本發(fā)明涉及無人機遙感、衛(wèi)星遙感、空間數(shù)據(jù)分析處理、圖像處理和林學(xué)技術(shù)領(lǐng)域；尤其涉及一種基于多時相的衛(wèi)星影像、無人機遙感影像、圖像識別技術(shù)的病蟲害智能識別系統(tǒng)。

背景技術(shù)：

傳統(tǒng)的林業(yè)病蟲害調(diào)查主要依靠人工的目測手查、林間取樣等方式。這些方法雖然真實性和可靠性很高，但耗時、費力，且存在代表性、時效性差和主觀性強等弊端，已難以適應(yīng)目前大范圍的病蟲害試試監(jiān)測和預(yù)報的需求。

遙感技術(shù)是目前唯一能夠在大范圍內(nèi)快速獲取空間連續(xù)地表信息的手段，其在林產(chǎn)業(yè)估產(chǎn)、品質(zhì)預(yù)報和病蟲害監(jiān)測等多個方面有著不同程度的研究和應(yīng)用。由于衛(wèi)星遙感影像數(shù)據(jù)投入成本高，周期性低，對于林業(yè)病蟲害監(jiān)測無法及時進行監(jiān)測及預(yù)警。隨著無人機技術(shù)的快速發(fā)展，在森林病蟲害防治中，利用無人機，可以對地形不便、面積特別大的重點區(qū)域?qū)嵤┑涂蘸娇者b感監(jiān)測，解決勘察面臨的人力資源不足、覆蓋率低、效率低等問題。但由于森林覆蓋面積廣，無法實現(xiàn)利用無人機實現(xiàn)大范圍的病蟲害監(jiān)測，同時無法利用無人機采集的遙感影像進行智能化自動識別，往往依托于肉眼識別。目前多數(shù)病蟲害遙感監(jiān)測方法及裝置針對作物的葉片、冠層等尺度設(shè)計，無人機采集的遙感影像依托于肉眼識別，國內(nèi)尚未實現(xiàn)利用衛(wèi)星遙感影像及無人機影像進行多源影像信息的害蟲智能化識別。

另一方面，早期的遙感數(shù)據(jù)，如主題成像儀攜帶的傳感器landasttm和衛(wèi)星傳感器modis，由于無法同時滿足較高的空間分辨率和時間分辨率，對區(qū)域尺度的病蟲害監(jiān)測構(gòu)成了一定的硬件條件的障礙，已有的一些基于衛(wèi)星影像的作物病蟲害監(jiān)測往往僅考慮了光譜信息，并未考慮對于病蟲害監(jiān)測十分重要的時相信息，監(jiān)測結(jié)果存在著較大的不確定性。近年來，隨著如環(huán)境減災(zāi)小衛(wèi)星等一些中高分辨率、高重訪周期衛(wèi)星數(shù)據(jù)的出現(xiàn)，為區(qū)域尺度上的病害遙感監(jiān)測帶來了重要契機。作物病害的發(fā)生在光譜上和時間上會表現(xiàn)出某些特征，可作為遙感監(jiān)測的基礎(chǔ)。目前尚未有方法利用多時相衛(wèi)星影像數(shù)據(jù)對區(qū)域尺度上進行林業(yè)病害的大范圍監(jiān)測，再利用無人機對衛(wèi)星遙感影像發(fā)現(xiàn)的重點關(guān)注區(qū)域進行校對核實，實現(xiàn)林業(yè)病蟲害的智能化識別。

技術(shù)實現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題，在于提供一種基于多源影像信息的林業(yè)病蟲害智能識別系統(tǒng)，相對衛(wèi)星遙感、航空航天遙感成本更低，精確度高、易于控制。

