CN114241318B - 一种确定刚竹毒蛾危害蔓延特征的方法及系统 - Google Patents
一种确定刚竹毒蛾危害蔓延特征的方法及系统 Download PDFInfo
- Publication number
- CN114241318B CN114241318B CN202111594942.3A CN202111594942A CN114241318B CN 114241318 B CN114241318 B CN 114241318B CN 202111594942 A CN202111594942 A CN 202111594942A CN 114241318 B CN114241318 B CN 114241318B
- Authority
- CN
- China
- Prior art keywords
- insect
- pest
- areas
- group
- damage
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000007480 spreading Effects 0.000 title claims abstract description 56
- 238000003892 spreading Methods 0.000 title claims abstract description 56
- 241000500437 Plutella xylostella Species 0.000 title claims abstract description 30
- 241000238631 Hexapoda Species 0.000 claims abstract description 170
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 140
- 239000011425 bamboo Substances 0.000 claims abstract description 33
- 230000005484 gravity Effects 0.000 claims abstract description 30
- 238000010586 diagram Methods 0.000 claims abstract description 15
- 241001330002 Bambuseae Species 0.000 claims abstract description 14
- 235000017166 Bambusa arundinacea Nutrition 0.000 claims abstract description 13
- 235000017491 Bambusa tulda Nutrition 0.000 claims abstract description 13
- 235000015334 Phyllostachys viridis Nutrition 0.000 claims abstract description 13
- 235000003570 Phyllostachys pubescens Nutrition 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 230000001960 triggered effect Effects 0.000 claims description 4
- 244000302661 Phyllostachys pubescens Species 0.000 claims 1
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 abstract description 2
- 241001520913 Phyllostachys edulis Species 0.000 description 23
- 229930002875 chlorophyll Natural products 0.000 description 4
- 235000019804 chlorophyll Nutrition 0.000 description 4
- 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 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 241000011500 Phyllostachys praecox Species 0.000 description 3
- 235000008545 Phyllostachys praecox Nutrition 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Landscapes
