一种水稻虫害程度预测方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术公开了一种水稻虫害程度预测方法、装置、电子设备及存储介质，所述方法包括采集待测区域内的图像；根据待测区域内的图像，计算待测区域内与水稻生理参数呈显著相关的植被指数作为模型的自变量数据；将该自变量数据输入预先构建的水稻虫害程度预测模型中，得到预测的水稻生理参数值，根据水稻生理参数值判断水稻虫害处于何种程度，本发明专利技术在减少人力资源消耗的同时克服了卫星遥感易受云层影响、数据精度不高的缺点，能够更加方便地获取高精度的大田水稻受虫害后的生长信息，为预防和减轻水稻虫害提供参考依据。水稻虫害提供参考依据。水稻虫害提供参考依据。

【技术实现步骤摘要】
一种水稻虫害程度预测方法、装置、电子设备及存储介质


[0001]本专利技术涉及一种水稻虫害程度预测方法、装置、电子设备及存储介质，属于图像预测


技术介绍

[0002]粮食问题一直是国家的重点关注对象，关乎人类的生存、社会的稳定和国家的经济发展。水稻作为我国主要粮食作物之一，其产量长期受到各种病虫害的影响。开展水稻病虫害调查并对其发生和危害程度进行评估，可充分了解水稻病虫害周年发生规律和危害程度，对科学制定水稻病虫害防控措施具有重要实践意义。通过针对水稻不同时期病虫害对水稻危害的程度进行调查和分级，可提前预防并减少农药使用量和植物保护成本，符合“预防为主，防治结合”的绿色植保方针。
[0003]水稻病虫害的调研方法主要包括传统人工调研、卫星遥感、无人机遥感和地面高光谱遥感四大类。传统的人工调研主要依靠调研人员经验，成本高，速度慢，工作量大，易受主观意识影响，且较难获得大范围的水稻受害情况。卫星遥感是在由人造卫星上搭载的遥感器根据不同地物有不同的光谱特性，同一地物具有相同光谱特性的特点，对地面农作物的长势进行监测。在使用卫星遥感进行水稻病虫害监测时，易受云层影响导致卫星数据和反演结果精度不高。地面高光谱遥感使得受害作物的发展情况得到更加细致的反应，它通过获取受害作物的较高分辨率的光谱信息，反映出作物的光谱特性与差异，结合观测作物的一些生理参数分析，能够精确反应作物的生长情况，是一种高效准确的监测手段，但它同样具有常规检测的缺点。

