基于无人机可见光图像的夏季玉米植被覆盖度提取方法

为准确快速获取夏季玉米四叶期、拔节期、抽穗期和花粒期的植被覆盖度信息,利用无人机获取玉米田间可见光图像,对图像可见光波段提取的多种植被指数进行分析和比较,选择差异植被指数(Visible-band difference vegetation index,VDVI)、过绿指数(Excess green,EXG)和归一化绿蓝差异指数(Normalized green-blue difference index,NGBDI),结合监督分类提取了玉米4个时期的植被覆盖度信息。通过对试验田4个阶段的单幅图像监督分类处理,将其目标物分为土壤和玉米植被两类;分别统计监督分类后图像中土壤和玉米的VDVI像元直方图,将两者的像元直方图交点作为植被覆盖度提取阈值,同理获得EXG和NGBDI对应的玉米植被覆盖度提取阈值;利用获取的玉米植被3种覆盖度提取阈值,对玉米4个时期的植被覆盖度进行提取,并对提取精度进行了验证。结果表明,VDVI对应4个生长时期的植被覆盖度提取误差分别为1. 21%、4. 88%、2. 31%和3. 61%; EXG对应的植被覆盖度提取误差分别为1. 38%、1. 25%、0. 89%和0. 33%; NGBDI提取误差为1. 61%、3. 31%、1. 99%和3. 25%,EXG在夏季玉米4个生长时期的植被覆盖度提取效果最好。将玉米4个生长时期单幅图像确定的阈值作为固定阈值,对剔除确定阈值的单幅图像的试验田全景图像进行植被覆盖度提取,并对提取效果进行验证。结果表明,采用监督分类与可见光植被指数统计直方图相结合确定阈值的方法提取玉米植被覆盖度效果较好。     

谈谈渔船消防检验中值得注意的几个问题

谈谈渔船消防检验中值得注意的几个问题杨焕波（农业部渔船检验局大连检验处１１６０２３）关键词：渔船，消防，检验随着海洋渔业的迅速发展，船只数量逐年增加，相应各类海损事故也呈上升趋势。据统计，其中火灾事故所占的比例占事故总数的３—４％，但重大火灾损失较大...     

基于像元二分法的冬小麦植被覆盖度提取模型

【目的】快速准确提取冬小麦返青期植被覆盖度信息。【方法】利用无人机获取田间冬小麦可见光图像,提取图像中4种常见可见光植被指数;在像元二分法原理的基础上,分别构建基于差异植被指数(Visible-band difference vegetation index,VDVI)、过绿指数(Excess green,EXG)、归一化绿蓝差异指数(Normalized green-blue difference index,NGBDI)和归一化绿红差异指数(Normalized green-red difference index,NGRDI)的植被覆盖度提取模型,采用支持向量机(Support vector machine,SVM)监督分类结果作为真值对各模型进行精度验证。【结果】4种模型中,利用VDVI植被覆盖度提取模型获取的植被覆盖度精度最高,提取效果较好。与监督分类结果对比,4种植被覆盖度提取模型的提取误差(EF)分别为3.36%、15.68%、8.74%和15.46%,R2分别为0.946 1、0.934 4、0.695 3和0.746 0,均方根误差(RMSE)分别为0.021 9、0.059 5、0.042 0和0.055 9。【结论】采用可见光植被指数结合像元二分法构建植被覆盖度提取模型实现了冬小麦返青期植被覆盖度准确快速提取,为植被覆盖度提取提供了一种新途径,可为无人机遥感监测提供参考。     

基于无人机多光谱遥感图像的玉米田间杂草识别

【目的】为了精确高效识别玉米田间杂草,减少除草剂施用,提高玉米种植管理精准性。【方法】通过六旋翼无人机搭载多光谱相机获取玉米田块多光谱图像。为分离图像中植被与非植被像元,计算了7种植被指数,采用最大类间方差法提取植被指数图像中非植被区域,制作掩膜文件并对多光谱图像掩膜。通过主成分分析对多光谱图像进行变换,保留信息量最多的前3个主成分波段。将试验区域分为训练区域和验证区域,在训练区域中分别选取了675处玉米和525处杂草样本对监督分类模型进行训练,在验证区域选取了240处玉米样本及160处杂草样本评价模型分类精度。将7种植被指数、3个主成分波段的24个纹理特征及经过滤波的10个反射率,共计41项特征作为样本特征参数。利用支持向量机-特征递归消除算法（support vector machines-feature recursive elimination,SVM-RFE）和Relief算法从41项特征中各筛选14项特征构成特征子集,采用支持向量机、K-最近邻、Cart决策树、随机森林和人工神经网络对特征子集进行监督分类。【结果】支持向量机与随机森林对全部特征及2个特征子集分类效果较好,支持向量机总体精度为89.13%—91.94%,Kappa>0.79,随机森林总体精度为89.27%—90.95%,Kappa>0.79。【结论】SVM-RFE算法对数据降维效果优于Relief算法,支持向量机（SVM）模型对区域冠层尺度下玉米与杂草的分类效果最好。