RU2422898C1 - Способ идентификации инвазий насаждений - Google Patents
Способ идентификации инвазий насаждений Download PDFInfo
- Publication number
- RU2422898C1 RU2422898C1 RU2010100106/28A RU2010100106A RU2422898C1 RU 2422898 C1 RU2422898 C1 RU 2422898C1 RU 2010100106/28 A RU2010100106/28 A RU 2010100106/28A RU 2010100106 A RU2010100106 A RU 2010100106A RU 2422898 C1 RU2422898 C1 RU 2422898C1
- Authority
- RU
- Russia
- Prior art keywords
- image
- fractal dimension
- images
- sign
- weighted average
- Prior art date
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
Изобретение относится к лесному хозяйству и может быть использовано при оперативном выявлении насаждений, поврежденных насекомыми, и мониторинге экологического состояния лесов космическими средствами. Согласно способу получают изображения лесных массивов и измеряют спектральную характеристику отраженного от древесного полога светового потока. Отслеживают знак производной спектральной характеристики . Рассчитывают средневзвешенное значение длины волны отраженного потока и фрактальной размерности (Ω) анализируемого участка. Количественно определяют фазу (Ф) поражения по регрессионной зависимости: ! ! где λэт - средневзвешенная длина волны отраженного спектра эталонного (здорового) участка; Ωэт - фрактальная размерность изображения эталонного участка; λ, Ω - текущие значения расчетных параметров анализируемого участка. Технический результат - повышение достоверности и точности идентификации. 6 ил.
Description
Изобретение относится к лесному хозяйству, в частности к оперативному выявлению насаждений, поврежденными насекомых вредителями и контролю экологического состояния лесов.
В отдельные годы наблюдаются массовые размножения хвои и листогрызущих насекомых: соснового и сибирского шелкопрядов, шелкопряда-монашенки, сосновой и пихтовой пядениц, сосновых и еловых пильщиков. По данным лесопатологического надзора общая площадь поврежденных насекомыми участков, в том числе в кедровых лесах, достигает 30…40 млн га в год.
Во всех случаях лесопатологического мониторинга желательно обнаруживать лесопатологические изменения на ранней стадии, чтобы своевременно проводить лесозащитные мероприятия, пока отслеживаемые процессы не приняли необратимый характер.
Известна описательная шкала оценки категорий экологического состояния деревьев: I - здоровые; II - ослабленные, объедено до 1/3 общего количества листвы; III - сильно ослабленные, объедено до 2/3 общего количества листвы; IV - усыхающие, усохло более 1/3 кроны, повреждено более 2/3 хвои; V - свежий сухостой с желтой или бурой хвоей, усохло 2/3 кроны; VI - старый сухостой, деревья без кроны, листвы, мелкие веточки полностью осыпались. Количественно, степень ослабленности насаждения оценивают средневзвешенной величиной, получаемой через процентное соотношение количества деревьев по категориям состояния. При средневзвешенной величине не более 1,5 - насаждение считается здоровым, до 2,5 - ослабленным, до 3,5 - сильно ослабленным и до 4,5 - усыхающим [см., например, Справочник, Общесоюзные нормативы для таксации лесов, изд-во «Колос», М., 1992 г., стр.180-184, табл.60, 62 - аналог].
Недостатками аналога являются:
- трудность визуального количественного измерения доли упомянутых повреждений, при неизвестности от какого общего объема листвы, хвои эти доли отсчитывать;
- неоперативность, большая трудоемкость методов натурной оценки лесопатологического и санитарного состояния насаждений при недоступности горных и отдаленных районов.
Для оперативного обнаружения лесопатологических процессов используют методы космического мониторинга лесов.
Известен «Способ ранней лесопатологической диагностики».
Патент RU №2189732, 2002 г. - аналог.
В способе-аналоге получают цифровые изображения функции яркости I(x, y) в виде матриц дискретных отсчетов (m·n) элементов в зонах R и G, вычисляют попиксельные отношения матриц 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.
Недостатками аналога следует считать:
- неадекватность алгоритма формирования и обработки результирующей матрицы измеряемому физическому процессу;
- не все существенные признаки лесопатологи измеряются и используются, что снижает достоверность конечных результатов оценки.
