基于多源影像信息的林业病虫害智能识别系统的制作方法

本发明涉及无人机遥感、卫星遥感、空间数据分析处理、图像处理和林学技术领域；尤其涉及一种基于多时相的卫星影像、无人机遥感影像、图像识别技术的病虫害智能识别系统。

背景技术：

传统的林业病虫害调查主要依靠人工的目测手查、林间取样等方式。这些方法虽然真实性和可靠性很高，但耗时、费力，且存在代表性、时效性差和主观性强等弊端，已难以适应目前大范围的病虫害试试监测和预报的需求。

遥感技术是目前唯一能够在大范围内快速获取空间连续地表信息的手段，其在林产业估产、品质预报和病虫害监测等多个方面有着不同程度的研究和应用。由于卫星遥感影像数据投入成本高，周期性低，对于林业病虫害监测无法及时进行监测及预警。随着无人机技术的快速发展，在森林病虫害防治中，利用无人机，可以对地形不便、面积特别大的重点区域实施低空航空遥感监测，解决勘察面临的人力资源不足、覆盖率低、效率低等问题。但由于森林覆盖面积广，无法实现利用无人机实现大范围的病虫害监测，同时无法利用无人机采集的遥感影像进行智能化自动识别，往往依托于肉眼识别。目前多数病虫害遥感监测方法及装置针对作物的叶片、冠层等尺度设计，无人机采集的遥感影像依托于肉眼识别，国内尚未实现利用卫星遥感影像及无人机影像进行多源影像信息的害虫智能化识别。

另一方面，早期的遥感数据，如主题成像仪携带的传感器landasttm和卫星传感器modis，由于无法同时满足较高的空间分辨率和时间分辨率，对区域尺度的病虫害监测构成了一定的硬件条件的障碍，已有的一些基于卫星影像的作物病虫害监测往往仅考虑了光谱信息，并未考虑对于病虫害监测十分重要的时相信息，监测结果存在着较大的不确定性。近年来，随着如环境减灾小卫星等一些中高分辨率、高重访周期卫星数据的出现，为区域尺度上的病害遥感监测带来了重要契机。作物病害的发生在光谱上和时间上会表现出某些特征，可作为遥感监测的基础。目前尚未有方法利用多时相卫星影像数据对区域尺度上进行林业病害的大范围监测，再利用无人机对卫星遥感影像发现的重点关注区域进行校对核实，实现林业病虫害的智能化识别。

技术实现要素：

本发明要解决的技术问题，在于提供一种基于多源影像信息的林业病虫害智能识别系统，相对卫星遥感、航空航天遥感成本更低，精确度高、易于控制。

本发明是这样实现的：一种基于多源影像信息的林业病虫害智能识别系统，所述系统包括无人机和地面站，无人机搭载的设备有温湿度模块、通信模块、控制模块以及与控制模块相连的gps定位模块、传感模块和图像采集模块，所述温湿度模块与控制模块相连；所述通信模块，实现无人机的控制模块和地面站的通信；通过卫星遥感影像、无人机的遥感影像和图像识别技术对林业病虫害信息提取，利用时间序列影像数据中的光谱信息和时相信息，对图像采集模块采集的图像进行图像自动识别获得病虫害发生情况。

进一步的，所述传感模块包括监测林业病虫害的脉冲雷达和监测森林资源的多波段光谱扫描仪、红外光谱仪。

进一步的，所述通过卫星遥感影像、无人机的遥感影像和图像识别技术对林业病虫害信息提取的方式具体包括如下步骤：

步骤1、下载卫星遥感影像，并对获取的卫星遥感影像进行预处理；

步骤2、提取林业病虫害的覆盖范围；

步骤3、提取卫星遥感影像的时间序列影像数据中单时相和多时相植被指数的光谱特征；

步骤4、在病害监控期，在影像获取时进行同步无人机低空调查；

步骤5、无人机采集划定范围内的森林资源图像和状态；

步骤6、控制模块分析图像采集模块采集的图像和来自传感模块的遥感图像和光谱数据，传感模块的脉冲雷达根据反射回的电磁波探测有无昆虫，传感模块的红外光谱仪和多波段光谱扫描仪采集森林资源的不同波段的光谱特征，并生成图谱；

