CN107145876A - 基于变化向量分析的小麦全蚀病遥感监测方法及其监测模型的构建方法 - Google Patents
基于变化向量分析的小麦全蚀病遥感监测方法及其监测模型的构建方法 Download PDFInfo
- Publication number
- CN107145876A CN107145876A CN201710374148.5A CN201710374148A CN107145876A CN 107145876 A CN107145876 A CN 107145876A CN 201710374148 A CN201710374148 A CN 201710374148A CN 107145876 A CN107145876 A CN 107145876A
- Authority
- CN
- China
- Prior art keywords
- vector
- change
- wheat
- take
- disease
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于变化向量分析的小麦全蚀病遥感监测方法，利用小麦长势特征、小麦物候知识和小麦全蚀病的先验知识，基于Landsat 7 TM影像和Landsat 8 OLI影像对小麦全蚀病的数据收集情况，利用小麦不同长势在光谱上的反应机制，提取小麦种植区域，分析不同时相的植被指数分布信息，判断各个植被指数与小麦全蚀病严重程度的相关性，运用变化向量分析法，以植被指数向量的空间夹角构建变化向量构建小麦全蚀病病害的监测模型，将复杂的变化类型的判断问题转化成角度分类的问题，用角度变化向量构建的变化向量来表征变化类型，物理意义明确，而且更加容易解读，对小麦全长势信息以及全蚀病病情检测精确性高。
Description
技术领域
本发明属于农作物病害监测技术，具体涉及的是一种基于变化向量分析的小麦全蚀病遥感监测方法及其监测模型的构建方法。
背景技术
小麦全蚀病又称立枯病，小麦全蚀病菌是一种土壤寄居菌，一种典型的根部土传病害，也是小麦上的毁灭性病害之一。该病主要危害小麦根部和茎基部 1-2节，病菌菌丝侵入麦株根部后大量繁殖，破坏根组织细胞，堵塞根部导管，使植株体内营养及水分不能正常运输，导致麦株分蘖减少，植株黄化矮化甚至枯死，造成小麦大面积减产。在潮湿的条件下，病原菌形成肉眼可见的黑褐色菌丝层，呈“黑脚”状，又称“黑脚病”。
全蚀病在我国江苏、安徽、河南等22个省均有不同程度发生，其中以河南、山东等地发生最为严重，2012年河南省发病面积达450万亩。全蚀病可造成受害麦田减产20％～50％，严重者甚至绝收。近年来，病虫害流行程度逐年加重，使得及早预测及实时监测病虫害的任务更加艰巨。
目前，我国对于病虫害的监测和预报手段还是以目测手查、田间取样，这种传统的人工查验办法虽然具有良好的真实性和较高的精确度，但是耗时耗力，而且无法大面积查验，导致在非监测区或非典型特征区发生遗漏和误判，造成病虫害的继续扩散。此外，传统方式的信息获取和反馈也存在滞后性，严重影响数据的精确度和时效性。相比较之下，遥感监测技术具有宏观性和周期性，覆盖面广，及时监测作物长势和受病害情况，便于及时采取有效的病害防治措施。
此外，本发明还运用变化向量分析法对小麦全蚀病进行监测，通过计算不同时相的影像数据中各个波段的差值，从而获取各个波段在不同像素的变化量，基于这些变化量构建变化向量，获得其变化方向和幅度，监测信息更加系统全面，结果更加精确。
发明内容
为了实现上述目的，本发明提供了基于变化向量分析的小麦全蚀病遥感监测方法及其监测模型的构建方法。
为了达到上述目的，本发明所采用的技术方案是：基于变化向量分析的小麦全蚀病遥感监测模型的构建方法，包括如下步骤：
(1)采集、分析样本：在研究区域内选取一定数量的样本区域，在每个样本区域内分别取样，对所选样本进行病情分析和病害严重度分级，并计算整理，获得对应样本的白穗率、病情指数、实测病害等级分析数据；
(2)获取遥感影像：依次获取研究区域内不同时相的Landsat TM/OLI影像数据，以及对应的ASTER GDEMDEM影像数据；
(3)遥感影像预处理：利用ENVI软件的通用辐射定标工具读取步骤(2) 所得的卫星遥感影像数据，完成辐射定标；然后利用行政边界矢量文件，对影像进行裁剪和拼接；
(4)提取小麦种植区域：利用步骤(3)得到的影像数据，将植被区域与非植被区域分开，再结合最大似然法分类和支持向量机分类，区分小麦与其它作物，获取小麦种植区域；
(5)计算植被指数：基于步骤(4)小麦种植区的遥感影像数据，计算不同时相的小麦植被指数，并获得不同时相各个植被指数的分布情况，所述植被指数是x1：EVI、x2：NDVI、x3：NPCI、x4：NRI、x5：PSRI、x6：SIPI；
(6)构建监测模型，包括如下步骤：
1)构建植被指数变化向量
①基于步骤(5)计算的植被指数，按下式(1)分别构建不同时相各个像元i对应的多维植被指数向量，其向量的模和方向余弦分别按下式(2)、(3)计算：
Pj，i＝[x1，x2，，，xk]T (1)
其中，Pj,i表示在j时相第i个像元的植被指数向量；j代表时相；k代表植被指数的序号，xk代表植被指数；
②构建角度变化向量：将步骤①所得的植被指数向量的空间夹角作为特征向量，计算不同时相的特征向量的差值，构建角度变化向量△β，△β＝[△β1，△β2，，，△βi]T；
2)确定角度变化范围：基于步骤②所构建的角度变化向量△β，划定各个像元i的角度变化向量△βi的阈值，确定对应△β的变化范围；该步骤中阈值的划定采用双窗口变步长阈值搜寻算法，具体步骤如下：
a.选取典型变化训练样区：比较不同时相的影像数据，按照以下原则选取至少2个典型样区作为算法的训练样区：
①包含小麦全蚀病的不同病害等级；
②样区内像元均为变化像元；
b.搜寻阈值范围，设定步长：将所选取的训练样区以双窗口模式作为掩膜图像，根据步骤(6)，该步骤中3)所得变化向量的统计信息，以步长P1＝(b-a) /m(m为任意正整数)，在△β(i,xk)范围内设定阈值，所述阈值计算公式为-31.12-P1，12.13-2P1；
c.检验参数：设Ak1，Ak2，A分别表示某一变化强度阈值k下监测出的在典型变化区内的变化像元、外边界内的变化像元和典型变化区域的像元总数，阈值k下的检验成功率Lk按下式计算：
d.确定阈值：检验成功率在80％以上时，对应的阈值精确度比较高；
3)变化向量敏感性分析：对步骤2)中不同时相的各植被指数的角度变化范围进行统计分析，得出对小麦全蚀病受害程度最敏感的植被指数xk，以及与之对应的角度变化范围△β(i,xk)，所述xk是EVI，所述△β(i,xk)的范围是[-31.12°, 12.13°]；
4)根据步骤3)确定的敏感型植被指数xk、△β(i,xk)，按下式(4)构建2 个不同时相植被指数向量的角度变化向量：
△β＝βj1,i-βj,i＝βj1(i,xk)-βj(i,xk) (4)
其中，j1，j分别表示两个不同的时相；
5)基于步骤3)分析得出的敏感型植被指数，利用其对应的角度变化向量
△β(i,xk)，对研究区小麦全蚀病受害情况进行等级阈值划分；
可采用如下步骤对监测模型进行验证：
在研究区域内挑选一定数量的样本，按照传统方法对小麦全蚀病病害程度进行等级划分，并按照如下的公式对监测模型进行验证，
预测模型符合精度(％)＝1-误测样本误差数÷总验证样本数×100％。
所述样本按照“随机”、“等量”、“均匀分布”和“多点混合”的原则，从研究区域内选取15个样本区域，在样本区域的每个采样点分别选取20株小麦。
在上述步骤(6)中，适应于黄淮区域的小麦从返青期到灌浆后期全蚀病的监测模型为：
△β＝βj1,i-βj,i＝βj1(i,EVI)-βj(i,EVI)。
其中，j1、j分别表示两个不同的时相。
在上述步骤(7)中，所述小麦全蚀病病害程度等级划分为：严重病害、中度病害、轻度病害和未受病害，对应的△β(i，EVI)范围依次为[-26°，-11°]、 [-11°，-7°]、[-7°，-2°]、[-2°，8°]，也可以根据步骤(1)小麦实测样本信息，将小麦受病害情况划分为严重病害、中度病害、轻度病害和未受病害四个等级，且依次对应的变化向量范围为：[-31°，-19°]、[-19°，-12°]、[-12°，-7°]、[-7°， 14°]。
本发明基于变化向量分析的小麦全蚀病遥感监测模型的构建方法的有益效果在于：
1)利用植被指数向量的空间夹角构建变化向量，将复杂的变化类型的判断问题转化成角度分类的问题，通过角度变化向量构建的变化向量来表征变化类型，物理意义明确，而且更加容易解读和判断，能有效的避免误差累积导致的不合理分类缺陷。
2)利用植被指数将小麦的现象在光谱的波段上响应，以光谱变化的形式来表达小麦的长势和生理特征；同时，利用多个植被指数对小麦长势进行分析，可以更加有效地获取小麦病害的信息，提高研究结果的准确性和精确性。
3)利用卫星传感器覆盖面广、监测的宏观性和周期性，能够及时的捕捉到小麦长势信息和受病害情况，及时采取有效的病害防治措施，从而保障小麦高质高产。
4)促进了基于光谱分析技术和变化向量分析方法在小麦病害监测技术上的广泛应用，为变化向量分析技术在准确、精确地监测小麦病害方面的直接应用奠定技术基础。
本发明基于变化向量分析的小麦全蚀病遥感监测方法，包括下列步骤：
(1)获取遥感影像：确定待测区，并依次获取待测区内小麦不同时相的 LandsatTM/OLI影像数据，以及对应的ASTER GDEMDEM影像数据；
(2)遥感影像预处理：利用ENVI软件的通用辐射定标工具读取步骤(1) 所得的卫星遥感影像数据，完成辐射定标；再利用行政边界矢量文件，对影像进行裁剪和拼接；
(3)提取小麦种植区域，计算小麦的EVI：利用上一步骤(2)中的影像数据，将植被区域与非植被区域分开，再结合最大似然法分类和支持向量机分类，区分小麦种植区与其它作物区，获取小麦种植区域；以上一步骤(2)所得的遥感影像数据为基础，计算研究区域内不同时相小麦增强型植被指数EVI；
(4)计算△β(i，EVI)：根据权利要求1所述基于变化向量分析的小麦全蚀病遥感监测模型计算增强型植被指数△β(i，EVI)的变化范围；
(5)小麦病害分析：根据上一步骤(4)计算的△β(i，EVI)的变化范围，结合权利要求1所述基于变化向量分析的小麦全蚀病遥感监测模型中小麦病害情况的等级划分，对待测区小麦全蚀病病情进行分析。
适用于黄淮区小麦返青期到灌浆后期小麦增强型植被指数△β(i，EVI)变化范围按如下公式计算：
△βf＝β2(i,EVI)-β1(i,EVI)
△βr＝β2(i,EVI)-β3(i,EVI)
其中，f表示抽穗期2到返青期1的时相变化，r表示抽穗期2到灌浆期3 的时相变化，i表示组成每时相的像元。
该步骤(5)中，所述△β(i，EVI)的变化范围为[-31.12°，12.13°]，且小麦全蚀病病害程度等级划分为：严重病害、中度病害、轻度病害和未受病害，变化时相为f时，病害等级对应的△β(i，EVI)范围依次为[-31°，-19°]、[-19°， -12°]、[-12°，-7°]、[-7°，14°]，变化时相为r时，病害等级对应的△β(i，EVI) 范围依次为[-26°，-11°]、[-11°，-7°]、[-7°，-2°]、[-2°，8°]。
本发明的有益技术效果在于：
1)运用基于变化向量分析的小麦全蚀病遥感监测模型的监测方法，可以有效监测小麦全蚀病在空间上的分布以及传播规律，并采取针对性防治措施；
2)简化了小麦病害监测过程中对植被指数的计算，将复杂的变化类型的判断问题转化成角度分类的问题，通过角度变化向量构建的变化向量来表征变化类型，有效地避免了因误差累积导致的不合理分类缺陷。
