CN114708491A - 一种刚竹毒蛾虫害早期虫源点的识别方法及系统 - Google Patents
一种刚竹毒蛾虫害早期虫源点的识别方法及系统 Download PDFInfo
- Publication number
- CN114708491A CN114708491A CN202111592200.7A CN202111592200A CN114708491A CN 114708491 A CN114708491 A CN 114708491A CN 202111592200 A CN202111592200 A CN 202111592200A CN 114708491 A CN114708491 A CN 114708491A
- Authority
- CN
- China
- Prior art keywords
- bamboo
- insect
- moth
- pest
- hazard
- 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.)
- Granted
Links
- 241001330002 Bambuseae Species 0.000 title claims abstract description 86
- 235000017166 Bambusa arundinacea Nutrition 0.000 title claims abstract description 85
- 235000017491 Bambusa tulda Nutrition 0.000 title claims abstract description 85
- 235000015334 Phyllostachys viridis Nutrition 0.000 title claims abstract description 85
- 239000011425 bamboo Substances 0.000 title claims abstract description 85
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 66
- 241000238631 Hexapoda Species 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 36
- 230000008859 change Effects 0.000 claims abstract description 21
- 238000009826 distribution Methods 0.000 claims abstract description 8
- 241000500437 Plutella xylostella Species 0.000 claims abstract description 6
- 238000004590 computer program Methods 0.000 claims description 13
- 244000302661 Phyllostachys pubescens Species 0.000 claims description 11
- 235000003570 Phyllostachys pubescens Nutrition 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 238000002310 reflectometry Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 3
- 230000003750 conditioning effect Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 230000018109 developmental process Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 206010061217 Infestation Diseases 0.000 claims 1
- 240000007880 Phyllostachys bambusoides Species 0.000 claims 1
- 235000001550 Phyllostachys bambusoides Nutrition 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001634817 Cydia Species 0.000 description 1
- 241001477931 Mythimna unipuncta Species 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/97—Determining parameters from multiple pictures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/30—Against vector-borne diseases, e.g. mosquito-borne, fly-borne, tick-borne or waterborne diseases whose impact is exacerbated by climate change