- Catching Or Destruction (AREA)
Abstract
本发明涉及一种确定刚竹毒蛾危害蔓延特征的方法及系统,该方法包括:(1)获取早期虫源点重心,将虫源点重心与虫害信息叠加;(2)以早期虫源点为圆心,搜索虫源点附近的虫害区域,据此生成虫害信息范围图;(3)依次判别每块虫害区域相对于所有虫源点的Euclidean距离,根据距离最小原则,确定不同虫源点引发的虫灾“群”范围;(4)依照上述方法对多时相影像进行运算,得到当年逐月及多年份刚竹毒蛾危害蔓延的时间序列集;(5)基于“群”整体和“群”重心计算相关指标,确定刚竹毒蛾当年逐月及多年份的蔓延路径与特征。该方法及系统以当年逐月和逐年数据基础,有利于实现虫害当年逐月及逐年蔓延情况的模拟和预测。
Description
技术领域
本发明涉及本发明属于遥感技术领域,具体涉及一种确定刚竹毒蛾危害蔓延特征的方法及系统。
背景技术
毛竹是我国分布最广、面积最大、效益最高的经济竹种之一,尤以福建、江西、湖南、浙江几省分布最广。毛竹生产潜力巨大,经济价值可观。但是,竹所面临的虫害的严峻性不容忽视。刚竹毒蛾是毛竹林最主要的食叶型害虫之一,具有群发性、周期性、危害极严重等特征,其暴发成灾时虫口密度急剧上升,蔓延迅速且难以预测防控,严重影响竹林生产和竹林生态系统健康,造成重大的经济损失与生态安全威胁。
已有关于刚竹毒蛾的研究多着眼于灾中监测与灾后评估阶段的工作,并不具备虫害预测的能力。虫害区是复杂环境条件下从源到面、从小到大的扩散蔓延过程。但是,目前对刚竹毒蛾危害的蔓延机制研究较少,因此,无法阻断其蔓延路径并实现其精准化防控。
发明内容
本发明的目的在于提供一种确定刚竹毒蛾危害蔓延特征的方法及系统,该方法及系统以当年逐月和逐年数据基础,有利于实现虫害当年逐月及逐年蔓延情况的模拟和预测。
为实现上述目的,本发明采用的技术方案是:一种确定刚竹毒蛾危害蔓延特征的方法,包括以下步骤:
(1)利用一阶矩求取早期虫源点重心,将虫源点重心与虫害信息叠加;
(2)对影像设立一定的搜索半径,以早期虫源点为圆心,搜索虫源点附近的虫害区域,若虫害区域处于该搜索半径内,则予以记录在存档集Sn中,反之则剔除在外,据此生成虫害信息范围图;
(3)对所有记录在存档集Sn中的虫害区域,依次判别每块虫害区域相对于所有虫源点的Euclidean距离,根据距离最小原则,将距离最近的虫源点编码赋值给虫害区域,得到不同虫源点引发的虫灾“群”范围;
(4)依照上述方法对多时相影像进行运算,得到刚竹毒蛾危害蔓延的时间序列集,其中对当年逐月影像进行运算得到刚竹毒蛾危害蔓延的时间序列集为USm,对逐年影像进行运算得到刚竹毒蛾危害蔓延的时间序列集为USy;
(5)基于“群”整体和“群”重心计算相关指标,确定刚竹毒蛾当年逐月及多年份的蔓延路径与特征。
进一步地,采用基于矢量数据的叠置分析法与基于栅格数据的像元差分法进行虫害溯源,以综合确定刚竹毒蛾危害的早期虫源点;叠置分析依托于虫害分布矢量数据的拓扑特征,而像元差分是基于像元本身属性及空间特征。
进一步地,对于t1期,通过考察两种方法的动态计算过程明确早期虫源点与蔓延区的对应关系,并将每个虫源点及其对应蔓延区的综合定义为一个虫灾“群”,从而确定虫灾“群”;
在此基础上,计算t2期虫害点与t1期各虫灾“群”的Euclidean距离,根据地理学第一定律,以距离最小原则判定虫害点归属于t1期的哪个虫灾“群”,由此确定t2期的虫灾“群”;
再以t2期虫灾“群”与t3期的虫害点为基础,确定t3期的虫灾“群”;依次进行,从而确定各期的虫灾“群”;按照早期虫源点汇总各期虫灾“群”空间数据,建立刚竹毒蛾危害蔓延的时间序列集USm、USy。
进一步地,该方法具体包括以下步骤:
1)由于虫源点以像元区域呈现,即像元块,且部分虫源点区域发生重叠,故首先对其进行中心点识别;其方法为:对早期虫源点影像进行二值化处理,将虫源点像元块赋值为1,其余区域赋值为0;在此基础上将每一个像元块定义为一个矩,定义为f(x)×p(x)关于x的定积分;在二值化图形中,其零阶矩的定义如下:
式中,V(i,j)为矩中(i,j)点的灰度值,其为所有像元灰度值之和,但因为在二值化图形中虫源点像元块都为1,其他黑色区域都为0,故M00的结果为所有白色区域的像元值之和,即所有白色区域面积之和;其一阶矩定义如下:
式中,i,j分别为每个像素的x,y坐标,其为所有像元点x,y坐标分别和像元值相乘之积再进行求和处理得到;同样,M10的结果即为所有白色区域像元x坐标之和,M01为所有白色区域y坐标之和;利用一阶矩,即求得虫源点像元块的重心坐标,其公式为:
2)对上述方法计算出的所有虫源点重心进行编码,同时将虫害信息与早期虫源点信息进行叠置,生成早期虫源点—虫害信息图;
3)根据两种方法的动态计算过程,针对t1期影像设立一定的搜索半径,以早期虫源点为圆心,搜索虫源点附近的虫害区域;若虫害区域处于该搜索半径内,则予以记录在存档集Sn中,反之则剔除在外,据此生成虫害信息范围图;
