基于高光谱和激光雷达遥感的水稻产量监测研究

【背景】快速、准确地估算水稻产量对于肥水精确管理及国家粮食政策的制定至关重要。高光谱与激光雷达遥感作为2种不同的主被动监测技术,为水稻长势信息获取提供了多样化手段。【目的】对比2种遥感监测手段在不同生态点的独立数据集中的验证精度,寻求可移植性强的产量估算模型,对水稻长势监测提供理论与技术支撑,及为精确农业提供科学指导具有重要意义。【方法】本研究通过实施3年（2016—2018年）包含不同地点、不同品种与不同氮素水平的水稻田间试验,在抽穗后各时期同步获取点云数据和光谱数据,结合线性回归与随机森林回归来估算产量,探究抽穗后点云数据与光谱数据估算水稻产量的差异;同时评估产量模型在不同数据集的时空可移植性,寻求可移植性强的产量估算模型。【结果】利用点云数据估算产量的精度（R² = 0.64—0.69）优于光谱数据的估算精度（R² = 0.20—0.58）;基于线性回归的产量估算模型,其验证精度明显优于基于随机森林回归的产量模型;产量模型在同一生态点的可移植性更强（不同生态点：RRMSE 16.69%—17.85%;同一生态点：RRMSE 11.37%—12.41%）。【结论】本研究为抽穗后水稻产量监测提供了新的方法和不同遥感手段的性能比较,为收获前作物产量的实时估算提供重要支撑。激光雷达技术凭借其全天候工作的特点,在长江中下游水稻产量实时监测中有着较好的应用前景。     

依据BP神经网络的机载LiDAR数据估算林分平均高

以东北虎豹国家公园范围内的针叶纯林为研究对象,结合2018年9月机载LiDAR点云数据和同步地面调查数据,提取半径为15 m的圆形采样尺度下的LiDAR点云特征变量为数据基础,采用BP神经网络算法、逐步回归法分别构建林分算术平均高模型和林分加权平均高模型,实现对林分平均高的估测.其中在利用BP神经网络算法构建模型时分别选择了贝叶斯正则化算法和L-M算法作为神经网络训练算法.结果表明:BP神经网络算法对数据具有更好地解释能力,其构建的林分平均高模型相关系数(R2)均在87％以上,高于逐步回归法构建的林分平均树高模型;林分加权平均高模型精度更高,用样地加权平均高作为实测值时,采用逐步回归算法、BP神经网络L-M算法、BP神经网络贝叶斯正则化算法构建的模型的检验样地数据的决定系数(R2)分别为0.858、0.919、0.908,树高估测精度(P)分别为88.6％、89.8％、91.2％,与以林分算术平均高作为实测值构建的估测模型相比,决定系数(R2)分别提升了4.9％、3.7％、3.4％,估测精度(P)分别提升了2.9％、2.4％、1.5％;BP神经网络的不同训练函数之间无明显性能差异,两种不同训练方法构建的林分平均高模型的决定系数R2及树高估测精度(P)略有差异,但整体相差较小.     

三维激光雷达果园路面不平度采集试验与分析

以果园典型路面不平度的采集为研究对象,建立基于激光雷达点云处理的路面不平度采集方法,搭建了基于三维激光雷达的路面不平度采集系统平台,结合点云处理技术完成路面高程信息的提取;采用AR(auto regressive,自回归)模型依据比例分析法对路面功率谱密度进行计算,确定不平度等级,并通过加速度振动记录仪进行系统验证,利用系统开展典型果园路面不平度数据信息采集试验。试验结果显示,果园路面不平度结果为水泥路面主要集中在B级,B级占比82.33%;砂石路面主要集中在C级,C级占比84.00%;泥土路面主要集中在D、E等级,D级路面占比48.67%,E级占比31.00%,表明基于三维激光雷达采集系统与数据处理方法在果园路面不平度采集和评价上是可行的。最终不平度评价结果显示,三维激光雷达果园路面不平度采集系统应用可靠,评价结果准确,适合于山地林、果、茶园路面不平度的采集。     

基于激光雷达技术估算钱江源国家公园森林的地上生物量

  目的  采用激光雷达结合地面调查的方法,拟合并预测钱江源国家公园森林的地上生物量,为国家公园森林生态系统保护和动物生境质量评估提供基础数据。  方法  采用冠层结构指数量化亚热带常绿阔叶林的冠层高度和垂直复杂度,并结合地面调查数据和地形数据,用模型拟合和预测钱江源国家公园的地上生物量。  结果  冠层结构指数中,与地上生物量的相关程度从大到小依次为冠层平均高度、冠层垂直复杂度、冠层最大高度。钱江源国家公园生物量分布主要在27.24 ~ 210.31 Mg/hm2（0.05 ~ 0.95分位数）,平均为111.21 Mg/hm2,总的生物量约为2.57 × 106 Mg。  结论  结合冠层指数和地形变量能较好地模拟和预测钱江源国家公园地上生物量。钱江源国家公园有大面积低海拔集中分布的常绿阔叶林,冠层平均高度和冠层垂直复杂度都比较大,地上生物量高;同时,也有大面积人工林和次生林,这些人工林和次生林主要分布在国家公园成立后才开始保护的两个片区,冠层平均高度和冠层垂直复杂度小,地上生物量较低,有待进一步恢复。      

基于机载LiDAR点云估测林分的平均树高

以内蒙古上库力农场为研究区,基于高程归一化后的植被点云数据计算了植被点云高度阈值平均值,建立林分平均树高线性回归模型,并进行精度评定。结果表明,模型估测平均树高精度最高为99.81%,最低为87.09%,总体平均精度为94.56%。利用植被点云高度阈值平均值估测林分平均树高具有较高的可靠性。     

基于单线激光雷达的割草机器人建图方法研究

针对单线激光雷达无法感知形状不规则的花丛问题,提出一种基于单线激光雷达的3D-SLAM方法,解决单线激光雷达不能实现多平面感知的问题。设计一个自动升降激光雷达高度装置,该装置主要由丝杆滑台、步进电机、雷达架、单线激光雷达等组成,通过丝杆滑台滑块的水平进给,控制激光雷达竖直运动。割草机器人在工作时,通过激光SLAM（同步建图与定位）技术检测障碍物信息,ROS（机器人操作系统）系统根据不规则障碍物的高度做出相应对策。通过对不同状态的建图效果进行量化和对比分析,试验结果表明：改进后与改进前相比,相对误差率降低1.04%;漏检率降低为0;避障率提高93.33%。本研究为割草机器人的准确定位与避障提供理论依据。     

基于激光雷达的果园树干检测

为探索激光雷达在农业机器人环境理解和导航中的应用,研究一种基于改进DBSCAN算法的果园树干检测算法。该算法使用自适应密度阈值和聚类半径对不同距离处数据点进行聚类和整合,以克服DBSCAN算法对全局变量值敏感的缺点。针对激光雷达可能扫到地面造成机器人误检的问题,采用机器人航位推算模型计算当前帧数据中待定类的距离,通过与前一帧数据中对应类距离的比较判定待定类的类别,进而对地面干扰类进行排除。试验结果表明:1)机器人正常行走时本算法能够排除噪声准确识别树干类点;2)存在果树分枝或地面干扰时,有少量漏检,平均误判果树数目为-0.13棵,能够区分出地面类和果树类。该研究可以应用到农业机器人果园环境理解和导航中。     

基于星载ICESat-2/ATLAS数据的森林地上生物量估测

为探讨星载激光雷达数据ICESat-2（Ice,Cloud,and land Elevation Satellite-2）在山地森林地上生物量（Aboveground Biomass,AGB）的估测可行性和方法。以ATLAS（Advanced Terrain Laser Altimeter System）光子点云数据为主要信息源,以滇西北典型山地香格里拉为研究区,结合地面54块实测生物量遥感样地,在前期进行点云数据去噪、分类预处理基础上,对研究区74 873个林地光斑进行冠层参数及地形因子的提取（共计53个变量）,采用非参数模型随机森林回归和超参数优化后的随机森林进行建模,以均方根误差（Root Mean Square Error,RMSE）、决定系数（R2）、总体估测精度（P1）作为模型的评价指标,建立研究区AGB模型。研究结果表明：1）分析以ICESat-2/ATLAS提取的冠层参数、地形因子与生物量的相关性可知,冠层光子总数与生物量具有极显著相关性（P<0.01）,基于陆地卫星的乔木冠层百分比、冠层光子比率、坡度、光子总数、表观反射率与生物量具有显著相关性（0.01相似文献   

基于激光雷达的巡检机器人导航系统研究

智能巡检机器人能够高效、可靠地完成巡检任务,降低工作人员的劳动强度,准确、稳定的导航定位是巡检机器人执行巡检任务的基础。本文研究了基于激光雷达的巡检机器人导航系统,可实现机器人在室内外环境下的地图建立、路径规划和导航定位。导航系统由远程监控平台与巡检机器人组成,远程监控平台发布巡检任务、监控机器人状态、查询与存储检测数据,巡检机器人可实现自主导航定位、遍历检测点、执行数据采集等巡检任务,二者通过无线网络实现远程数据交互。融合激光雷达与编码器信息,使用高鲁棒性Gmapping算法建立二维环境地图。根据地图与检测点信息,采用分支界定算法搜索最优巡检路线,以减少巡检时间和能源消耗。使用自适应蒙特卡罗定位(AMCL)算法估计机器人位置和姿态,结合巡检路线,进行导航定位。根据横向偏差与航向偏差,通过经典的PID算法完成机器人驱动控制。机器人搭载可见光相机与红外相机,可对目标进行可见光通道与红外通道的融合图像检测。对巡检机器人进行了室内导航定位试验,试验结果表明,在1 m/s的速度下,位置与航向偏差的平均绝对误差(MAE)分别小于5 cm和1.1°,标准差(SD)分别小于5 cm和1.5°,能够满足巡检导航定位的要求。     

地基激光雷达提取单木冠层结构因子研究

在传统森林计测中,由于树木冠层的形态各异、结构复杂,往往难以精确获取结构因子。本文以地基激光雷达为工具,通过对单木扫描获取点云数据,基于球极平面投影和Lambert方位角等面积投影法计算冠层孔隙度,运用不规则面投影法和体元法提取树冠的体积和表面积,并对结果进行了对比分析。选取北京林业大学校园内6株立木为研究对象,结果表明,对于冠层孔隙度,球极平面投影的结果均小于Lambert方位角等面积投影,平均误差为0.03;对于体积和表面积,运用不规则面投影法和体元法得到树冠体积相对误差为5.32%~12.43%,平均相对误差为9.29%,提取的树冠表面积的相对误差为1.40%~5.21%,平均相对误差为3.33%。2种方法得到的结果差别不是很显著。因此利用地基激光雷达获取点云数据,通过对单木一次扫描提取冠层孔隙度、树冠体积和表面积,为计算树木的三维绿量、生物量、光合作用能力等提供了更可靠的数据支持。