Ближайшим аналогом к заявленному техническому решению является «Способ идентификации типов растительности». Патент RU №2242716, 2004 г.
В способе ближайшего аналога получают изображение подстилающей поверхности в виде зависимости спектральной яркости I(x, y) от пространственных координат, в зеленой полосе видимого спектра по двум взаимно ортогональным по поляризации каналам приема, рассчитывают средний уровень сигнала изображения в каждом канале, вычисляют попиксельные отношения I1(x, y), I2(x, y) изображений с большим средним к меньшему, формируют синтезированную матрицу изображений из этих соотношений, методами пространственного дифференцирования выделяют контуры на синтезированном изображении, рассчитывают числовые характеристики сигнала фрагментов изображений внутри выделенных контуров и по значениям коэффициентов фрактальной размерности и ширине автокорреляционной функции сигнала в сравнении с их значениями для эталонных участков судят о принадлежности фрагмента изображения к данному типу растительности на нем.
К недостаткам ближайшего аналога можно отнести:
- не все существенные признаки лесопатологи измеряются при дистанционном зондировании; в частности не измеряется такая емкая характеристика, как спектр отраженного сигнала;
- технология тематической обработки сигнала не учитывает такого качественного признака, как изменение знака производной спектральной характеристики при дигрессии древесного полога.
Задача, решаемая заявленным способом, состоит в достоверном обнаружении ранних признаков лесопатологи путем отслеживания знака производной дополнительно измеряемой спектральной характеристики с последующей количественной оценкой фазы поражения древесного полога по совокупности расчетных параметров совместной обработки изображения и спектральной характеристики.
Технический результат достигается тем, что в способе идентификации инвазий насаждений, при котором получат изображение лесных массивов в виде зависимости яркости I(x, y) от пространственных координат, разбивают изображение на мозаику участков, рассчитывают функции фрактальной размерности изображений участков и сравнивают их с эталоном, дополнительно получают спектрограммы тех же участков функции яркости I(λ) от длины волны, отслеживают знак производной этой функции 
в интервале 550…670 нм, изменение знака производной с минуса на плюс отождествляют с процессом дигрессии насаждения участка, рассчитывают средневзвешенное значение длины волны спектрограммы и коэффициент фрактальной размерности изображений обнаруженных участков, а фазу (Ф) поражения, количественно определяют по регрессионной зависимости:
где λэт - средневзвешенная длина волны отраженного спектра эталонного (здорового) участка;
Ωэт - фрактальная размерность изображения эталонного участка;
λ - средневзвешенная длина волны спектра анализируемого участка;
Ω - фрактальная размерность изображения анализируемого участка.
Изобретение поясняется чертежами, где:
фиг.1 - спектральные характеристики древесных пологов, а - здоровой, вегетирующей растительности, б, в - поврежденной;
фиг.2 - производные регистрограмм здоровой (а) и поврежденной (б, в) растительности;
фиг.3 - рельеф древесного полога здорового и поврежденного (сухостойного) насаждения;
фиг.4 - функции фрактальной размерности изображений древесных пологов;
фиг.5 - регрессионная зависимость фазы поражения от расчетных параметров сигнала;
фиг.6 - функциональная схема устройства, реализующего способ.
Техническая сущность изобретения заключается в следующем.
До 90% падающего от Солнца светового потока поглощается лесным пологом непосредственно в процессе фотосинтеза.
Поглощение и рассеяние лучистой энергии определяется наличием и концентрацией пигментов, а также наличием влаги в хвое, листьях. В результате селективного поглощения у зеленых растений формируется спектральная область с двумя минимумами отражения в синей (В) и красной (R) зонах. И лишь небольшой максимум отражения в зоне (G) придает растительности зеленую окраску. Спектр отражения светового потока зеленой вегетирующей растительности иллюстрируется графиком фиг.1, а. При стрессовых ситуациях, накапливании в фотосинтезирующих органах вредных поллютантов происходит разрушение фитопластов, уменьшение хлорофилла. При этом растение приобретает желтоватую окраску, причем растения одинаково реагируют как на недостаток минерального питания, накопление поллютантов или объедание кроны насекомыми вредителями. 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. Это приводит к уменьшению поглощения лучистой энергии древесным пологом и к изменению спектральных характеристик отраженного потока, графики фиг.1 (б, в). [См., например, Л.И.Чапурский, «Отражательные свойства природных объектов в диапазоне 400-2500 нм», ч.I, Мин. Обороны СССР, 1986 г., стр.44-46, КСЯ крон деревьев].
