(19)中华 人民共和国 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 202111642152.8 (22)申请日 2021.12.2 9 (71)申请人 浙江同创空间技 术有限公司 地址 311399 浙江省杭州市临安区锦城街 道农林大路352号浙江农林大学创业 孵化园1幢4楼407 (72)发明人 陈小华　吴利平　丁丽霞　李伟明　 茹磊　季卓　周通　 (74)专利代理 机构 浙江新篇律师事务所 3 3371 代理人 李旻 (51)Int.Cl. G06V 20/13(2022.01) G06V 20/17(2022.01) G06V 10/58(2022.01) G06V 10/22(2022.01)G06V 10/56(2022.01) G06V 10/26(2022.01) G06V 10/776(2022.01) G06K 9/62(2022.01) (54)发明名称 松材线虫病监测天空地 一体化监测方法 (57)摘要 本发明公开了一种松材线虫病监测天空地 一体化监测方法， 其技术方案： S1、 首先通过无人 机影像对对染病枯死树提取， 通过卫星影像对染 病枯死树斑块进行提取， 通过地面调查对枯死树 进行实地标记、 定位和测量； S2、 分别获取高空间 分辨率卫星遥感数据、 无人机遥感数据为数据 源， 结合地面调查数据与森林资源二类调查数 据， 共同形成监测区域的数据集合； S3、 通过上述 数据建立疫木的样本， 样本包括松材线虫病害枯 死树的光谱特征、 征纹理特征和几何特征； S4、 根 据样本， 卫星遥感对染病枯死树斑块进行确认， 综合运用图像增强与图像分类方法， 并进行验 证， 建立松材线虫病枯死树空间分布信息和位置 信息。 本发明具有筛选疫区效率高， 可实现大面 积高效监测， 无人机遥感数据获取方便、 识别精 度高， 用于精度验证有保障。 权利要求书3页 说明书17页 附图7页 CN 114387528 A 2022.04.22 CN 114387528 A 1.松材线虫病监测天空地 一体化监测方法， 其特 征在于包括以下步骤： S1、 首先通过无人机影像对对染病枯死树提取， 通过卫星影像对染病枯死树斑块进行 提取， 通过地 面调查对枯死树进行实地标记、 定位和 测量； S2、 分别获取高空间分辨率卫星遥感数据、 无人机遥感数据为数据源， 结合地面调查数 据与森林资源二类调查数据， 共同形成监测区域的数据集 合； S3、 通过上述数据建立疫木的样本， 样本包括松材线虫病害枯死树的光谱特征、 征纹理 特征和几何特 征； S4、 根据样本， 卫星遥感对染病枯死树斑块进行确认， 综合运用图像增强与图像分类方 法， 并进行验证， 建立松材线虫病枯死树空间分布信息和位置信息 。 2.根据权利要求1所述的松材线虫病监测天空地一体化监测方法， 其特征在于： 高空间 分辨率卫星遥感数据包括50cm空间分辨率全色波 段(470‑830nm)数据和2米空间分辨率蓝、 绿、 红、 近红外四个波段多光谱数据。 3.根据权利要求1所述的松材线虫病监测天空地一体化监测方法， 其特征在于： 无人机 遥感数据包括多个区域中在每个区域选取一个1km2‑2km2的区域作为验 证区， 分别对所选区 域用无人机进行拍摄， 无人机遥感数据采集使用设备为大疆精灵4  PRO RTK多旋翼无人机 搭载FC6310R航摄仪 。 4.根据权利要求1所述的松材线虫病监测天空地一体化监测方法， 其特征在于： 地面调 查数据包括在无人机拍摄后的区域内选择其中一个或多个区域的部分小班内的枯死树进 行了实地手持GP S枯死树标记、 定位和 测量， 以完成建模和 和专题分析； 实地测量的数据包括： 小班号， 疫木编号， 胸径， 冠幅， 空中可见冠幅， 松针保留率， 树冠 颜色， 坐标x(GPS)， 坐标y(GPS)， 坐标x(影像)和坐标y(影像)， 通过 实地调查， 建立疫木图像 特征库， 包括颜色、 形状、 纹 理、 图案、 空间分布特点。 5.