PHANTOM 4 RTK+大疆像控处理技术在燕麦长势模拟中的应用

【目的】 利用小型消费级无人机航拍获取地物影像,通过地物阴影、高度差、色差快速提取地物,进而获取地物结构信息。【方法】 文章选取云南省曲靖市会泽县的大桥乡为研究区域,针对冬闲田闲置土地资源、种植结构相对单一的区域展开试验,利用高分辨率无人机遥感影像对燕麦进行识别,同时结合超声波传感器数据估算地物高度,并与实际高度和无人机生成的传统测高方法得到的高度进行相关性分析,获取高精度、可靠性强的数据。【结果】 基于可见光燕麦的总体分类精度为91.46%,Kappa系数为0.857,在增加DSM数据后的分类总体精度为98.91%,Kappa系数为0.982。研究表明由无人机获取的代表燕麦冠层高度信息的DSM数据能够显著提升燕麦的识别效果。相对于传统无人机测高方法生成数字表面模型提取地物高度的方法,依赖于光谱和高程信息识别地物信息的方法在计算地物高度时,精度更高,识别结果更可靠。【结论】 该文提出的小型消费级无人机利用地物阴影计算燕麦高度的方法,改进了相机镜头光心地位和RTK天线中心点地位补偿作用,打通了RTK模块、飞控模块及相机云台模块之间的通讯,能够应用于实际准确获取影像地位信息,为无人机遥感快速、准确地获取地物高度信息提供了一种新的思路。     

基于无人机高光谱遥感的柑橘患病植株分类与特征波段提取

目的 结合传统与现代农业病虫害监测的优缺点,探索通过无人机高光谱遥感技术检测出患病的柑橘植株、通过人工田间调查方式判断其患病种类及患病程度的病虫害监测方法。方法 使用无人机获取原始高光谱图像,经过光谱预处理和特征工程后,采用连续投影算法提取对柑橘患病植株分类贡献值最大的特征波长组合,基于全波段使用BP神经网络和XgBoost算法、基于特征波段使用逻辑回归和支持向量机算法,建立分类模型。结果 基于全波段的BP神经网络和XgBoost算法的ROC曲线下面积(Area under curve,AUC)分别为0.883 0和0.912 0,分类准确率均超过95%;提取出698和762 nm的特征波长组合,基于特征波长使用逻辑回归和支持向量机算法建立的分类模型召回率分别达到了93.00%和96.00%。结论 基于特征波长建模在患病样本分类中表现出很高的准确率,证明了特征波长组合的有效性。本研究结果可为柑橘种植园的病虫害监测提供一定的数据和理论支撑。     

利用单次无人机影像的果树精准识别方法

【目的】利用单次无人机飞行生成的正射影像和数字表面模型(DSM)对果树进行精准识别。【方法】首先利用无人机正射影像计算5种归一化植被指数,并讨论5种植被指数提取植被区域的精度,选用结果最好的植被指数对研究区植被进行提取;之后根据影像的空间分辨率和已知果树直径范围对果树进行初识别确定果树实际位置和半径;再将识别到的果树叠加到DSM中,利用果树在DSM中最大值和果树临近区域DSM最小值求取果树高度;最后根据果树高度范围对初识别的果树进行再识别,提高果树识别精度。【结果】该方法在美国加利福尼亚州弗雷斯诺县里德利市郊区的一个果园进行运用研究,发现MRENDVI植被指数对研究区内植被提取精度最高;利用提取植被区域后影像和果树冠层的直径范围对果树进行初识别的精度为94.8%;利用果树初识别影像与DSM影像结合求取果树高度,并根据果树高度范围对果树进行再识别后,果树识别精度提高了5%,达到99.8%。【结论】该方法原理简单,对果园果树识别有较高精度,有效消除了果园周围其他树木和果园内部草丛对果树正确识别的影响,有较高的普适性。     

融合无人机多光谱和纹理特征的马铃薯LAI估算

目的 研究融合无人机遥感影像多光谱信息和纹理特征估算马铃薯Solanum tuberosum叶面积指数(Leaf area index,LAI)方法,提高马铃薯LAI反演精度。方法 利用大疆P4M无人机采集2021年2－4月南方冬种马铃薯幼苗期、现蕾期、块茎膨大期多光谱影像,用LAI-2000冠层分析仪实测LAI数据。提取影像光谱、纹理等信息,分析植被指数、纹理特征与LAI的相关性,基于R²_adj的全子集分析优选特征变量。采用主成分分析,融合光谱和纹理特征,用PCA-MLR(Principal component analysis-multiple linear regression)模型估算马铃薯LAI。结果 从幼苗期到块茎膨大期,PCA-MLR估算模型优于T-MLR(Texture multiple linear regression)和VI-MLR(Vegetation index multiple linear regression)模型,R²分别为0.73、0.59和0.66。结论 本研究提出一种估算马铃薯LAI的PCA-MLR方法,为马铃薯的长势监测和田间管理提供数据支持。     

