CN113435252B - 一种基于遥感的烟草病虫害监测预警方法和*** - Google Patents
一种基于遥感的烟草病虫害监测预警方法和*** Download PDFInfo
- Publication number
- CN113435252B CN113435252B CN202110584918.5A CN202110584918A CN113435252B CN 113435252 B CN113435252 B CN 113435252B CN 202110584918 A CN202110584918 A CN 202110584918A CN 113435252 B CN113435252 B CN 113435252B
- Authority
- CN
- China
- Prior art keywords
- tobacco
- pest
- early warning
- disease
- target 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.)
- Active
Links
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 358
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 346
- 241000208125 Nicotiana Species 0.000 title claims abstract description 232
- 238000012544 monitoring process Methods 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 55
- 201000010099 disease Diseases 0.000 claims abstract description 248
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 248
- 241000238631 Hexapoda Species 0.000 claims abstract description 181
- 244000061176 Nicotiana tabacum Species 0.000 claims abstract description 126
- 230000003595 spectral effect Effects 0.000 claims abstract description 65
- 238000001228 spectrum Methods 0.000 claims abstract description 63
- 238000002310 reflectometry Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims description 45
- 238000003860 storage Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 241000196324 Embryophyta Species 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000002329 infrared spectrum Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于遥感的烟草病虫害监测预警方法和***,包括:获取目标区域内烟草的光谱数据;选取光谱数据中对烟草病虫害不同病害程度识别敏感的波段,根据所述光谱数据获取光谱反射率,并通过分析所述光谱反射率识别烟草病虫害信息建立烟草病虫害监测预警模型,生成目标区域内烟草病虫害指数;通过所述烟草病虫害监测预警模型对目标区域内烟草病虫害进行监测及烟草病虫害的预测,根据所述烟草病虫害监测预警模型的输出结果进行等级划分并生成相应级别的预警信息。
Description
技术领域
本发明涉及一种烟草病虫害监测方法,更具体的,涉及一种基于遥感的烟草病虫害监测预警方法和***。
背景技术
我国是烟草大国,烟草种植面积大,用途多,是我国的重要经济作物之一,在国民经济收入中占据重要地位,其播种面积和产量的变化直接影响着全国国民经济。由于现代工业和农业的发展,全球气候发生较大变化,作物所处的农田生态***受病害灾害的威胁日益加剧,对全球农作物的生产造成的影响及危害是相当惊人的。其中,烟草又是农作物中病害种类最多,受害最重的一种,每年都会由于病害造成不同程度的损失。在烟草的种植过程中,烟草病害是烟草生产中的主要限制因子之一,防治烟草病害是烟草生产上的主要问题,因此为提高种植产量和经济效益,促进烟民增收,需要做好病虫害的监测预警和防治工作。
为了实现精确便捷的对目标区域内烟草病虫害进行监测预警,需要开发一款基于遥感的烟草病虫害监测预警***进行匹配,该***通过本发明公开了一种基于遥感的烟草病虫害监测预警方法和***,包括:获取目标区域内烟草的光谱数据;根据所述光谱数据获取光谱反射率,并通过分析所述光谱反射率识别烟草病虫害信息;建立烟草病虫害监测预警模型,通过所述烟草病虫害监测预警模型对目标区域内烟草病虫害进行监测及烟草病虫害的预测,并生成相应级别的预警信息。在***实现过程中如何根据光谱反射率识别烟草病虫害信息以及如何建立烟草病虫害监测预警模型都是亟不可待需要解决的问题。
发明内容
为了解决上述至少一个技术问题,本发明提出了一种基于遥感的烟草病虫害监测预警方法和***。
本发明第一方面提供了一种基于遥感的烟草病虫害监测预警方法,包括:
获取目标区域内烟草的光谱数据;
选取光谱数据中对烟草病虫害不同病害程度识别敏感的波段,根据所述光谱数据获取光谱反射率,并通过分析所述光谱反射率识别烟草病虫害信息;
建立烟草病虫害监测预警模型,生成目标区域内烟草病虫害指数;
通过所述烟草病虫害监测预警模型对目标区域内烟草病虫害进行预测并生成预警信息。
本发明中,所述的选取光谱数据中对烟草病虫害不同病害程度识别敏感的波段,具体为:
将光谱数据进行预处理,划分为N个波段,生成初始训练集;
通过随机森林算法形成训练模型,将初始训练集导入所述训练模型;
所述训练模型在每次迭代中对训练集进行替换采样,所得新训练集的大小与原训练集相同;
在初始训练集的N个波段中随机选取n个波段,将选取的n个波段作为分割节点;
选取分割后部分波段进行加噪前后的误差差异对比,确定光谱数据中个波段对烟草病虫害不同病害程度识别的敏感程度。
本发明中,所述的根据所述光谱数据获取光谱反射率,并通过分析所述光谱反射率识别烟草病虫害信息,具体为:
根据所述光谱反射率计算生成烟草病虫害判别指数;
预设烟草病虫害判别指数阈值;
将所述烟草病虫害判别指数和所述烟草病虫害判别指数阈值进行比较,生成偏差率;
判断所述偏差率是否大于预设偏差率阈值;
若大于,则确定目标区域内烟草种植区域存在病虫害信息。
本方案中,所述的根据所述光谱反射率计算生成烟草病虫害判别指数,其中烟草病虫害判别指数具体计算公式为:
其中,T表示所求判别指数,Fnir表示近红外光谱反射率,Fr表示红光光谱反射率。
本发明中,所述的建立烟草病虫害监测预警模型,生成目标区域内烟草病虫害指数,其中所述烟草病虫害监测预警模型的建立基于红色波段,近红外波段和绿色波段的反射率的光谱反射空间中形成的三角形面积,将三角形面积与红波段的反射率进行比值计算,得到所述的烟草病虫害指数;
烟草病虫害指数的计算公式具体为:
其中,R表示所求的烟草病虫害指数,λm、λn、λk分别表示对烟草病虫害敏感波段的中心波长值,Fi表示i波段的光谱反射率,Fr表示红波段的光谱反射率。
本发明中,通过所述烟草病虫害监测预警模型对目标区域内烟草病虫害进行监测预警,具体为:
通过烟草病虫害监测预警模型,生成烟草病虫害指数;
预设烟草病虫害指数第一阈值及第二阈值,并根据所述阈值设置阈值区间;
所述烟草病虫害指数小于等于第一阈值时,目标区域内烟草病虫害状况为正常,不生成预警信息;
所述烟草病虫害指数大于第一阈值且小于等于第二阈值时,目标区域内烟草病虫害状况为轻微,生成二级预警信息;
所述烟草病虫害指数大于等于第二阈值时,目标区域内烟草病虫害状况为严重,生成一级预警信息。
本发明第二方面还提供了一种基于遥感的烟草病虫害监测预警***,该***包括:存储器、处理器,所述存储器中包括一种基于遥感的烟草病虫害监测预警方法程序,所述一种基于遥感的烟草病虫害监测预警方法程序被所述处理器执行时实现如下步骤:
获取目标区域内烟草的光谱数据;
选取光谱数据中对烟草病虫害不同病害程度识别敏感的波段,根据所述光谱数据获取光谱反射率,并通过分析所述光谱反射率识别烟草病虫害信息;
建立烟草病虫害监测预警模型,生成目标区域内烟草病虫害指数;
通过所述烟草病虫害监测预警模型对目标区域内烟草病虫害进行预测并生成预警信息。
本发明中,所述的选取光谱数据中对烟草病虫害不同病害程度识别敏感的波段,具体为:
将光谱数据进行预处理,划分为N个波段,生成初始训练集;
通过随机森林算法形成训练模型,将初始训练集导入所述训练模型;
所述训练模型在每次迭代中对训练集进行替换采样,所得新训练集的大小与原训练集相同;
在初始训练集的N个波段中随机选取n个波段,将选取的n个波段作为分割节点;
选取分割后部分波段进行加噪前后的误差差异对比,确定光谱数据中个波段对烟草病虫害不同病害程度识别的敏感程度。
本发明中,所述的根据所述光谱数据获取光谱反射率,并通过分析所述光谱反射率识别烟草病虫害信息,具体为:
根据所述光谱反射率计算生成烟草病虫害判别指数;
预设烟草病虫害判别指数阈值;
将所述烟草病虫害判别指数和所述烟草病虫害判别指数阈值进行比较,生成偏差率;
判断所述偏差率是否大于预设偏差率阈值;
若大于,则确定目标区域内烟草种植区域存在病虫害信息。
本方案中,所述的根据所述光谱反射率计算生成烟草病虫害判别指数,其中烟草病虫害判别指数具体计算公式为:
其中,T表示所求判别指数,Fnir表示近红外光谱反射率,Fr表示红光光谱反射率。
