CN114694041A - 一种棉花药害与叶螨虫害的高光谱鉴别方法 - Google Patents

一种棉花药害与叶螨虫害的高光谱鉴别方法 Download PDF

Info

Publication number
CN114694041A
CN114694041A CN202210208786.0A CN202210208786A CN114694041A CN 114694041 A CN114694041 A CN 114694041A CN 202210208786 A CN202210208786 A CN 202210208786A CN 114694041 A CN114694041 A CN 114694041A
Authority
CN
China
Prior art keywords
cotton
phytotoxicity
data
hyperspectral
spider mite
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
CN202210208786.0A
Other languages
English (en)
Inventor
周学林
蒋平安
周建勤
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.)
Xinjiang Agricultural University
Original Assignee
Xinjiang Agricultural University
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 Xinjiang Agricultural University filed Critical Xinjiang Agricultural University
Priority to CN202210208786.0A priority Critical patent/CN114694041A/zh
Publication of CN114694041A publication Critical patent/CN114694041A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • 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
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Catching Or Destruction (AREA)

Abstract

本发明属于农业技术领域，具体涉及一种棉花药害与叶螨虫害的高光谱鉴别方法，以地面光谱数据为基础，以发生药害和叶螨虫害的棉株为研究对象，利用物波谱仪提取棉花苗期至花铃期的棉花冠层光谱数据，分析棉花药害光谱和叶螨虫害光谱的差异；以及通过无人机高光谱遥感影像数据，对棉田田块进行精确快速分析；进而构建棉花高光谱药害和虫害高光谱影像鉴别模型，实现田块尺度的棉花药害和叶螨虫害的精准判别及分布区域统计，有助于掌握棉田棉花的虫害发生情况和用药情况，进而指导棉花苗期至花铃期的田间植保管理，实现科学减药、精准用药消杀，节约用药成本、提升生态环境质量。

