基于時相和光譜信息及生境條件的作物病害遙感識別方法
【專利摘要】本發(fā)明公開了一種基于時相和光譜信息及生境條件的作物病害遙感識別方法。在監(jiān)測時段內(nèi)獲取研究區(qū)域的多時相可見光?近紅外及熱紅外遙感影像并對其進(jìn)行預(yù)處理；利用預(yù)處理后的遙感影像結(jié)合某種分類算法提取目標(biāo)作物的種植信息；根據(jù)可見光?近紅外及熱紅外影像獲取病害監(jiān)測的生境信息，結(jié)合目標(biāo)農(nóng)作物的時相信息和獲取的生境信息確定研究區(qū)域中目標(biāo)作物的病害區(qū)域和病害類型，并在此基礎(chǔ)上利用光譜信息確定病害發(fā)生的嚴(yán)重度。本發(fā)明提出的技術(shù)方案，可以有效提高作物病害的遙感診斷精度，一定程度上解決了作物病害遙感監(jiān)測的逆向識別問題。
【專利說明】
基于時相和光譜信息及生境條件的作物病害遙感識別方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及遙感圖像處理和農(nóng)業(yè)技術(shù)領(lǐng)域，具體而言，設(shè)及一種基于時相和光譜 信息及生境條件的作物病害遙感識別方法。
【背景技術(shù)】
[0002] 農(nóng)作物病害是農(nóng)業(yè)生產(chǎn)上的重要生物災(zāi)害，已成為制約農(nóng)業(yè)高產(chǎn)、優(yōu)質(zhì)、高效、生 態(tài)、安全的一項(xiàng)主導(dǎo)因素。受生產(chǎn)條件和科技水平的限制，長期W來，田塊層次的取樣實(shí)地 調(diào)查一直是病害識別與監(jiān)測的主要手段，為病害的預(yù)測預(yù)報、制定合理的防范策略發(fā)揮了 重要的作用。但運(yùn)類方法花費(fèi)大量的人力、物力和時間，取樣的范圍和樣本量有限，難W多 點(diǎn)同時獲得大范圍的資料。因此迫切需要一種科學(xué)、及時、大尺度、相對低成本的作物病害 監(jiān)測技術(shù)。
[0003] 遙感技術(shù)能夠在大范圍內(nèi)快速獲取空間連續(xù)地表信息，遙感數(shù)據(jù)的特點(diǎn)決定了其 在農(nóng)作物病害監(jiān)測中具有傳統(tǒng)人工實(shí)地調(diào)查難W比擬的優(yōu)勢。農(nóng)作物在生長過程中受到病 害、干旱及營養(yǎng)等脅迫時，均會導(dǎo)致海綿組織被破壞，葉子色素比例發(fā)生變化，從而引起可 見光區(qū)的兩個葉綠素吸收谷不明顯，550nm處光譜反射峰值隨葉片損傷而變低、變平，近紅 外光區(qū)的峰值被削低，甚至消失，整個反射光譜曲線的波狀特征被拉平，因此通過比較受損 與健康作物光譜曲線，我們僅僅能夠確定作物的生長是否受到脅迫及其嚴(yán)重程度，至于脅 迫類型則無法判斷。
[0004] 由于不同病害產(chǎn)生的共性光譜特征，使得農(nóng)作物病害的逆向遙感識別與診斷十分 困難，而農(nóng)作物病害的逆向遙感識別是實(shí)現(xiàn)大范圍航空航天遙感監(jiān)測的關(guān)鍵，是利用遙感 影像監(jiān)測農(nóng)作物病害不可回避的問題。已有研究表明同一作物不同病害的發(fā)生與其生育周 期、生境條件有著密切的關(guān)系，時相信息和生境因子對于農(nóng)作物病害的遙感監(jiān)測具有十分 重要的價值，然而綜合利用生境、時相和光譜信息的病害識別尚未見報道。

【發(fā)明內(nèi)容】

[0005] (一)要解決的技術(shù)問題
[0006] 本發(fā)明的目的是提供一種農(nóng)作物病害遙感逆向識別方法，充分利用病害發(fā)生的生 境條件、時相信息和光譜特征。
[0007] (二)技術(shù)方案
[000引一種基于生境因子、時相信息和光譜特征的作物病害遙感逆向識別方法，所述方 法包括如下步驟：
[0009] S102、在監(jiān)測時段內(nèi)獲取研究區(qū)域的多時相遙感影像，并對其進(jìn)行預(yù)處理。
[0010] S104、利用預(yù)處理后的多時相遙感影像監(jiān)測研究區(qū)域目標(biāo)作物的空間種植信息。
[0011] S106、獲取病害監(jiān)測的生境信息，并根據(jù)所監(jiān)測病害發(fā)生的時相信息和生境條件， 確定該病害發(fā)生的區(qū)域范圍。
