一种棉花蚜虫遥感预报模型的构建方法

• 花匠小妙招
• 2024-11-14 15:51

1.本发明属于农业遥感技术领域，具体涉及一种棉花蚜虫遥感预报模型的构建方法。

背景技术：

2.棉花是我国主要的经济作物，新疆棉花种植面积与产量已连续27年居全国首位，棉花 产业实现沙漠增绿、农民增收、国民经济发展等方面发挥重要作用。陆地棉相较于海岛棉， 在生长过程中更易发生病虫害，常年造成危害的害虫有10余种，虫害导致棉花减产约 10-15％，且受全球气候环境变化及连片种植导致棉田生态自然调控减弱等影响，棉花虫害 有日益加剧的趋势。
3.蚜虫是危害棉花的主要害虫之一，寄生在植株幼嫩部位，个体非常小，成虫体长不到2 毫米，早期危害症状不易捕捉和检测，出现蚜害后导致叶片出现黄白斑、卷曲或皱缩，严 重时影响新叶发育、生长停滞，生长周期推迟，严重影响棉花的品质和产量。危害新疆棉 花的蚜虫有3种，苗期棉黑蚜，然后是棉蚜和棉长管蚜，以棉蚜的发生和危害最为严重； 同时棉蚜具有迁飞性，移动能力强，虫情暴发迅速、快速蔓延，会给棉花生产造成不可估 量的损失。
4.当前棉花蚜虫的预测预报主要依靠各地农业植保部门技术人员田间人工调查经验判断 为主，耗时费工，同时因调查样地的数量和面积有限，很难准确地反映田间实际发生和危 害动态，难以满足大面积棉田虫害防治的需求；田间病虫害初期发生时呈点片状，若调查 结果不够精准及时，会由点成片引起大范围受害,不利于植保工作顺利进行。同时，现阶段 病虫害的防治模式普遍为被动大范围喷洒农药防治，无法针对虫源实现及时迅速的精准防 治，加大了农药的施用范围和剂量，致使由化学农药引起的致突变、致癌、致畸、农药残 留以及环境污染等负面影响日益突出；另外化学农药的大范围过度使用，导致棉蚜的抗药 性逐渐增强。
5.因作物感染虫害时，其叶片外观形态如颜色、形状和纹理会发生相应的变化，国内外 学者利用不同的信息技术手段分析作物叶片的颜色、形状和纹理特征，并通过特征处理来 诊断作物病害。研究表明，采用计算机视觉等信息技术手段进行农作物病害诊断能够达到 一定的准确率，具有很好的可行性，现阶段的虫害无损监测以遥感监测为主，常用监测系 统有可见光-近红外光谱传感器、高光谱传感器、荧光和热传感器、合成孔径雷达等，依据 其获取的不同类型数据，建立植株的遥感监测特征，并应用于监测过程以直观表现植株受 害情况。
6.在现有技术中，基于叶片纹理特征的棉花蚜害诊断模型研究(许敬诚，棉花学报，2020， 32(2)：133―142)文中通过获取健康和受棉蚜为害棉花叶片的高光谱图像，利用灰度共 生矩阵提取图像的纹理特征，构建棉蚜为害诊断模型，得出基于纹理特征向量能有效地实 现蚜害棉花叶片的识别。
7.区域尺度棉花蚜虫遥感监测研究(王成博,2019年河南农业大学硕士论文)文中通
过光 谱角方法与logistic建模方法对库尔勒北部地区的棉花蚜害进行监测，分析评价两种方法 的识别精度，并从试验器材价格、数据获取、数据处理、分类精度等方面具体分析得出基 于logistic模型的蚜害监测方法较优。
8.棉花病虫害光谱识别及遥感监测研究(田野,2016年山东农业大学硕士论文)文中以我 国新疆种植区棉花为研究对象，利用hj卫星数据结合地面冠层高光谱数据，对棉花面积 进行了提取，并进行了病虫害发生早期的识别和提取，选取了能够识别和区分棉花黄萎病 和棉叶螨的选择的6个植被指数和10个不同尺度下不同波段范围与样本类别相关系数最大 的9个波段的小波特征，建立的判别模型精度总体比植被指数建立的模型精度高。
9.一种改进的深度置信网络在棉花病虫害预测中的应用(王献锋，棉花学报，2018，30(4)： 300—307)文中提出1种基于环境信息和深度信念网络的棉花病虫害预测模型，该模型由3 层限制玻尔兹曼机网络和1个监督反向传播网络组成，利用rbm将环境信息数据转换到与 病虫害发生相关的新的特征空间，利用bp网络对最后1层输出的特征向量进行分类预测， 利用动态学习率和对比分散准则加快rbm的训练过程，并利用该模型对近6年棉花的棉铃 虫、棉蚜虫、红蜘蛛和黄萎病、枯萎病进行预测试验。该模型整合海量、多源的环境信息 数据，在一定程度上克服了现有预测方法的缺陷；但模型的隐含层数、隐含层节点数等的 设置几乎没有理论依据，一般依靠经验和试验结果进行设置，花费的时间比较长，其预测 性能的稳定性和准确性还需进一步验证和改进。
10.国内棉花遥感监测领域已有一些相关研究成果。棉花病虫害监测方面，申请号为 201910336544.8的发明，公开了监控棉花病虫害的无人机设备，可以从棉花上方和叶片背 面进行图像拍摄，实现全方面对棉花病虫害监控，提早对棉花病虫害情况进行了解；申请 号为202011162451.7的发明，公开了基于小型无人机群的棉花虫害立体监测方法与系统， 利用无人机群基于立体视觉技术，近距离有效监测棉花中部和底部出现的虫害信息。棉花 作物遥感监测方面，申请号为201711500930.3的发明，公开了基于物候分析的棉花遥感监 测方法，通过区域棉花光谱特征分析和感染农作物物候分析，结合遥感影像分层分类方法 实现对棉花种植信息的自动提取。申请号为201911087521.4的发明，公开了棉花蕾期蚜害 棉花冠层光谱特征提取及等级估测方法，利用敏感光谱比值导数光谱值的偏最小二乘法的 蚜害等级估测模型，应用于成像高光谱影像。
