CN110363675A - 一种基于卫星遥感的小麦赤霉病监测方法 - Google Patents
一种基于卫星遥感的小麦赤霉病监测方法 Download PDFInfo
- Publication number
- CN110363675A CN110363675A CN201910630337.3A CN201910630337A CN110363675A CN 110363675 A CN110363675 A CN 110363675A CN 201910630337 A CN201910630337 A CN 201910630337A CN 110363675 A CN110363675 A CN 110363675A
- Authority
- CN
- China
- Prior art keywords
- index
- rdvi
- ndvi
- single layer
- value
- 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
- 241000209140 Triticum Species 0.000 title claims abstract description 46
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 46
- 206010039509 Scab Diseases 0.000 title claims abstract description 29
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000001556 precipitation Methods 0.000 claims abstract description 48
- 238000010606 normalization Methods 0.000 claims abstract description 43
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 28
- 239000002356 single layer Substances 0.000 claims description 72
- 201000010099 disease Diseases 0.000 claims description 17
- 239000010410 layer Substances 0.000 claims description 10
- 238000012952 Resampling Methods 0.000 claims description 8
- 241000607479 Yersinia pestis Species 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 241000223218 Fusarium Species 0.000 description 3
- 238000004611 spectroscopical analysis Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
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
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Mining & Mineral Resources (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Marine Sciences & Fisheries (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Animal Husbandry (AREA)
- Economics (AREA)
- Agronomy & Crop Science (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于卫星遥感的小麦赤霉病监测方法，属于遥感监测技术领域，首先获取被预测年份及被预测年份前N年内小麦种植区的遥感数据和气象降水数据，所述遥感数据包括多光谱数据和热红外遥感数据；接着利用所述多光谱数据计算相对长势指数；利用所述多光谱数据和热红外遥感数据得到归一化地表温度指数；利用所述气象降水数据得到归一化降水指数；最后利用所述相对长势指数、归一化地表温度指数和归一化降水指数，计算被预测年份小麦赤霉病发病指数；本发明能够较好降低在较大尺度监测中不同区域小麦长势方面的差异对赤霉病监测模型造成的干扰，提高赤霉病遥感监测客观性和实用性。
Description
技术领域
本发明涉及遥感监测技术领域，具体涉及一种基于卫星遥感的小麦赤霉病监测方法。
背景技术
