基于无人机可见光影像和面向对象的树种分类研究

针对目前林业部门人工调查树种存在效率低、成本高等问题,采用无人机遥感技术进行树种分类识别,提高树种调查效率,辅助林业管理部门进行林木种植结构分析、病虫害防治等工作。利用无人机获取矮冬青、三球悬铃木、马尾松和紫叶李的冠层红绿蓝（red-green-blue,RGB）可见光影像,进行数字表面模型（digital surface model,DSM）特征图像提取,通过色彩空间转换提高树种间颜色差异;应用最优尺度分割,以纹理特征、颜色特征及几何特征为分类特征参数,优选最佳分类特征集,以期实现无人机可见光影像的树种分类。结果表明,DSM与RGB特征融合图像提取树种的精度较高,可见光影像分类总精度为91.58%,Kappa系数为0.89;特征融合图像分类总精度为98.27%,Kappa系数为0.98。研究提出的特征融合图像结合面向对象分类方法实现了可见光影像的树种分类,为实现树种计数、统计、分类提供数据参考。     

无人机遥感影像在油菜品种识别中的应用

采用无人机遥感技术进行油菜品种识别,是产量预测及灾害评估的重要前提和基础。本研究利用无人机作为数据采集设备,以基地24个品种油菜苗期育种材料为识别数据,将无人机获取的影像进行拼接、裁剪、旋转等预处理,按照4∶1划分训练集和测试集,构建注意力机制引导的卷积神经网络搭建油菜影像识别网络模型,并采用总体准确率、Kappa系数等评价参数对识别结果进行评价。结果表明,本研究的网络模型识别准确率和Kappa系数分别达到了89.60%和0.889 4,高于5个经典网络模型。说明,注意力机制能够更加充分地提取无人机遥感影像的油菜特征,有效地提高卷积神经网络对不同品种油菜的识别精度。本研究网络模型弥补了传统油菜细分需要人力统计及现有方法设备成本高的缺陷,为采用无人机遥感技术进行作物品种识别提供技术支撑。     

无人机可见光遥感影像的空间分辨率对毛竹立竹度识别精度的影响

为探究无人机可见光影像在毛竹立竹度提取方面的适用性,以福建省三明市永安市天宝岩国家级自然保护区毛竹林为研究对象,运用重采样的方式获取不同空间分辨率(0.25、0.50、0.75 m)下的可见光影像,利用面向对象多尺度分割确定各个分辨率下的最佳分割尺度,采用随机森林分类方法,对不同空间分辨率下立竹度提取精度进行了比较。结果表明：不同空间分辨率下分割尺度的选择不同,影像空间分辨率为0.25、0.50、0.75 m的最佳分割尺度分别为20、9和8,立竹度提取平均精度分别为80.97%、81.29%和77.82%,Kappa系数分别为0.806 0、0.863 3和0.817 1;图像空间分辨率为0.50 m时,总体分类精度和Kappa系数最高,因此,毛竹立竹度提取的适宜图像空间分辨率为0.5 m,最佳分割尺度为9。     

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。     

油菜田杂草识别技术

介绍了牛繁缕、播娘蒿、苘麻、婆婆纳、猪殃殃、看麦娘、马唐、狗尾草、棒头草、野燕麦10种油菜田杂草的识别技术。     

基于无人机影像的冬小麦株高提取与LAI估测模型构建

株高和叶面积指数（Leaf Area Index, LAI）反映着作物的生长发育状况。为了探究基于无人机可见光遥感提取冬小麦株高的可靠性,以及利用株高和可见光植被指数估算LAI的精度,本文获取了拔节期、抽穗期、灌浆期的无人机影像,提取了冬小麦株高与可见光植被指数,使用逐步回归、偏最小二乘、随机森林、人工神经网络四种方法建立LAI估测模型,并对株高提取及LAI估测情况进行精度评价。结果显示：（1）株高提取值Hc与实测值Hd高度拟合（R = 0.894,RMSE = 6.695,NRMSE = 9.63%）,株高提取效果好;（2）与仅用可见光植被指数相比,基于株高与可见光植被指数构建的LAI估测模型精度更高,且随机森林为最优建模方法,当其决策树个数为50时模型估测效果最好（R=0.809,RMSE = 0.497,NRMSE = 13.85% ,RPD = 2.336）。利用无人机可见光遥感方法,高效、准确、无损地实现冬小麦株高及LAI提取估测可行性较高,该研究结果可为农情遥感监测提供参考。     

