基于无人机多光谱遥感的夏玉米叶面积指数估算方法

无人机多光谱遥感技术可以快速、无损地监测农作物叶面积指数（LAI）。为研究水分胁迫条件下，利用无人机多光谱植被指数估算夏玉米LAI的可行性，本研究基于无人机多光谱遥感系统，结合同时期实地采集的夏玉米LAI，选择5种植被指数，包括归一化差值植被指数（NDVI）、土壤调节植被指数（SAVI）、增强型植被指数（EVI）、绿度归一化植被指数（GNDVI）和抗大气指数（VARI），作为模型输入参数，使用随机森林回归算法建立全生育期不同灌溉条件下大田玉米冠层植被指数与LAI之间的关系模型，并与一元线性回归和多元线性回归算法建立的模型进行对比分析。结果表明，在充分灌溉条件下，植被指数的多元线性回归模型可以较好地估算LAI（R² = 0.83）；在水分胁迫条件下，植被指数的随机森林回归模型可以较好地估算LAI（R² = 0.74~0.87），水分胁迫因素对该模型影响较小，且NDVI和VARI对估算LAI的贡献最大。上述结果表明基于无人机多光谱遥感技术，使用随机森林回归算法估算多种灌溉条件下的夏玉米LAI是可行的。该研究为实现快速、准确地监测全生育期不同灌溉条件下的大田夏玉米LAI提供了技术和方法支持。     

基于无人机高光谱遥感数据的冬小麦产量估算

为了准确和高效地预测作物产量,以冬小麦为研究对象,利用无人机遥感平台搭载高光谱相机,获取了冬小麦各生育期的无人机影像。根据高光谱具有较多的光谱信息且存在特有的红边区域的特点,选取了9种植被指数和5种红边参数。首先,分析植被指数和红边参数与产量的相关性,优选5种植被指数和2种红边参数用于构建产量估算模型;然后,构建了不同生育期的3种产量估算模型:单参数线性回归模型、基于植被指数并使用偏最小二乘回归方法模型、基于植被指数结合红边参数并使用偏最小二乘回归方法模型;最后利用3种模型分别估算冬小麦产量。结果表明:4个生育期内,大部分植被指数和红边参数与产量呈现极显著相关性;拔节期、挑旗期、开花期与灌浆期构建的单参数线性回归模型中表现最佳的参数分别为REP、Dr/Drmin、GNDVI与GNDVI;利用偏最小二乘回归方法提高了产量估算精度,以植被指数结合红边参数为因子构建的模型提高了产量估算效果(优于以植被指数为因子构建的产量模型)。本研究可为无人机高光谱估算作物产量提供参考。     

基于Stacking法的无人机光谱遥测冬小麦产量

【目的】精确、高效地预测作物产量。【方法】以冬小麦为研究对象,利用无人机搭载多光谱相机,获取抽穗期、开花期和灌浆期的多光谱图像数据。根据多光谱波段选取对产量敏感的14种植被指数,并优选出与产量极显著相关的13种植被指数;基于优选出的植被指数分别建立各生育期的MLR、PLSR、SVM和Cubist产量估算初级模型进行对比分析,并利用Stacking方法集成初级学习器模型分别建立各个时期MLR和Cubist次级产量估测模型。【结果】随着冬小麦生长阶段的发展,各植被指数与产量的相关性逐渐增大,在灌浆期达到最大值0.67;对比4个初级学习器模型精度,Cubist模型在抽穗期、开花期和灌浆期的估产精度均为最高;利用Stacking方法构建的次级学习器模型以Cubist模型的估产效果最佳,MLR和Cubist模型的估产精度在各个时期均得到了提升。【结论】基于Stacking方法融合估产模型能够显著提升冬小麦的产量估算精度,为今后的估产研究提供参考。     

基于多时相无人机遥感植被指数的夏玉米产量估算

为建立夏玉米无人机遥感估产模型,正确评价规模化农业经营管理和用水效率,以内蒙古自治区规模化种植的夏玉米为研究对象,设置了5个不同水分处理的实验区域,每个实验区域布置了3个样区,利用自主研发的多旋翼无人机多光谱遥感平台,对夏玉米进行多时相的遥感监测。采用牛顿-梯形积分和最小二乘法,构建了基于多种植被指数和多种生育期对应的夏玉米实测产量的6种线性模型,并采用阈值滤波法减少土壤噪声对模型精度的影响。结果显示,不同生育期的玉米估产模型精度存在显著差异。单一生育期中,精度由高到低依次为:抽雄期、吐丝期、蜡熟期、拔节期,最优植被指数为EVI2(决定系数R^2=0.72,均方根误差RMSE为485.46 kg/hm^2);多生育期的最优植被指数为GNDVI(R^2=0.89,RMSE为299.35 kg/hm^2)。经过土壤滤波后,拔节期和多生育期的R^2提升显著,其中基于植被指数GNDVI、MASVI2、EVI2的多生育期估产模型的决定系数R2提升到0.87以上。多生育期的无人机遥感估产优于单生育期,最优估产植被指数为GNDVI,阈值滤波法可以有效提升估产精度,优化后基于植被指数的无人机遥感估产模型可以快速有效诊断和评估作物长势和产量。     

