CN113112147A - 一种基于地面实测与遥感协同的柑橘黄龙病风险评估方法 - Google Patents

一种基于地面实测与遥感协同的柑橘黄龙病风险评估方法 Download PDF

Info

Publication number
CN113112147A
CN113112147A CN202110380790.0A CN202110380790A CN113112147A CN 113112147 A CN113112147 A CN 113112147A CN 202110380790 A CN202110380790 A CN 202110380790A CN 113112147 A CN113112147 A CN 113112147A
Authority
CN
China
Prior art keywords
citrus
huanglongbing
ndvi
plots
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.)
Pending
Application number
CN202110380790.0A
Other languages
English (en)
Inventor
谢国雪
黄启厅
杨绍锷
覃泽林
曾志康
张秀龙
苏秋群
马灿达
张家玫
林垚君
李敏
谢意
曾孔莲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangxi Zhuang Nationality Autonomous Region Academy of Agricultural Sciences
Original Assignee
Guangxi Zhuang Nationality Autonomous Region Academy of Agricultural Sciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangxi Zhuang Nationality Autonomous Region Academy of Agricultural Sciences filed Critical Guangxi Zhuang Nationality Autonomous Region Academy of Agricultural Sciences
Priority to CN202110380790.0A priority Critical patent/CN113112147A/zh
Publication of CN113112147A publication Critical patent/CN113112147A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
    • C12Q1/6844—Nucleic acid amplification reactions
    • C12Q1/686—Polymerase chain reaction [PCR]
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
    • C12Q1/6876—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes
    • C12Q1/6888—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for detection or identification of organisms
    • C12Q1/689—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for detection or identification of organisms for bacteria
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Organic Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Wood Science & Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Zoology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Immunology (AREA)
  • Educational Administration (AREA)
  • Molecular Biology (AREA)
  • Biotechnology (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Biophysics (AREA)
  • Genetics & Genomics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Microbiology (AREA)
  • Mining & Mineral Resources (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Primary Health Care (AREA)

Abstract

本发明公开了一种基于地面实测与遥感协同的柑橘黄龙病风险评估方法，所述方法包括：在少量健康和黄龙病柑橘样本支持下，以柑橘地块为基底，利用卫星遥感影像计算多时相特征指数NDVI、LSWI和MTCI，分析健康和疑似黄龙病柑橘地块的特征临界值，监测柑橘黄龙病疑似地块；在柑橘黄龙病田间识别关键期，对黄龙病疑似地块进行实地巡查，通过田间诊断与PCR检测技术，完成柑橘黄龙病地块监测；基于确诊柑橘黄龙病地块，以木虱迁飞扩散距离、高程、坡度、柑橘长势、年均温度为评估指标，利用AHP决策法计算指标权重，构建柑橘黄龙病风险评估综合模型，开展感染黄龙病风险等级评估，将柑橘地块划分为高风险区、中风险区和低风险区，生成柑橘黄龙病风险评估“一张图”。本发明的方法有效监测了柑橘黄龙病疑似区，减少外业调查范围，提高工作效率，节约成本；通过多指标评估感染黄龙病风险等级，形成柑橘黄龙病风险评估“一张图”，为黄龙病精准防控提供数据服务。