Description

一种棉花药害与叶螨虫害的高光谱鉴别方法
技术领域
本发明属于农业技术领域，具体涉及一种棉花药害与叶螨虫害的高光谱鉴别方法。
背景技术
棉花是我国主要的经济作物，新疆棉花种植面积与产量已连续27年居全国首位，是我国 优质棉花产区，棉花产业实现沙漠增绿、农民增收、国民经济发展等方面发挥重要作用。因 陆地棉易于机械化收采的特性，新疆农业机械化发展过程中逐渐大力推广陆地棉种植(短绒 棉)，而陆地棉相较于海岛棉(长绒棉)，在生长过程中更易发生病虫害，常年造成危害的害 虫有10余种，虫害导致棉花减产约10-15％，且受全球气候环境变化及连片种植导致棉田生 态自然调控减弱等影响，棉花虫害有日益加剧的趋势。
当前棉花病虫害的预测预报主要依靠各地农业植保部门技术人员田间人工调查经验判断 为主，耗时费工，同时因调查样地的数量和面积有限，难以准确地反映田间实际发生和危害 动态；现阶段病虫害的防治模式普遍为被动大范围喷洒农药防治，无法针对虫源实现及时迅 速的精准防治，加大了农药的施用范围和剂量，过量的化学农药则会造成致突变、致癌、致 畸、农药残留以及环境污染等负面影响。
经检索，发明人发现现有技术中还存在以下技术问题：
1)目前对农作物病虫害的监测多利用卫星遥感影像和无人机遥感影像，棉花病虫害研究 多见于叶螨虫害的研究，而忽视了棉花药害对棉花生长过程的影响，也未对棉花药害的区域 及程度开展调查。
2)根据图像特征将叶螨和药害的影响区域混淆，造成错误判断，会增加农药使用，进一 步加重棉花药害等级，不利于棉花虫害的精准防控，且对棉花产量造成负面影响。
发明内容
为了解决上述现有技术存在的缺陷，本发明的目的在于提供一种棉花药害与叶螨虫害的 高光谱鉴别方法，能够实现实现田块尺度的棉花药害和叶螨虫害的精准判别及分布区域统计， 有助于掌握棉田棉花的虫害发生情况和用药情况，进而指导棉花苗期至花铃期的田间植保管 理，实现科学减药、精准用药消杀，节约用药成本、提升生态环境质量。
本发明采用的技术方案如下：
一种棉花药害与叶螨虫害的高光谱鉴别方法，包括如下步骤：
步骤1：通过地物波谱仪获取棉花苗期至花铃期棉花冠层光谱数据并进行清洗，分析棉 花药害和叶螨虫害的光谱特征，筛选出棉花药害和叶螨虫害的冠层光谱数据；
步骤2：通过低空无人机搭载成像高光谱仪获取棉花花铃期棉花冠层高光谱影像，经数 据处理后，完成指数计算；
步骤3：基于光谱特征构建药害和叶螨虫害高光谱识别模型，将该模型应用于无人机高 光谱影像，进行特征判定，获取田块尺度的药害和叶螨虫害分布图，输出最终结果。
采用上述技术方案，以地面光谱数据为基础，以发生药害和叶螨虫害的棉株为研究对象， 利用物波谱仪提取棉花苗期至花铃期的棉花冠层光谱数据，分析棉花药害光谱和叶螨虫害光 谱的差异；以及通过无人机高光谱遥感影像数据，对棉田田块进行精确快速分析；进而构建 棉花高光谱药害和虫害高光谱影像鉴别模型，实现田块尺度的棉花药害和叶螨虫害的精准判 别及分布区域统计，有助于掌握棉田棉花的虫害发生情况和用药情况，进而指导棉花苗期至 花铃期的田间植保管理，实现科学减药、精准用药消杀，节约用药成本、提升生态环境质量。
进一步的，所述步骤2中，无人机获取试验区的棉花冠层高光谱数据集，经SpecView、 Pix4D、ENVI、PIE软件处理后，获取地面分辨率为1cm的高光谱影像；对影像进行Savitzky- Golay平滑处理和光谱微分处理后，获得标准预处理数据，使用ENVI ROI工具进行裁切，得 到目标地块的高光谱影像数据。
进一步的，所述步骤3具体包括：
步骤3.1：光谱数据和高光谱影像经PCA方法处理后，逐一分析各因子间的相关性，采 用偏最小二乘回归分析模型拟合构建药害和叶螨虫害高光谱识别模型，计算公式如下：
X＝TPT+E；
Y＝UQT+F；
其中，X为n×m的预测矩阵；Y为n×p的响应矩阵；T为n×l的X投影矩阵；U为 n×l的Y投影矩阵；P为m×l的正交载荷矩阵；Q为p×l的正交载荷矩阵；矩阵E和F是 误差项，服从独立同分布的正态分布随机变量；
步骤3.2：以4DVar代价函数进行数据同化，考虑观测在时间尺度上的变化，同化公式如 下：
Figure BDA0003532269630000021
其中，xk表示模型参数，B为模型误差，y为观测数，Q为观测误差，H为观测算子；
步骤3.3：将数据归于同一空间尺度下，应用于处理后的高光谱影像数据，鉴别棉花胁迫 的因素是药害或叶螨虫害，并获得田块尺度下的棉花药害分布数据及叶螨虫害分布数据。
