基于无人机多光谱影像的夏玉米SPAD估算模型研究

快速获取作物叶片叶绿素含量对及时诊断作物健康状况、指导田间管理具有重要意义。本研究以关中地区2020年夏玉米为研究对象,获取试验区无人机多光谱影像,提取植被指数,分析所选植被指数与SPAD的相关性,筛选得到模型的输入变量,利用偏最小二乘法(PLS)、随机森林回归(RF)和分层线性模型(HLM)分别构建拔节期、抽雄期、灌浆期以及全生育期的SPAD估算模型,最终选出最优估算模型,以期为快速获取夏玉米SPAD提供参考。研究发现：除NRI之外,NDVI、OSAVI、GNDVI、RVI、MCARI、MSR、CIre与SPAD均显著相关,其中,OSAVI、NDVI与SPAD呈现出较强且稳定的相关性;各个生育期的最优模型均是RF模型,在拔节期、抽雄期、灌浆期和全生育期,验证集R²分别为0.81、0.81、0.73、0.61,RMSE分别为1.24、2.32、3.13、3.20;对于SPAD估算模型,将降雨量、最高气温这两个气象因子与植被指数耦合的HLM模型可以一定程度提升线性模型的估算精度,但其精度低于RF模型。因此,基于无人机多光谱影像的RF模型可以实现夏玉米SPAD的快速准...     

基于无人机多光谱影像的土地利用分类方法研究

土地利用分类是城市建设规划、水体变化监测、森林树种识别的前提,是土地资源可持续利用的基础.本研究以安徽省广德市西庄村为研究对象,基于无人机多光谱成像技术,采用8种监督分类方法,分析研究区的土地利用状况.在相同的分类条件下,支持向量机分类精度最高,总体分类精度达到了98.91％,kappa系数为0.99;其次是随机森林与...     

基于无人机多光谱遥感的夏玉米冠层叶绿素含量估计

为探讨利用无人机多光谱遥感影像监测夏玉米冠层叶绿素含量的可行性,基于2019年不同施氮水平下(0,105,210,315 kg·N/hm²)夏玉米多光谱遥感影像和田间实测冠层叶绿素含量数据,分析了不同施氮水平下夏玉米冠层叶绿素含量的变化规律,同时选取10种常用光谱植被指数与实测冠层叶绿素含量进行相关性分析,采用与实测叶绿素含量极显著相关的9种植被指数,构建了基于遥感光谱指数的夏玉米冠层叶绿素含量遥感监测模型,并通过精度检验确定最优估测模型.结果表明,施用氮肥能够提高夏玉米冠层叶绿素含量,过量氮肥不能持续提高叶绿素含量,同一施氮水平下不同追肥处理之间叶绿素含量没有明显差异.绿色归一化植被指数与叶绿素含量的相关性系数最高,达到了0.892.采用逐步回归分析方法建立的模型表现最优,决定系数为0.87,均方根误差及相对误差分别为0.15和2.68%.因此,无人机多光谱遥感结合逐步回归模型可以实现田间尺度的夏玉米冠层叶绿素含量的实时监测.     

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。     

基于无人机高光谱遥感影像的农作物分类研究

为快速、精准地对农作物信息进行分类和提取,笔者以某研究区农作物作为研究对象,对农作物分类展开研究。利用SVM和RF分类方法,对降维和一阶导数处理后的无人机高光谱遥感影像中的农作物进行分类,并比较了SVM和RF分类结果的精准性。研究结果表明,通过对高光谱影像农作物进行分类,利用RF分类法获得的分类结果精度较高,可以实现对农作物的有效提取,能够为我国农作物生长情况监测、产量估计和病虫害防治提供参考。     

无人机多光谱影像的马铃薯地上生物量估算撤回

在农作物生长发育以及生产管理中,地上生物量（AGB）是其重要的评估指标之一,推动AGB信息获取的高效性以及精准性在提升粮食供应以及贸易稳定性方面具有重要的现实意义。随着无人机技术的高速发展,依托于无人机平台的多光谱传感器AGB信息获取方式逐渐取代传统取样法测算方式。基于此,研究小组针对无人机多光谱影像在马铃薯AGB信息获取方面的重要性进行研究,采用随机实验方式,共设置密度实验、氮素实验以及钾肥实验3种试验区,通过差分GPS测定试验区三维空间,在晴朗无风的条件下对裸土期、块茎形成期、块茎增长期以及淀粉积累期内的作物多光谱数据进行采集,并进行AGB估算模型构建。仿真结果表明,利用作物光谱和结构信息建立的模型具有较好的准确率和稳定性,且基于PLSR方法构建的模型计算精准度相对较高。     

