CN111537668B - 基于气象卫星数据的作物病虫害遥感监测方法及装置 - Google Patents
基于气象卫星数据的作物病虫害遥感监测方法及装置 Download PDFInfo
- Publication number
- CN111537668B CN111537668B CN202010045086.5A CN202010045086A CN111537668B CN 111537668 B CN111537668 B CN 111537668B CN 202010045086 A CN202010045086 A CN 202010045086A CN 111537668 B CN111537668 B CN 111537668B
- Authority
- CN
- China
- Prior art keywords
- data
- pest
- meteorological
- disease
- day
- 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
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 116
- 201000010099 disease Diseases 0.000 title claims abstract description 115
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 238000011160 research Methods 0.000 claims abstract description 24
- 238000013210 evaluation model Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000007619 statistical method Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000009826 distribution Methods 0.000 claims abstract description 7
- 230000001717 pathogenic effect Effects 0.000 claims description 19
- 241000238631 Hexapoda Species 0.000 claims description 18
- 238000001556 precipitation Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 208000015181 infectious disease Diseases 0.000 claims description 3
- 230000000873 masking effect Effects 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 101000794020 Homo sapiens Bromodomain-containing protein 8 Proteins 0.000 claims 3
- 101001006782 Homo sapiens Kinesin-associated protein 3 Proteins 0.000 claims 3
- 101000615355 Homo sapiens Small acidic protein Proteins 0.000 claims 3
- WGKGADVPRVLHHZ-ZHRMCQFGSA-N N-[(1R,2R,3S)-2-hydroxy-3-phenoxazin-10-ylcyclohexyl]-4-(trifluoromethoxy)benzenesulfonamide Chemical compound O[C@H]1[C@@H](CCC[C@@H]1N1C2=CC=CC=C2OC2=C1C=CC=C2)NS(=O)(=O)C1=CC=C(OC(F)(F)F)C=C1 WGKGADVPRVLHHZ-ZHRMCQFGSA-N 0.000 claims 3
- 102100021255 Small acidic protein Human genes 0.000 claims 3
- 244000038559 crop plants Species 0.000 claims 1
- 150000003384 small molecules Chemical class 0.000 abstract 1
- 230000002354 daily effect Effects 0.000 description 22
- 241000209094 Oryza Species 0.000 description 10