本发明中,所述的建立烟草病虫害监测预警模型,生成目标区域内烟草病虫害指数,其中所述烟草病虫害监测预警模型的建立基于红色波段,近红外波段和绿色波段的反射率的光谱反射空间中形成的三角形面积,将三角形面积与红波段的反射率进行比值计算,得到所述的烟草病虫害指数;
烟草病虫害指数的计算公式具体为:
其中,R表示所求的烟草病虫害指数,λm、λn、λk分别表示对烟草病虫害敏感波段的中心波长值,Fi表示i波段的光谱反射率,Fr表示红波段的光谱反射率。
本发明中,通过所述烟草病虫害监测预警模型对目标区域内烟草病虫害进行监测预警,具体为:
通过烟草病虫害监测预警模型,生成烟草病虫害指数;
预设烟草病虫害指数第一阈值及第二阈值,并根据所述阈值设置阈值区间;
所述烟草病虫害指数小于等于第一阈值时,目标区域内烟草病虫害状况为正常,不生成预警信息;
所述烟草病虫害指数大于第一阈值且小于等于第二阈值时,目标区域内烟草病虫害状况为轻微,生成二级预警信息;
所述烟草病虫害指数大于等于第二阈值时,目标区域内烟草病虫害状况为严重,生成一级预警信息;
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括一种基于遥感的烟草病虫害监测预警方法程序,所述一种基于遥感的烟草病虫害监测预警方法程序被处理器执行时,实现如上述任一项所述的一种基于遥感的烟草病虫害监测预警方法的步骤。
本发明公开了一种基于遥感的烟草病虫害监测预警方法和***,包括:获取目标区域内烟草的光谱数据;选取光谱数据中对烟草病虫害不同病害程度识别敏感的波段,根据所述光谱数据获取光谱反射率,并通过分析所述光谱反射率识别烟草病虫害信息建立烟草病虫害监测预警模型,生成目标区域内烟草病虫害指数;通过所述烟草病虫害监测预警模型对目标区域内烟草病虫害进行监测及烟草病虫害的预测,根据所述烟草病虫害监测预警模型的输出结果进行等级划分并生成相应级别的预警信息。本发明中,通过选取光谱数据中对烟草病虫害不同病害程度识别敏感的波段,提高了目标区域内烟草病虫害信息的识别精度,同时本发明结合遥感信息及环境气象特征的建立烟草病虫害监测模型,有效地实现了烟草病虫害的早期监测和预警。
附图说明
图1示出了本发明一种基于遥感的烟草病虫害监测预警方法的流程图;
图2示出了本发明通过分析所述光谱反射率识别烟草病虫害信息的方法流程图;
图3示出了本发明根据烟草病虫害监测预警模型对目标区域内烟草病虫害进行监测预警的方法流程图;
图4示出了本发明一种基于遥感的烟草病虫害监测预警***的框图。
具体实施方法
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于遥感的烟草病虫害监测预警方法的流程图。
S102,获取目标区域内烟草的光谱数据;
S104,选取光谱数据中对烟草病虫害不同病害程度识别敏感的波段,根据所述光谱数据获取光谱反射率,并通过分析所述光谱反射率识别烟草病虫害信息;
S106,建立烟草病虫害监测预警模型,生成目标区域内烟草病虫害指数;
S108,通过所述烟草病虫害监测预警模型对目标区域内烟草病虫害进行预测并生成预警信息。
需要说明的是,获取目标区域内烟草的光谱数据,具体为:测量目标区域烟草种植面积,并对目标区域进行GPS定位,通过Sentinel-2卫星获取目标区域的遥感影像,将所述遥感影像信息进行辐射定标、大气校正、几何校正及图像分割。Sentinel-2卫星具有重访时间短、空间分辨率高且覆盖范围广的特点,为烟草病虫害的快速、无损、大面积的监测提供良好数据基础。
需要说明的是,所述的选取光谱数据中对烟草病虫害不同病害程度识别敏感的波段,具体为:
将光谱数据进行预处理,划分为N个波段,生成初始训练集;
通过随机森林算法形成训练模型,将初始训练集导入所述训练模型;
所述训练模型在每次迭代中对训练集进行替换采样,所得新训练集的大小与原训练集相同;
在初始训练集的N个波段中随机选取n个波段,将选取的n个波段作为分割节点;
选取分割后部分波段进行加噪前后的误差差异对比,确定光谱数据中个波段对烟草病虫害不同病害程度识别的敏感程度。
图2示出了本发明通过分析所述光谱反射率识别烟草病虫害信息的方法流程图;
根据本发明实施例,所述的根据所述光谱数据获取光谱反射率,并通过分析所述光谱反射率识别烟草病虫害信息,具体为:
S202,根据所述光谱反射率计算生成烟草病虫害判别指数;
S204,预设烟草病虫害判别指数阈值;
S206,将所述烟草病虫害判别指数和所述烟草病虫害判别指数阈值进行比较,生成偏差率;
S208,判断所述偏差率是否大于预设偏差率阈值;
S210,若大于,则确定目标区域内烟草种植区域存在病虫害信息。
需要说明的是,所述的根据所述光谱反射率计算生成烟草病虫害判别指数,其中烟草病虫害判别指数具体计算公式为:
其中,T表示所求判别指数,Fnir表示近红外光谱反射率,Fr表示红光光谱反射率。
需要说明的是,所述的建立烟草病虫害监测预警模型,生成目标区域内烟草病虫害指数,其中所述烟草病虫害监测预警模型的建立基于红色波段,近红外波段和绿色波段的反射率的光谱反射空间中形成的三角形面积,将三角形面积与红波段的反射率进行比值计算,得到所述的烟草病虫害指数;
烟草病虫害指数的计算公式具体为:
其中,R表示所求的烟草病虫害指数,λm、λn、λk分别表示对烟草病虫害敏感波段的中心波长值,Fi表示i波段的光谱反射率,Fr表示红波段的光谱反射率。
图3示出了本发明根据烟草病虫害监测预警模型对目标区域内烟草病虫害进行监测预警的方法流程图。
根据本发明实施例,通过所述烟草病虫害监测预警模型对目标区域内烟草病虫害进行监测预警,具体为:
S302,通过烟草病虫害监测预警模型,生成烟草病虫害指数;
S304,预设烟草病虫害指数第一阈值及第二阈值,并根据所述阈值设置阈值区间;
S306,所述烟草病虫害指数小于等于第一阈值时,目标区域内烟草病虫害状况为正常,不生成预警信息;
S308,所述烟草病虫害指数大于第一阈值且小于等于第二阈值时,目标区域内烟草病虫害状况为轻微,生成二级预警信息;
S310,所述烟草病虫害指数大于等于第二阈值时,目标区域内烟草病虫害状况为严重,生成一级预警信息。
根据本发明实施例,所述烟草病虫害监测预警模型还可以结合气象因子对烟草病虫害进行预测,具体为:
获取目标区域内气象信息,罗列影响烟草病虫害流行的主要气象因子;
运用偏最小二乘法判定所述的主要气象因子在烟草病虫害监测过程中的重要性,并生成重要性排序;
选取重要性排序中前五个指数特征结合光谱特征,确定所述特征的权重,建立烟草病虫害监测预警模型;
通过所述输出结果对目标区域内烟草病虫害信息进行预测。
根据本发明实施例,在烟草病虫害监测预警模型的基础上,建立病虫害损失风险预警模型,对目标区域内烟草的病虫害导致的综合价值损失进行预警,具体为:
采集目标区域内烟草的光谱信息及气象信息,识别目标区域内烟草病虫害情况,并选取造成烟草病虫害的主要气象因子;
确定所述主要气象因子的对烟草病虫害的影响程度;
根据大数据分析,分析目标区域内烟草的经济价值,获得病虫害原因造成目标区域内烟草的综合价值损失;
建立病虫害损失风险预警模型,确定烟草病虫害带来的损失。
病虫害损失风险预警模型的表达式为:
其中,D表示病虫害损失风险预警模型的预警等级,α表示病虫害损失风险预警模型的比例系数,M表示主要气象因子的对烟草病虫害的影响程度,N表示烟草病虫害监测预警模型预警等级,U表示目标区域内烟草的综合价值损失;w(x)表示模型误差函数。
图4示出了本发明一种基于遥感的烟草病虫害监测预警***的框图。
本发明第二方面还提供了一种基于遥感的烟草病虫害监测预警警***4,该***包括:存储器41、处理器42,所述存储器中包括一种基于遥感的烟草病虫害监测预警方法程序,所述一种基于遥感的烟草病虫害监测预警方法程序被所述处理器执行时实现如下步骤:
获取目标区域内烟草的光谱数据;
选取光谱数据中对烟草病虫害不同病害程度识别敏感的波段,根据所述光谱数据获取光谱反射率,并通过分析所述光谱反射率识别烟草病虫害信息;
建立烟草病虫害监测预警模型,生成目标区域内烟草病虫害指数;
通过所述烟草病虫害监测预警模型对目标区域内烟草病虫害进行预测并生成预警信息。
需要说明的是,所述的选取光谱数据中对烟草病虫害不同病害程度识别敏感的波段,具体为:
将光谱数据进行预处理,划分为N个波段,生成初始训练集;
通过随机森林算法形成训练模型,将初始训练集导入所述训练模型;
所述训练模型在每次迭代中对训练集进行替换采样,所得新训练集的大小与原训练集相同;
在初始训练集的N个波段中随机选取n个波段,将选取的n个波段作为分割节点;
选取分割后部分波段进行加噪前后的误差差异对比,确定光谱数据中个波段对烟草病虫害不同病害程度识别的敏感程度。
根据本发明实施例,所述的根据所述光谱数据获取光谱反射率,并通过分析所述光谱反射率识别烟草病虫害信息,具体为:
根据所述光谱反射率计算生成烟草病虫害判别指数;
预设烟草病虫害判别指数阈值;
将所述烟草病虫害判别指数和所述烟草病虫害判别指数阈值进行比较,生成偏差率;
需要说明的是,烟草病虫害判别指数具体计算公式为:
其中,T表示所求判别指数,Fnir表示近红外光谱反射率,Fr表示红光光谱反射率。
需要说明的是,所述的建立烟草病虫害监测预警模型,生成目标区域内烟草病虫害指数,其中所述烟草病虫害监测预警模型的建立基于红色波段,近红外波段和绿色波段的反射率的光谱反射空间中形成的三角形面积,将三角形面积与红波段的反射率进行比值计算,得到所述的烟草病虫害指数;
烟草病虫害指数的计算公式具体为:
其中,R表示所求的烟草病虫害指数,λm、λn、λk分别表示对烟草病虫害敏感波段的中心波长值,Fi表示i波段的光谱反射率,Fr表示红波段的光谱反射率。
根据本发明实施例,通过所述烟草病虫害监测预警模型对目标区域内烟草病虫害进行监测预警,具体为:
通过烟草病虫害监测预警模型,生成烟草病虫害指数;
预设烟草病虫害指数第一阈值及第二阈值,并根据所述阈值设置阈值区间;
所述烟草病虫害指数小于等于第一阈值时,目标区域内烟草病虫害状况为正常,不生成预警信息;
所述烟草病虫害指数大于第一阈值且小于等于第二阈值时,目标区域内烟草病虫害状况为轻微,生成二级预警信息;
所述烟草病虫害指数大于等于第二阈值时,目标区域内烟草病虫害状况为严重,生成一级预警信息。
