CN108985959B - 一种基于地表温度反演技术的小麦白粉病遥感监测方法 - Google Patents
一种基于地表温度反演技术的小麦白粉病遥感监测方法 Download PDFInfo
- Publication number
- CN108985959B CN108985959B CN201810899574.5A CN201810899574A CN108985959B CN 108985959 B CN108985959 B CN 108985959B CN 201810899574 A CN201810899574 A CN 201810899574A CN 108985959 B CN108985959 B CN 108985959B
- Authority
- CN
- China
- Prior art keywords
- data
- surface temperature
- remote sensing
- landsat
- powdery mildew
- 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.)
- Active
Links
- 241000209140 Triticum Species 0.000 title claims abstract description 72
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 72
- 241000221785 Erysiphales Species 0.000 title claims abstract description 57
- 238000012544 monitoring process Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000005516 engineering process Methods 0.000 title claims abstract description 14
- 230000004927 fusion Effects 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000012706 support-vector machine Methods 0.000 claims description 10
- 238000000179 transient infrared spectroscopy Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000002310 reflectometry Methods 0.000 claims description 4
- 230000000630 rising effect Effects 0.000 claims description 4
- 239000002689 soil Substances 0.000 claims description 4
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 claims description 4
- 239000003102 growth factor Substances 0.000 claims description 3
- 238000002834 transmittance Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 2
- 201000010099 disease Diseases 0.000 abstract description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 10
- 238000003066 decision tree Methods 0.000 abstract description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 7
- 230000003595 spectral effect Effects 0.000 description 7
- 238000011835 investigation Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012937 correction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 241000607479 Yersinia pestis Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241001123583 Puccinia striiformis Species 0.000 description 1
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Animal Husbandry (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Mining & Mineral Resources (AREA)
- Agronomy & Crop Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Marine Sciences & Fisheries (AREA)
