CN108694391A - 基于高光谱遥感的胡杨林春尺蠖灾害监测方法 - Google Patents

基于高光谱遥感的胡杨林春尺蠖灾害监测方法 Download PDF

Info

Publication number
CN108694391A
CN108694391A CN201810470030.7A CN201810470030A CN108694391A CN 108694391 A CN108694391 A CN 108694391A CN 201810470030 A CN201810470030 A CN 201810470030A CN 108694391 A CN108694391 A CN 108694391A
Authority
CN
China
Prior art keywords
spring looper
populus euphratica
disaster
diversiform
looper
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
Application number
CN201810470030.7A
Other languages
English (en)
Other versions
CN108694391B (zh
Inventor
黄铁成
陈孟禹
贾翔
来风兵
陈蜀江
庄宇姣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201810470030.7A priority Critical patent/CN108694391B/zh
Publication of CN108694391A publication Critical patent/CN108694391A/zh
Application granted granted Critical
Publication of CN108694391B publication Critical patent/CN108694391B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V20/13—Satellite images
    • 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
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/143—Sensing or illuminating at different wavelengths
    • 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
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Catching Or Destruction (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及林业病虫害监测技术领域，是一种基于高光谱遥感的胡杨林春尺蠖灾害监测方法，包括以下步骤：第一步，通过光谱仪对样木进行光谱测定，获得监测区域内所有植株的地面高光谱数据，第二步，分别对获取的健康植株及受害植株的地面高光谱数据进行处理，第三步，对胡杨光谱进行特征分析，采用红边效应监测胡杨林春尺蠖灾害程度，第四步，构建基于红边特征参数的胡杨林春尺蠖灾害卫星遥感监测模型，第五步，将待监测区域的Hyperion数据带入基于红边特征参数的胡杨林春尺蠖灾害卫星遥感监测模型。本发明研究将阐明春尺蠖虫害胁迫影响下胡杨的遥感光谱信息特征，为探索胡杨林春尺蠖灾害信息的提取技术，发展实用的遥感动态监测技术提供理论依据。