Description

一种基于地面实测与遥感协同的柑橘黄龙病风险评估方法
技术领域
本发明属于测绘遥感技术领域，特别涉及一种基于地面实测与遥感协同的柑橘黄龙病风险评估方法。
背景技术
我国柑橘种植已有四千多年的历史，种植区域广泛、品种齐全，柑橘面积及产量居全球第一，有关专家分析2020年全国柑橘种植面积达263万公顷，产量增加到4100万吨。广西是我国柑橘种植最多的省区，据统计2018年柑橘产量占全区水果总产量的46.7％，产值超过1000亿元，成为广西第二个产值达千亿的产业，2019年广西柑橘面积达55.3万公顷，产量为1124.5万吨。然而，我国柑橘产业发展不容乐观，产业缺乏整体规划，盲目、无序、跟风种植现象明显，砂糖橘、蜜橘、沃柑等种植过剩，滞销现象尤为严重。更严峻的是黄龙病无时无刻威胁柑橘产业的稳定。
柑橘黄龙病又称黄梢病、黄枯病，是由亚洲韧皮杆菌所侵染引起的、发生在柑橘上一种毁灭性病害，严重影响产量和品质，甚至造成柑橘植株枯死，被称为植物“癌症”。柑橘黄龙病的传播方式主要包括柑橘木虱传播和嫁接传播，柑橘木虱是柑橘黄龙病的传播媒介，每种柑橘均可感染柑橘黄龙病，黄龙病的病源分布极广，一旦柑橘园出现感染植株，将会使整个果园迅速发病。面对无法根治的柑橘黄龙病，防控措施尤为关键，及时准确的柑橘黄龙病风险评估对黄龙病防控十分重要。
为提高柑橘黄龙病防控力度，目前已有不同的学者开展多领域研究，柑橘黄龙病诊断及监测取得一定成效，但没有在获取柑橘黄龙病信息基础上进一步开展风险评估，涉及利用地面实测与遥感协同的技术开展柑橘黄龙病风险评估研究更少。早前潘光文等学者2010年发表学术论文《柑桔黄龙病风险分析初报》，利用国际通行的有害生物风险分析(PRA)程序及国内林业有害生物风险指标体系和评判标准，半定量评估我国柑橘感染黄龙病的风险性，其R值为2.42，说明柑橘在我国属于高度危险的林业有害生物。张林锋等发表科技论文《柑桔木虱种群动态与扩散的调查研究》，2010-2011年调查了广东省乐昌市柑桔木虱种群动态和田间扩散情况。陈宏等发表学术论文《基于VGI模式的柑橘黄龙病发生分布调查方法》，2017年通过地理信息模式的调查方法，开展福建省仙游县柑橘黄龙病信息采集，利用“云采集”软件收集果园、病株位置、图片等数据，为黄龙病防控提供数据支撑。黄期椿等提出一种田间识别及防控沃柑黄龙病的方法(公开号：CN110150011A)，通过观察果实、叶片特征判断柑橘黄龙病病株，新梢期无法利用特征判断则采用PCR技术诊断是否染病，进而制定物理及生物防控措施。罗旭等研发一种基于机器视觉柑橘黄龙病的预警系统(公开号：CN209330740U)，利用田间物联网设备拍摄柑橘叶片，通过计算机图形处理和识别技术诊断感染黄龙病情况，一旦发现受灾自动触发报警装置。邓小玲等研制一种低空高光谱遥感检测柑橘黄龙病方法、装置及系统(公开号：CN109613022A)，利用无人机高光谱遥感获取柑橘果园图像信息，采用黄龙病BP神经网络模型检测柑橘果园黄龙病受灾面积。秦姣华等提出一种基于深度学习的柑橘病虫害智能诊断方法及系统(公开号：CN110245720A)，基于专家经验建立卷积网络模型，开展黄龙病、炭疽病、溃疡病、黑星病、砂皮病和疮痂病智能诊断。
综上，现有成果为开展大范围柑橘黄龙病调查与风险评估提供技术支持，但未涉基于遥感技术的柑橘黄龙病风险评估内容，为此对于风险评估而言现有研究仍存在不足，包括：评估了我国柑橘感染黄龙病的生物风险程度，却未深入研究不同风险等级的柑橘地块分布情况；利用地理信息模式调查柑橘黄龙病位置信息，然而无目标开展外业调查不适用大区域监测；研制了无人机高光谱影像监测柑橘黄龙病技术，但无人机高光谱获取图像成本较高，不适用大范围作业，对于柑橘黄龙病大面积监测效率低且耗资过大。
发明内容
本发明针对上述技术问题，提出一种基于地面实测与遥感协同的柑橘黄龙病风险评估方法，所述方法包括：
S1、从10月至翌年2月，对柑橘果园开展逐株检查，通过田间诊断和PCR检测技术对柑橘植株进行排查，确定健康柑橘果园样本点和黄龙病柑橘果园样本点；
S2、利用卫星影像计算多时相特征指数NDVI(Normalized DifferenceVegetation Index)、LSWI(Land Surface Water Index)和MTCI(Meris TerrestrialChlorophyll Index)，所述NDVI用于反映植被长势、健康情况，所述LSWI用于反映植被冠层水分含量，所述MTCI用于反映植被叶绿素含量；获取健康柑橘果园样本点和黄龙病柑橘果园样本点多时相特征指数值，统计健康柑橘果园样本点和黄龙病柑橘果园样本点从10月至翌年2月的NDVI、LSWI和MTCI，通过比对分析确定健康柑橘果园和疑似黄龙病柑橘果园的特征临界值；
