基于无人机RGB影像的马铃薯植株钾含量估算

马铃薯植株钾含量(Plant potassium content, PKC)是监测马铃薯营养状况的重要指标,快速准确地获取马铃薯植株钾含量对田间施肥和生产管理具有指导意义。基于无人机遥感平台搭载RGB传感器分别获取马铃薯块茎形成期、块茎增长期和淀粉积累期的RGB影像,并实测马铃薯植株钾含量。首先利用各个生育期的RGB影像提取每个小区冠层平均光谱和纹理特征。然后分别基于冠层光谱和纹理特征构建植被指数和纹理指数(NDTI、RTI和DTI),并与实测PKC进行相关性分析。最后利用多元线性回归(Multiple linear regression, MLR)、偏最小二乘(Partial least squares regression, PLSR)和人工神经网络(Artificial neural networks, ANN)构建马铃薯PKC估算模型。结果表明：各生育期NDTI、RTI和DTI与马铃薯PKC相关性均高于单一纹理特征,植被指数结合纹理指数均能提高模型的可靠性和稳定性,MLR和PLSR构建的估算模型精度均优于ANN。本研究可为马铃薯PKC监测提供科学参考。     

冬小麦不同叶位叶片的叶绿素含量高光谱估算模型

科学、高效地获取作物不同叶位叶绿素含量的垂直分布信息,可监测农作物长势状况并进行田间管理。基于冬小麦抽穗期获取的不同叶位叶片的高光谱反射率和叶绿素含量实测数据,将原始光谱、一阶微分光谱、二阶微分光谱、植被指数和连续小波系数与叶绿素含量进行相关性分析,筛选相关性较强的光谱特征参数,然后分别采用偏最小二乘回归、支持向量机、随机森林和反向传播神经网络4种机器学习算法构建冬小麦上1叶、上2叶、上3叶和上4叶的叶绿素含量估算模型,并根据精度评估结果筛选不同叶位叶绿素含量估算的最佳模型。结果表明,上1叶、上2叶和上3叶采用小波系数结合偏最小二乘回归构建的叶绿素含量估算模型精度最高,建模和验证R²分别为0.82和0.75、0.80和0.77、0.71和0.62;上4叶采用植被指数结合支持向量机构建的叶绿素含量估算模型效果最佳,建模和验证R²为0.74和0.79。研究结果可为基于遥感技术精准监测作物营养成分的垂直变化特征提供理论和技术支撑。     

冬小麦不同叶位叶片的叶绿素含量高光谱估算模型

科学、高效地获取作物不同叶位叶绿素含量的垂直分布信息,可监测农作物长势状况并进行田间管理。基于冬小麦抽穗期获取的不同叶位叶片的高光谱反射率和叶绿素含量实测数据,将原始光谱、一阶微分光谱、二阶微分光谱、植被指数和连续小波系数与叶绿素含量进行相关性分析,筛选相关性较强的光谱特征参数,然后分别采用偏最小二乘回归、支持向量机、随机森林和反向传播神经网络4种机器学习算法构建冬小麦上1叶、上2叶、上3叶和上4叶的叶绿素含量估算模型,并根据精度评估结果筛选不同叶位叶绿素含量估算的最佳模型。结果表明,上1叶、上2叶和上3叶采用小波系数结合偏最小二乘回归构建的叶绿素含量估算模型精度最高,建模和验证R2分别为0.82和0.75、0.80和0.77、0.71和0.62;上4叶采用植被指数结合支持向量机构建的叶绿素含量估算模型效果最佳,建模和验证R2为0.74和0.79。研究结果可为基于遥感技术精准监测作物营养成分的垂直变化特征提供理论和技术支撑。     

多传感器数据融合的无人机速率估算与定位

为了提高农用无人机速率与位置的估算精度,同时降低无人机制作成本,提出了一种对于农用无人机容易实现的传感器数据融合算法,即通过使用离散型卡尔曼滤波,提高实验对象在三维空间中位置和速率变化的估算精度。由于传统的惯性测量系统存在体积大、造价高等缺点,而廉价的惯性测量传感器又存在较大的飘移,因此结合农用无人机航拍的工作环境采用全球定位系统(GPS)提供位置的测量,由惯性导航系统(INS)给出加速度,并由光流传感器提供速度的测量加以辅助。最终,通过实验验证了该算法的有效性。     

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.     