Description

基于高光谱遥感的胡杨林春尺蠖灾害监测方法
技术领域
本发明涉及林业病虫害监测技术领域，是一种基于高光谱遥感的胡杨林春尺蠖灾害监测方法。
背景技术
胡杨作为一种在河岸、湖泊等湿润条件下生长的荒漠河岸林，其独特的生理结构使其能够在盐碱、风沙和干旱的恶劣环境中生存，是干旱荒漠区近顶级的天然乔木群落，是荒漠生态系统的重要组成部分，在维护荒漠区生态平衡、防风固沙、调节气候、改善生态环境等方面发挥着重要的生态功能。近50年来，由于人为破坏和气候变化，天然胡杨林大面积衰败，生态系统严重受损，生物多样性急剧降低，胡杨林长势渐趋衰弱，各种病虫害趁机大面积肆虐，尤其是春尺蠖在林区扩散蔓延迅速，危害面积达100万亩以上，重灾地区森林失叶严重如同遭遇火灾，而且有进一步向绿洲扩散的趋势。源于胡杨林的春尺蠖害虫向绿洲蔓延，有可能引起巨大的生态灾难，由于塔里木河流域天然胡杨林面积大、分布广、难以进入，导致防治率低，春尺蠖虫害严重威胁着胡杨林的生存和人工绿洲的生态安全。因此，如何及时、精准、大范围有效地监测春尺蠖灾害并提供预警信息，是胡杨林灾害防治中面临的重大技术挑战。
发明内容
本发明提供了一种基于高光谱遥感的胡杨林春尺蠖灾害监测方法，克服了上述现有技术之不足，其能有效解决现有技术中没有对胡杨尺蠖灾害程度进行预测及有效监测的方法，导致胡杨林蠖灾害预警不及时，对胡杨林造成严重危害的问题。
本发明的技术方案之一是通过以下措施来实现的：基于高光谱遥感的胡杨林春尺蠖灾害监测方法，包括以下步骤：
第一步，通过光谱仪对样木进行光谱测定，获得监测区域内所有胡杨的地面高光谱数据，之后进入第二步；
第二步，分别对获取的健康胡杨及受害胡杨的地面高光谱数据进行处理，之后进入第三步；
第三步，对胡杨的地面高光谱进行特征分析，分析春尺蠖危害程度与胡杨的地面高光谱红边特征参数之间的关系，采用红边效应监测胡杨林春尺蠖灾害程度，之后进入第四步；
第四步，构建基于红边特征参数的胡杨林春尺蠖灾害卫星遥感监测模型，之后进入第五步；
第五步，将待监测区域的Hyperion数据带入基于红边特征参数的胡杨林春尺蠖灾害卫星遥感监测模型，即可反演出待监测区域的春尺蠖灾害危害程度信息，结束。
下面是对上述发明技术方案的进一步优化或/和改进：
上述第二步中，对胡杨的地面高光谱进行处理的步骤如下：
(1)高光谱数据：原始光谱数据处理，光谱仪测定胡杨叶片时获得的数据为植物光谱反射值，根据植物光谱反射值与白板光谱反射值求取植被光谱反射率，计算公式如下式：
其中：Refi为植物第i波段的光谱反射率；DNi为植物第i波段的光谱反射值；为白板第i波段的光谱反射值；ρi为第i波段的光谱校正系数，取值99％；
(2)对每个样叶进行多次重复观测，求取该叶片的光谱反射率，即将每次观测的数据均进行步骤(1)的处理之后，求取每次观测的样叶的光谱反射率，计算该样叶的光谱反射率的平均值作为该叶片的最终光谱反射率；
(3)对经过步骤(2)处理的各样叶光谱曲线进行平滑处理。
上述第三步中，对胡杨的地面高光谱进行特征分析，包括以下步骤：
(1)根据春尺蠖胁迫下的胡杨叶片光谱特征，分别定义红边、蓝边、绿峰、红谷、黄边相结合的17个红边特征参数，提取胡杨林光谱的红边特征参数；
(2)采用微分光谱法强调光谱曲线的变化和压缩均值影像，其中，一阶、二阶微分光谱的计算公式如下：
一阶微分光谱计算公式：
ρ′(λi)＝[ρ(λi+1)-ρ(λi-1)]/2Δλ (2)
二阶微分光谱计算公式：
ρ″(λi)＝[ρ′(λi+1)-ρ′(λi-1)]/2Δλ
＝[ρ(λi+1)-2ρ(λi)+ρ(λi-1)]/Δλ2 (3)；
(3)胡杨林微分光谱进行分析，不同健康状况下的胡杨微分光谱曲线存在明显差异，随着病虫害危害程度的加重，一阶微分光谱红边位置发生“蓝移”。
上述第四步中，构建基于红边特征参数的胡杨林春尺蠖灾害卫星遥感监测模型的步骤如下：
(1)选取合适的卫星遥感数据源和合适的波段进行胡杨林春尺蠖危害程度监测，获取Hyperion数据；
(2)将Hyperion数据经过数据预处理，剔除坏波段和重复波段；
(3)构建胡杨林春尺蠖灾害卫星遥感监测模型，将变量代换为取对应Hyperion数据所对应的波段；
(4)分别采用一元线性方程和多元线性方程构建基于红边特征参数的胡杨春尺蠖危害程度反演模型，其中，一元线性回归模型的结构形式为：
y＝a+bx (4)
式中：a，b为待定参数；
其中，多元线性回归模型的结构形式为：