基于无人机多光谱遥感图像的玉米田间杂草识别

【目的】为了精确高效识别玉米田间杂草,减少除草剂施用,提高玉米种植管理精准性。【方法】通过六旋翼无人机搭载多光谱相机获取玉米田块多光谱图像。为分离图像中植被与非植被像元,计算了7种植被指数,采用最大类间方差法提取植被指数图像中非植被区域,制作掩膜文件并对多光谱图像掩膜。通过主成分分析对多光谱图像进行变换,保留信息量最多的前3个主成分波段。将试验区域分为训练区域和验证区域,在训练区域中分别选取了675处玉米和525处杂草样本对监督分类模型进行训练,在验证区域选取了240处玉米样本及160处杂草样本评价模型分类精度。将7种植被指数、3个主成分波段的24个纹理特征及经过滤波的10个反射率,共计41项特征作为样本特征参数。利用支持向量机-特征递归消除算法(support vector machines-feature recursive elimination,SVM-RFE)和Relief算法从41项特征中各筛选14项特征构成特征子集,采用支持向量机、K-最近邻、Cart决策树、随机森林和人工神经网络对特征子集进行监督分类。【结果】支持向量机与随机森林对全部特征及2个特征子集分类效果较好,支...     

基于无人机影像技术的小麦长势遥感监测

随着国家经济建设快速发展,我国越来越注重精准化农业的推广应用,即对农作物长势进行遥感监测。随着信息化技术在社会中受到广泛关注与应用,为加强小麦长势监测质量与效率,可以引进无人机影像技术在小麦生长过程中对其进行科学化、高效化的遥感监测。本文以无人机影像技术的基本类型与技术特点为切入点,对无人机影像技术在小麦生长过程中开展遥感监测的具体应用进行分析,为加强小麦长势监测、实现精细化农业、提升农业生产质量与效率提供参考。     

基于无人机航拍遥感影像的新农村规划研究

以宁波象山县泗洲头镇东联村为例,通过无人机进行遥感航拍,结合研究区及周边地区的地形图,利用遥感专题信息提取技术对东联村进行用地类型现状提取;并通过实地调查研究,进行其新农村的规划,从而论证无人机航拍技术在新农村规划方面应用的可行性和实效性.     

基于无人机可见光遥感影像的耕地精准分类方法研究

无人机可见光遥感具有使用成本低、操作简单、实时获取遥感影像、地面分辨率高等优势。提出了一种利用无人机可见光遥感影像进行耕地精准分类的方法,以广东省惠州市惠东县铁涌镇石桥村部分耕地的可见光遥感影像为研究对象,对耕地的面积信息、形状信息以及位置信息进行监测和提取,采用面向对象法对影像中两种基于可见光波段的植被指数、纹理信息、形状信息进行分析,研究出分类提取耕地信息的较佳方案。经过反复实验确定分割尺度45、合并尺度90为分割参数,同时利用波段信息和纹理信息对未种植作物耕地和其他地物进行分离。该方法总体精度为89.23%,Kappa系数为0.72。实验结果表明利用无人机可见光遥感数据对耕地进行分类虽然存在一些细碎地块被错提、误提的情况,但总体精度仍然保持在一个很高的水准,可以为耕地作物分类提供参考,为实现精准农业提供精准的数据基础。     

基于无人机可见光遥感的棉花面积信息提取

【目的】针对传统大区域棉花种植信息提取方法相对落后的问题,运用面向对象的影像分析方法,对无人机遥感试验获取的可见光影像进行棉花种植信息的提取。【方法】选用双子星MyFlyDream MTD固定翼无人机搭载佳能EF-M 18-55相机,获取新疆建设兵团第八师135团的可见光影像,借助eCognition软件平台,运用面向对象的方法对研究区内棉花种植信息进行提取试验。【结果】目视解译提取的棉花种植面积为0.35 km²,面向对象提取的棉花种植面积为0.33 km²,分类结果精度为94.29%,误差系数为5.71%,可以有效地提取研究区域棉花种植信息。【结论】面向对象的分类方法相比于传统的基于像素的分类方法提取精度更高,更加接近于目视解译的提取结果。     

基于冠层光谱特征参数的油菜品种识别

高光谱技术在农业领域应用广泛,其快速高效、精准无损的特点为农作物品种分类识别提供了一定的技术支持.采集11个油菜品种苗前期、苗后期冠层反射光谱数据,以高光谱位置、振幅、面积、宽度、反射率和植被指数6个方面共23个特征参数为研究指标,衡量特征参数的贡献率大小和方差分析显著性,据此分析其区分、识别油菜不同品种的效果.结果 ...     

基于无人机多光谱影像的棉叶螨识别方法

【目的】利用无人机遥感在空间分辨率和光谱分辨率上的优势,研究大面积棉田棉叶螨监测方法,为类似的农作物虫害遥感监测研究提供参考。【方法】选20种光谱指数作为螨害监测的特征因子,使用赤池信息准则作为模型优选依据,获取最佳建模特征,建立棉田螨害监测识别的logistic回归模型。【结果】在所分析的全部光谱指数中,TVI、DVI和RDVI为螨害监测的最佳特征因子,基于该3个因子构建的logistic回归模型的分类准确率为95%,F1值为95.1%,能够较好地实现棉田螨害识别。【结论】监测模型可以实现区域范围的棉叶螨快速识别。     

籽用南瓜疫病苗期抗性鉴定方法的研究

通过单因素试验，研究了接种浓度、接种方法、苗龄、保湿时间对南瓜疫病接种效果的影响．并采用多因素L9(3^4)正交试验设计．筛选出南瓜苗期最佳抗性鉴定方法，即植株在3片真叶期用注射法接种，接种浓度为1250个孢子/mL，接种后保温48h效果最好。用此方法对29份试验材料进行抗性鉴定．筛选出抗性材料1份，中抗材料6份．感病材料16份．高感材料6份。这些品种的抗性鉴定结果与田间表现的抗病性调查结果基本一致。     

基于无人机可见光图像的作物分类研究

【目的】采用无人机遥感技术对作物进行分类识别,为及时获取农田信息、制定农田管理策略及产量估测提供技术支持。【方法】采用无人机遥感平台,获取试验区域玉米、桃树、菜花、大豆的可见光正射影像;利用HSV色彩空间转换和纹理滤波,获取不同地物的24项纹理特征与3项色彩特征。分别通过ReliefF算法及基于支持向量机的递归特征消除算法(support vector machine-recursive feature elimination,SVM-RFE)进行特征选择与分类,建立6种监督分类模型,利用得到的特征子集对其进行训练,对各模型分类效果进行精度评价。【结果】由SVM-RFE特征子集训练的6种监督分类模型测试集的分类精度均高于80%,分类精度平均提高5.023%,优于ReliefF特征子集训练的监督分类模型,其中SVM-RFE特征子集与支持向量机模型组合对作物的监督分类效果最佳,总体精度达83.417%,Kappa系数为78.60。【结论】基于无人机遥感技术的作物分类识别是可行的。     

基于遥感技术的森林树种识别研究进展

基于遥感手段的森林类型/树种（组）的精准识别是森林参数提取和计算的前提,是林业遥感领域的研究前沿,可为宏观尺度快速获取森林资源信息提供重要途径。对多源遥感数据在森林树种识别中的应用研究进行总结分析发现,当前基于遥感数据的树种识别已成为林业遥感的研究热点。利用卫星遥感数据和近地低空遥感数据结合随机森林、支持向量机等分类方法进行树种识别已相对成熟。近年来,无人机技术不断发展,以其灵活性强的特点在林业中有较强的应用潜力,在计算机技术、数字图像处理技术和机器学习领域不断发展成熟背景下,低空遥感数据结合深度学习技术应用于森林树种的精确识别是值得深入研究的科学问题。