基于无人机图像的玉米冠层叶绿素含量检测与分布研究

为了快速、无损地获取大田作物叶绿素含量空间分布,基于无人机遥感技术研究了大田玉米冠层叶绿素含量检测及分布图绘制方法。利用无人机遥感技术采集了150幅大田玉米的航拍图像,并通过Pix4dmapper软件对其进行了拼接;在实验田中,等距获取80株玉米叶片样本,通过化学法萃取叶绿素,并使用分光光度计测量叶绿素含量,形成了基础数据源。在数据处理方面,采用Arc GIS软件对样本点的POS(Position and orientation system)数据与无人机图像进行匹配;对无人机拍摄的RGB图像,首先进行R、G、B三通道分量值提取,构建了绿红比值、绿红差值、归一化红绿差值、超绿等10种颜色特征,并计算了均值、标准偏差、平滑度、三阶矩等6种纹理特征,然后建立了基于BP(Back propagation)神经网络的玉米冠层叶绿素含量检测模型。实验结果表明,基于BP神经网络的玉米冠层叶绿素含量检测模型的均方根误差RMSE为4. 465 9 mg/L,决定系数R~2为0. 724 6。通过BP神经网络检测模型计算出大田玉米图像每个像素点的叶绿素含量,基于伪彩色技术绘制大田玉米叶绿素含量可视化分布图,分析田间玉米冠层叶绿素含量分布图可以直观区分田间道路与冠层区域,显示地块叶绿素分布差异。通过无损检测大田玉米冠层叶绿素含量及叶绿素分布可视化,可为田间作物长势评价和精细化管理提供技术支持。     

基于机器视觉的大田植株生长动态三维定量化研究

高通量植物三维表型的研究对判定植株表型特征至关重要。基于机器视觉的植株三维表型获取方法在温室中已广泛应用,能够动态监测植株生长过程,但在大田复杂环境中应用较少。以大田生长的玉米、大豆植株为研究对象,基于机器视觉分析方法对不同生长时期玉米、大豆植株进行个体和群体的三维重建,并基于手动测量值对叶长、叶最大宽进行精度评估。研究结果表明,叶长、叶最大宽的计算值与手动测量值的R2均大于0.97,精度较高,表明大田环境下此方法可以满足作物表型三维构建参数提取的精度要求,但是当冠层遮挡较严重时,三维重建精度将明显下降。进一步自动提取了株高、冠幅和器官生长动态,结果可为与基因型相关的表型高通量分析提供方法,并可进行株型与冠层辐射的精确评价。     

基于Sentinel-2遥感影像的玉米冠层叶面积指数反演

叶面积指数是描述玉米冠层结构的重要参数之一,决定玉米冠层的光合作用、呼吸作用、蒸腾和碳循环等生物物理过程,因此精确反演叶面积指数对玉米长势监测具有重要意义。以河北省保定市的涿州市、高碑店市、定兴县为研究区,利用Sentinel-2遥感影像和LAI-2000地面同步实测数据进行玉米冠层叶面积指数反演,使用归一化差异光谱指数和比值型光谱指数两类指数,构建了单变量和多变量玉米冠层叶面积指数反演模型,通过决定系数(R2)和均方根误差(RMSE)筛选出最佳模型。研究结果表明,由NDSI(783,705)构建的单变量模型为最优反演模型,其决定系数为0.534 2,均方根误差为0.288 5。因此,基于Sentinel-2遥感影像利用植被指数反演玉米冠层叶面积指数的方法可作为判断玉米长势状况的初步判断依据。     