4)对所有记录在存档集Sn中的虫害区域,依次判别每块虫害区域相对于所有虫源点的Euclidean距离,将距离最近的虫源点编码赋予虫害区域,得到不同虫源点引发的虫灾“群”范围;
5)依照上述方法对多时相影像进行运算,得到刚竹毒蛾危害蔓延的时间序列集,其中对当年逐月影像进行运算得到刚竹毒蛾危害蔓延的时间序列集为USm,对逐年影像进行运算得到刚竹毒蛾危害蔓延的时间序列集为USy。
进一步地,基于早期虫源点与蔓延区的对应关系及时间序列变化,分别基于“群”整体与“群”重心时间序列数据计算相关指标,以解析刚竹毒蛾危害蔓延规律;“群”整体指虫灾“群”包含所有虫害区域,而“群”重心则基于“群”整体,采用重心模型计算得到,其表达式为:
式中,为“群”重心位置的坐标;Di为i位置上的虫害状况;(Xi,Yi)表示i单元的坐标。
进一步地,反映刚竹毒蛾危害蔓延特征的指标包括绿度因子、植被覆盖度因子、气温因子以及海拔与坡向联合因子。
本发明还提供了一种确定刚竹毒蛾危害蔓延特征的系统,包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现上述的方法步骤。
与现有技术相比,本发明具有以下有益效果:提供了一种确定刚竹毒蛾危害蔓延特征的方法及系统,该方法及系统可以快速地获取遥感影像中虫害蔓延信息,进而从卫星遥感的尺度实现刚竹毒蛾的危害蔓延检测。本发明为解析刚竹毒蛾危害的蔓延机制,阻断其蔓延路径并实现其精准化防控提供了技术支持,具有很强的实用性和广阔的应用前景。
附图说明
图1是本发明实施例中虫灾“群”确定过程示意图;
图2是本发明实施例中早期虫源点—虫害信息图;
图3是本发明实施例中不同绿度状态下刚竹毒蛾危害蔓延发生概率;
图4是本发明实施例中不同植被覆盖度状态下刚竹毒蛾危害蔓延发生概率;
图5是本发明实施例中不同气温状态下刚竹毒蛾危害蔓延发生概率;
图6是本发明实施例中不同地形下刚竹毒蛾危害蔓延发生概率;
图7是本发明实施例的方法实现流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图7所示,本实施例提供了一种确定刚竹毒蛾危害蔓延特征的方法,包括以下步骤:
(1)利用一阶矩求取早期虫源点重心,将虫源点重心与虫害信息叠加。
(2)对影像设立一定的搜索半径,以早期虫源点为圆心,搜索虫源点附近的虫害区域,若虫害区域处于该搜索半径内,则予以记录在存档集Sn中,反之则剔除在外,据此生成虫害信息范围图。
(3)对所有记录在存档集Sn中的虫害区域,依次判别每块虫害区域相对于所有虫源点的Euclidean距离,根据距离最小原则,将距离最近的虫源点编码赋值给虫害区域,得到不同虫源点引发的虫灾“群”范围。
(4)依照上述方法对多时相影像进行运算,得到刚竹毒蛾危害蔓延的时间序列集,其中对当年逐月影像进行运算得到刚竹毒蛾危害蔓延的时间序列集为USm,对逐年影像进行运算得到刚竹毒蛾危害蔓延的时间序列集为USy。
(5)基于“群”整体和“群”重心计算相关指标,确定刚竹毒蛾当年逐月及多年份的蔓延路径与特征。
下面以一具体实施例对本发明作进一步说明。实验数据为多光谱数据Landsat8OLI。
1、虫灾“群”确定与虫害蔓延时间序列集建立
采用基于矢量数据的叠置分析法与基于栅格数据的像元差分法进行虫害溯源,以综合确定刚竹毒蛾危害的早期虫源点;叠置分析依托于虫害分布矢量数据的拓扑特征,而像元差分是基于像元本身属性及空间特征。
因此,对于t1期,通过考察两种方法的动态计算过程明确早期虫源点与蔓延区的对应关系,并将每个虫源点及其对应蔓延区的综合定义为一个虫灾“群”,从而确定虫灾“群”。在此基础上,计算t2期虫害点与t1期各虫灾“群”的Euclidean距离,根据地理学第一定律,以距离最小原则判定虫害点归属于t1期的哪个虫灾“群”,由此确定t2期的虫灾“群”。再以t2期虫灾“群”与t3期的虫害点为基础,确定t3期的虫灾“群”。依次进行,从而确定各期的虫灾“群”;按照早期虫源点汇总各期虫灾“群”空间数据,建立刚竹毒蛾危害蔓延的时间序列集USm、USy。其过程如图1所示。
该方法的具体实施步骤如下:
1)由于虫源点以像元区域呈现,表现为6×6的像元块,且部分虫源点区域发生重叠,故首先对其进行中心点识别。其方法为:对早期虫源点影像进行二值化处理,将虫源点像元块赋值为1,其余区域赋值为0。在此基础上将每一个像元块定义为一个矩,矩作为一个统计学概念,定义为f(x)×p(x)关于x的定积分。在二值化图形中,其零阶矩的定义如下:
式中,V(i,j)为矩中(i,j)点的灰度值,其本意为所有像元灰度值之和,但因为在二值化图形中虫源点像元块都为1,其他黑色区域都为0,故M00的结果为所有白色区域的像元值之和,即所有白色区域面积之和。其一阶矩定义如下:
式中,i,j分别为每个像素的x,y坐标,其本质为所有像元点x,y坐标分别和像元值相乘之积再进行求和处理得到;同样,M10的结果即为所有白色区域像元x坐标之和,M01为所有白色区域y坐标之和。利用一阶矩,即求得虫源点像元块的重心坐标,其公式为:
2)对上述方法计算出的所有虫源点重心进行编码,序号依次为1~37,同时将虫害信息与早期虫源点信息进行叠置,生成如图2所示的早期虫源点—虫害信息图。
3)根据两种方法的动态计算过程,针对t1期影像设立一定的搜索半径,以早期虫源点为圆心,搜索虫源点附近的虫害区域;若虫害区域处于该搜索半径内,则予以记录在存档集Sn中,反之则剔除在外,据此生成虫害信息范围图。
4)对所有记录在存档集Sn中的虫害区域,依次判别每块虫害区域相对于所有虫源点的Euclidean距离,将距离最近的虫源点编码赋予虫害区域,得到不同虫源点引发的虫灾“群”范围。
5)依照上述方法对多时相影像进行运算,得到刚竹毒蛾危害蔓延的时间序列集USm、USy。
2、刚竹毒蛾危害蔓延路径与特征指标选择与分析
基于早期虫源点与蔓延区的对应关系及时间序列变化,分别基于“群”整体与“群”重心时间序列数据计算相关指标,以解析刚竹毒蛾危害蔓延规律。“群”整体指虫灾“群”包含所有虫害区域,而“群”重心则基于“群”整体,采用重心模型计算得到,其表达式为:
式中,为“群”重心位置的坐标;Di为i位置上的虫害状况;(Xi,Yi)表示i单元的坐标。
分别基于“群”整体和“群”重心时间序列数据,计算表1中的相关指标,由此分析刚竹毒蛾当年逐月及多年份的蔓延路径与特征(表1)。
表1刚竹毒蛾危害蔓延路径与特征指标
刚竹毒蛾危害蔓延环境因子筛选及关联性因子集建立:
选用地理探测器交互作用探测器与随机森林特征重要性接口,探究环境因子与蔓延模式间的关联性,结果发现,地形因子中海拔∩坡向、坡度∩坡向、海拔∩坡度、TPI∩坡向作为刚竹毒蛾危害蔓延关联性因子;气象因子中NP与SS的关联性因子为平均最低气温,TE与LSI的关联性因子为平均最高气温,PD与ED的关联性因子为平均日照时数,SI的关联性因子为最大风速风向,DS的关联性因子为08~08h降水量,MP的关联性因子为12~12h降水量,SD的关联性因子为平均相对湿度;林分因子中,NP、MPS、LSI及SD的关联性因子为植被覆盖度,TE与SI的关联性因子为郁闭度,SS的关联性因子为树种结构,PD、ED、DS的关联性因子为绿度。
将上述关联性分析结果进行总结,刚竹毒蛾危害蔓延特征的环境关联性因子如表2所示,据此建立刚竹毒蛾危害蔓延关联性因子集。
表2刚竹毒蛾危害蔓延关联性因子集
3、刚竹毒蛾虫害蔓延的初步应用分析
考虑海拔与坡向因子的交互影响,依据地形因子分级方法,将海拔∩坡向分级为15种等级如表3所示。
表3海拔∩坡向因子分级图
注:E表示海拔,A表示坡向
试验数据所在区域气温的空间差异不大,采用聚类分析将其基本等分为3级:21.0~22.1℃、22.1~24.0℃、24.0~24.8℃;同理,将植被覆盖度分为3级:0~0.4、0.4~0.7、0.7~1;绿度分为3级:-1~0.5、0.5~0.7、0.7~1。利用空间统计学的方法,对上述地形、气象、林分因子条件下刚竹毒蛾危害蔓延发生概率进行统计。
式中,POO为刚竹毒蛾危害蔓延发生概率;Fi为条件i下虫害蔓延发生频率;Ti为条件i下毛竹林分布频率。
1)绿度因子:2020年9月不同绿度状态下刚竹毒蛾危害蔓延发生概率图(图3)显示,2020.09顺昌县虫害蔓延概率在28.48%~60.12%之间,随着毛竹叶绿素含量增加,虫害蔓延概率呈现先上升后下降的趋势,在绿度为0.4~0.6时达到顶峰,随后逐渐恢复至初始发生概率水平。说明刚竹毒蛾危害蔓延对当月毛竹林叶绿素含量变化极为敏感,蔓延概率为0.5~0.6>0~0.5>0.6~1,即毛竹林叶绿素在适宜区间内,刚竹毒蛾危害蔓延会急剧爆发,但叶绿素含量过高或过低都会使该虫害蔓延强度降低。
2)植被覆盖度因子:2020年9月不同植被覆盖度状态下刚竹毒蛾危害蔓延发生概率图(图4)显示,随着植被覆盖度上升,刚竹毒蛾危害蔓延概率呈现下降趋势,蔓延概率在6.50%~20.56%之间。由于遭受虫害侵染下的竹林普遍显现出稀疏的特征,植被覆盖度较高的林分尚未有明显的虫害表征,故可利用植被覆盖度预示虫害未来可能发展的方向。
3)气温因子:2020年9月不同温度条件下刚竹毒蛾危害蔓延发生概率图(图5)显示,20.09该地气温变化幅度较小,刚竹毒蛾危害蔓延对当月气温比较敏感,发生概率范围在15.24%~39.12%之间,即当月气温越高,发生虫害蔓延的概率越高。
4)海拔∩坡向因子:2020年9月在海拔与坡向交互作用下刚竹毒蛾危害蔓延发生概率图(图6)显示,位于高海拔半阳坡处的毛竹林最易发生虫害蔓延,发生概率为26.24%;反之,中海拔阳坡处的毛竹林最不易发生虫害蔓延,发生概率为6.45%,不同地形状态下刚竹毒蛾危害蔓延差异性显著。在同等坡向条件下,高海拔地区更易受到虫害侵染,而位于相同海拔条件下,阳坡与半阳坡的虫害发生概率最高。
通过上述蔓延概率分析,可证明由本发明筛选出的刚竹毒蛾危害关联性因子可有效实现虫害蔓延预测,能较好反映刚竹毒蛾危害蔓延特征,有助于控制阻断虫害蔓延路径并实现其精准化防控,可为刚竹毒蛾危害蔓延预警和灾害控制工作提供支持。
本实施例还提供了一种确定刚竹毒蛾危害蔓延特征的系统,包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如上述的方法步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (5)
1.一种确定刚竹毒蛾危害蔓延特征的方法,其特征在于,包括以下步骤:
(1)利用一阶矩求取早期虫源点重心,将虫源点重心与虫害信息叠加;
(2)对影像设立一定的搜索半径,以早期虫源点为圆心,搜索虫源点附近的虫害区域,若虫害区域处于该搜索半径内,则予以记录在存档集Sn中,反之则剔除在外,据此生成虫害信息范围图;
(3)对所有记录在存档集Sn中的虫害区域,依次判别每块虫害区域相对于所有虫源点的Euclidean距离,根据距离最小原则,将距离最近的虫源点编码赋值给虫害区域,得到不同虫源点引发的虫灾“群”范围;
(4)依照上述方法对多时相影像进行运算,其中对当年逐月影像进行运算得到刚竹毒蛾危害蔓延的时间序列集为USm,对逐年影像进行运算得到刚竹毒蛾危害蔓延的时间序列集为USy;
(5)基于“群”整体和“群”重心计算相关指标,确定刚竹毒蛾当年逐月及多年份的蔓延路径与特征;
采用基于矢量数据的叠置分析法与基于栅格数据的像元差分法进行虫害溯源,以综合确定刚竹毒蛾危害的早期虫源点;叠置分析依托于虫害分布矢量数据的拓扑特征,而像元差分是基于像元本身属性及空间特征;
对于t1期,通过考察两种方法的动态计算过程明确早期虫源点与蔓延区的对应关系,并将每个虫源点及其对应蔓延区的综合定义为一个虫灾“群”,从而确定虫灾“群”;
在此基础上,计算t2期虫害点与t1期各虫灾“群”的Euclidean距离,根据地理学第一定律,以距离最小原则判定虫害点归属于t1期的哪个虫灾“群”,由此确定t2期的虫灾“群”;
再以t2期虫灾“群”与t3期的虫害点为基础,确定t3期的虫灾“群”;依次进行,从而确定各期的虫灾“群”;按照早期虫源点汇总各期虫灾“群”空间数据,建立刚竹毒蛾危害蔓延的时间序列集,其中对当年逐月影像进行运算得到刚竹毒蛾危害蔓延的时间序列集为USm,对逐年影像进行运算得到刚竹毒蛾危害蔓延的时间序列集为USy。
2.根据权利要求1所述的一种确定刚竹毒蛾危害蔓延特征的方法,其特征在于,该方法具体包括以下步骤:
1)由于虫源点以像元区域呈现,即像元块,且部分虫源点区域发生重叠,故首先对其进行中心点识别;其方法为:对早期虫源点影像进行二值化处理,将虫源点像元块赋值为1,其余区域赋值为0;在此基础上将每一个像元块定义为一个矩,定义为f(x)×p(x)关于x的定积分;在二值化图形中,其零阶矩的定义如下:
式中,V(i,j)为矩中(i,j)点的灰度值,其为所有像元灰度值之和,但因为在二值化图形中虫源点像元块都为1,其他黑色区域都为0,故M00的结果为所有白色区域的像元值之和,即所有白色区域面积之和;其一阶矩定义如下:
式中,i,j分别为每个像素的x,y坐标,其为所有像元点x,y坐标分别和像元值相乘之积再进行求和处理得到;同样,M10的结果即为所有白色区域像元x坐标之和,M01为所有白色区域y坐标之和;利用一阶矩,即求得虫源点像元块的重心坐标,其公式为:
2)对上述方法计算出的所有虫源点重心进行编码,同时将虫害信息与早期虫源点信息进行叠置,生成早期虫源点—虫害信息图;
3)根据两种方法的动态计算过程,针对t1期影像设立一定的搜索半径,以早期虫源点为圆心,搜索虫源点附近的虫害区域;若虫害区域处于该搜索半径内,则予以记录在存档集Sn中,反之则剔除在外,据此生成虫害信息范围图;
4)对所有记录在存档集Sn中的虫害区域,依次判别每块虫害区域相对于所有虫源点的Euclidean距离,将距离最近的虫源点编码赋予虫害区域,得到不同虫源点引发的虫灾“群”范围;
5)依照上述方法对多时相影像进行运算,得到刚竹毒蛾危害蔓延的时间序列集USm、USy。
3.根据权利要求2所述的一种确定刚竹毒蛾危害蔓延特征的方法,其特征在于,基于早期虫源点与蔓延区的对应关系及时间序列变化,分别基于“群”整体与“群”重心时间序列数据计算相关指标,以解析刚竹毒蛾危害蔓延规律;“群”整体指虫灾“群”包含所有虫害区域,而“群”重心则基于“群”整体,采用重心模型计算得到,其表达式为:
式中,为“群”重心位置的坐标;Di为i位置上的虫害状况;(Xi,Yi)表示i单元的坐标。
4.根据权利要求3所述的一种确定刚竹毒蛾危害蔓延特征的方法,其特征在于,反映刚竹毒蛾危害蔓延特征的指标包括绿度因子、植被覆盖度因子、气温因子以及海拔与坡向联合因子。