- Radiation Pyrometers (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于地表温度反演技术的小麦白粉病遥感监测方法,与现有技术相比解决了难以将多时相地表温度作为生境因子进行白粉病遥感监测的缺陷。本发明包括以下步骤:源数据的获取和预处理;小麦种植面积的提取;小麦生长状态的反演;地表温度的反演;MODIS温度和Landsat‑8反演地表温度的时空融合;基于地表温度遥感监测模型的构建;小麦白粉病遥感监测结果的获得。本发明基于多时相Landsat‑8和MODIS遥感数据反演地表温度,利用国产GF‑1数据反演植被指数,通过Linear‑SVM构建综合决策树以反演小麦白粉病严重度,实现小麦白粉病病情严重度的遥感监测。
Description
技术领域
本发明涉及遥感监测技术领域,具体来说是一种基于地表温度反演技术的小麦白粉病遥感监测方法。
背景技术
近年来,遥感技术的发展为大面积病虫害监测预测提供了重要手段。许多学者对于小麦各种病虫害的遥感监测进行了研究,研究范围涵盖地面高光谱,无人机遥感和卫星遥感等诸多方式。
现有技术中,发现光化学植被指数与小麦黄锈病严重度高度相关,反演模型的决定系数达到0.97,同时通过对冬小麦叶片上白粉病的损害进行了广泛的分析,检测了三种光谱特征(共计32个,包括衍生光谱特征,连续统变换的光谱特征和植被指数)的表现。研究结果表明,通过这些特征的优化组合,基于偏最小二乘回归的反演模型对于白粉病严重度的检测决定系数可达0.8。基于拥有三个红边波段的Sentinel-2卫星数据构建了监测冬小麦条锈病病的植被指数-红边病害胁迫指数(REDSI),其对于条锈病有很好的监测效果。综合运用小波分析与支持向量机方法,基于环境一号卫星数据构建了河北某地的冬小麦白粉病监测模型。
在实地研究中发现,地表温度对冬小麦病害的影响具有累积效果,地表温度若可以作为关键的生境因子参与了白粉病监测模型的构建,则会大大提高白粉病的遥感监测准确度。但单时相的地表温度无法准确表征冬小麦整个关键生育期的生长环境,因此如何将地表温度有效应用到小麦白粉病的遥感监测中已经成为急需解决的技术问题。
发明内容
本发明的目的是为了解决现有技术中难以将多时相地表温度作为生境因子进行白粉病遥感监测的缺陷,提供一种基于地表温度反演技术的小麦白粉病遥感监测方法来解决上述问题。
为了实现上述目的,本发明的技术方案如下:
一种基于地表温度反演技术的小麦白粉病遥感监测方法,包括以下步骤:
源数据的获取和预处理,获取遥感卫星数据包括高分一号WFV数据、Landsat-8OLI数据和MODIS数据,并进行数据预处理;
小麦种植面积的提取,利用高分一号WFV数据反演NDVI结合高程数据以及近红外波段反射率进行小麦种植面积的提取;
小麦生长状态的反演,采用ReliefF算法进行植被指数特征选择,计算植被指数特征与各类别的相关性赋予特征不同的权重,按照从高到低的权重选择特征,对各特征进行分析,选择类间相关系数最小的组合作为模型反演的最佳特征组合;
地表温度的反演,以Landsat-8TIRS数据反演对小麦白粉病发生的生境影响因子地表温度;
MODIS温度和Landsat-8反演地表温度的时空融合,以MODIS温度数据作为时序数据序列的组成部分,进行Landsat-8地表温度数据和MODIS温度的时空融合;
基于地表温度遥感监测模型的构建,建立将LST和植被指数作为输入因子的遥感监测模型;
小麦白粉病遥感监测结果的获得,使用高分一号WFV数据的植被指数作为植被长势因子,使用Landsat-8地表温度和MODIS时空融合所得的地表温度作为生境因子,通过基于地表温度遥感监测模型,获得了小麦白粉病情遥感监测的结果。
所述小麦生长状态的反演包括以下步骤:
将所有植被指数特征根据Relief算法按权重降序排序,以权重0.075为阈值,选择出8个植被指数特征;
对8个植被指数特征进行两两相互分析,与权重最高特征相关系数高于0.9的剔除,之后剔除与权重次高特征的相关系数高于阈值的特征,并以此类推;
选出3个植被指数特征作为地表温度遥感监测模型的基础。
所述地表温度的反演包括以下步骤:
图像预处理,对OLI数据和TIRS数据进行辐射定标、去云处理;
根据OLI数据计算归一化植被指数NDVI;
根据由归一化植被指数NDVI计算的植被覆盖度FVC,并按照地表比辐射率公式计算各像元的比辐射率;
其中,NDVIs为裸土的NDVI值,NDVIv为纯植被的NDVI值;
根据两个热红外通道的观测亮温选定一定范围的滑动窗口通过协方差与方差的比值计算大气水汽柱含量并据此确定公式中的系列参数bi,利用MODTRAN和TIGR大气廓线建立通过率比值与大气水汽含量的经验关系式并用其计算大气透过率,非线性劈窗算法计算地表温度的公式如下:
其中,反演地表温度LST为TIRS数据的热线外数据,ε和Δε分别表示MODTRAN和TIGR大气廓线的发射率均值与差值,取决于地表分类与覆盖度;Ti和Tj为MODTRAN和TIGR大气廓线的观测亮温,bi(i=0,1...,7)为各项系数,其为可通过实验室数据、大气参数数据以及大气辐射传输方程得到的模拟数据集;
计算像元的地表温度,选取了小麦关键的起身期、拔节期、开花期和灌浆期的四期Landsat-8数据反演计算像元的地表温度,其公式如下:
其中,LSTi为单时相Landsat-8反演的地表温度,为LSTi归一化后的温度因子,i=(1,2,3,4)代表四个时相,20的意义在于白粉病发生的适宜温度上限为20℃,SLST代表Landsat-8多时相地表温度的累积。
所述MODIS温度和Landsat-8反演地表温度的时空融合包括以下步骤:
利用Landsat-8反演LST数据和MODIS温度产品计算LST;
STARFM算法获取同一时刻tk的低分辨率遥感图像LR和高分辨率遥感图像HR,得到该时刻HR和LR间像元值之间的偏差值D,偏差值由系统误差和地物变化引起,公式如下:
D=HR(xi,yi,tk)-LR(xi,yi,tk);
根据选择的移动窗口确定相似像元的时间距离权重和空间距离权重,基于两者都是LST,光谱距离权重为1;
根据某一时刻的MODIS LST预测对应时刻的Landsat-8LST,假定偏差值不变,其计算公式如下:
其中,w为移动窗口的尺度,(xw/2,yw/2)为移动窗口中心像元的位置,Wij为窗口内相似像元对中心像元的权重系数;