[0012] S108、獲取遙感影像數(shù)據(jù)的光譜信息，根據(jù)所提取的光譜數(shù)據(jù)及其病害區(qū)域監(jiān)測 該病害發(fā)生的嚴(yán)重程度。
[0013] 優(yōu)選地，所獲取的多時相衛(wèi)星數(shù)據(jù)包括熱紅外和可見光-近紅外影像。
[0014] 優(yōu)選地，所述影像的預(yù)處理包括福射校正、幾何校正及去云處理。
[0015] 優(yōu)選地，所述目標(biāo)作物種植區(qū)域是根據(jù)多時相遙感影像分類獲得的。
[0016] 多時相遙感影像分類是將野外調(diào)查數(shù)據(jù)或已有的±地利用分類矢量圖作為作物 種植區(qū)域提取的先驗(yàn)知識，結(jié)合作物生長發(fā)育的物候信息及多時相遙感影像利用支持向量 機(jī)、決策樹、神經(jīng)網(wǎng)絡(luò)及最大似然等分類方法提取目標(biāo)作物的種植范圍。
[0017] 優(yōu)選地，所述生境信息包括病害監(jiān)測需要的地表溫度和地表濕度。
[0018] 優(yōu)選地，病害監(jiān)測所需要的溫度信息是利用熱紅外影像數(shù)據(jù)利用大氣校正法、單 窗算法或單通道算法獲取。
[0019] 地表溫度獲取是在亮溫計算的基礎(chǔ)上，利用NDVI化resholds Method-NDVITEm估 計地表比福射率，從而將亮溫轉(zhuǎn)換為地表的真實(shí)溫度。
[0020] 優(yōu)選地，病害監(jiān)測所需要的濕度信息是利用可見光-近紅外影像數(shù)據(jù)，采用Mr- Red 二維特征空間分析法或穗帽變換與溫度結(jié)合的方法，獲取病害監(jiān)測所需的濕度信息。
[0021] 優(yōu)選地，利用植保資料，統(tǒng)計分析病害發(fā)生的具體的生境條件及時相信息，建立病 害的發(fā)生與生境因子之間的關(guān)系，利用決策樹算法根據(jù)所監(jiān)測病害發(fā)生的時相信息和生境 條件提取病害發(fā)生的空間分布信息。
[0022] 優(yōu)選地，光譜特征數(shù)據(jù)包括預(yù)處理后的光譜反射率數(shù)據(jù)和根據(jù)衛(wèi)星影像計算的植 被指數(shù)。
[0023] 優(yōu)選地，所述病害監(jiān)測的光譜特征數(shù)據(jù)獲取方法為：
[0024] 根據(jù)調(diào)查樣點(diǎn)病害的發(fā)生情況，將樣本點(diǎn)的病情嚴(yán)重度分為5個等級。
[0025] 分別從圖像上提取5級樣本點(diǎn)的不同形式的光譜特征值，并利用利用變量投影重 要性(Variable Importance in Projection,VIP)指標(biāo)對運(yùn)些備選光譜特征進(jìn)行篩選，保 留對病害信息響應(yīng)強(qiáng)烈的光譜特征形式。
[0026] VIP的值越大，表示該光譜特征對病害信息的響應(yīng)越強(qiáng)烈，若自變量的VIP值大于 1.0,說明自變量在解釋因變量時有比較重要的作用;若自變量的VIP值在0.5~1.0,說明自 變量對因變量解釋作用的重要性還不很明確，需增加樣本或根據(jù)別的條件進(jìn)行判斷;若自 變量VIP值小于0.5，則自變量對因變量的解釋基本沒有意義。
[0027] 優(yōu)選地，所述光譜信息散度是通過判斷未知像元和已知類別像元間的相關(guān)程度， 將未知像元?dú)w入相關(guān)程度最高的類別。
[0028] (立巧益效果
[0029] 上述技術(shù)方案具有如下優(yōu)點(diǎn)：由于不同脅迫產(chǎn)生的共性光譜特征，使得農(nóng)作物病 害的逆向遙感識別與診斷十分困難，基于此本發(fā)明將反映植被生理狀態(tài)的光譜特征、影響 病害發(fā)生的溫度和濕度信息W及與病害發(fā)生密切相關(guān)的物候信息綜合應(yīng)用于農(nóng)作物病害 的遙感監(jiān)測，提出了 "生境條件+時相信息+光譜特征"的作物病害遙感逆向識別算法，提高 了農(nóng)作物病害逆向遙感識別與診斷的精度，有利于政府部口和農(nóng)業(yè)管理部口及時準(zhǔn)確的掌 握和了解病害發(fā)生區(qū)域及其嚴(yán)重程度等信息，為大范圍內(nèi)病害防控管理提供重要決策依 據(jù)。
【附圖說明】
[0030] 此處所說明的附圖用來提供對本發(fā)明的進(jìn)一步理解，構(gòu)成本申請的一部分，本發(fā) 明的示意性實(shí)施例及其說明用于解釋本發(fā)明，并不構(gòu)成對本發(fā)明的不當(dāng)限定。在附圖中：