技术实现思路

[0004]本专利技术的目的在于克服现有技术中的不足，提供一种水稻虫害程度预测方法、装置、电子设备及存储介质，解决传统卫星遥感监测水稻精度不高的的问题。
[0005]为达到上述目的，本专利技术是采用下述技术方案实现的：
[0006]第一方面，本专利技术提供了一种水稻虫害程度预测方法，包括：
[0007]采集待测区域内的图像；
[0008]根据待测区域内的图像，计算待测区域内与水稻生理参数呈显著相关的植被指数作为模型的自变量数据；
[0009]将该自变量数据输入预先构建的水稻虫害程度预测模型中，得到预测的水稻生理参数值，根据水稻生理参数值判断水稻虫害处于何种程度。
[0010]进一步的，所述水稻虫害程度预测模型的构建方法包括：
[0011]获取无人机在各个水稻生长期采集的各个样本区域的多幅水稻影像；
[0012]对多幅水稻影像进行处理，得到与水稻生理参数存在显著关系的各植被指数；
[0013]将与水稻生理参数存在显著关系的各植被指数作为自变量，将对应的水稻生理参数作为因变量，建立多元逐步回归模型；
[0014]将预先从各植被指数中选定的一部分训练样本作为自变量，将对应的水稻生理参数作为因变量，进行BP神经网络训练，得到BP神经网络模型；
[0015]对多元逐步回归模型和BP神经网络模型进行精度检验，选择精度较高的模型作为水稻虫害程度预测模型。
[0016]进一步的，所述对多幅水稻影像进行处理，得到与水稻生理参数存在显著关系的各植被指数，包括：
[0017]将同一生育期的同一样本区的多幅水稻影像进行特征点匹配和图像拼接，对拼接完的图像进行点云密集化处理，得到加密后的图像；
[0018]对加密后的图像进行几何校正，得到正射影像图和五个光谱波段反射率图；
[0019]将得到的五个光谱波段反射率图进行波段合成，形成一幅反射率图；
[0020]将反射率图转化为植被指数图，提取各生育期各样点区域的各植被指数；
[0021]将不同生育期的各植被指数与对应各等级的水稻生理参数进行相关性分析，以选出与水稻生理参数存在显著关系的植被指数。
[0022]进一步的，所述将不同生育期的各植被指数与对应各等级的水稻生理参数进行相关性分析，包括：
[0023]计算各植被指数x与对应各等级的水稻生理参数y之间的相关系数r，公式如下：
[0024][0025](1)式中r为相关系数，x
i
为各植被指数值，为各植被指数的均值，y
i
为生理参数值，为生理参数均值,i为样本量i＝1,2,3
…
n；
[0026]检验样本相关系数r是否来自总体相关系数ρ＝0的总体，方法用t检验：
[0027][0028](2)式中t为t检验的统计量值，r为相关系数，n为样本量；
[0029]遵从自由度v＝n
‑
2的t分布，给定显著性水平α，查t分布表，若t>t
α
，则认为相关系数是显著的。
[0030]进一步的，所述多元逐步回归模型的计算公式如下：
[0031]y
多元
＝b0+b1x1+
…
+b
p
x
p
ꢀꢀꢀ
(3)
[0032]其中x1～x
p
均为自变量，b0～b
p
均为回归系数，y
多元
为因变量。
[0033]进一步的，所述BP神经网络包括输入层、隐含层、输出层，其中，隐含层有一层或多层，每一层有若干节点，层与层之间节点的连接状态通过权重来体现；所述BP神经网络的节点包括输入项、权重、偏置、激活函数、输出项。
[0034]进一步的，所述对多元逐步回归模型和BP神经网络模型进行精度检验，选择精度较高的模型作为水稻虫害程度预测模型，包括:
[0035]计算多元逐步回归模型和BP神经网络模型的决定系数R2，公式如下：
[0036][0037](4)式中R2为决定系数，y
i
为实测水稻生理参数值，为y
i
的均值，为由与y
i
对应的植被指数经过多元逐步回归模型或BP神经网路模型所得预测值；
[0038]计算多元逐步回归模型和BP神经网络模型的均方根误差RMSE,公式如下：
[0039][0040]两个模型的拟合结果中决定系数R2最接近于1和均方根误差RMSE最接近于0，拟合效果最好，即若1>R
2BP
>R
2多元
且0<RMSE
BP
<RMSE
多元
，则选择BP神经网络；
[0041]两个模型的拟合结果，若其中一个模型的决定系数R2较低，但均方根误差RMSE更接近于0，则优先选择该模型，即若0<RMSE
BP
<RMSE
多元
，R
2BP
<R
2多元
,仍选择BP神经网络；
[0042]两个模型的拟合结果，若均方根误差RMSE一致，则优先选择决定系数R2更接近1的模型，即若RMSE
BP
＝RMSE
多元
,R
2BP
&本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种水稻虫害程度预测方法，其特征在于，包括：采集待测区域内的图像；根据待测区域内的图像，计算待测区域内与水稻生理参数呈显著相关的植被指数作为模型的自变量数据；将该自变量数据输入预先构建的水稻虫害程度预测模型中，得到预测的水稻生理参数值，根据水稻生理参数值判断水稻虫害处于何种程度。2.根据权利要求1所述的水稻虫害程度预测方法，其特征在于，所述水稻虫害程度预测模型的构建方法包括：获取无人机在各个水稻生长期采集的各个样本区域的多幅水稻影像；对多幅水稻影像进行处理，得到与水稻生理参数存在显著关系的各植被指数；将与水稻生理参数存在显著关系的各植被指数作为自变量，将对应的水稻生理参数作为因变量，建立多元逐步回归模型；将预先从各植被指数中选定的一部分训练样本作为自变量，将对应的水稻生理参数作为因变量，进行BP神经网络训练，得到BP神经网络模型；对多元逐步回归模型和BP神经网络模型进行精度检验，选择精度较高的模型作为水稻虫害程度预测模型。3.根据权利要求2所述的水稻虫害程度预测方法，其特征在于，所述对多幅水稻影像进行处理，得到与水稻生理参数存在显著关系的各植被指数，包括：将同一生育期的同一样本区的多幅水稻影像进行特征点匹配和图像拼接，对拼接完的图像进行点云密集化处理，得到加密后的图像；对加密后的图像进行几何校正，得到正射影像图和五个光谱波段反射率图；将得到的五个光谱波段反射率图进行波段合成，形成一幅反射率图；将反射率图转化为植被指数图，提取各生育期各样点区域的各植被指数；将不同生育期的各植被指数与对应各等级的水稻生理参数进行相关性分析，以选出与水稻生理参数存在显著关系的植被指数。4.根据权利要求3所述的水稻虫害程度预测方法，其特征在于，所述将不同生育期的各植被指数与对应各等级的水稻生理参数进行相关性分析，包括：计算各植被指数x与对应各等级的水稻生理参数y之间的相关系数r，公式如下：(1)式中r为相关系数，x
i
为各植被指数值，为各植被指数的均值，y
i
为生理参数值，为生理参数均值,i为样本量i＝1,2,3
…
n；检验样本相关系数r是否来自总体相关系数ρ＝0的总体，方法用t检验：(2)式中t为t检验的统计量值，r为相关系数，n为样本量；遵从自由度v＝n
‑
2的t分布，给定显著性水平α，查t分布表，若t>t
α
，则认为相关系数是显著的。
5.根据权利要求2所述的水稻虫害程度预测方法，其特征在于，所述多元逐步回归模型的计算公式如下：y
多元
＝b0+b1x1+
…
+b
p
x
p
ꢀꢀꢀꢀ
(3)(3)式中x1～x
p
均为自变量，b0～b
p
均为回归系数，y
多元
为因变量。6.根据权利要求2所述的水稻虫害程度预测方法，其特征在于，所述BP...

【专利技术属性】
技术研发人员：包云轩，陈晨，郭铭淇，王可心，杨诗俊，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：