基于无人机三维点云的玉米植株自动计数研究

植株计数是农民、育种专家等在整个作物生长季评估作物生长状况和管理实践的最常用方法之一,可用来进行合理的田间规划以及管理。针对高密度种植试验区高通量获取玉米自动株数方法匮乏的问题,本研究利用无人机遥感平台,获取田间314个不同基因型的玉米高密度育种小区的数码影像和激光雷达(light detection and ranging,LiDAR)点云数据,发展了一种结合玉米三维空间信息的固定窗口局部最大值算法,实现了高密度玉米育种小区成株数的自动检测,并对比了基于此两种不同数据源的检测精度。该方法以冠层高度模型(canopy height model,CHM)中包含的株高信息为基础,以玉米种植株距为固定窗口进行单株玉米种子点检测,并将检测到的种子点与目视解译的玉米位置进行空间匹配来进行精度的评估。结果表明,基于无人机数码影像构建3种空间分辨率CHM的综合检测精度分别为81.30%、83.11%和78.93%;基于无人机LiDAR的综合精度分别为82.33%、88.66%和81.46%;基于两种数据源构建的CHM,均在空间分辨率为0.05 m时,获得最佳的检测精度。此外,当空间分辨率相同时,LiDAR数据检测精度略优于无人机数码影像,无人机数码传感器由于其成本低、易于操作等优势,在大面积、高密度育种小区的玉米高通量单株检测中表现出更大的潜力。本研究实现了对密植玉米育种试验区玉米株数的自动计数,为表型筛选、田间管理和精准估产等提供依据。     

基于机载LiDAR数据的玉米叶面积指数反演

以机载LiDAR离散点云数据为数据源,基于植被冠层孔隙率与叶面积指数的关系,提出一种反演大田玉米叶面积指数的方法。对反演LAI和实测LAI进行对比分析,结果表明:基于Axelsson改进的不规则三角格网加密方法可以将地面点和非地面点分开,结合高分辨率影像能够提取出玉米冠层点云;基于孔隙率反演LAI,尼尔逊参数的选择对结果影响很大,利用扫描天顶角模拟尼尔逊参数,LAI反演结果接近于真实情况。利用机载LiDAR点云数据能精确地反演大田玉米LAI,该研究方法适用于中等高度的农作物,可以扩展到甜菜、甘蔗等其他中等高度农作物。     

基于LiDAR的温室番茄冠层几何参数提取

【目的】准确获取温室番茄作物行中单株冠层数据,为分析作物生长状态和为对靶喷药提供冠层数据支持。【方法】采用三维激光雷达(LiDAR)搭建番茄植株冠层检测平台,使用导轨以0.05 m/s的速度移动三维激光雷达,利用雷达上位机软件Ctrlview保存双侧扫描的A、B 2组共40株番茄植株点云。双侧点云使用ICP(迭代最近点)算法进行配准,利用基于特征值的平面拟合法去除地面,使用均值漂移算法(Meanshift)分割番茄行中的单株点云,获取冠层参数,与人工测量值比较验证精度,将单株点云在MATLAB中使用alpha shape算法进行重建并进行体积的获取,使用凸包算法作物参考值对比。【结果】该检测平台在激光雷达前进方向与垂直前进方向的测量误差分别为-2.65%、-3.95%;获取到的单株番茄植株高度与人工测量值相比,平均绝对误差分别为0.025和0.031 m;重建后求取的体积与凸包算法相比平均误差下降了约15.3%,与人工获取相比相差不大,各指标良好。【结论】番茄行点云分割结果与人工测量相比A、B 2组的均方根误差RMSE分别为0.039和0.043,冠层体积获取与参考值对比V_RMSE为0.011 3,激光雷达在获取作物外形轮廓信息中具有一定的准确性和可靠性,该方法用于温室环境下单株作物冠层数据的获取。     