- 235000007164 Oryza sativa Nutrition 0.000 description 10
- 241000209140 Triticum Species 0.000 description 10
- 235000021307 Triticum Nutrition 0.000 description 10
- 235000009566 rice Nutrition 0.000 description 10
- 206010039509 Scab Diseases 0.000 description 6
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Botany (AREA)
- Theoretical Computer Science (AREA)
- Wood Science & Technology (AREA)
- Multimedia (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Cultivation Of Plants (AREA)
Abstract
本发明公开一种基于气象卫星数据的作物病虫害遥感监测方法及装置，所述方法包括：获取SMAP和TRMM卫星影像数据并对数据进行预处理，根据病虫害类型选取对应的气象因子，利用反距离权重法对两种卫星数据进行插值，得到研究区域内指定空间分辨率、指定时间分辨率的关键气象要素数据；按照北京时间计算得到研究区内关键气象要素日数据；利用数理统计方法建立对应的病虫害发病指数气象评价模型；根据研究区内指定病虫害类型的关键气象要素日数据及对应的病虫害发病指数气象评价模型，以旬为周期，计算得到病虫害发病指数；利用目标作物的分布数据执行掩膜，生成专题图。本发明可以提高预警实时性、准确性，监测范围更广。
Description
技术领域
本发明属于测绘遥感领域，具体涉及一种基于气象卫星数据的作物病虫害遥感监测方法及装置。
背景技术
农作物病虫害是我国的主要自然灾害之一，特点是种类多、影响大、时常暴发成灾。几乎所有农作物重大病虫害的发生、发展、流行都与气象条件有直接或间接的联系，所以通常通过作物病虫害发生流行与气象条件的相关研究，筛选影响作物病虫害发生流行的关键期和关键气象因子，建立作物病虫害发生流行的监测预报模型，近年来随着航天产业的发展，对地观测卫星数据增多，遥感技术开始逐步在病虫害监测中得到应用。
以往病虫害预警过程中使用的数据多是气象站点观测数据或购买传感器自行观测，包含气温、相对湿度、降水、日照时数等要素，但前者存在获取渠道狭窄、数据易缺失、呈离散点式等缺点，数据来源的制约不利于开展业务应用，数据的不稳定性会对监测结果造成偏差，离散点式数据则掣肘区域分析，而后者则成本较高。并且两者都是离散点状观测数据，不能得到空间连续的预警结果。
现有的病虫害预警机制多是在气象条件与病害程度之间利用因子分析、逐步回归等统计方法建立关系，并以此作为依据监测病害发生程度，其病害机理不够明确，亦不能实现在生长关键期内进行滚动预报，所以在预警的准确性和时效性上难以满足要求。姚渝丽等提出一种利用天气促病指数表模型预报稻叶瘟发病趋势的方法，其利用温度、湿度、降水构建了天气促病指数模型，但仅适用于在主要气象站点稻叶瘟病的监测预报。
发明内容
本发明针对在省市级别研究区进行准确及时的病虫害灾害预警的需求，提出了基于SMAP和TRMM卫星数据的农作物病虫害遥感监测方法及装置，解决现有病虫害预警技术实时性差、准确率低、成本高等问题。
本发明第一方面，提出一种基于气象卫星数据的作物病虫害遥感监测方法，所述方法包括：
S1、获取SMAP和TRMM卫星影像数据并对数据进行预处理，根据病虫害类型选取对应的气象因子，利用反距离权重法对两种卫星数据进行插值，得到研究区域内指定空间分辨率、指定时间分辨率的关键气象要素数据；
S2、将所述指定时间分辨率的关键气象要素数据按照北京时间计算得到研究区内关键气象要素日数据；
S3、利用数理统计方法建立对应的病虫害发病指数气象评价模型；
S4、根据处理好的研究区内对应病虫害类型的关键气象要素日数据及对应的病虫害发病指数气象评价模型，以旬为周期，计算得到病虫害发病指数；
S5、对得到的病虫害发病指数结果利用目标作物的分布数据执行掩膜，仅保留目标作物种植区，按照制图规范生成对应的专题图。
优选地，所述步骤S1中，所述预处理包括对SMAP卫星影像数据和TRMM卫星影像数据进行影像拼接、重投影、裁剪。
优选地，所述气象因子包括气温、气压、比湿、风速或降水，根据气温、气压、比湿数据计算得到相对湿度。
优选地，所述关键气象要素日数据为：将3h时间分辨率的气温、气压、比湿、风速、相对湿度数据按照北京时间计算得到的日均值数据，将3h时间分辨率的降水数据按照北京时间计算得到的日累计数据；
优选地，所述步骤S3具体为：根据病虫害类型，利用数理统计方法建立各气象要素致病日贡献值公式，根据各气象要素致病日贡献值公式计算气象要素综合评价公式，得到病虫害发病指数气象评价模型。
