CN114820532A - 一种蝗区分析方法及装置 - Google Patents
一种蝗区分析方法及装置 Download PDFInfo
- Publication number
- CN114820532A CN114820532A CN202210468471.XA CN202210468471A CN114820532A CN 114820532 A CN114820532 A CN 114820532A CN 202210468471 A CN202210468471 A CN 202210468471A CN 114820532 A CN114820532 A CN 114820532A
- Authority
- CN
- China
- Prior art keywords
- plaque
- patch
- value
- suitability
- land
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开了蝗区分析方法及装置,该方法中,通过为不同土地覆盖类型确定不同的切割尺度,提升了切割后斑块的准确度,并且,以斑块为单元进行适宜度等级的判定后,进一步的参考了相邻斑块间的影响,对适宜度等级值进行修正,利用修正后的等级值确定最终的斑块生境因子的适宜性得分,从而再次提升了分析结果的准确性。
Description
技术领域
本发明涉及病虫害监测技术,具体涉及一种蝗区分析方法及装置。
背景技术
农业病虫害是影响全球农业发展的主要因素。而蝗灾是世界性的农业虫害之一,其中,东亚飞蝗是中国暴发最频繁、危害最严重的蝗灾类型。近年来,国内外大量学者应用遥感技术获取与东亚飞蝗发生发展密切相关的因子来实现蝗区的提取,这些相关的因子主要包括植被、土壤、气候等多方面因素。也有部分学者利用遥感技术量化景观结构对蝗虫生境的影响并结合多个生境因子从而实现蝗区的提取及监测。景观结构是指不同生态系统或景观单元的空间关系。例如景观中不同生态系统或土地利用类型的面积、形状和丰富度,它们的空间格局以及能量、物质和生物体的空间分布等。景观结构的基本组成单元是斑块,是指不同于周围背景的、相对均质的非线性区域。现有的基于景观结构的蝗区提取方法采用的方式多是基于多源遥感数据获取植被覆盖度、土地覆盖类型、土壤湿度、土壤盐分、地表温度这五个影响东亚飞蝗孵化发生的生境因子,然后基于移动窗口法,以规则的空间单元测量蝗虫相邻像素对于中心像素的影响,从而对输入的多源遥感数据中每一个离散的斑块进行分析,从而实现在斑块尺度上提取蝗区的分布,进而实现蝗区监测。
但是,该方法的分析结果精度较低,无法适应较高的精度需求。
发明内容
为了解决现有技术存在的的问题,本发明提供了蝗区分析方法,具体内容如下:
一种蝗区分析方法,包括:
接收待分析图像及所述待分析图像对应的蝗虫区划数值,所述蝗虫区划数值用于表征所述待分析图像的历史虫源分布信息;
确定所述待分析图像的土地覆盖类型,并依据预先确定的各个土地覆盖类型对应的分割尺度,分别对所述待分析图像中各个土地覆盖类型对应的区域进行分割,得到各个土地覆盖类型对应区域的斑块,所述各个土地覆盖类型对应的分割尺度依据各个土地覆盖类型对应的最小斑块面积确定;
分别确定每个斑块对应的生境因子的值,获取预先设定的生境因子隶属度分级标准,依据所述各个所述生境因子值对应的初始适宜度等级值确定每个斑块的初始适宜度等级值;
依据每个斑块的相邻斑块影响权重和每个斑块的初始适宜度等级值,修正每个斑块对应的生境因子的初始适宜度等级值,得到每个斑块对应的生境因子值的修正后适宜度等级值;
依据预设的生境因子的权重值,每个斑块对应的生境因子值的修正后适宜度等级值,以及所述斑块对应的蝗虫区划数值,计算每个斑块的生境因子的适宜性得分;
依据所述每个斑块的适宜性得分以及预设判别规则,确定所述每个斑块的分析结果,所述分析结果包括,蝗区或非蝗区。
优选的,所述生境因子包括:植被覆盖度、土地覆盖类型、地表温度、土壤湿度和土壤盐分。
优选的,所述土地覆盖类型按照以下步骤确定:
移除所述待分析图像中的有云像素;
获取所述待分析图像中的特征参数,所述特征参数包括:归一化植被指数,增强型植被指数和改进的归一化差异水体指数的平均值、标准偏差和中值,以及各指数振幅和相位;
将所述特征参数输入预先训练的随机森林模型进行分类,获得土地覆盖类型,包括耕地、森林、草地、灌丛、水体、湿地、不透水层及裸地。
优选的,所述各个土地覆盖类型对应的分割尺度按照以下方式确定:
获取各个土地覆盖类型对应的遥感影像;
分析不同土地覆盖类型对应的最小斑块面积;
依据所述最小斑块面积确定各个土地覆盖类型对应的分割尺度。
优选的,所述各个斑块的相邻斑块影响权重按照下步骤确定:
分别将每一个斑块做为核心斑块,并确定所述核心斑块的相邻斑块;