基于数码相机的玉米冠层SPAD遥感估算

【目的】叶绿素是植物光合作用中重要的色素。利用作物光谱信息对叶绿素含量进行反演,为作物的实时监测和生长状态诊断提供重要依据。【方法】以大田环境下不同氮肥水平(0,50%和100%)的开花期玉米为研究对象,利用轻小型无人机搭载数码相机,获取试验区RGB影像。使用土壤调整植被指数(soil adjusted vegetation index,SAVIgreen)对图像进行分割,基于分割前后的影像分别提取15种常见的可见光植被指数,综合分析指数与玉米冠层叶绿素相对含量SPAD值的相关关系。采用单变量回归模型、多元逐步回归模型和随机森林(random forest,RF)回归算法构建玉米SPAD值的遥感估算模型,通过模型精度评价指标决定系数(coefficient of determination,R2)、均方根误差(root mean square error,RMSE)、平均相对误差(mean relative error,MRE)和显著性检验水平(P0.01),确定最佳指标和最优模型。【结果】基于分割前后的数码影像提取的VIplot和VIplant植被指数与玉米冠层SPAD值之间具有显著的相关关系,其中VIplant中的红光标准化值(NRI)、归一化叶绿素比值植被指数(NPCI)、蓝红比值指数(BRRI)、差值植被指数(DVI)与SPAD值的相关性在0.77以上;以相关性高于0.77的VIplant指数NRI、NPCI、BRRI、DVI构建的线性、指数、对数、二次多项式、幂函数的单变量回归模型中,NRI指数构建的二次多项式模型效果最好,决定系数R2为0.7976,RMSE为4.31,MRE为5.91%。在VIplant指数NRI、NPCI、BRRI、DVI参与建立的多变量SPAD反演模型中,使用随机森林方法的模型精度最高,决定系数R2为0.8682,RMSE为3.92,MRE为4.98%,而多元逐步回归模型的精度高于任意单变量回归模型,决定系数R2为0.819,RMSE为4,MRE为5.67%;对数码影像结合各模型制作的SPAD分布图进行精度分析,使用随机森林回归模型对SPAD的估测值与实测值最为接近,具有最佳的预测效果,R2为0.8247,RMSE为4.3,MRE为5.36%,可以作为玉米冠层叶绿素信息监测的主要方法。【结论】本研究证明将数码相机影像提取的可见光植被指数应用于玉米叶绿素相对含量的估测是可行的,这也为无人机遥感系统在农业方面的应用增添了新的手段和经验。     

多源遥感数据结合的橡胶林有效叶面积指数升尺度估测

【目的】针对传统森林叶面积指数监测的小尺度、对植被具有破坏性以及低效率。【方法】以机载LiDAR数据和Landsat 8 OLI数据为主要信息源,使用LiDAR点云基于Beer-Lambert定理反演得到点云条带区橡胶林有效叶面积指数,并用样地实测叶面积指数对其进行差异性检验。其次,以LiDAR点云得到有效叶面积指数作为训练样本结合Landsat 8 OLI数据,分别使用偏最小二乘回归模型和BP神经网络模型对有效叶面积指数进行升尺度光学遥感估测。【结果】1)LiDAR点云反演得到的有效叶面积指数与样地实测的叶面积指数之间极显著相关且差异不显著,相关系数为0.82。2)研究所建立的遥感估测模型中,BP神经网络回归模型的估测结果优于偏最小二乘回归模型,其决定系数R2为0.54,均方根误差RMSE为1.23,相对均方根误差rRMSE为47.68%。【结论】在森林参数获取和林业调查中,机载激光雷达数据与光学遥感数据的结合可有效提高工作效率、降低调查成本、效弥补人工调查的不足。     

基于多时相HJ-1B CCD影像的玉米倒伏灾情遥感监测

【目的】通过对倒伏发生前后的多时相HJ-1B卫星CCD多光谱影像植被指数的变化分析,实现区域尺度下的玉米倒伏受灾范围监测和灾情评估。【方法】以2015年8月3日因大风暴雨导致大面积玉米倒伏的河北省藁城市为研究区,提取HJ-1B CCD多光谱影像的多种植被指数,根据多时相植被指数变化量与实测倒伏样本的关联分析,筛选玉米倒伏敏感植被指数,采用正态(偏正态)统计理论的双阈值划分策略划定阈值,构建基于植被指数变化分析的玉米倒伏灾情遥感监测模型,评价玉米倒伏灾情严重程度,并基于野外实测样本进行精度评价。【结果】基于城镇、水体、倒伏与未倒伏玉米的HJ-1B CCD2多光谱反射率曲线可得,玉米与城镇建筑物和水体的光谱反射率存在较大差异,在可见光波段,倒伏玉米要高于未倒伏玉米的反射率,然而在近红外波段(830 nm),未倒伏玉米略高于倒伏玉米的反射率。由已提取出玉米种植区域后的前后两期HJ星的差值影像分析可得其像元整体分布趋势基本符合正态(偏正态)分布。由相关性分析可得,倒伏前后的比值植被指数(RVI)差值与玉米倒伏比例具有最高的相关性(R=0.9377),而且倒伏越严重,其RVI差值越大;通过野外实测样本与模型验证结果进行混淆矩阵分析,总体分类精度达到85.7%,Kappa系数为0.804;研究区玉米倒伏遥感空间制图结果与当地农业技术推广站监测结果基本一致。【结论】倒伏发生后,其玉米长势以及灾后恢复程度均存在较大差异,因此,基于玉米倒伏前后RVI差值的遥感监测模型能有效反映不同倒伏程度的冠层群体变化信息以及长势恢复情况,能在区域尺度下实现玉米倒伏受灾范围监测和灾情等级评估。     

基于无人机影像阴影去除的苹果树冠层氮素含量遥感反演

【目的】去除无人机多光谱遥感影像中的阴影,以提高苹果树冠层氮素含量反演模型精度。【方法】以山东省栖霞市苹果园为试验区,利用2019年6月采集的无人机多光谱影像,分别基于归一化阴影指数（normalized shaded vegetation index,NSVI）和归一化冠层阴影指数（normalized difference canopy shadow index,NDCSI）去除果树冠层多光谱影像中的阴影,提取非阴影区域果树冠层光谱信息;通过相关性分析方法,将基于原始光谱影像和基于NSVI、NDCSI去除阴影后提取的光谱数据与实测叶片氮素含量进行相关性分析,分别筛选氮素含量的敏感波段并构建光谱参量;采用偏最小二乘（partial least square,PLS）及支持向量机（support vector machine,SVM）方法构建果树冠层氮素含量反演模型并进行精度检验。【结果】绿光波段和红光波段为果树冠层氮素含量反演的敏感波段;阴影削弱了果树冠层的光谱信息,去除阴影前后,冠层多光谱各波段光谱差异较大,在红边波段及近红外波段尤为明显;基于2个阴影指数去除阴影后构建的氮素反演模型精度均有提升,最优模型为基于NDCSI去除阴影后构建的支持向量机氮素含量反演模型,该模型建模集R²和RPD分别为0.774、1.828;验证集R²和RPD分别为0.723、1.819。【结论】基于NDCSI可有效去除无人机多光谱果树冠层影像中的阴影,提高氮素含量反演精度,为果园氮素精准管理提供了有效参考。     

基于无人机影像的作物土壤水分亏缺反演方法

【目的】基于无人机影像进行作物土壤水分亏缺反演研究有利于提高农田集约化管理效率,提升农田精准灌溉水肥空间分布信息高效获取技术水平。【方法】文章以冬小麦为例,采用大型喷灌机变量灌溉的方式,设置3个灌溉水平和6个不同施肥处理;利用无人机携带热红外、可见光、多光谱相机,规划航线飞行采集影像数据,结合田间布点取样校准,反演冬小麦长势;根据获取的无人机遥感影像,经图像拼接、数据提取等处理,获得田间不同试验小区光谱数据,计算植被指数,反演水肥指标,构建土壤水分反演模型。【结果】水分亏缺情境下,灌水的多少直接影响冬小麦的生理生长指标,灌水量越多,冬小麦株高和叶面积发育越好;3个灌溉水平处理间冠层温度差异在2～5℃;植被指数与灌溉处理一致性较好,而不同的施肥处理反演效果不理想。【结论】热红外影像反演作物冠层温度计算得到的作物水分亏缺指数可以展现冬小麦作物水分亏缺空间分布,作物水分亏缺指数与土壤水分平均含水率有很好的相关性。无人机遥感在田间水肥管理的应用有效提升了大田时空数据的获取能力,下一步应开展水肥时空变异性研究,探讨水肥精准施用技术,从理论和技术两方面着手提升精准管理水平。     

基于三维激光点云的靶标探测系统研究与试验

【目的】使用R-Fans-32三维激光雷达(LiDAR)研究植株三维激光点云与植株叶面积之间的关系,为变量喷雾系统提供数据支撑。【方法】假设植株激光点云数量与叶面积之间存在线性关系。搭建基于三维激光点云的靶标探测的试验系统,先测量靶标植株的高度来探究该探测系统的精度,激光雷达以10Hz的扫描频率和1m的探测距离实现对10株番茄的三维点云数据的获取,激光雷达上位机软件Ctrlview实现对三维激光点云数据的储存。利用Cloud Compare软件对储存的点云数据进行处理,利用LiDAR360软件对植株进行高度测量和点云数量的获取。对采集的植株点云进行数量统计,利用CL-202植物叶面积测量仪对采摘的靶标植株叶片测量叶面积,验证植株点云与叶面积之间的关系。【结果】激光雷达探测所得到的番茄植株的高度与手工测量值的最大相对误差为7.92%。利用线性函数拟合植株点云数量与叶面积,拟合度为0.7805,最大相对误差为5.64%。【结论】设计了一种用于探究基于激光点云的变量喷雾系统可行性的试验系统,依据三维激光点云计算植株的叶面积精度良好,R-Fans-32三维激光雷达可作为变量喷雾系统的探测部件。     

基于影像分割的覆膜玉米叶绿素含量反演

【目的】快速、准确监测覆膜玉米叶绿素含量,探明将影像地膜和阴影背景像元剔除能否提高光谱和纹理特征反演叶绿素含量的精度。【方法】以无人机多光谱遥感影像数据为基础,以覆膜玉米苗期、拔节期、抽雄期和灌浆期叶绿素含量为对象,使用监督分类分割影像背景像元和玉米像元,分析背景像元对玉米冠层光谱的影响,计算全像元和玉米像元影像的光谱特征和纹理特征并筛选较优变量输入,利用偏最小二乘、支持向量机和BP神经网络3种机器学习算法建立玉米叶绿素含量的反演模型。【结果】(1)苗期、拔节期、抽雄期和灌浆期多光谱影像中的背景像元对玉米冠层的光谱均有显著影响。(2)基于玉米像元影像提取的光谱特征、纹理特征和光谱特征+纹理特征为变量输入的反演精度均优于全像元影像(最佳模型建模R 2提高0.078,RMSE和MAE分别降低0.060和0.055 mg·g^-1,验证R 2提高0.109,RMSE和MAE分别降低0.075和0.047 mg·g^-1)。(3)基于玉米像元影像的光谱特征+纹理特征为变量输入的建模精度比仅使用光谱特征或纹理特征为变量输入的建模精度提升显著;其中光谱特征+...     

倒伏胁迫下玉米抽雄期叶面积密度光谱诊断

【目的】叶面积密度（leaf area density,LAD）反映作物在垂直方向上体积内叶面积总量的差异,体现作物冠层内叶面积随着高度变化的分布状况。本文旨在探索玉米叶面积密度对于倒伏胁迫强度的表征能力及其光谱响应规律。【方法】以抽雄期倒伏夏玉米为研究对象,获取倒伏后玉米多期LAD及冠层光谱数据,对倒伏玉米冠层光谱进行一阶微分和小波变换处理,根据LAD与冠层光谱一阶微分及小波分解系数的相关性分析,筛选LAD敏感波段和最佳小波分解尺度,采用偏最小二乘法构建倒伏玉米LAD光谱诊断模型,并利用实测样本验证模型精度。【结果】玉米LAD随着倒伏胁迫程度的增强而增大,LAD可有效表征玉米倒伏胁迫强度及其自身恢复能力;玉米倒伏后冠层结构发生较大变化,倒伏玉米冠层光谱反射率较正常玉米整体增高,近红外波段的增幅相比可见光波段更高,倒伏强度越强则光谱反射率越高;LAD敏感波段主要分布在蓝光波段354—442、472—495 nm和红光波段649—829 nm以及近红外波段903—1 195 nm和1 564—1 581nm;同一阶微分处理相比,基于连续小波变换的玉米倒伏LAD诊断模型的验证R²提高6.08%—9.11%,RMSE降低23.08%—31.63%;小波分解尺度对LAD诊断精度有一定的影响,中低尺度模型精度优于高尺度模型,其中第5尺度构建的模型对LAD的拟合效果最优（R²=0.898,RMSE=1.016）。【结论】利用连续小波变换技术对玉米冠层高光谱解析,可有效诊断倒伏胁迫下的玉米叶面积密度,可以为玉米倒伏胁迫灾情遥感监测提供必要的先验知识。     

MODIS数据在河南省耕地雪盖监测中的应用

[目的]探讨利用MODIS数据监测河南省耕地雪盖的可行性,为减灾抗灾提供技术支持.[方法]利用多天的MODIS数据,通过计算归一化差分积雪指数,结合第2、4波段的波谱信息及植被指数,将雪、云与其他地物分开,再结合MODIS的云掩膜数据去除云的影响,实现雪盖的提取.[结果]2008年1月16、29、31日耕地积雪覆盖面积分别占全省耕地面积的13.04%、68.43%和65.23%,主要集中分布在黄河以南粮食主产区,且呈由西向东逐渐推移发展趋势.[结论]在基础地理信息数据辅助下,利用MODIS数据进行大面积雪情监测是可行的,监测结果得到地面调查支持,可进行业务化运作.将遥感监测结果和基础地理信息数据相结合,进行各种专题图的制作,可为减灾抗灾提供技术支持.     

基于无人机激光雷达的天然林林隙识别

  目的  自然干扰引起的森林冠层林隙是天然林更新动态的主要驱动力，林隙的分布、形状和范围可以影响光照和土壤水分等生态因子。林隙的识别和特征描述对于理解森林的动态变化有着重要的意义。  方法  以云南省普洱太阳河保护区无人机飞行区域为研究区，根据无人机激光雷达点云数据提取冠层高度模型；然后使用固定阈值法、相对高度阈值法和面向对象分类法对冠层高度模型数据进行林隙识别，通过图像目视解释获得独立验证样本进行精度评估；最后精度选取最优方法提取的林隙描述其空间特征。  结果  固定阈值法的总体精度为92.00%，高于相对高度阈值法（66.00%）和面向对象分类法（88.00%）。研究区内林隙主要以中小林隙为主，干扰事件较少；研究区林隙的形状指数均值为1.97，多为形状指数较小、边缘效应不太明显的林隙，并且林隙的空间分布为聚集分布。  结论  利用无人机激光雷达数据和固定阈值法可以准确绘制出小范围亚热带天然林的林隙空间分布特征。      

基于随机森林算法的冬小麦叶面积指数遥感反演研究

【目的】通过利用随机森林算法（random forest,RF）反演冬小麦叶面积指数（leaf area index, LAI）,及时、准确地监测冬小麦长势状况,为作物田间管理和产量估测等提供科学依据。【方法】本研究依据冬小麦拔节期、挑旗期、开花期及灌浆期地面观测数据,将相关系数分析（correlation coefficient,r）和袋外数据（out-of-bag data,OOB）重要性分析与随机森林算法（random forest,RF）相结合,在优选光谱指数和确定最佳自变量个数的基础上,构建了两种冬小麦LAI反演模型|r|-RF和OOB-RF,并利用独立数据集对两种模型进行验证;然后,将所建LAI反演模型用于无人机高光谱影像,进一步检验所建模型对无人机低空遥感平台的适用性和可靠性。【结果】|r|-RF和OOB-RF反演模型分别采用相关性前5强、重要性前2强的光谱指数作为输入因子时精度最优,验证决定系数（R²）分别为0.805、0.899,均方根误差（RMSE）分别为0.431、0.307,表明这两个模型均能对作物LAI进行精确反演,其中OOB-RF模型的反演效果更好。利用无人机高光谱影像数据结合OOB-RF估算模型反演得到冬小麦LAI与地面实测值的拟合方程的决定系数R²为0.761,RMSE为0.320,数值范围（1.02-6.41）与地面实测（1.29-6.81）亦比较吻合。【结论】本文基于地面数据构建的OOB-RF模型不仅具有较高的反演精度,而且适用性强,可用于无人机高光谱遥感平台提取高精度的冬小麦LAI信息。