CN110514597A - 基于星地遥感数据协同的农作物病虫害监测方法 - Google Patents
基于星地遥感数据协同的农作物病虫害监测方法 Download PDFInfo
- Publication number
- CN110514597A CN110514597A CN201910830953.3A CN201910830953A CN110514597A CN 110514597 A CN110514597 A CN 110514597A CN 201910830953 A CN201910830953 A CN 201910830953A CN 110514597 A CN110514597 A CN 110514597A
- Authority
- CN
- China
- Prior art keywords
- pests
- diseases
- agronomic crop
- ground
- spectral data
- 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
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 115
- 201000010099 disease Diseases 0.000 title claims abstract description 112
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 112
- 230000009418 agronomic effect Effects 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012544 monitoring process Methods 0.000 title claims abstract description 39
- 230000003595 spectral effect Effects 0.000 claims abstract description 21
- 238000001228 spectrum Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 238000002310 reflectometry Methods 0.000 claims abstract description 15
- 238000005316 response function Methods 0.000 claims abstract description 7
- 230000035945 sensitivity Effects 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims abstract description 5
- 241000238631 Hexapoda Species 0.000 claims description 12
- 230000005855 radiation Effects 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 9
- 238000012417 linear regression Methods 0.000 claims description 9
- 238000004611 spectroscopical analysis Methods 0.000 claims description 9
- 244000038559 crop plants Species 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 4
- 230000036541 health Effects 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 14
- 239000000284 extract Substances 0.000 abstract description 4
- 230000008458 response to injury Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 238000003892 spreading Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/42—Absorption spectrometry; Double beam spectrometry; Flicker spectrometry; Reflection spectrometry
-
- 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
- G01N21/55—Specular reflectivity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0098—Plants or trees