计算所述核心斑块与相邻斑块的质心之间空间距离;
将所述空间距离的倒数做为该相邻斑块对所述核心斑块的影响权重。
优选的,所述依据每个斑块的相邻斑块影响权重和每个斑块的初始适宜度等级值,修正每个斑块对应的生境因子的初始适宜度等级值,得到每个斑块对应的生境因子值的修正后适宜度等级值过程包括:
对每个斑块执行如下操作:
累加所述相邻斑块影响权重与斑块的初始适宜度等级值的乘积;
将所述累加值与相邻斑块影响权重之和的商,做为该斑块对应的生境因子值的修正后适宜度等级值。
本申请还公开了一种蝗区分析装置,包括:
接收模块,用于接收待分析图像及所述待分析图像对应的蝗虫区划数值,所述蝗虫区划数值用于表征所述待分析图像的历史虫源分布信息;
分割模块,用于确定所述待分析图像的土地覆盖类型,并依据预先确定的各个土地覆盖类型对应的分割尺度,分别对所述待分析图像中各个土地覆盖类型对应的区域进行分割,得到各个土地覆盖类型对应区域的斑块,所述各个土地覆盖类型对应的分割尺度依据各个土地覆盖类型对应的最小斑块面积确定;
初始适宜度确定模块,用于分别确定每个斑块对应的生境因子的值,获取预先设定的生境因子隶属度分级标准,依据所述各个所述生境因子值对应的初始适宜度等级值确定每个斑块的初始适宜度等级值;
修正模块,用于依据每个斑块的相邻斑块影响权重和每个斑块的初始适宜度等级值,修正每个斑块对应的生境因子的初始适宜度等级值,得到每个斑块对应的生境因子值的修正后适宜度等级值;
适宜性得分确定模块,用于依据预设的生境因子的权重值,每个斑块对应的生境因子值的修正后适宜度等级值,以及所述斑块对应的蝗虫区划数值,计算每个斑块的生境因子的适宜性得分;
结果确定模块,用于依据所述每个斑块的适宜性得分以及预设判别规则,确定所述每个斑块的分析结果,所述分析结果包括,蝗区或非蝗区。
优选的,所述分割模块包括:
土地覆盖类型确定单元,移除所述待分析图像中的有云像素;获取所述待分析图像中的特征参数,所述特征参数包括:归一化植被指数,增强型植被指数和改进的归一化差异水体指数的平均值、标准偏差和中值,以及各指数振幅和相位;将所述特征参数输入预先训练的随机森林模型进行分类,获得土地覆盖类型,包括耕地、森林、草地、灌丛、水体、湿地、不透水层及裸地;
分割尺度确定单元,用于获取各个土地覆盖类型对应的遥感影像;分析不同土地覆盖类型对应的最小斑块面积;依据所述最小斑块面积确定各个土地覆盖类型对应的分割尺度。
优选的,所述修正模块包括:
权重确定单元,用于分别将每一个斑块做为核心斑块,并确定所述核心斑块的相邻斑块;计算所述核心斑块与相邻斑块的质心之间空间距离;将所述空间距离的倒数做为该相邻斑块对所述核心斑块的影响权重;
修正单元,用于对每一斑块执行修正操作,该操作包括:累加所述相邻斑块影响权重与斑块的初始适宜度等级值的乘积;将所述累加值与相邻斑块影响权重之和的商,做为该斑块对应的生境因子值的修正后适宜度等级值。
本申请公开的蝗区分析方法,通过为不同土地覆盖类型确定不同的切割尺度,提升了切割后斑块的准确度,并且,以斑块为单元进行适宜度等级的判定后,进一步的参考了相邻斑块间的影响,对适宜度等级值进行修正,利用修正后的等级值确定最终的斑块生境因子的适宜性得分,从而再次提升了分析结果的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为申请实施例公开的一种蝗区分析方法的流程图;
图2为申请实施例公开的又一种蝗区分析方法的流程图;
图3为申请实施例公开的又一种蝗区分析方法的流程图;
图4为申请实施例公开的又一种蝗区分析方法的流程图;
图5为基于PB-AHP模型结合移动窗的蝗区提取方法的分析结果组图;
图6为基于本申请公开的蝗区提取方法的分析结果组图;
图7为本申请实施例公开的蝗区分析装置的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
在对蝗区进行监测的过程中,发明人研究发现,土地覆盖类型作为影响景观结构、功能及动态的最普遍主导因素之一,具有明显的空间尺度属性,而目前已有研究能够证明,蝗区的形成和消失很大程度上受到土地覆盖类型变化的影响。基于以上讨论可以发现,土地覆盖类型的变化直接影响蝗区的演变,且土地覆盖类型具有明显的空间特征,能够表征景观的动态变化。所以,分析大尺度范围内景观结构对于蝗区分布的影响时,可以考虑土地覆盖类型的分布,通过遥感图像提取不同土地覆盖类型的斑块,基于提取的斑块对蝗区进行分析,从而能够有效地提高蝗区提取的精度。
基于以上思想,本申请实施例公开的一种蝗区分析方法的流程如图1所示,包括:
步骤S101:接收待分析图像及所述待分析图像对应的蝗虫区划数值,所述蝗虫区划数值用于表征所述待分析图像的历史虫源分布信息。
待分析图像可以是Landsat卫星采集的图像,或者SMAP(Soil Moisture Activeand Passive)卫星采集的图像,或者中分辨率成像光谱仪 (MODerate-resolutionImaging Spectroradiometer,MODIS)采集的图像。
待分析图像对应的蝗虫区划数据蝗虫区划数值根据全国农业技术推广服务中心提供的历史发生资料绘制,为布尔值,取值为0或者1,1为蝗区,0 为非蝗区。
步骤S102:确定所述待分析图像的土地覆盖类型,并依据预先确定的各个土地覆盖类型对应的分割尺度,分别对所述待分析图像中各个土地覆盖类型对应的区域进行分割,得到各个土地覆盖类型对应区域的斑块,所述各个土地覆盖类型对应的分割尺度依据各个土地覆盖类型对应的最小斑块面积确定。
本步骤中,首先判断待分析图像中包含的土地覆盖类型,例如耕地、森林、草地、灌丛、水体、湿地、不透水层及裸地等,确定土地覆盖类型后,根据预先设定的每个类型对应的分割尺度,分别对不同的土地覆盖类型对应的区域就行分割。也就是说,不同的土地类型对应不同的分割尺度,该分割方法考虑到大尺度范围内土地覆盖类型对于蝗区分布的影响,从而能够在一定程度上提升分析结果的准确性。
步骤S103:分别确定每个斑块对应的生境因子的值,获取预先设定的生境因子隶属度分级标准,依据所述各个所述生境因子值对应的初始适宜度等级值确定每个斑块的初始适宜度等级值。
蝗虫的发生发展受到气象、地形、土壤、植被、人类活动等多方面的影响,除此之外,虫源也是一个非常重要的因素。结合主导因素、相对稳定性、差异性及遥感可操行原则选择了土壤湿度、土壤盐分以及地表温度(蝗卵期)、植被覆盖度(蝗蝻期)、土地覆盖类型这五个影响因子。所以本实施例中的生境因子包括:植被覆盖度、土地覆盖类型、地表温度、土壤湿度和土壤盐分。
在对方法进行实验的过程中,植被覆盖度、土壤盐分、地表温度可以通过Landsat影像计算/反演获取,土壤湿度采用SMAP产品数据。
在确定每个斑块对应的生境因子的值的过程中,对于某个斑块的每一个生境因子的计算都可以参考如下公式:
其中,q为1,2,......,5,V1,p,V2,p,......,V5,p表示土地覆盖类型、植被覆盖度、土壤盐分、土壤湿度、地表温度五个生境因子在斑块上的值;Vj为像素级别生境因子的值,Np为一个斑块包含的像素个数。也就是说,每个斑块上的生境因子的值是这个斑块包含的像素的生境因子值的平均值。
本步骤中,根据历史文献及数据资料将斑块级别上的五个生境因子Vq,p划分为四个适宜度等级Mi,p,包括最适宜、次适宜、一般适宜和不适宜,分别赋值4、3、2、1。预先设定的生境因子隶属度分级标准如下所示:
以某个斑块上的植被覆盖度为例,若上一步骤中V2,p满足≥20%and ≤50%,则该斑块的植被覆盖适宜度等级为4,即Mi,p=4。
步骤S104:依据每个斑块的相邻斑块影响权重和每个斑块的初始适宜度等级值,修正每个斑块对应的生境因子的初始适宜度等级值,得到每个斑块对应的生境因子值的修正后适宜度等级值。
当斑块内部适宜性相同时,在湿地相邻生存的斑块适宜性明显要高于在人工表面(其他)相邻生存的斑块。因此,本研究在计算影响因子类尺度适宜性时需要考虑相邻斑块的影响。距离较近的斑块影响程度更高,因此可以为距离较近的斑块赋值更高的权重。
步骤S105:依据预设的生境因子的权重值,每个斑块对应的生境因子值的修正后适宜度等级值,以及所述斑块对应的蝗虫区划数值,计算每个斑块的生境因子的适宜性得分。
本申请中,采用层次分析法计算各生境因子的权重。本申请通过研究区域内包括45个发生过蝗虫的县\市\区,随机选取其中28个县市区,计算其五年平均发生面积与各生境因子的相关性作为初始重要性输入层次分析法得到各生境因子最终权重,如下表所示。
生境因子 | 初始重要性 | 最终权重 |
植被覆盖度 | 0.2786 | 0.1305 |
土地覆盖类型 | 0.8651 | 0.4053 |
土壤湿度 | 0.4729 | 0.2216 |
土壤盐分 | 0.1295 | 0.0607 |
地表温度 | 0.3883 | 0.1819 |
步骤S106:依据所述每个斑块的适宜性得分以及预设判别规则,确定所述每个斑块的分析结果,所述分析结果包括,蝗区或非蝗区。
其中,HSIl是斑块的生境因子的适宜性得分总和,为0-4,本实施例中的预设判别规则为,斑块的生境因子的适宜性得分总和认为值小于2的区域不是蝗区,值大于2的区域为蝗区。
利用本申请公开的蝗区分析方法,通过为不同土地覆盖类型确定不同的切割尺度,提升了切割后斑块的准确度,并且,以斑块为单元进行适宜度等级的判定后,进一步的参考了相邻斑块间的影响,对适宜度等级值进行修正,利用修正后的等级值确定最终的斑块生境因子的适宜性得分,从而再次提升了分析结果的准确性。
在分析结果确定后,可以根据分析结果确定要提取出的蝗区,用于其他分析研究。
