基于无人机低空高光谱遥感影像的柑橘黄龙病植株监测模型

以广西壮族自治区柳州市鹿寨县平山镇九简村的柑橘（Citrus reticulata Blanco）为研究对象,通过地面人工实测判别柑橘黄龙病（HLB）植株,协同无人机低空遥感获取标定柑橘种植地块的高光谱影像;计算柑橘健康植株和HLB植株冠层感兴趣区域（ROI）的平均光谱,并对初始光谱进行异常数据剔除、平滑去噪和光谱变换,得到原始光谱、一阶微分光谱（FDR）和二阶微分光谱（SDR）;采用主成分分析法对其进行降维后,构建支持向量机（SVM）分类模型。结果表明,通过选择400～1 000 nm的特征波段,使用ArcGIS软件提取样本平均光谱,其全波段一阶微分光谱的训练集和测试集分类准确率分别达87.41%、84.67%,SVM分类模型参数分别为C=35.39、γ=0.01;使用ENVI软件提取样本平均光谱,其全波段一阶微分光谱的训练集和测试集分类准确率分别达92.39%、96.43%,SVM分类模型参数分别为C=5.06、γ=1.02。无人机低空遥感高光谱监测柑橘HLB具有可行性,可快速识别柑橘种植园地的HLB植株。     

基于决策树的无人机高光谱遥感影像地物分类研究

高光谱影像由于其波段众多,传统的多光谱图像的信息提取方法不适合高光谱影像的处理。利用无人机搭载美国Headwall公司的最新纳米级高光谱成像光谱仪,采集广东省广州市增城区某处的高光谱影像,提取光谱数据,分析不同地物间光谱曲线特征和差异,采用决策树进行地物分类。结果表明:根据无人机高光谱数据中不同地物之间光谱特征曲线的差异,建立分类树,不仅可以大大减少分类处理的工作量,且分类效果良好,准确度高。     

火龙果植株高光谱识别与特征波段提取

[目的]为火龙果长势监测、估产、植株病害高光谱遥感诊断提供可靠依据.[方法]通过原始光谱、光谱不同形式变换和不同植被指数对火龙果植株冠层、果、枝、花等不同部位进行识别,运用主成分分析法提取火龙果不同部位的特征波段,构建BP神经网络模型,分析火龙果不同部位的波段特征,检验BP神经网络模型识别准确率.[结果]在波长400～...     

基于无人机高光谱遥感的火龙果种植株数提取技术

为快速、准确提取火龙果种植株数,以大疆Matrice 600Pro六旋翼无人机搭载高光谱成像仪,获取关岭县上官镇乐安村火龙果种植基地的高光谱影像,通过影像处理,借助ENVI遥感影像处理软件结合ArcGIS空间分析软件,采用波谱角分类方法实现火龙果植株的提取。结果表明:基于无人机高光谱遥感技术对研究区火龙果植株数的提取精度为92.94%,利用该技术可实现快速、准确地提取火龙果种植株数,可为火龙果园精准管理提供一定的技术支撑。     

基于无人机高光谱遥感的火龙果种植株数提取技术

为快速、准确提取火龙果种植株数,以大疆Matrice 600 Pro六旋翼无人机搭载高光谱成像仪,获取关岭县上官镇乐安村火龙果种植基地的高光谱影像,通过影像处理,借助ENVI遥感影像处理软件结合ArcGIS空间分析软件,采用波谱角分类方法实现火龙果植株的提取。结果表明：基于无人机高光谱遥感技术对研究区火龙果植株数的提取精度为92.94%,利用该技术可实现快速、准确地提取火龙果种植株数,可为火龙果园精准管理提供一定的技术支撑。     