根据STARFM算法得出的时空融合后的20期LST数据(LSTj)与4期Landsat-8LST数据(LSTi)计算LMLST,其公式如下:
所述基于地表温度遥感监测模型的构建包括以下步骤:
设定支持向量机SVM,其模型的判别函数如下:
其中,ai为Lagrange乘子,Sv为支持向量,xi与yi为两个类别的支持向量,b为阈值,k(xi,x)为满足Mercer定理的正定核函数;
设定输入因子xi为选取出的植被指数特征,输入类型yi为MODIS地表温度时空融合的累积温度LMLST。
有益效果
本发明的一种基于地表温度反演技术的小麦白粉病遥感监测方法,与现有技术相比基于多时相Landsat-8和MODIS遥感数据反演地表温度,利用国产GF-1数据反演植被指数,通过Linear-SVM构建综合决策树以反演小麦白粉病严重度,实现小麦白粉病病情严重度的遥感监测。
本发明在地表温度的反演中,Landsat-8数据的空间分辨率能够满足要求,MODIS数据的时间分辨率能够满足要求,故结合两者的优点加以合成可以获得更好的结果。
附图说明
图1为本发明的方法顺序图;
图2为利用本发明的遥感监测结果图。
具体实施方式
为使对本发明的结构特征及所达成的功效有更进一步的了解与认识,用以较佳的实施例及附图配合详细的说明,说明如下:
如图1所示,本发明所述的一种基于地表温度反演技术的小麦白粉病遥感监测方法,包括以下步骤:
第一步,源数据的获取和预处理。获取遥感卫星数据包括高分一号WFV数据、Landsat-8OLI数据和MODIS数据,并进行数据预处理。
本发明所用的数据主要有遥感卫星数据和小麦白粉病野外调查数据,参考数据有气象数据。在实际应用中,白粉病实地调查数据的获取时间和调查地点可以选择小麦种植比较集中,且白粉病发生情况较为理想的地区,具有区域内的广泛代表性。野外调查共获得69个有效数据,调查点小麦白粉病发病程度分为0(健康),1(轻度),2(重度)三类。遥感卫星数据包括高分一号WFV、Landsat-8OLI数据和MODIS数据。
(1)本发明使用GF-1/WFV数据四景,轨道号分别为3/93(Path/Row)、4/92。产品空间分辨率为16m,含4个光谱波段,光谱范围为0.45~0.89μm。获取的GF-1WFV影像需要经过正射校正、辐射定标、大气校正和影像裁剪等预处理。GF-1影像辐射定标公式如下:
L=DN/β+L0,
式中L为辐射亮度,β为绝对定标系数增益,L0为偏移量,DN为遥感影像像元亮度值。
辐射定标系数来源于中国资源卫星应用中心,之后生成相应传感器的波普响应函数,并采用ENVI5.3软件中FLAASH模块完成影像的大气校正,最后对校正后图像进行裁剪获取研究区影像。
(2)Landsat-8OLI数据为Landsat-8卫星数据,其于2013年2月11日发射,包含OLI和TIRS两种传感器。Landsat-8OLI数据主要用于估算研究区的地表反射率,TIRS数据御用反演地表温度。实际应用中,研究区小麦生长的关键期为4月到5月,选取该时期内4景质量较高的Landsat-8数据。Landat8数据经过系统的几何校正和辐射校正,投影坐标系为UTM-WGS84。
(3)MODIS数据。
本发明所使用的MODIS数据为MOD11A1反射率产品,该产品从NASA网站获取,空间分辨率为1km。首先,利用MRT(MODIS Reprojection Tool)将MOD11A1数据的坐标系转换为WGS_84并进行几何配准,精度优于1像元,之后将其空间分辨率从1km重采样到16m。之后,按照MODIS LST产品的计算公式计算出日间地表温度,并筛选出数据质量合格且时间分布较为均匀的MOD11A1数据。
第二步,小麦种植面积的提取。利用高分一号WFV数据利用传统方法反演NDVI结合高程数据以及近红外波段反射率进行小麦种植面积的提取。
第三步,小麦生长状态的反演。采用ReliefF算法进行植被指数特征选择,计算植被指数特征与各类别的相关性赋予特征不同的权重,按照从高到低的权重选择特征,对各特征进行分析,选择类间相关系数最小的组合作为模型反演的最佳特征组合。
小麦生长状态的反演,主要包括两个方面:第一点,各类植被指数的计算反映了小麦的长势及其生长期中所经历的所有生长环境的影响总和;第二,单时相和多时相的地表温度则直接展示了小麦的生长环境中的关键因子。遥感方法对生境的反演有很多局限,即使已经广泛应用的地表温度也只是采用了靠近实验时间的单一时相数据,而生境是一个持久影响的变量,而植被指数是表征植被生长状况的有效方法。其具体步骤如下:
(1)将所有植被指数特征根据Relief算法按权重降序排序,以权重0.075为阈值,选择出8个植被指数特征。
在实际应用中,经过现有的经验分析可以得出,比值植被指数SR、归一化植被指数NDVI、归一化绿度指数NDGI、土壤调节植被指数SAVI、增强植被指数EVI、三角植被指数TVI、差异植被指数DVI、结构加强色素指数SIPI为比较适合白粉病病情反演的初选因子。针对于不同的应用环境,可以将所有植被指数特征根据Relief算法按权重降序排序选出8个植被指数特征,此步骤也可以直接选择常用的以上8个植被指数特征。
(2)对8个植被指数特征进行两两相互分析,与权重最高特征相关系数高于0.9的剔除,之后剔除与权重次高特征的相关系数高于阈值的特征(相关系数较高),并以此类推。
(3)选出3个植被指数特征作为地表温度遥感监测模型的基础,这3个植被指数特征在地表温度遥感监测模型中作为输入因子xi。
第四步,地表温度的反演。以Landsat-8TIRS数据反演对小麦白粉病发生的生境影响因子地表温度。小麦白粉病的发生与发展是一个比较漫长的过程,其中地表温度对其影响具有明显的累积效果,比如4月上旬产生对小麦白粉有利的温度条件则整个小麦生长期小麦白粉病病情都会加重,故而5月底的小麦白粉病情与之前的地表温度有着很高的关联度。基于小麦白粉病发生的温度情况,本发明选取了小麦关键的起身期、拔节期、开花期和灌浆期的四期Landsat-8数据反演地表温度。其具体步骤如下:
