基于无人机高光谱和激光雷达的落叶松毛虫虫害监测方法与流程

1.本发明涉及林业虫害监测技术领域，更具体地说，它涉及基于无人机高光谱和激光雷达的落叶松毛虫虫害监测方法。


背景技术：

2.落叶松毛虫（dendrolimus superans (butler)）是鳞翅目、枯叶蛾科、松毛虫属的一种昆虫，是中国东北林区的主要害虫，不仅危害落叶松，还危害红松、油松、樟子松、云杉、冷杉等针叶树种。该虫在大兴安岭大部地区 2 年 1 代，每年幼虫在 5 月中旬至 6 月下旬出现。幼虫食害针叶，爆发时吃光针叶，使枝干形同火烧，严重时使松林成片枯死。落叶松毛虫多发生于背风向阳、干燥稀疏的落叶松纯林内。该虫害使林木内部生化组分（如叶绿素含量、花青素含量、氮含量）和光合生理参数（如光合速率、蒸腾速率等）发生变化；使林木新陈代谢减缓、固碳能力下降、外观形态出现变化。这些变化在无人机高光谱和激光雷达特征上具有明显响应。
3.目前利用遥感监测虫害多以多光谱为主，其光谱分辨率较低，难以感知林木受害的细微变化，无法实现虫害高效、准确监测。进而急需开发一套基于区域尺度的高时效、高精度落叶松毛虫虫害遥感监测技术方法，趁早发现虫害发生、发展规律，助力森林生态全面绿色转型持续发展。


技术实现要素：

4.本发明的目的是提供基于无人机高光谱和激光雷达的落叶松毛虫虫害监测方法，本技术通过无人机高光谱和激光雷达遥感技术，构建虫害指示指标估算模型和虫害严重程度监测模型，实现基于多维空间的落叶松毛虫虫害遥感精准监测。
5.本发明的上述技术目的是通过以下技术方案得以实现的：基于无人机高光谱和激光雷达的落叶松毛虫虫害监测方法，包括虫害指示指标分布监测：利用无人机高光谱遥感和激光雷达技术，结合林木外观指标、内部生化组分和虫情指标调查与实测数据，建立林木虫害指示指标遥感估算模型，对虫害指示指标水平和垂直向分布监测。
6.虫害严重程度多维监测；利用无人机高光谱和激光雷达技术，结合林木结构参数和虫害指示指标，分别在冠层水平向和垂直向上建立林木受害程度和害虫发生程度监测模型，对实现落叶松毛虫虫害严重程度精准监测；虫害指示指标包括叶绿素含量、氮含量、失叶率、虫口密度。
7.本发明进一步设置为：所述虫害指示指标分布监测步骤如下：s1：无人机高光谱遥感数据和激光雷达数据获取；s2：无人机高光谱遥感数据和激光雷达数据预处理；s3：对预处理后的高光谱遥感数据和激光雷达数据进行特征获取；s4：高光谱特征和激光雷达特征进行参量敏感性和参量重要性分析；s5：构建林木冠层水平向、垂直向外观状态指标估算模型、生化组分估算模型和虫
情指标估算模型。
8.本发明进一步设置为：所述虫害严重程度多维监测的林木受害程度监测模型构建步骤如下：d1：无人机高光谱数据处理及高光谱特征提取；d2：无人机激光雷达数据处理及特征提取；d3：通过高光谱和激光雷达特征，结合外观状态指标估算模型、生化组分估算模型获得失叶率、叶绿素含量、氮含量的定量指标；d4：通过失叶率、叶绿素含量、氮含量的指标和模式识别与分类算法，确定各指标在虫害发生程度不同等级中的临界值，建立林木冠层水平向受害程度监测模型，然后结合冠层高度剖面信息，构建林木冠层垂直向受害程度监测模型，并进行精度验证和评定；d5：通过受害程度监测模型，分析林木受害程度在冠层水平向和垂直向分布变化特征。
