无人机遥感在农田信息监测中的应用进展

快速实时地掌握农田信息是实施精准农作的基础。以无人机为平台的低空遥感探测技术,具有空间分辨率高、时效性强和成本低等特点,可填补地面监测和高空遥感间的测量尺度空缺,因此在农田信息精准监测领域具有广泛的应用前景。近年来,随着无人机飞行平台稳定性增强、操作难度降低,机载遥感设备的轻量化和多样化,以及遥感数据处理技术的进步,无人机遥感在农田信息监测领域得到了快速发展。本文对国内外相关研究成果进行了总结,对常用遥感技术类型和数据处理方法以及具体应用方向和实施效果进行了综述,并提出了当前存在的突出问题和未来的发展方向,以期为推动无人机遥感在农田信息监测和精准农业中更广泛的应用提供依据。     

融合无人机载激光雷达与多光谱遥感数据的冬小麦叶面积指数反演

为了进一步挖掘无人机载激光雷达(Light Detection and Ranging,LiDAR)在农作物长势监测方面的潜力,探究机载LiDAR与多光谱遥感数据融合反演冬小麦叶面积指数(Leaf Area Index,LAI)的效果,以无人机载LiDAR和可见光-近红外多光谱为研究手段,获取试验区冬小麦孕穗期的无人机...     

基于全波段高光谱的冬小麦生长参数估算方法比较

利用高光谱数据监测作物生长情况具有无损和高效的特点,是现代农业的发展方向。为了简化高光谱数据处理流程,直接利用原始的高光谱反射率完成从建模到估算作物生长参数的全过程,应用于作物长势的实时监测。本文利用偏最小二乘回归（partial least squares regression,PLSR）、支持向量回归（support vector regression,SVR）和前馈神经网络（feedforward neural network,FNN）3种方法,利用全波段高光谱数据分别对冬小麦多个关键生育期（拔节、孕穗、扬花和乳熟期）生长参数（地上部生物量、叶面积指数、全氮含量和叶绿素浓度）进行了估算。比较3种方法的建模及估测效果,发现对于建模集数据,SVR对上述生长参数4个生育期的估测结果R²均值为0.89~0.98,MAPE为1.70%~7.53%,对于验证集数据,R²均值为0.90~0.94,MAPE为4.04%~7.46%,拟合优度和估测精度均超过PLSR和FNN,是估算方法中利用全波段光谱反射率估测冬小麦生长参数的最佳方案。随着无人机载高光谱技术成熟,SVR方法能够用于处理航拍获取的大范围田间高光谱信息,简便快捷地进行建模与参数反演,实时反映作物生长状态。     

压缩感知理论在地学空间数据重构中的应用进展

空间数据重构是根据离散、稀疏的点位数据构建介质属性完整空间分布的过程,地学领域中通常采用基于地质统计学的方法.压缩感知是21世纪信号处理领域的重大理论突破,地学领域的学者将其作为一种空间数据重构的新方法,在流体运动模型的静态参数反演和土力学性质重构中取得了良好效果.本文在简述压缩感知数学理论的基础上,阐述了基于该理论的...