(1)图像预处理,对OLI数据和TIRS数据进行辐射定标、去云处理。
(2)根据OLI数据利用传统方法计算归一化植被指数NDVI。
(3)根据由归一化植被指数NDVI利用传统方法计算的植被覆盖度FVC,并按照地表比辐射率公式计算各像元的比辐射率,
其中,NDVIs为裸土的NDVI值,NDVIv为纯植被的NDVI值。
(4)根据两个热红外通道的观测亮温选定一定范围的滑动窗口通过协方差与方差的比值计算大气水汽柱含量并据此确定公式中的系列参数bi(利用大气柱水汽含量确定系数bi的目的是提高反演精度),利用MODTRAN和TIGR大气廓线建立通过率比值与大气水汽含量的经验关系式并用其计算大气透过率,非线性劈窗算法计算地表温度的公式如下:
其中,反演地表温度LST为TIRS数据的热线外数据,ε和Δε分别表示MODTRAN和TIGR大气廓线的发射率均值与差值,取决于地表分类与覆盖度;Ti和Tj为MODTRAN和TIGR大气廓线的观测亮温,bi(i=0,1...,7)为各项系数,其为可通过实验室数据、大气参数数据以及大气辐射传输方程得到的模拟数据集。
(5)计算像元的地表温度,选取了小麦关键的起身期、拔节期、开花期和灌浆期的四期Landsat-8数据反演计算像元的地表温度,其公式如下:
其中,LSTi为单时相Landsat-8反演的地表温度,为LST归一化后的温度因子,i=(1,2,3,4)代表四个时相,20的意义在于白粉病发生的适宜温度上限为20℃,SLST代表Landsat-8多时相地表温度的累积。
第五步,MODIS温度和Landsat-8反演地表温度的时空融合,以MODIS温度数据作为时序数据序列的组成部分,进行Landsat-8地表温度数据和MODIS温度的时空融合。
由于SLST中4期Landsat-8温度数据无法完整的反应整个小麦关键期的地表温度变化趋势,所以本发明引入了MDOIS温度数据作为时序数据序列的组成部分。为了得到空间分辨率和时间分辨率都符合要求的数据序列,采用应用广泛的STARFM(The SpatialandTemporal Adaptive Reflectance FusionModel)算法改进后,进行Landsat-8地表温度数据和MODIS温度产品的时空融合。其具体步骤如下:
(1)利用Landsat-8反演LST数据和MODIS温度产品计算LST。
(2)STARFM算法获取同一时刻tk的低分辨率遥感图像(LR)和高分辨率遥感图像(HR),得到该时刻HR和LR间像元值之间的偏差值(D),偏差值由系统误差和地物变化引起,公式如下:
D=HR(xi,yi,tk)-LR(xi,yi,tk)。
(3)根据选择的移动窗口确定相似像元的时间距离权重和空间距离权重,基于两者都是LST,光谱距离权重为1。时间距离权重由各幅图像之间相差的时间决定,空间距离权重即待计算值的像元与已知像元之间空间上的距离,具体为两者中间间隔的像元数;光谱距离权重是在有多个波段的数据融合时需要考虑的问题。
(4)根据某一时刻的MODISLST预测对应时刻的Landsat-8LST,假定偏差值不变,其计算公式如下:
其中,w为移动窗口的尺度,(xw/2,yw/2)为移动窗口中心像元的位置,Wij为窗口内相似像元对中心像元的权重系数。
(5)根据STARFM算法得出的时空融合后的20期LST数据(LSTj)与4期Landsat-8LST数据(LSTi)计算LMLST,其公式如下:
第六步,基于地表温度遥感监测模型的构建,建立将LST和植被指数作为输入因子的遥感监测模型,将多时相的Landsat-8LST和MODIS与Landsat-8融合的LST数据引入小麦白粉病情的监测中。现有技术中的研究中,卫星遥感数据主要用于监测病情的有无,加入经过RelifF算法筛选的植被指数特征和多时相LST数据,可以比较准确的反演小麦白粉病的严重度。其具体步骤如下:
(1)设定支持向量机SVM,其模型的判别函数如下:
其中,ai为Lagrange乘子,Sv为支持向量,xi与yi为两个类别的支持向量,b为阈值,k(xi,x)为满足Mercer定理的正定核函数。
支持向量机(SVM)是建立在统计学习理论基础上的一种机器学习方法,其核心思想是结构风险最小化,通过核函数把输入的线性不可分数据映射到高维空间,构造超平面,使得不同样本间类间隔最大的同时类内间隔最小。SVM具有结构简单、泛化能力强、准确率高等优点,广泛应用于遥感影像分类中。
(2)设定输入因子xi为选取出的植被指数特征,输入类型yi为MODIS地表温度时空融合的累积温度LMLST。
第七步,小麦白粉病遥感监测结果的获得。
使用高分一号WFV数据的植被指数作为植被长势因子,使用Landsat-8地表温度和MODIS时空融合所得的地表温度作为生境因子,通过基于地表温度遥感监测模型,获得了小麦白粉病情遥感监测的结果。
如图2所示,其为针对于晋州市(114.97°~115.20°E,37.80°~38.17°N)的小麦白粉病遥感监测图。由图2可以看出,白粉病主要发生在小麦种植面积比较集中的区域。农作物集中种植的区域地表温度一般低于其他地区,根据MODIS和Landsat-8的地表温度数据可知,一般冬小麦生长发育的关键时期河北地区的白天温度都高于20℃,故而地表温度越低越接近白粉病发生发展的最适宜温度。因此,监测结果比较符合实际情况。
对于精度而言,采用传统的交叉验证的方式进行。本发明所述方法的总体精度可以达到81.2%、Kappa系数为0.67,说明地表温度对小麦白粉病的影响有累积的效果。
以上结果表明,引入多时相地表温度和累积温度能够有效的提高小麦白粉病严重度监测效果。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (5)
1.一种基于地表温度反演技术的小麦白粉病遥感监测方法,其特征在于,包括以下步骤:
11)源数据的获取和预处理,获取遥感卫星数据包括高分一号WFV数据、Landsat-8OLI数据、Landsat-8TIRS数据和MODIS数据,并进行数据预处理;
