基于无人机偏振遥感的水稻冠层氮素含量反演模型

受水稻冠层几何结构的影响,传统的无人机高光谱获取到的反射光谱信息中包含与水稻内部组成物质无关的镜面反射信息,从而影响水稻氮素含量的反演精度,因此在利用无人机获取水稻冠层反射光谱信息时,有必要考虑通过偏振测量技术去除反射光谱中的镜面反射分量,进而实现提升水稻氮素含量反演精度的目的。基于无人机偏振遥感测量得到的水稻分蘖期多角度偏振光谱数据和与之对应的氮素含量数据,采用植被指数方法分析二者之间的相关性,得到了水稻冠层偏振光谱数据与其对应氮素含量相关性最高时对应的角度,选取该观测角度下的偏振光谱数据,利用连续投影法(Successive projections algorithm, SPA)提取特征波段,在此基础上,基于数学变换的方法,提出了构建植被指数的新思路,构建了由2个波段组成的偏振光谱植被指数(Polarisation spectrum vegetation index, PSVI),并利用线性回归方法建立水稻冠层氮素含量的反演模型。结果表明,通过对不同观测天顶角下水稻冠层偏振光谱数据与氮素含量相关性分析,得到最佳观测角度为-15°(后向观测15°);利用连续投影法提取得到该角度下偏振...     

基于Lab颜色空间的非监督GMM水稻无人机图像分割

为解决传统水稻冠层图像分割算法性能在很大程度上依赖于训练数据集的质量,且分割效果易受田间多变光照强度影响,导致水稻生产参数估计精度不高等问题,提出一种基于Lab颜色空间的非监督贝叶斯方法,用于田间水稻无人机图像分割。模型参数从每个独立、未标记的无人机图像直接学习获得,无需训练。不同图像会有不同的模型参数,该算法能够适应各种不同环境拍摄的图像。将提出的算法应用于分蘖后期田间水稻的无人机图像分割,并与RGB-GMM、HSV-GMM和All-GMM算法进行对比,在高度10 m图像中平均查全率、平均查准率和平均F1值分别为0.8427、0.7570和0.7948,在高度15 m图像中分别为0.8756、0.7133和0.7788,优于RGB-GMM、HSV-GMM和All-GMM算法。研究表明,本文提出的方法可以从复杂大田环境拍摄的无人机影像中准确提取水稻像素。     

基于CARS-RUN-ELM算法的水稻叶片氮磷含量协同反演方法

同时反演氮、磷元素含量相对于单一元素反演可以更加全面地表达水稻的营养状况,为快速、准确获取水稻叶片氮、磷含量和精准变量施肥提供依据。该研究基于不同氮肥处理的田间小区试验,获取水稻叶片氮、磷含量数据,采用竞争性自适应重加权采样法（Competitive Adapative Reweighted Sampling,CARS）筛选氮素与磷素共同特征波长,以特征波长反射率为输入,以化学方法测得叶片氮、磷元素含量为输出,分别使用反向传播神经网络、极限学习机（Extreme Learning Machine,ELM）、龙格-库塔算法优化极限学习机（RUNge Kutta optimizer-Extreme Learning Machine,RUN-ELM）构建水稻叶片氮、磷含量反演模型并分析。结果表明：采用CARS方法有效去除了高光谱中大量无用、冗余信息,得到5个氮、磷元素共同特征波长,去除具有共线性的特征波长,最后筛选出的特征波长分别是451、488、780、813 nm。使用筛选后的特征波长反射率构建RUN-ELM水稻叶片氮、磷含量反演模型效果最好,氮素训练集的决定系数R2为0.690,均方根误差为0.669 mg/g,磷素训练集的决定系数R2为0.620,均方根误差为0.027 mg/g。通过对比,RUN-ELM在预测能力、模型稳定性上优于反向传播神经网络以及ELM模型。综上研究,基于CARS-RUN-ELM的水稻叶片氮、磷含量反演模型可以快速、准确获取水稻叶片氮、磷含量,可为水稻精准施肥提供参考。     

基于无人机高光谱遥感的水稻氮营养诊断方法

氮亏缺量能够直接反映作物氮营养缺失程度,快速、大面积获取水稻氮亏缺量信息对实现水稻精准施肥具有重要意义。而现有的研究大都集中于利用无人机遥感监测水稻氮营养情况,对氮亏缺量本身的研究较少。本研究基于无人机高光谱遥感获取冠层光谱数据、通过田间采样获取水稻农学数据,研究东北地区水稻临界氮浓度曲线构建方法,在此基础上确定水稻氮亏缺量;以氮亏缺量约等于0状态下光谱为标准光谱,分别对光谱反射率进行比值、差值、归一化差值变换,通过竞争性自适应重加权采样法对原始光谱反射率与变换后光谱反射率进行特征波长提取,并以二者提取的特征波长为输入变量,氮亏缺量为输出变量,分别构建基于多元线性回归、极限学习机与蝙蝠算法优化极限学习机3种算法的水稻氮亏缺量反演模型。结果表明：基于田间数据构建东北地区水稻临界氮浓度曲线方程系数a、b分别为2.026与-0.460 3,和以往研究基本一致;相比其余变换方法,对水稻冠层光谱进行归一化差值变换与特征波长提取显著提高了冠层光谱反射率与水稻氮亏缺量的相关性,也提高了后续反演模型的反演结果;以归一化差值光谱为输入的蝙蝠算法优化极限学习机反演模型预测效果显著优于其余模型,验证集R     

基于PROSAIL模型偏差补偿的水稻叶绿素含量遥感估测

以东北水稻为研究对象,以提高叶绿素估测精度和模型可解释性为目标,提出了一种混合建模方法。以PROSAIL辐射传输机理模型为基础,模拟水稻冠层光谱,建立叶绿素含量的查找表,初步估测叶绿素含量,并采用最小二乘支持向量机(LSSVM)建立误差模型,对PROSAIL模型偏差进行补偿,弥补PROSAIL建模时产生的误差。为验证模型的估测能力,选取13种与作物叶绿素关系较为密切的植被指数,通过不同统计模型的模拟分析,筛选出4种较优的植被指数,分别建立单因子输入的最优预测模型(GNDVI、RSI、(S_(Dr)-S_(Db))/(S_(Dr)+S_(Db))的乘幂模型及MCARI的指数模型)。以4种植被指数作为输入,利用偏最小二乘法(PLS)、LSSVM回归法、BP神经网络及本文提出的混合建模方法分别构建水稻叶绿素含量多因子预测模型,并进行估测和验证。结果表明,相比单因子输入的最优预测模型,混合模型具有较低的预测偏差,其建模集R~2=0. 740 6,RMSE为0. 985 2 mg/dm~2,验证集R~2=0. 733 2,RMSE为1. 084 3 mg/dm~2。与采用其他多因子预测模型相比,本文方法具有较高的估测精度和良好的鲁棒性。另外,混合建模方法以PROSAIL模型为基础,物理意义较为明确,提高了预测模型的可解释性。本文可为作物叶绿素含量估测提供新的思路和方法,为诊断水稻氮营养含量和监测水稻长势提供参考。     

采用GA-ELM的寒地水稻缺氮量诊断方法

为快速、准确、无损实现寒地水稻缺氮量的诊断。该文基于田间试验系统采集的资料,研究东北粳稻氮素含量的亏损或富余与光谱反射率差值之间的关系,并建立东北粳稻氮素含量差值的反演模型。该文采用高光谱反演水稻的缺氮量,并为实施精准施肥提供参考依据,达到减肥不减产的目的,采用产量最高的原则来构建标准氮素含量与标准光谱反射率,并在此基础上,将获取的水稻叶片氮素含量和叶片光谱反射率分别与标准氮素含量和标准光谱反射率做差,得到氮素含量差值和光谱反射率差值,然后对光谱反射率差值分别采用离散小波多尺度分解、连续投影法(successive projections algorithm,SPA)和构建植被指数的方法进行降维处理,将处理后的结果分别作为偏最小二乘(partial least squares regression,PLSR)、极限学习机(extreme learning machine,ELM)和遗传算法优化极限学习机(genetic algorithm-extreme learning machine,GA-ELM)的建模输入,构建东北粳稻氮素含量差值的反演模型。结果分析表明:采用离散小波多尺度分解的结果建立的GA-ELM反演模型预测效果最好,训练集与验证集的R2均在0.7062以上,均方根误差(root mean square error,RMSE)均低于0.51mg/g以下,在预测能力、稳定性和泛化性上比PLSR和ELM的预测模型有明显提高。     

基于特征转移植被指数的水稻叶片氮素含量定量估算

水稻叶片氮素含量遥感检测是实现水稻精准施肥的前提条件.为了探究利用光谱技术快速、便捷的实现水稻叶片氮素的精准检测,该研究在水稻关键生育期,利用水稻叶片400～1000 nm高光谱反射率信息,利用连续投影法提取敏感波段,在此基础上,提出了一种波段特征转移的植被指数构建思路,构建了由3个波段构成的氮素特征转移指数(Nitr...     

日光温室番茄采摘机器人设计与试验

针对目前日光温室中番茄采摘主要靠人工且费时费力的问题,设计并制作了一种可以应用于日光温室的番茄采摘机器人.该机器人能够在大棚垄道间巡检并自动识别成熟番茄,完成采摘、收集.本设计以STM32微控制器为主控制器,使用麦克纳姆轮全向移动平台作为机器人的移动底盘,采用由Raspberry Pi 4B控制器驱动的深度相机作为成熟...     

基于高光谱遥感处方图的寒地分蘖期水稻无人机精准施肥

分蘖期根外追肥是水稻生产的重要田间管理环节,也是水稻生长中的第一个需肥高峰期,追肥效果直接影响分蘖数以及中后期长势。为了探究利用无人机遥感构建施肥量处方图指导农用无人机对分蘖期水稻精准追肥,在保障水稻产量的前提下降低化肥施用量,该研究在水稻分蘖期追肥窗口期,利用无人机遥感诊断与农用无人机精准作业相结合,采用无人机高光谱技术建立水稻分蘖期施肥量处方图,结合农用无人机作业参数对待施肥地块进行栅格划分,确定精准施肥量,并通过农用无人机进行精准施肥。结果表明:利用特征波段选择与特征提取的方式在450～950nm范围内共提取5个水稻高光谱特征变量用于水稻氮素含量的反演;利用粒子群优化的极限学习机(Particle Swarm Optimization-Extreme Learning Machine,PSO-ELM)构建的水稻氮素含量反演模型效果要好于极限学习机(Extreme Learning Machine,ELM)反演效果,模型决定系数为0.838;结合待追肥区域反演氮素含量(N_r),标准田氮素含量(N_(std))、氮肥浓度(p)、水稻地上生物量(B_(std))、水稻覆盖度(C_(std))、化肥利用率(k)及转化率(u)等构建了农用无人机追肥量决策模型,与对照组相比,利用该研究构建的处方图变量施肥方法使氮肥追施量减少27.34%。研究结果可为寒地水稻分蘖期农用无人机精准变量追肥提供数据与模型基础。     

基于红边优化植被指数的寒地水稻叶片叶绿素含量遥感反演研究

水稻叶片叶绿素含量遥感诊断是实现水稻精准施肥的核心要素。本研究通过分析寒地水稻关键生育期叶片高光谱反射率信息，同时结合PROSPECT模型叶绿素含量吸收系数，参考借鉴现有高光谱植被指数的构造方法和形式，利用相关性分析、连续投影法、遗传算法优化的粗糙集属性简约法进行高光谱特征选择，提出了仅含有695、507和465nm 3个高光谱特征波段的红边优化指数（ORVI）。与Index Data Base数据库中其他用于叶绿素含量反演植被指数，包括ND_528,587、SR_440,690、CARI、MCARI的反演结果进行了对比分析，结果表明：IDB数据库中的已有4种植被指数叶绿素含量反演模型的决定系数R₂分别为0.672、0.630、0.595和0.574；ORVI植被所建立的叶绿素含量反演模型的决定系数R₂为0.726，均方根误差RMSE为2.68，精度高于其他植被指数，说明了ORVI在实际的应用中，能够作为快速反演水稻叶绿素含量的高光谱植被指数。本研究能够为寒地水稻叶绿素含量高光谱遥感诊断及管理决策提供一定的客观数据支撑和模型参考。