基于高分一号卫星数据的冬小麦叶片SPAD值遥感估算

以陕西省关中地区冬小麦不同生育期冠层高光谱反射率为数据源,模拟国产高分辨率卫星高分一号(GF-1)的光谱反射率,提取18种对叶绿素敏感的宽波段光谱指数,构建了基于遥感光谱指数的冬小麦叶片叶绿素相对含量(SPAD)遥感监测模型,并利用返青期的GF-1卫星数据对研究区的冬小麦叶片SPAD值进行了估算和验证。结果表明:返青期、孕穗期和全生育期SPAD值均与TGI指数相关性最高,相关系数分别为-0.742、-0.740和-0.483。拔节期和灌浆期SPAD值分别与SIPI指数和GNDVI指数相关性最高,相关系数分别为0.788和0.745。GNDVI、GRVI和TGI植被指数在各个生育期都和冬小麦叶片SPAD含量在0.01水平下呈显著相关。基于此3类植被指数构建的冬小麦叶片SPAD值回归模型精度较高,其中基于随机森林回归算法的估算模型效果最优,各类模型均在冬小麦拔节期的预测效果最佳。GF-1号卫星数据结合SPAD-RFR模型对研究区冬小麦叶片SPAD的估算结果最为理想,可用于大面积空间尺度的冬小麦叶片SPAD值遥感监测。     

基于无人机遥感植被指数优选的覆膜冬小麦估产研究

为进一步提高无人机遥感估产的精度,本研究以2021—2022年的覆膜冬小麦为研究对象,对返青期、拔节期、抽穗期和灌浆期的多光谱影像进行覆膜背景剔除,并优选最佳遥感窗口期,基于最优植被指数构建覆膜冬小麦估产模型。结果表明,利用支持向量机监督分类法剔除覆膜背景后冠层反射率更接近真实值,抽穗期和灌浆期的估产精度更高。将不同生育期的植被指数与产量进行相关性分析发现,最佳遥感窗口期为抽穗期。基于逐步回归和全子集回归法优选最优植被指数时发现,基于逐步回归法筛选变量为MCARI、MSR、EVI2、NDRE、VARI、NDGI、NGBDI、ExG时产量反演模型精度最高。此外,利用偏最小二乘法、人工神经网络和随机森林3种机器学习法构建的产量反演模型中,基于逐步回归法的随机森林模型的反演精度最高,R2为0.82,RMSE为0.84t/hm2。该研究可为提高遥感估产精度、实现农业生产精细化管理提供技术支持。     

基于无人机多时相植被指数的冬小麦产量估测

通过无人机搭载多光谱相机,对不同水分亏缺条件下冬小麦多个生育期进行遥感监测,采用不同种类多光谱植被指数表征冬小麦的生长特征,分析了植被指数与冬小麦产量的相关关系,并利用多时相植被指数构建产量估测数据集,采用偏最小二乘回归、支持向量机回归和随机森林回归3种机器学习算法进行冬小麦产量估测。结果表明,随着冬小麦的生长,多个植被指数与产量的相关性不断增强,灌浆末期相关系数达到0.7,植被指数与产量的线性回归决定系数也达到最大。多时相植被指数反映了冬小麦生长的变化特征,进一步提高了冬小麦产量估测精度,采用开花期和灌浆初期的多时相植被指数进行估产比采用单个生育期的植被指数估测产量的精度高,采用偏最小二乘回归模型的估测精度R²提高约0.021,支持向量机回归模型R²提高约0.015,随机森林回归模型R²提高约0.051。采用灌浆末期的多时相植被指数,3种模型均有较高的估测精度,偏最小二乘回归模型估测精度最高时的R²、RMSE分别为0.459、1 822.746 kg/hm²,支持向量机回归模型估测精度最高时的R²、RMSE分别为0.540、1 676.520 kg/hm²,随机森林回归模型估测精度最高时的R²、RMSE分别为0.560、1 633.896 kg/hm²,本文数据集训练的随机森林回归模型估测精度最高,且稳定性更好。     