9.本发明进一步设置为：所述虫害严重程度多维监测的林木害虫发生程度监测模型构建步骤如下：f1：无人机高光谱、激光雷达数据处理及特征提取；f2：通过高光谱和激光雷达特征，结合虫情指标估算模型，获得虫口密度定量指标；f3：通过虫口密度指标和模式识别与分类算法，确定该指标在虫害发生程度不同等级中的临界值，建立林木冠层水平向害虫发生程度监测模型，然后结合冠层高度剖面信息，构建林木冠层垂直向害虫发生程度监测模型，并进行精度验证和评定；f4：通过害虫发生程度监测模型，揭示林木害虫发生程度在冠层水平向和垂直向分布变化特征。
10.本发明进一步设置为：虫害发生程度等级包括健康、轻度、中度、重度和死亡，所述虫害发生程度等级根据林木失叶量、冠层颜色和外观症状进行划分。
11.本发明进一步设置为：林木的实测数据获取步骤如下：根据虫害发生程度等级，选择100棵林木作为样本树，实测其高光谱、叶绿素含量、氮含量及林木结构参数，调查与计算样本树失叶率和虫口密度，在单株样本树的上、中上、中、中下和下5个层次上分别选择东、南、西、北方向的各1条典型标准枝条，采用叶绿素含量仪测量相对叶绿素含量和氮含量；采用卷尺测量林木最大冠幅、枝下高，并借助激光测量仪测定树高；每个观测点中心位置均测量其三维坐标。
12.本发明进一步设置为：失叶率计算方法如下：首先选取样本树的上、中上、中、中下和下5 个层次上分别选择东、南、西、北方向的各 1 条典型标准枝条，记录其受害针叶和健康针叶的数量，然后计算其失叶率，失叶率为损失针叶与全部针叶的比值；最后将所有树枝失叶率的平均值作为当前样本树失叶率。
13.本发明进一步设置为：虫口密度的计算方法如下：对每株样本树，首先计算样本树最下层树节平行轮生枝的虫口数量；然后测量样本树最下层树节平行轮生枝垂直投影长度；最后计算样本树树节及其平行轮生枝的数量及样本树高度；根据样本树最下层树节平行轮生枝的虫口数量推算样本树总虫口数量，再结合样本树投影面积，计算虫口密度。
14.本发明进一步设置为：所述步骤s1中通过机载高光谱成像系统获得高光谱影像数
据，其光谱范围 450～950 nm，采样间隔4 nm，光谱分辨率8 nm。
15.本发明进一步设置为：所述步骤s1中通过机载激光雷达系统获得激光雷达数据，其扫描速率为 550000 点/秒。
16.本发明进一步设置为：所述步骤s2中无人机高光谱遥感数据预处理，包括对原始影像进行图像拼接、影像融合、几何校正、影像配准、影像平滑和降维处理。
17.本发明进一步设置为：所述步骤s2中无人机激光雷达数据预处理，将所有原始数据统一到wgs-84坐标系下，利用 lidar360、terrasolid 软件对数据进行预处理；首先通过阈值设定和人工识别对点云数据进行去噪和消除异常点；其次按照一定的滤波规则，利用渐进三角网加密的滤波算法，对点云数据进行滤波处理，获得地面点和非地面点两个类别；然后借助地面点云，生成数字高程模型；再利用植被点云，生成数字地形模型；采用数字高程模型和数字地形模型的关系，生成冠层高度剖面模型。
18.本发明进一步设置为：所述步骤s3中对预处理的高光谱影像，求一阶导数，获得微分光谱特征和红边特征；同时，计算对叶色素、水分敏感的光谱植被指数和对冠层粗糙度敏感的纹理特征，并作为光谱特征；红边特征包括红边位置、红边振幅、红边面积。
19.本发明进一步设置为：所述步骤s3中对预处理的激光雷达数据中提取百分位密度变量参数、百分位高度变量参数和高度变量参数作为激光雷达特征。
20.本发明进一步设置为：所述步骤s4中，分析光谱特征和激光雷达特征参量对不同受害程度林木失叶率、叶绿素含量、氮含量和虫口密度的敏感性，获得敏感光谱和激光雷达特征参量数据集；采用连续投影算法、随机森林-递归特征消除法和 lightgbm 算法对特征参量进行降维压缩处理，并筛选重要参量，作为估算模型输入变量。