本申请公开的一种蝗区分析方法中,土地覆盖类型的划分通过预先训练的随机森林模型来实现。
在预先训练的过程中,采用基于物候信息的随机森林模型进行分类,该模型可以有效增加具有相似光谱的覆盖类型之间的差异。首先收集历史一段时间内的卫星数据,例如2010年-2020年的Landsat数据;然后,基于CFmask 算法移除每幅图像中有云的像素;接下来,计算归一化植被指数(Normalized Difference Vegetation Index,NDVI),增强型植被指数(Enhanced Vegetation Index,EVI)和改进的归一化差异水体指数(ModifiedNormalized Difference Water Index,MNDWI)的平均值、标准偏差、中值以及基于谐波模型获取的各指数振幅和相位作为随机森林模型的特征输入,进行训练,直至其训练结果达到预期。本实施例中用于土地覆盖分类的样本2017年土地覆盖数据集中随机选择4000个样本点,包括耕地、森林、草地、灌丛、水体、湿地、不透水层及裸地各500个,以7:3的比例分割训练样本和测试样本。在并采用混淆矩阵对土地覆盖分类的方法进行验证,土地覆盖类型的分类精度有较大提升,可达到73%。
在模型训练完成后,使用该模型对待分析图像中的土地覆盖类型进行分类的流程如图2所示:
步骤S201:移除所述待分析图像中的有云像素。
步骤S202:获取所述待分析图像中的特征参数,所述特征参数包括:归一化植被指数,增强型植被指数和改进的归一化差异水体指数的平均值、标准偏差和中值,以及各指数振幅和相位。
步骤S203:将所述特征参数输入预先训练的随机森林模型进行分类,获得土地覆盖类型。
土地覆盖类型包括耕地、森林、草地、灌丛、水体、湿地、不透水层及裸地。
在确定土地覆盖类型后,依据预先确定的各个土地覆盖类型对应的分割尺度对待分析图像中每个土地类型对应的区域进行分割。这里的分割尺度按照如图3所示流程确定,包括:
步骤S301:获取各个土地覆盖类型对应的遥感影像。
本实施例中的图像为Landsat影像。
步骤S302:分析不同土地覆盖类型对应的最小斑块面积。
本步骤可以将不同土地覆盖类型对应的landsat影像输入FRAGSTAT软件,通过该软件获取不同土地覆盖类型对应的最小斑块面积。
步骤S303:依据所述最小斑块面积确定各个土地覆盖类型对应的分割尺度。
将这些landsat影像输入Ecognition软件,选择多尺度分割方法对影像进行分析,其中,用于多尺度分割的尺度参数基于不同土地覆盖类型的最小斑块面积确定。例如,该分割尺度可以为最小斑块面积,也可以为最小斑块面积的整数倍。
本实施例中针对不同土地覆盖类型选用不同尺度进行分割的多尺度分割方法,可以保证斑块内部像元之间同质性最大,斑块与斑块之间平均异质性最小,从而实现斑块的分割精度的提升。
进一步的,本申请公开了一种确定各个斑块的相邻斑块影响权重的方法,如图4所示,包括:
步骤S401:确定核心斑块的相邻斑块。
步骤S402:计算核心斑块与相邻斑块的质心之间空间距离;
本实施例中以斑块的质心间的空间距离做为衡量斑块之间远近的参数。
步骤S403:将所述空间距离的倒数做为该相邻斑块对核心斑块的影响权重。
借助于距离远影响小,距离近影响大这一个特点,利用质心距离倒数来做为相邻斑块对核心斑块的影响权重。
以上内容可以通过以下公式来实现:
在确定出相邻斑块的影响权重后,利用相邻斑块的影响对斑块的生境因子的初始适宜度等级值进行修正,以使该结果更加准确。
对于每一个斑块,都可以采用累加所述相邻斑块影响权重与斑块的初始适宜度等级值的乘积,将所述累加值与相邻斑块影响权重之和的商,做为该斑块对应的生境因子值的修正后适宜度等级值。如下公式所示:
其中,Mq,l是生境因子值的修正后适宜度等级值,q=1,2,…,5,分别代表土地覆盖类型、植被覆盖度、土壤盐分、土壤湿度、地表温度五个因子;Nc是与核心斑块相邻的斑块个数;Mi,p是各因子以斑块为计算单元的初始适宜性等级,即每个斑块的初始适宜度等级值;Wi,c是相邻斑块对中心斑块的影响权重。
基于以上内容,依据预设的生境因子的权重值,每个斑块对应的生境因子值的修正后适宜度等级值,以及所述斑块对应的蝗虫区划数值,计算每个斑块的的适宜性得分的具体公式如下:
HSIl是斑块的生境因子适宜性的总得分,Mq,t是各因子权重,通过层次计算法得出;q为1,…,5,代表5个生境因子。LAR为蝗虫区划数值。
利用本申请公开的蝗区分析方法,通过为不同土地覆盖类型确定不同的切割尺度,提升了切割后斑块的准确度,并且,以斑块为单元进行适宜度等级的判定后,进一步的参考了相邻斑块间的影响,对斑块的适宜度等级值进行修正,利用修正后的等级值确定最终的斑块的适宜性得分,从而再次提升了分析结果的准确性。
