CN111474117B - 作物病害监测的方法及装置 - Google Patents
作物病害监测的方法及装置 Download PDFInfo
- Publication number
- CN111474117B CN111474117B CN202010331417.1A CN202010331417A CN111474117B CN 111474117 B CN111474117 B CN 111474117B CN 202010331417 A CN202010331417 A CN 202010331417A CN 111474117 B CN111474117 B CN 111474117B
- Authority
- CN
- China
- Prior art keywords
- disease
- crop
- target
- waveband
- index
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 193
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 193
- 238000012544 monitoring process Methods 0.000 title claims abstract description 151
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000002310 reflectometry Methods 0.000 claims abstract description 101
- 238000004364 calculation method Methods 0.000 claims abstract description 45
- 230000007613 environmental effect Effects 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 12
- 238000001556 precipitation Methods 0.000 claims description 5
- 230000036285 pathological change Effects 0.000 abstract description 13
- 231100000915 pathological change Toxicity 0.000 abstract description 13
- 241000209140 Triticum Species 0.000 description 62
- 235000021307 Triticum Nutrition 0.000 description 59
- 206010039509 Scab Diseases 0.000 description 20
- 238000012795 verification Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000005316 response function Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000003902 lesion Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 235000013339 cereals Nutrition 0.000 description 2
- 241000495841 Oenanthe oenanthe Species 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
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
- 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
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- 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