[0031] 圖1為本發(fā)明實(shí)施例提供的一種作物病害遙感逆向識別方法流程示意圖；
[0032] 圖2為本發(fā)明實(shí)施例提供的一種棉花種植范圍提取流程圖；
[0033] 圖3為本發(fā)明實(shí)施例提供的一種遙感監(jiān)測棉花黃萎病發(fā)生區(qū)域流程圖；
[0034] 圖4為本發(fā)明實(shí)施例提供的一種棉花黃萎病遙感逆向識別結(jié)果示意圖。
【具體實(shí)施方式】
[0035] 為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明方案，下面將結(jié)合本發(fā)明實(shí)施例中的 附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是 本發(fā)明一部分的實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人 員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實(shí)施例，都應(yīng)當(dāng)屬于本發(fā)明保護(hù)的范 圍。
[0036] 如圖1所示，本發(fā)明提供了一種基于生境因子、時相信息和光譜特征的作物病害遙 感識別方法，該方法包括如下步驟：
[0037] 步驟S102,在監(jiān)測時段內(nèi)獲取研究區(qū)域的多時相遙感影像，并對其進(jìn)行預(yù)處理。
[0038] 其中，所獲取的多時相衛(wèi)星數(shù)據(jù)包括熱紅外和可見光-近紅外影像，所述影像的預(yù) 處理包括福射校正、幾何校正及去云處理。具體地，用戶結(jié)合農(nóng)學(xué)植保經(jīng)驗(yàn)，確定當(dāng)?shù)刈魑?病害遙感監(jiān)測的適宜時期，訂購并下載包含可見光、近紅外及熱紅外波段的遙感影像數(shù)據(jù)。
[0039] 例如，W棉花為例，根據(jù)棉花黃萎病的田間發(fā)生規(guī)律，選擇真葉期至花鈴期為病害 的監(jiān)測時段，例如，可W選取2014年6月27日、7月13日、7月29日及8月14日作為監(jiān)測時段，并 獲取上述監(jiān)測時段內(nèi)種植區(qū)域的多時相遙感影像。
[0040] 將上述多時相遙感影像進(jìn)行福射校正、幾何校正、去云處理等處理工作，從而將原 始多時相遙感影像的灰度值數(shù)據(jù)處理為帶準(zhǔn)確地理坐標(biāo)信息的反射率數(shù)據(jù)。后續(xù)病害信息 提取是基于預(yù)處理后的多時相反射率影像數(shù)據(jù)進(jìn)行的。
[0041] S104、利用預(yù)處理后的多時相遙感影像監(jiān)測研究區(qū)域目標(biāo)作物的空間種植信息。
[0042] S106、獲取病害監(jiān)測的生境信息，并根據(jù)所監(jiān)測病害發(fā)生的時相信息和生境條件， 確定該病害發(fā)生的區(qū)域范圍。
[0043] 可選地，該生境信息包括病害監(jiān)測需要的地表溫度和地表濕度。
[0044] 在本步驟中，病害監(jiān)測所需要的溫度信息是利用熱紅外影像數(shù)據(jù)采用大氣校正 法、單窗算法或單通道算法獲取，濕度信息采用Nir-Red二維特征空間分析法或穗帽變換與 溫度結(jié)合的方法獲取。
[0045] 具體地，地表溫度獲取是在亮溫計算的基礎(chǔ)上，利用NDVI化resholds Method- NDVITem估計地表比福射率，從而將亮溫轉(zhuǎn)換為地表的真實(shí)溫度。
[0046] 可選地，目標(biāo)作物種植區(qū)域是根據(jù)多時相遙感影像分類獲得的。包括W下步驟:確 定先驗(yàn)知識;結(jié)合作物生長發(fā)育的物候信息和該先驗(yàn)知識利用某種分類方法得到目標(biāo)作物 種植區(qū)域，其中，該分類方法包括支持向量機(jī)法、決策樹法、神經(jīng)網(wǎng)絡(luò)法W及最大似然法等。
[0047] 其中，該先驗(yàn)知識可W是地面調(diào)查數(shù)據(jù)或已有的±地利用分類矢量圖。
[0048] 其中，后續(xù)的作物病害信息提取是在分類得到的作物種植范圍內(nèi)進(jìn)行，W減少來 自其它地物或作物類型的干擾。
