CN108535193A - 一种林业典型病虫害遥感监测方法 - Google Patents
一种林业典型病虫害遥感监测方法 Download PDFInfo
- Publication number
- CN108535193A CN108535193A CN201810222501.2A CN201810222501A CN108535193A CN 108535193 A CN108535193 A CN 108535193A CN 201810222501 A CN201810222501 A CN 201810222501A CN 108535193 A CN108535193 A CN 108535193A
- Authority
- CN
- China
- Prior art keywords
- pest
- disease damage
- forestry
- remote
- typical case
- 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.)
- Pending
Links
Classifications
-
- 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
- G01N2021/1797—Remote sensing in landscape, e.g. crops
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明公开了一种林业典型病虫害遥感监测方法,属于林业典型病虫害遥感监测方法,用遥感的手段监测林业典型病虫害。通过获取目标区域的遥感图像,分析间隔1个月左右的两幅图像中植被信息的变化率,来判断目标区域的病虫害情况,从而实现发明目的。遥感具有宏观性、获取信息快、重复周期短和成本低等优点,恰恰可以弥补人工调查的不足,能够快速和准确的监测大面积林业病虫害,及时准确识别病虫害树木的空间位置,为林业部门防治决策提供数据支持,减少病虫害对林业和生态环境造成的损失。
Description
技术领域
本发明属于林业典型病虫害遥感监测方法,用遥感的手段监测林业典型病虫害。
技术背景
当森林遭受病虫害后,若没有得到有效的控制,病原菌很可能会大量繁殖、扩散,然后成为巨大的侵染源,进一步对森林造成无法估计的破坏,所以准确、及时的监测林业病虫害是防治病虫害的关键。传统的人工调查监测方法一般是由林业技术人员通过人工地面抽样调查,费时费力且不便于及时、全面地掌握灾情的空间位置以及灾害程度,造成防治不能及时进行,然后会造成更加巨大经济损失。而遥感具有宏观性、获取信息快、重复周期短和成本低等优点,恰恰可以弥补人工调查的不足,能够快速和准确的监测大面积林业病虫害,根据病木的波谱特征,运用相应的遥感影像,能给通过相应的技术方法,准确识别病木的空间位置,经济效益高且时效性更强。
发明内容
本发明提出了实用性较强的林业典型病虫害遥感监测方法。这种监测方法不仅适用于林业典型病虫害的监测,同样适用于森林病虫害的监测;不仅适用于针叶林的病虫害监测,也适用于阔叶林的病虫害监测。
本发明技术方案为一种林业典型病虫害遥感监测方法,该方法包括:
步骤1:周期性获取目标区域的Landsat 8多光谱遥感图像;
步骤2:对获取的图像分别进行预处理,预处理方法包括:辐射定标、大气校正、裁剪与拼接;
步骤3:采用GIS叠加分析方法提取目标区域树种的空间分布信息;
步骤4:采用步骤3得到的树种空间分布信息计算目标区域各像素点的植被覆盖指数,得到目标区域的植被覆盖指数图;
步骤5:计算相邻两次获得的遥感图像中各像素点对应的植被覆盖指数变化率;
步骤6:采用如下公式计算出目标区域中各部分的植被病虫害情况:
Y=-0.520-0.103*NDVIrate
其中:Y表示植被病虫害评价指数,当Y小于0.5时为正常,在0.5~1.2时为轻害,1.2~2.1为中害,大于2.1时为重害。
进一步的,所述步骤1中获取遥感图像的周期为大于等于20天小于等于40天。
遥感具有宏观性、获取信息快、重复周期短和成本低等优点,恰恰可以弥补人工调查的不足,能够快速和准确的监测大面积林业病虫害,及时准确识别病虫害树木的空间位置,为林业部门防治决策提供数据支持,减少病虫害对林业和生态环境造成的损失。
附图说明
图1为理县Landsat OLI 8影像图;
图2为理县地表空间覆盖图;
图3为理县监测树种分布图;
图4为理县NDVI指数图;
图5为理县云杉落针病监测结果图;
图6为理县油松和华山松赤枯病监测结果图;
图7为遥感监测林业典型病虫害流程图。
具体实施步骤
本文选取四川省阿坝州理县的林业典型病虫害(云杉落针病,油松和华山松赤枯病)进行说明。首先提取研究区研究树种的空间分布信息,避免其他地物对监测结果造成影响。然后,根据研究区的具体情况选择时间序列模型,即利用不同时相(灾前和灾后)的两期研究区影像,选取未发生病虫害与生病虫害的遥感影像;结合地面调查点数据建立病虫害受害程度与NDVI变化率之间的一元回归模型,模型相关系数R=0.860,模型精度82.61%,基本满足研究的要求。根据建立的模型,对整个研究区进行病虫害监测和分析,并利用地面调查受害情况数据进行对比分析,结果表明监测结果与地面实际调查情况在空间分布和受害情况都具有很好的一致性,该模型可以应用到病虫害监测中。
1)影像数据获取和预处理:
影像数据获取:
需要的两个时相的Landsat OLI 8数据满足以下条件:(1)影像获取时间上分别处于发生病虫害之前且长势最好(参考标准)和成灾后;(2)白天的影像;(3)来自同一个轨道卫星的影像;(4)尽量靠近星下点;(5)影像云量和积雪较少。前四个条件较容易满足,由于研究区地处川西北高山地区,经常有厚云存在,另外根据当地林业局调查,5-6月份林木长势最好,这个月份的影像可以作为参考的影像,6~8月为病虫害的高峰期,9月份之后病虫害稳定,所以9月份之后是遥感监测当年病虫害发生的有效时期,但是在2014年5~10月有三幅满足以上的条件,分别是7、8、9三个月的,根据病虫害的发生规律,选择研究区7月和9月的Landsat 8多光谱数据。