ya＝β0+β1x1a+β2x2a+…+βkxka (5)
式中：β0、β1、…、βk为待定系数；
(5)分别计算基于一次线性方程的胡杨林春尺蠖灾害卫星遥感监测模型和基于多元线性方程的胡杨林春尺蠖灾害卫星遥感监测模型的拟合决定系数、预测决定系数和均方根误差，对胡杨春尺蠖危害程度进行预测，将预测结果与实测结果进行比较，评价每个模型精度，选定基于多元线性方程的胡杨林春尺蠖灾害卫星遥感监测模型作为基于红边特征参数的胡杨林春尺蠖灾害卫星遥感监测模型。
本发明研究将阐明春尺蠖虫害胁迫影响下胡杨的遥感光谱信息特征，为探索胡杨林春尺蠖灾害信息的提取技术，发展实用的遥感动态监测技术提供理论依据。能够为塔里木河流域胡杨林春尺蠖虫害防治工作的宏观决策提供技术支持；为国家和各级林业主管部门胡杨林保护宏观决策提供依据。
附图说明
附图1为本发明的流程示意图。
附图2为不同受害程度的胡杨光谱发射率示意图。
附图3为不同受害程度的一阶微分光谱特征图。
附图4为春尺蠖危害程度与光谱反射率的关系示意图。
具体实施方式
本发明不受下述实施例的限制，可根据本发明的技术方案与实际情况来确定具体的实施方式。
下面结合实施例及附图对本发明作进一步描述：
实施例1：如附图1所示，该基于高光谱遥感的胡杨林春尺蠖灾害监测方法，包括以下步骤：
第一步，通过光谱仪对样木进行光谱测定，获得监测区域内所有胡杨的地面高光谱数据，之后进入第二步；
第二步，分别对获取的健康胡杨及受害胡杨的地面高光谱数据进行处理，之后进入第三步；
第三步，对胡杨的地面高光谱进行特征分析，分析春尺蠖危害程度与胡杨的地面高光谱红边特征参数之间的关系，采用红边效应监测胡杨林春尺蠖灾害程度，之后进入第四步；
第四步，构建基于红边特征参数的胡杨林春尺蠖灾害卫星遥感监测模型，之后进入第五步；
第五步，将待监测区域的Hyperion数据带入基于红边特征参数的胡杨林春尺蠖灾害卫星遥感监测模型，即可反演出待监测区域的春尺蠖灾害危害程度信息，结束。
本发明研究将阐明春尺蠖虫害胁迫影响下胡杨的遥感光谱信息特征，为探索胡杨林春尺蠖灾害信息的提取技术，发展实用的遥感动态监测技术提供理论依据。能够为塔里木河流域胡杨林春尺蠖虫害防治工作的宏观决策提供技术支持；为国家和各级林业主管部门胡杨林保护宏观决策提供依据。
可根据实际需要，对上述基于高光谱遥感的胡杨林春尺蠖灾害监测方法作进一步优化或/和改进：
如附图1所示，在第二步中，对胡杨的地面高光谱进行处理的步骤如下：
(1)高光谱数据：原始光谱数据处理，光谱仪测定胡杨叶片时获得的数据为植物光谱反射值，根据植物光谱反射值与白板光谱反射值求取植被光谱反射率，计算公式如下式：
其中：Refi为植物第i波段的光谱反射率；DNi为植物第i波段的光谱反射值；为白板第i波段的光谱反射值；ρi为第i波段的光谱校正系数，取值99％；
(2)对每个样叶进行多次重复观测，求取该叶片的光谱反射率，即将每次观测的数据均进行步骤(1)的处理之后，求取每次观测的样叶的光谱反射率，计算该样叶的光谱反射率的平均值作为该叶片的最终光谱反射率；
(3)对经过步骤(2)处理的各样叶光谱曲线进行平滑处理。
为了减少观测误差，测定胡杨叶片光谱时每个样叶进行了20次重复观测，因此，对每次观测数据进行前一步骤处理，求取每个样叶的观测平均值作为该叶片的光谱反射率；由于观测时外界各种条件和仪器自身问题，使得光谱曲线出现“锯齿”状噪声，因此需对不够平滑的光谱曲线进行平滑处理。本发明可使用OriginPro9软件的Savitzky-Golay方法对样叶光谱曲线进行平滑处理。
如附图1以及表1所示，第三步中，对胡杨的地面高光谱进行特征分析，包括以下步骤：
(1)根据春尺蠖胁迫下的胡杨叶片光谱特征，分别定义红边、蓝边、绿峰、红谷、黄边相结合的17个红边特征参数，提取胡杨林光谱的红边特征参数；
(2)采用微分光谱法强调光谱曲线的变化和压缩均值影像，其中，一阶、二阶微分光谱的计算公式如下：
一阶微分光谱计算公式：
ρ′(λi)＝[ρ(λi+1)-ρ(λi-1)]/2Δλ (2)
二阶微分光谱计算公式：
ρ″(λi)＝[ρ′(λi+1)-ρ′(λi-1)]/2Δλ
＝[ρ(λi+1)-2ρ(λi)+ρ(λi-1)]/Δλ2 (3)；
(3)胡杨林微分光谱进行分析，不同健康状况下的胡杨微分光谱曲线存在明显差异，随着病虫害危害程度的加重，一阶微分光谱红边位置发生“蓝移”。