本發(fā)明是這樣實現(xiàn)的：一種基于多源影像信息的林業(yè)病蟲害智能識別系統(tǒng)，所述系統(tǒng)包括無人機和地面站，無人機搭載的設(shè)備有溫濕度模塊、通信模塊、控制模塊以及與控制模塊相連的gps定位模塊、傳感模塊和圖像采集模塊，所述溫濕度模塊與控制模塊相連；所述通信模塊，實現(xiàn)無人機的控制模塊和地面站的通信；通過衛(wèi)星遙感影像、無人機的遙感影像和圖像識別技術(shù)對林業(yè)病蟲害信息提取，利用時間序列影像數(shù)據(jù)中的光譜信息和時相信息，對圖像采集模塊采集的圖像進行圖像自動識別獲得病蟲害發(fā)生情況。

進一步的，所述傳感模塊包括監(jiān)測林業(yè)病蟲害的脈沖雷達和監(jiān)測森林資源的多波段光譜掃描儀、紅外光譜儀。

進一步的，所述通過衛(wèi)星遙感影像、無人機的遙感影像和圖像識別技術(shù)對林業(yè)病蟲害信息提取的方式具體包括如下步驟：

步驟1、下載衛(wèi)星遙感影像，并對獲取的衛(wèi)星遙感影像進行預(yù)處理；

步驟2、提取林業(yè)病蟲害的覆蓋范圍；

步驟3、提取衛(wèi)星遙感影像的時間序列影像數(shù)據(jù)中單時相和多時相植被指數(shù)的光譜特征；

步驟4、在病害監(jiān)控期，在影像獲取時進行同步無人機低空調(diào)查；

步驟5、無人機采集劃定范圍內(nèi)的森林資源圖像和狀態(tài)；

步驟6、控制模塊分析圖像采集模塊采集的圖像和來自傳感模塊的遙感圖像和光譜數(shù)據(jù)，傳感模塊的脈沖雷達根據(jù)反射回的電磁波探測有無昆蟲，傳感模塊的紅外光譜儀和多波段光譜掃描儀采集森林資源的不同波段的光譜特征，并生成圖譜；

步驟7、將步驟6中的數(shù)據(jù)傳回地面站進一步分析；結(jié)合無人機低空調(diào)查數(shù)據(jù)，利用圖像識別技術(shù)，篩選病害監(jiān)測的光譜特征；

步驟9、根據(jù)森林資源生長時期不同和是否有病蟲害分別建立模型；

步驟10、基于模型、光譜信息散度和圖譜分析林業(yè)的病蟲害發(fā)生情況，所述光譜信息包括：植被指數(shù)的光譜特征、不同波段的光譜特征和病害監(jiān)測的光譜特征。

進一步的，所述步驟3具體為：采用了13個光譜特征作為病害監(jiān)測的備選特征，13個光譜特征包括與多數(shù)中高分辨率多光譜衛(wèi)星影像兼容的藍藍rb、綠rg、紅rr、近紅外rnir的通道原始反射率，以及歸一化差異植被指數(shù)ndvi、比值植被指數(shù)sr、綠色歸一化差分植被指數(shù)gndvi、調(diào)整土壤亮度植被指數(shù)savi、三角植被指數(shù)tvi、改進紅邊比值植被指數(shù)msr、非線性植被指數(shù)nli、重歸一化植被指數(shù)rdvi、土壤調(diào)節(jié)植被指數(shù)osavi九個寬波段植被指數(shù)；分別采用單時相和多時相兩種版本的植被指數(shù)進行分析，其中，單時相植被指數(shù)由某一時相影像波段反射率計算得到，用于反映植被在某個時間點上的生理生化狀態(tài)；多時相植被指數(shù)根據(jù)兩個時相的單時相植被指數(shù)進行歸一化計算得到，用于反映病蟲害在林間發(fā)展變化的特點。

進一步的，所述影像波段的范圍包括可見光和近紅外波段。

進一步的，所述對獲取的衛(wèi)星遙感影像進行預(yù)處理包括輻射定標、大氣校正、幾何校正以及云去除。

進一步的，所述林業(yè)病蟲害的覆蓋范圍依據(jù)已有林地分類矢量圖或多時相影像進行分類獲得。

進一步的，所述多時相影像在分類過程中需結(jié)合林地利用類型數(shù)據(jù)、地形數(shù)據(jù)和物候經(jīng)驗，采取決策樹、最大似然分類或神經(jīng)網(wǎng)絡(luò)進行種植范圍提取。

