RU2189732C2 - Method for early forest pathology diagnosis - Google Patents
Method for early forest pathology diagnosis Download PDFInfo
- Publication number
- RU2189732C2 RU2189732C2 RU2000130994/13A RU2000130994A RU2189732C2 RU 2189732 C2 RU2189732 C2 RU 2189732C2 RU 2000130994/13 A RU2000130994/13 A RU 2000130994/13A RU 2000130994 A RU2000130994 A RU 2000130994A RU 2189732 C2 RU2189732 C2 RU 2189732C2
- Authority
- RU
- Russia
- Prior art keywords
- zones
- contours
- image
- forest
- functions
- Prior art date
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
Description
Изобретение относится к лесному хозяйству, в частности к оперативному выявлению насаждений, пораженных насекомыми вредителями, и контролю экологического состояния лесов. The invention relates to forestry, in particular to the operational identification of plantings affected by insect pests, and monitoring the ecological condition of forests.
Факторами, вызывающими лесопатологические явления, могут быть как вспышки массового размножения насекомых-вредителей, так и изменение условий среды под воздействием климатических аномалий или техногенного (антропогенного) воздействия на леса. Во всех случаях желательно обнаруживать лесопатологические изменения на ранней стадии, чтобы своевременно проводить лесозащитные мероприятия, пока отслеживаемые процессы не приняли необратимый характер. The factors causing forest pathological phenomena can be both outbreaks of mass reproduction of insect pests and changes in environmental conditions under the influence of climatic anomalies or anthropogenic (anthropogenic) effects on forests. In all cases, it is desirable to detect forest pathological changes at an early stage in order to conduct timely forest protection measures until the monitored processes have become irreversible.
В полном объеме масштабные задачи лесопатологического мониторинга могут быть решены лишь с привлечением космических средств, позволяющих отслеживать происходящие процессы в лесных массивах на больших площадях, путем получения изображения лесов дистанционными методами с последующей их тематической обработкой. In full, the large-scale tasks of forest pathological monitoring can be solved only with the use of space tools to track ongoing processes in forests in large areas, by obtaining images of forests by remote sensing with subsequent thematic processing.
Известен "Способ оценки состояния лесов", патент РФ 2038001, кл. A 01 G 23/00, 1995 - аналог. The well-known "Method for assessing the state of forests", RF patent 2038001, cl. A 01 G 23/00, 1995 - analogue.
В способе-аналоге осуществляют дистанционные спектрометрические измерения, с борта орбитальной станции, коэффициентов спектральной яркости зондируемой лесной площади в синем (В), зеленом (G) и красном (R) участках видимого спектра, рассчитывают значения хроматических коэффициентов жизненности
и красного поражения
вычисляют регрессию хроматических коэффициентов
тарируют ее по измерениям контрольных площадок с известными категориями состояния растений на них и оценивают состояние лесного массива (в баллах) по соотношению текущих расчетных значений g, r. Известный способ имеет следующие недостатки:
- невысокое пространственное разрешение спектрометрических средств (от сотен м до единиц км), не позволяющее обнаруживать участки поражения на начальной стадии "вспышки", размерами десятки метров;
- невозможность точной идентификации причины обнаруженной лесопатологии;
- статистическая неустойчивость результатов, поскольку оценка проводится по единственному измеряемому параметру - коэффициенту спектральной яркости.In the analogue method, remote spectrometric measurements are carried out, from the board of the orbital station, of the spectral brightness coefficients of the probed forest area in the blue (B), green (G) and red (R) sections of the visible spectrum, the values of chromatic vitality coefficients are calculated
and red defeat
chromatic coefficient regression is calculated
calibrate it according to measurements of control sites with known categories of plant conditions on them and evaluate the state of the forest (in points) by the ratio of the current calculated values of g, r. The known method has the following disadvantages:
- low spatial resolution of spectrometric means (from hundreds of meters to km units), which does not allow detecting lesion sites at the initial stage of an “outbreak”, tens of meters in size;
- the impossibility of accurately identifying the causes of the detected forest pathology;
- statistical instability of the results, since the assessment is carried out according to the only measurable parameter - the spectral brightness coefficient.
