CN114419431A - 一种蝗灾潜在高风险区识别方法、装置、设备及存储介质 - Google Patents
一种蝗灾潜在高风险区识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114419431A CN114419431A CN202111589159.8A CN202111589159A CN114419431A CN 114419431 A CN114419431 A CN 114419431A CN 202111589159 A CN202111589159 A CN 202111589159A CN 114419431 A CN114419431 A CN 114419431A
- Authority
- CN
- China
- Prior art keywords
- index
- area
- image data
- remote sensing
- pixel
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 38
- 206010035148 Plague Diseases 0.000 title claims abstract description 37
- 238000003860 storage Methods 0.000 title claims abstract description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 125
- 238000011160 research Methods 0.000 claims abstract description 121
- 230000008859 change Effects 0.000 claims abstract description 76
- 239000002689 soil Substances 0.000 claims description 50
- 238000007637 random forest analysis Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000007635 classification algorithm Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- 238000012790 confirmation Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000003786 synthesis reaction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 5
- 230000002776 aggregation Effects 0.000 abstract description 2
- 238000004220 aggregation Methods 0.000 abstract description 2
- 241000238814 Orthoptera Species 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 7
- 241000196324 Embryophyta Species 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006872 improvement Effects 0.000 description 6
- 241000254032 Acrididae Species 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 241000254022 Locusta migratoria Species 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000014676 Phragmites communis Nutrition 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种蝗灾潜在高风险区识别方法、装置、设备及存储介质,其利用研究区内长时间序列的多时相遥感影像数据对研究区水体和蝗虫适宜生境进行提取并分析得到研究区的水体变化指数和适宜生境变化指数,并当水体变化指数和适宜生境变化指数满足第一预设条件时,确认该研究区存在蝗灾潜在高风险区,再利用多时相遥感影像数据计算得到的生境适宜性指数以及各个区域与研究区中水体之间的距离来确认研究区内的蝗灾潜在高风险区。通过上述方式,本发明能够充分考虑生境由不适宜到适宜的演变过程,而且考虑了蝗虫聚集性暴发的特性,可实现潜在高风险区的高精度识别。
Description
技术领域
本申请涉及虫害防控及遥感技术领域,特别是涉及一种蝗灾潜在高风险区识别方法、装置、设备及存储介质。
背景技术
蝗虫灾害是对农业生产具有毁灭性打击的生物灾害,东亚飞蝗是对我国危害最严重的蝗虫种类。长期以来,东亚飞蝗虫情的测报工作被认为是植保部门的重要任务之一,其目标是及时发现蝗虫孳生区并采取措施,以控制蝗虫种群密度,防止蝗虫聚集成群、起飞成灾。
目前,我国植保部门的蝗虫测报体系相对传统,多通过人工目测手查和田间取样的方式在“点”上开展工作,即通过人工挖卵取样、拉网普查的方式调查蝗虫虫情,进而结合气象条件基于主观经验知识对蝗虫进行测报。这些方法一方面耗费人力、容易漏防成灾;另一方面,对于地方植保人员的专业水平具有较高依赖,而实际相关人员的专业水平参差不齐,不能满足防控需求。以上方法忽略了空间信息,导致蝗情测报缺乏准确性,不足以支撑管理部门及时采取有效防控措施。
随着遥感(RS)及地理信息系统(GIS)技术的不断发展,其大面积、实时对地观测及强大的空间数据处理能力为蝗虫的遥感监测提供了极大便利。相关学者将RS和GIS技术引入到蝗虫监测预警研究中,进行了诸如蝗虫生境因子遥感监测、生境遥感分类、生境适宜性评价、潜在高风险栖息地识别、蝗区数字化平台构建、蝗灾发生预测等多方面研究,真正实现了大尺度上蝗虫虫情的高精度监测预警,一定程度上提高了蝗虫的测报效率及水平。在以上成果的支撑下,政府和各级植保部门已基本可以实现东亚飞蝗在重点蝗区(蝗虫常发区)的有效控制。
但近年来,在气候变化影响下,极端降水和干旱事件频发,新的蝗虫适生环境不断形成,且不在植保部门监测范围内,易形成蝗虫“监控盲区”,如遇降雨压缩生存环境,蝗虫极易聚集形成高密度点片,成为蝗灾潜在高风险区。
发明内容
本申请提供一种蝗灾潜在高风险区识别方法、装置、设备及存储介质,以解决当前防控体系易出现“监控盲区”的问题。
