CN111666827B - 一种林业病虫害智能识别方法及系统 - Google Patents
一种林业病虫害智能识别方法及系统 Download PDFInfo
- Publication number
- CN111666827B CN111666827B CN202010417306.2A CN202010417306A CN111666827B CN 111666827 B CN111666827 B CN 111666827B CN 202010417306 A CN202010417306 A CN 202010417306A CN 111666827 B CN111666827 B CN 111666827B
- Authority
- CN
- China
- Prior art keywords
- forest
- data
- remote sensing
- acquiring
- physiological characteristics
- 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
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 79
- 201000010099 disease Diseases 0.000 title claims abstract description 77
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000003595 spectral effect Effects 0.000 claims abstract description 81
- 238000002310 reflectometry Methods 0.000 claims abstract description 56
- 241000238631 Hexapoda Species 0.000 claims abstract description 46
- 238000001228 spectrum Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 6
- 241000894007 species Species 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 230000000007 visual effect Effects 0.000 claims description 11
- 238000002329 infrared spectrum Methods 0.000 claims description 10
- 230000008033 biological extinction Effects 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 abstract description 22
- 241000196324 Embryophyta Species 0.000 description 47
- 238000011835 investigation Methods 0.000 description 12
- 238000007726 management method Methods 0.000 description 10
- 238000005070 sampling Methods 0.000 description 7
- 229930002875 chlorophyll Natural products 0.000 description 6
- 235000019804 chlorophyll Nutrition 0.000 description 6
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 241000243770 Bursaphelenchus Species 0.000 description 4
- 235000016936 Dendrocalamus strictus Nutrition 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000001932 seasonal effect Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000012010 growth Effects 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 238000013316 zoning Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000008635 plant growth Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 239000002023 wood Substances 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供了林业病虫害监测领域的一种林业病虫害智能识别方法及系统，方法包括：步骤S10、获取区域尺度范围内林木的基础信息；步骤S20、从卫星遥感数据获取第一光谱反射率；从气象数据获取气候数据；步骤S30、基于气候数据获取当前时相下的基础信息，并对比基础信息以及第一光谱反射率，判断生理特征是否正常，若是，则结束流程；若否，则标识出疑似区域，利用无人机获取疑似区域的遥感数据并生成林木资源图像；步骤S40、从林木资源图像获取第二光谱反射率；步骤S50、对比当前时相下的基础信息以及第二光谱反射率，判断生理特征是否正常，若是，则结束流程；若否，则生成林业病虫害判定报告。本发明的优点在于：极大的提升了林业病虫害监测的精度。
