对于任意h＝1，2，3，...，m均有：

利用VIP指标值进行变量筛选时，若自变量的VIP值大于1.0，说明自变量在解释因变量时有比较重要的作用；若自变量的VIP值在0.5～1.0，说明自变量对因变量解释作用的重要性还不很明确，需增加样本或根据别的条件进行判断；若自变量VIP值小于0.5，则自变量对因变量的解释基本没有意义。在本发明实施例一种可能的实现方式中，通过设定一个VIP阈值(如设置为1)，保留在解释因变量时具有重要作用的6个光谱特征作为病害监测的自变量，这6个光谱特征分别是EVI、RDVI、GEMI、DVI、MSAVI、NDVI。

可选地，在遥感监测棉花黄萎病害发生区域的基础上，根据筛选的光谱特征数据结合外业调查资料利用光谱特征散度分析法确定病害发生的严重程度。

其中，光谱信息散度分析是通过判断已知严重程度像元和未知严重程度像元间的相关程度，将未知像元归入相关程度最高的类别中的判别方法。该算法可以通过ENVI软件中的“spectral information divergence”模块实现。

具体地，假设pi和qi分别为第i波段的像元x和y的概率，则：

L为像元x的维数；

L为像元y的维数(像元x和像元y的维数相等)

像元x相对于像元y的相对熵值为：

$D\left(x\right|\left|y\right)=\underset{i=1}{\overset{L}{\Σ}}{p}_{i}log\left(\frac{p_i}{q_i}\right)$

根据相对熵值可计算出光谱信息散度SID的统计量：

SID＝D(x||y)+D(y||x)

在本例中将地面调查样本按照3∶2的比例随机分为模型训练样本和模型验证样本两部分，训练时分别导入模型训练样本中的0级(健康样本)、1级(轻度发病)、2级(中度发病)、3级(重度发病)和4级(严重发病)五种类型的样本，根据待分像元与这五类样本的SID距离对其相关性程度进行判断，将像元归入相似度最高的类型，从而确定目标农作物的病害程度，并最终生成病害监测空间分布图(图4)。然后利用验证样本对模型的精度进行分析和评价。

需要说明的是，

本发明通过将病害发生的时相信息、生境条件及光谱特征数据相结合，从而能够较准确的识别农作物的病害类型及其病情严重度。

具体地，在本例用于验证的46个外业调查点中有6个点的棉花黄萎病害类型判断错误，采用生境因子+时相信息+光谱特征”的作物病害遥感监测方法进行棉花黄萎病的识别精度为87％。在病情严重度的识别上有4个点的严重程度判别错误，病情严重度的识别精度为91％。因此这一估测结果中病害的总体空间分布趋势与调查结果大体一致。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (13)

1.一种基于时相和光谱信息及生境条件的作物病害遥感识别方法，其特征在于，包括如下步骤：

S102、在监测时段内获取研究区域的多时相遥感影像，并对其进行预处理；

S104、利用预处理后的多时相遥感影像监测研究区域目标作物的空间种植信息；

S106、获取病害监测的生境信息，并根据所监测病害发生的时相信息和生境条件，确定该病害发生的区域范围；

S108、获取遥感影像数据的光谱信息，根据所提取的光谱数据及其病害区域监测该病害发生的严重程度。

2.根据权利要求1所述的方法，其特征在于，所获取的多时相卫星数据包括热红外和可见光-近红外影像。

3.根据权利要求1所述的方法，其特征在于，所述影像的预处理包括辐射校正、几何校正及去云处理。

4.根据权利要求1所述的方法，其特征在于，所述目标作物种植区域是根据多时相遥感影像分类获得的。

5.根据权利要求4所述的方法，其特征在于，所述多时相遥感影像分类是将野外调查数据或已有的土地利用分类矢量图作为作物种植区域提取的先验知识，结合作物生长发育的物候信息及多时相遥感影像利用支持向量机、决策树、神经网络及最大似然等分类方法提取目标作物的种植范围。

6.根据权利要求1所述的方法，其特征在于，所述生境信息包括病害监测需要的地表温度和地表湿度。

7.根据权利要求6所述的方法，其特征在于，病害监测所需要的温度信息是利用热红外影像数据通过大气校正法、单窗算法或单通道算法获取。

8.根据权利要求7所述的方法，其特征在于，地表温度获取是在亮温计算的基础上，利用NDVI Thresholds Method一NDVI^TEM估计地表比辐射率，从而将亮温转换为地表的真实温度。

9.根据权利要求6所述的方法，其特征在于，病害监测所需要的湿度信息是利用可见光-近红外影像数据，采用Nir-Red二维特征空间分析法或穗帽变换与温度结合的方法，获取病害监测所需的湿度信息。

10.根据权利要求1所述的方法，其特征在于，利用植保资料，统计分析病害发 生的具体的生境条件及时相信息，建立病害的发生与生境因子之间的关系，利用决策树算法根据所监测病害发生的时相信息和生境条件提取病害发生的空间分布信息 。

11.根据权利要求1所述的方法，其特征在于，光谱特征数据包括预处理后的光谱反射率和根据卫星影像计算的植被指数。

12.根据权利要求11所述的方法，其特征在于，所述病害监测的光谱特征数据获取方法为：

根据调查样点病害的发生情况，将样本点的病情严重度分为5个等级；

分别从图像上提取5级样本点的不同形式的光谱特征值，并利用变量投影重要性(Variable Importance in Projection，VIP)指标对这些备选光谱特征进行筛选，保留对病害信息响应强烈的光谱特征形式；

VIP的值越大，表示该光谱特征对病害信息的响应越强烈，若自变量的VIP值大于1.0，说明自变量在解释因变量时有比较重要的作用；若自变量的VIP值在0.5～1.0，说明自变量对因变量解释作用的重要性还不很明确，需增加样本或根据别的条件进行判断；若自变量VIP值小于0.5，则自变量对因变量的解释基本没有意义。

13.根据权利要求1所述的方法，其特征在于，所述光谱信息散度是通过判断未知像元和已知类别像元间的相关程度，将未知像元归入相关程度最高的类别。