从健康胡杨到虫害危害严重的胡杨，其微分光谱曲线多峰、多谷现象存在变弱趋势，同时，峰和谷“高度”也随之减小。
如附图1所示，第四步中，构建基于红边特征参数的胡杨林春尺蠖灾害卫星遥感监测模型的步骤如下：
(1)选取合适的卫星遥感数据源和合适的波段进行胡杨林春尺蠖危害程度监测，获取Hyperion数据；
(2)将Hyperion数据经过数据预处理，剔除坏波段和重复波段；
(3)构建胡杨林春尺蠖灾害卫星遥感监测模型，将变量代换为取对应Hyperion数据所对应的波段；
(4)分别采用一元线性方程和多元线性方程构建基于红边特征参数的胡杨春尺蠖危害程度反演模型，其中，一元线性回归模型的结构形式为：
y＝a+bx (4)
式中：a，b为待定参数；
其中，多元线性回归模型的结构形式为：
ya＝β0+β1x1a+β2x2a+…+βkxka (5)
式中：β0、β1、…、βk为待定系数；
(5)分别计算基于一次线性方程的胡杨林春尺蠖灾害卫星遥感监测模型和基于多元线性方程的胡杨林春尺蠖灾害卫星遥感监测模型的拟合决定系数、预测决定系数和均方根误差，对胡杨春尺蠖危害程度进行预测，将预测结果与实测结果进行比较，评价每个模型精度，选定基于多元线性方程的胡杨林春尺蠖灾害卫星遥感监测模型作为基于红边特征参数的胡杨林春尺蠖灾害卫星遥感监测模型。
实施例2：如图2、图3所示，对胡杨林原始光谱特征的分析过程，如是不同受害程度的胡杨光谱反射曲线，从图2中可以看出，在可见光谱段内，健康胡杨光谱反射率在以450nm和680nm为中心的蓝光波段、红光波段由于色素的强烈吸收作用形成吸收谷，被称为蓝谷和红谷，反射率低于10％；在这两个吸收谷之间区域，吸收相对减弱，在550nm附近形成一个绿色反射峰，被称之为绿峰，反射率约为0.1至0.2。随着春尺蠖灾害危害程度的加重，不同危害程度下的胡杨光谱具有明显的差异，具体表现为绿光区域和红光区域内的绿峰和红谷逐渐消失，红光波段与近红外波段较为陡峭的红边变得平缓，其成因主要是由于受虫害危害的影响，胡杨植株内叶绿素含量逐渐降低；近红外谱段内植被均具有高反射特性，由植被细胞结构决定，由于春尺蠖啃食胡杨叶片后，破坏了细胞结构，导致胡杨光谱反射率在近红外区域内下降明显。因此，从红光过渡到近红外区域的红边是描述植被健康状况的重要指示波段。
对胡杨微分光谱特征的分析处理，使用Origin软件对不同受害程度的胡杨光谱反射率求取一阶微分，得到图3不同受害程度的胡杨一阶微分光谱特征。图3中显示，胡杨一阶微分光谱在500nm至550nm绿边区域具有波峰，在560nm至580nm黄边谱段内具有波谷，在640nm至780nm红边区域内有多个波峰和波谷，即多峰现象。不同危害程度的胡杨一阶微分光谱曲线具有不同的特性，具体为：虫害危害越严重，在黄边和绿边谱段内的波峰和波谷现象逐步减弱，红边谱段内的多峰中的峰高也减小。在680nm至780nm的红边区域内，危害程度由健康至重度的波峰位置分别位于699nm、702nm、707nm和706nm，红边位置向短波方向移动，说明随着胡杨虫害危害加重，其叶片一阶微分光谱的红边位置发生“蓝移”，与其他树种受病虫害胁迫后红边位置发生“蓝移”现象一致。由此也说明，红边能够很好的指示胡杨健康状况，可以利用胡杨的红边位移现象检测胡杨健康状况。
实施例3：如图4所示，分析春尺蠖危害程度与光谱反射率的关系，图4为胡杨春尺蠖危害程度与光谱反射率相关关系图，横轴为波长，纵轴为相关系数，图4表明，不同危害程度的胡杨反射率与其危害程度在不同波长下相关性差异显著，波长620nm至690nm范围内，呈极显著正相关，可以作为春尺蠖危害程度的特征波段，波长710nm以后，相关性呈极显著负相关，主要原因是叶片遭受危害后，导致其光谱反射率红边斜率减小。近红外区域，春尺蠖危害程度同与胡杨光谱反射率相关性曲线趋于稳定。
因此，可见光-近红外波段能够有效地反映春尺蠖灾害胁迫下的危害程度，而且“红边”是描述胡杨健康状况的重要指示波段。
