一种无人机遥感栎类食叶虫害监测方法

本发明涉及森林虫害遥感监测，具体为一种无人机遥感栎类食叶虫害监测方法。

背景技术：

1、食叶虫害作为危害我国森林资源的重要因素之一，具有发生数量多、危害程度高的特点，它可引起树木叶片减少或落叶，失叶严重时会导致树木死亡，影响着森林生态安全。

2、目前对栎类食叶虫害进行监测，传统方法是依靠林区中的居民或护林员采用地面踏勘方式，观测栎类林冠变化，发现异常上报当地森防站以采取有效防治措施，但由于林区多分布在高山道路崎岖的区域，这种地面调查，现场确认有无虫害的发生，并凭知觉判断其危害程度的方法，费时费力，且具有严重的主观性和滞后性，传统的栎类食叶虫害调查监测方法存在明显的缺点和不足，主要表现在：

3、(1)、人工调查，由于受到调查视角的限制，难以精确定量估测栎树虫害失叶状况，对于发生栎类虫害区域的边界难以准确界定；

4、(2)、传统方法计算叶片受害率或虫害木失叶率时，需要获取标准程序繁琐，存在人为误差，工作效率低，难以开展大区域栎类食叶虫害的监测；

5、(3)、栎类虫害发生没有周期性规律，传统人工调查很难进行连年监测，监测效率低，准确性不高。

6、因此迫切需要探索新技术进行栎类食叶虫害的监测工作，以提高监测的及时性和有效性。

技术实现思路

1、(一)解决的技术问题

2、针对现有技术的不足，本发明提供了一种无人机遥感栎类食叶虫害监测方法，解决了采用人员地面调查，现场确认有无虫害的发生，并凭知觉判断其危害程度的方法，费时费力，且具有严重的主观性和滞后性的问题。

3、(二)技术方案

4、为实现以上目的，本发明通过以下技术方案予以实现：一种无人机遥感栎类食叶虫害监测方法，具体包括以下步骤：

5、s1、获取目标区域的无人机可见光及多光谱影像，对可见光影像利用深度学习中的卷积神经网络方法，进行土地利用分类，将整个区域按照林地、耕地、建设用地、水域、未利用土地进行分类，获取林地分布边界范围；

6、s2、结合无人机影像，地面光谱库和森林资源二类调查数据，进行栓皮栎、麻栎、蒙古栎和鹅耳栎等栎类树种识别，并根据林业有害生物发生及成灾标准中规定的调查方法，计算单木尺度上的虫口密度和失叶率；

7、s3、对获取的多光谱图像进行波段计算，构建植被指数ndvi、增强型植被evi、rvi比值植被指数，改进红边归一化植被指数mndvi750，叶面积指数lai等，数字高程模型dem，在matlab中利用植被指数和数字高程模型构建光谱信息、地形信息指数，利用粒子群优化最小二乘支持向量机法根据实测失叶量值，建立模型，通过实地调查及植被指数判断失叶率，确定栎类虫害区域，判断栎类受灾等级；

8、s4、周期性获取虫害区域无人机点云数据，分割不同时期虫害木三维模型，利用不同时期点云差计算单木失叶率。

9、优选的，所述步骤s2中平均单株虫量a按下式进行计算：

10、a＝tn/t

11、式中：

12、a—平均单株虫量，单位为头/株；

13、tn—总虫量，单位为头；

14、t—总株数，单位为株。

15、单木失叶率计算公式：

16、llr＝(ni/ti)×100％

17、式中：

18、llr—失叶率，单位为％；

19、ni—单株树冠上损失的叶量；

20、ti—单株树冠上的全部叶量。

21、优选的，所述步骤s3中结合ndvi，mndvi750、lai、dem，rvi、evi，利用粒子群优化最小二乘支持向量机法根据实测失叶量数据，建立模型，设置学习因子c1＝1.7，c2＝5，核函数迭代次数100时，效果最优，然后根据构造的模型，利用如下方法判断栎类食叶害虫危害等级，判断栎类受灾等级的标准为：当失叶率小于20％时，判定为轻度受灾；当失叶率大于20％小于60％时，判定为中度受灾；当失叶率大于60％时，判定为重度受灾。

22、优选的，所述步骤s4中利用无人机倾斜摄影技术周期性获取虫害区三维点云，在灾前7月份林木叶子生长量达到时，对郁闭度小于0.3区域，利用无人机倾斜摄影方法获取标准林木三维点云，对郁闭度高于0.3区域，利用手持三维激光扫描仪获取标准林木三维点云，再分别采集轻度、中度、重度时期获取林木三维点云，利用pointcnn卷积神经网络方法进行点云分割和聚类，通过tin不规则三角网法构建林木叶倾角、下枝指数、林木分形维数参数，分别利用轻度、中度、重度三个时期的点云数据和灾前标准点云数据做差，分离做差后的点云，根据叶倾角、下枝指数、林木分形维计算林木三维失叶量。