5.一种确定刚竹毒蛾危害蔓延特征的系统,其特征在于,包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如权利要求1-4任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111594942.3A CN114241318B (zh) | 2021-12-23 | 2021-12-23 | 一种确定刚竹毒蛾危害蔓延特征的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111594942.3A CN114241318B (zh) | 2021-12-23 | 2021-12-23 | 一种确定刚竹毒蛾危害蔓延特征的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114241318A CN114241318A (zh) | 2022-03-25 |
CN114241318B true CN114241318B (zh) | 2024-06-25 |
Family
ID=80762346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111594942.3A Active CN114241318B (zh) | 2021-12-23 | 2021-12-23 | 一种确定刚竹毒蛾危害蔓延特征的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114241318B (zh) |
Citations (1)
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 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015188333A (ja) * | 2014-03-27 | 2015-11-02 | 株式会社日立製作所 | 植生生長分析システム及び方法 |
CN108828147B (zh) * | 2018-06-14 | 2021-04-20 | 福州大学 | 一种耦合遥感响应特征的刚竹毒蛾危害检测方法 |
CN109816270B (zh) * | 2019-02-22 | 2022-05-13 | 福州大学 | 一种确定刚竹毒蛾危害遥感最佳诊断时段的方法 |
-
2021
- 2021-12-23 CN CN202111594942.3A patent/CN114241318B/zh active Active
Patent Citations (1)
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 |
Non-Patent Citations (1)
Title |
---|
Monitoring the Severity of Pantana phyllostachysae Chao on Bamboo Using Leaf Hyperspectral Data;Zhanghua Xu;remote sensing;20211016;第13卷(第20期);1-18 * |
Also Published As
Publication number | Publication date |
---|---|
CN114241318A (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sylvain et al. | Mapping dead forest cover using a deep convolutional neural network and digital aerial photography | |
Hermosilla et al. | Land cover classification in an era of big and open data: Optimizing localized implementation and training data selection to improve mapping outcomes | |
Pinheiro et al. | Forest degradation associated with logging frontier expansion in the Amazon: the BR-163 region in Southwestern Pará, Brazil | |
Yang et al. | Using MODIS NDVI time series to identify geographic patterns of landslides in vegetated regions | |
Castillo et al. | LIDAR remote sensing for secondary Tropical Dry Forest identification | |
CN110309800B (zh) | 一种林火烟雾探测方法及装置 | |
US20150154465A1 (en) | Automated compound structure characterization in overhead imagery | |
Lucas et al. | Mapping forest growth and degradation stage in the Brigalow Belt Bioregion of Australia through integration of ALOS PALSAR and Landsat-derived foliage projective cover data | |
US6990410B2 (en) | Cloud cover assessment: VNIR-SWIR | |
CN111709661B (zh) | 业务数据的风险处理方法、装置、设备及存储介质 | |
Paritsis et al. | Spatial prediction of caterpillar (Ormiscodes) defoliation in Patagonian Nothofagus forests | |
Wan et al. | A novel and efficient method for wood–leaf separation from terrestrial laser scanning point clouds at the forest plot level | |
Yang et al. | An elliptical distance based photon point cloud filtering method in forest area | |
Lassalle et al. | Tracking canopy gaps in mangroves remotely using deep learning | |
Coggins et al. | Estimates of bark beetle infestation expansion factors with adaptive cluster sampling | |
Scheeres et al. | Distinguishing forest types in restored tropical landscapes with UAV-borne LIDAR | |
Farhadi et al. | Badi: a novel burned area detection index for sentinel-2 imagery using google earth engine platform | |
CN114241318B (zh) | 一种确定刚竹毒蛾危害蔓延特征的方法及系统 | |
Smith-Tripp et al. | Landsat assessment of variable spectral recovery linked to post-fire forest structure in dry sub-boreal forests | |
Sitanggang et al. | Burn area processing to generate false alarm data for hotspot prediction models | |
Tonbul et al. | Comparative analysis of deep learning and machine learning models for burned area estimation using Sentinel-2 image: A case study in Muğla-Bodrum, Turkey | |
Moritake et al. | Detection and classification of trees using deep learning | |
Agarwal et al. | Analysis of urban area extracted from NDBI and classification approach by using satellite data | |
Kallimani et al. | GIS based real time assessment of wildfire and other changes in a forest: A review | |
Potapov et al. | Monitoring forest loss and degradation at national to global scales using Landsat data |
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 |