杉木人工林冠层高度无人机遥感估测

冠层高度是森林资源调查的重要因子。传统的森林树高调查方法存在外业调查难度大,效率低等问题。无人机（UAV）的发展为快速估测森林树高提供了手段。以福建省闽清县的杉木Cunninghamia lanceolata人工林为研究对象,通过Eco Drone-UA无人机遥感系统获取研究区遥感影像,利用Pix4D Mapper软件对航拍多光谱影像进行预处理,构建数字表面模型（DSM）,利用1:10 000地形图生成数字高程模型（DEM）;基于DSM和DEM叠加相减得到树冠高度模型（CHM）,实现杉木树高的提取。结果表明:植被指数和多光谱波段结合随机森林算法能够有效识别真实树冠顶点;利用无人机遥感影像能够实现杉木树高估测,相对误差最小值为0.81%,最大值为23.48%,标准误差为1.48 m,估测精度为90.8%。高程变化对树高估测精度有影响,根据高程大小排序的3组样木实测树高与提取树高的决定系数（R2）分别是0.97,0.84和0.78,标准误差分别是0.67,1.17和1.99 m,在高程较高区域树高估测精度明显高于高程相对较低区域。     

基于无人机低空遥感的水稻田间杂草分布图研究

目的 获取水稻田的低空遥感图像并分析得到杂草分布图,为田间杂草精准施药提供参考。方法 使用支持向量机(SVM)、K最近邻算法(KNN)和AdaBoost 3种机器学习算法,对经过颜色特征提取和主成分分析(PCA)降维后的无人机拍摄的水稻田杂草可见光图像进行分类比较;引入一种无需提取特征和降维、可自动获取图像特征的卷积神经网络(CNN),对水稻田杂草图像进行分类以提升分类精度。结果 SVM、KNN和AdaBoost对测试集的测试运行时间分别为0.500 4、2.209 2和0.411 1 s,分类精度分别达到89.75%、85.58%和90.25%,CNN对图像的分类精度达到92.41%,高于上述3种机器学习算法的分类精度。机器学习算法及CNN均能有效识别水稻和杂草,获取杂草的分布信息,生成水稻田间的杂草分布图。结论 CNN对水稻田杂草的分类精度最高,生成的水稻田杂草分布图效果最好。     

粳稻冠层叶绿素含量PSO-ELM高光谱遥感反演估算

目的 叶绿素含量是表征粳稻生长状态的重要指示信息,利用无人机高光谱遥感技术及时获取区域尺度的粳稻叶绿素含量。方法 以2016—2017年沈阳农业大学辽中水稻实验站粳稻无人机遥感试验数据为基础,利用连续投影算法(SPA)进行有效波段的提取,提取的特征波段分别为410、481、533、702和798 nm。将提取出的特征波段作为输入,利用极限学习机(ELM)和粒子群优化的极限学习机(PSO-ELM)分别建立粳稻冠层叶绿素含量反演模型。在PSO-ELM模型中,针对PSO算法的种群规模(p)、惯性权重(w)、学习因子(C₁、C₂)、速度位置相关系数(m)这5个参数进行了优化。结果 确定了最优参数：p为80,w为0.9~0.3线性递减,C₁和C₂分别为2.80和1.10,m为0.60。利用优化后的ELM和PSO-ELM所建立的粳稻冠层叶绿素含量模型的决定系数分别为0.734和0.887,均方根误差分别为1.824和0.783。结论 利用优化后的PSO-ELM建立的粳稻叶绿素含量反演模型精度要明显高于单纯利用ELM建立的反演模型,前者具有较好的粳稻叶绿素含量反演能力。本研究为东北粳稻叶绿素含量反演无人机遥感诊断提供了数据支撑和应用基础。     

基于无人机多光谱影像的地物识别

【目的】利用2018年5和6月获取的无人机多光谱影像对北京市大兴试验基地的部分农田进行地物类型提取研究。【方法】确定感兴趣地物种类,对影像进行时相与光谱特征分析,然后确定归一化植被指数NDVI、归一化绿蓝差异指数NGBDI、修正型比值植被指数MSR和红边波段反射率可以作为最优分类特征,通过基于光谱变量阈值分割的决策树分类法,实现地物分类,并提取种植面积,选取基于目视解译的地面调查数据进行方法验证。【结果】基于时相与光谱特征的决策树分类方法有较好效果,该方法用于小麦、果树和大棚的提取,误差值分别为10.68%、6.06%和16.48%,面积提取误差在17%以内,对无人机多光谱遥感影像进行地物识别具有一定的适用性。【结论】无人机低成本、高效率的优势为农田信息及时获取提供参考。     