Основной метод идентификации - сравнение с эталоном.
Идентификацию инвазий насаждений осуществляют по совокупности признаков, путем сравнения их с эталонными значениями.
Первым селектируемым признаком инвазии является изменение знака производной спектрограммы I(λ) в интервале 550…670 нм. На фиг.2 представлены графики производных 
регистрограмм фиг.1 соответственно здоровой растительности (а) и поврежденной (б, в). Изменение знака производной отождествляют с началом процесса дигрессии. Выявленные по спектрограмме аномальные лесопатологические участки подвергают последующему анализу.
Вторым селектируемым признаком инвазии является изменение цвета, окраски древесного полога, что проявляется в виде смещения результирующего спектра отражения в длинноволновую (красную) область. Количественным параметром такого смещения служит средневзвешенная длина волны λ отраженного потока, исчисляемая как:
Средневзвешенное значение длины волны делит площадь под фиг.1 пополам. В частности, в качестве эталонной средневзвешенной длины волны принимают ее расчетное значение для здорового, вегетирующего насаждения (график фиг.1, а), λэт=540 нм.
Третьим селектируемым признаком инвазии является изреженность древесного полога, как это иллюстрируется графиками фиг.3 а) здоровый лес, б) сухостойный лес.
Лесопатология изменяет структуру древесного полога и, соответственно, текстуру его изображения на снимке. Количественной характеристикой формы объектов на изображении служит фрактальная размерность.
Для вычисления фрактальной размерности изображения предлагается алгоритм расчета методом вариаций.
Пусть (x1, y1) и (x2, y2) - двумерные координаты точек, а третья координата, яркость, задана в виде функции координат I(x, y).
Тогда ε - осцилляцией значений (I) будет разность наибольшего и наименьшего значения (I) в (ε) окрестности (x, y)
После этого ε - вариацию значения I вычисляют как:
где a, b - пределы, в которых изменяется переменная x;
с, d - пределы, в которых изменяется переменная y.
Фрактальная размерность матрицы вычисляется как размерность Хаусдорфа:
Вычисление фрактальной размерности изображений древесных пологов осуществляют по специализированной математической программе. Текст программы и результаты расчетов фрактальной размерности изображений древесных пологов различной фазы поражения приведены в примере конкретной реализации. За эталонную фрактальную размерность изображения принимают ее расчетное значение для здорового древесного полога, Ωэт=0,85.
Количественную оценку лесопатологи участка получают расчетом функции регрессии:
Расчет показателей степени и калибровка функции регрессии представлены в примере конкретной реализации способа.
Пример реализации способа.
Способ может быть реализован на базе устройства по схеме фиг.6. Функциональная схема устройства содержит космическую платформу наблюдения 1 типа лабораторного модуля 77 КМЛ, стыкуемого с международной космической станцией (МКС). На космической платформе установлена гиперспектральная оптикоэлектронная камера высокого пространственного разрешения 2 (например, гиперспектрометр типа «Астрогон»), осуществляющая синхронную съемку запланированных участков 3 по командам от бортового комплекса управления (БКУ) 4 на основе программ, закладываемых в БКУ из центра управления полетом (ЦУП) 5 по радиолинии командного управления 6. По командам БКУ в зонах радиовидимости МКС с наземных пунктов данные измерений из буферного ЗУ 7 сбрасываются по мобильному каналу связи 8 на пункты приема информации 9. После предварительной обработки кадров по служебным признакам (номер витка, время съемки, координаты участка) на средствах ПНИ 10 информация передается в центр тематической обработки 11, где через устройство ввода 12 поступает в ПЭВМ тематической обработки 13 в стандартном наборе средств: процессор 14, оперативное запоминающее устройств (ОЗУ) 15, винчестер 16, дисплей 17, принтер 18, клавиатура 19. Результаты обработки экологического состояния насаждений выводятся на веб-сервер 20.
В заявленном способе осуществляют измерение спектральной характеристики отраженного солнечного потока с одновременным получением спектрозонального изображения региона. Это достигается использованием нового поколения технических средств, в частности гиперспектрометра «Астрогон» [см., например, «Малый космический аппарат «Вулкан-Астрогон» с гиперспектрометром высокого разрешения», Инженерная записка, РАКА, НИИЭМ, М., 2002 г., с.8-12]. Гиперспектрометр «Астрогон», прибор так называемого «химического зрения», позволяет одновременно получать изображения в нескольких спектральных каналах шириной до 10 нм.
Процедуру идентификации инвазий осуществляют в следующей последовательности. Получают последовательность измерений априорно запланированных контрольных участков насаждений, по трассе полета космического носителя, в виде кадров изображений и соответствующих этим кадрам спектрограмм (фиг.1). Оперативно специализированной программной обработкой цифровых массивов регистрограмм выявляют участки (кадры), где производные регистрограмм 
не имеют отрицательных значении в интервале 550…670 нм.
Текст программы вычисления производной регистрограмм.
Возможные значения производных иллюстрируются графиками фиг.2. Отбирают кадры изображений, для которых производные регистрограмм положительны во всем диапазоне видимого спектра. Рассчитывают средневзвешенную длину волны отраженного спектра выявленных участков. В частности, для спектрограмм, представленных на графиках фиг.1, эти значения составили: а) здоровое насаждение - λ эталонное = 540 нм; б) ослабленное насаждение - λ=555 нм; в) усыхающее насаждение - λ=580 нм.
Вычисляют программным методом фрактальную размерность изображений отобранных участков (кадров).
Текст программы вычисления фрактальной размерности изображений.
Получены следующие значения фрактальной размерности изображений выделенных кадров:
- здоровое насаждение (фиг.1, а) - Ω эталонное = 0,85
- ослабленное насаждение (фиг.1, б) - Ω=0,65
- усыхающее насаждение (фиг.1, в) - Ω=0,57.
Регрессионная зависимость фазы поражения (Ф) насаждения от расчетных параметров представлялась степенным функционалом вида:
Калибровка функции осуществлялась по ее значениям для границ интервала и примерно для середины интервала. По экспериментальным данным и в соответствии с градациями [см. аналог, Справочник, «Общесоюзные нормативы для таксации лесов», стр.180]
Решение систем уравнений дает значения: x=5, y=3.
По своей сути показатели степени характеризуют степень чувствительности дигрессии насаждения к расчетным параметрам.
Наибольшую чувствительность имеет фактор изменения длины волны отраженного спектра или окраска кроны насаждения.
Меньшую чувствительность представляет фактор изреженности древесного полога, т.к. заданный процесс более инерционен во времени.
Эффективность способа характеризуется оперативностью, достоверностью и точностью идентификации фазы поражения насаждений.
Поскольку в заявленном способе измеряют несколько признаков: знак производной спектральной характеристики, средневзвешенное значение длины волны отраженного спектра и фрактальную размерность изображений анализируемых участков, то достоверность способа выше показателей известных аналогов.
