基于无人机航拍的草原毛虫宜生区划分方法、系统及终端与流程

1.本发明涉及生物生态分布
技术领域：
：，尤其涉及基于无人机航拍的草原毛虫宜生区划分方法、系统及终端。
背景技术：
：：2.草原毛虫(gynaephoraalpheraki)别名红头黑毛虫、草原毒蛾，隶属鳞翅目(lepidoptera)毒蛾科(lymantriidae)草原毛虫属(gynaephora)。我国青藏高原高寒草地是其主要分布地区之一。草原毛虫对小嵩草、矮嵩草、紫羊茅、垂穗披碱草等莎草和禾草植物表现出很强的取食偏好，由叶片顶尖而向基部取食，优先采食植被嫩枝绿叶。近年来，在全球气候变化和人类活动干扰的双重影响下，青藏高原草原毛虫发生频繁，爆发成灾。草原毛虫灾害爆发后，每平方米可达五百头以上，严重毁坏的草地植被在两年内难以恢复，单位面积草地生产能力和载畜量大幅度下降。此外，草原毛虫还富含毒素，家畜采食后可导致中毒，牧民接触后若不采用防护措施或清洗不及时，会引起中毒现象。草原毛虫对我国青藏高原高寒草地造成了巨大的危害。自20世纪60年代以来，国家每年都要投入大量的人力、物力和财力防治草原毛虫，特别是对杀虫剂药效和生物杀虫剂新药的开发进行了大量的研究。但是仍然未能从根本上有效地控制该害虫的危害。3.虫害的发生有其适应的环境，了解其生物学特性、发生规律、数量变化以及影响其发生的主导因素，是监测预报和防治的重要理论基础和依据。目前草原毛虫的调查与研究仍然在站点尺度基于传统的样方调查为主，例如对草原毛虫食性特征、生长发育和空间分布格局影响因素等研究。样方调查法在大尺度的调查中通常要求大量时间、人力和资金投入，难以在有限的时间内大面积开展调查工作。而草原毛虫幼虫虫体较小，卫星遥感受分辨率限制而无法对其进行识别和测定。此外，传统方法的调查位点和观测人员不固定、测定标准不统一，导致获取样本的时空代表性和可比性受限。受限于有限的观测手段，目前对区域尺度草原毛虫空间分异特征和宜生区分布等信息尚不清楚。技术实现要素：4.本发明的目的在于克服现有观测手段对草原毛虫的空间分布不清楚、不准确的问题，提供了基于无人机航拍的草原毛虫宜生区划分方法、系统及终端。5.本发明的目的是通过以下技术方案来实现的：6.在第一方案中，提供一种基于无人机航拍的草原毛虫宜生区划分方法，所述方法包括：7.设置观测样点，并利用无人机航拍获取所述观测样点的草原毛虫数据；8.获取所述观测样点对应的环境因子；9.基于biomod模拟软件,利用所述草原毛虫数据和环境因子构建生态位模型；10.根据kappa、tss和auc三种指标评价所述生态位模型，筛选出最优生态位模型；11.利用最优生态位模型预测草原毛虫的空间分布概率，并根据所述空间分布概率划分草原毛虫宜生区。12.作为一优选项，一种基于无人机航拍的草原毛虫宜生区划分方法，所述观测样点的大小为250m×250m，每个观测样点中设置一个200m×200m的grid飞行航线和3个40m×40m的belt飞行航线。13.作为一优选项，一种基于无人机航拍的草原毛虫宜生区划分方法，所述利用无人机航拍获取所述观测样点的草原毛虫数据，包括：14.通过fragmap将每次飞行的航拍照片、航点和航线信息上传；15.基于协同分析平台及时定位和分析草原毛虫数据，其中，由不同的分析人员同时进行毛虫数量提取工作，并对比不同人员的草原毛虫分析结果。16.作为一优选项，一种基于无人机航拍的草原毛虫宜生区划分方法，所述环境因子包括气象、土壤、遥感植被指数和地形。17.作为一优选项，一种基于无人机航拍的草原毛虫宜生区划分方法，所述利用所述草原毛虫数据和环境因子构建生态位模型，包括：18.结合pearson相关系数和因子重要性指标importance，对所有环境因子进行筛选。19.作为一优选项，一种基于无人机航拍的草原毛虫宜生区划分方法，kappa用来评价预测结果的一致性，所述tss的计算公式如下：20.tss＝sensitivity+specificity-1＝tpr-fpr21.