S3、计算待监测柑橘地块多时相影像特征NDVI、LSWI和MTCI的平均值，以步骤S2统计到的特征临界值建立疑似黄龙病柑橘地块的监测模型，提取疑似黄龙病柑橘地块；
S4、在10月至翌年2月之间，对步骤S3提取到的疑似黄龙病柑橘地块开展实地巡查，通过田间诊断结合PCR检测技术对黄龙病柑橘植株进行确认，完成柑橘黄龙病地块的监测；
同时，核查柑橘地块的长势情况，按照长势从优至差将其分为三类：一类柑橘地块、二类柑橘地块和三类柑橘地块；一类柑橘地块对应遥感监测等级为长势优，二类柑橘地块对应遥感监测等级为长势中，三类柑橘地块对应遥感监测等级为长势差；统计并划分不同长势等级某个时相NDVI范围，进而开展柑橘长势监测；
S5、以木虱迁飞扩散距离、高程、坡度、柑橘长势、年均温度为评估指标，进行指标标准化处理，使用AHP(Analytic Hierarchy Process)决策法计算指标的权重；
S6、依据步骤S5得到的指标权重，构建柑橘黄龙病风险评估综合模型，评估柑橘地块感染柑橘黄龙病风险等级；
S7、根据步骤S6得到的结果，将柑橘地块划分为高风险区、中风险区和低风险区，生成柑橘黄龙病风险评估“一张图”。
其中，步骤S1所述黄龙病柑橘果园样本点的判断标准为果园中有超过5株植株集中感染黄龙病；所述集中指的是位置上的集中，任一感染黄龙病的植株与其他感染黄龙病的植株之间均没有健康植株。
优选地，步骤S2和步骤S3中所述的卫星为哨兵二号卫星，将哨兵二号卫星的影像经过大气校正、波段组合、影像镶嵌和影像裁剪成合格数据产品，再从中计算获取三个多时相影像特征指数NDVI、LSWI和MTCI。
优选地，步骤S2和步骤S3中所述NDVI、LSWI和MTCI的计算公式如下：
NDVI＝(B8-B4)/(B8+B4)
LSWI＝(B8-B11)/(B8+B11)
MTCT＝(B6-B5)/(B5-B4)
其中，B4、B5、B6、B8、B11分别为哨兵二号影像第4、5、6、8、11波段信息。
优选地，步骤S3中疑似黄龙病柑橘地块的监测模型如下：
Figure BDA0003012892220000041
模型中，NDVI1、LSWI1、MTCI1分别为10月待监测柑橘地块的NDVI、LSWI、MTCI特征值，a1、b1、c1分别为10月监测疑似黄龙病柑橘地块NDVI、LSWI、MTCI的临界值；NDVI2、LSWI2、MTCI2分别为11月待监测柑橘地块的NDVI、LSWI、MTCI特征值，a2、b2、c2分别为11月监测疑似黄龙病柑橘地块NDVI、LSWI、MTCI的临界值；同理，NDVIi、LSWIi、MTCIi分别为翌年2月待监测柑橘地块的NDVI、LSWI、MTCI特征值，ai、bi、ci分别为翌年2月监测疑似黄龙病柑橘地块NDVI、LSWI、MTCI的临界值；模型中相同时相不同特征属于并列关系，即要求同时满足每月判断条件，但临界值取值大于或小于，根据实际情况而定；不同时相之间为“或者”关系，即满足某时相条件即判断为疑似区，所有时相判断结果的并集即为疑似黄龙病柑橘地块。
优选地，步骤S4中，一类柑橘地块的长势情况为植株健壮，密度均匀，高度整齐，叶色正常，出梢统一，没有或少量缺株，无或有轻微虫害和气象灾害；二类柑橘地块的长势情况为植株良好，密度不太均匀，高度欠整齐，叶色少部分黄化，出梢少量不统一，缺株轻度，遭受虫害和气象灾害较轻；三类柑橘地块的长势情况为植株较差，密度不太均匀，高度不整齐，叶色黄化明显，出梢不统一，缺株严重，虫害和气象灾害对柑橘具有明显的抑制或生产严重危害；按月份统计待监测柑橘地块的NDVI，划分不同长势等级柑橘地块的NDVI范围。
优选地，在步骤S5中，采用抛物型、半抛物型、散点型隶属度函数模型进行指标标准化处理，其中，扩散距离、高程、坡度指标采用半抛物型隶属度函数模型，年均温度指标利用抛物型隶属度函数模型，柑橘长势指标采用散点型隶属度函数模型；函数模型如下所示：
(1)半抛物型隶属度函数模型
Figure BDA0003012892220000042
模型中，f(x)为某评估指标的隶属函数；x为某评估指标的真实值；x1表示评估指标低于该值时，感染黄龙病的风险趋于恒定值；x2表示评估指标高于该值时，感染黄龙病的风险性非常低；
(2)抛物型隶属度函数模型
Figure BDA0003012892220000051
模型中，f(x)为某评估指标的隶属函数；x为某评估指标的实际值；x2、x3为某评估指标对于感染黄龙病风险最高的范围临界值；x1、x4为某评估指标对于感染黄龙病风险最低的范围临界值；
(3)散点型隶属度函数模型
散点型隶属度函数模型如公式(3)所示，适用于定性指标标准化处理；
Figure BDA0003012892220000052
