基于无人机多光谱遥感的夏玉米叶面积指数估算方法

无人机多光谱遥感技术可以快速、无损地监测农作物叶面积指数（LAI）。为研究水分胁迫条件下,利用无人机多光谱植被指数估算夏玉米LAI的可行性,本研究基于无人机多光谱遥感系统,结合同时期实地采集的夏玉米LAI,选择5种植被指数,包括归一化差值植被指数（NDVI）、土壤调节植被指数（SAVI）、增强型植被指数（EVI）、绿度归一化植被指数（GNDVI）和抗大气指数（VARI）,作为模型输入参数,使用随机森林回归算法建立全生育期不同灌溉条件下大田玉米冠层植被指数与LAI之间的关系模型,并与一元线性回归和多元线性回归算法建立的模型进行对比分析。结果表明,在充分灌溉条件下,植被指数的多元线性回归模型可以较好地估算LAI（R² = 0.83）;在水分胁迫条件下,植被指数的随机森林回归模型可以较好地估算LAI（R² = 0.74~0.87）,水分胁迫因素对该模型影响较小,且NDVI和VARI对估算LAI的贡献最大。上述结果表明基于无人机多光谱遥感技术,使用随机森林回归算法估算多种灌溉条件下的夏玉米LAI是可行的。该研究为实现快速、准确地监测全生育期不同灌溉条件下的大田夏玉米LAI提供了技术和方法支持。     

基于GF-1数据的夏玉米FPAR遥感动态估算

为探索高分一号卫星（GF-1）估算农作物光合有效辐射吸收比率（Fraction of absorbed photosynthetically active radiation, FPAR）的潜力,以田间小区与大田夏玉米为对象,基于GF-1卫星的16 m空间分辨率宽视场（Wide field view, WFV）传感器光谱响应函数对地面实测冠层高光谱反射率进行重采样,获取GF-1 WFV的模拟反射率,构建宽波段植被指数,利用与FPAR极显著相关且具有较高相关系数的植被指数,建立不同生育期夏玉米FPAR的一元与多元逐步回归模型,筛选FPAR估算的最适模型,并在此基础上实现县域尺度不同生育期的FPAR动态估算。结果表明：模拟宽波段光谱反射率与GF-1 WFV光谱反射率间的相关系数|R|为0.967～0.985,决定系数R²为0.935～0.969;基于模拟反射率构建3波段植被指数与FPAR的相关性优于2波段植被指数,增强型植被指数（EVI）、土壤调节植被指数（MTVI2）、可见光大气阻抗植被指数（VARI）、综合植被指数（TCARI/OSAVI）等3波段植被指数与FPA...     

大田玉米作物系数无人机多光谱遥感估算方法

作物系数K_c快速获取是大田作物蒸散量(Evapotranspiration,ET)估算的关键,为研究无人机多光谱遥感估算玉米作物系数的可行性和适用性,以2017年内蒙古达拉特旗昭君镇实验站大田玉米、土壤、气象等数据为基础,采用经气象因子和作物覆盖度校正后的双作物系数法计算不同生长时期与不同水分胁迫玉米的作物系数,并使用自主研发的无人机多光谱系统航拍玉米的冠层多光谱(蓝、绿、红、红边、近红外,475~840 nm)影像,研究了不同生长时期(快速生长期、生长中期和生长后期)玉米的6种常用植被指数(Vegetation indices,VIs):归一化差值植被指数(NDVI)、土壤调节植被指数(SAVI)、增强型植被指数(EVI)、比值植被指数(SR)、绿度归一化植被指数(GNDVI)和抗大气指数(VARI),与作物系数K_c的关系模型及水分胁迫对其的影响。结果表明:玉米生长时期和水分胁迫是影响玉米VIs-K_c模型相关性的两个重要因素。不同生长时期玉米植被指数和K_c相关性不同:充分灌溉情况下,快速生长期玉米VIs-K_c模型的相关性(R2为0.731 2~0.940 1,p0.05,n=25)与生长中期至生长后期VIs-K_c模型的相关性(R2为0.276 5~0.373 2,p0.05,n=40)不同;水分胁迫情况下,快速生长期玉米VIs-K_c模型的相关性(R2为0.0002~0.0830,p0.05,n=25)与生长中期至生长后期VIs-K_c模型的相关性(R2为0.366 2~0.848 7,p0.05,n=40)不同。水分胁迫对VIs-K_c模型的相关性影响较大:快速生长期,充分灌溉玉米VIs-K_c模型的相关性(R2最大为0.940 1)比水分胁迫玉米VIs-K_c模型的相关性(R2最大为0.083 0)强;生长中期至生长后期,充分灌溉玉米VIsK_c模型的相关性(R2最大为0.373 2)比水分胁迫玉米VIs-K_c模型的相关性(R2最大为0.848 7)弱。部分植被指数和作物系数相关性较强;快速生长期充分灌溉玉米的VIs-K_c模型的相关性由大到小依次为:SR、EVI、VARI、GNDVI、SAVI、NDVI;生长中期至生长后期水分胁迫玉米的VIs-K_c模型的相关性由大到小依次为:SR、GNDVI、VARI、NDVI、SAVI、EVI;其中比值植被指数SR与作物系数K_c的相关性最好。结果表明采用无人机多光谱技术估算K_c具有一定的可行性。     

