无人机多光谱影像识别稻瘟病发生程度规程

无人机多光谱影像识别稻瘟病发生程度规程

1范围

本文件规定了基于无人机多光谱影像识别稻瘟病中叶瘟发生程度的识别处理流程、数据获取与处理、

稻瘟病发生程度识别、精度检验、面积量算和统计、专题产品制作。

本文件适用于XX省稻瘟病发生程度的无人机多光谱影像遥感识别。

2规范性引用文件

下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文件，

仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修改单）适用于本

文件。

GB/T14950—2009摄影测量与遥感术语

GB/T15790—2009稻瘟病测报调查规范

GB/T16820—2009地学术语

GB/T20257（所有部分）国家基本比例尺地图图式

GB/T30115卫星遥感影像植被指数产品规范

NY/T3527—2019农作物种植面积遥感监测规范

3术语和定义

下列术语和定义适用于本文件。

3.1

叶瘟

水稻植株3叶期以后叶片上发生的稻瘟病，称为叶瘟。

3.2

多光谱影像

将物体发射或辐射的电磁波信息分成若干波谱段进行接收或记录的图像。

3.3

高斯-克吕格投影

正轴等角横切椭圆柱投影。由德国数学家、天文学家高斯（）拟定，德国大地测量学家克吕格（J.Kr

uger）补充而成。假想用一个椭圆柱横切于椭球面上某投影带的中央子午线，将中央子午线两侧一定经

差范围内的经纬线交点按等角条件投影到椭圆柱上，并将此圆柱面展为平面而成。其投影带中央子午线

投影成直线且长度不变，赤道投影也为直线，并与中央子午线正交。

3.5

几何校正

为消除影像的几何畸变而进行投影变换或不同波段影像间的配准等校正工作。

3.6

辐射校正

对由于外界因素，数据获取和传输系统产生的系统的、随机的辐射失真或畸变进行的校正。

3.7

植被指数

1

一种利用多光谱遥感影像不同谱段数据的线性或非线性组合而形成的能反映绿色植物生长状况和

分布的特征指数。

3.8

归一化差值植被指数

近红外波段反射率和可见光红光波段反射率之差与二者之和的比值。

3.9

训练样本

可由实地调查或图像解释方法选取确定的已知地物属性或特征的图像像元，用于进行分类的学习和

训练，以建立分类模型或分类函数的样本。

3.10

验证样本

可由实地调查或图像解释方法选取确定的已知地物属性或特征的图像像元，用于验证分类结果精度

的样本。

4基本要求

4.1空间基准

4.4.1大地基准：2000国家大地坐标系(CGCS2000)。

4.4.2高程基准：1985国家高程基准。

4.4.3投影方式：高斯-克吕格投影。

4.1监测时间

分薨末期至孕X末期。

5稻瘟病识别处理流程

无人机多光谱影像识别稻瘟病发生程度处理流程主要包括数据获取与处理、稻瘟病病情指数识别、

精度检验、面积量算和统计、稻瘟病发生程度专题产品制作5个步骤，见图1。

2

影像获取与处理

无人机多光谱数据样本数据其他数据

稻

瘟

病水稻空间分布

病

情

指

数

识

别

精

度

检

验

面积量算和统计

稻瘟病发生程度专题产品制作

图1无人机多光谱影像识别稻瘟病发生程度处理流程

6数据获取预处理

6.1无人机多光谱影像

6.1.1影像的选择

无人机多光谱影像的选择要求如下：

a)应选择至少具有绿光波段(520nm~570nm)、红光波段(620nm~760nm)、近红外波段(760nm

-1100nm)范围的无人机多光谱影像数据；

b)影像空间分辨率宜优于0.3米；

c)影像获取时间应为10:00-14:00；

d)淡积云量，无卷云、浓积云等，光照稳定；

e)水平能见度应大于2km；

f)影像获取时间内风力应小于4级；

g)影像应图面清晰，定位准确，无明显条纹、点状和块状噪声，无数据丢失，无严重畸变。

6.1.2影像预处理

无人机多光谱影像的预处理要求如下:

3

a)利用标准值灰板或地面典型地物光谱值对无人机多光谱影像进行辐射定标；

b)影像应进行几何校正，误差应小于1个像元；

c)植被指数的计算与合成按照GB/T30115的规定执行。

6.2样本数据

6.2.1数量与布局

a)在影像范围内选择若干抽样区域作为样本数据。样本的类别应包含影像内稻瘟病病情指数和

地物类型；

b)样本应均匀分布，数量应满足统计学的基本要求；

c)样本数据的采集时间与多光谱影像的采集时间应一致。

6.2.2获取方式

a)病情指数训练样本数据和验证样本数据根据GB/T15790—2009中4获取；

b)地物类型训练样本数据和验证样本数据根据NY/T3527-2019中7.2.2获取。

6.3水稻空间分布数据

根据NY/T3527-2019提取水稻空间分布数据。

6.4其他数据

a)水稻生育期数据；

b)水稻品种数据；

c)稻瘟病发生历史数据。

7稻瘟病发生程度识别

7.1病情指数识别参数的选择

病情指数识别参数应包括光谱反射率特征，也可以包括由光谱反射率衍生计算的植被指数特征，如

归一化植被指数(NDVI)、增强型植被指数(EVI)等。

7.2病情指数识别模型的构建

基于训练样本数据与病情指数识别参数，选择一元回归分析或多元回归分析的方法构建病情指数识

别模型。推荐的回归分析方法如下：

a)一元回归分析推荐使用植被指数特征；

b)多元回归分析推荐使用光谱反射率特征。

7.3病情指数反演

利用病情指数识别模型，对监测区内的稻瘟病病情指数进行定量反演，得到监测区内稻瘟病病情指

数空间分布数据。

7.4病情指数分级

根据GB/T1579O—2009附录D分为5级。

7.5稻瘟病发生程度分级

利用水稻空间分布数据和病情指数分级数据，根据GB/T15790—2009中9对稻叶瘟病发生程度进

行分级。

8精度检验

4

基于验证样本采用混淆矩阵中的总体精度，作为稻瘟病病情指数分级识别精度验证指标。按照式(1)

计算总体精度，总体精度不低于90%o

p=^i=1Pf;xioo............(i)

cp

式中：

Pc---总体精度，%；

k——稻瘟病发生程度的级别数量；

P——样本的总数；

Pii——识别为i程度而实际调查也为i的样本数目。

9面积量算

采用GIS软件对识别的各等级稻瘟病病情指数进行面积量算。

10稻瘟病发生程度专题产品制作

10.1专题图制作

无人机多光谱识别稻瘟病发生程度专题图包括图名、图例、比例尺、制图单位、制图时间等，内容

包括稻瘟病病情指数等级、行政区划等信息。其中，基本地图要素制作方式按GB/T20257的规定执行。

10.2报告编写

无人机多光谱识别稻瘟病发生程度报告内容包括采用的无人机多光谱相机、影像获取时间、样本信

息、模型选择、精度评价、面积