根据权利要求1所述的松材线虫病监测天空地一体化监测方法， 其特征在于： 森林资 源二类调查数据包含 各区域行政区界线和小班界线空间信息， 各级 行政区名称、 小班号、 小 班面积、 地类及树种属性信息 。 6.根据权利要求1所述的松材线虫病监测天空地一体化监测方法， 其特征在于： 无人机 遥感数据分析用于提取染病枯死树数量， 根据疫木在图像上 的目视特征， 选取感染了松材 线虫病的松树进行记录， 确定疫木分布结果。 7.根据权利要求1所述的松材线虫病监测天空地一体化监测方法， 其特征在于： 高空间 分辨率卫星遥感数据分析用于对染病枯死树斑块提取， 基于卫星遥感影像， 首先运用HSV阈 值方法识别疫木斑块， 然后利用森林资源二类调查本底数据提取松林分布 区域， 并通过分 割算法剔除林中空地， 并用斑块面积与疫木株数建立疫木株数模型， 最后用株数模型估算 全部斑块的疫木株数， 提取每一株的位置坐标； 分割算法是从单个像元开始向上逐渐合并 成较大的对象， 直到满足所设置的分割尺度(f)为止； 分割尺度(f)由四个参数组成， 分别是光谱异质性(hcolor)、 形状异质性(hshape)、 光谱信 息权重(wcolor)以及形状信息权重(wshape)， 光谱特征和形状特征的权重之和为1(即wcolor+ wshape＝1)， f＝ w×hcolor+(1‑w)×hshape； 光谱异质性(hcolor)不仅与组成对象的像元个数有关， 还取决于各个波段标准差： 为对 象内部像元值的标准差， 根据组成对象的像元值计算得到， n 为像元数目；权　利　要　求　书 1/3 页 2 CN 114387528 A 2此外， 形状异质性(hshape)由紧凑度(hcompact)和平滑度(hsmooth)来计算， 光滑度用来优化 分割对象边界的光滑程度， 可以抑制边缘的破碎； 紧凑度用来优化分割对象的紧凑程度， 两 个指标的权 重之和也是1(即wcompact+wsmooth＝1)； hshape＝wcompact×hcompact+(1‑wcompact)×hsmooth； 在图像预处理的基础上， 借助eCognition  Developer软件对P卫星影像进行分割， 对影 像进行多尺度分割， 分割范围为20 ‑150， 对多尺度分割结果进 行定量评价， 找到最优分割尺 度， 通过目视 评价， 选出最优分割尺度； 在定量化评价出最优分割尺度后， 通过eCognition  Developer导出最优分割尺度下对 象层中每个对 象的在P卫星影像中具有的特征变量， 包括有光谱、 纹理、 几何特征变量以及 由图像原 始波段计算得 出了各种指数； 对高空间分辨率卫星遥感数据中的RGB， 其中RGB即是代表红、 绿、 蓝三个通道的颜色， 红绿蓝3个波段多光谱 数据做HSV变换图像色彩增强， 转化HSV彩色模 型， 疫木与健康树木在 H波段的值上 呈现明显的分异， 找到区分者的阈值， 即可对疫木的斑块进行自动识别； RGB转换HSV公式如下： V＝max(R， G， B) If H＜0 then H＝H+360.On output 0≤V≤1， 0 ≤S≤1， 0 ≤H≤360. 疫木的斑块进识别后， 结合森林资源二类调查数据， 对松林范围裁剪， 剔除非松林区 域， 获取松林区域的疫木斑块； 通过通过局部几何校正方法， 校正时以卫星数据为参考， 将无人机提取的结果进行几 何校正， 以便于将无人机数据提取结果作为参考数据， 与卫星数据做匹配、 叠加分析， 基于 无人机影像、 卫星影像及各自的判读识别结果， 通过二者同一位置疫木大小、 颜色、 空间分 布特征、 图案以及与周边地物的位置关系， 综合运用对比分析、 逻辑推 断的方法， 对疫木位 置作出准确判断， 得到几何精校正结果， 实现无机影像判读的疫木的位置与卫星影像识别 结果一一对应； 通过无人机影像判读结果与卫星图斑数据， 用人机交互方式得到一个新的卫星疫木点 矢量数据， 此 数据用于疫木识别株数建模； 基于卫星影像识别出不同大小的疫木斑块， 进行计算疫木数量， 通过面积与株数的关 系模型获得， 模型 形式为： y＝ax+b 或者 y＝ax2+bx+c权　利　要　求　书 2/3 页 3 CN 114387528 A 3