一种天空地一体化松材线虫病疫情遥感监测方法与流程

本发明涉及遥感监测领域，尤其涉及一种天空地一体化松材线虫病疫情遥感监测方法。

背景技术：

松材线虫病又称松树枯萎病，是全球森林生态系统中最具危害性的病害之一。该病具有传播途径广、速度快和防治难度大等特点，被称为“松树的癌症”。松材线虫病不仅会造成严重的经济损失，而且也危害着森林资源的发展和生态环境的稳定。疫情监测调查是松材线虫病防控的工作基础，准确高效的松材线虫病疫情监测对于全面掌握疫情信息、及时遏制松材线虫病疫情蔓延有着重要意义。

现有的松材线虫病疫情监测方法主要以人工踏查为主，该方法虽然为松材线虫病疫管理积累了大量的资料，但耗时长程序繁琐，且不能准确地掌握疫情的发生和发展情况。

当然，目前也有基于遥感技术的松材线虫病疫情监测方法，利用遥感技术获取到的光学卫星遥感影像进行分析处理，可以快速、及时地监测松材线虫病疫区枯死树的分布和定位，在提高监测效率的同时也降低了监测成本。不过，由于光学卫星遥感影像受天气影响较大，同时也受空间分辨率或光谱分辨率的限制，因此难以获得满足松材线虫病疫精准监测的理想数据。

因此，如何实现针对松材线虫病疫情的全面、快速准确监测，提高监测效率，成为当前松材线虫病疫情监测亟需解决的技术问题。

技术实现要素：

本发明所要解决的技术问题是针对上述现有技术提供一种天空地一体化松材线虫病疫情遥感监测方法。

本发明解决上述技术问题所采用的技术方案为：一种天空地一体化松材线虫病疫情遥感监测方法，其特征在于，包括如下步骤s1～s4：

步骤s1，分别获取待监测目标区域的卫星遥感影像原始数据、松材线虫病疫情区域的无人机高光谱影像原始数据以及松材线虫病疫情区域的地面踏查原始数据，且由获取的卫星遥感影像原始数据、无人机高光谱影像原始数据和地面踏查原始数据共同形成松材线虫病疫情区域原始数据集合；其中，待监测目标区域包括松材线虫病疫情区域，地面踏查原始数据所对应的采集区域与无人机高光谱影像原始数据所对应的采集区相一致，地面踏查原始数据至少包括松材线虫病疫情区域内因松材线虫病枯死树的位置和因松材线虫病枯死树的照片；

步骤s2，分别对所述松材线虫病疫情区域原始数据集合内的卫星遥感影像原始数据、无人机高光谱影像原始数据和地面踏查原始数据做预处理，对应得到卫星遥感影像数据、无人机高光谱影像数据和地面踏查数据，且以所得各数据形成松材线虫病疫情区域数据集合；

步骤s3，建立针对松材线虫病疫情区域的遥感解译样本；其中，遥感解译样本包括针对待监测松材线虫病疫情区域内各类别地物的影像样本、光谱样本和样本点属性信息；

步骤s4，根据所得所述松材线虫病疫情区域数据集合和所述遥感解译样本，处理得到针对松材线虫病疫情区域的松材线虫病疫情监测结果。

改进地，在所述天空地一体化松材线虫病疫情遥感监测方法中，在步骤s2中，对所述无人机高光谱影像原始数据的预处理包括如下步骤：

对所述松材线虫病疫情区域原始数据集合内的无人机高光谱影像原始数据进行格式转换处理；其中，格式转换处理包括将该无人机高光谱影像原始数据由立方体数据转换为envi格式数据，以及将envi格式数据转换为jpg格式数据；

以及，针对格式转换后无人机高光谱影像原始数据的影像做镶嵌拼接处理；其中，镶嵌拼接处理包括将转换后的jpg格式数据做图像对齐处理、特征点生成处理、生成点云处理、纹理计算处理、构建格网处理以及生成镶嵌模型处理。

进一步地，在所述天空地一体化松材线虫病疫情遥感监测方法中，在步骤s2中，对所述卫星遥感影像原始数据的预处理包括针对卫星遥感影像原始数据的几何校正处理、辐射校正处理和大气校正处理。