21.综上所述，本发明具有以下有益效果：本技术用无人机高光谱和激光雷达技术，在林木冠层垂直方向上，建立林木外观状态、内部生化组分和虫情等虫害指示指标遥感估算模型，揭示落叶松毛虫危害下虫害指示指标垂直向分布变化特征。
22.单个虫害指示指标已经难以满足虫害严重程度高精度监测。高光谱遥感只能在森林冠层二维平面上监测虫害严重程度，而无法获得三维立体上的虫害信息。本技术用无人机高光谱和激光雷达技术，构建基于林木冠层水平和垂直方向的受害程度和害虫发生程度监测模型，实现多维空间的落叶松毛虫虫害严重程度遥感精准监测并揭示落叶松不同部位受害特征。
23.本技术利用无人机高光谱和激光雷达遥感技术与数据，提取对落叶松毛虫虫害敏感的光谱特征和激光雷达特征，结合先进机器学习算法，构建林木冠层水平向和垂直向虫害指示指标遥感估算模型。在此基础上，采用多个虫害指示指标，建立虫害严重程度遥感监测模型，实现基于多维空间的虫害严重程度遥感精准监测。这不仅为森林害虫防控和生态保护提供基础数据和技术储备，而且为智慧林业建设提供技术支持。
附图说明
24.图1是本发明基于无人机高光谱和激光雷达的落叶松毛虫虫害监测方法的总体框架构图；图2是本发明实施例中落叶松锥形模拟图（左图）及实测观测点选择（右图）；图3是本发明实施例指示指标遥感估算模型框架构图；
图4是本发明实施例虫害指示指标遥感估算模型技术路线图；图5是本发明实施例落叶松毛虫虫害严重程度遥感精准监测的架构图；图6是本发明实施例林木受害程度遥感监测技术路线图；图7是本发明实施例林木害虫发生程度遥感监测技术路线图；图8是本发明实施例林木虫害严重程度遥感精准监测技术路线；图9是本发明实施例落叶松毛松虫害林区示意图。
具体实施方式
25.以下结合附图1-9对本发明作进一步详细说明。
26.实施例：基于无人机高光谱和激光雷达的落叶松毛虫虫害监测方法，如图1-图9所示。
27.本发明实施例以我国大兴安岭林区为研究区，主要通过无人机高光谱和激光雷达遥感技术手段，结合地面调查与实测，开展落叶松毛虫虫害监测研究。首先通过受害过程落叶松高光谱特征和激光雷达特征，结合激光雷达的林木垂直结构信息和机器学习算法，建立林木外观状态指标（失叶率）、内部生化组分（叶绿素含量、氮含量）估算模型和虫情指标（虫口密度）估算模型，实现基于高光谱和激光雷达技术协同的虫害指示指标水平向、垂直向分布监测；其次利用林木外观状态、内部生化组分和虫情等虫害指示指标数据，结合模式识别和分类算法，构建基于多维空间的林木受害程度和害虫发生程度监测模型，实现落叶松毛虫虫害严重程度多维空间、精准监测。
28.在大兴安岭落叶松毛虫虫害试验区，根据林木失叶量、冠层颜色 等外观症状，确定落叶松的健康、轻度、中度、重度和死亡等不同受 害程度，并根据不同受害程度，选择100棵落叶松作为样本树，实测其高光谱、叶绿素含量、氮含量及林木结构参数。与此同时，调查与 计算样本树失叶率和虫口密度。在单株样本树的上、中上、中、中下、 下等5个层次上分别选择东、南、西、北方向的各1条典型标准枝条 （如图2所示），采用叶绿素含量仪测量相对叶绿素含量和氮含量； 采用卷尺测量林木最大冠幅、枝下高，并借助激光测量仪测定树高；每个观测点中心位置均测量其三维坐标。
29.失叶率和虫口密度调查与计算情况如下：失叶率：首先选取样本树的上、中上、中、中下、下等 5 个层次 上分别选择东、南、西、北方向的各1条典型标准枝条，记录其受害针叶和健康针叶的数量，然后计算其失叶率（损失针叶与全部针叶的比值）。最终以所有树枝失叶率的平均值作为当前样本树失叶率。