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/2823—Imaging spectrometer
- G01J2003/2826—Multispectral imaging, e.g. filter imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/42—Absorption spectrometry; Double beam spectrometry; Flicker spectrometry; Reflection spectrometry
- G01J2003/425—Reflectance
-
- 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
-
- 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)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Botany (AREA)
- Wood Science & Technology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Catching Or Destruction (AREA)
Abstract
本申请公开了一种基于星地遥感数据协同的农作物病虫害监测方法，涉及林业典型病虫害遥感监测技术领域，包括采集病虫害发生区域的原始近地面高光谱数据；对原始近地面高光谱数据进行光谱变换分析，选择出对病虫害响应的敏感光谱区域和谱段，得到近地面高光谱数据，建立农作物病虫害反演模型；获取病虫害发生区域的卫星遥感数据并做预处理；提取卫星遥感数据宽波段响应函数并计算农作物病虫害发生区域相应于卫星遥感数据宽波段的多光谱反射率，采用波段组合的方法构建多光谱指数；将反演模型与多光谱指数协同分析，获得星地遥感数据协同的农作物病虫害监测模型；保证农作物病虫害的检测精度，实现对于农作物进行大面积多时相检测。
Description
技术领域
本申请涉及林业典型病虫害遥感监测技术领域，具体地说，涉及一种基于星地遥感数据协同的农作物病虫害监测方法。
背景技术
近地面高光谱农作物病虫害监测技术利用高光谱仪获取地面光谱数据，使用手持GPS获取地面样点准确的经纬度坐标。然后进行平滑、光谱微分变换等处理，选择对农作物病虫害响应的敏感光谱区域和谱段，运用多元线性回归方法、最小二乘法等回归方法建立农作物病虫害监测反演模型。
但野外实地采集光谱数据需要耗费较大的人力物力，难以进行农作物田大面积应用。当农作物田发生大面积病虫害时，高光谱近地面采集不但耗时、费力，而且预报滞后增加了损失程度，从而在一定程度上影响了预报的精确度。
发明内容
有鉴于此，本申请提供了一种基于星地遥感数据协同的农作物病虫害监测方法，通过得到近地面高光谱数据，以近地面高光谱数据建立农作物病虫害反演模型；进一步获取农作物病虫害发生区域的卫星遥感数据，提取卫星遥感数据宽波段函数，并计算农作物病虫害发生区域相应于卫星遥感数据宽波段的多光谱反射率，进而构建多光谱指数；将多光谱指数替代反演模型中相应的高光谱数据，获得星地遥感数据协同的农作物病虫害监测模型；能够实现对于农作物患病虫害情况进行大面积多时相检测，同时提供给工作人员重要病虫害的蔓延趋势，从而有利于工作人员及时采取治理措施，减少农作物产量损失。
为了解决上述技术问题，本申请有如下技术方案：
一种基于星地遥感数据协同的农作物病虫害监测方法，包括：
采集农作物病虫害发生区域的原始近地面高光谱数据，并获取所述农作物病虫害发生区域地面样点的经纬度坐标；
对采集的所述原始近地面高光谱数据进行光谱变换分析，包括对所述高光谱数据进行异常值剔除、光谱曲线平滑、光谱微分变换和连续统去除变换，从备选光谱特征中选择对农作物病虫害响应的敏感光谱区域和谱段，得到近地面高光谱数据；
根据所述近地面高光谱数据建立农作物病虫害反演模型；
获取农作物病虫害发生区域的卫星遥感数据；
对所述卫星遥感数据进行预处理；
以所述近地面高光谱数据为基础，提取所述卫星遥感数据宽波段响应函数，利用所述卫星遥感数据宽波段响应函数计算所述农作物病虫害发生区域相应于卫星遥感数据宽波段的多光谱反射率，基于所述多光谱反射率，采用波段组合的方法构建多光谱指数；
将根据所述近地面高光谱数据建立的所述农作物病虫害反演模型与所述多光谱指数进行协同分析，获得星地遥感数据协同的农作物病虫害监测模型。
可选地，其中：
根据所述近地面高光谱数据建立农作物病虫害反演模型，进一步为：
基于所述近地面高光谱数据，分析所述高光谱数据的每个波段或几个波段的组合，获取对所述农作物健康和患病区分度最高的高光谱数据波段。
可选地，其中：
所述高光谱数据包括健康农作物植株和害病虫害农作物植株的冠层光谱数据。
可选地，其中：
所述根据所述近地面高光谱数据建立农作物病虫害反演模型，具体为：
运用多元线性回归方法、偏最小二乘法建立所述农作物病虫害反演模型。
可选地，其中：
所述多元线性回归方法对应的回归方程为：
Y＝β1X1+β2X2+...+βkXk
其中，Y为因变量，X1，X2…，Xk为自变量，β1，β2…，βk为各个自变量的系数。