進一步的，所述病害監(jiān)測的光譜特征提取方式為：根據(jù)無人機低空調(diào)查的重點區(qū)域病害的發(fā)生情況，將重點區(qū)域分為正常樣本和染病樣本兩部分；

分別從圖像識別系統(tǒng)上提取兩類樣本點不同形式光譜特征的單時相和多時相特征值；

對每種光譜特征的單時相或多時相版本，采用獨立樣本t檢驗比較正常和染病樣本的差異程度；

采用t檢驗的預(yù)設(shè)值p來表征某一特征的差異程度，并據(jù)此生成一張各類不同形式光譜特征在不同時相和時相組合中的p值統(tǒng)計表格，其中，p值越小，正常和染病樣本的差異越大，特征對病害信息的響應(yīng)越強烈。

本發(fā)明具有如下優(yōu)點：本發(fā)明基于多時相的衛(wèi)星影像、無人機的遙感影像、圖像識別技術(shù)的林業(yè)病蟲害智能識別技術(shù)，充分利用時間序列影像數(shù)據(jù)中的光譜信息和時相信息，結(jié)合地理信息系統(tǒng)gis、全球定位系統(tǒng)gps、遙感rs技術(shù)，將光譜信息散度分析引入林業(yè)病蟲害發(fā)生區(qū)域，提出利用一定區(qū)域內(nèi)的星-地同步數(shù)據(jù)對病害進行大范圍監(jiān)測的系統(tǒng)，有效降低病害監(jiān)測的野外作業(yè)的成本，并對傳統(tǒng)病害監(jiān)測方式進行了由點及面的擴展，便于政府部門和林業(yè)管理部門及時、準確掌握和了解區(qū)域病害發(fā)生及嚴重程度等重要信息。

附圖說明

下面參照附圖結(jié)合實施例對本發(fā)明作進一步的說明。

圖1為本發(fā)明實施例中基于衛(wèi)星遙感影像及無人機的遙感影像數(shù)據(jù)進行病害識別的方法流程示意圖。

圖2為本發(fā)明中無人機的遙感影像數(shù)據(jù)采集流程圖。

圖3為本發(fā)明中林業(yè)病蟲害發(fā)生范圍提取流程圖。

具體實施方式

請參閱圖1至圖3所示，一種基于多源影像信息的林業(yè)病蟲害智能識別系統(tǒng)，其特征在于：所述系統(tǒng)包括無人機和地面站，無人機搭載的設(shè)備有溫濕度模塊、通信模塊、控制模塊以及與控制模塊相連的gps定位模塊、傳感模塊和圖像采集模塊，所述溫濕度模塊與控制模塊相連；所述通信模塊，實現(xiàn)無人機的控制模塊和地面站的通信；通過衛(wèi)星遙感影像、無人機的遙感影像和圖像識別技術(shù)對林業(yè)病蟲害信息提取，利用時間序列影像數(shù)據(jù)中的光譜信息和時相信息，對圖像采集模塊采集的圖像進行圖像自動識別獲得病蟲害發(fā)生情況。所述傳感模塊包括監(jiān)測林業(yè)病蟲害的脈沖雷達和監(jiān)測森林資源的多波段光譜掃描儀、紅外光譜儀。溫濕度模塊用于采集林業(yè)的溫濕度情況，gps定位模塊用于定位無人機在林業(yè)中的位置。