目前利用遥感技术监测小麦赤霉病研究大多是以发生病害时反映在小麦叶片光谱特征上的变化为切入点，通过分析寻找可见光至近-短波红外波段的光谱特征及不同波段间特定的关系特征对赤霉病发生的敏感指标来建立相关估计模型；由于敏感指标的分析过程往往需要大量的叶片光谱分析数据为基础，且不同区域环境下小麦的生长状态及影响小麦生长的农气生态条件、病害非病害因素也有差异，因此一些遥感监测小麦赤霉病模型往往存在大区域样本采集和实验室工作量较大、时效性偏低、生产实用性不高等问题。
针对上述问题，近年来一些学者通过研究影响小麦赤霉发病的病原条件，引入主要的农气影响因素(如气温等)及反映小麦长势及叶片光谱变化相关的指数特征(如RDVI、NDVI等)来建立监测区域与小麦赤霉病相关的回归模型，相较传统方法简化了实验及样本采集工作量，提高病害监测的时效性和针对性等。然而由于不同区域尺度下影响小麦赤霉病的指数特征及非病害因素差异较为明显，此外在对赤霉病影响较大的气象因素也主要考虑反映近地表大气的相关指标而非地面温度，尤其是对赤霉病影响较大的降水量方面缺乏考虑，因此以往模型在对较大区域监测及农气条件的描述方面尚存在一定不足。
发明内容
本发明的目的在于：本发明为了解决现有存在的上述技术问题，提供了一种基于卫星遥感的小麦赤霉病监测方法。
本发明采用的技术方案如下：
一种基于卫星遥感的小麦赤霉病监测方法，包括以下步骤：
步骤1：获取被预测年份及被预测年份前N年内小麦种植区的遥感数据和气象降水数据，
所述遥感数据包括多光谱数据和热红外遥感数据；
步骤2：利用所述多光谱数据计算相对长势指数；
步骤3：利用所述多光谱数据和热红外遥感数据得到归一化地表温度指数；
步骤4：利用所述气象降水数据得到归一化降水指数；
步骤5：利用所述相对长势指数、归一化地表温度指数和归一化降水指数，计算被预测
年份小麦赤霉病发病指数。
进一步的，所述步骤2中，相对长势指数包括相对NDVI指数和相对RDVI指数。
进一步的，所述相对长势指数的计算步骤如下：
步骤201：利用所述多光谱数据计算被预测年份及被预测年份前N年内同一时期的NDVI指数和RDVI指数，采用的公式如下：
NDVI指数：
RDVI指数：DVIq＝NIRq-Rq (2)，
其中，q表示年份序号，NIRq表示第q年的多光谱数据的近红外波段，Rq表示第q年多光谱数据的红色波段，NDVIq表示第q年的NDVI指数，RDVIq表示第q年的RDVI指数；
步骤202：将被预测年份前N年内的NDVI指数进行层叠加，得到多层NDVI指数，将被预测年份前N年内的RDVI指数进行层叠加，得到多层RDVI指数，所述被预测年份的NDVI指数为单层NDVI指数，所述被预测年份的RDVI指数为单层RDVI指数；
步骤203：采用基于滚动小窗口区域算法，利用多层NDVI指数和单层NDVI指数计算相对NDVI指数，利用多层RDVI指数和单层RDVI指数计算相对RDVI指数。
进一步的，所述步骤203具体为：
步骤2031：构建窗口，初始化窗口内的像元值；
步骤2032：将所述窗口放置在多层NDVI指数或多层RDVI指数的初始位置；
步骤2033：计算当前窗口覆盖的多层NDVI指数或多层RDVI指数中每个像元的最大值和最小值，并将所述最大值和最小值存入当前窗口中对应像元位置，对当前窗口中的像元值进行更新；
步骤2034：当前窗口更新完毕后，计算当前窗口内所有像元的最小值均值和最大值均值；
步骤2035：找到当前窗口在所述单层NDVI指数或单层RDVI指数中的位置，利用当前窗口覆盖的单层NDVI指数或单层RDVI指数中的像元值以及所述最小均值和最大均值，更新单层NDVI指数或单层RDVI指数中的像元值，采用的公式如下：
其中，C(i,j)表示当前窗口覆盖的单层NDVI指数或单层RDVI指数中的像元值，C'(i,j)表示单层NDVI指数或单层RDVI指数中更新后的像元值，min_Value表示所述最小值均值，max_Value表示所述最大值均值，i和j表示窗口内像元位置的下标；
步骤2036：移动窗口，重复步骤2033-2035，直到单层NDVI指数或单层RDVI指数中所有像元值更新完毕，更新后的单层NDVI指数即为相对NDVI指数，更新后的单层RDVI指数即为相对RDVI指数。
进一步的，所述步骤3具体为：
步骤301：采用基于辐射传输方程的地表温度反演模型反演地表温度，并对所述地表温度进行归一化；
步骤302：对所述归一化后的地表温度指数进行滤波；
步骤303：将滤波后的地表温度进行分辨率重采样，得到归一化地表温度指数。
进一步的，所述步骤4具体为：
步骤401：对所述气象降水数据进行归一化，采用的公式如下：
其中，p表示气象站点的序号，P(xp)表示第p个站点的降水值，min(P(xp))表示第p个站点的最小降水值，max(P(xp))表示第p个站点的最大降水值；
步骤402：将归一化后的降水数据和站点位置进行反距离插值；
步骤403：将插值结果进行地理投影转换和分辨率重采样，得到归一化降水指数。
进一步的，所述步骤5中，小麦赤霉病发病指数与赤霉病病害风险成正比，小麦赤霉病发病指数计算公式为：
