基于无人机遥感图像的苎麻产量估测研究

本研究旨在探索一种利用无人机-RGB系统提取的苎麻株高和可见光图像光谱信息估测产量的新方法。试验于2019年在湖南农业大学耘园苎麻基地进行,利用无人机搭载高清数码相机获取二季苎麻苗期和成熟期的图像。首先利用Pix4Dmapper生成苎麻冠层2个生育期的数字表面模型和高清数码正射图像;然后基于数字表面模型采用"差分法"计算试验小区的平均株高(DSM-based H);基于正射图像提取试验小区RGB通道均值,进而计算遥感图像数码变量和植被指数,分析苎麻种质间的图像光谱表型性状和产量株高比性状的差异性与多样性;最后采用逐步回归方法建立苎麻产量预测模型,并对各项产量解释因子进行相关性分析。结果表明:(1)基于无人机-RGB系统遥感株高与实测株高显著相关(r=0.90),修正遥感株高的均方根误差为0.04 m。(2)苎麻产量与株高信息存在极显著相关性(r=0.91),而与图像光谱表型相关性不明显。(3)融合遥感图像株高和种质特征差异构建的苎麻产量估测模型精度较高, R~2=0.85, RMSE=0.71。因此,基于无人机遥感图像的苎麻产量估测是可行的,这对苎麻种质特征评价和产量估测具有重要的意义。     

黄河三角洲孤岛刺槐林地上生物量的估算——基于无人机机载激光雷达

研究旨在利用无人机机载激光雷达数据来计算黄河三角洲孤岛林场刺槐地上生物量。以黄河三角洲孤岛林场刺槐林为研究对象,利用无人机机载激光雷达数据,采用分水岭分割算法从单木尺度提取孤岛林场刺槐的树高和冠幅;然后利用背包移动雷达数据提取8个样方单株刺槐胸径;再结合异速生长方程,从单木尺度计算8个样方的刺槐地上生物量。为了验证结果,用野外实测树高和胸径验证雷达数据中提取的单木结构参数;最后利用无人机机载激光雷达提取的树高和冠幅及两者的对数与乘积的对数形式,构建估算刺槐地上生物量模型,对模型估算过程中存在不确定性进行讨论,获得孤岛林场生物量分布图,并且结合前人研究的孤岛刺槐健康状况进行分析。结果表明:(1)基于分水岭分割算法能较精确地从无人机机载激光雷达数据中提取刺槐的单木结构参数。(2)树高与冠幅乘积的对数模型估算效果(R2=0.82,RMSE=3.66 kg/株)优于非对数模型(R2=0.58,RMSE=6.73 kg/株),也优于两者对数的模型(R2=0.76,RMSE=4.52 kg/株)。(3)模型构建过程中有一定的不确定性,这种不确定性主要来自单木识别过程。(4)刺槐地上生物量高低与其健康状况有很强的相关性。     

基于无人机RGB遥感的甘蔗株高估测

为快速准确地估测甘蔗不同生育期株高，探讨了无人机RGB系统遥感估算株高的可行性及效果。利用无人机RGB遥感平台，获取苗期、分蘖期、伸长中、后期和工艺成熟期的影像，通过Pix4D mapper生成数字表面模型（digital surface model,DSM），采用Eris Arcmap提取株高，基于DSM提取的株高与实测株高建立各生育期的估测模型，采用决定系数（R2）、均方根误差（RMSE）和平均相对误差（MRE）对模型进行评价。结果表明，基于DSM提取甘蔗各生育期的株高高于实测株高；全生育期模型拟合性最好，预测精度较高（验证集R2、RMSE和MRE分别为0.9611、0.1623和0.1102），苗期株高模型预测精度最高。其他各生育期模型的拟合性不及全生育期和苗期，精度较低，工艺成熟期模型的预测精度最低，拟合性最差。因此，基于无人机RGB遥感平台获取甘蔗不同生育期影像后通过DSM提取株高并运用于甘蔗重要生育期株高的估测时，注意不同生育期模型的适用性。     