基于低空遥感的果树冠层信息提取方法研究

【目的】 果树冠层信息是反映果树生长状况的重要参数,准确提取果树的冠层信息对于果园的精细管理十分必要。【方法】 文章以苹果树和桃树为研究对象,利用无人机遥感获取果园影像数据,首先通过Mask R-CNN实例分割算法对果园果树冠层进行逐一分割,同时提取果树冠幅和冠层面积信息。然后利用果园正射影像结合QGIS软件,对果树冠层位置信息进行提取和可视化并通过目视解译对果树冠层参数信息提取结果进行评估。【结果】 当交并比为0.5时,模型检测分割结果最优,测试集语义分割精确度为66.3%,目标检测精确度达到63.9%。总体冠层面积实测值与模型预测面积之间的平均相对误差为12.44%,均方根误差为0.5 m²。冠幅实测值与模型预测的面积之间的平均相对误差为16.39%,均方根误差为0.39 m,在一定范围内验证了模型对冠层面积和冠幅信息提取的可靠性。【结论】 结合无人机遥感数据和Mask R-CNN实例分割算法可有效地将果树冠层分割出来,并且能够较为准确地提取果树冠层的相关参数信息,可为果园的精细管理提供一定的技术支撑。     

甜柚叶绿素含量高光谱无损检测模型

目的 为监测甜柚Citrus maxima果树生长健康状况及预测甜柚产量,以赣州南康地区一片甜柚果园为研究对象,建立甜柚叶片叶绿素含量检测模型。方法 使用Field Spec4便携式地物光谱仪和SPAD-502叶绿素仪测定甜柚叶片光谱及SPAD值,分别采用单变量回归、逐步回归及偏最小二乘法(PLS)构建其叶绿素含量高光谱无损检测模型并进行精度检验。结果 原始光谱在553 nm处、一阶光谱在692和752 nm处的反射率与叶绿素含量相关性最高,这3个波段为甜柚叶片光谱反射率敏感波段;当主成分个数为4时,PLS具有最高的精度,且基于PLS技术所建立的模型较单变量、逐步回归模型精度更好,模型拟合度较高,其决定系数(r²)最高,为0.869,均方根误差(RMSE)和相对误差(RE)最小,分别为3.013和6.82%。对原始光谱、一阶导数光谱及PLS拟合的估测模型进行对比分析显示,PLS模型无论是从建模样本精度还是模型预测能力方面均优于前2种传统模型。结论 PLS模型适合于利用高光谱数据进行叶绿素含量的估测,可作为甜柚叶绿素含量的最佳无损检测模型。     

基于Sentinel-2多时相影像的果树种植区遥感提取

为提取果树的空间分布信息,以果树生长期内不同月份的Sentinel-2多光谱遥感影像为数据源,以大沙河流域果树为研究对象,通过分析不同月份的光谱信息得出最佳监测时期,并在此基础上,选择不同时期的5种植被指数[归一化植被指数(NDVI)、比值植被指数(RVI)、增强型植被指数(EVI)、结构密集型色素指数(SIPI)和归一化水指数(NDWI)],结合机器学习技术构建决策树提取模型。结果发现,3、4、7、8月份的影像适于果树面积提取。通过Feature_importances_属性筛选出贡献度高的不同时期的植被指数作为输入特征,结合超参数学习曲线和网格搜索技术确定决策树模型的Max_depth和Min_samples_leaf参数分别为5和10时模型的效果最佳。参数调整后绘制决策树模型,模型在训练集和测试集上的精度分别达到了0.919 4和0.875 1。提取结果表明,研究区内的果树主要种植在大沙河两岸,东部与西北部的果树种植地块较为零碎,总的果树种植面积为6 838 hm²。在验证样本的基础上,通过混淆矩阵计算提取结果的精度,结果显示,Kappa系数为0.87,果树种植区提取的用户精度和制图精度分别为92.91%和90.77%。结果说明,本文所提出的方法适用于大区域果树的遥感提取,可为基于中高分辨率遥感影像的果树种植区监测提供有效的技术手段。     