[0049] 具體地，W新疆石河子棉花種植區(qū)域的提取為例進(jìn)行說明，根據(jù)不同作物生長物 候歷及外野調(diào)查發(fā)現(xiàn)，在病害監(jiān)測的時間區(qū)間內(nèi)，石河子農(nóng)作物主要有小麥、首猜、葡萄、棉 花、油葵及玉米等，其中W棉花種植面積最大。石河子棉花一般在4月中下旬開始播種出苗， 5~6月中上旬為棉花苗期，在6月27日的NDVI(Normalized Difference Vegetation Index，歸一化植被指數(shù)）圖像上棉花種植區(qū)域表現(xiàn)為具有裸地特征的低植被覆蓋區(qū)，而小 麥、首猜等作物已明顯表現(xiàn)為植被特征。7月上旬，棉花由苗期進(jìn)入現(xiàn)蕾期，植被覆蓋度急劇 增大，NDVI時間譜曲線呈大幅上升趨勢，其增加幅度大于油葵和葡萄，而首猜和小麥的NDVI 值則幾乎沒有變化。基于此本研究對7月13日和6月27日的ETM NDVI圖像進(jìn)行差值運(yùn)算，根 據(jù)外野調(diào)查資料對差值圖像設(shè)定適當(dāng)闊值初步提取棉花種植區(qū)域。根據(jù)NDVI時間序列曲線 及研究區(qū)域內(nèi)作物生長的規(guī)律性可知，7月下旬隨著小麥的臘熟和收割，其NDVI時間譜曲線 急劇下降，NDVI值達(dá)到最小。而此時棉花植被覆蓋度和綠色生物量都達(dá)到最大，NDVI時間譜 曲線也隨之達(dá)到峰值，因此在此基礎(chǔ)上可W利用7月13日和7月29日兩景影像進(jìn)一步排除小 麥對棉花種植區(qū)域提取的影響。同理可用7月13日和8月14日的TM影像區(qū)分棉花與玉米、首 猜等作物的種植區(qū)域，從而實(shí)現(xiàn)棉花種植區(qū)域的遙感監(jiān)測。在本實(shí)施例中如圖2所示。
[0050] 步驟S106、獲取病害監(jiān)測的生境信息，并根據(jù)所監(jiān)測病害發(fā)生的時相信息和生境 條件，確定該病害發(fā)生的區(qū)域范圍。
[0051] 可選地，該生境信息包括病害監(jiān)測需要的地表溫度和地表濕度。
[0052] 在本步驟中，病害監(jiān)測所需要的溫度信息是利用熱紅外影像數(shù)據(jù)采用大氣校正 法、單窗算法或單通道算法獲取，濕度信息采用Nir-Red二維特征空間分析法或穗帽變換與 溫度結(jié)合的方法獲取。
[0053] 在本發(fā)明一種可能的實(shí)現(xiàn)方式中，地表溫度是采用單通道算法利用TM影像中的熱 紅外波段計算得到的。首先根據(jù)TM影像熱紅外波段接收到的福射強(qiáng)度與灰度值的關(guān)系計算 研究區(qū)域內(nèi)像元的福射溫度。
[0054] 對于TM熱紅外波段，接收到的福射強(qiáng)度與灰度值的關(guān)系為：
[0055] Lsensor_Lmin(A) +( Lmax (λ-) ~Lmin(A) ) Qdn/Qmax
[00 日 6] Lsensor TM熱紅外波段接收到的福射強(qiáng)度(mW/cm2srym);
[0057] ^ax一一TM熱紅外波段最大灰度值；
[005引 Qdn--TM熱紅外波段像?；叶戎?；
[0059] LmaxW、LminW-一TM熱紅外波段接收到的最大和最小福射強(qiáng)度。
[0060] 發(fā)射前TM6的預(yù)設(shè)常量為：
[0061] 當(dāng) Qdn = 0時，LminW = 0.1238;
[006^ 當(dāng) QDN = 255，LmaxW = 1.56 時。
[0063] 因此TM熱紅外波段福射強(qiáng)度與灰度值之間的關(guān)系可簡化為：
[0064] L(a) = 0.1238+0.005632156Qdn
[0065] 由于化N為TM熱紅外波段灰度值，屬已知數(shù)據(jù)，因此根據(jù)上式可W很容易的求算出 相應(yīng)的熱福射強(qiáng)度^A)，再利用下式即可近似求算出TM熱紅外波段像元福射溫度。
[0066] T6 = K2/ln(l+ki/Lw)
[0067] Te--TM熱紅外波段像兀福射溫度，單位:k;
[006引 Ki = 60.776，K2 = 1260.5服。
[0069] 然后利用NDVI Thresholds Method-NDVITEm方法估算研究區(qū)域內(nèi)的地表比福射 率。在計算比福射率時，對于純植被像元采用定值ε = εν = 〇.986,對于植被和±壤的混合像 元，則利用公式e = evPv+es(l-Pv)計算其比福射率。
[0070] 式中：ε-地表比福射率；