基于无人机机载激光雷达估算黄河三角洲孤岛刺槐林地上生物量

研究旨在利用无人机机载激光雷达数据来计算黄河三角洲孤岛林场刺槐地上生物量。以黄河三角洲孤岛林场刺槐林为研究对象,利用无人机机载激光雷达数据,采用分水岭分割算法从单木尺度提取孤岛林场刺槐的树高和冠幅;然后利用背包移动雷达数据提取8 个样方单株刺槐胸径;再结合异速生长方程,从单木尺度计算8 个样方的刺槐地上生物量。为了验证结果,用野外实测树高和胸径验证雷达数据中提取的单木结构参数;最后利用无人机机载激光雷达提取的树高和冠幅及两者的对数与乘积的对数形式,构建估算刺槐地上生物量模型,对模型估算过程中存在不确定性进行讨论,获得孤岛林场生物量分布图,并且结合前人研究的孤岛刺槐健康状况进行分析。结果表明：（1）基于分水岭分割算法能较精确地从无人机机载激光雷达数据中提取刺槐的单木结构参数。（2）树高与冠幅乘积的对数模型估算效果（R2=0.82,RMSE=3.66 kg/株）优于非对数模型（R2=0.58,RMSE=6.73 kg/株）,也优于两者对数的模型（R2=0.76,MSE=4.52 kg/株）。（3）模型构建过程中有一定的不确定性,这种不确定性主要来自单木识别过程。（4）刺槐地上生物量高低与其健康状况有很强的相关性。     

基于无人机和地面图像的田间水稻冠层参数估测与评价

田间水稻表型监测可用于分析水稻产量相关性状,对指导水稻栽培管理以及产量预测具有重要意义。本研究以3种氮肥处理下6个不同栽培品种的水稻为研究对象,估测并评价了水稻冠层的主要表型参数,以探讨利用图像分析方法评价多品种及栽培环境下田间水稻长势的适用性。基于无人机和田间固定相机图像,本研究通过图像处理、三维建模和机器学习自动测算出田间水稻冠层覆盖度、株高、穗数,并结合实际测量结果进行了精度评价。结果表明:(1)基于无人机图像使用决策树分类模型提取的水稻冠层图像与人工勾绘结果一致性较好(Qseg均值为0.75,方差为0.08),由此计算的冠层覆盖度与人工勾绘计算的冠层覆盖度相关性较高(R~2=0.83,RMSE=5.36%);(2)使用冠层高度模型估测的各小区水稻株高均值与田间实测高度均值相关性较高(R~2=0.81, RMSE=9.81 cm),但整体呈现低估;(3)基于地面图像使用决策树分类和形态参数过滤得到的穗数计数结果与实测穗数相关性较高(R~2=0.83,RMSE=10.99)。总体而言,结合图像分析算法,应用低空无人机遥感技术高通量自动化估测水稻冠层覆盖度、株高的精度较高,而应用地面...     

新疆膜下滴灌棉田土壤水分与灌溉预报模型研究

本研究收集大量气象数据结合大田试验构建了土壤水分和灌溉预报模型,并对模型进行了检验.两个模型的检验结果均达到显著水平,其中,土壤水分模型检验结果为:RE=4.63%,RMSE=0.0113,r2=0.945,LA=0.997.灌溉预报模型检验结果为:RE=5.17%,RMSE=0.0123,LA=0.988.结果表明:...     

利用无人机遥感技术提取农作物植被覆盖度方法研究

基于无人机的遥感信息获取技术已广泛应用在农业领域。无人机遥感平台获取农作物信息技术具有高时效、高分辨率、低成本、快速、准确等特点,是目前精准农业中农田信息获取的重要手段之一。利用无人机遥感技术获取可见光影像,以棉花、花生和玉米为研究对象,选取不同的植被指数进行可见光图像阈值分割,结合研究区域可见光影像监督分类结果,确定3种作物提取植被覆盖度方法。试验结果表明,利用无人机可见光图像植被指数阈值分类方法,可以有效提取作物植被覆盖度。该方法对于棉花、花生和玉米3种作物植被覆盖信息的提取精度较高。     

不同烘烤条件下烤烟纤维素的近红外光谱检测模型研究

为探索不同烘烤条件下烤烟纤维素含量近红外光谱检测模型,采用偏最小二乘回归法(PLS)对不同烘烤条件下的共85个样品,分别基于全部波长建立模型。常规烘烤时,定标集r=0.9949,RMSE=0.1122;交叉验证集r=0.9234,RMSE=0.4636;预测集r=0.8982,RMSE=0.6963。低温烘烤时,定标集r=0.9811,RMSE=0.3279;交叉验证集r=0.9456,RMSE=0.5290;预测集r=0.9938,RMSE=0.1608。高温烘烤时,定标集r=0.9128,RMSE=0.4381;交叉验证集r=0.8215,RMSE=0.6162;预测集r=0.9743,RMSE=0.1986。结果表明,采用偏最小二乘法预测不同烘烤条件下烤烟纤维素含量是可行的。     

结合植被指数与纹理特征的玉米冠层FAPAR遥感估算研究

光合有效辐射吸收比率（fraction of absorbed photosynthetically active radiation,FAPAR）是反映作物产量的重要参数之一。无人机遥感能够快速无损地获取高分辨率植被冠层光谱信息,已成为进行物理化参数反演的重要手段。以不同播期玉米为研究对象,基于无人机搭载多光谱传感器,提取植被指数与植被纹理特征,使用偏最小二乘（partial least squares regression,PLSR）方法将二者结合反演玉米FAPAR,并与传统单独使用植被指数或植被纹理特征反演植被FAPAR的方法进行比较。结果表明：使用传统方法单独利用植被指数反演FAPAR（验证RMSE最低为7.33×10^-2,rRMSE最低为8.66%）的效果比单独利用纹理特征反演FAPAR（验证RMSE最低为9.50×10^-2,rRMSE最低为11.23%）的精度更高;使用PLSR方法单独利用植被指数或纹理特征估算FAPAR的效果比传统方法精度更高（植被指数与纹理特征的验证RMSE最低分别为6.77×10^-2和5.24×10^-2,rRMSE最低分别为8.01%和6.19%）;使用PLSR方法将植被指数与纹理特征相结合估算FAPAR（验证RMSE最低为4.72×10^-2,rRMSE最低为5.57%）的效果比单独使用植被指数或纹理特征估算FAPAR的精度更高。综上,使用PLSR方法将植被指数和植被纹理特征相结合来反演玉米冠层FAPAR可行,为作物FAPAR遥感反演研究提供了新的思路。     

基于成像光谱仪的冬小麦苗期冠层叶绿素密度监测

利用自主研发的MSI200型成像光谱仪对冬小麦苗期叶绿素密度进行遥感监测, 并与ASD Fieldspc FR2500型非成像地物光谱仪测定数据相比。结果表明, 两种仪器所得R720、FD660、FD550、TCARI、GNDVI、PPR(550, 450)、NRI等光谱特征参量均与叶绿素密度显著相关, 拟合度较高, 说明MSI200型成像光谱仪测定的作物光谱数据是可靠的。对筛选出的模型进行检验, ASD Fieldspc FR2500模型的预测精度达86.61%~92.79%, MSI200达91.26%~95.54%, 其中PPR对叶绿素密度预测精度最高, RMSE分别为0.8391和0.0979。与传统非成像地物光谱仪相比, 成像光谱仪能够提取纯冠层光谱信息, 所得模型精度高、误差小, 筛选的植被指数和特征波段对于航天、航空遥感器的定标有重要意义。     

