检测蝗灾的方法

摘要

本发明提供一种检测蝗灾的方法。所述方法包括：(A)获取被检测区域的多源遥感数据，其中，所述多源遥感数据包括：全极化合成孔径雷达数据、中分辨率成像光谱仪温度和专题制图仪植被指数；(B)通过全极化合成孔径雷达数据获得平均极化散射角和极化散射熵；(C)通过平均极化散射角、极化散射熵、中分辨率成像光谱仪温度和专题制图仪植被指数获得差值蝗灾指数；(D)根据差值蝗灾指数来确定被检测区域是否发生蝗灾。

权利要求

1.一种检测蝗灾的方法，包括：

(A)获取被检测区域的多源遥感数据，其中，所述多源遥感数据包括：全极化合成孔径雷达数据、中分辨率成像光谱仪温度和专题制图仪植被指数；获取的多源遥感数据包括：第一时刻获取的多源遥感数据和第二时刻获取的多源遥感数据，其中，第一时刻早于第二时刻，(B)通过全极化合成孔径雷达数据获得平均极化散射角和极化散射熵；

(C1)分别将与第一时刻和第二时刻相对应的平均极化散射角、极化散射熵、中分辨率成像光谱仪温度和专题制图仪植被指数归一化，获得分别与第一时刻和第二时刻相对应的归一化的平均极化散射角、归一化的极化散射熵、归一化的中分辨率成像光谱仪温度和归一化的专题制图仪植被指数；

(C2)通过分别与第一时刻和第二时刻相应的归一化的平均极化散射角、归一化的极化散射熵、归一化的中分辨率成像光谱仪温度和归一化的专题制图仪植被指数获得差值蝗灾指数；

(D)根据差值蝗灾指数来确定被检测区域在第二时刻是否发生蝗灾。

2.如权利要求1所述的方法，其中，获取的全极化合成孔径雷达数据为极化散射矩阵，其中，步骤(B)包括：(B1)将所述极化散射矩阵转化为极化相干矩阵；

(B2)获得所述极化相干矩阵的特征向量和特征值；

(B3)将所述极化相干矩阵转化为旋转矩阵、单位矩阵和旋转矩阵的共轭矩阵的乘积，通过所述旋转矩阵和所述特征向量获得极化散射角，并通过获得的极化散射角计算平均极化散射角；

(B4)通过所述特征值获得极化散射熵。

3.如权利要求1所述的方法，其中，在步骤(D)中，当差值蝗灾指数大于第一预定阈值时，确定被检测区域在第二时刻发生蝗灾，当差值蝗灾指数不大于所述第一预定阈值时，确定被检测区域未发生蝗灾。

4.如权利要求1所述的方法，其中，步骤(D)包括：根据差值蝗灾指数和归一化的专题制图仪植被指数来确定被检测区域在第二时刻是否发生蝗灾。

5.如权利要求4所述的方法，其中，在步骤(D)中，当差值蝗灾指数大于第一预定阈值且分别与第一时刻和第二时刻相应的归一化的专题制图仪植被指数均大于第二预定阈值时，确定被检测区域在第二时刻发生蝗灾，否则，确定被检测区域在第二时刻未发生蝗灾。

6.如权利要求1所述的方法，其中，所述差值蝗灾指数DPLI用下面的公式来表示：其中，NLIafter为与第二时刻相应的归一化的中分辨率成像光谱仪温度，NDVIafter为与第二时刻相应的归一化的专题制图仪植被指数，NHafter为与第二时刻相应的归一化的极化散射熵，Nαafter为与第二时刻相应的归一化的平均极化散射角，NLIpre为与第一时刻相应的归一化的中分辨率成像光谱仪温度，NDVIpre为与第一时刻相应的归一化的专题制图仪植被指数，NHpre为与第一时刻相应的归一化的极化散射熵，Nαpre为与第一时刻相应的归一化的平均极化散射角。

说明书

检测蝗灾的方法

技术领域

[0001] 本发明涉及农业领域，更具体地讲，涉及一种检测蝗灾的方法。

背景技术

[0002] 东亚飞蝗是诱发中国北方蝗灾最常见的昆虫，以禾本植物为食，是我国北方的优势种，也是严重破坏我国北方生态系统的昆虫之一。由于蝗灾发生后大量的蝗虫会吞食禾田，使农产品遭到完全破坏，引发严重的经济损失以致因粮食短缺而发生饥荒。因此，准确地检测蝗灾对于蝗灾危害的及时遏制至关重要。