11.但现有技术中心还存在以下问题：
12.(1)目前对棉花病虫害研究多在室内实验室或利用无人机小范围开展，主要目标是花 铃期的叶螨和黄萎病等病虫害，而未对苗期的蚜虫危害开展大田遥感监测试验研究，也未 对大田棉蚜危害的识别方法与发生规律进行分析。
13.(2)现有技术的应用多在实验室环境中进行的，实验室中的环境单一，噪声干扰较少， 往往能够取得较好的效果，而实际的大田环境中存在各种干扰，导致高光谱技术在大田棉 蚜虫害诊断过程中由于适用性不强而造成准确率不高、研究对象和技术脱节等问题。
14.(3)现有研究开展了光谱的分析研究，但分析农作物光谱特征是较少考虑虫害对作物 体内生理变化的影响，缺少对感染虫害的农作物的全部波段信息进行分析研究；影响光谱 特征变化的因素很多，多数遥感监测结果针对具体的病虫害问题，没有涉及作物生产过程 中的其他问题，无法在农业生产管理中具体实践。
15.(4)现有棉花蚜虫识别的技术方法采用单一数据源进行，而未采用多源数据进行
分析， 亦未开展多源数据融合同化研究，无法克服单一数据源因时空谱等信息缺失造成的识别精 度不高的问题。

技术实现要素：

16.针对现有技术中较少考虑虫害对作物体内生理变化的影响，缺少对感染虫害的农作物 的全部波段信息进行分析研究；影响光谱特征变化的因素很多，多数遥感监测结果针对具 体的病虫害问题，没有涉及作物生产过程中的其他问题，无法在农业生产管理中具体实践 以及现有技术的应用多在实验室环境中进行的，实验室中的环境单一，噪声干扰较少，往 往能够取得较好的效果，而实际的大田环境中存在各种干扰，导致高光谱技术在大田棉蚜 虫害诊断过程中由于适用性不强而造成准确率不高、研究对象和技术脱节等问题的问题， 本发明提供了。
17.本发明采用的技术方案如下：
18.一种棉花蚜虫遥感预报模型的构建方法，包括以下步骤：
19.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；
20.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；
21.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；
22.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；
23.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；
24.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；
25.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；
26.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。
27.采用该技术方案后，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，构建蚜虫扩散模型，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。
28.作为优选，步骤1中通过地物光谱仪获得棉花冠层地面高光谱数据，所述地物光谱
仪 的观测探头离棉花冠层的高度为h，所述高度h的计算公式为：其中θ为观 测探头视场角，l为棉花种植行距。
29.采用该技术方案后，根据探头视场角和棉花种植行距计算出光谱仪观测探头离棉花冠 层的高度h，更加准确精准。
30.作为优选，步骤2中获得地面高光谱棉蚜识别模型的具体步骤包括：
31.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；
32.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；
33.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；
34.其中，导数采用和公式模型进行计 算；
35.其中，r
1st
(λi)为在光谱段λi上的一阶导数值，r(λi)为i波段处的反射率数值，r(λ
i+1
)为(i+1)波段处的反射率数值；r
2nd
(λi)为在光谱段λi上的二阶导数值；
36.微分采用和ρ
″
(λi)＝[ρ
′
(λ
i+1
)-ρ
′
(λ
i-1
)]/2(λ
i+1-λ
i-1
)公式模 型进行计算；
[0037]
其中，ρ
′
(λi)为在光谱段λi上的一阶微分值；ρ(λ
i+1
)为(i+1)波段处的反射率数值； ρ(λ
i-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
′
(λ
i+1
)为(i+1) 波段处的一阶微分值；ρ
′
(λ
i-1
)为(i-1)波段处的一阶微分值；λi为i波段的波长值；λ