其中，sensitivity为敏感性，specificity为特异性，tpr(truepositiverate)真阳性率，fpr(falsepositiverate)假阳性率，所述tss取值范围为(0，1)；所述auc被定义为roc曲线下与坐标轴围成的面积，auc的取值范围为(0.5，1)。22.作为一优选项，一种基于无人机航拍的草原毛虫宜生区划分方法，所述根据所述空间分布概率划分草原毛虫宜生区，包括：23.根据空间分布概率的大小将草原毛虫宜生区划分成不同的等级。24.作为一优选项，一种基于无人机航拍的草原毛虫宜生区划分方法，所述根据kappa、tss和auc三种指标评价所述生态位模型，筛选出最优生态位模型，包括：25.rf模型对草原毛虫生态位模拟精度最高。26.在第二方案中，提供一种基于无人机航拍的草原毛虫宜生区划分系统，所述系统包括：27.草原毛虫数据获取模块，用于设置观测样点，并利用无人机航拍获取所述观测样点的草原毛虫数据；28.环境因子获取模块，用于获取所述观测样点对应的环境因子；29.生态位模型构建模块，基于biomod模拟软件,利用所述草原毛虫数据和环境因子构建生态位模型；30.生态位模型筛选模块，用于根据kappa、tss和auc三种指标评价所述生态位模型，筛选出最优生态位模型；31.草原毛虫宜生区划分模块，利用最优生态位模型预测草原毛虫的空间分布概率，并根据所述空间分布概率划分草原毛虫宜生区。32.在第三方案中，提供一种终端，包括存储器和处理器，存储器上存储有可在处理器上运行的计算机指令，处理器运行计算机指令时执行任意一项所述草原毛虫宜生区划分方法的相关步骤。33.需要进一步说明的是，上述各选项对应的技术特征在不冲突的情况下可以相互组合或替换构成新的技术方案。34.与现有技术相比，本发明有益效果是：35.(1)本发明野外草原毛虫观测采用无人机航拍照片获取，无人机效率高，操作方便，照片分辨率高，从而克服了传统样方调查的诸多困难，节省了大量人力、物力的同时，增加了草原毛虫调查的范围和样点数量。为草原毛虫宜生区研究提供可大量真实可靠的野外观测数据。相较于传统宜生区划分方法，本研究利用生态位模型预估草原毛虫为害区域，进而定量分析各生态因子宜生指数，减少了传统区划分析中因样方选择随机性导致的系统误差。精确的获取了研究区草原毛虫宜生区区划图，从而为草原毛虫习性等基础研究及高寒草原虫害预测提供高效、准确的方法，为进一步定量认识草原毛虫的生态学地位及虫害防控策略和措施的制定提供理论和实践基础。36.(2)在一个示例中，结合pearson相关系数和因子重要性指标importance，对所有环境因子进行筛选，减少因子间自相关和信息冗余对模型的运行速度和模拟精度的影响。附图说明37.图1为本发明实施例示出的一种基于无人机航拍的草原毛虫宜生区划分方法的流程图；38.图2为本发明实施例示出的观测样点设置示意图；39.图3为本发明实施例示出的草原毛虫数量分析过程示意图；40.图4为本发明实施例示出的环境变量自相关分析结果；41.图5为本发明实施例示出的环境变量(环境因子)重要性值和相对贡献率；42.图6为本发明实施例示出的草原毛虫出现概率时空动态变化统计结果；43.图7为本发明实施例示出的草原毛虫为害区域时空动态变化示意；44.图8为本发明实施例示出的草原毛虫为害区域空间累计；45.图9为本发明实施例示出的草原毛虫宜生区划分示意图。具体实施方式46.下面结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。47.此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。48.本发明拟采用fragmap无人机航拍系统观测祁连山国家公园青海片区草原毛虫的空间分异特征，结合biomod生态位模型和观测样地所对应的草地植被、土壤、气候和地形等因子，获取祁连山国家公园青海片区历年草原毛虫生态位，并以此为依据划分草原虫害宜生区。为草原毛虫习性等基础研究及高寒草原虫害预测提供高效、准确的方法，同时为定量认识草原毛虫的生态学地位及虫害防控策略和措施的制定提供理论和实践基础。