基于无人机高光谱的荒漠草原地表微斑块分类研究

草原荒漠化会严重破坏草原生态平衡,荒漠草原地物分类已成为草原监测管理的关键问题。本文通过构建无人机高光谱遥感系统,解决了原有草原调查方式上效率低与空间分辨率不足问题;构建高分辨率图像卷积神经网络(HR-CNN)解决了荒漠草原地表微斑块精细化分类问题;与ResNet34、GoogLeNet、常规卷积神经网络模型进行对比,总体上HR-CNN模型表现更优,总体分类精度与Kappa系数分别为98.27%、96.63。在相同迭代次数条件下,模型构建速度上,HR-CNN相较其它三类模型分别提升65.88%、65.71%、13.77%。模型内存占有量上,HR-CNN相较其它三类模型分别降低92.11%、79.21%、43.64%。该网络模型是轻量化卷积在荒漠草原地物分类研究中的有效探索,可为后续草原地物分类提供新思路。     

基于高光谱遥感的农作物分类研究进展

【目的】农作物类型识别是农作物面积、长势监测与产量预测的重要前提。及时、准确地获取农作物类型、空间分布以及种植面积对制定农业政策、促进社会经济发展和保障国家粮食安全具有重要意义。近年来,高光谱遥感凭借光谱分辨率高、光谱信息丰富等优点,已广泛应用于农作物制图中。【方法】文章归纳了高光谱遥感应用于农作物分类的研究进展,总结了国内外农作物分类常用的高光谱数据源,并分析了各种数据源的适用范围。梳理了农作物高光谱遥感分类方法,讨论了各种分类方法的优缺点。【结果】现有农作物高光谱遥感分类研究存在一些不足:(1)机载高光谱影像光谱分辨率高,但影像监测面积小,不适合大区域农作物面积提取研究;(2)星载高光谱影像监测面积较大,但空间分辨率较低,某些农作物面积提取实际应用中精度较低;(3)由于缺乏对农作物高光谱特征的研究,导致分类算法机理性不足,普适性较差。【结论】农作物高光谱遥感分类未来研究方向是:(1)丰富高光谱遥感监测的农作物类型;(2)提高高光谱影像的空间分辨率,实现农作物种植结构复杂、地块破碎地区的农作物分类研究;(3)进一步研究利用高光谱遥感进行农作物分类的机理和多源数据融合的方法。     

无人机遥感的农作物精细分类研究进展

【目的】农作物精细分类是面积估算、长势监测、产量预测及灾害评估的重要前提和基 础。近年来,无人机低空遥感技术因其操作成本低、空间分辨率高、灵活性强等优势,成为田 块尺度下农作物精细分类的重要工具。【方法】文章系统总结了国内外近10 余年无人机遥感在 农作物分类领域的研究进展,介绍了目前常用的无人机平台和传感器,归纳了农作物分类特征 及算法的使用情况,指出了无人机遥感农作物精细分类研究存在的问题。【结果】当前无人机 遥感农作物精细分类研究存在一些不足之处：（1）无人机遥感监测面积小,无法在较大尺度区 域实现农作物精准监测。（2）适用于无人机遥感的农作物分类特征仍需进一步挖掘,面向高光 谱影像的农作物分类特征及特征组合尚需进一步明确。（3）分类器使用单一,分类算法的普适性 和稳定性不强。【结论】无人机遥感农作物精细分类研究的发展趋势主要包括3 个方面：（1）无人 机遥感影像与星载遥感数据的高效融合,拓宽无人机的监测范围。（2）面向无人机遥感影像 的农作物分类特征提取与优化研究。（3）适合无人机遥感的农作物分类算法改进。     

高光谱遥感监测农作物病虫害研究进展

农作物病虫害监测是有害生物综合防治必不可少的环节之一。在阐述高光谱遥感监测农作物病虫害原理的基础上,从光谱植被指数和导数光谱的角度入手,综述了近年来国内外高光谱遥感监测农作物病虫害的研究进展,体现了高光谱遥感在植保领域中广阔的应用前景。最后,还提出了研究中一些有待解决的问题。     