i+1
为 (i+1)波段的波长值。
[0038]
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r
(550,760)
和病害植株光谱指数β；
[0039]
其中，nnir指数采用公式模型进行计算，其中nnir为植被指数， ρ
760
为760nm波段处的反射率值；ρ
650
为650nm波段处的反射率值；ρ
550
为550nm波段处的 反射率值；
[0040]
红边指数r
(550,760)
采用公式模型进行计算，其中r
(550,760)
为比值植被指 数；ρ
760
为760nm波段处的反射率值；ρ
550
为550nm波段处的反射率值；
[0041]
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， r
(550,760)
为比值植被指数；
[0042]
步骤2.5：虫害判断：根据步骤2.4计算出的红边指数r
(550,760)
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；
[0043]
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；
[0044]
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。
[0045]
作为优选，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：
[0046]
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；
[0047]
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，；
[0048]
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；
[0049]
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envi registration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；
[0050]
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：
[0051]
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nnir
mul
指数(f＝1.26；df＝4,12；ap＝0.0368)、红边指 数r
mul
(550，760)(f＝1.57；df＝4,12；ap＝0.0460)和病害植株光谱指数β
mul
(f＝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， a
p＜0.05；bp＜0.001；
[0052]
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。
[0053]
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；
[0054]
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：
[0055]
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；
[0056]
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nnir
mul
指数、 红边指数r
mul
(550，760)和病害植株光谱指数β
mul
，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；
[0057]
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；
[0058]
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，参照 步骤3.5，采用深度学习算法构建高光谱影像棉蚜识别模型。
[0059]
作为优选，步骤4中构建棉花生长模型的具体步骤包括：
[0060]
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；
[0061]
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；
[0062]
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u
(min，max
)或者正态分布对参数进行标定，具体标定公式为：logl＝logl
lai
+logl
yield
；
[0063]
logl
laf
＝-0.5(x-x
obs
)
t