Claims (1)
- Способ идентификации инвазий насаждений, при котором получат изображение лесных массивов в виде зависимости яркости I(х; y) от пространственных координат, разбивают изображение на мозаику участков, рассчитывают функции фрактальной размерности изображений участков и сравнивают их с эталоном, отличающийся тем, что одновременно получают спектрограммы тех же участков функции яркости I(λ) от длины волны, отслеживают знак производной этой функциив интервале 550…670 нм, изменение знака производной с минуса на плюс отождествляют с процессом дигрессии насаждения участка, рассчитывают средневзвешенное значение длины волны спектрограммы и коэффициент фрактальной размерности изображений обнаруженных участков, а фазу (Ф) поражения количественно определяют по регрессионной зависимости:
где λэт - средневзвешенная длина волны отраженного спектра эталонного (здорового) участка;
Ωэт - фрактальная размерность изображения эталонного участка;
λ - средневзвешенная длина волны спектра анализируемого участка;
Ω - фрактальная размерность изображения анализируемого участка.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2010100106/28A RU2422898C1 (ru) | 2010-01-11 | 2010-01-11 | Способ идентификации инвазий насаждений |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2010100106/28A RU2422898C1 (ru) | 2010-01-11 | 2010-01-11 | Способ идентификации инвазий насаждений |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2422898C1 true RU2422898C1 (ru) | 2011-06-27 |
Family
ID=44739396
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2010100106/28A RU2422898C1 (ru) | 2010-01-11 | 2010-01-11 | Способ идентификации инвазий насаждений |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2422898C1 (ru) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2657363C1 (ru) * | 2017-04-20 | 2018-06-13 | Федеральное государственное автономное образовательное учреждение высшего образования "Санкт-Петербургский государственный университет аэрокосмического приборостроения" | Способ определения параметров состояния почвенно-растительного покрова по данным многоспектрального аэрокосмического зондирования |
-
2010
- 2010-01-11 RU RU2010100106/28A patent/RU2422898C1/ru active
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2657363C1 (ru) * | 2017-04-20 | 2018-06-13 | Федеральное государственное автономное образовательное учреждение высшего образования "Санкт-Петербургский государственный университет аэрокосмического приборостроения" | Способ определения параметров состояния почвенно-растительного покрова по данным многоспектрального аэрокосмического зондирования |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ali et al. | Crop yield prediction using multi sensors remote sensing | |
| Yang et al. | Wheat lodging monitoring using polarimetric index from RADARSAT-2 data | |
| Minařík et al. | Use of a multispectral UAV photogrammetry for detection and tracking of forest disturbance dynamics | |
| Usha et al. | Potential applications of remote sensing in horticulture—A review | |
| Duan et al. | Remote estimation of grain yield based on UAV data in different rice cultivars under contrasting climatic zone | |
| Rallo et al. | Detecting crop water status in mature olive groves using vegetation spectral measurements | |
| Yi et al. | Different units of measurement of carotenoids estimation in cotton using hyperspectral indices and partial least square regression | |
| US20190219499A1 (en) | System For Detection Of Disease In Plants | |
| Moriya et al. | Detection and mapping of trees infected with citrus gummosis using UAV hyperspectral data | |
| González-Fernández et al. | Spectroscopic estimation of leaf water content in commercial vineyards using continuum removal and partial least squares regression | |
| Delegido et al. | Chlorophyll content mapping of urban vegetation in the city of Valencia based on the hyperspectral NAOC index | |
| Huang et al. | Detection of Sclerotinia rot disease on celery using hyperspectral data and partial least squares regression | |
| Zabihi et al. | A review of major factors influencing the accuracy of mapping green-attack stage of bark beetle infestations using satellite imagery: Prospects to avoid data redundancy | |
| Huang et al. | Identifying and Mapping Stripe Rust in Winter Wheat using Multi-temporal Airborne Hyperspectral Images. | |
| Lakmal et al. | Brown planthopper damage detection using remote sensing and machine learning | |
| Kundu et al. | Near real time monitoring of potato late blight disease severity using field based hyperspectral observation | |
| Poblete et al. | Detection of symptoms induced by vascular plant pathogens in tree crops using high-resolution satellite data: Modelling and assessment with airborne hyperspectral imagery | |
| Meena et al. | Exploring the role of Vegetation indices in Plant diseases Identification | |
| Deng et al. | Optimum sampling window size and vegetation index selection for low-altitude multispectral estimation of root soil moisture content for Xuxiang Kiwifruit | |
| Zhao et al. | A preliminary study on mechanism of LAI inversion saturation | |
| Coops et al. | A comparison of field-based and modelled reflectance spectra from damaged Pinus radiata foliage | |
| Zarco-Tejada et al. | Remote sensing of vegetation biophysical parameters for detecting stress condition and land cover changes | |
| Yuan et al. | Analysis of spectral difference between the foreside and backside of leaves in yellow rust disease detection for winter wheat | |
| RU2422898C1 (ru) | Способ идентификации инвазий насаждений | |
| Zhao et al. | Characterization of the rice canopy infested with brown spot disease using field hyperspectral data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PD4A | Correction of name of patent owner |