其中，所述通過衛(wèi)星遙感影像、無人機的遙感影像和圖像識別技術(shù)對林業(yè)病蟲害信息提取的方式具體包括如下步驟：

步驟1、訂購下載衛(wèi)星遙感影像，并對獲取的衛(wèi)星遙感影像進行預(yù)處理；

步驟2、提取林業(yè)病蟲害的覆蓋范圍；

步驟3、提取衛(wèi)星遙感影像的時間序列影像數(shù)據(jù)中單時相和多時相植被指數(shù)的光譜特征；該步驟3提取方式：在綜合調(diào)研國內(nèi)外適于作物病害監(jiān)測的文獻資料基礎(chǔ)上，分別采用了13個光譜特征作為病害監(jiān)測的備選特征，包括與多數(shù)中高分辨率多光譜衛(wèi)星影像兼容的藍藍(rb)、綠(rg)、紅(rr)、近紅外(rnir)的通道原始反射率，以及(歸一化差異植被指數(shù))ndvi、(比值植被指數(shù))sr、(綠色歸一化差分植被指數(shù))gndvi、(調(diào)整土壤亮度植被指數(shù))savi、(三角植被指數(shù))tvi、(改進紅邊比值植被指數(shù))msr、(非線性植被指數(shù))nli、(重歸一化植被指數(shù))rdvi、(土壤調(diào)節(jié)植被指數(shù))osavi九個寬波段植被指數(shù)；(各指數(shù)定一見表1)。本發(fā)明分別采用單時相和多時相兩種版本的植被指數(shù)進行分析。其中，單時相植被指數(shù)由某一時相影像波段反射率計算得到，用于反映植被在某個時間點上的生理生化狀態(tài)；多時相植被指數(shù)根據(jù)兩個時相的單時相植被指數(shù)進行歸一化計算得到，用于反映病蟲害在林間發(fā)展變化的特點。假設(shè)有m和n為前后來兩個時相，對于某一植被指數(shù)形式v1，多時相反射率計算公式為(vin-vim)/(vin+vim)。其中，vin植被指數(shù)序數(shù)n的時段，vim植被指數(shù)序數(shù)m的時段對于n個時相，將時相進行兩兩組合，共可得到c2n個多時相光譜特征。本方法中，上述單時相特征和多時相特征均作為病害監(jiān)測的備選特征。

表1植被特征定義

步驟4、在病害監(jiān)控期，在影像獲取時進行同步無人機低空調(diào)查；

步驟5、無人機采集劃定范圍內(nèi)的森林資源圖像和狀態(tài)；

步驟6、控制模塊分析圖像采集模塊采集的圖像和來自傳感模塊的遙感圖像和光譜數(shù)據(jù)，脈沖雷達根據(jù)反射回的電磁波探測有無昆蟲，紅外光譜和多波段光譜掃描儀采集森林資源的不同波段的光譜特征，并生成圖譜；

步驟7、將步驟6中的數(shù)據(jù)傳回地面站進一步分析。

步驟8、結(jié)合無人機低空調(diào)查數(shù)據(jù)，利用圖像識別技術(shù)，篩選病害監(jiān)測的光譜特征；

步驟9、根據(jù)森林資源生長時期不同和是否有病蟲害分別建立模型；

步驟10、基于模型、光譜信息散度和圖譜分析林業(yè)的病蟲害發(fā)生情況，所述光譜信息包括：植被指數(shù)的光譜特征、不同波段的光譜特征和病害監(jiān)測的光譜特征。

其中，所述影像波段的范圍包括可見光和近紅外波段。

其中，所述對獲取的衛(wèi)星遙感影像進行預(yù)處理包括輻射定標、大氣校正、幾何校正以及云去除。

其中，所述林業(yè)病蟲害的覆蓋范圍依據(jù)已有林地分類矢量圖或多時相影像進行分類獲得。所述多時相影像在分類過程中需結(jié)合林地利用類型數(shù)據(jù)、地形數(shù)據(jù)和物候經(jīng)驗，采取決策樹、最大似然分類或神經(jīng)網(wǎng)絡(luò)進行種植范圍提取。

其中，所述病害監(jiān)測的光譜特征提取方式為：根據(jù)無人機低空調(diào)查的重點區(qū)域病害的發(fā)生情況，將重點區(qū)域分為正常樣本和染病樣本兩部分；

分別從圖像識別系統(tǒng)上提取兩類樣本點不同形式光譜特征的單時相和多時相特征值；

對每種光譜特征的單時相或多時相版本，采用獨立樣本t檢驗比較正常和染病樣本的差異程度；

采用t檢驗的預(yù)設(shè)值p來表征某一特征的差異程度，并據(jù)此生成一張各類不同形式光譜特征在不同時相和時相組合中的p值統(tǒng)計表格，其中，p值越小，正常和染病樣本的差異越大，特征對病害信息的響應(yīng)越強烈。