基于Sentinel-2遥感影像的玉米冠层叶面积指数反演方法

叶面积指数是描述玉米冠层结构的重要参数之一,决定玉米冠层的光合作用、呼吸作用、蒸腾和碳循环等生物物理过程,因此精确反演叶面积指数对玉米长势监测具有重要意义。本文以河北省保定市的涿州市、高碑店市、定兴县为研究区,利用Sentinel-2遥感影像和LAI-2000地面同步实测数据进行玉米冠层叶面积指数反演,使用归一化差异光谱指数和比值型光谱指数两类指数,构建了单变量和多变量玉米冠层叶面积指数反演模型,通过决定系数(R~2)和均方根误差(RMSE)筛选出最佳模型。研究结果表明,由NDSI_((783,705))构建的单变量模型为最优反演模型,其决定系数为0.5342,均方根误差为0.2885。因此,基于Sentinel-2遥感影像利用植被指数反演玉米冠层叶面积指数的方法可作为判断玉米长势状况的初步判断依据。     

基于Sentinel-2遥感影像的玉米冠层叶面积指数反演方法

叶面积指数是描述玉米冠层结构的重要参数之一,决定玉米冠层的光合作用、呼吸作用、蒸腾和碳循环等生物物理过程,因此精确反演叶面积指数对玉米长势监测具有重要意义。本文以河北省保定市的涿州市、高碑店市、定兴县为研究区,利用Sentinel-2遥感影像和LAI-2000地面同步实测数据进行玉米冠层叶面积指数反演,使用归一化差异光谱指数和比值型光谱指数两类指数,构建了单变量和多变量玉米冠层叶面积指数反演模型,通过决定系数(R~2)和均方根误差(RMSE)筛选出最佳模型。研究结果表明,由NDSI_((783,705))构建的单变量模型为最优反演模型,其决定系数为0.5342,均方根误差为0.2885。因此,基于Sentinel-2遥感影像利用植被指数反演玉米冠层叶面积指数的方法可作为判断玉米长势状况的初步判断依据。     

基于Sentinel-2遥感影像的玉米冠层叶面积指数反演方法

叶面积指数是描述玉米冠层结构的重要参数之一,决定玉米冠层的光合作用、呼吸作用、蒸腾和碳循环等生物物理过程,因此精确反演叶面积指数对玉米长势监测具有重要意义。本文以河北省保定市的涿州市、高碑店市、定兴县为研究区,利用Sentinel-2遥感影像和LAI-2000地面同步实测数据进行玉米冠层叶面积指数反演,使用归一化差异光谱指数和比值型光谱指数两类指数,构建了单变量和多变量玉米冠层叶面积指数反演模型,通过决定系数(R~2)和均方根误差(RMSE)筛选出最佳模型。研究结果表明,由NDSI_((783,705))构建的单变量模型为最优反演模型,其决定系数为0.5342,均方根误差为0.2885。因此,基于Sentinel-2遥感影像利用植被指数反演玉米冠层叶面积指数的方法可作为判断玉米长势状况的初步判断依据。     

基于Sentinel-2遥感影像的玉米冠层叶面积指数反演方法

叶面积指数是描述玉米冠层结构的重要参数之一,决定玉米冠层的光合作用、呼吸作用、蒸腾和碳循环等生物物理过程,因此精确反演叶面积指数对玉米长势监测具有重要意义。本文以河北省保定市的涿州市、高碑店市、定兴县为研究区,利用Sentinel-2遥感影像和LAI-2000地面同步实测数据进行玉米冠层叶面积指数反演,使用归一化差异光谱指数和比值型光谱指数两类指数,构建了单变量和多变量玉米冠层叶面积指数反演模型,通过决定系数(R~2)和均方根误差(RMSE)筛选出最佳模型。研究结果表明,由NDSI_((783,705))构建的单变量模型为最优反演模型,其决定系数为0.5342,均方根误差为0.2885。因此,基于Sentinel-2遥感影像利用植被指数反演玉米冠层叶面积指数的方法可作为判断玉米长势状况的初步判断依据。     