- 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)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请提供的作物病害监测的方法及装置,因为目标波段的反射率为卫星多光谱影像对应的所有波段反射率中,与作物的病情指数关联度较高前N个波段反射率,所以依据目标波段的反射率,计算得到的病害监测指数,可以确保对作物的病变情况具有针对性,采用对作物的病变情况具有针对性的病害监测指数,以及环境参数,可以提高监测区作物的病害结果的准确性。综上,本申请提供的技术方案,可以对作物病变情况进行准确的监测。
Description
技术领域
本发明涉及遥感技术领域,特别涉及作物病害监测的方法及装置。
背景技术
作物病害是导致作物减产的重要因素,所以及时对作物病害发生情况进行监测成为了防治作物病害的重点。由于遥感技术可以对作物长势及病害发生情况进行大面积、无损害监测,所以在作物病害监测领域得到了广泛的应用。
例如,现有作物病害监测技术中,通常采用传统的植被指数,对小麦赤霉病进行监测评估,由于传统的植被指数并不是专门针对小麦赤霉病监测的指数,所以往往无法准确的得到小麦赤霉病的发病程度,所以,如何准确的对小麦赤霉病进行遥感病害监测,成为亟待解决的问题。
发明内容
为实现对小麦赤霉病进行准确的遥感病害监测,本发明实施例提供如下技术方案:
一种作物病害监测的方法,包括:
获取监测区作物的卫星多光谱影像;
获取预设目标波段的反射率;所述目标波段的反射率为所述卫星多光谱影像对应的所有波段反射率中,与所述作物的病情指数关联度较高前的N个所述波段反射率,所述N为整数;
依据所述目标波段的反射率,得到所述作物的病害监测指数;
获取所述监测区的环境参数,并依据所述环境参数以及所述病害监测指数,得到所述监测区作物的病害结果。
上述的方法,可选的,所述依据所述目标波段的反射率,计算得到所述作物的病害监测指数,包括:
获取预设的与所述作物病害对应的病害监测指数计算规则;
将所述目标波段的反射率作为所述病害监测指数计算规则的计算因子,计算得到所述作物的病害监测指数;
所述预设的病害监测指数计算规则包括:计算第一波段组合以及第二波段组合的第一数值,将所述第一波段组合与所述第二波段组合的所述第一数值的差值的平均值,作为所述病害监测指数;
所述第一波段组合以及第二波段组合为至少包括两种所述目标波段的组合;所述第一数值为所述波段组合包括的所述目标波段的第二数值与第三数值的乘积;所述第二数值为所述目标波段的中波长的差值,所述第三数值为所述目标波段的反射率的差值。
上述的方法,可选的,确定所述预设的目标波段的过程,包括:
获取预设试验区的所述作物的冠层高光谱数据,以及所述作物的病情指数;
将所述冠层高光谱数据,转换为所述卫星多个波段的反射率;
对每个波段组合的反射率进行差值计算和比值计算,得到所述波段组合的所述反射率参数;所述波段组合为所述多个波段中的任意两种所述波段;
确定所述反射率参数与所述病情指数的相关度;
按所述相关度大小的排序,选取前M个所述波段组合作为目标波段组合,所述目标波段组合包括的波段为所述目标波段,所述M为整数。
上述的方法,可选的,获取所述作物的所述病情指数,包括:
获取多株作物样本中,每株所述作物样本的病情严重度;所述作物样本为从所述作物中随机抽取的样本;
依据每株所述作物样本的病情严重度,以及所述预设试验区的所述作物的总株数,计算得到所述作物的病情指数。
上述的方法,可选的,所述确定所述反射率参数与所述病情指数的相关度,包括:
采用最小二乘法,对所述波段组合的所述反射率参数与所述病情指数进行线性拟合;
获取所述波段组合的所述反射率参数与所述病情指数的拟合效果参数;
依据所述拟合效果参数,确定所述反射率参数与所述病情指数的相关度。
上述的方法,可选的,确定所述目标波段组合后,还包括,
输出所述目标波段组合;
依据接收到的病害监测指数计算规则,计算所述所述作物的所述病害监测指数;所述病害监测指数计算规则依据输出的所述目标波段组合得到;
对所述病害监测指数的有效性性进行验证。
上述的方法,可选的,所述卫星为可采集高分辨率图像的卫星;
所述监测区域的环境参数至少包括,所述监测区域的预设时段的平均地表温度、以及平均降水量。
一种作物病害监测的装置,包括:
第一获取单元,用于获取监测区作物的卫星多光谱影像;
第二获取单元,用于获取预设目标波段的反射率;所述目标波段的反射率为所述卫星多光谱影像对应的所有波段反射率中,与所述作物的病情指数关联度较高前的N个所述波段反射率,所述N为整数;
计算单元,用于依据所述目标波段的反射率,得到所述作物的病害监测指数;
第三获取单元,用于获取所述监测区的环境参数,并依据所述环境参数以及所述病害监测指数,得到所述监测区作物的病害结果。
一种电子设备,包括:处理器和存储器,所述存储器用于存储程序;所述处理器用于运行所述程序,以实现上述的作物病害监测的方法。