为解决上述技术问题,本申请采用的一个技术方案一种蝗灾潜在高风险区识别方法,包括:基于预设方式获取研究区的长时间序列的多时相遥感影像数据;应用多时相遥感影像数据对研究区进行土地覆盖分类,并基于第一预设规则和多时相遥感影像数据计算研究区每个像元的生境适宜性指数;基于第二预设规则,利用多时相遥感影像数据计算得到研究区的水体变化指数和适宜生境变化指数,且当水体变化指数和适宜生境变化指数满足第一预设条件时,确认研究区中存在蝗灾潜在高风险区;确认多时相遥感影像数据中最新一期影像的水体像元,并获取每个非水体像元与最近的水体像元之间的距离,且当存在目标非水体像元对应的生境适宜性指数和距离满足第二预设条件时,确认目标非水体像元对应的区域为蝗灾潜在高风险区。
作为本申请的进一步改进,基于第一预设规则和多时相遥感影像数据计算研究区每个像元的生境适宜性指数,包括:根据多时相遥感影像数据计算研究区的归一化差值植被指数、归一化差值水体指数、归一化差值建筑指数、建成区指数和土壤盐分指数;将归一化差值植被指数、归一化差值水体指数、归一化差值建筑指数、建成区指数和土壤盐分指数与多时相遥感影像数据进行波段合成,得到研究区的多时相遥感合成影像数据;利用预设分类算法,根据多时相遥感合成影像数据对研究区中每个像元按预设土地类型进行分类,得到每个像元的土地覆盖类型数据;根据归一化差值植被指数计算得到研究区的植被覆盖度;根据多时相遥感影像数据计算研究区的地表温度和温度植被干旱指数;根据土地覆盖类型数据、植被覆盖度、地表温度、土壤盐分指数和温度植被干旱指数对研究区中的每个像元进行评估,得到每个像元的生境适宜性指数,并基于生境适宜性指数确认每个像元对应的适宜性等级。
作为本申请的进一步改进,利用预设分类算法,根据多时相遥感合成影像数据对研究区中每个像元按预设土地类型进行分类,得到每个像元的土地覆盖类型数据,包括:获取预先构建并训练好的随机森林分类器,随机森林分类器根据预先准备的样本和预设土地类型训练得到;将每个像元对应的多时相遥感合成影像数据输入至随机森林分类器,得到每个像元的土地覆盖类型数据。
作为本申请的进一步改进,根据土地覆盖类型数据、植被覆盖度、地表温度、土壤盐分指数和温度植被干旱指数对研究区中的每个像元进行评估,得到每个像元的生境适宜性指数,包括:构建基于土地覆盖类型数据、植被覆盖度、地表温度、土壤盐分指数和温度植被干旱指数的适宜性等级,并为每个等级赋值;基于斑块尺度原理,根据每个像元对应的土地覆盖类型数据、植被覆盖度、地表温度、土壤盐分指数和温度植被干旱指数计算得到中心像元斑块尺度的适宜性等级;利用线性加权求和的方式,根据中心像元斑块尺度的适宜性等级计算得到每个像元的生境适宜性指数。
作为本申请的进一步改进,利用多时相遥感影像数据计算得到研究区的水体变化指数的步骤,包括:根据多时相遥感影像数据和土地覆盖类型数据获取研究区中水体在多时相遥感影像数据对应的时段内的最小面积、在多时相遥感影像数据起始时间点的第一面积和在多时相遥感影像数据结束时间点的第二面积;根据第一面积、第二面积和最小面积计算得到水体在多时相遥感影像数据对应的时段内的水体变化指数。
作为本申请的进一步改进,利用多时相遥感影像数据计算得到研究区的适宜生境变化指数的步骤,包括:根据多时相遥感影像数据和每个像元的适宜性等级获取研究区中蝗虫适宜生境在多时相遥感影像数据对应的时段内的最大面积、在多时相遥感影像数据起始时间点的第三面积和在多时相遥感影像数据结束时间点的第四面积;根据第三面积、第四面积和最大面积计算得到蝗虫适宜生境在多时相遥感影像数据对应的时段内的适宜生境变化指数。
作为本申请的进一步改进,第一预设条件为:
其中,tmin为水体面积最小时所对应的时间,tmax为蝗虫适宜生境面积最大时所对应的时间,t1为多时相遥感影像数据起始时间点,tn为多时相遥感影像数据结束时间点,WS为多时相遥感影像数据对应的时段内各个时间点对应的水体面积,LHS为多时相遥感影像数据对应的时段内各个时间点对应的蝗虫适宜生境面积,δWS为水体变化指数,δLHS为适宜生境变化指数,C1为预设水体变化指数阈值,C2为预设适宜生境变化指数阈值。
第二预设条件为:
其中,Dwater为非水体像元与最近的水体像元之间的距离,HSI为像元的生境适宜性指数,D为预设距离阈值,C为预设生境适宜性指数阈值。
为解决上述技术问题,本申请采用的另一个技术方案是:提供一种蝗灾潜在高风险区识别装置,包括:获取模块,用于基于预设方式获取研究区的长时间序列的多时相遥感影像数据;计算模块,用于应用多时相遥感影像数据对研究区进行土地覆盖分类,并基于第一预设规则和多时相遥感影像数据计算研究区每个像元的生境适宜性指数;第一确认模块,用于基于第二预设规则,利用多时相遥感影像数据计算得到研究区的水体变化指数和适宜生境变化指数,且当水体变化指数和适宜生境变化指数满足第一预设条件时,确认研究区中存在蝗灾潜在高风险区;第二确认模块,用于确认多时相遥感影像数据中最新一期影像的水体像元,并获取每个非水体像元与最近的水体像元之间的距离,且当存在目标非水体像元对应的生境适宜性指数和距离满足第二预设条件时,确认目标非水体像元对应的区域为蝗灾潜在高风险区。
为解决上述技术问题,本申请采用的再一个技术方案是:提供一种计算机设备,所述计算机设备包括处理器、与所述处理器耦接的存储器,所述存储器中存储有程序指令,所述程序指令被所述处理器执行时,使得所述处理器执行上述的蝗灾风险预测方法的步骤。
为解决上述技术问题,本申请采用的再一个技术方案是:提供一种存储介质,存储有能够实现上述蝗灾风险预测方法的程序指令。
本申请的有益效果是:本申请的蝗灾潜在高风险区识别方法通过利用研究区内长时间序列的多时相遥感影像数据对研究区水体和蝗虫适宜生境进行提取并分析得到研究区的水体变化指数和适宜生境变化指数,并当水体变化指数和适宜生境变化指数满足第一预设条件时,确认该研究区存在蝗灾潜在高风险区,再利用最新一期遥感影像数据计算得到的生境适宜性指数以及各个区域与研究区中水体之间的距离来确认研究区内可能会出现蝗灾风险的区域,其充分考虑了蝗虫生境由不适宜到适宜的演变过程,而且考虑了蝗虫聚集性暴发的特性,结合旱涝动态变化,实现了对蝗灾潜在高风险区的高精度识别。
附图说明
图1是本发明实施例的蝗灾潜在高风险区识别方法的流程示意图;
图2是本发明实施例的蝗灾潜在高风险区识别装置的功能模块示意图;
图3是本发明实施例的计算机设备的结构示意图;
图4是本发明实施例的存储介质的结构示意图。
具体实施方式
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,所描述的实施例仅是本申请的一部分实施例,而不是全部的实施例。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,都属于本申请保护的范围。
本申请中的术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。本申请实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
图1是本发明实施例的蝗灾潜在高风险区识别方法的流程示意图。需注意的是,若有实质上相同的结果,本发明的方法并不以图1所示的流程顺序为限。如图1所示,该方法包括步骤:
步骤S101:基于预设方式获取研究区的长时间序列的多时相遥感影像数据。
具体地,本实施例中,通过获取NASA全球降雨测量(GPM)逐月数据,绘制研究区近5年月均降雨量时间序列曲线,确认研究区降雨发生明显变化的起始年份及结束年份,同时获取研究区一年中雨季开始及结束的月份,从而得到长时间序列的多时相遥感影像数据,以及该多时相遥感影像数据对应的影像获取时间段。
步骤S102:应用多时相遥感影像数据对研究区进行土地覆盖分类,并基于第一预设规则和多时相遥感影像数据计算研究区每个像元的生境适宜性指数。
具体地,在获取到多时相遥感影像数据后,对研究区进行土地覆盖分类,再计算每个像元的生境适宜性指数。并且,在计算生境适宜性指数之前,对研究区内的多时相遥感影像数据按影像获取时间段进行筛选,筛选出影像含云量低于10%的n个时期的遥感影像。需要说明的是,遥感影像数据通常包括B1(海岸波段)、B2(蓝波段)、B3(绿波段)、B4(红波段)、B5(近红外波段)、B6(短波红外1波段)、B7(短波红外2波段)、B8(全色波段)、B9(卷云波段)、B10(热红外1波段)和B11(热红外2波段)。
其中,步骤S102中应用多时相遥感影像数据对研究区进行土地覆盖分类,并基于第一预设规则和多时相遥感影像数据计算研究区每个像元的生境适宜性指数的步骤,具体包括:
1、根据多时相遥感影像数据计算研究区的归一化差值植被指数、归一化差值水体指数、归一化差值建筑指数、建成区指数和土壤盐分指数。
具体地,本实施例中,利用上述筛选过的多时相遥感影像数据来计算研究区的归一化差值植被指数、归一化差值水体指数、归一化差值建筑指数、建成区指数和土壤盐分指数。
归一化差值植被指数的计算公式为:
NDVI=(B5-B4)/(B5+B4);
其中,NDVI表示归一化差值植被指数,无量纲,值域为[-1,1];B4表示遥感影像数据红波段的亮度值;B5表示遥感影像数据近红外波段的亮度值。
归一化差值水体指数的计算公式为:
NDWI=(B3-B5)/(B3+B5);
其中,NDWI表示归一化差值水体指数,值域为[-1,1];B3表示遥感影像数据绿波段的亮度值;B5表示遥感影像数据近红外波段的亮度值。
归一化差值建筑指数的计算公式为:
NDBI=(B6-B5)/(B6+B5);
其中,NDBI表示归一化差值建筑指数,无量纲,值域为[-1,1];B6表示遥感影像数据短波红外波段的亮度值;B5表示遥感影像数据近红外波段的亮度值。
建成区指数的计算公式为:
BUI=NDBI–NDVI;
其中,BUI表示建成区指数,无量纲,值域为[-2,2];NDBI表示归一化差值建筑指数,NDVI表示归一化差值植被指数。
土壤盐分指数的计算公式为:
其中,SSI表示土壤盐分指数;B3表示遥感影像数据绿波段的亮度值;B4表示遥感影像数据红波段的亮度值。计算出SSI后对其进行归一化,即可得到研究区土壤盐分数据SS。
2、将归一化差值植被指数、归一化差值水体指数、归一化差值建筑指数、建成区指数和土壤盐分指数与多时相遥感影像数据进行波段合成,得到研究区的多时相遥感合成影像数据。
具体地,将计算得到的各时相的归一化差值植被指数、归一化差值水体指数、归一化差值建筑指数、建成区指数与相应时相的遥感影像数据进行波段合成,并将各波段依次命名为NDVI、NDWI、NDBI和BUI,得到研究区的多时相遥感合成影像数据。
3、利用预设分类算法,根据多时相遥感合成影像数据对研究区中每个像元按预设土地类型进行分类,得到每个像元的土地覆盖类型数据。
具体地,在得到多时相遥感合成影像数据后,利用面向对象的随机森林(RandomForest)分类算法,对研究区的多时相遥感合成影像数据对各个像元按预设土地类型进行分类,其中预设土地类型包括耕地、草本湿地、芦苇和杂草、林地、水体、人工表面和其他7类土地覆盖类型数据。
进一步的,该利用预设分类算法,根据多时相遥感合成影像数据对研究区中每个像元按预设土地类型进行分类,得到每个像元的土地覆盖类型数据,包括:
3.1、获取预先构建并训练好的随机森林分类器,随机森林分类器根据预先准备的样本和预设土地类型训练得到。
3.2、将每个像元对应的多时相遥感合成影像数据输入至随机森林分类器,得到每个像元的土地覆盖类型数据。
需要说明的是,该随机森林分类器需要预先训练好,具体训练过程如下:
(1)分别选取研究区雨季开始期及结束期的多景遥感影像数据,通过目视解译的方式选取不同土地覆盖类型数据的样本;
(2)参与分类器训练及测试的波段包括B2、B3、B4、B5、B6、B7、B10、B11、NDVI、NDWI、NDBI和BUI共12个波段;
(3)构建包括m棵树的随机森林分类器,并应用选取的样本对其进行训练,本实施例中,m优选取值100;
(4)以尺度d规则选取种子点,在以B6、B5、B4波段合成的影像上应用简单非迭代聚类(Simple Non-Iterative Clustering,SNIC)分割算法对研究区的影像进行超像素分割,形成对象,并根据对象统计12个输入波段的均值,再根据实际需求分别设置SNIC分割算法的3个参数:紧凑度(Compactness)、连通性(Connectivity)和邻域尺寸(NeighborhoodSize)。本实施例中,选取种子点的尺度d优选取值为5,SNIC分割算法的3个参数优选为0.5、8和256。
在得到训练好的随机森林分类器后,利用该随机森林分类器对研究区的多时相遥感合成影像数据进行面向对象的土地覆盖分类,得到每个像元的土地覆盖类型数据,并将该分类结果命名为土地覆盖类型数据LC。
4、根据归一化差值植被指数计算得到研究区的植被覆盖度。
具体地,植被覆盖度的计算公式为:
Fv=(NDVI-NDVIsoil)/(NDVIveg-NDVIsoil);
其中,Fv表示植被覆盖度,NDVI表示归一化差值植被指数,NDVIsoil为完全是裸土或无植被覆盖像元的NDVI值,NDVIveg则代表完全被植被所覆盖的像元的NDVI值。
5、根据多时相遥感影像数据计算研究区的地表温度和温度植被干旱指数。
具体地,地表温度的计算公式为:
其中,LST表示地表温度,单位为摄氏度,Tb为热红外通道中的TOA亮度温度,ε为热红外通道的表面发射率,系数Ai、Bi、Ci由对10组总柱水蒸气(TCWV)(范围为0-6cm,步长0.6cm,TCWV值高于6cm为最后一组)执行的辐射传输模型的线性回归确定。
温度植被干旱指数的计算公式为:
LSTSmax=a*NDVI+b,LSTSmin=c*NDVI+d;
其中,TVDI表示温度植被干旱指数,LSTS代表某一像元的NDVI值为S时的地表温度,LSTSmax代表当NDVI等于某一特定值S时地表温度的最大值,LSTSmin代表当NDVI等于某一特定值S时地表温度的最小值,a、b、c、d为待定系数;TVDI的值域为[0,1],值越大,土壤湿度越低,值越小,土壤湿度越高。本实施例中使用TVDI数据表征研究区的土壤湿度SM。
6、根据土地覆盖类型数据、植被覆盖度、地表温度、土壤盐分指数和温度植被干旱指数对研究区中的每个像元进行评估,得到每个像元的生境适宜性指数,并基于生境适宜性指数确认每个像元对应的适宜性等级。
具体地,首先根据土壤盐分指数得到土壤盐分,以及根据温度植被干旱指数得到土壤湿度,再依据以上获取的土地覆盖类型数据LC、植被覆盖度Fv、地表温度LST、土壤盐分SS、土壤湿度SM等蝗虫生境影响因子数据,对研究区对东亚飞蝗的生境适宜性进行评估,从而得到每个像元的生境适宜性指数,并基于生境适宜性指数确认每个像元对应的适宜性等级。
其中,本实施例中,预先按照土地覆盖类型数据LC、植被覆盖度Fv、地表温度LST、土壤盐分SS、土壤湿度SM设定适宜性等级,依次划分为最适宜、次适宜、一般适宜和不适宜4个等级,并分别将相应等级数据赋值为4、3、2、1。具体地参见下表1(此为第一预设规则):
表1
需要说明的是,表中土壤盐度SS*和土壤湿度SM*为研究区的土壤盐分指数和温度植被干旱指数,两们个指数为归一化数据,非土壤盐度及土壤湿度的绝对百分比。因数据获取时间或耕作种植状态的不同,不同研究区或不同时相下两个因子的适宜性等级划分会有不同,上表仅为本发明中某一时相的划分示例,实际使用时,两个因子的适宜性等级需根据研究区实际情况进行划分。
进一步的,根据土地覆盖类型数据、植被覆盖度、地表温度、土壤盐分指数和温度植被干旱指数对研究区中的每个像元进行评估,得到每个像元的生境适宜性指数,包括:
6.1、构建基于土地覆盖类型数据、植被覆盖度、地表温度、土壤盐分指数和温度植被干旱指数的适宜性等级,并为每个等级赋值。
6.2、基于斑块尺度原理,根据每个像元对应的土地覆盖类型数据、植被覆盖度、地表温度、土壤盐分指数和温度植被干旱指数计算得到中心像元斑块尺度的适宜性等级。
具体地,本实施例充分考虑景观结构对蝗虫生境的影响,同时为了消除遥感数据的椒盐效应,本实施例引入了斑块尺度适宜性等级的概念,即以给定大小为w的窗口作为斑块,采用移动窗口法,引入相邻像元的等级信息,实现中心像元斑块尺度适宜性等级的确定,计算公式如下:
其中,Mt,p(x(w+1)/2,y(w+1)/2)为生境因子t在斑块尺度的适宜性等级隶属度,t=1、2、3、4、5,M1,p、M2,p、M3,p、M4,p和M5,p分别代表土地覆盖类型数据LC、植被覆盖度Fv、地表温度LST、土壤盐度SS、土壤湿度SM 5个生境因子在斑块尺度的等级隶属度;w为移动窗口大小(为奇数);x,y为研究区的行数及列数;j,k为窗口行数及列数;Mt(xj,yk)代表因子Mt位于(xj,yk)像元上的等级隶属性;dj,k为移动窗口中心像元(x(w+1)/2,y(w+1)/2)与相邻像元(xj,yk)的距离,其公式为:
6.3、利用线性加权求和的方式,根据中心像元斑块尺度的适宜性等级计算得到每个像元的生境适宜性指数。
具体地,其计算公式如下:
其中,HSI(x,y)是生境适宜性指数,值介于1~4;Mt,p(x,y)是生境因子t在斑块尺度上的适宜性等级隶属度;n=5;Wt是生境因子t的权重系数,本实施例中,将土地覆盖类型数据LC、植被覆盖度Fv、地表温度LST、土壤盐度SS、土壤湿度SM 5个生境因子的权重分别取值为0.30、0.28、0.11、0.13和0.18。
进一步的,在得到生境适宜性指数后,根据该指数与指数阈值之间的关系设定各个像元的适宜性等级,具体等级设定条件如下(此为第二预设规则):
步骤S103:基于第二预设规则,利用多时相遥感影像数据计算得到研究区的水体变化指数和适宜生境变化指数,且当水体变化指数和适宜生境变化指数满足第一预设条件时,确认研究区中存在蝗灾潜在高风险区。
具体地,水体变化指数表征随时间变化研究区水体面积的变化趋势和强度,适宜生境变化指数表征随时间变化研究区蝗虫适宜生境面积的变化趋势和强度。
其中,利用多时相遥感影像数据计算得到研究区的水体变化指数的步骤,包括:
A1、根据多时相遥感影像数据和土地覆盖类型数据获取研究区中水体在多时相遥感影像数据对应的时段内的最小面积、在多时相遥感影像数据起始时间点的第一面积和在多时相遥感影像数据结束时间点的第二面积。
A2、根据第一面积、第二面积和最小面积计算得到水体在多时相遥感影像数据对应的时段内的水体变化指数。
具体地,水体变化指数的计算公式如下:
其中,δWS为水体变化指数,其值域为(-1,0),|δWS|越接近1说明水体面积变化越剧烈,越接近0则说明变化越弱;tmin为研究区中水体的面积最小时所对应的时间,本实施例中,水体的面积由土地覆盖类型数据LC进行水体提取计算得出;t7为研究区多时相遥感影像数据所对应的起始时间,tn为研究区多时相遥感影像数据所对应的结束时间;WStmin为研究区多时相遥感影像数据对应的时段内水体的最小面积,WSt1为多时相遥感影像数据起始时间点的水体的第一面积,WStn为多时相遥感影像数据结束时间点的水体的第二面积。
其中,利用多时相遥感影像数据计算得到研究区的适宜生境变化指数的步骤,包括:
B1、根据多时相遥感影像数据和每个像元的适宜性等级获取研究区中蝗虫适宜生境在多时相遥感影像数据对应的时段内的最大面积、在多时相遥感影像数据起始时间点的第三面积和在多时相遥感影像数据结束时间点的第四面积。
B2、根据第三面积、第四面积和最大面积计算得到蝗虫适宜生境在多时相遥感影像数据对应的时段内的适宜生境变化指数。
具体地,适宜生境变化指数的计算公式为:
其中,δLHS为适宜生境变化指数,其值域为(-1,0),|δLHS|越接近1说明适宜生境面积变化越剧烈,越接近0则说明变化越弱;tmax为蝗虫适宜生境面积最大时所对应的时间,本实施例中,蝗虫适宜生境的面积为最适宜生境和次适宜生境的面积之和,最适宜生境和次适宜生境的面积之和根据上述确定的各像元的适宜性等级确定后,将最适宜的像元和次适宜的像元的面积相加得到;LHStmax为研究区中蝗虫适宜生境在多时相遥感影像数据对应的时段内的最大面积,LHSt1为多时相遥感影像数据起始时间点的第三面积,LHStn为多时相遥感影像数据结束时间点的第四面积。
进一步的,本实施例中,第一预设条件为:
其中,tmin为水体面积最小时所对应的时间,tmax为蝗虫适宜生境面积最大时所对应的时间,t1为多时相遥感影像数据起始时间点,tn为多时相遥感影像数据结束时间点,WS为多时相遥感影像数据对应的时段内各个时间点对应的水体面积,LHS为多时相遥感影像数据对应的时段内各个时间点对应的蝗虫适宜生境面积,δWS为水体变化指数,δLHS为适宜生境变化指数,C1为预设水体变化指数阈值,C2为预设适宜生境变化指数阈值。
步骤S104:确认多时相遥感影像数据中最新一期影像的水体像元,并获取每个非水体像元与最近的水体像元之间的距离,且当存在目标非水体像元对应的生境适宜性指数和距离满足第二预设条件时,确认目标非水体像元对应的区域为蝗灾潜在高风险区。
具体地,在确定该研究区内存在蝗灾潜在高风险区后,通过获取每个非水体像元与最近的水体像元之间的距离,在对每个非水体像元的距离和生境适宜性指数进行判断,从而确认该非水体像元对应的区域是否为蝗灾潜在高风险区。
其中,第二预设条件为:
其中,Dwater为非水体像元与最近的水体像元之间的距离,HSI为像元的生境适宜性指数,D为预设距离阈值,C为预设生境适宜性指数阈值。本实施例中,将预设距离阈值D优选为2km,预设生境适宜性指数阈值C优选为3。
本发明实施例的蝗灾潜在高风险区识别方法通过利用研究区内长时间序列的多时相遥感影像数据对研究区水体和蝗虫适宜生境进行提取并分析得到研究区的水体变化指数和适宜生境变化指数,并当水体变化指数和适宜生境变化指数满足第一预设条件时,确认该研究区存在蝗灾潜在高风险区,再利用最新一期遥感影像数据计算得到的生境适宜性指数以及各个区域与研究区中水体之间的距离来确认研究区内的蝗灾潜在高风险区,其充分考虑了蝗虫生境由不适宜到适宜的演变过程,而且考虑了蝗虫聚集性暴发的特性,结合旱涝动态变化,实现了对蝗灾潜在高风险区的高精度识别。
图2是本发明实施例的蝗灾潜在高风险区识别装置的功能模块示意图。如图2所示,该装置20包括获取模块21、计算模块22、第一确认模块23和第二确认模块24。
获取模块21,用于基于预设方式获取研究区的长时间序列的多时相遥感影像数据;
计算模块22,用于应用多时相遥感影像数据对研究区进行土地覆盖分类,并基于第一预设规则和多时相遥感影像数据计算研究区每个像元的生境适宜性指数;第一确认模块23,用于基于第二预设规则,利用多时相遥感影像数据计算得到研究区的水体变化指数和适宜生境变化指数,且当水体变化指数和适宜生境变化指数满足第一预设条件时,确认研究区中存在蝗灾潜在高风险区;
第二确认模块24,用于确认多时相遥感影像数据中最新一期影像的水体像元,并获取每个非水体像元与最近的水体像元之间的距离,且当存在目标非水体像元对应的生境适宜性指数和距离满足第二预设条件时,确认目标非水体像元对应的区域为蝗灾潜在高风险区。
可选地,计算模块22执行基于第一预设规则和多时相遥感影像数据计算研究区每个像元的生境适宜性指数的操作,具体包括:根据多时相遥感影像数据计算研究区的归一化差值植被指数、归一化差值水体指数、归一化差值建筑指数、建成区指数和土壤盐分指数;将归一化差值植被指数、归一化差值水体指数、归一化差值建筑指数、建成区指数和土壤盐分指数与多时相遥感影像数据进行波段合成,得到研究区的多时相遥感合成影像数据;利用预设分类算法,根据多时相遥感合成影像数据对研究区中每个像元按预设土地类型进行分类,得到每个像元的土地覆盖类型数据;根据归一化差值植被指数计算得到研究区的植被覆盖度;根据多时相遥感影像数据计算研究区的地表温度和温度植被干旱指数;根据土地覆盖类型数据、植被覆盖度、地表温度、土壤盐分指数和温度植被干旱指数对研究区中的每个像元进行评估,得到每个像元的生境适宜性指数,并基于生境适宜性指数确认每个像元对应的适宜性等级。
可选地,计算模块22执行利用预设分类算法,根据多时相遥感合成影像数据对研究区中每个像元按预设土地类型进行分类,得到每个像元的土地覆盖类型数据的操作,具体包括:获取预先构建并训练好的随机森林分类器,随机森林分类器根据预先准备的样本和预设土地类型训练得到;将每个像元对应的多时相遥感合成影像数据输入至随机森林分类器,得到每个像元的土地覆盖类型数据。
可选地,计算模块22执行根据土地覆盖类型数据、植被覆盖度、地表温度、土壤盐分指数和温度植被干旱指数对研究区中的每个像元进行评估,得到每个像元的生境适宜性指数的操作,具体包括:构建基于土地覆盖类型数据、植被覆盖度、地表温度、土壤盐分指数和温度植被干旱指数的适宜性等级,并为每个等级赋值;基于斑块尺度原理,根据每个像元对应的土地覆盖类型数据、植被覆盖度、地表温度、土壤盐分指数和温度植被干旱指数计算得到中心像元斑块尺度的适宜性等级;利用线性加权求和的方式,根据中心像元斑块尺度的适宜性等级计算得到每个像元的生境适宜性指数。
可选地,第一确认模块23执行利用多时相遥感影像数据计算得到研究区的水体变化指数的操作,具体包括:根据多时相遥感影像数据和土地覆盖类型数据获取研究区中水体在多时相遥感影像数据对应的时段内的最小面积、在多时相遥感影像数据起始时间点的第一面积和在多时相遥感影像数据结束时间点的第二面积;根据第一面积、第二面积和最小面积计算得到水体在多时相遥感影像数据对应的时段内的水体变化指数。
可选地,第一确认模块23执行利用多时相遥感影像数据计算得到研究区的适宜生境变化指数的操作,具体包括:根据多时相遥感影像数据和每个像元的适宜性等级获取研究区中蝗虫适宜生境在多时相遥感影像数据对应的时段内的最大面积、在多时相遥感影像数据起始时间点的第三面积和在多时相遥感影像数据结束时间点的第四面积;根据第三面积、第四面积和最大面积计算得到蝗虫适宜生境在多时相遥感影像数据对应的时段内的适宜生境变化指数。
可选地,第一预设条件为:
其中,tmin为水体面积最小时所对应的时间,tmax为蝗虫适宜生境面积最大时所对应的时间,r1为多时相遥感影像数据起始时间点,tn为多时相遥感影像数据结束时间点,WS为多时相遥感影像数据对应的时段内各个时间点对应的水体面积,LHS为多时相遥感影像数据对应的时段内各个时间点对应的蝗虫适宜生境面积,δWS为水体变化指数,δLHS为适宜生境变化指数,C1为预设水体变化指数阈值,C2为预设适宜生境变化指数阈值。
第二预设条件为:
其中,Dwater为非水体像元与最近的水体像元之间的距离,HSI为像元的生境适宜性指数,D为预设距离阈值,C为预设生境适宜性指数阈值。
关于上述实施例蝗灾潜在高风险区识别装置中各模块实现技术方案的其他细节,可参见上述实施例中的蝗灾潜在高风险区识别方法中的描述,此处不再赘述。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
请参阅图3,图3为本发明实施例的计算机设备的结构示意图。如图3所示,该计算机设备60包括处理器61及和处理器61耦接的存储器62,存储器62中存储有程序指令,程序指令被处理器61执行时,使得处理器61执行上述任一实施例所述的蝗灾潜在高风险区识别方法的步骤。
其中,处理器61还可以称为CPU(Central Processing Unit,中央处理单元)。处理器61可能是一种集成电路芯片,具有信号的处理能力。处理器61还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
参阅图4,图4为本发明实施例的存储介质的结构示意图。本发明实施例的存储介质存储有能够实现上述所有方法的程序指令71,其中,该程序指令71可以以软件产品的形式存储在上述存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质,或者是计算机、服务器、手机、平板等计算机设备设备。
在本申请所提供的几个实施例中,应该理解到,所揭露的计算机设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。以上仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种蝗灾潜在高风险区识别方法,其特征在于,包括:
基于预设方式获取研究区的长时间序列的多时相遥感影像数据;
应用所述多时相遥感影像数据对研究区进行土地覆盖分类,并基于第一预设规则和所述多时相遥感影像数据计算研究区每个像元的生境适宜性指数;
基于第二预设规则,利用所述多时相遥感影像数据计算得到所述研究区的水体变化指数和适宜生境变化指数,且当所述水体变化指数和所述适宜生境变化指数满足第一预设条件时,确认所述研究区中存在蝗灾潜在高风险区;
确认所述多时相遥感影像数据中最新一期影像的水体像元,并获取每个非水体像元与最近的水体像元之间的距离,且当存在目标非水体像元对应的生境适宜性指数和距离满足第二预设条件时,确认所述目标非水体像元对应的区域为蝗灾潜在高风险区。
2.根据权利要求1所述的蝗灾潜在高风险区识别方法,其特征在于,所述基于第一预设规则和所述多时相遥感影像数据计算研究区每个像元的生境适宜性指数,包括:
根据所述多时相遥感影像数据计算所述研究区的归一化差值植被指数、归一化差值水体指数、归一化差值建筑指数、建成区指数和土壤盐分指数;
将所述归一化差值植被指数、归一化差值水体指数、归一化差值建筑指数、建成区指数和土壤盐分指数与所述多时相遥感影像数据进行波段合成,得到所述研究区的多时相遥感合成影像数据;
利用预设分类算法,根据所述多时相遥感合成影像数据对所述研究区中每个像元按预设土地类型进行分类,得到每个像元的土地覆盖类型数据;
根据所述归一化差值植被指数计算得到所述研究区的植被覆盖度;
根据所述多时相遥感影像数据计算所述研究区的地表温度和温度植被干旱指数;
根据所述土地覆盖类型数据、所述植被覆盖度、所述地表温度、所述土壤盐分指数和所述温度植被干旱指数对所述研究区中的每个像元进行评估,得到每个像元的所述生境适宜性指数,并基于所述生境适宜性指数确认每个像元对应的适宜性等级。
3.根据权利要求2所述的蝗灾潜在高风险区识别方法,其特征在于,所述利用预设分类算法,根据所述多时相遥感合成影像数据对所述研究区中每个像元按预设土地类型进行分类,得到每个像元的土地覆盖类型数据,包括:
获取预先构建并训练好的随机森林分类器,所述随机森林分类器根据预先准备的样本和所述预设土地类型训练得到;
将每个像元对应的多时相遥感合成影像数据输入至所述随机森林分类器,得到每个像元的土地覆盖类型数据。
4.根据权利要求2所述的蝗灾潜在高风险区识别方法,其特征在于,根据所述土地覆盖类型数据、所述植被覆盖度、所述地表温度、所述土壤盐分指数和所述温度植被干旱指数对所述研究区中的每个像元进行评估,得到每个像元的所述生境适宜性指数,包括:
构建基于所述土地覆盖类型数据、所述植被覆盖度、所述地表温度、所述土壤盐分指数和所述温度植被干旱指数的适宜性等级,并为每个等级赋值;
基于斑块尺度原理,根据每个像元对应的所述土地覆盖类型数据、所述植被覆盖度、所述地表温度、所述土壤盐分指数和所述温度植被干旱指数计算得到中心像元斑块尺度的适宜性等级;
利用线性加权求和的方式,根据所述中心像元斑块尺度的适宜性等级计算得到每个像元的所述生境适宜性指数。
5.根据权利要求2所述的蝗灾潜在高风险区识别方法,其特征在于,利用所述多时相遥感影像数据计算得到所述研究区的水体变化指数的步骤,包括:
根据所述多时相遥感影像数据和所述土地覆盖类型数据获取所述研究区中水体在所述多时相遥感影像数据对应的时段内的最小面积、在所述多时相遥感影像数据起始时间点的第一面积和在所述多时相遥感影像数据结束时间点的第二面积;
根据所述第一面积、所述第二面积和所述最小面积计算得到水体在所述多时相遥感影像数据对应的时段内的水体变化指数。
6.根据权利要求5所述的蝗灾潜在高风险区识别方法,其特征在于,利用所述多时相遥感影像数据计算得到所述研究区的适宜生境变化指数的步骤,包括:
根据所述多时相遥感影像数据和每个像元的所述适宜性等级获取所述研究区中蝗虫适宜生境在所述多时相遥感影像数据对应的时段内的最大面积、在所述多时相遥感影像数据起始时间点的第三面积和在所述多时相遥感影像数据结束时间点的第四面积;
根据所述第三面积、所述第四面积和所述最大面积计算得到所述蝗虫适宜生境在所述多时相遥感影像数据对应的时段内的适宜生境变化指数。
7.根据权利要求6所述的蝗灾潜在高风险区识别方法,其特征在于,所述第一预设条件为:
其中,tmin为水体面积最小时所对应的时间,tmax为蝗虫适宜生境面积最大时所对应的时间,t1为所述多时相遥感影像数据起始时间点,tn为所述多时相遥感影像数据结束时间点,WS为所述多时相遥感影像数据对应的时段内各个时间点对应的水体面积,LHS为所述多时相遥感影像数据对应的时段内各个时间点对应的蝗虫适宜生境面积,δWS为水体变化指数,δLHS为适宜生境变化指数,C1为预设水体变化指数阈值,C2为预设适宜生境变化指数阈值;
所述第二预设条件为:
其中,Dwater为非水体像元与最近的水体像元之间的距离,HSI为像元的生境适宜性指数,D为预设距离阈值,C为预设生境适宜性指数阈值。
8.一种蝗灾潜在高风险区识别装置,其特征在于,包括:
获取模块,用于基于预设方式获取研究区的长时间序列的多时相遥感影像数据;
计算模块,用于应用所述多时相遥感影像数据对研究区进行土地覆盖分类,并基于第一预设规则和所述多时相遥感影像数据计算研究区每个像元的生境适宜性指数;
第一确认模块,用于基于第二预设规则,利用所述多时相遥感影像数据计算得到所述研究区的水体变化指数和适宜生境变化指数,且当所述水体变化指数和所述适宜生境变化指数满足第一预设条件时,确认所述研究区中存在蝗灾潜在高风险区;
第二确认模块,用于确认所述多时相遥感影像数据中最新一期影像的水体像元,并获取每个非水体像元与最近的水体像元之间的距离,且当存在目标非水体像元对应的生境适宜性指数和距离满足第二预设条件时,确认所述目标非水体像元对应的区域为蝗灾潜在高风险区。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器、与所述处理器耦接的存储器,所述存储器中存储有程序指令,所述程序指令被所述处理器执行时,使得所述处理器执行如权利要求1-7中任一项权利要求所述的蝗灾潜在高风险区识别方法的步骤。
10.一种存储介质,其特征在于,存储有能够实现如权利要求1-7中任一项所述的蝗灾风险预测方法的程序指令。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111589159.8A CN114419431A (zh) | 2021-12-23 | 2021-12-23 | 一种蝗灾潜在高风险区识别方法、装置、设备及存储介质 |
PCT/CN2022/137653 WO2023116454A1 (zh) | 2021-12-23 | 2022-12-08 | 一种蝗灾潜在高风险区识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111589159.8A CN114419431A (zh) | 2021-12-23 | 2021-12-23 | 一种蝗灾潜在高风险区识别方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114419431A true CN114419431A (zh) | 2022-04-29 |
Family
ID=81267404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111589159.8A Pending CN114419431A (zh) | 2021-12-23 | 2021-12-23 | 一种蝗灾潜在高风险区识别方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114419431A (zh) |
WO (1) | WO2023116454A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115983500A (zh) * | 2023-03-06 | 2023-04-18 | 中国科学院空天信息创新研究院 | 一种预测沙漠蝗的方法及装置 |
WO2023116454A1 (zh) * | 2021-12-23 | 2023-06-29 | 深圳先进技术研究院 | 一种蝗灾潜在高风险区识别方法、装置、设备及存储介质 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116823576B (zh) * | 2023-06-30 | 2023-12-26 | 北京极嗅科技有限公司 | 一种毒品原植物适生区的评估方法及系统 |
CN117275208B (zh) * | 2023-11-13 | 2024-02-27 | 广东天顺为信息科技有限公司 | 农业生物灾害监测预警信息化应用系统 |
CN117576572B (zh) * | 2024-01-16 | 2024-06-14 | 杭州稻道农业科技有限公司 | 一种综合种养稻田水稻种植覆盖度提取方法、装置及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955606A (zh) * | 2014-04-23 | 2014-07-30 | 北京大学 | 一种基于遥感技术的草原蝗灾渐进式预测方法 |
CN104504279A (zh) * | 2014-12-31 | 2015-04-08 | 中国科学院深圳先进技术研究院 | 检测蝗灾的方法 |
CN105389559A (zh) * | 2015-11-12 | 2016-03-09 | 中国科学院遥感与数字地球研究所 | 基于高分辨率遥感影像的农业灾害范围识别系统及方法 |
CN106682624A (zh) * | 2016-12-29 | 2017-05-17 | 中国科学院深圳先进技术研究院 | 基于时间序列遥感信息的建成区提取方法及装置 |
CN110687049A (zh) * | 2018-07-04 | 2020-01-14 | 中国科学院深圳先进技术研究院 | 一种材林识别方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419431A (zh) * | 2021-12-23 | 2022-04-29 | 深圳先进技术研究院 | 一种蝗灾潜在高风险区识别方法、装置、设备及存储介质 |
-
2021
- 2021-12-23 CN CN202111589159.8A patent/CN114419431A/zh active Pending
-
2022
- 2022-12-08 WO PCT/CN2022/137653 patent/WO2023116454A1/zh unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955606A (zh) * | 2014-04-23 | 2014-07-30 | 北京大学 | 一种基于遥感技术的草原蝗灾渐进式预测方法 |
CN104504279A (zh) * | 2014-12-31 | 2015-04-08 | 中国科学院深圳先进技术研究院 | 检测蝗灾的方法 |
CN105389559A (zh) * | 2015-11-12 | 2016-03-09 | 中国科学院遥感与数字地球研究所 | 基于高分辨率遥感影像的农业灾害范围识别系统及方法 |
CN106682624A (zh) * | 2016-12-29 | 2017-05-17 | 中国科学院深圳先进技术研究院 | 基于时间序列遥感信息的建成区提取方法及装置 |
CN110687049A (zh) * | 2018-07-04 | 2020-01-14 | 中国科学院深圳先进技术研究院 | 一种材林识别方法及装置 |
Non-Patent Citations (4)
Title |
---|
何柯: "基于多源遥感卫星融合数据的内蒙古草原蝗虫生境适宜性评估", 中国优秀硕士学位论文全文数据库 农业科技辑, no. 08, 15 August 2018 (2018-08-15), pages 050 - 6 * |
孟庆辉等: "基于多时相遥感数据的东亚飞蝗生境分类研究", 遥感技术与应用, vol. 28, no. 01, 28 February 2013 (2013-02-28), pages 116 - 121 * |
韩秀珍等: "遥感与GIS在东亚飞蝗灾害研究中的应用", 地理研究, vol. 22, no. 02, 30 April 2003 (2003-04-30), pages 253 - 261 * |
黄健熙等: "基于Landsat8卫星数据的蝗虫遥感监测方法研究", 农业机械学报, vol. 46, no. 05, 31 January 2024 (2024-01-31), pages 258 - 264 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023116454A1 (zh) * | 2021-12-23 | 2023-06-29 | 深圳先进技术研究院 | 一种蝗灾潜在高风险区识别方法、装置、设备及存储介质 |
CN115983500A (zh) * | 2023-03-06 | 2023-04-18 | 中国科学院空天信息创新研究院 | 一种预测沙漠蝗的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2023116454A1 (zh) | 2023-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dutta et al. | Impervious surface growth and its inter-relationship with vegetation cover and land surface temperature in peri-urban areas of Delhi | |
Xie et al. | Using Landsat observations (1988–2017) and Google Earth Engine to detect vegetation cover changes in rangelands-A first step towards identifying degraded lands for conservation | |
CN114419431A (zh) | 一种蝗灾潜在高风险区识别方法、装置、设备及存储介质 | |
Meneguzzo et al. | Mapping trees outside forests using high-resolution aerial imagery: a comparison of pixel-and object-based classification approaches | |
Kamal et al. | Assessment of multi-resolution image data for mangrove leaf area index mapping | |
Brown et al. | The Vegetation Drought Response Index (VegDRI): A new integrated approach for monitoring drought stress in vegetation | |
Chen et al. | A neural network integrated approach for rice crop monitoring | |
Scudiero et al. | Remote sensing is a viable tool for mapping soil salinity in agricultural lands | |
CN107330413B (zh) | 一种基于遥感技术的毒品原植物识别方法 | |
Berhan et al. | Using satellite images for drought monitoring: a knowledge discovery approach | |
CN105550423B (zh) | 基于Fuzzy-OLS和多环境因子变量的CMORPH卫星降雨产品降尺度的方法 | |
Xiang et al. | From multiple cropping index to multiple cropping frequency: Observing cropland use intensity at a finer scale | |
Tariq et al. | Impact of spatio-temporal land surface temperature on cropping pattern and land use and land cover changes using satellite imagery, Hafizabad District, Punjab, Province of Pakistan | |
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 | |
Corbane et al. | Remote sensing of soil surface characteristics from a multiscale classification approach | |
CN111931988A (zh) | 遥感影像、作物模型与气象预报融合水稻成熟期预测方法 | |
Shi et al. | The influence of landscape's dynamics on the Oriental Migratory Locust habitat change based on the time-series satellite data | |
Kuang et al. | A remote sensing monitoring method for alpine grasslands desertification in the eastern Qinghai-Tibetan Plateau | |
Sun et al. | Remote estimation of grafted apple tree trunk diameter in modern orchard with RGB and point cloud based on SOLOv2 | |
Koy et al. | Percentage canopy cover–using Landsat imagery to delineate habitat for Myanmar's endangered Eld's deer (Cervus eldi) | |
CN114581768A (zh) | 一种作物倒伏无人机监测方法及装置 | |
He et al. | Recognition of soybean pods and yield prediction based on improved deep learning model | |
Rulinda et al. | Image mining for drought monitoring in eastern Africa using Meteosat SEVIRI data | |
CN113570273A (zh) | 一种灌溉耕地统计数据的空间化方法及系统 | |
Nelson et al. | Spatial statistical techniques for aggregating point objects extracted from high spatial resolution remotely sensed imagery |
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 |