Ближайшим аналогом по технической сущности к заявляемому является "Способ обнаружения инвазий насаждений" (патент РФ 2105465, кл. А 01 G 23/00, G 01 V 6/00, 1998). В способе ближайшего аналога оцифрованные значения функции яркости изображения I(х, y) в виде матрицы дискретных отсчетов из | m • n| элементов, сжимают в матрицу интенсивностей переходов яркости, размерностью |k • k| элементов, получают образ объекта в виде "кристаллической решетки", вычитают "кристаллическую решетку" текущего изображения из "кристаллической решетки" эталона и по смещению узлов решетки и диагональному элементу судят о наличии инвазии. The closest analogue in technical essence to the claimed one is "A method for detecting invasions of stands" (RF patent 2105465, class A 01 G 23/00, G 01
Недостатками ближайшего аналога являются:
- потеря привязки обнаруженной лесопатологии на изображении к пространственным координатам;
- невозможность точной идентификации вида (причины) выявленной аномалии;
- потеря информации при перекодировке матрицы, исключающая возможность использования других независимых признаков изображения.The disadvantages of the closest analogue are:
- loss of reference to the detected forest pathology in the image to spatial coordinates;
- the impossibility of accurate identification of the type (cause) of the identified anomaly;
- loss of information when transcoding the matrix, eliminating the possibility of using other independent features of the image.
Задача, решаемая данным изобретением, заключается в повышении точности и достоверности диагностических оценок путем использования для обнаружения лесопатологии нескольких независимых признаков анализируемого изображения и идентификации причины выявленной лесопатологии. The problem solved by this invention is to increase the accuracy and reliability of diagnostic assessments by using several independent features of the analyzed image to detect forest pathology and identifying the causes of the identified forest pathology.
Решение поставленной задачи обеспечивается тем, что в способе ранней лесопатологической диагностики, при котором получают оцифрованные значения функций яркости I(х, y) изображений в виде матриц дискретных отсчетов размерностью |m • n| элементов в зонах R и G, определяют отношение спектральных коэффициентов яркости зон, дополнительно вычисляют попиксельные отношения матриц зон R и G, составляют результирующую матрицу из этих отношений, выделяют методами пространственного дифференцирования контуры на результирующем изображении, рассчитывают функции фрактальной размерности изображения внутри контуров и по численному значению фрактальной размерности, положению контуров и их площади судят о причинах, координатах и размерах выявленной патологии. The solution of this problem is provided by the fact that in the method of early forest pathological diagnostics, in which digitized values of the brightness functions I (x, y) of images are obtained in the form of matrixes of discrete samples of dimension | m • n | elements in the zones R and G, determine the ratio of the spectral brightness coefficients of the zones, additionally compute the pixel-by-pixel ratios of the matrixes of the zones R and G, compose the resulting matrix from these relations, isolate the contours in the resulting image using spatial differentiation methods, calculate the functions of the fractal dimension of the image inside the contours and numerically the value of the fractal dimension, the position of the contours and their area are judged on the causes, coordinates and sizes of the identified pathology.
Изобретение поясняется чертежами, где
фиг. 1 а, б - исходные спектрозональные R, G изображения анализируемых лесных массивов;
фиг. 2 - визуализированное изображение результирующей матрицы из попиксельных отношений матриц R, G;
фиг.3 - выявленные пространственным дифференцированием участки (контуры) лесопатологии;
фиг. 4 - графики функций фрактальной размерности типовых лесопатологических участков: 1 - здоровый лес (фоновый участок), 2 - лесная гарь, 3 - инвазия насекомых-вредителей;
фиг.5 - функциональная схема устройства, реализующего способ.The invention is illustrated by drawings, where
FIG. 1 a, b - initial spectrozonal R, G images of the analyzed forests;
FIG. 2 - a visualized image of the resulting matrix from the pixel-by-pixel relations of the matrices R, G;
figure 3 - identified by spatial differentiation of the sections (contours) of forest pathology;
FIG. 4 - graphs of the functions of the fractal dimension of typical forest pathological sites: 1 - healthy forest (background site), 2 - forest burning, 3 - invasion of insect pests;
5 is a functional diagram of a device that implements the method.