23、优选的，所述步骤s4中使用pix4d软件对无人机点云数据进行处理，手持激光雷达的点云数据导入lidar360软件后进行点云去噪、分离地面点、生成dem、归一化处理、生成种子点、导入种子点并编辑、基于编辑后的点云分割等预处理，将点云数据输入到pointcnn中，表示为:f1＝{(p1,i,f1,i):i＝1，2，…，n1}，即一组点集及每个点对应的特征集c1表示初始特征通道深度，pointcnn核心操作是x卷积，可简写为：fp＝x-conv(k，p，p，f)＝conv(k,mlp(p-p)×[mlpδ(p-p)f])，对于分割任务，需要高分辨率逐点输出，通过在conv-deconv之后构建pointcnn来实现。

24、(三)有益效果

25、本发明提供了一种无人机遥感栎类食叶虫害监测方法。具备以下有益效果：

26、(1)、该无人机遥感栎类食叶虫害监测方法，无人机航拍角度大，观测范围广，影像获取难度低，大幅度减少了地面调查工作量，可以实现林场级或县域范围内的监测。

27、(2)、该无人机遥感栎类食叶虫害监测方法，无人机航拍影像处理分析结果更加直观展现栎类整体虫害程度，大区域尺度上能够宏观把控受灾情况。

28、(3)、该无人机遥感栎类食叶虫害监测方法，通过无人机对虫害木三维建模估算失叶率，大大减少了人工测量时的产生的误差，从立体角度获取失叶率，更加准确客观。

29、(4)、该无人机遥感栎类食叶虫害监测方法，对虫害区域危害程度进行了划分，对重灾区进行了敏感波段的提取，能够连年监测栎类区域虫害的发生，提高了防治效率。

技术特征：

1.一种无人机遥感栎类食叶虫害监测方法，其特征在于：具体包括以下步骤：

2.根据权利要求1所述的一种无人机遥感栎类食叶虫害监测方法，其特征在于：所述步骤s2中平均单株虫量a按下式进行计算：

3.根据权利要求1所述的一种无人机遥感栎类食叶虫害监测方法，其特征在于：所述步骤s3中结合ndvi，mndvi750、lai、dem，rvi、evi，利用粒子群优化最小二乘支持向量机法根据实测失叶量数据，建立模型，设置学习因子c1＝1.7，c2＝5，核函数迭代次数100时，效果最优，然后根据构造的模型，利用如下方法判断栎类食叶害虫危害等级，判断栎类受灾等级的标准为：当失叶率小于20％时，判定为轻度受灾；当失叶率大于20％小于60％时，判定为中度受灾；当失叶率大于60％时，判定为重度受灾。

4.根据权利要求1所述的一种无人机遥感栎类食叶虫害监测方法，其特征在于：所述步骤s4中利用无人机倾斜摄影技术周期性获取虫害区三维点云，在灾前7月份林木叶子生长量达到时，对郁闭度小于0.3区域，利用无人机倾斜摄影方法获取标准林木三维点云，对郁闭度高于0.3区域，利用手持三维激光扫描仪获取标准林木三维点云，再分别采集轻度、中度、重度时期获取林木三维点云，利用pointcnn卷积神经网络方法进行点云分割和聚类，通过tin不规则三角网法构建林木叶倾角、下枝指数、林木分形维数参数，分别利用轻度、中度、重度三个时期的点云数据和灾前标准点云数据做差，分离做差后的点云，根据叶倾角、下枝指数、林木分形维计算林木三维失叶量。

5.根据权利要求1所述的一种无人机遥感栎类食叶虫害监测方法，其特征在于：所述步骤s4中使用pix4d软件对无人机点云数据进行处理，手持激光雷达的点云数据导入lidar360软件后进行点云去噪、分离地面点、生成dem、归一化处理、生成种子点、导入种子点并编辑、基于编辑后的点云分割等预处理，将点云数据输入到pointcnn中，表示为：f1＝{(p1,i,f1,i):i＝1，2，…，n1}，即一组点集及每个点对应的特征集c1表示初始特征通道深度，pointcnn核心操作是x卷积，可简写为：fp＝x-conv(k，p，p，f)＝conv(k,mlp(p-p)×[mlpδ(p-p)f])，对于分割任务，需要高分辨率逐点输出，通过在conv-deconv之后构建pointcnn来实现。

技术总结
本发明公开了一种无人机遥感栎类食叶虫害监测方法，具体包括以下步骤：S1、获取目标区域的无人机可见光及多光谱影像，对可见光影像利用深度学习中的卷积神经网络方法，进行土地利用分类，将整个区域按照林地、耕地、建设用地、水域、未利用土地进行分类，获取林地分布边界范围；本发明涉及森林虫害遥感监测技术领域。该无人机遥感栎类食叶虫害监测方法，无人机航拍角度大，观测范围广，大幅度减少了地面调查工作量，可以实现林场级或县域范围内的监测，无人机航拍影像处理分析结果更加直观展现栎类整体虫害程度，大区域尺度上能够宏观把控受灾情况，减少了人工测量时的产生的误差，从立体角度获取失叶率，更加准确客观。

技术研发人员：孙金华,杨柳,杨喜田,王婷,郭二辉,赵辉,林向彬
受保护的技术使用者：河南农业大学
技术研发日：
技术公布日：2024/1/14