基于可见光波段的无人机超低空遥感图像处理

【目的】探讨低成本的可见光超低空农业遥感平台提取与分析农情信息的可行性,为农用无人机精准施药与农情监测提供技术支持。【方法】以仅包含红光、蓝光和绿光的超低空可见光农田遥感图像为研究对象:首先利用张氏校正法获取相机的畸变矩阵,并校正图像;然后提取与分析图像的可见光植被指数;最后通过分析超低空可见光农田图像中植被与非植被的光谱特性,对可见光超低空遥感图像进行植被信息提取。【结果】获得的农田植被提取图像很好地区分了植被与非植被。【结论】基于可见光的超低空遥感农业信息获取系统应用具有可行性,可为构造低成本的可见光低空遥感监测系统提供参考。     

基于可见光影像分析的黄土高原小流域植被指数研究

小流域植被状况的快速、高精度和低成本监测是评价退耕还林还草与生态环境建设功效的基础工作。为丰富植被指数多样性,本文旨在提出一种适宜黄土高原小流域植被状况监测的可见光植被指数。基于无人机遥感技术获取小流域可见光影像,论文构建了简化可见光植被指数(Simplified visible light vegetation index,SVVI),结合样本统计法确定阈值,以支持向量机(Support vector machine,SVM)的监督分类结果对比了8种常用可见光植被指数提取效果,并以黄土高原2个典型流域为例,以混淆矩阵检验指数精度及其适用性。结果表明：1)SVVI能有效抑制非植被地物信息,在提取地物种类丰富且植被覆盖度相对较低的区域时,SVVI提取精度高达96%。2)在地物相对单一且植被覆盖度较高的验证区,SVVI提取精度依然在90%以上,表明SVVI有较好的适用性。相比较于监督分类结果,基于SVVI进行植被覆盖度计算可以有效保留植被信息,实现黄土高原小流域植被状况高精度监测。     

基于可见光植被指数的乌海市矿山排土场坡面植被覆盖信息提取研究

目的利用可见光植被指数快速准确获取矿山排土场坡面植被盖度,为乌海矿区排土场坡面植被调查提供有效方法。方法选取乌海市典型矿山排土场,通过样方调查法、无人机遥感及可见光植被指数计算筛选适于研究区排土场坡面植被提取的可见光植被指数,并估算其植被盖度,试为排土场坡面植被盖度提取提供新方法。结果结果表明:（1）不同可见光植被指数提取植被效果存在一定差异,其中绿红比值指数（RGRI）和绿蓝比值指数（BGRI）的灰度图中越暗的部分代表植被指数越大,而其他常见可见光植被指数是越亮的部分代表植被指数越大。（2）研究区中不同可见光植被指数灰度图像特征值基本分布在[? 1,1]范围内,由蓝、绿波段构建的归一化绿蓝差异指数（NGBDI）和绿蓝比值指数（BGRI）的灰度图中植被与裸地像元值范围有较大重叠,即存在部分混淆。（3）常见可见光植被指数中,可见光波段差异植被指数（VDVI）可以快速准确提取研究区排土场坡面植被,通过人工目视解译及误差矩阵得到VDVI植被指数提取结果平均识别精度在93.4%,表明VDVI植被指数更加适用于乌海市矿山排土场坡面植被提取,优于其他常见可见光植被指数,利用该方法估算可得研究区坡面植被盖度约20.4%。结论可见光植被指数作为一种非监督分类方法,无需人工选择参考地物即可提取植被,可以作为矿山排土场坡面植被盖度调查的一种新方法,具有广阔的应用前景,同时研究表明VDVI植被指数在提取乌海市矿山排土场坡面植被盖度时具有较高提取精度,对指导当地矿山排土场植被恢复具有实际意义。      