预处理:
(1)几何校正
无论是卫星还是无人机获得的航空影像,因为传感器搭载平台、地形或者大气等因素的影响,获取的遥感影像都会发生一些几何畸变,因此获取的影像数据不能直接应用。同时,由于遥感技术的快速发展,遥感影像现如今也越来越多样化,时间分辨率和空间分辨率也越来越高,光谱波段也越来越多,影像中包含的信息也越来越丰富,但是在具体使用的过程中,需要根据不同的应用要求,对其进行几何校正。所以,在使用遥感影像前必需要对其进行几何校正。一般需要先通过选取合适的地面控制点,采用相应的算法,拟合畸变函数来建立地理坐标和像元坐标之间的对应系数或者对应关系,也可进行图像与图像之间的几何配准。
(2)辐射定标
获取到的原始遥感影像上的值是数字量化值(DN),需要转换为辐射亮度值等物理量才能使用,所以需要对原始影像进行辐射定标。辐射定标就是将影像上的DN值转化相应物理量的处理过程。在遥感影像的元数据文件中一般保存有辐射定标的参数,利用ENVI软件的辐射定标工具(Radiometric Calibration)可以直接从元数据文件中读取辐射定标参数,完成辐射定标。所以本文根据研究需要,应用ENVI软件的进行辐射定标和大气校正。
(3)影像的裁剪和拼接
影像裁剪是指从影像上剪切出研究所需要的区域,即感兴趣区,由于在实际应用中,图像覆盖范围往往与研究区域不太一致,然后必须根据研究区范围对遥感影像进行拼接和裁剪。图像拼接就是指将若干相邻图像根据研究区域合并成一幅图像或一组图像,进行拼接的影像必须具备相同几何校正后的地理参考以及相同的波段数。在影像拼接处理之前,需要先对图像进行直方图配准,使图像色调保持一致。由于原始Landsat OLI 8影像已经覆盖了整个研究区,所以本研究利用ENVI软件感兴趣区工具(Regions of Interest)并结合研究区的行政区划矢量文件,实现遥感影像的裁剪,获取研究区的影像。首先以理县、茂县区划shp图层建立ROI,然后裁剪出理县遥感影像图。
2)监测树种分布信息提取:
2008年汶川地震后,地表覆盖情况有了很大的变化,所以林业部门对地表覆盖情况进行了调查,于2009年完成理县林业资源规划数据。由于地表覆盖情况随着时间的推移会有一定的差异,所以在ARCGIS中,根据2014年的理县地理国情普查数据中的针叶林和针叶混交林与林业资源规划数据中的云杉、油松和华山松进行叠加,提取理县、茂县树种的分布信息。
3)监测模型的建立:
理县云杉123个地面调查点,对其对应的NDVI变化率与受害程度的关系进行相关分析,结果显示NDVI变化率与受害程度在0.01的水平上显著负相关,所以可以用NDVI的变化率进行病虫害的监测。
受害程度与NDVI变化率之间的病虫害监测模型如式3:
Y=-0.520-0.103*NDVIrate (3)
当Y小于0.5时为正常,在0.5~1.2时为轻害,1.2~2.1为中害,大于2.1时为重害。将余下的23个地面调查点作为真实值验证估测模型,得出估测模型的精度。选择其中的100个点作为样本点,进行回归分析,处于可靠性为0.01的置信水平时,构建的数学模型可信度较高,其回归估测方程的NDVI变化率与受害程度具有明显的相关性,并对模型进行F检验:其中F=344.715>F(1,98,0.01),说明模型具有很高的可信度和适用性。通过分析可以得到在23个估测地点中,有19个估测地点与实际地点受害程度一致,所以该模型平均的估测精度可达82.61%,达到了研究的精度水平,可以用于理县病虫害的监测。
林业典型病虫害监测结果如图5~6所示,监测结果能够达到林业生产的需求。监测流程如图7所示。
Claims (2)
1.一种林业典型病虫害遥感监测方法,该方法包括:
步骤1:周期性获取目标区域的Landsat 8多光谱遥感图像;
步骤2:对获取的图像分别进行预处理,预处理方法包括:辐射定标、大气校正、裁剪与拼接;
步骤3:采用GIS叠加分析方法提取目标区域树种的空间分布信息;
步骤4:采用步骤3得到的树种空间分布信息计算目标区域各像素点的植被覆盖指数,得到目标区域的植被覆盖指数图;
步骤5:计算相邻两次获得的遥感图像中各像素点对应的植被覆盖指数变化率;
步骤6:采用如下公式计算出目标区域中各部分的植被病虫害情况:
Y=-0.520-0.103*NDVIrate
其中:Y表示植被病虫害评价指数,当Y小于0.5时为正常,在0.5~1.2时为轻害,1.2~2.1为中害,大于2.1时为重害。
2.如权利要求1所述的一种林业典型病虫害遥感监测方法,其特征在于所述步骤1中获取遥感图像的周期为大于等于20天小于等于40天。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810222501.2A CN108535193A (zh) | 2018-03-19 | 2018-03-19 | 一种林业典型病虫害遥感监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810222501.2A CN108535193A (zh) | 2018-03-19 | 2018-03-19 | 一种林业典型病虫害遥感监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108535193A true CN108535193A (zh) | 2018-09-14 |
Family
ID=63484651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810222501.2A Pending CN108535193A (zh) | 2018-03-19 | 2018-03-19 | 一种林业典型病虫害遥感监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108535193A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109827929A (zh) * | 2019-03-13 | 2019-05-31 | 福州大学 | 基于tsevi的森林覆盖变化检测方法 |