一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的作物病害监测的方法。
本申请提供的技术方案,因为目标波段的反射率为卫星多光谱影像对应的所有波段反射率中,与作物的病情指数关联度较高前N个波段反射率,所以依据目标波段的反射率,计算得到的病害监测指数,可以确保对作物的病变情况具有针对性,采用对作物的病变情况具有针对性的病害监测指数,以及环境参数,可以提高监测区作物的病害结果的准确性。综上,本申请提供的技术方案,可以对作物病变情况进行准确的监测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的作物病害监测的方法的流程图;
图2为本申请实施例提供的小麦赤霉病的病害监测指数的方法的流程图;
图3为本申请实施例提供的小麦赤霉病的病害监测指数的物理意义示意图;
图4为本申请实施例提供的作物病害监测装置的结果示意图;
图5为本申请实施例提供的电子设备的结构示意图。
具体实施方式
本申请提供的作物病害监测的方法,可以适用于对小麦赤霉病进行监测,也可以适用其他作物病害的监测,以下实施例以小麦赤霉病为例,对本申请的技术方案进行说明。
另外,申请人研究发现,目前,一些卫星可提供高空间分辨率的多光谱影像,例如哨兵二号卫星,这样的卫星可以提供大面积(例如400m2)地表作物高分辨率的多光谱影像,因此,考虑将提供高空间分辨率的卫星的多光谱数据与作物的病害状况进行结合,以实现对作物病进行大面积的病况监测。本申请中所涉及的卫星为可提供高空间分辨率的多光谱影像的卫星。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动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。
图1为本申请实施例提供的小麦赤霉病监测的方法,可以包括以下步骤:
S101、获取监测区小麦的卫星多光谱影像。
监测区小麦是已经发生赤霉病病变的小麦,本步骤的实施方式可以是:从预先存储的卫星多光谱影像中,依据监测区的经纬度坐标,提取监测区作物的卫星多光谱影像。
S102、获取预设目标波段的反射率。
目标波段的反射率为卫星多光谱影像对应的所有波段反射率中,与作物的病情指数关联度较高前的N个波段反射率。其中,卫星多光谱影像对应的波段反射率,可通过采用预设的多光谱影像预处理工具,对卫星多光谱影像进行预处理得到,具体的预处理过程可以参考现有技术。
不同的作物目标波段可以不同,本实施例中,针对小麦赤霉病,目标波段包括三种波段,分别是红波段、红边3波段和近红外波段。确定目标波段的过程可参考图2所示的流程图,此处不再赘述。
S103、依据目标波段的反射率,计算得到小麦的病害监测指数。
本步骤的具体实施方式为:获取预设的与小麦赤霉病对应的病害监测指数计算规则,并将目标波段的反射率作为病害监测指数计算规则的计算因子,计算得到小麦的病害监测指数。
病害监测指数计算规则包括:计算第一波段组合以及第二波段组合的第一数值,将第一波段组合与第二波段组合的第一数值的差值的平均值,作为病害监测指数。其中,第一波段组合以及第二波段组合为包括两种目标波段的组合;第一数值为波段组合中包括的目标波段的第二数值与第三数值的乘积;第二数值为目标波段的中波长的差值,第三数值为目标波段的反射率的差值。
不同的作物病害,第一波段组合和第二波段组合包括的目标波段的不同,针对小麦赤霉病,第一波段组合包括红波段和红边3波段,第一波段组合包括红波段和近红外波段。
例如,针对小麦赤霉病,红波段、红边3波段和近红外波段分别用RR、RRe3和RNIR表示。红波段、红边3波段和近红外波段的中波长分别为:665m、842m和782m,则病害监测指数计算规则如式子(1)所示:
本申请中,REHBI称为红边赤霉病指数,红边赤霉病指数的计算规则是预先验证的对监测小麦赤霉病的病害状况有效的规则,具体确定红边赤霉病指数可以参考图2所示的流程图,此处不再赘述。
需要说明的是,对于不同的小麦监测区,因为小麦赤霉病的病变程度不同,所以各个目标波段的反射率也不相同。
S104、获取监测区的环境参数,并依据环境参数以及病害监测指数,得到监测区作物的病害结果。
本实施例中,监测区域的环境参数包括,监测区域的预设时段的平均地表温度、以及平均降水量,其中预设时段可以是4月份至5月份。
本步骤的具体实施例方式可以是,将平均地表温度、平均降水量、监测区域面积、小麦种植密度、以及小麦的病害监测指数,即红边赤霉病指数,输入预设的监测模型,例如支持向量机构建监测模型,即可得到监测区小麦的病害结果。
本实施例提供的方法,因为目标波段的反射率为卫星多光谱影像对应的所有波段反射率中,与作物的病情指数关联度较高前N个波段反射率,所以依据目标波段的反射率,计算得到的病害监测指数,可以确保对作物的病变情况具有针对性,采用对作物的病变情况具有针对性的病害监测指数,以及环境参数,可以提高监测区作物的病害结果的准确性。综上,本申请提供的技术方案,可以对作物病变情况进行准确的监测。
另外,因为卫星为可提供高空间分辨率的卫星,所以获取监测区为大范围的监测区的情况下,也可以得到高分辨率的监测区小麦的卫星多光谱影像,所以可以实现对小麦病害进行大面积的病况监测。
图2为本申请实施例提供的一种确定小麦赤霉病的病害监测指数的方法,可以包括以下步骤:
S201、获取预设试验区的小麦的冠层高光谱数据,以及小麦的病情指数。
小麦的冠层高光谱数据可以通过用户输入得到,用户输入的小麦的冠层高光谱数据可通过ASD(Analytical Spectral Devices,分析光谱仪)对试验区的小麦进行数据采集得到。本实施中,获取小麦的病情指数的具体实施方式包括步骤A1-A3:
步骤A1:获取多株小麦样本中,每株小麦样本的病情严重度。
小麦样本为从试验区小麦中随机抽取的样本。小麦样本的病情严重度为小麦麦穗中受病害侵染麦粒占全部麦粒的比例。其中,任意一株小麦样本的病情严重度预先存储于计算服务器中。
步骤A2:依据每株小麦样本的病情严重度,以及试验区的小麦的总株数,计算得到小麦的病情指数。
本步骤的具体实现方式为:统计病情严重度为i的小麦样本的总数,以及试验区的小麦的总株数,并根据预设的式子(2),计算得到小麦的病情指数。
其中,其中DI是病情指数,i是小麦样本的病情严重度,hi是病情严重度为i的小麦株数,是小麦的总株数。
S202、将冠层高光谱数据,转换为卫星多个波段的反射率。
卫星为哨兵二号卫星。本步骤的具体实现方式为:利用哨兵二号卫星的影像通道响应函数,将冠层高光谱数据转化为哨兵二号卫星的各个波段的反射率。其中,哨兵二号卫星影像的通道响应函数如式子(3)所示:
其中λstart和λend是哨兵二号卫星每个波段的波段范围的起始和终止波长,Rsentinel-2λsentinel-2是哨兵二号波段反射率,f(x)是哨兵二号卫星各个波段的通道响应函数。
本步骤中,考虑到卫星传感器在实际成像过程中会受到泊松噪声的干扰,在一定程度上可能会影响赤霉病的监测效果,所以在哨兵二号卫星的影像通道响应函数中可以加入了泊松噪声参数。
S203、对每个波段组合的反射率进行差值计算和比值计算,得到波段组合的反射率参数。
S204、确定反射率参数与病情指数的相关度。
本步骤的具体实施方式包括步骤B1-B3:
步骤B1、采用最小二乘法,对波段组合的反射率参数与病情指数进行线性拟合。具体的拟合方式可以参考现有技术。
步骤B2、获取波段组合的反射率参数与病情指数的拟合效果参数。其中,拟合效果参数包括相关系数,以及均方根误差。
步骤B3、依据拟合效果参数,确定反射率参数与病情指数的相关度。拟合效果参数中,相关系数越高,均方根误差越低,表征反射率参数与病情指数的相关度越高。
S205、按相关度大小的排序选取前两个波段组合作为目标波段组合,并输出选取的目标波段组合。
本实施例中,两个波段组合分别为红波段与红边3波段的组合,以及红波段与近红外波段的组合,目标波段组合包括的波段为目标波段。
S206、依据目标波段组合中各个目标波段的反射率,以及接收到的病害监测指数计算规则,计算试验区的小麦的病害监测指数。
病害监测指数计算规则,是研发人员根据输出的目标波段组合,构建的计算规则,病害监测指数计算规则如上述实施例的公式(1)所示。将目标波段的反射率带入公式(1),即可计算得到小麦的病害监测指数,本实施例中,小麦赤霉病的病害监测指数,称为红边赤霉病监测指数。
红边赤霉病监测指数,表示红波段、红边3波段和近红外波段反射率所构成的三角形的面积,其物理意义的示意图如图3所示。图3中,横轴为哨兵二号的各个波段的中波长,纵轴为哨兵二号的各个波段的反射率,图3包括健康冠层和患病冠层的红边赤霉病监测指数,其中,编号为1的三角形面积表示健康冠层红边赤霉病监测指数,编号为2的三角形面积表示患病冠层红边赤霉病监测指数。
由图3可以看出,当小麦冠层受到赤霉病侵染时,红边3波段和近红外波段的光谱反射率降低,红波段的光谱反射率升高,导致红波段、红边3波段和近红外波段反射率所构成的三角形的面积减少,即红边赤霉病监测指数降低。
S207、对小麦的病害监测指数的有效性性进行验证,并在验证有效的情况下,存储并标记接收到的病害监测指数计算规则为与小麦赤霉病对应的计算规则。
本步骤中,验证方式为,选取多个常用的病害监测指数,例如归一化植被指数以及比值植被指数等,在不同的验证条件下,利用最小二乘法分别对红边赤霉病监测指数和常用的病害监测指数与小麦赤霉病的病情指数的关系进行线性拟合,得到每种病害监测指数的拟合效果参数,拟合效果参数为相关系数和均方根误差。在红边赤霉病监测指数的相关系数最高、以及均方根误差最低的情况下,确定红边赤霉病监测指数有效。
验证条件可以包括第一验证条件、第二验证条件、以及第三验证条件
第一验证条件为,将冠层高光谱数据,转换为卫星多个波段的反射率的过程中,哨兵二号卫星影像的通道响应函数为不加泊松噪声参数。
第二验证条件为,哨兵二号卫星影像的通道响应函数为加入泊松噪声参数。
第三验证条件为,试验区为轻度病变的小麦试验区,轻度病变为病情指数DI为10<DI≤50。
本实施例提供的方法,因为卫星为可采集高分辨率图像的卫星,所以将作物的冠层高光谱数据转换为卫星的波段,可以使最后得到的小麦的病害监测指数可适用于于大面积的作物病害监测,另外,因为目标波段的反射率为卫星多光谱影像对应的所有波段反射率中,与作物的病情指数关联度较高前N个波段反射率,所以依据目标波段以及目标波段的反射率得到的病害监测指数计算规则,可以确保对作物的病变情况具有针对性。并且,进一步的对红边赤霉病监测指数进行有效性进行验证,从而确保对小麦的赤霉病监测的准确性。所以,应用本申请提供的技术方案,可以对小麦的赤霉病进行准确的且大面积的监测。
图4为本申请实施例提供的一种作物病害监测的装置400的结构示意图,包括:
第一获取单元401,用于获取监测区作物的卫星多光谱影像;
第二获取单元402,用于获取预设目标波段的反射率;目标波段的反射率为卫星多光谱影像对应的所有波段反射率中,与作物的病情指数关联度较高前的N个波段反射率,N为整数;
计算单元403,用于依据目标波段的反射率,得到作物的病害监测指数;
第三获取单元404,用于获取监测区的环境参数,并依据环境参数以及病害监测指数,得到监测区作物的病害结果。
可选的,上述的装置400还包括创建单元405。创建单元405用于确定预设的目标波段,创建单元405用于确定预设的目标波段的具体实现方式为:获取预设试验区的作物的冠层高光谱数据,以及作物的病情指数;将冠层高光谱数据,转换为卫星多个波段的反射率;对每个波段组合的反射率进行差值计算和比值计算,得到波段组合的所述反射率参数;波段组合为多个波段中的任意两种波段;确定反射率参数与所述病情指数的相关度;按相关度大小的排序,选取前M个波段组合作为目标波段组合,目标波段组合包括的波段为所述目标波段,M为整数。
可选的,计算单元403依据所述目标波段的反射率,计算得到所述作物的病害监测指数的具体实现方式为:获取预设的与作物病害对应的病害监测指数计算规则;将目标波段的反射率作为病害监测指数计算规则的计算因子,计算得到作物的病害监测指数;
预设的病害监测指数计算规则包括:计算第一波段组合以及第二波段组合的第一数值,将第一波段组合与第二波段组合的第一数值的差值的平均值,作为病害监测指数;
第一波段组合以及第二波段组合为至少包括两种目标波段的组合;第一数值为波段组合包括的目标波段的第二数值与第三数值的乘积;第二数值为目标波段的中波长的差值,第三数值为所述目标波段的反射率的差值。
可选的,创建单元405获取作物的所述病情指数的具体实现方式为:获取多株作物样本中,每株作物样本的病情严重度;作物样本为从所述作物中随机抽取的样本;依据每株作物样本的病情严重度,以及预设试验区的作物的总株数,计算得到作物的病情指数。
可选的,创建单元405确定所述反射率参数与所述病情指数的相关度的具体实现方式为:采用最小二乘法,对波段组合的所述反射率参数与病情指数进行线性拟合;获取波段组合的反射率参数与病情指数的拟合效果参数;依据拟合效果参数,确定反射率参数与病情指数的相关度。
可选的,创建单元405还用于输出目标波段组合;依据接收到的病害监测指数计算规则,计算所述作物的所述病害监测指数;对病害监测指数的有效性性进行验证。
可选的,卫星为可采集高分辨率图像的卫星;监测区域的环境参数至少包括,监测区域的预设时段的平均地表温度、以及平均降水量。
本实施例提供的装置,因为目标波段的反射率为卫星多光谱影像对应的所有波段反射率中,与作物的病情指数关联度较高前N个波段反射率,所以依据目标波段的反射率,计算得到的病害监测指数,可以确保对作物的病变情况具有针对性,采用对作物的病变情况具有针对性的病害监测指数,以及环境参数,可以提高监测区作物的病害结果的准确性。综上,本申请提供的技术方案,可以对作物病变情况进行准确的监测。
另外,因为卫星为可提供高空间分辨率的卫星,所以获取监测区为大范围的监测区的情况下,也可以得到高分辨率的监测区小麦的卫星多光谱影像,所以可以实现对小麦病进行大面积的病况监测。
本发明实施例还提供了一种电子设备500,其结构示意图如图5所示,具体包括:处理器501和存储器502,存储器502用于存储程序;处理器501用于运行程序,以实现本申请实施例中作物病害监测的方法。