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明涉及一种刚竹毒蛾虫害早期虫源点的识别方法及系统，该方法包括：（1）获取刚竹毒蛾越冬代与第一代时期的遥感影像，提取遥感影像中虫害信息；（2）将轻度危害、中度危害、重度危害区域合并为危害区，对危害区影像进行叠置分析，提取出公共区域，记为S1；（3）将无危害、轻度危害、中度危害、重度危害依次赋值为1~4，将越冬代与第一代刚竹毒蛾危害影像叠放，利用差分分析，采用对应像元相减的方式，逐步比较影像中各个小区域像元值变化速率，提取变化速率大于设定阈值区域虫害范围，记为S2；（4）对S1、S2进行综合分析，得出刚竹毒蛾虫害早期虫源点的分布信息。该方法及系统有利于快速、准确检测出刚竹毒蛾虫害早期虫源点。
Description
技术领域
本发明属于遥感技术领域，具体涉及一种刚竹毒蛾虫害早期虫源点的识别方法及系 统。
背景技术
毛竹是我国经济竹种中分布最广、面积最大、效益最高的竹种之一，广泛分布于福建、江西、湖南、浙江等省份。随着科技与工艺的不断进步，竹产业链正在不断延伸， 竹资源与竹产业已经成为农民致富的重要依赖，并成为许多地区乡村振兴工作的动力资 源。
准确、有效地提取刚竹毒蛾危害信息是评估毛竹林健康状况的基础。已有研究多着 眼于灾情监测与灾后评估，无法对刚竹毒蛾危害发生前进行有效预测，而识别刚竹毒蛾虫害早期虫源点是实现刚竹毒蛾危害预测的前提。为此，有必要研究一种确定刚竹毒蛾 虫害早期虫源点的方法，为实现刚竹毒蛾危害预警监测工作提供技术支撑。
发明内容
本发明的目的在于提供一种刚竹毒蛾虫害早期虫源点的识别方法及系统，该方法及 系统有利于快速、准确检测出刚竹毒蛾虫害早期虫源点。
为实现上述目的，本发明采用的技术方案是：一种刚竹毒蛾虫害早期虫源点的识别 方法，包括以下步骤：
(1)获取刚竹毒蛾越冬代与第一代时期的遥感影像，提取遥感影像中虫害信息；
(2)将轻度危害、中度危害、重度危害区域合并为危害区，对危害区影像进行叠 置分析，提取出公共区域，记为S1；
(3)将无危害、轻度危害、中度危害、重度危害依次赋值为1～4，将越冬代与第一代刚竹毒蛾危害影像叠放，利用差分分析，采用对应像元相减的方式，逐步比较影像中 各个小区域像元值变化速率，提取变化速率大于设定阈值区域虫害范围，记为S2；
(4)对S1、S2进行综合分析，得出刚竹毒蛾虫害早期虫源点的分布信息。
进一步地，所述步骤(1)包括以下步骤：
(101)提取毛竹林遥感信息：利用“基于片层—面向类”算法，即利用NDVI植 被指数提取竹林区域，对明亮区植被与阴影区植被进行片层分割，在此基础上利用纹理 信息实现面向类的竹林信息提取；
(102)提取刚竹毒蛾危害信息：依据不同刚竹毒蛾危害等级下毛竹林冠层的表征差异，以绿度、湿度、叶面积及光谱特征为评价指标，结合随机森林法，实现刚竹毒蛾 危害等级的遥感检测；所述遥感检测的计算方法为：
H＝rf(LAI,CSI,NDMVI,GVMI) (1)
其中，各指标计算方法为：
LAI＝1.992-0.031×B-0.009×G+0.034×R+0.00007369×NIR+2.69×SAVI(2)
CSI＝[NIR+(NIR-R)]×(R-G) (4)
式中，SWIR、NIR、R、G、B分别表示短波红外、近红外、红光、绿光以及蓝光波 段的反射率；NIRmin和Rmin分别表示近红外波段及红光波段的反射率最小值；t为土壤 调节因子，取值范围0～1；
利用上述方法获得刚竹毒蛾时序数据，在此基础上建立刚竹毒蛾危害时间序列数据 集，即UDm。
进一步地，所述步骤(2)中，基于叠置分析进行虫害溯源：考虑刚竹毒蛾危害蔓 延的延续性与扩张性，将越冬代与第一代刚竹毒蛾危害范围叠置，得到公共区域S1即 认定为刚竹毒蛾虫害早期虫源点。
进一步地，所述步骤(3)中，基于差分分析进行虫害溯源：基于刚竹毒蛾虫害发 生发展的规律，虫源出现并发生时该虫源点附近毛竹的受损程度加快，而由于生态系统 自修复性，若是该地未出现虫源，则该地植被逐步恢复原始状态；采用对应像元相减的 差分分析方式，逐步比较影像中各个小区域像元值变化缓急，对刚竹毒蛾虫害进行溯源 分析，提取出变化速率大于设定阈值区域虫害范围S2。
进一步地，所述步骤(3)具体包括以下步骤：
(301)以刚竹毒蛾危害时间序列数据集UDm中t1、t2期数据相减，得出刚竹毒蛾时间序列变化数据；
(302)设立检索窗口，记为Mn，其中n为像元个数，表示以n×n像元矩阵的窗口 对影像内所有刚竹毒蛾危害等级数据进行逐行检索，计算在该窗口内全部像元值之和并 进行记录，记为Mn1；若窗口内值越大则表示该位置虫害变化越急剧，反之则表示此处 无虫害或生态环境正在自我修复；记录完毕后令窗口向下一个像元方向移动一个单位并 再次记录窗口内像元值之和，直到遍历刚竹毒蛾危害等级数据中s个像元；
(303)对Mn1～Mns进行降序排序，选取前q个窗口即为刚竹毒蛾虫害早期虫源点。
进一步地，所述步骤(4)中，将步骤(1)中叠置分析的结果与步骤(2)提取出 的虫源点区域进行交互验证，若两种方法同时提取出了某一区域内的虫源点信息，则可 认为该处虫源点提取有效，对该虫源点信息予以记录。
本发明还提供了一种刚竹毒蛾虫害早期虫源点的识别系统，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：提供了一种刚竹毒蛾虫害早期虫源点 的识别方法及系统，该方法及系统基于遥感影像提取虫害信息，并结合叠置分析和差分分析，快速、准确地确定刚竹毒蛾虫害早期虫源点的分布信息，为实现该虫害的精准预 测与防控提供技术支持，具有很强的实用性和广阔的应用前景。
附图说明
图1是本发明实施例中毛竹林分布图；
图2是本发明实施例中刚竹毒蛾危害时间序列数据图；
图3是本发明实施例中叠置分析所得早期虫源点区域图；
