一种无人机遥感栎类食叶虫害监测方法

1.本发明涉及森林虫害遥感监测技术领域，具体为一种无人机遥感栎类食叶虫害监测方法。


背景技术：

2.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。
3.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：
4.(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；
5.(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；
6.(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。
7.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。


技术实现要素：

8.(一)解决的技术问题
9.针对现有技术的不足，本发明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。
10.(二)技术方案
11.为实现以上目的，本发明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：
12.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；
13.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；
14.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；
15.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。
16.优选的，所述步骤s2中平均单株虫量a按下式进行计算：
17.a＝tn/t
18.式中：
19.a—平均单株虫量，单位为头/株；
20.tn—总虫量，单位为头；
21.t—总株数，单位为株。
22.单木失叶率计算公式：
23.llr＝(ni/ti)
×
100％
24.式中：
25.llr—失叶率，单位为％；
26.ni—单株树冠上损失的叶量；
27.ti—单株树冠上的全部叶量。
28.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。
29.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。
30.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]
本发明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]
下面将对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0038]
本发明实施例提供一种技术方案：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：
[0039]
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，利用搭载同时搭载有可见光(380nm-760nm)、红光(650nm
±
16nm)、绿光(560nm
±
16nm)、蓝光(450nm
±
16nm)、红边(730nm
±
16nm)、近红外(840nm
±
26nm)波段镜头的无人机对区域内有疑似栎类食叶虫害的区域进行航飞成像，航飞时设置航向重叠率为80％以上，旁向重叠率75％以上，完成目标区域的遥感影像数据的获取，对获取的无人机影像，利用大疆智图软件或者pix4d软件根据运动恢复结构(sfm算法)进行处理，获取目标区域的数字正射影像dom、数字表面模型dsm、各个波段的点云数据，红波段目标区影像、绿波段目标区影像、蓝波段目标区影像、红边波段目标区影像、近红外波段目标区影像；
[0040]
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，对获取的无人机正射影像进行土地利用分类，识别出林地区域，采用ecognition软件对正射影像进行面向对象目标分割，分别根据研究区特点，设置合适的尺度参数、形状参数、紧凑度参数进行最佳参数分割，利用ndvi、光谱、纹理、大小、空间关系，结合支持向量机、随机森林方法完成对林地信息的提取；
[0041]
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，各指数计算方法如下：
[0042]
ndvi＝(nir-r)/(nir+r),evi＝2.5(nir-r)/(nir+6r-7.5b+1)，rvi＝nir/r,mndvi
750
＝(nir
750-r)/(nir
750
+r)，
[0043][0044]
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；
[0045]
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。
[0046]
本发明实施例中，步骤s2中平均单株虫量a按下式进行计算：
[0047]
a＝tn/t
[0048]
式中：
[0049]
a—平均单株虫量，单位为头/株；
[0050]
tn—总虫量，单位为头；
[0051]
t—总株数，单位为株。
[0052]
单木失叶率计算公式：
[0053]
llr＝(ni/ti)
×
100％
[0054]
式中：
[0055]
llr—失叶率，单位为％；
[0056]
ni—单株树冠上损失的叶量；
[0057]
ti—单株树冠上的全部叶量。
[0058]
本发明实施例中，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。
[0059]
本发明实施例中，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，飞行不同虫害区域为了保证飞行参数的统一，无人机的具体参数为：飞行高度80m，航向重叠度80％，旁向重叠度70％，飞行速度为9.2m/s，无人机型号为行业级测绘无人机，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，手持激光雷达栎类区域设置s形路线，标准路线为3m每间隔，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，对分割和聚类后的点云数据，导入arcgis10.2中，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。
[0060]
本发明实施例中，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。
[0061]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
[0062]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

技术特征：
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。4.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。5.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。

技术总结
本发明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。


技术研发人员：孙金华 杨柳 杨喜田 王婷 郭二辉 赵辉 林向彬
受保护的技术使用者：河南农业大学
技术研发日：2022.06.24
技术公布日：2023/8/24