CN112364691A - 一种烟草病虫害识别方法 - Google Patents
一种烟草病虫害识别方法 Download PDFInfo
- Publication number
- CN112364691A CN112364691A CN202011076981.XA CN202011076981A CN112364691A CN 112364691 A CN112364691 A CN 112364691A CN 202011076981 A CN202011076981 A CN 202011076981A CN 112364691 A CN112364691 A CN 112364691A
- Authority
- CN
- China
- Prior art keywords
- data
- pest
- tobacco
- disease
- planting area
- 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.)
- Granted
Links
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 69
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 57
- 201000010099 disease Diseases 0.000 title claims abstract description 48
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 21
- 244000061176 Nicotiana tabacum Species 0.000 title description 2
- 241000208125 Nicotiana Species 0.000 claims abstract description 67
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 8
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims abstract description 5
- 238000001228 spectrum Methods 0.000 claims abstract description 5
- 230000004927 fusion Effects 0.000 claims abstract description 4
- 230000005855 radiation Effects 0.000 claims abstract description 4
- 239000002689 soil Substances 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 description 3
- 241000238631 Hexapoda Species 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Catching Or Destruction (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种烟草病虫害识别方法,包括获取烟草种植区的地表信息数据,所述地表信息数据由无人机搭载的多光谱传感器来获取;获取烟草种植区的Landsat数据,并对所获取到的据进行辐射和几何校准,计算出生物物理参数;获取烟草种植区的气象数据;获取烟草种植区的病虫害数据,病虫数据包括有虫害和无虫害采样区烟草的光谱和生长环境信息;将所获取到的烟草种植区的地表信息数据、Landsat数据以及气象数据进行多波段融合,得到波段合成数据集;采用BP神经网络将合成得到的波段合成数据集作为输入变量,病虫害数据作为输出层训练神经网络,构建烟草病虫害监测特征参。本结合烟草所属区域的气候条件和病虫害状态,可以实现同时大范围的烟草病虫害监测。
Description
技术领域
本发明涉及识别技术领域,具体涉及一种烟草病虫害识别方法。
背景技术
烟草病虫害识别是烟草生长监测的重要组成部分,掌握烟草的病虫害状态和最佳的采收期对烟草估产具有重要意义。目前,对烟草的病虫害监测主要依靠人工地面调查,难以在大区域范围内同时采集烟草病虫害信息,且缺乏定量化的烟草长势评估手段。
发明内容
本发明的目的在于克服上述现有技术的不足,提供一种烟草病虫害识别方法,以实现大范围的烟草病虫害监测,为实现烟草病虫害实时监测提技术支持。
为实现上述目的,本发明的技术方案是:
一种烟草病虫害识别方法,包括:
获取烟草种植区的地表信息数据,所述地表信息数据由无人机搭载的多光谱传感器来获取;
获取烟草种植区的Landsat数据,并对所获取到的据进行辐射和几何校准,计算出生物物理参数;
获取烟草种植区的气象数据;
获取烟草种植区的病虫害数据,所述病虫数据包括有虫害和无虫害采样区烟草的光谱和生长环境信息;
将所获取到的烟草种植区的地表信息数据、Landsat数据以及气象数据进行多波段融合,得到波段合成数据集;
采用BP神经网络将合成得到的波段合成数据集作为输入变量,病虫害数据作为输出层训练神经网络,构建烟草病虫害监测特征参数。
进一步地,所述生物物理参数包括增强型植被指数和归一化植被指数。
进一步地,所述增强型植被指数EVI的计算方式如下:
式中,ρNIR、ρRED和ρBLUE分别代表遥感影像和无人机影像的近红外、红光和蓝光波段,C1和C2均为常数参数。