12)小麦种植面积的提取,利用高分一号WFV数据反演NDVI结合高程数据以及近红外波段反射率进行小麦种植面积的提取;
13)小麦生长状态的反演,采用ReliefF算法进行植被指数特征选择,计算植被指数特征与各类别的相关性赋予特征不同的权重,按照从高到低的权重选择特征,对各特征进行分析,选择类间相关系数最小的组合作为模型反演的最佳特征组合;
14)地表温度LST的反演,以Landsat-8TIRS数据反演对小麦白粉病发生的生境影响因子地表温度;
15)MODIS温度和Landsat-8TIRS数据反演地表温度的时空融合,以MODIS温度数据作为时序数据序列的组成部分,进行Landsat-8TIRS数据反演地表温度数据和MODIS温度的时空融合;
16)基于地表温度遥感监测模型的构建,建立将LST和植被指数作为输入因子的遥感监测模型;
17)小麦白粉病遥感监测结果的获得,使用高分一号WFV数据的植被指数作为植被长势因子,使用Landsat-8TIRS数据反演地表温度和MODIS时空融合所得的地表温度作为生境因子,通过基于地表温度遥感监测模型,获得了小麦白粉病情遥感监测的结果。
2.根据权利要求1所述的一种基于地表温度反演技术的小麦白粉病遥感监测方法,其特征在于,所述小麦生长状态的反演包括以下步骤:
21)将所有植被指数特征根据Relief算法按权重降序排序,以权重0.075为阈值,选择出8个植被指数特征;
22)对8个植被指数特征进行两两相互分析,与权重最高特征相关系数高于0.9的剔除,之后剔除与权重次高特征的相关系数高于阈值的特征,并以此类推;
23)选出3个植被指数特征作为地表温度遥感监测模型的基础。
3.根据权利要求1所述的一种基于地表温度反演技术的小麦白粉病遥感监测方法,其特征在于,所述地表温度的反演包括以下步骤:
31)图像预处理,对Landsat-8OLI数据和Landsat-8TIRS数据进行辐射定标、去云处理;
32)根据Landsat-8OLI数据计算归一化植被指数NDVI;
33)根据由归一化植被指数NDVI计算的植被覆盖度FVC,并按照地表比辐射率公式计算各像元的比辐射率;
其中,NDVIs为裸土的NDVI值,NDVIv为纯植被的NDVI值;
34)根据两个热红外通道的观测亮温选定一定范围的滑动窗口通过协方差与方差的比值计算大气水汽柱含量并据此确定公式中的系列参数bi,利用MODTRAN和TIGR大气廓线建立通过率比值与大气水汽含量的经验关系式并用其计算大气透过率,非线性劈窗算法计算地表温度的公式如下:
其中,反演地表温度LST为TIRS数据的热红外数据,ε和△ε分别表示MODTRAN和TIGR大气廓线的发射率均值与差值,取决于地表分类与覆盖度;Ti和Tj为MODTRAN和TIGR大气廓线的观测亮温,bi(i=0,1...,7)为各项系数,其为可通过实验室数据、大气参数数据以及大气辐射传输方程得到的模拟数据集;
35)计算像元的地表温度,选取了小麦关键的起身期、拔节期、开花期和灌浆期的四期Landsat-8TIRS数据反演像元的地表温度,其公式如下:
其中,LSTi为单时相Landsat-8TIRS数据反演的地表温度,为LSTi归一化后的温度因子,i=(1,2,3,4)代表四个时相,20的意义在于白粉病发生的适宜温度上限为20℃,SLST代表多时相Landsat-8TIRS数据反演地表温度的累积。
4.根据权利要求1所述的一种基于地表温度反演技术的小麦白粉病遥感监测方法,其特征在于,所述MODIS温度和Landsat-8TIRS数据反演地表温度的时空融合包括以下步骤:
41)利用Landsat-8TIRS数据反演LST和MODIS温度产品计算LST;
42)STARFM算法获取同一时刻tk的低分辨率遥感图像LR和高分辨率遥感图像HR,得到该时刻HR和LR间像元值之间的偏差值D,偏差值由系统误差和地物变化引起,公式如下:
D=HR(xi,yi,tk)-LR(xi,yi,tk);
43)根据选择的移动窗口确定相似像元的时间距离权重和空间距离权重,基于两者都是LST,光谱距离权重为1;
44)根据某一时刻的MODIS LST预测对应时刻的Landsat-8LST,假定偏差值不变,其计算公式如下:
其中,w为移动窗口的尺度,(xw/2,yw/2)为移动窗口中心像元的位置,Wij为窗口内相似像元对中心像元的权重系数;
45)根据STARFM算法得出的时空融合后的20期LST数据(LSTj)与4期Landsat-8LST数据(LSTi)计算LMLST,其公式如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810899574.5A CN108985959B (zh) | 2018-08-09 | 2018-08-09 | 一种基于地表温度反演技术的小麦白粉病遥感监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810899574.5A CN108985959B (zh) | 2018-08-09 | 2018-08-09 | 一种基于地表温度反演技术的小麦白粉病遥感监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108985959A CN108985959A (zh) | 2018-12-11 |
CN108985959B true CN108985959B (zh) | 2021-05-28 |
Family
ID=64556266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810899574.5A Active CN108985959B (zh) | 2018-08-09 | 2018-08-09 | 一种基于地表温度反演技术的小麦白粉病遥感监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108985959B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109446739B (zh) * | 2018-12-20 | 2020-01-10 | 中国农业科学院农业资源与农业区划研究所 | 一种地表温度多通道热红外遥感反演方法 |