水肥耦合对马铃薯叶绿素和光合速率的影响

通过大田膜下滴灌种植马铃薯试验,以补灌量(X_1)、施氮量(X_2)、施磷量(X_3)、施钾量(X_4)为试验因子,采用4因素10水平均匀设计方案,研究水肥耦合对马铃薯叶绿素相对含量(SPAD)和净光合速率(Pn)的影响。结果表明:SPAD值在苗期最高,最高值为56.4;在块茎成熟期最低,最低值为36.9;马铃薯Pn的日变化曲线呈现双峰趋势,中午有"午睡"现象;通过多因子及平方项逐步回归和偏最小二乘法回归建立模型,单因素对SPAD值的影响次序为:X_4X_2X_1X_3,交互项效应对SPAD值的影响次序为:X_3X_4X_1X_3X_1X_4X_2X_3X_2X_4X_1X_2;交互项效应对Pn的影响次序为:X_2X_4X_2X_3X_1X_3X_3X_4X_1X_2X_1X_4;以SPAD值为目标时,最优SPAD值为44.76,相应的X_1、X_2、X_3、X_4分别为666.90m~3/hm~2、142.66、150、85.48kg/hm~2;以SPAD值和Pn为综合目标时,最优SPAD值为43.51,最优Pn为14.57μmol/(m~2·s),相应的X_1、X_2、X_3、X_4为:903.3m~3/hm~2、164.13、145、81.9kg/hm~2。     

杨树叶片叶绿素含量高光谱估算模型研究

以盆栽107号杨树为研究对象,在验证杨树叶片的SPAD值可作为衡量其叶绿素含量指标的基础上,基于最佳指数-相关系数法(OIFC),提取了杨树叶绿素特征波段(中心波长350、715、1 150 nm),建立了以该组合波段原始光谱数据为自变量的杨树叶片叶绿素含量估算模型;利用相关系数法,提取了杨树叶绿素归一化植被指数的计算波段(中心波长705、953 nm)与一阶光谱导数的叶绿素特征波段(中心波长647、691、721 nm),且分别建立了基于归一化植被指数、叶面叶绿素指数、一阶光谱导数为自变量的杨树叶片叶绿素含量估算模型;比较分析所建立的模型精度,筛选出杨树叶片的叶绿素含量最优估算模型。结果表明:化学法测得杨树叶片叶绿素含量与其对应的SPAD值之间具有显著的幂函数关系,R2可达0.902 3。利用OIFC法提取的叶绿素最佳三波段组合的高光谱数据为自变量,与叶片叶绿素含量构建的模型预测值与实测值具有显著的线性关系,决定系数为0.944 5;相比其他模型,该模型的精度最高且均方根误差最小。可见,基于OIFC法构建的杨树叶绿素高光谱模型具有较高的精度,是估算杨树叶片叶绿素含量的最优模型。     

融合叶绿素含量的黄瓜幼苗光合速率预测模型

现有的基于神经网络的光合速率模型仅考虑环境因素,且收敛速度慢。在考虑温度、CO2浓度、光照强度、相对湿度等环境因子的基础上,加入生理因子叶绿素含量,建立融合叶绿素含量的黄瓜幼苗光合速率预测模型。首先利用多因子嵌套试验获得黄瓜幼苗光合速率测试数据825组,然后采用LM训练法进行模型训练,并分析加入叶绿素含量对模型训练结果的影响,最后建立黄瓜幼苗光合速率预测模型并对其采用异校验方式进行验证。试验结果表明,在考虑叶绿素影响的条件下,其训练效果与模型拟合度均优于只考虑环境因子的训练模型,加入叶绿素含量作为输入的LM训练法可有效越过局部平坦区,具有明显的优越性,满足误差小于0.000 1的训练要求,模型预测值与实测值间的决定系数为0.987,误差小于4.68%。     

基于无人机成像光谱仪数据的棉花叶绿素含量反演

以棉花为目标作物,使用低空无人机平台的成像光谱仪获取地表农作物高光谱影像,利用无人机影像光谱分辨率高的特点,提取27个光谱参数,构建棉花叶片叶绿素相对含量(SPAD)的反演模型,并制作棉花叶片SPAD分布图。结果表明:在影像上,不同叶片SPAD的棉花冠层反射率有显著差异。光谱参数中,与SPAD相关性最高的为DR526、DR578、SDy和Db,相关系数绝对值都在0.8以上。在各光谱参数参与建立的SPAD反演模型中,使用多元逐步回归和偏最小二乘回归方法的模型精度最高。对高光谱影像结合各模型制作的SPAD分布图进行精度分析,结果表明,使用SPAD-PLSR模型得到的分布图具有最佳预测效果,可以作为棉花叶片SPAD遥感监测的技术手段。     

水氮调控对宁夏旱区马铃薯株高、叶绿素和产量的影响

为了探明宁夏中部旱区膜下滴灌水氮调控对马铃薯株高、叶绿素和产量的影响,采用双因素三水平随机区组试验,研究了不同灌水施氮处理对马铃薯株高、叶绿素相对含量和产量的影响。结果表明:在相同灌水量条件下,马铃薯株高不随施氮量的增加而增大,叶绿素相对含量随着施氮量的增加而升高,不同施氮量处理之间株高差异不显著(P0.05);在相同施氮量条件下,马铃薯株高随灌水量增加而增大,叶绿素相对含量随灌水量的增加而降低,不同灌水量处理之间株高差异显著(P0.05),灌水量对马铃薯株高的影响程度大于施氮量,T7处理马铃薯株高最大,T3处理叶片叶绿素相对含量最高;灌水和施用氮肥均可以提高马铃薯产量和商品薯产量,试验条件下T6处理马铃薯产量最大且商品薯率最高。在宁夏中部旱区灌水施氮方案以T6处理为宜。     

基于高光谱成像的马铃薯叶片叶绿素分布可视化研究

针对马铃薯作物叶片进行了叶绿素含量无损检测技术及分布图绘制方法研究,用以指示作物长势并指导精细化管理。首先利用高光谱成像技术采集了65个马铃薯叶片的400个样本点高光谱图像和相应的SPAD值,提取并计算叶绿素测量区域的叶片平均光谱后,分别采用蒙特卡罗无信息变量消除算法（MC-UVE）和自适应重加权算法（CARS）筛选出了12个和23个叶绿素含量敏感波长,建立了马铃薯叶片叶绿素含量偏最小二乘（PLS）回归模型。建模结果如下：基于MC-UVE算法筛选的12个敏感波长的PLSR诊断模型,建模精度R2C为0.79,验证精度R2V为0.73;基于CARS算法筛选的23个敏感波长建立的PLSR诊断模型,建模精度R2C为0.82,验证精度R2V为0.80。择优选取CARS-PLSR模型计算马铃薯叶片每个像素点的叶绿素含量,从而利用伪彩色绘图绘制了马铃薯叶片叶绿素含量可视化分布图,最终实现马铃薯叶片含量无损检测以及叶绿素分布可视化表达,以期为后续马铃薯作物大田冠层叶绿素分布诊断提供支持。     

基于光学特性参数反演的绿萝叶绿素含量估测研究

为快速准确检测植物体叶绿素含量,提出一种基于MMD迁移的光学特性参数反演方法.以绿萝叶片为研究对象,仿真光子在基于蒙特卡洛方法的单层平板模型上的运动轨迹,获得12000幅绿萝叶片仿真光亮度分布图,利用卷积神经网络对模拟光谱数据进行训练,得到预训练模型;基于预训练模型进行迁移学习,在少量实测绿萝叶片光谱数据上对模型进行微...     

基于PROSAIL模型偏差补偿的水稻叶绿素含量遥感估测

以东北水稻为研究对象,以提高叶绿素估测精度和模型可解释性为目标,提出了一种混合建模方法。以PROSAIL辐射传输机理模型为基础,模拟水稻冠层光谱,建立叶绿素含量的查找表,初步估测叶绿素含量,并采用最小二乘支持向量机(LSSVM)建立误差模型,对PROSAIL模型偏差进行补偿,弥补PROSAIL建模时产生的误差。为验证模型的估测能力,选取13种与作物叶绿素关系较为密切的植被指数,通过不同统计模型的模拟分析,筛选出4种较优的植被指数,分别建立单因子输入的最优预测模型(GNDVI、RSI、(S_(Dr)-S_(Db))/(S_(Dr)+S_(Db))的乘幂模型及MCARI的指数模型)。以4种植被指数作为输入,利用偏最小二乘法(PLS)、LSSVM回归法、BP神经网络及本文提出的混合建模方法分别构建水稻叶绿素含量多因子预测模型,并进行估测和验证。结果表明,相比单因子输入的最优预测模型,混合模型具有较低的预测偏差,其建模集R~2=0. 740 6,RMSE为0. 985 2 mg/dm~2,验证集R~2=0. 733 2,RMSE为1. 084 3 mg/dm~2。与采用其他多因子预测模型相比,本文方法具有较高的估测精度和良好的鲁棒性。另外,混合建模方法以PROSAIL模型为基础,物理意义较为明确,提高了预测模型的可解释性。本文可为作物叶绿素含量估测提供新的思路和方法,为诊断水稻氮营养含量和监测水稻长势提供参考。     

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YOLO v5的植物叶绿素含量估测与可视化技术

为快速估测并直观显示植物叶绿素含量的冠层分布,以苗期的簸箕柳作为研究对象,构建了一套多视角表型信息采集平台,通过目标检测算法YOLO v5检测识别出植物分枝区域并提取不同色彩空间下的主枝部分分层色彩因子,对比多种模型回归方法,将多组色彩因子组合与手持式叶绿素含量测定仪测得的SPAD进行反演建模,得到拟合度最高的色彩因子组合回归模型;将该模型应用于整株苗木图像来表征SPAD的冠层分布,实现叶绿素含量在整株植物分布上的可视化。结果表明：通过对比多种回归算法下不同色彩因子组合模型与SPAD指数的相关性,发现在RGB空间下由色彩因子R、G、B、G/R、G/B构建的对数项岭回归算法拟合模型效果最佳,其拟合度最高（R²为0.73）,且误差最小（RMSE为2.16）。本文通过采集多视角图像,基于YOLO v5目标检测模型识别出植物主枝冠层区域,得到叶绿素含量冠层分布的最佳估测模型并进行可视化,可实现植物苗期生长的监测与植物长势的快速评判,为氮胁迫早期诊断和氮肥科学施加提供技术指导。     

基于冠层光谱和覆盖度的马铃薯叶片钾含量估算方法

叶片钾含量(Leaf potassium content, LKC)是表征作物钾素营养状况的重要指标,高效准确地获取马铃薯LKC有助于精准农业施肥管理。本研究旨在通过结合马铃薯关键生育期RGB影像提取的植被指数(VIs)和植被覆盖度(FVC),提高马铃薯关键生育期LKC估算的准确性。首先从马铃薯块茎形成期(S1)、块茎增长期(S2)和淀粉积累期(S3)的RGB影像中提取VIs和FVC,然后分别分析每个生育期VIs和FVC与马铃薯LKC的相关性,最后利用支持向量机(Support vector machine, SVM)、Lasso回归(Least absolute shrinkage and selection operator, Lasso)和岭回归构建马铃薯LKC的估算模型。结果表明：基于RGB影像提取的马铃薯FVC精度较高,且前两个生育期高于第3个生育期;利用VIs估算马铃薯LKC是可行的,但精度有待进一步提高;VIs结合FVC可以提高马铃薯LKC的估算精度。本研究可为作物生长和钾素营养状况监测提供技术参考。     

基于无人机高光谱分数阶微分的马铃薯地上生物量估算

以马铃薯为研究对象,利用无人机得到现蕾期、块茎形成期、块茎增长期、淀粉积累期和成熟期的高光谱数据,实测了地上生物量（Above ground biomass,AGB）数据。首先,利用成像高光谱影像提取每个生育期马铃薯冠层高光谱反射率数据;然后,利用分数阶微分计算高光谱0~2阶微分（间隔0.2）,将各阶微分下的光谱数据与地上生物量进行相关性分析,挑选出相关系数绝对值较大的前9个微分波段;最后,利用多元线性回归（Multiple linear regression,MLR）、随机森林（Random forest,RF）和人工神经网络（Artificial neural network,ANN）3种方法构建基于分数阶微分光谱的整体、不同品种、不同密度和不同施肥下的马铃薯AGB估算模型,并进行了对比。结果表明：各生育期相关系数绝对值最大值出现的阶数不同,现蕾期为0.8阶微分（470nm）;块茎形成期为1.8阶微分（710nm）;块茎增长期和淀粉积累期为1.6阶微分（718、722、766nm）;成熟期为1.0阶微分（622nm）。相较于整数阶微分,高光谱分数阶微分与AGB的相关性更高,分数阶微分可以提高马铃薯AGB的估算精度。分析了不同生育期整体、不同品种、不同密度和不同施肥下的马铃薯AGB估算模型,3种方法中以9个微分波段为因变量的AGB估算在块茎增长期表现效果最好,利用MLR方法得到的模型精度最高、稳定性最强,其次为RF模型,ANN模型表现效果最差。不同生育期利用3种方法构建的AGB估算模型精度由大到小依次为块茎增长期、块茎形成期、淀粉积累期、现蕾期、成熟期。     

基于小波变换和分数阶微分的冬小麦叶绿素含量估算

叶绿素含量变化直接表征冬小麦的光合作用能力,所以监测冬小麦叶绿素含量对分析冬小麦光合能力和生长状况具有重要意义.基于地面冬小麦冠层高光谱和实测叶绿素含量,分别利用原始光谱、分数阶微分光谱、原始光谱经连续小波变换后得到的小波能量系数与实测叶绿素含量进行相关性分析,选取相关性较好的分数阶微分光谱和小波能量系数,采用逐步回归...