∑-1
(x-x
obs
)-0.5klog(2π)-0.5log(δ∑)；
[0064][0065]
其中，l表示似然函数；x和x
obs
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y
obs
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；
[0066]
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；
[0067]
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。
[0068]
作为优选，步骤4.1中获得预测图像的具体步骤包括：
[0069]
步骤4.1.1：对步骤3获得的多源遥感数据进行精确的几何配准；
[0070]
步骤4.1.2：对多源遥感数据进行平移不变性小波变换，从而得到相应不同分辨率、不 同方向上小波变换低频及高频分量系数；
[0071]
步骤4.1.3：将步骤4.1.2获得的低频系数利用加权平均进行融合，高低频系数利用大 算子进行融合；
[0072]
步骤4.1.4：进行逆小波变换得到预测图像；
[0073]
作为优选，步骤4.2中获得融合图像的具体步骤包括：
[0074]
步骤4.2.1：对步骤3获得的每一源图像分别进行对比度塔形分解，建立各图像的对比 度金字塔；
[0075]
步骤4.2.2：对图像金字塔的各分解层分别进行融合处理，对分解后图像的低频部分采 取加权平均算子，对高频部分使用大算子处理，得到融合后图像的对比度金字塔；
[0076]
步骤4.2.3：对融合后的对比度金字塔进行逆塔形变换，得到的重构图像为融合图像。
[0077]
作为优选，所述4dvar同化算法的操作具体步骤包括：
[0078]
步骤4.3.1：以模式预报场作为初估场；
[0079]
步骤4.3.2：对更新后的场作初值化处理；
[0080]
步骤4.3.3：模式向前预报若干步，并将新的预报场作为下一次更新的初估场，然后再 返回到步骤4.3.1，形成循环。
[0081]
作为优选，步骤5中构建棉蚜扩散模型的具体步骤包括：
[0082]
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；
[0083]
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；
[0084]
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；
[0085]
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。
[0086]
作为优选，步骤5.4中构建棉蚜扩散模型的具体构建公式包括：
[0087]
设u(x，y，t)为t时刻(x，y)处的棉蚜数量，k(u)为种群动态，则有公式： k(u)＝a(x，y，t)u+b(x，y，t)，其中b(x，y，t)为棉蚜扩散率；
[0088]
其中p(x，y，t)为扩散系数；
[0089]
a(x，y，t)＝e(x，y，t)-d(x，y，t)+c(x，y，t)，其中e(x，y，t)为棉蚜出生速率；c(x，y，t)为棉 蚜迁移速率；d(x，y，t)为棉蚜死亡速率；
[0090]
其中q(x，y，t)为迁移系数；
[0091]
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p(x，y，t)＝p(t)， q(x，y，t)＝q(t)，e(x，y，t)＝e(t)，d(x，y，t)＝d(t)，则有：
[0092]
其中出生 速率e(t)和死亡速率d(t)由实地调查获得。
[0093]
作为优选，步骤6中构建棉花蚜虫遥感预报模型的具体步骤包括：
[0094]
步骤6.1：异源数据同化：基于4dvar同化方法，对步骤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 型进行异源数据同化，得到同化耦合系统；
[0095]
步骤6.2：棉花生长与蚜虫虫害胁迫模型选择:基于步骤6.1的同化耦合系统与从步 骤3中通过多光谱影像棉蚜识别模型和高光谱影像棉蚜识别模型获得的影像上识别的棉花 蚜虫数据，采用偏最小二乘模型构建棉蚜虫害胁迫模型，公式模型如下：
[0096]
x＝tp
t
+e
[0097]
y＝uq
t
+f
[0098]
其中，x为n
×
m的预测矩阵；y为n
×
p的响应矩阵；t为n
×
l的x投影矩阵；u为n
×
l 的y投影矩阵；p为m
×
l的正交载荷矩阵；q为p
×
l的正交载荷矩阵；矩阵e和f是误差 项，服
从独立同分布的正态分布随机变量；
[0099]
步骤6.3：构建棉花蚜虫遥感预报模型：基于步骤6.1获得的同化耦合系统，系统分析 棉化生长过程中的棉蚜胁迫状态、棉蚜扩散状态、棉花光谱信息、空-天多源遥感影像信息 的关系，采用最小二乘孪生支持向量机方法构建棉花蚜虫遥感预报模型，计算公式如下：
[0100]
其中h(x)为小波母函数，σ为核函数。
[0101]
综上所述，由于采用了上述技术方案，本发明的有益效果是：
[0102]
1.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；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，构建蚜虫扩散模型，采用4dvar同化方法构建棉花蚜虫 遥感预报模型。
[0103]
2.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。
[0104]
3.为棉花蚜虫信息及时准确监测与虫情防控提供决策支持，进而实现棉田减药稳产和 保护农田生态环境具有重要的应用价值。
附图说明
[0105]
图1为本发明的流程图；
[0106]
图2为本发明的地面调查单元设置示意图；
[0107]
图3为本发明的地面高光谱棉蚜识别模型的构建流程图。
具体实施方式
[0108]
为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中附 图，对本技术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 本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施 例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实 施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施 例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有 其他实施例，都属于本技术保护的范围。
[0109]
实施例1
[0110]
一种棉花蚜虫遥感预报模型的构建方法，包括以下步骤(如图1所示)：
[0111]
本实施例在新疆维吾尔自治区的阿克苏地区沙雅县境内开展。该区域位于塔里木河周 边，土壤盐碱化和沙化严重，棉花是当地的主要种植作物，规模大，种植结构简单。棉花 种植品种为阿克苏地区推荐品种，4月中旬开始播种，棉花蚜虫为田间自然发生。数据采集 时间为5月下旬至7月上旬棉花的苗期。
[0112]
步骤1：棉花冠层地面高光谱数据的采集使用的便携式地物光谱仪为svc hr768，谱段 为350nm-2500nm，768个波段通道，光谱分辨率为3.5nm@1000nm，采用25
°
视场角光纤
病初期至中度病害的转变过程；
[0121]
步骤2.6：特征谱段分析：综合分析步骤2.2预处理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；
[0122]
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 棉蚜遥感识别模型。
[0123]
步骤3：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；
[0124]
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；
[0125]
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；
[0126]
无人机遥感平台包括：四旋翼无人机、飞行控制系统、rededge-mx机载多光谱成像仪、 地面控制系统、数据处理系统、微型便携式计算机。其中四旋翼无人机为大疆经纬m300， 续航时间为30分钟；rededge-mx机载多光谱成像仪为micasense公司产品，采用悬停扫 描成像方式，光谱范围为400-900nm(蓝波段中心波长475nm，波宽40nm；绿波段中心波长 为560nm，波宽20nm；红波段中心波长为668nm，波宽10nm；红边波段中心波长为717nm， 波宽10nm；近红外波段中心波长为840nm，波宽40nm)，水平视场角为47.2
°
，空间分辨 率为0.08m@120米高度。无人机遥感作业当天晴朗无云，风速小于3级，航速3m/s，航高 50m,航向重叠度75％，旁向重叠度75％。按规定采集数据后，利用pix4d软件进行数据预处 理工作。无人机遥感作业当天晴朗无云，风速小于3级，航速3m/s，航高50m,航向重叠度 75％，旁向重叠度75％。按规定采集数据后，利用pix4d软件进行数据预处理工作，具体步 骤包括：
[0127]
步骤3.1：无人机遥感数据的采集：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；
[0128]
步骤3.2：无人机遥感数据的数据处理：将步骤3.1得到的无人机棉花冠层多光谱数据 集经过分析处理后得到无人机多/高光谱影像、全色影像、rgb影像、近红外单波段影像和 红边谱段影像，并对影像进行savitzky-golay平滑处理、光谱微分处理后，获得标准预处 理数据，使用envi roi工具进行裁切，得到目标地块的无人机多光谱影像数据和无人机高 光谱影像数据。
