【技术实现步骤摘要】
本申请涉及作物受灾评估，尤其涉及一种作物受灾程度分析方法、设备及存储介质。
技术介绍
1、精准、快速获取病虫害在农田地块的空间分布与发展趋势，能够为病虫害防治提供参考，是提升作物产量的重要手段。
2、近年来，随着无人机与传感器等硬件的飞速发展和计算机技术、机器视觉技术的不断成熟，无人机遥感已经成功应用于作物长势监测、作物识别、病虫害监测、面积测算和产量估算等方面，尤其在作物病虫害监测方面成绩斐然。当作物发生病虫害时，其颜色、纹理、形状等会发生变化，与健康情况下相比其反射率会表现出明显的差异。通过测定不同波段上的反射率并加以对比分析，可以实现对病虫害的监测。其监测的方法可以概括成两种情况，单一监测方法：指只通过无人机遥感及相关的图像处理软件来实现作物的病虫害识别；综合监测法：通过无人机遥感和人工解译等手段的结合来实现病虫害的监测。
3、在成像数据的选择上，主要可分为可见光成像遥感、多光谱成像遥感、高光谱成像遥感、热红外成像遥感、激光雷达成像遥感。可见光成像遥感即在无人机上搭载可见光相机进行拍摄，获取红、蓝、绿三个波段影像，提取超绿特征因子、大气阻力指数等特征进行后续研究；多光谱成像遥感将作物分为几个窄波段来测定反射率，从而进行作物病虫害的识别；高光谱成像其光谱分辨率更高，有光谱连续、波段更多、数据量更多的特点，其精度更高；热红外主要是根据温度的变化分析作物的病虫害，但该方法很容易受到外界环境的影响；激光雷达成像遥感利用激光反射强度来实现作物的病虫害监测，但激光雷达造价较高，在小范围的病虫害监测上普及较为困难
4、现有技术方案，最准确的方法是实地调查进行烟草病害分级，该方法耗费人力物力，效率较低，且数据形式为点数据来估计面数据；在利用空基或天基平台进行烟草病虫害受灾分析时，仅依靠单一监测数据来实现，该方法在定性判断上可起到作用，但是在定量判断上，多为抽象的数字增减，无法形成有效的分析结果；在使用地基物联网设备进行烟草受灾情况分析时，大多利用摄像头拍摄照片进行机器视觉方法进行识别虫害或病害情况，但该方法通常仅用于感知是否发生病虫害，且对单个点位进行监测，该区域的其他位置无法得到有效监测，病虫害发生情况易遗漏，难以进行有效的受灾程度分析。
技术实现思路
1、本申请的主要目的在于提供一种作物受灾程度分析方法、设备及存储介质，旨在针对现有技术在对病虫害进行监测时大多依靠人力采样以估计整片区域受灾情况、以及依靠天空地平台时无法定量获得病虫害判断结果、且易遗漏存在病虫害的问题，通过引入天基、空基及地基等多平台数据并将天基、空基的影像进行校正并映射至病情指数上，实现对受灾程度的定量计算，同时有效降低因不同传感器、不同天气条件下采集数据的不同而造成的误差，从而提高了定量判断的准确性。
2、第一方面，本申请提供一种作物受灾程度分析方法，所述作物受灾程度分析方法包括以下步骤：
3、响应于作物种植区域范围内各样方的第一外业数据，根据所述第一外业数据计算样方病情指数；
4、响应于作物种植区域的原始影像数据，对所述原始影像数据进行影像预处理后，选取各样方对应位置的多光谱波段数据，根据各样方的所述多光谱波段数据及所述样方病情指数进行循环交叉验证，得到病情指数反演模型；
5、响应于样方外各采样点的第二外业数据，根据所述第二外业数据通过所述病情指数反演模型反演各采样点病情指数，并计算各采样点的归一化植被指数，以对所述病情指数反演模型进行一致性检验，进而得到灾害监测模型；
6、响应于灾害前后的第一影像数据及第二影像数据，对所述第一影像数据及所述第二影像数据进行预处理后，通过所述灾害监测模型反演得到第一期病情指数和第二期病情指数，并计算病情指数增长值，以对受灾程度进行分析评定。
7、第二方面，本申请还提供了一种口语测试装置，所述口语测试装置包括：
8、病情指数获取模块：用于响应于作物种植区域范围内各样方的第一外业数据，根据所述第一外业数据计算样方病情指数；
9、反演模型建立模块：用于响应于作物种植区域的原始影像数据，对所述原始影像数据进行影像预处理后，选取各样方对应位置的多光谱波段数据，根据各样方的所述多光谱波段数据及所述样方病情指数进行循环交叉验证，得到病情指数反演模型；
10、模型一致性检验模块：用于响应于样方外各采样点的第二外业数据，根据所述第二外业数据通过所述病情指数反演模型反演各采样点病情指数，并计算各采样点的归一化植被指数，以对所述病情指数反演模型进行一致性检验，进而得到灾害监测模型；
11、受灾程度评定模块：用于响应于灾害发生前后的第一影像数据及第二影像数据，对所述第一影像数据及所述第二影像数据进行预处理后，通过所述灾害监测模型得到第一期病情指数和第二期病情指数，并计算病情指数增长值，以对受灾程度进行分析评定。
12、第三方面，本申请还提供一种计算机设备，所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如上述的作物受灾程度分析方法的步骤。
13、第四方面，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如上述的作物受灾程度分析方法的步骤。
14、本申请提供一种作物受灾程度分析方法、设备及存储介质，方法包括：响应于作物种植区域范围内各样方的第一外业数据，根据所述第一外业数据计算样方病情指数；响应于作物种植区域的原始影像数据，对所述原始影像数据进行影像预处理后，选取各样方对应位置的多光谱波段数据，根据各样方的所述多光谱波段数据及所述样方病情指数进行循环交叉验证，得到病情指数反演模型；响应于样方外各采样点的第二外业数据，根据所述第二外业数据通过所述病情指数反演模型反演各采样点病情指数，并计算各采样点的归一化植被指数，以对所述病情指数反演模型进行一致性检验，进而得到灾害监测模型；响应于灾害前后的第一影像数据及第二影像数据，对所述第一影像数据及所述第二影像数据进行预处理后，通过所述灾害监测模型反演得到第一期病情指数和第二期病情指数，并计算病情指数增长值，以对受灾程度进行分析评定。本申请通过引入天基、空基及地基等多平台数据对作物种植区与内受灾情况进行监测，仅在首次建模过程中需要人力进行样本采集，减少了绝大多数的人力物力成本；其次通过将天基、空基的影像进行校正并映射至病情指数上，实现对受灾程度的定量计算，同时有效降低因不同传感器、不同天气条件下采集数据的不同二造成的误差，从而提高了定量判断的准确性。
本文档来自技高网...【技术保护点】
1.一种作物受灾程度分析方法，其特征在于，包括：
2.根据权利要求1所述的作物受灾程度分析方法，其特征在于，所述响应于作物种植区域范围内各样方的第一外业数据，根据所述第一外业数据计算样方病情指数，包括：
3.根据权利要求2所述的作物受灾程度分析方法，其特征在于，所述响应于作物种植区域的原始影像数据，对所述原始影像数据进行影像预处理后，选取各样方对应位置的多光谱波段数据，根据各样方的所述多光谱波段数据及所述样方病情指数进行循环交叉验证，得到病情指数反演模型，包括：
4.根据权利要求1-3任意一项所述的作物受灾程度分析方法，其特征在于，所述响应于样方外各采样点的第二外业数据，根据所述第二外业数据通过所述病情指数反演模型反演各采样点病情指数，并计算各采样点的归一化植被指数，以对所述病情指数反演模型进行一致性检验，进而得到灾害监测模型，包括：
5.根据权利要求4所述的作物受灾程度分析方法，其特征在于，所述响应于灾害前后的第一影像数据及第二影像数据，对所述第一影像数据及所述第二影像数据进行预处理后，通过所述灾害监测模型反演得到第一期病情指数和
6.一种作物受灾程度分析装置，其特征在于，包括：
7.根据权利要求6所述的作物受灾程度分析装置，其特征在于，所述反演模型建立模块包括：
8.根据权利要求6-7任意一项所述的作物受灾程度分析装置，其特征在于，所述模型一致性检验模块包括：
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如权利要求1-5中任意一项所述的作物受灾程度分析方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5中任意一项所述的作物受灾程度分析方法。
...【技术特征摘要】
1.一种作物受灾程度分析方法，其特征在于，包括：
2.根据权利要求1所述的作物受灾程度分析方法，其特征在于，所述响应于作物种植区域范围内各样方的第一外业数据，根据所述第一外业数据计算样方病情指数，包括：
3.根据权利要求2所述的作物受灾程度分析方法，其特征在于，所述响应于作物种植区域的原始影像数据，对所述原始影像数据进行影像预处理后，选取各样方对应位置的多光谱波段数据，根据各样方的所述多光谱波段数据及所述样方病情指数进行循环交叉验证，得到病情指数反演模型，包括：
4.根据权利要求1-3任意一项所述的作物受灾程度分析方法，其特征在于，所述响应于样方外各采样点的第二外业数据，根据所述第二外业数据通过所述病情指数反演模型反演各采样点病情指数，并计算各采样点的归一化植被指数，以对所述病情指数反演模型进行一致性检验，进而得到灾害监测模型，包括：
5.根据权利要求4所述的作物受灾程度分析方法，其特征在于，所述...
【专利技术属性】
技术研发人员：周祖煜，陈浩，洪清容，韩明华，陈煜人，张澎彬，杨肖，林波，莫志敏，张浩，
申请(专利权)人：浙江领见数智科技有限公司，
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。