烟叶化学成分协调性的近红外光谱检测模型研究

对烟粉全部近红外光谱数据采取不同的预处理方法来探究烟叶化学成分协调性（施木克值、糖碱比、氮碱比）,基于有效波长光谱数据建立相应的近红外光谱的检测模型,并利用偏最小二乘法(PLS)通过训练集的交叉验证建立回归模型。通过全部波长数据中值滤波平滑处理后建立施木克值的回归模型,预测集r=0.9861、RMSE=0.0548;通过全部波长数据卷积平滑二阶求导处理后建立糖碱比的回归模型,预测集r=0.9498、RMSE=0.9095;在对光谱数据处理较优的Norris一阶导数数组基础上选取30个有效波长建立氮碱比的回归模型,预测集r=0.9202、RMSE=0.6947。结果表明：利用近红外光谱可以较好地预测烤烟施木克值、糖碱比和氮碱比。     

应用灰板校正提高计算机视觉预测棉花植株含水量的精确度

利用灰板校正以消除棉花不同生育期图片颜色特征值的亮度差异,建立适用于不同生育期预测植株含水量的通用模型,以提高运用计算机视觉技术进行棉花植株含水量预测的精度。研究结果表明,由灰板校正前、后颜色特征值G-B建立的最佳预测模型,决定系数分别为0.746和0.782。有效性检验结果表明,灰板校正前、后计算预测值与实测值的决定系数分别为0.739和0.783;RMSE分别为2.218和2.03,RE分别为2.13%和1.79%。基于计算机视觉提取的冠层图片颜色特征值能够预测植株含水量,应用灰板校正颜色特征值能够提高模型预测精度,可为提高计算机视觉预测植株水分状况的精度提供技术支撑和方法补充。     

基于近地高光谱棉花生物量遥感估算模型

分析棉花地上鲜生物量冠层高光谱反射率变异系数，反射率光谱、一阶微分光谱与地上鲜生物量相关关系得结果表明：在可见光近红外波段棉花冠层反射率光谱变异系数在672 nm波段处最大；棉花地上鲜生物量与反射率光谱相关系数最大值在可见光波段出现在589~700 nm，在近红外波段出现在865~919 nm波段，且前者大于后者。地上鲜生物量与一阶微分光谱相关系数在可见光波段出现524~528 nm、552~588 nm、710~755 nm 3个高值区。基于以上研究，选择19个高光谱特征参数建立了棉花地上鲜生物量高光谱遥感监测模型，经检验，单波段中以F₆₂₉估算水平最高，估算模型为Y = 9.7914 exp(－20.738 F629)，准确度为83.9%、RMSE为0.64 kg m^-2、预测值与实测值相关系数为0.940**；组合参数以[629, 901]指数形式估算模型估算水平最高，模型为Y = 0.0986 exp(4.3696[629, 901])，准确度达84.0%，RMSE为0.55 kg m^-2，预测值与实测值相关系数为0.960**，上述两个模型为参选模型中估算棉花地上鲜生物量最佳高光谱估算模型。     

基于冠层光谱的早籼稻籽粒粗蛋白含量估测

利用2019年长江中下游早籼稻早中熟组种质资源为材料,分析主要生育期冠层光谱反射率与籽粒粗蛋白含量的关系,筛选出可用于早籼稻籽粒粗蛋白含量预测的敏感生育期和敏感波长,建立了基于敏感波长和光谱参数的籽粒粗蛋白的一元线性、多元线性、指数和多项式预测模型,用决定系数（R ²）、均方根误差（RMSE）和相对误差（RE）对模型精度进行评价,以期找到估测早籼稻籽粒粗蛋白含量的最适模型。研究发现,在孕穗期514、580、638和695nm波长处冠层一阶微分光谱反射率与籽粒粗蛋白含量相关性达到极显著水平;在基于敏感波长的估测模型中,四元线性模型估测效果最佳,其建模集R ²、RMSE和RE分别为0.566、0.342%和2.874%,验证集R ²、RMSE和RE分别为0.518、0.154%和1.303%;在基于光谱参数构建的估测模型中,DSI(R′₅₁₄和R′₆₃₈)为自变量构建的多项式模型估测效果较优,其建模集R ²、RMSE和RE分别为0.638、0.312%和2.639%,验证集R ²、RMSE和RE分别为0.581、0.230%和2.307%。     

基于高光谱植被指数的棉田冠层特征信息估算模型研究

 采用ASD Field Spec Pro VNIR 2500型光谱辐射仪获取了棉花不同生育时期的冠层高光谱反射率。并通过光谱分析技术，建立了基于高光谱植被指数——归一化植被指数和比值植被指数的棉田冠层特征信息的定量模型。经过对估算模型的精度检验和评价，最终筛选出表征棉花冠层结构特征参数的最佳估算模型。结果表明，基于归一化植被指数预测棉花叶面积指数，以幂函数（y=11.084x^12.024，r=0.8076^**）的模型为最优；基于比值植被指数预测棉花单位面积地上部鲜生物量，以指数函数（y=52.261·exp(0.1024x)，r=0.8114^**）的估计模型为最优；基于比值植被指数预测棉花单位面积地上部干生物量，以指数函数（y=9.5552·exp(0.1133x)，r=0.8330^**）的模型为最优。可见，利用高光谱遥感技术可以分析、模拟、评价、预测棉花冠层特征参量，为精准种植棉花提供了依据。     

基于小波分析的水稻籽粒直链淀粉含量高光谱预测

水稻籽粒直链淀粉含量影响稻米的蒸煮食味品质。利用遥感技术及时、准确地获取籽粒直链淀粉含量可以指导相应栽培措施的制定与实施,以提高稻米的食味品质。小波分析作为光谱敏感特征提取的有效方法,广泛应用于作物生理生化参数的估算,然而基于小波分析的作物品质参数估算,在米粉、稻穗水平上的应用还未见报道。本文以室内获取的水稻米粉与干穗反射光谱为基础数据源,通过连续小波光谱变换、敏感小波特征提取、共性特征分析和预测模型构建等4个步骤,明确不同光谱参数预测水稻籽粒直链淀粉含量的性能,最终实现在器官水平的直链淀粉含量高光谱预测。结果表明:(1)相较归一化光谱指数,敏感小波特征可有效地提高直链淀粉含量预测精度,预测模型更具普适性和鲁棒性;(2)从米粉光谱提取的敏感小波特征WF2037,6,与籽粒直链淀粉含量相关性较高(R~2=0.59),对独立年份的样本预测效果较好(RMSE=1.51%,Bias=0.44%,RRMSE=23.50%),并可直接应用于干穗光谱(R~2=0.62, RMSE=1.49%, Bias=-0.17%, RRMSE=25.76%)。本文利用连续小波光谱分析,提取了米粉和稻穗水平的直链淀粉敏感小波特征WF2037,6,建立了高精度预测模型,拓宽了连续小波光谱分析的应用范围,为冠层水平水稻籽粒直链淀粉含量的高光谱估算奠定基础。     

低山丘陵区土壤-景观模型的可移植性研究

为了分析在相似地形和成土环境中土壤-景观模型的可移植性,以西南丘陵山地区为研究对象,选取面积约2 km2的区域作为土壤-景观模型的建立区域,利用逐步线性回归方法建立该区的定量土壤-景观模型,并以此建模区域为缓冲中心,在研究区划分出4个不同的模型移植区域（分别记作A、B、C、D区）。结果表明,土壤-景观模型的预测结果在整体上具有较高的准确性;离建模区域越远,平均绝对误差(MEA)和均方根误差(RMSE)均有逐渐增大的趋势,说明随着距离的增大,预测精度降低;在4个区域中,相对误差(RE)都有一定比例大于20%,且距建模区域越远,相对误差(RE)大于20%的比例越大,相对误差(RE)小于10%的比例逐渐减小。     

基于无人机高光谱融合连续投影算法估算棉花地上部生物量

【目的】地上部生物量是表征植物生命活动的重要参数。探索不同的光谱预处理方法和建模方法,实现对棉花地上部生物量快速、无损、准确的估算,对棉花长势监测和大田精准管理具有重要意义。【方法】以新陆早53号、新陆早45号为研究对象,设置不同施氮处理,于出苗后不同阶段获取棉花地上部生物量和无人机高光谱数据,通过连续投影算法(Successive projections algorithm,SPA)筛选不同预处理[一阶导数、二阶导数、Savitzky-Golay(SG平滑)、多元散射校正]后的特征波长,基于筛选出的不同波长组合使用偏最小二乘法回归(Partial least square regression,PLSR)和随机森林回归(Random forest regression,RFR)分别构建棉花地上部生物量估算模型,比较不同预处理后建立模型的精度,确定最优估算模型。【结果】(1)利用SPA算法对不同预处理后的光谱信息筛选出特征波长9～26个,可实现光谱信息降维。(2)基于SG平滑-SPA处理及PLSR方法建立的模型最佳,R~2达到了0.63,均方根误差(Root mean square error,RMSE)为0.42,验证集的R~2为0.67,RMSE为0.44。(3)一阶导数-SPA处理后,采用RFR构建的模型最佳,R~2达到0.87,RMSE为0.45,验证集R~2为0.81,RMSE为0.37。【结论】采用一阶导数预处理结合SPA筛选特征波长,经RFR构建的估算模型结果和验证效果均最佳,可用于棉花地上部生物量定量估算。     

基于无人机平台多模态数据融合的小麦产量估算研究

作物产量估测关系到人民生活质量和国家粮食安全问题,在田块尺度下及时准确估算产量,对于农事操作管理、收获、销售及种植计划制定均具有重要意义。选择地势起伏及空间差异较大的农田为研究区,利用低空无人机遥感平台搭载多光谱相机、热红外相机和RGB相机,同步获取小麦关键生育时期的无人机遥感影像,并提取光谱反射率、热红外温度和数字高程信息。首先统计不同地形特征下遥感参数和生长指标的空间变异情况,分析植被指数和温度参数与小麦产量的相关性,然后利用多元线性回归(multiple linear regression, MLR)、偏最小二乘回归(partial leastsquaresregression,PLSR)、支持向量机回归(supportvectormachineregression,SVR)和随机森林回归(random forest regression, RFR) 4种机器学习方法以单模态数据和多模态遥感信息融合2种方式进行建模,比较单模态数据和多模态数据融合的产量估测能力。结果表明,坡度是影响作物生长和产量的重要因子,3个生育期内,不同坡度等级下遥感参数差异明显,土壤含水量、植株含水量和地上...     

基于高光谱的水稻叶片氮含量估计的深度森林模型研究

高光谱遥感已经成为快速诊断作物水氮状态的一种有效手段。然而,传统的回归方法和机器学习往往难以挖掘高光谱的全部信息,深度神经网络又通常需要大量的训练数据,因此本研究试图探索在少量数据条件下构建深度学习模型并实现叶片氮含量的精准估计。通过在湖北省监利县开展了连续2年不同氮素胁迫水平的水稻试验,测量了作物全生育期内的216组冠层光谱和叶片氮含量。基于一阶导数光谱,本文构建了一种新的深度学习模型(深度森林DF)来进行叶片氮含量的反演,并与2种经典机器学习模型(随机森林RF和支持向量机SVM)和一种深度神经网络模型(多层感知器MLP)进行比较。结果表明,在基于少量高光谱数据的情况下,DF对水稻叶片氮含量的估算精度要高于MLP,其中预测精度最高的模型为全波段光谱反演的DF模型(R²=0.919,RMSE=0.327)。在2种经典机器学习模型中,RF的估计效果优于SVM,但2种模型结果都不够稳定。研究表明,深度森林可以提升高光谱反演叶片氮含量的精度和稳定性,并且可以通过多粒度扫描相对减轻过拟合程度。该研究结果可为少量数据条件下快速监测作物叶片氮含量提供参考。