[0129]
步骤3.3：卫星遥感数据的采集：根据步骤1的时间节点，编程采集“珠海一号”卫星 星座高光谱数据和“高分五号”高光谱数据；同步获取目标地区的“高分六号”高分辨率 卫星影像；
[0130]
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envi registration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；
[0131]
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：
[0132]
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nnir
mul
指数(f＝1.26；df＝4,12；ap＝0.0368)、红边指 数r
mul
(550，760)(f＝1.57；df＝4,12；ap＝0.0460)和病害植株光谱指数β
mul
(f＝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， a
p＜0.05；bp＜0.001；
[0133]
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；
[0134]
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；
[0135]
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：
[0136]
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；
[0137]
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nnir
mul
指数、 红边指数r
mul
(550，760)和病害植株光谱指数β
mul
，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；
[0138]
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；
[0139]
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。
[0140]
步骤4：对步骤1得到的棉花生长物候数据，对棉花生长物候数据进行分析处理构建棉 花生长模型；
[0141]
步骤4.1：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；得到预测图 像具体步骤包括：
[0142]
步骤4.1.1：对步骤3获得的多源遥感数据进行精确的几何配准；
[0143]
步骤4.1.2：对多源遥感数据进行平移不变性小波变换，从而得到相应不同分辨率、不 同方向上小波变换低频及高频分量系数；
[0144]
步骤4.1.3：将步骤4.1.2获得的低频系数利用加权平均进行融合，高低频系数利用大 算子进行融合；
[0145]
步骤4.1.4：进行逆小波变换得到预测图像。
[0146]
步骤4.2：对步骤3中采集的多源遥感数据进行处理得到融合图像；得到融合图像的具 体步骤包括：
[0147]
步骤4.2.1：对步骤3获得的每一源图像分别进行对比度塔形分解，建立各图像的对比 度金字塔；
[0148]
步骤4.2.2：对图像金字塔的各分解层分别进行融合处理，对分解后图像的低频部分采 取加权平均算子，对高频部分使用大算子处理，得到融合后图像的对比度金字塔；
[0149]
步骤4.2.3：对融合后的对比度金字塔进行逆塔形变换，得到的重构图像为融合图像。 步骤4.3：确立同化算法：采用4dvar同化算法，得到同化数据，算法公式为具体操作步骤如下：
[0150]
步骤4.3.1：以模式预报场作为初估场；
[0151]
步骤4.3.2：对更新后的场作初值化处理；
[0152]
步骤4.3.3：模式向前预报若干步，并将新的预报场作为下一次更新的初估场，然后再 返回到步骤4.3.1，形成循环。
[0153]
步骤4.4：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u
(min，max)
或者正态分布对参数进行标定，具体标定公式为：logl＝logl
lai
+logl
yield
；
[0154]
logl
laf
＝-0.5(x-x
obs
)
t
∑-1
(x-x
obs
)-0.5klog(2π)-0.5log(δ∑)；
[0155][0156]
其中，l表示似然函数；x和x
obs
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；v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y
obs
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。