冬小麦SPAD值无人机可见光和多光谱植被指数结合估算

SPAD（Soil and plant analyzer development）值能够反映作物叶片叶绿素含量,是表征作物健康状态的重要指标。采用无人机搭载可见光和多光谱相机同步获取冬小麦可见光和多光谱影像,同时获取冬小麦叶片SPAD值,探究了可见光和多光谱植被指数与SPAD值的关系,将可见光植被指数与多光谱植被指数相结合进行SPAD值估算,利用逐步回归和随机森林回归方法估算SPAD值,并将估算结果进行对比,筛选出冬小麦叶片SPAD值的最优估算模型。结果表明,SPAD值与可见光植被指数（IKAW和RBRI）、多光谱植被指数（GNDVI、CI、GMSR和GOSAVI）具有较好的相关性,与可见光植被指数（CIVE）和多光谱植被指数（GNDVI）的相结合指数具有较好的相关性,其估算模型的R2为0.89,模型验证的RMSE为2.55,nRMSE为6.21%。研究表明,可见光植被指数与多光谱植被指数相结合指数逐步回归和随机森林回归模型估算SPAD值的精度高于仅用可见光植被指数或多光谱植被指数,采用逐步回归的估算模型R2为0.91,模型验证R2、RMSE和nRMSE分别为0.89、2.32和5.64%,采用随机森林回归的估算模型R2为0.90,模型验证R2、RMSE和nRMSE分别为0.88、2.51和6.12%。     

基于低空无人机遥感的高粱生长状况监测

配备多光谱相机的无人机可实现对农作物生长状况的快速无损监测,为评估无人机遥感监测高粱作物长势的可行性和准确性,利用无人机搭载的多光谱相机获取高粱拔节期、抽穗开花期、灌浆成熟期多光谱遥感图像,构建常用的4种植被指数与叶面积指数LAI和植被覆盖度FVC之间的回归模型。经过精确度评价,确定归一化差异植被指数NDVI为最优植被指数,LAI-NDVI和FVC-NDVI估算模型的决定系数R~2分别为0.91和0.88,均方根误差RMSE分别为0.28和0.06;平均绝对误差MAPE分别为11%和8%。基于此,选择归一化差异植被指数NDVI,分析LAI和FVC无人机遥感估算值和实测值之间的关系,通过交叉验证得到LAI值:R~2=0.94,RMSE=0.16,MAPE=13%;FVC值:R~2=0.90,RMSE=0.05,MAPE=4%,说明两者存在高度拟合性。结果表明:根据无人机遥感得到的归一化差异植被指数NDVI可准确地估算高粱作物的叶面积指数和植被覆盖度,无人机遥感适用于对高粱作物生长状态的监测。     

基于无人机多光谱遥感的玉米FPAR估算

为了探究无人机多光谱遥感影像估算作物光合有效辐射吸收比例（Fraction of absorbed photosynthetically active radiation,FPAR）的潜力,以无人机多光谱影像提取的植被指数、纹理指数、叶面积指数为模型输入参数,在分析不同参数与FPAR相关性的基础上优选植被指数与纹理指数,并分别以一元线性模型、多元逐步回归模型、岭回归模型、BP神经网络模型等方法估算玉米FPAR。结果表明：植被指数、纹理指数、叶面积指数 3种参数与FPAR都具有较强的相关性,其中植被指数相关系数最大;在不同类型的FPAR估算模型中,BP神经网络模型的估算效果最优,FPAR估算模型决定系数R2、均方根误差（RMSE）分别为0.857、0.173,验证模型R2、RMSE分别为0.868、0.186,模型估算值与田间实测值间相对误差（RE）为8.71%;在不同形式的模型参数组合中,均以植被指数、纹理指数、叶面积指数 3种参数融合的FPAR模型的估算与验证效果最优,说明多特征参数融合能有效改善FPAR估算效果。该研究为基于无人机多光谱遥感数据精准估算玉米FPAR及生产潜力提供了科学依据。     

基于遥感多参数和CNN-Transformer的冬小麦单产估测

为了提高冬小麦单产估测精度,改善估产模型存在的高产低估和低产高估等现象,以陕西省关中平原为研究区域,选取旬尺度条件植被温度指数（VTCI）、叶面积指数（LAI）和光合有效辐射吸收比率（FPAR）为遥感特征参数,结合卷积神经网络（CNN）局部特征提取能力和基于自注意力机制的Transformer网络的全局信息提取能力,构建CNN-Transformer深度学习模型,用于估测关中平原冬小麦产量。与Transformer模型（R2为0.64,RMSE为465.40kg/hm2,MAPE为8.04%）相比,CNN-Transformer模型具有更高的冬小麦单产估测精度（R2为0.70,RMSE为420.39kg/hm2,MAPE为7.65%）,能够从遥感多参数中提取更多与产量相关的信息,且对于Transformer模型存在的高产低估和低产高估现象均有所改善。基于5折交叉验证法和留一法进一步验证了CNN-Transformer模型的鲁棒性和泛化能力。此外,基于CNN-Transformer模型捕获冬小麦生长过程的累积效应,分析逐步累积旬尺度输入参数对产量估测的影响,评估模型对于冬小麦不同生长阶段的累积过程的表征能力。结果表明,模型能有效捕捉冬小麦生长的关键时期,3月下旬至5月上旬是冬小麦生长的关键时期。     

基于无人机多光谱遥感的矮林芳樟叶片精油产量反演

芳樟(Cinnamomum camphora(Linn.)Presl)精油在林业经济发展中具有巨大市场潜力,多光谱遥感产量预测是高效反演芳樟精油产量的新方式。本研究以矮林芳樟收获期精油产量为研究对象,利用无人机多光谱遥感技术,筛选敏感植被指数作为输入变量,以地面同步观测的精油产量作为输出变量,采用支持向量机(Support vector machine, SVM)、随机森林(Random forest, RF)和反向传播神经网络(Back propagation neural network, BPNN)3种机器学习方法构建矮林芳樟精油产量预测模型。结果表明,修改型土壤调节植被指数(MSAVI)、优化土壤调节植被指数(OSAVI)、重归一化植被指数(RDVI)、土壤调整植被指数(SAVI)和非线性植被指数(NLI)对矮林芳樟精油产量呈现较高敏感性,其相关系数R分别为0.765 1、0.813 1、0.771 1、0.779 4、0.818 3。SVM、RF、BPNN 3种机器学习方法构建的矮林芳樟精油产量预测模型训练集的决定系数R²分别为0.723、0.853、0...     

基于无人机多光谱遥感的大豆生长参数和产量估算

为适应现代农业发展对作物生长动态、连续、快速监测的要求，本文基于无人机多光谱遥感技术，以西北地区大豆作为研究对象，分别筛选出与大豆叶面积指数(Leaf area index, LAI)、地上部生物量和产量相关性较好的5个植被指数，采用支持向量机(Support vector machine, SVM)、随机森林(Random forest, RF)和反向神经网络(Back propagation neural network, BPNN)分别构建了大豆LAI、地上部生物量和产量的估计模型，并对模型进行了验证。结果表明，基于RF模型构建的大豆LAI和地上部生物量预测模型的精度显著高于SVM与BP模型，LAI估计模型验证集的R²为0.801,RMSE为0.675 m²/m²,MRE为18.684%;地上部生物量估算模型验证集的R²为0.745,RMSE为1 548.140 kg/hm²,MRE为18.770。而在产量的估算模型构建中，在大豆开花期(R4)基于RF模型构建的大豆产量预...     

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。     

基于NDWI和卷积神经网络的冬小麦产量估测方法

为进一步提高冬小麦单产估测的效率和准确性,利于宏观指导农业生产、制定冬小麦整个生长期的精准管理决策,针对目前已有的县域冬小麦单产估测方法存在时效性差、准确度低、成本高等问题,以中分辨率成像光谱仪（Moderate resolution imaging spectroradiometer, MODIS)为数据源,分别提取不同时段可见光与近红外波段信息,选择归一化差值植被指数（Normalized difference vegetation index, NDVI）、归一化差值水指数（Normalized difference water index, NDWI）、土壤调节植被指数（Soil adjusted vegetation index, SAVI）、调整土壤亮度植被指数（Optimal soil adjusted vegetation index, OSAVI)、绿色归一化植被指数（Green normalized difference vegetation index, GNDVI)、改进型土壤调节植被指数（Modified soil adjusted vegetation index, MSAVI)以及绿红植被指数（Green red vegetation index, GRVI）7个遥感植被指数,以其直方图分布信息作为输入变量,应用卷积神经网络（Convolutional neural network, CNN）回归预测冬小麦产量,对比分析NDWI在冬小麦产量估测上的表现并探究其在霜冻害影响下的精度变化。研究表明,相对于植被指数NDVI、SAVI、OSAVI、GNDVI、MSAVI、GRVI,NDWI对冬小麦生育早期的产量预测表现出更好的预测效果,单产去趋势前后的NDWI对产量的预测精度均高于NDVI、SAVI等植被指数,决定系数最高可达到0.79,且在霜冻害影响下仍能保持较好的预测效果;NDWI在抽穗—灌浆阶段对冬小麦最终产量影响最大,4月23—30日时间段内NDWI对产量的决定系数可达到0.72;空间分布上,研究区域冬小麦具有东部单产最高、中部次之、西部单产最低的空间分布特征,西部和北部山区与东部黄淮海平原交界处误差较大。研究结果可为冬小麦生育早期产量预测提供科学依据。