基于无人机多光谱影像特征的最佳波段组合研究

针对卫星遥感影像分辨率低、时间周期长、波段冗余信息多等问题,利用无人机多光谱数据获取便捷、成本低、周期短的优势,以玛纳斯河畔为研究区,使用固定翼无人机搭载Micro MCA12 Snap多光谱传感器获取高分辨率多光谱影像。通过对多光谱影像数据标准差及相关性进行分析排序,结合OIF方法得到原始波段最佳组合,使用多种植被及水体指数、主成分分析、灰度共生矩阵确定信息量最大的光谱特征与纹理特征波段,提出将光谱特征、纹理特征信息与最佳波段指数结合的方法来确定地物分类最佳波段组合。实验结果表明,针对Micro MCA12 Snap多光谱传感器,可选择波段1、6、11、NDVI、NDWI以及灰度共生矩阵中的Mean参量作为其地物分类的最佳波段组合。感兴趣区域内非监督IsoData分类精度从83.57%提升到89.80%,监督的SVM分类精度从95.58%提升到99.76%。研究结果可为无人机多光谱遥感最佳波段组合选择提供借鉴和参考。     

基于卷积注意力的无人机多光谱遥感影像地膜农田识别

监测地膜覆盖农田的分布对准确评估由其导致的区域气候和生态环境变化有着重要作用,基于DeepLabv3+网络,通过学习面向地膜语义分割的通道注意力和空间注意力特征,提出一种适用于判断农田是否覆膜的改进深度语义分割模型,实现对无人机多光谱遥感影像中地膜农田的有效分割。以内蒙古自治区河套灌区西部解放闸灌区中沙壕渠灌域2018—2019年4块实验田的无人机多光谱遥感影像为研究数据,与可见光遥感影像的识别结果进行对比,同时考虑不同年份地膜农田表观的变化,设计了2组实验方案,分别用于验证模型的泛化性能和增强模型的分类精度。结果表明,改进的DeepLabv3+语义分割模型对多光谱遥感影像的识别效果比可见光高7.1个百分点。同时考虑地膜农田表观变化的深度语义分割模型具有更高的分类精度,其平均像素精度超出未考虑地膜农田表观变化时7.7个百分点,表明训练数据的多样性有助于提高地膜农田的识别精度。其次,改进的DeepLabv3+语义分割模型能够自适应学习地膜注意力,在2组实验中,分类精度均优于原始的DeepLabv3+模型,表明注意力机制能够增加深度语义分割模型的自适应性,从而提升分类精度。本文提出的方法能够从复杂的场景中精准识别地膜农田。     

基于无人机多光谱影像的番茄冠层SPAD预测研究

番茄冠层不同垂直位置叶绿素含量的精确预测是及时防控番茄病虫害、精准施肥、灌溉等田间管理的重要基础,无人机可灵活高效地获取中小区域农作物冠层光谱信息,为农业生产提供便利。基于无人机搭载多光谱传感器获取的多光谱影像数据,建立感兴趣区域,提取各波段反射率数据,计算9种植被指数参数与实测番茄3个生育期的冠层上、中、下层及冠层整体的SPAD值,进行相关性与敏感度分析,筛选植被指数最优变量,采用偏最小二乘、支持向量机、BP神经网络模型进行冠层不同位置SPAD值的预测建模及验证。结果表明,开花坐果期,番茄冠层上层叶片的SPAD值高于中层和下层叶片,结果初期和结果晚期,番茄中层叶片的SPAD值高于上层和下层叶片;冠层上层叶片SPAD值与植被指数相关性程度及线性敏感程度优于冠层中层和下层叶片;基于番茄冠层上、中、下层及整个冠层SPAD值建立的支持向量机预测模型的R~2高于偏最小二乘和BP神经网络预测模型。因此,支持向量机预测模型可为番茄精准管理提供理论依据。     

基于无人机多光谱遥感的水稻冠层SPAD值反演

为研究水稻叶片叶绿素相对含量（SPAD）在3种水分处理和5种施氮处理下的变化规律,探讨无人机多光谱遥感技术反演水稻SPAD的可行性,本研究利用大疆精灵4多光谱无人机,采集了水稻拔节孕穗期、抽穗开花期和乳熟期的冠层多光谱遥感影像,并同步测定水稻SPAD值,基于25个光谱变量（5个波段反射率和20个植被指数）,采用多元线性逐步回归、岭回归和套索回归3种方法构建了水稻SPAD的反演模型。结果表明：水稻3个生育期的SPAD最佳反演模型均是采用套索回归方法构建的,其中乳熟期建立的SPAD最佳反演模型在3个生育期中的反演精度最高,决定系数为0.782,均方根误差为1.217 7,相对误差为6.611 3%。因此,该研究可对水稻叶片SPAD进行遥感监测,并为水稻精准灌溉和施肥提供科学依据和数据支撑。     