进一步地,所述归一化植被指数NDVI的计算方式如下:
式中,ρNIR、ρRED和ρBLUE分别代表遥感影像和无人机影像的近红外、红光和蓝光波段。
进一步地,所述烟草种植区的气象数据通过中国气象局数据中心的地面气候资料月值数据而获取,为离散的点数据,并采用克里金插值将点数据转换为面数据。
进一步地,所述生长环境信息包括地表温度和土壤含水量。
本发明与现有技术相比,其有益效果在于:
本方法是基于星载和机载的多光谱遥感影像获取高时间和空间分辨率遥感影像,结合烟草所属区域的气候条件和病虫害状态,提出利用BP神经网络的烟草病虫害识别方法,从而实现同时大范围的烟草病虫害监测,为实现烟草病虫害实时监测提供理论依据和技术支持
附图说明
图1为本发明实施例提供的烟草病虫害识别方法的流程图;
图2为Landsat影像图;
图3为无人机影像图;
图4为光谱曲线图;
图5为病虫害分级图。
具体实施方式
实施例:
下面结合附图和实施例对本发明的技术方案做进一步的说明。
参阅图1所示,本实施例提供的烟草病虫害识别方法包括如下步骤:
获取烟草种植区的地表信息数据,所述地表信息数据由无人机搭载的多光谱传感器来获取。无人机在行前后对载荷和影像进行辐射和几何校准,将采集的数据拼接,获取大区域的无人机影像。无人机影像包括高空间分辨率地面快照和基于多波段影像提取的地表生理生化参数。
基于Landsat8卫星OLI陆地成像仪包括15m的全色波段,1-7波段和9-11波段为30m空间分辨率数据,对烟草种植区数据进行辐射和几何校准,计算EVI(增强型植被指数)和NDVI(归一化植被指数)等生物物理参数,如此,基于提取的生物物理参数描述烟草的生长状况,从而识别潜在受病虫害影响的区域范围。
获取烟草种植区的气象数据;具体地,通过中国气象局数据中心的地面气候资料月值数据(V3.0)。数据集中的气象数据为离散的点数据,为了获取覆盖整个研究区的气象栅格,采用克里金插值将点数据转换为面数据
获取烟草种植区的病虫害数据,所述病虫数据包括有虫害和无虫害采样区烟草的光谱和生长环境信息;
将所获取到的烟草种植区的地表信息数据、Landsat数据以及气象数据进行多波段融合,得到波段合成数据集;
采用BP神经网络将合成得到的波段合成数据集作为输入变量,病虫害数据作为输出层训练神经网络,构建烟草病虫害监测特征参数。也就是说,通过将各个地表生理生化参数影像进行归一化和空间几何校准,并在研究区内进行采样,获取烟草病虫害信息的光谱变化特征,将这些变化信息作为输入参量导入BP神经网络。在输出层将地面验证点的生物物理信息作为输出结果从而训练神经网络,构建适合大区域进行的模拟模型。
由此可见,本方法是基于星载和机载的多光谱遥感影像获取高时间和空间分辨率遥感影像,结合烟草所属区域的气候条件和病虫害状态,提出利用BP神经网络的烟草病虫害识别方法,从而实现同时大范围的烟草病虫害监测,为实现烟草病虫害实时监测提供理论依据和技术支持。
具体地,上述增强型植被指数EVI的计算方式如下:
上述归一化植被指数NDVI的计算方式如下:
式中:ρNIR、ρRED和ρBLUE分别代表遥感影像和无人机影像的近红外、红光和蓝光波段,C1和C2为常数参数。
如此,通过上式即可以准确地计算出上述增强型植被指数和归一化植被指数。
下面结合一个应用场景实例来对本方法进行进一步地详细说明:
(1)区域选取:本方法选取广东省粤北始兴县东北部的特色优质烟叶生产示范片(114°11'44"E,25°3'10"N)为实验区域,烟草大田期为每年的3-6月份。
(2)数据收集:气象数据集:气温、降水量、蒸发量、相对湿度和日照时数;Landsat数据:采用地理空间数据云共享的遥感影像,对数据就行辐射定标和大气校正,并就行精确的几何校准。采用Landsat数据计算NDVI和EVI等生理生化参数;无人机数据:无人机采集的4波段影像。
(3)地面病虫害数据采集:样区内采集健康和非健康烟草叶片,测定不同类别光谱信息,光谱特征如图4所示。
草长势监测:将不同数据融合的多波段数据和病虫害数据分别作为输入和输出层,构建烟草病虫害监测特征参数,如图5所示,即可以快速得到病虫害分级图。
上述实施例只是为了说明本发明的技术构思及特点,其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰,都应涵盖在本发明的保护范围内。
Claims (6)
1.一种烟草病虫害识别方法,其特征在于,包括:
获取烟草种植区的地表信息数据,所述地表信息数据由无人机搭载的多光谱传感器来获取;
获取烟草种植区的Landsat数据,并对所获取到的据进行辐射和几何校准,计算出生物物理参数;
获取烟草种植区的气象数据;
获取烟草种植区的病虫害数据,所述病虫数据包括有虫害和无虫害采样区烟草的光谱和生长环境信息;
将所获取到的烟草种植区的地表信息数据、Landsat数据以及气象数据进行多波段融合,得到波段合成数据集;
采用BP神经网络将合成得到的波段合成数据集作为输入变量,病虫害数据作为输出层训练神经网络,构建烟草病虫害监测特征参数。
2.如权利要求1所述的烟草病虫害识别方法,其特征在于,所述生物物理参数包括增强型植被指数和归一化植被指数。
5.如权利要求1所述的烟草病虫害识别方法,其特征在于,所述烟草种植区的气象数据通过中国气象局数据中心的地面气候资料月值数据而获取,为离散的点数据,并采用克里金插值将点数据转换为面数据。