根据本发明实施例,所述烟草病虫害监测预警模型还可以结合气象因子对烟草病虫害进行预测,具体为:
获取目标区域内气象信息,罗列影响烟草病虫害流行的主要气象因子;
运用偏最小二乘法判定所述的主要气象因子在烟草病虫害监测过程中的重要性,并生成重要性排序;
选取重要性排序中前五个指数特征结合光谱特征,确定所述特征的权重,建立烟草病虫害监测预警模型;
通过所述输出结果对目标区域内烟草病虫害信息进行预测。
根据本发明实施例,在烟草病虫害监测预警模型的基础上,建立病虫害损失风险预警模型,对目标区域内烟草的病虫害导致的综合价值损失进行预警,具体为:
采集目标区域内烟草的光谱信息及气象信息,识别目标区域内烟草病虫害情况,并选取造成烟草病虫害的主要气象因子;
确定所述主要气象因子的对烟草病虫害的影响程度;
根据大数据分析,分析目标区域内烟草的经济价值,获得病虫害原因造成目标区域内烟草的综合价值损失;
建立病虫害损失风险预警模型,确定烟草病虫害带来的损失。
病虫害损失风险预警模型的表达式为:
其中,D表示病虫害损失风险预警模型的预警等级,α表示病虫害损失风险预警模型的比例系数,M表示主要气象因子的对烟草病虫害的影响程度,N表示烟草病虫害监测预警模型预警等级,U表示目标区域内烟草的综合价值损失;w(x)表示模型误差函数。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括一种基于遥感的烟草病虫害监测预警方法程序,所述一种基于遥感的烟草病虫害监测预警方法程序被处理器执行时,实现如上述任一项所述的一种基于遥感的烟草病虫害监测预警方法的步骤。
本发明公开了一种基于遥感的烟草病虫害监测预警方法和***,包括:获取目标区域内烟草的光谱数据;选取光谱数据中对烟草病虫害不同病害程度识别敏感的波段,根据所述光谱数据获取光谱反射率,并通过分析所述光谱反射率识别烟草病虫害信息建立烟草病虫害监测预警模型,生成目标区域内烟草病虫害指数;通过所述烟草病虫害监测预警模型对目标区域内烟草病虫害进行监测及烟草病虫害的预测,根据所述烟草病虫害监测预警模型的输出结果进行等级划分并生成相应级别的预警信息。本发明中,通过选取光谱数据中对烟草病虫害不同病害程度识别敏感的波段,提高了目标区域内烟草病虫害信息的识别精度,同时本发明结合遥感信息及环境气象特征的建立烟草病虫害监测模型,有效地实现了烟草病虫害的早期监测和预警。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (6)
1.一种基于遥感的烟草病虫害监测预警方法,其特征在于,包括:
获取目标区域内烟草的光谱数据;
选取光谱数据中对烟草病虫害不同病害程度识别敏感的波段,根据所述光谱数据获取光谱反射率,并通过分析所述光谱反射率识别烟草病虫害信息;
建立烟草病虫害监测预警模型,生成目标区域内烟草病虫害指数;
通过所述烟草病虫害监测预警模型对目标区域内烟草病虫害进行预测并生成预警信息;
所述的建立烟草病虫害监测预警模型,生成目标区域内烟草病虫害指数,其中所述烟草病虫害监测预警模型的建立基于红色波段,近红外波段和绿色波段的反射率的光谱反射空间中形成的三角形面积,将三角形面积与红波段的反射率进行比值计算,得到所述的烟草病虫害指数;
烟草病虫害指数的计算公式具体为:
;
其中,表示所求的烟草病虫害指数,/>、/>、/>分别表示对烟草病虫害敏感波段的中心波长值,/>表示i波段的光谱反射率,/>表示红波段的光谱反射率;
通过所述烟草病虫害监测预警模型对目标区域内烟草病虫害进行监测预警,具体为:
通过烟草病虫害监测预警模型,生成烟草病虫害指数;
预设烟草病虫害指数第一阈值及第二阈值,并根据所述阈值设置阈值区间;
所述烟草病虫害指数小于等于第一阈值时,目标区域内烟草病虫害状况为正常,不生成预警信息;
所述烟草病虫害指数大于第一阈值且小于等于第二阈值时,目标区域内烟草病虫害状况为轻微,生成二级预警信息;
所述烟草病虫害指数大于等于第二阈值时,目标区域内烟草病虫害状况为严重,生成一级预警信息;
在烟草病虫害监测预警模型的基础上,建立病虫害损失风险预警模型,对目标区域内烟草的病虫害导致的综合价值损失进行预警,具体为:
采集目标区域内烟草的光谱信息及气象信息,识别目标区域内烟草病虫害情况,并选取造成烟草病虫害的主要气象因子;
确定所述主要气象因子的对烟草病虫害的影响程度;
根据大数据分析,分析目标区域内烟草的经济价值,获得病虫害原因造成目标区域内烟草的综合价值损失;
建立病虫害损失风险预警模型,确定烟草病虫害带来的损失;
病虫害损失风险预警模型的表达式为:
;
其中,表示病虫害损失风险预警模型的预警等级,/>表示病虫害损失风险预警模型的比例系数,/>表示主要气象因子的对烟草病虫害的影响程度,/>表示烟草病虫害监测预警模型预警等级,/>表示目标区域内烟草的综合价值损失;/>表示模型误差函数。
2.根据权利要求1所述的一种基于遥感的烟草病虫害监测预警方法,其特征在于,所述的选取光谱数据中对烟草病虫害不同病害程度识别敏感的波段,具体为:
将光谱数据进行预处理,划分为N个波段,生成初始训练集;
