CN114399685B - 一种森林病虫害的遥感监测评估方法及装置 - Google Patents

一种森林病虫害的遥感监测评估方法及装置 Download PDF

Info

Publication number
CN114399685B
CN114399685B CN202210297864.9A CN202210297864A CN114399685B CN 114399685 B CN114399685 B CN 114399685B CN 202210297864 A CN202210297864 A CN 202210297864A CN 114399685 B CN114399685 B CN 114399685B
Authority
CN
China
Prior art keywords
image
pest
pixel
surface reflectivity
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
Application number
CN202210297864.9A
Other languages
English (en)
Other versions
CN114399685A (zh
Inventor
田静国
王宇翔
屈洋旭
范磊
黄非
张乐
关元秀
容俊
肖玲
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.)
Henan Aerospace Hongtu Information Technology Co ltd
Aerospace Hongtu Information Technology Co Ltd
Original Assignee
Aerospace Hongtu Information Technology Co Ltd
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 Aerospace Hongtu Information Technology Co Ltd filed Critical Aerospace Hongtu Information Technology Co Ltd
Priority to CN202210297864.9A priority Critical patent/CN114399685B/zh
Publication of CN114399685A publication Critical patent/CN114399685A/zh
Application granted granted Critical
Publication of CN114399685B publication Critical patent/CN114399685B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Image Processing (AREA)

Abstract

本申请提供了一种森林病虫害的遥感监测评估方法及装置，涉及遥感影像处理技术领域，具体为：获取待评估区域的遥感影像；对所述遥感影像进行处理，得到地表反射率影像；对所述地表反射率影像进行处理，得到光谱指数影像；将所述地表反射率影像和所述光谱指数影像合成为一个合成影像，对所述合成影像进行光谱降维处理，得到降维的光谱影像；分别计算地表反射率影像的预先设置的波段序号的LBP纹理值，得到优选的纹理影像；对降维的光谱影像和优选的纹理影像进行叠加，利用预先训练完成的病虫害监测评估模型对叠加后的影像进行处理，得到待评估区域的病虫害等级分布。本申请能够提高病虫害监测评估精度及评估速度。