CN109871637B (zh) * | 2019-03-06 | 2022-11-04 | 成都信息工程大学 | 一种云天条件下近地面气温估算方法 |
CN110319938B (zh) * | 2019-06-26 | 2020-10-20 | 西安空间无线电技术研究所 | 一种高空间分辨率地表温度生成方法 |
CN110361344A (zh) * | 2019-08-30 | 2019-10-22 | 北京麦飞科技有限公司 | 基于高光谱的病害程度诊断方法 |
CN111738138B (zh) * | 2020-06-19 | 2024-02-02 | 安徽大学 | 一种耦合气象特征区域尺度的小麦条绣病严重度遥感监测方法 |
CN112183273A (zh) * | 2020-09-18 | 2021-01-05 | 广州地理研究所 | 一种基于光谱信息及气象数据的小麦条锈病监测方法 |
CN112101681B (zh) * | 2020-09-25 | 2023-04-28 | 北京师范大学 | 基于遥感ndpi时间序列监测冬小麦干热风灾害的方法 |
CN112199634B (zh) * | 2020-10-14 | 2021-05-11 | 中国科学院空天信息创新研究院 | 基于贝叶斯模型平均方法的地表组分温度多算法集成算法 |
CN112464746B (zh) * | 2020-11-10 | 2023-09-12 | 清华苏州环境创新研究院 | 一种卫星影像和机器学习的水质监测方法及系统 |
CN113643409B (zh) * | 2021-08-24 | 2022-03-18 | 中国农业大学 | 植被生产速率的表征方法、装置以及存储介质 |
CN113836490B (zh) * | 2021-09-25 | 2023-01-24 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种基于数据线性回归的starfm地表温度融合预测方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001097556A2 (en) * | 2000-06-15 | 2001-12-20 | Freshloc Technologies, Inc. | Wide area network based object sensor system |
CN101551459A (zh) * | 2008-10-15 | 2009-10-07 | 北京天宏金睛信息技术有限公司 | 基于遥感的区域蒸散量监测方法 |
CN101936921A (zh) * | 2010-03-05 | 2011-01-05 | 中国农业科学院农业资源与农业区划研究所 | 从amsr-e数据反演土壤水分方法 |
CN102103077A (zh) * | 2009-12-16 | 2011-06-22 | 中国科学院沈阳应用生态研究所 | 一种基于modis数据的农业干旱监测方法 |
CN102636779A (zh) * | 2012-05-07 | 2012-08-15 | 武汉大学 | 一种基于重采样回归分析的亚像素积雪覆盖率提取方法 |
CN103810387A (zh) * | 2014-02-13 | 2014-05-21 | 中国科学院地理科学与资源研究所 | 基于modis数据的地表蒸散发全遥感反演方法及系统 |
CN104897289A (zh) * | 2015-06-23 | 2015-09-09 | 中国科学院遥感与数字地球研究所 | 一种Landsat 8卫星数据地表温度反演方法 |
CN105628618A (zh) * | 2015-12-21 | 2016-06-01 | 中国矿业大学(北京) | 基于遥感地表温度与植被盖度两阶段空间探测地表蒸散的方法 |
CN106018284A (zh) * | 2016-05-12 | 2016-10-12 | 中国科学院遥感与数字地球研究所 | 一种作物长势定量遥感监测方法及系统 |
CN106483147A (zh) * | 2016-10-14 | 2017-03-08 | 中国科学院遥感与数字地球研究所 | 基于modis和实测数据协同的长时间序列被动微波土壤水分精度改进研究 |
CN107085712A (zh) * | 2017-04-28 | 2017-08-22 | 山东省农业可持续发展研究所 | 一种基于modis数据的农业干旱监测方法 |
CN107371913A (zh) * | 2017-07-28 | 2017-11-24 | 中国科学院合肥物质科学研究院 | 一种小麦白粉病抑制剂及其制备方法 |
CN108038351A (zh) * | 2017-12-06 | 2018-05-15 | 武汉大学 | 一种基于遥感影像和水生态模型的叶绿素计算方法 |
CN108152212A (zh) * | 2017-12-12 | 2018-06-12 | 中国科学院地理科学与资源研究所 | 基于高时间分辨率和空间分辨率多光谱遥感数据的草地地上生物量反演方法 |
CN108207811A (zh) * | 2017-12-08 | 2018-06-29 | 重庆昇顺科技有限公司 | 一种利用小麦白粉病菌饲养柯氏素菌瓢虫的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10262205B2 (en) * | 2015-07-28 | 2019-04-16 | Chiman KWAN | Method and system for collaborative multi-satellite remote sensing |