3)实现了小麦长势信息和受病害情况的及时获取，并对小麦病害的发生和传播信息进行分析，从而获取其发生和传播规律，为其接下来的防治和处理提供指导和建议。
附图说明
图1是本发明基于变化向量分析的小麦全蚀病遥感监测模型的构建方法流程图。
图2是双窗口变步长阈值搜寻算法流程图。
图3是小麦种植区提取流程图。
图4是研究区返青期预处理后的遥感影像。
图5是研究区抽穗期预处理后的遥感影像。
图6是研究区灌浆区预处理后的遥感影像。
图7是研究区小麦种植区影像。
具体实施方式
本发明基于变化向量分析的小麦全蚀病遥感监测模型的构建方法，如图1 所示，下面详细说明该方法的具体实施步骤。
(1)采集、分析样本：在研究区域内选取一定数量的样本区域，在每个样本区域内分别取样，对所选样本进行病情分析和病害严重度分级，并计算整理，获得对应样本的白穗率、病情指数、实测病害等级分析数据结果；
(2)获取遥感影像：依次获取研究区域内不同时相的Landsat TM/OLI影像数据，以及对应的ASTER GDEMDEM影像数据；
(3)遥感影像预处理：利用ENVI软件的通用辐射定标工具读取步骤(2) 所得的卫星遥感影像数据，完成辐射定标；再利用行政边界矢量文件，对影像进行裁剪和拼接；
(4)提取小麦种植区域：利用步骤(3)得到的影像数据，将植被区域与非植被区域分开，再结合最大似然法分类和支持向量机分类，区分小麦与其它作物，获取小麦种植区域；
(5)计算植被指数：基于步骤(4)小麦种植区的遥感影像数据，计算不同时相的小麦植被指数，并获得不同时相各个植被指数的分布情况；
(6)构建监测模型，包括如下步骤：
1)构建植被指数变化向量
①基于步骤(5)计算的植被指数，按下式(1)分别构建不同时相各个像元i对应的多维植被指数向量，其向量的模和方向余弦分别按下式(2)、(3)计算：
Pj，i＝[x1，x2，，，xk]T (1)
其中，Pj,i表示在j时相第i个像元的植被指数向量；j代表时相；k代表植被指数的序号，xk代表植被指数；
②构建角度变化向量：将步骤①所得的植被指数向量的空间夹角作为特征向量，计算不同时相的特征向量的差值，构建角度变化向量△β，△β＝[△β1，△β2，...，△βi]T；
2)确定角度变化范围：基于步骤②所构建的角度变化向量△β，划定各个像元i的角度变化向量△βi的阈值，确定对应△β的变化范围，该步骤中阈值的划定采用双窗口变步长阈值搜寻算法，具体步骤如下：
a.选取典型变化训练样区：比较不同时相的影像数据，按照以下原则选取 2个典型样区作为算法的训练样区：
①包含小麦全蚀病的不同病害等级；
②样区内像元均为变化像元；
③选取的训练样区为“岛状”的小麦种植区域；
b.搜寻阈值范围，设定步长：将所选取的训练样区以双窗口模式作为掩膜图像，根据步骤(6)，该步骤中3)所得变化向量的统计信息，以步长P1＝(b-a) /m(m为任意正整数)，根据△β(i,xk)的范围设定阈值。
c.检验参数：设Ak1，Ak2，A分别表示某一变化强度阈值k下监测出的在典型变化区内的变化像元、外边界内的变化像元和典型变化区域的像元总数，阈值k下的检验成功率Lk按下式计算：
d.确定阈值：检验成功率在80％以上时，对应的阈值精确度比较高；
3)变化向量敏感性分析：步骤(6)，将该步骤中2)所得不同时相的各植被指数的角度变化范围进行统计分析，得出对小麦全蚀病受害程度最敏感的植被指数xk，以及与之对应的角度变化范围△β(i,xk)；
4)根据步骤3)确定的敏感型植被指数xk、△β(i,xk)，按下式(4)构建2 个不同时相植被指数向量的角度变化向量：
△β＝βj1,i-βj,i＝βj1(i,xk)-βj(i,xk) (4)
其中，j1，j分别表示两个不同的时相；
5)基于步骤3)分析得出的敏感型植被指数，利用其对应的角度变化向量
△β(i,xk)，对研究区小麦全蚀病受害情况进行等级阈值划分；
(7)验证监测模型
在研究区域内挑选一定数量的样本，按照传统方法对小麦全蚀病病害程度进行等级划分，并按照如下的公式对监测模型进行验证：
预测模型符合精度(％)＝1-误测样本误差数÷总验证样本数×100％。
下面以具体实施例来详细说明本发明，但以下实施例并不以任何方式限制本发明的范围。
实施例1：
1)采集样本
选取河南省焦作市的温县和孟州市作为研究区域，研究所需小麦样本采集按照“随机”、“等量”、“均匀分布”和“多点混合”的原则，共选取小麦植株样本1500 个。其中，在研究区域内选取样本区域15个，每个样本区域按照五点取样法，每个采样点选取20株小麦，作为小麦全蚀病病情反演的依据，并对研究结果进行验证。
2)样本分析
采集获取的小麦植株样品由河南农业大学植物保护学院实验室进行病情分析，分别对每个采样点的样本进行病害严重度分级，并通过计算整理，获得小麦样本白穗率、病情指数、病害等级(Ⅰ严重病害、Ⅱ中度病害、Ⅲ轻度病害、Ⅳ未受病害)的分析数据。
3)获取不同时相遥感影像
通过地理空间数据云分别获取了Landsat 7TM影像、Landsat 8OLI影像和GDEMDEM 30M分辨率数字高程数据。其中包括：
①返青期、抽穗期共2景的Landsat卫星TM影像数据；
②灌浆期的Landsat卫星OLI影像数据；
③条带号112，行编号35、条带号113，行编号35、条带号112，行编号 34、条带号113，行编号34共4景的GDEMDEM影像数据。
4)遥感影像预处理
遥感卫星传感器以地物表面对太阳辐射的反射信息作为数据基础，但是由于大气吸收的干扰，使得原始影像成为了一个包含各种因素在内的信息综合体。为了获取较高精度的光谱属性和信息，将地物的反射信息从中分离处理，从而避免大气中的水汽、溶胶等因素对影像数据的分析和研究造成干扰，提高小麦全蚀病遥感监测的精度。
