申请/专利权人：新疆农业大学

申请日：2022-03-04

公开（公告）日：2024-04-12

公开（公告）号：CN114694020B

主分类号：G06V20/10

分类号：G06V20/10;G06V10/764;G06V10/774;G06V10/80;G06V10/77;G06Q10/04;G06Q50/02;G01N21/25

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2022.07.19#实质审查的生效;2022.07.01#公开

摘要：本发明属于农业遥感领域技术领域，具体涉及一种棉花蚜虫遥感预报模型的构建方法。本发明提取苗期的棉花冠层光谱数据，分析健康棉株和棉蚜虫害棉株的光谱，构建基于光谱特征的棉花蚜虫识别模型多光谱影像棉蚜识别模型、高光谱影像棉蚜识别模型和地面高光谱棉蚜识别模型；通过研究棉花的物候生长状态，构建棉花生长模型；研究蚜虫的扩散规律与影响因子，构建棉蚜扩散模型，采用4DVar同化方法构建棉花蚜虫遥感预报模型，实现遥感技术对棉花蚜虫的识别及扩散的精准判别，有助于掌握棉田棉花的虫害发生情况和用药情况，进而为指导精准用药消杀棉蚜虫害，节约用药成本、提升生态环境质量等有着重要意义。

主权项：1.一种棉花蚜虫遥感预报模型的构建方法，其特征在于：包括以下步骤：步骤1：在棉花苗期多次获取正常棉株和受蚜虫胁迫棉株的棉花冠层地面高光谱数据；步骤2：对步骤1中得到的棉花冠层地面高光谱数据进行分析处理，筛选出敏感谱段，根据敏感谱段构建地面高光谱棉蚜识别模型；步骤2中获得地面高光谱棉蚜识别模型的具体步骤包括：步骤2.1：清洗：对步骤1中得到的棉花冠层地面高光谱数据清洗，剔除异常值；步骤2.2：预处理：将步骤2.1得到的棉花冠层地面高光谱数据进行去噪和平滑处理；步骤2.3：相关导数与微分计算：对步骤2.2得到的棉花冠层地面高光谱数据进行导数和微分计算；其中，导数采用和公式模型进行计算；其中，R1stλi为在光谱段λi上的一阶导数值，Rλi为i波段处的反射率数值，Rλi+1为i+1波段处的反射率数值；R2ndλi为在光谱段λi上的二阶导数值；微分采用和ρ″λi＝[ρ′λi+1-ρ′λi-1]2λi+1-λi-1公式模型进行计算；其中，ρ′λi为在光谱段λi上的一阶微分值；ρλi+1为i+1波段处的反射率数值；ρλi-1为i-1波段处的反射率数值；ρ″λi为在光谱段λi上的二阶微分值；ρ′λi+1为i+1波段处的一阶微分值；ρ′λi-1为i-1波段处的一阶微分值；λi为i波段的波长值；λi+1为i+1波段的波长值；步骤2.4：指数计算：根据步骤2.2得到的棉花冠层地面高光谱数据，计算出NNIR指数、红边指数R550,760和病害植株光谱指数β；其中，NNIR指数采用公式模型进行计算，其中NNIR为植被指数，ρ760为760nm波段处的反射率值；ρ650为650nm波段处的反射率值；ρ550为550nm波段处的反射率值；红边指数R550,760采用公式模型进行计算，其中R550,760为比值植被指数；ρ760为760nm波段处的反射率值；ρ550为550nm波段处的反射率值；病害植株光谱指数β采用公式模型进行计算，其中NNIR为植被指数，R550,760为比值植被指数；步骤2.5：虫害判断：根据步骤2.4计算出的红边指数R550,760和病害植株光谱指数β判断棉花是否发生虫害和发生虫害的程度；步骤2.6：特征谱段分析：综合分析步骤2.2得到的棉花冠层地面高光谱数据、步骤2.3计算出的导数数据与微分数据，筛选出棉蚜虫害的特征谱段；步骤2.7：构建模型：根据步骤2.6筛选出的棉蚜虫害的特征谱段采用波谱角模型构建地面高光谱棉蚜识别模型；步