-
2018
- 2018-08-09 CN CN201810899574.5A patent/CN108985959B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001097556A2 (en) * | 2000-06-15 | 2001-12-20 | Freshloc Technologies, Inc. | Wide area network based object sensor system |
CN101551459A (zh) * | 2008-10-15 | 2009-10-07 | 北京天宏金睛信息技术有限公司 | 基于遥感的区域蒸散量监测方法 |
CN102103077A (zh) * | 2009-12-16 | 2011-06-22 | 中国科学院沈阳应用生态研究所 | 一种基于modis数据的农业干旱监测方法 |
CN101936921A (zh) * | 2010-03-05 | 2011-01-05 | 中国农业科学院农业资源与农业区划研究所 | 从amsr-e数据反演土壤水分方法 |
CN102636779A (zh) * | 2012-05-07 | 2012-08-15 | 武汉大学 | 一种基于重采样回归分析的亚像素积雪覆盖率提取方法 |
CN103810387A (zh) * | 2014-02-13 | 2014-05-21 | 中国科学院地理科学与资源研究所 | 基于modis数据的地表蒸散发全遥感反演方法及系统 |
CN104897289A (zh) * | 2015-06-23 | 2015-09-09 | 中国科学院遥感与数字地球研究所 | 一种Landsat 8卫星数据地表温度反演方法 |
CN105628618A (zh) * | 2015-12-21 | 2016-06-01 | 中国矿业大学(北京) | 基于遥感地表温度与植被盖度两阶段空间探测地表蒸散的方法 |
CN106018284A (zh) * | 2016-05-12 | 2016-10-12 | 中国科学院遥感与数字地球研究所 | 一种作物长势定量遥感监测方法及系统 |
CN106483147A (zh) * | 2016-10-14 | 2017-03-08 | 中国科学院遥感与数字地球研究所 | 基于modis和实测数据协同的长时间序列被动微波土壤水分精度改进研究 |
CN107085712A (zh) * | 2017-04-28 | 2017-08-22 | 山东省农业可持续发展研究所 | 一种基于modis数据的农业干旱监测方法 |
CN107371913A (zh) * | 2017-07-28 | 2017-11-24 | 中国科学院合肥物质科学研究院 | 一种小麦白粉病抑制剂及其制备方法 |
CN108038351A (zh) * | 2017-12-06 | 2018-05-15 | 武汉大学 | 一种基于遥感影像和水生态模型的叶绿素计算方法 |
CN108207811A (zh) * | 2017-12-08 | 2018-06-29 | 重庆昇顺科技有限公司 | 一种利用小麦白粉病菌饲养柯氏素菌瓢虫的方法 |
CN108152212A (zh) * | 2017-12-12 | 2018-06-12 | 中国科学院地理科学与资源研究所 | 基于高时间分辨率和空间分辨率多光谱遥感数据的草地地上生物量反演方法 |
Non-Patent Citations (3)
Title |
---|
J Zhao,et.al.Monitoring of powdery mildew on Winter wheat using multi-temporal HJ-CCD imagery on a regional scale.《IGARSS 2017 - 2017 IEEE International Geoscience and Remote Sensing Symposium》.2017, * |
Relief-F筛选波段的小麦白粉病早期诊断研究;黄林生等;《红外与激光工程》;20180525;219-226 * |
小波分析与支持向量机结合的冬小麦白粉病遥感监测;黄林生等;《农业工程学报》;20170723;188-195 * |
Also Published As
Publication number | Publication date |
---|---|
CN108985959A (zh) | 2018-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108985959B (zh) | 一种基于地表温度反演技术的小麦白粉病遥感监测方法 | |
Fei et al. | UAV-based multi-sensor data fusion and machine learning algorithm for yield prediction in wheat | |
Ferreira et al. | Tree species classification in tropical forests using visible to shortwave infrared WorldView-3 images and texture analysis | |
Wendel et al. | Maturity estimation of mangoes using hyperspectral imaging from a ground based mobile platform | |
Ballesteros et al. | Vineyard yield estimation by combining remote sensing, computer vision and artificial neural network techniques | |