图4是本发明实施例中差分分析流程图；
图5是本发明实施例中分分析所得早期虫源点图；
图6是本发明实施例中刚竹毒蛾虫害早期虫源点分布图；
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刚竹毒蛾虫害早期虫源点的识别方法，包括以下步骤：
(1)获取刚竹毒蛾越冬代与第一代时期的遥感影像，提取遥感影像中虫害信息；
(2)将轻度危害、中度危害、重度危害区域合并为危害区，对危害区影像进行叠 置分析，提取出公共区域，记为S1；
(3)将无危害、轻度危害、中度危害、重度危害依次赋值为1～4，将越冬代与第一代刚竹毒蛾危害影像叠放，利用差分分析，采用对应像元相减的方式，逐步比较影像中 各个小区域像元值变化速率，提取变化速率大于设定阈值区域虫害范围，记为S2；
(4)对S1、S2进行综合分析，得出刚竹毒蛾虫害早期虫源点的分布信息。
下面以一具体实施例对本发明作进一步说明。本实施例中，试验数据为Landsat 8OLI多光谱遥感影像，试验区为福建省南平市顺昌县。
(1)毛竹林遥感信息的提取
利用“基于片层—面向类”算法，即利用NDVI植被指数提取竹林区域，对明亮区 植被与阴影区植被进行片层分割，在此基础上利用纹理信息实现面向类的竹林信息提取。 提取的毛竹林分布如图1所示。
(2)刚竹毒蛾危害信息的提取
依据不同刚竹毒蛾危害等级下毛竹林冠层的表征差异，以绿度、湿度、叶面积及光谱特征为评价指标，结合随机森林法，实现刚竹毒蛾危害等级的遥感检测；所述遥感检 测的计算方法为：
H＝rf(LAI,CSI,NDMVI,GVMI) (1)
其中，各指标计算方法为：
LAI＝1.992-0.031×B-0.009×G+0.034×R+0.00007369×NIR+2.69×SAVI(2)
CSI＝[NIR+(NIR-R)]×(R-G) (4)
式中，SWIR、NIR、R、G、B分别表示短波红外、近红外、红光、绿光以及蓝光波 段的反射率；NIRmin和Rmin分别表示近红外波段及红光波段的反射率最小值；t为土壤 调节因子，取值范围0～1。
利用上述方法获得如图2所示的刚竹毒蛾时序数据，在此基础上建立刚竹毒蛾危害 时间序列数据集，即UDm。
(3)基于叠置分析的虫害溯源
考虑刚竹毒蛾危害蔓延的延续性与扩张性，将越冬代与第一代刚竹毒蛾危害范围叠 置，得到部分公共区域S1即认定为刚竹毒蛾虫害早期虫源点，如图3所示。
(4)基于差分分析的虫害溯源
基于刚竹毒蛾虫害发生发展的规律，虫源出现并发生时该虫源点附近毛竹的受损程 度较快，而由于生态系统自修复性，若是该地未出现虫源，则该地植被逐步恢复原始状态。采用对应像元相减的差分分析方式，逐步比较影像中各个小区域像元值变化缓急， 对刚竹毒蛾虫害进行溯源分析，提取出变化速率大于设定阈值区域虫害范围S2。如图4 所示，差分分析的实施流程具体包括以下步骤：
1)以刚竹毒蛾危害时间序列数据集UDm中t1、t2期数据相减，得出刚竹毒蛾时间序列变化数据。
2)设立检索窗口，记为Mn，其中n为像元个数，表示以n×n像元矩阵的窗口对影 像内所有刚竹毒蛾危害等级数据进行逐行检索，计算在该窗口内全部像元值之和并进行 记录，记为Mn1；若窗口内值越大则表示该位置虫害变化越急剧，反之则表示此处无虫 害或生态环境正在自我修复；记录完毕后令窗口向下一个像元方向移动一个单位并再次 记录窗口内像元值之和，直到遍历刚竹毒蛾危害等级数据中s个像元。
3)对Mn1～Mns进行降序排序，选取前q个窗口即为刚竹毒蛾虫害早期虫源点。
通过差分分析得到如图5所示的虫源点分布。
(5)刚竹毒蛾虫害早期虫源点的综合判定
根据上述两种方法得到的S1、S2进行综合分析，最终确定刚竹毒蛾虫害早期虫源点， 如图6所示。具体地，将叠置分析的结果与差分分析提取出的虫源点区域进行交互验证， 若两种方法同时提取出了某一区域内的虫源点信息，则可认为该处虫源点提取有效，对 该虫源点信息予以记录。
本实施例还提供了一种刚竹毒蛾虫害早期虫源点的识别系统，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 (7)
1.一种刚竹毒蛾虫害早期虫源点的识别方法，其特征在于，包括以下步骤：
(1)获取刚竹毒蛾越冬代与第一代时期的遥感影像，提取遥感影像中虫害信息；
(2)将轻度危害、中度危害、重度危害区域取并集合并为危害区，对不同时期危害区影像进行叠置分析，提取出公共区域，记为S1；
(3)将无危害、轻度危害、中度危害、重度危害依次赋值为1～4，将越冬代与第一代刚竹毒蛾危害影像叠放，利用差分分析，采用对应像元相减的方式，逐步比较影像中各个小区域像元值变化速率，提取变化速率大于设定阈值区域虫害范围，记为S2；
(4)对S1、S2进行综合分析，得出刚竹毒蛾虫害早期虫源点的分布信息。
2.根据权利要求1所述的一种刚竹毒蛾虫害早期虫源点的识别方法，其特征在于，所述步骤(1)包括以下步骤：
(101)提取毛竹林遥感信息：利用“基于片层—面向类”算法，即利用NDVI植被指数提取竹林区域，对明亮区植被与阴影区植被进行片层分割，在此基础上利用纹理信息实现面向类的竹林信息提取；
(102)提取刚竹毒蛾危害信息：依据不同刚竹毒蛾危害等级下毛竹林冠层的表征差异，以绿度、湿度、叶面积及光谱特征为评价指标，结合随机森林法，实现刚竹毒蛾危害等级的遥感检测；所述遥感检测的计算方法为：
H＝rf(LAI,CSI,NDMVI,GVMI) (1)
其中，各指标计算方法为：
LAI＝1.992-0.031×B-0.009×G+0.034×R+0.00007369×NIR+2.69×SAVI (2)
CSI＝[NIR+(NIR-R)]×(R-G) (4)