①辐射定标：辐射定标就是将图像的数字量化值DN转化为辐射亮度值或者反射率或者表面温度等物理量的处理过程。本发明中利用ENVI软件的通用辐射定标工具读取元数据文件的参数，完成辐射定标，获取较高精度的光谱属性和信息；
②裁剪：由于下载且经过预处理的遥感影像已经做了几何校正，不存在几何畸变，即遥感影像的像元坐标与目标研究区的地理坐标保持一致的对应关系，所以直接利用行政边界矢量文件，对影像进行裁剪和拼接，裁剪处理后的影像如图4-6所示。
5)小麦种植区提取
在本研究区内，除了植被之外还存在房屋与道路建筑、水体、荒地等大量的非植被地物，而除了小麦之外，还存在着如草地、森林以及其他非小麦作物等地物植被类型。为了避免其他非小麦地物的图像干扰，更加精确地判断正常小麦与受病害小麦植株之间的光谱差异。如图3所示，对研究区内小麦种植区域进行提取：以经过步骤(3)预处理后的影像数据为基础，将植被与非植被区域分开，再结合最大似然法分类和支持向量机分类法，将小麦与其他作物区分，提取小麦种植区，小麦种植区的遥感影像如图7；
6)计算、分析植被指数
根据步骤5)所得的遥感影像数据，按照下表1所示的植被指数计算公式，分别计算不同时相小麦种植区的植被指数，并获得各植被指数的分布情况。
表1植被指数的计算公式和说明
其中，RNRI为近红外波段反射率；RIR为红波段反射率；RBLUE为蓝波段反射率；RGREEN为绿波段反射率。
7)运用变化向量分析法，构建监测模型
变化向量分析法(change vector analysis)由简单差分法扩展而来，是简单差分的方法在多光谱影像中的形式。该方法通过计算不同时相的影像数据的各个波段的差值，从而获取各个波段在不同像素的变化量，基于这些变化量构建变化向量。在变化向量中，变化强度用变化向量的欧氏距离来表示，变化内容则通过变化向量的变化方向来表现，并选择合适的变化阈值，保证变化向量分析法的高精确度。
本发明基于变化向量分析的小麦全蚀病遥感监测模型的构建方法，利用待测区小麦植被指数构建多维向量空间，以植被指数向量的空间夹角构建变化向量，并据此构建小麦全蚀病病害的监测模型。
①构建植被指数变化向量：根据步骤6)计算的种植被指数，按下式(1) 分别构建3个不同时相各个像元i对应的多维植被指数向量，其向量的模和方向余弦分别按下式(2)、(3)计算：
Pj，i＝[x1，x2，，，x6]T(j＝1，2，3) (1)
其中，Pj,i表示在j时相第i个像元的植被指数向量；j代表时相；k代表植被指数的序号，x1为EVI、x2为NDVI、x3为NPCI、x4为NRI、x5为PSRI、x6为SIPI；
②构建角度变化向量：利用植被指数向量的空间夹角的变化量构建各个植被指数向量的空间夹角，小麦全蚀病监测的变化向量公式如下：
△βf＝β2，i-β1，i
△βr＝β2，i-β3，i
其中，f、r分别表示时相2抽穗期到时相1返青期的变化、时相2抽穗期到时相3灌浆期的变化；Δβf是由时相2到时相1变化向量；Δβr是由时相2到时相3变化向量；
③确定阈值：设置各时相△β的阈值，确定各植被指数向量的角度变化向量的范围，采用双窗口变步长阈值搜寻算法划定阈值，并利用公式(4)对阈值进行检验：
其中，Ak1，Ak2，A分别表示某一变化强度阈值k下监测出的在典型变化区内的变化像元、外边界内的变化像元和典型变化区域的像元总数。
不同时相植被指数变化向量角度变化范围如下表2所示：
表2不同时相植被指数变化向量角度变化范围
其中，△β(i,xk)表示不同时相中第i个像元的植被指数向量空间角度变化。
④变化向量敏感性分析：对不同时相的各植被指数变化向量角度统计分析，结合表2分析知，增强型植被指数EVI的角度变化范围比较适中，而且其表征的像元变化也足够明显。并且EVI的计算主要涉及红波段、蓝波段和近红外波段。红波段是主要吸收叶绿素的波段，蓝色波段则主要吸收植物类胡萝卜素，而近红外波段则可以减少叶片表面和叶片内部的部分结构的影响。当小麦
感染全蚀病后，植株变化为早枯白穗，其光合作用受到限制，叶绿素的合成受到影响，但叶绿素的分解过程仍然在继续进行，故叶片中的叶绿素含量不断减少。与此同时，类胡萝卜素的更加稳定，不会因为早枯缺水而大量分解，所以在小麦受全蚀病影响后，类胡萝卜素的颜色逐渐显现出来，因此，确定增强型植被指数EVI能很好的表征小麦在受到全蚀病影响后的受害程度。此时，构建小麦全蚀病监测模型，如下式(5)、(6)：
△βf＝β2,i-β1,i＝β2(i,EVI)-β1(i,EVI) (5)
△βr＝β2,i-β3,i＝β2(i,EVI)-β3(i,EVI) (6)
其中，f表示时相2到时相1的时相变化，r表示时相2到时相3的时相变化，△β(i,EVI)表示不同时相中第i个像元的植被指数向量空间角度变化。
⑤小麦全蚀病受害等级划分
根据对实地采集的小麦植株样本病害的监测和变化向量△β(i,EVI)对小麦受病害进行等级划分：Ⅰ级—严重病害、Ⅱ级—中度病害、Ⅲ级—轻度病害、Ⅳ级—未受病害，如表3所示：
表3小麦全蚀病受害等级阈值划分
⑥监测模型验证
为了检验该模型的可靠性和实用性，在研究区域内挑选一定数量的样本，照传统方法对小麦全蚀病病害程度进行等级划分，并按照如下的公式对监测模型进行验证：
预测模型符合精度(％)＝1-误测样本误差数÷总验证样本数×100％；
验证结果显示，该模型中，小麦全蚀病害监测模型精度为86.7％，监测模型精度较高，如表4所示。由此可见，本发明提供的方法可以有效监测小麦全蚀病在空间上的分布以及传播规律，并及时采取针对性的防治措施。
表4模型监测等级验证
。
Claims (10)
1.一种基于变化向量分析的小麦全蚀病遥感监测模型的构建方法，其特征在于，包括如下步骤：
(1)采集、分析样本：在研究区域内选取一定数量的样本区域，在每个样本区域内分别取样，对所选样本进行病情分析和病害严重程度分级，并计算整理，获得对应样本的白穗率、病情指数、实测病害等级分析数据结果；
(2)获取遥感影像：依次获取研究区域内不同时相的Landsat TM/OLI影像数据，以及对应的ASTER GDEMDEM影像数据；
(3)遥感影像预处理：利用ENVI软件的通用辐射定标工具读取步骤(2)所得的卫星遥感影像数据，完成辐射定标；再利用行政边界矢量文件，对影像进行裁剪和拼接；
(4)提取小麦种植区域：利用步骤(3)得到的影像数据，将植被区域与非植被区域分开，再结合最大似然法分类和支持向量机分类，区分小麦与其它作物，获取小麦种植区域；
(5)计算植被指数：基于步骤(4)小麦种植区的遥感影像数据，计算不同时相的小麦植被指数，并获得不同时相各个植被指数的分布情况；
(6)构建监测模型，包括如下步骤：
1)构建植被指数变化向量
①基于步骤(5)计算的植被指数，按下式(1)分别构建不同时相各个像元i对应的多维植被指数向量，其向量的模和方向余弦分别按下式(2)、(3)计算：
Pj，i＝[x1，x2，，，xk]T (1)
<mrow>
<mo>|</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>|</mo>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
<mn>2</mn>
</msup>
<mo>+</mo>
<mn>......</mn>
<mo>+</mo>
<msup>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>cos&beta;</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>i</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>|</mo>
<mi>P</mi>
<mi>j</mi>
<mo>,</mo>
<mi>i</mi>
<mo>|</mo>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，Pj,i表示在j时相第i个像元的植被指数向量；j代表时相；k代表植被指数的序号，xk代表植被指数；
②构建角度变化向量：将步骤①所得的植被指数向量的空间夹角作为特征向量，计算不同时相的特征向量的差值，构建角度变化向量△β，△β＝[△β1，△β2，...，△βi]T；
2)确定角度变化范围：基于步骤②所构建的角度变化向量△β，划定各个像元i的角度变化向量△βi的阈值，确定对应△β的变化范围；
3)变化向量敏感性分析：对步骤2)中不同时相的各植被指数的角度变化范围进行统计分析，得出对小麦全蚀病受害程度最敏感的植被指数xk，以及与之对应的角度变化范围△β(i,xk)；
4)根据步骤3)确定的敏感型植被指数xk、△β(i,xk)，按下式(4)构建2个不同时相植被指数向量的角度变化向量：
△β＝βj1,i-βj,i＝βj1(i,xk)-βj(i,xk) (4)
其中，j1，j分别表示两个不同的时相；
5)基于步骤3)分析得出的敏感型植被指数，利用其对应的角度变化向量△β(i,xk)，对研究区小麦全蚀病受害情况进行等级阈值划分。
2.根据权利要求1所述的基于变化向量分析的小麦全蚀病遥感监测模型的构建方法，其特征在于，在步骤(6)中，该步骤2)所述阈值的划定采用双窗口变步长阈值搜寻算法，具体步骤如下：
(1)选取典型变化训练样区：比较不同时相的影像数据，按照以下原则选取至少2个典型样区作为算法的训练样区：
①包含小麦全蚀病的不同病害等级；
②样区内像元均为变化像元；
(2)搜寻阈值范围，设定步长：将所选取的训练样区以双窗口模式作为掩膜图像，根据步骤(6)中步骤3)所得变化向量的统计信息，以步长P1＝(b-a)/m(m为任意正整数)，在△β(i,xk)范围内设定阈值；
(3)检验参数：设Ak1，Ak2，A分别表示某一变化强度阈值下监测出的在典型变化区内的变化像元、外边界内的变化像元和典型变化区域的像元总数，阈值下的检验成功率Lk按下式计算：
<mrow>
<msub>
<mi>L</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>A</mi>
<mrow>
<mi>k</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>A</mi>
<mrow>
<mi>k</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>)</mo>
<mo>&times;</mo>
<mn>100</mn>
<mi>%</mi>
</mrow>
<mi>A</mi>
</mfrac>
<mo>;</mo>
</mrow>
(4)确定阈值：检验成功率在80％以上时，对应的阈值精确度比较高。
3.根据权利要求2所述的基于变化向量分析的小麦全蚀病遥感监测模型的构建方法，其特征在于，所述△β(i,xk)的范围是[-31.12°,12.13°]，所述阈值计算公式为-31.12-P1，12.13-2P1。
4.根据权利要求1所述的基于变化向量分析的小麦全蚀病遥感监测模型的构建方法，其特征在于，所述植被指数指的是x1：EVI、x2：NDVI、x3：NPCI、x4：NRI、x5：PSRI、x6：SIPI，在步骤(6)中，所述最敏感植被指数xk是EVI。
5.根据权利要求1所述的基于变化向量分析的小麦全蚀病遥感监测模型的构建方法，其特征在于，适应于黄淮区域的小麦从返青期到灌浆后期全蚀病的监测模型为：
△β＝βj1,i-βj,i＝βj1(i,EVI)-βj(i,EVI)