49.在一示例性实施例中，提供一种基于无人机航拍的草原毛虫宜生区划分方法，参见图1，所述方法包括：50.设置观测样点，并利用无人机航拍获取所述观测样点的草原毛虫数据；51.获取所述观测样点对应的环境因子；52.基于biomod模拟软件,利用所述草原毛虫数据和环境因子构建生态位模型；53.根据kappa、tss和auc三种指标评价所述生态位模型，筛选出最优生态位模型；54.利用最优生态位模型预测草原毛虫的空间分布概率，并根据所述空间分布概率划分草原毛虫宜生区。55.祁连山国家公园地处青海省东北部，是甘肃、青海两省的交界，总面积5.02万平方公里。本发明以祁连山国家公园青海片区草地为研究对象(主要包括青海省德令哈市、天峻县、祁连县、刚察县和门源县等5个市县)。研究区年平均降水量为232.4mm，年降水量呈现西北—东南向分布，中部和东部地区降水量较大。年平均气温较低(为4℃)，空间分布形式较为稳定，年际变化小，气温等值线与地形廓线基本一致，草地是研究区最主要的土地利用类型，占整个研究区总面积的67.19％。主要包括高寒草甸、山地草甸、低地草甸、温性草原、高寒草原、高寒荒漠草原、温性荒漠和高寒荒漠等草地类型。该区域也是中国西部重要的生态安全屏障，黄河重要的水源地和生物多样性保护的优先区域。56.在一个示例中，一种基于无人机航拍的草原毛虫宜生区划分方法，所述观测样点的大小为250m×250m，每个观测样点中设置一个200m×200m的grid飞行航线和3个40m×40m的belt飞行航线。具体地，利用团队自主研发的无人机航拍分析系统fragmap，依据草地植被类型和空间代表性，在研究区内设置大量250m×250m的野外观测样点，每个观测样点设置如图2所示，设置4条航线来代表250m×250m范围内草地植被信息，每种飞行航线模式在其观测范围内均匀布设16个航拍点，每个航点镜头垂直向下对草地航拍一张照片。每条航线设定后储存在fragmapsetter中，以便后期调用进行定点重复观测。grid飞行模式使用大疆“精灵”系列无人机，飞行高度20m(照片分辨率小于1cm，覆盖范围26m×35m)；belt飞行模式使用大疆御2变焦版无人机，飞行高度2m(分辨率0.09cm，覆盖范围3.43m×2.57m)。大疆“精灵”系列无人机用来选取草地生长状况相对均一，具有代表性的modis像元尺度观测样地。草原毛虫数据通过大疆御2变焦版无人机mavic2zoom四轴旋翼无人机野外观测航拍照片获取。野外观测在2021年草原毛虫蛹期前(7月底～8月初)开展，观测样点(也叫观测样地)的布设一方面考虑草原毛虫发生、分布规律；另一方面为了尽可能全面的获取草原毛虫空间分布，设置野外观测样地时，沿主要交通道路和人类可到达的区域每隔10km左右尽可能多的设置观测样地。在国家公园内共设置固定监测点229个，观测样地近10000个；获取航拍照片1万余张，用于后期草原毛虫的定性和定量检测工作。57.在一个示例中，一种基于无人机航拍的草原毛虫宜生区划分方法，所述利用无人机航拍获取所述观测样点的草原毛虫数据，包括：58.通过fragmap将每次飞行的航拍照片、航点和航线信息上传；59.基于协同分析平台及时定位和分析草原毛虫数据，其中，由不同的分析人员同时进行毛虫数量提取工作，并对比不同人员的草原毛虫分析结果。60.具体地，本研究采用belt飞行模式获取的数据进行草原毛虫数量的分析，如图3所示，外业人员在野外完成belt航拍观测后，将每次飞行的航拍照片、航点和航线等信息通过fragmap上传至服务器端。室内分析人员基于协同分析平台及时定位和分析草原毛虫数据，首先，根据航拍照片属性文件记录的经纬度位置信息和fragmap航拍软件中记录的航点信息，利用团队自主研发的djilocator使航拍照片与航点位置一一对应，并将定位后的航拍照片按航点顺序依次命名为1～16。然后将定位好的航拍照片在web端发布两个重复分析任务，由不同的分析人员利用草原毛虫分析系统(网页版)同时进行毛虫数量提取工作，并对比不同人员草原毛虫分析结果。若分析结果相同，则输出该航拍照片草原毛虫数据，若分析结果有差异，则进入下一轮循环分析，直至所有分析结果一致为止。基于mavic2zoom无人机2倍变焦可以精确的获取样地内草原毛虫密度，无人机观测值与地面观测数据之间的决定系数r2＝0.99(p《0.001)，均方根误差rmse＝1.76头/m2。61.在一个示例中，一种基于无人机航拍的草原毛虫宜生区划分方法，所述环境因子包括草地类型、气象、土壤、遥感植被指数和地形(dem)。其中，气象包括气温、降水和辐射，土壤包括土壤类型、土壤砂粒和粘粒含量，遥感植被指数ndvi与草地盖度和生物量有较好的相关关系，ndvi数据选取modis16d最大值合成植被指数产品mod13q1，数据下载自美国地质勘探局，选取2011-2021年5～9月，空间分辨率为250m，轨道号为h25v05和h26v05，共计216景影像。利用重投影工具(modisreprojectiontools,mrt)对modis数据进行格式和投影转换等预处理。利用arcgisrastercalculator工具，计算2011-2021年每年生长季(5～9月)modisndvi植被指数maximum(最大值)、minimum(最小值)、medium(中值)、mean(均值)、range(范围)、std(标准差)、sum(总和)等特征变量。62.气象数据来自于国家气象信息中心师春香研究员团队，主要包括2011-2021年气温、降水和辐射等日值数据集，空间分辨率为5km。利用arcgisrastercalculator工具，计算2011-2021年每年生长季(5～9月)气温、降水和辐射的maximum(最大值)、minimum(最小值)、mean(均值)和sum(累积)值。63.土壤类型数据下载自中国科学院地理科学与资源研究所，土壤粘粒、砂粒含量数据下载自中国科学院西北生态环境资源研究院寒区旱区科学数据中心，地形数据可通过国际农业研究磋商小组空间信息联盟网站获取。64.以上数据在arcgis软件中统一转投影为albers，重采样为分辨率为250m的栅格影像(保持每类栅格数据具有相同的行列数)，以便后期构建和预测草原毛虫生态位时作为输入使用。65.在一个示例中，基于2021年草原毛虫空间分布数据和环境因子数据，结合biomod模拟软件构建研究区草原毛虫生态位模拟模型。并结合2011～2021年气象、土壤、遥感植被指数和地形等环境因子，预估近11年来祁连山国家公园草原毛虫虫害发生概率空间分异情况。并以此为依据，划分祁连山国家公园草原毛虫宜生区。66.具体地，所述利用所述草原毛虫数据和环境因子构建生态位模型，包括：67.结合pearson相关系数和因子重要性指标importance，对所有环境因子进行筛选。在使用上述生态环境因子构建模型前，为减少因子间自相关和信息冗余对模型的运行速度和模拟精度的影响，本研究结合pearson相关系数和因子重要性指标importance，对所有因子进行筛选。首先，使用留一法交叉验证的思想和重要性计算函数，测试每种因子对检测目标的重要性。其次，对所有重要性值大于0.1的因子进行pearson相关性分析，对0.7的只保留其中1个因子，其中，重要性计算公式为：68.importance＝1-cor(pred_ref,pred_shuffled)，式中ref为包含全部环境因子的集合；shuffled为随机剔除单个环境因子后的集合；corpred_ref为全部环境因子预测结果；pred_shuffled为剔除某一因子后模型预测结果。69.变量自相关检验结果如图4所示，草地类型、土壤类型、海拔、辐射平均值、辐射最大值、表层土壤砂粒含量、降水平均值、降水最大值、表层粘粒含量、深层粘粒含量、ndvi平均值以及标准偏差等12个变量通过pearson相关性分析。12个环境变量重要性值和相对贡献率如图5所示。在所有筛选出的环境变量中，辐射平均值的重要性值最高，为0.282，相对贡献率为28.89％；降水最大值、平均值以及表层砂粒含量重要性值介于0.10～0.20之间，其它变量的重要性值均低于0.10；土壤类型重要性值最低，仅0.002，相对贡献率为0.20％。70.biomod中共提供了广义线性模型(generalizedlinearmodel，glm)和广义增强回归模型(generalizedboostedregressionmodels，gbm)等数十种物种分布模型可供选择。为筛选出最优生态位模型，本研究将草原毛虫观测数据随机分为两部分，其中70％的样本用来训练生态位模型，剩余30％的样本用来验证模型精度。利用kappa，tss(trueskillstatistics)和auc(areaundercurve)三种指标来筛选最优生态位模型，其中，kappa用来评价预测结果的一致性，所述tss的计算公式如下：71.tss＝sensitivity+specificity-1＝tpr-fpr72.其中，sensitivity为敏感性，specificity为特异性，tpr(truepositiverate)真阳性率，fpr(falsepositiverate)假阳性率，所述tss取值范围为(0，1)，其值越接近1，表示真阳性率与假阳性率差值越大，模型的效果越好；所述auc被定义为roc曲线(受试者工作特征曲线)下与坐标轴围成的面积，roc曲线是反映敏感性和特异性连续变量的综合指数，曲线上每个点反映对信号刺激的感受性auc的取值范围为(0.5，1)，越接近1表示模型预测效果越好，反之越接近0.5表示模型越接近随机猜测，模型越没有预测价值。73.进一步地，一种基于无人机航拍的草原毛虫宜生区划分方法，所述根据所述空间分布概率划分草原毛虫宜生区，包括：74.根据空间分布概率的大小将草原毛虫宜生区划分成不同的等级。具体地，基于kappa、tss和auc筛选最优草原毛虫生态位模型，并利用最优生态位模型预测2011～2021年祁连山国家公园青海片区草原毛虫潜在空间分布概率。当每年潜在分布概率大于50％时，认为草原害虫能够形成为害，赋值宜生指数ih为1；反之认为不能形成为害，赋值为0。将2011～2021年的ih进行空间叠加运算，草原毛虫宜生区划分规则如表1所示。对近10年来累计ih值进行分级得到草原毛虫宜生区分布图。75.表1草原虫害宜生区分级76.[0077][0078]野外观测结果表明，研究区草原毛虫空间分布异质较大，在所有观测样点中，草原毛虫出现的样点24个，占所有监测样点的5.77％，零散分布于门源县、祁连县和刚察县内；不同监测点中，草原毛虫数量差异较大，最小的仅有1头，最多的则可以达到2046头。同一监测样点内的16个航拍样地草原毛虫数量差异也较大，最多达136头，最少的为0头。就2021年草原毛虫无人机调查结果而言，草原毛虫主要分布在祁连县野牛沟乡和默勒镇，门源县皇城蒙古族乡、朱固乡等地区。[0079]在一个示例中，所述根据kappa、tss和auc三种指标评价所述生态位模型，筛选出最优生态位模型，包括：rf模型对草原毛虫生态位模拟精度最高。具体地，利用测试集数据评价模型精度结果如表2所示：[0080]表2草原毛虫生态位模型精度检验结果[0081]table2accuracytestforthenichemodelofgynaephoraalpheraki[0082][0083]所有生态位模型中，kappa系数大于0.5的模型为glm，gbm和rf，kappa系数分别为0.50，.54和0.60；tss大于0.6的模型分别为glm,gbm,ann和rf，tss依次为，0.76，0.69，0.68和0.75；auc大于0.7的模型分别为glm，gbm，ann，fda，mars和rf。综合三类评价指标，rf模型对草原毛虫生态位模拟精度最高，为最优预测模型。其kappa、tss和auc分别为0.60、0.75和0.93。[0084]进一步地，基于上述最优的草原毛虫生态位模型预测模型和2011～2021年环境因子数据集，分别预测2011～2021年草原毛虫空间分布概率，结果如图6所示，2011～2021年草原毛虫出现概率较高的区域主要分布在研究区的中部和东南部，多出现在门源县、祁连县、刚察县和天峻县。