基于无人机数码影像的冬小麦株高和生物量估算

高效、快速地获取作物的株高和生物量信息,对农业生产有重要意义。该文利用2015年4月-6月获得了冬小麦拔节期、挑旗期和开花期的高清数码影像。首先基于无人机高清数码影像生成冬小麦的作物表面模型(crop surface model,CSM),利用CSM提取出冬小麦的株高(Hcsm),然后利用提取的21种数码影像图像指数,构建了拔节期、挑旗期和开花期混合的多生育期生物量估算模型,并进行单生育期和多生育期模型对比分析;最后选择逐步回归(stepwise regression,SWR)、偏最小二乘(partial least square,PLSR)、随机森林(random forest,RF)3种建模方法对多生育期估算模型进行对比,挑选出冬小麦生物量估算的最优模型。结果表明,提取的Hcsm和实测株高(H)具有高度拟合性(R2=0.87,RMSE=6.45 cm,NRMSE=11.48%);与仅用数码影像图像指数构建的生物量估算模型相比(R2=0.721 2,RMSE=0.137 2 kg/m2,NRMSE=26.25%),数码影像图像指数融入H和Hcsm所得模型效果更佳,其中融入Hcsm的模型精度和稳定性(R2=0.819 1,RMSE=0.110 6 kg/m2,NRMSE=21.15%)要优于加入株高H所构建的估算模型(R2=0.794 1,RMSE=0.117 9 kg/m2,NRMSE=22.56%);SWR生物量估算模型(R2=0.7212)效果优于PLSR(R2=0.677 4)和RF(R2=0.657 1)生物量估算模型。该研究为冬小麦生长状况高效、快速监测提供参考。     

利用无人机影像构建作物表面模型估测甘蔗LAI

为探讨从作物表面模型(crop surface models,CSMs)中提取株高来估算糖料蔗叶面积指数(leaf area index,LAI)的可行性,该文采用无人机-RGB高清数码相机构成的低空遥感平台,以广西糖料蔗为研究对象,采集了糖料蔗全生育期的高清数码影像,分别在有无地面控制点条件下建立各生育期CSMs并提取株高。此外,该文利用高清数码影像计算了6种可见光植被指数并建立LAI估算模型,用以对比从CSMs提取的株高对LAI的估算效果。结果表明:全生育期CSMs提取的株高与实测株高显著相关(P0.01),株高预测值与实测值高度拟合(R2=0.961 2,RMSE=0.215 2)。选取的6种可见光植被指数中,绿红植被指数对糖料蔗伸长末期以前的LAI的估测效果最好(R2=0.779 0,RMSE=0.556 1,MRE=0.168 0)。相同条件下,株高对LAI有更高的估测精度,其中CSMs提取的株高估测效果优于地面实测株高,预测模型R2=0.904 4,RMSE=0.366 2,MRE=0.124 3。研究表明,使用无人机拍摄RGB影像来提取株高并运用于糖料蔗重要生育期LAI的估算是可行的,CSMs提取的株高拥有较高的精度。该研究可为大区域进行精准快速的农情监测提供参考。     

变异系数法结合优化神经网络的无人机冬小麦长势监测

高效、快速、准确获取冬小麦长势信息在农业发展和经营决策中具有重要作用。该研究以冬小麦为对象,开展无人机冬小麦长势监测,获取冬小麦生物量、株高、叶绿素含量和植株含水率数据,基于变异系数法（Coefficient of Variation Method,CV）构建综合长势监测指标（Comprehensive Growth Monitoring Indicators,CGMICV）,通过16种植被指数与CGMICV进行相关性分析,计算植被指数间的方差膨胀因子,筛选最优植被指数作为模型输入变量,采用偏最小二乘（Partial Least Squares Regression,PLSR）、随机森林（Random Forest,RF）、反向传播神经网络（Back Propagation Neural Networks,BPNN）及遗传算法（Genetic Algorithm,GA）优化的BPNN模型建立冬小麦长势反演模型,结合评价指标获得冬小麦最优长势反演模型,最终得到研究区冬小麦长势空间分布信息。研究结果表明：以变异系数法得到的冬小麦CGMICV相关性比单一指标的相关性有不同程度的提高;利用变异系数法结合BPNN得到的冬小麦长势最佳反演模型CGMICV-BPNN,其决定系数R2可达0.71,模型精度较传统赋权法提高了26.79%;采用GA优化后的BPNN模型的不稳定显著下降,其平均相对误差中位数下降了22.22%,决定系数R2也有所提高;研究区内半数以上的冬小麦长势集中于第Ⅲ等级,其所占比例为55.83%,其次集中于第Ⅰ等级,其所占比例为36.08%,研究区冬小麦整体长势较为稳定。研究结果可为冬小麦长势监测及区域作物生产监测提供重要参考。     

基于随机森林算法的冬小麦生物量遥感估算模型对比

为了寻求高效的冬小麦生物量估算方法,该研究获取了2014年陕西省杨凌区拔节期、抽穗期和灌浆期的冬小麦生物量和对应的RADARSAT-2全极化雷达、GF1-WFV多光谱数据,并利用随机森林算法（random forest,RF）将光谱、雷达后向散射、光学植被指数和雷达植被指数结合进行冬小麦生物量回归建模。将相关系数分析（correlation coefficient, r）、袋外数据（out-of-bag data,OOB）重要性和灰色关联分析(grey relational analysis, GRA)与随机森林算法（RF）进行整合,构建了3种冬小麦生物量估算模型：r-RF、OOB-RF和GRA-RF,并分别利用3种估算模型对冬小麦生物量进行了估算。结果表明：r-RF、OOB-RF和GRA-RF3种模型分别采用3、4、10组数据时,验证决定系数分别为0.70、0.70和0.65,平均绝对误差分别为0.162、0.164和0.172 kg/m2,均方根误差分别为0.218、0.221和0.236 kg/m2,r-RF和OOB-RF比GRA-RF对冬小麦生物量有更好而的预测能力。研究结果证实了随机森林算法对冬小麦生物量进行遥感估算的潜力。     

基于机器学习和无人机多光谱遥感的苜蓿产量预测

作物产量快速准确预估对规模化农业生产具有重要意义。该研究在河北省涿州市开展田间试验，设置5个灌水处理及雨养对照区，使用无人机搭载多光谱相机在苜蓿的分枝期、现蕾期和初花期进行遥感监测，将光谱参数与苜蓿产量做相关性分析，分别挑选各生育时期相关性较好的5种植被指数，以去除土壤噪声后的5种植被指数和作物表面模型提取的苜蓿株高为输入变量，通过支持向量回归算法建立各生育时期的苜蓿产量预测模型，并结合实测产量进行模型评价。结果表明，苜蓿产量预测模型精度由高到低的生育时期依次为初花期、现蕾期、分枝期，使用植被指数和株高组合作为输入变量可以提高产量模型的预测精度。在初花期使用植被指数和株高组合输入变量所构建的估产模型最优，其决定系数、均方根误差和标准均方根误差分别为0.90、500 kg/hm2和14.3%，可用于苜蓿产量的快速准确评估。研究结果可为苜蓿的规模化生产和精细化管理提供技术支持。     

无人机影像反演玉米冠层LAI和叶绿素含量的参数确定

小型低空无人机（unmanned aerial vehicle, UAV）机动灵活、操作简便，可以按需获取高空间分辨率影像，是育种玉米长势监测的一种重要技术手段。针对UAV影像反演玉米冠层叶面积指数（LAI, Leaf Area Index）和叶绿素含量的参数确定问题，该研究以DJI S1000+无人机为平台，搭载法国Parrot Sequoia相机，获取海南三亚市崖城玉米育种基地的多光谱影像。基于预处理后的UAV影像，采用重采样的方式获得不同分辨率下（0.1～1 m）的不同植被指数，所构建的植被指数包括归一化植被指数（normalized difference vegetation index，NDVI）、叶绿素指数（grassland chlorophyll index，GCI）、比值植被指数（ratio vegetation index，RVI）、归一化红边红指数（normalized difference rededge-red index，NDIrer）、归一化红边绿指数(normalized difference rededge-green index，NDIreg)和重归一化植被指数(renormalized difference vegetation index，RDVI)，通过将不同分辨率下的不同植被指数与地面实测数据进行回归分析，以获得各分辨率下植被指数与冠层LAI和叶绿素含量的关系模型及其决定系数，以决定系数的大小为依据来确定玉米冠层LAI和叶绿素含量反演的最优空间分辨率和最优植被指数。通过试验发现，在分辨率为0.6 m时，NDVI与地面实测LAI之间的决定系数R2为0.80，决定系数达到了最大，利用该分辨率下的NDVI反演得到的LAI验证精度R2达到了0.73；在分辨率为0.1 m时，NDIreg与地面实测叶绿素含量之间的决定系数R2为0.70，决定系数达到了最大，利用该分辨率下的NDIreg反演得到的叶绿素含量验证精度R2达到了0.63。因此得出结论：1）植被指数的选择：① 对于玉米冠层LAI的反演来说，不包含绿波段的植被指数的LAI反演精度较高，这说明绿波段对LAI的变化不敏感；② 对于玉米冠层叶绿素含量反演来说，包含红边波段的植被指数的反演精度较高，因此影像的红边波段对叶绿素含量的变化非常敏感。2）UAV影像空间分辨率的选择：反演LAI的最优分辨率是0.6 m，此时NDVI与实测LAI的决定系数达到最大；反演冠层叶绿素含量的最优分辨率是0.1～0.3 m范围内，此时NDIreg与实测叶绿素含量的决定系数达到最大。该研究可为UAV反演玉米表型参数时的分辨率和植被指数选择提供参考。     

基于无人机数码影像和高光谱数据的冬小麦产量估算对比

作物产量准确估算在农业生产中具有重要意义。该文利用无人机获取冬小麦挑旗期、开花期和灌浆期数码影像和高光谱数据,并实测产量。首先利用无人机数码影像和高光谱数据分别提取数码影像指数和光谱参数,然后将数码影像指数和光谱参数与冬小麦产量作相关性分析,挑选出相关性较好的9个指数和参数,最后以选取的数码影像指数和光谱参数为建模因子,通过MLR(multiple linear regression,MLR)和RF(random forest,RF)对产量进行估算。结果表明:数码影像指数和光谱参数与实测产量均有很强的相关性。利用数码影像指数和光谱参数通过MLR和RF构建的产量估算模型均在灌浆期表现精度最高,在灌浆期,数码影像指数和光谱参数构建的MLR模型R~2和NRMSE分别为0.71、12.79%,0.77、10.32%。对模型对比分析可知,以光谱参数为因子的MLR模型精度较高,更适合用于估算冬小麦产量。利用无人机遥感数据,通过光谱参数建立的MLR模型能够快速、方便地对作物进行产量预测,并可以根据不同生育期的产量估算模型有效地对作物进行监测。     

采用SEPLS_ELM模型估算夏玉米地上部生物量和叶面积指数

利用高光谱数据进行作物生长状况监测具有无损和高效的特点,是现代精准农业发展的必要手段。该研究以连续3 a（2018-2020）不同水氮供应下夏玉米营养生长期采集的212份植物样品（地上部生物量和叶面积指数）和高光谱实测数据为数据源,分别采用偏最小二乘回归（Partial Least Squares Regression,PLS）、极限学习机（Extreme Learning Machine,ELM）、随机森林（Random Forest,RF）和基于PLS叠加策略的叠加极限学习机算法（Stacked Ensemble Extreme Learning Machine based on the PLS,SEPLS_ELM）构建了夏玉米营养生长期地上部生物量和叶面积指数估算模型。结果表明：基于PLS和ELM构建的夏玉米地上部生物量和叶面积指数估算模型的精度均较低,前者验证集R2低于0.85、均方根误差高于550 kg/hm2,后者R2低于0.90、均方根误差高于0.40 cm2/cm2。相比之下,基于RF和SEPLS_ELM构建的夏玉米营养生长期地上部生物量和叶面积指数估算模型均有着较高的估算精度,SEPLS_ELM模型表现尤为突出,其地上部生物量和叶面积指数估算模型验证集的R2分别为0.955和0.969,均方根误差分别为307.3 kg/hm2和0.24 cm2/cm2,表明叠加集成模型能够充分利用高光谱数据并提高作物地上部生物量和叶面积指数估算精度。     

基于全株生物量和全株氮浓度的马铃薯氮临界浓度稀释模型的构建及验证

  【目的】  临界氮浓度稀释曲线的构建是作物氮素营养诊断的基础，然而其曲线参数可能受品种等因素影响。本研究的主要目的是构建滴灌条件下常见马铃薯品种临界氮浓度稀释曲线模型，并利用相应的氮素营养指数进行马铃薯氮素营养诊断。  【方法】  于2014—2016年分别进行了滴灌条件下3个马铃薯品种、不同施氮量的田间试验。在马铃薯苗期、块茎形成期、块茎膨大期、淀粉积累期和收获期5个关键时期，进行地上部茎叶和地下部块茎取样，分别测定了生物量和氮浓度，根据公式计算出马铃薯全株生物量和全株氮浓度。根据全株生物量和全株氮浓度建立临界氮浓度稀释模型和相应的氮素营养指数。  【结果】  马铃薯地上部生物量和地上部氮浓度以及全株生物量和全株氮浓度都是随着生育时期的推进呈现出负幂函数关系，基于地上部生物量和地上部氮浓度建立的临界氮浓度稀释曲线决定系数平均为0.52，而以马铃薯全株生物量和全株氮浓度建立临界氮浓度稀释曲线决定系数平均为0.94，较前者提高了80%。以马铃薯全株生物量和全株氮浓度建立临界氮浓度稀释模型更为合理，且受品种影响较小，克新1号、夏坡地和荷兰14用同一个临界氮浓度稀释曲线的决定系数均达到0.95，表明构建的氮素营养模型可以进行不同品种的马铃薯氮素营养诊断。  【结论】  相对于传统籽粒型作物基于地上部生物量和地上部氮浓度建立临界氮浓度稀释模型，基于全株生物量和全株氮浓度建立的临界氮浓度稀释模型适用于不同品种马铃薯的营养诊断。在内蒙古滴灌生产条件下，马铃薯临界氮浓度稀释模型为Nc = 4.57W–0.41，基于该模型计算的马铃薯克新1号合理施氮量为N 170～180 kg/hm2、夏坡地合理施氮量为 190～200 kg/hm2、荷兰14合理施氮量为 215～225 kg/hm2。这些计算结果与试验结果的吻合度达到了0.95。     

基于无人机平台的柑橘树冠信息提取

为了快速获取柑橘树冠信息,提升柑橘园精准管理,该研究基于无人机平台获取了柑橘数码和多光谱影像,分析了无人机影像反演柑橘树冠信息的效果。首先利用无人机数码影像及分水岭算法进行柑橘单木分割,然后构建柑橘树冠层高度模型,提取柑橘株数、株高、冠幅投影面积等结构参数信息,进而利用无人机多光谱影像获取柑橘的8种常用植被指数,采用全子集分析法筛选柑橘冠层氮素含量的敏感植被指数,构建基于多元线性回归的冠层氮素遥感反演模型,进行以冠幅为基本单元的柑橘树冠层氮素含量遥感制图。研究结果表明:柑橘的单木识别准确率在93%以上,召回率在95%以上,平均F值为96.52%;柑橘树的反演株高与实测株高具有较强的相关性,决定系数R2为0.87,均方根误差为31.9cm;单株冠幅投影面积与人工绘制的冠幅面积的决定系数,除果园A在12月的结果较低(R2为0.78)外,其余均在0.94及以上;采用全子集分析法筛选的柑橘冠层氮素敏感植被指数为归一化植被指数(NDVI)、绿色归一化植被指数和冠层结构不敏感指数,所建立的多元回归模型的决定系数R2达0.82,均方根误差为0.22%,相对误差为6.59%。综上,无人机影像在柑橘树冠参数信息提取方面具有较好的应用效果,能够快速有效地提取柑橘树冠参数信息。该研究可为使用无人机平台进行果园精准管理提供技术支撑。     

基于无人机影像的冠层光谱和结构特征监测甜菜长势

甜菜是中国北方地区重要的经济作物。快速、准确、高通量的获取甜菜的地上部和块根鲜质量、块根含糖率、叶绿素含量对甜菜生产具有重要意义。该研究采用无人机搭载数码和多光谱相机,获取甜菜叶丛快速生长期、块根及糖分增长期和糖分积累期的数码影像和多光谱影像,提取了冠层的结构特征和光谱特征。选择随机森林回归（Random Forest Regression,RFR）和偏最小二乘回归（Partial Least Squares Regression,PLSR）2种建模方法基于获取的冠层特征,构建甜菜全生育期的地上部和块根鲜质量、块根含糖率和SPAD（Soil and Plant Analyzer Development）值估算模型。研究结果表明,随机森林回归模型和偏最小二乘回归模型对地上部和块根鲜质量、含糖率都做出较好的预测,R2范围分别为0.9～0.94、0.88～0.9,rRMSE范围分别为7.6%～17%、8.8%～20%。对SPAD值的预测均较弱,R2分别为0.66和0.67。为了减小输入变量集的大小以及去掉对预测不敏感的变量,该研究采用置换重要性（Permutation Importance,PIMP）来筛选冠层光谱特征和结构特征中对预测有重要影响的变量。结果表明基于筛选出的重要性特征构建的随机森林回归模型和偏最小二乘回归模型对地上部和块根鲜质量、含糖率都做出较好的预测,R2范围分别为0.89～0.94、0.74～0.91,rRMSE范围分别为7.3%～19%、7.6%～19%。对SPAD值的预测均较弱,R2分别为0.65和0.68。进一步表明随机森林回归模型在精度上略好于偏最小二乘回归模型。同时基于PIMP筛选变量的方法在保持原有精度的同时能实现降低数据收集复杂性的目的。研究结果为基于无人机遥感技术快速、准确监测甜菜长势和估测块根类作物的根部活性物质提供了参考。     

基于高光谱数据的土壤全氮含量估测模型对比研究

构建基于高光谱数据的土壤全氮含量估测模型,为快速、准确监测农田土壤全氮含量,判断作物生长发育情况和评价土地质量提供新的技术和方法.以新疆南疆地区主要类型土壤为研究对象,于室内测定土壤全氮含量和光谱反射率数据,利用偏最小二乘回归(PLSR)、支持向量机回归(SVM)、随机森林回归(RF)与光谱反射率(R)及其4种数学变换...     

基于无人机多光谱影像的水稻氮营养监测

探究消费级无人机多光谱影像对不同生态点、不同品种水稻氮营养监测建模精确度和普适度的影响,对于实现区域水稻氮营养精确管理与应用有重要意义。该研究分别在云南省西双版纳勐遮镇(供试品种：云粳37)与重庆市北碚区(供试品种：极优6 135)2个试验点设置不同氮水平田间试验,利用大疆精灵4多光谱无人机于水稻分蘖期、拔节期和抽穗期采集水稻冠层多光谱图像,采用凯氏定氮法测定水稻植株冠层氮含量(canopy nitrogen content,CNC)并计算地上部氮累积量(plant nitrogen accumulation,PNA);分别利用植被指数、偏最小二乘回归(partial least squares regression,PLSR)、随机森林(random forest,RF)、反向传播神经网络(back-propagation neural network,BPNN)对单一试验点、单品种和不同试验点、多品种水稻建立氮营养监测模型并探究模型的迁移能力。拔节期和抽穗期的模型精度较高(归一化植被指数NDVI或近红外归一化植被指数NNVI,R²为0.68～0.88),而分蘖...     

基于综合指标的冬小麦长势无人机遥感监测

作物长势监测可以及时获取作物的长势信息,该文尝试建立新型长势指标,监测小麦总体长势情况。将反映小麦长势的叶面积指数(leaf area index,LAI)、叶片叶绿素含量、植株氮含量、植株水分含量和生物量5个指标按照均等权重综合成一个指标,综合长势指标(comprehensive growth index,CGI)。利用450~882 nm范围内单波段和任意两个波段构建归一化光谱指数(normalized difference spectral index,NDSI),比值光谱指数(ratio spectral index,RSI)和简单光谱指数(simple spectral index,SSI),计算CGI与光谱指数的相关性,筛选出相关性好的光谱指数,结合偏最小二乘回归(partial least squares regression,PLSR)建立反演模型。以CGI为指标,运用无人机高光谱影像对2015年小麦多生育期的长势监测。结果表明:1)冬小麦各生育期,总体上CGI与光谱指数的决定系数R~2均好于各项单独指标与相应光谱指数的R~2。仅孕穗期CGI和RSI(754,694)的R~2比叶绿素和RSI(486,518)的R~2低,开花期的CGI和R570的R~2比生物量和R834的R~2低以及灌浆期CGI和SSI(582,498)的R~2比植株含水量和SSI(790,862)的R~2低。2)拔节期,孕穗期,开花期,灌浆期和全生育期PLSR模型的建模R~2分别为0.70,0.72,0.78,0.78和0.61。拔节期,孕穗期和开花期的无人机CGI影像验证模型的均方根误差RMSE(root mean square error)分别为0.050,0.032和0.047。CGI与相应光谱指数的R~2高于单独各项指标与相应光谱指数的R~2,光谱指数能够很好反映CGI包含的信息。无人机高光谱影像反演CGI精度较高,能够判断出小麦总体的长势差异,可为监测小麦长势提供参考。     

基于无人机RGB影像的玉米种植信息高精度提取方法

为探究易获取且成本低的超高分辨率无人机（Unmanned Aerial Vehicle，UAV）航拍 "红-绿-蓝"（Red-Green-Blue，RGB）彩色影像提取作物种植信息的方法，该研究选取植被指数、"色度-色饱和度-亮度"（Hue-Saturation-Intensity，HSI）色彩特征和纹理特征等3种特征，通过比较贝叶斯（Bayes）、K最邻近分类（K-Nearest Neighbor，KNN）、支持向量机（Support Vector Machine，SVM）、决策树（Decision Tree，DT）和随机森林（Random Forest，RF）共5种监督分类算法及不同特征组合的分类效果，以实现玉米种植信息的高精度提取。结果表明，使用单一种类特征或使用全部3种特征均不能获得最优的分类精度；将植被指数与HSI色彩特征或与纹理特征进行组合获得的总体分类精度（5种算法平均值）比仅使用植被指数获得的总体分类精度分别提高了4.2%和8.3%；在所有特征组合中，HSI色彩特征和纹理特征组合为最优选择，基于该特征空间的RF算法获得了最高的分类精度，总精度为86.2%，Kappa系数为0.793；基于RF算法进行降维并不能显著提高或降低分类精度（SVM除外），但所保留的特征因子可给出符合实际背景和意义的解释，并可提高分类结果的稳定性。研究结果可为基于无人机RGB影像的作物种植信息高精度提取提供方法参考。     

基于Sentinel-2A的棉花种植面积提取及产量预测

及时、准确预测棉花产量在棉田经营管理、农业决策制定等方面具有重要的价值和意义。为了提高棉花产量预测精度并确定估产的最佳生育时期,该研究利用谷歌地球引擎（Google Earth Engine,GEE）获取2020年Sentinel-2A的3个时间段影像,采用随机森林（Radom Forest, RF）、支持向量机（Support Vector Machine, SVM）、决策树（Classification and Regression Tree, CART）进行棉花种植区域提取,利用顺序向前选择（Sequential Forward Selection, SFS）和偏最小二乘算法（Partial Least Squares Regression, PLSR）确定棉花产量预测最佳生育时期,最终形成莫索湾垦区棉花产量预测分布图。结果表明,1）RF分类效果最佳,农田与非农田分类总体精度为0.94,Kappa 系数为0.89;棉田与非棉田分类总体精度为0.92,Kappa 系数为0.83。2）红边波段（B6）在3个生育时期中与产量相关性较好,相关系数随着生育时期的递进而增加,分别为0.37、0.47、0.53。3）基于PLSR构建的产量预测模型中,铃期预测效果最佳（决定系数R2=0.62,均方根误差RMSE=625.5 kg/hm2,相对误差RE=8.87%）,优于吐絮期（R2=0.51,RMSE=789.45 kg/hm2,RE=11.06%）和花期（R2=0.48,RMSE=686.4 kg/hm2,RE=9.86%）,铃期为棉花产量预测的最佳生育时期。该研究利用GEE和Sentinel-2A影像数据,为新疆莫索湾垦区棉花种植面积提取及产量预测提供一种新的思路,可为合理水肥配置、精准种植、农作物生长过程监测提供数据支撑。