【技术实现步骤摘要】
本专利技术涉及蝗虫密度反演，尤其涉及一种基于遥感技术的蝗虫密度反演方法。
技术介绍
1、蝗虫体积较小，较难从遥感影像上直接进行提取观察，因而采用间接法来研究蝗虫。对蝗虫灾害发生原因所进行的研究表明，蝗虫灾害影响因素有很多，包括虫源基数、气象、人为干扰等因素，其中气象因素的影响作用是最重要最关键的，其对蝗虫整个生命活动都有重要的影响。如在产卵期和孵化期，土壤作为卵块的直接环境载体，其相应的特性和指标(如土壤水分、土壤温度)影响着产卵行为和孵化状况。此外，气象因素影响了植被生长和覆盖度，间接影响了蝗虫的取食和庇护场所的分布。
2、现有技术为了反演、预测蝗灾发生时期和蝗虫数量，通常采用气候预测法，该方法通过分析筛选对蝗虫生存与繁衍有明显影响的关键气象因子，结合蝗灾发生虫口密度进行统计分析，建立蝗虫虫口密度预测模型。其中气象因子主要采用气象站点等处的气象观测数据，而预测模型的建立则主要基于多元线性回归模型。上述蝗灾发生的气候预测法对于蝗灾的预测不够准确，主要原因如下：土壤水分、温度等重要水热条件变化迅速、波动较大，而且气象站等观测点分布比较少，个别气象站数据不全面，不能快速且大范围获取气象因子的信息。其次，多元线性回归模型误差较大，模型结构简单，无法满足大范围高精度的虫害反演工作。
技术实现思路
1、本专利技术的目的在于提供一种基于遥感技术的蝗虫密度反演方法，以解决目前现有基于气象观测数据以及多元线性回归模型的蝗灾预测方法对于蝗灾的预测不够准确的技术问题。
2、本专
3、一种基于遥感技术的蝗虫密度反演方法，包括如下步骤：
4、s1：获取目标区域的遥感及气象观测数据，所述遥感及气象观测数据包括遥感数据及气象观测数据；
5、s2：获取目标区域各采样点的蝗虫密度数据；
6、s3：基于蝗虫密度数据采样点的坐标获取采样点的遥感及气象观测数据像元值；
7、s4：基于像元值获取遥感及气象观测数据的像元特征数据；
8、s5：构建支持向量机模型，利用遥感及气象观测数据的像元特征数据与蝗虫密度数据训练、测试模型，获得蝗虫密度反演模型；
9、s6：基于蝗虫密度反演模型，利用遥感及气象观测数据进行目标区域蝗虫密度反演。
10、进一步的：所述遥感数据包括地表温度遥感数据、ndvi遥感数据、土壤湿度遥感数据。
11、进一步的：所述气象观测数据包括降水气象数据、平均风速气象数据、平均相对湿度气象数据、平均最低气温气象数据。
12、进一步的：所述遥感数据、气象观测数据均为旬值数据。
13、进一步的：步骤s4中，计算步骤s3中各像元值数据与蝗虫密度的相关度，获得各像元值数据与蝗虫密度的相关系数，依据相关系数获得遥感及气象观测数据的像元特征数据。
14、进一步的：步骤s5中，将步骤s4中获得的各像元特征数据以及蝗虫密度数据，随机分为用于训练模型的训练组数据和用于测试模型的测试组数据；
15、利用测试组数据测试模型时将测试组数据中的像元特征数据输入支持向量机模型中获得像元特征数据对应坐标的反演蝗虫密度，基于反演蝗虫密度与对应坐标的实际蝗虫密度进行模型精度测试。
16、进一步的：使用主成分分析算法对训练组数据进行降维处理，将降维后的数据分为降维训练组数据和降维验证组数据，降维训练组数据用于训练模型，降维验证组数据用于验证模型。
17、进一步的：步骤s5具体包括如下步骤：
18、s51：对训练组数据进行标准化处理；
19、s52：对标准化后的数据应用主成分分析算法，确定数据中的主成分；
20、s53：对数据进行降维处理，具体为保留前n个主成分，使得累积方差贡献率大于85％；
21、s54：将上一步骤中降维后的数据分为降维训练组数据和降维验证组数据，其中降维训练组数据占比为4/5，降维验证组数据占比为1/5；
22、s55：将降维训练组数据输入支持向量机模型中训练模型；
23、s56：利用降维验证组数据进行模型验证、调优。
24、进一步的：步骤s56中，对模型进行调优时，可以调整支持向量机模型的超参数、惩罚参数、核函数参数以及主成分分析的主成分数量。
25、进一步的：利用测试组数据测试模型时采用均方根误差rmse和相对误差re来对模型进行测试，其中均方根误差rmse和相对误差re的计算公式如下：
26、
27、
28、公式中xi为反演蝗虫密度值，xj为测试组数据中的实际蝗虫密度值，n为测试组中蝗虫密度的采样点的个数。
29、本专利技术基于遥感技术的蝗虫密度反演方法利用遥感数据及气象观测数据，通过构建、训练、测试支持向量机模型获得蝗虫密度反演模型，基于蝗虫密度反演模型进行蝗虫密度反演。相比于气象观测数据，遥感数据具有更高的空间分辨率、更高的精度，相比于仅利用气象观测数据的蝗虫密度反演方法，本专利技术同时利用了包括遥感数据及气象观测数据的多源数据，提升了蝗虫密度反演、蝗灾预测的精确性。而且遥感数据的获取更加快捷方便，使得本专利技术适用于大范围蝗灾的反演、预测。此外本专利技术反演模型的建立基于支持向量机模型，相比于多元线性回归模型，支持向量机模型更为精确，可以全面的考虑到和蝗虫密度、蝗灾有关的大部分数据，并且能更好的处理非线性关系。本专利技术的反演方法对蝗灾的早期预防性预测有较大帮助，能够使人较早的对蝗灾做出预防。
本文档来自技高网...【技术保护点】
1.一种基于遥感技术的蝗虫密度反演方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于遥感技术的蝗虫密度反演方法，其特征在于：所述遥感数据包括地表温度遥感数据、NDVI遥感数据、土壤湿度遥感数据。
3.根据权利要求2所述的基于遥感技术的蝗虫密度反演方法，其特征在于：所述气象观测数据包括降水气象数据、平均风速气象数据、平均相对湿度气象数据、平均最低气温气象数据。
4.根据权利要求3所述的基于遥感技术的蝗虫密度反演方法，其特征在于：所述遥感数据、气象观测数据均为旬值数据。
5.根据权利要求1所述的基于遥感技术的蝗虫密度反演方法，其特征在于：
6.根据权利要求1所述的基于遥感技术的蝗虫密度反演方法，其特征在于：
7.根据权利要求6所述的基于遥感技术的蝗虫密度反演方法，其特征在于：
8.根据权利要求6所述的基于遥感技术的蝗虫密度反演方法，其特征在于：步骤S5具体包括如下步骤：
9.根据权利要求8所述的基于遥感技术的蝗虫密度反演方法，其特征在于：
10.根据权利要求6所述的
...【技术特征摘要】
1.一种基于遥感技术的蝗虫密度反演方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于遥感技术的蝗虫密度反演方法，其特征在于：所述遥感数据包括地表温度遥感数据、ndvi遥感数据、土壤湿度遥感数据。
3.根据权利要求2所述的基于遥感技术的蝗虫密度反演方法，其特征在于：所述气象观测数据包括降水气象数据、平均风速气象数据、平均相对湿度气象数据、平均最低气温气象数据。
4.根据权利要求3所述的基于遥感技术的蝗虫密度反演方法，其特征在于：所述遥感数据、气象观测数据均为旬值数据。
5.根据权利要求1所述的基于遥感技术的蝗虫密度反演方...
【专利技术属性】
技术研发人员：王志国，杜强，王楠，宿建宇，
申请(专利权)人：内蒙古工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。