基于无人机多光谱遥感的矮林芳樟光合参数估测

为探讨应用无人机多光谱技术估算矮林芳樟(Cinnamomum camphora(Linn.)Presl)光合参数的有效分析模型和方法,本研究以矮林芳樟为研究对象,通过无人机搭载的多光谱相机获取其冠层六波段光谱反射率,同步测量其净光合速率(Pn)、胞间二氧化碳浓度(Ci)、气孔导度(Gs)和蒸腾速率(Tr)4种光合参数,采用最佳指数因子(OIF)筛选光谱反射率和植被指数的组合作为自变量,分别采用偏最小二乘法(Partial least squares method, PLS)、反向传播神经网络(Back propagation neural network,BPNN)和随机森林(Random forest, RF)构建自变量与光合参数的估算模型,并分析比较各估算模型的精度。结果显示：矮林芳樟光合参数与叶片红边波段2(中心波长750 nm)和近红外波段(中心波长840 nm)反射率有密切关系;红边波段2、增强型植被指数2(EVI2)、红边叶绿素指数(CI_rededge)组合的OIF值最大,为0.012 6,可作为模型自变量的最佳组合;Pn、Ci、Gs、Tr 4种光合参...     

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.     

基于无人机多光谱遥感的玉米根域土壤含水率研究

及时获取农田作物根域土壤墒情是实现精准灌溉的基础和关键。以内蒙古自治区达拉特旗昭君镇试验站大田玉米为研究对象,利用无人机遥感系统,分别在玉米营养生长期(Vegetative stage,V期)、生殖期(Reproductive stage,R期)和成熟期(Maturation stage,M期)获得7次玉米冠层多光谱正射影像,并同步采集玉米根域不同深度土壤含水率(Soil moisture content,SMC);然后,采用灰色关联法对提取的多种植被指数(Vegetation index,VI)进行筛选,选取与土壤含水率敏感的植被指数;最后,分别采用多元混合线性回归(Cubist)、反向传播神经网络(Back propagation neural network,BPNN)和支持向量机回归(Support vector machine regression,SVR)等机器学习方法,构建不同生育期的敏感植被指数与土壤含水率的关系模型。结果表明,3种机器学习方法中SVR模型在各生育期的建模与预测精度均最优,BPNN模型次之,Cubist模型最差;其中SVR模型在M期效果最优,其建模集和验证集R~2分别为0. 851和0. 875,均方根误差(Root mean square error,RMSE)均为0. 7%,标准均方根误差(Normalized root mean square error,nRMSE)分别为8. 17%和8. 32%,R期效果最差,其建模集和验证集R~2分别为0. 619和0. 517。     

基于无人机多源遥感的玉米LAI垂直分布估算

为探究无人机多源遥感影像估算玉米叶面积指数(Leaf area index, LAI)垂直分布,在田间设置了密度和播期试验,在7个生育时期利用无人机采集了可见光、多光谱和热红外影像并同步获取玉米LAI垂直分布数据。同时,为合理制定无人机飞行任务,分析了不同飞行高度和不同太阳高度角下获取的无人机影像对估算玉米LAI的影响。基于无人机影像提取的与玉米LAI相关性较高的植被指数、纹理信息和冠层温度等特征,利用7种机器学习方法分别构建了玉米冠层不同高度LAI估算模型,从中选取鲁棒性强的2个模型用于分析在不同飞行高度和不同太阳高度角下估算LAI的差异。研究结果表明,MLPR和RFR模型对玉米LAI估算鲁棒性最强,全生育期下模型rRMSE为11.31%(MLPR)和11.42%(RFR)。玉米冠层LAI垂直分布估算误差,所有模型的平均rRMSE分别为9.1%(LAI-1)、14.19%(LAI-2)、18.62%(LAI-3)、23.29%(LAI-4)和26.7%(LAI-5)。对于玉米穗位叶及以下部位的LAI估算误差均在20%以下,得到了较好精度。同时,在不同飞行高度和太阳高度角试验中可以得出...     