步骤7、将步骤6中的数据传回地面站进一步分析；结合无人机低空调查数据，利用图像识别技术，筛选病害监测的光谱特征；

步骤9、根据森林资源生长时期不同和是否有病虫害分别建立模型；

步骤10、基于模型、光谱信息散度和图谱分析林业的病虫害发生情况，所述光谱信息包括：植被指数的光谱特征、不同波段的光谱特征和病害监测的光谱特征。

进一步的，所述步骤3具体为：采用了13个光谱特征作为病害监测的备选特征，13个光谱特征包括与多数中高分辨率多光谱卫星影像兼容的蓝蓝rb、绿rg、红rr、近红外rnir的通道原始反射率，以及归一化差异植被指数ndvi、比值植被指数sr、绿色归一化差分植被指数gndvi、调整土壤亮度植被指数savi、三角植被指数tvi、改进红边比值植被指数msr、非线性植被指数nli、重归一化植被指数rdvi、土壤调节植被指数osavi九个宽波段植被指数；分别采用单时相和多时相两种版本的植被指数进行分析，其中，单时相植被指数由某一时相影像波段反射率计算得到，用于反映植被在某个时间点上的生理生化状态；多时相植被指数根据两个时相的单时相植被指数进行归一化计算得到，用于反映病虫害在林间发展变化的特点。

进一步的，所述影像波段的范围包括可见光和近红外波段。

进一步的，所述对获取的卫星遥感影像进行预处理包括辐射定标、大气校正、几何校正以及云去除。

进一步的，所述林业病虫害的覆盖范围依据已有林地分类矢量图或多时相影像进行分类获得。

进一步的，所述多时相影像在分类过程中需结合林地利用类型数据、地形数据和物候经验，采取决策树、最大似然分类或神经网络进行种植范围提取。

进一步的，所述病害监测的光谱特征提取方式为：根据无人机低空调查的重点区域病害的发生情况，将重点区域分为正常样本和染病样本两部分；

分别从图像识别系统上提取两类样本点不同形式光谱特征的单时相和多时相特征值；

对每种光谱特征的单时相或多时相版本，采用独立样本t检验比较正常和染病样本的差异程度；

采用t检验的预设值p来表征某一特征的差异程度，并据此生成一张各类不同形式光谱特征在不同时相和时相组合中的p值统计表格，其中，p值越小，正常和染病样本的差异越大，特征对病害信息的响应越强烈。

本发明具有如下优点：本发明基于多时相的卫星影像、无人机的遥感影像、图像识别技术的林业病虫害智能识别技术，充分利用时间序列影像数据中的光谱信息和时相信息，结合地理信息系统gis、全球定位系统gps、遥感rs技术，将光谱信息散度分析引入林业病虫害发生区域，提出利用一定区域内的星-地同步数据对病害进行大范围监测的系统，有效降低病害监测的野外作业的成本，并对传统病害监测方式进行了由点及面的扩展，便于政府部门和林业管理部门及时、准确掌握和了解区域病害发生及严重程度等重要信息。

附图说明

下面参照附图结合实施例对本发明作进一步的说明。

图1为本发明实施例中基于卫星遥感影像及无人机的遥感影像数据进行病害识别的方法流程示意图。

图2为本发明中无人机的遥感影像数据采集流程图。

图3为本发明中林业病虫害发生范围提取流程图。

具体实施方式

请参阅图1至图3所示，一种基于多源影像信息的林业病虫害智能识别系统，其特征在于：所述系统包括无人机和地面站，无人机搭载的设备有温湿度模块、通信模块、控制模块以及与控制模块相连的gps定位模块、传感模块和图像采集模块，所述温湿度模块与控制模块相连；所述通信模块，实现无人机的控制模块和地面站的通信；通过卫星遥感影像、无人机的遥感影像和图像识别技术对林业病虫害信息提取，利用时间序列影像数据中的光谱信息和时相信息，对图像采集模块采集的图像进行图像自动识别获得病虫害发生情况。所述传感模块包括监测林业病虫害的脉冲雷达和监测森林资源的多波段光谱扫描仪、红外光谱仪。温湿度模块用于采集林业的温湿度情况，gps定位模块用于定位无人机在林业中的位置。

