一种烟草病虫害识别方法

摘要

本发明公开了一种烟草病虫害识别方法，包括获取烟草种植区的地表信息数据，所述地表信息数据由无人机搭载的多光谱传感器来获取；获取烟草种植区的Landsat数据，并对所获取到的据进行辐射和几何校准，计算出生物物理参数；获取烟草种植区的气象数据；获取烟草种植区的病虫害数据，病虫数据包括有虫害和无虫害采样区烟草的光谱和生长环境信息；将所获取到的烟草种植区的地表信息数据、Landsat数据以及气象数据进行多波段融合，得到波段合成数据集；采用BP神经网络将合成得到的波段合成数据集作为输入变量，病虫害数据作为输出层训练神经网络，构建烟草病虫害监测特征参。本结合烟草所属区域的气候条件和病虫害状态，可以实现同时大范围的烟草病虫害监测。

说明书

技术领域

本发明涉及识别技术领域，具体涉及一种烟草病虫害识别方法。

背景技术

烟草病虫害识别是烟草生长监测的重要组成部分，掌握烟草的病虫害状态和最佳的采收期对烟草估产具有重要意义。目前，对烟草的病虫害监测主要依靠人工地面调查，难以在大区域范围内同时采集烟草病虫害信息，且缺乏定量化的烟草长势评估手段。

发明内容

本发明的目的在于克服上述现有技术的不足，提供一种烟草病虫害识别方法，以实现大范围的烟草病虫害监测，为实现烟草病虫害实时监测提技术支持。

为实现上述目的，本发明的技术方案是：

一种烟草病虫害识别方法，包括：

获取烟草种植区的地表信息数据，所述地表信息数据由无人机搭载的多光谱传感器来获取；

获取烟草种植区的Landsat数据，并对所获取到的据进行辐射和几何校准，计算出生物物理参数；

获取烟草种植区的气象数据；

获取烟草种植区的病虫害数据，所述病虫数据包括有虫害和无虫害采样区烟草的光谱和生长环境信息；

将所获取到的烟草种植区的地表信息数据、Landsat数据以及气象数据进行多波段融合，得到波段合成数据集；

采用BP神经网络将合成得到的波段合成数据集作为输入变量，病虫害数据作为输出层训练神经网络，构建烟草病虫害监测特征参数。

进一步地，所述生物物理参数包括增强型植被指数和归一化植被指数。

进一步地，所述增强型植被指数EVI的计算方式如下：

式中，ρ

进一步地，所述归一化植被指数NDVI的计算方式如下：

式中，ρ

进一步地，所述烟草种植区的气象数据通过中国气象局数据中心的地面气候资料月值数据而获取，为离散的点数据，并采用克里金插值将点数据转换为面数据。

进一步地，所述生长环境信息包括地表温度和土壤含水量。

本发明与现有技术相比，其有益效果在于：

本方法是基于星载和机载的多光谱遥感影像获取高时间和空间分辨率遥感影像，结合烟草所属区域的气候条件和病虫害状态，提出利用BP神经网络的烟草病虫害识别方法，从而实现同时大范围的烟草病虫害监测，为实现烟草病虫害实时监测提供理论依据和技术支持

附图说明

图1为本发明实施例提供的烟草病虫害识别方法的流程图；

图2为Landsat影像图；

图3为无人机影像图；

图4为光谱曲线图；

图5为病虫害分级图。

具体实施方式

实施例：

下面结合附图和实施例对本发明的技术方案做进一步的说明。

参阅图1所示，本实施例提供的烟草病虫害识别方法包括如下步骤：

获取烟草种植区的地表信息数据，所述地表信息数据由无人机搭载的多光谱传感器来获取。无人机在行前后对载荷和影像进行辐射和几何校准，将采集的数据拼接，获取大区域的无人机影像。无人机影像包括高空间分辨率地面快照和基于多波段影像提取的地表生理生化参数。

基于Landsat8卫星OLI陆地成像仪包括15m的全色波段，1-7波段和9-11波段为30m空间分辨率数据，对烟草种植区数据进行辐射和几何校准，计算EVI(增强型植被指数)和NDVI(归一化植被指数)等生物物理参数，如此，基于提取的生物物理参数描述烟草的生长状况，从而识别潜在受病虫害影响的区域范围。

获取烟草种植区的气象数据；具体地，通过中国气象局数据中心的地面气候资料月值数据(V3.0)。数据集中的气象数据为离散的点数据，为了获取覆盖整个研究区的气象栅格，采用克里金插值将点数据转换为面数据

获取烟草种植区的病虫害数据，所述病虫数据包括有虫害和无虫害采样区烟草的光谱和生长环境信息；

将所获取到的烟草种植区的地表信息数据、Landsat数据以及气象数据进行多波段融合，得到波段合成数据集；

采用BP神经网络将合成得到的波段合成数据集作为输入变量，病虫害数据作为输出层训练神经网络，构建烟草病虫害监测特征参数。也就是说，通过将各个地表生理生化参数影像进行归一化和空间几何校准，并在研究区内进行采样，获取烟草病虫害信息的光谱变化特征，将这些变化信息作为输入参量导入BP神经网络。在输出层将地面验证点的生物物理信息作为输出结果从而训练神经网络，构建适合大区域进行的模拟模型。

由此可见，本方法是基于星载和机载的多光谱遥感影像获取高时间和空间分辨率遥感影像，结合烟草所属区域的气候条件和病虫害状态，提出利用BP神经网络的烟草病虫害识别方法，从而实现同时大范围的烟草病虫害监测，为实现烟草病虫害实时监测提供理论依据和技术支持。

具体地，上述增强型植被指数EVI的计算方式如下：

上述归一化植被指数NDVI的计算方式如下：

式中:ρ

如此，通过上式即可以准确地计算出上述增强型植被指数和归一化植被指数。

下面结合一个应用场景实例来对本方法进行进一步地详细说明：

(1)区域选取：本方法选取广东省粤北始兴县东北部的特色优质烟叶生产示范片(114°11'44"E，25°3'10"N)为实验区域，烟草大田期为每年的3-6月份。

(2)数据收集：气象数据集：气温、降水量、蒸发量、相对湿度和日照时数；Landsat数据：采用地理空间数据云共享的遥感影像，对数据就行辐射定标和大气校正，并就行精确的几何校准。采用Landsat数据计算NDVI和EVI等生理生化参数；无人机数据：无人机采集的4波段影像。

(3)地面病虫害数据采集：样区内采集健康和非健康烟草叶片，测定不同类别光谱信息，光谱特征如图4所示。

草长势监测：将不同数据融合的多波段数据和病虫害数据分别作为输入和输出层，构建烟草病虫害监测特征参数，如图5所示，即可以快速得到病虫害分级图。

上述实施例只是为了说明本发明的技术构思及特点，其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰，都应涵盖在本发明的保护范围内。