30.虫口密度的计算：对每株样本树，首先计算样本树最下层树节平行轮生枝的虫口数量；然后测量样本树最下层树节平行轮生枝垂直投影长度；最后计算样本树树节及其平行轮生枝的数量及样本树高度；根据样本树最下层树节平行轮生枝的虫口数量推算样本树总虫口数量，再结合样本树投影面积，计算虫口密度。
31.在大兴安岭落叶松毛虫虫害试验区，选择健康、轻度、中度、重度和死亡等不同受害的 100 棵落叶松作为样本树，并调查、实测及计算样本树失叶率、叶绿素含量、氮含量和虫口密度。
32.通过 cuberts185 机载高光谱成像系统获得高光谱影像数据。其光谱范围 450～950 nm，采样间隔 4 nm，光谱分辨率 8 nm，包含 125 个通道。通过 hs-600 机载激光雷达
系统获得激光雷达数据。其最大扫描速率为 550000 点/秒， 超 大 视 场 角 为 330
°
，并 且 集 成 了 riegl 激 光 传 感 器 和 trimble applanix 惯导系统，能够获取高精度、高密度、高质量数据。
33.无人机高光谱遥感数据预处理。主要对原始影像进行图像拼接、影像融合、几何校正、影像配准、影像平滑和降维处理等处理。
34.无人机激光雷达数据预处理。原始激光雷达数据格式为
ꢀ“
.las”，将所有原始数据统一到 wgs-84 坐标系下，利用 lidar360、terrasolid 等软件对数据进行预处理。首先通过阈值设定和人工识别 对点云数据进行去噪和消除异常点；其次按照一定的滤波规则，利用渐进三角网加密的滤波算法，对点云数据进行滤波处理，获得地面点（背景点云）和非地面点（主要落叶松点云）两个类别；然后借助地面点云，生成数字高程模型；再利用植被点云，生成数字地形模型；在此基础上，采用数字高程模型和数字地形模型的关系，生成冠层高度剖面模型。
35.高光谱特征获取，针对预处理的高光谱影像，求一阶导数， 获得微分光谱特征和红边特征（如红边位置、红边振幅、红边面积等），同时，计算对叶色素、水分敏感的光谱植被指数和对冠层粗糙度敏感的纹理特征，并作为光谱特征。
36.激光雷达特征获取，从预处理的激光雷达数据中提取百分位密度变量参数、百分位高度变量参数和高度变量参数等作为激光雷达特征。
37.高光谱特征和激光雷达特征参量敏感性分析，分析光谱特征和激光雷达特征参量对不同受害程度林木失叶率、叶绿素含量、氮含量和虫口密度等虫害指示指标的敏感性，获得敏感光谱和激光雷达特征参量数据集。
38.特征参量重要性分析，借助连续投影算法、随机森林-递归特征消除法和 lightgbm 算法对特征参量进行降维压缩处理，并筛选重要参量，作为估算模型输入变量。
39.林木冠层水平向、垂直向外观状态指标估算模型构建，通过敏感特征，利用神经网络、支持向量机、随机森林等机器学习算法，建立水平向失叶率估算模型，结合冠层高度剖面模型，构建垂直向失叶率估算模型，并进行精度验证及评定。
40.林木冠层水平向、垂直向生化组分估算模型构建，通过敏感特征，利用机器学习算法（如卷积神经网络、支持向量机、随机森林），建立水平向叶绿素含量和氮含量估算模型，结合冠层高度剖面信息，构建垂直向叶绿素含量和氮含量估算模型，并进行精度验证及评定。
41.林木冠层水平向、垂直向虫情指标估算模型构建，通过敏感特征，利用卷积神经网络、支持向量机、随机森林等机器学习算法，建立水平向虫口密度估算模型，结合冠层高度剖面数据，构建垂直向虫口密度估算模型，并进行精度验证及评定。
42.借助失叶率、叶绿素含量、氮含量和虫口密度估算模型，分析不同受害程度林木外观状态指标、内部生化组分和虫情指标，并揭示落叶松毛虫胁迫下虫害指示指标在林木冠层水平向、垂直向变化特征。