Description
技术领域
本发明涉及林业病虫害监测领域，特别指一种林业病虫害智能识别方法及系统。
背景技术
准确识别林业病虫害是进行林木动态监测、揭示林木生理生长规律、科学指导防控的基础。现行的林业病虫害检测、识别工作主要依靠少数林学专家和林技人员来完成的，即主要依靠目测手查(病虫害的形态特征，如颜色、大小、形状等)、林间取样等方式进行人工识别。然而人的视觉系统存在许多不足之处，如局限性、模糊性、主观性、缺乏持久性等,大大降低了林业病虫害识别的准确度。因此,许多林农在林业病虫害诊断防治方面存在着掌握不深、理解不透、经验不足的情况，往往是拿着林业病虫害图谱“对号入座”，或者是凭自己的生产经验主观臆断。
针对上述问题，将通信技术、计算机视觉技术、图像处理技术、大数据分析、遥感技术等现代信息技术引入林业物病虫害诊断领域，建立全新的林业病虫害检测识别模型和方法，已经成为林业生产的迫切要求和发展趋势。
卫星遥感技术是目前唯一能够在大范围内快速获取空间连续地表信息的手段。早期的遥感数据，如主题成像仪携带的传感器LandastTM和卫星传感器MODIS，由于无法同时满足较高的空间分辨率和时间分辨率，对区域尺度的病虫害监测构成了一定的硬件条件障碍，而已有的一些基于卫星影像的林业病虫害监测往往仅考虑了光谱信息，并未考虑对于林业病虫害监测十分重要的时相信息，监测结果存在着较大的不确定性。
因此，如何提供一种林业病虫害智能识别方法及系统，实现提升林业病虫害监测的精度，成为一个亟待解决的问题。
发明内容
本发明要解决的技术问题，在于提供一种林业病虫害智能识别方法及系统，实现提升林业病虫害监测的精度。
一方面，本发明提供了一种林业病虫害智能识别方法，包括如下步骤：
步骤S10、设定一区域尺度范围，通过林木资源数据库获取所述区域尺度范围内，多时相下林木的基础信息；
步骤S20、获取所述区域尺度范围内，反应林木生理特征的时间连续的卫星遥感数据以及气象数据，并对获取的所述卫星遥感数据以及气象数据进行预处理；
步骤S30、从所述卫星遥感数据获取反应林木生理特征的第一光谱反射率；从所述气象数据获取与卫星遥感数据相同时相下，林木生境条件的气候数据；将所述第一光谱反射率以及气候数据存储至林木资源数据库；
步骤S40、基于所述气候数据，获取当前时相下的所述基础信息，并基于光谱发射率表对比当前时相下所述基础信息以及第一光谱反射率，判断当前时相下，所述区域尺度范围内的林木的生理特征是否正常，若是，则结束流程；若否，则进入步骤S50；
步骤S50、标识出生理特征不正常的疑似区域，利用无人机获取所述疑似区域的高分辨率遥感数据，并利用拼图软件基于所述高分辨率遥感数据生成林木资源图像；
步骤S60、从所述林木资源图像获取反应林木生理特征的第二光谱反射率；将所述第二光谱反射率存储至林木资源数据库；
步骤S70、基于光谱发射率表对比当前时相下的所述基础信息以及第二光谱反射率，判断当前时相下，所述疑似区域内的林木的生理特征是否正常，若是，则结束流程；若否，则进入步骤S80；
步骤S80、生成林业病虫害判定报告，由人工进行最终判定。
进一步地，所述步骤S10中，所述区域尺度范围为林班、大班或者小班。
进一步地，所述步骤S10中，所述基础信息包括林木生理特征、树种基础信息以及树种分布特征；所述林木生理特征包括树种、冠幅以及叶色。
进一步地，所述步骤S20具体包括：
步骤S21、获取所述区域尺度范围内，反应林木生理特征的2个年度内的卫星遥感数据以及24个节气内的气象数据；
步骤S22、对获取的所述卫星遥感数据以及气象数据进行校正几何畸变、大气消光以及辐射量失真的预处理，并利用地形图和非林业用地在卫星影像上的色调特征建立目视解译标志，用于辅助人工判定。
进一步地，所述步骤S50具体为：
标识出生理特征不正常的疑似区域，提取所述疑似区域内，小班的矢量图层数据以及坐标位置，利用携带红外光谱扫描仪以及多波段光谱扫描仪的无人机，基于所述矢量图层数据以及坐标位置获取疑似区域的高分辨率遥感数据，并利用拼图软件基于所述高分辨率遥感数据生成林木资源图像。
另一方面，本发明提供了一种林业病虫害智能识别系统，包括如下模块：
基础信息获取模块、用于设定一区域尺度范围，通过林木资源数据库获取所述区域尺度范围内，多时相下林木的基础信息；
遥感及气象数据获取模块、用于获取所述区域尺度范围内，反应林木生理特征的时间连续的卫星遥感数据以及气象数据，并对获取的所述卫星遥感数据以及气象数据进行预处理；
第一光谱反射率获取模块、用于从所述卫星遥感数据获取反应林木生理特征的第一光谱反射率；从所述气象数据获取与卫星遥感数据相同时相下，林木生境条件的气候数据；将所述第一光谱反射率以及气候数据存储至林木资源数据库；
第一病虫害识别模块、用于基于所述气候数据，获取当前时相下的所述基础信息，并基于光谱发射率表对比当前时相下所述基础信息以及第一光谱反射率，判断当前时相下，所述区域尺度范围内的林木的生理特征是否正常，若是，则结束流程；若否，则进入疑似区域标识模块；
疑似区域标识模块、用于标识出生理特征不正常的疑似区域，利用无人机获取所述疑似区域的高分辨率遥感数据，并利用拼图软件基于所述高分辨率遥感数据生成林木资源图像；
第二光谱反射率获取模块、用于从所述林木资源图像获取反应林木生理特征的第二光谱反射率；将所述第二光谱反射率存储至林木资源数据库；
第二病虫害识别模块、用于基于光谱发射率表对比当前时相下的所述基础信息以及第二光谱反射率，判断当前时相下，所述疑似区域内的林木的生理特征是否正常，若是，则结束流程；若否，则进入报告生成模块；