[0071] εν--植被發(fā)射率；
[0072] e.s--上壌發(fā)射率；
[0073] Pv-一植被構(gòu)成比例，計算公式：
[0074]
[007引其中NDVImax = 0.5，NDVImin = 0.2eNDVI >0.5時可認(rèn)為像元是純植被像元，Pv= 1， NDVI <0.2時可認(rèn)為像元是純裸±像元，Pv=0。
[0076] 根據(jù)計算的福射溫度和比福射率即可獲取地表的真實(shí)溫度。
[0077] 地表濕度可W采用改進(jìn)的二維特征空間法，首先采用簡單的線性光譜解混法，將 目標(biāo)農(nóng)作物(如棉花)和±壤的混合像元分解，并求得運(yùn)兩個基本組分所占的比例，進(jìn)而去 除棉花植被信息對±壤濕度反演的干擾，然后對去除植被的±壤像元進(jìn)行分析，根據(jù)NDVI 圖像的紅光和近紅外兩個波段建立Nir-Red二維特征空間，利用目標(biāo)農(nóng)作物在運(yùn)兩個波段 的光譜值確定它們在特征空間中的位置，進(jìn)行地表濕度的反演。
[0078] 可選地，如圖3所示，利用植保資料，統(tǒng)計分析病害發(fā)生的具體的生境條件及時相 信息，建立病害的發(fā)生與生境因子之間的關(guān)系，利用決策樹算法根據(jù)所監(jiān)測病害發(fā)生的時 相信息和生境條件提取病害發(fā)生的空間分布信息?？蒞包括W下步驟：
[0079] S1061、根據(jù)目標(biāo)病害發(fā)生的時相信息，選擇合適時期的遙感影像，通過對目標(biāo)作 物的NDVI圖像設(shè)定合適的闊值，將目標(biāo)作物分為正常生長區(qū)域和受脅迫區(qū)域。
[0080] 示例地，W新疆石河子棉花黃萎病的遙感監(jiān)測為例進(jìn)行說明，通過外野調(diào)查發(fā)現(xiàn) 2014年新疆石河子棉花黃萎病的發(fā)病高峰期在7月底8月初，因此在本例中選用7月29日的 TM圖像計算NDVI值，并根據(jù)設(shè)定的NDVI闊值將棉花分為健康棉花生長區(qū)域和受脅迫棉花生 長區(qū)域。
[0081] S1062、調(diào)查目標(biāo)病害的首次發(fā)病時間，選用該時期的遙感影像初步將目標(biāo)作物的 受脅迫區(qū)域分為可疑目標(biāo)病害區(qū)域和其它脅迫區(qū)域。
[0082] 示例地，W新疆石河子棉花黃萎病的遙感監(jiān)測為例進(jìn)行說明，2014年新疆石河子 棉花黃萎病發(fā)病大概在7月10日左右才有零星發(fā)病，所W7月10日前棉花在生長過程中所受 到的脅迫均為非黃萎病脅迫，因此可W在棉花生長脅迫區(qū)域提取基礎(chǔ)上利用7月10日前后 的遙感影像排除非黃萎病害區(qū)域。在本實(shí)例中首先根據(jù)2014年6月27日TM影像的紅光波段 和近紅外波段計算NDVI值，并根據(jù)設(shè)定的NDVI闊值判斷是否為脅迫區(qū)域，對于小于該闊值 的區(qū)域?yàn)闋I養(yǎng)脅迫、苗期受到的病蟲害W及冷凍災(zāi)害等非黃萎病害區(qū)域，大于該闊值的則 為可疑目標(biāo)病害區(qū)。
[0083] S1063、對于可疑目標(biāo)病害區(qū)域，利用目標(biāo)病害發(fā)生的具體生境條件，初步提取目 標(biāo)病害區(qū)域。
[0084] 示例地，W新疆石河子棉花黃萎病的遙感監(jiān)測為例進(jìn)行說明，對于可疑目標(biāo)病害 區(qū)域，利用7月29日TM NDVI圖像W及由TM影像反演的地表溫度和±壤含水量結(jié)果，根據(jù)棉 花黃萎病外野調(diào)查資料統(tǒng)計分析棉花黃萎病爆發(fā)的具體生境條件，設(shè)計遙感監(jiān)測棉花黃萎 病害區(qū)域的函數(shù)表達(dá)式，初步提取棉花黃萎病害區(qū)域。
[0085] S1064、對于初步提取的目標(biāo)病害區(qū)域，結(jié)合病害和蟲害發(fā)生的特點(diǎn)及其目標(biāo)病害 發(fā)生的生境條件，進(jìn)一步確定目標(biāo)病害發(fā)生區(qū)域。
[0086] 示例地，W新疆石河子棉花黃萎病的遙感監(jiān)測為例進(jìn)行說明，由于黃萎病對棉花 的危害在適宜的溫濕度條件下具有時間和空間上的連續(xù)性，而蟲害危害具有時間上的階段 性和空間上的隨意性等特點(diǎn)，本例根據(jù)棉花黃萎病害區(qū)域的初步提取結(jié)果，利用8月14日反 演的地表溫濕度數(shù)據(jù)進(jìn)一步提取棉花黃萎病害區(qū)域，W減少蟲害等脅迫對監(jiān)測結(jié)果的影 響，提高遙感監(jiān)測棉花黃萎病害區(qū)域精度。