实施例4：如表2所示，分析春尺蠖危害程度与胡杨光谱红边特征参数之间的相关关系，根据实地采样数据，对胡杨林春尺蠖危害程度与胡杨光谱红边特征参数进行相关分析，见表2，结果表明，17个红边参数中有13个参数与虫害危害程度相关性达到极显著相关，1个参数达到显著相关，3个参数不显著相关。红边内一阶微分总和(SDr)与蓝边一阶微分总和(SDb)的归一化值、红边内一阶微分总和(SDr)与蓝边一阶微分总(SDb)和比值、红边内一阶微分总(SDr)和与黄边一阶微分总和(Sdy)比值与胡杨春尺蠖危害程度不具有显著相关性；红边最小振幅与胡杨虫害危害程度具有正相关性，但未达到极显著水平；红谷反射率与春尺蠖危害程度极显著正相关，表明春尺蠖危害越严重，红谷反射率也越高，即红谷波普段内吸收谷变得平缓甚至消失；其余12个达到极显著相关红边参数均与虫害危害程度呈负相；红边归一化植被指数、红边内一阶微分总(SDr)和与黄边(SDy)一阶微分总和的归一化值、红边斜率、绿峰反射率(Rg)与红谷反射率(R0)的的归一化值、红边差值植被指数等6个红边参数与虫害危害程度极显著相关性达到0.8以上。通过对17个红边特征参数与虫害危害程度相关性分析，结果表明，这些参数能够很好的反映出胡杨春尺蠖灾害程度，即对虫害程度具有指示作用。因此，可以利用胡杨光谱红边特征参数构建春尺蠖灾害程度反演模型。
实施例5：如表2、表3、表4所示，胡杨林春尺蠖危害程度反演模型的建立及精度评价：根据表2春尺蠖危害程度与胡杨光谱红边参数间的相关性分析结果，选择红边归一化植被指数、红边内一阶微分总(SDr)和与黄边(SDy)一阶微分总和的归一化值、红边斜率、绿峰反射率(Rg)与红谷反射率(R0)的的归一化值、红边差值植被指数这6个与胡杨春尺蠖危害程度相关性达到0.8以上的红边参数作为自变量，随机选择现地调查的25个样本，使用SPSS17.0软件分别进行单变量和多变量回归方法建模，利用剩余的5个样本作为验证样本对基于红边特征参数的胡杨春尺蠖危害程度反演模型进行精度验证。
表3基于红边特征参数的胡杨春尺蠖危害程度反演模型，主要包含6个基于红边特征参数的胡杨春尺蠖危害程度的一元线性回归模型和1个多元回归模型，模型以胡杨林光谱红边特征参数为自变量，以胡杨林春尺蠖危害程度为因变量，模型中X1、X2、X3、X4、X5、X6分别为(R780-R680)/(R780+R680)、红边斜率(Dr)、(Rg-R0)/(Rg+R0)、红边面积(SDr)、红边差值指数(R780-R680)、(SDr-SDy)/(SDr+SDy)。一元回归模型中，以红边归一化指数((R780-R680)/(R780+R680))为自变量的红边参数决定系数R2最高，达到0.761极显著水平，剩余5个红边特征参数与胡杨春尺蠖危害程度反演模型决定系数也都达到极显著水平，均在0.6以上。
多元回归模型建模过程中采用逐步回归方法建立，去除了与其他红边参数信息冗余重叠的参数，即红边面积(SDr)、红边差值指数(R780-R680)，获得了决定系数较高的基于红边特征参数的胡杨春尺蠖危害程度的反演模型，决定系数达到0.821。根据决定系数比较发现，多元回归模型明显优于一元回归模型。
将剩余5个样本数据分别带入一元线性回归模型和多元线性回归模型中，对胡杨春尺蠖危害程度进行预测，并对预测结果与实测结果进行比较，以评价模型精度。表4是基于红边特征参数的胡杨春尺蠖危害程度反演模型精度评价表，结果表明，模型预测决定系数(R2)均大于拟合决定系数(R2)，且多元回归模型决定系数明显高于一元回归模型，均方根误差(RMSE)多元回归模型均小于一元回归模型，拟合决定系数、预测决定系数和均方根误差分别为0.821、0.844、0.079。综上所述，采用多元逐步回归方法建立的基于红边特征参数的胡杨春尺蠖危害程度反演模型要优于一元回归模型，该模型能够很好的预测胡杨林春尺蠖的危害程度。
以上技术特征构成了本发明的实施例，其具有较强的适应性和实施效果，可根据实际需要增减非必要的技术特征，来满足不同情况的需求。
表1红边特征参数含义及获取
表2春尺蠖危害程度与胡杨光谱红边参数间的相关性
序号 红边特征 相关系数
1 (R780-R680)/(R780+R680) -0.874
2 (SDr-SDy)/(SDr+SDy) -0.847
3 Dr -0.834
4 SDr -0.809
5 (Rg-R0)/(Rg+R0) -0.833
6 R780-R680 -0.825
7 Rg-R0 -0.780
8 λ0 -0.750
9 Rg/R0 -0.744
10 R0 0.687
11 R780/R680 -0.742
12 Ra -0.655
13 SDr/SDb -0.165
14 λr -0.476
15 SDr/Sdy -0.079
16 (SDr-SDb)/(SDr+SDb) -0.171
17 Dmin 0.314
表3基于红边特征参数的胡杨春尺蠖危害程度反演模型
表4基于红边特征参数的胡杨春尺蠖危害程度反演模型精度评价表