[0003] 目前，主要利用下面两种方法来检测蝗灾：利用气象数据、中分辨率成像光谱仪(MODIS)数据计算归一化植被指数来检测蝗灾；或者，通过专题制图仪(TM)影像获取各种植被指数数据进行东亚飞蝗的遥感反演来检测蝗灾。然而，这两种方法都是利用单一的影像数据来检测蝗灾，检测的精度不高，难以获得准确的检测结果。

[0004] 因此，现有的检测蝗灾的方法不能准确地检测蝗灾。

发明内容

[0005] 本发明的示例性实施例在于提供一种检测蝗灾的方法。所述方法能够提高对蝗灾的检测精度，从而能够准确地检测蝗灾。

[0006] 根据本发明示例性实施例，提供一种检测蝗灾的方法，包括：(A)获取被检测区域的多源遥感数据，其中，所述多源遥感数据包括：全极化合成孔径雷达数据、中分辨率成像光谱仪温度和专题制图仪植被指数；(B)通过全极化合成孔径雷达数据获得平均极化散射角和极化散射熵；(C)通过平均极化散射角、极化散射熵、中分辨率成像光谱仪温度和专题制图仪植被指数获得差值蝗灾指数；(D)根据差值蝗灾指数来确定被检测区域是否发生蝗灾。

[0007] 可选地，获取的全极化合成孔径雷达数据为极化散射矩阵，其中，步骤(B)包括：(B1)将所述极化散射矩阵转化为极化相干矩阵；(B2)获得所述极化相干矩阵的特征向量和特征值；(B3)将所述极化相干矩阵转化为旋转矩阵、单位矩阵和旋转矩阵的共轭矩阵的乘积，通过所述旋转矩阵和所述特征向量获得极化散射角，并通过获得的极化散射角计算平均极化散射角；(B4)通过所述特征值获得极化散射熵。

[0008] 可选地，步骤(C)包括：(C1)分别将平均极化散射角、极化散射熵、中分辨率成像光谱仪温度和专题制图仪植被指数归一化，获得归一化的平均极化散射角、归一化的极化散射熵、归一化的中分辨率成像光谱仪温度和归一化的专题制图仪植被指数；(C2)通过归一化的平均极化散射角、归一化的极化散射熵、归一化的中分辨率成像光谱仪温度和归一化的专题制图仪植被指数获得差值蝗灾指数。

[0009] 可选地，在步骤(A)中，获取的多源遥感数据包括：第一时刻获取的多源遥感数据和第二时刻获取的多源遥感数据，其中，第一时刻早于第二时刻，其中，在步骤(C)中，通过分别与第一时刻和第二时刻相对应的平均极化散射角、极化散射熵、中分辨率成像光谱仪温度和专题制图仪植被指数获得差值蝗灾指数，在步骤(D)中，根据差值蝗灾指数来确定被检测区域在第二时刻是否发生蝗灾。

[0010] 可选地，在步骤(D)中，当差值蝗灾指数大于第一预定阈值时，确定被检测区域发生蝗灾，当差值蝗灾指数不大于所述第一预定阈值时，确定被检测区域未发生蝗灾。

[0011] 可选地，步骤(D)包括：根据差值蝗灾指数和归一化的专题制图仪植被指数来确定被检测区域是否发生蝗灾。

[0012] 可选地，在步骤(D)中，当差值蝗灾指数大于第一预定阈值且分别与第一时刻和第二时刻相应的归一化的专题制图仪植被指数均大于第二预定阈值时，确定被检测区域在第二时刻发生蝗灾，否则，确定被检测区域在第二时刻未发生蝗灾。

[0013] 可选地，所述差值蝗灾指数DPLI用下面的公式来表示：

[0014]

[0015] 其中，NLIafter为与第二时刻相应的归一化的中分辨率成像光谱仪温度，NDVIafter为与第二时刻相应的归一化的专题制图仪植被指数，NHafter为与第二时刻相应的归一化的极化散射熵，Nαafter为与第二时刻相应的归一化的平均极化散射角，NLIpre为与第一时刻相应的归一化的中分辨率成像光谱仪温度，NDVIpre为与第一时刻相应的归一化的专题制图仪植被指数，NHpre为与第一时刻相应的归一化的极化散射熵，Nαpre为与第一时刻相应的归一化的平均极化散射角。

[0016] 在根据本发明示例性实施例的检测蝗灾的方法中，通过包含两个光学数据和一个微波数据的多源遥感数据来检测蝗灾，提高了蝗灾检测的精度，从而实现了对蝗灾的准确检测。

附图说明

[0017] 通过下面结合示例性地示出实施例的附图进行的描述，本发明示例性实施例的上述和其他目的和特点将会变得更加清楚，其中：

[0018] 图1示出根据本发明的示例性实施例的检测蝗灾的方法的流程图；

[0019] 图2示出根据本发明的示例性实施例的检测蝗灾的方法中获得平均极化散射角和极化散射熵的步骤的流程图。

具体实施方式

[0020] 以下，将参照附图更充分地描述本发明的示例性实施例，示例性实施例在附图中示出。然而，可以以许多不同的形式实施示例性实施例，并且不应被解释为局限于在此阐述的示例性实施例。相反，提供这些实施例从而本公开将会彻底和完整，并将完全地将示例性实施例的范围传达给本领域的技术人员。

[0021] 图1示出根据本发明的示例性实施例的检测蝗灾的方法的流程图。

[0022] 在步骤S100，获取被检测区域的多源遥感数据。其中，所述多源遥感数据包括：全极化合成孔径雷达(SAR)数据、中分辨率成像光谱仪(MODIS)温度和专题制图仪(TM)植被指数。这里，获取的全极化SAR数据为微波数据，获取的MODIS温度和TM植被指数均为光学数据。

[0023] 作为示例，为了比较被检测区域在不同时刻的差异，获取的多源遥感数据可包括：第一时刻获取的多源遥感数据和第二时刻获取的多源遥感数据，其中，第一时刻早于第二时刻。

[0024] 另外，由于全极化SAR数据、MODIS温度和TM植被指数都有其特定的数据格式和投影方式，可对全极化SAR数据、MODIS温度和TM植被指数进行预处理(例如，进行数据的拼接、裁剪、提取、投影以及数值转换)，使全极化SAR数据、MODIS温度和TM植被指数具有一致的数据格式和投影方式。例如，可借助POLSARPRO(SAR数据处理工具)对全极化SAR数据进行预处理、借助MRT(MODIS数据处理工具)对MODIS温度进行预处理、借助ENVI(遥感图像处理平台)对TM植被指数进行预处理，使全极化SAR数据、MODIS温度和TM植被指数具有一致的数据格式和投影方式。

[0025] 在步骤S200，通过全极化SAR数据获得平均极化散射角和极化散射熵。

[0026] 获取的全极化SAR数据可为极化散射矩阵，可通过极化散射矩阵及其特征向量和特征值来获得平均极化散射角和极化散射熵。

[0027] 图2示出根据本发明的示例性实施例的检测蝗灾的方法中获得平均极化散射角和极化散射熵的步骤S200的流程图。

[0028] 在步骤S210，将所述极化散射矩阵转化为极化相干矩阵。

[0029] 在步骤S220，获得所述极化相干矩阵的特征向量和特征值。

[0030] 作为示例，可由下面的公式获得所述极化相干矩阵的特征向量和特征值：

[0031]

[0032] 其中，T为所述极化相干矩阵，λi为所述极化相干矩阵T的特征值，ei为所述极化相干矩阵的特征向量， 为ei的伴随矩阵，i的值域是{1,2,3}。

[0033] 在步骤S230，将所述极化相干矩阵转化为旋转矩阵、单位矩阵和旋转矩阵的共轭矩阵的乘积，通过所述旋转矩阵和所述特征向量获得极化散射角，并通过获得的极化散射角计算平均极化散射角。

[0034] 作为示例，可用下面的公式来获得所述极化散射角αi：

[0035]

[0036] 其中，ei为极化相干矩阵的特征向量，sinαi、cosαi、sinβi和cosβi均为所述旋转矩阵中的元素， 和 均为所述极化相干矩阵中的元素。

[0037] 并且，可通过下面的公式来计算平均极化散射角

[0038]

[0039] 其中，i的值域是{1,2,3}。

[0040] 在步骤S240，通过所述特征值获得极化散射熵。

[0041] 作为示例，可用下面的公式来获得所述极化散射熵H：

[0042]

[0043] 其中， λi、λj均为所述极化相干矩阵的特征值，i和j的值域均是{1,2,3}。

[0044] 再次参照图1，在步骤S300，通过平均极化散射角、极化散射熵、MODIS温度和TM植被指数获得差值蝗灾指数。

[0045] 这里，通过由微波数据获得的平均极化散射角和极化散射熵，以及相关的光学数据：MODIS温度和TM植被指数可获得用于检测蝗灾的差值蝗灾指数。

[0046] 作为示例，可先分别将平均极化散射角、极化散射熵、MODIS温度和TM植被指数归一化，获得归一化的平均极化散射角、归一化的极化散射熵、归一化的MODIS温度和归一化的TM植被指数。

[0047] 具体地说，由于平均极化散射角、极化散射熵、MODIS温度和TM植被指数的量纲存在差异，不同数据的值域之间相差巨大。为避免较大值对较小值的遮盖，可将平均极化散射角、极化散射熵、MODIS温度和TM植被指数进行归一化，使所有数据值域均为[0,1]，以消除量纲的影响。