[0087] 在本實(shí)施例中，確定棉花黃萎病害區(qū)域流程圖如圖3所示。
[0088] S108、獲取遙感影像數(shù)據(jù)的光譜信息，根據(jù)所提取的光譜數(shù)據(jù)及其病害區(qū)域監(jiān)測 該病害發(fā)生的嚴(yán)重程度。
[0089] 可選地，根據(jù)需要開展與影像獲取時間同步的地面調(diào)查，地面調(diào)查與影像獲取前 后時間相差W不超過1天為宜，調(diào)查的內(nèi)容為調(diào)查區(qū)域內(nèi)作物發(fā)病的類型及其病情嚴(yán)重度。
[0090] 示例地，W新疆石河子棉花黃萎病的遙感監(jiān)測為例進(jìn)行說明，如果需要監(jiān)測7月底 棉花黃萎病發(fā)病的嚴(yán)重程度，則在7月29日衛(wèi)星過境的同時地面同步調(diào)查棉花黃萎病的發(fā) 病情況，通過5點(diǎn)取樣法進(jìn)行病情指數(shù)調(diào)查，每點(diǎn)選取10株棉花，分別調(diào)查其發(fā)病情況。單株 棉花黃萎病病情嚴(yán)重度分為5個等級，即無生病葉片棉株病情嚴(yán)重度為0級；受害棉葉數(shù)不 超過25%的棉株其病情嚴(yán)重度為1級；受害棉葉數(shù)在25%~50%之間的棉株其病情嚴(yán)重度 為2級;受害棉葉數(shù)在50%~75%之間的棉株其病情嚴(yán)重度為3級;受害棉葉數(shù)超過75%的 棉株病情嚴(yán)重度為4級。分別記錄各點(diǎn)各級株數(shù)，按下式計算測試群體的病情指數(shù)(disease index,DI)：
[0091]
[0092] 式中:X--各級病級值；
[0093] η--最高病級值；
[0094] f--各級株數(shù)。
[00M]根據(jù)測試群體DI的不同將黃萎病冠層病情嚴(yán)重度也分為5級，即：正常(bO):DI = 0;輕度(bl) :DI在0~25之間；中度(b2) :DI在25~50之間；嚴(yán)重(b3) :DI在50~75之間；極嚴(yán) 重(b4):DI在75~100之間。
[0096] 可選地，光譜特征數(shù)據(jù)包括預(yù)處理后的光譜反射率和根據(jù)衛(wèi)星影像計算的植被指 數(shù)。
[0097] 表1植被指數(shù)的定義及表達(dá)
[009引
[0099] 可選地，對備選光譜特征進(jìn)行篩選，保留對病害信息響應(yīng)強(qiáng)烈的光譜特征形式。
[0100] 示例地，W新疆石河子棉花黃萎病的遙感監(jiān)測為例進(jìn)行說明，
[0101] 對于7月29日的NDVI圖像選用紅外光和近紅外光2個通道的原始光譜反射率W及 RVI (比值植被指數(shù)）、NDVI、DVI、RDVI、TVI、NDGI、MSAVI、GEMI、EVI九個寬波段植被指數(shù)(表 1)運(yùn)11個光譜特征作為病害監(jiān)測的備選光譜特征。在此基礎(chǔ)上根據(jù)調(diào)查點(diǎn)病害發(fā)生情況， 將樣本點(diǎn)數(shù)據(jù)按照發(fā)病情況分為0級(健康樣本）、1級(輕度發(fā)?。?、2級（中度發(fā)病）W及3級 (重度發(fā)病)和4級(嚴(yán)重發(fā)病)五個級別，分別提取運(yùn)5個級別樣本點(diǎn)單時相和多時相備選光 譜特征值，并采用變量投影重要性準(zhǔn)則對運(yùn)些備選光譜特征進(jìn)行篩選，保留對病害信息影 響強(qiáng)烈的光譜特征。
[0102] 通過變量投影重要性反映了每個自變量在解釋因變量作用時的重要性，計算公式 為：
[0103]
[0104] 其中，VIP j為第j個自變量（在本發(fā)明實(shí)施例中即確定的光譜特征）的VIP (化riable Importance in Projection,變量投影重要性）指標(biāo);m為從原變量中提取的成 分個數(shù);P為自變量個數(shù);t功第h個成分;Rd(Y，th)為成分th對因變量Y的解釋能力，為二者 相關(guān)系數(shù)的平方;Rd(Y;tl，t2，t3, . . .，tm)為成分tl，t2，t3, . . .，tm對因變量y的累計解釋能 力；為軸Wh的第j個分量，用于測量Xj對構(gòu)造成分th的邊際貢獻(xiàn)，并且對于任意h=l，2， 3,. . . ,m均有：
[0105] 利用VIP指標(biāo)值進(jìn)行變量篩選時，若自變量的VIP值大于1.0，說明自變量在解釋因 變量時有比較重要的作用;若自變量的VIP值在0.5~1.0，說明自變量對因變量解釋作用的 重要性還不很明確，需增加樣本或根據(jù)別的條件進(jìn)行判斷;若自變量VIP值小于ο. 5，則自變 量對因變量的解釋基本沒有意義。在本發(fā)明實(shí)施例一種可能的實(shí)現(xiàn)方式中，通過設(shè)定一個 VIP闊值(如設(shè)置為1)，保留在解釋因變量時具有重要作用的6個光譜特征作為病害監(jiān)測的 自變量，運(yùn)6個光譜特征分別是EVI、畑VI、GEMI、DVI、MSAVI、NDVI。
[0106] 可選地，在遙感監(jiān)測棉花黃萎病害發(fā)生區(qū)域的基礎(chǔ)上，根據(jù)篩選的光譜特征數(shù)據(jù) 結(jié)合外業(yè)調(diào)查資料利用光譜特征散度分析法確定病害發(fā)生的嚴(yán)重程度。
[0107] 其中，光譜信息散度分析是通過判斷已知嚴(yán)重程度像元和未知嚴(yán)重程度像元間的 相關(guān)程度，將未知像元?dú)w入相關(guān)程度最高的類別中的判別方法。該算法可W通過ENVI軟件 中的 "spectral information divergence"模塊實(shí)現(xiàn)。
[0108] 具體地，假設(shè)pi和qi分別為第i波段的像元X和y的概率，則：
[0109]
L為像元X的維數(shù)；
[0110]
.為像元y的維數(shù)(像元X和像元y的維數(shù)相等）
[0111] 像元X相對于像元y的相對賭值為：
[0112]
[0113] 根據(jù)相對賭值可計算出光譜信息散度SID的統(tǒng)計量：
[0114] SID = D(x| |y)+D(y| |x)
[0115] 在本例中將地面調(diào)查樣本按照3:2的比例隨機(jī)分為模型訓(xùn)練樣本和模型驗(yàn)證樣本 兩部分，訓(xùn)練時分別導(dǎo)入模型訓(xùn)練樣本中的0級（健康樣本）、1級（輕度發(fā)?。?級（中度發(fā) ?。?級（重度發(fā)病)和4級(嚴(yán)重發(fā)病)五種類型的樣本，根據(jù)待分像元與運(yùn)五類樣本的SID 距離對其相關(guān)性程度進(jìn)行判斷，將像元?dú)w入相似度最高的類型，從而確定目標(biāo)農(nóng)作物的病 害程度，并最終生成病害監(jiān)測空間分布圖（圖4)。然后利用驗(yàn)證樣本對模型的精度進(jìn)行分析 和評價。
[0116] 需要說明的是，
[0117] 本發(fā)明通過將病害發(fā)生的時相信息、生境條件及光譜特征數(shù)據(jù)相結(jié)合，從而能夠 較準(zhǔn)確的識別農(nóng)作物的病害類型及其病情嚴(yán)重度。
[011引具體地，在本例用于驗(yàn)證的46個外業(yè)調(diào)查點(diǎn)中有6個點(diǎn)的棉花黃萎病害類型判斷 錯誤，采用生境因子+時相信息+光譜特征"的作物病害遙感監(jiān)測方法進(jìn)行棉花黃萎病的識 別精度為87%。在病情嚴(yán)重度的識別上有4個點(diǎn)的嚴(yán)重程度判別錯誤，病情嚴(yán)重度的識別精 度為91 %。因此運(yùn)一估測結(jié)果中病害的總體空間分布趨勢與調(diào)查結(jié)果大體一致。
[0119] 上述本發(fā)明實(shí)施例序號僅僅為了描述，不代表實(shí)施例的優(yōu)劣。
[0120] W上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人 員來說，在不脫離本發(fā)明原理的前提下，還可W做出若干改進(jìn)和潤飾，運(yùn)些改進(jìn)和潤飾也應(yīng) 視為本發(fā)明的保護(hù)范圍。
【主權(quán)項(xiàng)】