大豆冠层叶片氮含量检测研究——基于无人机多光谱图像

为快速获取大豆冠层叶片氮素含量(Leaf Nitrogen Content, LNC)信息，采用无人机获取大豆冠层LNC多光谱影像光谱特征，通过分析光谱变量与LNC的相关性，选出对大豆冠层LNC敏感的光谱变量。利用逐步回归分析方法建立黑河43、龙垦310、龙垦3401在3个关键生育时期(R1、R3、R5)大豆LNC估测模型。研究结果表明：(1)在3个品种的3个生育期，除R5时期龙垦3401品种外，NDVI与LNC具有高度相关性，说明NDVI可以较好地进行大豆冠层LNC的反演。(2)在建模的过程中发现，在R1时期龙垦3401、黑河43、龙垦310所建模型的R²和RMSE依次为0.857、0.133,0.845、0.156,0.821、0.187;在R3时期龙垦3401、黑河43、龙垦310所建模型的R²和RMSE依次为0.835、0.204,0.881、0.113,0.849、0.162;在R5时期龙垦3401、黑河43、龙垦310所建模型的R²和RMSE依次为0.835、0.208,0.814、0.215,0.836、0...     

基于无人机高光谱影像的水稻叶片磷素含量估算

为快速获取水稻叶片磷素含量信息,采用无人机搭载高光谱成像仪获取水稻冠层高光谱影像,并采样检测叶片磷素含量(质量分数)(Leaf phosphorus content, LPC).分析了水稻LPC在无人机高光谱影像上的光谱特征,使用连续投影算法提取对磷素敏感的特征波长,通过任意波段组合构建并筛选与磷素高度相关的光谱指数,...     

基于无人机多光谱影像和关键点检测的雪茄烟株数提取

为从无人机遥感影像中准确识别烟草,实现植株定位与计数,以雪茄烟草植株为研究对象,提出一种新的深度学习模型。区别于传统的利用检测框识别目标,本文模型利用少量的关键点学习烟草中心形态学特征,并采用轻量级的编、解码器从无人机遥感影像快速识别烟草并定位计数。首先,提出的模型针对烟草植物形态学特点,通过中心关键点标注的方法,使用高斯函数生成概率密度图,引入更多监督信息。其次,对比不同主干网络在模型中的效果,ResNet18作为主干网络时平均精度大于99.5%,精度和置信度都高于测试的其他主干网络。而MobileNetV2在CPU环境下达到运行效率最优,但平均置信度相对较低。使用损失函数Focal Loss与MSE Loss结合的Union Loss时,平均精度大于99.5%。最后,利用不同波段组合作为训练数据,对比结果发现使用红边波段更有助于模型快速收敛且能够很好地区分烟草和杂草。由于红边波段与植株冠层结构相关,使用红边、红、绿波段时平均精度达到99.6%。本文提出的深度学习模型能够准确地检测无人机遥感影像中的烟草,可为烟草的农情监测提供数据支持。     

基于无人机多光谱影像和XGBoost模型的城市河流水质参数反演

为建立针对城市河流水质参数稳定且准确的无人机遥感反演模型,以邯郸市境内滏阳河5个河段为研究样区,基于三期无人机多光谱影像和水体氨氮浓度实测数据,构建了4种数学统计模型与XGBoost模型,并在模型验证和评价的基础上选取最优模型对研究区氨氮浓度进行时空分布反演及分析。结果表明：(1)XGBoost模型反演效果优于数学统计模型,决定系数、均方根误差、平均绝对百分比误差整体优于数学统计模型,表现出较强的拟合能力和较高的预测精度;(2)无人机遥感反演技术适用于城市河流氨氮浓度反演,多光谱数据B1波段在建模中起关键作用;(3)邯郸市滏阳河流域各河段的整体氨氮浓度依次为2020年12月>2020年8月>2021年5月,呈现出一定的季节性差异特征。     

无人机多源光谱反演大田夏玉米叶面积指数

[目的]研究多源光谱反演大田夏玉米叶面积指数(LAI)的效果.[方法]以大田夏玉米为研究对象,利用无人机获取试验区不同生育期热红外以及多光谱影像,提取热红外冠层温度(TC)以及多光谱植被指数,结合地面实测LAI数据,分析光谱数据与实测LAI之间的相关关系,并将TC与筛选出的11种植被指数作为输入变量,LAI作为输出变量...     