基于无人机遥感的果园冠层氮素估算及空间分析

为快速准确地获取植株冠层氮素含量及空间分布特征,对大尺度的果园进行精准动态的管理,以宽行窄株小冠模式、宽行窄株篱壁模式和传统栽培模式3种栽培模式的120棵柑橘树为研究对象,通过测定冠层氮素含量并提取无人机遥感影像多光谱数据中的纹理指数和植被指数,运用随机森林算法（RF）建立基于植被指数、纹理指数以及融合植被指数和纹理指数的柑橘冠层氮素反演模型,并比较融合植被指数和纹理指数的支持向量机（SVM）、BP神经网络算法（BP）和RF的模型反演精度。结果显示：在随机森林算法中,融合植被指数和纹理指数比单独的植被指数或纹理指数更能准确预测柑橘冠层氮素含量;植被指数训练集R²为0.710,测试集R²为0.430;纹理指数训练集R²为0.761,测试集R²为0.349;融合植被指数和纹理指数训练集R²为0.775,测试集R²为0.533。融合植被指数和纹理指数在SVM算法训练集R²为0.511,测试集R²为0.371;BP神经网络训练集R²为0.651,测试集R²为0.204。用融合植被指数和纹理指数的RF模型对3种栽培模式的柑橘园进行氮素反演,得到宽行窄株小冠模式的柑橘冠层平均氮素含量最高,其次为宽行窄株篱壁模式,传统栽培模式最低,氮素含量均值分别为31.33、30.20和27.82 mg/g。结合无人机遥感与融合植被指数和纹理指数的随机森林算法能够有效预测柑橘冠层氮素含量,可为大尺度柑橘果园定量施肥提供参考。     

高光谱遥感技术在土壤重金属含量测定领域的应用与发展

相较传统的土壤重金属含量测定方法,利用高光谱遥感技术对土壤重金属含量进行反演推算更为方便快捷,且能进行大范围的原位监测,表现出了极大的优势。本文旨在针对已有的土壤重金属含量测定领域高光谱遥感技术应用的相关研究进行综述,阐述高光谱遥感的技术原理及高光谱遥感技术在土壤重金属测定领域的应用与发展,宏观层面把握该领域的研究动向与热点。本文总结了土壤中部分重金属元素的光谱响应特征波段及与重金属元素高度相关的土壤组分,从近地传感高光谱、高空高光谱遥感、低空高光谱遥感3种技术角度切入,论述了高光谱遥感技术应用于土壤重金属测定的技术特征及发展历程,并展望了高光谱遥感技术的未来发展方向及其在土壤重金属测定领域的发展趋势。     

千岛湖水体叶绿素浓度高光谱遥感监测研究初报

以千岛湖为研究对象,利用高光谱地物光谱仪在库区进行了反射光谱测量和同步水质采样分析.通过研究水体藻类叶绿素浓度与其高光谱反射特征之间的关系,建立了叶绿素a的遥感定量模型, 结果表明:光谱反射率比值R701 nm/R516 nm、IKONOS的红光与蓝光波段反射率之比与叶绿素a线性相关程度都比较高,决定系数分别为0.87和0.83,可以用来估计叶绿素a浓度;而微分光谱、单波段以及其它波段比与叶绿素a的相关性不及前两者.所以,遥感估算千岛湖叶绿素a浓度,采用比值法最准确.由于TM波段与IKONOS波段范围几乎完全相同,而分辨率不同,从经济实用的角度考虑,可以用TM数据对整个库区进行大范围遥感监测,而对其支流和小范围水面,用分辨率较高的IKONOS数据才能满足精度要求.     

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。     

基于无人机遥感影像的沙糖橘果树提取方法研究

目的 通过无人机获取沙糖橘果园的遥感图像,快速提取果树分布位置,为果树的长势监测和产量预估提供参考。方法 以无人机拍摄的可见光遥感图像为研究对象,计算超红指数、超绿指数、超蓝指数、可见光波段差异植被指数、红绿比指数和蓝绿比指数6种可见光植被指数,使用双峰阈值法选取阈值进行果树的提取。在使用光谱指数进行识别的基础上,结合数字表面模型作为识别模型的输入变量,进行对比试验。结果 相比使用单一光谱指数,结合数字表面模型提高了果树和非果树像元的提取精度,6次波段融合后的总体精度均大于97%。超红指数与数字表面模型结合后的总体精度最高,为98.77%,Kappa系数为0.956 7,植被信息提取精度优于其他5种可见光植被指数与数字表面模型结合后的提取精度。结论 数字表面模型结合可见光植被指数的提取方法能够更深层次地挖掘遥感数据蕴含的信息量,为影像中色调相似地物的提取提供参考。     