基于数码相机的玉米冠层SPAD遥感估算

【目的】叶绿素是植物光合作用中重要的色素。利用作物光谱信息对叶绿素含量进行反演,为作物的实时监测和生长状态诊断提供重要依据。【方法】以大田环境下不同氮肥水平(0,50%和100%)的开花期玉米为研究对象,利用轻小型无人机搭载数码相机,获取试验区RGB影像。使用土壤调整植被指数(soil adjusted vegetation index,SAVIgreen)对图像进行分割,基于分割前后的影像分别提取15种常见的可见光植被指数,综合分析指数与玉米冠层叶绿素相对含量SPAD值的相关关系。采用单变量回归模型、多元逐步回归模型和随机森林(random forest,RF)回归算法构建玉米SPAD值的遥感估算模型,通过模型精度评价指标决定系数(coefficient of determination,R2)、均方根误差(root mean square error,RMSE)、平均相对误差(mean relative error,MRE)和显著性检验水平(P0.01),确定最佳指标和最优模型。【结果】基于分割前后的数码影像提取的VIplot和VIplant植被指数与玉米冠层SPAD值之间具有显著的相关关系,其中VIplant中的红光标准化值(NRI)、归一化叶绿素比值植被指数(NPCI)、蓝红比值指数(BRRI)、差值植被指数(DVI)与SPAD值的相关性在0.77以上;以相关性高于0.77的VIplant指数NRI、NPCI、BRRI、DVI构建的线性、指数、对数、二次多项式、幂函数的单变量回归模型中,NRI指数构建的二次多项式模型效果最好,决定系数R2为0.7976,RMSE为4.31,MRE为5.91%。在VIplant指数NRI、NPCI、BRRI、DVI参与建立的多变量SPAD反演模型中,使用随机森林方法的模型精度最高,决定系数R2为0.8682,RMSE为3.92,MRE为4.98%,而多元逐步回归模型的精度高于任意单变量回归模型,决定系数R2为0.819,RMSE为4,MRE为5.67%;对数码影像结合各模型制作的SPAD分布图进行精度分析,使用随机森林回归模型对SPAD的估测值与实测值最为接近,具有最佳的预测效果,R2为0.8247,RMSE为4.3,MRE为5.36%,可以作为玉米冠层叶绿素信息监测的主要方法。【结论】本研究证明将数码相机影像提取的可见光植被指数应用于玉米叶绿素相对含量的估测是可行的,这也为无人机遥感系统在农业方面的应用增添了新的手段和经验。     

基于Logistic算法与遥感影像的棉花虫害监测研究

【目的】借助多光谱遥感影像和Logistic算法,实现对棉田虫害的田间监测。【方法】以患虫害棉花区域为研究对象,利用无人机获取棉田多光谱遥感影像,并对影像进行预处理;结合受虫害棉花光谱特征,利用虫害敏感波段反射率与植被指数构建Logistic回归模型,开展棉花虫害识别监测研究。【结果】由土壤调节植被指数(Soil adjusted vegetation index,SAVI)模型和归一化植被指数(Normalized vegetation index,NDVI)模型构建的棉蚜虫、棉红蜘蛛、棉铃虫识别模型为最优模型,其训练样本准确率达到93.7%,测试样本准确率达到90.5%,召回率为96.6%,F1值为93.5%,对棉蚜虫、棉红蜘蛛和棉铃虫的识别模型决定系数分别为0.942、0.851和0.663。【结论】该模型可满足棉田中棉蚜虫、棉红蜘蛛和棉铃虫3种虫害的发生区域识别,且可基本满足棉田精准植保作业相关要求。     

水稻多时相植被指数特征及覆盖度提取研究

为准确快速获取水稻的植被指数特征和植被覆盖度信息,利用无人机采集水稻分蘖期、抽穗期和结实期的多光谱影像数据,选择不同类型的植被指数,利用样本统计法和植被指数交点法,提取并探究水稻3个生长期在地块和像元尺度下的植被指数特征,并运用阈值分割法提取水稻植被信息及覆盖度信息。结果表明,水稻3个生长期内,在像元和地块尺度下均表现出明显的物候特征,且与杂草和树木存在明显区别;多光谱植被指数的植被覆盖度提取精度整体高于可见光植被指数;归一化植被指数（normalized difference vegetation index,NDVI）对水稻3个时期植被覆盖度提取精度最高,提取误差分别为0.40%、0.43%和0.81%,R²为0.77、0.92和0.98,均方根误差（root mean square error,RMSE）为9.09%、2.97%和0.38%;可见光波段差异植被指数（visible-band difference vegetation index,VDVI）提取精度高于超绿红蓝差分指数（excess green-red-blue difference index,EGEBDI）和过绿减过红指数（excess green-excess red index,ExG-ExR）,提取误差分别为4.30%、1.36%和1.60%,R²分别为0.53、0.77和0.80,RMSE分别为14.62%、3.70%和5.50%。该研究成果可为作物长势监测及其植被覆盖度提取提供技术支撑。     

植被覆盖度模型研究进展

植被覆盖度是刻画陆地表面植被数量的一个重要参数,也是指示生态系统变化的重要指标。以遥感测量为研究手段,综合讨论目前测量植被覆盖度最常用的4种模型:植被指数模型、亚像元模型、混合光谱模型和光谱梯度差模型,分析其优缺点,并对如何提高植被覆盖度的测量精度提出讨论,指出高光谱数据、多尺度遥感数据以及数码相机和航空遥感的综合使用是未来植被覆盖度测量发展的趋势。