其中，α1表示相对NDVI指数，α2表示相对RDVI指数，α3表示归一化地表温度指数，α4表示归一化降水指数，k1和k2分别为两组影响因子的系数，每组影响因子的系数和为1。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1.引入小区域下小麦相较历年的相对长势指数，解决大尺度区域监测过程中不同区域生态生理等因素的不同给模型监测带来的干扰。
2.由于小麦作物高度较低，因此气温对小麦赤霉病的影响主要表现在地表温度的影响，修改常规大气气温数据为遥感反演近地表温度数据LST，能够更好描述气温因子对小麦赤霉病的影响指标。
3.由于小麦赤霉病的发病影响因素主要跟生长环境的气温和湿度有关，因此模型引入了跟湿度有关的归一化降水量数据，并与气温影响因子进行权重叠加，使模型对赤霉病的数学表达趋于客观，由于模型权重系数少且每一乘法项中的两个因子的权重系数和为1，因此可通过分析两个因子各自的影响程度来进行取值，在减少样本实验量和较大区域监测效率方面具有一定优势。
4.本发明采用小尺度的窗口滚动算法，引入历年长势数据求取窗口内最小和最大平均指数值，与仅在单层数据窗口内求最值的方法相比能够有效避免窗口内可能存在的低质量像元对计算结果的影响。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明的整体流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以下结合实施例对本发明的特征和性能作进一步的详细描述。
一种基于卫星遥感的小麦赤霉病监测方法，包括以下步骤：
步骤1：获取被预测年份及被预测年份前N年内小麦种植区的遥感数据和气象降水数据，
所述遥感数据包括多光谱数据和热红外遥感数据；
步骤2：利用所述多光谱数据计算相对长势指数；
步骤3：利用所述多光谱数据和热红外遥感数据得到归一化地表温度指数；
步骤4：利用所述气象降水数据得到归一化降水指数；
步骤5：利用所述相对长势指数、归一化地表温度指数和归一化降水指数，计算被预测
年份小麦赤霉病发病指数。
进一步的，所述步骤2中，相对长势指数包括相对NDVI指数和相对RDVI指数。
进一步的，所述相对长势指数的计算步骤如下：
步骤201：利用所述多光谱数据计算被预测年份及被预测年份前N年内同一时期的NDVI指数和RDVI指数，采用的公式如下：
NDVI指数：
RDVI指数：DVIq＝NIRq-Rq (7)，
其中，q表示年份序号，NIRq表示第q年的多光谱数据的近红外波段，Rq表示第q年多光谱数据的红色波段，NDVIq表示第q年的NDVI指数，RDVIq表示第q年的RDVI指数；
步骤202：将被预测年份前N年内的NDVI指数进行层叠加，得到多层NDVI指数，将被预测年份前N年内的RDVI指数进行层叠加，得到多层RDVI指数，所述被预测年份的NDVI指数为单层NDVI指数，所述被预测年份的RDVI指数为单层RDVI指数；
步骤203：采用基于滚动小窗口区域算法，利用多层NDVI指数和单层NDVI指数计算相对NDVI指数，利用多层RDVI指数和单层RDVI指数计算相对RDVI指数。
进一步的，所述步骤203具体为：
步骤2031：构建窗口，初始化窗口内的像元值；
步骤2032：将所述窗口放置在多层NDVI指数或多层RDVI指数的初始位置；
步骤2033：计算当前窗口覆盖的多层NDVI指数或多层RDVI指数中每个像元的最大值和最小值，并将所述最大值和最小值存入当前窗口中对应像元位置，对当前窗口中的像元值进行更新；
步骤2034：当前窗口更新完毕后，计算当前窗口内所有像元的最小值均值和最大值均值；
步骤2035：找到当前窗口在所述单层NDVI指数或单层RDVI指数中的位置，利用当前窗口覆盖的单层NDVI指数或单层RDVI指数中的像元值以及所述最小均值和最大均值，更新单层NDVI指数或单层RDVI指数中的像元值，采用的公式如下：
其中，C(i,j)表示当前窗口覆盖的单层NDVI指数或单层RDVI指数中的像元值，C'(i,j)表示单层NDVI指数或单层RDVI指数中更新后的像元值，min_Value表示所述最小值均值，max_Value表示所述最大值均值，i和j表示窗口内像元位置的下标；
步骤2036：移动窗口，重复步骤2033-2035，直到单层NDVI指数或单层RDVI指数中所有像元值更新完毕，更新后的单层NDVI指数即为相对NDVI指数，更新后的单层RDVI指数即为相对RDVI指数。
进一步的，所述步骤3具体为：
步骤301：采用基于辐射传输方程的地表温度反演模型反演地表温度，并对所述地表温度进行归一化；
步骤302：对所述归一化后的地表温度指数进行滤波；
步骤303：将滤波后的地表温度进行分辨率重采样，得到归一化地表温度指数。
进一步的，所述步骤4具体为：
步骤401：对所述气象降水数据进行归一化，采用的公式如下：
其中，p表示气象站点的序号，P(xp)表示第p个站点的降水值，min(P(xp))表示第p个站点的最小降水值，max(P(xp))表示第p个站点的最大降水值；
步骤402：将归一化后的降水数据和站点位置进行反距离插值；
步骤403：将插值结果进行地理投影转换和分辨率重采样，得到归一化降水指数。
进一步的，所述步骤5中，小麦赤霉病发病指数与赤霉病病害风险成正比，小麦赤霉病发病指数计算公式为：
其中，α1表示相对NDVI指数，α2表示相对RDVI指数，α3表示归一化地表温度指数，α4表示归一化降水指数，k1和k2分别为两组影响因子的系数，每组影响因子的系数和为1。
实施例
本实施例用于对本发明进行说明。
步骤1：获取被预测年份及被预测年份前N年内小麦种植区的遥感数据和气象降水数据，
所述遥感数据包括多光谱数据和热红外遥感数据；
本实施例中检测区域为河南省冬小麦种植，范围大，为减小数据量及期间数据处理时间，遥感数据采用250m分辨率、时间为2009-2019年历年4月中上旬的MODIS 09Q1数据，地温数据采用3月下旬-4月中上旬1000*1000m分辨率的MODIS 11A2数据，气象降水数据时间为全省气象站点采集的3月下旬-4月中上旬每天的日平均降水数据，其余数据为河南冬小麦分布掩膜和边界矢量文件。
步骤2：利用所述多光谱数据计算相对长势指数；
对MODIS 09Q1分别进行镶嵌、投影等预处理，提取红色、近红外波段数据，根据RDVI和NDVI计算公式得到RDVI指数(重归一化植被指数)和NDVI指数(归一化植被指数)，并对2009-2018年每年的RDVI和NDVI指数进行层叠加，利用边界矢量对得到的叠加数据及2019年数据进行剪裁。
步骤201：利用所述多光谱数据计算2019年及2009-2018年内同一时期的NDVI指数和RDVI指数，采用的公式如下：
NDVI指数：
RDVI指数：DVIq＝NIRq-Rq (12)，
其中，q表示年份序号，NIRq表示第q年的多光谱数据的近红外波段，Rq表示第q年多光谱数据的红色波段，NDVIq表示第q年的NDVI指数，RDVIq表示第q年的RDVI指数；
步骤202：将2009-2018年内的NDVI指数进行层叠加，得到多层NDVI指数，将2009-2018年的RDVI指数进行层叠加，得到多层RDVI指数，所述多层NDVI指数和多层RDVI指数中每个像元均为一个长度为10的向量；所述2019年的NDVI指数为单层NDVI指数，所述2019年的RDVI指数为单层RDVI指数；
步骤203：采用基于滚动小窗口区域算法，利用多层NDVI指数和单层NDVI指数计算相对NDVI指数，利用多层RDVI指数和单层RDVI指数计算相对RDVI指数。
步骤2031：构建窗口，窗口的大小可采用3*3、5*5、7*7尺度，本实施例为5*5的窗口，初始化窗口内的像元值，即像元值为0，即W'(i',j')＝0；
步骤2032：将所述窗口放置在多层NDVI指数或多层RDVI指数的初始位置，这里将初始位置设置在左上角，即W'(i',j')＝B(i,j)，W'(i',j')表示窗口中的像元，B(i,j)表示多层NDVI指数或多层RDVI指数中的像元，且i＝i'＝{0,1,2,3,4,5}，j＝j'＝{0,1,2,3,4,5}；
步骤2033：计算当前窗口覆盖的多层NDVI指数或多层RDVI指数中每个像元的最大值和最小值，并将所述最大值和最小值存入当前窗口中对应像元位置，对当前窗口中的像元值进行更新；
W'(i',j')＝Vector(min(B(i,j),max(B(i,j))) (13)，
i＝i'+step_i*N，j＝j'+step_j*N (14)，
min(B(i,j))＝min({b1(i,j),b2(i,j),b3(i,j)...b10(i,j)}) (15)，
max(B(i,j))＝max({b1(i,j),b2(i,j),b3(i,j)...b10(i,j)}) (16)，
其中，Step_i表示窗口横方向滚动步长，Step_j表示窗口纵方向滚动步长，N表示窗口当前滚动次数；
步骤2034：当前窗口更新完毕后，计算当前窗口内所有像元的最小值均值和最大值均值；
其中，W'(i',j')[0]表示计算得到的Vector中的第一个元素，W'(i',j')[1]表示计算得到的Vector中的第二个元素，M＝5*5；
步骤2035：找到当前窗口在所述单层NDVI指数或单层RDVI指数中的位置，利用当前窗口覆盖的单层NDVI指数或单层RDVI指数中的像元值以及所述最小均值和最大均值，更新单层NDVI指数或单层RDVI指数中的像元值，采用的公式如下：
其中，C(i,j)表示当前窗口覆盖的单层NDVI指数或单层RDVI指数中的像元值，C'(i,j)表示单层NDVI指数或单层RDVI指数中更新后的像元值，min_Value表示所述最小值均值，max_Value表示所述最大值均值，i和j表示窗口内像元位置的下标；
步骤2036：移动窗口，重复步骤2033-2035，直到单层NDVI指数或单层RDVI指数中所有像元值更新完毕(对于边界不足5的以0填充，不再参与计算)，更新后的单层NDVI指数即为相对NDVI指数，更新后的单层RDVI指数即为相对RDVI指数。
步骤3：利用所述多光谱数据和热红外遥感数据得到归一化地表温度指数；
步骤301：采用基于辐射传输方程的地表温度反演模型反演地表温度，并对所述地表温度进行归一化；
步骤302：对所述归一化后的地表温度指数进行滤波，采用3*3窗口高斯核卷积滤波；
步骤303：将滤波后的地表温度送入ENVI中进行分辨率重采样，得到归一化地表温度指数。
步骤4：利用所述气象降水数据得到归一化降水指数；
步骤401：对所述气象降水数据进行归一化，采用的公式如下：
其中，p表示气象站点的序号，P(xp)表示第p个站点的降水值，min(P(xp))表示第p个站点的最小降水值，max(P(xp))表示第p个站点的最大降水值；
步骤402：将归一化后的降水数据和站点位置带入Arcgis进行反距离插值；
步骤403：将插值结果送入ENVI中进行地理投影转换和分辨率重采样，得到归一化降水指数。
步骤5：利用所述相对长势指数、归一化地表温度指数和归一化降水指数，计算被预测
年份小麦赤霉病发病指数；
小麦赤霉病发病指数与赤霉病病害风险成正比，小麦赤霉病发病指数计算公式为：
其中，α1表示相对NDVI指数，α2表示相对RDVI指数，α3表示归一化地表温度指数，α4表示归一化降水指数，k1和k2分别为两组影响因子的系数，每组影响因子的系数和为1；小麦赤霉病发病指数计算结果在0-1之间，指数越接近1，代表赤霉病病害风险越大，越接近0，风险越小。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于卫星遥感的小麦赤霉病监测方法，其特征在于：包括以下步骤：
步骤1：获取被预测年份及被预测年份前N年内小麦种植区的遥感数据和气象降水数据，
所述遥感数据包括多光谱数据和热红外遥感数据；
步骤2：利用所述多光谱数据计算相对长势指数；
步骤3：利用所述多光谱数据和热红外遥感数据得到归一化地表温度指数；
步骤4：利用所述气象降水数据得到归一化降水指数；
步骤5：利用所述相对长势指数、归一化地表温度指数和归一化降水指数，计算被预测年份小麦赤霉病发病指数。
2.根据权利要求1所述的一种基于卫星遥感的小麦赤霉病监测方法，其特征在于：所述步骤2中，相对长势指数包括相对NDVI指数和相对RDVI指数。
3.根据权利要求2所述的一种基于卫星遥感的小麦赤霉病监测方法，其特征在于：所述相对长势指数的计算步骤如下：
步骤201：利用所述多光谱数据计算被预测年份及被预测年份前N年内同一时期的NDVI指数和RDVI指数，采用的公式如下：
NDVI指数：
RDVI指数：DVIq＝NIRq-Rq (2)，
其中，q表示年份序号，NIRq表示第q年的多光谱数据的近红外波段，Rq表示第q年多光谱数据的红色波段，NDVIq表示第q年的NDVI指数，RDVIq表示第q年的RDVI指数；
步骤202：将被预测年份前N年内的NDVI指数进行层叠加，得到多层NDVI指数，将被预测年份前N年内的RDVI指数进行层叠加，得到多层RDVI指数，所述被预测年份的NDVI指数为单层NDVI指数，所述被预测年份的RDVI指数为单层RDVI指数；
步骤203：采用基于滚动小窗口区域算法，利用多层NDVI指数和单层NDVI指数计算相对NDVI指数，利用多层RDVI指数和单层RDVI指数计算相对RDVI指数。
4.根据权利要求203所述的一种基于卫星遥感的小麦赤霉病监测方法，其特征在于：所述步骤203具体为：
步骤2031：构建窗口，初始化窗口内的像元值；
步骤2032：将所述窗口放置在多层NDVI指数或多层RDVI指数的初始位置；
步骤2033：计算当前窗口覆盖的多层NDVI指数或多层RDVI指数中每个像元的最大值和最小值，并将所述最大值和最小值存入当前窗口中对应像元位置，对当前窗口中的像元值进行更新；
步骤2034：当前窗口更新完毕后，计算当前窗口内所有像元的最小值均值和最大值均值；
步骤2035：找到当前窗口在所述单层NDVI指数或单层RDVI指数中的位置，利用当前窗口覆盖的单层NDVI指数或单层RDVI指数中的像元值以及所述最小均值和最大均值，更新单层NDVI指数或单层RDVI指数中的像元值，采用的公式如下：
其中，C(i,j)表示当前窗口覆盖的单层NDVI指数或单层RDVI指数中的像元值，C'(i,j)表示单层NDVI指数或单层RDVI指数中更新后的像元值，min_Value表示所述最小值均值，max_Value表示所述最大值均值，i和j表示窗口内像元位置的下标；
步骤2036：移动窗口，重复步骤2033-2035，直到单层NDVI指数或单层RDVI指数中所有像元值更新完毕，更新后的单层NDVI指数即为相对NDVI指数，更新后的单层RDVI指数即为相对RDVI指数。
5.根据权利要求1所述的一种基于卫星遥感的小麦赤霉病监测方法，其特征在于：所述步骤3具体为：
步骤301：采用基于辐射传输方程的地表温度反演模型反演地表温度，并对所述地表温度进行归一化；
步骤302：对所述归一化后的地表温度指数进行滤波；
步骤303：将滤波后的地表温度进行分辨率重采样，得到归一化地表温度指数。
6.根据权利要求1所述的一种基于卫星遥感的小麦赤霉病监测方法，其特征在于：所述步骤4具体为：
步骤401：对所述气象降水数据进行归一化，采用的公式如下：
其中，p表示气象站点的序号，P(xp)表示第p个站点的降水值，min(P(xp))表示第p个站点的最小降水值，max(P(xp))表示第p个站点的最大降水值；
步骤402：将归一化后的降水数据和站点位置进行反距离插值；
步骤403：将插值结果进行地理投影转换和分辨率重采样，得到归一化降水指数。
7.根据权利要求1所述的一种基于卫星遥感的小麦赤霉病监测方法，其特征在于：所述步骤5中，小麦赤霉病发病指数与赤霉病病害风险成正比，小麦赤霉病发病指数计算公式为：
其中，α1表示相对NDVI指数，α2表示相对RDVI指数，α3表示归一化地表温度指数，α4表示归一化降水指数，k1和k2分别为两组影响因子的系数，每组影响因子的系数和为1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910630337.3A CN110363675A (zh) | 2019-07-12 | 2019-07-12 | 一种基于卫星遥感的小麦赤霉病监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910630337.3A CN110363675A (zh) | 2019-07-12 | 2019-07-12 | 一种基于卫星遥感的小麦赤霉病监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110363675A true CN110363675A (zh) | 2019-10-22 |
Family
ID=68219280
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910630337.3A Pending CN110363675A (zh) | 2019-07-12 | 2019-07-12 | 一种基于卫星遥感的小麦赤霉病监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110363675A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111474117A (zh) * | 2020-04-24 | 2020-07-31 | 中国科学院空天信息创新研究院 | 作物病害监测的方法及装置 |
| CN111768051A (zh) * | 2020-07-06 | 2020-10-13 | 中国科学院空天信息创新研究院 | 一种小麦赤霉病动态预警方法及装置 |
| CN112258331A (zh) * | 2020-10-26 | 2021-01-22 | 安庆中春自动化技术有限公司 | 一种基于大数据的农作物种植生长及环境智能监测分析系统 |
-
2019
- 2019-07-12 CN CN201910630337.3A patent/CN110363675A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111474117A (zh) * | 2020-04-24 | 2020-07-31 | 中国科学院空天信息创新研究院 | 作物病害监测的方法及装置 |
| CN111474117B (zh) * | 2020-04-24 | 2022-11-01 | 中国科学院空天信息创新研究院 | 作物病害监测的方法及装置 |
| CN111768051A (zh) * | 2020-07-06 | 2020-10-13 | 中国科学院空天信息创新研究院 | 一种小麦赤霉病动态预警方法及装置 |
| GB2596887A (en) * | 2020-07-06 | 2022-01-12 | Aerospace Information Research Institute Chinese Academy Of Sciences | Method and device for dynamic early-warning of wheat scab |
| GB2596887B (en) * | 2020-07-06 | 2022-09-28 | Aerospace Information Research Institute Chinese Academy Of Sciences | Method and device for dynamic early-warning of wheat scab |
| CN112258331A (zh) * | 2020-10-26 | 2021-01-22 | 安庆中春自动化技术有限公司 | 一种基于大数据的农作物种植生长及环境智能监测分析系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110363675A (zh) | 一种基于卫星遥感的小麦赤霉病监测方法 | |
| Du et al. | Impact of urban expansion on land surface temperature in Fuzhou, China using Landsat imagery | |
| Jaafar et al. | Crop yield prediction from remotely sensed vegetation indices and primary productivity in arid and semi-arid lands | |
| Akramkhanov et al. | The assessment of spatial distribution of soil salinity risk using neural network | |
| CN108985959A (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 | |
| CN106779067B (zh) | 基于多源遥感数据的土壤湿度重建方法和系统 | |
| CN111582575B (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 | |
| Castillo-Núñez et al. | Delineation of secondary succession mechanisms for tropical dry forests using LiDAR | |
| CN109871637A (zh) | 一种云天条件下近地面气温估算方法 | |
| CN110363246A (zh) | 一种高时空分辨率植被指数ndvi的融合方法 | |
| CN108106676B (zh) | 一种基于遥感数据的农作物晚霜冻害的监测方法和装置 | |
| CN115344815B (zh) | 考虑植被空间变化的天然径流变化归因分析方法和系统 | |
| CN111738138B (zh) | 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 | |
| Guillén-Navarro et al. | A deep learning model to predict lower temperatures in agriculture | |
| CN114419431A (zh) | 一种蝗灾潜在高风险区识别方法、装置、设备及存储介质 | |
| Li et al. | Regression and analytical models for estimating mangrove wetland biomass in South China using Radarsat images | |
| 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 | |
| Liu et al. | Comparison and evaluation of different dryness indices based on vegetation indices-land surface temperature/albedo feature space | |
| Khan et al. | County-level corn yield prediction using supervised machine learning | |
| Zhang et al. | Crop type mapping with temporal sample migration | |
| Craigmile et al. | Can a regional climate model reproduce observed extreme temperatures? | |
| Teke et al. | Multi-year vector dynamic time warping-based crop mapping | |
| Gavade et al. | A hybrid optimization-based deep belief neural network for the classification of vegetation area in multi-spectral satellite image | |
| Ayub et al. | Wheat Crop Field and Yield Prediction using Remote Sensing and Machine Learning | |
| CN112949182B (zh) | 耦合地表土壤含水量的区域尺度最大气孔导度的计算方法 |
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 |