例如：

結(jié)合地面調(diào)查點數(shù)據(jù)篩選病害監(jiān)測光譜特征。根據(jù)調(diào)查樣點病害的發(fā)生情況，將樣本點分為正常樣本和染病樣本兩部分。根據(jù)第3步驟方法，分別提取兩類樣本點各個光譜特征的單時相和多時相版本的特征值，并采用獨立樣本t檢驗(independentt_test)比較正常和染病樣本的差異程度，采用t檢驗的p值(p-value)表征某一特征的差異程度，并可據(jù)此生成一張各類不同形式光譜特征在不同時相(單時相特征)和時相租合(多時相特征)中的p值統(tǒng)計表格。其中，p值越小，正常的染病樣本的差異越大，特征對病害信息的響應(yīng)越強烈。因此，通過閾值設(shè)定的方法對單時相和多時相的各類光譜特征進行篩選，保留對病害信息響應(yīng)強烈的光譜特征形式。通常情況下，可以將閾值設(shè)定為p值低于0.05，0.01或0.001三種。影像中的病害信息越弱，p值的閾值設(shè)置越大。

總體上，隨著時相的推后，各光譜特征在正常和病害樣點的差異顯著性不斷提高，其中第四時相各個特征的差異最為顯著，此時白粉病由下自上的侵染已使得小麥株值的形態(tài)有較明顯的變化，在部分侵染較重的田塊中甚至病斑已上至旗葉，這與林間實際調(diào)查的情況相符。本例中通過設(shè)定一個p值＜0.001的閾值，保留在正常與病害訓(xùn)練樣本中達到極顯著差異水平的15個單時相和多時相特征，15個單時相和多時相特征分別包括：藍波段的第四個測試時相rb(rb-t4)，藍波段的第二個測試時相rb-t4t2，綠波段的第三個測試時相rg-t3，綠波段的第四個測試時相rg-t4，紅波段的第三個測試時相rr-t3，紅波段的第四個測試時相rr-t4，比值植被指數(shù)第四個測試時相sr-t4，歸一化差異植被指數(shù)第四個測試時相ndvi-t4，歸一化差異植被指數(shù)第二個和第四個測試時相植被指數(shù)ndvi-t4t2，綠波段歸一化差異植被指數(shù)第四個測試時相gndvi-t4，綠波段歸一化差異植被指數(shù)第四個和第二個測試時相gndvi-t4t2，土壤調(diào)節(jié)植被指數(shù)第四個測試時相osavi-t4，改進紅邊比值植被指數(shù)第四個測試時相msr-t4和非線性植被指數(shù)第三個測試時相nli-t3。

所述光譜信息散度分析的過程為：通過判斷兩個像元間的相關(guān)程度，將待分類像元歸入相關(guān)程度最高的類別。

下面結(jié)合附圖和具體實施例，對本發(fā)明作進一步詳細描述。以下實施例用于說明本發(fā)明，不但不用來限制本發(fā)明的范圍。

本發(fā)明的實現(xiàn)采用如下技術(shù)方案：

第一步：多時相衛(wèi)星遙感影像訂購下載及預(yù)處理。根據(jù)多數(shù)林業(yè)病蟲害發(fā)生進程快特點和目前可用的衛(wèi)星遙感數(shù)據(jù)源，建議采用高重訪周期的中高分辨率衛(wèi)星影像。波段范圍需覆蓋可見光和近紅外波段。首先確定當?shù)亓謽I(yè)病蟲害最適監(jiān)測時期。獲取林業(yè)病蟲害發(fā)生至這一時期的多個時相的衛(wèi)星影像數(shù)據(jù)。影像的預(yù)處理過程包括輻射定標、大氣校正、幾何校正和云去除。后續(xù)病害信息提取基于預(yù)處理后得到的多時相的反射率影像數(shù)據(jù)進行。

