(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210208227.X (22)申请日 2022.03.04 (71)申请人 新疆农业大 学 地址 830000 新疆维吾尔自治区乌鲁 木齐 市沙依巴克区南昌路42号 (72)发明人 周学林　蒋平安　周建勤　 (74)专利代理 机构 成都智言知识产权代理有限 公司 51282 专利代理师 濮云杉 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/77(2022.01)G06K 9/62(2022.01) G06Q 10/04(2012.01) G06Q 50/02(2012.01) G01N 21/25(2006.01) (54)发明名称 一种棉花蚜虫遥感预报模型的构建方法 (57)摘要 本发明属于农业遥感领域技术领域， 具体涉 及一种棉花蚜 虫遥感预报模型的构建方法。 本发 明提取苗期的棉花冠层光谱数据， 分析健康棉株 和棉蚜虫害棉株的光谱， 构建基于光谱特征的棉 花蚜虫识别模型(多光谱影像棉蚜识别模型、 高 光谱影像棉蚜识别模型和地面高光谱棉蚜识别 模型)； 通过研究棉花的物候生长状态， 构建棉花 生长模型； 研究蚜虫的扩散规律与影响因子， 构 建棉蚜扩散模型， 采用4DVar同化方法构建棉花 蚜虫遥感预报 模型， 实现遥感技术对棉花蚜虫的 识别及扩散的精准判别， 有助于掌握棉田棉花的 虫害发生情况和用药情况， 进而为指导精准用药 消杀棉蚜虫害， 节约用药成本、 提升生态环境质 量等有着重要意 义。 权利要求书5页 说明书14页 附图3页 CN 114694020 A 2022.07.01 CN 114694020 A 1.一种棉花蚜虫遥感预报模型的构建方法， 其特 征在于： 包括以下步骤： 步骤1： 在棉花 苗期多次获取正常棉株和受蚜虫胁迫棉株的棉花冠层地 面高光谱数据； 步骤2： 对步骤1中得到的棉花冠层地面高光谱数据进行分析处理， 筛选出敏感谱段， 根 据敏感谱段构建地 面高光谱棉蚜识别模型； 步骤3： 根据步骤1的时间节点， 同步采集多源遥感数据， 对所述多源遥感数据中的无人 机多光谱影像数据、 无人机高光谱影像数据、 卫星多光谱影像数据和卫星高光谱影像数据 进行分析处 理， 构建棉蚜虫害 多光谱识别方法； 对所述卫星多光谱影像数据进行分析处理， 并结合所述棉蚜虫害多光谱识别方法得到 多光谱影 像棉蚜识别模型； 对所述卫星高光谱影像数据进行分析处理， 并结合步骤2得到的地面高光谱棉蚜识别 模型， 得到高光谱影 像棉蚜识别模型； 步骤4： 根据步骤1的时间节点， 获取生长物候数据， 根据生长物候数据构和步骤3获得 的多源遥感数据构建棉花 生长模型； 步骤5： 确定棉蚜扩散的影响因子， 根据步骤1的时间节点， 多次采集并记录棉蚜虫口 数、 棉蚜天敌数和影响因子的相关数据， 根据采集的数据构建棉蚜 扩散模型； 步骤6： 根据步骤3得到的多光谱影像棉蚜识别 模型和高光谱影像棉蚜识别 模型、 步骤4 得到的棉花 生长模型和步骤5得到的棉蚜 扩散模型构建棉花蚜虫遥感预报模型。 2.根据权利要求1所述的一种棉花蚜虫遥感预报模型的构建方法， 其特征在于： 步骤1 中通过地物光谱仪获得棉花冠层地面高光谱数据， 所述地物光谱仪的观测探头离棉花冠层 的高度为H， 所述高度H的计算公式为： 其中θ 为观测探头视场角， L为棉花种植 行距。 3.根据权利要求1所述的一种棉花蚜虫遥感预报模型的构建方法， 其特征在于： 步骤2 中获得地 面高光谱棉蚜识别模型的具体步骤 包括： 步骤2.1： 清洗： 对步骤1中得到的棉花冠层地 面高光谱数据清洗， 剔除异常值； 步骤2.2： 预处 理： 将步骤2.1得到的棉花冠层地 面高光谱数据进行去噪和平 滑处理； 步骤2.3： 相 关导数与微分计算： 对步骤2.2得到的棉花冠层地面高光谱数据进行导数 和微分计算； 其中， 导数采用 和 公式模型进行计 算； 其中， R1st( λi)为在光谱段λi上的一阶导数值， R( λi)为i波段处的反射率数值， R( λi+1)为 (i+1)波段处的反射 率数值； R2nd( λi)为在光谱段 λi上的二阶导数值； 微分采用 和ρ″( λi)＝[ρ′( λi+1)‑ρ′( λi‑1)]/2( λi+1‑λi‑1)公式模型 进行计算； 其中， ρ′( λi)为在光谱段λi上的一阶微分值； ρ( λi+1)为(i+1)波段处的反射率数值； ρ ( λi‑1)为(i‑1)波段处的反射率数值； ρ ″( λi)为在光谱段 λi上的二阶微分值； ρ ′( λi+1)为(i+1) 波段处的一阶微分值； ρ ′( λi‑1)为(i‑1)波段处的一阶微分值； λi为i波段的波长值； λi+1为(i +1)波段的波长值；权　利　要　求　书 1/5 页 2 CN 114694020 A 2步骤2.4： 指数计算： 根据步骤2.2得到 的棉花冠层地面高光谱数据， 计算出NNIR指数、 红边指数R(550， 760)和病害植株光谱指数β； 其中， NNIR指数采用公式模型 进行计算， 其中NNIR为植被指数， ρ760为760nm波段处 的反射率值； ρ650为650nm波段处的反射率值； ρ550为550nm波段处 的反射 率值； 红边指数R(550， 760)采用公式模型 进行计算， 其中R(550， 760)为比值植被指 数； ρ760为760nm波段处的反射 率值； ρ550为550nm波段处的反射 率值； 病害植株光谱指数β采用公式模型 进行计算， 其中NNIR为植被指数， R(550， 760)为比值植被指数； 步骤2.5： 虫害判断： 根据步骤2.4计算出的红边指数R(550， 760)和病害植株光谱指数β判 断棉花是否发生虫害和发生虫害的程度； 步骤2.6： 特征谱段分析： 综合分析步骤2.2得到的棉花冠层地面高光谱数据、 步骤2.3 计算出的导数 数据与微分数据， 筛 选出棉蚜虫害的特 征谱段； 步骤2.7： 构建模型： 根据步骤2.6筛选出的棉蚜虫害 的特征谱段采用波谱角模型构建 地面高光谱棉蚜识别模型。 4.根据权利要求3所述的一种棉花蚜虫遥感预报模型的构建方法， 其特征在于： 步骤3 中获得多光谱影 像棉蚜识别模型和高光谱影 像棉蚜识别模型的具体步骤 包括： 步骤3.1： 无人机遥感数据的采集： 根据步骤1的时间节点， 使用无人机获取棉花苗期的 正常棉株和受蚜虫胁迫棉株的无 人机棉花冠层多光谱数据集； 步骤3.2： 无人机遥感数据处理： 将步骤3.1得到的无人机棉花冠层多光谱数据集进行 预处理， 得到无 人机多光谱影 像数据和无 人机高光谱影 像数据； 步骤3.3： 卫星遥感数据的采集： 根据步骤1的时间节点， 采集卫星高分辨率遥感数据和 卫星高光谱遥感数据； 步骤3.4： 卫星遥感数据处理： 将步骤3.3获得的卫星高分辨率遥感数据进行预处理， 使 用ENVI Registration工具采用二阶多项 式方法完成地理配准， 得到卫星多光谱影像数据 和卫星全色影像数据， 将步骤3.3获得的卫星高光谱遥感数据进 行预处理， 得到卫星高光谱 影像数据； 步骤3.5： 棉蚜虫害多光谱识别方法的构建： 根据步骤3.2获得的无人机多光谱影像数 据和步骤3.4获得的卫星多光谱影像数据分析多光谱棉蚜虫害的识别特征， 构建棉蚜虫害 多光谱识别方法， 所述棉蚜虫害 多光谱识别方法的构建方法包括以下步骤： 步骤3.5.1： 多光谱棉蚜特征谱段与指数选择： 根据步骤2.4所列公式计算卫星多光谱 影像数据和无人机多光谱影像数据的NNIRmul指数(F＝1.26； df＝4， 12；aP＝0.0368)、 红边 指数Rmul(550， 760)(F＝1.57； df＝4， 12；aP＝0.0460)和病害植株光谱指数βmul(F＝9.73； df ＝4， 12；bP＝0.0008)， 其中F为两个均方的 比值， df为因子自由度， P确定因子显著性，aP＜ 0.05；bP＜0.001； 步骤3.5.2构建 二阶多项式回归 模型， 其中y为棉蚜虫害判读指数； φ、 γ为产量系数； b为调节系数；权　利　要　求　书 2/5 页 3 CN 114694020 A 3