可选地，其中：
所述将根据所述近地面高光谱数据建立的所述农作物病虫害反演模型与所述多光谱指数进行协同分析，具体为：
用所述多光谱指数替代所述反演模型中相应的高光谱数据。
可选地，其中：
所述对所述卫星遥感数据进行预处理，具体为：
对获取的同区域、同时相的所述卫星遥感数据中的卫星影像进行辐射定标、大气校正、几何校正。
可选地，其中：
所述备选光谱特征包括单波段反射率、植被指数、微分变换。
与现有技术相比，本申请所述的基于星地遥感数据协同的农作物病虫害监测方法，达到了如下效果：
本申请提供的基于星地遥感数据协同的农作物病虫害监测方法，通过卫星遥感在高空尺度下对地面农作物宏观状况的检测，获取农作物病虫害发生区域的卫星遥感数据，提取卫星遥感数据宽波段函数，并计算农作物病虫害发生区域相应于卫星遥感数据宽波段的多光谱反射率，构建出农作物病虫害发生区域的多光谱指数；并通过近地面高光谱数据建立农作物病虫害反演模型，通过多光谱数据和反演模型这两种数据之间的一致性和相关性，得到星地遥感数据协同的农作物病虫害监测模型，保证了农作物病虫害的检测精度，也能够实现对于农作物进行大面积多时相检测，同时提供给工作人员重要病虫害的蔓延趋势，从而有利于工作人员及时采取治理措施，减少农作物产量损失。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1所示为本申请实施例所提供的基于星地遥感数据协同的农作物病虫害监测方法的流程图。
具体实施方式
如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可理解，硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语，故应解释成“包含但不限定于”。“大致”是指在可接收的误差范围内，本领域技术人员能够在一定误差范围内解决所述技术问题，基本达到所述技术效果。说明书后续描述为实施本申请的较佳实施方式，然所述描述乃以说明本申请的一般原则为目的，并非用以限定本申请的范围。本申请的保护范围当视所附权利要求所界定者为准。
野外实地采集光谱数据需要耗费较大的人力物力，难以进行农作物田大面积应用。当农作物田发生大面积病虫害时，高光谱近地面采集不但耗时、费力，而且预报滞后增加了损失程度，从而在一定程度上影响了预报的精确度。
有鉴于此，本申请提供了一种基于星地遥感数据协同的农作物病虫害监测方法，通过得到近地面高光谱数据，以近地面高光谱数据建立农作物病虫害反演模型；进一步获取农作物病虫害发生区域的卫星遥感数据，提取卫星遥感数据宽波段函数，并计算农作物病虫害发生区域相应于卫星遥感数据宽波段的多光谱反射率，进而构建多光谱指数；将多光谱指数替代反演模型中相应的高光谱数据，获得星地遥感数据协同的农作物病虫害监测模型；能够实现对于农作物患病虫害情况进行大面积多时相检测，同时提供给工作人员重要病虫害的蔓延趋势，从而有利于工作人员及时采取治理措施，减少农作物产量损失。
以下结合附图和具体实施例进行详细说明。
图1所示为本申请实施例所提供的基于星地遥感数据协同的农作物病虫害监测方法的流程图，请参照图1，基于星地遥感数据协同的农作物病虫害监测方法，包括：
步骤101、采集农作物病虫害发生区域的原始近地面高光谱数据，并获取农作物病虫害发生区域地面样点的经纬度坐标；
步骤102、对采集的原始近地面高光谱数据进行光谱变换分析，包括对高光谱数据进行异常值剔除、光谱曲线平滑、光谱微分变换和连续统去除变换，从备选光谱特征中选择对农作物病虫害响应的敏感光谱区域和谱段，得到近地面高光谱数据；
步骤103、根据近地面高光谱数据建立农作物病虫害反演模型；
步骤104、获取农作物病虫害发生区域的卫星遥感数据；
步骤105、对卫星遥感数据进行预处理；
步骤106、以近地面高光谱数据为基础，提取卫星遥感数据宽波段响应函数，利用卫星遥感数据宽波段响应函数计算农作物病虫害发生区域相应于卫星遥感数据宽波段的多光谱反射率，基于多光谱反射率，采用波段组合的方法构建多光谱指数；
步骤107、将根据近地面高光谱数据建立的农作物病虫害反演模型与多光谱指数进行协同分析，获得星地遥感数据协同的农作物病虫害监测模型。
具体地，由于遥感具有宏观性、获取信息快、重复周期短和成本低等好处，恰好可以弥补人工调查的不足，能够快速和准确地监测大面积农作物病虫害，根据农作物的高光谱数据，运用相应的遥感影像，结合相应技术来准确识别农作物的空间位置，经济效益高且时效性强。因此本申请提出了基于星地遥感数据协同的农作物病虫害监测方法，通过步骤101来对工作人员需要检测农作物患病虫害情况的区域进行原始近地面高光谱数据的采集，具体通过使用ASD FieldspecHH便携式高光谱仪进行原始近地面高光谱数据的采集；需要说明的是，本申请对于高光谱数据的采集仪器并不做具体限定，可根据实验所需进行相应选择即可。同时获取所检测区域样点的经纬坐标，用以对某次农作物患病情况的监测区域进行定位。
通过步骤102对已采集完毕的原始近地面高光谱数据进行异常值剔除、光谱曲线平滑、光谱微分变换和连续统去除变换等处理，然后利用Relief-F特征提取的方法从备选光谱特征中选择对农作物病虫害响应的敏感光谱区域和谱段，以得到近地面高光谱数据；需要说明的是，此处对于原始近地面高光谱数据进行处理的方法不仅仅局限于上述方式，可根据实验需要选择合理的处理方法对高光谱数据进行处理。选择出的对农作物病虫害响应的敏感光谱区域和谱段，即为寻找到的对于研究农作物患病与否比较显著的一个或多个光谱区域和谱段。
