一种时间-光谱混合的松材线虫病害早期监测方法与流程

1.本发明涉及遥感图像处理技术领域，更具体的说是涉及一种时间-光谱混合的松材线虫病害早期监测方法。


背景技术：

2.松材线虫病害是由松材线虫寄生在松树体内而导致树木迅速死亡的一种毁灭性病害，也是目前全球森林生态系统中最具危险性、毁灭性的病害。“十四五”期间，我国将组织开展松材线虫病害防控5年攻坚行动，遏制松材线虫病害快速扩散蔓延势头。传统的松材线虫病害监测一般是人工实地调查染病松，该方式浪费大量的人力物力且效率低下，尤其在山高地险的山区，不能及时、全面地掌握疫情发生动态，难以有效控制疫情蔓延。
3.目前，国内生产单位利用卫星遥感影像监测松材线虫病害主要根据虫害发生后高分辨影像上表现出的色调和纹理等特征建立解译标志，叠加公里网格，通过目视判读方法，逐网格提取枯死树图斑。该方法相对于人工实地普查具有效率优势，但是当树木颜色发生变化甚至枯死时，表示其遭受病害程度较深，目视解译方法只能做到及时止损，不能实现早期预防。
4.国内外利用卫星遥感影像监测松材线虫病害的研究主要集中于利用单时相遥感影像和实测数据建立预测模型，从而实现对某时期松材线虫病害的发生情况和分布范围的监测；或利用野外光谱仪采集实地反射率光谱数据，实验室分析光谱变化规律，从而判定是否发生病害。但是这些方法只能反应数据采集时期的虫害情况，未能对前、后期发展趋势进行监测或早期预测。此外，实测数据一般是实地调查的染病松或利用野外光谱仪获取的实地反射率光谱数据。研究表明，染病松染病初期时只表现为光谱上的轻微变化，实地调查难以100％发现。而由于高分辨率影像上的“异物同谱”和“同物异谱”现象，当影像区域、时间发生变化后，实地反射率光谱数据不再适应。
5.因此，如何提供一种时间-光谱混合的松材线虫病害早期监测方法来实现松材线虫病害的早期预测和动态监测是本领域技术人员亟需解决的问题。