Вновь введенные операции, образующие совокупность существенных признаков, обеспечивают достижение таких качественных свойств, как:
- устойчивость алгоритма обнаружения к изменению внешних условий съемки;
- локализация лесопатологических участков на изображении с их координатной привязкой;
- адекватность идентификации причин выявленной патологии.The newly introduced operations, forming a set of essential features, ensure the achievement of such quality properties as:
- stability of the detection algorithm to changes in the external shooting conditions;
- localization of forest pathological sites in the image with their coordinate reference;
- the adequacy of the identification of the causes of the identified pathology.
Техническая сущность изобретения заключается в следующем. The technical essence of the invention is as follows.
Исходное спектрозональное изображение содержит несколько независимых признаков, таких как цвет, тон, текстура, топология, использование которых при обработке позволяет сопоставить каждому из них соответствующий параметр объекта наблюдения: размер, форму, фазу поражения. Чем большее количество независимых признаков используют при обработке, тем точнее и достовернее конечный результат диагностической оценки. The initial spectrozonal image contains several independent features, such as color, tone, texture, topology, the use of which during processing allows you to compare each of them with the corresponding parameter of the object of observation: size, shape, phase of the lesion. The more independent features are used during processing, the more accurate and reliable the final result of the diagnostic evaluation.
Коэффициент спектральной яркости растительных сообществ формируется совокупным эффектом отражения, пропускания и поглощения лучистой энергии отдельными листьями, ветвями. До 90% лучистой энергии поглощается растениями непосредственно в процессе фотосинтеза. Поэтому коэффициент спектральной яркости растительности в видимом диапазоне составляет величину 2...9%. Поглощение и рассеяние лучистей энергии растениями определяется наличием и концентрацией пигментов, в основном хлорофилла, каротиноидов, а также содержанием влаги в хвое, листьях. В результате селективного поглощения у зеленых растений формируется спектральная область с двумя минимумами отражения в синен (В) и красной (R) зонах. И лишь небольшой максимум отражения в зоне (G) придает растительности зеленую окраску. При стрессовых ситуациях: недостаток минерального питания, влаги, накапливание в фотосинтезирующих органах вредных (техногенных) поллютантов, происходит разрушение фитопластов, уменьшение хлорофилла. При этом растения приобретают желтоватую окраску. Визуальными признаками лесопатологии являются некроз хвои, листьев, изменение окраски, уменьшение их линейных размеров, ажурность крон, усыхание ветвей, уменьшение степени охвоенности побегов, уменьшение общего объема фитомассы. Изменение окраски и объема фитомассы приводит к изменению регистрируемых значений коэффициентов спектральной яркости отслеживаемых участков растительности в соответствующих зонах видимого диапазона. Наибольшие изменения претерпевают значения коэффициентов спектральной яркости (ρλ) в зеленой зоне (λ=550 нм) и красной зоне (λ=670 нм). Численные значения этих коэффициентов для лесного биоценоза изменяются непрерывно и монотонно и охватывают все степени дигрессии растительного сообщества от здоровой зеленой растительности до полной желтизны и увядания. В наибольших интервалах при этом изменяется отношение спектральных коэффициентов яркости в зеленом (G) и красном (R) участках спектра
(см. , например, Выгодская Н.И., Горшкова И.И. Теория и эксперимент в дистанционных исследованиях растительности. Л.: Гидрометеоиздат, 1987, стр. 137-141). Таким образом, наиболее критичным диагностическим признаком внутреннего повреждения растительности является отношение коэффициентов спектральной яркости в зонах R, G. Если сами значения ρλ = 550, ρλ = 670 при лесопатологии изменяются в интервале единиц процентов, то их отношение может изменяться в несколько раз.The spectral brightness coefficient of plant communities is formed by the combined effect of reflection, transmission and absorption of radiant energy by individual leaves, branches. Up to 90% of radiant energy is absorbed by plants directly during photosynthesis. Therefore, the spectral brightness coefficient of vegetation in the visible range is 2 ... 