第二步：應(yīng)用區(qū)域森林資源覆蓋范圍提取?？山Y(jié)合已有林地分類矢量圖或根據(jù)多時相影像進行分類獲得。分類過程需結(jié)合應(yīng)用區(qū)域中的林地利用類型數(shù)據(jù)、地形數(shù)據(jù)和物候經(jīng)驗等，采用決策樹、最大似然分類或神經(jīng)網(wǎng)絡(luò)等監(jiān)督分類方法進行作物種植范圍提取。

后續(xù)的林業(yè)病蟲害信息提取在分類得到森林資源覆蓋范圍內(nèi)進行，以減小來自其他地物或作物類型的干擾。

第三步：病害監(jiān)測的單時相和多時相光譜特征提取。該方法在綜合點煙國內(nèi)玩適于作物病害監(jiān)測的文獻資料基礎(chǔ)上，分別采用13個光譜特征作為病害監(jiān)測的備選特征，包括與多數(shù)中高分辨率多光譜衛(wèi)星影響兼容的藍(rb)、綠(rg)、紅(rr)、近紅外(rnir)通道原始反射率，以及歸一化差異植被指數(shù)(ndvi),比值植被指數(shù)(sr),綠波段歸一化差異植被指數(shù)(gndvi),三角植被指數(shù)(tvi),改進紅邊比值植被指數(shù)(msr),非線性植被指數(shù)(nli),土壤調(diào)節(jié)植被指數(shù)(osavi)九個寬波段植被指數(shù)(各指數(shù)定一見表1)。本方法分別采用單時相和多時相良種版本的植被指數(shù)在某個時間點導(dǎo)航的生理生化狀態(tài)；多時相植被指數(shù)根據(jù)兩個時相的單時相植被指數(shù)進行歸一化計算得到，用于反映病蟲害在發(fā)展變化的特點。假設(shè)有m和n為前后來兩個時相，對于某一植被指數(shù)形式v1(v1是植被指數(shù)形式的命名)，多時相反射率計算公式為(vin-vim)/(vin+vim)。對于n個時相，將時相進行兩兩組合，共可得到c2n個多時相光譜特征。本方法中，上述單時相特征和多時相特征均作為病害監(jiān)測的備選特征。

第四步：在病害發(fā)生關(guān)鍵時期開展與影像獲取時間同步的無人機低空調(diào)查。無人機低空調(diào)查與對應(yīng)時期衛(wèi)星拍攝日期相隔不超過3天。根據(jù)應(yīng)用區(qū)域的面積，在樣點設(shè)置上應(yīng)不低于1樣點/10平方千米的密度。同時，總調(diào)查樣點個數(shù)應(yīng)不少于30個。調(diào)查范圍包括所有選擇的樣點均為一個直徑超過30m的森林資源連續(xù)覆蓋區(qū)域，調(diào)查內(nèi)容為調(diào)查區(qū)域內(nèi)森林資源的發(fā)病級別。為便于大范圍中的林間調(diào)查和病理管理，將染病林區(qū)塊分為輕、重兩個級別。針對不同森林資源的不同病害，具體病級劃定標準參考病害測報國家標準進行。

第五步：根據(jù)衛(wèi)星遙感影像的多光譜原理，找出可疑的林業(yè)病蟲害發(fā)生區(qū)域范圍，再結(jié)合gis林業(yè)地形圖，將可疑區(qū)域的林業(yè)地形圖標出，并表明其狀態(tài)；

第六步：本發(fā)明包括控制模塊及與控制模塊相連的gps定位模塊、傳感模塊和圖像采集模塊，傳感模塊包括監(jiān)測林業(yè)病蟲害的脈沖雷達和監(jiān)測林業(yè)病蟲害的多波段光譜掃描儀、紅外光譜儀。還包括溫濕度模塊，與控制模塊相連；通信模塊，用于連接主控模塊和地面站。