步骤102所得到的近地面高光谱数据即为近地面实测高光谱数据，步骤103为根据步骤102所得到的近地面实测高光谱数据建立农作物病虫害反演模型，此处建立的病虫害反演模型可以用于不同区域农作物病虫害的检测，不受地理位置和环境因素等的限制；农作物病虫害反演模型建立后，进一步通过分析高光谱数据的每个波段或几个波段的组合，获取对农作物健康和患病区分度最高的高光谱数据波段。
通过步骤104获取工作人员需检测的农作物病虫害发生区域的卫星遥感数据，卫星遥感数据即为遥感卫星在太空中对地球表面拍摄的带有经纬度信息的实时地貌照片；通过步骤105对步骤104获取的卫星遥感数据进行预处理，具体为：对获取的同区域、同时相的卫星遥感数据中的卫星影像进行辐射定标、大气校正、几何校正等预处理。
对卫星影像进行辐射定标具体是由于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。所以本申请根据研究需要，应用ENVI软件的进行辐射定标和大气校正。
对卫星影像进行辐射定标，是因为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。
步骤106以步骤102得到的近地面高光谱数据为基础，通过将近地面实测高光谱数据转换为卫星平台的多光谱数据，进而采用波段组合的方法构建多光谱指数；步骤106中基于多光谱反射率构建多光谱指数的方法相当于对多光谱数据的降维处理，得到降维和数据压缩后的光谱值，例如将上千个波段通过处理降维到若干个数量较少的波段。采用波段组合方法构建的多光谱指数可涵盖更多的数据信息，提高了建模精度。
最后，通过步骤107将农作物病虫害反演模型与多光谱指数进行协同分析，即为用步骤106得到的多光谱指数替代反演模型中相应的高光谱数据，进而获得星地遥感数据协同的农作物病虫害监测模型。
本申请所提供的基于星地遥感数据协同的农作物病虫害监测方法，通过结合卫星遥感在高空尺度下对地面农作物宏观状况的检测，以及近地面高光谱数据建立的农作物病虫害反演模型，通过多光谱指数和高光谱数据之间的一致性和相关性，保证了农作物病虫害的检测精度，又能够进行大面积多时相监测，提供病虫害发生与发展的情况，并能生成病虫害发生的时空分布图以及具体面积；同时多时相的监测能给决策者提供重要病虫害蔓延的趋势，从而让决策者及时采取措施治理或合理安排计划，减少产量损失，为区域农作物病虫害动态监测提供了技术创新。
可选地，高光谱数据包括健康农作物植株和害病虫害农作物植株的冠层光谱数据。具体地，上述步骤103最终需要获取到农作物健康和患病区分度最高的高光谱数据波段，且目前智能化农业领域一般使用无人机航拍等技术对农作物生长情况进行检测，因此，前期对于农作物近地面高光谱数据的采集，主要是采集农作物植株的冠层光谱数据；当然，在能够实现的情况下，也可以对农作物植株外露于土地上的整个植株体进行光谱数据的采集，本申请对此并不做具体限定。
可选地，上述步骤103中，根据近地面高光谱数据建立农作物病虫害反演模型，具体为需要运用多元线性回归方法、偏最小二乘法建立农作物病虫害反演模型。
可选地，多元线性回归方法对应的回归方程为：
Y＝β1X1+β2X2+...+βkXk
其中，Y为因变量，X1，X2…，Xk为自变量，β1，β2…，βk为各个自变量的系数。
偏最小二乘法是在多元线性回归的基础上发展起来的一种新型多元统计数据分析方法，又被称为第二代回归方法。其方程形式与多元线性回归类似，具体可参考现有技术中对于偏最小二乘法的详细描述，这里不做具体描述。
可选地，步骤102提到的备选光谱特征包括单波段反射率、植被指数、微分变换等。
通过以上各实施例可知，本申请存在的有益效果是：
本申请提供的基于星地遥感数据协同的农作物病虫害监测方法，通过卫星遥感在高空尺度下对地面农作物宏观状况的检测，获取农作物病虫害发生区域的卫星遥感数据，提取卫星遥感数据宽波段函数，并计算农作物病虫害发生区域相应于卫星遥感数据宽波段的多光谱反射率，构建出农作物病虫害发生区域的多光谱指数；并通过近地面高光谱数据建立农作物病虫害反演模型，通过多光谱数据和反演模型这两种数据之间的一致性和相关性，得到星地遥感数据协同的农作物病虫害监测模型，保证了农作物病虫害的检测精度，也能够实现对于农作物进行大面积多时相检测，同时提供给工作人员重要病虫害的蔓延趋势，从而有利于工作人员及时采取治理措施，减少农作物产量损失。
本领域内的技术人员应明白，本申请的实施例可提供为方法、装置、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
上述说明示出并描述了本申请的若干优选实施例，但如前所述，应当理解本申请并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本申请的精神和范围，则都应在本申请所附权利要求的保护范围内。
Claims (8)
1.一种基于星地遥感数据协同的农作物病虫害监测方法，其特征在于，包括：