技术实现要素：

6.有鉴于此，本发明提供了一种时间-光谱混合的松材线虫病害早期监测方法，解决了现有基于卫星遥感的松材线虫病害监测自动化程度低、缺乏普适性、难以早期预测和缺乏动态监测等问题，为林业虫害预警与防治提供了一种新思路。
7.为了实现上述目的，本发明采用如下技术方案：
8.一种时间-光谱混合的松材线虫病害早期监测方法，包括以下步骤：
9.s1：获取sentinel-2监测下的时序影像和待预测期影像并进行预处理；
10.s2：基于时序影像中多个时相下不同波段的反射值计算时序均值归一化植被指数，根据时序均值归一化植被指数，从所述时序影像中提取马尾松分布，得到马尾松分布情况；
11.s3：基于预处理后的时序影像和待预测期影像中近红外范围内的各个波段和红边范围内的各个波段的反射值，计算得到时序多类型红边植被指数序列和待预测期多类型红边植被指数序列；
12.s4：基于时序多类型红边植被指数序列训练预测模型；
13.s5：利用所述预测模型对所述待预测期多类型红边植被指数序列进行预测，结合马尾松分布情况得到松材线虫害预测结果。
14.进一步的，s1中，所述预处理包括大气校正、几何校正、重采样和波段合成。
15.进一步的，所述时序影像采用全年云量小于15％的sentinel-2历史监测数据，所述待预测期影像选用sentinel-2实时监测数据。待预测期影像指实际应用中，指定的需要进行松材线虫病害进行早期预测的某一时期影像数据。
16.进一步的，s2中，所述提取马尾松分布的方法包括，
17.s21：基于时序影像中多个时相下的b8波段反射值和b4波段反射值计算时序均值归一化植被指数tsmvi；其中b8波段为nir近红外波段，b4波段为red红光波段；
18.s22：通过时序均值归一化植被指数tsmvi来剔除非植被；
19.s23：结合三调数据和林业小班数据确定树种类型，计算各类树种与马尾松的时序均值归一化植被指数差异；
20.s23：根据各类树种与马尾松的时序均值归一化植被指数差异设置阈值，提取马尾松分布。
21.进一步的，s21包括，计算时序影像中各土地覆盖类型的时序均值归一化植被指数，得到植被与非植被土地覆盖类型的时序均值归一化植被指数差异，确定差异阈值，基于所述差异阈值对待预测期影像进行阈值分割，剔除非植被。
22.进一步的，s21包括设置阈值使tsmvi《0.3，剔除非植被；s23包括设置阈值tsmvi《0.7，剔除马尾松，设置阈值使tsmvi》0.6，剔除其他阔叶树种。设置阈值使tsmvi《0.82剔除杉木。
23.进一步的，所述时序均值归一化植被指数计算公式为：
[0024][0025]
其中，tsmvi为时序均值归一化植被指数，n表示时序影像中的时相个数，b8i表示时序影像中第i个时相的b8波段，b4i表示时序影像中第i个时相的b4波段。
[0026]
进一步的，所述s3包括：
[0027]
s31：提取时序影像和待预测期影像中红边范围内的数据；
[0028]
s32：计算时序影像和待预测期影像红边范围内各个波段的多类型红边植被指数；
[0029]
s33：将时序影像的多类型红边植被指数进与待预测期的多类型红边植被指数分别单独进行波段叠加，得到时序多类型红边植被指数序列和待预测期多类型红边植被指数序列。
[0030]
进一步的，s32中，所述多类型红边植被指数计算公式包括：
[0031][0032][0033]
其中，ndvi
re1
、ndvi
re2
、ndvi
re3
、ndvi
re4
、ndvi
re5
和ndvi
re6
，表示为6个不同类型；b5、b6、b7、b8、b8a分别表示预处理后的时序影像或待预测期影像的第5、6、7、8、8a波段。
[0034]
进一步的，s4中，所述预测模型为胶囊神经网络模型，所述胶囊神经网络的训练样本包括时序多类型红边植被指数序列和前期染病松调查数据，基于所述训练样本训练构建胶囊神经网络模型。
[0035]
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种时间-光谱混合的松材线虫病害早期监测方法，引入多时相、多类型红边植被指数反映马尾松健康变化情况，建立时间-光谱混合松材线虫病害预测模型，充分挖掘马尾松遭受松材线虫病害前后的光谱变化规律，有效解决了利用单期卫星遥感进行松材线虫病害早期监测的难题，能够快速、准确地为林业管理相关部门提供松材线虫病害早期的实时数据，为林业虫害预警与防治提供有效数据支撑。
附图说明
[0036]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0037]
图1附图为本发明提供的时间-光谱混合的松材线虫病害早期监测方法示意图；
[0038]
图2附图为本发明提供的基于capsnet的松材线虫病害时间-光谱混合监测模型框架。
具体实施方式
[0039]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0040]
如图1，本发明实施例公开了一种时间-光谱混合的松材线虫病害早期监测方法，包括以下步骤：
[0041]
s1：数据下载及预处理，确定任务区并获取任务区内sentinel-2卫星监测下的时序影像和待预测期影像并进行预处理；待预测期数据指实际应用中，用户指定的需要进行松材线虫病害进行早期预测的某一时期影像数据。
[0042]
s2：马尾松分布提取，基于时序影像中多个时相下不同波段的反射值计算时序均值归一化植被指数，根据时序均值归一化植被指数，从待预测期光谱影像中提取马尾松分布，得到包含马尾松分布情况；
[0043]
s3：基于s1中经预处理后的时序影像和待预测期影像中近红外范围内的各个波段
和红边范围内的各个波段的反射值两两组合并进行归一化植被指数得到时序多类型红边植被指数序列和待预测期多类型红边植被指数序列；
[0044]
s4：松材线虫病害检测模型构建，基于时序多类型红边植被指数序列构建预测模型；
[0045]
s5：模型预测，利用预测模型对待预测期多类型红边植被指数序列进行预测，结合时序影像中的马尾松分布情况，得到松材线虫害预测结果。将马尾松分布提取得到的马尾松分布图与松材线虫害预测结果对进行空间叠加分析，得到疑似染病松的空间分布，从而实现松材线虫病害早期监测。
[0046]
其中，s2的马尾松分布可以在s1-s5之间任何时间进行，不受顺序限制。
[0047]
为了进一步实施上述技术方案，s1中，预处理包括大气校正、几何校正、重采样和波段合成。
[0048]
其中，数据下载和波段合成可以利用python语音编程实现；大气校正、几何校正和重采样等预处理工作可采用欧空局的开源工具包sen2cor进行，预处理后的各时序数据和待预测数据按照拍摄日期独立保存。
[0049]
为了进一步实施上述技术方案，sentinel-2时序影像采用全年云量小于15％的sentinel-2历史监测数据，sentinel-2待预测期影像选用sentinel-2的实时监测数据。sentinel-2的检测数据在红边范围含有三个波段的数据，这对监测植被健康信息非常有效。因此，本发明充分利用红边波段独特的植被生长状况监测属性，构建时序多类型红边植被指数作为松材线虫病害动态监测的有效数据。
[0050]
为了进一步实施上述技术方案，s2中，提取马尾松分布的方法包括，
[0051]
s21：根据任务区实地情况结合资料记录，将任务区地表覆盖类型划分为林地、裸地、建成区和水体4中土地覆盖类型，根据不同土地覆盖类型时序均值归一化植被指数tsmvi的差异性，来剔除非植被；
[0052]
s22：结合第三次国土调查数据即三调数据和林业小班数据确定树种类型，计算各类树种与马尾松的时序均值归一化植被指数差异；
[0053]
s23：根据各类树种与马尾松的时序均值归一化植被指数差异设置分割阈值，提取马尾松分布。
[0054]
为了进一步实施上述技术方案，s21包括，计算时序影像中各土地覆盖类型的时序均值归一化植被指数，得到植被与非植被土地覆盖类型的时序均值归一化植被指数差异，确定差异阈值，基于差异阈值对待预测期影像进行阈值分割，剔除非植被。
[0055]
为了进一步实施上述技术方案，s21包括设置阈值使tsmvi《0.3，剔除非植被；s23包括设置阈值tsmvi《0.7，剔除马尾松，设置阈值使tsmvi》0.6，剔除其他阔叶树种。设置阈值使tsmvi《0.82剔除杉木。
[0056]
为了进一步实施上述技术方案，时序均值归一化植被指数计算公式为：
[0057][0058]
其中，tsmvi为时序均值归一化植被指数，n表示时序影像中的时相个数，b8i表示
时序影像中第i个时相的b8波段，b4i表示时序影像中第i个时相的b4波段。
[0059]
为了进一步实施上述技术方案，s3包括：
[0060]
s31：提取时序影像和待预测期影像中红边范围内的数据；
[0061]
s32：计算时序影像和待预测期影像红边范围内各个波段的多类型红边植被指数；
[0062]
s33：将时序影像的多类型红边植被指数进与待预测期的多类型红边植被指数分别单独进行波段叠加，得到时序多类型红边植被指数序列和待预测期多类型红边植被指数序列。
[0063]
为了进一步实施上述技术方案，s32中，多类型红边植被指数计算公式包括：
[0064][0065][0066]
其中，ndvi
re1
、ndvi
re2
、ndvi
re3
、ndvi
re4
、ndvi
re5
和ndvi
re6
，表示为6个不同类型所对应的单时相多类型红边植被指数；b5、b6、b7、b8、b8a分别表示预处理后并提取了马尾松分布特征的时序影像或待预测期影像的第5、6、7、8、8a波段；依据上式对第一步预处理后的时序影像数据和待预测期影像数据依次计算其多类型红边植被指数，将各时序多类型红边植被指数按照数据拍摄时间进行波段叠加，得到时序多类型红边植被指数序列，并将待预测期的多类型红边植被指数单独进行波段叠加，得到待预测期多类型红边植被指数序列。
[0067]
为了进一步实施上述技术方案，s4中，预测模型为胶囊神经网络模型，胶囊神经网络的训练样本包括时序多类型红边植被指数序列和前期染病松调查数据，基于训练样本训练构建胶囊网络模型。
[0068]
如图2，以前期染病松调查数据为真值，通过空间匹配算法，得到松材线虫病害训练数据集对预测模型进行训练，得到松材线虫病害时间-光谱混合监测模型。为充分挖掘时序多类型红边植被指数的时空变化规律，本发明选用capsnet网络，因为capsnet用向量替换卷积神经网络中的神经元从而保持特征之间的空间关系，避免了池化过程中的有效信息损失问题，有效提升分类精度。本发明建立的松材线虫病害时间-光谱混合监测模型包括两个主要层：
[0069]
1)卷积层,该层包括两个卷积层和两个最大池化层，其中卷积核3
×
3，步长设置为1，并采用same填充模式，最大池化层核设置为2
×
2，步长为2，同时激活函数采用relu函数。最大池化层可对输入数据的特征图进行压缩，在提取有用信息的前提下，简化网络计算的复杂度。该层使得胶囊网络能够对输入图像的基本信息进行获取，并传递到胶囊层中。
[0070]
2)胶囊层。该层包括主胶囊层、数字胶囊层和全连接层。其中，主胶囊层卷积核设置为9
×
9，步长设置为2，通道数设置为32，填充方式为无填充；主胶囊层将上步卷积层传递来的向量封装，形成多个胶囊单元。数字胶囊层对胶囊单元进行维数转换，并在模型训练过程中进行动态路由更新。全连接层采用routing算法经计算获得最终输出向量，并可根据输出向量获得该像素被识别为有虫害或无虫害的概率。
[0071]
将待预测期多类型红边植被指数序列输入上步训练得到的松材线虫病害时间-光谱混合监测模型，得到松材线虫病害预测二值图像，其中，图像中像素值为0的像素代表无病虫害，像素值为1的像素代表有病虫害。将马尾松分布提取得到的马尾松分布图与对松材
线虫病害预测二值图像进行空间叠加分析，得到疑似染病松的空间分布，从而实现松材线虫病害早期监测。
[0072]
本发明利用卫星遥感影像和深度学习网络快速、自动的监测松材线虫病害情况，做到早发现、早报告、早处理，提高了松材线虫防治的效率；本发明利用时序影像，充分挖掘马尾松遭受松材线虫病害前后的光谱变化规律建立时间-光谱混合模型，相较于利用单时期影像的方法，本发明具备监测时间范围广、有效动态监测和早期预测的优势；植被指数被认为是监测绿色植被的有效指标，而红边波段作为监测绿色植被健康状况的优势波段；本发明利用sentinel-2数据的三个红边波段计算多类型红边植被指数，充分挖掘多时相、多类型红边波段植被指数反应染病松光谱变化规律的潜力，为松材线虫病害早期预测提供理论依据，提高了松材线虫病害监测的准确度和可靠性。
[0073]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0074]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。