基于星地遥感数据协同的农作物病虫害监测方法与流程

本申请涉及林业典型病虫害遥感监测技术领域，具体地说，涉及一种基于星地遥感数据协同的农作物病虫害监测方法。

背景技术：

近地面高光谱农作物病虫害监测技术利用高光谱仪获取地面光谱数据，使用手持gps获取地面样点准确的经纬度坐标。然后进行平滑、光谱微分变换等处理，选择对农作物病虫害响应的敏感光谱区域和谱段，运用多元线性回归方法、最小二乘法等回归方法建立农作物病虫害监测反演模型。

但野外实地采集光谱数据需要耗费较大的人力物力，难以进行农作物田大面积应用。当农作物田发生大面积病虫害时，高光谱近地面采集不但耗时、费力，而且预报滞后增加了损失程度，从而在一定程度上影响了预报的精确度。

技术实现要素：

有鉴于此，本申请提供了一种基于星地遥感数据协同的农作物病虫害监测方法，通过得到近地面高光谱数据，以近地面高光谱数据建立农作物病虫害反演模型；进一步获取农作物病虫害发生区域的卫星遥感数据，提取卫星遥感数据宽波段函数，并计算农作物病虫害发生区域相应于卫星遥感数据宽波段的多光谱反射率，进而构建多光谱指数；将多光谱指数替代反演模型中相应的高光谱数据，获得星地遥感数据协同的农作物病虫害监测模型；能够实现对于农作物患病虫害情况进行大面积多时相检测，同时提供给工作人员重要病虫害的蔓延趋势，从而有利于工作人员及时采取治理措施，减少农作物产量损失。

为了解决上述技术问题，本申请有如下技术方案：

一种基于星地遥感数据协同的农作物病虫害监测方法，包括：

采集农作物病虫害发生区域的原始近地面高光谱数据，并获取所述农作物病虫害发生区域地面样点的经纬度坐标；

对采集的所述原始近地面高光谱数据进行光谱变换分析，包括对所述高光谱数据进行异常值剔除、光谱曲线平滑、光谱微分变换和连续统去除变换，从备选光谱特征中选择对农作物病虫害响应的敏感光谱区域和谱段，得到近地面高光谱数据；

根据所述近地面高光谱数据建立农作物病虫害反演模型；

获取农作物病虫害发生区域的卫星遥感数据；

对所述卫星遥感数据进行预处理；

以所述近地面高光谱数据为基础，提取所述卫星遥感数据宽波段响应函数，利用所述卫星遥感数据宽波段响应函数计算所述农作物病虫害发生区域相应于卫星遥感数据宽波段的多光谱反射率，基于所述多光谱反射率，采用波段组合的方法构建多光谱指数；