接下来我们对本申请公开的蝗区分析方法的精度进行校验。选取45个县/ 市/区,从中随机选择28个县/市/区作为带分析对象,剩余17个县/市/区作为检验对象。利用基于PB-AHP模型结合移动窗的蝗区提取方法分析,以及,利用本申请公开的蝗区分析方法,分别对选择的28个县/市/区进行分析,然后用剩余17个县/市/区进行校验,重复上述步骤6次,得到如图5所示,基于移动窗的蝗区提取方法分析结果组图,包含六个分析结果图,和如图6所示本申请公开的蝗区提取方法分析结果组图,同样包含六个分析结果图,两个结果组图中相同位置的分析结果图对应的是相同的分析对象和校验对象。
通过对比可以看出,本申请公开的蝗区分析方法的分析结果较基于移动窗的蝗区提取方法的精度有了明显提升,其提升值约为百分之6。
对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
本申请还公开了一种执行上述方法的蝗区分析装置,其结构如图7所示,包括:
接收模块701,用于接收待分析图像及所述待分析图像对应的蝗虫区划数值,所述蝗虫区划数值用于表征所述待分析图像的历史虫源分布信息;
分割模块702,用于确定所述待分析图像的土地覆盖类型,并依据预先确定的各个土地覆盖类型对应的分割尺度,分别对所述待分析图像中各个土地覆盖类型对应的区域进行分割,得到各个土地覆盖类型对应区域的斑块,所述各个土地覆盖类型对应的分割尺度依据各个土地覆盖类型对应的最小斑块面积确定;
初始适宜度确定模块703,用于分别确定每个斑块对应的生境因子的值,获取预先设定的生境因子隶属度分级标准,依据所述各个所述生境因子值对应的初始适宜度等级值确定每个斑块的初始适宜度等级值;
修正模块704,用于依据每个斑块的相邻斑块影响权重和每个斑块的初始适宜度等级值,修正每个斑块对应的生境因子的初始适宜度等级值,得到每个斑块对应的生境因子值的修正后适宜度等级值;
适宜性得分确定模块705,用于依据预设的生境因子的权重值,每个斑块对应的生境因子值的修正后适宜度等级值,以及所述斑块对应的蝗虫区划数值,计算每个斑块的生境因子的适宜性得分;
结果确定模块706,用于依据所述每个斑块的适宜性得分以及预设判别规则,确定所述每个斑块的分析结果,所述分析结果包括,蝗区或非蝗区。
本申请公开的蝗区分析装置,通过为不同土地覆盖类型确定不同的切割尺度,提升了切割后斑块的准确度,并且,以斑块为单元进行适宜度等级的判定后,进一步的参考了相邻斑块间的影响,对适宜度等级值进行修正,利用修正后的等级值确定最终的斑块生境因子的适宜性得分,从而再次提升了分析结果的准确性。
进一步的,分割模块包括:
土地覆盖类型确定单元,移除所述待分析图像中的有云像素;获取所述待分析图像中的特征参数,所述特征参数包括:归一化植被指数,增强型植被指数和改进的归一化差异水体指数的平均值、标准偏差和中值,以及各指数振幅和相位;将所述特征参数输入预先训练的随机森林模型进行分类,获得土地覆盖类型,包括耕地、森林、草地、灌丛、水体、湿地、不透水层及裸地。
分割尺度确定单元,用于获取各个土地覆盖类型对应的遥感影像;分析不同土地覆盖类型对应的最小斑块面积;依据所述最小斑块面积确定各个土地覆盖类型对应的分割尺度。
修正模块包括:
权重确定单元,用于分别将每一个斑块做为核心斑块,并确定所述核心斑块的相邻斑块;计算所述核心斑块与相邻斑块的质心之间空间距离;将所述空间距离的倒数做为该相邻斑块对所述核心斑块的影响权重。
修正单元,用于对每一斑块执行修正操作,该操作包括:累加所述相邻斑块影响权重与斑块的初始适宜度等级值的乘积;将所述累加值与相邻斑块影响权重之和的商,做为该斑块对应的生境因子值的修正后适宜度等级值。
本实施例公开的蝗区分析装置的工作流程可参考图1-图4所示方法实施例,在此不再赘述。
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。
本发明各实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减,各实施例中记载的技术特征可以进行替换或者组合。
本发明各实施例种装置及终端中的模块和子模块可以根据实际需要进行合并、划分和删减。