报告生成模块、用于生成林业病虫害判定报告，由人工进行最终判定。
进一步地，所述基础信息获取模块中，所述区域尺度范围为林班、大班或者小班。
进一步地，所述基础信息获取模块中，所述基础信息包括林木生理特征、树种基础信息以及树种分布特征；所述林木生理特征树种、冠幅以及叶色。
进一步地，所述遥感及气象数据获取模块具体包括：
数据获取单元、用于获取所述区域尺度范围内，反应林木生理特征的2个年度内的卫星遥感数据以及24个节气内的气象数据；
数据预处理单元、用于对获取的所述卫星遥感数据以及气象数据进行校正几何畸变、大气消光以及辐射量失真的预处理，并利用地形图和非林业用地在卫星影像上的色调特征建立目视解译标志，用于辅助人工判定。
进一步地，所述疑似区域标识模块具体为：
标识出生理特征不正常的疑似区域，提取所述疑似区域内，小班的矢量图层数据以及坐标位置，利用携带红外光谱扫描仪以及多波段光谱扫描仪的无人机，基于所述矢量图层数据以及坐标位置获取疑似区域的高分辨率遥感数据，并利用拼图软件基于所述高分辨率遥感数据生成林木资源图像。
本发明的优点在于：
1、通过获取所述区域尺度范围内多时相的基础信息、卫星遥感数据以及气象数据，进而对比当前时相、当前气候下，所述基础信息与卫星遥感数据的光谱反射率，判断林木的生理特征，并对疑似区域利用无人机获取高分辨率遥感数据，进行二次判断，最终生成林业病虫害判定报告，由人工进行最终判定，即极大的提高了数据的空间分辨率和时间分辨率，结合了气象数据，充分考虑不同时段的林木生理特征，采用三级措施识别病虫害(卫星遥感数据判定、无人机遥感数据判定、人工判定)，进而极大的提升了林业病虫害监测的精度。
2、通过卫星遥感数据对所述区域尺度范围进行大范围的病虫害监测，再利用无人机对所述疑似区域进行小范围的病虫害二次监测，实现对地形不便、重点区域实施低空遥感监测，有效降低林业病虫害野外作业成本，为病虫害识别提供更精细的信息输出，便于林业管理和生态管理部门及时、准确掌握区域病虫害信息，做到早发现、早防治。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1是本发明一种林业病虫害智能识别方法的流程图。
图2是本发明一种林业病虫害智能识别系统的原理框图。
图3是本发明无人机的电路原理框图。
具体实施方式
本申请实施例中的技术方案，总体思路如下：获取区域尺度范围内多时相的基础信息、卫星遥感数据以及气象数据，通过卫星遥感数据获取林木生理特征，并利用气象数据查找基础信息中对应实相的林木生理特征，判断是否一致，若不一致，再利用无人机获取高分辨率遥感数据，提取林木生理特征，与基础信息中对应实相的林木生理特征进行比对，由人工进行最终判定。
本发明所使用的无人机包括一控制模块、一通信模块、一图像采集模块、一GPS定位模块、一红外光谱扫描仪以及一多波段光谱扫描仪；所述通信模块、图像采集模块、GPS定位模块、红外光谱扫描仪以及多波段光谱扫描仪均分别与控制模块连接。
请参照图1至图3所示，本发明一种林业病虫害智能识别方法的较佳实施例，包括如下步骤：
步骤S10、设定一区域尺度范围，通过林木资源数据库获取所述区域尺度范围内，多时相下林木的基础信息；多时相指在不同时间获取的同一地域的一组影像、地图或地理数据；
林木资源数据库收录了全国林木种质资源生理特征基础数据库、林木基础数据、林木分布等数据，同时建立不同区域植物志与中国植物志命名索引表，系统上实现无论输入学名、俗名、中文名，直接以中国植物志的种名进行植物“户口”的登记，实现植物的统一“户口”登记；
步骤S20、获取所述区域尺度范围内，反应林木生理特征的空间连续且时间连续的卫星遥感数据以及气象数据，并对获取的所述卫星遥感数据以及气象数据进行预处理；气象数据用于获取气候数据，气候数据会直接影响林木的生长情况；选取可覆盖可见光、近红外和热红外波段的中高分辨率且重返时间较长的卫星获取卫星遥感数据，例如高分二号和资源三号(ZY-3)；重返时间指卫星转一圈回到初始位置的时间，因为林业的区域覆盖范围较广，选取重返时间较短的卫星遥感影像数据成本很高，因此选用重返时间较长的卫星遥感数据；
步骤S30、从所述卫星遥感数据获取反应林木生理特征的第一光谱反射率；从所述气象数据获取与卫星遥感数据相同时相下，林木生境条件的气候数据；将所述第一光谱反射率以及气候数据存储至林木资源数据库；生境条件指植物生长环境条件；
鉴于林木绿色叶子内部组织结构,功能的变异和树木形态结构留物，可使受病虫害的林木寄主在光谱特性上发生明显变化。因此,根据光谱反射率的非正常变化(即叶色的变化，叶与植株变化，叶绿素含量变化以及叶片上产生的残余差异和结构异常在遥感图像上的记录,通过图像增强处理和模式识别，并在地理信息系统和专家系统的支持下，就可实施对林业病虫害的监测；
步骤S40、基于所述气候数据，获取当前时相下的所述基础信息，并基于光谱发射率表对比当前时相下所述基础信息以及第一光谱反射率，判断当前时相下，所述区域尺度范围内的林木的生理特征是否正常，若是，则结束流程；若否，则进入步骤S50；
即根据卫星遥感数据和气象数据上的区域叠加至林木资源数据库中的该区域该时段内的小班数据，小班数据自动带出该区域的基础信息，再根据基础信息带出植物图像库中的植物生理图片和林木生理特征；最后，根据林木生理特征和生理图片上显示的光谱反射率与卫星遥感数据采集的光谱反射率进行对比；
光谱发射率表采用7个光谱发射率作为病虫害监测的备选特征，目前林业病虫害大部分是松材线虫，而这7种光谱发射率就能有效的提取松材线虫的特征，且这7种光谱发射率可以涵盖大部分的植被种类。
光谱发射率表如下：
步骤S50、标识出生理特征不正常的疑似区域，利用无人机获取所述疑似区域的高分辨率遥感数据，并利用拼图软件基于所述高分辨率遥感数据生成林木资源图像；所述拼图软件优选为ArcMap ENVI；
无人机低空调查与对应时期卫星拍摄日期相隔不超过3天，根据应用区域的面积，在样点设置上应不低于1样点/10平方千米的密度。同时，总调查样点个数应不少于30个。调查范围为以调查样点为圆心，直径超过30m的森林资源连续覆盖区域，调查内容为调查区域内森林资源的发病级别。为便于大范围中的林间调查和病理管理，将染病林区块分为轻、重两个级别。
步骤S60、从所述林木资源图像获取反应林木生理特征的第二光谱反射率；将所述第二光谱反射率存储至林木资源数据库；
林木在近红外波长域的光谱反射率往往很高，当森林资源受病虫害时，叶片含水量降低，细胞随之塌陷，叶绿素减少，因此，它们在红外波长域的光谱反射会自然降低，即发生红外光谱反射衰减。当病虫害进一步发展，使森林资源叶片的叶绿素消失殆尽、叶片结构遭到彻底破坏时，影像色调则会变得更暗，以至于呈现青色调。
步骤S70、基于光谱发射率表对比当前时相下的所述基础信息以及第二光谱反射率，判断当前时相下，所述疑似区域内的林木的生理特征是否正常，若是，则结束流程；若否，则进入步骤S80；
步骤S80、生成林业病虫害判定报告，由人工进行最终判定。
所述步骤S10中，所述区域尺度范围为林班、大班或者小班。
林班(Compartment)，是为了便于调查设计和长期的经营管理，在基层林业单位(如林场)内，把土地分成大致相等的基本单位；林班具有永久性质，其境界线必须明确标明；林班面积的大小，因经营强度而不同；划分林班的方法有人工区划、自然区划和综合区划三种；林班的编号用大写正体的阿拉伯数字，以便与小班编号相区别。
小班(Sub-Compartment)，是进行森林经营、组织木材生产的最小单位，也是调查设计的基本单位；在作业区内把立地条件、林分因子、采伐方式、经营措施相同和集材系统一致的林分划为一个小班；小班界限按集材系统以自然区划为主；一个小班的面积，一般以5公顷左右为宜，最大不应超过20公顷。
所述步骤S10中，所述基础信息包括林木生理特征、树种基础信息以及树种分布特征；所述林木生理特征包括树种、冠幅以及叶色，不同生长季节的林木生理特征不同。
所述步骤S20具体包括：
步骤S21、获取所述区域尺度范围内，反应林木生理特征的2个年度内的卫星遥感数据以及24个节气内的气象数据；
由于林木随季节性变化的生理特征明显，需获取一定区域内多时相的卫星遥感数据、气象数据以及大范围地面调查数据；因此，卫星遥感数据选择2个年度内的植物变化周期性数据，气象数据选择24节气的数据，地面调查数据是对处理结果进行验证，需要在季节性更替较明显的时段进行；
步骤S22、对获取的所述卫星遥感数据以及气象数据进行校正几何畸变、大气消光以及辐射量失真的预处理，并利用地形图和非林业用地在卫星影像上的色调特征建立目视解译标志，用于辅助人工判定。具体如何对所述卫星遥感数据以及气象数据进行预处理是本领域的常规技术手段，是本领域技术人员所熟知的。
所述目视解译标志指在卫星遥感数据上研究地表地物种种特征的总和，也叫判读遥感图像标志，用于人工肉眼判定识别时进行辅助。
所述步骤S50具体为：
标识出生理特征不正常的疑似区域，提取所述疑似区域内，小班的矢量图层数据以及坐标位置，利用携带红外光谱扫描仪以及多波段光谱扫描仪的无人机，基于所述矢量图层数据以及坐标位置获取疑似区域的高分辨率遥感数据，并利用拼图软件基于所述高分辨率遥感数据生成林木资源图像。
本发明一种林业病虫害智能识别系统的较佳实施例，包括如下模块：
基础信息获取模块、用于设定一区域尺度范围，通过林木资源数据库获取所述区域尺度范围内，多时相下林木的基础信息；多时相指在不同时间获取的同一地域的一组影像、地图或地理数据；
林木资源数据库收录了全国林木种质资源生理特征基础数据库、林木基础数据、林木分布等数据，同时建立不同区域植物志与中国植物志命名索引表，系统上实现无论输入学名、俗名、中文名，直接以中国植物志的种名进行植物“户口”的登记，实现植物的统一“户口”登记；
遥感及气象数据获取模块、用于获取所述区域尺度范围内，反应林木生理特征的空间连续且时间连续的卫星遥感数据以及气象数据，并对获取的所述卫星遥感数据以及气象数据进行预处理；气象数据用于获取气候数据，气候数据会直接影响林木的生长情况；选取可覆盖可见光、近红外和热红外波段的中高分辨率且重返时间较长的卫星获取卫星遥感数据，例如高分二号和资源三号(ZY-3)；重返时间指卫星转一圈回到初始位置的时间，因为林业的区域覆盖范围较广，选取重返时间较短的卫星遥感影像数据成本很高，因此选用重返时间较长的卫星遥感数据；
第一光谱反射率获取模块、用于从所述卫星遥感数据获取反应林木生理特征的第一光谱反射率；从所述气象数据获取与卫星遥感数据相同时相下，林木生境条件的气候数据；将所述第一光谱反射率以及气候数据存储至林木资源数据库；生境条件指植物生长环境条件；
鉴于林木绿色叶子内部组织结构,功能的变异和树木形态结构留物，可使受病虫害的林木寄主在光谱特性上发生明显变化。因此,根据光谱反射率的非正常变化(即叶色的变化，叶与植株变化，叶绿素含量变化以及叶片上产生的残余差异和结构异常在遥感图像上的记录,通过图像增强处理和模式识别，并在地理信息系统和专家系统的支持下，就可实施对林业病虫害的监测；
第一病虫害识别模块、用于基于所述气候数据，获取当前时相下的所述基础信息，并基于光谱发射率表对比当前时相下所述基础信息以及第一光谱反射率，判断当前时相下，所述区域尺度范围内的林木的生理特征是否正常，若是，则结束流程；若否，则进入疑似区域标识模块；
即根据卫星遥感数据和气象数据上的区域叠加至林木资源数据库中的该区域该时段内的小班数据，小班数据自动带出该区域的基础信息，再根据基础信息带出植物图像库中的植物生理图片和林木生理特征；最后，根据林木生理特征和生理图片上显示的光谱反射率与卫星遥感数据采集的光谱反射率进行对比；
光谱发射率表采用7个光谱发射率作为病虫害监测的备选特征，目前林业病虫害大部分是松材线虫，而这7种光谱发射率就能有效的提取松材线虫的特征，且这7种光谱发射率可以涵盖大部分的植被种类。
光谱发射率表如下：
疑似区域标识模块、用于标识出生理特征不正常的疑似区域，利用无人机获取所述疑似区域的高分辨率遥感数据，并利用拼图软件基于所述高分辨率遥感数据生成林木资源图像；所述拼图软件优选为ArcMap ENVI；
无人机低空调查与对应时期卫星拍摄日期相隔不超过3天，根据应用区域的面积，在样点设置上应不低于1样点/10平方千米的密度。同时，总调查样点个数应不少于30个。调查范围为以调查样点为圆心，直径超过30m的森林资源连续覆盖区域，调查内容为调查区域内森林资源的发病级别。为便于大范围中的林间调查和病理管理，将染病林区块分为轻、重两个级别。
第二光谱反射率获取模块、用于从所述林木资源图像获取反应林木生理特征的第二光谱反射率；将所述第二光谱反射率存储至林木资源数据库；
林木在近红外波长域的光谱反射率往往很高，当森林资源受病虫害时，叶片含水量降低，细胞随之塌陷，叶绿素减少，因此，它们在红外波长域的光谱反射会自然降低，即发生红外光谱反射衰减。当病虫害进一步发展，使森林资源叶片的叶绿素消失殆尽、叶片结构遭到彻底破坏时，影像色调则会变得更暗，以至于呈现青色调。
第二病虫害识别模块、用于基于光谱发射率表对比当前时相下的所述基础信息以及第二光谱反射率，判断当前时相下，所述疑似区域内的林木的生理特征是否正常，若是，则结束流程；若否，则进入报告生成模块；
报告生成模块、用于生成林业病虫害判定报告，由人工进行最终判定。
所述基础信息获取模块中，所述区域尺度范围为林班、大班或者小班。
林班(Compartment)，是为了便于调查设计和长期的经营管理，在基层林业单位(如林场)内，把土地分成大致相等的基本单位；林班具有永久性质，其境界线必须明确标明；林班面积的大小，因经营强度而不同；划分林班的方法有人工区划、自然区划和综合区划三种；林班的编号用大写正体的阿拉伯数字，以便与小班编号相区别。
小班(Sub-Compartment)，是进行森林经营、组织木材生产的最小单位，也是调查设计的基本单位；在作业区内把立地条件、林分因子、采伐方式、经营措施相同和集材系统一致的林分划为一个小班；小班界限按集材系统以自然区划为主；一个小班的面积，一般以5公顷左右为宜，最大不应超过20公顷。
所述基础信息获取模块中，所述基础信息包括林木生理特征、树种基础信息以及树种分布特征；所述林木生理特征树种、冠幅以及叶色，不同生长季节的林木生理特征不同。
所述遥感及气象数据获取模块具体包括：
数据获取单元、用于获取所述区域尺度范围内，反应林木生理特征的2个年度内的卫星遥感数据以及24个节气内的气象数据；
由于林木随季节性变化的生理特征明显，需获取一定区域内多时相的卫星遥感数据、气象数据以及大范围地面调查数据；因此，卫星遥感数据选择2个年度内的植物变化周期性数据，气象数据选择24节气的数据，地面调查数据是对处理结果进行验证，需要在季节性更替较明显的时段进行；
数据预处理单元、用于对获取的所述卫星遥感数据以及气象数据进行校正几何畸变、大气消光以及辐射量失真的预处理，并利用地形图和非林业用地在卫星影像上的色调特征建立目视解译标志，用于辅助人工判定。具体如何对所述卫星遥感数据以及气象数据进行预处理是本领域的常规技术手段，是本领域技术人员所熟知的。
所述目视解译标志指在卫星遥感数据上研究地表地物种种特征的总和，也叫判读遥感图像标志，用于人工肉眼判定识别时进行辅助。
所述疑似区域标识模块具体为：
标识出生理特征不正常的疑似区域，提取所述疑似区域内，小班的矢量图层数据以及坐标位置，利用携带红外光谱扫描仪以及多波段光谱扫描仪的无人机，基于所述矢量图层数据以及坐标位置获取疑似区域的高分辨率遥感数据，并利用拼图软件基于所述高分辨率遥感数据生成林木资源图像。
综上所述，本发明的优点在于：
1、通过获取所述区域尺度范围内多时相的基础信息、卫星遥感数据以及气象数据，进而对比当前时相、当前气候下，所述基础信息与卫星遥感数据的光谱反射率，判断林木的生理特征，并对疑似区域利用无人机获取高分辨率遥感数据，进行二次判断，最终生成林业病虫害判定报告，由人工进行最终判定，即极大的提高了数据的空间分辨率和时间分辨率，结合了气象数据，充分考虑不同时段的林木生理特征，采用三级措施识别病虫害(卫星遥感数据判定、无人机遥感数据判定、人工判定)，进而极大的提升了林业病虫害监测的精度。
2、通过卫星遥感数据对所述区域尺度范围进行大范围的病虫害监测，再利用无人机对所述疑似区域进行小范围的病虫害二次监测，实现对地形不便、重点区域实施低空遥感监测，有效降低林业病虫害野外作业成本，为病虫害识别提供更精细的信息输出，便于林业管理和生态管理部门及时、准确掌握区域病虫害信息，做到早发现、早防治。
虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。
Claims (10)
1.一种林业病虫害智能识别方法，其特征在于：包括如下步骤：
步骤S10、设定一区域尺度范围，通过林木资源数据库获取所述区域尺度范围内，多时相下林木的基础信息；
步骤S20、获取所述区域尺度范围内，反应林木生理特征的时间连续的卫星遥感数据以及气象数据，并对获取的所述卫星遥感数据以及气象数据进行预处理；
步骤S30、从所述卫星遥感数据获取反应林木生理特征的第一光谱反射率；从所述气象数据获取与卫星遥感数据相同时相下，林木生境条件的气候数据；将所述第一光谱反射率以及气候数据存储至林木资源数据库；
步骤S40、基于所述气候数据，获取当前时相下的所述基础信息，并基于光谱发射率表对比当前时相下所述基础信息以及第一光谱反射率，判断当前时相下，所述区域尺度范围内的林木的生理特征是否正常，若是，则结束流程；若否，则进入步骤S50；
步骤S50、标识出生理特征不正常的疑似区域，利用无人机获取所述疑似区域的高分辨率遥感数据，并利用拼图软件基于所述高分辨率遥感数据生成林木资源图像；
步骤S60、从所述林木资源图像获取反应林木生理特征的第二光谱反射率；将所述第二光谱反射率存储至林木资源数据库；
步骤S70、基于光谱发射率表对比当前时相下的所述基础信息以及第二光谱反射率，判断当前时相下，所述疑似区域内的林木的生理特征是否正常，若是，则结束流程；若否，则进入步骤S80；
步骤S80、生成林业病虫害判定报告，由人工进行最终判定。
2.如权利要求1所述的一种林业病虫害智能识别方法，其特征在于：所述步骤S10中，所述区域尺度范围为林班、大班或者小班。
3.如权利要求1所述的一种林业病虫害智能识别方法，其特征在于：所述步骤S10中，所述基础信息包括林木生理特征、树种基础信息以及树种分布特征；所述林木生理特征包括树种、冠幅以及叶色。
4.如权利要求1所述的一种林业病虫害智能识别方法，其特征在于：所述步骤S20具体包括：
步骤S21、获取所述区域尺度范围内，反应林木生理特征的2个年度内的卫星遥感数据以及24个节气内的气象数据；
步骤S22、对获取的所述卫星遥感数据以及气象数据进行校正几何畸变、大气消光以及辐射量失真的预处理，并利用地形图和非林业用地在卫星影像上的色调特征建立目视解译标志，用于辅助人工判定。
5.如权利要求1所述的一种林业病虫害智能识别方法，其特征在于：所述步骤S50具体为：
标识出生理特征不正常的疑似区域，提取所述疑似区域内，小班的矢量图层数据以及坐标位置，利用携带红外光谱扫描仪以及多波段光谱扫描仪的无人机，基于所述矢量图层数据以及坐标位置获取疑似区域的高分辨率遥感数据，并利用拼图软件基于所述高分辨率遥感数据生成林木资源图像。
6.一种林业病虫害智能识别系统，其特征在于：包括如下模块：
基础信息获取模块、用于设定一区域尺度范围，通过林木资源数据库获取所述区域尺度范围内，多时相下林木的基础信息；
遥感及气象数据获取模块、用于获取所述区域尺度范围内，反应林木生理特征的时间连续的卫星遥感数据以及气象数据，并对获取的所述卫星遥感数据以及气象数据进行预处理；
第一光谱反射率获取模块、用于从所述卫星遥感数据获取反应林木生理特征的第一光谱反射率；从所述气象数据获取与卫星遥感数据相同时相下，林木生境条件的气候数据；将所述第一光谱反射率以及气候数据存储至林木资源数据库；
第一病虫害识别模块、用于基于所述气候数据，获取当前时相下的所述基础信息，并基于光谱发射率表对比当前时相下所述基础信息以及第一光谱反射率，判断当前时相下，所述区域尺度范围内的林木的生理特征是否正常，若是，则结束流程；若否，则进入疑似区域标识模块；
疑似区域标识模块、用于标识出生理特征不正常的疑似区域，利用无人机获取所述疑似区域的高分辨率遥感数据，并利用拼图软件基于所述高分辨率遥感数据生成林木资源图像；
第二光谱反射率获取模块、用于从所述林木资源图像获取反应林木生理特征的第二光谱反射率；将所述第二光谱反射率存储至林木资源数据库；
第二病虫害识别模块、用于基于光谱发射率表对比当前时相下的所述基础信息以及第二光谱反射率，判断当前时相下，所述疑似区域内的林木的生理特征是否正常，若是，则结束流程；若否，则进入报告生成模块；
报告生成模块、用于生成林业病虫害判定报告，由人工进行最终判定。
7.如权利要求6所述的一种林业病虫害智能识别系统，其特征在于：所述基础信息获取模块中，所述区域尺度范围为林班、大班或者小班。
8.如权利要求6所述的一种林业病虫害智能识别系统，其特征在于：所述基础信息获取模块中，所述基础信息包括林木生理特征、树种基础信息以及树种分布特征；所述林木生理特征树种、冠幅以及叶色。
9.如权利要求6所述的一种林业病虫害智能识别系统，其特征在于：所述遥感及气象数据获取模块具体包括：
数据获取单元、用于获取所述区域尺度范围内，反应林木生理特征的2个年度内的卫星遥感数据以及24个节气内的气象数据；
数据预处理单元、用于对获取的所述卫星遥感数据以及气象数据进行校正几何畸变、大气消光以及辐射量失真的预处理，并利用地形图和非林业用地在卫星影像上的色调特征建立目视解译标志，用于辅助人工判定。
10.如权利要求6所述的一种林业病虫害智能识别系统，其特征在于：所述疑似区域标识模块具体为：
标识出生理特征不正常的疑似区域，提取所述疑似区域内，小班的矢量图层数据以及坐标位置，利用携带红外光谱扫描仪以及多波段光谱扫描仪的无人机，基于所述矢量图层数据以及坐标位置获取疑似区域的高分辨率遥感数据，并利用拼图软件基于所述高分辨率遥感数据生成林木资源图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010417306.2A CN111666827B (zh) | 2020-05-18 | 2020-05-18 | 一种林业病虫害智能识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010417306.2A CN111666827B (zh) | 2020-05-18 | 2020-05-18 | 一种林业病虫害智能识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111666827A CN111666827A (zh) | 2020-09-15 |
| CN111666827B true CN111666827B (zh) | 2023-04-18 |
Family
ID=72383736
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010417306.2A Active CN111666827B (zh) | 2020-05-18 | 2020-05-18 | 一种林业病虫害智能识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111666827B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112485284B (zh) * | 2020-12-01 | 2022-02-15 | 中国农业大学 | 一种无人机农田病虫草害信息协同感知系统 |
| CN112580513A (zh) * | 2020-12-21 | 2021-03-30 | 福州引凤惠农科技服务有限公司 | 一种农作物病虫害智能识别方法 |
| CN113362553A (zh) * | 2021-06-08 | 2021-09-07 | 内蒙古工业大学 | 基于多源异构数据的草原火灾监测预警方法及装置 |
| CN117911882B (zh) * | 2024-03-20 | 2024-06-04 | 北京新兴科遥信息技术有限公司 | 一种用于林业保护规划动态数据的监测方法和系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103034910A (zh) * | 2012-12-03 | 2013-04-10 | 北京农业信息技术研究中心 | 基于多源信息的区域尺度病虫害预测方法 |
| CN105825177A (zh) * | 2016-03-09 | 2016-08-03 | 西安科技大学 | 基于时相和光谱信息及生境条件的作物病害遥感识别方法 |
| CN109977991A (zh) * | 2019-01-23 | 2019-07-05 | 彭广惠 | 基于高清卫星遥感的林业资源采集方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10674654B2 (en) * | 2016-09-22 | 2020-06-09 | Thomas George | Remote sensing multivariate cropland management apparatus and method of use thereof comprising crop health data set and crop management recommendations |
-
2020
- 2020-05-18 CN CN202010417306.2A patent/CN111666827B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103034910A (zh) * | 2012-12-03 | 2013-04-10 | 北京农业信息技术研究中心 | 基于多源信息的区域尺度病虫害预测方法 |
| CN105825177A (zh) * | 2016-03-09 | 2016-08-03 | 西安科技大学 | 基于时相和光谱信息及生境条件的作物病害遥感识别方法 |
| CN109977991A (zh) * | 2019-01-23 | 2019-07-05 | 彭广惠 | 基于高清卫星遥感的林业资源采集方法 |
Non-Patent Citations (2)
| Title |
|---|
| Jingcheng Zhang 等.Continuous wavelet analysis based spectral features selection for winter wheat yellow rust detection.《World Automation Congress 2012》.2012,全文. * |
| 袁琳.小麦病虫害多尺度遥感识别和区分方法研究.《博士电子期刊》.2015,(第10期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111666827A (zh) | 2020-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111666827B (zh) | 一种林业病虫害智能识别方法及系统 | |
| Chong et al. | A review of remote sensing applications for oil palm studies | |
| Key et al. | Landscape assessment (LA) | |
| Zheng et al. | Retrieval of effective leaf area index in heterogeneous forests with terrestrial laser scanning | |
| CN111767865A (zh) | 一种利用航拍影像和激光数据反演红树林生物量的方法 | |
| Sharifi | Estimation of biophysical parameters in wheat crops in Golestan province using ultra-high resolution images | |
| CN110598532B (zh) | 一种树木病虫害监控系统及方法 | |
| CN111950336B (zh) | 基于背包式激光雷达的植被冠层生态水估算方法 | |
| CN113505635A (zh) | 基于光学和雷达的冬小麦与大蒜混种区识别方法及装置 | |
| Han et al. | Extraction of multilayer vegetation coverage using airborne LiDAR discrete points with intensity information in urban areas: A case study in Nanjing City, China | |
| CN115481368A (zh) | 一种基于全遥感机器学习的植被覆盖度估算方法 | |
| CN116883853B (zh) | 基于迁移学习的作物时空信息遥感分类方法 | |
| Dell et al. | Detection of necrotic foliage in a young Eucalyptus pellita plantation using unmanned aerial vehicle RGB photography–a demonstration of concept | |
| CN115170341A (zh) | 利用激光雷达修正小微样的林业资源碳汇精准测算方法 | |
| Song et al. | Estimating effective leaf area index of winter wheat using simulated observation on unmanned aerial vehicle-based point cloud data | |
| CN115453555A (zh) | 一种草地生产力的无人机快速监测方法及系统 | |
| Gómez‐Sapiens et al. | Improving the efficiency and accuracy of evaluating aridland riparian habitat restoration using unmanned aerial vehicles | |
| Chen et al. | 3D model construction and ecological environment investigation on a regional scale using UAV remote sensing | |
| CN113343808A (zh) | 一种基于卫星遥感技术的热带森林资源测量方法 | |
| CN115760885A (zh) | 基于消费级无人机影像的高郁闭度湿地森林参数提取方法 | |
| CN115223062A (zh) | 基于uav数据的桉树人工林区域林分蓄积量时间差校正方法 | |
| Pisek et al. | Assessment of a global leaf area index product from SPOT-4 VEGETATION data over selected sites in Canada | |
| Selin | Modeling of effective leaf area index | |
| CN112966579B (zh) | 一种基于无人机遥感的大面积油茶林快速估产方法 | |
| Morsdorf et al. | The potential of discrete return, small footprint airborne laser scanning data for vegetation density estimation |
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 | ||
| CB02 | Change of applicant information |
Address after: 350000 7th floor, provincial industrial products trading center (commercial building), No. 23, Zhongshan Road, Gulou District, Fuzhou City, Fujian Province Applicant after: Fujian Forestry Investigation and Planning Institute (Fujian wildlife and wetland resources monitoring center) Applicant after: Fuzhou Hengtai Information Technology Co.,Ltd. Address before: 350000 7th floor, provincial industrial products trading center (commercial building), No. 23, Zhongshan Road, Gulou District, Fuzhou City, Fujian Province Applicant before: Fujian Forestry Investigation and Planning Institute (Fujian wildlife and wetland resources monitoring center) Applicant before: Fujian Xingyu Information Technology Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |