基于冠层光谱特征和株高的马铃薯植株氮含量估算

为及时准确地掌握作物的植株氮含量（PNC）信息,监测作物生长状况,实现农田氮素施肥的科学管理,以马铃薯为研究对象,首先获取了现蕾期、块茎形成期、块茎增长期、淀粉积累期和成熟期的数码影像,并实测了各生育期的PNC、株高（H）和地面控制点（GCP）的三维坐标。其次利用各生育期的无人机数码影像与GCP结合生成试验区域的数字正射影像（DOM）和数字表面模型（DSM）,并从中提取冠层光谱特征和株高(H_dsm)。然后将各生育期提取的H_dsm和数码影像变量与地面实测的PNC进行相关性分析,从中筛选出相关性较好的影像变量和H_dsm作为马铃薯PNC估算模型的输入参数。最后分别基于影像变量和影像变量结合H_dsm利用多元线性回归（MLR）、误差反向传播（BP）神经网络和Lasso回归3种方法构建马铃薯PNC估算模型。结果表明：基于DSM提取的H_dsm与实测H具有较高的拟合度（R²为0.860,RMSE为2.663 cm, NRMSE为10.234%）;各生育期加入H_d...     

基于无人机高光谱影像的马铃薯株高和地上生物量估算

为实现快速无损获取马铃薯株高和地上生物量信息,分别获取马铃薯现蕾期、块茎形成期、块茎增长期、淀粉积累期、成熟期的高光谱影像,实测马铃薯株高H、地上生物量（AGB）和地面控制点（GCP）的三维空间坐标,基于无人机高光谱影像结合GCP生成试验田的数字表面模型（DSM）,利用DSM提取马铃薯的株高Hdsm ;然后,对马铃薯AGB与原始无人机冠层光谱和高光谱指数分别进行相关性分析,筛选出最优光谱指数和前10个光谱指数,利用指数回归（Exponential regression,ER）构建单变量模型;最后,采用多元线性回归（Multiple linear regression, MLR）、偏最小二乘回归（Partial least square regression, PLSR）和随机森林（Random forest, RF）3种方法构建不同生育期的估算模型,并进行对比,挑选出马铃薯AGB估算的最优模型。结果表明：将提取的马铃薯株高与实测值进行线性拟合,R 2 为0.84;在单变量模型中,每个生育期以ER估算AGB得到的验证精度高于相应的建模精度,其中构建模型效果优劣次序依次为最优光谱指数、Hdsm 、H,块茎增长期以CIrededge指数估测精度最高（R 2 =0.45）;在多变量模型中,每个生育期采用3种方法构建AGB估算模型,每种方法以光谱指数加入Hdsm 的模型精度更高、稳定性更强;每个生育期利用MLR以光谱指数和Hdsm 为变量的AGB模型（R 2 为0.64、0.70、0.79、0.68、0.63）效果优于PLSR（R 2 为0.62、0.68、0.75、0.67、0.60）和RF（R 2 为0.56、0.61、0.67、0.63、0.53）模型。利用MLR模型进行马铃薯AGB填图,5个生育期的AGB空间分布与实际生长情况一致。利用融入Hdsm 的MLR模型可估测大面积马铃薯AGB,为精准农业定量化研究提供技术支持。     

基于冠层光谱和覆盖度的马铃薯叶片钾含量估算方法

叶片钾含量(Leaf potassium content, LKC)是表征作物钾素营养状况的重要指标,高效准确地获取马铃薯LKC有助于精准农业施肥管理。本研究旨在通过结合马铃薯关键生育期RGB影像提取的植被指数(VIs)和植被覆盖度(FVC),提高马铃薯关键生育期LKC估算的准确性。首先从马铃薯块茎形成期(S1)、块茎增长期(S2)和淀粉积累期(S3)的RGB影像中提取VIs和FVC,然后分别分析每个生育期VIs和FVC与马铃薯LKC的相关性,最后利用支持向量机(Support vector machine, SVM)、Lasso回归(Least absolute shrinkage and selection operator, Lasso)和岭回归构建马铃薯LKC的估算模型。结果表明：基于RGB影像提取的马铃薯FVC精度较高,且前两个生育期高于第3个生育期;利用VIs估算马铃薯LKC是可行的,但精度有待进一步提高;VIs结合FVC可以提高马铃薯LKC的估算精度。本研究可为作物生长和钾素营养状况监测提供技术参考。     

基于无人机RGB影像的马铃薯植株钾含量估算

马铃薯植株钾含量(Plant potassium content, PKC)是监测马铃薯营养状况的重要指标,快速准确地获取马铃薯植株钾含量对田间施肥和生产管理具有指导意义。基于无人机遥感平台搭载RGB传感器分别获取马铃薯块茎形成期、块茎增长期和淀粉积累期的RGB影像,并实测马铃薯植株钾含量。首先利用各个生育期的RGB影像提取每个小区冠层平均光谱和纹理特征。然后分别基于冠层光谱和纹理特征构建植被指数和纹理指数(NDTI、RTI和DTI),并与实测PKC进行相关性分析。最后利用多元线性回归(Multiple linear regression, MLR)、偏最小二乘(Partial least squares regression, PLSR)和人工神经网络(Artificial neural networks, ANN)构建马铃薯PKC估算模型。结果表明：各生育期NDTI、RTI和DTI与马铃薯PKC相关性均高于单一纹理特征,植被指数结合纹理指数均能提高模型的可靠性和稳定性,MLR和PLSR构建的估算模型精度均优于ANN。本研究可为马铃薯PKC监测提供科学参考。     

基于无人机高光谱分数阶微分的马铃薯地上生物量估算

以马铃薯为研究对象，利用无人机得到现蕾期、块茎形成期、块茎增长期、淀粉积累期和成熟期的高光谱数据，实测了地上生物量（Above ground biomass，AGB）数据。首先，利用成像高光谱影像提取每个生育期马铃薯冠层高光谱反射率数据；然后，利用分数阶微分计算高光谱0~2阶微分（间隔0.2），将各阶微分下的光谱数据与地上生物量进行相关性分析，挑选出相关系数绝对值较大的前9个微分波段；最后，利用多元线性回归（Multiple linear regression，MLR）、随机森林（Random forest，RF）和人工神经网络（Artificial neural network，ANN）3种方法构建基于分数阶微分光谱的整体、不同品种、不同密度和不同施肥下的马铃薯AGB估算模型，并进行了对比。结果表明：各生育期相关系数绝对值最大值出现的阶数不同，现蕾期为0.8阶微分（470nm）；块茎形成期为1.8阶微分（710nm）；块茎增长期和淀粉积累期为1.6阶微分（718、722、766nm）；成熟期为1.0阶微分（622nm）。相较于整数阶微分，高光谱分数阶微分与AGB的相关性更高，分数阶微分可以提高马铃薯AGB的估算精度。分析了不同生育期整体、不同品种、不同密度和不同施肥下的马铃薯AGB估算模型，3种方法中以9个微分波段为因变量的AGB估算在块茎增长期表现效果最好，利用MLR方法得到的模型精度最高、稳定性最强，其次为RF模型，ANN模型表现效果最差。不同生育期利用3种方法构建的AGB估算模型精度由大到小依次为块茎增长期、块茎形成期、淀粉积累期、现蕾期、成熟期。     

融合无人机多源传感器的马铃薯叶绿素含量估算

叶绿素是衡量作物光合作用的重要指标，监测马铃薯关键生育期叶片叶绿素含量(Leaf chlorophyll content, LCC)至关重要。获取马铃薯块茎形成期、块茎增长期和淀粉积累期的无人机RGB和多光谱影像，提取无人机多光谱影像的光谱反射率构建植被指数(Vegetation index, VIs),利用Gabor滤波器提取RGB影像的纹理信息(Texture information, TIs)。然后利用机器学习SVR-REF方法进行数据降维获取植被指数和纹理特征重要性排序，并采用迭代的方法在植被指数最佳模型中加入纹理信息，观察每次加入的纹理信息对模型的动态影响。最后使用支持向量机(Support vector machine, SVR)和K-最近邻算法(K-nearest neighbor, KNN)2种机器学习方法进行建模。结果表明，马铃薯3个关键生育期，加入纹理特征后的2种模型精度和稳定性均有提高，且SVR模型精度优于KNN。块茎形成期，SVR模型建模R²由0.61提升至0.71,RMSE由0.20 mg/g降为0.17 mg/g,精度提升14.2%,验...     

无人机多源光谱反演大田夏玉米叶面积指数

【目的】研究多源光谱反演大田夏玉米叶面积指数(LAI)的效果。【方法】以大田夏玉米为研究对象,利用无人机获取试验区不同生育期热红外以及多光谱影像,提取热红外冠层温度(TC)以及多光谱植被指数,结合地面实测LAI数据,分析光谱数据与实测LAI之间的相关关系,并将TC与筛选出的11种植被指数作为输入变量,LAI作为输出变量利用多元线性回归、支持向量机和随机森林3个算法模型训练学习,建立了夏玉米LAI的反演模型。【结果】多光谱植被指数以及TC均与夏玉米LAI在P0.000 1水平上显著相关,相关系数均在0.5以上;RF算法于拔节期、喇叭口期、以及吐丝期3个生育期的LAI预测值与实测值的R~2均高于MLR算法和SVM算法,对应的RMSE及NRMSE均低于MLR算法和SVM算法;融合热红外TC后的RF模型反演精度均有不同程度的提升,各生育期LAI预测值与实测值R~2均大于同时期未融合TC的LAI反演模型。【结论】多光谱植被指数以及TC均与夏玉米LAI具有较强的相关性,且RF算法构建的夏玉米LAI反演模型精度优于MLR和SVM算法,同时TC的加入可以有效提升夏玉米LAI反演精度。     

基于无人机多光谱遥感的棉花生长参数和产量估算

及时准确地监测棉花长势和产量是精准农业栽培管理的关键。无人机(UAV)平台能够快速获取高时空分辨率的遥感数据,在作物生长参数和产量估算方面显示出巨大的潜力。以山东省滨州市棉花为研究对象,利用安装在无人机上的多光谱相机获取遥感影像,分别提取各波段反射率,筛选出8种植被指数,采用多元线性回归(MLR)、随机森林(RF)、人工神经网络(BPNN)3种方法分别构建棉花的株高、叶绿素相对含量、单株产量的估计模型并进行验证。结果表明,基于BPNN的预测模型精度明显优于MLR和RF模型,盛花期与成熟期棉花株高估计模型验证集的R²分别为0.842和0.670;叶绿素相对含量估算模型验证集的R²分别为0.725和0.765;产量估算模型验证集的R²分别为0.860和0.846。为无人机遥感在作物生长参数与产量估算领域中的应用提供理论依据,为进一步优化农业生产管理、科学决策提供参考。     

基于WOA-BP神经网络下马铃薯产量预测分析模型

马铃薯是我国重要的粮食作物之一，营养丰富，用途广泛，是一种谷物、蔬菜和水果功能兼具的食物，其蛋白质含量远高于其他块茎类食物，且富含优质的氨基酸。马铃薯生育期短，在湖北平原、丘陵地区冬种春收适宜发展早熟品种，对于填补全国南北方鲜薯市场供应空档期具有重要意义。因此，马铃薯产量的高效预测对于制定生长期间的种植管理措施及相关决策具有重要意义。为此，针对传统BP神经网络在产量预测中存在精度低、鲁棒性差等问题，利用鲸鱼算法(Whale optimization algorithm, WOA)对BP神经网络模型进行优化。同时，基于湖北地区2009-2021年间田间物联网获取的气象因子(大气湿度、大气温度、降雨量)、田间水热因子及马铃薯产量，采用BP神经网络模型、GA-BP神经网络模型(遗传算法优化)及WOA-BP神经网络模型对所选地区马铃薯产量进行预测。研究结果表明：WOA-BP神经网络模型精度明显高于GA-BP神经网络模型及BP神经网络模型，R²达到0.9764,预测值与试验值之间拟合程度较高，表明基于WOA-BP神经网络模型可以更加科学、合理、准确地进行马铃薯产量预测。     

基于Lasso回归和BP神经网络的蔬菜短期价格预测组合模型研究

蔬菜是居民生活饮食的重要组成部分，蔬菜价格预测存在着价格波动幅度大、影响因素复杂多样、精度不高等难点。本研究以黄瓜为研究对象，分析了影响黄瓜价格的供给、需求、流通等因素，引入Lasso回归模型对影响因素进行筛选，获得12项关联度较大的因素。在此基础上，构建了一种基于影响因素的Lasso回归方法与BP神经网络相结合的组合模型（L-BPNN），开展黄瓜短期价格预测，并与Lasso回归模型、BP神经网络模型、RBF神经网络模型等回归分析和智能分析方法等进行了对比验证研究。结果表明：使用L-BPNN模型预测黄瓜价格，其平均相对误差最小，仅为0.66%，比Lasso回归模型、BP神经网络模型和RBF神经网络模型分别低64.52%、82.11%和86.2%，具有较高的预测精度。本研究结果实现了黄瓜的短期价格预测，也可推广到其他蔬菜品种，对于保障菜农收入、稳定蔬菜市场价格等具有重要意义。     

基于无人机数码影像的大豆育种材料叶面积指数估测

利用低成本的无人机(Unmanned aerial vehicle,UAV)高清数码影像获取系统,于2016年7—9月在山东省济宁市嘉祥县圣丰大豆育种基地,获取大豆育种材料试验区的R1-R2、R3、R5-R6共3个关键生育期的高清数码影像,首先利用高清数码影像中的黑白定标布,对数码影像的DN(Digital number,DN)值进行归一化标定,并构建标定的18个数码影像变量,然后基于900个育种小区的叶面积指数实测数据构建大豆育种材料叶面积指数的一元线性回归、逐步回归、全子集回归、偏最小二乘回归、支持向量机回归和随机森林回归模型,最后基于模型建立和验证的决定系数(R~2)、均方根误差(RMSE)和归一化的均方根误差(nRMSE)3个指标,筛选估测叶面积指数的最佳模型。研究表明,全子集回归模型中采用4个数码影像变量B、RGBVI、GLA和B/(R+G+B)的多元线性回归模型对大豆育种材料叶面积指数的解析精度最优,模型建立的R~2、RMSE和nRMSE分别为0.69、0.99和17.90%,验证模型的R~2、RMSE和nRMSE分别为0.68、1.00和18.10%。结果表明,以无人机为遥感平台,搭载低成本的高清数码相机,利用高清数码影像进行大豆育种材料LAI估测是可行的,可以快速、有效、无损地获取大豆育种材料的长势信息,为筛选高产大豆品种提供一种低成本的可行方法。     

基于无人机遥感影像的冬小麦氮素监测

精准氮素管理是一项提高作物氮肥利用效率的有效策略,利用无人机遥感技术精确估测小麦氮素状况是必要的。试验在山东省乐陵市科技小院实验基地进行,利用八旋翼无人机搭载Mini-MCA多光谱相机于2016年获取冬小麦4个关键生育时期(返青期、拔节期、孕穗期、扬花期)冠层多光谱数据,同步获取地上部植株样品并测定其生物量、吸氮量、氮营养指数,及成熟期籽粒产量,根据各关键生育期与全生育期分别构建植被指数与农学参数回归分析模型,评估基于无人机遥感影像的冬小麦氮素营养诊断潜力。结果表明:基于无人机遥感影像能够较好地估测冬小麦氮素指标(R2为0.45~0.96),决定系数随着生育期推移而逐渐增大。拔节期、孕穗期和扬花期估产效果接近且具有很好的估测能力,扬花期DATT幂函数模型对小麦氮营养指数的解释能力最强(R2=0.95)。因此,以多旋翼无人机为平台同步搭载多光谱相机对冬小麦有较好的氮素诊断潜力,可利用估测结果指导精准氮肥管理。     

利用无人机影像监测不同生育阶段玉米群体株高的精度差异分析

为明确利用无人机影像监测玉米群体株高的精度及其影响因素,本研究基于无人机搭载光学成像设备构建大田玉米群体数字高程模型（Digital Elevation Model,DEM）,研究不同生育时期下玉米群体株高监测的精度差异。针对3个玉米品种、8个播期处理构建的株高差异化群体,用多旋翼无人机搭载高清RGB相机和多光谱成像设备,采集试验区高清RGB和多光谱影像,获取玉米群体数字高程信息DEM和各处理区植株高度,分析不同品种和播期处理下基于无人机和人工测量株高间的相关关系。试验结果表明,高清RGB相机和多光谱成像设备获取的DEM均能反映玉米群体的高度差异。高清RGB相机的株高监测精度优于多光谱成像设备,但株高监测精度不足,难以反映玉米群体的较小株高差异。不同生育阶段对玉米株高监测精度具有较大影响,生育前期冠层尚未全部覆盖地表或生育后期植株衰老叶片枯黄下垂时,受裸露地表影响,群体株高被严重低估。本研究分析了影响无人机搭载成像设备监测玉米株高精度的因素,可为该方法应用于大田生产提供借鉴意义。     

滴施液体肥对马铃薯产量、养分吸收积累的影响

通过大田试验,研究了在滴灌施肥条件下施用液体肥对马铃薯生长、产量及植株养分吸收积累的影响。结果表明,在该试验条件下,滴施液体肥处理马铃薯的块茎产量显著高于不施液体肥处理,增产15．47％～36．26％,其中以滴施450kg／hm^2液体肥处理马铃薯块茎产量最高;在整个生长生育期,马铃薯能持续吸收养分,养分积累量的大小顺...     

基于无人机可见光与激光雷达的甜菜株高定量评估

甜菜株高可用于估算根系生物量、指示水分胁迫,还可作为甜菜氮含量和产量的有效指示因子,是育种者和农田管理者评估大田甜菜生长状态的重要参数。本研究以186个不同基因型的大田甜菜为研究对象,探究无人机分别搭载可见光(RGB)相机与激光雷达(Li DAR)系统对大田作物株高估算的精度差异,并与田间测定值进行比较。结果表明,基于无人机Li DAR系统估算的株高与实测值的相关性高于无人机搭载RGB相机估测的相关性。进一步对点云进行分层分析,比较点云在冠层内分布的差异,结果表明,对于作物生长后期群体冠层封闭时,无人机Li DAR系统相较于无人机搭载RGB相机系统能重建更为完整的冠层三维结构。     

无人机遥感在饲草作物生长监测中的应用研究进展

饲草作物生长的动态监测与定量估算对于饲草规模化生产具有重要意义。无人机遥感分辨率高、灵活性强、成本低,近年来在饲草作物生长监测领域发展迅速,应用场景不断拓展。为了掌握无人机在饲草监测的国内外应用现状,确定重点发展方向,本文首先从数据获取、数据处理和饲草作物生长监测关键技术三个方面简述了无人机遥感在饲草作物监测中的基本研究方法。其次按照传感器类型从可见光、多光谱、高光谱、热红外和激光雷达遥感五个方面阐述了无人机遥感饲草作物生长监测的应用现状。最后针对研究应用中尚未解决的关键技术问题展望了未来的发展方向,提出融合饲草作物时空尺度数据和多源遥感数据、进一步拓展数据获取手段、研发智能化数据分析综合平台是未来饲草作物监测领域应用创新的关键所在。