优选地，所述步骤S4具体为：在作物易感病时段内，以旬为周期，将气温、相对湿度、降水日数据代入利用数理统计方法建立的气象要素致病日贡献值公式，计算得到周期内各种气象要素对作物染病的日贡献值，求取旬均值；利用气象要素综合评价公式，生成该周期内的病虫害发病指数，依据各周期的病虫害发病指数计算生成监测时段内的病虫害发生指数均值。
本发明第二方面，一种基于气象卫星数据的作物病虫害遥感监测装置，所述装置包括：
影像处理模块：用于获取SMAP和TRMM卫星影像数据并对数据进行预处理，根据病虫害类型选取对应的气象因子，利用反距离权重法对两种卫星数据进行插值，得到研究区域内指定空间分辨率、指定时间分辨率的关键气象要素数据；将所述指定时间分辨率的关键气象要素数据按照北京时间计算得到研究区内关键气象要素日数据；
模型构建模块：用于利用数理统计方法建立各气象要素致病日贡献值公式，根据各气象要素致病日贡献值公式计算气象要素综合评价公式，得到对应的病虫害发病指数气象评价模型；
发病指数计算模块：用于根据处理好的研究区内对应病虫害类型的关键气象要素日数据及对应的病虫害发病指数气象评价模型，以旬为周期，计算得到病虫害发病指数；
专题产品模块：用于对得到的病虫害发病指数结果利用目标作物的分布数据执行掩膜，仅保留目标作物种植区，按照制图规范生成对应的专题图。
优选地，所述发病指数计算模块具体包括：
单气象要素计算单元：在作物易感病时段内，以旬为周期，分别将气温、相对湿度、降水日数据代入各气象要素致病日贡献值公式，计算得到周期内各种气象要素对作物染病的日贡献值，求取旬均值；
综合气象要素计算单元：利用气象要素综合评价公式，生成该周期内的病虫害发病指数，依据各周期的病虫害发病指数计算生成监测时段内的病虫害发生指数均值。
本发明的有益效果是：
1.提高预警实时性、准确性。该方法结合遥感技术，利用SMAP和TRMM卫星影像近实时获取研究区内每天的气温、相对湿度、降水和风速等气象要素，利用数理统计方法建立定量评价和预测模型，逐旬计算作物染病概率，实现生长关键期内的滚动监测预报，在预警的实时性和准确性上满足业务需求；
2.监测范围广。该方法可实现省级和市级(250m)范围内的病虫害监测预警，为相关单位决策提供依据。
3.成本低。SMAP和TRMM卫星数据均可免费获取，节省成本。
附图说明
为了更清楚地说明本发明的技术方案，下面将对本发明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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的基于气象卫星数据的作物病虫害遥感监测方法流程示意图；
图2为基于SMAP卫星影像获取的湖北省2019年4月15日250米分辨率气温专题图；
图3为基于SMAP卫星影像获取的湖北省2019年4月20日250米分辨率气压专题图；
图4为2019年7～8月湖北省250米分辨率中稻穗颈瘟病发病指数专题图；
图5为2019年3～4月湖北省250米分辨率冬小麦赤霉病发病指数专题图。
具体实施方式
本发明提出基于卫星数据的农作物病虫害遥感监测方法，该方法可以适用于水稻稻瘟病、小麦赤霉病、小麦条锈病等多种病害。利用高时间分辨率(3小时)的SMAP和TRMM卫星数据，近实时提取每天的气温、气压、比湿、降水和风速等影响病虫害的关键气象要素，继而利用气温、气压和比湿数据计算得到相对湿度，然后根据模型得到这些关键气象要素对染病的日贡献值以及每旬的降水量对染病的贡献值，最终利用关键气象要素对染病的日贡献值逐旬计算农作物病虫害发生发展指数，达到监测预警的目的。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。
请参阅图1.本发明提出一种基于气象卫星数据的作物病虫害遥感监测方法，所述方法包括：
S1、获取SMAP和TRMM卫星影像数据并对数据进行预处理，根据病虫害类型选取对应的气象因子，利用反距离权重法对两种卫星数据进行插值，得到研究区域内指定空间分辨率、指定时间分辨率的关键气象要素数据；
具体的，SMAP卫星的气温、气压、比湿和风速产品空间分辨率是10km，时间分辨率是3h，覆盖范围是全球，TRMM卫星的降水数据空间分辨率是25km，时间分辨率是3h，覆盖范围是全球。对SMAP卫星影像数据和TRMM卫星影像数据进行影像拼接、重投影、裁剪。根据不同病虫害类型选取不同的气象因子，例如稻瘟病的关键气象因子是气温、气压、比湿、风速和降水，根据气温、气压、比湿数据计算得到相对湿度。利用反距离权重法(IDW)对两种卫星数据进行插值，得到研究区范围内250m空间分辨率、3h时间分辨率的关键气象要素数据；请参阅图2、图3，图2为基于SMAP卫星影像获取的湖北省2019年4月15日250米分辨率气温专题图，图3为基于SMAP卫星影像获取的湖北省2019年4月20日250米分辨率气压专题图。
S2、将所述指定时间分辨率的关键气象要素数据按照北京时间计算得到研究区内关键气象要素日数据；
具体的，将3h时间分辨率的气温、气压、比湿、风速、相对湿度等气象要素数据按照北京时间计算得到日均值数据，将3h时间分辨率的降水数据按照北京时间计算得到日累计数据；
S3、利用数理统计方法建立对应的病虫害发病指数气象评价模型；
进一步的，根据病虫害类型，利用数理统计方法建立各气象要素致病日贡献值公式，根据各气象要素致病日贡献值公式计算气象要素综合评价公式，得到病虫害发病指数气象评价模型。
具体的，以水稻稻瘟病、小麦赤霉病、小麦条锈病为例，具体说明本发明的病虫害发病指数气象评价模型：
一、水稻稻瘟病发病指数气象评价模型
1)气温影响日贡献值f(T)
注：Ti为当前气温，Ti1、Ti0、Ti2分别为水稻稻瘟病生长的下限气温8℃、最适气温26.5℃、上限气温37℃。
2)相对湿度影响日贡献值f(Q)
注：Q为空气相对湿度(单位:％)
3)降水影响日贡献值f(R)
注：R为>2mm的降水日数(单位:天)
4)稻瘟病发生气象要素综合评价公式：
Pt＝30*f(T)+30*f(Q)+40*f(R)
二、小麦赤霉病发病指数气象评价模型
1)气温影响日贡献值f(T)
注：Ti为当前气温，Ti1、Ti0、Ti2分别为小麦赤霉病生长的下限气温7℃、最适气温12℃、上限气温20℃
2)相对湿度影响日贡献值f(Q)
注：Q为空气相对湿度(单位:％)
3)降水影响日贡献值f(R)
注：R为>1mm的降水日数(单位:天)
4)赤霉病气象要素综合评价公式：
Pt＝30*f(T)+30*f(Q)+40*f(R)
三、小麦条锈病发病指数气象评价模型
1)气温影响日贡献值f(T)
注：Ti为当前气温，Ti1、Ti0、Ti2分别为小麦条锈病生长的下限气温5℃、最适气温12℃、上限气温20℃
2)相对湿度影响日贡献值f(Q)
注：Q为空气相对湿度(单位:％)
3)降水影响日贡献值f(R)
注：R为>1mm的降水日数(单位:天)
4)条锈病气象要素综合评价公式：
Pt＝40*f(T)+20*f(Q)+40*f(R)
S4、根据处理好的研究区内指定病虫害类型的关键气象要素日数据及对应的病虫害发病指数气象评价模型，以旬为周期，计算得到病虫害发病指数；
在作物易感病时段内，以旬为周期，将气温、相对湿度、降水日数据代入对应的气象要素致病日贡献值公式，计算得到周期内各种气象要素对作物染病的日贡献值，求取旬均值；利用对应的气象要素综合评价公式，生成该周期内的病虫害发病指数，依据各周期的病虫害发病指数计算生成监测时段内的病虫害发生指数均值。
S5、对得到的病虫害发病指数结果利用目标作物的分布数据执行掩膜，仅保留目标作物种植区，按照制图规范生成对应的专题图，得到省市级范围的逐旬病虫害发病指数专题图。
图4为2019年7～8月湖北省250米分辨率中稻穗颈瘟病发病指数专题图，图5为2019年3～4月湖北省250米分辨率冬小麦赤霉病发病指数专题图。
与所述方法实施例相对应，本发明还提出一种基于气象卫星数据的作物病虫害遥感监测装置，所述装置包括：
影像处理模块：用于获取SMAP和TRMM卫星影像数据并对数据进行预处理，根据病虫害类型选取对应的气象因子，利用反距离权重法对两种卫星数据进行插值，得到研究区域内指定空间分辨率、指定时间分辨率的关键气象要素数据；将所述指定时间分辨率的关键气象要素数据按照北京时间计算得到研究区内关键气象要素日数据；
模型构建模块：用于利用数理统计方法建立各气象要素致病日贡献值公式，根据各气象要素致病日贡献值公式计算气象要素综合评价公式，得到对应的病虫害发病指数气象评价模型；
发病指数计算模块：用于根据处理好的研究区内对应病虫害类型的关键气象要素日数据及对应的病虫害发病指数气象评价模型，以旬为周期，计算得到病虫害发病指数；
专题产品模块：用于对得到的病虫害发病指数结果利用目标作物的分布数据执行掩膜，仅保留目标作物种植区，按照制图规范生成对应的专题图。
进一步的，所述发病指数计算模块包括：
单气象要素计算单元：在作物易感病时段内，以旬为周期，分别将气温、相对湿度、降水日数据代入各气象要素致病日贡献值公式，计算得到周期内各种气象要素对作物染病的日贡献值，求取旬均值；
综合气象要素计算单元：利用气象要素综合评价公式，生成该周期内的病虫害发病指数，依据各周期的病虫害发病指数计算生成监测时段内的病虫害发生指数均值。
本发明利用农作物易感病时段的SMAP和TRMM卫星数据，提取气温、相对湿度、风速和降水等关键气象要素，近实时监测农作物病虫害的发病概率，为预警防治工作提供决策依据。
以上装置实施例与方法实施例是一一对应的，装置实施例简略之处，参见方法实施例即可。