各评估指标上限值和下限值以及散点型评估指标的隶属度如表1所示。
表1柑橘黄龙病风险评估指标临界值
Figure BDA0003012892220000053
优选地，在步骤S5中，使用AHP决策分析法评估指标的权重，以扩散距离、坡度、柑橘长势、高程、年均温度五个指标构建判断矩阵，对准则层的指标进行权重打分，以打分值的众数作为该指标的得分值，利用方根法计算判断矩阵最大特征根极其所对应的特征向量。分别采用一致性指标(CI)和判断矩阵的随机一致性比例(CR)检验判断矩阵的一致性及一致性的满意程度，当CI＝0时，说明判断矩阵具有完全的一致性，值越大反映判断矩阵一致性越差；当CR＜0.10时，说明判断矩阵具有令人满意的一致性，否则需要调整判断矩阵，重新计算；风险评估指标权重及一致性检验结果如表2所示。
表2风险评估指标权重计算及一致性检验结果
Figure BDA0003012892220000061
优选地，在步骤S6中，利用ARCGIS软件将各评估指标根据隶属度进行重分类，形成大小一致的栅格数据，其中以患黄龙病柑橘地块为核心建立缓冲区得到扩散距离指标；坡度指标利用高程指标计算而得；采用NDVI评估长势状况生成柑橘长势指标；高程指标利用30米分辨率DEM数据；根据研究区气象站点数据通过最邻近插值方法计算形成年均温度指标。以柑橘地块为单元，计算每个地块各评估指标隶属度平均值，结合各指标权重构建柑橘黄龙病风险评估综合模型，该模型定义如下：
Figure BDA0003012892220000062
S为评估指标的综合分值，Wi为第i个评估指标权重，Pi为第i个评估指标隶属度，i为评估指标编号，n为评估指标数量；S值越高说明对应的地块感染黄龙病风险越高，反之则越低。
与现有技术相比，本发明具有如下有益效果：
本发明提出一种基于地面实测与遥感协同的柑橘黄龙病风险评估方法，该方法能够监测柑橘黄龙病疑似区，减少外业调查范围，提高工作效率，节约成本；在柑橘黄龙病确诊地块基础上，选取木虱迁飞扩散距离、高程、坡度、柑橘长势、年均温度等指标，利用AHP决策分析法计算指标权重，构建柑橘黄龙病风险评估综合模型，开展柑橘地块不同风险等级评估，形成柑橘黄龙病风险评估“一张图”，为黄龙病精准防控提供数据服务。
附图说明
图1为本发明提供的柑橘黄龙病风险评估方法流程示意图。
图2为健康柑橘果园和疑似黄龙病柑橘果园的NDVI、LSWI、MTCI特征指数。
图3为广西梧州市蒙山县新圩镇柑橘黄龙病地块的监测效果图。
图4为广西梧州市蒙山县新圩镇的柑橘黄龙病风险评估。
具体实施方式
下面结合附图具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。实施例中采用的原料、实际若无特殊说明，皆为市售所得。
实施例1广西梧州市蒙山县新圩镇柑橘黄龙病风险评估
以广西梧州市蒙山县新圩镇为研究区，开展柑橘黄龙病风险评估，该区种植柑橘时间较长，品种包括砂糖橘、沃柑、脐橙等，具有典型代表性，步骤如下：
S1、在2020年10月至2021年1月，在研究区开展果园逐株检查，根据黄龙病柑橘果实、叶片特征采集健康和疑似黄龙病两种类型柑橘叶片样本，通过PCR技术检测确定样本实际情况，收集健康柑橘果园样本点8个、黄龙病柑橘果园样本点15个；黄龙病柑橘果园样本点的判断标准为果园中有超过5株植株集中感染黄龙病，所述集中指的是位置上的集中，任一感染黄龙病的植株与其他感染黄龙病的植株之间均没有健康植株。
S2、获取哨兵二号卫星影像，经过大气校正、波段组合、影像镶嵌、影像裁剪形成合格数据产品，时相包括2020年10月21日、11月13日，以及2021年1月2日，因2020年12月影像云量覆盖较多，不符合质量要求，故未采用2020年12月的数据。
计算多时相NDVI、LSWI、MTCI特征指数，计算公式如下：
NDVI＝(B8-B4)/(B8+B4)
LSWI＝(B8-B11)/(B8+B11)
MTCT＝(B6-B5)/(B5-B4)
其中，B4、B5、B6、B8、B11分别为哨兵二号卫星影像第4、5、6、8、11波段信息。
其中，NDVI用于反映植被长势、健康情况；LSWI用于反映植被冠层水分含量；MTCI用于反映植被叶绿素含量，值越高表明叶绿素含量越高。
统计各样本点10月、11月和1月的NDVI、LSWI和MTCI值，比对分析图如图2所示，从中得到健康柑橘和疑似黄龙病柑橘的特征临界值，根据图2划定指标的临界值，NDVI指标10月、11月、1月的特征临界值分别为0.56(小于)、0.71(小于)、0.37(大于)；LSWI指标10月、11月、1月的特征临界值分别为0.24(小于)、0.19(小于)、0.12(小于)；MTCI指标10月、11月、1月的特征临界值分别为0.24(小于)、0.22(小于)、0.18(小于)。