采集农作物病虫害发生区域的原始近地面高光谱数据，并获取所述农作物病虫害发生区域地面样点的经纬度坐标；
对采集的所述原始近地面高光谱数据进行光谱变换分析，包括对所述高光谱数据进行异常值剔除、光谱曲线平滑、光谱微分变换和连续统去除变换，从备选光谱特征中选择对农作物病虫害响应的敏感光谱区域和谱段，得到近地面高光谱数据；
根据所述近地面高光谱数据建立农作物病虫害反演模型；
获取农作物病虫害发生区域的卫星遥感数据；
对所述卫星遥感数据进行预处理；
以所述近地面高光谱数据为基础，提取所述卫星遥感数据宽波段响应函数，利用所述卫星遥感数据宽波段响应函数计算所述农作物病虫害发生区域相应于卫星遥感数据宽波段的多光谱反射率，基于所述多光谱反射率，采用波段组合的方法构建多光谱指数；
将根据所述近地面高光谱数据建立的所述农作物病虫害反演模型与所述多光谱指数进行协同分析，获得星地遥感数据协同的农作物病虫害监测模型。
2.根据权利要求1所述的一种基于星地遥感数据协同的农作物病虫害监测方法，其特征在于，根据所述近地面高光谱数据建立农作物病虫害反演模型，进一步为：
基于所述近地面高光谱数据，分析所述高光谱数据的每个波段或几个波段的组合，获取对所述农作物健康和患病区分度最高的高光谱数据波段。
3.根据权利要求1所述的一种基于星地遥感数据协同的农作物病虫害监测方法，其特征在于，所述高光谱数据包括健康农作物植株和害病虫害农作物植株的冠层光谱数据。
4.根据权利要求1所述的一种基于星地遥感数据协同的农作物病虫害监测方法，其特征在于，所述根据所述近地面高光谱数据建立农作物病虫害反演模型，具体为：
运用多元线性回归方法、偏最小二乘法建立所述农作物病虫害反演模型。
5.根据权利要求4所述的一种基于星地遥感数据协同的农作物病虫害监测方法，其特征在于，所述多元线性回归方法对应的回归方程为：
Y＝β1X1+β2X2+...+βkXk
其中，Y为因变量，X1，X2…，Xk为自变量，β1，β2…，βk为各个自变量的系数。
6.根据权利要求1所述的一种基于星地遥感数据协同的农作物病虫害监测方法，其特征在于，所述将根据所述近地面高光谱数据建立的所述农作物病虫害反演模型与所述多光谱指数进行协同分析，具体为：
用所述多光谱指数替代所述反演模型中相应的高光谱数据。
7.根据权利要求1所述的一种基于星地遥感数据协同的农作物病虫害监测方法，其特征在于，所述对所述卫星遥感数据进行预处理，具体为：
对获取的同区域、同时相的所述卫星遥感数据中的卫星影像进行辐射定标、大气校正、几何校正。
8.根据权利要求1所述的一种基于星地遥感数据协同的农作物病虫害监测方法，其特征在于，所述备选光谱特征包括单波段反射率、植被指数、微分变换。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910830953.3A CN110514597A (zh) | 2019-09-04 | 2019-09-04 | 基于星地遥感数据协同的农作物病虫害监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910830953.3A CN110514597A (zh) | 2019-09-04 | 2019-09-04 | 基于星地遥感数据协同的农作物病虫害监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110514597A true CN110514597A (zh) | 2019-11-29 |
Family
ID=68629606
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910830953.3A Pending CN110514597A (zh) | 2019-09-04 | 2019-09-04 | 基于星地遥感数据协同的农作物病虫害监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110514597A (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111145235A (zh) * | 2019-12-26 | 2020-05-12 | 长光禹辰信息技术与装备(青岛)有限公司 | 农作物药物喷施方法、装置、设备及计算机可读存储介质 |
| 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 |
| CN112001343A (zh) * | 2020-08-31 | 2020-11-27 | 严钦武 | 园艺病虫害防治管理系统 |
| CN112147077A (zh) * | 2020-08-25 | 2020-12-29 | 航天信德智图（北京）科技有限公司 | 一种基于遥感指数的油茶种植管理效果评价方法 |
| 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 |
| CN112666120A (zh) * | 2020-12-17 | 2021-04-16 | 淮阴师范学院 | 基于近红外光谱的植被与非植被识别指数构建方法 |