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他实施例的不同之处，各个实施例之间相同相似部分互相参见即可，说明书中未阐述的部分均为现有技术或公知常识。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能性一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应超过本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机储存器、内存、只读存储器、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其他形式的存储介质中。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (4)
1.一种基于气象卫星数据的作物病虫害遥感监测方法，其特征在于，所述方法包括：
S1、获取SMAP和TRMM卫星影像数据并对数据进行预处理，根据病虫害类型选取对应的气象因子，利用反距离权重法对两种卫星数据进行插值，得到研究区域内指定空间分辨率、指定时间分辨率的关键气象要素数据,所述气象因子包括气温、气压、比湿、风速和降水，根据气温、气压、比湿数据计算得到相对湿度；
S2、将所述指定时间分辨率的关键气象要素数据按照北京时间计算得到研究区内关键气象要素日数据；
S3、根据病虫害类型，利用数理统计方法建立各气象要素致病日贡献值公式，根据各气象要素致病日贡献值公式计算气象要素综合评价公式，得到病虫害发病指数气象评价模型；
S4、在作物易感病时段内，以旬为周期，分别将气温、相对湿度、降水日数据代入各气象要素致病日贡献值公式，计算得到周期内各种气象要素对作物染病的日贡献值，求取旬均值；利用气象要素综合评价公式，生成该周期内的病虫害发病指数，依据各周期的病虫害发病指数计算生成监测时段内的病虫害发生指数均值；
S5、对得到的病虫害发病指数结果利用目标作物的分布数据执行掩膜，仅保留目标作物种植区，按照制图规范生成对应的病虫害发病指数专题图。
2.根据权利要求1所述基于气象卫星数据的作物病虫害遥感监测方法，其特征在于，所述步骤S1中，所述预处理包括对SMAP卫星影像数据和TRMM卫星影像数据进行影像拼接、重投影、裁剪。
3.根据权利要求2所述基于气象卫星数据的作物病虫害遥感监测方法，其特征在于，所述步骤S2中，所述关键气象要素日数据为：将3h时间分辨率的气温、气压、比湿、风速、相对湿度数据按照北京时间计算得到的日均值数据，将3h时间分辨率的降水数据按照北京时间计算得到的日累计数据。
4.一种基于气象卫星数据的作物病虫害遥感监测装置，其特征在于，所述装置包括：
影像处理模块：用于获取SMAP和TRMM卫星影像数据并对数据进行预处理，根据病虫害类型选取对应的气象因子，利用反距离权重法对两种卫星数据进行插值，得到研究区域内指定空间分辨率、指定时间分辨率的关键气象要素数据；将所述指定时间分辨率的关键气象要素数据按照北京时间计算得到研究区内关键气象要素日数据；
模型构建模块：用于利用数理统计方法建立各气象要素致病日贡献值公式，根据各气象要素致病日贡献值公式计算气象要素综合评价公式，得到对应的病虫害发病指数气象评价模型；
发病指数计算模块：用于根据处理好的研究区内对应病虫害类型的关键气象要素日数据及对应的病虫害发病指数气象评价模型，在作物易感病时段内，以旬为周期，分别将气温、相对湿度、降水日数据代入各气象要素致病日贡献值公式，计算得到周期内各种气象要素对作物染病的日贡献值，求取旬均值,利用气象要素综合评价公式，生成该周期内的病虫害发病指数，依据各周期的病虫害发病指数计算生成监测时段内的病虫害发生指数均值；
专题产品模块：用于对得到的病虫害发病指数结果利用目标作物的分布数据执行掩膜，仅保留目标作物种植区，按照制图规范生成对应的病虫害发病指数专题图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010045086.5A CN111537668B (zh) | 2020-01-16 | 2020-01-16 | 基于气象卫星数据的作物病虫害遥感监测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010045086.5A CN111537668B (zh) | 2020-01-16 | 2020-01-16 | 基于气象卫星数据的作物病虫害遥感监测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111537668A CN111537668A (zh) | 2020-08-14 |
| CN111537668B true CN111537668B (zh) | 2022-07-01 |
Family
ID=71979962
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010045086.5A Active CN111537668B (zh) | 2020-01-16 | 2020-01-16 | 基于气象卫星数据的作物病虫害遥感监测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111537668B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112949917A (zh) * | 2021-02-20 | 2021-06-11 | 廖廓 | 基于气象数据的茶叶茶小绿叶蝉虫害预警方法及系统 |
| CN112836903B (zh) * | 2021-03-25 | 2022-01-28 | 中化现代农业有限公司 | 病虫害风险预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103955606A (zh) * | 2014-04-23 | 2014-07-30 | 北京大学 | 一种基于遥感技术的草原蝗灾渐进式预测方法 |
| CN104089647A (zh) * | 2014-07-01 | 2014-10-08 | 北京农业信息技术研究中心 | 一种作物病害发生范围监测方法及系统 |
| CN108764643A (zh) * | 2018-04-27 | 2018-11-06 | 浙江水利水电学院 | 大范围作物病害风险评估方法 |
-
2020
- 2020-01-16 CN CN202010045086.5A patent/CN111537668B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103955606A (zh) * | 2014-04-23 | 2014-07-30 | 北京大学 | 一种基于遥感技术的草原蝗灾渐进式预测方法 |
| CN104089647A (zh) * | 2014-07-01 | 2014-10-08 | 北京农业信息技术研究中心 | 一种作物病害发生范围监测方法及系统 |
| CN108764643A (zh) * | 2018-04-27 | 2018-11-06 | 浙江水利水电学院 | 大范围作物病害风险评估方法 |
Non-Patent Citations (4)
| Title |
|---|
| Habitat monitoring to evaluate crop disease and pest distributions based on multi-source satellite remote sensing imagery;Lin Yuan等;《Optik》;20171231;第66–73页 * |
| Predicting the probability of wheat aphid occurrence using satellite remote sensing and meteorological data;Juhua Luo等;《Optik》;20141231;第5660–5665页 * |
| 用气象卫星监测大范围森林虫害方法研究;刘志明等;《自然灾害学报》;20020831;第11卷(第3期);第109-114页 * |
| 黑龙江农作物病虫害在线监测管理系统开发与应用;陈继光等;《中国植保导刊》;20170831;第37卷(第8期);第24-30页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111537668A (zh) | 2020-08-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2018145229A1 (zh) | 一种近地面气温的大面积精确反演方法 | |
| Moron et al. | Spatial coherence and seasonal predictability of monsoon onset over Indonesia | |
| CN109782373B (zh) | 一种基于改进的Naive Bayesian-CNN多目标分类算法的沙尘暴预测方法 | |
| CN111537668B (zh) | 基于气象卫星数据的作物病虫害遥感监测方法及装置 | |
| CN115357847B (zh) | 一种基于误差分解的日尺度星地降水融合方法 | |
| CN115575601A (zh) | 基于水汽通量散度的植被旱灾指数评估方法和系统 | |
| CN115115224A (zh) | 一种矿区植被碳汇分级及变化趋势评价分析方法 | |
| CN113177942A (zh) | 大豆种植区遥感监测识别方法、装置、电子设备和介质 | |
| CN110516943B (zh) | 一种基于地表温度的春灌期灌溉面积动态监测遥感方法 | |
| Zeng et al. | Spatial downscaling of IMERG considering vegetation index based on adaptive lag phase | |