9%. The absorption and scattering of energy rays by plants is determined by the presence and concentration of pigments, mainly chlorophyll, carotenoids, as well as the moisture content in the needles and leaves. As a result of selective absorption in green plants, a spectral region is formed with two reflection minima in the sinen (B) and red (R) zones. And only a small maximum of reflection in zone (G) gives the vegetation a green color. In stressful situations: lack of mineral nutrition, moisture, accumulation of harmful (technogenic) pollutants in photosynthetic organs, phytoplasts are destroyed, chlorophyll decreases. In this case, the plants become yellowish in color. The visual signs of forest pathology are necrosis of needles, leaves, discoloration, a decrease in their linear dimensions, openwork of crowns, drying out of branches, a decrease in the degree of coverage of shoots, and a decrease in the total volume of phytomass. A change in the color and volume of the phytomass leads to a change in the recorded values of the spectral brightness coefficients of the monitored areas of vegetation in the corresponding zones of the visible range. The values of the spectral brightness coefficients (ρ λ ) in the green zone (λ = 550 nm) and the red zone (λ = 670 nm) undergo the greatest changes. The numerical values of these coefficients for the forest biocenosis vary continuously and monotonously and cover all degrees of digression of the plant community from healthy green vegetation to complete yellowness and wilting. In the largest intervals, the ratio of the spectral brightness coefficients in the green (G) and red (R) parts of the spectrum changes
(see, for example, Vygodskaya NI, Gorshkova II Theory and experiment in remote studies of vegetation. L .: Gidrometeoizdat, 1987, p. 137-141). Thus, the most critical diagnostic feature of internal damage to vegetation is the ratio of spectral brightness coefficients in zones R, G. If the values ρ λ = 550, ρ λ = 670 themselves during forest pathology vary in the range of a few percent, then their ratio can vary several times.
Следовательно, значения результирующей матрицы, составленной из попиксельных отношений
изменяется в разы, что соответствует подчеркиванию контраста результирующего изображения между здоровыми и пораженными участками. Большой размах этих отношений позволяет выделять лесопатологические участки на результирующем изображении непосредственно методами пространственного дифференцирования. (см. , например, Р. Дуда, П.Харт. Распознавание образов и анализ сцен. Перевод с англ., М.: Мир, 1976, 7.3. Пространственное дифференцирование, стр.287-291). Другим селектируемым признаком лесопатологических участков служит форма их контура; круг, овал, изрезанность. Вспышки насекомых вредителей носят очаговый характер. Внутри очага и по периметру наблюдается сильная лекальная изрезанность - большой перепад отношений
между здоровыми и пораженными участками. В то же время лесопатология, вызванная климатическими аномалиями или техногенными перегрузками, характеризуется равномерной фазой поражения на протяженней площади.Consequently, the values of the resulting matrix composed of pixel-by-pixel relations
changes at times, which corresponds to emphasizing the contrast of the resulting image between healthy and affected areas. The large scale of these relations allows us to identify forest pathological areas on the resulting image directly by methods of spatial differentiation. (see, for example, R. Duda, P. Hart. Pattern recognition and scene analysis. Translation from English, Moscow: Mir, 1976, 7.3. Spatial differentiation, pp. 287-291). Another selectable sign of forest pathological sites is the shape of their contour; circle, oval, ruggedness. Outbreaks of insect pests are focal in nature. Inside the outbreak and around the perimeter there is a strong pattern of ruggedness - a large difference in relations
between healthy and affected areas. At the same time, forest pathology caused by climatic anomalies or technogenic overloads is characterized by a uniform phase of damage over an extended area.
С математической точки зрения степень изрезанности контура является независимым топологическим признаком. В качестве числовой характеристики топологической структуры изображения используют показатель фрактальной размерности Хаусдорфа (см., например, Р.A. Burrough. "Fractal demensions of landscapes and other envinmental data, Nature 294, 1981, р.240). From a mathematical point of view, the degree of contour contour is an independent topological feature. As a numerical characteristic of the topological image structure, the Hausdorff index of fractal dimension is used (see, for example, P. A. Burrough. "Fractal demensions of landscapes and other envinmental data, Nature 294, 1981, p. 240).
По определению размерность (Df) Хаусдорфа вычисляется
где ε - размер элементов измерения, которыми покрывается объект (например, длина отрезка, площадь квадратика, объем кубика);
Ωε - число элементов измерения размером ε, обладающих подобием с объектом.By definition, the Hausdorff dimension (D f ) is calculated
where ε is the size of the measurement elements with which the object is covered (for example, the length of the segment, the square area, the volume of the cube);
Ω ε is the number of measuring elements of size ε that are similar to the object.
Лесопатологические процессы изменяют структуру лесного ценоза и его морфологические признаки: густоту, плотность подлеска, форму крон, объем хвои, листьев, форму локусов. Вследствие этого фрактальные размерности двух участков лесного массива - здорового (эталонного) и пораженного, будут отличаться. Для вычисления фрактальной размерности результирующей матрицы изображения разработан алгоритм расчета методом вариаций. Пусть (х1, y1) и (х2, y2) - двумерные координаты точек, а I(х, y) - значения третьей координаты (высоты, яркости) в данной точке, которое задано в виде дискретной функции координат. Тогда ε - осцилляцией значения I будет разность наибольшего и наименьшего значения I в окрестности точки (х, y)
ϑf(x, y, ε) = |I(x1, y1)-I(x2, y2)|;
После этого ε вариация значений I вычисляется как
где a, b - пределы, в которых изменяется х;
с, d - пределы, в которых изменяется y.Forest pathological processes change the structure of forest cenosis and its morphological characteristics: density, undergrowth density, shape of crowns, volume of needles, leaves, shape of loci. As a result of this, the fractal dimensions of two sections of the forest - healthy (reference) and affected, will differ. To calculate the fractal dimension of the resulting image matrix, an algorithm for calculating the method of variations is developed. Let (x 1 , y 1 ) and (x 2 , y 2 ) be the two-dimensional coordinates of the points, and I (x, y) the values of the third coordinate (height, brightness) at a given point, which is given as a discrete coordinate function. Then ε - the oscillation of the value of I will be the difference between the largest and smallest values of I in the vicinity of the point (x, y)
ϑ f (x, y, ε) = | I (x 1 , y 1 ) -I (x 2 , y 2 ) |;
After this ε, the variation in the values of I is calculated as
where a, b are the limits within which x varies;
c, d are the limits within which y varies.
Фрактальная размерность участка внутри контура вычисляется как
Практически при применении данного алгоритма для вычисления фрактальной размерности производится вычисление Vf для последовательно уменьшающихся элементов измерения, в данном случае квадратиков со стороной ε.The fractal dimension of the area inside the contour is calculated as
In practice, when applying this algorithm to calculate the fractal dimension, V f is calculated for successively decreasing measurement elements, in this case, squares with side ε.
На фиг. 4 представлены вычисленные функции фрактальной размерности характерных участков: 1 - здоровый лес, фоновой участок, 2 - лесная гарь, 3 - инвазия насекомых вредителей (на начальной стадии вспышки). In FIG. Figure 4 shows the calculated functions of the fractal dimension of characteristic sites: 1 - healthy forest, background site, 2 - forest burnout, 3 - invasion of insect pests (at the initial stage of the outbreak).
Вычисление фрактальных функций осуществлялось программным методом по вышеприведенному алгоритму с использованием специализированного программного обеспечения (см., например, ER MAPPEP 5.0 "Пакет программ для обработки изображений в науках о Земле", USA, GENASYS, 1995, стр.108. The calculation of fractal functions was carried out by the program method according to the above algorithm using specialized software (see, for example, ER MAPPEP 5.0 "Software package for image processing in Earth sciences", USA, GENASYS, 1995, p. 108.
Алгоритм расчета реализован сервисной программой, приведенной в примере реализации способа. The calculation algorithm is implemented by the service program described in the example implementation of the method.
Алгоритм обнаружения лесопатологии заключается в последовательном сравнении числовых характеристик фрактальной размерности участков внутри выделенных контуров текущем изображения с предельными эталонными значениями, представленными на фиг.4. Как правило, функции фрактальной размерности имеют нелинейности при ε_→0 и при ε_→∞. Поэтому за эталонные значения принимают коэффициент среднего наклона функции фрактальной размерности. Лесопатология фиксируется при отклонении текущего значения коэффициента фрактальной размерности от эталонного значения здорового участка на пороговую величину. Величина порогового уровня должна априорно устанавливаться в зависимости от требуемой достоверности обнаружения лесопатологии на ранней фазе ее развития. The algorithm for detecting forest pathology consists in sequentially comparing the numerical characteristics of the fractal dimension of the areas inside the selected contours of the current image with the limiting reference values presented in Fig. 4. As a rule, functions of fractal dimension have nonlinearities as ε_ → 0 and as ε_ → ∞. Therefore, the reference values are the coefficient of the average slope of the fractal dimension function. Forest pathology is recorded when the current value of the coefficient of fractal dimension deviates from the reference value of a healthy site by a threshold value. The threshold level should be set a priori depending on the required reliability of detection of forest pathology in the early phase of its development.
Пример реализации способа. An example implementation of the method.
Заявляемый способ может быть реализован на базе устройства по схеме фиг. 5. Функциональная схема устройства фиг.5 содержит долговременную орбитальную станцию 1 (типа "Мир") с установленной на ее борту системой спектрозональной съемки 2 (типа МОМS - 2Р, Германия) в зонах В, G, R, И, подстилающей поверхности 3, с пространственным разрешением в каждой зоне порядка 18 м и шириной полосы съемки от 54 до 105 км. Включение системы 2 для съемки осуществляется бортовым комплексом управления 4 по командам из Центра управления полетом 5, передаваемым по радиолинии управления 6. Последовательность кадров отснятых территорий в виде цифрового потока данных передается в зонах видимости по совмещенной радиолинии 6 на наземные пункты приема информации 7, где записывается на видеомагнитофон 8 типа "Арктур". По запросам потребителей информация в виде цифровых изображений зон В, G, R, И ранее запланированных к съемке регионов по высокочастотному кабелю 9 передается на региональные пункты 10 тематической обработки информации. В пункте тематической обработки 10 организуется долговременный архив данных на базе запоминающего устройства 11, выполненного на стриммерах типа FТ-120. Тематическая обработка изображений в региональных пунктах 10 организуется на базе ПЭВМ 12 со стандартным набором элементов: процессора-вычислителя 13, винчестера 14, оперативного запоминающего устройства 15, дисплея 16, принтера 17, клавиатуры 18. Оцифрованная информация текущих кадров вводится в ПЭВМ со стриммеров 12. Эталонные значения функций фрактальных размерностей лесных участков предварительно записываются на магнитные диски 19. Каждая матрица цифрового изображения зон G, R по операциям заявляемого способа подвергается обработке по программам, записанным на винчестер 14. На винчестер 14 записываются также программы специализированной обработки информации типа MATH САД 6.0, ER MAPPEP, ARC/INFO, в зависимости от типа используемой ПЭВМ. The inventive method can be implemented on the basis of the device according to the scheme of FIG. 5. The functional diagram of the device of FIG. 5 comprises a long-term orbital station 1 (of the Mir type) with a
Процедуру оперативного обнаружения лесопатологии по операциям заявляемого способа проиллюстрируем на примере обработки изображения участка лесного массива. На фиг.1 а, б представлены исходные изображения анализируемого лесного массива в зонах R, G. На фиг.2 воспроизведена распечатка результирующего изображения анализируемого участка. Визуальное восприятие образа человеком-оператором происходит на уровне контурного рисунка. Для выделения контурного рисунка на результирующем изображении вычисляют градиент скалярной функции яркости изображения в каждой точке пространства, на основе расчета оператора Робертса
где П - установленный пороговый уровень (см., например, Дуда Р., Харт П. Распознавание образов и анализ сцен, перевод с англ. М.: Мир, 1976, стр. 267-288). Данная процедура представляется стандартной математической операцией, входящей в комплект специализированного программного обеспечения (см., например, ER MAPPEP 5.0 "Пакет программ для обработки изображений в науках о Земле, GENASYS, San Diego, USA, р.283-294). Результат программного вычисления контуров на анализируемом изображении иллюстрируется фиг.3. Для каждого выделенного таким образом контура вычисляют фрактальные размерности. На фиг. 4 представлены а) функции фрактальной размерности фоновых (здоровых) участков анализируемого изображения, б) функция фрактальной размерности лесной гари, в) функция фрактальной размерности инвазий.The procedure for the operational detection of forest pathology by the operations of the proposed method is illustrated by the example of image processing of a forest area. Figure 1 a, b presents the original image of the analyzed forest in zones R, G. Figure 2 reproduces the printout of the resulting image of the analyzed area. The visual perception of the image by the human operator occurs at the level of the contour drawing. To highlight the contour pattern in the resulting image, the gradient of the scalar image brightness function at each point in space is calculated based on the calculation of the Roberts operator
where P is the established threshold level (see, for example, Duda R., Hart P. Pattern Recognition and Scene Analysis, translation from English. M.: Mir, 1976, pp. 267-288). This procedure seems to be a standard mathematical operation included in the specialized software package (see, for example, ER MAPPEP 5.0 "Software package for image processing in the Earth sciences, GENASYS, San Diego, USA, p. 283-294). The result of software calculation Fig. 3 illustrates the contours in the analyzed image. For each contour selected in this way, fractal dimensions are calculated. Fig. 4 shows a) the functions of the fractal dimension of the background (healthy) sections of the analyzed image, b) the function the fractal dimension of forest burns; c) the function of the fractal dimension of invasions.
Алгоритм расчета реализован следующей сервисной программой:
Считывание спектра в матрицу М, размером 512 на 512 элементов
М:= READ_RED("C:\Program Files\Mathcad2000\koroliov2")
G(j,A):=In(W(29-j,A))
I:=1..9
Koroliv:=G(I,M)
Фрактальная размерность спектрозонального изображения
FracRazm:=D(Koroliv) FracRazm=2.274 j:=0..511
Как следует из представленных графиков, функции фрактальной размерности инвазий характеризуются большим интервалом значений (от 2,1 до 2,4), расположенным ниже функций фоновой поверхности, и имеют большую крутизну. По положению контуров на изображении, их площади и значениям фрактальных коэффициентов судят о причинах и динамике лесопатологии.The calculation algorithm is implemented by the following service program:
Reading spectrum into matrix M, size 512 by 512 elements
M: = READ_RED ("C: \ Program Files \ Mathcad2000 \ koroliov2")
G (j, A): = In (W (2 9-j , A))
I: = 1..9
Koroliv: = G (I, M)
Fractal dimension of a spectrozonal image
FracRazm: = D (Koroliv) FracRazm = 2.274 j: = 0..511
As follows from the presented graphs, the functions of the fractal dimension of invasions are characterized by a large interval of values (from 2.1 to 2.4), located below the functions of the background surface, and have a large slope. The position of the contours in the image, their area and the values of fractal coefficients are used to judge the causes and dynamics of forest pathology.
Эффективность заявляемого способа определяется достоверностью обнаружения аномалий и устойчивостью алгоритма при широком варьировании условий съемки и средств для получения изображений. Использование наряду с коэффициентами зональных отношений топологического признака обеспечивает достоверность и устойчивость диагностических оценок. The effectiveness of the proposed method is determined by the reliability of the detection of anomalies and the stability of the algorithm with a wide variation in shooting conditions and means for obtaining images. Using along with the coefficients of zonal relations of a topological feature ensures the reliability and stability of diagnostic assessments.
Claims (1)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2000130994/13A RU2189732C2 (en) | 2000-12-14 | 2000-12-14 | Method for early forest pathology diagnosis |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2000130994/13A RU2189732C2 (en) | 2000-12-14 | 2000-12-14 | Method for early forest pathology diagnosis |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2189732C2 true RU2189732C2 (en) | 2002-09-27 |
Family
ID=20243278
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2000130994/13A RU2189732C2 (en) | 2000-12-14 | 2000-12-14 | Method for early forest pathology diagnosis |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2189732C2 (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2588179C1 (en) * | 2015-01-29 | 2016-06-27 | Федеральное государственное бюджетное научное учреждение "Научно-исследовательский институт аэрокосмического мониторинга "АЭРОКОСМОС" (НИИ "АЭРОКОСМОС") | Method for determining above-soil cover digression in arctic zone |
| RU2635823C1 (en) * | 2016-09-30 | 2017-11-16 | Федеральное государственное бюджетное научное учреждение "Научно-исследовательский институт аэрокосмического мониторинга "АЭРОКОСМОС" | Method of monitoring above-ground cover in impact arctic regions |
| CN110114800A (en) * | 2016-12-29 | 2019-08-09 | 亚拉国际有限公司 | For determining the handheld device and method of vegetative state |
-
2000
- 2000-12-14 RU RU2000130994/13A patent/RU2189732C2/en not_active IP Right Cessation
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2588179C1 (en) * | 2015-01-29 | 2016-06-27 | Федеральное государственное бюджетное научное учреждение "Научно-исследовательский институт аэрокосмического мониторинга "АЭРОКОСМОС" (НИИ "АЭРОКОСМОС") | Method for determining above-soil cover digression in arctic zone |
| RU2635823C1 (en) * | 2016-09-30 | 2017-11-16 | Федеральное государственное бюджетное научное учреждение "Научно-исследовательский институт аэрокосмического мониторинга "АЭРОКОСМОС" | Method of monitoring above-ground cover in impact arctic regions |
| CN110114800A (en) * | 2016-12-29 | 2019-08-09 | 亚拉国际有限公司 | For determining the handheld device and method of vegetative state |
| CN110114800B (en) * | 2016-12-29 | 2023-05-23 | 亚拉国际有限公司 | Handheld device and method for determining plant status |
| RU2822373C1 (en) * | 2023-07-27 | 2024-07-04 | Федеральное государственное образовательное учреждение высшего образования "Московский государственный университет имени Н.Э. Баумана (национальный исследовательский университет) (МГТУ им. Н.Э. Баумана) | Method of forest pathological diagnostics |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Abdullah et al. | The applications of computer vision system and tomographic radar imaging for assessing physical properties of food | |
| Marceau et al. | Remote sensing and the measurement of geographical entities in a forested environment. 2. The optimal spatial resolution | |
| KR102125780B1 (en) | Applaratus for Monitoring Crop Growth through Multispectral Image Histogram Pattern Analysis of Plot Unit | |
| Sui et al. | Ground-based sensing system for weed mapping in cotton | |
| Reid et al. | Using excess greenness and green chromatic coordinate colour indices from aerial images to assess lodgepole pine vigour, mortality and disease occurrence | |
| Hall et al. | Low‐resolution remotely sensed images of winegrape vineyards map spatial variability in planimetric canopy area instead of leaf area index | |
| CN112541921A (en) | Digitized accurate measuring method for urban green land vegetation information | |
| JP2012196167A (en) | Plant species identification method | |
| CN104656100B (en) | A kind of row scanning real-time method for detecting abnormal of EO-1 hyperion and system | |
| RU2406295C1 (en) | Method of ecological monitoring of forests | |
| Lati et al. | Plant growth parameter estimation from sparse 3D reconstruction based on highly-textured feature points | |
| Chopin et al. | Land-based crop phenotyping by image analysis: consistent canopy characterization from inconsistent field illumination | |
| CN113570538B (en) | Blade RGB image bias distribution parameter information acquisition and analysis method | |
| Vescovo et al. | Hail defoliation assessment in corn (Zea mays L.) using airborne LiDAR | |
| Bratasanu et al. | Interactive spectral band discovery for exploratory visual analysis of satellite images | |
| RU2416192C2 (en) | Method to identify ecological condition of forests | |
| Hu et al. | A robust deep learning approach for the quantitative characterization and clustering of peach tree crowns based on UAV images | |
| Gozukara | Rapid land use prediction via portable X-ray fluorescence (pXRF) data on the dried lakebed of Avlan Lake in Turkey | |
| Gallardo‐Cruz et al. | Relating species richness to the structure of continuous landscapes: alternative methodological approaches | |
| TWI656334B (en) | A system for early detection of orchid pest by hyperspectral imaging techniques | |
| RU2189732C2 (en) | Method for early forest pathology diagnosis | |
| Huang et al. | A 3D approach to reconstruct continuous optical images using lidar and MODIS | |
| RU2373694C2 (en) | Method of forested area state category definition | |
| EP4235122A1 (en) | Information processing device, information processing method, and program | |
| Cai et al. | Rapid measurement of potato canopy coverage and leaf area index inversion |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20031215 |