遙感方法預(yù)測病蟲害除了從光譜角度分析外，還可以使用遙感影像來識別有病蟲害的森林資源。

第七步：將步驟六的通過地面站及搭載在無人機監(jiān)控攝像頭的多光譜圖像數(shù)據(jù)傳回地面站進一步分析。

第八步：森林資源病蟲害在肉眼還覺察不出來的病蟲害初期階段，其在彩虹外影像上呈現(xiàn)出暗紅色調(diào)，而正常作物則為紅色。根據(jù)影像對比所產(chǎn)生的色調(diào)差異即可判斷出受害森林資源。

因為作物在近紅外波長域的光譜反射率往往很高，當森林資源受病蟲害時，葉片含水量降低，細胞隨之塌陷，葉綠素減少，因此，它們在紅外波長域的光譜反射會自然降低，即發(fā)生紅外光譜反射衰減，致使在彩虹外攝像上，受害森林資源的色調(diào)比正常作物的色調(diào)要暗，在正常森林資源為紅色時，受害森林資源則呈現(xiàn)為暗紅色。當病蟲害進一步發(fā)展，使森林資源葉片的葉綠素消失殆盡、葉片結(jié)構(gòu)遭到徹底破壞時，影像色調(diào)則會變得更暗，以至于呈現(xiàn)青色調(diào)。根據(jù)彩虹外影像上受害森林資源與正常作物色調(diào)的差異，我們很快便可將肉眼尚未覺察到的受害森林資源判斷出來，如下表2所示。

表2健康森林資源與受害森林資源的影像特征

第十步：根據(jù)森林資源生長時期不同特點，結(jié)合gis技術(shù)，在大地理區(qū)域中所有森林資源輪作有關(guān)的病蟲害是指在同一塊土地上，用年份對森林資源周期，在大地理區(qū)域中用于診斷出所有與森林資源輪作有關(guān)的病蟲害發(fā)生的地理位置和嚴重程度，建立森林資源不同生長時間的是否病蟲害的模型，以供相關(guān)部門進行查閱；

第十一步：結(jié)合林業(yè)病蟲害數(shù)據(jù)篩選病害監(jiān)測光譜特征。根據(jù)調(diào)查樣點病害的發(fā)生情況，將樣本點分為正常樣本和染病樣本兩部分。根據(jù)第三、第八步方法，分別提取兩類樣本點各個光譜特征的單時相和多時相版本的特征值，并采用獨立樣本t檢驗(independentt-test)比較正常和染病樣本的差異程度。采用t檢驗的p值(p-value)表示某一特征的差異程度，并可據(jù)此生成一張各類不同形式光譜特征在不同時相(單時相特征)和時相組合(多時相特征)中的p值統(tǒng)計表格。其中，p值越小，正常和染病樣本的差異越大，特征對病害信息的響應(yīng)月強烈。因此，通過闕值設(shè)定的方法對單時相和多時相的各類光譜特征進行篩選，保留對病害信息響應(yīng)強烈的光譜特征形式。通常情況下，可將閾值設(shè)定為p值低于0.05,0.01或0.001三種。影像中的病害信息越弱，p值的閾值設(shè)置越大。

如圖3所示，1、2016年5月20日a樣地?zé)o人機多光譜影像，提取歸一化差異植被指數(shù)(ndvi)>0.7的森林資源區(qū)域。

2、在1提取的森林資源區(qū)域范圍內(nèi)，再通過近紅外光譜特征提取(nir)<0.44的森林覆蓋區(qū)域。

3、在2提取的森林資源區(qū)域范圍內(nèi)，通過地物特征提取地物特征值(dem)<100m的森林資源區(qū)域。

4、將2016年5月1日衛(wèi)星遙感影像與5月20日無人機遙感a樣地多光譜影像進行疊加，通過最大似然分類法(mlc)進行分類出受害蟲害森林資源和健康森林資源。

雖然以上描述了本發(fā)明的具體實施方式，但是熟悉本技術(shù)領(lǐng)域的技術(shù)人員應(yīng)當理解，我們所描述的具體的實施例只是說明性的，而不是用于對本發(fā)明的范圍的限定，熟悉本領(lǐng)域的技術(shù)人員在依照本發(fā)明的精神所作的等效的修飾以及變化，都應(yīng)當涵蓋在本發(fā)明的權(quán)利要求所保護的范圍內(nèi)。