6.如权利要求1所述的烟草病虫害识别方法,其特征在于,所述生长环境信息包括地表温度和土壤含水量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011076981.XA CN112364691B (zh) | 2020-10-10 | 2020-10-10 | 一种烟草病虫害识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011076981.XA CN112364691B (zh) | 2020-10-10 | 2020-10-10 | 一种烟草病虫害识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112364691A true CN112364691A (zh) | 2021-02-12 |
CN112364691B CN112364691B (zh) | 2024-02-09 |
Family
ID=74506719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011076981.XA Active CN112364691B (zh) | 2020-10-10 | 2020-10-10 | 一种烟草病虫害识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112364691B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239825A (zh) * | 2021-05-19 | 2021-08-10 | 四川中烟工业有限责任公司 | 一种复杂场景下高精度烟草甲虫检测方法 |
CN113435252A (zh) * | 2021-05-27 | 2021-09-24 | 广西壮族自治区烟草公司百色市公司 | 一种基于遥感的烟草病虫害监测预警方法和*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180356339A1 (en) * | 2016-08-10 | 2018-12-13 | Fuzhou University | Method of calculating tavi based on a band ratio model and solar altitude angle |
CN110008905A (zh) * | 2019-04-09 | 2019-07-12 | 安徽大学 | 基于遥感影像红边波段的区域尺度小麦条锈病监测方法 |
CN110399819A (zh) * | 2019-07-15 | 2019-11-01 | 北京洛斯达数字遥感技术有限公司 | 一种基于深度学习的遥感影像居民区自动提取方法 |
CN110533595A (zh) * | 2019-09-03 | 2019-12-03 | 北京麦飞科技有限公司 | 一种作物病虫害空间动态分布监测的方法和*** |
CN111582055A (zh) * | 2020-04-17 | 2020-08-25 | 清远市智慧农业研究院 | 一种无人机的航空施药航线生成方法及*** |
-
2020
- 2020-10-10 CN CN202011076981.XA patent/CN112364691B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180356339A1 (en) * | 2016-08-10 | 2018-12-13 | Fuzhou University | Method of calculating tavi based on a band ratio model and solar altitude angle |
CN110008905A (zh) * | 2019-04-09 | 2019-07-12 | 安徽大学 | 基于遥感影像红边波段的区域尺度小麦条锈病监测方法 |
CN110399819A (zh) * | 2019-07-15 | 2019-11-01 | 北京洛斯达数字遥感技术有限公司 | 一种基于深度学习的遥感影像居民区自动提取方法 |
CN110533595A (zh) * | 2019-09-03 | 2019-12-03 | 北京麦飞科技有限公司 | 一种作物病虫害空间动态分布监测的方法和*** |
CN111582055A (zh) * | 2020-04-17 | 2020-08-25 | 清远市智慧农业研究院 | 一种无人机的航空施药航线生成方法及*** |
Non-Patent Citations (3)
Title |
---|
HUIQIN MA: "integrating growth and environmental parameters to discriminate powdery mildew and aphid of winter wheat using bi-temporal landsat-8 imagery", 《REMOTE SENS》, vol. 11, no. 7 * |
杨超;邬国锋;李清泉;王金亮;渠立权;丁凯;: "植被遥感分类方法研究进展", 地理与地理信息科学, no. 04 * |
毛秀华;张世良;刘锡铃;: "基于遥感影像的闽东森林病虫害等级分类技术", 宁德师范学院学报(自然科学版), no. 01 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239825A (zh) * | 2021-05-19 | 2021-08-10 | 四川中烟工业有限责任公司 | 一种复杂场景下高精度烟草甲虫检测方法 |