将根据所述近地面高光谱数据建立的所述农作物病虫害反演模型与所述多光谱指数进行协同分析，获得星地遥感数据协同的农作物病虫害监测模型。

可选地，其中：

根据所述近地面高光谱数据建立农作物病虫害反演模型，进一步为：

基于所述近地面高光谱数据，分析所述高光谱数据的每个波段或几个波段的组合，获取对所述农作物健康和患病区分度最高的高光谱数据波段。

可选地，其中：

所述高光谱数据包括健康农作物植株和害病虫害农作物植株的冠层光谱数据。

可选地，其中：

所述根据所述近地面高光谱数据建立农作物病虫害反演模型，具体为：

运用多元线性回归方法、偏最小二乘法建立所述农作物病虫害反演模型。

可选地，其中：

所述多元线性回归方法对应的回归方程为：

y＝β1x1+β2x2+...+βkxk

其中，y为因变量，x1，x2…，xk为自变量，β1，β2…，βk为各个自变量的系数。

可选地，其中：

所述将根据所述近地面高光谱数据建立的所述农作物病虫害反演模型与所述多光谱指数进行协同分析，具体为：

用所述多光谱指数替代所述反演模型中相应的高光谱数据。

可选地，其中：

所述对所述卫星遥感数据进行预处理，具体为：

对获取的同区域、同时相的所述卫星遥感数据中的卫星影像进行辐射定标、大气校正、几何校正。

可选地，其中：

所述备选光谱特征包括单波段反射率、植被指数、微分变换。

与现有技术相比，本申请所述的基于星地遥感数据协同的农作物病虫害监测方法，达到了如下效果：

本申请提供的基于星地遥感数据协同的农作物病虫害监测方法，通过卫星遥感在高空尺度下对地面农作物宏观状况的检测，获取农作物病虫害发生区域的卫星遥感数据，提取卫星遥感数据宽波段函数，并计算农作物病虫害发生区域相应于卫星遥感数据宽波段的多光谱反射率，构建出农作物病虫害发生区域的多光谱指数；并通过近地面高光谱数据建立农作物病虫害反演模型，通过多光谱数据和反演模型这两种数据之间的一致性和相关性，得到星地遥感数据协同的农作物病虫害监测模型，保证了农作物病虫害的检测精度，也能够实现对于农作物进行大面积多时相检测，同时提供给工作人员重要病虫害的蔓延趋势，从而有利于工作人员及时采取治理措施，减少农作物产量损失。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1所示为本申请实施例所提供的基于星地遥感数据协同的农作物病虫害监测方法的流程图。

具体实施方式

如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可理解，硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语，故应解释成“包含但不限定于”。“大致”是指在可接收的误差范围内，本领域技术人员能够在一定误差范围内解决所述技术问题，基本达到所述技术效果。说明书后续描述为实施本申请的较佳实施方式，然所述描述乃以说明本申请的一般原则为目的，并非用以限定本申请的范围。本申请的保护范围当视所附权利要求所界定者为准。

野外实地采集光谱数据需要耗费较大的人力物力，难以进行农作物田大面积应用。当农作物田发生大面积病虫害时，高光谱近地面采集不但耗时、费力，而且预报滞后增加了损失程度，从而在一定程度上影响了预报的精确度。

有鉴于此，本申请提供了一种基于星地遥感数据协同的农作物病虫害监测方法，通过得到近地面高光谱数据，以近地面高光谱数据建立农作物病虫害反演模型；进一步获取农作物病虫害发生区域的卫星遥感数据，提取卫星遥感数据宽波段函数，并计算农作物病虫害发生区域相应于卫星遥感数据宽波段的多光谱反射率，进而构建多光谱指数；将多光谱指数替代反演模型中相应的高光谱数据，获得星地遥感数据协同的农作物病虫害监测模型；能够实现对于农作物患病虫害情况进行大面积多时相检测，同时提供给工作人员重要病虫害的蔓延趋势，从而有利于工作人员及时采取治理措施，减少农作物产量损失。

以下结合附图和具体实施例进行详细说明。

图1所示为本申请实施例所提供的基于星地遥感数据协同的农作物病虫害监测方法的流程图，请参照图1，基于星地遥感数据协同的农作物病虫害监测方法，包括：

步骤101、采集农作物病虫害发生区域的原始近地面高光谱数据，并获取农作物病虫害发生区域地面样点的经纬度坐标；

步骤102、对采集的原始近地面高光谱数据进行光谱变换分析，包括对高光谱数据进行异常值剔除、光谱曲线平滑、光谱微分变换和连续统去除变换，从备选光谱特征中选择对农作物病虫害响应的敏感光谱区域和谱段，得到近地面高光谱数据；

步骤103、根据近地面高光谱数据建立农作物病虫害反演模型；

步骤104、获取农作物病虫害发生区域的卫星遥感数据；

步骤105、对卫星遥感数据进行预处理；

步骤106、以近地面高光谱数据为基础，提取卫星遥感数据宽波段响应函数，利用卫星遥感数据宽波段响应函数计算农作物病虫害发生区域相应于卫星遥感数据宽波段的多光谱反射率，基于多光谱反射率，采用波段组合的方法构建多光谱指数；

步骤107、将根据近地面高光谱数据建立的农作物病虫害反演模型与多光谱指数进行协同分析，获得星地遥感数据协同的农作物病虫害监测模型。

具体地，由于遥感具有宏观性、获取信息快、重复周期短和成本低等好处，恰好可以弥补人工调查的不足，能够快速和准确地监测大面积农作物病虫害，根据农作物的高光谱数据，运用相应的遥感影像，结合相应技术来准确识别农作物的空间位置，经济效益高且时效性强。因此本申请提出了基于星地遥感数据协同的农作物病虫害监测方法，通过步骤101来对工作人员需要检测农作物患病虫害情况的区域进行原始近地面高光谱数据的采集，具体通过使用asdfieldspechh便携式高光谱仪进行原始近地面高光谱数据的采集；需要说明的是，本申请对于高光谱数据的采集仪器并不做具体限定，可根据实验所需进行相应选择即可。同时获取所检测区域样点的经纬坐标，用以对某次农作物患病情况的监测区域进行定位。

通过步骤102对已采集完毕的原始近地面高光谱数据进行异常值剔除、光谱曲线平滑、光谱微分变换和连续统去除变换等处理，然后利用relief-f特征提取的方法从备选光谱特征中选择对农作物病虫害响应的敏感光谱区域和谱段，以得到近地面高光谱数据；需要说明的是，此处对于原始近地面高光谱数据进行处理的方法不仅仅局限于上述方式，可根据实验需要选择合理的处理方法对高光谱数据进行处理。选择出的对农作物病虫害响应的敏感光谱区域和谱段，即为寻找到的对于研究农作物患病与否比较显著的一个或多个光谱区域和谱段。

步骤102所得到的近地面高光谱数据即为近地面实测高光谱数据，步骤103为根据步骤102所得到的近地面实测高光谱数据建立农作物病虫害反演模型，此处建立的病虫害反演模型可以用于不同区域农作物病虫害的检测，不受地理位置和环境因素等的限制；农作物病虫害反演模型建立后，进一步通过分析高光谱数据的每个波段或几个波段的组合，获取对农作物健康和患病区分度最高的高光谱数据波段。

通过步骤104获取工作人员需检测的农作物病虫害发生区域的卫星遥感数据，卫星遥感数据即为遥感卫星在太空中对地球表面拍摄的带有经纬度信息的实时地貌照片；通过步骤105对步骤104获取的卫星遥感数据进行预处理，具体为：对获取的同区域、同时相的卫星遥感数据中的卫星影像进行辐射定标、大气校正、几何校正等预处理。

对卫星影像进行辐射定标具体是由于获取到的原始遥感影像上的值是数字量化值(dn)，需要转换为辐射亮度值等物理量才能使用，所以需要对原始影像进行辐射定标。辐射定标就是将影像上的dn值转化相应物理量的处理过程。在遥感影像的元数据文件中一般保存有辐射定标的参数，利用envi软件的辐射定标工具(radiometriccalibration)可以直接从元数据文件中读取辐射定标参数，完成辐射定标。所以本申请根据研究需要，应用envi软件的进行辐射定标和大气校正。

对卫星影像进行辐射定标，是因为无论是卫星还是无人机获得的航空影像，因为传感器搭载平台、地形或者大气等因素的影响，获取的遥感影像都会发生一些几何畸变，因此获取的影像数据不能直接应用。同时，由于遥感技术的快速发展，遥感影像现如今也越来越多样化，时间分辨率和空间分辨率也越来越高，光谱波段也越来越多，影像中包含的信息也越来越丰富，但是在具体使用的过程中，需要根据不同的应用要求，对其进行几何校正。所以，在使用遥感影像前必需要对其进行几何校正。一般需要先通过选取合适的地面控制点，采用相应的算法，拟合畸变函数来建立地理坐标和像元坐标之间的对应系数或者对应关系，也可进行图像与图像之间的几何配准。

步骤106以步骤102得到的近地面高光谱数据为基础，通过将近地面实测高光谱数据转换为卫星平台的多光谱数据，进而采用波段组合的方法构建多光谱指数；步骤106中基于多光谱反射率构建多光谱指数的方法相当于对多光谱数据的降维处理，得到降维和数据压缩后的光谱值，例如将上千个波段通过处理降维到若干个数量较少的波段。采用波段组合方法构建的多光谱指数可涵盖更多的数据信息，提高了建模精度。

最后，通过步骤107将农作物病虫害反演模型与多光谱指数进行协同分析，即为用步骤106得到的多光谱指数替代反演模型中相应的高光谱数据，进而获得星地遥感数据协同的农作物病虫害监测模型。

本申请所提供的基于星地遥感数据协同的农作物病虫害监测方法，通过结合卫星遥感在高空尺度下对地面农作物宏观状况的检测，以及近地面高光谱数据建立的农作物病虫害反演模型，通过多光谱指数和高光谱数据之间的一致性和相关性，保证了农作物病虫害的检测精度，又能够进行大面积多时相监测，提供病虫害发生与发展的情况，并能生成病虫害发生的时空分布图以及具体面积；同时多时相的监测能给决策者提供重要病虫害蔓延的趋势，从而让决策者及时采取措施治理或合理安排计划，减少产量损失，为区域农作物病虫害动态监测提供了技术创新。

可选地，高光谱数据包括健康农作物植株和害病虫害农作物植株的冠层光谱数据。具体地，上述步骤103最终需要获取到农作物健康和患病区分度最高的高光谱数据波段，且目前智能化农业领域一般使用无人机航拍等技术对农作物生长情况进行检测，因此，前期对于农作物近地面高光谱数据的采集，主要是采集农作物植株的冠层光谱数据；当然，在能够实现的情况下，也可以对农作物植株外露于土地上的整个植株体进行光谱数据的采集，本申请对此并不做具体限定。

可选地，上述步骤103中，根据近地面高光谱数据建立农作物病虫害反演模型，具体为需要运用多元线性回归方法、偏最小二乘法建立农作物病虫害反演模型。

可选地，多元线性回归方法对应的回归方程为：

y＝β1x1+β2x2+...+βkxk

其中，y为因变量，x1，x2…，xk为自变量，β1，β2…，βk为各个自变量的系数。

偏最小二乘法是在多元线性回归的基础上发展起来的一种新型多元统计数据分析方法，又被称为第二代回归方法。其方程形式与多元线性回归类似，具体可参考现有技术中对于偏最小二乘法的详细描述，这里不做具体描述。

可选地，步骤102提到的备选光谱特征包括单波段反射率、植被指数、微分变换等。

通过以上各实施例可知，本申请存在的有益效果是：

本申请提供的基于星地遥感数据协同的农作物病虫害监测方法，通过卫星遥感在高空尺度下对地面农作物宏观状况的检测，获取农作物病虫害发生区域的卫星遥感数据，提取卫星遥感数据宽波段函数，并计算农作物病虫害发生区域相应于卫星遥感数据宽波段的多光谱反射率，构建出农作物病虫害发生区域的多光谱指数；并通过近地面高光谱数据建立农作物病虫害反演模型，通过多光谱数据和反演模型这两种数据之间的一致性和相关性，得到星地遥感数据协同的农作物病虫害监测模型，保证了农作物病虫害的检测精度，也能够实现对于农作物进行大面积多时相检测，同时提供给工作人员重要病虫害的蔓延趋势，从而有利于工作人员及时采取治理措施，减少农作物产量损失。

本领域内的技术人员应明白，本申请的实施例可提供为方法、装置、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

上述说明示出并描述了本申请的若干优选实施例，但如前所述，应当理解本申请并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本申请的精神和范围，则都应在本申请所附权利要求的保护范围内。