[0043] 通过无人机高光谱和激光雷达技术，结合林木结 构参数和虫害指示指标（如叶绿素含量、氮含量、失叶率、虫口密度等），分别在落叶松冠层水平向和垂直向上建立林木受害程度和害虫发生程度监测模型，实现落叶松毛虫虫害严重程度精准监测。
[0044]
林木受害程度遥感监测
图6为林木受害程度遥感监测研究技术路线图，具体内容如下：无人机高光谱数据处理及高光谱特征提取。对虫害试验区无人机高光谱影像数据进行图像拼接、影像融合、几何校正、影像配准、影像平滑和降维处理等处理。在此基础上，提取高光谱特征，即：求一阶导数，获得微分光谱特征和红边特征（如红边位置、红边振幅、红边面积等），同时，计算对氮、叶色素敏感的光谱植被指数作为高光谱特征。
[0045]
无人机激光雷达数据处理及特征提取。利用 lidar360、terrasolid 等软件对数据进行预处理，然后采用数字高程模型和数字地形模型的关系，生成冠层高度模型并获得冠层高度剖面信息。与此同时，提取百分位密度变量参数、百分位高度变量参数和高度变量参数等作为激光雷达特征。
[0046]
通过高光谱和激光雷达特征，借助外观状态指标、内部生化组分估算模型获得失叶率、叶绿素含量、氮含量等定量指标。
[0047]
通过失叶率、叶绿素含量、氮含量等指标和模式识别与分类算法，确定各指标在受害程度不同等级（健康、轻度、中度、重度和 死亡)中的临界值，建立林木冠层水平向受害程度监测模型，然后结合冠层高度剖面信息，构建林木冠层垂直向受害程度监测模型，并进行精度验证和评定。
[0048]
通过受害程度监测模型，揭示林木受害程度在冠层水平向和垂直向分布变化特征。
[0049]
林木害虫发生程度遥感监测图7为林木害虫发生程度遥感监测研究技术路线，在无人机高光谱、激光雷达数据处理及特征提取的基础上，通过高光谱和激光雷达特征，借助虫情指标估算模型，获得虫口密度定量指标。
[0050]
通过虫口密度指标和模式识别与分类算法，确定该指标在害虫发生程度不同等级（健康、轻度、中度、重度和死亡）中的临界值，建立林木冠层水平向害虫发生程度监测模型，然后结合冠层高度剖面信息，构建林木冠层垂直向害虫发生程度监测模型，并进行精度验证和评定。
[0051]
通过害虫发生程度监测模型，揭示林木害虫发生程度在冠层水平向和垂直向分布变化特征。
[0052]
林木虫害严重程度遥感精准监测图8为林木虫害严重程度遥感精准监测研究技术路线。
[0053]
通过落叶松受害程度和害虫发生程度监测模型，得到林木冠层水平向受害程度和害虫发生程度以及垂直向受害程度和害虫发生程度信息。
[0054]
利用林木冠层水平向受害程度和害虫发生程度，结合机器学习分类算法（如随机森林、支持向量机、深度学习等），建立冠层水平向虫害严重程度监测模型，并进行精度验证和评定。
[0055]
利用林木冠层垂直向受害程度和害虫发生程度，结合机器学习分类算法（如随机森林、支持向量机、深度学习等），建立冠层垂直向虫害严重程度监测模型，并进行精度验证和评定。
[0056]
通过冠层水平向和垂直向虫害严重程度监测模型，实现多维空间的虫害严重程度遥感精准监测，并揭示落叶松毛虫危害下虫害严重程度在冠层水平向和垂直向分布变化特
征，为林业部门虫害防控、防治决策提供重要参考。
[0057]
本技术用无人机高光谱和激光雷达技术，在林木冠层垂直方向上，建立林木外观状态、内部生化组分和虫情等虫害指示指标遥感估算模型，揭示落叶松毛虫危害下虫害指示指标垂直向分布变化特征。
