CN111738066B - 综合多源遥感信息的网格化晚稻纹枯病生境评价方法 - Google Patents
综合多源遥感信息的网格化晚稻纹枯病生境评价方法 Download PDFInfo
- Publication number
- CN111738066B CN111738066B CN202010392669.5A CN202010392669A CN111738066B CN 111738066 B CN111738066 B CN 111738066B CN 202010392669 A CN202010392669 A CN 202010392669A CN 111738066 B CN111738066 B CN 111738066B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- grid
- habitat
- data
- disease
- 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 91
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 91
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 76
- 235000009566 rice Nutrition 0.000 title claims abstract description 76
- 238000011156 evaluation Methods 0.000 title claims abstract description 15
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 75
- 238000011835 investigation Methods 0.000 claims abstract description 46
- 230000000873 masking effect Effects 0.000 claims abstract description 7
- 230000003287 optical effect Effects 0.000 claims description 44
- 238000000034 method Methods 0.000 claims description 29
- 238000012544 monitoring process Methods 0.000 claims description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 21
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000002310 reflectometry Methods 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000003491 array Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 4
- 238000010238 partial least squares regression Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000036541 health Effects 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 8
- 241000196324 Embryophyta Species 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000003066 decision tree Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 235000013339 cereals Nutrition 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000009331 sowing Methods 0.000 description 3
- 241000238631 Hexapoda Species 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000575 pesticide Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了综合多源遥感信息的网格化水稻纹枯病生境评价方法。仅仅依靠点状气象数据预测较为粗放且无法提供连续面状预测结果。本发明如下:一、选取调查区域并获取其多源遥感数据和调查其病害严重度。二、确定晚稻位置和面积。三、基于多源遥感影像的水稻纹枯病生境特征提取。四、建立病害生境适宜性模型。五、对被测田地进行网格化,并提取水稻纹枯病遥感生境特征。六、利用晚稻分类图对各遥感生境特征进行掩膜,得到晚稻的各个遥感生境因子特征。七、根据模型获取各个网格对应的病害生境适宜性程度。八、得到病害生境适宜性空间分布图。本发明通过调查及研究分析发现绝大多数土传病害的发生与寄主植物生长状态及农田环境等生境条件相关。