CN109977924A (zh) * | 2019-04-15 | 2019-07-05 | 北京麦飞科技有限公司 | 针对农作物的无人机机上实时图像处理方法及系统 |
CN110940636A (zh) * | 2019-12-05 | 2020-03-31 | 华南农业大学 | 柑橘林病虫害智能识别与林间信息监测系统 |
CN113670825A (zh) * | 2021-08-24 | 2021-11-19 | 河南省科学院地理研究所 | 一种基于综合遥感技术的森林环境遥感监测系统 |
CN114782844A (zh) * | 2022-05-06 | 2022-07-22 | 华南农业大学 | 一种松材线虫病树识别方法、系统和存储介质 |
CN116258977A (zh) * | 2023-05-09 | 2023-06-13 | 凉山州现代林业产业发展指导服务中心 | 一种基于视频图像识别森林病虫害防控方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106915462A (zh) * | 2017-02-14 | 2017-07-04 | 福建兴宇信息科技有限公司 | 基于多源影像信息的林业病虫害智能识别系统 |
CN107145872A (zh) * | 2017-05-12 | 2017-09-08 | 河海大学 | 基于gis缓冲区分析的荒漠河岸林空间分布获取方法 |
-
2018
- 2018-03-19 CN CN201810222501.2A patent/CN108535193A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106915462A (zh) * | 2017-02-14 | 2017-07-04 | 福建兴宇信息科技有限公司 | 基于多源影像信息的林业病虫害智能识别系统 |
CN107145872A (zh) * | 2017-05-12 | 2017-09-08 | 河海大学 | 基于gis缓冲区分析的荒漠河岸林空间分布获取方法 |
Non-Patent Citations (1)
Title |
---|
徐正刚等: "基于MODIS植被指数评估洞庭湖区东方田鼠大暴发的危害,", 《生态学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109827929A (zh) * | 2019-03-13 | 2019-05-31 | 福州大学 | 基于tsevi的森林覆盖变化检测方法 |
CN109977924A (zh) * | 2019-04-15 | 2019-07-05 | 北京麦飞科技有限公司 | 针对农作物的无人机机上实时图像处理方法及系统 |
CN110940636A (zh) * | 2019-12-05 | 2020-03-31 | 华南农业大学 | 柑橘林病虫害智能识别与林间信息监测系统 |
CN110940636B (zh) * | 2019-12-05 | 2020-12-08 | 华南农业大学 | 柑橘林病虫害智能识别与林间信息监测系统 |
CN113670825A (zh) * | 2021-08-24 | 2021-11-19 | 河南省科学院地理研究所 | 一种基于综合遥感技术的森林环境遥感监测系统 |
CN114782844A (zh) * | 2022-05-06 | 2022-07-22 | 华南农业大学 | 一种松材线虫病树识别方法、系统和存储介质 |
CN114782844B (zh) * | 2022-05-06 | 2023-05-12 | 华南农业大学 | 一种松材线虫病树识别方法、系统和存储介质 |
CN116258977A (zh) * | 2023-05-09 | 2023-06-13 | 凉山州现代林业产业发展指导服务中心 | 一种基于视频图像识别森林病虫害防控方法及系统 |
CN116258977B (zh) * | 2023-05-09 | 2023-07-21 | 凉山州现代林业产业发展指导服务中心 | 一种基于视频图像识别森林病虫害防控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108535193A (zh) | 一种林业典型病虫害遥感监测方法 | |
Wijesingha et al. | Evaluation of 3D point cloud-based models for the prediction of grassland biomass | |
Stroppiana et al. | Early season weed mapping in rice crops using multi-spectral UAV data | |
Dutta et al. | Impervious surface growth and its inter-relationship with vegetation cover and land surface temperature in peri-urban areas of Delhi | |
Sivanpillai et al. | Estimation of managed loblolly pine stand age and density with Landsat ETM+ data | |
Pascual et al. | Relationship between LiDAR-derived forest canopy height and Landsat images | |
Sharifi | Estimation of biophysical parameters in wheat crops in Golestan province using ultra-high resolution images | |