进一步的，所述步骤3中的药害和叶螨虫害高光谱识别模型的构建方法包括：
1)获取地面高光谱数据；
2)采用Savitzky-Golay对该数据进行数据清洗和去噪；
3)进行导数与微分计算，导数采用
Figure BDA0003532269630000031
和
Figure BDA0003532269630000032
公式模型进行计算；
其中，R1st(λi)为在光谱段λi上的一阶导数值，R(λi)为i波段处的反射率数值， R(λi+1)为(i+1)波段处的反射率数值；R2nd(λi)为在光谱段λi上的二阶导数值，R(λi)为i 波段处的反射率数值，R(λi+1)为(i+1)波段处的反射率数值；
微分采用
Figure BDA0003532269630000033
和ρ″(λi)＝[ρ′(λi+1)-ρ′(λi-1)]/2(λi+1-λi-1)公式模型进行 计算；
其中，ρ′(λi)为在光谱段λi上的一阶微分值；ρ(λi+1)为(i+1)波段处的反射率数值；ρ(λi-1)为(i-1)波段处的反射率数值；ρ″(λi)为在光谱段λi上的二阶微分值；ρ′(λi+1)为 (i+1)波段处的一阶微分值；ρ′(λi-1)为(i-1)波段处的一阶微分值；λi为i波段的波长值； λ(i+1)为(i+1)波段的波长值。
4)特征谱段分析，分析棉花冠层光谱数据、导数与微分数据，筛选敏感谱段，对特征谱 段进行提取；
5)基于提取出的棉花药害和叶螨虫害的特征谱段，采用偏最小二乘法模型来构建识别模 型。
进一步的，所述地物光谱仪为SVC HR768的便携式地物光谱仪，谱段为350nm-2500nm， 768个波段通道，光谱分辨率为3.5nm@1000nm。
进一步的，所述步骤1中的数据采集要求为：
1)采样数据每个点的光谱数据不少于10次；
2)地面能见度不小于10km；太阳周围90°立体角范围内淡积云量应小于2％，无卷云和 浓积云等；风力应小于3级；
3)便携式地物光谱仪采用25°视场角光纤探头采集地物光谱数据。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
以地面光谱数据为基础，以发生药害和叶螨虫害的棉株为研究对象，利用物波谱仪提取 棉花苗期至花铃期的棉花冠层光谱数据，分析棉花药害光谱和叶螨虫害光谱的差异；以及通 过无人机高光谱遥感影像数据，对棉田田块进行精确快速分析；进而构建棉花高光谱药害和 虫害高光谱影像鉴别模型，实现田块尺度的棉花药害和叶螨虫害的精准判别及分布区域统计， 有助于掌握棉田棉花的虫害发生情况和用药情况，进而指导棉花苗期至花铃期的田间植保管 理，实现科学减药、精准用药消杀，节约用药成本、提升生态环境质量。
附图说明
本发明将通过例子并参照附图的方式说明，其中：
图1是本发明实施例中棉花药害和叶螨虫害的高光谱鉴别方法的技术流程图；
图2是本发明实施例中的棉花药害和叶螨虫害特征光谱判定模型构建方法流程图；
图3是本发明实施例中的无人机高光谱影像棉花药害与叶螨虫害区域判定方法流程图；
图4是本发明实施例中公式清单图；
图5是本发明实施例中不同药害等级胁迫棉花植株的冠层光谱曲线图；
图6是本发明实施例中不同叶螨虫害等级胁迫棉花植株的冠层光谱曲线图。
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。基于本申请的 实施例，本领域技术人员在没有做出创造性劳动的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。
下面结合图1～图6对本发明作详细说明。
参照附图1、附图2、附图3，本发明提供棉花药害和叶螨虫害的高光谱鉴别方法，对5 月份进入苗期至花铃期的棉花种植区域进行遥感监测以及地面实地调查，进而获得田块尺度 的药害和叶螨虫害分布结果，具体实施步骤如下：
S22、以便携式地物波谱仪获取棉花苗期至花铃期棉花冠层光谱数据；
S32、对棉花冠层光谱数据进行数据清洗，剔除异常后；
S42、分析棉花药害和叶螨虫害的冠层光谱特征差异，筛选出棉花药害和叶螨虫害的冠层 敏感光谱谱段；
S52、基于光谱特征构建药害和叶螨虫害高光谱识别模型；
S21、通过低空无人机航空器搭载高光谱成像仪获取棉花苗期至花铃期的棉花冠层高光谱 影像；
S31、对上述棉花冠层高光谱影像进行数据处理和地理配准；
S41、进行指数计算；
S51、对药害和虫害发生区域进行初步判定；