| CN112666121A (zh) * | 2020-12-17 | 2021-04-16 | 淮阴师范学院 | 基于红外光谱的植被与非植被识别方法 |
| CN112711900A (zh) * | 2020-12-02 | 2021-04-27 | 济南浪潮高新科技投资发展有限公司 | 一种农作物数字孪生建模方法 |
| CN112861712A (zh) * | 2021-02-06 | 2021-05-28 | 郑州师范学院 | 基于人工智能与多时相遥感的农业病虫害监测方法 |
| CN113011266A (zh) * | 2021-02-22 | 2021-06-22 | 宁波市测绘和遥感技术研究院 | 一种天空地一体化松材线虫病疫情遥感监测方法 |
| CN113063740A (zh) * | 2021-02-25 | 2021-07-02 | 北京麦飞科技有限公司 | 一种基于多源遥感数据的小麦冠层氮含量监测方法 |
| CN113075359A (zh) * | 2021-03-18 | 2021-07-06 | 塔里木大学 | 一种基于卫星与无人机遥感结合的核桃生长预测系统 |
| CN113324927A (zh) * | 2021-05-11 | 2021-08-31 | 四川省林业科学研究院 | 一种松材线虫病林间早期防治方法及监测系统 |
| CN113326841A (zh) * | 2021-05-31 | 2021-08-31 | 山东深蓝智谱数字科技有限公司 | 一种基于高光谱的作物虫害监测方法及设备 |
| CN113435252A (zh) * | 2021-05-27 | 2021-09-24 | 广西壮族自治区烟草公司百色市公司 | 一种基于遥感的烟草病虫害监测预警方法和系统 |
| CN113537018A (zh) * | 2021-07-05 | 2021-10-22 | 国网安徽省电力有限公司铜陵供电公司 | 基于多时相卫星遥感和无人机技术的水土保持监测方法 |
| CN114113000A (zh) * | 2021-12-14 | 2022-03-01 | 江苏省地质勘查技术院 | 基于经验线性模型改进光谱反射率反演方法、系统及设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104567754A (zh) * | 2014-12-26 | 2015-04-29 | 河南省农业科学院农业经济与信息研究所 | 一种耦合星-地遥感的小麦叶面积指数估算方法 |
| 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 |
| US20170235996A1 (en) * | 2015-07-28 | 2017-08-17 | Chiman KWAN | Method and system for collaborative multi-satellite remote sensing |
| CN108694391A (zh) * | 2018-05-16 | 2018-10-23 | 黄铁成 | 基于高光谱遥感的胡杨林春尺蠖灾害监测方法 |
-
2019
- 2019-09-04 CN CN201910830953.3A patent/CN110514597A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104567754A (zh) * | 2014-12-26 | 2015-04-29 | 河南省农业科学院农业经济与信息研究所 | 一种耦合星-地遥感的小麦叶面积指数估算方法 |
| US20170235996A1 (en) * | 2015-07-28 | 2017-08-17 | Chiman KWAN | Method and system for collaborative multi-satellite remote sensing |
| 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 |
| CN108694391A (zh) * | 2018-05-16 | 2018-10-23 | 黄铁成 | 基于高光谱遥感的胡杨林春尺蠖灾害监测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 颜丙囤: ""基于‘星-地’遥感数据的植被参数反演模型研究与应用"", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111145235B (zh) * | 2019-12-26 | 2023-10-31 | 长光禹辰信息技术与装备(青岛)有限公司 | 农作物药物喷施方法、装置、设备及计算机可读存储介质 |
| CN111145235A (zh) * | 2019-12-26 | 2020-05-12 | 长光禹辰信息技术与装备(青岛)有限公司 | 农作物药物喷施方法、装置、设备及计算机可读存储介质 |
| 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 |