无人机多源光谱反演大田夏玉米叶面积指数

[目的]研究多源光谱反演大田夏玉米叶面积指数(LAI)的效果.[方法]以大田夏玉米为研究对象,利用无人机获取试验区不同生育期热红外以及多光谱影像,提取热红外冠层温度(TC)以及多光谱植被指数,结合地面实测LAI数据,分析光谱数据与实测LAI之间的相关关系,并将TC与筛选出的11种植被指数作为输入变量,LAI作为输出变量...     

轻小型无人机多光谱遥感技术应用进展

随着光谱传感技术和图像处理与分析软件的日益成熟,无人机多光谱软硬件一体化程度和观测精度及易用性得到极大的发展。无人机多光谱遥感已在农业、林业、资源、生态、环境保护等领域应用日益广泛。本文概述了无人机飞行平台、多光谱传感器等硬件技术的发展,和无人机遥感影像的几何校正、辐射校正图像处理技术及数据处理流程,并对无人机多光谱遥感在植被长势监测、存在问题、精细分类与地物识别、病虫害监测、生物量和产量估算等方面的应用潜力和发展方向进行了系统分析和总结,以期为开展相关领域研究提供参考。建议各行业部门的专业人员与遥感、计算机科学等领域的专家密切合作,制订无人机多光谱遥感技术的相关标准和规范,共同推进并普及无人机多光谱遥感技术。     

无人机多光谱遥感反演冬小麦植株含水率

为了建立一种高效监测冬小麦植株含水率的无损方法,用于反映作物水分状况、指导精准灌溉。以北京大兴的冬小麦为研究对象,利用无人机搭载多光谱相机采集冬小麦5个波段的光谱信息,构造了光谱反射率模型和光谱植被指数模型,筛选了典型地区冬小麦植株含水率解译模型。结果表明:冬小麦植株含水率与反射光谱在0.05水平上显著相关,优选的两种模型的预测精度较高,相对误差均小于10%,决定系数均大于0.75;从模型复杂程度和物理含义考虑,估算植株含水率的最优模型为基于逐步回归法的光谱指数模型,该模型的率定及验证的决定系数为0.78和0.83,均方根误差为6.79%和5.47%,相对误差为9.73%和6.91%。该研究为采用无人机多光谱遥感技术实现对作物水分的快速高效监测提供了有效方法。     

基于无人机遥感技术的玉米种植信息提取方法研究

使用无人机遥感试验获取的可见光图像研究拔节期玉米种植信息提取方法。首先确定感兴趣区地物种类,包括:玉米、小麦、向日葵、树苗和裸地;然后分别统计计算5类地物的27项纹理特征,比较各类地物特征的种内变异系数和与玉米的相对差异系数,选出适宜提取玉米种植信息的特征。经过分析发现,仅用一个特征参数难以准确提取玉米种植信息,需要各特征组合分层分类提取玉米信息。最后确定绿色均值、蓝色协同性和纹理低通植被指数TLVI为玉米种植信息提取特征。经过对初步提取结果的分析,发现分类后的小麦地和树苗地中仍残留有与玉米区特征相同的斑块,玉米地中有与非玉米区特征相同的斑块,结合两种斑块各自形状面积分布的独特性,分别实现残留斑块去除和玉米地错分斑块保留,完成玉米种植信息提取。选取与感兴趣区影像同时期不同区域的两幅影像进行方法验证,结果表明:该方法对玉米种植信息提取有较好效果,面积提取误差在20%以内,对用无人机可见光遥感影像进行玉米种植信息提取具有一定的适用性。     

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...     

基于无人机多光谱遥感的土壤含盐量反演模型研究

为探究无人机多光谱遥感技术快速监测植被覆盖下的土壤含盐量问题,以内蒙古河套灌区沙壕渠灌域内4块不同盐分梯度的耕地为研究区域,利用无人机搭载多光谱传感器获取2018年8月遥感影像数据,并对0~40cm〖JP〗的土壤进行盐分测定。分别引入敏感波段组、光谱指数组、全变量组作为模型输入变量,采用支持向量机（Support vector machine,SVM）、BP神经网络（Back propagation neural network,BPNN）、随机森林（Random forest,RF）、多元线性回归（Multiple linear regression, MLR）4种回归方法,建立基于3组输入变量下的土壤盐分反演模型,并进行精度评价,比较不同输入变量、不同回归方法对模型精度的影响,评价并优选出最佳盐分反演模型。结果表明,通过分析3个变量组的R2和RMSE,光谱指数组在4种回归方法中均取得了最佳的反演效果,敏感波段组和全变量组在不同的回归方法中反演效果不同。4种回归方法中,3种机器学习算法反演精度明显高于MLR模型,且MLR模型中的敏感波段组和全变量组均出现了“过拟合”现象,RF算法在3种机器学习算法中表现最优,SVM算法和BPNN算法在基于不同变量组的模型中表现也不相同。基于光谱指数组的RF的盐分反演模型在12个模型中取得了最佳的反演效果,R2c和R2v分别达到了0.72和0.67,RMSEv仅为0.112%。     