所有年份中，草原毛虫出现概率在0％～20％之间的区域面积最大，占整个研究区总面积的69.28％～87.45％；其次为出现概率为20％～30％的区域，占整个研究总面积的7.21％～13.24％；草原毛虫出现概率在30％～40％之间和50％以上区域占整个研究区总面积的比例相近，介于1.66％～10.96％之间。所有概率类型中，草原毛虫出现概率介于40％～50％的区域面积比例最小，占整个研究区总面积的0.97％～3.72％。就草原毛虫出现概率大于50％的区域而言，11年来，其面积呈现逐渐增加的变化趋势，其中2011年面积最小，仅占研究区总面积的1.91％，2017年面积最大，占整个研究区面积的10.96％。2015～2021年后的面积大于整个研究区总面积的5％。[0085]2011～2021年研究区草原毛虫为害区域时空变化情况如图7所示，草原毛虫为害区域面积比例较小时，主要分布在研究区东南部的门源县境内(2011～2013)。草原毛虫为害区域较大时，呈现由东南向西北逐渐增加的变化趋势。由门源县逐渐向西北方向的祁连县、刚察县和天峻县逐渐增加。将11年内草原毛虫为害区域进行空间叠加运算，结果如图8所示。11年来，研究区大多数区域未出现草原毛虫为害的现象(出现年份为0)，其面积占整个研究总面积的78.31％；草原毛虫为害年份在1～4年之间的区域面积占研究区总面积的19.24％。而草原毛虫为害年份大于5的年份所占比例较少，占整个研究区总面积的2.45％，主要分布在门源县、祁连县、刚察县天峻县东部地区。[0086]进一步地，草原毛虫宜生区划分如图9所示，其中一级、二级和三级宜生区面积较小，占整个研究区面积的14.68％。主要分布在研究区中东部地区，包括门源县大部分区域、祁连县的中部和东南部、刚察县的中部以及天峻县的东部地区。四级和五级宜生区面积较大，占整个研究区总面积的85.32％。主要分布在研究区的西部地区，包括德令哈市、天峻县的大部分区域、祁连县北部、刚察县南部以及门源县的西南部。[0087]进一步地，可以通过无人机航拍照片和深度学习算法替代人工识别的方式，可以大幅度提高照片数据分析的速度，减少人为主观判断中的误差。其次，受限于无人机调查数据年限较少，草原毛虫生态位模拟模型还存在一定的误差，研究结果还存在一定的不确定性，因此，基于设置的大量航拍样地，开展长时间序列，定点、重复的草原毛虫无人机航拍监测是非常必要的。此外，在进行无人机调查数据的过程中调查路线设计要合理，路线应穿过草原毛虫的所有可能发生的区域，既要有水平方向的变化，还要求有垂直高度的变化，将来草草原毛虫的监测工作还需要在现有监测点的基础上补充和新增观测样地，以便更加详尽的掌握国家公园草原毛虫的时空动态变化信息。[0088]本发明基于无人机航拍观测草原毛虫数据和其所对应的植被、土壤、气候等环境因子，获取了研究区草原毛虫最优生态位模拟模型。在此基础上模拟分析了2011～2021年草原毛虫生态位时空动态变化状况，从而获取了研究区草原毛虫宜生区区划图。研究表明rf模型对草原毛虫生态位的估测能力最优，其kappa、tss和auc的平均值分别为0.60，0.75和0.93。整体而言，草原毛虫为害区域面积较小，占研究区总面积的1.91％～10.96，但近年来其为害区域呈现增加趋势，2015年以来维持在面积维持在5％的研究区总面积以上。草原毛虫宜生程度呈现自东南向西北依次递减的变化趋势，其中一级、二级和三级宜生区所占比例较大，约占整个研究总面积的89.78％。[0089]在第二方案中，提供一种基于无人机航拍的草原毛虫宜生区划分系统，所述系统包括：[0090]草原毛虫数据获取模块，用于设置观测样点，并利用无人机航拍获取所述观测样点的草原毛虫数据；[0091]环境因子获取模块，用于获取所述观测样点对应的环境因子；[0092]生态位模型构建模块，基于biomod模拟软件,利用所述草原毛虫数据和环境因子构建生态位模型；[0093]生态位模型筛选模块，用于根据kappa、tss和auc三种指标评价所述生态位模型，筛选出最优生态位模型；[0094]草原毛虫宜生区划分模块，利用最优生态位模型预测草原毛虫的空间分布概率，并根据所述空间分布概率划分草原毛虫宜生区。[0095]在第三方案中，提供一种终端，包括存储器和处理器，存储器上存储有可在处理器上运行的计算机指令，处理器运行计算机指令时执行任意一项所述草原毛虫宜生区划分方法的相关步骤。[0096]处理器可以是单核或者多核中央处理单元或者特定的集成电路，或者配置成实施本发明的一个或者多个集成电路。[0097]本说明书中描述的主题及功能操作的实施例可以在以下中实现：有形体现的计算机软件或固件、包括本说明书中公开的结构及其结构性等同物的计算机硬件、或者它们中的一个或多个的组合。本说明书中描述的主题的实施例可以实现为一个或多个计算机程序，即编码在有形非暂时性程序载体上以被数据处理装置执行或控制数据处理装置的操作的计算机程序指令中的一个或多个模块。可替代地或附加地，程序指令可以被编码在人工生成的传播信号上，例如机器生成的电、光或电磁信号，该信号被生成以将信息编码并传输到合适的接收机装置以由数据处理装置执行。[0098]本说明书中描述的处理及逻辑流程可以由执行一个或多个计算机程序的一个或多个可编程计算机执行，以通过根据输入数据进行操作并生成输出来执行相应的功能。所述处理及逻辑流程还可以由专用逻辑电路—例如fpga(现场可编程门阵列)或asic(专用集成电路)来执行，并且装置也可以实现为专用逻辑电路。[0099]适合用于执行计算机程序的处理器包括，例如通用和/或专用微处理器，或任何其他类型的中央处理单元。通常，中央处理单元将从只读存储器和/或随机存取存储器接收指令和数据。计算机的基本组件包括用于实施或执行指令的中央处理单元以及用于存储指令和数据的一个或多个存储器设备。通常，计算机还将包括用于存储数据的一个或多个大容量存储设备，例如磁盘、磁光盘或光盘等，或者计算机将可操作地与此大容量存储设备耦接以从其接收数据或向其传送数据，抑或两种情况兼而有之。然而，计算机不是必须具有这样的设备。此外，计算机可以嵌入在另一设备中，例如移动电话、个人数字助理(pda)、移动音频或视频播放器、游戏操纵台、全球定位系统(gps)接收机、或例如通用串行总线(usb)闪存驱动器的便携式存储设备，仅举几例。[0100]虽然本说明书包含许多具体实施细节，但是这些不应被解释为限制任何发明的范围或所要求保护的范围，而是主要用于描述特定发明的具体实施例的特征。本说明书内在多个实施例中描述的某些特征也可以在单个实施例中被组合实施。另一方面，在单个实施例中描述的各种特征也可以在多个实施例中分开实施或以任何合适的子组合来实施。此外，虽然特征可以如上所述在某些组合中起作用并且甚至最初如此要求保护，但是来自所要求保护的组合中的一个或多个特征在一些情况下可以从该组合中去除，并且所要求保护的组合可以指向子组合或子组合的变型。[0101]类似地，虽然在附图中以特定顺序描绘了操作，但是这不应被理解为要求这些操作以所示的特定顺序执行或顺次执行、或者要求所有例示的操作被执行，以实现期望的结果。在某些情况下，多任务和并行处理可能是有利的。此外，上述实施例中的各种系统模块和组件的分离不应被理解为在所有实施例中均需要这样的分离，并且应当理解，所描述的程序组件和系统通常可以一起集成在单个软件产品中，或者封装成多个软件产品。[0102]以上具体实施方式是对本发明的详细说明，不能认定本发明的具体实施方式只局限于这些说明，对于本发明所属
技术领域：
：的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演和替代，都应当视为属于本发明的保护范围。当前第1页12当前第1页12
技术特征：
1.一种基于无人机航拍的草原毛虫宜生区划分方法，其特征在于，所述方法包括：设置观测样点，并利用无人机航拍获取所述观测样点的草原毛虫数据；获取所述观测样点对应的环境因子；基于biomod模拟软件,利用所述草原毛虫数据和环境因子构建生态位模型；根据kappa、tss和auc三种指标评价所述生态位模型，筛选出最优生态位模型；利用最优生态位模型预测草原毛虫的空间分布概率，并根据所述空间分布概率划分草原毛虫宜生区。2.根据权利要求1所述的一种基于无人机航拍的草原毛虫宜生区划分方法，其特征在于，所述观测样点的大小为250m
×
250m，每个观测样点中设置一个200m
×
200m的grid飞行航线和3个40m
×
40m的belt飞行航线。3.根据权利要求1所述的一种基于无人机航拍的草原毛虫宜生区划分方法，其特征在于，所述利用无人机航拍获取所述观测样点的草原毛虫数据，包括：通过fragmap将每次飞行的航拍照片、航点和航线信息上传；基于协同分析平台及时定位和分析草原毛虫数据，其中，由不同的分析人员同时进行毛虫数量提取工作，并对比不同人员的草原毛虫分析结果。4.根据权利要求1所述的一种基于无人机航拍的草原毛虫宜生区划分方法，其特征在于，所述环境因子包括气象、土壤、遥感植被指数和地形。5.根据权利要求1所述的一种基于无人机航拍的草原毛虫宜生区划分方法，其特征在于，所述利用所述草原毛虫数据和环境因子构建生态位模型，包括：结合pearson相关系数和因子重要性指标importance，对所有环境因子进行筛选。6.根据权利要求1所述的一种基于无人机航拍的草原毛虫宜生区划分方法，其特征在于，kappa用来评价预测结果的一致性，所述tss的计算公式如下：tss＝sensitivity+specificity-1＝tpr-fpr其中，sensitivity为敏感性，specificity为特异性，tpr(true positive rate)真阳性率，fpr(falsepositive rate)假阳性率，所述tss取值范围为(0，1)；所述auc被定义为roc曲线下与坐标轴围成的面积，auc的取值范围为(0.5，1)。7.根据权利要求1所述的一种基于无人机航拍的草原毛虫宜生区划分方法，其特征在于，所述根据所述空间分布概率划分草原毛虫宜生区，包括：根据空间分布概率的大小将草原毛虫宜生区划分成不同的等级。8.根据权利要求1所述的一种基于无人机航拍的草原毛虫宜生区划分方法，其特征在于，所述根据kappa、tss和auc三种指标评价所述生态位模型，筛选出最优生态位模型，包括：rf模型对草原毛虫生态位模拟精度最高。9.一种基于无人机航拍的草原毛虫宜生区划分系统，其特征在于，所述系统包括：草原毛虫数据获取模块，用于设置观测样点，并利用无人机航拍获取所述观测样点的草原毛虫数据；环境因子获取模块，用于获取所述观测样点对应的环境因子；生态位模型构建模块，基于biomod模拟软件,利用所述草原毛虫数据和环境因子构建生态位模型；
生态位模型筛选模块，用于根据kappa、tss和auc三种指标评价所述生态位模型，筛选出最优生态位模型；草原毛虫宜生区划分模块，利用最优生态位模型预测草原毛虫的空间分布概率，并根据所述空间分布概率划分草原毛虫宜生区。10.一种终端，包括存储器和处理器，存储器上存储有可在处理器上运行的计算机指令，其特征在于，处理器运行计算机指令时执行权利要求1-8中任意一项所述草原毛虫宜生区划分方法的相关步骤。

技术总结
本发明公开了基于无人机航拍的草原毛虫宜生区划分方法、系统及终端，包括：设置观测样点，并利用无人机航拍获取所述观测样点的草原毛虫数据；获取所述观测样点对应的环境因子；基于BIOMOD模拟软件,利用草原毛虫数据和环境因子构建生态位模型；根据Kappa、TSS和AUC三种指标评价所述生态位模型，筛选出最优生态位模型；利用最优生态位模型预测草原毛虫的空间分布概率，并根据空间分布概率划分草原毛虫宜生区。本发明基于无人机航拍技术高效的提供了草原毛虫空间分布研究的基础数据，结合BIOMOD和观测样点所对应的环境因子，划分草原虫害宜生区，为进一步定量认识草原毛虫的生态学地位及虫害预警、防控措施的制定提供理论和实践基础。础。础。


技术研发人员：于红妍 吕燕燕 马旭康 宜树华 王贤颖 雅琴 孟宝平 赵宝伟 于瑶 宋锡康
受保护的技术使用者：祁连山国家公园青海服务保障中心
技术研发日：2022.12.20
技术公布日：2023/7/11