CN113435252A (zh) * | 2021-05-27 | 2021-09-24 | 广西壮族自治区烟草公司百色市公司 | 一种基于遥感的烟草病虫害监测预警方法和*** |
CN113435252B (zh) * | 2021-05-27 | 2023-09-29 | 广西壮族自治区烟草公司百色市公司 | 一种基于遥感的烟草病虫害监测预警方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN112364691B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829234B (zh) | 一种基于高分辨率遥感数据和作物模型的跨尺度高精度动态作物长势监测和估产方法 | |
CN106600434B (zh) | 基于作物模型与同化技术的作物长势遥感监测方法 | |
CN101699315B (zh) | 一种作物长势均匀度的监测装置和方法 | |
CN107273820B (zh) | 一种土地覆盖遥感分类方法及*** | |
Bégué et al. | Spatio-temporal variability of sugarcane fields and recommendations for yield forecast using NDVI | |
Metternicht | Vegetation indices derived from high-resolution airborne videography for precision crop management | |
CN106372592B (zh) | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 | |
CN110544277B (zh) | 一种无人机载高光谱成像仪反演亚热带植被叶面积指数的方法 | |
US10585210B2 (en) | Apparatus for radiometric correction and orthorectification of aerial imagery | |
Sharifi | Estimation of biophysical parameters in wheat crops in Golestan province using ultra-high resolution images | |
CN111275567B (zh) | 基于无人机影像的senp棉花产量估算方法及估算模型构建方法 | |
CN115372286A (zh) | 一种基于无人机多光谱遥感的玉米水氮含量反演方法 | |
CN112364691B (zh) | 一种烟草病虫害识别方法 | |
Breunig et al. | Assessing the effect of spatial resolution on the delineation of management zones for smallholder farming in southern Brazil | |
CN116308866B (zh) | 一种基于冠层反射光谱的水稻穗生物量估算方法及*** | |
CN115545311A (zh) | 一种农作物估产方法、装置、存储介质及电子设备 | |
Hama et al. | Examination of appropriate observation time and correction of vegetation index for drone-based crop monitoring | |
Li et al. | UAV hyperspectral remote sensing estimation of soybean yield based on physiological and ecological parameter and meteorological factor in China | |
Boschetti et al. | Estimation of rice production at regional scale with a Light Use Efficiency model and MODIS time series. | |
CN117292267B (zh) | 一种基于物候信息的水稻地上生物量分段估算方法及*** | |
CN113313671A (zh) | 一种结合卫星影像和modis数据的水稻估产方法 | |
Dwivedi et al. | Assessment of rice biomass production and yield using semi-physical approach and remotely sensed data | |
CN116797950A (zh) | 一种基于无人机多光谱遥感的茶树水分胁迫监测方法 | |
Zheng et al. | Using high spatial and temporal resolution data blended from SPOT-5 and MODIS to map biomass of summer maize | |
Liu et al. | Extraction of the corn planting area based on multi-temporal HJ-1 satellite data |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |