【技术实现步骤摘要】
本专利技术涉及稻瘟病分级诊断，具体为一种基于多光谱遥感影像的稻瘟病分级诊断方法。
技术介绍
1、水稻是中国主要的粮食经济作物，粮食的生产安全关系到中国社会的稳定与可持续发展。然而，稻瘟病作为危害水稻最严重的病害有着传染性强，发生面积广，难以控制等特点，因此对稻瘟病进行分级诊断，因病施治，精准施肥施药尤为关键，以此提高经济效益，降低成本，为环境安全和食品安全提供支持。
2、传统的作物监测和诊断主要由有经验的生产者或植保专家进行田间普查，通过观察作物的外部形态进行判断，但这种方法不仅需要大量人力和物力的投入，而且难以进行实时和精准监测；卫星遥感技术获取的信息则受限于固定的捕获时间、影像分辨率过低，还存在重访周期长、天气条件限制等问题，提取的信息在单一弄作物上很难有监测意义。随着“智慧农业、精准农业”的大力发展，采用无人机载遥感技术监测作物长势越来越受到重视，无人机遥感解决了低效、耗时等大面积种植农作物的信息获取的问题；同时，农作物遥感技术发展进一步需要用光谱技术解决病虫害难以及时和实时动态监测的问题。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足，本专利技术提供了一种基于多光谱遥感影像的稻瘟病分级诊断方法，解决了上述
技术介绍
中所提出对稻瘟病进行分级诊断，因病施治，精准施肥施药的问题。
3、(二)技术方案
4、本专利技术为了实现上述目的具体采用以下技术方案：
5、一种基于多光谱遥感影像的稻瘟病分级诊断方法，具体
6、步骤1：地面采集实测数据，在研究区域内随机选取51个不同位置的水稻作为采样方，并采集每个采样方的对应坐标，分别计算每个采样方内水稻的病穗比率并确定稻瘟病的四个等级；
7、步骤2：利用无人机载多光谱相机采集水稻冠层多光谱图像数据，研究区域总面积为5000m2；
8、步骤3：对步骤2中获取的水稻冠层多光谱图像数据进行拼接和预处理，得到水稻光谱影像，并计算所述水稻光谱影像的光谱指数；
9、步骤4：对步骤3中得到的所述光谱指数特征集采用随机森林特征选择进行相关性特征排序得到最优光谱特征集；
10、步骤5：将步骤4得出的最优光谱特征集分别采用多个不同机器学习算法分别进行稻瘟病分级诊断；调整各个机器学习模型的参数，寻找到最优阈值，以准确率排名前三的模型组成多分类器，结果进行投票决策的方式进行。
11、进一步地，步骤1中所述在研究区域内随机选取采样方，植保专家对不同的采样区域(1m×1m)按照国家标准并结合实地条件对该区域发病程度进行连续的观测、定级，按照发病程度不同分为无病、轻度、中度、重度4个等级；采样定级区域共计51个。标注采样方中心位置坐标并记录，获取采样方内患病穗个数和水稻穗总数，分别计算每个采样方内水稻的病穗比率rd，病穗比率rd公式如下：
12、rd＝d/s
13、其中，rd为病穗比率，d为采样方内患病穗个数，s为采样方内的水稻穗总数。
14、进一步地，步骤2中所述图像采集设备包括：经纬m600 pro智能六旋翼无人机(最大起飞重量15.5kg；续航时间20min)、rtk定位系统、地面基站。传感器为农业遥感专用的5通道多光谱相机rededge mx；共采集四个水稻生长时期，在图像采集设备中将采集的图像保存为tif格式。
15、进一步地，步骤3中所述所述预处理包括：几何校正、反射率校正和辐射校正；所述的光谱指数包括：ndvi、rvi、dvi、evi、gndvi、savi、osavi、msavi、bndvi、msr、ndre和sipi；具体计算公式如下：
16、
17、
18、dvi＝ρnir-ρr
19、
20、
21、
22、
23、
24、
25、
26、
27、
28、其中，ρb、ρg、ρr、ρre和ρnir分别代表在475nm、560nm、668nm、717nm和840nm处的反射率。
29、进一步地，步骤4中所述采用随机森林特征选择进行相关性排序得到最优光谱特征集。
30、进一步地，将步骤4得出的最优光谱特征集分别采用多个不同机器学习算法分别进行稻瘟病分级诊断；调整各个机器学习模型的参数，寻找到最优阈值，以准确率排名前三的模型组成多分类器，结果进行投票决策的方式进行。
31、(三)有益效果
32、与现有技术相比，本专利技术提供了一种基于多光谱遥感影像的稻瘟病分级诊断方法，具备以下有益效果：
33、本专利技术，通过针对东北水稻为研究对象，选出适合东北水稻的植被指数；对稻瘟病进行及时诊断，辅助精准施肥和施药，提高经济效益，降低成本，为环境安全和食品安全提供了支持；建立稻瘟病分级诊断模型，结合了多种算法的优势，增加了模型的实用性。
本文档来自技高网...【技术保护点】
1.一种基于多光谱遥感影像的稻瘟病分级诊断方法，其特征在于，具体包括如下步骤：
2.根据权利要求1所述的一种基于多光谱遥感影像的稻瘟病分级诊断方法，其特征在于，所述步骤1中，在研究区域内随机选取采样方，植保专家对不同的采样区域(1m×1m)按照国家标准并结合实地条件对该区域发病程度进行连续的观测、定级，按照发病程度不同分为无病、轻度、中度、重度4个等级；采样定级区域共计51个。标注采样方中心位置坐标并记录，获取采样方内患病穗个数和水稻穗总数，分别计算每个采样方内水稻的病穗比率RD，病穗比率RD公式如下：
3.根据权利要求1所述的一种基于多光谱遥感影像的稻瘟病分级诊断方法，其特征在于，所述步骤2中，图像采集设备包括：经纬M600 Pro智能六旋翼无人机(最大起飞重量15.5kg；续航时间20min)、RTK定位系统、地面基站。传感器为农业遥感专用的5通道多光谱相机RedEdge MX；共采集四个水稻生长时期，在图像采集设备中将采集的图像保存为TIF格式。
4.根据权利要求1所述的一种基于多光谱遥感影像的稻瘟病分级诊断方法，其特征在于：所述步骤3中
5.根据权利要求1所述的一种基于多光谱遥感影像的稻瘟病分级诊断方法，其特征在于：所述步骤4中，采用随机森林特征选择进行相关性排序得到最优光谱特征集。
6.根据权利要求1所述的一种基于多光谱遥感影像的稻瘟病分级诊断方法，其特征在于：所述步骤5最优光谱特征集分别采用多个不同机器学习算法分别进行稻瘟病分级诊断；调整各个机器学习模型的参数，寻找到最优阈值，以准确率排名前三的模型组成多分类器，结果进行投票决策的方式进行。
...【技术特征摘要】
1.一种基于多光谱遥感影像的稻瘟病分级诊断方法，其特征在于，具体包括如下步骤：
2.根据权利要求1所述的一种基于多光谱遥感影像的稻瘟病分级诊断方法，其特征在于，所述步骤1中，在研究区域内随机选取采样方，植保专家对不同的采样区域(1m×1m)按照国家标准并结合实地条件对该区域发病程度进行连续的观测、定级，按照发病程度不同分为无病、轻度、中度、重度4个等级；采样定级区域共计51个。标注采样方中心位置坐标并记录，获取采样方内患病穗个数和水稻穗总数，分别计算每个采样方内水稻的病穗比率rd，病穗比率rd公式如下：
3.根据权利要求1所述的一种基于多光谱遥感影像的稻瘟病分级诊断方法，其特征在于，所述步骤2中，图像采集设备包括：经纬m600 pro智能六旋翼无人机(最大起飞重量15.5kg；续航时间20min)、rtk定位系统、地面基站。传感器为农业遥感专用的5通道多光谱相机rededge mx；共...
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。