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。     

基于多时相遥感数据和HSV 变换的越冬前冬小麦面积提取

【目的】冬小麦种植面积的提取对保障粮食安全和估产工作具有重要意义,已有冬小麦面积监测方法存在的所需数据量多、时间滞后等问题亟待解决。【方法】基于入冬前的2017年11月21日(分蘖期)和2017年12月24日Landsat8 OLI影像,将MIR、NIR和RED波段进行HSV变换,并计算地物的NDVI;利用全国土地利用图提取耕地与非耕地两类地物,统计分析两类地物NDVI值、H波段值的关系并设置阈值,初步提取疑似小麦种植区;利用小麦两个时相S值增大的特点准确提取小麦种植区域。【结果】利用多时相遥感数据中NDVI、H和S差别提取的试验区冬小麦种植面积,与地面调查、县区统计年鉴数据有较高的一致性。【结论】HSV阈值划分方法适用于冬小麦种植面积提取,能够提高小麦面积估算的时效性。     

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。     

基于能量平衡的蒸散遥感估算模型的应用研究

【目的】用遥感技术估算陕西关中渭北地区的实际蒸散,并将估算的蒸散与参考作物蒸散进行比较。【方法】以陕西关中渭北地区2008-06-23和09-05的NOAA-18卫星遥感资料以及该地区的气象资料为供试数据,利用能量平衡单层模型,计算陕西关中渭北地区的潜热通量及蒸散,并将蒸散估计值与参考作物蒸散分布进行比较。【结果】能量平衡单层模型中参数的反演途径直接影响着蒸散的反演精度,蒸散与植被指数的分布具有高度的一致性,蒸散的变化与研究区域的土地利用密切相关。【结论】根据下垫面特征建立的、物理意义清楚的基于遥感和气象资料的能量平衡单层模型,更适合区域实际蒸散的估算。     

无人机遥感在塑料大棚识别中的方法研究

【目的】快速、准确地获得塑料大棚覆盖面积、位置分布等地理信息,对政府统筹规划、农业产值估算、环境资源保护等方面提供技术支持。【方法】利用无人机高分辨率遥感数据,以云南省昆明市呈贡区可乐村塑料大棚区为研究区域,分别采用基于像元和面向对象的方法,对研究区进行分割、分类、面积提取,结合研究区背景资料和实地调研结果,比较两种方法的精度,并计算了该研究区塑料大棚的面积。【结果】塑料大棚面积的面向对象提取总体精度为94.6%,Kappa系数为0.9133;而基于像元监督分类方法提取总体精度为68.3%,Kappa系数为0.5848。面向对象方法提取的面积与实地测量提取面积相比仍然存在一定的误差,在总面积上的差值为3.925 m~2,累积差值为22.475 m~2。若按差值比例来计算,大棚的估计面积为(26.371 42万±410.737)m~2,满足精度要求。【结论】面向对象方法精度远远高于基于像元方法的精度,且能有效抑制"椒盐现象",极大降低"同物异谱"、"同谱异物"的影响,提高了分类的精度。该文研究成果为无人机遥感在塑料大棚识别应用提供了参考。     

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。     

一款无人机高光谱传感器的验证及其在玉米叶面积指数反演中的应用

【目的】验证无人机机载高光谱传感器S185,并基于其获得的影像探讨无人机高光谱遥感反演叶面积指数的新方法。【方法】以东北玉米为研究对象,在吉林省公主岭市开展了玉米氮肥梯度试验,共设5处理,每个处理3次重复。分别在玉米的V5-V6,V11,R1-R2等生育期（Ritchie生育期）进行无人机飞行试验和地面光谱及叶面积指数测定,共获得数据45组。为验证S185影像数据,在相同尺度下提取S185影像信息与地面光谱信息,一方面从测定同一目标地物两者光谱反射率间的相关性进行分析,另一方面筛选15种常用的各类光谱指数,从整个生育期通过影像数据计算的各光谱指值与地面光谱仪计算的相应值变化趋势的一致性进行分析;将45组样品随机选择30组,基于人工神经网络算法利用S185数据建立反演叶面积指数的模型,剩下15组样品作为外部验证样品,用来验证神经网络模型的预测效果。另外,基于相同的分组数据,利用前面筛选的各光谱指数分别建立叶面积指数的反演模型,以与人工神经网络建模结果进行比较。【结果】在各个生育时期,同种目标地物S185测定数据与地面光谱仪测定数据间具有很强的相关性,相关系数在0.99以上;在玉米整个生育期,S185数据计算的各光谱指数与地面光谱仪计算的各光谱指数变化趋势相同,相关系数在0.88以上;在构建基于人工神经网络法反演叶面积指数的模型中,建模时的决定系数为0.96,均方根误差为0.42,相对均方根误差为13.15%;外部验证时的决定系数为0.95,均方根误差为0.54,相对均方根误差为16.74%,这一结果优于基于各光谱指数建立的叶面积指数反演模型。【结论】无人机搭载S185传感器可用于准确获取玉米冠层高光谱信息,且可利用人工神经网络法基于这一数据建立玉米叶面积指数的反演模型。     

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。     

基于无人机影像阴影去除的苹果树冠层氮素含量遥感反演

【目的】去除无人机多光谱遥感影像中的阴影,以提高苹果树冠层氮素含量反演模型精度。【方法】以山东省栖霞市苹果园为试验区,利用2019年6月采集的无人机多光谱影像,分别基于归一化阴影指数（normalized shaded vegetation index,NSVI）和归一化冠层阴影指数（normalized difference canopy shadow index,NDCSI）去除果树冠层多光谱影像中的阴影,提取非阴影区域果树冠层光谱信息;通过相关性分析方法,将基于原始光谱影像和基于NSVI、NDCSI去除阴影后提取的光谱数据与实测叶片氮素含量进行相关性分析,分别筛选氮素含量的敏感波段并构建光谱参量;采用偏最小二乘（partial least square,PLS）及支持向量机（support vector machine,SVM）方法构建果树冠层氮素含量反演模型并进行精度检验。【结果】绿光波段和红光波段为果树冠层氮素含量反演的敏感波段;阴影削弱了果树冠层的光谱信息,去除阴影前后,冠层多光谱各波段光谱差异较大,在红边波段及近红外波段尤为明显;基于2个阴影指数去除阴影后构建的氮素反演模型精度均有提升,最优模型为基于NDCSI去除阴影后构建的支持向量机氮素含量反演模型,该模型建模集R²和RPD分别为0.774、1.828;验证集R²和RPD分别为0.723、1.819。【结论】基于NDCSI可有效去除无人机多光谱果树冠层影像中的阴影,提高氮素含量反演精度,为果园氮素精准管理提供了有效参考。     

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。