[0157]
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。
[0158]
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；
[0159]
棉蚜作为棉田的棉花主要病虫害之一，在其他因素具备的条件下，气象条件成为决定 棉蚜发生与扩散变化的关键因素，温度、湿度、雨量与风是影响棉蚜发生与扩散的重要因 素。因此需研究棉蚜与气象因子的关系，揭示棉蚜发生的气象条件与变化规律(即本实施 例中的影响因子为气象因子)。
[0160]
步骤5.1：棉蚜虫口数统计：自棉花三叶期开始，参照《棉蚜技术规程》要求，每日统 计样点内需要统计间作苜蓿棉田的植株全株和单叶的棉蚜虫口数与棉蚜天敌数，并记录植 株所在的空间位置信息(包括气象因子)；
[0161]
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；
[0162]
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、棉蚜虫口数与气象因子的关系；
[0163]
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。
[0164]
步骤5.4中构建棉蚜扩散模型的具体构建公式包括：
[0165]
设u(x，y，t)为t时刻(x，y)处的棉蚜数量，k(u)为种群动态，则有公式： k(u)＝a(x，y，t)u+b(x，y，t)，其中b(x，y，t)为棉蚜扩散率；
[0166]
其中p(x，y，t)为扩散系数；
[0167]
a(x，y，t)＝e(x，y，t)-d(x，y，t)+c(x，y，t)，其中e(x，y，t)为棉蚜出生速率；c(x，y，t)为棉 蚜迁移速率；d(x，y，t)为棉蚜死亡速率；
[0168]
其中q(x，y，t)为迁移系数；
[0169]
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p(x，y，t)＝p(t)， q(x，y，t)＝q(t)，e(x，y，t)＝e(t)，d(x，y，t)＝d(t)，则有：
[0170]
其中出生 速率e(t)和死亡速率d(t)由实地调查获得。
[0171]
步骤6：对步骤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采用4dvar同化方法，构建棉花蚜虫遥 感预报模型；
[0172]
步骤6.1：异源数据同化：基于4dvar同化方法，对步骤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 型进行异源数据同化，得到同化耦合系统；
[0173]
步骤6.2：棉花生长与蚜虫虫害胁迫模型选择:基于步骤6.1的同化耦合系统与从 步骤3中通过多光谱影像棉蚜识别模型和高光谱影像棉蚜识别模型获得的影像上识别的棉 花蚜虫数据，采用偏最小二乘模型构建棉蚜虫害胁迫模型，公式模型如下：
[0174]
x＝tp
t
+e
[0175]
y＝uq
t
+f
[0176]
其中，x为n
×
m的预测矩阵；y为n
×
p的响应矩阵；t为n
×
l的x投影矩阵；u为n
×
l 的y投影矩阵；p为m
×
l的正交载荷矩阵；q为p
×
l的正交载荷矩阵；矩阵e和f是误差 项，服从独立同分布的正态分布随机变量；
[0177]
步骤6.3：构建棉花蚜虫遥感预报模型：基于步骤6.1获得的同化耦合系统，系统分析 棉化生长过程中的棉蚜胁迫状态、棉蚜扩散状态、棉花光谱信息、空-天多源遥感影像信息 的关系，采用最小二乘孪生支持向量机方法构建棉花蚜虫遥感预报模型，计算公式如下：
[0178]
其中h(x)为小波母函数，σ为核函数。
[0179]
经过上述实施例表明，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，构建蚜虫扩散模型，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。
[0180]
以上所述实施例仅表达了本技术的具体实施方式，其描述较为具体和详细，但并不能 因此而理解为对本技术保护范围的限制。应当指出的是，对于本领域的普通技术人员来说， 在不脱离本技术技术方案构思的前提下，还可以做出若干变形和改进，这些都属于本技术 的保护范围。

相关知识

基于Logistic算法与遥感影像的棉花虫害监测研究
基于无人机多光谱遥感影像的棉花虫害监测研究
新疆棉花主要虫害预测预报模型研究
高光谱相机:棉花蚜虫危害快速识别方法
无人机遥感监测作物病虫害研究进展
罂粟花病虫害预测预报.docx
病虫害预测预报模型.docx
一种改进的深度置信网络在棉花病虫害预测中的应用
大豆病虫害预测预报.docx
植物病虫害的预测预报.pptx

网址: 一种棉花蚜虫遥感预报模型的构建方法 https://m.huajiangbk.com/newsview547977.html