再进一步地，在所述天空地一体化松材线虫病疫情遥感监测方法中，在步骤s2中，对所述地面踏查原始数据的预处理过程包括：

录入针对松材线虫病疫情区域内因松材线虫病枯死树的地面踏查原始数据；

以及，针对录入的该地面踏查原始数据做标准化处理；其中，地面踏查原始数据包括地面踏查照片文件路径、样本类别、设备参数、天气参数和备注信息。

进一步改进，在所述天空地一体化松材线虫病疫情遥感监测方法中，所述遥感解译样本的建立过程包括如下步骤s31～s35：

步骤s31，选取针对待监测松材线虫病疫情区域的地物样本集合，且以实地踏查样式获取该地物样本集合内各地物样本的位置信息和地物样本照片；其中，地物样本集合内的地物样本包括针对待监测松材线虫病疫情区域内的健康松树样本、因松材线虫病枯死树样本、阔叶树样本、裸露地表样本、建筑物屋顶样本以及道路样本；

步骤s32，在经预处理后所得无人机高光谱影像数据基础上，以地面踏查位置点的空间位置信息在无人机高光谱影像数据上所在的像元为中心，截取3*3像元的矩形范围作为针对待监测松材线虫病疫情区域内各类别地物的影像样本；其中，该3*3像元的矩形范围内包括9个像元；

步骤s33，以截取的所述3*3像元的矩形范围内9个像元的平均光谱特征曲线作为针对待监测松材线虫病疫情区域内各类别地物的光谱样本；

步骤s34，以地面踏查点位置的空间位置信息建立遥感解译样本的空间数据集，且为每个地物样本赋予唯一样本编码，并由各地面踏查点位置的空间位置信息、各类别地物的影像样本以及各类别地物的光谱样本共同构成遥感解译样本。

进一步地，在所述天空地一体化松材线虫病疫情遥感监测方法中，在步骤s4中，针对所述松材线虫病疫情区域的松材线虫病疫情监测结果按照如下步骤s41～s411的方式处理得到：

步骤s41，采用gis叠置分析方法，将森林资源二类调查数据库中的松林小班矢量数据与多源遥感影像叠加，截取出待监测松材线虫病疫情区域内松林小班所在的影像；其中，该多源遥感影像为所述松材线虫病疫情区域数据集合内的卫星遥感影像数据和无人机高光谱影像数据；

步骤s42，利用所述松材线虫病枯死树光谱特征指标模型，对无人机高光谱影像数据做定量反演提取，得到基于高光谱的松材线虫病枯死树提取结果；

步骤s43，将所得基于高光谱的松材线虫病枯死树提取结果以及所述遥感解译样本中非松材线虫病枯死树样本的其他地物样本共同作为该松材线虫病疫情区域卫星遥感影像数据的区域分类样本；

步骤s44，将所述区域分类样本随机分类成两个子区域样本，并以其中一个子区域样本作为训练样本组，以另外一个子区域样本作为验证样本组；

步骤s45，针对步骤s2中预处理后的卫星遥感影像数据，分别提取训练样本组内各类地物的光谱特征指标集合和纹理特征指标集合，且以提取到的所有特征指标集合形成训练样本文件；其中，该训练样本文件标记为d，该训练样本文件d中的地物类别种类总个数为v，v>1；

步骤s46，以所述训练样本文件内任一个特征指标集合所对应的特征指标作为类别分类属性，且将该训练样本文件内所有的特征指标值进行排序，得到排序后的特征指标值序列；其中，设定训练样本文件d内有n个特征指标集合，该任一个特征指标集合所对应的特征指标标记为an，1≤n≤n；

步骤s47，分别计算所述训练样本文件中每个特征指标的信息增益；其中：

其中，pi表示第i类地物样本在训练样本文件d中的概率；infor(d)表示训练样本文件d的信息熵；infora(d)表示训练样本文件d中特征指标an所含的信息熵，dj表示训练样本文件d中特征指标an取值为j时构成的子样本集合；inforgain(an)inforgain(a)表示训练样本文件d中特征指标an所对应的信息增益；

步骤s48，分别计算训练样本文件中每个特征指标的分裂信息度，且由各特征指标的信息增益以及对应的分裂信息度共同计算得到该特征指标的信息增益率；其中：

其中，表示特征指标an的分裂信息度，gainratio(an)gainratio(a)表示特征指标an的信息增益率；

步骤s49，在训练样本文件内所有特征指标中选择具有最大信息增益率的特征指标作为分裂节点属性，且利用该分裂节点属性将该训练样本文件分为两个样本文件子集；

步骤s410，分别对每一个样本文件子集按照步骤s46～s49的方式重复处理，直至各样本文件子集中样本的地物类别均为单一类别时，以所得的训练结果作为决策树分类规则集；

步骤s411，按照决策树方法，利用所得述分类规则集对所述松材线虫病疫情区域的卫星遥感影像数据进行分类提取，且将分类结提取果中的松材线虫病枯死树图斑作为针对松材线虫病疫情区域的松材线虫病疫情监测结果。