Claims (5)

1.一种基于高光谱遥感的胡杨林春尺蠖灾害监测方法，其特征在于包括以下步骤：
第一步，通过光谱仪对样木进行光谱测定，获得监测区域内所有胡杨的地面高光谱数据，之后进入第二步；
第二步，分别对获取的健康胡杨及受害胡杨的地面高光谱数据进行处理，之后进入第三步；
第三步，对胡杨的地面高光谱进行特征分析，分析春尺蠖危害程度与胡杨的地面高光谱红边特征参数之间的关系，采用红边效应监测胡杨林春尺蠖灾害程度，之后进入第四步；
第四步，构建基于红边特征参数的胡杨林春尺蠖灾害卫星遥感监测模型，之后进入第五步；
第五步，将待监测区域的Hyperion数据带入基于红边特征参数的胡杨林春尺蠖灾害卫星遥感监测模型，即可反演出待监测区域的春尺蠖灾害危害程度信息，结束。
2.根据权利要求1所述的基于高光谱遥感的胡杨林春尺蠖灾害监测方法，其特征在于第二步中，对胡杨的地面高光谱进行处理的步骤如下：
(1)高光谱数据：原始光谱数据处理，光谱仪测定胡杨叶片时获得的数据为植物光谱反射值，根据植物光谱反射值与白板光谱反射值求取植被光谱反射率，计算公式如下式：
其中：Refi为植物第i波段的光谱反射率；DNi为植物第i波段的光谱反射值；为白板第i波段的光谱反射值；ρi为第i波段的光谱校正系数，取值99％；
(2)对每个样叶进行多次重复观测，求取该叶片的光谱反射率，即将每次观测的数据均进行步骤(1)的处理之后，求取每次观测的样叶的光谱反射率，计算该样叶的光谱反射率的平均值作为该叶片的最终光谱反射率；
(3)对经过步骤(2)处理的各样叶光谱曲线进行平滑处理。
3.根据权利要求1或2所述的基于高光谱遥感的胡杨林春尺蠖灾害监测方法，其特征在于第三步中，对胡杨的地面高光谱进行特征分析，包括以下步骤：
(1)根据春尺蠖胁迫下的胡杨叶片光谱特征，分别定义红边、蓝边、绿峰、红谷、黄边相结合的17个红边特征参数，提取胡杨林光谱的红边特征参数；
(2)采用微分光谱法强调光谱曲线的变化和压缩均值影像，其中，一阶、二阶微分光谱的计算公式如下：
一阶微分光谱计算公式：
ρ′(λi)＝[ρ(λi+1)-ρ(λi-1)]/2Δλ (2)
二阶微分光谱计算公式：
ρ″(λi)＝[ρ′(λi+1)-ρ′(λi-1)]/2Δλ
＝[ρ(λi+1)-2ρ(λi)+ρ(λi-1)]/Δλ2 (3)；
(3)胡杨林微分光谱进行分析，不同健康状况下的胡杨微分光谱曲线存在明显差异，随着病虫害危害程度的加重，一阶微分光谱红边位置发生“蓝移”。
4.根据权利要求1或2所述的基于高光谱遥感的胡杨林春尺蠖灾害监测方法，其特征在于第四步中，构建基于红边特征参数的胡杨林春尺蠖灾害卫星遥感监测模型的步骤如下：
(1)选取合适的卫星遥感数据源和合适的波段进行胡杨林春尺蠖危害程度监测，获取Hyperion数据；
(2)将Hyperion数据经过数据预处理，剔除坏波段和重复波段；
(3)构建胡杨林春尺蠖灾害卫星遥感监测模型，将变量代换为取对应Hyperion数据所对应的波段；
(4)分别采用一元线性方程和多元线性方程构建基于红边特征参数的胡杨春尺蠖危害程度反演模型，其中，一元线性回归模型的结构形式为：
y＝a+bx (4)
式中：a，b为待定参数；
其中，多元线性回归模型的结构形式为：
ya＝β0+β1x1a+β2x2a+…+βkxka (5)
式中：β0、β1、…、βk为待定系数；
(5)分别计算基于一次线性方程的胡杨林春尺蠖灾害卫星遥感监测模型和基于多元线性方程的胡杨林春尺蠖灾害卫星遥感监测模型的拟合决定系数、预测决定系数和均方根误差，对胡杨春尺蠖危害程度进行预测，将预测结果与实测结果进行比较，评价每个模型精度，选定基于多元线性方程的胡杨林春尺蠖灾害卫星遥感监测模型作为基于红边特征参数的胡杨林春尺蠖灾害卫星遥感监测模型。
5.根据权利要求3所述的基于高光谱遥感的胡杨林春尺蠖灾害监测方法，其特征在于第四步中，构建基于红边特征参数的胡杨林春尺蠖灾害卫星遥感监测模型的步骤如下：
(1)选取合适的卫星遥感数据源和合适的波段进行胡杨林春尺蠖危害程度监测，获取Hyperion数据；
(2)将Hyperion数据经过数据预处理，剔除坏波段和重复波段；
(3)构建胡杨林春尺蠖灾害卫星遥感监测模型，将变量代换为取对应Hyperion数据所对应的波段；
(4)分别采用一元线性方程和多元线性方程构建基于红边特征参数的胡杨春尺蠖危害程度反演模型，其中，一元线性回归模型的结构形式为：
y＝a+bx (4)
式中：a，b为待定参数；
其中，多元线性回归模型的结构形式为：
ya＝β0+β1x1a+β2x2a+…+βkxka (5)
式中：β0、β1、…、βk为待定系数；
(5)分别计算基于一次线性方程的胡杨林春尺蠖灾害卫星遥感监测模型和基于多元线性方程的胡杨林春尺蠖灾害卫星遥感监测模型的拟合决定系数、预测决定系数和均方根误差，对胡杨春尺蠖危害程度进行预测，将预测结果与实测结果进行比较，评价每个模型精度，选定基于多元线性方程的胡杨林春尺蠖灾害卫星遥感监测模型作为基于红边特征参数的胡杨林春尺蠖灾害卫星遥感监测模型。
CN201810470030.7A 2018-05-16 2018-05-16 基于高光谱遥感的胡杨林春尺蠖灾害监测方法 Active CN108694391B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810470030.7A CN108694391B (zh) 2018-05-16 2018-05-16 基于高光谱遥感的胡杨林春尺蠖灾害监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810470030.7A CN108694391B (zh) 2018-05-16 2018-05-16 基于高光谱遥感的胡杨林春尺蠖灾害监测方法