本发明所提供的几个实施例中,应该理解到,所揭露的终端,装置和方法,可以通过其它的方式实现。例如,以上所描述的终端实施例仅仅是示意性的,例如,模块或子模块的划分,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,例如多个子模块或模块可以结合或者可以集成到另一个模块,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,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的模块或子模块可以是或者也可以不是物理上分开的,作为模块或子模块的部件可以是或者也可以不是物理模块或子模块,即可以位于一个地方,或者也可以分布到多个网络模块或子模块上。可以根据实际的需要选择其中的部分或者全部模块或子模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块或子模块可以集成在一个处理模块中,也可以是各个模块或子模块单独物理存在,也可以两个或两个以上模块或子模块集成在一个模块中。上述集成的模块或子模块既可以采用硬件的形式实现,也可以采用软件功能模块或子模块的形式实现。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件单元,或者二者的结合来实施。软件单元可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种蝗区分析方法,其特征在于,包括:
接收待分析图像及所述待分析图像对应的蝗虫区划数值,所述蝗虫区划数值用于表征所述待分析图像的历史虫源分布信息;
确定所述待分析图像的土地覆盖类型,并依据预先确定的各个土地覆盖类型对应的分割尺度,分别对所述待分析图像中各个土地覆盖类型对应的区域进行分割,得到各个土地覆盖类型对应区域的斑块,所述各个土地覆盖类型对应的分割尺度依据各个土地覆盖类型对应的最小斑块面积确定;
分别确定每个斑块对应的生境因子的值,获取预先设定的生境因子隶属度分级标准,依据所述各个所述生境因子值对应的初始适宜度等级值确定每个斑块的初始适宜度等级值;
依据每个斑块的相邻斑块影响权重和每个斑块的初始适宜度等级值,修正每个斑块对应的生境因子的初始适宜度等级值,得到每个斑块对应的生境因子值的修正后适宜度等级值;
依据预设的生境因子的权重值,每个斑块对应的生境因子值的修正后适宜度等级值,以及所述斑块对应的蝗虫区划数值,计算每个斑块的生境因子的适宜性得分;
依据所述每个斑块的适宜性得分以及预设判别规则,确定所述每个斑块的分析结果,所述分析结果包括,蝗区或非蝗区。
2.根据权利要求1所述的方法,其特征在于,所述生境因子包括:植被覆盖度、土地覆盖类型、地表温度、土壤湿度和土壤盐分。
3.根据权利要求2所述的方法,其特征在于,所述土地覆盖类型按照以下步骤确定:
移除所述待分析图像中的有云像素;
获取所述待分析图像中的特征参数,所述特征参数包括:归一化植被指数,增强型植被指数和改进的归一化差异水体指数的平均值、标准偏差和中值,以及各指数振幅和相位;
将所述特征参数输入预先训练的随机森林模型进行分类,获得土地覆盖类型,包括耕地、森林、草地、灌丛、水体、湿地、不透水层及裸地。
4.根据权利要求3所述的方法,其特征在于,所述各个土地覆盖类型对应的分割尺度按照以下方式确定:
获取各个土地覆盖类型对应的遥感影像;
分析不同土地覆盖类型对应的最小斑块面积;
依据所述最小斑块面积确定各个土地覆盖类型对应的分割尺度。
5.根据权利要求1所述的方法,其特征在于,所述各个斑块的相邻斑块影响权重按照下步骤确定:
分别将每一个斑块做为核心斑块,并确定所述核心斑块的相邻斑块;
计算所述核心斑块与相邻斑块的质心之间空间距离;
将所述空间距离的倒数做为该相邻斑块对所述核心斑块的影响权重。
6.依据权利要求5所述的方法,其特征在于,所述依据每个斑块的相邻斑块影响权重和每个斑块的初始适宜度等级值,修正每个斑块对应的生境因子的初始适宜度等级值,得到每个斑块对应的生境因子值的修正后适宜度等级值过程包括:
对每个斑块执行如下操作:
累加所述相邻斑块影响权重与斑块的初始适宜度等级值的乘积;
将所述累加值与相邻斑块影响权重之和的商,做为该斑块对应的生境因子值的修正后适宜度等级值。
7.一种蝗区分析装置,其特征在于,包括:
接收模块,用于接收待分析图像及所述待分析图像对应的蝗虫区划数值,所述蝗虫区划数值用于表征所述待分析图像的历史虫源分布信息;
分割模块,用于确定所述待分析图像的土地覆盖类型,并依据预先确定的各个土地覆盖类型对应的分割尺度,分别对所述待分析图像中各个土地覆盖类型对应的区域进行分割,得到各个土地覆盖类型对应区域的斑块,所述各个土地覆盖类型对应的分割尺度依据各个土地覆盖类型对应的最小斑块面积确定;
初始适宜度确定模块,用于分别确定每个斑块对应的生境因子的值,获取预先设定的生境因子隶属度分级标准,依据所述各个所述生境因子值对应的初始适宜度等级值确定每个斑块的初始适宜度等级值;
修正模块,用于依据每个斑块的相邻斑块影响权重和每个斑块的初始适宜度等级值,修正每个斑块对应的生境因子的初始适宜度等级值,得到每个斑块对应的生境因子值的修正后适宜度等级值;
适宜性得分确定模块,用于依据预设的生境因子的权重值,每个斑块对应的生境因子值的修正后适宜度等级值,以及所述斑块对应的蝗虫区划数值,计算每个斑块的生境因子的适宜性得分;