Description
技术领域
本发明属于多源卫星遥感数据分析处理和农学技术领域,具体涉及一种综合多源遥感信息的空间网格化水稻纹枯病生境评价方法。
背景技术
农作物病害是我国乃至全球粮食减产的一个重要原因。随着全球气候变化,病害发生频度近年来不断增加,对我国的粮食安全构成严重威胁。因此,病害的发生、蔓延进行有效预测能够对防控工作起到积极的指导作用,并减少农药用量,对我国粮食生产意义重大。目前对于病虫害的预测主要基于点状气象数据进行,但作物病害的发生和发展与不同农田环境、植被营养状况均有密切关系,因此,仅仅依靠气象数据预测较为粗放且无法提供连续面状预测结果。目前利用遥感技术在作物病害生境监测方面具有潜力,本发明提出一种综合运用多源遥感技术和空间网格化分析的作物病害生境监测及适宜性评价方法,能够给出区域尺度作物病害易发生范围的空间分布,为大范围病害预测及防控工作提供重要依据。
发明内容
本发明的目的在于提供一种综合光学遥感、微波遥感和热红外遥感空间网格化的水稻纹枯病生境评价方法。该方法综合多源遥感信息监测病害相关生境因子特征,利用空间网格化各生境因子特征评价病害适宜性,能够在“面”上输出不同区域的病害生境适宜性,为病害精准管理和绿色防控提供方法支持。
本发明的具体步骤如下:
步骤一、选取调查网格并获取其多源遥感数据和调查其病害严重度。
1-1.选取调查网格,并进行病害严重度地面调查
针对被测的水稻田,利用GIS工具生成n个500m×500m的调查网格,n≥20。在每个调查网格内随机选取4-7个样点。
1-2.获取各调查网格的多源遥感数据并进行预处理
采集各调查网格多时相的光学遥感数据、微波遥感数据和热红外遥感地表温度产品数据,并对各调查网格的样点进行病害严重度信息地面调查。病害严重度信息分为健康、轻度、中度、重度,分别对应0级、1级、2级、3级。对光学遥感影像进行光学遥感影像预处理,得到反射率数据。对微波遥感数据进行微波遥感影像预处理,得到VV、VH极化后向散射系数。对热红外遥感地表温度产品数据进行坐标系转化至与光学遥感数据和微波遥感数据坐标系一致。
步骤二、根据归一化植被指数、比值植被指数、光学遥感数据绿色波段进行地物分类,确定晚稻位置和面积。
步骤三、基于多源遥感影像的水稻纹枯病生境特征提取。
3-1.利用穗帽变换对光学遥感影像反射率数据进行处理,获取调查网格的亮度指数、绿度指数、湿度指数。亮度指数、绿度指数、湿度指数作为作物生长状态参数。
3-2.利用微波遥感影像预处理后得到的VV、VH极化后向散射系数作为稻田水层状态参数。
3-3.使用被调查网格晚稻分蘖期至抽穗期连续四个时间段的日间地表温度数据,作为地表温度参数。
3-4.用晚稻种植面积作为模板对作物生长状态参数、稻田水层状态、地表温度参数分别进行掩膜,得到调查网格内晚稻部分对应的各个像元的作物生长状态参数、稻田水层状态、地表温度参数;
3-5分别计算各调查网格内不同像元的作物生长状态参数、稻田水层状态、地表温度参数均值,组成训练用生境因子数组。取各调查网格内各个样点的病害严重度均值,分别作为该调查网格的生境适宜性程度。
步骤四、通过PLS回归方法分别对各调查网格对应的训练生境因子数组与生境适宜性程度之间的关系进行分析,得到病害生境适宜性模型。
步骤五、对被测田地进行网格划分,得到多个监测网格;每个监测网格的大小均为500m×500m。分别提取被测田地的每个监测网格进行多时相的光学遥感数据、微波遥感数据、热红外遥感地表温度产品数据,并对所得数据进行预处理,得到反射率数据、VV、VH极化后向散射系数、连续四个时间段的日间地表温度数据。
步骤六、对步骤五中得到的每个网格的反射率数据、VV、VH极化后向散射系数、连续四个时间段的日间地表温度数据通过步骤三中的方法进行处理、计算、掩膜,得到每个网格的监测用生境因子数组。
步骤七、分别将步骤六获得的各个监测网格的监测用生境因子数组输入步骤四获得的病害生境适宜性模型,得到各个监测网格对应的生境适宜性程度。
作为优选,步骤1-1中,样点为面积不小于15m×15m的水稻连续种植区域。
作为优选,步骤1-2中,光学遥感数据选用晚稻移栽期和分蘖期至抽穗期的2期数据;微波遥感数据选用分蘖期至抽穗期的1期数据;热红外遥感地表温度产品数据选用分蘖期至抽穗期的连续4期数据,每期数据均为八天日均地表温度产品。病害严重度地面调查在晚稻分蘖期至抽穗期进行。
作为优选,所述的光学遥感影像预处理包括辐射定标、大气校正、几何校正和去云操作。
作为优选,所述的微波遥感影像预处理包括辐射校正、地形校正与地理编码、滤波操作。
作为优选,步骤二中提取晚稻位置和面积的过程如下:
计算两期光学遥感数据对应的归一化植被指数NDVI如式(1)所示;
式(1)中,ρNIR、ρRED分别为光学遥感采集到的近红外波段、红光波段的反射率。
将第二期归一化植被指数NDVI大于0.18,且第二期归一化植被指数NDVI与和第一期归一化植被指数NDVI的差值绝对值大于0.3的像元划分为晚稻。
作为优选,步骤七执行后,根据不同监测网格的生境适宜性程度的不同,对不同网格标注不同的颜色,得到病害生境适宜性空间分布图。
本发明具有的有益效果是:
1.本发明考虑区域内因不同地块间生育期、栽培管理等差异引起的病害发生差异,将被测田地以500m×500m的网格进行划分,能够得到精准的病害生境适宜性空间分布情况。此外,500m×500m的网格相比于其他尺寸,对生境适宜性程度的检测精度有显著优势。
2.本发明利用多源遥感信息监测寄主生长状态、稻田水层状态、地表温度等病害生境特征,实现了全面地检测区域内的生境适宜性程度。
3.本发明利用网格化方法在区域尺度上生成空间连续的评价病害适宜性程度。
4.本发明能够在有效控制病害流行的同时减少农药用量,提高防控效率。
附图说明
图1为本发明步骤二中划分中高分辨率卫星影像的决策树流程图;
图2a为验证过程中研究区域监测得到的2018年病害生境适宜性空间分布图;
图2b为验证过程中研究区域监测得到的2019年病害生境适宜性空间分布图;
图3a为本发明2018年水稻纹枯病生境适宜性评价结果与实际情况对比柱状图;
图3b为本发明2019年水稻纹枯病生境适宜性评价结果与实际情况对比柱状图。
具体实施方式
以下结合附图对本发明作进一步说明。
如图1所示,综合多源遥感信息的网格化水稻纹枯病生境评价方法,具体如下:
步骤一、选取调查网格并获取其多源遥感数据和调查其病害严重度,从而建立模型。
1-1.选取调查网格,并进行病害严重度地面调查
在被测的水稻田中选取n个调查网格,n≥20。调查网格的大小为500m×500m。在每个调查网格内随机选取4-7个样点。样点为面积不小于15m×15m的水稻连续种植区域。
1-2.获取调查网格的多源遥感数据获取并进行预处理
由于水稻病害的发生与植被生长状态、稻作类型、稻田水层状态和稻田地表温度等相关,故利用遥感技术监测水稻纹枯病生境。按照病害空间网格化生境适宜性评价的需要,采集各调查网格多时相的光学遥感数据、微波遥感数据和热红外遥感地表温度产品数据,并对各调查网格进行病害严重度地面调查。鉴于水稻病害普遍在水稻分蘖期至抽穗期发生和流行,因此,光学遥感数据选用晚稻移栽期和分蘖期至抽穗期的2期数据;微波遥感数据选用分蘖期至抽穗期的1期数据;热红外遥感地表温度产品数据选用分蘖期至抽穗期的连续4期数据,每期数据均为八天日均地表温度产品。热红外遥感地表温度产品数据表示对内的温度均值。病害严重度地面调查在晚稻分蘖期至抽穗期进行。
病害严重度分为健康、轻度、中度、重度,分别对应数值0、1、2、3。病害严重度的调查方法和等级参考稻纹枯病测报调查规范(GB/T 15791-2011)中的严重度分级标准,严重度等级按照以下规则记录:全株无病记为健康,基部叶片叶鞘发病记为轻度,第三叶片以下各叶鞘或叶片发病记为中度,第二叶片以下各叶鞘或叶片发病记为重度。
光学遥感数据根据多数水稻病害发生发展进程较快的特点,选用重访周期短的中高分辨率卫星影像(如TM-8和Sentinel-2数据),卫星影像的波段需覆盖近红外、红外、绿波段。分别获取各调查网格内晚稻移栽期和分蘖期至抽穗期的两景光学遥感影像。对光学遥感影像进行光学遥感影像预处理,具体包括辐射定标、大气校正、几何校正和去云操作;预处理后,两景光学遥感影像被转化为带准确地理坐标信息的反射率数据。
微波遥感数据选用各调查网格在分蘖期至抽穗期的干涉宽幅模式地距影像数据。对干涉宽幅模式地距影像数据进行微波遥感影像预处理,具体包括辐射校正、地形校正与地理编码、滤波操作。预处理后,干涉宽幅模式地距影像数据被转化为VV、VH极化后向散射系数。
热红外遥感地表温度产品数据选用1km分辨率的MOD11A2数据,获取四个时相的连续8天平均日间LST产品。热红外遥感地表温度产品经过预处理,具体包括投影转换,将数据投影转换为基于WGS-84椭球体的UTM投影,与光学遥感数据和微波遥感数据坐标系保持一致。
步骤二、基于多时相光学卫星遥感影像的地物分类及晚稻面积提取
由于水稻在单个时期容易与影像中的其他作物或植被混淆,因此考虑水稻生长过程的变化特征,运用水稻移栽和拔节阶段光谱时序特性和决策树方法进行水稻面积提取。具体操作如下:根据归一化植被指数、比值植被指数、光学遥感数据绿色波段检测绿色作物的特性,结合水稻在不同生育期所表现出的不同生长特性实现地物分类以及晚稻位置、面积提取。
其中,归一化植被指数NDVI如式(1)所示,比值植被指数RVI如式(2)所示。
式(1)和(2)中,ρNIR、ρRED分别为光学遥感采集到的近红外波段、红光波段的反射率。
通过式(1)和(2),提取第一期光学遥感数据对应的比值植被指数RVI和归一化植被指数NDVI;第二期光学遥感数据对应的绿色波段光谱特征值和归一化植被指数NDVI。
将中高分辨率卫星影像划分为水体、城市、晚稻、中稻和其他绿色植被。划分所用的决策树如图1所示;图1中Jun.NDVI表示第一期归一化植被指数,Jul.NDVI表示第二期归一化植被指数,Jun.RVI表示第一期比值植被指数,Jul.Green band表示第二期绿色波段光谱特征值;通过对比高分卫星影像数据与实验调查数据进行质量控制,分类精度达到95%以上。分类所用决策树如图1。划分规则具体如下:
将第二期归一化植被指数NDVI小于或等于0的像元划分为水体;将第二期归一化植被指数NDVI在区间(0,0.18]范围内的像元划分为城市;在非水体、非城市的像元中,将第二期归一化植被指数NDVI与和第一期归一化植被指数NDVI的差值绝对值大于0.3的像元划分为晚稻;将第二期归一化植被指数NDVI与和第一期归一化植被指数NDVI的差值绝对值小于或0.3,第一期比值植被指数RVI小于或等于2.6,且第二期绿色波段值小于或等于900的像元划分为中稻;其余像元均划分为其他绿色植被。
步骤三、基于多源遥感影像的水稻纹枯病生境特征提取
3-1.利用穗帽变换对光学遥感影像反射率数据进行处理,获取各调查网格的土壤亮度指数、植被绿度指数、土壤湿度指数,用于反映病虫害作物生境状况。所述的穗帽变换具体采用Sentinel-2穗帽变换,其参数根据Sentinel-2影像的穗帽变换确定,穗帽变换时所用的穗帽变换系数矩阵内各参数如表1。运用ENVI软件的波段计算工具,将分蘖期至抽穗期光学影像预处理后得到的反射率数据中的波段矩阵与穗帽变换系数矩阵相乘,得到亮度指数、绿度指数、湿度指数。亮度指数、绿度指数、湿度指数作为作物生长状态参数。
表1 Sentinel-2穗帽变换中所用穗帽变换系数矩阵内各个参数
3-2.利用微波遥感影像预处理后得到的VV、VH极化后向散射系数作为稻田水层状态生境因子。稻田水层状态生境因子用来表征被调查网格的稻田水层状态参数。
3-3.使用被调查网格晚稻分蘖期至抽穗期连续四个时间段的日间地表温度数据,作为地表温度生境因子。地表温度用来表征被调查网格的稻田地表温度参数。
3-4.利用ENVI5.3软件的掩膜工具将用步骤二中通过决策树方法提取的晚稻种植面积作为模板对作物生长状态参数、地表温度参数、稻田水层状态参数分别进行掩膜,得到被调查网格晚稻部分的各个像元的作物生长状态参数、稻田水层状态、地表温度参数。
3-5.用Arc Map10.0软件的统计工具统计被调查网格的各网格内晚稻范围内各个像元的作物生长状态参数均值、作物生长状态因子均值、稻田水层状态均值、地表温度参数均值,组成训练用生境因子数组。同时,用Arc Map10.0软件的统计工具对格网格内样点的病害严重度取均值,作为该调查网格的生境适宜性程度。
步骤四、通过PLS回归方法对各网格对应的训练用生境因子数组与病害严重度之间的关系进行分析,得到病害生境适宜性模型。
步骤五、对被测田地进行网格划分,每个网格的大小均为500m×500m。分别提取被测田地的每个网格进行多时相的光学遥感数据(分蘖期至抽穗期的1期数据)、微波遥感数据(分蘖期至抽穗期的1期数据)、热红外遥感地表温度产品数据(分蘖期至抽穗期的连续4期数据),并对所得数据进行与步骤一中相同的预处理,得到反射率数据、VV、VH极化后向散射系数、连续四个时间段的日间地表温度数据。
步骤六、对步骤五中得到的每个网格的反射率数据、VV、VH极化后向散射系数、连续四个时间段的日间地表温度数据通过步骤三中的方法进行处理、计算、掩膜,得到每个网格的各个生境因子特征。所得一个网格的各生境因子特征组成该网格对应的监测用生境因子数组。
步骤七、分别将步骤六获得的不同网格的监测用生境因子数组输入步骤四获得的病害生境适宜性模型,得到各个网格对应的生境适宜性程度。
步骤八、在被测田地中根据病害生境适宜性程度的不同,将不同的网格标注为不同的颜色,得到病害生境适宜性空间分布图。
为验证本发明的生境检测效果,进行以下试验:
选取江苏省扬州市为研究区域,研究区域的经纬度范围分别(119°14′-119°30′E,32°15′-32°41′N)。水稻为研究区的主要种植作物,根据水稻播期一般分为早播、晚播。高温高湿的气候条件是水稻纹枯病发生流行的主要条件,该区域属于北亚热带湿润气候区,该地区在晚播水稻的关键生育期内温、湿度较高,容易爆发水稻纹枯病,现阶段该地区纹枯病发生较重,且发生变异较大。
调查时间为2018、2019年8月中上旬。水稻纹枯病严重度调查选取水稻连续种植区域较大的地块进行,以500m*500m为一个调查网格,每个区域内随机调查2-7个点,将500m*500m区域内所有调查点病害严重度的均值定义为该区域的整体病害严重度。
光学遥感数据下载自欧洲航天局(https://scihub.copernicus.eu/)重访周期为5天。两期数据获取时间分别为2018年6月6日、7月18日;
微波遥感数据采用与Sentinel-2数据同一时期的Sentinel-1干涉宽幅模式地距影像(IW GRD)数据,下载自欧洲航天局(https://scihub.copernicus.eu/)重访周期为6天,获取时间分别为2018年7月9日、2019年7月16日。
热红外遥感地表温度产品数据采用与光学遥感数据同一时期的MOD11A2数据(MODIS地表温度产品,地面分辨率为1km,由每日地表温度/发射率产品(MOD11A1)合成,存储的是8天中晴好天气下的地表温度/发射率的平均值),获取时间分别为2018年7月12日、7月20日、7月28日、8月5日。
图2a和2b分别为研究区域监测得到的2018年、2019年病害生境适宜性空间分布图;及研究区域在2018年、2019年的真实病害生境适宜性空间分布图(左侧为2018年,右侧为2019年);可以看出检测结果和实际结果基本保持一致。水稻纹枯病生境适宜性评价结果与实际发生情况的对比柱状图如图3a和3b所示(图3a为2018年,图3b为2019年),从整体上看,评价结果与实际发生情况基本符合。
以下对本发明建立的病害生境适宜性模型的可靠性进行分析。
为体现以田块为单元农田管理的差别,首先将连续的作物种植区域划分若干个田间小气候均一的农田管理单元,以各管理单元为基本单位进行病害生境适宜性评价。将光学影像的NDVI作为输入波段,基于面向对象分割方法在晚稻种植区域将图像分割为小地块,生成农田管理单元的矢量边界。以实际调查病害严重度数据作为对应地块的生境适应性程度,将各遥感生境特征(作物生长状态、稻田水层状态、稻田地表温度)重采样到光学遥感影像分辨率(10m×10m)。通过PLS回归方法对遥感生境因子特征与病害发生之间的关系进行分析,将地块尺度的遥感生境特征(作物生长状态、稻田水层状态、稻田地表温度)作为自变量,地块尺度的病害严重度作为因变量,分析得到地块尺度的病害生境适宜性模型,对应的决定系数R2为14%,评价结果不理想。
参照前述的方法以500m×500m作为网格尺度,所得病害生境适宜性模型对应的决定系数R2为59%;可见,本申请中选用500m×500m的网格尺度这一技术方案,所得生境适宜性分析结果具有显著的优益性,起到了意想不到的技术效果,对于病害防控具有重于参考意义。
Claims (3)
1.综合多源遥感信息的网格化晚稻纹枯病生境评价方法,其特征在于:步骤一、选取调查网格并获取其多源遥感数据和调查其病害严重度;
1-1.选取调查网格,并进行病害严重度地面调查;
针对被测的水稻田生成n个500m×500m的调查网格,n≥20;在每个调查网格内选取多个样点;样点为面积不小于15m×15m的水稻连续种植区域;
1-2.获取各调查网格的多源遥感数据并进行预处理;
采集各调查网格多时相的光学遥感数据、微波遥感数据和热红外遥感地表温度产品数据,并对各调查网格的样点进行病害严重度信息地面调查;病害严重度信息分为健康、轻度、中度、重度,分别对应0级、1级、2级、3级;对光学遥感影像进行光学遥感影像预处理,得到反射率数据;对微波遥感数据进行微波遥感影像预处理,得到VV、VH极化后向散射系数;对热红外遥感地表温度产品数据进行坐标系转化至与光学遥感数据和微波遥感数据坐标系一致;
光学遥感数据选用晚稻移栽期和分蘖期至抽穗期的2期数据;微波遥感数据选用分蘖期至抽穗期的1期数据;热红外遥感地表温度产品数据选用分蘖期至抽穗期的连续4期数据,每期数据均为八天日均地表温度产品;病害严重度地面调查在晚稻分蘖期至抽穗期进行;
步骤二、根据归一化植被指数、比值植被指数、光学遥感数据绿色波段进行地物分类,确定晚稻位置和面积;
提取晚稻位置和面积的过程如下:
计算两期光学遥感数据对应的归一化植被指数NDVI如式(1)所示;
式(1)中,ρNIR、ρRED分别为光学遥感采集到的近红外波段、红光波段的反射率;
将第二期归一化植被指数NDVI大于0.18,且第二期归一化植被指数NDVI与和第一期归一化植被指数NDVI的差值绝对值大于0.3的像元划分为晚稻;
步骤三、基于多源遥感影像的晚稻纹枯病生境特征提取;
3-1.利用穗帽变换对光学遥感影像反射率数据进行处理,获取调查网格的亮度指数、绿度指数、湿度指数;亮度指数、绿度指数、湿度指数作为作物生长状态参数;
3-2.利用微波遥感影像预处理后得到的VV、VH极化后向散射系数作为稻田水层状态参数;
3-3.使用被调查网格晚稻分蘖期至抽穗期连续四个时间段的日间地表温度数据,作为地表温度参数;
3-4.用晚稻种植面积作为模板对作物生长状态参数、稻田水层状态、地表温度参数分别进行掩膜,得到调查网格内晚稻部分对应的各个像元的作物生长状态参数、稻田水层状态、地表温度参数;
3-5分别计算各调查网格内不同像元的作物生长状态参数、稻田水层状态、地表温度参数均值,组成训练用生境因子数组;取各调查网格内各个样点的病害严重度均值,分别作为该调查网格的生境适宜性程度;
步骤四、通过PLS回归方法分别对各调查网格对应的训练生境因子数组与生境适宜性程度之间的关系进行分析,得到病害生境适宜性模型;
步骤五、对被测田地进行网格划分,得到多个监测网格;每个监测网格的大小均为500m×500m;分别提取被测田地的每个监测网格进行多时相的光学遥感数据、微波遥感数据、热红外遥感地表温度产品数据,并对所得数据进行预处理,得到反射率数据、VV、VH极化后向散射系数、连续四个时间段的日间地表温度数据;
步骤六、对步骤五中得到的每个网格的反射率数据、VV、VH极化后向散射系数、连续四个时间段的日间地表温度数据通过步骤三中的方法进行处理、计算、掩膜,得到每个网格的监测用生境因子数组;
步骤七、分别将步骤六获得的各个监测网格的监测用生境因子数组输入步骤四获得的病害生境适宜性模型,得到各个监测网格对应的生境适宜性程度;
步骤七执行后,根据不同监测网格的生境适宜性程度的不同,对不同网格标注不同的颜色,得到病害生境适宜性空间分布图。
2.根据权利要求1所述的综合多源遥感信息的网格化晚稻纹枯病生境评价方法,其特征在于:所述的光学遥感影像预处理包括辐射定标、大气校正、几何校正和去云操作。
3.根据权利要求1所述的综合多源遥感信息的网格化晚稻纹枯病生境评价方法,其特征在于:所述的微波遥感影像预处理包括辐射校正、地形校正与地理编码、滤波操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010392669.5A CN111738066B (zh) | 2020-05-11 | 2020-05-11 | 综合多源遥感信息的网格化晚稻纹枯病生境评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010392669.5A CN111738066B (zh) | 2020-05-11 | 2020-05-11 | 综合多源遥感信息的网格化晚稻纹枯病生境评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111738066A CN111738066A (zh) | 2020-10-02 |
CN111738066B true CN111738066B (zh) | 2024-04-02 |
Family
ID=72647037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010392669.5A Active CN111738066B (zh) | 2020-05-11 | 2020-05-11 | 综合多源遥感信息的网格化晚稻纹枯病生境评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111738066B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348086B (zh) * | 2020-11-06 | 2021-09-03 | 中国科学院西北生态环境资源研究院 | 一种基于多源数据的物种生境质量模拟方法 |
CN112580562B (zh) * | 2020-12-25 | 2023-04-07 | 武汉禾大科技有限公司 | 一种农田地表温度提取方法、存储介质及系统 |
CN113310989B (zh) * | 2021-04-26 | 2024-05-14 | 洛阳农林科学院 | 一种大豆症青严重程度的评估方法 |
CN113361350A (zh) * | 2021-05-25 | 2021-09-07 | 东南大学 | 一种地表生境因子量化解析方法 |
CN114202691B (zh) * | 2021-12-09 | 2022-10-04 | 广东省科学院广州地理研究所 | 基于遥感图像的水稻识别方法、装置以及设备 |
CN116778343B (zh) * | 2023-08-15 | 2023-11-14 | 安徽迪万科技有限公司 | 一种用于综合识别的目标图像特征提取方法 |
Citations (11)
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 |
CN103969632A (zh) * | 2014-03-26 | 2014-08-06 | 北京农业信息技术研究中心 | 一种利用雷达遥感数据监测小麦倒伏的方法及装置 |
CN104062238A (zh) * | 2014-06-20 | 2014-09-24 | 江苏省农业科学院 | 大田冬小麦拔节期纹枯病遥感监测方法 |
CN105760978A (zh) * | 2015-07-22 | 2016-07-13 | 北京师范大学 | 一种基于温度植被干旱指数(tvdi)的农业旱灾等级监测方法 |
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 |
CN107862255A (zh) * | 2017-10-23 | 2018-03-30 | 交通运输部科学研究院 | 一种基于微波遥感和光学遥感技术的湿地信息提取与生态敏感性评价的方法 |
CN108681652A (zh) * | 2018-06-04 | 2018-10-19 | 中国科学院遥感与数字地球研究所 | 一种基于高分三号数据的植被覆盖区土壤水分反演方法 |
CN109345555A (zh) * | 2018-10-15 | 2019-02-15 | 中科卫星应用德清研究院 | 基于多时相多源遥感数据进行水稻识别的方法 |
CN109378031A (zh) * | 2018-11-26 | 2019-02-22 | 杭州电子科技大学 | 一种基于植保和气象信息结合的水稻纹枯病预测方法 |
CN109581372A (zh) * | 2018-12-10 | 2019-04-05 | 北京航天泰坦科技股份有限公司 | 一种生态环境遥感监测方法 |
CN110211147A (zh) * | 2019-05-27 | 2019-09-06 | 杭州电子科技大学 | 一种基于成像高光谱分析的水稻纹枯病病斑提取方法 |
-
2020
- 2020-05-11 CN CN202010392669.5A patent/CN111738066B/zh active Active
Patent Citations (11)
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 |
CN103969632A (zh) * | 2014-03-26 | 2014-08-06 | 北京农业信息技术研究中心 | 一种利用雷达遥感数据监测小麦倒伏的方法及装置 |
CN104062238A (zh) * | 2014-06-20 | 2014-09-24 | 江苏省农业科学院 | 大田冬小麦拔节期纹枯病遥感监测方法 |
CN105760978A (zh) * | 2015-07-22 | 2016-07-13 | 北京师范大学 | 一种基于温度植被干旱指数(tvdi)的农业旱灾等级监测方法 |
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 |
CN107862255A (zh) * | 2017-10-23 | 2018-03-30 | 交通运输部科学研究院 | 一种基于微波遥感和光学遥感技术的湿地信息提取与生态敏感性评价的方法 |
CN108681652A (zh) * | 2018-06-04 | 2018-10-19 | 中国科学院遥感与数字地球研究所 | 一种基于高分三号数据的植被覆盖区土壤水分反演方法 |
CN109345555A (zh) * | 2018-10-15 | 2019-02-15 | 中科卫星应用德清研究院 | 基于多时相多源遥感数据进行水稻识别的方法 |
CN109378031A (zh) * | 2018-11-26 | 2019-02-22 | 杭州电子科技大学 | 一种基于植保和气象信息结合的水稻纹枯病预测方法 |
CN109581372A (zh) * | 2018-12-10 | 2019-04-05 | 北京航天泰坦科技股份有限公司 | 一种生态环境遥感监测方法 |
CN110211147A (zh) * | 2019-05-27 | 2019-09-06 | 杭州电子科技大学 | 一种基于成像高光谱分析的水稻纹枯病病斑提取方法 |
Non-Patent Citations (4)
Title |
---|
Influence of landscape pattern on epidemic of rice sheath blight disease at regional scale;Xuexue Zhang 等;《2018 7th International Conference on Agro-geoinformatics (Agro-geoinformatics)》;1-5 * |
Monitoring Rice Phenology Based on Backscattering Characteristics of Multi-Temporal RADARSAT-2 Datasets;Ze He 等;《Remote Sensing》;第10卷(第340期);摘要,第4.2节 * |
作物病虫害预测机理与方法研究进展;张雪雪 等;《中国农业科技导报》;第21卷(第5期);110-120 * |
长江中下游典型地区水稻纹枯病生境评价多源数据集;田洋洋 等;《中国科学数据》;第4卷(第4期);引言,第1节,第5节,表1,表3 * |
Also Published As
Publication number | Publication date |
---|---|
CN111738066A (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111738066B (zh) | 综合多源遥感信息的网格化晚稻纹枯病生境评价方法 | |
US11751499B2 (en) | Computer-implemented methods, computer readable medium and systems for a precision agriculture platform that detects disease in crops | |
US10838936B2 (en) | Computer-implemented methods, computer readable medium and systems for generating an orchard data model for a precision agriculture platform | |
Duan et al. | Remote estimation of grain yield based on UAV data in different rice cultivars under contrasting climatic zone | |
Azabdaftari et al. | Soil salinity mapping using multitemporal Landsat data | |
Guo et al. | Integrating spectral and textural information for identifying the tasseling date of summer maize using UAV based RGB images | |
US10748081B2 (en) | Computer-implemented methods, computer readable medium and systems for a precision agriculture platform that identifies generic anomalies in crops | |
CN109711102B (zh) | 一种作物灾害损失快速评估方法 | |
US10395355B2 (en) | Computer-implemented methods, computer readable medium and systems for a precision agriculture platform | |
US10410334B2 (en) | Computer-implemented methods, computer readable medium and systems for a precision agriculture platform with a satellite data model | |
US10943173B2 (en) | Computer-implemented methods, computer readable medium and systems for generating a satellite data model for a precision agriculture platform | |
Liu et al. | Estimating potato above-ground biomass by using integrated unmanned aerial system-based optical, structural, and textural canopy measurements | |
Choudhary et al. | Random Forest for rice yield mapping and prediction using Sentinel-2 data with Google Earth Engine | |
Nguyen et al. | Medium-resolution multispectral satellite imagery in precision agriculture: Mapping precision canola (Brassica napus L.) yield using Sentinel-2 time series | |
CN114062439B (zh) | 一种利用时间序列遥感影像联合估算土壤剖面盐分的方法 | |
Raza et al. | Comparative geospatial approach for agricultural crops identification in interfluvial plain-a case study of Sahiwal district, Pakistan | |
Rulinda et al. | Image mining for drought monitoring in eastern Africa using Meteosat SEVIRI data | |
WO2023131949A1 (en) | A versatile crop yield estimator | |
Mongkolnithithada et al. | Rice Yield Estimation Based on Machine Learning Approaches using MODIS 250 m Data | |
Sarron et al. | Assessing production gaps at the tree scale: definition and application to mango (Mangifera indica L.) in West Africa | |
Zhao et al. | Towards an Annually Updated Oil Palm Age Database (OPAD) with Multimodal Remote Sensing Features: Design and Preliminary Result | |
Kara et al. | Assessing the Impact of Beet Webworm Moths on Sunflower Fields Using Multitemporal SENTINEL-2 Satellite Imagery and Vegetation Indices | |
Biswal et al. | Spatialisation of rice growth and yield model using optical and SAR derived biophysical parameters | |
Zhao et al. | Assessing the soil fertility using landsat TM Imagery and Geospatial Statistical Analysis | |
Bao et al. | A Fine Digital Soil Mapping by Integrating Remote Sensing-Based Process Model and Deep Learning Method Over the Past Four Decades |
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 |