通过随机森林算法形成训练模型,将初始训练集导入所述训练模型;
所述训练模型在每次迭代中对训练集进行替换采样,所得新训练集的大小与原训练集相同;
在初始训练集的N个波段中随机选取n个波段,将选取的n个波段作为分割节点;
选取分割后部分波段进行加噪前后的误差差异对比,确定光谱数据中个波段对烟草病虫害不同病害程度识别的敏感程度。
3.根据权利要求1所述的一种基于遥感的烟草病虫害监测预警方法,其特征在于,所述的根据所述光谱数据获取光谱反射率,并通过分析所述光谱反射率识别烟草病虫害信息,具体为:
根据所述光谱反射率计算生成烟草病虫害判别指数;
预设烟草病虫害判别指数阈值;
将所述烟草病虫害判别指数和所述烟草病虫害判别指数阈值进行比较,生成偏差率;
判断所述偏差率是否大于预设偏差率阈值;
若大于,则确定目标区域内烟草种植区域存在病虫害信息。
4.根据权利要求3所述的一种基于遥感的烟草病虫害监测预警方法,其特征在于,所述的根据所述光谱反射率计算生成烟草病虫害判别指数,其中烟草病虫害判别指数具体计算公式为:
;
其中,T表示所求烟草病虫害判别指数,表示近红外光谱反射率,/>表示红光光谱反射率。
5.一种基于遥感的烟草病虫害监测预警***,其特征在于,该***包括:存储器、处理器,所述存储器中包括一种基于遥感的烟草病虫害监测预警方法程序,所述一种基于遥感的烟草病虫害监测预警方法程序被所述处理器执行时实现如下步骤:
获取目标区域内烟草的光谱数据;
选取光谱数据中对烟草病虫害不同病害程度识别敏感的波段,根据所述光谱数据获取光谱反射率,并通过分析所述光谱反射率识别烟草病虫害信息;
建立烟草病虫害监测预警模型,生成目标区域内烟草病虫害指数;
通过所述烟草病虫害监测预警模型对目标区域内烟草病虫害进行预测并生成预警信息;
所述的建立烟草病虫害监测预警模型,生成目标区域内烟草病虫害指数,其中所述烟草病虫害监测预警模型的建立基于红色波段,近红外波段和绿色波段的反射率的光谱反射空间中形成的三角形面积,将三角形面积与红波段的反射率进行比值计算,得到所述的烟草病虫害指数;
烟草病虫害指数的计算公式具体为:
;
其中,表示所求的烟草病虫害指数,/>、/>、/>分别表示对烟草病虫害敏感波段的中心波长值,/>表示i波段的光谱反射率,/>表示红波段的光谱反射率;
通过所述烟草病虫害监测预警模型对目标区域内烟草病虫害进行监测预警,具体为:
通过烟草病虫害监测预警模型,生成烟草病虫害指数;
预设烟草病虫害指数第一阈值及第二阈值,并根据所述阈值设置阈值区间;
所述烟草病虫害指数小于等于第一阈值时,目标区域内烟草病虫害状况为正常,不生成预警信息;
所述烟草病虫害指数大于第一阈值且小于等于第二阈值时,目标区域内烟草病虫害状况为轻微,生成二级预警信息;
所述烟草病虫害指数大于等于第二阈值时,目标区域内烟草病虫害状况为严重,生成一级预警信息;
在烟草病虫害监测预警模型的基础上,建立病虫害损失风险预警模型,对目标区域内烟草的病虫害导致的综合价值损失进行预警,具体为:
采集目标区域内烟草的光谱信息及气象信息,识别目标区域内烟草病虫害情况,并选取造成烟草病虫害的主要气象因子;
确定所述主要气象因子的对烟草病虫害的影响程度;
根据大数据分析,分析目标区域内烟草的经济价值,获得病虫害原因造成目标区域内烟草的综合价值损失;
建立病虫害损失风险预警模型,确定烟草病虫害带来的损失;
病虫害损失风险预警模型的表达式为:
;
其中,表示病虫害损失风险预警模型的预警等级,/>表示病虫害损失风险预警模型的比例系数,/>表示主要气象因子的对烟草病虫害的影响程度,/>表示烟草病虫害监测预警模型预警等级,/>表示目标区域内烟草的综合价值损失;/>表示模型误差函数。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括一种基于遥感的烟草病虫害监测预警方法程序,所述一种基于遥感的烟草病虫害监测预警方法程序被处理器执行时,实现如权利要求1至4中任一项所述的一种基于遥感的烟草病虫害监测预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110584918.5A CN113435252B (zh) | 2021-05-27 | 2021-05-27 | 一种基于遥感的烟草病虫害监测预警方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110584918.5A CN113435252B (zh) | 2021-05-27 | 2021-05-27 | 一种基于遥感的烟草病虫害监测预警方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113435252A CN113435252A (zh) | 2021-09-24 |
CN113435252B true CN113435252B (zh) | 2023-09-29 |
Family
ID=77802930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110584918.5A Active CN113435252B (zh) | 2021-05-27 | 2021-05-27 | 一种基于遥感的烟草病虫害监测预警方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113435252B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114758223A (zh) * | 2022-03-08 | 2022-07-15 | 深圳市五谷网络科技有限公司 | 农药使用的监测预警方法、装置、终端设备及存储介质 |
CN115115955B (zh) * | 2022-07-08 | 2023-03-24 | 宁波大学 | 基于无人机高光谱遥感的松材线虫病树监测方法与装置 |
CN115879773B (zh) * | 2023-02-22 | 2023-05-16 | 广东省农业科学院植物保护研究所 | 一种基于物联网的病虫害智能预警方法及*** |
CN117636185B (zh) * | 2024-01-26 | 2024-04-09 | 安徽大学 | 基于图像处理的松材线虫病检测*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107991969A (zh) * | 2017-12-25 | 2018-05-04 | 云南五佳生物科技有限公司 | 一种基于物联网的智慧烟草种植管理*** |
CN108375550A (zh) * | 2018-01-12 | 2018-08-07 | 河南农业大学 | 基于光谱指数的冬小麦全蚀病病害指数预测模型的构建方法及应用 |
CN109952614A (zh) * | 2016-08-22 | 2019-06-28 | 艾瑞斯国际有限公司 | 生物粒子的分类***和方法 |
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 |
CN110514597A (zh) * | 2019-09-04 | 2019-11-29 | 北京麦飞科技有限公司 | 基于星地遥感数据协同的农作物病虫害监测方法 |
CN111709481A (zh) * | 2020-06-17 | 2020-09-25 | 云南省烟草农业科学研究院 | 一种烟草病害识别方法、***、平台及存储介质 |
CN111882242A (zh) * | 2020-08-06 | 2020-11-03 | 安阳师范学院 | 一种植被指数在牧草生物量估算研究中的评价方法 |
CN112219814A (zh) * | 2020-09-17 | 2021-01-15 | 河南中烟工业有限责任公司 | 烟草甲虫虫情监测预警*** |
CN112364691A (zh) * | 2020-10-10 | 2021-02-12 | 广东省科学院生态环境与土壤研究所 | 一种烟草病虫害识别方法 |
CN112750123A (zh) * | 2021-01-22 | 2021-05-04 | 武汉工程大学 | 一种水稻病虫害监测方法及*** |
-
2021
- 2021-05-27 CN CN202110584918.5A patent/CN113435252B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109952614A (zh) * | 2016-08-22 | 2019-06-28 | 艾瑞斯国际有限公司 | 生物粒子的分类***和方法 |
CN107991969A (zh) * | 2017-12-25 | 2018-05-04 | 云南五佳生物科技有限公司 | 一种基于物联网的智慧烟草种植管理*** |
CN108375550A (zh) * | 2018-01-12 | 2018-08-07 | 河南农业大学 | 基于光谱指数的冬小麦全蚀病病害指数预测模型的构建方法及应用 |
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 |
CN110514597A (zh) * | 2019-09-04 | 2019-11-29 | 北京麦飞科技有限公司 | 基于星地遥感数据协同的农作物病虫害监测方法 |
CN111709481A (zh) * | 2020-06-17 | 2020-09-25 | 云南省烟草农业科学研究院 | 一种烟草病害识别方法、***、平台及存储介质 |
CN111882242A (zh) * | 2020-08-06 | 2020-11-03 | 安阳师范学院 | 一种植被指数在牧草生物量估算研究中的评价方法 |
CN112219814A (zh) * | 2020-09-17 | 2021-01-15 | 河南中烟工业有限责任公司 | 烟草甲虫虫情监测预警*** |
CN112364691A (zh) * | 2020-10-10 | 2021-02-12 | 广东省科学院生态环境与土壤研究所 | 一种烟草病虫害识别方法 |
CN112750123A (zh) * | 2021-01-22 | 2021-05-04 | 武汉工程大学 | 一种水稻病虫害监测方法及*** |
Non-Patent Citations (3)
Title |
---|
小麦条锈病多尺度遥感监测方法研究;郑琼;《中国博士学位论文全文数据库_农业科技辑》;20200915;正文第5章第5.1-5.6节、图5.2、图 5.7第6章第6.6节 * |
智慧烟叶气象服务平台的设计;李建平等;《中国农业信息》;第31卷(第05期);90-97 * |
烟草花叶病害高光谱特征及其病害程度判别分析模型的研究;王一丁;《中国优秀硕士学位论文全文数据库_农业科技辑》;20170515;D046-72 * |
Also Published As
Publication number | Publication date |
---|---|
CN113435252A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113435252B (zh) | 一种基于遥感的烟草病虫害监测预警方法和*** | |
US20160048925A1 (en) | Method of determining structural damage using positive and negative tree proximity factors | |
CN111768051B (zh) | 一种小麦赤霉病动态预警方法及装置 | |
CN108414455B (zh) | 用于农业保险理赔的农作物雹灾遥感监测方法 | |
CN109726705B (zh) | 红树林信息的提取方法、装置及电子设备 | |
CN114170513A (zh) | 一种草地贪夜蛾的虫情监测方法、***及存储介质 | |
CN107895136B (zh) | 一种煤矿区域识别方法及*** | |
CN112364681B (zh) | 基于二维表的植被覆盖度估算方法及装置 | |
CN111474117B (zh) | 作物病害监测的方法及装置 | |
CN111898681B (zh) | 一种基于遥感云平台与决策树的火烧迹地精细提取方法 | |
CN113052153B (zh) | 遥感反射率影像的检验方法、装置、电子设备及存储介质 | |
CN113378912A (zh) | 一种基于深度学习目标检测的林区非法开垦地块检测方法 | |
CN117058559A (zh) | 一种基于卫星遥感的森林火灾态势分析方法、设备及介质 | |
CN117114513A (zh) | 基于图像的农作物药肥使用评估方法、装置、设备及介质 | |
CN111507514A (zh) | 大气气溶胶数据预测方法 | |
CN116994126A (zh) | 基于冠层反射率光谱的作物叶面积指数获取方法及装置 | |
Portmann et al. | Modelling crop hail damage footprints with single-polarization radar: The roles of spatial resolution, hail intensity, and cropland density | |
CN113112183A (zh) | 一种出入境危险货物风险评估的方法、***和可读存储介质 | |
CN116935227B (zh) | 基于卫星遥感影像的农作物产量分析方法、***和介质 | |
Suratman et al. | Modelling attributes of Rubberwood (Hevea brasiliensis) stands using spectral radiance recorded by Landsat Thematic Mapper in Malaysia | |
Tonbul et al. | Comparative analysis of deep learning and machine learning models for burned area estimation using Sentinel-2 image: A case study in Muğla-Bodrum, Turkey | |
US20240035962A1 (en) | Detecting changes in forest composition | |
CN117789027A (zh) | 一种火灾类型识别方法及*** | |
Du et al. | A New Method for Automatic Deforestation Detection: Change Point Detection and Machine Learning | |
CN118094266A (zh) | 一种智能终端核辐射检测分析方法及*** |
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 |