Description

一种森林病虫害的遥感监测评估方法及装置
技术领域
本申请涉及遥感影像处理技术领域，尤其是涉及一种森林病虫害的遥感监测评估方法及装置。
背景技术
森林是地球生态系统中极为重要的组成部分，也对社会经济的良好运转有重要作用，而森林病虫害降低木材材质，抑制林木的生长及更新，造成森林资源大量损失森林病虫，是威胁森林生态健康重要因素之一。
传统的森林病虫害监测多采用人工调查的方式，该监测方式费时费力，不利于大范围、精准的森林病虫害监测。通过遥感技术进行森林病虫害监测，可快速、多频次、大范围的对森林病虫害区域进行识别评估，能够实时监测病虫害动态，为控制灾害的发生和发展以及降低森林受损程度起着重要支撑作用。
目前，遥感监测森林病虫害的方法主要为影像分类法和光谱分析法两大类。影像分类法适合于多光谱影像，主要利用机器学习或深度学习等分类器对病虫害进行分类监测，该方法大多利用森林的冠层光谱信息，很少考虑纹理信息，且分类器特别是深度学习分类器需要大量样本、硬件资源，算法设计复杂、运行速度较慢，一定程度上制约着其工程化应用；光谱分析法主要利用病虫害敏感的光谱波段，通过构建植被指数、计算光谱导数、分析吸收峰谷等手段达到监测病虫害的目的，但是该方法大多数需要光谱分辨率较高的影像或者高光谱影像，不适用大多数多光谱影像并且精度有限。
以上方法大多数在遥感监测森林病虫害实际应用中准确性、速度、工程化方面存在一定的局限性，亟需一种能够综合利用影像光谱信息和纹理信息的快速、准确、便于工程化应用的森林病虫害遥感监测评估方法。
发明内容
有鉴于此，本申请提供了一种森林病虫害的遥感监测评估方法及装置，以解决现有的遥感监测森林病虫害方法在准确性、速度和工程化方面存在局限性的技术问题。
第一方面，本申请实施例提供了一种森林病虫害的遥感监测评估方法，包括：
获取待评估区域的遥感影像；
对所述遥感影像进行处理，得到地表反射率影像；对所述地表反射率影像进行处理，得到光谱指数影像；
将所述地表反射率影像和所述光谱指数影像合成为一个合成影像，对所述合成影像进行光谱降维处理，得到降维的光谱影像；
分别计算地表反射率影像的预先设置的波段序号的LBP纹理值，得到优选的纹理影像；
对降维的光谱影像和优选的纹理影像进行叠加，利用预先训练完成的病虫害监测评估模型对叠加后的影像进行处理，得到待评估区域的病虫害等级分布。
进一步的，对所述遥感影像进行处理，得到地表反射率影像；对所述地表反射率影像进行处理，得到光谱指数影像；包括：
对所述遥感影像进行几何校正和大气校正，得到初始的地表反射率影像；
利用森林小班矢量数据裁切初始的地表反射率影像，得到地表反射率影像；所述地表反射率影像的波段数为N，高和宽为H和W；
从所述地表反射率影像中获取每个像元的近红外波段的地表反射率rnir、红波段的地表反射率rred和蓝波段的地表反射率rblue；
计算每个像元的NDVI波段的归一化植被指数NDVI和EVI波段的增强植被指数EVI：
Figure 897959DEST_PATH_IMAGE001
Figure 222761DEST_PATH_IMAGE002
其中，C1=6.0，C2=7.5，LL=1.0，G=2.5；
生成光谱指数影像，所述光谱指数影像的每个像元包括NDVI波段和EVI波段。
进一步的，将所述地表反射率影像和所述光谱指数影像合成一个合成影像，对所述合成影像进行光谱降维处理，得到降维的光谱影像；包括：
将所述地表反射率影像和所述光谱指数影像合成为一个合成影像M' 0,合成影像M' 0的波段数N'为N+2，高和宽为H和W；
对合成影像M' 0进行数组尺寸变换，由(N',H,W)变成(N',H×W)的二维数据D，D包含N' 个特征，每个特征有c个元素，c=H×W；
计算D的每个特征的均值，利用N' 个特征的均值生成D mean ,大小为(N', 1), 构建去中心化数组D'：D' =D－D mean ；
计算D' 的协方差矩阵为D' cov ,大小为N' ×N',对D' cov 进行特征分解获取特征值和特征向量；
对特征值进行降序排列，选择前K 1个特征值对应的K 1个特征向量作为行向量组成特征向量矩阵P, 大小为K 1×N'；
利用去中心化数组D' 和特征向量矩阵P计算二维数据D' 1：
Figure 592562DEST_PATH_IMAGE003
其中，D' 1大小为K 1×c；
对D' 1进行数组尺寸变换生成降维的光谱影像,降维的光谱影像波段数为K 1，高和宽为H和W。
进一步的，分别计算地表反射率影像的预先设置的波段序号的LBP纹理值，得到优选的纹理影像；包括：
对于预先设置的K2个波段序号的任一波段序号，对所述地表反射率影像的任一个像元，所述像元的坐标为
Figure 420841DEST_PATH_IMAGE004
,所述像元的LBP纹理值
Figure 217896DEST_PATH_IMAGE005
为：
Figure 826732DEST_PATH_IMAGE006
其中，R为搜索半径，P为以
Figure 937907DEST_PATH_IMAGE004
为圆心，半径为R的圆内的像元个数，
Figure 948589DEST_PATH_IMAGE007
为所述像元的灰度值，
Figure 916545DEST_PATH_IMAGE008
为圆内第p个像元的灰度值；灰度值和像元位置和波段序号对应的波段值相关，
Figure 448895DEST_PATH_IMAGE009
为门限函数：
Figure 160499DEST_PATH_IMAGE010
第p个像元的坐标
Figure 963370DEST_PATH_IMAGE011
为：
Figure 102227DEST_PATH_IMAGE012
Figure 685655DEST_PATH_IMAGE013
生成优选的纹理影像，其每个像元包括K2个LBP纹理值。
进一步的，所述病虫害监测评估模型采用随机森林模型，所述病虫害监测评估模型的训练步骤包括：
获取反应病虫害特征的多期历史遥感影像，对多期历史遥感影像进行处理，合成一幅地表反射率影像样本；对所述地表反射率影像进行处理，得到光谱指数影像样本；
将所述地表反射率影像样本和所述光谱指数影像样本合成一个合成影像样本，对所述合成影像样本进行光谱降维处理，得到降维的光谱影像样本；
获取病虫害调查样点集，基于核密度估计获取与遥感影像样本位置对应的标注的病虫害等级影像；
对地表反射率影像样本的各波段进行LBP纹理计算，基于病虫害调查样点集得到优选的纹理影像样本；
将降维的光谱影像样本和优选的纹理影像样本进行叠加，输入病虫害监测评估模型，得到预测的病虫害等级影像；基于预测的病虫害等级影像和标注的病虫害等级影像，确定损失函数值；基于损失函数值，更新关键点检测模型的模型参数。
进一步的，对多期历史遥感影像进行处理，合成一幅地表反射率影像样本；包括：
对Q期历史遥感影像进行几何校正和大气校正，生成多期地表反射率影像：M 1, M 2 …M Q ，每一期影像包含N个波段；
通过均值合成方法合成均值地表反射率影像M'：
Figure 873054DEST_PATH_IMAGE014
式中，
Figure 858328DEST_PATH_IMAGE015
表示第q期影像的第n波段，n=1,2,…N，M' 均值影像包含N个波段；
利用森林小班矢量数据裁切M'，得到地表反射率影像样本M 0，M 0的波段数为N，高和宽为H和W。
进一步的，获取病虫害调查样点集，基于核密度估计获取与遥感影像样本位置对应的标注的病虫害等级影像；包括：
获取待评估区域的病虫害调查样点集X，X包含K个病虫害样点的地理坐标，通过空间关联获取K个病虫害样点在地表反射率影像样本M 0的像元点位，分别为(x 1,y 1), (x 2,y 2)… (x k ,y k ) … (x K ,y K )；
对于大小为H×W的影像S，其中的一个像元坐标为(x,y)，该像元点的核密度density为：
Figure 168086DEST_PATH_IMAGE016
Figure 176493DEST_PATH_IMAGE017
其中，radius为搜索半径，L为在以(x,y)为中心radius为半径的圆内病虫害样点的个数，
Figure 229900DEST_PATH_IMAGE018
是第l个病虫害样点和坐标为(x, y)的像元的距离，l=1,2,…L；当L=0时，density=0；
将核密度density作为每个像元的像元值，生成病虫害分布影像S；
对于病虫害分布影像S的每个像元，根据核密度确定每个像元的病虫害等级，生成病虫害等级影像S 0。
进一步的，对于病虫害分布影像S的每个像元，根据核密度确定每个像元的病虫害等级，生成病虫害等级影像S 0，包括：
对于病虫害分布影像S，分别计算所有像元值百分位为40，70和 90的像元值，分别为V1，V2和V3；其中，像元值为核密度density；
对于病虫害分布影像S的任一像元，当所述像元的核密度density为0，则该像元的病虫害等级值为1，病虫害等级为正常；
当所述像元的核密度density满足：0＜density≤V1，则该像元的病虫害等级值为2，病虫害等级为轻度；
当所述像元的核密度density满足：V1＜density≤V2，则该像元的病虫害等级值为3，病虫害等级为中度；
当所述像元的核密度density满足：V2＜density≤V3，则该像元的病虫害等级值为4，病虫害等级为较严重；
当所述像元的核密度density满足：V3＜density，则该像元的病虫害等级值为5，病虫害等级为严重;
生成病虫害等级影像S 0，S 0的每个像元的像元值包括病虫害等级值以及病虫害等级。
进一步的，对地表反射率影像样本的各波段进行LBP纹理计算，基于病虫害调查样点集得到优选的纹理影像样本；包括：
对于地表反射率影像样本的各像元，分别计算N个波段对应的N个LBP纹理值；
根据K个病虫害样点的像元点位(x 1,y 1),(x 2,y 2) … (x k ,y k ) … (x K ,y K )，从纹理影像样本中获取每个病虫害样点的像元点位的N个波段对应N个LBP纹理值；
对于第n个波段，以K个像元点的LBP纹理值为自变量，以K个像元点的病虫害等级值为因变量，通过线性回归分析计算相关性系数；
将N个波段对应的N个相关性系数进行降序排列，获取前K 2个相关性系数对应的波段序号；所述预先设置的波段序号为前K 2个相关性系数对应的波段序号；
生成优选的纹理影像样本，其每个像元包括K 2个波段序号的LBP纹理值。
第二方面，本申请实施例提供了一种森林病虫害的遥感监测评估装置，包括：
获取单元，用于获取待评估区域的遥感影像；
处理单元，用于对所述遥感影像进行处理，得到地表反射率影像；对所述地表反射率影像进行处理，得到光谱指数影像；
降维的光谱影像生成单元，用于将所述地表反射率影像和所述光谱指数影像合成一个合成影像，对所述合成影像进行光谱降维处理，得到降维的光谱影像；
优选的纹理影像生成单元，用于分别计算地表反射率影像的预先设置的波段序号的LBP纹理值，得到优选的纹理影像；
病虫害等级评估单元，用于对降维的光谱影像和优选的纹理影像进行叠加，利用预先训练完成的病虫害监测评估模型对叠加后的影像进行处理，得到待评估区域的病虫害等级分布。
本申请能够提高病虫害监测评估精度及评估速度。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的森林病虫害的遥感监测评估方法的整体技术路线示意图。
图2为本申请实施例提供的森林病虫害的遥感监测评估方法的流程图；
图3为本申请实施例提供的病虫害监测评估模型的训练步骤的流程图；
图4为本申请实施例提供的森林病虫害的遥感监测评估装置的功能结构图；
图5为本申请实施例提供的电子设备的结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
首先对本申请实施例的设计思想进行简单介绍。
现有的遥感监测森林病虫害方法在准确性、速度和工程化方面存在一定的局限性，亟需一种能够综合利用影像光谱信息和纹理信息的快速、准确、便于工程化应用的森林病虫害遥感监测评估方法。
为解决上述技术问题，如图1所示，本申请提供了一种森林病虫害的遥感监测评估方法，通过综合利用森林病虫害的在遥感影像中光谱特征和纹理特征，采用分级评价、模型优选等技术，实现对森林病虫害的监测评估，该适用于大多数光学多光谱影像，具备运行速度快、监测评估精度高，便于工程化应用等优点，为全面准确掌握森林病虫害状况，减少对生态环境的破坏起到了基础技术支撑作用。
在介绍了本申请实施例的应用场景和设计思想之后，下面对本申请实施例提供的技术方案进行说明。
如图2所示，本申请实施例提供了一种森林病虫害的遥感监测评估方法，包括：
步骤101：获取待评估区域的遥感影像；
步骤102：对所述遥感影像进行处理，得到地表反射率影像；对所述地表反射率影像进行处理，得到光谱指数影像；
在本实施例中，该步骤包括：
对所述遥感影像进行几何校正和大气校正，得到初始的地表反射率影像；
利用森林小班矢量数据裁切初始的地表反射率影像，得到地表反射率影像；所述地表反射率影像的波段数为N，高和宽为H和W；
从所述地表反射率影像中获取每个像元的近红外波段的地表反射率rnir、红波段的地表反射率rred和蓝波段的地表反射率rblue；
计算每个像元的NDVI波段的归一化植被指数NDVI和EVI波段的增强植被指数EVI：
Figure 69680DEST_PATH_IMAGE019
Figure 986558DEST_PATH_IMAGE002
其中，C1=6.0，C2=7.5，LL=1.0，G=2.5；
生成光谱指数影像，所述光谱指数影像的每个像元包括NDVI波段和EVI波段。
步骤103：将所述地表反射率影像和所述光谱指数影像合成为一个合成影像，对所述合成影像进行光谱降维处理，得到降维的光谱影像；
由于多光谱遥感影像数据量较大，为了在不减少遥感光谱信息的前提下，提高算法的运行效率，利用主成分分析(Principal Component Analysis,PCA)对地表反射率影像和光谱指数影像合成的影像进行降维处理。
在本实施例中，该步骤包括：
将所述地表反射率影像和所述光谱指数影像合成为一个合成影像M' 0,合成影像M' 0的波段数N' 为N+2，高和宽为H和W；
对合成影像M' 0进行数组尺寸变换，由(N',H,W)变成(N',H×W)的二维数据D，D包含N' 个特征，每个特征有c个元素，c=H×W；
计算D的每个特征的均值，利用N' 个特征的均值生成D mean ,大小为(N', 1), 构建去中心化数组D'：D' =D－D mean ；
计算D' 的协方差矩阵为D' cov ,大小为N' ×N',对D' cov 进行特征分解获取特征值和特征向量；
对特征值进行降序排列，选择前K 1个特征值对应的K 1个特征向量作为行向量组成特征向量矩阵P, 大小为K 1×N'；