以NDVI指标为例：
(1)10月黄龙病样本NDVI最大、最小、平均值分别为0.63、0.39、0.52，抽取样点NDVI值大部分集中在0.39～0.56范围；NDVI健康样本NDVI最大、最小、平均值分别为0.63、0.55、0.58，样点NDVI值大部分集中在0.55～0.57范围。判别柑橘黄龙病临界值宜大不宜小，为此10月NDVI临界值为0.56，即NDVI＜0.56判别为黄龙病疑似区。
(2)11月黄龙病样本NDVI最大、最小、平均值分别为0.72、0.47、0.63，抽取样点NDVI值大部分集中在0.47～0.68范围；NDVI健康样本NDVI最大、最小、平均值分别为0.76、0.61、0.70，样点NDVI值大部分集中在0.69～0.73范围，为此判别柑橘黄龙病临界值为0.71，即NDVI＜0.71判别为黄龙病疑似区。
(3)进入12月研究区为防止柑橘冻害，农户通过覆盖薄膜保温，而感染黄龙病果园处于无覆膜状态。覆膜直接影响黄龙病果园和健康果园的植被指数。1月黄龙病样本NDVI最大、最小、平均值分别为0.68、0.33、0.49，抽取样点NDVI值大部分集中在0.37～0.61范围；NDVI健康样本NDVI最大、最小、平均值分别为0.48、0.38、0.42，样点NDVI值大部分集中在0.38～0.43范围，为此判别柑橘黄龙病临界值为0.37，即NDVI＞0.37判别为黄龙病疑似区。
S3、获取待监测柑橘地块多时相影像特征NDVI、LSWI和MTCI的平均值，以步骤S2统计到的特征临界值建立疑似黄龙病柑橘地块的监测模型，提取疑似黄龙病柑橘地块。
步骤S3中疑似黄龙病柑橘地块的监测模型如下：
Figure BDA0003012892220000091
NDVI1、LSWI1、MTCI1分别为柑橘地块10月NDVI、LSWI、MTCI的特征均值；同理，NDVI2、LSWI2、MTCI2分别为柑橘地块11月NDVI、LSWI、MTCI特征均值；NDVI3、LSWI3、MTCI3分别为柑橘地块2021年1月NDVI、LSWI、MTCI特征均值。10月、11月及1月判别为黄龙病疑似地块的并集即为研究区的疑似黄龙病柑橘地块。
S4、2021年1月，对步骤S3提取到的疑似黄龙病柑橘地块开展实地巡查，在田间依据柑橘黄龙病果实和叶片特征进行诊断，对于田间无法诊断的植株通过PCR技术检测确认患病情况，完成柑橘黄龙病地块的监测，监测效果如图3所示。
同时，外业核查柑橘地块的长势情况，按照长势从优至差将其分为三类：一类柑橘地块、二类柑橘地块和三类柑橘地块，一类柑橘地块对应遥感监测等级为长势优，二类柑橘地块对应遥感监测等级为长势中，三类柑橘地块对应遥感监测等级为长势差；分别选取长势优、中、差的柑橘地块各30个。
一类柑橘地块的长势情况为植株健壮，密度均匀，高度整齐，叶色正常，出梢统一，没有或少量缺株(缺株占比＜10％)，无或有轻微虫害和气象灾害；二类柑橘地块的长势情况为植株良好，密度不太均匀，高度欠整齐，叶色少部分黄化(黄化叶片占比＜20％)，出梢少量不统一(0＜出梢不统一占比＜30％)，缺株轻度(10％≤缺株占比＜20％)，遭受虫害和气象灾害较轻；三类柑橘地块的长势情况为植株较差，密度不太均匀，高度不整齐，叶色黄化明显(黄化叶片占比≥20％)，出梢不统一(出梢不统一占比≥30％)，缺株严重(缺株占比≥20％)，虫害和气象灾害对柑橘具有明显的抑制或生产严重危害。
利用2020年10月的NDVI评价柑橘长势，根据三种等级NDVI的最大值、最小值、平均值划分评价标准，其中NDVI≥0.61则为长势优，0.52＜NDVI＜0.61则为长势良，NDVI≤0.52则为长势差。开展柑橘长势监测，经统计新圩镇的柑橘长势优、中、差面积分别占柑橘面积的29.1％、46.7％、24.2％。
S5、以木虱迁飞扩散距离、高程、坡度、柑橘长势、年均温度为评估指标，进行指标标准化处理，使用AHP决策法计算指标的权重。
其中，进行指标标准化处理时，扩散距离、高程、坡度指标采用半抛物型隶属度函数模型，年均温度指标利用抛物型隶属度函数模型，柑橘长势指标采用散点型隶属度函数模型；函数模型如下所示：
(1)半抛物型隶属度函数模型
Figure BDA0003012892220000101
模型中，f(x)为某评估指标的隶属函数；x为某评估指标的真实值；x1表示评估指标低于该值时，感染黄龙病的风险趋于恒定值；x2表示评估指标高于该值时，感染黄龙病的风险性非常低。
①扩散距离隶属度计算：扩散距离即以柑橘黄龙病地块为对象，建立不同等级缓冲区，计算落入不同缓冲区柑橘地块感染黄龙病风险的隶属度，落在60米缓冲区范围内柑橘地块感染风险趋于恒定值，隶属度为1；超过200米范围内柑橘地块感染黄龙病的风险性非常低，隶属度为0.1；分别计算60至200米范围内每个柑橘地块与黄龙病地块距离工作量过大，因此将其划分为60米＜扩散距离≤90米，90米＜扩散距离≤120米，120米＜扩散距离≤150米，150米＜扩散距离≤180米，180米＜扩散距离＜200米五个等级，与五个等级缓冲区重叠柑橘地块隶属度分别为0.81、0.61、0.42、0.23、0.11。
②高程隶属度计算：高程采用分辨率为30米的数据，高程低于200米感染黄龙病的风险趋于恒定值，隶属度为1；高程超过400米感染黄龙病的风险性非常低，隶属度为0.1；200米＜高程＜400米范围内的柑橘地块感染黄龙病风险隶属度根据实际值计算。
③坡度隶属度计算：在ARCGIS软件中，基于高程数据利用坡度模型计算生成坡度数据，坡度低于6°感染黄龙病的风险趋于恒定值，隶属度为1；坡度超过25°感染黄龙病的风险性非常低，隶属度为0.1；6°＜坡度＜25°范围内的柑橘地块感染黄龙病风险隶属度根据实际值计算。
(2)抛物型隶属度函数模型
Figure BDA0003012892220000102
模型中，f(x)为某评估指标的隶属函数；x为年均温度指标的实际值；x2、x3为年均温度指标对于感染黄龙病风险最高的范围临界值，分别为25℃、28℃；x1、x4为年均温度指标对于感染黄龙病风险最低的范围临界值，分别为16℃、41℃。
利用抛物型隶属度函数模型计算年均温度隶属度，25℃≤年均温度≤28℃范围内的柑橘地块感染黄龙病风险最高，隶属为1；年均温度≤16℃或年均温度≥41℃范围内的柑橘地块感染黄龙病风险最低，隶属度为0.1；16℃＜年均温度＜25℃与28℃＜年均温度＜41℃范围内的柑橘地块感染黄龙病风险的隶属度根据实际值计算。
(3)散点型隶属度函数模型
散点型隶属度函数模型如公式(3)所示，适用于定性指标标准化处理。
Figure BDA0003012892220000111
采用散点型隶属度函数模型计算柑橘长势指标隶属度，根据步骤S4长势评价结果，NDVI≥0.61划分为长势优，隶属度为0.6；0.52＜NDVI＜0.61划分为长势中，隶属度为0.8；NDVI≤0.52划分为长势差，隶属度为1。
各评估指标上限值和下限值以及散点型评估指标的隶属度如表1所示。
表1柑橘黄龙病风险评估指标临界值
Figure BDA0003012892220000112
其中，利用AHP决策分析法计算指标的权重时，以扩散距离、坡度、柑橘长势、高程、年均温度五个指标构建判断矩阵，聘请有关专家对准则层的指标进行权重打分，以专家打分值的众数作为该指标的得分值，利用方根法利用方根法计算判断矩阵最大特征根极其所对应的特征向量。分别采用一致性指标(CI)和判断矩阵的随机一致性比例(CR)检验判断矩阵的一致性及一致性的满意程度，当CI＝0时，说明判断矩阵具有完全的一致性，值越大反映判断矩阵一致性越差；当CR＜0.10时，说明判断矩阵具有令人满意的一致性，否则需要调整判断矩阵，重新计算。经计算CI＝0.025，CR＝0.022＜0.10，判断矩阵一致性检验通过，扩散距离、坡度、柑橘长势、高程、年均温度五个指标权重值分别0.81为0.404、0.289、0.186、0.120、0.086，风险评估指标权重及一致性检验结果如表2所示。
表2风险评估指标权重计算及一致性检验结果
Figure BDA0003012892220000121
S6、利用ARCGIS软件将各评估指标根据隶属度进行重分类，形成大10米分辨率的栅格数据。以柑橘地块为单元，以患黄龙病柑橘地块为核心建立缓冲区得到扩散距离指标，坡度指标利用高程指标计算而得，采用NDVI评估长势状况生成柑橘长势指标，高程指标利用30米分辨率DEM数据，根据研究区气象站点数据通过最邻近插值方法计算形成年均温度指标，计算每个地块各评估指标隶属度平均值，结合各指标权重构建柑橘黄龙病风险评估综合模型，该模型定义如下：
Figure BDA0003012892220000122
其中，S为评估指标的综合分值，Wi为第i个评估指标权重，Pi为第i个评估指标隶属度，i为评估指标编号，n为评估指标数量；S值越高说明对应的地块感染黄龙病风险越高，反之则越低。
S7、研究区柑橘面积为33251.96万亩，监测到柑橘黄龙病地块1578.94万亩，根据步骤S6柑橘地块评估指标的综合分值划分为三个风险等级，S＞0.85则为高风险区，占柑橘面积的21.5％(包括黄龙病地块)；0.65＜S≤0.85则为中风险区，占柑橘面积的24.9％；S≤0.65则为低风险区，占柑橘面积的53.6％，形成柑橘黄龙病风险评估“一张图”，评价效果如图4所示。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。

Claims (8)

1.一种基于地面实测与遥感协同的柑橘黄龙病风险评估方法，其特征在于，包括以下步骤：
S1、从10月至翌年2月，对柑橘果园开展逐株检查，通过田间诊断和PCR检测技术对柑橘植株进行排查，确定健康柑橘果园样本点和黄龙病柑橘果园样本点；
S2、利用卫星影像计算多时相特征指数NDVI、LSWI和MTCI，获取健康柑橘果园样本点和黄龙病柑橘果园样本点的多时相特征指数值，统计健康柑橘果园样本点和黄龙病柑橘果园样本点从10月至翌年2月的NDVI、LSWI和MTCI，通过比对分析确定健康柑橘果园和疑似黄龙病柑橘果园的特征临界值；
S3、计算待监测柑橘地块多时相影像特征NDVI、LSWI和MTCI的平均值，以步骤S2统计到的特征临界值建立疑似黄龙病柑橘地块的监测模型，提取疑似黄龙病柑橘地块；
S4、在10月至翌年2月之间，对步骤S3提取的疑似黄龙病柑橘地块开展实地巡查，通过田间诊断结合PCR检测技术对黄龙病柑橘植株进行确认，完成柑橘黄龙病地块的监测；
同时，核查柑橘地块的长势情况，按照长势从优至差将其分为三类：一类柑橘地块、二类柑橘地块和三类柑橘地块；一类柑橘地块对应遥感监测等级为长势优，二类柑橘地块对应遥感监测等级为长势中，三类柑橘地块对应遥感监测等级为长势差；统计并划分不同长势等级某个时相NDVI范围，进而开展柑橘长势监测；
S5、以木虱迁飞扩散距离、高程、坡度、柑橘长势、年均温度为评估指标，进行指标标准化处理，使用AHP决策法计算指标的权重；
S6、依据步骤S5得到的指标权重构建柑橘黄龙病风险评估综合模型，评估柑橘地块感染柑橘黄龙病风险等级；
S7、根据步骤S6得到的结果，将柑橘地块划分为高风险区、中风险区和低风险区，生成柑橘黄龙病风险评估“一张图”。
2.按照权利要求1所述的方法，其特征在于，步骤S1所述黄龙病柑橘果园样本点的判断标准为果园中有超过5株植株集中感染黄龙病。
3.按照权利要求1所述的方法，其特征在于，步骤S2和步骤S3中所述的卫星为哨兵二号卫星；将哨兵二号卫星的影像经过大气校正、波段组合、影像镶嵌和影像裁剪成合格数据产品，再从中计算获取三个多时相影像特征指数NDVI、LSWI和MTCI。
4.按照权利要求3所述的方法，其特征在于，步骤S2和步骤S3中所述NDVI、LSWI和MTCI的计算公式如下：
NDVI＝(B8-B4)/(B8+B4)
LSWI＝(B8-B11)/(B8+B11)
MTCT＝(B6-B5)/(B5-B4)
其中，B4、B5、B6、B8、B11分别为哨兵二号影像第4、5、6、8、11波段信息。
5.按照权利要求1所述的方法，其特征在于，步骤S3中疑似黄龙病柑橘地块的监测模型如下：
Figure FDA0003012892210000021
模型中，NDVI1、LSWI1、MTCI1分别为10月待监测柑橘地块的NDVI、LSWI、MTCI特征值，a1、b1、c1分别为10月监测疑似黄龙病柑橘地块NDVI、LSWI、MTCI的临界值；NDVI2、LSWI2、MTCI2分别为11月待监测柑橘地块的NDVI、LSWI、MTCI特征值，a2、b2、c2分别为11月监测疑似黄龙病柑橘地块NDVI、LSWI、MTCI的临界值；同理，NDVIi、LSWIi、MTCIi分别为翌年2月待监测柑橘地块的NDVI、LSWI、MTCI特征值，ai、bi、ci分别为翌年2月监测疑似黄龙病柑橘地块NDVI、LSWI、MTCI的临界值；模型中相同时相不同特征属于并列关系，即要求同时满足每月判断条件，但临界值取值大于或小于，根据实际情况而定；不同时相之间为“或者”关系，即满足某时相条件即判断为疑似区，所有时相判断结果的并集即为疑似黄龙病柑橘地块。
6.按照权利要求1所述的方法，其特征在于，在步骤S5中，采用抛物型、半抛物型、散点型隶属度函数模型进行指标标准化处理，其中，扩散距离、高程、坡度指标采用半抛物型隶属度函数模型，年均温度指标利用抛物型隶属度函数模型，柑橘长势指标采用散点型隶属度函数模型；函数模型如下所示：
(1)半抛物型隶属度函数模型
Figure FDA0003012892210000031
模型中，f(x)为某评估指标的隶属函数；x为某评估指标的真实值；x1表示评估指标低于该值时，感染黄龙病的风险趋于恒定值；x2表示评估指标高于该值时，感染黄龙病的风险性非常低；
(2)抛物型隶属度函数模型
Figure FDA0003012892210000032
模型中，f(x)为某评估指标的隶属函数；x为某评估指标的实际值；x2、x3为某评估指标对于感染黄龙病风险最高的范围临界值；x1、x4为某评估指标对于感染黄龙病风险最低的范围临界值；
(3)散点型隶属度函数模型
散点型隶属度函数模型如公式(3)所示，适用于定性指标标准化处理；
Figure FDA0003012892210000033
7.按照权利要求1所述的方法，其特征在于，在步骤S5中，使用AHP决策分析法评估指标的权重，以扩散距离、坡度、柑橘长势、高程、年均温度五个指标构建判断矩阵，对准则层的指标进行权重打分，以打分值的众数作为该指标的得分值，利用方根法计算判断矩阵最大特征根极其所对应的特征向量，分别采用一致性指标(CI)和判断矩阵的随机一致性比例(CR)检验判断矩阵的一致性及一致性的满意程度，当CI＝0时，说明判断矩阵具有完全的一致性，值越大反映判断矩阵一致性越差；当CR＜0.10时，说明判断矩阵具有令人满意的一致性，否则需要调整判断矩阵，重新计算。
8.按照权利要求1所述的方法，其特征在于，在步骤S6中，利用ARCGIS软件将各评估指标根据隶属度进行重分类，形成大小一致的栅格数据，其中以患黄龙病柑橘地块为核心建立缓冲区得到扩散距离指标；坡度指标利用高程指标计算而得；采用NDVI评估长势状况生成柑橘长势指标；高程指标利用30米分辨率DEM数据；根据研究区气象站点数据通过最邻近插值方法计算形成年均温度指标，以柑橘地块为单元，计算每个地块各评估指标隶属度平均值，结合各指标权重构建柑橘黄龙病风险评估综合模型，该模型定义如下：
Figure FDA0003012892210000041
S为评估指标的综合分值，Wi为第i个评估指标权重，Pi为第i个评估指标隶属度，i为评估指标编号，n为评估指标数量。
CN202110380790.0A 2021-04-09 2021-04-09 一种基于地面实测与遥感协同的柑橘黄龙病风险评估方法 Pending CN113112147A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110380790.0A CN113112147A (zh) 2021-04-09 2021-04-09 一种基于地面实测与遥感协同的柑橘黄龙病风险评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110380790.0A CN113112147A (zh) 2021-04-09 2021-04-09 一种基于地面实测与遥感协同的柑橘黄龙病风险评估方法