骤3：根据步骤1的时间节点，同步采集多源遥感数据，对所述多源遥感数据中的无人机多光谱影像数据、无人机高光谱影像数据、卫星多光谱影像数据和卫星高光谱影像数据进行分析处理，构建棉蚜虫害多光谱识别方法；对所述卫星多光谱影像数据进行分析处理，并结合所述棉蚜虫害多光谱识别方法得到多光谱影像棉蚜识别模型；对所述卫星高光谱影像数据进行分析处理，并结合步骤2得到的地面高光谱棉蚜识别模型，得到高光谱影像棉蚜识别模型；步骤3中获得多光谱影像棉蚜识别模型和高光谱影像棉蚜识别模型的具体步骤包括：步骤3.1：无人机遥感数据的采集：根据步骤1的时间节点，使用无人机获取棉花苗期的正常棉株和受蚜虫胁迫棉株的无人机棉花冠层多光谱数据集；步骤3.2：无人机遥感数据处理：将步骤3.1得到的无人机棉花冠层多光谱数据集进行预处理，得到无人机多光谱影像数据和无人机高光谱影像数据；步骤3.3：卫星遥感数据的采集：根据步骤1的时间节点，采集卫星高分辨率遥感数据和卫星高光谱遥感数据；步骤3.4：卫星遥感数据处理：将步骤3.3获得的卫星高分辨率遥感数据进行预处理，使用ENVIRegistration工具采用二阶多项式方法完成地理配准，得到卫星多光谱影像数据和卫星全色影像数据，将步骤3.3获得的卫星高光谱遥感数据进行预处理，得到卫星高光谱影像数据；步骤3.5：棉蚜虫害多光谱识别方法的构建：根据步骤3.2获得的无人机多光谱影像数据和步骤3.4获得的卫星多光谱影像数据分析多光谱棉蚜虫害的识别特征，构建棉蚜虫害多光谱识别方法，所述棉蚜虫害多光谱识别方法的构建方法包括以下步骤：步骤3.5.1：多光谱棉蚜特征谱段与指数选择：根据步骤2.4所列公式计算卫星多光谱影像数据和无人机多光谱影像数据的NNIRmul指数F＝1.26；df＝4,12；aP＝0.0368、红边指数Rmul550，760F＝1.57；df＝4,12；aP＝0.0460和病害植株光谱指数βmulF＝9.73；df＝4,12；bP＝0.0008，其中F为两个均方的比值，df为因子自由度，P确定因子显著性，aP＜0.05；bP＜0.001；步骤3.5.2构建F＝101.73；df＝4.12；P＝0.0005二阶多项式回归模型，其中y为棉蚜虫害判读指数；φ、γ为产量系数；b为调节系数；步骤3.5.3：设棉蚜虫害判读阈值为T1，即有y＜T1时，棉花蚜虫不明显；y≥T1时，表明棉花蚜虫已发生；步骤3.6：多光谱影像棉蚜识别模型的构建：将步骤3.4获得的卫星多光谱影像数据与卫星全色影像数据进行同源融合后，获得融合后的超分辨率多光谱影像数据，将步骤3.5获得的棉蚜虫害多光谱识别模型应用在融合后的超分辨率多光谱影像，综合构建多光谱影像棉蚜识别模型，所述多光谱影像棉蚜识别模型的构建方法的包括以下步骤：步骤3.6.1：卫星多光谱影像数据与卫星全色影像数据进行同源融合，得到融合后的超分辨率多光谱影像数据；步骤3.6.2：基于步骤2.4和步骤3.5.1的公式计算卫星多光谱影像数据NNIRmul指数、红边指数Rmul550，760和病害植株光谱指数βmul，并同步确认其F、df、P的值，保持其处于P＜0.001的置信区间内；步骤3.6.3：基于步骤3.5.2所得模型和步骤3.5.3判别规则，确定多光谱影像棉蚜识别模型；步骤3.7：高光谱影像棉蚜识别模型的构建：将步骤3.4获得的卫星高光谱影像数据经过主成分分析后与数据降维后的影像数据作为低通参量，将步骤3.6得到的融合后的超分辨率多光谱影像数据的全色波段作为高通参量进行融合，获得融合后的高分高光谱影像数据，将棉花冠层地面高光谱数据和融合后的高分高光谱影像数据经数据同化操作后，采用深度学习算法构建高光谱影像棉蚜识别模型；步骤4：根据步骤1的时间节点，获取生长物候数据，根据生长物候数据构和步骤3获得的多源遥感数据构建棉花生长模型；步骤4中构建棉花生长模型的具体步骤包括：步骤4.1：模型参数确立与收集：模型参数包括预测图像，所述预测图像是经过步骤3获得的多源遥感数据处理得到的，根据步骤3获得的多源遥感数据采集相同时间节点获取物理参数、化学参数、结构参数和生物参数，物理参数、化学参数、结构参数和生物参数包括实地采集的作物数据、天气数据、土壤数据和田间管理数据；步骤4.2：观测数据收集与处理：对步骤3中采集的多源遥感数据进行处理得到融合图像；步骤4.3：模型参数的标定：根据步骤4.1采集的参数以参数最值构成的均匀分布Umin，max或者正态分布对参数进行标定，具体标定公式为：logL＝logLLAI+logLyield；logLLAI＝-0.5x-xobsT∑-1x-xobs＝-0.5Klog2π-0.5logΔ∑； 其中，L表示似然函数；x和xbos分别对应LAI的模型模拟值和观测值所构成的时间序列向量；∑表示LAI观测值的协方差矩阵；K表示向量维度；Δ∑表示∑的行列式值；Y和Yobs分别表示产量的模拟值和观测值；σ表示产量观测的标准差；步骤4.4：确立同化算法：对步骤4.1获得的模型参数和步骤4.2获得的观测数据进行4Dvar同化算法，得到同化数据，算法公式为其中xk表示模型参数，B为模型误差，y为观测数，Q为观测误差，H为观测算子；步骤4.5：构建棉花生长模型:根据荷兰瓦赫宁根的WOFOST模型，结合步骤4.4得到的同化数据构建棉花生长模型；步骤5：确定棉蚜扩散的影响因子，根据步骤1的时间节点，多次采集并记录棉蚜虫口数、棉蚜天敌数和影响因子的相关数据，根据采集的数据构建棉蚜扩散模型；步骤5中构建棉蚜扩散模型的具体步骤包括：步骤5.1：数据采集与处理：确定棉蚜扩散的影响因子，根据步骤1的时间节点，多次采集并记录棉蚜虫口数、棉蚜天敌数和影响因子的相关数据，对影响因子的相关数据、棉蚜虫口数据和棉蚜天敌数据进行分析，得到棉蚜的发生时间规律、不同时期棉蚜数量规律、影响因子对棉蚜数量的影响规律；步骤5.2：影像空间信息统计：根据步骤3中采集的多源遥感数据，统计影像上的空间信息特征，分析棉蚜虫害发生态势的演变，并根据多源遥感数据得到影像光谱反射率；步骤5.3：相关性分析：根据步骤5.1和步骤5.2获得的数据构建棉蚜虫口数与影像光谱反射率、棉蚜的发生时间规律与影像光谱反射率、不同时期棉蚜数量规律与步骤2.4获得的棉株病害光谱指数β、棉蚜虫口数与影响因子的关系；步骤5.4：构建棉蚜扩散模型：基于步骤5.3的相关性分析结果，采用数理统计放定性分析、空间插值法、网络传染病动力学和深度神经网络法来构建棉蚜扩散模型；步骤5.4中构建棉蚜扩散模型的公式模型为：设ux，y，t为t时刻x，y处的棉蚜数量，Ku为种群动态，则有公式：Ku＝ax，y，tu+bx，y，t，其中bx，y，t为棉蚜扩散率； 其中px，y，t为扩散系数；ax，y，t＝ex，y，t-dx，y，t+cx，y，t，其中ex，y，t为棉蚜出生速率；cx，y，t为棉蚜迁移速率；dx，y，t为棉蚜死亡速率； 其中qx，y，t为迁移系数；棉蚜的出生速率和死亡速率与密度无关，设实验环境均匀一致，令px，y，t＝pt，qx，y，t＝qt，ex，y，t＝et，dx，y，t＝t，则有： 其中出生速率et和死亡速率dt由实地调查获得；步骤6：根据步骤3得到的多光谱影像棉蚜识别模型和高光谱影像棉蚜识别模型、步骤4得到的棉花生长模型和步骤5得到的棉蚜扩散模型构建棉花蚜虫遥感预报模型。

全文数据：

权利要求：

百度查询： 新疆农业大学 一种棉花蚜虫遥感预报模型的构建方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD