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。     

涑水河流域地形因子对植被指数变化的影响

植被覆盖及其变化是区域生态环境变化的重要信息,地形因子作为自然环境的重要因素是流域植被覆盖的重要影响因子,因此揭示流域地形因子对植被指数变化的影响,可为流域环境治理、科学管理、保护和可持续利用提供科学依据。选取山西省涑水河流域为研究对象,基于TM遥感影像和ASTER GDEM数据,提取了研究区植被指数以及海拔、坡度、坡向信息,研究涑水河流域植被指数随高程、坡度、坡向等地形因子的变化情况。结果表明：（1）低山区与平原区、丘陵区以及中高山区相比植被指数较低,是从农业植被向自然植被的过渡地带,重点工作是加强水土保持;（2）坡度为5°~10°区域,植被指数最低,该区人类活动频繁,主要是农作区,但作物长势较差,应加强土地的综合整治;（3）坡向对植被指数影响较明显,南坡植被指数最低,其次为东南坡和西南坡,北坡、西北坡、东北坡植被指数相对较高,反映出坡向对研究区植被覆盖的影响程度。     

基于无人机影像的林地单株立木自动化提取研究——以丹霞山湿地保护区为例

利用无人机技术可以快速获取林业自然保护区高分辨率遥感影像,无人机影像在林业资源调查与监测中具备传统卫星影像无可比拟的优势。本研究以丹霞山湿地自然保护区为研究对象,基于无人机遥感影像,提出了一种人工林地单株立木自动化提取方法。研究采用遥感影像多尺度分割算法,对研究区无人机遥感影像进行多尺度分割,然后通过构建林地特征信息模型,实现对案例区人工林地单株立木自动化提取。结果表明：该方法在丹霞山湿地保护区人工林地自动化提取中具有较高的可行性,Kappa系数达到了0.979,总体分类精度达到了98.40%,能够满足人工林地提取的需要。该方法省去了人工林地分类前的人工干预和先验知识输入,大幅度提高了无人机影像在林地资源调查应用中的工作效率,为精准林业调查提供了一种新方法。     

基于多时相双极化SAR数据的作物种植面积提取

及时准确地获取农作物的空间分布信息和种植面积,在农业生产管理与农业政策的制定等斱面具有非常重要的作用。本文以多时相Sentinel-1A影像(4月17日、5月5日、6月16日、7月22日、8月27日、9月2日)为主要数据源,根据研究区作物的物候特征,提取棉花、玉米和果树在不同生长期的后向散射系数(Sigma)和归一化后向散射系数(Gamma)。通过对作物不同极化、不同时相后向散射系数的统计,建立散射特征时序变化曲线,幵分析其特征。利用人工神经网络(Artificial neural network)、支持向量机(Support vector machine)和随机森林(Random forest) 3种分类斱法对研究区的主要农作物迚行分类识别以及种植面积提取,幵对分类结果对比分析和验证。结果表明, 1)棉花的后向散射系数在6月现蕾期和7月开花期明显上升,8月仹达最高值,变化特征最明显,易与其他作物区分;玉米和果树的后向散射系数在9月仹与其他地物之间表现出显著差异。2)相较于神经网络和支持向量机,随机森林的分类效果最好,总体精度达88.97%。其中,对棉花和果园的分类精度为90.88%和93.17%,对玉米的分类效果最差,仅有71.6%。综上所述,多时相双极化SAR数据在不同类型作物的识别及面积提取斱面具有一定的应用潜力。     

无人机多角度成像方式的饲料油菜生物量估算研究

旨在探索并评估一种通过无人机平台搭载可见光相机提取饲料油菜生物量的新方法。试验于2018年在华中农业大学油菜试验基地展开,利用无人机搭载五相机倾斜摄影系统同时从多个角度获取油菜终花期的可见光图像,试验共设置3种无人机飞行高度(40、60和80 m)和3种播种密度(3.00×105、5.25×105和7.50×105株hm~(-2)),并评估和对比了多角度和单相机垂直2种成像方式的生物量预测结果。试验首先通过无人机图像提取油菜冠层覆盖度和株高信息;然后通过株高在覆盖面积上进行累加获得作物体积模型;最后基于作物体积模型与实测生物量建立线性回归模型预测油菜干物质重量。结果表明,(1)在本试验设置的3个飞行高度中,随着无人机飞行高度下降,生物量预测精度呈上升趋势,其中飞行高度为40 m时,油菜生物量估算精度最佳(校正集:r=0.792, RMSE=125.0 g m~(-2),RE=13.2%;验证集:r=0.752, RMSE=139.1 g m~(-2), RE=15.3%)。(2)种植密度越高,其实际生物量越小,通过作物体积模型预测生物量的效果更好。(3)多角度成像方式与单相机垂直成像方式在油菜生物量估测精度上没有显著差异,两者皆在40m高度下具有最好的生物量预测效果,相关系数r分别为0.772和0.742。以上结果表明,基于无人机低成本可见光成像建模技术提取饲料油菜生物量是可行的,本研究可为大田作物地上生物量信息的无损高效监测提供易于实施的解决方案和技术参考。     

随机森林方法在玉米-大豆精细识别中的应用

研究基于遥感影像的作物精确识别技术方法, 对获取作物分布信息具有重要意义。随机森林分类(random forest classification, RFC)是机器学习的一种, 本文使用Landsat-8 OLI卫星影像数据, 针对研究区内的大豆、玉米和其他地物等3种主要作物类型, 系统比较了该方法与较为成熟的最大似然分类(maximum likelihood classification, MLC)、支持向量机分类(support vector machine, SVM)方法的分类精度。结果表明, MLC、SVM、RFC的总体分类精度分别为91.68%、91.49%、94.32%, Kappa系数分别为0.87、0.87、0.91, RFC方法作物识别精度比MLC和SVM分类显著提升。对原始7波段影像进行主成分变换(principal component analysis, PCA), 提取前4个主成分分量, 同时计算归一化植被指数(normalized difference vegetation index, NDVI)和归一化水体指数(normalized difference water index, NDWI), 将6个额外辅助特征波段叠加到原始7个波段影像上进行再次分类, MLC和SVM方法作物识别精度未有提升, RFC方法总体精度提高了1.49个百分点, Kappa系数提高0.03, 精度提升幅度有限, 主要原因是6个辅助波段在类型识别中作用较小。在分类耗时上, MLC、SVM、RFC分别为145 s、11 000 s、1800 s, 表明随机森林分类具有最好的分类精度和适中的耗时。综合评价后, 随机森林分类方法在进行大豆-玉米精细识别中具有较大优势, 具有业务应用的潜力。     

基于MERSI数据的处理及旬植被指数生成方法

为了实现自动批量处理国产FY-3A/B MERSI光学影像数据,提取全国范围植被指数特征,为今后全国植被类型制图方法研究做准备,对MERSI数据经过物理量计算、几何校正、拼接、掩膜等处理、提取植被指数特征和水云标识数据、按旬生成最大植被指数时间序列影像和合成旬水云标识影像等方法进行了研究;利用IDL 7.1编程语言实现了自动批量处理全国范围MERSI数据,按旬生成时间序列250 m空间分辨率的植被指数数据的算法程序;并对基于以上方法生成的归一化植被指数(NDVI)和增强性植被指数(EVI)结果进行比较分析。结果表明：NDVI的旬影像比EVI旬影像植被指数值分布更均匀,能够更好地反映全国植被分布与物候变化特点。该研究采用程序算法实现对FY-3A MERSI光学影像数据的处理,操作简单易行,节省了大量人力和时间;且生成的结果可为今后按MERSI NDVI时间序列影像进行全国植被类型分布研究、监测植被长势、开展国产数据在林业中的应用等后续工作做准备。     

基于Landsat8 OLI数据的山东省耕地信息提取研究

为了探讨美国最新发射的陆地卫星Landsat8 OLI影像在耕地信息提取方面的效果,为了解该影像的应用潜力提供一些信息,采用遥感图像处理软件ENVI,对覆盖山东省区域的12幅Landsat8 OLI影像进行了计算机校正和增强处理,通过目视解释、监督分类和非监督分类交互式的分类方法提取山东省的耕地信息。结果表明,基于Landsat8 OLI数据提取耕地信息适宜波段是543波段和652波段组合,提取精度达到91.8%,Landsat8 OLI数据可以满足耕地利用及管理中对耕地信息适时获取的要求。

     

基于Landsat-8 影像森林植被信息计算机自动提取研究

Landsat-8能够提供15 m全色波段和30 m分辨率的多光谱波段,Landsat-8上携带有OLI（operational land imager,陆地成像仪）和TIRS（thermal infrared sensor,热红外传感器）2个主要载荷,OLI陆地成像仪包括9个波段,TIRS包括2个热红处波段,全色波段Band8波段范围较窄,这种方式可以在全色图像上更好区分植被和无植被特征。本研究以攸县为例,采用Landsat-8遥感影像为数据源,进行缨帽变换及主成分分析处理,利用决策树分类模型进行提取。结果表明：Landsat-8遥感数据经过缨帽变换和主成分分析处理后,增强纹理信息,突出各地物的特征,把各地物在经过处理后的灰度值作为决策树分类模型的阈值,利用计算机自动提取,提取的总体精度为84.7%,攸县森林植被的面积为150911.7 hm2与以往的只利用波段的灰度值及植被指数等作为阈值相比,精度明显提高,方法也得到改善,得到了比较好的提取结果。     