Publications (1)

Publication Number Publication Date
CN113112147A true CN113112147A (zh) 2021-07-13

Family

ID=76715087

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110380790.0A Pending CN113112147A (zh) 2021-04-09 2021-04-09 一种基于地面实测与遥感协同的柑橘黄龙病风险评估方法

Country Status (1)

Country Link
CN (1) CN113112147A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113920474A (zh) * 2021-10-28 2022-01-11 成都信息工程大学 一种智能监管柑橘种植态势的物联网系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113920474A (zh) * 2021-10-28 2022-01-11 成都信息工程大学 一种智能监管柑橘种植态势的物联网系统及方法
CN113920474B (zh) * 2021-10-28 2024-04-30 成都信息工程大学 一种智能监管柑橘种植态势的物联网系统及方法

Similar Documents

Publication Publication Date Title
CN108020511B (zh) 一种浅水草型湖泊水质参数遥感监测方法与装置
CN108830249B (zh) 一种基于asd高光谱数据的冬小麦白粉病遥感监测方法
CN108169161A (zh) 一种基于改进型modis指数的玉米种植区域土壤湿度评估方法
CN112858632B (zh) 一种综合考虑温度和水分胁迫的草地旱情监测方法
CN113468964B (zh) 一种基于高光谱的农业病虫害监测方法及设备
CN112215716A (zh) 农作物生长干预方法、装置、设备及存储介质
CN108106676B (zh) 一种基于遥感数据的农作物晚霜冻害的监测方法和装置
CN112903606B (zh) 一种基于无人机高光谱的红树林生态恢复力评估方法
CN112881327B (zh) 一种基于新型植被指数的烟叶spad值估测方法
CN111242934B (zh) 基于无人机影像光谱与纹理特征的小麦氮浓度反演方法
CN114140695B (zh) 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统
CN116485757A (zh) 一种冬小麦全氮含量预测方法
CN103913425B (zh) 基于光谱指数和气候因子耦合的冬小麦籽粒蛋白质含量预测方法及其预测模型的构建方法
CN111783288A (zh) 基于Landsat8对黄河三角洲土壤盐分的反演方法
CN113112147A (zh) 一种基于地面实测与遥感协同的柑橘黄龙病风险评估方法
Zhang et al. Evaluating maize evapotranspiration using high-resolution UAV-based imagery and FAO-56 dual crop coefficient approach
CN113052054B (zh) 一种遥感干旱检测方法及系统
CN108846370B (zh) 一种小麦白粉病中晚期病害严重度自动分析方法
CN112861712B (zh) 基于人工智能与多时相遥感的农业病虫害监测方法
CN116778343B (zh) 一种用于综合识别的目标图像特征提取方法
CN116882625A (zh) 一种岩溶山地乡村聚落用地空间脆弱性识别方法
US20230384231A1 (en) Method and system for predicting severity of bacterial blight of rice based on multi-phenotypic parameters
CN114694020B (zh) 一种棉花蚜虫遥感预报模型的构建方法
CN116307729A (zh) 基于多源卫星遥感数据的干热风灾害评估方法
AU2021100533A4 (en) Soil salinity at Yellow River Delta Inversion Method based on Landsat 8

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