利用去中心化数组D' 和特征向量矩阵P计算二维数据D' 1：
Figure 278999DEST_PATH_IMAGE003
其中，D' 1大小为K 1×c；
对D' 1进行数组尺寸变换生成降维的光谱影像,降维的光谱影像波段数为K 1，高和宽为H和W。
步骤104：分别计算地表反射率影像的预先设置的波段序号的LBP纹理值，得到优选的纹理影像；
传统的自然图像纹理信息主要是由灰度共生矩阵(Gray-level co-occurrencematrix,GLCM)衍生出来的对比度、熵、自相关等信息组成，而遥感图像的数据量远远大于自然图像，利用GLCM无法在速度上满足遥感图像纹理信息的获取。为了有效增加病虫害纹理信息，并且提高生成纹理数据的效率，利用局部二值模式（Local Binary Patterns, LBP）算法生成病虫害纹理值，并选取病虫害纹理敏感波段的病虫害纹理值，生成优选的纹理影像。
预先设置的波段序号是在病虫害监测评估模型训练中获取到的，这些波段序号是优选出的病虫害纹理敏感波段，在后续的步骤中回有详细的描述。
在本实施例中，该步骤包括：
对于预先设置的K2个波段序号的任一波段序号，对所述地表反射率影像的任一个像元，所述像元的坐标为
Figure 136097DEST_PATH_IMAGE004
,所述像元的LBP纹理值
Figure 768067DEST_PATH_IMAGE005
为：
Figure 419628DEST_PATH_IMAGE006
其中，R为搜索半径，P为以
Figure 402627DEST_PATH_IMAGE004
为圆心，半径为R的圆内的像元个数，
Figure 797837DEST_PATH_IMAGE007
为所述像元的灰度值，
Figure 346630DEST_PATH_IMAGE008
为圆内第p个像元的灰度值；灰度值和像元位置和波段序号对应的波段值相关，
Figure 372354DEST_PATH_IMAGE009
为门限函数：
Figure 639388DEST_PATH_IMAGE010
第p个像元的坐标
Figure 838288DEST_PATH_IMAGE011
为：
Figure 677806DEST_PATH_IMAGE020
Figure 936749DEST_PATH_IMAGE013
生成优选的纹理影像，每个像元包括K2个LBP纹理值。
步骤105：对降维的光谱影像和优选的纹理影像进行叠加，利用预先训练完成的病虫害监测评估模型对叠加后的影像进行处理，得到待评估区域的病虫害等级分布。
首先，本实施例中的病虫害监测评估模型采用随机森林模型，如图3所示，该模型的训练步骤包括：
步骤201：获取反应病虫害特征的多期历史遥感影像，对多期历史遥感影像进行处理，合成一幅地表反射率影像样本；对所述地表反射率影像进行处理，得到光谱指数影像样本；
首先根据森林病虫害的病种、发生区域等，确定病虫害发生的时间跨度，且排除季节性落叶的时间范围，在此条件下获取能够在遥感影像反应病虫害的特征的多期遥感影像。
对Q期历史遥感影像进行几何校正和大气校正，生成多期地表反射率影像：M 1, M 2 …M Q ，每一期影像包含N个波段；
通过均值合成方法合成均值地表反射率影像M'：
Figure 691078DEST_PATH_IMAGE014
式中，
Figure 428090DEST_PATH_IMAGE015
表示第q期影像的第n波段，n=1,2,…N，M' 均值影像包含N个波段；
利用森林小班矢量数据裁切M'，得到地表反射率影像样本M 0，M 0的波段数为N，高和宽为H和W。
其中，对所述地表反射率影像进行处理的步骤与步骤102中相应的步骤相同。
步骤202：将所述地表反射率影像样本和所述光谱指数影像样本合成一个合成影像样本，对所述合成影像样本进行光谱降维处理，得到降维的光谱影像样本；
其中，该步骤的处理过程与步骤103的处理过程相同。
步骤203：获取病虫害调查样点集，基于核密度估计获取与遥感影像样本位置对应的标注的病虫害等级影像；
森林病虫害病害一般初期为点状分布，由于其具备高度传染性，后期呈现片状分布，而地面实地调查数据则是大多数为样点数据，不能有效表征病虫害实际分布状态，所以需要基于地面调查样点数据，利用核密度估计（Kernel density estimation），对病虫害进行等级划分。
核密度估计主要是将离散的病虫害样点X按照其的分布密度，生成能够反演病害分布趋势的影像S，S的大小为H×W。获取待评估区域的病虫害调查样点集X，X包含K个病虫害样点的地理坐标，通过空间关联获取K个病虫害样点在地表反射率影像样本M 0的像元点位，分别为(x 1,y 1), (x 2,y 2) … (x k ,y k ) … (x K ,y K )；
Figure 889158DEST_PATH_IMAGE016
Figure 319003DEST_PATH_IMAGE017
其中，radius为搜索半径，L为在以(x, y)为中心radius为半径的圆内病虫害样点的个数，
Figure 295049DEST_PATH_IMAGE021
是第l个病虫害样点和坐标为(x, y)的像元的距离，l=1,2,…L；当L=0时，density=0；
将核密度density作为每个像元的像元值，生成病虫害分布影像S；
在不等于0的S影像范围内，获取所有像元值，分别计算所有像元值百分位为40，70，90的像元值为V1，V2，V3。按照下表的阈值范围生成病虫害等级影像S 0。
Figure 711118DEST_PATH_IMAGE022
生成病虫害等级影像S 0，S 0的每个像元的像元值包括病虫害等级值以及病虫害等级。
步骤204：对地表反射率影像样本的各波段进行LBP纹理计算，基于病虫害调查样点集得到优选的纹理影像样本；
传统的自然图像纹理信息主要是由灰度共生矩阵(Gray-level co-occurrencematrix,GLCM)衍生出来的对比度、熵、自相关等信息组成，而遥感图像的数据量远远大于自然图像，利用GLCM无法在速度上满足遥感图像纹理信息的获取。为了有效增加病虫害纹理信息，并且提高生成纹理数据的效率，利用局部二值模式算法（Local Binary Patterns,LBP）生成病虫害纹理信息，同时基于相关性分析，优选出病虫害纹理敏感波段，基于敏感波段的纹理信息，生成包含病虫害纹理信息的数据。
对于地表反射率影像样本的各像元，分别计算N个波段对应的N个LBP纹理值；
根据K个病虫害样点的像元点位(x 1,y 1), (x 2,y 2) … (x k ,y k ) … (x K , y K )，从纹理影像样本中获取每个病虫害样点的像元点位的N个波段对应N个LBP纹理值；
对于第n个波段，以K个像元点的LBP纹理值为自变量，以K个像元点的病虫害等级值为因变量，通过线性回归分析计算相关性系数；
将N个波段对应的N个相关性系数进行降序排列，获取前
Figure 354589DEST_PATH_IMAGE023
个相关性系数对应的波段序号；所述预先设置的波段序号为前
Figure 689755DEST_PATH_IMAGE024
个相关性系数对应的波段序号；
生成优选的纹理影像样本，其每个像元包括
Figure 418677DEST_PATH_IMAGE024
个波段序号的LBP纹理值。