结果确定模块,用于依据所述每个斑块的适宜性得分以及预设判别规则,确定所述每个斑块的分析结果,所述分析结果包括,蝗区或非蝗区。
8.根据权利要求7所述的装置,其特征在于,所述分割模块包括:
土地覆盖类型确定单元,移除所述待分析图像中的有云像素;获取所述待分析图像中的特征参数,所述特征参数包括:归一化植被指数,增强型植被指数和改进的归一化差异水体指数的平均值、标准偏差和中值,以及各指数振幅和相位;将所述特征参数输入预先训练的随机森林模型进行分类,获得土地覆盖类型,包括耕地、森林、草地、灌丛、水体、湿地、不透水层及裸地;
分割尺度确定单元,用于获取各个土地覆盖类型对应的遥感影像;分析不同土地覆盖类型对应的最小斑块面积;依据所述最小斑块面积确定各个土地覆盖类型对应的分割尺度。
9.根据权利要求7所述的装置,其特征在于,所述修正模块包括:
权重确定单元,用于分别将每一个斑块做为核心斑块,并确定所述核心斑块的相邻斑块;计算所述核心斑块与相邻斑块的质心之间空间距离;将所述空间距离的倒数做为该相邻斑块对所述核心斑块的影响权重;
修正单元,用于对每一斑块执行修正操作,该操作包括:累加所述相邻斑块影响权重与斑块的初始适宜度等级值的乘积;将所述累加值与相邻斑块影响权重之和的商,做为该斑块对应的生境因子值的修正后适宜度等级值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210468471.XA CN114820532A (zh) | 2022-04-29 | 2022-04-29 | 一种蝗区分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210468471.XA CN114820532A (zh) | 2022-04-29 | 2022-04-29 | 一种蝗区分析方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114820532A true CN114820532A (zh) | 2022-07-29 |
Family
ID=82510131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210468471.XA Pending CN114820532A (zh) | 2022-04-29 | 2022-04-29 | 一种蝗区分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114820532A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115620133A (zh) * | 2022-10-08 | 2023-01-17 | 宁波大学 | 一种顾及物候与水位时序特征的红树林提取方法 |
CN116049604A (zh) * | 2023-03-13 | 2023-05-02 | 中国科学院空天信息创新研究院 | 一种蝗虫适生区的确定方法及装置 |
-
2022
- 2022-04-29 CN CN202210468471.XA patent/CN114820532A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115620133A (zh) * | 2022-10-08 | 2023-01-17 | 宁波大学 | 一种顾及物候与水位时序特征的红树林提取方法 |
CN116049604A (zh) * | 2023-03-13 | 2023-05-02 | 中国科学院空天信息创新研究院 | 一种蝗虫适生区的确定方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Su et al. | Evaluating maize phenotype dynamics under drought stress using terrestrial lidar | |
CN104881865B (zh) | 基于无人机图像分析的森林病虫害监测预警方法及其系统 | |
Liu et al. | Estimation of potato above-ground biomass based on unmanned aerial vehicle red-green-blue images with different texture features and crop height | |
CN114820532A (zh) | 一种蝗区分析方法及装置 | |
CN107330413B (zh) | 一种基于遥感技术的毒品原植物识别方法 | |