S6、将该模型应用于无人机高光谱影像，对药害和虫害发生区域进行特征判定；
S7和S8、获取田块尺度的药害和叶螨虫害分布图；
S9、输出最终结果。
本实施例中，所述步骤S21中，无人机获取试验区的棉花冠层高光谱数据集，经Spec View、Pix4D、ENVI、PIE软件处理后，获取地面分辨率为1cm的高光谱影像；对影像进行Savitzky-Golay平滑处理和光谱微分处理后，获得标准预处理数据，使用ENVI ROI工具进行裁切，得到目标地块的高光谱影像数据。
本实施例中，所述步骤S52具体包括：
步骤3.1：光谱数据和高光谱影像经PCA方法处理后，逐一分析各因子间的相关性，采 用偏最小二乘回归分析模型拟合构建药害和叶螨虫害高光谱识别模型，计算公式如下：
X＝TPT+E；
Y＝UQT+F；
其中，X为n×m的预测矩阵；T为n×l的X投影矩阵；P为m×l的正交载荷矩阵； 矩阵E是误差项，服从独立同分布的正态分布随机变量；Y为n×p的响应矩阵；U为n×l 的Y投影矩阵；Q为p×l的正交载荷矩阵；矩阵F是误差项，服从独立同分布的正态分布 随机变量。
步骤3.2：以4DVar代价函数进行数据同化，考虑观测在时间尺度上的变化，同化公式如 下：
Figure BDA0003532269630000051
其中，xk表示模型参数，B为模型误差，y为观测数，Q为观测误差，H为观测算子。
步骤3.3：将数据归于同一空间尺度下，应用于处理后的高光谱影像数据，鉴别棉花胁迫 的因素是药害或叶螨虫害，并获得田块尺度下的棉花药害分布数据及叶螨虫害分布数据。
本实施例中，所述药害和叶螨虫害高光谱识别模型的构建方法包括：
1)获取地面高光谱数据；
2)采用Savitzky-Golay对该数据进行数据清洗和去噪；
3)进行导数与微分计算；
导数采用
Figure BDA0003532269630000061
和
Figure BDA0003532269630000062
计算，微分
Figure BDA0003532269630000063
和ρ″(λi)＝[ρ′(λi+1)-ρ′(λi-1)]/2(λi+1-λi-1)进行计算，得到光谱数据的 一阶导数、二阶导数、一阶微分、二阶微分、分数阶微分数据
4)特征谱段分析，分析棉花冠层光谱数据、导数与微分数据，筛选敏感谱段，对特征 谱段进行提取；
5)基于提取出的棉花药害和叶螨虫害的特征谱段，采用偏最小二乘法模型来构建识别 模型。
本实施例中，所述地物光谱仪为SVC HR768的便携式地物光谱仪，谱段为350nm-2500nm， 768个波段通道，光谱分辨率为3.5nm@1000nm。
本实施例中，所述步骤S22中便携式地物波谱仪获取棉花苗期至花铃期棉花冠层光谱数 据中的数据采集要求为：
1)采样数据每个点的光谱数据不少于10次；
2)地面能见度不小于10km；太阳周围90°立体角范围内淡积云量应小于2％，无卷云和 浓积云等；风力应小于3级；
3)便携式地物光谱仪采用25°视场角光纤探头采集地物光谱数据。
本发明提供的棉花药害和叶螨虫害的高光谱鉴别方法的一个具体实施例：
本发明基于新疆维吾尔自治区阿克苏地区沙雅县境内开展。该区域位于塔里木河周边， 棉花是当地的主要种植作物，规模大，种植结构简单。棉花病虫害的苗蓟马和棉蚜危害早， 苗期持续性的用药会累积导致棉花受药害胁迫严重，而同期叶螨虫害持续发生。数据采集于 6月下旬至7月下旬棉花的花铃期开展，棉花种植品种为阿克苏地区推荐品种，4月中旬开始 播种。叶螨胁迫棉花为田间自然发生，药害胁迫棉花为种植户用药累积发生。
自5月下旬至8月上旬，按照《棉花主要病虫害综合防治技术规程》(DB65T2271-2020)， 于大田采用北斗定位设备精准选择高、中、低25m*25m样地，每隔5天采集样地内1m*1m小 区的棉花冠层光谱数据，并记录棉花长势、病虫害数、药害程度等。
参照附图1和附图2，通过便携式地物波谱仪获取棉花苗期至花铃期棉花冠层光谱数据， 其中数据采集的要求为：
1)便携式地物光谱仪选用SVC HR768型号，谱段为350nm-2500nm，768个波段通道，光 谱分辨率为3.5nm@1000nm，采用25°视场角光纤探头采集地物光谱数据；
2)观测时段规定地方时10：30～17：30，以确保足够的太阳高度角；
3)气象要求为：地面能见度不小于10km；太阳周围90°立体角范围内淡积云量应小于2％， 无卷云和浓积云等，风力应小于3级；
4)采样数据每个点的光谱数据不少于10次；