[0048] 例如，可用下面的公式来归一化：

[0049]

[0050] 其中，Xi'表示归一化后的数据，Xi为原始数据(需要归一化的数据)，Xmax为需要归一化的所有数据中的最大值数据，Xmin为需要归一化的所有数据中的最小值数据。

[0051] 接下来，可通过归一化的平均极化散射角、归一化的极化散射熵、归一化的MODIS温度和归一化的TM植被指数获得差值蝗灾指数。

[0052] 作为另一示例，当获取的多源遥感数据包括第一时刻获取的多源遥感数据和第二时刻获取的多源遥感数据时，可通过分别与第一时刻和第二时刻相对应的平均极化散射角、极化散射熵、MODIS温度和TM植被指数获得差值蝗灾指数。在这种情况下，可先将分别与第一时刻和第二时刻相应的平均极化散射角、极化散射熵、MODIS温度和TM植被指数归一化，获得分别与第一时刻和第二时刻相应的归一化的平均极化散射角、归一化的极化散射熵、归一化的MODIS温度和归一化的TM植被指数。然后，通过分别与第一时刻和第二时刻相应的归一化的平均极化散射角、归一化的极化散射熵、归一化的MODIS温度和归一化的TM植被指数获得差值蝗灾指数。

[0053] 所获得的差值蝗灾指数DPLI可用下面的公式来表示：

[0054]

[0055] 其中，NLIafter为与第二时刻相应的归一化的MODIS温度，NDVIafter为与第二时刻相应的归一化的TM植被指数，NHafter为与第二时刻相应的归一化的极化散射熵，Nαafter为与第二时刻相应的归一化的平均极化散射角，NLIpre为与第一时刻相应的归一化的MODIS温度，NDVIpre为与第一时刻相应的归一化的TM植被指数，NHpre为与第一时刻相应的归一化的极化散射熵，Nαpre为与第一时刻相应的归一化的平均极化散射角。

[0056] 由于发生蝗灾时，归一化的MODIS温度会增大，归一化的TM植被指数、归一化的极化散射熵和归一化的平均极化散射角均会减小。因此，当蝗灾发生时，差值蝗灾指数DPLI会增大，所以，差值蝗灾指数DPLI可反映蝗灾情况。

[0057] 在步骤S400，根据差值蝗灾指数来确定被检测区域是否发生蝗灾。

[0058] 可将差值蝗灾指数与预定的阈值进行比较，根据比较结果来确定被检测区域是否发生蝗灾。

[0059] 在一示例中，当差值蝗灾指数大于第一预定阈值时，确定被检测区域发生蝗灾，当差值蝗灾指数不大于所述第一预定阈值时，确定被检测区域未发生蝗灾。

[0060] 在另一示例中，当获取的多源遥感数据包括第一时刻获取的多源遥感数据和第二时刻获取的多源遥感数据时，可根据差值蝗灾指数来确定被检测区域在第二时刻是否发生蝗灾(即，确定较晚的时刻是否发生蝗灾)。

[0061] 作为示例，当差值蝗灾指数大于第一预定阈值时，确定被检测区域在第二时刻发生蝗灾，当差值蝗灾指数不大于所述第一预定阈值时，确定被检测区域在第二时刻未发生蝗灾。

[0062] 作为优选示例，根据差值蝗灾指数和归一化的TM植被指数来确定被检测区域是否发生蝗灾。

[0063] 这里，当只需要检测农田区域的蝗灾情况时，可首先排除荒漠、草地及湿地的影响。由于荒漠、草地及湿地的TM植被指数通常比较低，因此，可通过设置TM植被指数的阈值来排除荒漠、草地及湿地。

[0064] 具体地说，当差值蝗灾指数大于第一预定阈值且分别与第一时刻和第二时刻相应的归一化的TM植被指数均大于第二预定阈值时，确定被检测区域在第二时刻发生蝗灾，否则，确定被检测区域在第二时刻未发生蝗灾。

[0065] 这里，第一阈值和第二阈值可根据试验的方式来确定。例如，可根据不同的环境特点，通过试验的方式来确定。

[0066] 在根据本发明示例性实施例的检测蝗灾的方法中，通过包含两个光学数据和一个微波数据的多源遥感数据来检测蝗灾，提高了蝗灾检测的精度，从而实现了对蝗灾的准确检测。

[0067] 尽管已经参照其示例性实施例具体显示和描述了本发明，但是本领域的技术人员应该理解，在不脱离权利要求所限定的本发明的精神和范围的情况下，可以对其进行形式和细节上的各种改变。