植被高光谱遥感的应用研究综述

植被高光谱遥感以其显著的特点已经成为连接遥感数据处理、地面测量、光谱模型和应用的强有力的工具。本文概述了植被高光谱遥感数据的处理方法和高光谱分析的算法以及它在植被参数估算与分析、植被长势监测、估产及生物量估算等领域的应用现状 ,特别是与近年逐步兴起的多角度遥感结合在建立与完善双向反射模型 ,更精确地反演植被参数等方面的发展状况。并讨论了进一步充分利用植被高光谱遥感数据 ,加速遥感定量化进程的一些途径。     

基于Grey-Sigmoid核函数支持向量机高光谱遥感图像分类方法研究

针对传统支持向量机方法中存在的野值噪声敏感问题,提出了一种基于紧密度的Grey-Sigmoid核函数支持向量机,不仅考虑样本与所属类中心之间的关系,还考虑了各个样本之间的距离。通过样本之间的紧密度来描述各个样本之间的关系,利用包围同一类样本的最小超球半径来衡量样本间的紧密度,样本灰度依据样本在球中的位置确定。通过对田间小麦全蚀病的遥感图像分类的实验验证,证明Grey-Sigmoid核函数和传统的Sigmoid核函数相比,计算速度更快,且精度没有明显损失。     

基于无人机多光谱遥感的冬小麦叶面积指数反演

以获取的冬小麦无人机多光谱影像为数据源,充分利用多光谱传感器的红边通道对传统植被指数进行改进,通过灰色关联度分析后基于多个植被指数建模的方法对冬小麦的叶面积指数(leaf area index,LAI)进行反演精度对比。结果显示:使用基于多植被指数的随机森林(RF)比赤池信息量准则-偏最小二乘法(AIC-PLS)反演精度高。得到的LAI反演值和真实值之间的R~2=0.822,RMSE=1.218。研究证明通过随机森林预测具有更好的拟合效果,对冬小麦的LAI反演有较好的适用性。     

基于高光谱遥感的油松毛虫危害程度监测模型

油松毛虫对人工油松林造成了严重的危害。据统计,辽宁省油松毛虫的发生面积为12万hm2/a,年均直接经济损失340万元。利用遥感技术特别是高光谱遥感大面积及时监测病虫害是今后林业病虫害监测的发展方向之一。高光谱遥感技术可以为植物叶绿素和含水率等生物化学参数的定量化诊断提供简便、有效以及非破坏性的数据采集和处理方法。本研究采用野外便携式光谱仪测定不同失叶率油松的高光谱反射率数据,使用分光光度计室内测定相应叶片的叶绿素含量,采用烘干法测定叶片含水率。通过计算归一化光谱指数(NDSI)、比值光谱指数(RSI)、差值光谱指数(DSI)与叶绿素a含量、叶绿素b含量、含水率的相关系数,选择相关系数最高的光谱指数作为核心光谱指数。以核心光谱指数为自变量,失叶率为因变量建立回归模型,采用逐步回归法进行变量筛选,筛选出包含DSI(808,816)、RSI(482,494)、NDSI(881,920)、NDSI(907,919)的光谱指数集作为最佳回归模型的自变量,应用R语言的函数lm()获得最佳回归模型y=1.781 8－3.172 4×NDSI(808,816)－0.960 6×RSI(482,494)－2.196 7×NDSI(881,920)－1.241 9×NDSI(907,919),R2为0.786。模型检验结果显示,最佳回归模型的均方根误差(RMSE)为0.089,相对误差(RE)为11.7%,预测效果良好,表明该模型可用于估算油松失叶程度,有助于对油松的受害情况做出综合分析,提高油松毛虫灾害监测的精度,克服了使用单一叶绿素指标或含水率指标的片面性和局限性。      

高光谱遥感在植被理化信息提取中的应用动态

概述了高光谱遥感信息的处理方法,综述和总结了高光谱遥感在植被生物物理和生物化学信息提取等方面的应用及国内外研究进展,阐述了植被指数应用的可行性,在此基础上指出高光谱遥感在提取植被信息过程中存在的问题及其发展前景。