利用无人机影像监测不同生育阶段玉米群体株高的精度差异分析

为明确利用无人机影像监测玉米群体株高的精度及其影响因素,本研究基于无人机搭载光学成像设备构建大田玉米群体数字高程模型（Digital Elevation Model,DEM）,研究不同生育时期下玉米群体株高监测的精度差异。针对3个玉米品种、8个播期处理构建的株高差异化群体,用多旋翼无人机搭载高清RGB相机和多光谱成像设备,采集试验区高清RGB和多光谱影像,获取玉米群体数字高程信息DEM和各处理区植株高度,分析不同品种和播期处理下基于无人机和人工测量株高间的相关关系。试验结果表明,高清RGB相机和多光谱成像设备获取的DEM均能反映玉米群体的高度差异。高清RGB相机的株高监测精度优于多光谱成像设备,但株高监测精度不足,难以反映玉米群体的较小株高差异。不同生育阶段对玉米株高监测精度具有较大影响,生育前期冠层尚未全部覆盖地表或生育后期植株衰老叶片枯黄下垂时,受裸露地表影响,群体株高被严重低估。本研究分析了影响无人机搭载成像设备监测玉米株高精度的因素,可为该方法应用于大田生产提供借鉴意义。     

基于无人机多光谱影像的柑橘冠层叶绿素含量反演

叶绿素是一种反映植物生长水平和健康状况的重要生理生化指标,为快速、无损地大规模获取柑橘冠层的叶绿素含量以精确指导果园管理,利用多旋翼无人机搭载多光谱传感器获取多波段反射率数据,使用多光谱阴影指数对冠层阴影和土壤背景进行剔除,计算得到植被指数与纹理特征,将地面实测的叶绿素含量作为验证,综合对比了全子集回归、偏最小二乘回归和深层神经网络的反演精度以选取最优模型。结果表明,植被指数与叶绿素含量的相关性良好;将仅使用植被指数与仅使用纹理特征的建模结果进行对比,仅使用纹理特征的模型在全子集回归和偏最小二乘回归的反演精度均有明显提升;结合植被指数与纹理特征共同建模后,全子集回归和偏最小二乘回归的反演精度相比仅使用纹理特征的模型均能获得提升;深层神经网络因其良好的非线性拟合能力,获得了最高的反演精度,R²、MAE、RMSE分别为0.665、7.69 mg/m²、9.49 mg/m²,成为本文最优模型。本研究利用无人机多光谱影像反演得到柑橘冠层叶绿素含量,为实现柑橘生长监测提供指导作用。     

基于深度语义分割的无人机多光谱遥感作物分类方法

为精准获取农田作物种植分布信息以满足农业精细化管理需求,基于DeepLab V3+深度语义分割网络提出了一种面向无人机多光谱遥感影像的农田作物分类方法.通过修改输入层结构、融合多光谱信息和植被指数先验信息、并采用Swish激活函数优化模型,使网络在响应值为负时仍能反向传播.基于2018-2019年连续2年内蒙古自治区河...     

无人机高光谱影像在树种分类识别中的应用研究

在监测和管理林业资源的过程中准确的树种信息能够发挥非常重要的作用,及时了解树种及其生产情况能够帮助相关人员更好地开展林业建设。为了探索在树种分类识别中无人机高光谱影像的应用,笔者结合研究实例,探讨树种分类识别中应用无人机高光谱影像的方法和结果。仿真结果表明：与仅利用光谱特征分类相比,在分类特征中融入数理统计特征、植被指数特征以及纹理特征,能够极大地提升单个树种的分类精度;相比于SVM和MLC分类器,RF分类器拥有更好的分类效果和更高的分类精度,能够有效地适用于研究区树种分类;在树种分类识别中应用无人机高光谱影像,能够取得非常准确的识别结果。     

轻小型无人机多光谱遥感技术应用进展

随着光谱传感技术和图像处理与分析软件的日益成熟,无人机多光谱软硬件一体化程度和观测精度及易用性得到极大的发展。无人机多光谱遥感已在农业、林业、资源、生态、环境保护等领域应用日益广泛。本文概述了无人机飞行平台、多光谱传感器等硬件技术的发展,和无人机遥感影像的几何校正、辐射校正图像处理技术及数据处理流程,并对无人机多光谱遥感在植被长势监测、存在问题、精细分类与地物识别、病虫害监测、生物量和产量估算等方面的应用潜力和发展方向进行了系统分析和总结,以期为开展相关领域研究提供参考。建议各行业部门的专业人员与遥感、计算机科学等领域的专家密切合作,制订无人机多光谱遥感技术的相关标准和规范,共同推进并普及无人机多光谱遥感技术。