基于无人机数码图像的机采棉脱叶率监测模型构建

【目的】脱叶率是评价机采棉脱叶催熟效果的重要依据。以无人机RGB图像为基础数据源,通过从RGB图像中提取14种可见光植被指数,建立快速、准确监测棉花脱叶率的模型,为机采棉适时采收提供理论和技术支持。【方法】设置不同棉花品种,通过采集不同脱叶剂浓度及喷施时间处理下的棉花脱叶率数据,并利用无人机采集冠层RGB图像,提取可见光植被指数,分析其与棉花脱叶率的相关关系,进而采用一元线性回归(Simple linear regression,SLR)、多元线性回归(Multivariate linear regression,MLR)和偏最小二乘法回归(Partial least square regression,PLSR)构建棉花脱叶率监测模型,并进行模型评价。【结果】不同处理下的棉花脱叶率有明显差异,脱叶率与不同可见光植被指数存在较好相关性,其中三角形绿度值(Triangular greenness index,TGI)与棉花脱叶率的相关性最高(r=0.81)。建模结果表明,SLR模型中,以TGI指数建模效果最好(决定系数0.66,均方根误差10.44%,相对均方根误差12.87%);MLR模型中,以过蓝指数(Excess blue index,ExB)、绿叶指数(Green leaf index,GLI)、TGI和过绿指数(Excess green index,ExG)4个植被指数组合建立的模型效果最好,其决定系数为0.70,均方根误差为10.26%,相对均方根误差为12.65%。PLSR模型中,以ExB、GLI、TGI、ExG、综合植被指数2和综合植被指数1建立的模型精度更高,其决定系数为0.70,均方根误差为10.02%,相对均方根误差为12.22%。外部验证表明,各模型实测值与预测值间有较好的拟合关系。【结论】以MLR和PLSR方法建立的模型精度较高,拟合程度较好。从计算量及模型复杂程度角度考虑,通过MLR方法以ExB、GLI、TGI、ExG建立的棉花脱叶率监测模型,能够更好地监测棉花脱叶率。     

基于无人机多光谱遥感的大豆叶面积指数反演

为给大豆科学管理提供基础数据,利用无人机多光谱遥感数据实现对大豆叶面积指数(LAI)的反演估值。从多种光谱植被指数中选出与LAI相关性较好的5种指数,分析探讨在田块尺度上,适用于东北地区的大豆叶面积指数的低空无人机遥感反演模型。结合田间实测LAI数据及模型精度及拟合效果,NDVI模型精度较好,但拟合效果较差,其余4种植被指数模型精度和拟合效果较好,拟合效果R²均达到了0.6以上;支持向量机模型决定系数R²达到0.688,均方根误差达0.016,具有更好的预测能力。2种模型均表明无人机多光谱遥感系统可以快速反演田间大豆叶面积指数,在指导精准农业生产方面具有实用意义。     

基于Pleiades-1高分辨率卫星影像的干旱沙区遥感影像分类——以甘肃民勤青土湖为例

研究旨在应用高分辨率遥感卫星影像对干旱沙区的植被进行调查、监测和统计。以甘肃省民勤县石羊河下游的青土湖为研究对象,运用法国Pleiades-1卫星的影像数据,通过面向对象分类方法对沙区的植被信息进行提取分类,对分类结果进行精度评价。结果表明,面向对象分类的方法提取精度达到95%,Kappa系数为0.8035,分类结果精度较高,有效地避免了基于像素分类方法的噪声和光谱的影响,具有极强的实用性,为高分辨率卫星影像分类提供了新的思路和方法。     

基于无人机多光谱影像的水稻冠层SPAD值预测研究

比较筛选水稻冠层SPAD值估测模型，为无人机多光谱遥感反演水稻SPAD值提供依据。利用无人机获取水稻拔节期、抽穗期、乳熟期的冠层多光谱影像，选取7种常用的植被指数，利用3种回归方法建立基于植被指数的水稻叶片SPAD值反演模型。结果表明，在不同生育期与水稻叶片SPAD值相关系数最高的植被指数不相同，拔节期最高的是GNDVI，抽穗期最高的是CI_Green，乳熟期最高的是CI_Rededge。抽穗期是水稻叶片SPAD值反演的最佳时期，模型具有较好的建模精度和估测效果，其中多元线性回归的建模精度较高，偏最小二乘回归模型的估测效果最好。试验结果可为水稻长势的实时无损监测提供参考。     

无人机影像拼接软件在农业中应用的比较研究

无人机遥感为精准农业管理提供了新的工具。实现无人机影像高精度自动拼接是开展无人机遥感应用的基础。目前,已有不同无人机影像拼接软件在几何精度斱面性能比较的研究,但关于光谱精度斱面还未有相关研究,而其对定量遥感反演非常重要。本研究比较了目前最受欢迎的两款无人机拼接软件Pix4D和Photoscan在农业应用时,拼接影像过程对原始影像光谱信息的影响,以为用户推荐最优软件。为此,基于冬小麦氮肥梯度试验,本研究在小麦生长季利用无人机搭载多光谱传感器获取相关影像,幵将其分别基于Pix4D软件, Photoscan软件拼接处理。同时,基于传感器厂商提供的单张影像处理技术,将每次传感器拍摄数据处理成未拼接的单张多光谱影像。基于以上数据,在施肥处理小区随机布设样点,分别提取3种类型影像上的样点光谱信息,比较它们光谱反射率及其对比度的差异。结果表明,尽管Pix4D拼接影像和Photoscan拼接影像各波段光谱反射率都与单张影像的反射率有显著相关性,但与Pix4D拼接影像相比, Photoscan拼接影像的光谱反射率和变异系数与原始单张影像之间更为接近。Photoscan能保留更多的原始光谱信息。结合已有关于两款软件在几何精度和价格斱面的比较研究,本研究推荐Photoscan为农业应用时的最优性价比软件。     

基于决策树方法的淡水沼泽湿地信息提取——以扎龙湿地为例

为了及时准确地获取湿地基础信息,对湿地进行动态监测和保护。以扎龙湿地为研究区,以区域湿地遥感信息提取为目标,采用TM影像数据、DEM数据、归一化植被指数、纹理信息等复合识别指标构建决策树模型,对研究区不同地类进行分类。然后与传统的最大监督分类法所得到的结果进行对比。结果表明,采用基于指数的决策树分类方法对扎龙湿地类型进行分类,较传统的最大似然监督分类精度提高了14.6%;总体Kappa系数提高了0.1751,分类精度较监督分类有明显的提高,证明基于多源数据决策树分类方法是内陆淡水沼泽湿地信息提取的有效手段。     

Analysis of the Spatial Variability in Cotton Growth Conditions based on Digital Imaging

Digital images of cotton canopy growth information, which was determined using the grid sampling method to obtain the parameter Hue of HIS color system in conventional light conditions, were used to examine the spatial distribution characteristics of the canopy image H value and the relationship between the digital image H value and agronomic traits. We used these data to obtain information on cotton growth on June 21, 2014, then analyzed the spatial variation characteristics of cotton growth in the field. We found that the spatial distribution of cotton canopy digital image H value was moderately correlated with space, and the semi-variogram function model was spherical. In addition, we found that there was a logarithmic relationship between the H value and Leaf Area Index（LAI） (R² = 0.8123), which suggests that the canopy digital image H value is a potentially reliable index to describe cotton growth across a cotton field. These results can provide guidance for improved production methods, and also lay a foundation for collection of field information and rapid detection methods for precision agriculture.     

利用无人机遥感提取育种小区玉米倒伏信息

研究了无人机遥感技术在小区尺度上进行玉米倒伏信息提取的可行性。笔者使用小型无人机通过无地面控制点的倾斜摄影方式，获得研究区的数字表面模型(DSM)，结合图像的红、绿、蓝色彩特征，采用图像分类的方法提取玉米倒伏信息，并在小区尺度上与田间调查结果进行对比分析。结果表明，数字表面模型所代表的玉米冠层高度差异信息与图像色彩特征具有良好的互补性，二者结合能够极大地提高玉米倒伏信息的提取精度。与田间调查数据相比，倒伏株数的误差只有4.44%，受倒伏影响的小区数量误差为9.26%，且85%以上小区内的株数误差小于5棵。玉米冠层高度结合色彩特征信息可精准地提取玉米倒伏信息；倾斜摄影测量方式可有效降低地面控制点缺失带来的模型内畸变，提高工作效率。该方法为小区尺度的玉米倒伏调查提供了一种简单、快速、有效的手段。