1. 一種基于時相和光譜信息及生境條件的作物病害遙感識別方法，其特征在于，包括 如下步驟： S102、在監(jiān)測時段內(nèi)獲取研究區(qū)域的多時相遙感影像，并對其進(jìn)行預(yù)處理； S104、利用預(yù)處理后的多時相遙感影像監(jiān)測研究區(qū)域目標(biāo)作物的空間種植信息； S106、獲取病害監(jiān)測的生境信息，并根據(jù)所監(jiān)測病害發(fā)生的時相信息和生境條件，確定 該病害發(fā)生的區(qū)域范圍； S108、獲取遙感影像數(shù)據(jù)的光譜信息，根據(jù)所提取的光譜數(shù)據(jù)及其病害區(qū)域監(jiān)測該病 害發(fā)生的嚴(yán)重程度。2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所獲取的多時相衛(wèi)星數(shù)據(jù)包括熱紅外和可 見光-近紅外影像。3. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述影像的預(yù)處理包括輻射校正、幾何校 正及去云處理。4. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述目標(biāo)作物種植區(qū)域是根據(jù)多時相遙感 影像分類獲得的。5. 根據(jù)權(quán)利要求4所述的方法，其特征在于，所述多時相遙感影像分類是將野外調(diào)查數(shù) 據(jù)或已有的土地利用分類矢量圖作為作物種植區(qū)域提取的先驗(yàn)知識，結(jié)合作物生長發(fā)育的 物候信息及多時相遙感影像利用支持向量機(jī)、決策樹、神經(jīng)網(wǎng)絡(luò)及最大似然等分類方法提 取目標(biāo)作物的種植范圍。6. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述生境信息包括病害監(jiān)測需要的地表溫 度和地表濕度。7. 根據(jù)權(quán)利要求6所述的方法，其特征在于，病害監(jiān)測所需要的溫度信息是利用熱紅外 影像數(shù)據(jù)通過大氣校正法、單窗算法或單通道算法獲取。8. 根據(jù)權(quán)利要求7所述的方法，其特征在于，地表溫度獲取是在亮溫計算的基礎(chǔ)上，利 用NDVI Thresholds Method-NDVI?估計地表比輻射率，從而將亮溫轉(zhuǎn)換為地表的真實(shí)溫 度。9. 根據(jù)權(quán)利要求6所述的方法，其特征在于，病害監(jiān)測所需要的濕度信息是利用可見 光-近紅外影像數(shù)據(jù)，采用Nir-Red二維特征空間分析法或穗帽變換與溫度結(jié)合的方法，獲 取病害監(jiān)測所需的濕度信息。10. 根據(jù)權(quán)利要求1所述的方法，其特征在于，利用植保資料，統(tǒng)計分析病害發(fā)生的具 體的生境條件及時相信息，建立病害的發(fā)生與生境因子之間的關(guān)系，利用決策樹算法根據(jù) 所監(jiān)測病害發(fā)生的時相信息和生境條件提取病害發(fā)生的空間分布信息。11. 根據(jù)權(quán)利要求1所述的方法，其特征在于，光譜特征數(shù)據(jù)包括預(yù)處理后的光譜反射 率和根據(jù)衛(wèi)星影像計算的植被指數(shù)。12. 根據(jù)權(quán)利要求11所述的方法，其特征在于，所述病害監(jiān)測的光譜特征數(shù)據(jù)獲取方法 為： 根據(jù)調(diào)查樣點(diǎn)病害的發(fā)生情況，將樣本點(diǎn)的病情嚴(yán)重度分為5個等級； 分別從圖像上提取5級樣本點(diǎn)的不同形式的光譜特征值，并利用變量投影重要性 (Variable Importance in Projection，VIP)指標(biāo)對這些備選光譜特征進(jìn)行篩選，保留對 病害信息響應(yīng)強(qiáng)烈的光譜特征形式； VIP的值越大，表示該光譜特征對病害信息的響應(yīng)越強(qiáng)烈，若自變量的VIP值大于1. ο， 說明自變量在解釋因變量時有比較重要的作用;若自變量的VIP值在0.5~1.0，說明自變量 對因變量解釋作用的重要性還不很明確，需增加樣本或根據(jù)別的條件進(jìn)行判斷;若自變量 VIP值小于0.5，則自變量對因變量的解釋基本沒有意義。13.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述光譜信息散度是通過判斷未知像元 和已知類別像元間的相關(guān)程度，將未知像元?dú)w入相關(guān)程度最高的類別。
【文檔編號】G06Q50/02GK105825177SQ201610143325
【公開日】2016年8月3日
【申請日】2016年3月9日
【發(fā)明人】競霞, 姚頑強(qiáng), 劉良云, 黃文江
【申請人】西安科技大學(xué)