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。
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。