5)按照株距12cm、行距66cm、12株棉花的种植模式，以覆盖一个行距为原则，采用公 式模型
Figure BDA0003532269630000071
其中，H为光谱仪探头离冠层的高度；L为地物目标的探测宽度；θ为 光纤探头视场角度，计算光谱仪探头离冠层的高度H，即：
设行距为L＝66cm，探头视场角25°，所以光纤探头离棉花冠层的高度为150cm；
设株距为L＝12cm，探头视场角25°，所以光纤探头离棉花冠层的高度为28cm；
对采集到的棉花冠层光谱数据进行预处理，具体为采用Savitzky-Golay方法，多项式设 置为5阶，对植被的光谱数据进行去噪平滑处理，消除高频噪声影响；
对预处理后的数据进行导数和微分计算，进行导数与微分计算，导数采用
Figure BDA0003532269630000072
和
Figure BDA0003532269630000073
公式模型进行计算；
其中，R1st(λi)为在光谱段λi上的一阶导数值，R(λi)为i波段处的反射率数值，R(λi+1) 为(i+1)波段处的反射率数值；R2nd(λi)为在光谱段λi上的二阶导数值，R(λi)为i波段处的 反射率数值，R(λi+1)为(i+1)波段处的反射率数值；
微分采用
Figure BDA0003532269630000074
和ρ″(λi)＝[ρ′(λi+1)-ρ′(λi-1)]/2(λi+1-λi-1)公式模型进行 计算；
其中，ρ′(λi)为在光谱段λi上的一阶微分值；ρ(λi+1)为(i+1)波段处的反射率数值；ρ(λi-1)为(i-1)波段处的反射率数值；ρ″(λi)为在光谱段λi上的二阶微分值；ρ′(λi+1)为(i+1)波段处的一阶微分值；ρ′(λi-1)为(i-1)波段处的一阶微分值；λi为i波段的波长值； λ(i+1)为(i+1)波段的波长值。
得到光谱数据的一阶导数、二阶导数、一阶微分、二阶微分、分数阶微分(0.5阶、1.5 阶)数据。
计算冠层光谱的NDVI(960，650)，采用公式模型
Figure BDA0003532269630000081
进行计算，其中， NDVI(960，650)为归一化植被指数；ρ960和ρ650为960nm和650nm波段的反射率值；
红边指数R(550，760)采用公式模型
Figure BDA0003532269630000082
进行计算，其中，R(550，760)为比值植被指数； ρ760和ρ550为760nm和550nm波段的反射率值；
GNDVI(760，550)指数采用公式模型
Figure BDA0003532269630000083
进行计算，其中，GNDVI(760，550)为 改进归一化植被指数；ρ760和ρ550为760nm和550nm波段的反射率值；
NNIR指数采用公式模型
Figure BDA0003532269630000084
进行计算，其中，NNIR为植被指数；ρ760、 ρ650和ρ550为760nm、650nm和550nm波段的反射率值；
MCARI指数采用公式模型MCARI＝[(ρ760-ρ650)-0.2×(ρ760-ρ550)]×(ρ760-ρ650)进行计算， 其中，MCARI为植被指数；ρ760和ρ650为760nm、650nm波段的反射率值；
病害植株光谱指数α和β分别采用公式模型
Figure BDA0003532269630000085
进行计 算，并进行统计分析，求解最优病害光谱参数/指数。
利用红边指数R(550，760)判断棉花是否发生病虫害，若R(550，760)＞0.2能够确定棉花感染了叶螨 虫害；若R(550，760)＜0.13时可以判定棉花初步感染了叶螨虫害；若R(550，760)处于(0.13，0.2)阶 段，需结合α和β综合判定：α和β大于6时，棉花植株处于正常状态；α和β小于5.2时 表示植株处于染病初期至中度病害的转变过程。
特征谱段分析。分析棉花冠层光谱数据、导数与微分数据，筛选敏感谱段。
在可见光350nm-670nm谱段，受植株叶片叶绿素的吸收作用，健康棉花的冠层光谱反射 率较低，随着叶螨危害胁迫的程度加剧，植被叶片的受到破坏，出现反射率较健康植被降低 的现象(如附图6所示)；而受药害胁迫的棉株，其反射率高于健康植被的反射光谱，且随着 药害程度加剧，在红光谱段(670nm)处出现一个反射峰(如附图5所示)。