| 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 |
| CN112147077A (zh) * | 2020-08-25 | 2020-12-29 | 航天信德智图（北京）科技有限公司 | 一种基于遥感指数的油茶种植管理效果评价方法 |
| CN112001343A (zh) * | 2020-08-31 | 2020-11-27 | 严钦武 | 园艺病虫害防治管理系统 |
| CN112711900A (zh) * | 2020-12-02 | 2021-04-27 | 济南浪潮高新科技投资发展有限公司 | 一种农作物数字孪生建模方法 |
| 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 |
| 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 |
| CN112666121A (zh) * | 2020-12-17 | 2021-04-16 | 淮阴师范学院 | 基于红外光谱的植被与非植被识别方法 |
| CN112666120A (zh) * | 2020-12-17 | 2021-04-16 | 淮阴师范学院 | 基于近红外光谱的植被与非植被识别指数构建方法 |
| CN112666121B (zh) * | 2020-12-17 | 2024-04-05 | 淮阴师范学院 | 基于红外光谱的植被与非植被识别方法 |
| CN112666120B (zh) * | 2020-12-17 | 2024-04-05 | 淮阴师范学院 | 基于近红外光谱的植被与非植被识别指数构建方法 |
| CN112861712B (zh) * | 2021-02-06 | 2022-08-02 | 郑州师范学院 | 基于人工智能与多时相遥感的农业病虫害监测方法 |
| CN112861712A (zh) * | 2021-02-06 | 2021-05-28 | 郑州师范学院 | 基于人工智能与多时相遥感的农业病虫害监测方法 |
| CN113011266A (zh) * | 2021-02-22 | 2021-06-22 | 宁波市测绘和遥感技术研究院 | 一种天空地一体化松材线虫病疫情遥感监测方法 |
| CN113063740A (zh) * | 2021-02-25 | 2021-07-02 | 北京麦飞科技有限公司 | 一种基于多源遥感数据的小麦冠层氮含量监测方法 |
| CN113075359A (zh) * | 2021-03-18 | 2021-07-06 | 塔里木大学 | 一种基于卫星与无人机遥感结合的核桃生长预测系统 |
| CN113324927A (zh) * | 2021-05-11 | 2021-08-31 | 四川省林业科学研究院 | 一种松材线虫病林间早期防治方法及监测系统 |
| CN113435252A (zh) * | 2021-05-27 | 2021-09-24 | 广西壮族自治区烟草公司百色市公司 | 一种基于遥感的烟草病虫害监测预警方法和系统 |
| CN113435252B (zh) * | 2021-05-27 | 2023-09-29 | 广西壮族自治区烟草公司百色市公司 | 一种基于遥感的烟草病虫害监测预警方法和系统 |
| CN113326841A (zh) * | 2021-05-31 | 2021-08-31 | 山东深蓝智谱数字科技有限公司 | 一种基于高光谱的作物虫害监测方法及设备 |
| CN113537018B (zh) * | 2021-07-05 | 2024-03-19 | 国网安徽省电力有限公司铜陵供电公司 | 基于多时相卫星遥感和无人机技术的水土保持监测方法 |
| CN113537018A (zh) * | 2021-07-05 | 2021-10-22 | 国网安徽省电力有限公司铜陵供电公司 | 基于多时相卫星遥感和无人机技术的水土保持监测方法 |
| CN114113000A (zh) * | 2021-12-14 | 2022-03-01 | 江苏省地质勘查技术院 | 基于经验线性模型改进光谱反射率反演方法、系统及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110514597A (zh) | 基于星地遥感数据协同的农作物病虫害监测方法 | |
| Xie et al. | Remote sensing imagery in vegetation mapping: a review | |
| Smigaj et al. | Canopy temperature from an Unmanned Aerial Vehicle as an indicator of tree stress associated with red band needle blight severity | |
| Zhang et al. | High throughput analysis of leaf chlorophyll content in sorghum using RGB, hyperspectral, and fluorescence imaging and sensor fusion | |
