[发明专利]基于深度学习的多光谱遥感影像的农作物虫害监测方法

说明书

本发明公开了一种基于深度学习的多光谱遥感影像的农作物虫害监测方法，属于卫星遥感图像处理与应用的技术领域。本发明的目的是解决现有方法对农作物虫害监测的时效性差，单一指数光谱信息不稳定，高光谱无人机数据获取难等问题。本发明采用10组特征波段光谱的组合，构建出一个LSTM长短期记忆网络，并通过深度学习的方法训练出能够对遥感影像中的农作物虫害进行分类的模型，本发明方法能自动、高效地从多光谱卫星遥感影像中识别农作物虫害灾情，为农业生产灾情预测防治、农业保险理赔等诸多领域提供一定的技术支持。

技术领域

本发明属于卫星遥感图像处理与应用的技术领域。

背景技术

农作物虫害是威胁农作物产量和品质的第一大自然生物灾害，容易受作物品种、作物种植方式以及生长环境等众多因素的影响。近几年，全球气候恶劣变化为害虫的孵化产生提供了良好的生长环境，大区域爆发的虫害极大威胁了作物的正常生长，导致全球粮食产量安全问题日益突出。长期以来为了监测农作物病虫害发生的范围和发生程度，主要采用植保人员进行田间实地调查的方法，这种方法具有一定的真实性，但是存在费时费力和时效性差的缺点。随着遥感技术的快速发展，传统方法需要与遥感数据相结合，可以更大程度地发挥作用，实现监测大区域范围的农作物虫害灾情的目的。目前，对于农作物虫害的监测及防治方法主要有以下4种：依赖地面传感器的虫害监测；基于单一光谱指数响应的虫害监测；基于高光谱遥感数据的虫害监测、基于无人机航测得到的虫害实情。代表研究如下：

在使用地面传感器监测虫害的研究中，唐佳明使用融合多传感器研究出针对小麦病虫害监测系统，证明了使用农田环境信息预测小麦蚜虫发生程度等级情况是现实可行的。(参见基于多传感器融合的小麦病虫害监测系统研究)；在对农作物光谱特征分析的过程中，袁琳等基于农作物遭受虫灾袭击后的光谱特征的变化使用小波变化的技术手段对小麦虫害进行研究分析，最终研究表明，基于连续小波分析的病虫害区分模型由于能够捕捉光谱的形状特征，对于支持复杂农田环境下的病虫害区分和监测具有较大的潜力。(参见基于连续小波分析的小麦病虫害光谱区分研究)；近几年，逐渐使用高光谱数据或无人机航测数据对虫害进行大范围监测，简俊凡等使用高光谱遥感技术监测农作物病虫害并分析将高光谱遥感技术用于农作物病虫害监测的巨大优势和存在问题。(参见农作物病虫害遥感监测综述)；Ye Tan等在高光谱遥感数据中提取RVI(植物比值指数)对水稻作物的飞虱虫害进行研究，得出了使用RVI指数可以准确的监测稻飞虱虫害的发生状况。(参见Sensitivityof a Ratio Vegetation Index Derived from Hyperspectral Remote Sensing to theBrown Planthopper Stress on Rice Plants)；景晨将无人机巡航拍照定位技术和图像处理软件用于水稻感染虫害的识别，验证了基于无人机平台的水稻感染稻纵卷叶螟虫害自动识别技术的准确性可以达到85％以上。(参见基于无人机平台和图像处理的水稻感染稻纵卷叶螟虫害自动识别技术)。

到目前为止，国内外学者提出了很多农作物虫害监测的方法，但仍存在一些明显的缺陷：(1)仅依赖地面传感器的监测方法时效性差；(2)高光谱数据及无人机数据获取成本较高，不利于长期使用(3)仅依赖单一指数变化情况的虫害监测方法准确率低。

使用多光谱卫星遥感数据可以解决数据源不足的问题；区别于传统虫害监测方法，使用深度学习模型分析提取的多种光谱指数之间的潜在特征，可以克服单一指数的虫害监测方法片面性的缺点，有利于农作物虫害的准确监测。

发明内容

为了解决现有方法对农作物虫害监测时效性差，单一指数光谱信息不稳定，高光谱无人机数据获取难等问题。本发明使用深度学习LSTM网络模型利用多种农作物指数对Landsat8多光谱遥感数据进行农作物虫害监测。提取农作物归一化植被等指数(NDVI)、差值植被指数(DVI)、重归一化植被指数(RDVI)、叶面冠层水分指数(NDWI)。利用深度学习LSTM网络模型综合考虑多光谱原始波段数据与提取的NDVI、DVI、RDVI、NDWI指数之间的关系，有效地监测农作物虫害情况，进而对农作物虫害进行有效防治。