其中，j1、j分别表示两个不同的时相。
6.根据权利要求1所述的基于变化向量分析的小麦全蚀病遥感监测模型的构建方法，其特征在于，小麦全蚀病病害程度等级划分为：严重病害、中度病害、轻度病害和未受病害，对应的△β(i，EVI)范围依次为[-26°，-11°]、[-11°，-7°]、[-7°，-2°]、[-2°，8°]，也可以根据步骤(1)小麦实测样本信息，将小麦受病害情况划分为严重病害、中度病害、轻度病害和未受病害四个等级，且依次对应的变化向量范围为：[-31°，-19°]、[-19°，-12°]、[-12°，-7°]、[-7°，14°]。
7.一种基于变化向量分析的小麦全蚀病遥感监测方法，其特征在于，包括下列步骤：
(1)获取遥感影像：确定待测区，并依次获取待测区内小麦不同时相的Landsat TM/OLI影像数据，以及对应的ASTER GDEMDEM影像数据；
(2)遥感影像预处理：利用ENVI软件的通用辐射定标工具读取步骤(1)所得的卫星遥感影像数据，完成辐射定标；再利用行政边界矢量文件，对影像进行裁剪和拼接；
(3)提取小麦种植区域，计算小麦的EVI：利用上一步骤(2)中的影像数据，将植被区域与非植被区域分开，再结合最大似然法分类和支持向量机分类，区分小麦和其它作物，获取小麦种植区域；根据上一步骤步骤(2)中的遥感影像数据，计算待测区内不同时相小麦增强型植被指数EVI；
(4)计算△β(i，EVI)：根据权利要求1所述基于变化向量分析的小麦全蚀病遥感监测模型计算增强型植被指数△β(i，EVI)的变化范围；
(5)小麦病害分析：根据上一步骤(4)计算的△β(i，EVI)的变化范围，结合权利要求1所述基于变化向量分析的小麦全蚀病遥感监测模型中小麦病害情况的等级划分，对待测区小麦全蚀病病情进行分析。
8.根据权利要求7所述的基于变化向量分析的小麦全蚀病遥感监测方法，其特征在于，适用于黄淮区小麦返青期到灌浆后期小麦增强型植被指数△β(i，EVI)变化范围的计算公式如下：
△βf＝β2(i,EVI)-β1(i,EVI)
△βr＝β2(i,EVI)-β3(i,EVI)
其中，f表示抽穗期2到返青期1的时相变化，r表示抽穗期2到灌浆期3的时相变化，i表示组成每时相的像元，△βf是由时相2到时相1变化向量；△βr是由时相2到时相3变化向量。
9.根据权利要求8所述的基于变化向量分析的小麦全蚀病遥感监测方法，其特征在于，所述△β(i，EVI)的变化范围为[-31.12°,12.13°]。
10.根据权利要求7所述的基于变化向量分析的小麦全蚀病遥感监测方法，其特征在于，在所述步骤(5)中，小麦全蚀病病害程度等级划分为：严重病害、中度病害、轻度病害和未受病害，变化时相为f时，病害等级对应的△β(i，EVI)范围依次为[-31°，-19°]、[-19°，-12°]、[-12°，-7°]、[-7°，14°]，变化时相为r时，病害等级对应的△β(i，EVI)范围依次为[-26°，-11°]、[-11°，-7°]、[-7°，-2°]、[-2°，8°]。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710374148.5A CN107145876B (zh) | 2017-05-24 | 2017-05-24 | 基于变化向量分析的小麦全蚀病遥感监测方法及其监测模型的构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710374148.5A CN107145876B (zh) | 2017-05-24 | 2017-05-24 | 基于变化向量分析的小麦全蚀病遥感监测方法及其监测模型的构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107145876A true CN107145876A (zh) | 2017-09-08 |
| CN107145876B CN107145876B (zh) | 2020-04-10 |
Family
ID=59779271
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710374148.5A Active CN107145876B (zh) | 2017-05-24 | 2017-05-24 | 基于变化向量分析的小麦全蚀病遥感监测方法及其监测模型的构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107145876B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108305244A (zh) * | 2017-12-19 | 2018-07-20 | 北京工业职业技术学院 | 一种作物软硬变化区域的划分方法及系统 |
| CN108764255A (zh) * | 2018-05-21 | 2018-11-06 | 二十世纪空间技术应用股份有限公司 | 一种冬小麦种植信息的提取方法 |
| CN109141371A (zh) * | 2018-08-21 | 2019-01-04 | 中国科学院地理科学与资源研究所 | 冬小麦受灾识别方法、装置及设备 |
| CN109447945A (zh) * | 2018-09-21 | 2019-03-08 | 河南农业大学 | 基于机器视觉和图形处理的小麦基本苗快速计数方法 |
| CN115115955A (zh) * | 2022-07-08 | 2022-09-27 | 宁波大学 | 基于无人机高光谱遥感的松材线虫病树监测方法与装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102937574A (zh) * | 2012-07-20 | 2013-02-20 | 北京农业信息技术研究中心 | 一种基于卫星影像的病虫害信息提取方法 |
| CN103927558A (zh) * | 2013-12-09 | 2014-07-16 | 北京师范大学 | 一种软硬变化检测的冬小麦遥感识别方法 |
| CN106339423A (zh) * | 2016-08-14 | 2017-01-18 | 李宇翔 | 一种甘蔗种植信息动态更新方法及装置 |
-
2017
- 2017-05-24 CN CN201710374148.5A patent/CN107145876B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102937574A (zh) * | 2012-07-20 | 2013-02-20 | 北京农业信息技术研究中心 | 一种基于卫星影像的病虫害信息提取方法 |
| CN103927558A (zh) * | 2013-12-09 | 2014-07-16 | 北京师范大学 | 一种软硬变化检测的冬小麦遥感识别方法 |
| CN106339423A (zh) * | 2016-08-14 | 2017-01-18 | 李宇翔 | 一种甘蔗种植信息动态更新方法及装置 |
Non-Patent Citations (4)
| Title |
|---|
| 乔红波: "基于无人机数字图像与高光谱数据融合的小麦全蚀病等级的快速分类技术", 《植物保护》 * |
| 乔红波: "基于近地成像光谱的小麦全蚀病等级监测", 《农业工程学报》 * |
| 张旭东: "卫星遥感监测江苏省小麦籽粒产量和品质初步探索", 《中国优秀硕士学位论文全文数据库》 * |
| 王慧芳: "基于多源数据冬小麦冻害遥感监测研究", 《中国博士学位论文全文数据库农业科技辑》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108305244A (zh) * | 2017-12-19 | 2018-07-20 | 北京工业职业技术学院 | 一种作物软硬变化区域的划分方法及系统 |
| CN108305244B (zh) * | 2017-12-19 | 2020-06-23 | 北京工业职业技术学院 | 一种作物软硬变化区域的划分方法及系统 |
| CN108764255A (zh) * | 2018-05-21 | 2018-11-06 | 二十世纪空间技术应用股份有限公司 | 一种冬小麦种植信息的提取方法 |
| CN108764255B (zh) * | 2018-05-21 | 2021-06-01 | 二十一世纪空间技术应用股份有限公司 | 一种冬小麦种植信息的提取方法 |
| CN109141371A (zh) * | 2018-08-21 | 2019-01-04 | 中国科学院地理科学与资源研究所 | 冬小麦受灾识别方法、装置及设备 |
| CN109447945A (zh) * | 2018-09-21 | 2019-03-08 | 河南农业大学 | 基于机器视觉和图形处理的小麦基本苗快速计数方法 |
| CN109447945B (zh) * | 2018-09-21 | 2021-11-30 | 河南农业大学 | 基于机器视觉和图形处理的小麦基本苗快速计数方法 |
| CN115115955A (zh) * | 2022-07-08 | 2022-09-27 | 宁波大学 | 基于无人机高光谱遥感的松材线虫病树监测方法与装置 |
| CN115115955B (zh) * | 2022-07-08 | 2023-03-24 | 宁波大学 | 基于无人机高光谱遥感的松材线虫病树监测方法与装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107145876B (zh) | 2020-04-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Duan et al. | Remote estimation of grain yield based on UAV data in different rice cultivars under contrasting climatic zone | |
| CN107145876A (zh) | 基于变化向量分析的小麦全蚀病遥感监测方法及其监测模型的构建方法 | |
| Gnyp et al. | Hyperspectral canopy sensing of paddy rice aboveground biomass at different growth stages | |
| Calderón et al. | Detection of downy mildew of opium poppy using high-resolution multi-spectral and thermal imagery acquired with an unmanned aerial vehicle | |
| Cao et al. | Detection of powdery mildew in two winter wheat cultivars using canopy hyperspectral reflectance | |
| Ciganda et al. | How deep does a remote sensor sense? Expression of chlorophyll content in a maize canopy | |
| Wang et al. | Response of winter wheat to spring frost from a remote sensing perspective: Damage estimation and influential factors | |
| Yang et al. | Classification of desert steppe species based on unmanned aerial vehicle hyperspectral remote sensing and continuum removal vegetation indices | |
| Shu et al. | Assessing maize lodging severity using multitemporal UAV-based digital images | |
| Peng et al. | Modeling the daytime net primary productivity of maize at the canopy scale based on UAV multispectral imagery and machine learning | |
| Rani et al. | Remote sensing as pest forecasting model in agriculture | |
| Watt et al. | Prediction of the severity of Dothistroma needle blight in radiata pine using plant based traits and narrow band indices derived from UAV hyperspectral imagery | |
| Wang et al. | Using field hyperspectral data to predict cotton yield reduction after hail damage | |
| Zhang et al. | The application of hyperspectral imaging for wheat biotic and abiotic stress analysis: A review | |
| Zhang et al. | Detection of wheat powdery mildew by differentiating background factors using hyperspectral imaging | |
| Lin-Sheng et al. | Continuous wavelet analysis for diagnosing stress characteristics of leaf powdery mildew | |
| Liu et al. | Application of UAV-retrieved canopy spectra for remote evaluation of rice full heading date | |
| Liu et al. | Exploring multi-features in UAV based optical and thermal infrared images to estimate disease severity of wheat powdery mildew | |
| Gong et al. | Characterization of forest crops with a range of nutrient and water treatments using AISA hyperspectral imagery | |
| Yang et al. | Evaluation of winter-wheat water stress with UAV-based multispectral data and ensemble learning method | |
| Chen et al. | Yield loss estimation of verticillium wilt cotton field based on uav multi-spectral and regression model | |
| Wang et al. | Classification of medicinal plants astragalus mongholicus bunge and sophora flavescens aiton using GaoFen-6 and multitemporal Sentinel-2 data | |
| Chen | Cotton leaf area index estimation using unmanned aerial vehicle multi-spectral images | |
| Zhang et al. | A comparative study on wheat leaf area index by different measurement methods | |
| Yang et al. | Integrating multidimensional feature indices and phenological windows for mapping cropping patterns in complex agricultural landscape regions |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |