CN112183273A - 一种基于光谱信息及气象数据的小麦条锈病监测方法 - Google Patents
一种基于光谱信息及气象数据的小麦条锈病监测方法 Download PDFInfo
- Publication number
- CN112183273A CN112183273A CN202010988054.9A CN202010988054A CN112183273A CN 112183273 A CN112183273 A CN 112183273A CN 202010988054 A CN202010988054 A CN 202010988054A CN 112183273 A CN112183273 A CN 112183273A
- Authority
- CN
- China
- Prior art keywords
- wheat
- planting area
- index
- area
- stripe rust
- 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
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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种基于光谱信息及气象数据的小麦条锈病监测方法,包括:获取待监测区域的时相遥感影像;从时相遥感影像中获得小麦种植区域的影像;获取小麦种植区域在第一预设时间的第一植被光谱指数和第二预设时间的第二植被光谱指数,对小麦种植区域的第一植被光谱指数和第二植被光谱指数进行归一化计算,得到小麦种植区域归一化植被光谱指数变化值;获取小麦种植区域在预设时间段内的气象信息数据;将小麦种植区域的归一化植被光谱指数变化值和气象信息数据输入到构建的小麦条锈病遥感监测模型中,获得小麦种植区域的小麦病情指数,从而判断出小麦种植区域的小麦条锈病监测结果。本发明可以大范围判断各个小麦区域中小麦条锈病的染病情况。
Description
技术领域
本发明涉及小麦的监测技术领域,具体涉及一种基于光谱信息及气象数据的小麦条锈病监测方法。
背景技术
在小麦生长过程中病害的种类很多,其中爆发性强、危害性大病害之一为小麦条锈病,是我国小麦最重要的病害之一和主要防治对象。而适宜的病害流行环境条件是发病的诱因,导致大面积流行成灾,危害小麦的生长及产量。目前对于小麦条锈病的监测技术仍十分匮乏,无法很好地获取各个小麦区域中小麦条锈病的染病情况。
发明内容
本发明的目的在于克服现有技术中的缺点与不足,提供一种基于光谱信息及气象数据的小麦条锈病监测方法。
本发明的一个实施例提供一种基于光谱信息及气象数据的小麦条锈病监测方法,包括:
获取待监测区域的时相遥感影像;
从时相遥感影像中获得小麦种植区域的影像;
分别获取所述小麦种植区域在第一预设时间的第一植被光谱指数和第二预设时间的第二植被光谱指数,对所述小麦种植区域的所述第一植被光谱指数和第二植被光谱指数进行归一化差值计算,得到所述小麦种植区域归一化植被光谱指数变化值;
获取所述小麦种植区域在预设时间段内的气象信息数据;
将所述小麦种植区域的归一化植被光谱指数变化值和气象信息数据输入到构建的小麦条锈病遥感监测模型中,获得所述小麦种植区域的小麦病情指数;
根据所述小麦种植区域的小麦病情指数,获得小麦种植区域的小麦条锈病监测结果。
相对于现有技术,本发明的基于光谱信息及气象数据的小麦条锈病监测方法通过收集的数据构建小麦条锈病遥感监测模型,然后获取小麦种植区域的植被光谱指数变化值和气象信息数据并输入到所述小麦条锈病遥感监测模型中,从而计算出小麦病情指数的数值,根据所述小麦病情指数的数值判断所述小麦种植区域的小麦是否感染了小麦条锈病。本发明的基于光谱信息及气象数据的小麦条锈病监测方法可以大范围地判断各个小麦区域中小麦条锈病的染病情况,用户可以根据所述染病情况作出应对措施,以防止所述小麦条锈病蔓延。
进一步,所述小麦条锈病遥感监测模型的构建步骤,包括:
获取所述待监测区域的小麦样本;所述小麦样本中的小麦状态包括健康状态和感染了小麦条锈病的染病状态;
分别获取所述小麦样本在预设的第一采样时间的第一植被光谱指数和获取所述小麦样本预设的第二采样时间的第二植被光谱指数;
对所述小麦样本的第一植被光谱指数和第二植被光谱指数进行归一化差值计算,得到所述小麦样本的归一化植被光谱指数变化值;
获取所述小麦样本在预设时间段内的生长环境的气象信息数据;
以所述小麦样本的归一化植被光谱指数变化值和的气象信息数据作为输入,以对应的所述小麦样本的小麦病情指数作为输出,通过极端梯度提升算法构建出所述小麦条锈病监测模型;其中,所述小麦样本的小麦病情指数用于表征所述小麦样本的小麦状态。
进一步,所述以所述小麦样本的归一化植被光谱指数变化值和的气象信息数据作为输入,以对应的所述小麦样本的小麦病情指数作为输出,通过极端梯度提升算法构建出所述小麦条锈病监测模型,具体包括以下步骤:
利用偏最小二乘变量重要性准则,计算所述小麦样本的归一化植被光谱指数变化值相对小麦样本的小麦病情指数的第一偏最小二乘变量投影值,将所述第一偏最小二乘变量投影值大于第一预设值的植被光谱指数变化值作为小麦样本第一重要特征;
利用偏最小二乘变量重要性准则,计算所述气象信息数据相对小麦样本的小麦病情指数的第二偏最小二乘变量投影值,将所述第二偏最小二乘变量投影值大于第二预设值的气象信息数据作为小麦样本第二重要特征;
以所述小麦样本的第一重要特征和第二重要特征作为输入,以对应的所述小麦样本的小麦病情指数作为输出,通过极端梯度提升算法构建所述小麦条锈病监测模型;
所述将所述小麦种植区域的归一化植被光谱指数变化值和气象信息数据输入到构建的小麦条锈病遥感监测模型中,获得所述小麦种植区域小麦病情指数,具体包括以下步骤:
利用偏最小二乘变量重要性准则,计算所述小麦种植区域的归一化植被光谱指数变化值相对小麦种植区域的小麦病情指数的第一偏最小二乘变量投影值,将所述第一偏最小二乘变量投影值大于第一预设值的植被光谱指数变化值作为小麦种植区域第一重要特征;
利用偏最小二乘变量重要性准则,计算所述气象信息数据相对小麦种植区域的小麦病情指数的第二偏最小二乘变量投影值,将所述第二偏最小二乘变量投影值大于第二预设值的气象信息数据作为小麦种植区域第二重要特征;
将所述小麦种植区域第一重要特征和小麦种植区域第二重要特征输入小麦条锈病遥感监测模型中,输出所述小麦种植区域的小麦病情指数。构建所述小麦条锈病监测模型时,选出与小麦病情的关联性高的输入参数,减少输入参数的数量并提高所述小麦条锈病监测模型的准确性。
进一步,所述小麦种植区域归一化植被光谱指数变化值为:
其中,nVIchange表示所述小麦种植区域归一化植被光谱指数变化值,是两个时相中植被指数特征的变化值,所述两个时相为第一预设时间和第二预设时间;VIbefore表示所述小麦种植区域的第一植被光谱指数,VIafter表示所述小麦种植区域的第二植被光谱指数。
进一步,在所述从时相遥感影像中获得小麦种植区域的影像之前,还对所述时相遥感影像进行辐射校正和大气校正。
进一步,第一预设时间和第一采样时间的差值在预设的第一监测时间差范围内,所述第二预设时间和第二采样时间的差值在预设的第二监测时间差范围内。降低时间差异,提高监测结果的准确性
进一步,所述从时相遥感影像中选取小麦种植区域的影像,具体包括以下步骤:
根据所述时相遥感影像的光谱数据,计算所述待监测区域的归一化植被指数;
筛选出所述待监测区域中归一化植被指数大于预设的第一阈值的区域作为第一选择区域;
建立所述第一选择区域的数字高程模型,将所述数字高程模型中地面高程小于预设的第二阈值的区域作为第二选择区域;
获取所述时相遥感影像的近红外光谱指数,将所述第二选择区域中近红外光谱指数小于预设的第三阈值的区域作为所述小麦种植区域,从所述时相遥感影像中选取所述小麦种植区域的影像。准确地从所述时相遥感影像中获取所述小麦种植区域。
进一步,所述获取在预设时间段内所述小麦种植区域的气象信息数据,具体包括以下步骤:
获取所述小麦种植区域内的各气象站点在所述预设时间段内的每日地表气象数据;
利用反距离加权法对所述每日地表气象数据进行空间插值,得到连续的所述每日地表气象信息数据。
本发明的一个实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述内容所述方法的步骤。
本发明的一个实施例还提供一种计算机设备,其特征在于:包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述内容所述方法的步骤。
为了能更清晰的理解本发明,以下将结合附图说明阐述本发明的具体实施方式。
附图说明
图1为本发明一个实施例的基于光谱信息及气象数据的小麦条锈病监测方法的流程图。
图2为本发明一个实施例的基于光谱信息及气象数据的小麦条锈病监测方法的步骤S2的流程图。
图3为本发明一个实施例的小麦条锈病遥感监测模型的构建流程图。
图4为本发明一个实施例的小麦条锈病遥感监测模型的构建步骤B5的流程图。
图5为本发明一个实施例的基于光谱信息及气象数据的小麦条锈病监测方法的步骤S5的流程图。
具体实施方式
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。
请参阅图1,其是本发明一个实施例的基于光谱信息及气象数据的小麦条锈病监测方法的流程图,该基于光谱信息及气象数据的小麦条锈病监测方法,可以大范围地判断各个小麦区域中小麦条锈病的染病情况,有利于所述小麦条锈病的防控工作,包括以下步骤:
S1:获取待监测区域的时相遥感影像;
所述待监测区域为设定的一片地表区域,包括某一省、市、区或镇的区域,在本实施例中,所述待监测区域为四川省;具体地,通过Sentinel-2获取所述待监测区域的时相遥感影像。
S2:从时相遥感影像中获得小麦种植区域的影像;
优选地,在执行步骤S2之前,还对所述时相遥感影像进行辐射校正和大气校正。
请参阅图2,所述步骤S2具体包括以下步骤:
S201:根据所述时相遥感影像的光谱数据,计算所述待监测区域的归一化植被指数;
S202:筛选出所述待监测区域中归一化植被指数大于预设的第一阈值的区域作为第一选择区域。
其中,所述第一阈值为所述待监测区域中小麦种植地的归一化植被指数的最小值,例如在本实施例中,所述待监测区域为四川省,所述第一阈值为0.55,因此所述待监测区域中归一化植被指数小于0.55的区域为非植被地或部分植被非小麦区域。
S203:建立所述第一选择区域的数字高程模型,将所述数字高程模型中地面高程小于预设的第二阈值的区域作为第二选择区域;
通过所述数字高程模型,直观地获取到所述第一选择区域的高程数值,由于在同一地区中,高程数值较大的区域一般为山林地,如四川省为例,所述第二阈值为1400m,因为在四川省中,高程数值大于或等于1400m的一般为山林地。
S204:获取所述时相遥感影像的近红外光谱指数,将所述第二选择区域中近红外光谱指数小于预设的第三阈值的区域作为所述小麦种植区域,从所述时相遥感影像中选取所述小麦种植区域的影像。
通过所述第三阈值区分草地和作物区域,以四川省为例,所述第三阈值为0.44,因为在四川省中,草地和作物区域在近红外光谱指数上的区分阈值为0.44,而近红外光谱指数小于所述第三阈值的为作物区域。
S3:分别获取所述小麦种植区域在第一预设时间的第一植被光谱指数和第二预设时间的第二植被光谱指数,对所述小麦种植区域的所述第一植被光谱指数和第二植被光谱指数进行归一化差值计算,得到所述小麦种植区域归一化植被光谱指数变化值。
其中,所述第二预设时间晚于预设第一预设时间,所述第一植被光谱指数和第二植被光谱指数包括但不限于:归一化植被指数(NDVI)、绿度归一化植被指数(GNDVI)、三角植被指数(TVI)、增强型植被指数(EVI)、再归一化植被指数(RDVI)、相对生长率(RGR)、可见绿光大气阻抗植被指数(VARIgreen)、红边归一化植被指数(NDVIre)、标准化红边指数(NREDI)、植物衰老反射指数(PSRI)和红边病害胁迫指数(REDSI)。
其中,所述小麦种植区域归一化植被光谱指数变化值为:
其中,nVIchange表示所述小麦种植区域归一化植被光谱指数变化值,是两个时相中植被指数特征的变化值,所述两个时相为第一预设时间和第二预设时间;VIbefore表示所述小麦种植区域的第一植被光谱指数,VIafter表示所述小麦种植区域的第二植被光谱指数。
S4:获取所述小麦种植区域在预设时间段内的气象信息数据;具体以下步骤:
S401:获取所述小麦种植区域内的各气象站点在所述预设时间段内的每日地表气象数据。
S402:利用反距离加权法对所述每日地表气象数据进行空间插值,得到连续的所述每日地表气象信息数据。
在本实施例中,由于所述每日地表气象数据为各气象站点提供的站点数据资料,因此资料有限且空间分布不连续,利用反距离加权法对所述每日地表气象数据进行空间插值可以提高所述每日地表气象信息数据的连续性。
其中,所述预设时间段包含了所述第一预设时间和第二预设时间及两者之间的时间,例如所述第一预设时间为4月25日,所述第二预设时间为5月25日,则所述预设时间段包含了4月25日至5月25日这一段时间,优选地,所述预设时间段为所述第二预设时间前的3个月,且所述第一预设时间和第二预设时间的时间差小于3个月。
所述每日地表气象数据包括但不限于平均气温、降雨量、日照时数及相对湿度。
S5:将所述小麦种植区域的归一化植被光谱指数和气象信息数据输入到构建的小麦条锈病遥感监测模型中,获得所述小麦种植区域的小麦病情指数。
请参阅图3,所述小麦条锈病遥感监测模型的具体步骤包括:
B1:获取所述待监测区域的小麦样本;所述小麦样本中的小麦状态包括健康状态和感染了小麦条锈病的染病状态;
B2:分别获取所述小麦样本在预设的第一采样时间的第一植被光谱指数和获取所述小麦样本预设的第二采样时间的第二植被光谱指数;
优选地,所述第一采样时间为所述小麦样本中处于所述染病状态的小麦样本的发病初期时间,第二采样时间为所述小麦样本中处于所述染病状态的小麦样本的发病盛期时间。
所述第一预设时间和第一采样时间的差值在预设的时间差范围内,所述第二预设时间和第二采样时间的差值在所述时间差范围内。优选地,所述时间差为10天,其中,所述第一预设时间和第一采样时间的差值、所述第二预设时间和第二采样时间的差值的计算仅涉及月份和日期,不涉及年份。例如,若所述第一采样时间为2019年4月15日、第二采样时间为2019年5月15日,则所述第一预设时间为任意一年的4月5-25日,所述第二预设时间为任意一年的5月5-25日。
在其他实施例中,本领域技术人员可以根据监测结果的准确性而调整所述时间差的数值。
B3:对所述小麦样本的第一植被光谱指数和第二植被光谱指数进行归一化差值计算,得到所述小麦样本的归一化植被光谱指数变化值;
所述小麦样本的归一化植被光谱指数变化值为:
其中,nVIchange'表示所述小麦样本的归一化植被光谱指数变化值,是两个时相中植被指数特征的变化值,所述两个时相为第一采样时间和第二采样时间;VIbefore'表示所述小麦样本的第一植被光谱指数,VIafter'表示所述小麦样本的第二植被光谱指数。
B4:获取所述小麦样本在预设时间段内的生长环境的气象信息数据;
所述步骤B4的具体步骤与所述步骤S4相同,因此不再重复叙述。
B5:以所述小麦样本的归一化植被光谱指数变化值和的气象信息数据作为输入,以对应的所述小麦样本的小麦病情指数作为输出,通过极端梯度提升算法构建出所述小麦条锈病监测模型;其中,所述小麦样本的小麦病情指数用于表征所述小麦样本的小麦状态;所述小麦样本的小麦病情指数包括0和1。
其中,所述极端梯度提升算法显式地加入了正则项来控制模型的复杂度,有利于防止过拟合,从而提高模型的泛化能力,其目标函数为:其中,y′i是整个累加模型的输出,正则化项则是表示树的复杂度函数,值越小复杂度越低,泛化能力越强。
由于所述极端梯度提升算法的分类器参数较多,因此本申请还通过0折交叉验证方法,对3个敏感参数进行优化:n_estimators的取值范围为100-500、learning_rate的取值范围为0.01-0.3、max_depth的取值范围为3-6,而其他参数采用默认值。
在本实施例中,构建所述小麦条锈病监测模型时,可以输出为0代表状态为健康状态的小麦样品,输出为1代表感染了小麦条锈病的染病状态的小麦。也可以输出为1代表状态为健康状态的小麦样品,输出为0代表染病状态的小麦。
优选地,构建所述小麦条锈病监测模型时,将所述小麦样本划分为训练样本和验证样本,所述训练样本和验证样本的比例为7:3,其中,所述训练样本和验证样本都包含了健康状态的和染病状态的小麦。
S6:根据所述小麦种植区域的小麦病情指数,获得小麦种植区域的小麦条锈病监测结果。具体为:
若所述小麦条锈病遥感监测模型的构建过程中,将对应健康状态的小麦样品的小麦病情指数作为1,将对应染病状态的小麦样品的小麦病情指数作为0,则所述小麦种植区域的小麦病情指数为1的区域的小麦为健康状态,小于1的区域的小麦为染病状态;
若所述小麦条锈病遥感监测模型的构建过程中,将对应健康状态的小麦样品的小麦病情指数作为1,将对应染病状态的小麦样品的小麦病情指数作为0,则所述小麦种植区域的小麦病情指数为0的区域的小麦为健康状态,大于0的区域的小麦为染病状态。
在本实施例中,所述步骤S4与所述步骤S1-S3相互独立,不存在执行顺序的限制。
相对于现有技术,本发明的基于光谱信息及气象数据的小麦条锈病监测方法通过收集的数据构建小麦条锈病遥感监测模型,然后获取小麦种植区域的植被光谱指数和气象信息数据并输入到所述小麦条锈病遥感监测模型中,从而计算出小麦病情指数的数值,根据所述小麦病情指数的数值判断所述小麦种植区域的小麦是否感染了小麦条锈病。本发明的基于光谱信息及气象数据的小麦条锈病监测方法可以大范围地判断各个小麦区域中小麦条锈病的染病情况,用户可以根据所述染病情况作出应对措施,以防止所述小麦条锈病蔓延。
请参阅图4,在一个实施例中,构建所述小麦条锈病监测模型时,所述步骤B5具体包括以下步骤:
B501:利用偏最小二乘变量重要性准则,计算所述小麦样本的归一化植被光谱指数变化值相对小麦样本的小麦病情指数的第一偏最小二乘变量投影值,将所述第一偏最小二乘变量投影值大于第一预设值的植被光谱指数变化值作为小麦样本第一重要特征;
优选地,所述第一预设值为1。
B502:利用偏最小二乘变量重要性准则,计算所述气象信息数据相对小麦样本的小麦病情指数的第二偏最小二乘变量投影值,将所述第二偏最小二乘变量投影值大于第二预设值的气象信息数据作为小麦样本第二重要特征;
优选地,所述第二预设值为1。
B503:以所述小麦样本的第一重要特征和第二重要特征作为输入,以小麦样本的小麦病情指数作为输出,通过极端梯度提升算法构建出所述小麦条锈病监测模型。
在本实施例中,利用偏最小二乘中的变量重要性准则选择出与小麦条锈病相关性强的自变量,其计算公式如下:
其中,k是自变量的个数,所述自变量可以是归一化植被光谱指数或气象信息数据,r是偏最小二乘方法从原变量中提取的成分个数;ch代表第h个成分,R(y,ch)代表成分ch对因变量y的解释能力,为二者相关系数的平方;而whj是轴wj的第j个分量。对于VIP值大于1的自变量被认为对小麦条锈病监测重要,作为第一重要特征或第二重要特征。
请参阅图5,在本实施例中,与所述步骤B5相对应,所述步骤S5具体包括以下步骤:
S501:利用偏最小二乘变量重要性准则,计算所述小麦种植区域的归一化植被光谱指数变化值相对小麦种植区域的小麦病情指数的第一偏最小二乘变量投影值,将所述第一偏最小二乘变量投影值大于第一预设值的植被光谱指数变化值作为小麦种植区域第一重要特征;
S502:利用偏最小二乘变量重要性准则,计算所述气象信息数据相对小麦种植区域的小麦病情指数的第二偏最小二乘变量投影值,将所述第二偏最小二乘变量投影值大于第二预设值的气象信息数据作为小麦种植区域第二重要特征;
S503:将所述小麦种植区域第一重要特征和小麦种植区域第二重要特征输入小麦条锈病遥感监测模型中,输出所述小麦种植区域的小麦病情指数,其中,所述小麦种植区域的小麦病情指数在0-1之间。
在本实施例中,利用偏最小二乘中的变量重要性投影选择出与小麦条锈病相关性强的自变量数据,并基于所述自变量数据构建所述小麦条锈病遥感监测模型和获取小麦种植区域的小麦条锈病监测结果。提升了监测结果的准确性,并降低了构建所述小麦条锈病遥感监测模型和获取小麦种植区域的小麦条锈病监测结果的工作量,提高了整体的检测效率。
本发明的一个实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述内容所述方法的步骤。
本发明的一个实施例还提供一种计算机设备,其特征在于:包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述内容所述方法的步骤。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于光谱信息及气象数据的小麦条锈病监测方法,其特征在于,包括:
获取待监测区域的时相遥感影像;
从时相遥感影像中获得小麦种植区域的影像;
分别获取所述小麦种植区域在第一预设时间的第一植被光谱指数和第二预设时间的第二植被光谱指数,对所述小麦种植区域的所述第一植被光谱指数和第二植被光谱指数进行归一化差值计算,得到所述小麦种植区域的归一化植被光谱指数变化值;
获取所述小麦种植区域在预设时间段内的气象信息数据;
将所述小麦种植区域的归一化植被光谱指数变化值和气象信息数据输入到构建的小麦条锈病遥感监测模型中,获得所述小麦种植区域的小麦病情指数;
根据所述小麦种植区域的小麦病情指数,获得小麦种植区域的小麦条锈病监测结果。
2.根据权利要求1所述的基于光谱信息及气象数据的小麦条锈病监测方法,其特征在于,所述小麦条锈病遥感监测模型的构建步骤,包括:
获取所述待监测区域的小麦样本;所述小麦样本中的小麦状态包括健康状态和感染了小麦条锈病的染病状态;
分别获取所述小麦样本在预设的第一采样时间的第一植被光谱指数和获取所述小麦样本预设的第二采样时间的第二植被光谱指数;
对所述小麦样本的第一植被光谱指数和第二植被光谱指数进行归一化差值计算,得到所述小麦样本的归一化植被光谱指数变化值;
获取所述小麦样本在预设时间段内的生长环境的气象信息数据;
以所述小麦样本的归一化植被光谱指数变化值和的气象信息数据作为输入,以对应的所述小麦样本的小麦病情指数作为输出,通过极端梯度提升算法构建出所述小麦条锈病监测模型;其中,所述小麦样本的小麦病情指数用于表征所述小麦样本的小麦状态。
3.根据权利要求2所述的基于光谱信息及气象数据的小麦条锈病监测方法,其特征在于,所述以所述小麦样本的归一化植被光谱指数变化值和的气象信息数据作为输入,以对应的所述小麦样本的小麦病情指数作为输出,通过极端梯度提升算法构建出所述小麦条锈病监测模型,具体包括以下步骤:
利用偏最小二乘变量重要性准则,计算所述小麦样本的归一化植被光谱指数变化值相对小麦样本的小麦病情指数的第一偏最小二乘变量投影值,将所述第一偏最小二乘变量投影值大于第一预设值的植被光谱指数变化值作为小麦样本第一重要特征;
利用偏最小二乘变量重要性准则,计算所述气象信息数据相对小麦样本的小麦病情指数的第二偏最小二乘变量投影值,将所述第二偏最小二乘变量投影值大于第二预设值的气象信息数据作为小麦样本第二重要特征;
以所述小麦样本的第一重要特征和第二重要特征作为输入,以对应的所述小麦样本的小麦病情指数作为输出,通过极端梯度提升算法构建所述小麦条锈病监测模型;
所述将所述小麦种植区域的归一化植被光谱指数变化值和气象信息数据输入到构建的小麦条锈病遥感监测模型中,获得所述小麦种植区域小麦病情指数,具体包括以下步骤:
利用偏最小二乘变量重要性准则,计算所述小麦种植区域的归一化植被光谱指数变化值相对小麦种植区域的小麦病情指数的第一偏最小二乘变量投影值,将所述第一偏最小二乘变量投影值大于第一预设值的植被光谱指数变化值作为小麦种植区域第一重要特征;
利用偏最小二乘变量重要性准则,计算所述气象信息数据相对小麦种植区域的小麦病情指数的第二偏最小二乘变量投影值,将所述第二偏最小二乘变量投影值大于第二预设值的气象信息数据作为小麦种植区域第二重要特征;
将所述小麦种植区域第一重要特征和小麦种植区域第二重要特征输入小麦条锈病遥感监测模型中,输出所述小麦种植区域的小麦病情指数。
5.根据权利要求1所述的基于光谱信息及气象数据的小麦条锈病监测方法,其特征在于:在所述从时相遥感影像中获得小麦种植区域的影像之前,还对所述时相遥感影像进行辐射校正和大气校正。
6.根据权利要求2所述的基于光谱信息及气象数据的小麦条锈病监测方法,其特征在于:所述第一预设时间和第一采样时间的差值在预设的第一监测时间差范围内,所述第二预设时间和第二采样时间的差值在预设的第二监测时间差范围内。
7.根据权利要求1所述的基于光谱信息及气象数据的小麦条锈病监测方法,其特征在于,所述从时相遥感影像中选取小麦种植区域的影像,具体包括以下步骤:
根据所述时相遥感影像的光谱数据,计算所述待监测区域的归一化植被指数;
筛选出所述待监测区域中归一化植被指数大于预设的第一阈值的区域作为第一选择区域;
建立所述第一选择区域的数字高程模型,将所述数字高程模型中地面高程小于预设的第二阈值的区域作为第二选择区域;
获取所述时相遥感影像的近红外光谱指数,将所述第二选择区域中近红外光谱指数小于预设的第三阈值的区域作为所述小麦种植区域,从所述时相遥感影像中选取所述小麦种植区域的影像。
8.根据权利要求1所述的基于光谱信息及气象数据的小麦条锈病监测方法,其特征在于,所述获取在预设时间段内所述小麦种植区域的气象信息数据,具体包括以下步骤:
获取所述小麦种植区域内的各气象站点在所述预设时间段内的每日地表气象数据;
利用反距离加权法对所述每日地表气象数据进行空间插值,得到连续的所述每日地表气象信息数据。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述方法的步骤。
10.一种计算机设备,其特征在于:包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-8任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010988054.9A CN112183273A (zh) | 2020-09-18 | 2020-09-18 | 一种基于光谱信息及气象数据的小麦条锈病监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010988054.9A CN112183273A (zh) | 2020-09-18 | 2020-09-18 | 一种基于光谱信息及气象数据的小麦条锈病监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112183273A true CN112183273A (zh) | 2021-01-05 |
Family
ID=73956439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010988054.9A Pending CN112183273A (zh) | 2020-09-18 | 2020-09-18 | 一种基于光谱信息及气象数据的小麦条锈病监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183273A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949412A (zh) * | 2021-02-03 | 2021-06-11 | 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 |
CN113155747A (zh) * | 2021-01-15 | 2021-07-23 | 西安科技大学 | 一种构建分数阶微分光谱指数及其监测小麦条锈病的方法 |
CN117557905A (zh) * | 2023-11-15 | 2024-02-13 | 杭州沣图科技有限公司 | 一种基于地理探测器的区域小麦条锈病遥感方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102631198A (zh) * | 2012-04-20 | 2012-08-15 | 天津大学 | 一种基于差值提取的动态光谱数据处理方法 |
CN107103306A (zh) * | 2017-05-22 | 2017-08-29 | 安徽大学 | 基于小波分析与支持向量机的冬小麦白粉病遥感监测方法 |
CN108985959A (zh) * | 2018-08-09 | 2018-12-11 | 安徽大学 | 一种基于地表温度反演技术的小麦白粉病遥感监测方法 |
CN110245327A (zh) * | 2019-03-28 | 2019-09-17 | 国智恒北斗好年景农业科技有限公司 | 一种基于gf-1数据重构的小麦单产遥感估算方法 |
WO2020112013A1 (en) * | 2018-11-27 | 2020-06-04 | Chawade Aakash | Methods, models and systems for predicting yellow rust in wheat crops |
-
2020
- 2020-09-18 CN CN202010988054.9A patent/CN112183273A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102631198A (zh) * | 2012-04-20 | 2012-08-15 | 天津大学 | 一种基于差值提取的动态光谱数据处理方法 |
CN107103306A (zh) * | 2017-05-22 | 2017-08-29 | 安徽大学 | 基于小波分析与支持向量机的冬小麦白粉病遥感监测方法 |
CN108985959A (zh) * | 2018-08-09 | 2018-12-11 | 安徽大学 | 一种基于地表温度反演技术的小麦白粉病遥感监测方法 |
WO2020112013A1 (en) * | 2018-11-27 | 2020-06-04 | Chawade Aakash | Methods, models and systems for predicting yellow rust in wheat crops |
CN110245327A (zh) * | 2019-03-28 | 2019-09-17 | 国智恒北斗好年景农业科技有限公司 | 一种基于gf-1数据重构的小麦单产遥感估算方法 |
Non-Patent Citations (3)
Title |
---|
YUE SHI等: "Partial Least Square Discriminant Analysis Based on Normalized Two-Stage Vegetation Indices for Mapping Damage from Rice Diseases Using Planet Scope Datasets", 《SENSORS》 * |
傅运之: "基于集成学习的小麦赤霉病高光谱识别方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)农业科技辑》 * |
郑琼: "小麦条锈病多尺度遥感监测方法研究", 《中国优秀博硕士学位论文全文数据库(博士)农业科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113155747A (zh) * | 2021-01-15 | 2021-07-23 | 西安科技大学 | 一种构建分数阶微分光谱指数及其监测小麦条锈病的方法 |
CN113155747B (zh) * | 2021-01-15 | 2022-12-06 | 西安科技大学 | 一种构建分数阶微分光谱指数及其监测小麦条锈病的方法 |
CN112949412A (zh) * | 2021-02-03 | 2021-06-11 | 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 |
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 |
CN117557905A (zh) * | 2023-11-15 | 2024-02-13 | 杭州沣图科技有限公司 | 一种基于地理探测器的区域小麦条锈病遥感方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tenreiro et al. | Using NDVI for the assessment of canopy cover in agricultural crops within modelling research | |
Zhao et al. | Assimilating remote sensing information with crop model using Ensemble Kalman Filter for improving LAI monitoring and yield estimation | |
CN112183273A (zh) | 一种基于光谱信息及气象数据的小麦条锈病监测方法 | |
Kontgis et al. | Mapping rice paddy extent and intensification in the Vietnamese Mekong River Delta with dense time stacks of Landsat data | |
CN110287944B (zh) | 基于深度学习的多光谱遥感影像的农作物虫害监测方法 | |
Xiao et al. | A continuous measure of gross primary production for the conterminous United States derived from MODIS and AmeriFlux data | |
CN106908415B (zh) | 一种基于修正ndvi时间序列的大区域农作物全生育期墒情监测方法 | |
Wang et al. | Summer maize growth under different precipitation years in the Huang-Huai-Hai Plain of China | |
CN113963260A (zh) | 一种冬小麦种植区的提取方法、装置和计算机设备 | |
Chen et al. | Investigating rice cropping practices and growing areas from MODIS data using empirical mode decomposition and support vector machines | |
CN112861810B (zh) | 一种基于时序遥感观测数据的人工林种植时间自动检测方法 | |
Wang et al. | Mapping paddy rice with the random forest algorithm using MODIS and SMAP time series | |
CN114387516A (zh) | 一种针对复杂地形环境下中小田块的单季稻sar识别方法 | |
CN110321774B (zh) | 农作物灾情评估方法、装置、设备及计算机可读存储介质 | |
CN116824384A (zh) | 一种基于标准曲线的大豆识别方法 | |
CN115018105A (zh) | 一种冬小麦气象产量预测方法及系统 | |
Shahrin et al. | Agricultural analysis and crop yield prediction of habiganj using multispectral bands of satellite imagery with machine learning | |
Bolun et al. | Estimating rice paddy areas in China using multi-temporal cloud-free normalized difference vegetation index (NDVI) imagery based on change detection | |
Shu et al. | Assessing maize lodging severity using multitemporal UAV-based digital images | |
CN115344815A (zh) | 考虑植被空间变化的天然径流变化归因分析方法和系统 | |
CN114882359A (zh) | 基于植被指数时序谱特征的大豆种植区提取方法和系统 | |
Kim et al. | Multi-temporal spectral analysis of rice fields in South Korea using MODIS and RapidEye satellite imagery | |
Ayub et al. | Wheat Crop Field and Yield Prediction using Remote Sensing and Machine Learning | |
CN115661674A (zh) | 一种基于多源卫星土壤湿度数据的作物灌溉信息提取方法 | |
Wang et al. | Application of grey systems in predicting the degree of cotton spider mite infestations |
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: 510075 one of the compound No. 100, Xianlie Middle Road, Yuexiu District, Guangzhou City, Guangdong Province Applicant after: Guangzhou Institute of geography, Guangdong Academy of Sciences Address before: 510075 one of the compound No. 100, Xianlie Middle Road, Yuexiu District, Guangzhou City, Guangdong Province Applicant before: GUANGZHOU INSTITUTE OF GEOGRAPHY |
|
CB02 | Change of applicant information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210105 |
|
RJ01 | Rejection of invention patent application after publication |