| Wei et al. | A new drought index and its application based on geographically weighted regression (GWR) model and multi-source remote sensing data | |
| CN111583050B (zh) | 融合多尺度遥感影像的农作物病虫害预警方法及系统 | |
| Chu et al. | Estimation of winter wheat phenology under the influence of cumulative temperature and soil salinity in the Yellow River Delta, China, using MODIS time-series data | |
| Qin et al. | Reconstruction of 60-year (1961–2020) surface air temperature on the Tibetan Plateau by fusing MODIS and ERA5 temperatures | |
| Bughici et al. | Evaluation and bias correction in WRF model forecasting of precipitation and potential evapotranspiration | |
| CN116340863A (zh) | 空气污染物预测方法、装置、电子设备及可读存储介质 | |
| CN115169263B (zh) | 基于TVGM-Budyko耦合模型的多时间尺度径流变化归因分析方法 | |
| CN114943493B (zh) | 一种耕地质量等别监测评价系统及方法 | |
| Lim et al. | Downscaling large-scale NCEP CFS to resolve fine-scale seasonal precipitation and extremes for the crop growing seasons over the southeastern United States | |
| CN116011881A (zh) | 一种基于像元尺度的黑土农田生产力评价方法及系统 | |
| CN115166866A (zh) | 基于格点化气象数据的柑橘病虫害发生预报方法及系统 | |
| CN110175215B (zh) | 一种划分地理过渡带的方法 | |
| de Assis Diniz et al. | Normais climatológicas do Brasil 1981–2010 | |
| Saseendran et al. | Characterization of weekly cumulative rainfall forecasts over meteorological subdivisions of India using a GCM | |
| Zhang et al. | Evaluating the effects of single and integrated extreme climate events on hydrology in the Liao River Basin, China using a modified SWAT-BSR model |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240429 Address after: 100125 Building 2, national agricultural exhibition hall, No. 16, North East Third Ring Road, Chaoyang District, Beijing Patentee after: Big data development center of the Ministry of agriculture and rural areas Country or region after: China Patentee after: WUHAN JIAHE TECHNOLOGY CO.,LTD. Address before: 100125, No. 41, wheat Street, Chaoyang District, Beijing Patentee before: Ministry of Agriculture and Rural Planning and Design Institute Country or region before: China Patentee before: WUHAN JIAHE TECHNOLOGY CO.,LTD. |