在红边670nm-760nm谱段，随着棉花药害和叶螨虫害的增加向短波蓝光移动，出现“蓝 移”现象，且药害的“蓝移”程度大于叶螨虫害，通过红边指数R(550,760)和NNIR指数进一步判 定区分病害和叶螨虫害。
在近红外760nm-1000nm谱段，因植株细胞组织、水分等因素影响，反射率高于可见光及 红边谱段，随着植株叶螨虫害的发生，植株组织结构受到破坏，含水量降低，反射率随着叶 螨虫害程度加剧而降低；而药害不改变含水量与物理结构，反射率较正常棉株有所升高。
因此，在350nm-1000nm谱段，可以进行棉花药害和叶螨虫害的特征谱段筛选。
基于棉花药害和叶螨虫害的特征谱段采用偏最小二乘法模型来构建识别模型。
参照附图1和附图3，以低空无人机搭载成像高光谱仪获取棉花花铃期棉花冠层高光谱 影像，经数据处理后，完成指数计算。
如附图3所示，无人机影像经计算得到植被指数后，首先进行植被区与非植被区判定， 筛选出植被区信息；
在植被区信息(棉花与其他植被)中，按照物候历、影像特征及多期影像计算得到的植被 指数，识别出棉花分布区域；
在棉花分布信息中，进行健康棉花与非健康棉花的判断，若棉花植被指数与光谱曲线规 律符合正常棉花状态，则为正常棉花，反之则为非健康棉花(药害和病虫害棉花)。
在非健康棉花信息中，利用NDVI(960,650)、R(550,760)、GNDVI(760,550)、NNIR、MCARI及α和β指数综 合判定是否为药害与叶螨虫害棉花。
本实施例无人机遥感平台包括：八旋翼无人机、飞行控制系统、GaiaSky-mini2机载高 光谱成像仪、地面控制系统、数据处理系统、微型便携式计算机HP Zbook 17G2。其中八旋翼 无人机为自行设计组装，单臂长65厘米，机身重8kg,可载重12公斤，续航时间为30分钟； GaiaSky-mini2机载高光谱成像仪为四川双利合谱公司产品，采用悬停扫描成像方式，光谱 范围为400-1000nm,光谱分辨率为3.5nm，横向视场为234m@500米高度，空间分辨率为 0.17m@500米高度。
无人机遥感作业当天晴朗无云，风速小于3级，航速4m/s，航高50m,航向重叠度75％， 旁向重叠度75％。按照规定采集数据后，利用自带的Spec View软件进行数据预处理工作。
获取试验区的棉花冠层高光谱数据集，经Spec View、Pix4D、ENVI、PIE等软件处理后， 获取地面分辨率为1cm的高光谱影像，对影像进行Savitzky-Golay平滑处理、光谱微分处理 后，获得标准预处理数据，使用ENVI ROI工具进行裁切，得到目标地块的高光谱影像数据。
参照附图1，基于构建的棉花药害和叶螨虫害的高光谱识别模型，采用同化进行数据同 化，将数据归于同一空间尺度下，应用于处理后的高光谱影像数据，鉴别棉花胁迫的因素是 药害或叶螨虫害，并获得田块尺度下的棉花药害分布数据及叶螨虫害分布数据。
光谱数据和高光谱影像经PCA(主成分分析)方法处理后，逐一分析各因子间的相关性， 采用偏最小二乘回归分析模型拟合构建识别模型，计算公式如下：
X＝TPT+E；
Y＝UQT+F；
其中，X为n×m的预测矩阵；T为n×l的X投影矩阵；P为m×l的正交载荷矩阵； 矩阵E是误差项，服从独立同分布的正态分布随机变量；Y为n×p的响应矩阵；U为n×l 的Y投影矩阵；Q为p×l的正交载荷矩阵；矩阵F是误差项，服从独立同分布的正态分布 随机变量
以4DVar代价函数进行数据同化，考虑观测在时间尺度上的变化，运用公式模型
Figure BDA0003532269630000101
进行同化，
其中，xk表示模型参数，B为模型误差，y为观测数，Q为观测误差，H为观测算子。
将棉花药害及叶螨虫害高光谱鉴别模型应用于高光谱影像中，得到田块尺度的药害分布 数据、叶螨虫害分布数据。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离 本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一 点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求 而不是上述说明限定，因此旨在将落在权利要求的得同要件的含义和范围内的所有变化囊括 在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实 施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims (6)