基于几何模型的绿萝叶片外部表型参数三维估测

为快速高效获取叶类植物叶片的外部表型参数、掌握植株生长状况，以绿萝叶片为研究对象，提出一种基于几何模型的叶长、叶宽与叶面积的三维估测方法。利用微软Kinect V2相机，自80cm高度垂直位姿获取绿萝叶片局部点云，并进行直通滤波去噪与包围盒精简等预处理，测量得到点云外形参数，输入预先建立的SAE网络分类预测得到几何模型参数，并基于曲面参数方程建立叶片几何模型。采用粒子群优化算法计算几何模型离散点云和局部点云间的空间距离，进行空间匹配，利用遗传算法求解最优匹配模型的内部模型参数，输出最优匹配模型的叶长、叶宽与叶面积作为估测结果。实验共采集150片绿萝叶片的局部点云数据，将估测结果和真实值进行数学统计与线性回归分析，得出叶长、叶宽与叶面积估测的平均误差分别为0.46cm、0.41cm和3.42cm2，叶长估测R2和RMSE分别为0.88和0.52cm，叶宽R2和RMSE分别为0.88和0.52cm，叶面积R2和RMSE分别为0.95和3.60cm2。实验表明，该方法对于绿萝叶片外形参数的估测效果较好，具有较高实用价值。     

苗期玉米冠层识别与质心定位方法研究

为了快速定位玉米植株位置,以苗期4～6叶玉米为研究对象,提出了一种苗期玉米冠层识别与质心定位方法。首先,在大田环境下获取农田作物视频数据,基于Faster R-CNN对玉米冠层进行识别;其次,用差分内积线性特性改进质心检测算法,对玉米冠层和杂草进行分割,并对玉米冠层识别区域进行质心定位计算,得到玉米苗质心的像素坐标;最后,通过农田实验对本文冠层识别与质心定位方法进行验证。结果表明,苗期玉米冠层识别方法的平均识别率达92. 9%,检测一帧图像的平均时间为0. 17 s,玉米冠层质心定位误差不超过1像素。     

基于归一化冠层覆盖系数的玉米果穗发育动态估算

为解析宁夏滴灌玉米冠层图像参数与果穗形态参数间的内在联系,提出了一种采用作物冠层图像特征参数拟合玉米果穗生长发育动态的数学方法,建立玉米灌浆期果穗发育动态估算模型,实现了基于作物冠层数字图像处理技术的玉米果穗形态无损监测。用手机相机获取不同氮素处理下滴灌玉米灌浆期的冠层图像,提取玉米灌浆期冠层图像特征参数,测定玉米穗长、穗粗和穗体积等形态参数;运用R语言进行相关性分析,其中归一化冠层覆盖系数(Cc)与玉米果穗形态参数相关性高,运用Origin软件建立Cc与果穗形态参数间的估测模型,通过R2、RMSE和nRMSE评价估测模型的精度。结果表明,Cc与玉米穗长、穗粗、穗体积等形态参数均满足指数函数关系,其中Cc与穗长的预测精度最高,决定系数R2达到0. 714,与穗粗的预测精度次之,R2为0. 601,与穗体积的R2为0. 575。由模型检验与评价结果可知,Cc与玉米果穗形态各参数间精度较高,其中R2均不小于0. 523,穗体积RMSE的值均不大于68. 986 cm3,nRMSE均不大于33. 621%。这表明基于冠层图像归一化覆盖系数的玉米果穗生长发育动态的估算具有一定的实用性,可为果穗形态参数估算和大面积玉米无损监测提供参考。     

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。     

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。     

基于神经辐射场的苗期作物三维建模和表型参数获取

苗期作物三维结构的精准高效重建是获取表型信息的重要基础。传统的三维重建大多基于运动恢复结构-多视图立体视觉（Structure from motion and multi-view stereo,SFM-MVS）算法,计算成本高,难以满足快速获取表型参数的需求。本研究提出一种基于神经辐射场（Neural radiance fields,NeRF）的苗期作物三维建模和表型参数获取系统,利用手机获取不同视角下的RGB影像,通过NeRF算法完成三维模型的构建。在此基础上,利用点云库（Point cloud library,PCL）中的直线拟合和区域生长等算法自动分割植株,并采用距离最值遍历、圆拟合和三角面片化等算法实现了精准测量植株的株高、茎粗和叶面积等表型参数。为评估该方法的重建效率和表型参数测量精度,本研究分别选取辣椒、番茄、草莓和绿萝的苗期植株作为试验对象,对比NeRF算法与SFM-MVS算法的重建结果。结果表明,以SFM-MVS方法重建点云为基准,NeRF方法重建的各植株点云点对距离均方根误差仅为0.128~0.395cm,两者重建质量较接近,但在重建速度方面,本文研究方法相比于SFM-MVS方法平均重建速度提高700%。此外,该方法提取辣椒苗株高、茎粗决定系数（R2）分别为0.971和0.907,均方根误差（RMSE）分别为0.86cm和0.017cm,对各苗期植株叶面积提取的R2为0.909~0.935,RMSE为0.75 ~3.22cm2,具有较高的测量精度。本研究提出的方法可以显著提高三维重建和表型参数获取效率,从而为作物育种选苗提供更为高效的技术手段。     

喷灌条件下夏玉米冠层对水量截留试验研究

以夏玉米为研究对象,采用水量平衡法对玉米各生育期在喷灌条件下的水量分布进行了试验和测定,计算了玉米各生育期的冠层截留量。试验结果表明:喷灌初始阶段,玉米冠层截留量随喷灌水量的增加而迅速增加,此后逐渐减缓直至达到最大冠层截留量。种植密度不同,玉米冠层截留量也不同。正常种植密度条件下,从拔节期到灌浆成熟期,冠层截留量随株高和叶面积指数的增大而线性增大,玉米拔节期到灌浆期冠层截留量在0.8~2.9mm之间变化。喷灌强度对冠层截留量的大小影响不明显。     

植保无人机下洗气流对作物冠层作用规律研究

植保无人机作业过程中,旋翼下洗气流不仅会对雾滴沉积效果产生影响,还会对作物冠层产生扰动作用。揭示冠层扰动区域的特点,有助于理解无人机作业特征,可为优化雾滴沉积效果和施药系统提供理论依据。本文通过航拍方法和机器视觉技术研究了无人机下洗气流对作物冠层的影响。结果表明:单旋翼和多旋翼无人机下洗气流所引起的作物冠层扰动区域特征有明显差异。悬停时,单旋翼无人机的冠层扰动区域呈环状,面积较大;多旋翼无人机呈圆形面积较小。作业时因受机身不对称结构影响,单旋翼无人机前进和倒退两种飞行姿态的冠层扰动区域特征有所不同,前进时冠层扰动区域面积小且不规则,倒退时,扰动区域面积较大且呈U状分布包裹机头;多旋翼无人机2种飞行姿态下冠层扰动区域面积和形状基本一致。作业速度对冠层扰动区域特征有显著影响。速度低时,扰动区域较为集中,呈近似椭圆形分布植株摆动剧烈;速度高时,下洗气流扫掠而过,扰动区域呈长条状分布,植株摆动很小。当P20型植保无人机速度为3、4、5、6 m/s时,冠层扰动区域平均滞后距离分别为1.77、2.71、3.61、4.31 m。扰动区域滞后距离和无人机飞行速度成正比,对两者关系进行回归分析,得出决定系数R~2为0.875 4。此外,速度越大,下洗气流对自然风的抵抗作用越弱,冠层扰动区域位置不稳定,不利于抑制雾滴漂移。     

基于无人机多源遥感的玉米LAI垂直分布估算

为探究无人机多源遥感影像估算玉米叶面积指数(Leaf area index, LAI)垂直分布，在田间设置了密度和播期试验，在7个生育时期利用无人机采集了可见光、多光谱和热红外影像并同步获取玉米LAI垂直分布数据。同时，为合理制定无人机飞行任务，分析了不同飞行高度和不同太阳高度角下获取的无人机影像对估算玉米LAI的影响。基于无人机影像提取的与玉米LAI相关性较高的植被指数、纹理信息和冠层温度等特征，利用7种机器学习方法分别构建了玉米冠层不同高度LAI估算模型，从中选取鲁棒性强的2个模型用于分析在不同飞行高度和不同太阳高度角下估算LAI的差异。研究结果表明，MLPR和RFR模型对玉米LAI估算鲁棒性最强，全生育期下模型rRMSE为11.31%(MLPR)和11.42%(RFR)。玉米冠层LAI垂直分布估算误差，所有模型的平均rRMSE分别为9.1%(LAI-1)、14.19%(LAI-2)、18.62%(LAI-3)、23.29%(LAI-4)和26.7%(LAI-5)。对于玉米穗位叶及以下部位的LAI估算误差均在20%以下，得到了较好精度。同时，在不同飞行高度和太阳高度角试验中可以得出...     

基于无人机多光谱影像的矮林芳樟叶片含水率与叶水势反演

叶片含水率和叶水势反映植物组织中水分的状态,是衡量植物水分供应和水分利用效率的重要指标。为探究基于不同高度下无人机多光谱影像反演叶片含水率和叶水势模型的差异,本研究在3个飞行高度处理F30、F60、F100 (30、60、100m)下采集多光谱影像数据,通过使用6种光谱反射率+经验植被指数的组合与地面实测数据进行相关性分析,获得不同飞行高度下的光谱反射率+经验植被指数组合与叶片含水率和叶水势的反演模型及其决定系数,以决定系数为依据分别构建支持向量机（SVM）、随机森林（RF）和径向基神经网络（RBFNN）模型,分析不同飞行高度无人机多光谱影像反演芳樟叶片含水率和叶水势的精度。结果发现：3个飞行高度下,基于RF模型的反演精度均高于SVM模型和RBFNN模型。F30处理对叶片含水率与叶水势反演效果均优于F60和F100处理。F30处理对叶片含水率反演的敏感光谱反射率+植被指数组合为红光波段反射率（R）、红边1波段反射率（RE1）、红边2波段反射率（RE2）、近红外波段反射率（NIR）、增强型植被指数（EVI）、土壤调节植被指数（SAVI）。RF模型训练集的R2、RMSE、MRE分别为0.845、0.548%、0.712%;测试集的R2、RMSE、MRE分别为0.832、0.683%、0897%。对叶水势反演的敏感光谱反射率+植被指数组合为R、RE2、NIR、EVI、SAVI、花青素反射指数（ARI）。RF模型训练集的R2、RMSE、MRE分别为0.814、0.073MPa、3.550%;测试集的R2、RMSE、MRE分别为0.806、0.095MPa、4.250%。研究结果表明飞行高度30m与RF方法分别为反演叶片含水率和叶水势的最优光谱获取高度与最优模型构建方法。本研究可为基于无人机平台的矮林芳樟水分监测提供技术支持,并可为筛选无人机多光谱波段与经验植被指数、实现植物长势参数快速估测提供应用参考。     

智能化无人机植保作业关键技术及研究进展

搭载高性能传感器和施药装备的农业植保无人机系统是精准农业领域具有代表性的智能装备之一。本研究首先从前端田间作业环境动态感知技术出发,阐述了无人机光谱成像遥感、多传感器融合的SLAM实时环境建模等技术在无人机植保作业方面的应用情况;然后对精准施药过程建模与优化控制有关的前沿技术进行了分析,包括旋翼下方风场结构演化及雾滴沉积过程仿真建模、多区域全覆盖条件下的智能作业路径规划、精准变量施药控制等;最后论述了作业效果评估与过程监管相关技术的发展现状,包括施药作业质量评价方法、基于云平台数据管理的全过程可视化监管等。在总结现有技术发展现状基础上,对未来智能化无人机植保关键技术发展趋势进行了预测,阐明了光谱图像获取与计算智能的深度学习识别聚类、基于高精度雾滴谱和风场模型预测的精准变量施药作业路径规划、基于传感器实时数据的作业质量评估和作业监管等新技术手段,将在遥感信息反演、药液飘移抑制、作业效率优化、施药过程管控等方面带来革命性的进步,使植保作业数据化、透明化,全过程可观化可控制,推动农业生产管理从机械化向智能化和智慧化迈进。     

玉米冠层LAI反演中UAV影像镜面反射去除方法

针对玉米叶片反射太阳光时因镜面反射导致获得的无人机影像反射率中存在与冠层结构无关的镜面反射部分,从而影响玉米冠层LAI的反演精度问题,本研究利用小波变换对无人机影像不同波段的阈值设置,在不影响漫反射的前提下削弱镜面反射成分,尽量只保留与冠层结构有关的反射率成分。以2018年7月15日和7月26日获取的河北农业大学辛集试验站多光谱无人机影像为数据源,构建了NDVI、GNDVI、SAVI和EVI 4个植被指数,并分别与ln(LAI)构建玉米冠层的单变量反演模型,利用决定系数和均方根误差进行LAI反演精度评价。精度评价结果表明,在7月15日玉米植株较稀疏时,去除镜面反射后,4个植被指数反演LAI与实测LAI的决定系数分别从0. 719 0、0. 559 8、0. 624 1、0. 598 5上升至0. 763 3、0. 694 0、0. 649 7、0. 619 4,均方根误差分别从0. 224 4、0. 252 6、0. 221 4、0. 224 5下降到0. 188 0、0. 195 8、0. 191 8、0. 198 7,说明去除镜面反射可以提高LAI的反演精度。在7月26日玉米植株相对茂密时,去除镜面反射后,4个指数构建模型对应的决定系数也同样提高,但在这种情况下,NDVI和GNDVI容易发生饱和,用阈值法降低反射率反而会加剧饱和现象,使这2个指数不能充分反映LAI的变化。SAVI和EVI因为加入了冠层背景调整因子,植被指数的变化得到放大,二者在去除镜面反射后与ln(LAI)拟合模型的决定系数都达到0. 6以上,因此,在植被覆盖较茂密时,SAVI指数和EVI指数更适合用于LAI反演。     

基于植物功能-结构模型的玉米-大豆条带间作光截获行间差异研究

间作种植形成了异质冠层空间结构,但因此导致的作物生长、表型和光截获的行间差异目前还少有定量化。为解析条带间作生产力的行间差异,本研究基于田间观测数据构建植物功能-结构模型（Functional-Structural Plant Model,FSPM）,量化间作系统中光截获的行间差异。于2017—2018年开展了玉米和大豆单作、2行玉米和2行大豆的2:2 MS间作以及3行玉米和6行大豆的3:6 MS间作田间试验。基于植物生长平台GroIMP开发了玉米-大豆间作的FSPM,模型较好地模拟了叶面积指数（Leaf Area Index,LAI）、株高和光截获系数动态三个指标,均方根误差（Root Mean Square Error,RMSE）分别为0.24～0.70 m²/m²、0.06～0.17 m和0.06～0.10。田间试验结果表明,间作种植显著增加了玉米节间直径。受玉米遮阴影响,大豆节间变长、变细,且随大豆条带变窄差异越明显。模型模拟的2:2 MS间作玉米光截获比单作玉米高35.6%,3:6 MS边行玉米和内行玉米的光截获分别比单作玉米高27.8%和20.3%。2:2 MS与3:6 MS边行大豆的光截获比单作大豆分别少36.0%和28.8%;3:6 MS大豆内I行和内II行比单作大豆的光截获分别少4.1%和1.8%。基于三维FSPM,未来可进行不同生长环境下间作种植模式等的布局优化,以达到最佳系统光截获优势。