进一步地，在所述天空地一体化松材线虫病疫情遥感监测方法中，在步骤s42中，松材线虫病枯死树光谱特征指标模型的构建过程包括如下步骤b1～b4：

步骤b1，采用包络线去除法，分别对地物样本集合内各地物的光谱曲线做包络线去除，得到各地物的增强后光谱特征曲线；

步骤b2，通过人工判读方式提取所述地物样本集合内因松材线虫病枯死树的增强后光谱特征曲线与其他地物增强后光谱特征曲线的差异波段；其中，其他地物为所述地物样本集合内除去松材线虫病枯死树以外的地物；

步骤b3，将提取的所述差异波段作为特征波段，且将该特征波段作为因松材线虫病枯死树的光谱特征分析信息；

步骤b4，利用该特征波段建立线性模型，并将该线性模型作为松材线虫病枯死树的光谱特征指标模型；其中，松材线虫病枯死树光谱特征指标标记为ibx：

其中，r526、r534和r654为无人机高光谱数据在526nm、534nm和654nm处的光谱反射率。

再改进，在所述天空地一体化松材线虫病疫情遥感监测方法中，在步骤s411中还包括步骤a1～a3：

步骤a1，利用所述决策树分类规则集对所述验证样本组进行分类提取，得到松材线虫病枯死树的样本质量验证数据结果；

步骤a2，根据所得样本质量验证数据结果做出判断：

当所得样本验证数据结果满足预设精度要求时，转入步骤a3；否则，修正所述训练样本组，转入执行步骤s45～步骤s410，直到再次提取到的样本验证数据结果满足预设精度要求时，转入步骤a3；

步骤a3，以当前的决策树分类规则集作为步骤s411中的分类规则集。

优选地，在所述天空地一体化松材线虫病疫情遥感监测方法中，所述无人机高光谱影像原始数据由型号为cw-10的大鹏无人机采集得到，所述卫星遥感影像原始数据为1m空间分辨率的卫星遥感影像数据。

与现有技术相比，本发明的优点在于：该发明通过综合卫星遥感影像技术、无人机高光谱影像技术和地面踏查的方法，获取针对松材线虫病疫情区域的多源监测原始数据，并通过预处理所得松材线虫病疫情区域数据集合，得到针对松材线虫病疫情区域的遥感解译样本，进而再根据所得松材线虫病疫情区域数据集合和遥感解译样本，处理得到针对松材线虫病疫情区域的松材线虫病疫情监测结果，这样不仅弥补了单一监测数据源的不足，例如避免了单一光学卫星遥感影像易受天气影响的情况，实现了对松材线虫病疫情区域的全面监测，而且还提高了松材线虫病疫情监测准确度和监测效率，从而便于更加全面、快速、准确地发现松材线虫病枯死树，为后续制定防治方案提供详实的数据保障。

附图说明

图1为本发明实施例中天空地一体化松材线虫病疫情遥感监测方法的流程示意图。

具体实施方式

以下结合附图实施例对本发明作进一步详细描述。

本实施例提供一种松材线虫病疫情遥感监测方法，具体是一种天空地一体化松材线虫病疫情遥感监测方法。具体地，参见图1所示，该实施例中的天空地一体化松材线虫病疫情遥感监测方法，包括如下步骤s1～s4：

步骤s1，分别获取待监测目标区域的卫星遥感影像原始数据、松材线虫病疫情区域的无人机高光谱影像原始数据以及松材线虫病疫情区域的地面踏查原始数据，且由获取的卫星遥感影像原始数据、无人机高光谱影像原始数据和地面踏查原始数据共同形成松材线虫病疫情区域原始数据集合；其中，无人机高光谱影像原始数据由型号为cw-10的大鹏无人机采集得到，卫星遥感影像原始数据为1m空间分辨率的卫星遥感影像数据，待监测目标区域包括松材线虫病疫情区域，地面踏查原始数据所对应的采集区域与无人机高光谱影像原始数据所对应的采集区相一致，地面踏查原始数据至少包括松材线虫病疫情区域内因松材线虫病枯死树的位置和因松材线虫病枯死树的照片；因松材线虫病枯死树的位置与因松材线虫病枯死树的照片一一对应；

步骤s2，分别对上述的松材线虫病疫情区域原始数据集合内的卫星遥感影像原始数据、无人机高光谱影像原始数据和地面踏查原始数据做预处理，对应得到卫星遥感影像数据、无人机高光谱影像数据和地面踏查数据，且以所得各数据形成松材线虫病疫情区域疫情数据集合；其中，在该步骤s2中，针对获取的卫星遥感影像原始数据、无人机高光谱影像原始数据和地面踏查原始数据的预处理过程分别如下：

(1)对所述卫星遥感影像原始数据的预处理过程包括针对卫星遥感影像原始数据的几何校正处理、辐射校正处理和大气校正处理。

(2)对所述无人机高光谱影像原始数据的预处理过程如下：

对所述松材线虫病疫情区域原始数据集合内的无人机高光谱影像原始数据进行格式转换处理；其中，格式转换处理包括将该无人机高光谱影像原始数据由立方体数据转换为envi格式数据，以及将envi格式数据转换为jpg格式数据；

以及，针对格式转换后无人机高光谱影像数据的影像做镶嵌拼接处理；其中，镶嵌拼接处理包括将转换后的jpg格式数据做图像对齐处理、特征点生成处理、生成点云处理、纹理计算处理、构建格网处理以及生成镶嵌模型处理。

(3)对所述地面踏查原始数据的预处理过程如下：

录入针对松材线虫病疫情区域内因松材线虫病枯死树的地面踏查原始数据；以及，针对录入的该地面踏查原始数据做标准化处理；其中，地面踏查原始数据包括地面踏查照片文件路径、样本类别、设备参数、天气参数和备注信息。

步骤s3，建立针对松材线虫病疫情区域的遥感解译样本；其中，遥感解译样本包括针对待监测松材线虫病疫情区域内各类别地物的影像样本、光谱样本和样本点属性信息；具体到该实施例中，此处的遥感解译样本的建立过程包括如下步骤s31～s35：

步骤s31，选取针对待监测松材线虫病疫情区域的地物样本集合，且以实地踏查样式获取该地物样本集合内各地物样本的位置信息和地物样本照片；其中，地物样本集合内的地物样本包括针对待监测松材线虫病疫情区域内的健康松树样本、因松材线虫病枯死树样本、阔叶树样本、裸露地表样本、建筑物屋顶样本以及道路样本；

步骤s32，在经预处理后所得无人机高光谱影像数据基础上，以地面踏查位置点的空间位置信息在无人机高光谱影像数据上所在的像元为中心，截取3*3像元的矩形范围作为针对待监测松材线虫病疫情区域内各类别地物的影像样本；其中，该3*3像元的矩形范围内包括9个像元；

步骤s33，以截取的所述3*3像元的矩形范围内9个像元的平均光谱特征曲线作为针对待监测松材线虫病疫情区域内各类别地物的光谱样本；

步骤s34，以地面踏查点位置的空间位置信息建立遥感解译样本的空间数据集，且为每个地物样本赋予唯一样本编码，并由各地面踏查点位置的空间位置信息、各类别地物的影像样本以及各类别地物的光谱样本共同构成遥感解译样本。

步骤s4，根据所得所述松材线虫病疫情区域疫情数据集合和遥感解译样本，处理得到针对松材线虫病疫情区域的松材线虫病疫情监测结果。其中，针对松材线虫病疫情区域的松材线虫病疫情监测结果按照如下步骤s41～s411的方式处理得到：

步骤s41，采用gis叠置分析方法，将森林资源二类调查数据库中的松林小班矢量数据与多源遥感影像叠加，截取出待监测松材线虫病疫情区域内松林小班所在的影像；其中，该多源遥感影像为所述松材线虫病疫情区域数据集合内的卫星遥感影像数据和无人机高光谱影像数据；例如，在该实施例中，通过利用地理信息系统数据处理软件arcgis在统一空间坐标系下进行空间位置叠加，并进行数据裁切，裁切结果即为截取到的待监测松材线虫病疫情区域内松林小班所在的影像；

步骤s42，利用松材线虫病枯死树光谱特征指标模型，对无人机高光谱影像数据做定量反演提取，得到基于高光谱的松材线虫病枯死树提取结果；其中，针对训练样本组内因松材线虫病枯死树的光谱特征指标模型的构建过程包括如下步骤b1～b4：

步骤b1，采用包络线去除法，分别对地物样本集合内各地物的光谱曲线做包络线去除，得到各地物的增强后光谱特征曲线；

步骤b2，通过人工判读方式提取所述地物样本集合内因松材线虫病枯死树的增强后光谱特征曲线与其他地物增强后光谱特征曲线的差异波段；其中，其他地物为所述地物样本集合内除去松材线虫病枯死树以外的地物；

步骤b3，将提取的所述差异波段作为特征波段，且将该特征波段作为因松材线虫病枯死树的光谱特征分析信息；

步骤b4，利用该特征波段建立线性模型，并将该线性模型作为松材线虫病枯死树的光谱特征指标模型；其中，松材线虫病枯死树光谱特征指标标记为ibx：

其中，r526、r534和r654为无人机高光谱数据在526nm、534nm和654nm处的光谱反射率；

步骤s43，将所得基于高光谱的松材线虫病枯死树提取结果以及所述遥感解译样本中非松材线虫病枯死树样本的其他地物样本共同作为该松材线虫病疫情区域卫星遥感影像数据的区域分类样本；

步骤s44，将所述区域分类样本随机分类成两个子区域样本，并以其中一个子区域样本作为训练样本组，以另外一个子区域样本作为验证样本组；

步骤s45，针对步骤s2中预处理后的卫星遥感影像数据，分别提取训练样本组内各类地物的光谱特征指标集合和纹理特征指标集合，且以提取到的所有特征指标集合形成训练样本文件；其中，该训练样本文件标记为d，该训练样本文件d中的地物类别种类总个数为v，v>1，即训练样本文件中具有v类地物类别样本，这v类地物类别样本中包括有因松材线虫病枯死树；

步骤s46，以所述训练样本文件d内任一个特征指标集合所对应的特征指标作为类别分类属性，且将该训练样本文件内所有的特征指标值进行排序，得到排序后的特征指标值序列；其中，此处针对该训练样本文件内所有的特征指标值的排序可以根据需要采用按照特征指标值的数值大小做升序排序处理或者做降序排序处理；设定训练样本文件d内有n个特征指标集合，该任一个特征指标集合所对应的特征指标标记为an，1≤n≤n；

步骤s47，分别计算上述训练样本文件中每个特征指标的信息增益；其中：

其中，pi表示第i类地物样本在训练样本文件d中的概率；infor(d)表示训练样本文件d的信息熵；infora(d)表示训练样本文件d中特征指标an所含的信息熵，dj表示训练样本文件d中特征指标an取值为j时构成的子样本集合；inforgain(an)表示训练样本文件d中特征指标an所对应的信息增益；

步骤s48，分别计算训练样本文件d中每个特征指标的分裂信息度，且由各特征指标的信息增益以及对应的分裂信息度共同计算得到该特征指标的信息增益率；其中：

其中，表示特征指标an的分裂信息度，gainratio(an)表示特征指标an的信息增益率；

步骤s49，在训练样本文件d内所有特征指标中选择具有最大信息增益率的特征指标作为分裂节点属性，且利用该分裂节点属性将该训练样本文件d分为两个样本文件子集；例如，在训练样本文件d中，所得其所有特征指标a1～an中，假设其特征指标a6最大信息增益率gainratio(a6)，那么，此处就将该特征指标a6作为分裂节点属性，且利用该分裂节点属性将该训练样本文件d分为两个样本文件子集，具体将训练样本文件d分为样本文件子集d1和样本文件子集d2；

步骤s410，分别对每一个样本文件子集按照步骤s46～s49的方式重复处理，直至各样本文件子集中样本的地物类别均为单一类别时，以所得的训练结果作为决策树分类规则集；即，针对样本文件子集d1，依次按照步骤s46～s49的方式处理，以及针对样本文件子集d2，依次按照步骤s46～s49的方式处理，直至样本文件子集中d1样本的地物类别为单一类别和样本文件子集中d2样本的地物类别均为单一类别时，则以所得的训练结果作为决策树分类规则集；

步骤s411，按照常规的决策树方法，利用步骤s410所得分类规则集对所述松材线虫病疫情区域的卫星遥感影像数据进行分类提取，且将分类结提取果中的松材线虫病枯死树图斑作为针对松材线虫病疫情区域的松材线虫病疫情监测结果。其中，该步骤s411中还包括步骤a1～a3：

步骤a1，利用所述决策树分类规则集对所述验证样本组进行分类提取，得到松材线虫病枯死树的样本质量验证数据结果；

步骤a2，根据所得样本质量验证数据结果做出判断：

当所得样本验证数据结果满足预设精度要求(例如该实施例的预设精度要求为85％)时，转入步骤a3；否则，修正所述训练样本组，转入执行步骤s45～步骤s410，直到再次提取到的样本验证数据结果满足上述预设精度要求时，转入步骤a3；

步骤a3，以当前的决策树分类规则集作为步骤s411中的分类规则集。

尽管以上详细地描述了本发明的优选实施例，但是应该清楚地理解，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。