基于无人机多光谱遥感的棉花生长参数和产量估算

及时准确地监测棉花长势和产量是精准农业栽培管理的关键。无人机(UAV)平台能够快速获取高时空分辨率的遥感数据,在作物生长参数和产量估算方面显示出巨大的潜力。以山东省滨州市棉花为研究对象,利用安装在无人机上的多光谱相机获取遥感影像,分别提取各波段反射率,筛选出8种植被指数,采用多元线性回归(MLR)、随机森林(RF)、人工神经网络(BPNN)3种方法分别构建棉花的株高、叶绿素相对含量、单株产量的估计模型并进行验证。结果表明,基于BPNN的预测模型精度明显优于MLR和RF模型,盛花期与成熟期棉花株高估计模型验证集的R²分别为0.842和0.670;叶绿素相对含量估算模型验证集的R²分别为0.725和0.765;产量估算模型验证集的R²分别为0.860和0.846。为无人机遥感在作物生长参数与产量估算领域中的应用提供理论依据,为进一步优化农业生产管理、科学决策提供参考。     

基于多角度成像数据的大豆冠层叶绿素密度反演

利用多角度观测系统采集田间不同生育期大豆冠层的图谱数据,通过提取影像中土壤背景、大豆植株、光照叶片等不同目标地物的反射光谱,对比分析不同观测角度下成像光谱数据反演大豆冠层叶绿素密度的效果,探讨土壤、阴影叶片及角度变化对群体叶绿素密度反演的影响.结果表明:(0°,20°,40°,60°)的天顶角组合有最高的预测模型决定系数(R2为0.834)和最小的均方根误差(RMSE为6.13);(20°,40°,60°)天顶角组合的决定系数值高于(0°,20°,40°)的组合,且在混合植被、纯植被、光照植被3类数据中有一致的趋势.40°天顶角是反演叶绿素密度的最优角度.0°方位角(太阳主平面的后向观测)是反演叶绿素密度的最优角度.天顶角变化是影响大豆冠层叶绿素密度反演的主要因素.     

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。     

基于相对叶绿素含量的黄瓜叶色仿真

提出了一种基于相对叶绿素含量的植物叶片颜色仿真方法,通过连续对正常生长状态下的黄瓜叶片图像采集及相对叶绿素含量SPAD值测定,建立了黄瓜叶片颜色分量与SPAD值的数学关系模型,并采用均方根误差(RMSE)对模型进行验证,结果显示叶片的3个颜色分量R、G、B的实测值与模拟值之间的RMSE为13.43%、8.47%、7.42%,模拟效果较好。通过结合叶片色素浓度分布图对叶色空间分布进行仿真,并采用高级着色器语言实现了黄瓜叶片表观颜色变化过程的可视化模拟,获得了较好的真实感效果。     

基于红边优化植被指数的寒地水稻叶片叶绿素含量遥感反演研究

水稻叶片叶绿素含量遥感诊断是实现水稻精准施肥的核心要素。本研究通过分析寒地水稻关键生育期叶片高光谱反射率信息,同时结合PROSPECT模型叶绿素含量吸收系数,参考借鉴现有高光谱植被指数的构造方法和形式,利用相关性分析、连续投影法、遗传算法优化的粗糙集属性简约法进行高光谱特征选择,提出了仅含有695、507和465nm 3个高光谱特征波段的红边优化指数（ORVI）。与Index Data Base数据库中其他用于叶绿素含量反演植被指数,包括ND_528,587、SR_440,690、CARI、MCARI的反演结果进行了对比分析,结果表明：IDB数据库中的已有4种植被指数叶绿素含量反演模型的决定系数R₂分别为0.672、0.630、0.595和0.574;ORVI植被所建立的叶绿素含量反演模型的决定系数R₂为0.726,均方根误差RMSE为2.68,精度高于其他植被指数,说明了ORVI在实际的应用中,能够作为快速反演水稻叶绿素含量的高光谱植被指数。本研究能够为寒地水稻叶绿素含量高光谱遥感诊断及管理决策提供一定的客观数据支撑和模型参考。     

基于Atrous-CDAE-1DCNN的紫丁香高光谱数据的叶绿素含量反演

叶绿素含量是评价植物生长状况以及光合作用能力的重要指标。通过叶绿素测定仪实地测定表征紫丁香叶片的叶绿素含量的SPAD(soil plant analysis development)值,利用高光谱图像技术和机器学习算法反演推算紫丁香叶片叶绿素的含量。针对数据采集时噪声信息的干扰、相邻波段间相关性强、冗余信息多的问题,利用空洞卷积去噪自动编码器(Atrous Convolutional Denoising Auto Encoder,Atrous-CDAE)将原始高光谱数据由204维减少到51维,并减少噪声干扰。结合1DCNN建立紫丁香叶片叶绿素含量的预测模型,并与原始数据和其他4种数据处理方法进行比较。结果表明：相比于原始高光谱数据和其他数据处理方法,经Atrous-CDAE处理后的数据预测结果最佳,预测集中决定系数R2为0.972 3,均方根误差RMSE为1.326 6。利用Atrous-CDAE处理的数据与其他经典预测模型组合均取得较优的预测结果,表明Atrous-CDAE可有效地提取数据潜在表征。对其他数据结合本文所提1DCNN模型进行预测,其R2均在0.94以上,RMSE均在2以下,表明该预测模型具有一定的适应性。     

基于无人机多光谱遥感的芳樟矮林SPAD反演

为实现利用多光谱技术开展芳樟叶绿素相对含量(SPAD)监测,及时快速诊断芳樟矮林生长状况,为田间管理决策提供信息支持,以红壤区芳樟矮林为研究对象,利用无人机多光谱遥感影像,提取波段反射率,筛选植被指数,分别以波段反射率和植被指数为模型输入量,采用偏最小二乘回归、支持向量回归、反向传播(Back propagation, BP)神经网络和径向基函数(Radial basis function, RBF)神经网络4种方法构建芳樟矮林SPAD反演模型,并对比不同输入量、不同模型模拟结果的反演精度。研究结果表明：对比两种不同的输入量,在同一模型反演的精度相差不大;其中,基于偏最小二乘回归法,以植被指数为模型自变量估测芳樟矮林SPAD效果略优;基于支持向量回归、BP神经网络和RBF神经网络,以波段反射率为模型自变量估测芳樟矮林SPAD效果略优;对比4种建模方法,不同方法建模预测精度不同,与偏最小二乘回归、支持向量回归和BP神经网络相比,基于RBF神经网络反演芳樟SPAD的精度最高,以波段反射率和植被指数为模型输入量的测试集为例,其决定系数R²分别为0.788、0.751,均...     

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。     

基于SVR算法的苹果叶片叶绿素含量高光谱反演

为实现苹果叶片叶绿素含量的高光谱反演,分析了多种光谱参数与实测SPAD值的相关性,并将归一化光谱参数值及SPAD值进行多项式回归及支持向量回归。其中以归一化植被指数为变量的SVR(Support vector regression)反演模型在建模及模型检验中决定系数分别为0.741 0、0.891 4,均方根误差分别为0.133 2、0.125 6,具有较高的精度及良好的预测能力。与多项式回归相比,SVR具有更好的反演效果,可以作为叶绿素高光谱反演的优选算法。     

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,...     

基于无人机高光谱影像的冬小麦全蚀病监测模型研究

冬小麦全蚀病是导致小麦大幅减产甚至绝收的土传检疫性病害。快速、无损地监测冬小麦全蚀病空间分布对其防治具有重要意义。以无人机搭载成像高光谱仪为遥感平台,利用成像高光谱影像结合地面病害调查数据,在田块尺度对冬小麦全蚀病病情指数分布进行空间填图。利用地物光谱仪(ASD)同步获取的高光谱数据评价UHD185光谱数据质量,综合运用统计分析以及遥感反演填图技术,计算光谱指数(Difference spectral index,DSI)、比值光谱指数(Ratio spectral index,RSI)及归一化差值光谱指数(Normalized difference spectral index,NDSI)与病情指数(DI)构建决定系数等势图,筛选最优光谱指数与DI构建线性回归模型,并利用3个光谱指数构建偏最小二乘回归预测模型,以对比模型预测精度与稳健性。最后用独立数据对模型进行检验。结果表明,冬小麦冠层的ASD光谱数据与UHD185光谱数据相关性显著,决定系数R~2达0.97以上,3类光谱指数与DI构建偏最小二乘回归模型,得到模型验证结果(R~2=0.629 2,R_(MSE)=10.2%,M_(AE)=16.6%),其中DSI(R_(818),R_(534))对模型贡献度最高,利用DSI(R_(818),R_(534))与DI构建线性回归模型为y=-6.490 1x+1.461 3(R~2=0.860 5,R_(MSE)=7.3%,M_(AE)=19.1%),且通过独立样本的模型验证精度(R~2=0.76,R_(MSE)=14.9%,M_(AE)=11.7%,n=20)。最后使用该模型对冬小麦进行病情指数反演,制作了冬小麦全蚀病病害空间分布图,本研究结果为无人机高光谱遥感在冬小麦全蚀病的精准监测方面提供了技术支撑,并对未来卫星遥感探索冬小麦全蚀病大面积监测提供了理论基础。     

基于随机森林回归算法的小麦叶片SPAD值遥感估算

使用机器学习中的随机森林(RF)回归算法构建小麦叶片SPAD值遥感反演模型。以2010—2013年江苏地区试验点稻茬小麦3个生育期(拔节、孕穗、开花)的叶片为材料,结合我国自主研发的环境减灾卫星HJ-1对研究区域进行同步监测,分析了各生育期叶片SPAD值与8种植被指数间的相关性;以0.01水平下显著相关的植被指数作为输入参数,使用RF回归算法构建了每个生育期的小麦SPAD反演算法模型,即RF-SPAD模型,以支持向量回归(SVR)和反向传播(BP)神经网络算法构建的SVR-SPAD模型和BP-SPAD模型作为比较模型,以R2和均方根误差(RMSE)为指标,分析了每个生育期3个模型的学习能力和回归预测能力,结果表明:RF-SPAD模型在3个生育期都表现出最强的学习能力,R2和RMSE在拔节期分别为0.89和1.54,孕穗期分别为0.85和1.49,开花期分别为0.80和1.71;RF-SPAD模型在3个生育期的回归预测能力都高于BP-SPAD模型,高于或接近于SVR-SPAD模型,R2和RMSE在拔节期分别为0.55和2.11,孕穗期分别为0.72和2.20,开花期分别为0.60和3.16。     

基于无人机高光谱影像的马铃薯株高和地上生物量估算

为实现快速无损获取马铃薯株高和地上生物量信息,分别获取马铃薯现蕾期、块茎形成期、块茎增长期、淀粉积累期、成熟期的高光谱影像,实测马铃薯株高H、地上生物量(AGB)和地面控制点(GCP)的三维空间坐标,基于无人机高光谱影像结合GCP生成试验田的数字表面模型(DSM),利用DSM提取马铃薯的株高Hdsm;然后,对马铃薯AG...     

基于无人机数码影像的大豆育种材料叶面积指数估测

利用低成本的无人机(Unmanned aerial vehicle,UAV)高清数码影像获取系统,于2016年7—9月在山东省济宁市嘉祥县圣丰大豆育种基地,获取大豆育种材料试验区的R1-R2、R3、R5-R6共3个关键生育期的高清数码影像,首先利用高清数码影像中的黑白定标布,对数码影像的DN(Digital number,DN)值进行归一化标定,并构建标定的18个数码影像变量,然后基于900个育种小区的叶面积指数实测数据构建大豆育种材料叶面积指数的一元线性回归、逐步回归、全子集回归、偏最小二乘回归、支持向量机回归和随机森林回归模型,最后基于模型建立和验证的决定系数(R~2)、均方根误差(RMSE)和归一化的均方根误差(nRMSE)3个指标,筛选估测叶面积指数的最佳模型。研究表明,全子集回归模型中采用4个数码影像变量B、RGBVI、GLA和B/(R+G+B)的多元线性回归模型对大豆育种材料叶面积指数的解析精度最优,模型建立的R~2、RMSE和nRMSE分别为0.69、0.99和17.90%,验证模型的R~2、RMSE和nRMSE分别为0.68、1.00和18.10%。结果表明,以无人机为遥感平台,搭载低成本的高清数码相机,利用高清数码影像进行大豆育种材料LAI估测是可行的,可以快速、有效、无损地获取大豆育种材料的长势信息,为筛选高产大豆品种提供一种低成本的可行方法。     

基于无人机多光谱遥感的马尾松林叶面积指数估测

快速、准确、无损估测马尾松林叶面积指数对精准林业管理具有重要意义.以小型低空无人机为平台,搭载RedEdge多光谱传感器,获取福建省西部马尾松林多光谱影像,运用重采样的方式获取并计算不同空间分辨率(0.08、0.1、0.2、0.5、1、2、5 m)下的植被指数,结合地面实测LAI数据,分析其与植被指数的相关性,进而采用...     

基于高光谱和连续投影算法的棉花叶面积指数估测

为实现快速、无损、实时监测不同灌溉处理下棉花植株叶面积指数,借助高光谱遥感技术获取了棉花植株4个生育期的冠层反射率,同时获取每株棉花的叶面积指数,用一阶导数、二阶导数、标准正态变换,多元散射校正、小波分析等光谱预处理方法,经过连续投影算法提取特征波段,用偏最小二乘法建立4个生育期（总体）和各生育期的高光谱估算模型。对比6种预处理方法在4个生育期和各生育期建模精度表明,4个生育期（总体）、蕾期、花期、花铃期的小波分解尺度为4、2、8、2,模型分别为CWT-SPA-PLS、CWT-FD-SPA-PLS、CWT-SPA-PLS、CWT-FD-SPA-PLS时可取得较好的精度;经二阶导数处理后,铃期可取得较好的结果,R2和RPD分别0.973、5.3295,优于其他预处理。试验结果表明,利用预处理方法尤其是小波分析方法得到的光谱信息可有效估测棉花4个生育期（总体）和各生育期的叶面积指数。