其中，所述通过卫星遥感影像、无人机的遥感影像和图像识别技术对林业病虫害信息提取的方式具体包括如下步骤：

步骤1、订购下载卫星遥感影像，并对获取的卫星遥感影像进行预处理；

步骤2、提取林业病虫害的覆盖范围；

步骤3、提取卫星遥感影像的时间序列影像数据中单时相和多时相植被指数的光谱特征；该步骤3提取方式：在综合调研国内外适于作物病害监测的文献资料基础上，分别采用了13个光谱特征作为病害监测的备选特征，包括与多数中高分辨率多光谱卫星影像兼容的蓝蓝(rb)、绿(rg)、红(rr)、近红外(rnir)的通道原始反射率，以及(归一化差异植被指数)ndvi、(比值植被指数)sr、(绿色归一化差分植被指数)gndvi、(调整土壤亮度植被指数)savi、(三角植被指数)tvi、(改进红边比值植被指数)msr、(非线性植被指数)nli、(重归一化植被指数)rdvi、(土壤调节植被指数)osavi九个宽波段植被指数；(各指数定一见表1)。本发明分别采用单时相和多时相两种版本的植被指数进行分析。其中，单时相植被指数由某一时相影像波段反射率计算得到，用于反映植被在某个时间点上的生理生化状态；多时相植被指数根据两个时相的单时相植被指数进行归一化计算得到，用于反映病虫害在林间发展变化的特点。假设有m和n为前后来两个时相，对于某一植被指数形式v1，多时相反射率计算公式为(vin-vim)/(vin+vim)。其中，vin植被指数序数n的时段，vim植被指数序数m的时段对于n个时相，将时相进行两两组合，共可得到c2n个多时相光谱特征。本方法中，上述单时相特征和多时相特征均作为病害监测的备选特征。

表1植被特征定义

步骤4、在病害监控期，在影像获取时进行同步无人机低空调查；

步骤5、无人机采集划定范围内的森林资源图像和状态；

步骤6、控制模块分析图像采集模块采集的图像和来自传感模块的遥感图像和光谱数据，脉冲雷达根据反射回的电磁波探测有无昆虫，红外光谱和多波段光谱扫描仪采集森林资源的不同波段的光谱特征，并生成图谱；

步骤7、将步骤6中的数据传回地面站进一步分析。

步骤8、结合无人机低空调查数据，利用图像识别技术，筛选病害监测的光谱特征；

步骤9、根据森林资源生长时期不同和是否有病虫害分别建立模型；

步骤10、基于模型、光谱信息散度和图谱分析林业的病虫害发生情况，所述光谱信息包括：植被指数的光谱特征、不同波段的光谱特征和病害监测的光谱特征。

其中，所述影像波段的范围包括可见光和近红外波段。

其中，所述对获取的卫星遥感影像进行预处理包括辐射定标、大气校正、几何校正以及云去除。

其中，所述林业病虫害的覆盖范围依据已有林地分类矢量图或多时相影像进行分类获得。所述多时相影像在分类过程中需结合林地利用类型数据、地形数据和物候经验，采取决策树、最大似然分类或神经网络进行种植范围提取。

其中，所述病害监测的光谱特征提取方式为：根据无人机低空调查的重点区域病害的发生情况，将重点区域分为正常样本和染病样本两部分；

分别从图像识别系统上提取两类样本点不同形式光谱特征的单时相和多时相特征值；

对每种光谱特征的单时相或多时相版本，采用独立样本t检验比较正常和染病样本的差异程度；

采用t检验的预设值p来表征某一特征的差异程度，并据此生成一张各类不同形式光谱特征在不同时相和时相组合中的p值统计表格，其中，p值越小，正常和染病样本的差异越大，特征对病害信息的响应越强烈。

例如：

结合地面调查点数据筛选病害监测光谱特征。根据调查样点病害的发生情况，将样本点分为正常样本和染病样本两部分。根据第3步骤方法，分别提取两类样本点各个光谱特征的单时相和多时相版本的特征值，并采用独立样本t检验(independentt_test)比较正常和染病样本的差异程度，采用t检验的p值(p-value)表征某一特征的差异程度，并可据此生成一张各类不同形式光谱特征在不同时相(单时相特征)和时相租合(多时相特征)中的p值统计表格。其中，p值越小，正常的染病样本的差异越大，特征对病害信息的响应越强烈。因此，通过阈值设定的方法对单时相和多时相的各类光谱特征进行筛选，保留对病害信息响应强烈的光谱特征形式。通常情况下，可以将阈值设定为p值低于0.05，0.01或0.001三种。影像中的病害信息越弱，p值的阈值设置越大。

总体上，随着时相的推后，各光谱特征在正常和病害样点的差异显著性不断提高，其中第四时相各个特征的差异最为显著，此时白粉病由下自上的侵染已使得小麦株值的形态有较明显的变化，在部分侵染较重的田块中甚至病斑已上至旗叶，这与林间实际调查的情况相符。本例中通过设定一个p值＜0.001的阈值，保留在正常与病害训练样本中达到极显著差异水平的15个单时相和多时相特征，15个单时相和多时相特征分别包括：蓝波段的第四个测试时相rb(rb-t4)，蓝波段的第二个测试时相rb-t4t2，绿波段的第三个测试时相rg-t3，绿波段的第四个测试时相rg-t4，红波段的第三个测试时相rr-t3，红波段的第四个测试时相rr-t4，比值植被指数第四个测试时相sr-t4，归一化差异植被指数第四个测试时相ndvi-t4，归一化差异植被指数第二个和第四个测试时相植被指数ndvi-t4t2，绿波段归一化差异植被指数第四个测试时相gndvi-t4，绿波段归一化差异植被指数第四个和第二个测试时相gndvi-t4t2，土壤调节植被指数第四个测试时相osavi-t4，改进红边比值植被指数第四个测试时相msr-t4和非线性植被指数第三个测试时相nli-t3。

所述光谱信息散度分析的过程为：通过判断两个像元间的相关程度，将待分类像元归入相关程度最高的类别。

下面结合附图和具体实施例，对本发明作进一步详细描述。以下实施例用于说明本发明，不但不用来限制本发明的范围。

本发明的实现采用如下技术方案：

第一步：多时相卫星遥感影像订购下载及预处理。根据多数林业病虫害发生进程快特点和目前可用的卫星遥感数据源，建议采用高重访周期的中高分辨率卫星影像。波段范围需覆盖可见光和近红外波段。首先确定当地林业病虫害最适监测时期。获取林业病虫害发生至这一时期的多个时相的卫星影像数据。影像的预处理过程包括辐射定标、大气校正、几何校正和云去除。后续病害信息提取基于预处理后得到的多时相的反射率影像数据进行。

第二步：应用区域森林资源覆盖范围提取。可结合已有林地分类矢量图或根据多时相影像进行分类获得。分类过程需结合应用区域中的林地利用类型数据、地形数据和物候经验等，采用决策树、最大似然分类或神经网络等监督分类方法进行作物种植范围提取。

后续的林业病虫害信息提取在分类得到森林资源覆盖范围内进行，以减小来自其他地物或作物类型的干扰。

第三步：病害监测的单时相和多时相光谱特征提取。该方法在综合点烟国内玩适于作物病害监测的文献资料基础上，分别采用13个光谱特征作为病害监测的备选特征，包括与多数中高分辨率多光谱卫星影响兼容的蓝(rb)、绿(rg)、红(rr)、近红外(rnir)通道原始反射率，以及归一化差异植被指数(ndvi),比值植被指数(sr),绿波段归一化差异植被指数(gndvi),三角植被指数(tvi),改进红边比值植被指数(msr),非线性植被指数(nli),土壤调节植被指数(osavi)九个宽波段植被指数(各指数定一见表1)。本方法分别采用单时相和多时相良种版本的植被指数在某个时间点导航的生理生化状态；多时相植被指数根据两个时相的单时相植被指数进行归一化计算得到，用于反映病虫害在发展变化的特点。假设有m和n为前后来两个时相，对于某一植被指数形式v1(v1是植被指数形式的命名)，多时相反射率计算公式为(vin-vim)/(vin+vim)。对于n个时相，将时相进行两两组合，共可得到c2n个多时相光谱特征。本方法中，上述单时相特征和多时相特征均作为病害监测的备选特征。

第四步：在病害发生关键时期开展与影像获取时间同步的无人机低空调查。无人机低空调查与对应时期卫星拍摄日期相隔不超过3天。根据应用区域的面积，在样点设置上应不低于1样点/10平方千米的密度。同时，总调查样点个数应不少于30个。调查范围包括所有选择的样点均为一个直径超过30m的森林资源连续覆盖区域，调查内容为调查区域内森林资源的发病级别。为便于大范围中的林间调查和病理管理，将染病林区块分为轻、重两个级别。针对不同森林资源的不同病害，具体病级划定标准参考病害测报国家标准进行。

第五步：根据卫星遥感影像的多光谱原理，找出可疑的林业病虫害发生区域范围，再结合gis林业地形图，将可疑区域的林业地形图标出，并表明其状态；

第六步：本发明包括控制模块及与控制模块相连的gps定位模块、传感模块和图像采集模块，传感模块包括监测林业病虫害的脉冲雷达和监测林业病虫害的多波段光谱扫描仪、红外光谱仪。还包括温湿度模块，与控制模块相连；通信模块，用于连接主控模块和地面站。

遥感方法预测病虫害除了从光谱角度分析外，还可以使用遥感影像来识别有病虫害的森林资源。

第七步：将步骤六的通过地面站及搭载在无人机监控摄像头的多光谱图像数据传回地面站进一步分析。

第八步：森林资源病虫害在肉眼还觉察不出来的病虫害初期阶段，其在彩虹外影像上呈现出暗红色调，而正常作物则为红色。根据影像对比所产生的色调差异即可判断出受害森林资源。

因为作物在近红外波长域的光谱反射率往往很高，当森林资源受病虫害时，叶片含水量降低，细胞随之塌陷，叶绿素减少，因此，它们在红外波长域的光谱反射会自然降低，即发生红外光谱反射衰减，致使在彩虹外摄像上，受害森林资源的色调比正常作物的色调要暗，在正常森林资源为红色时，受害森林资源则呈现为暗红色。当病虫害进一步发展，使森林资源叶片的叶绿素消失殆尽、叶片结构遭到彻底破坏时，影像色调则会变得更暗，以至于呈现青色调。根据彩虹外影像上受害森林资源与正常作物色调的差异，我们很快便可将肉眼尚未觉察到的受害森林资源判断出来，如下表2所示。

表2健康森林资源与受害森林资源的影像特征

第十步：根据森林资源生长时期不同特点，结合gis技术，在大地理区域中所有森林资源轮作有关的病虫害是指在同一块土地上，用年份对森林资源周期，在大地理区域中用于诊断出所有与森林资源轮作有关的病虫害发生的地理位置和严重程度，建立森林资源不同生长时间的是否病虫害的模型，以供相关部门进行查阅；

第十一步：结合林业病虫害数据筛选病害监测光谱特征。根据调查样点病害的发生情况，将样本点分为正常样本和染病样本两部分。根据第三、第八步方法，分别提取两类样本点各个光谱特征的单时相和多时相版本的特征值，并采用独立样本t检验(independentt-test)比较正常和染病样本的差异程度。采用t检验的p值(p-value)表示某一特征的差异程度，并可据此生成一张各类不同形式光谱特征在不同时相(单时相特征)和时相组合(多时相特征)中的p值统计表格。其中，p值越小，正常和染病样本的差异越大，特征对病害信息的响应月强烈。因此，通过阙值设定的方法对单时相和多时相的各类光谱特征进行筛选，保留对病害信息响应强烈的光谱特征形式。通常情况下，可将阈值设定为p值低于0.05,0.01或0.001三种。影像中的病害信息越弱，p值的阈值设置越大。

如图3所示，1、2016年5月20日a样地无人机多光谱影像，提取归一化差异植被指数(ndvi)>0.7的森林资源区域。

2、在1提取的森林资源区域范围内，再通过近红外光谱特征提取(nir)<0.44的森林覆盖区域。

3、在2提取的森林资源区域范围内，通过地物特征提取地物特征值(dem)<100m的森林资源区域。

4、将2016年5月1日卫星遥感影像与5月20日无人机遥感a样地多光谱影像进行叠加，通过最大似然分类法(mlc)进行分类出受害虫害森林资源和健康森林资源。

虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。