| Tilly et al. | Multitemporal crop surface models: accurate plant height measurement and biomass estimation with terrestrial laser scanning in paddy rice | |
| Guindin-Garcia et al. | An evaluation of MODIS 8-and 16-day composite products for monitoring maize green leaf area index | |
| CN104266982B (zh) | 一种大面积虫害量化监测系统 | |
| Mudereri et al. | A comparative analysis of planetscope and sentinel sentinel-2 space-borne sensors in mapping striga weed using guided regularised random forest classification ensemble | |
| Betbeder et al. | Contribution of multitemporal polarimetric synthetic aperture radar data for monitoring winter wheat and rapeseed crops | |
| Conesa et al. | Terrestrial and remote indexes to assess moderate deficit irrigation in early-maturing nectarine trees | |
| CN114821362B (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
| Shafri et al. | Detection of stressed oil palms from an airborne sensor using optimized spectral indices | |
| Ye et al. | Potential of airborne hyperspectral imagery to estimate fruit yield in citrus | |
| CA3085358A1 (en) | System for detection of disease in plants | |
| González-Fernández et al. | Spectroscopic estimation of leaf water content in commercial vineyards using continuum removal and partial least squares regression | |
| Feilhauer et al. | Mapping pollination types with remote sensing | |
| Pabuayon et al. | High-throughput phenotyping in cotton: a review | |
| 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 | |
| CN113223040B (zh) | 基于遥感的香蕉估产方法、装置、电子设备和存储介质 | |
| Breunig et al. | Assessing the effect of spatial resolution on the delineation of management zones for smallholder farming in southern Brazil | |
| Zhao et al. | Spatial-aware SAR-optical time-series deep integration for crop phenology tracking | |
| CN115829118A (zh) | 森林碳汇遥感监测方法、装置、设备及存储介质 | |
| Clay et al. | Calculations supporting management zones | |
| Wang et al. | Disentangling soil, shade, and tree canopy contributions to mixed satellite vegetation indices in a sparse dry forest | |
| Kim et al. | A short review of RGB sensor applications for accessible high-throughput phenotyping |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191129 |