1.一种棉花药害与叶螨虫害的高光谱鉴别方法，其特征在于，包括如下步骤：
步骤1：通过地物波谱仪获取棉花苗期至花铃期棉花冠层光谱数据并进行清洗，分析棉花药害和叶螨虫害的光谱特征，筛选出棉花药害和叶螨虫害的冠层光谱数据；
步骤2：通过低空无人机搭载成像高光谱仪获取棉花花铃期棉花冠层高光谱影像，经数据处理后，完成指数计算；
步骤3：基于光谱特征构建药害和叶螨虫害高光谱识别模型，将该模型应用于无人机高光谱影像，进行特征判定，获取田块尺度的药害和叶螨虫害分布图，输出最终结果。
2.根据权利要求1所述的一种棉花药害与叶螨虫害的高光谱鉴别方法，其特征在于，所述步骤2中，无人机获取试验区的棉花冠层高光谱数据集，经Spec View、Pix4D、ENVI、PIE软件处理后，获取地面分辨率为1cm的高光谱影像；对影像进行Savitzky-Golay平滑处理和光谱微分处理后，获得标准预处理数据，使用ENVI ROI工具进行裁切，得到目标地块的高光谱影像数据。
3.根据权利要求1所述的一种棉花药害与叶螨虫害的高光谱鉴别方法，其特征在于，所述步骤3具体包括：
步骤3.1：光谱数据和高光谱影像经PCA方法处理后，逐一分析各因子间的相关性，采用偏最小二乘回归分析模型拟合构建药害和叶螨虫害高光谱识别模型，计算公式如下:
X＝TPT+E；
Y＝UQT+F；
其中，X为n×m的预测矩阵；Y为n×p的响应矩阵；T为n×l的X投影矩阵；U为n×l的Y投影矩阵；P为m×l的正交载荷矩阵；Q为p×l的正交载荷矩阵；矩阵E和F是误差项，服从独立同分布的正态分布随机变量；
步骤3.2：以4DVar代价函数进行数据同化，考虑观测在时间尺度上的变化，同化公式如下：
Figure FDA0003532269620000011
其中，xk表示模型参数，B为模型误差，y为观测数，Q为观测误差，H为观测算子；
步骤3.3：将数据归于同一空间尺度下，应用于处理后的高光谱影像数据，鉴别棉花胁迫的因素是药害或叶螨虫害，并获得田块尺度下的棉花药害分布数据及叶螨虫害分布数据。
4.根据权利要求3所述的一种棉花药害与叶螨虫害的高光谱鉴别方法，其特征在于，所述步骤3中的药害和叶螨虫害高光谱识别模型的构建方法包括：
1)获取地面高光谱数据；
2)采用Savitzky-Golay对该数据进行数据清洗和去噪；
3)进行导数与微分计算，导数采用
Figure FDA0003532269620000021
和
Figure FDA0003532269620000022
公式模型进行计算；
其中，R1st(λi)为在光谱段λi上的一阶导数值，R(λi)为i波段处的反射率数值，R(λi+1)为(i+1)波段处的反射率数值；R2nd(λi)为在光谱段λi上的二阶导数值，R(λi)为i波段处的反射率数值，R(λi+1)为(i+1)波段处的反射率数值；
微分采用
Figure FDA0003532269620000023
和ρ″(λi)＝[ρ′(λi+1)-ρ′(λi-1)]/2(λi+1-λi-1)公式模型进行计算；
其中，ρ′(λi)为在光谱段λi上的一阶微分值；ρ(λi+1)为(i+1)波段处的反射率数值；ρ(λi-1)为(i-1)波段处的反射率数值；ρ″(λi)为在光谱段λi上的二阶微分值；ρ′(λi+1)为(i+1)波段处的一阶微分值；ρ′(λi-1)为(i-1)波段处的一阶微分值；λi为i波段的波长值；λ(i+1)为(i+1)波段的波长值。
4)特征谱段分析，分析棉花冠层光谱数据、导数与微分数据，筛选敏感谱段，对特征谱段进行提取；
5)基于提取出的棉花药害和叶螨虫害的特征谱段，采用偏最小二乘法模型来构建识别模型。
5.根据权利要求1所述的一种棉花药害与叶螨虫害的高光谱鉴别方法，其特征在于，所述地物光谱仪为SVC HR768的便携式地物光谱仪，谱段为350nm-2500nm，768个波段通道，光谱分辨率为3.5nm@1000nm。
6.根据权利要求1所述的一种棉花药害与叶螨虫害的高光谱鉴别方法，其特征在于，所述步骤1中的数据采集要求为：
1)采样数据每个点的光谱数据不少于10次；
2)地面能见度不小于10km；太阳周围90°立体角范围内淡积云量应小于2％，无卷云和浓积云等；风力应小于3级；
3)便携式地物光谱仪采用25°视场角光纤探头采集地物光谱数据。
CN202210208786.0A 2022-03-04 2022-03-04 一种棉花药害与叶螨虫害的高光谱鉴别方法 Pending CN114694041A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210208786.0A CN114694041A (zh) 2022-03-04 2022-03-04 一种棉花药害与叶螨虫害的高光谱鉴别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210208786.0A CN114694041A (zh) 2022-03-04 2022-03-04 一种棉花药害与叶螨虫害的高光谱鉴别方法

Publications (1)

Publication Number Publication Date
CN114694041A true CN114694041A (zh) 2022-07-01

Family

ID=82137592

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210208786.0A Pending CN114694041A (zh) 2022-03-04 2022-03-04 一种棉花药害与叶螨虫害的高光谱鉴别方法

Country Status (1)

Country Link
CN (1) CN114694041A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115187860A (zh) * 2022-07-11 2022-10-14 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

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115187860A (zh) * 2022-07-11 2022-10-14 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

Similar Documents

Publication Publication Date Title
Feng et al. Yield estimation in cotton using UAV-based multi-sensor imagery
Duan et al. Remote estimation of grain yield based on UAV data in different rice cultivars under contrasting climatic zone
US6212824B1 (en) Methods for classifying plants for evaluation and breeding programs by use of remote sensing and image analysis technology
Barreto et al. Hyperspectral imaging of symptoms induced by Rhizoctonia solani in sugar beet: Comparison of input data and different machine learning algorithms
Morlin Carneiro et al. Comparison between vegetation indices for detecting spatial and temporal variabilities in soybean crop using canopy sensors
Noland et al. Estimating alfalfa yield and nutritive value using remote sensing and air temperature
Lu et al. Improving Unmanned Aerial Vehicle (UAV) remote sensing of rice plant potassium accumulation by fusing spectral and textural information
CN111091052A (zh) 一种基于最大似然法的玉米倒伏面积提取系统及方法
Tong et al. Combined use of in situ hyperspectral vegetation indices for estimating pasture biomass at peak productive period for harvest decision
CN112557393B (zh) 基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法
CN112287886B (zh) 基于高光谱图像融合图谱特征的小麦植株氮含量估测方法
CN110658211A (zh) 棉花蕾期蚜害棉花冠层光谱特征提取及等级估测方法
Song et al. Estimating reed loss caused by Locusta migratoria manilensis using UAV-based hyperspectral data
Wang et al. Estimation of rice aboveground biomass by combining canopy spectral reflectance and unmanned aerial vehicle-based red green blue imagery data
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
Marin et al. Unmanned aerial vehicle to evaluate frost damage in coffee plants
Hatton et al. Assessment of sudden death syndrome in soybean through multispectral broadband remote sensing aboard small unmanned aerial systems
CN115311559A (zh) 棉花药害识别方法、装置、电子设备及存储介质
Lu et al. Inversion of chlorophyll content under the stress of leaf mite for jujube based on model PSO-ELM method
CN114694041A (zh) 一种棉花药害与叶螨虫害的高光谱鉴别方法
Kumawat et al. Remote sensing related tools and their spectral indices applications for crop management in precision agriculture
Pokhrel et al. Estimating yield-contributing physiological parameters of cotton using UAV-based imagery
Liu et al. Comprehensive growth index monitoring of desert steppe grassland vegetation based on UAV hyperspectral
CN114694020B (zh) 一种棉花蚜虫遥感预报模型的构建方法
CN114994036A (zh) 基于多表型参数的水稻白叶枯病害程度预测方法及系统

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