Wong et al. | High-resolution calculation of the urban vegetation fraction in the Pearl River Delta from the Sentinel-2 NDVI for urban climate model parameterization | |
Mokarram et al. | CA-Markov model application to predict crop yield using remote sensing indices | |
CN110363246A (zh) | 一种高时空分辨率植被指数ndvi的融合方法 | |
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 | |
Li et al. | Regression and analytical models for estimating mangrove wetland biomass in South China using Radarsat images | |
Geng et al. | Migratory locust habitat analysis with PB-AHP model using Time-Series satellite images | |
CN108205718B (zh) | 一种粮食作物抽样测产方法及系统 | |
CN112906978A (zh) | 区域产业生态适宜性遴选技术体系 | |
Hao et al. | Methodology for optimizing quadrat size in sparse vegetation surveys: A desert case study from the Tarim Basin | |
CN115879832A (zh) | 区域农田建设需求的划分方法、装置及电子设备 | |
Choudhary et al. | Agricultural land suitability assessment for sustainable development using remote sensing techniques with analytic hierarchy process | |
Cheng et al. | Evaluation of UAV-based drought indices for crop water conditions monitoring: A case study of summer maize | |
CN113570273A (zh) | 一种灌溉耕地统计数据的空间化方法及系统 | |
Ma et al. | Spatial quantification method of grassland utilization intensity on the Qinghai-Tibetan Plateau: A case study on the Selinco basin | |
Ge et al. | Improving spatial and temporal variation of ammonia emissions for the Netherlands using livestock housing information and a Sentinel-2-derived crop map | |
CN116011881A (zh) | 一种基于像元尺度的黑土农田生产力评价方法及系统 | |
Hahn et al. | Detection and quantification of broadleaf weeds in turfgrass using close-range multispectral imagery with pixel-and object-based classification | |
Jimenez-Rodriguez et al. | Mapping Forest Degradation and Contributing Factors in a Tropical Dry Forest | |
da Silva et al. | Yield potential probability maps using the Rasch model | |
Wang et al. | Temporal change and suitability assessment of cropland in the Yellow River Basin during 1990–2005 |
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 |