Publications (2)

Publication Number Publication Date
CN108694391A true CN108694391A (zh) 2018-10-23
CN108694391B CN108694391B (zh) 2021-11-09

Family

ID=63847472

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810470030.7A Active CN108694391B (zh) 2018-05-16 2018-05-16 基于高光谱遥感的胡杨林春尺蠖灾害监测方法

Country Status (1)

Country Link
CN (1) CN108694391B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109635490A (zh) * 2018-12-26 2019-04-16 贾翔 基于clue-s模型的胡杨春尺蠖发生蔓延过程的动态模拟方法
CN109993071A (zh) * 2019-03-13 2019-07-09 中国科学院遥感与数字地球研究所 基于遥感影像的变色林木自动识别及调查的方法和系统
CN110514597A (zh) * 2019-09-04 2019-11-29 北京麦飞科技有限公司 基于星地遥感数据协同的农作物病虫害监测方法
CN110658211A (zh) * 2019-11-08 2020-01-07 河南农业大学 棉花蕾期蚜害棉花冠层光谱特征提取及等级估测方法
CN112634212A (zh) * 2020-12-14 2021-04-09 江西省林业科学院 基于高光谱无人机的病害潜伏树检测方法及系统
CN113189015A (zh) * 2021-04-23 2021-07-30 宿州学院 一种基于高光谱遥感的虫害监测系统及方法
CN116773464A (zh) * 2023-08-21 2023-09-19 内蒙古师范大学 基于无人机高光谱和激光雷达的落叶松毛虫虫害监测方法
CN117197655A (zh) * 2023-08-01 2023-12-08 北京市农林科学院智能装备技术研究中心 水稻卷叶螟危害程度预测方法、装置、电子设备及介质
CN117197655B (zh) * 2023-08-01 2024-06-07 北京市农林科学院智能装备技术研究中心 水稻卷叶螟危害程度预测方法、装置、电子设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103278460A (zh) * 2013-05-30 2013-09-04 华南农业大学 一种柑橘树红蜘蛛虫害胁迫情况测试分析方法
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
CN107144535A (zh) * 2017-05-19 2017-09-08 南京信息工程大学 一种基于高光谱技术的碱化土壤空间酸碱度监测方法
CN108333140A (zh) * 2018-02-01 2018-07-27 福州大学 用于刚竹毒蛾危害检测的特征光谱指数及检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103278460A (zh) * 2013-05-30 2013-09-04 华南农业大学 一种柑橘树红蜘蛛虫害胁迫情况测试分析方法
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
CN107144535A (zh) * 2017-05-19 2017-09-08 南京信息工程大学 一种基于高光谱技术的碱化土壤空间酸碱度监测方法
CN108333140A (zh) * 2018-02-01 2018-07-27 福州大学 用于刚竹毒蛾危害检测的特征光谱指数及检测方法