[0058]
单个虫害指示指标已经难以满足虫害严重程度高精度监测。高光谱遥感只能在森林冠层二维平面上监测虫害严重程度，而无法获得三维立体上的虫害信息。本技术用无人机高光谱和激光雷达技术，构建基于林木冠层水平和垂直方向的受害程度和害虫发生程度监测模型，实现多维空间的落叶松毛虫虫害严重程度遥感精准监测并揭示落叶松不同部位受害特征。
[0059]
本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。

技术特征：
1.基于无人机高光谱和激光雷达的落叶松毛虫虫害监测方法，其特征是，包括：虫害指示指标分布监测：利用无人机高光谱遥感和激光雷达技术，结合林木外观指标、内部生化组分和虫情指标调查与实测数据，建立林木虫害指示指标遥感估算模型，对虫害指示指标水平和垂直向分布监测；虫害严重程度多维监测；利用无人机高光谱和激光雷达技术，结合林木结构参数和虫害指示指标，分别在冠层水平向和垂直向上建立林木受害程度和害虫发生程度监测模型，对实现落叶松毛虫虫害严重程度精准监测；虫害指示指标包括叶绿素含量、氮含量、失叶率、虫口密度。2.根据权利要求1所述的基于无人机高光谱和激光雷达的落叶松毛虫虫害监测方法，其特征是：所述虫害指示指标分布监测步骤如下：s1：无人机高光谱遥感数据和激光雷达数据获取；s2：无人机高光谱遥感数据和激光雷达数据预处理；s3：对预处理后的高光谱遥感数据和激光雷达数据进行特征获取；s4：高光谱特征和激光雷达特征进行参量敏感性和参量重要性分析；s5：构建林木冠层水平向、垂直向外观状态指标估算模型、生化组分估算模型和虫情指标估算模型。3.根据权利要求1所述的基于无人机高光谱和激光雷达的落叶松毛虫虫害监测方法，其特征是：所述虫害严重程度多维监测的林木受害程度监测模型构建步骤如下：d1：无人机高光谱数据处理及高光谱特征提取；d2：无人机激光雷达数据处理及特征提取；d3：通过高光谱和激光雷达特征，结合外观状态指标估算模型、生化组分估算模型获得失叶率、叶绿素含量、氮含量的定量指标；d4：通过失叶率、叶绿素含量、氮含量的指标和模式识别与分类算法，确定各指标在虫害发生程度不同等级中的临界值，建立林木冠层水平向受害程度监测模型，然后结合冠层高度剖面信息，构建林木冠层垂直向受害程度监测模型，并进行精度验证和评定；d5：通过受害程度监测模型，分析林木受害程度在冠层水平向和垂直向分布变化特征。4.根据权利要求1所述的基于无人机高光谱和激光雷达的落叶松毛虫虫害监测方法，其特征是：所述虫害严重程度多维监测的林木害虫发生程度监测模型构建步骤如下：f1：无人机高光谱、激光雷达数据处理及特征提取；f2：通过高光谱和激光雷达特征，结合虫情指标估算模型，获得虫口密度定量指标；f3：通过虫口密度指标和模式识别与分类算法，确定该指标在虫害发生程度不同等级中的临界值，建立林木冠层水平向害虫发生程度监测模型，然后结合冠层高度剖面信息，构建林木冠层垂直向害虫发生程度监测模型，并进行精度验证和评定；f4：通过害虫发生程度监测模型，揭示林木害虫发生程度在冠层水平向和垂直向分布变化特征。5.根据权利要求3或4所述的基于无人机高光谱和激光雷达的落叶松毛虫虫害监测方法，其特征是：虫害发生程度等级包括健康、轻度、中度、重度和死亡，所述虫害发生程度等级根据林木失叶量、冠层颜色和外观症状进行划分。6.根据权利要求1所述的基于无人机高光谱和激光雷达的落叶松毛虫虫害监测方法，
其特征是：林木的实测数据获取步骤如下：根据虫害发生程度等级，选择100棵林木作为样本树，实测其高光谱、叶绿素含量、氮含量及林木结构参数，调查与计算样本树失叶率和虫口密度，在单株样本树的上、中上、中、中下和下5个层次上分别选择东、南、西、北方向的各1条典型标准枝条，采用叶绿素含量仪测量相对叶绿素含量和氮含量；采用卷尺测量林木最大冠幅、枝下高，并借助激光测量仪测定树高；每个观测点中心位置均测量其三维坐标；失叶率计算方法如下：首先选取样本树的上、中上、中、中下和下5 个层次上分别选择东、南、西、北方向的各 1 条典型标准枝条，记录其受害针叶和健康针叶的数量，然后计算其失叶率，失叶率为损失针叶与全部针叶的比值；最后将所有树枝失叶率的平均值作为当前样本树失叶率；虫口密度的计算方法如下：对每株样本树，首先计算样本树最下层树节平行轮生枝的虫口数量；然后测量样本树最下层树节平行轮生枝垂直投影长度；最后计算样本树树节及其平行轮生枝的数量及样本树高度；根据样本树最下层树节平行轮生枝的虫口数量推算样本树总虫口数量，再结合样本树投影面积，计算虫口密度。7. 根据权利要求2所述的基于无人机高光谱和激光雷达的落叶松毛虫虫害监测方法，其特征是：所述步骤s1中通过机载高光谱成像系统获得高光谱影像数据，其光谱范围 450～950 nm，采样间隔4 nm，光谱分辨率8 nm；所述步骤s1中通过机载激光雷达系统获得激光雷达数据，其扫描速率为 550000 点/秒；所述步骤s2中无人机高光谱遥感数据预处理，包括对原始影像进行图像拼接、影像融合、几何校正、影像配准、影像平滑和降维处理；所述步骤s2中无人机激光雷达数据预处理，将所有原始数据统一到 wgs-84 坐标系下，利用 lidar360、terrasolid 软件对数据进行预处理；首先通过阈值设定和人工识别对点云数据进行去噪和消除异常点；其次按照一定的滤波规则，利用渐进三角网加密的滤波算法，对点云数据进行滤波处理，获得地面点和非地面点两个类别；然后借助地面点云，生成数字高程模型；再利用植被点云，生成数字地形模型；采用数字高程模型和数字地形模型的关系，生成冠层高度剖面模型。8.根据权利要求2所述的基于无人机高光谱和激光雷达的落叶松毛虫虫害监测方法，其特征是：所述步骤s3中对预处理的高光谱影像，求一阶导数，获得微分光谱特征和红边特征；同时，计算对叶色素、水分敏感的光谱植被指数和对冠层粗糙度敏感的纹理特征，并作为光谱特征；红边特征包括红边位置、红边振幅、红边面积；所述步骤s3中对预处理的激光雷达数据中提取百分位密度变量参数、百分位高度变量参数和高度变量参数作为激光雷达特征；所述步骤s4中，分析光谱特征和激光雷达特征参量对不同受害程度林木失叶率、叶绿素含量、氮含量和虫口密度的敏感性，获得敏感光谱和激光雷达特征参量数据集；采用连续投影算法、随机森林-递归特征消除法和 lightgbm 算法对特征参量进行降维压缩处理，并筛选重要参量，作为估算模型输入变量。

技术总结
本发明公开了基于无人机高光谱和激光雷达的落叶松毛虫虫害监测方法，涉及林业虫害监测技术领域，其技术方案要点是：通过无人机高光谱和激光雷达遥感技术，构建虫害指示指标估算模型和虫害严重程度监测模型，实现基于多维空间的落叶松毛虫虫害遥感精准监测。本申请所记述的方法能感知林木受害的细微变化，实现虫害高效、准确监测。不仅为森林害虫防控和生态保护提供基础数据和技术储备，而且为智慧林业建设提供技术支持。建设提供技术支持。建设提供技术支持。


技术研发人员：黄晓君 王鹏 张军生 杨乐 萨和芽 郭佳泽 孙广友 汪澈
受保护的技术使用者：内蒙古大兴安岭森林病虫害防治（种子）总站
技术研发日：2023.08.21
技术公布日：2023/9/20