式中，SWIR、NIR、R、G、B分别表示短波红外、近红外、红光、绿光以及蓝光波段的反射率；NIRmin和Rmin分别表示近红外波段及红光波段的反射率最小值；t为土壤调节因子，取值范围0～1；
利用上述方法获得刚竹毒蛾时序数据，在此基础上建立刚竹毒蛾危害时间序列数据集，即UDm。
3.根据权利要求2所述的一种刚竹毒蛾虫害早期虫源点的识别方法，其特征在于，所述步骤(2)中，基于叠置分析进行虫害溯源：考虑刚竹毒蛾危害蔓延的延续性与扩张性，将越冬代与第一代刚竹毒蛾危害范围进行叠置分析，得到公共区域S1即认定为刚竹毒蛾虫害早期虫源点。
4.根据权利要求3所述的一种刚竹毒蛾虫害早期虫源点的识别方法，其特征在于，所述步骤(3)中，基于差分分析进行虫害溯源：基于刚竹毒蛾虫害发生发展的规律，虫源出现并发生时该虫源点附近毛竹的受损程度加快，而由于生态系统自修复性，若是该地未出现虫源，则该地植被逐步恢复原始状态；采用对应像元相减的差分分析方式，逐步比较影像中各个小区域像元值变化缓急，对刚竹毒蛾虫害进行溯源分析，提取出变化速率大于设定阈值区域虫害范围S2。
5.根据权利要求4所述的一种刚竹毒蛾虫害早期虫源点的识别方法，其特征在于，所述步骤(3)具体包括以下步骤：
(301)以刚竹毒蛾危害时间序列数据集UDm中t1、t2期数据相减，得出刚竹毒蛾时间序列变化数据；
(302)设立检索窗口，记为Mn，其中n为像元个数，表示以n×n像元矩阵的窗口对影像内所有刚竹毒蛾危害等级数据进行逐行检索，计算在该窗口内全部像元值之和并进行记录，记为Mn1；若窗口内值越大则表示该位置虫害变化越急剧，反之则表示此处无虫害或生态环境正在自我修复；记录完毕后令窗口向下一个像元方向移动一个单位并再次记录窗口内像元值之和，直到遍历刚竹毒蛾危害等级数据中s个像元；
(303)对Mn1～Mns进行降序排序，选取前q个窗口即为刚竹毒蛾虫害早期虫源点。
6.根据权利要求1所述的一种刚竹毒蛾虫害早期虫源点的识别方法，其特征在于，所述步骤(4)中，将步骤(1)中叠置分析的结果与步骤(2)提取出的虫源点区域进行交互验证，若两种方法同时提取出了某一区域内的虫源点信息，则可认为该处虫源点提取有效，对该虫源点信息予以记录。
7.一种刚竹毒蛾虫害早期虫源点的识别系统，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1-6所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111592200.7A CN114708491B (zh) | 2021-12-23 | 2021-12-23 | 一种刚竹毒蛾虫害早期虫源点的识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111592200.7A CN114708491B (zh) | 2021-12-23 | 2021-12-23 | 一种刚竹毒蛾虫害早期虫源点的识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114708491A true CN114708491A (zh) | 2022-07-05 |
| CN114708491B CN114708491B (zh) | 2024-09-13 |
Family
ID=82167718
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111592200.7A Active CN114708491B (zh) | 2021-12-23 | 2021-12-23 | 一种刚竹毒蛾虫害早期虫源点的识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114708491B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108333140A (zh) * | 2018-02-01 | 2018-07-27 | 福州大学 | 用于刚竹毒蛾危害检测的特征光谱指数及检测方法 |
| CN108828147A (zh) * | 2018-06-14 | 2018-11-16 | 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 |
| CN109816270A (zh) * | 2019-02-22 | 2019-05-28 | 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 CN202111592200.7A patent/CN114708491B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108333140A (zh) * | 2018-02-01 | 2018-07-27 | 福州大学 | 用于刚竹毒蛾危害检测的特征光谱指数及检测方法 |
| CN108828147A (zh) * | 2018-06-14 | 2018-11-16 | 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 |
| CN109816270A (zh) * | 2019-02-22 | 2019-05-28 | 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 |
Non-Patent Citations (2)
| Title |
|---|
| 周紫嫣;胡新宇;林璐;黄旭影;许章华;周华康;许婼楠;吴可欣;: "地形因子对刚竹毒蛾危害的影响初探", 农业灾害研究, no. 02, 15 April 2020 (2020-04-15) * |
| 黄旭影;许章华;林璐;刘健;钟兆全;周华康;: "刚竹毒蛾危害下的毛竹叶片光谱特征波长研究", 光谱学与光谱分析, no. 12, 15 December 2018 (2018-12-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114708491B (zh) | 2024-09-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wolf | Using WorldView-2 Vis-NIR multispectral imagery to support land mapping and feature extraction using normalized difference index ratios | |
| Liang et al. | An efficient forgery detection algorithm for object removal by exemplar-based image inpainting | |
| Bouhennache et al. | A new spectral index for the extraction of built-up land features from Landsat 8 satellite imagery | |
| CN104346370B (zh) | 图像搜索、获取图像文本信息的方法及装置 | |
| Xiao et al. | Efficient shadow removal using subregion matching illumination transfer | |
| CN107330451A (zh) | 基于深度卷积神经网络的服装属性检索方法 | |
| CN106610969A (zh) | 基于多模态信息的视频内容审查系统及方法 | |
| Safdar et al. | Intelligent microscopic approach for identification and recognition of citrus deformities | |
| Skurikhin et al. | Automated tree crown detection and size estimation using multi-scale analysis of high-resolution satellite imagery | |
| CN111339948B (zh) | 一种高分辨率遥感影像新增建筑自动识别方法 | |
| CN105023027A (zh) | 基于多次反馈机制的现场鞋底痕迹花纹图像检索方法 | |
| Hernández-Rabadán et al. | Integrating SOMs and a Bayesian classifier for segmenting diseased plants in uncontrolled environments | |
| CN103345492A (zh) | 一种视频浓缩的方法和系统 | |
| Patki et al. | Cotton leaf disease detection & classification using multi SVM | |
| Almeida et al. | Deriving vegetation indices for phenology analysis using genetic programming | |
| Kang et al. | Butterfly species identification by branch length similarity entropy | |
| Zhao et al. | Automatic blur region segmentation approach using image matting | |
| Tripathy | Detection of cotton leaf disease using image processing techniques | |
| CN115115955B (zh) | 基于无人机高光谱遥感的松材线虫病树监测方法与装置 | |
| Mai et al. | Back propagation neural network dehazing | |
| CN111882573A (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 | |
| Wu et al. | Automatic kernel counting on maize ear using RGB images | |
| CN106407975B (zh) | 基于空间-光谱结构约束的多尺度分层目标检测方法 | |
| Liu et al. | Combination of effective color information and machine learning for rapid prediction of soil water content | |
| Chen et al. | Fresh tea sprouts detection via image enhancement and fusion SSD |
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 |