步骤205：将降维的光谱影像样本和优选的纹理影像样本进行叠加，输入病虫害监测评估模型，得到预测的病虫害等级影像；基于预测的病虫害等级影像和标注的病虫害等级影像，确定损失函数值；基于损失函数值，更新关键点检测模型的模型参数。
随机森林具备健壮性强、精度高、效率高等优势，适用于遥感影像的病虫害监测。选取样本数据的75%用于模型训练，样本数据的25%用于模型验证。
模型有三个重要参数，分别为n_estimators（RF模型中随机树的数量）、max_features（建立每一棵决策树所用到的自变量的个数）以及max_depths（每一棵决策树能到达的最大深度）。模型设置n_estimators取值范围10-200，max_features范围10-100，max_depths为2-30，并利用 10-fold 交叉验证来进行以上三个参数的优化，得到最优的n_estimators，max_features以及max_depths。
将最优参数带入模型中，得到预测等级，并与已知的等级进行对比分析，进行模型精度评价，精度通过后，就生成了病虫害监测评估模型。
下面通过一个具体实例对上述技术方案进行详细说明。
研究地区为浙江省瑞安县，监测的病虫害类别为松材线虫病。sentinel2作为典型多光谱遥感影像，选取sentinel2多光谱遥感影像作为监测评估松材线虫病的数据源。瑞安松材线虫病发生时间为4-11月，而当地落叶时间为9-11月，故选用6-8月的树木生长茂盛时期的sentinel2影像。
对2020年6-8月的sentinel2进行几何校正、大气校正、多期合成、矢量小班裁切等处理后，生成一幅地表反射率影像样本M 0，M 0为11波段，大小为(183, 83)。
获取2020年松材线虫病实地调查样点数据集X，包含1701个样点，利用核密度估计对X进行处理，核密度估计搜索半径设置为30m，生成病虫害分布影像S；获取病虫害分布影像S所有像元值，分别计算所有像元值百分位为40，70，90的像元值为3.12，10.50，30.00，生成S 0影像如下表：
Figure 933709DEST_PATH_IMAGE025
基于地表反射率影像样本M 0计算的NDVI和EVI，得到光谱指数影像；
进行PCA光谱降维后得到降维的光谱影像，波段数据为3，大小为（183，83）；
设置LBP算法的R为3，P为6，通过LBP算法逐波段的运算，进而可以获取纹理影像，有11个波段，大小为(183, 83)。根据病虫害样点坐标，提取纹理影像的像元值，将像元值与病虫害样点的松材线虫病等级做线性回归分析，计算两者的相关性系数C 2，为[0.23,0.22, 0.28. 0.30, 0.22, 0.23, 0.25, 0.25, 0.24, 0.31, 0.24], 选择排名前三的对应的波段分别为3、4和10，将3个波段合成优选的纹理影像，大小为(183, 83)。
利用10-fold交叉验证来进行参数调优，得到最优的n_estimators，max_features以及max_depths分别为40，15，50，模型验证精度为90%，从而得到最优松材线虫病监测评估模型，可进行遥感工程化应用。
通过松材线虫病监测评估模型，基于2021年6月的sentinel2影像
Figure 431687DEST_PATH_IMAGE026
进行松材线虫病监测评估，
Figure 875438DEST_PATH_IMAGE027
经过影像处理、光谱指数计算、PCA光谱降维以及LBP纹理波段计算，选用3，4，10波段的纹理影像，并叠加光谱降维后的3个波段光谱影像，最终生成
Figure 91655DEST_PATH_IMAGE028
影像，
Figure 911844DEST_PATH_IMAGE029
有6个波段，大小为（3085, 1731）。
基于上述实施例，本申请实施例提供了一种森林病虫害的遥感监测评估装置，参阅图4所示，本申请实施例提供的森林病虫害的遥感监测评估装置300至少包括：
获取单元301，用于获取待评估区域的遥感影像；
处理单元302，用于对所述遥感影像进行处理，得到地表反射率影像；对所述地表反射率影像进行处理，得到光谱指数影像；
降维的光谱影像生成单元303，用于将所述地表反射率影像和所述光谱指数影像合成一个合成影像，对所述合成影像进行光谱降维处理，得到降维的光谱影像；
优选的纹理影像生成单元304，用于分别计算地表反射率影像的预先设置的波段序号的LBP纹理值，得到优选的纹理影像；
病虫害等级评估单元305，用于对降维的光谱影像和优选的纹理影像进行叠加，利用预先训练完成的病虫害监测评估模型对叠加后的影像进行处理，得到待评估区域的病虫害等级分布。
需要说明的是，本申请实施例提供的森林病虫害的遥感监测评估装置300解决技术问题的原理与本申请实施例提供的森林病虫害的遥感监测评估方法相似，因此，本申请实施例提供的森林病虫害的遥感监测评估装置300的实施可以参见本申请实施例提供的森林病虫害的遥感监测评估方法的实施，重复之处不再赘述。
如图5所示，本申请实施例提供的电子设备400至少包括：处理器401、存储器402和存储在存储器402上并可在处理器401上运行的计算机程序，处理器401执行计算机程序时实现本申请实施例提供的森林病虫害的遥感监测评估方法。
本申请实施例提供的电子设备400还可以包括连接不同组件（包括处理器401和存储器402）的总线403。其中，总线403表示几类总线结构中的一种或多种，包括存储器总线、外围总线、局域总线等。
存储器402可以包括易失性存储器形式的可读介质，例如随机存储器（RandomAccess Memory，RAM）4021和/或高速缓存存储器4022，还可以进一步包括只读存储器（ReadOnly Memory，ROM）4023。
存储器402还可以包括具有一组（至少一个）程序模块4025的程序工具4024，程序模块4025包括但不限于：操作子系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
电子设备400也可以与一个或多个外部设备404（例如键盘、遥控器等）通信，还可以与一个或者多个使得用户能与电子设备400交互的设备通信（例如手机、电脑等），和/或，与使得电子设备400与一个或多个其它电子设备400进行通信的任何设备（例如路由器、调制解调器等）通信。这种通信可以通过输入/输出（Input /Output，I/O）接口405进行。并且，电子设备400还可以通过网络适配器406与一个或者多个网络（例如局域网（Local AreaNetwork，LAN），广域网（Wide Area Network，WAN）和/或公共网络，例如因特网）通信。如图5所示，网络适配器406通过总线403与电子设备400的其它模块通信。应当理解，尽管图5中未示出，可以结合电子设备400使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列（Redundant Arrays of IndependentDisks，RAID）子系统、磁带驱动器以及数据备份存储子系统等。
需要说明的是，图5所示的电子设备400仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机指令，该计算机指令被处理器执行时实现本申请实施例提供的森林病虫害的遥感监测评估方法。
此外，尽管在附图中以特定顺序描述了本申请方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (8)

1.一种森林病虫害的遥感监测评估方法，其特征在于，包括：
获取待评估区域的遥感影像；
对所述遥感影像进行处理，得到地表反射率影像；对所述地表反射率影像进行处理，得到光谱指数影像；
将所述地表反射率影像和所述光谱指数影像合成为一个合成影像，对所述合成影像进行光谱降维处理，得到降维的光谱影像；
分别计算地表反射率影像的预先设置的波段序号的LBP纹理值，得到优选的纹理影像；
对降维的光谱影像和优选的纹理影像进行叠加，利用预先训练完成的病虫害监测评估模型对叠加后的影像进行处理，得到待评估区域的病虫害等级分布；
将所述地表反射率影像和所述光谱指数影像合成一个合成影像，对所述合成影像进行光谱降维处理，得到降维的光谱影像；包括：
将所述地表反射率影像和所述光谱指数影像合成为一个合成影像M' 0,合成影像M' 0的波段数N'为N+2，高和宽为H和W；
对合成影像M' 0进行数组尺寸变换，由(N',H,W)变成(N',H×W)的二维数据D，D包含N'个特征，每个特征有c个元素，c=H×W；
计算D的每个特征的均值，利用N'个特征的均值生成D mean ,大小为(N', 1), 构建去中心化数组D'：D'=D－D mean ；
计算D'的协方差矩阵为D' cov ,大小为N'×N',对D' cov 进行特征分解获取特征值和特征向量；
对特征值进行降序排列，选择前K 1个特征值对应的K 1个特征向量作为行向量组成特征向量矩阵P,大小为K 1×N'；
利用去中心化数组D'和特征向量矩阵P计算二维数据D' 1：
Figure 702318DEST_PATH_IMAGE001
其中，D' 1大小为K 1×c；
对D' 1进行数组尺寸变换生成降维的光谱影像,降维的光谱影像波段数为K 1，高和宽为H和W；
分别计算地表反射率影像的预先设置的波段序号的LBP纹理值，得到优选的纹理影像；包括：
对于预先设置的K2个波段序号的任一波段序号，对所述地表反射率影像的任一像元，所述像元的坐标为(x c ,y c ),所述像元的LBP纹理值LBP P,R (x c ,y c )为：
Figure 57076DEST_PATH_IMAGE002
其中，R为搜索半径，P为以(x c ,y c )为圆心，半径为R的圆内的像元个数，I(c)为所述像元的灰度值，I(p)为圆内第p个像元的灰度值；灰度值和像元位置和波段序号对应的波段值相关，s (x)为门限函数：
Figure 914173DEST_PATH_IMAGE003
第p个像元的坐标(x p ,y p )为：
Figure 608460DEST_PATH_IMAGE004
Figure 823803DEST_PATH_IMAGE005
生成优选的纹理影像，每个像元包括K2个LBP纹理值。
2.根据权利要求1所述的森林病虫害的遥感监测评估方法，其特征在于，对所述遥感影像进行处理，得到地表反射率影像；对所述地表反射率影像进行处理，得到光谱指数影像；包括：
对所述遥感影像进行几何校正和大气校正，得到初始的地表反射率影像；
利用森林小班矢量数据裁切初始的地表反射率影像，得到地表反射率影像；所述地表反射率影像的波段数为N，高和宽为H和W；
从所述地表反射率影像中获取每个像元的近红外波段的地表反射率rnir、红波段的地表反射率rred和蓝波段的地表反射率rblue；
计算每个像元的NDVI波段的归一化植被指数NDVI和EVI波段的增强植被指数EVI：
Figure 869119DEST_PATH_IMAGE006
Figure 264328DEST_PATH_IMAGE007
其中，C1=6.0，C2=7.5，LL=1.0，G=2.5；
生成光谱指数影像，所述光谱指数影像的每个像元包括NDVI波段和EVI波段。
3.根据权利要求1所述的森林病虫害的遥感监测评估方法，其特征在于，所述病虫害监测评估模型采用随机森林模型，所述病虫害监测评估模型的训练步骤包括：
获取反应病虫害特征的多期历史遥感影像，对多期历史遥感影像进行处理，合成一幅地表反射率影像样本；对所述地表反射率影像进行处理，得到光谱指数影像样本；
将所述地表反射率影像样本和所述光谱指数影像样本合成一个合成影像样本，对所述合成影像样本进行光谱降维处理，得到降维的光谱影像样本；
获取病虫害调查样点集，基于核密度估计获取与遥感影像样本位置对应的标注的病虫害等级影像；
对地表反射率影像样本的各波段进行LBP纹理计算，基于病虫害调查样点集得到优选的纹理影像样本；
将降维的光谱影像样本和优选的纹理影像样本进行叠加，输入病虫害监测评估模型，得到预测的病虫害等级影像；基于预测的病虫害等级影像和标注的病虫害等级影像，确定损失函数值；基于损失函数值，更新关键点检测模型的模型参数。
4.根据权利要求3所述的森林病虫害的遥感监测评估方法，其特征在于，对多期历史遥感影像进行处理，合成一幅地表反射率影像样本；包括：
对Q期历史遥感影像进行几何校正和大气校正，生成多期地表反射率影像：M 1, M 2 …M Q ，每一期影像包含N个波段；
通过均值合成方法合成均值地表反射率影像M'：
Figure 875438DEST_PATH_IMAGE008
式中，M (q,n)表示第q期影像的第n波段，n=1,2,…N，M'均值影像包含N个波段；
利用森林小班矢量数据裁切M'，得到地表反射率影像样本M 0，M 0的波段数为N，高和宽为H和W。
5.根据权利要求4所述的森林病虫害的遥感监测评估方法，其特征在于，获取病虫害调查样点集，基于核密度估计获取与遥感影像样本位置对应的标注的病虫害等级影像；包括：
获取待评估区域的病虫害调查样点集X，X包含K个病虫害样点的地理坐标，通过空间关联获取K个病虫害样点在地表反射率影像样本M 0的像元点位，分别为(x 1,y 1),(x 2,y 2)…(x k ,y k )… (x K ,y K )；
对于大小为H×W的影像S，其中的一个像元坐标为(x,y)，该像元点的核密度density为：
Figure 963480DEST_PATH_IMAGE009
Figure 230513DEST_PATH_IMAGE010
其中，radius为搜索半径，L为在以(x, y)为中心radius为半径的圆内病虫害样点的个数，
Figure 491730DEST_PATH_IMAGE011
是第l个病虫害样点和坐标为(x, y)的像元的距离，l=1,2,…L；当L=0时，density=0；
将核密度density作为每个像元的像元值，生成病虫害分布影像S；
对于病虫害分布影像S的每个像元，根据核密度确定每个像元的病虫害等级，生成病虫害等级影像S 0。
6.根据权利要求5所述的森林病虫害的遥感监测评估方法，其特征在于，对于病虫害分布影像S的每个像元，根据核密度确定每个像元的病虫害等级，生成病虫害等级影像S 0，包括：
对于病虫害分布影像S，分别计算所有像元值百分位为40，70和 90的像元值，分别为V1，V2和V3；其中，像元值为核密度density；
对于病虫害分布影像S的任一像元，当所述像元的核密度density为0，则该像元的病虫害等级值为1，病虫害等级为正常；
当所述像元的核密度density满足：0＜density≤V1，则该像元的病虫害等级值为2，病虫害等级为轻度；
当所述像元的核密度density满足：V1＜density≤V2，则该像元的病虫害等级值为3，病虫害等级为中度；
当所述像元的核密度density满足：V2＜density≤V3，则该像元的病虫害等级值为4，病虫害等级为较严重；
当所述像元的核密度density满足：V3＜density，则该像元的病虫害等级值为5，病虫害等级为严重;
生成病虫害等级影像S 0，S 0的每个像元的像元值包括病虫害等级值以及病虫害等级。
7.根据权利要求6所述的森林病虫害的遥感监测评估方法，其特征在于，对地表反射率影像样本的各波段进行LBP纹理计算，基于病虫害调查样点集得到优选的纹理影像样本;包括：
对于地表反射率影像样本的各像元，分别计算N个波段对应的N个LBP纹理值；
根据K个病虫害样点的像元点位(x 1,y 1),(x 2,y 2)…(x k ,y k )… (x K ,y K )，从纹理影像样本中获取每个病虫害样点的像元点位的N个波段对应N个LBP纹理值；
对于第n个波段，以K个像元点的LBP纹理值为自变量，以K个像元点的病虫害等级值为因变量，通过线性回归分析计算相关性系数；
将N个波段对应的N个相关性系数进行降序排列，获取前K 2个相关性系数对应的波段序号；所述预先设置的波段序号为前K 2个相关性系数对应的波段序号；
生成优选的纹理影像样本，其每个像元包括K 2个波段序号的LBP纹理值。
8.一种森林病虫害的遥感监测评估装置，其特征在于，包括：
获取单元，用于获取待评估区域的遥感影像；
处理单元，用于对所述遥感影像进行处理，得到地表反射率影像；对所述地表反射率影像进行处理，得到光谱指数影像；
降维的光谱影像生成单元，用于将所述地表反射率影像和所述光谱指数影像合成一个合成影像，对所述合成影像进行光谱降维处理，得到降维的光谱影像；
优选的纹理影像生成单元，用于分别计算地表反射率影像的预先设置的波段序号的LBP纹理值，得到优选的纹理影像；
病虫害等级评估单元，用于对降维的光谱影像和优选的纹理影像进行叠加，利用预先训练完成的病虫害监测评估模型对叠加后的影像进行处理，得到待评估区域的病虫害等级分布；
将所述地表反射率影像和所述光谱指数影像合成一个合成影像，对所述合成影像进行光谱降维处理，得到降维的光谱影像；包括：
将所述地表反射率影像和所述光谱指数影像合成为一个合成影像M' 0,合成影像M' 0的波段数N'为N+2，高和宽为H和W；
对合成影像M' 0进行数组尺寸变换，由(N',H,W)变成(N',H×W)的二维数据D，D包含N'个特征，每个特征有c个元素，c=H×W；
计算D的每个特征的均值，利用N'个特征的均值生成D mean ,大小为(N', 1), 构建去中心化数组D'：D'=D－D mean ；
计算D'的协方差矩阵为D' cov ,大小为N'×N',对D' cov 进行特征分解获取特征值和特征向量；
对特征值进行降序排列，选择前K 1个特征值对应的K 1个特征向量作为行向量组成特征向量矩阵P,大小为K 1×N'；
利用去中心化数组D'和特征向量矩阵P计算二维数据D' 1：
Figure 895030DEST_PATH_IMAGE001
其中，D' 1大小为K 1×c；
对D' 1进行数组尺寸变换生成降维的光谱影像,降维的光谱影像波段数为K 1，高和宽为H和W；
分别计算地表反射率影像的预先设置的波段序号的LBP纹理值，得到优选的纹理影像；包括：
对于预先设置的K2个波段序号的任一波段序号，对所述地表反射率影像的任一像元，所述像元的坐标为(x c ,y c ),所述像元的LBP纹理值LBP P,R (x c ,y c )为：
Figure 216290DEST_PATH_IMAGE002
其中，R为搜索半径，P为以(x c ,y c )为圆心，半径为R的圆内的像元个数，I(c)为所述像元的灰度值，I(p)为圆内第p个像元的灰度值；灰度值和像元位置和波段序号对应的波段值相关，s (x)为门限函数：
Figure 970619DEST_PATH_IMAGE003
第p个像元的坐标(x p ,y p )为：
Figure 707631DEST_PATH_IMAGE012
Figure 791868DEST_PATH_IMAGE013
生成优选的纹理影像，每个像元包括K2个LBP纹理值。
CN202210297864.9A 2022-03-25 2022-03-25 一种森林病虫害的遥感监测评估方法及装置 Active CN114399685B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210297864.9A CN114399685B (zh) 2022-03-25 2022-03-25 一种森林病虫害的遥感监测评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210297864.9A CN114399685B (zh) 2022-03-25 2022-03-25 一种森林病虫害的遥感监测评估方法及装置

Publications (2)

Publication Number Publication Date
CN114399685A CN114399685A (zh) 2022-04-26
CN114399685B true CN114399685B (zh) 2022-06-21

Family

ID=81234061

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210297864.9A Active CN114399685B (zh) 2022-03-25 2022-03-25 一种森林病虫害的遥感监测评估方法及装置

Country Status (1)

Country Link
CN (1) CN114399685B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115187860B (zh) * 2022-07-11 2023-07-18 浙江甲骨文超级码科技股份有限公司 一种植物病虫害评估方法及系统
CN116579501A (zh) * 2023-05-17 2023-08-11 成都理工大学 一种基于深度学习的受损森林遥感监测评估方法
CN116704212B (zh) * 2023-08-04 2023-10-27 西南林业大学 基于机器学习及多光谱影像的林木火灾受损信息提取方法
CN117440266B (zh) * 2023-12-20 2024-04-05 杨凌职业技术学院 一种基于遥感技术的林业病虫害监测系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105021529A (zh) * 2015-06-11 2015-11-04 浙江水利水电学院 融合光谱和图像信息的作物病虫害识别和区分方法
CN109657598A (zh) * 2018-12-13 2019-04-19 宁波大学 基于分层策略的滨海湿地遥感分类方法
CN110487793A (zh) * 2019-08-29 2019-11-22 北京麦飞科技有限公司 病虫害时间动态分布监测方法及系统
CN110533595A (zh) * 2019-09-03 2019-12-03 北京麦飞科技有限公司 一种作物病虫害空间动态分布监测的方法和系统
CN110852381A (zh) * 2019-11-11 2020-02-28 四川航天神坤科技有限公司 一种林火火烧迹地的提取方法及系统
CN110926430A (zh) * 2019-11-22 2020-03-27 海南省林业科学研究所 一种空地一体化红树林监测系统及控制方法
CN111582146A (zh) * 2020-05-06 2020-08-25 宁波大学 一种基于多特征融合的高分辨率遥感影像城市功能分区方法
CN111881933A (zh) * 2019-06-29 2020-11-03 浙江大学 一种高光谱图像分类方法及系统
CN112257531A (zh) * 2020-10-13 2021-01-22 西安电子科技大学 基于多样性特征联合的林地变化遥感监测方法
CN113345004A (zh) * 2021-08-05 2021-09-03 航天宏图信息技术股份有限公司 一种植被叶面积指数的估算方法和装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2802697C (en) * 2010-06-16 2021-01-12 Yale University Forest inventory assessment using remote sensing data
US10699119B2 (en) * 2016-12-02 2020-06-30 GEOSAT Aerospace & Technology Methods and systems for automatic object detection from aerial imagery

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105021529A (zh) * 2015-06-11 2015-11-04 浙江水利水电学院 融合光谱和图像信息的作物病虫害识别和区分方法
CN109657598A (zh) * 2018-12-13 2019-04-19 宁波大学 基于分层策略的滨海湿地遥感分类方法
CN111881933A (zh) * 2019-06-29 2020-11-03 浙江大学 一种高光谱图像分类方法及系统
CN110487793A (zh) * 2019-08-29 2019-11-22 北京麦飞科技有限公司 病虫害时间动态分布监测方法及系统
CN110533595A (zh) * 2019-09-03 2019-12-03 北京麦飞科技有限公司 一种作物病虫害空间动态分布监测的方法和系统
CN110852381A (zh) * 2019-11-11 2020-02-28 四川航天神坤科技有限公司 一种林火火烧迹地的提取方法及系统
CN110926430A (zh) * 2019-11-22 2020-03-27 海南省林业科学研究所 一种空地一体化红树林监测系统及控制方法
CN111582146A (zh) * 2020-05-06 2020-08-25 宁波大学 一种基于多特征融合的高分辨率遥感影像城市功能分区方法
CN112257531A (zh) * 2020-10-13 2021-01-22 西安电子科技大学 基于多样性特征联合的林地变化遥感监测方法
CN113345004A (zh) * 2021-08-05 2021-09-03 航天宏图信息技术股份有限公司 一种植被叶面积指数的估算方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘林毅.小麦赤霉病及白粉病多尺度遥感监测方法研究.《中国博士学位论文全文数据库，农业科技辑》.2021, *
宋勇等.无人机遥感监测作物病虫害研究进展.《棉花学报》.2021, *
张瑞瑞等.基于U-Net网络和无人机影像的松材线虫病变色木识别.《农业工程学报》.2020, *

Also Published As

Publication number Publication date
CN114399685A (zh) 2022-04-26

Similar Documents

Publication Publication Date Title
CN114399685B (zh) 一种森林病虫害的遥感监测评估方法及装置
Zhang et al. Three-dimensional convolutional neural network model for tree species classification using airborne hyperspectral images
Uddin et al. PCA-based feature reduction for hyperspectral remote sensing image classification
Kavzoglu Increasing the accuracy of neural network classification using refined training data
Zhang et al. Combining object-based texture measures with a neural network for vegetation mapping in the Everglades from hyperspectral imagery
Coburn et al. A multiscale texture analysis procedure for improved forest stand classification
CN107145836B (zh) 基于栈式边界辨别自编码器的高光谱图像分类方法
Moody et al. Artificial neural network response to mixed pixels in coarse-resolution satellite data
Cavallaro et al. Automatic attribute profiles
Jiang et al. Assessing mangrove leaf traits under different pest and disease severity with hyperspectral imaging spectroscopy
Ninomiya High-throughput field crop phenotyping: current status and challenges
Hao et al. MFC-CNN: An automatic grading scheme for light stress levels of lettuce (Lactuca sativa L.) leaves
Hassan et al. Plant seedlings classification using transfer learning
Lottering et al. Detecting and mapping Gonipterus scutellatus induced vegetation defoliation using WorldView-2 pan-sharpened image texture combinations and an artificial neural network
CN111783884A (zh) 基于深度学习的无监督高光谱图像分类方法
CN115147721A (zh) 一种森林蓄积量的遥感反演方法及装置
Dalal et al. ETR: Enhancing transformation reduction for reducing dimensionality and classification complexity in hyperspectral images
Dubey Automatic recognition of fruits and vegetables and detection of fruit diseases
Esmaeili et al. ResMorCNN Model: Hyperspectral Images Classification Using Residual-Injection Morphological Features & 3D-CNN Layers
Juola et al. Classification of tree species based on hyperspectral reflectance images of stem bark
Kekre et al. SAR image segmentation using vector quantization technique on entropy images
Islam et al. Subgrouping-based nmf with imbalanced class handling for hyperspectral image classification
Yang et al. Investigating the impact of hyperspectral reconstruction techniques on the quantitative inversion of rice physiological parameters: A case study using the MST++ model
Shakil et al. Addressing agricultural challenges: An identification of best feature selection technique for dragon fruit disease recognition
Minarno et al. Leaf based plant species classification using deep convolutional neural network

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230419

Address after: 101, 1st Floor, Building 4, Courtyard 2, Cuihu North Ring Road, Haidian District, Beijing, 100094

Patentee after: Aerospace Hongtu Information Technology Co.,Ltd.

Patentee after: Henan Aerospace Hongtu Information Technology Co.,Ltd.

Address before: 100195 Room 301, 3 / F, building 5, zone 4, Xishan Creative Park, Haidian District, Beijing

Patentee before: Aerospace Hongtu Information Technology Co.,Ltd.