一种无人机遥感栎类食叶虫害监测方法技术

本发明专利技术公开了一种无人机遥感栎类食叶虫害监测方法，具体包括以下步骤：S1、获取目标区域的无人机可见光及多光谱影像，对可见光影像利用深度学习中的卷积神经网络方法，进行土地利用分类，将整个区域按照林地、耕地、建设用地、水域、未利用土地进行分类，获取林地分布边界范围；本发明专利技术涉及森林虫害遥感监测技术领域。该无人机遥感栎类食叶虫害监测方法，无人机航拍角度大，观测范围广，大幅度减少了地面调查工作量，可以实现林场级或县域范围内的监测，无人机航拍影像处理分析结果更加直观展现栎类整体虫害程度，大区域尺度上能够宏观把控受灾情况，减少了人工测量时的产生的误差，从立体角度获取失叶率，更加准确客观。更加准确客观。

【技术实现步骤摘要】
一种无人机遥感栎类食叶虫害监测方法


[0001]本专利技术涉及森林虫害遥感监测
，具体为一种无人机遥感栎类食叶虫害监测方法。

技术介绍

[0002]食叶虫害作为危害我国森林资源的重要因素之一，具有发生数量多、危害程度高的特点，它可引起树木叶片减少或落叶，失叶严重时会导致树木死亡，影响着森林生态安全。
[0003]目前对栎类食叶虫害进行监测，传统方法是依靠林区中的居民或护林员采用地面踏勘方式，观测栎类林冠变化，发现异常上报当地森防站以采取有效防治措施，但由于林区多分布在高山道路崎岖的区域，这种地面调查，现场确认有无虫害的发生，并凭知觉判断其危害程度的方法，费时费力，且具有严重的主观性和滞后性，传统的栎类食叶虫害调查监测方法存在明显的缺点和不足，主要表现在：
[0004](1)、人工调查，由于受到调查视角的限制，难以精确定量估测栎树虫害失叶状况，对于发生栎类虫害区域的边界难以准确界定；
[0005](2)、传统方法计算叶片受害率或虫害木失叶率时，需要获取标准程序繁琐，存在人为误差，工作效率低，难以开展大区域栎类食叶虫害的监测；
[0006](3)、栎类虫害发生没有周期性规律，传统人工调查很难进行连年监测，监测效率低，准确性不高。
[0007]因此迫切需要探索新技术进行栎类食叶虫害的监测工作，以提高监测的及时性和有效性。

技术实现思路

[0008](一)解决的技术问题
[0009]针对现有技术的不足，本专利技术提供了一种无人机遥感栎类食叶虫害监测方法，解决了采用人员地面调查，现场确认有无虫害的发生，并凭知觉判断其危害程度的方法，费时费力，且具有严重的主观性和滞后性的问题。
[0010](二)技术方案
[0011]为实现以上目的，本专利技术通过以下技术方案予以实现：一种无人机遥感栎类食叶虫害监测方法，具体包括以下步骤：
[0012]S1、获取目标区域的无人机可见光及多光谱影像，对可见光影像利用深度学习中的卷积神经网络方法，进行土地利用分类，将整个区域按照林地、耕地、建设用地、水域、未利用土地进行分类，获取林地分布边界范围；
[0013]S2、结合无人机影像，地面光谱库和森林资源二类调查数据，进行栓皮栎、麻栎、蒙古栎和鹅耳栎等栎类树种识别，并根据林业有害生物发生及成灾标准中规定的调查方法，计算单木尺度上的虫口密度和失叶率；
[0014]S3、对获取的多光谱图像进行波段计算，构建植被指数NDVI、增强型植被EVI、RVI比值植被指数，改进红边归一化植被指数mNDVI750，叶面积指数LAI等，数字高程模型DEM，在Matlab中利用植被指数和数字高程模型构建光谱信息、地形信息指数，利用粒子群优化最小二乘支持向量机法根据实测失叶量值，建立模型，通过实地调查及植被指数判断失叶率，确定栎类虫害区域，判断栎类受灾等级；
[0015]S4、周期性获取虫害区域无人机点云数据，分割不同时期虫害木三维模型，利用不同时期点云差计算单木失叶率。
[0016]优选的，所述步骤S2中平均单株虫量A按下式进行计算：
[0017]A＝tn/t
[0018]式中：
[0019]A—平均单株虫量，单位为头/株；
[0020]tn—总虫量，单位为头；
[0021]t—总株数，单位为株。
[0022]单木失叶率计算公式：
[0023]LLR＝(n
i
/t
i
)
×
100％
[0024]式中：
[0025]LLR—失叶率，单位为％；
[0026]n
i
—单株树冠上损失的叶量；
[0027]t
i
—单株树冠上的全部叶量。
[0028]优选的，所述步骤S3中结合NDVI，mNDVI750、LAI、DEM，RVI、EVI，利用粒子群优化最小二乘支持向量机法根据实测失叶量数据，建立模型，设置学习因子c1＝1.7，c2＝5，核函数迭代次数100时，效果最优，然后根据构造的模型，利用如下方法判断栎类食叶害虫危害等级，判断栎类受灾等级的标准为：当失叶率小于20％时，判定为轻度受灾；当失叶率大于20％小于60％时，判定为中度受灾；当失叶率大于60％时，判定为重度受灾。
[0029]优选的，所述步骤S4中利用无人机倾斜摄影技术周期性获取虫害区三维点云，在灾前7月份林木叶子生长量达到时，对郁闭度小于0.3区域，利用无人机倾斜摄影方法获取标准林木三维点云，对郁闭度高于0.3区域，利用手持三维激光扫描仪获取标准林木三维点云，再分别采集轻度、中度、重度时期获取林木三维点云，利用PointCNN卷积神经网络方法进行点云分割和聚类，通过TIN不规则三角网法构建林木叶倾角、下枝指数、林木分形维数参数，分别利用轻度、中度、重度三个时期的点云数据和灾前标准点云数据做差，分离做差后的点云，根据叶倾角、下枝指数、林木分形维计算林木三维失叶量。
[0030]优选的，所述步骤S4中使用Pix4D软件对无人机点云数据进行处理，手持激光雷达的点云数据导入LiDAR360软件后进行点云去噪、分离地面点、生成DEM、归一化处理、生成种子点、导入种子点并编辑、基于编辑后的点云分割等预处理，将点云数据输入到PointCNN中，表示为:F1＝{(p1,i,f1,i):i＝1，2，
…
，N1}，即一组点集及每个点对应的特征集C1表示初始特征通道深度，PointCNN核心操作是X卷积，可简写为：F
p
＝X
‑
Conv(K，p，P，F)＝Conv(K,MLP(P
‑
p)
×
[MLP
δ
(P
‑
p)F])，对于分割任务，需要高分辨率逐点输出，通过在Conv
‑
DeConv之后构建PointCNN来实现。
[0031](三)有益效果
[0032]本专利技术提供了一种无人机遥感栎类食叶虫害监测方法。具备以下有益效果：
[0033](1)、该无人机遥感栎类食叶虫害监测方法，无人机航拍角度大，观测范围广，影像获取难度低，大幅度减少了地面调查工作量，可以实现林场级或县域范围内的监测。
[0034](2)、该无人机遥感栎类食叶虫害监测方法，无人机航拍影像处理分析结果更加直观展现栎类整体虫害程度，大区域尺度上能够宏观把控受灾情况。
[0035](3)、该无人机遥感栎类食叶虫害监测方法，通过无人机对虫害木三维建模估算失叶率，大大减少了人工测量时的产生的误差，从立体角度获取失叶率，更加准确客观。
[0036](4)、该无人机遥感栎类食叶虫害监测方法，对虫害区域危害程度进行了划分，对重灾区进行了敏感波段的提取，能够连年监测栎类区域虫害的发生，提高了防治效率。
具体实施方式
[0037]下面将对本专利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专利技术一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无人机遥感栎类食叶虫害监测方法，其特征在于：具体包括以下步骤：S1、获取目标区域的无人机可见光及多光谱影像，对可见光影像利用深度学习中的卷积神经网络方法，进行土地利用分类，将整个区域按照林地、耕地、建设用地、水域、未利用土地进行分类，获取林地分布边界范围；S2、结合无人机影像，地面光谱库和森林资源二类调查数据，进行栓皮栎、麻栎、蒙古栎和鹅耳栎等栎类树种识别，并根据林业有害生物发生及成灾标准中规定的调查方法，计算单木尺度上的虫口密度和失叶率；S3、对获取的多光谱图像进行波段计算，构建植被指数NDVI、增强型植被EVI、RVI比值植被指数，改进红边归一化植被指数mNDVI750，叶面积指数LAI等，数字高程模型DEM，在Matlab中利用植被指数和数字高程模型构建光谱信息、地形信息指数，利用粒子群优化最小二乘支持向量机法根据实测失叶量值，建立模型，通过实地调查及植被指数判断失叶率，确定栎类虫害区域，判断栎类受灾等级；S4、周期性获取虫害区域无人机点云数据，分割不同时期虫害木三维模型，利用不同时期点云差计算单木失叶率。2.根据权利要求1所述的一种无人机遥感栎类食叶虫害监测方法，其特征在于：所述步骤S2中平均单株虫量A按下式进行计算：A＝tn/t式中：A—平均单株虫量，单位为头/株；tn—总虫量，单位为头；t—总株数，单位为株。单木失叶率计算公式：LLR＝(n
i
/t
i
)
×
100％式中：LLR—失叶率，单位为％；n
i
—单株树冠上损失的叶量；t
i
—单株树冠上的全部叶量。3.根据权利要求1所述的一种无人机遥感栎类食叶虫害监测方法，其特征在于：所述步骤S3中结合NDVI，mNDVI750、LAI、DEM，RVI、EVI，利用粒子群优化最小二乘支持向量机法根据实测失叶量数据，建立模型，设置学习因子c1＝1.7，c2＝5，核函数迭代次数100时，效果最优，然后根据构造的模型，利...

【专利技术属性】
技术研发人员：孙金华，杨柳，杨喜田，王婷，郭二辉，赵辉，林向彬，
申请(专利权)人：河南农业大学，
类型：发明
国别省市：