本发明实施例还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行本申请实施例中作物病害监测的方法。
在本申请实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算设备可读取存储介质中。基于这样的理解,本申请实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一台计算设备(可以是个人计算机,服务器,移动计算设备或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种作物病害监测的方法,其特征在于,包括:
获取监测区作物的卫星多光谱影像;
获取预设目标波段的反射率;所述目标波段的反射率为所述卫星多光谱影像对应的所有波段反射率中,与所述作物的病情指数关联度较高前的N个所述波段反射率,所述N为整数;
获取预设的与所述作物病害对应的病害监测指数计算规则;
将所述目标波段的反射率作为所述病害监测指数计算规则的计算因子,计算得到所述作物的病害监测指数;
所述预设的病害监测指数计算规则包括:计算第一波段组合以及第二波段组合的第一数值,将所述第一波段组合与所述第二波段组合的所述第一数值的差值的平均值,作为所述病害监测指数;
所述第一波段组合以及第二波段组合为至少包括两种所述目标波段的组合;所述第一数值为所述波段组合包括的所述目标波段的第二数值与第三数值的乘积;所述第二数值为所述目标波段的中波长的差值,所述第三数值为所述目标波段的反射率的差值;
获取所述监测区的环境参数,并依据所述环境参数以及所述病害监测指数,得到所述监测区作物的病害结果。
2.根据权利要求1所述的方法,其特征在于,确定所述预设的目标波段的过程,包括:
获取预设试验区的所述作物的冠层高光谱数据,以及所述作物的病情指数;
将所述冠层高光谱数据,转换为所述卫星多个波段的反射率;
对每个波段组合的反射率进行差值计算和比值计算,得到所述波段组合的所述反射率参数;所述波段组合为所述多个波段中的任意两种所述波段;
确定所述反射率参数与所述病情指数的相关度;
按所述相关度大小的排序,选取前M个所述波段组合作为目标波段组合,所述目标波段组合包括的波段为所述目标波段,所述M为整数。
3.根据权利要求2所述的方法,其特征在于,获取所述作物的所述病情指数,包括:
获取多株作物样本中,每株所述作物样本的病情严重度;所述作物样本为从所述作物中随机抽取的样本;
依据每株所述作物样本的病情严重度,以及所述预设试验区的所述作物的总株数,计算得到所述作物的病情指数。
4.根据权利要求2所述的方法,其特征在于,所述确定所述反射率参数与所述病情指数的相关度,包括:
采用最小二乘法,对所述波段组合的所述反射率参数与所述病情指数进行线性拟合;
获取所述波段组合的所述反射率参数与所述病情指数的拟合效果参数;
依据所述拟合效果参数,确定所述反射率参数与所述病情指数的相关度。
5.根据权利要求2所述的方法,其特征在于,确定所述目标波段组合后,还包括,
输出所述目标波段组合;
依据接收到的病害监测指数计算规则,计算所述作物的所述病害监测指数;所述病害监测指数计算规则依据输出的所述目标波段组合得到;
对所述病害监测指数的有效性性进行验证。
6.根据权利要求1所述的方法,其特征在于,所述卫星为可采集高分辨率图像的卫星;
所述监测区域的环境参数至少包括,所述监测区域的预设时段的平均地表温度、以及平均降水量。
7.一种作物病害监测的装置,其特征在于,包括:
第一获取单元,用于获取监测区作物的卫星多光谱影像;
第二获取单元,用于获取预设目标波段的反射率;所述目标波段的反射率为所述卫星多光谱影像对应的所有波段反射率中,与所述作物的病情指数关联度较高前的N个所述波段反射率,所述N为整数;
计算单元,用于依据所述目标波段的反射率,得到所述作物的病害监测指数;
第三获取单元,用于获取所述监测区的环境参数,并依据所述环境参数以及所述病害监测指数,得到所述监测区作物的病害结果;
所述计算单元,具体用于获取预设的与所述作物病害对应的病害监测指数计算规则;将所述目标波段的反射率作为所述病害监测指数计算规则的计算因子,计算得到所述作物的病害监测指数;所述预设的病害监测指数计算规则包括:计算第一波段组合以及第二波段组合的第一数值,将所述第一波段组合与所述第二波段组合的所述第一数值的差值的平均值,作为所述病害监测指数;所述第一波段组合以及第二波段组合为至少包括两种所述目标波段的组合;所述第一数值为所述波段组合包括的所述目标波段的第二数值与第三数值的乘积;所述第二数值为所述目标波段的中波长的差值,所述第三数值为所述目标波段的反射率的差值。
8.一种电子设备,其特征在于,包括:处理器和存储器,所述存储器用于存储程序;所述处理器用于运行所述程序,以实现权利要求1-6任一项所述的作物病害监测的方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行权利要求1-6任一项所述的作物病害监测的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010331417.1A CN111474117B (zh) | 2020-04-24 | 2020-04-24 | 作物病害监测的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010331417.1A CN111474117B (zh) | 2020-04-24 | 2020-04-24 | 作物病害监测的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111474117A CN111474117A (zh) | 2020-07-31 |
CN111474117B true CN111474117B (zh) | 2022-11-01 |
Family
ID=71764085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010331417.1A Active CN111474117B (zh) | 2020-04-24 | 2020-04-24 | 作物病害监测的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111474117B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949412B (zh) * | 2021-02-03 | 2022-07-12 | 中国科学院空天信息创新研究院 | 小麦条锈病动态监测方法及装置 |
CN113252584B (zh) * | 2021-04-22 | 2022-09-27 | 华南农业大学 | 基于5g传输的作物生长检测方法及系统 |
CN113340815A (zh) * | 2021-06-01 | 2021-09-03 | 安徽大学 | 基于二波段组合指数的冠层尺度小麦赤霉病病情指数评估方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103091284A (zh) * | 2013-02-28 | 2013-05-08 | 河南工业大学 | 基于近红外光谱技术的赤霉病麦粒快速鉴别方法 |
CN109738368A (zh) * | 2019-02-25 | 2019-05-10 | 浙江省检验检疫科学技术研究院 | 一种毒蛾危害检测的特征光谱指数及检测系统及方法 |
CN110363675A (zh) * | 2019-07-12 | 2019-10-22 | 中科光启空间信息技术有限公司 | 一种基于卫星遥感的小麦赤霉病监测方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10748081B2 (en) * | 2017-05-12 | 2020-08-18 | Harris Lee Cohen | Computer-implemented methods, computer readable medium and systems for a precision agriculture platform that identifies generic anomalies in crops |
-
2020
- 2020-04-24 CN CN202010331417.1A patent/CN111474117B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103091284A (zh) * | 2013-02-28 | 2013-05-08 | 河南工业大学 | 基于近红外光谱技术的赤霉病麦粒快速鉴别方法 |
CN109738368A (zh) * | 2019-02-25 | 2019-05-10 | 浙江省检验检疫科学技术研究院 | 一种毒蛾危害检测的特征光谱指数及检测系统及方法 |
CN110363675A (zh) * | 2019-07-12 | 2019-10-22 | 中科光启空间信息技术有限公司 | 一种基于卫星遥感的小麦赤霉病监测方法 |
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 |
Non-Patent Citations (2)
Title |
---|
基于PHI影像敏感波段组合的冬小麦条锈病遥感监测研究;罗菊花等;《光谱学与光谱分析》;20100115(第01期);186-189 * |
基于遥感技术的作物病虫害监测研究进展;黄文江等;《农业工程技术》;20180325(第09期);40-46 * |
Also Published As
Publication number | Publication date |
---|---|
CN111474117A (zh) | 2020-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111474117B (zh) | 作物病害监测的方法及装置 | |
Hlatshwayo et al. | Mapping forest aboveground biomass in the reforested Buffelsdraai landfill site using texture combinations computed from SPOT-6 pan-sharpened imagery | |
CN110132862B (zh) | 小麦赤霉病检测专属病情指数构建方法及其应用 | |
Thapa et al. | Potential of high-resolution ALOS–PALSAR mosaic texture for aboveground forest carbon tracking in tropical region | |
IL249566A (en) | Orthonormal system and method are optimized to reduce the dimensions of spectral figures | |
CN111768051B (zh) | 一种小麦赤霉病动态预警方法及装置 | |
CN108414455B (zh) | 用于农业保险理赔的农作物雹灾遥感监测方法 | |
WO2021012898A1 (zh) | 基于人工智能的农业保险查勘方法及相关设备 | |
Zhang et al. | Development, evaluation and application of a spectral knowledge base to detect yellow rust in winter wheat | |
CN113435252B (zh) | 一种基于遥感的烟草病虫害监测预警方法和系统 | |
CN112633401B (zh) | 一种高光谱遥感图像分类方法、装置、设备及存储介质 | |
CN111161362A (zh) | 一种茶树生长状态光谱影像鉴别方法 | |
CN110333195A (zh) | 植物叶片水分含量检测方法及装置 | |
CN112364681A (zh) | 基于二维表的植被覆盖度估算方法及装置 | |
CN113378747A (zh) | 一种小麦条锈病遥感预测方法及装置 | |
CN114372707A (zh) | 一种基于遥感数据的高寒湿地退化程度监测方法 | |
Liu et al. | Improving potato above ground biomass estimation combining hyperspectral data and harmonic decomposition techniques | |
CN114529826B (zh) | 一种基于遥感影像数据的水稻估产方法、装置及设备 | |
CN112446397A (zh) | 基于遥感和随机森林的产草量估算方法、装置及存储介质 | |
JP3500945B2 (ja) | マルチスペクトル衛星画像の処理方法と処理システム並びに水圏評価方法 | |
CN117571660A (zh) | 槟榔黄化程度的确定方法、装置、电子设备及介质 | |
CN113884444A (zh) | 模型建立方法、预测spad值的方法、装置及电子设备 | |
CN116379935A (zh) | 基于多光谱影像的岛礁浅海水深预测方法、装置以及设备 | |
CN113310904B (zh) | 一种植被覆盖下的土壤光谱还原的图像处理方法 | |
CN111650129B (zh) | 一种荔枝叶片钙含量预测方法及预测装置 |
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 |