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109635490A (zh) * 2018-12-26 2019-04-16 贾翔 基于clue-s模型的胡杨春尺蠖发生蔓延过程的动态模拟方法
CN109635490B (zh) * 2018-12-26 2022-06-07 贾翔 基于clue-s模型的胡杨春尺蠖发生蔓延过程的动态模拟方法
CN109993071A (zh) * 2019-03-13 2019-07-09 中国科学院遥感与数字地球研究所 基于遥感影像的变色林木自动识别及调查的方法和系统
CN109993071B (zh) * 2019-03-13 2021-05-18 中国科学院遥感与数字地球研究所 基于遥感影像的变色林木自动识别及调查的方法和系统
CN110514597A (zh) * 2019-09-04 2019-11-29 北京麦飞科技有限公司 基于星地遥感数据协同的农作物病虫害监测方法
CN110658211A (zh) * 2019-11-08 2020-01-07 河南农业大学 棉花蕾期蚜害棉花冠层光谱特征提取及等级估测方法
CN112634212B (zh) * 2020-12-14 2023-08-15 江西省林业科学院 基于高光谱无人机的病害潜伏树检测方法及系统
CN112634212A (zh) * 2020-12-14 2021-04-09 江西省林业科学院 基于高光谱无人机的病害潜伏树检测方法及系统
CN113189015A (zh) * 2021-04-23 2021-07-30 宿州学院 一种基于高光谱遥感的虫害监测系统及方法
CN117197655A (zh) * 2023-08-01 2023-12-08 北京市农林科学院智能装备技术研究中心 水稻卷叶螟危害程度预测方法、装置、电子设备及介质
CN117197655B (zh) * 2023-08-01 2024-06-07 北京市农林科学院智能装备技术研究中心 水稻卷叶螟危害程度预测方法、装置、电子设备及介质
CN116773464A (zh) * 2023-08-21 2023-09-19 内蒙古师范大学 基于无人机高光谱和激光雷达的落叶松毛虫虫害监测方法
CN116773464B (zh) * 2023-08-21 2023-11-07 内蒙古师范大学 基于无人机高光谱和激光雷达的落叶松毛虫虫害监测方法

Also Published As

Publication number Publication date
CN108694391B (zh) 2021-11-09

Similar Documents

Publication Publication Date Title
CN108694391A (zh) 基于高光谱遥感的胡杨林春尺蠖灾害监测方法
Min et al. Determination of significant wavelengths and prediction of nitrogen content for citrus
Adams et al. Yellowness index: an application of spectral second derivatives to estimate chlorosis of leaves in stressed vegetation
Gitelson et al. Remote estimation of chlorophyll content in higher plant leaves
van Aardt Spectral separability among six southern tree species
Yi et al. Different units of measurement of carotenoids estimation in cotton using hyperspectral indices and partial least square regression
CN110160967A (zh) 一种作物冠层叶片的全氮含量估算方法
Murtha Remote sensing and vegetation damage: a theory for detection and assessment
Zhang et al. Allocate soil individuals to soil classes with topsoil spectral characteristics and decision trees
CN102426153A (zh) 一种基于冠层高光谱指数的小麦植株水分监测方法
Pu et al. Using CASI hyperspectral imagery to detect mortality and vegetation stress associated with a new hardwood forest disease
CN106874621B (zh) 一种针叶植被冠层反射率计算方法
CN103115879B (zh) 一种利用吸收光谱测定植物活体叶片中叶绿素a、叶绿素b和类胡萝卜素含量的方法
Ray et al. Use of hyperspectral remote sensing data for crop stress detection: ground-based studies
Zhang et al. A hyperspectral GA-PLSR model for prediction of pine wilt disease
Ge et al. Hyperspectral characteristics of canopy components and structure for phenological assessment of an invasive weed
CN109521437B (zh) 面向植被生化参数探测的多光谱激光雷达波长选择方法
Omran Remote estimation of vegetation parameters using narrowband sensor for precision agriculture in arid environment
Zhao et al. Characterization of the rice canopy infested with brown spot disease using field hyperspectral data
JP6782408B2 (ja) 近赤外光を用いた樹木の種子選別方法
Yones et al. Hyperspectral indices for assessing damage by the red palm weevil Rhynchophorus ferrugineus (coleoptera: curculionidae) in date palms
Li et al. Chlorophyll assessment and sensitive wavelength exploration for tea (Camellia sinensis) based on reflectance spectral characteristics
Zhang et al. A highly chlorophyll-sensitive and LAI-insensitive index based on the red-edge band: CSI
Imanishi et al. The independent detection of drought stress and leaf density using hyperspectral resolution data
Ančić et al. Detecting mistletoe infestation on Silver fir using hyperspectral images

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