CN110287944B (zh) | 基于深度学习的多光谱遥感影像的农作物虫害监测方法 | |
Asner et al. | Invasive species detection in Hawaiian rainforests using airborne imaging spectroscopy and LiDAR | |
Verrelst et al. | Machine learning regression algorithms for biophysical parameter retrieval: Opportunities for Sentinel-2 and-3 | |
Walthall et al. | A comparison of empirical and neural network approaches for estimating corn and soybean leaf area index from Landsat ETM+ imagery | |
Banerjee et al. | Application of thermal imaging of wheat crop canopy to estimate leaf area index under different moisture stress conditions | |
Trishchenko et al. | A method for downscaling MODIS land channels to 250-m spatial resolution using adaptive regression and normalization | |
CN109297605B (zh) | 一种基于中红外与热红外数据的地表温度反演方法 | |
Li et al. | Principal variable selection to explain grain yield variation in winter wheat from features extracted from UAV imagery | |
Li et al. | Quantification winter wheat LAI with HJ-1CCD image features over multiple growing seasons | |
Wu et al. | Wheat leaf area index prediction using data fusion based on high-resolution unmanned aerial vehicle imagery | |
CN111738066A (zh) | 综合多源遥感信息的网格化水稻纹枯病生境评价方法 | |
Liu et al. | Estimating potato above-ground biomass by using integrated unmanned aerial system-based optical, structural, and textural canopy measurements | |
CN111582575A (zh) | 一种多时空尺度下城市热环境形成发展主导因素识别方法 | |
Abdikan et al. | A comparative analysis of SLR, MLR, ANN, XGBoost and CNN for crop height estimation of sunflower using Sentinel-1 and Sentinel-2 | |
Torres-Rua et al. | Estimation of evapotranspiration and energy fluxes using a deep-learning-based high-resolution emissivity model and the two-source energy balance model with sUAS information | |
Jahromi et al. | Developing machine learning models for wheat yield prediction using ground-based data, satellite-based actual evapotranspiration and vegetation indices | |
Vlachopoulos et al. | Evaluation of crop health status with UAS multispectral imagery | |
Akbarian et al. | Plot level sugarcane yield estimation by machine learning on multispectral images: A case study of Bundaberg, Australia | |
Cohen et al. | Spectral and spatial methods for hyperspectral and thermal image-analysis to estimate biophysical and biochemical properties of agricultural crops | |
Dhiman et al. | Soil textures and nutrients estimation using remote sensing data in north india-Punjab region |
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 |