Chopping et al. | Forest canopy cover and height from MISR in topographically complex southwestern US landscapes assessed with high quality reference data | |
Baofeng et al. | Digital surface model applied to unmanned aerial vehicle based photogrammetry to assess potential biotic or abiotic effects on grapevine canopies | |
Fernández-Guisuraga et al. | Radiative transfer modeling to measure fire impact and forest engineering resilience at short-term | |
CN108537130A (zh) | 一种基于微型无人机技术的高原鼢鼠和高原鼠兔危害监测方法 | |
Shrestha et al. | Assessing soil erosion in inaccessible mountainous areas in the tropics: The use of land cover and topographic parameters in a case study in Thailand | |
Vorovencii | Assessment of some remote sensing techniques used to detect land use/land cover changes in South-East Transilvania, Romania | |
Fernández-Guisuraga et al. | Monitoring post-fire neighborhood competition effects on pine saplings under different environmental conditions by means of UAV multispectral data and structure-from-motion photogrammetry | |
Polinova et al. | Reconstructing pre-fire vegetation condition in the wildland urban interface (WUI) using artificial neural network | |
CN114881620B (zh) | 一种基于卫星遥感的国土空间监测方法与系统 | |
Shin et al. | Direct measurement of leaf area index in a deciduous needle-leaf forest, eastern Siberia | |
Zhang et al. | Evaluation of Leaf Area Index (LAI) of Broadacre crops using UAS-Based LiDAR point clouds and multispectral imagery | |
Maan et al. | Tree species biomass and carbon stock measurement using ground based-LiDAR | |
Isaev et al. | Bias correction of Sentinel-2 with unmanned aerial vehicle multispectral data for use in monitoring walnut fruit forest in western Tien Shan, Kyrgyzstan | |
Rampant et al. | UAS and Landsat imagery to determine fuel condition for fire behaviour prediction on spinifex hummock grasslands of arid Australia | |
Cao et al. | Fine scale optical remote sensing experiment of mixed stand over complex terrain (FOREST) in the Genhe reserve area: Objective, observation and a case study | |
Rana et al. | Optimizing the number of training areas for modeling above-ground biomass with ALS and multispectral remote sensing in subtropical Nepal | |
Ranson et al. | Northern forest ecosystem dynamics using coupled models and remote sensing | |
Fernández-Sarría et al. | Estimation of walnut structure parameters using terrestrial photogrammetry based on structure-from-motion (SfM) |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180914 |
|
RJ01 | Rejection of invention patent application after publication |