基于改进CenterNet的玉米雄蕊无人机遥感图像识别

为准确识别抽雄期玉米雄蕊实现监测玉米长势、植株计数和估产,基于无锚框的CenterNet目标检测模型,通过分析玉米雄蕊的尺寸分布,并在特征提取网络中添加位置坐标,从而提出一种改进的玉米雄蕊识别模型。针对雄蕊尺寸较小的特点,去除CenterNet网络中对图像尺度缩小的特征提取模块,在降低模型参数的同时,提高检测速度。在CenterNet特征提取模型中添加位置信息,提高定位精度,降低雄蕊漏检率。试验结果表明,与有锚框的YOLO v4、Faster R-CNN模型相比,改进的CenterNet雄蕊检测模型对无人机遥感影像的玉米雄蕊识别精度达到92.4%,分别高于Faster R-CNN和YOLO v4模型26.22、3.42个百分点;检测速度为36f/s,分别比Faster R-CNN和YOLO v4模型高32、23f/s。本文方法能够准确地检测无人机遥感图像中尺寸较小的玉米雄蕊,为玉米抽雄期的农情监测提供参考。     

基于无人机遥感与植被指数的冬小麦覆盖度提取方法

基于开源飞控Pixhawk开发了一套集成稳定云台、位置与姿态系统(Position and orientation system,POS)数据采集模块的无人机多光谱遥感图像采集系统,同步采集520~920 nm范围内的红、绿和近红外波段信息。以冬小麦为例,分别在越冬期、拔节期、挑旗期和抽穗期进行飞行实验,飞行高度55 m,多光谱影像地面分辨率2.2 cm。采用监督分类与植被指数统计直方图相结合的方式,提出了一种田间尺度小麦覆盖度快速提取的方法,给出归一化植被指数(Normalized difference vegetation index,NDVI)、土壤调节植被指数(Soil-adjusted vegetation index,SAVI)及修正土壤调节植被指数(Modified soil-adjusted vegetation index,MSAVI)对应的植被像元与土壤像元的分类阈值,分别为0.475 6、0.705 6和0.635 0。同时利用基于同步采集的地面分辨率可达0.8 cm的高清可见光遥感图像提取了相应时期的冬小麦覆盖度参考值。结果表明,基于无人机多光谱遥感技术及植被指数法可以较好地提取冬小麦越冬期、拔节期、挑旗期和抽穗期的植被覆盖度信息。与SAVI、MSAVI相比,基于NDVI分类阈值的提取效果最好,绝对误差最小。     

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。     

基于卷积注意力的无人机多光谱遥感影像地膜农田识别

监测地膜覆盖农田的分布对准确评估由其导致的区域气候和生态环境变化有着重要作用,基于DeepLabv3+网络,通过学习面向地膜语义分割的通道注意力和空间注意力特征,提出一种适用于判断农田是否覆膜的改进深度语义分割模型,实现对无人机多光谱遥感影像中地膜农田的有效分割。以内蒙古自治区河套灌区西部解放闸灌区中沙壕渠灌域2018—2019年4块实验田的无人机多光谱遥感影像为研究数据,与可见光遥感影像的识别结果进行对比,同时考虑不同年份地膜农田表观的变化,设计了2组实验方案,分别用于验证模型的泛化性能和增强模型的分类精度。结果表明,改进的DeepLabv3+语义分割模型对多光谱遥感影像的识别效果比可见光高7.1个百分点。同时考虑地膜农田表观变化的深度语义分割模型具有更高的分类精度,其平均像素精度超出未考虑地膜农田表观变化时7.7个百分点,表明训练数据的多样性有助于提高地膜农田的识别精度。其次,改进的DeepLabv3+语义分割模型能够自适应学习地膜注意力,在2组实验中,分类精度均优于原始的DeepLabv3+模型,表明注意力机制能够增加深度语义分割模型的自适应性,从而提升分类精度。本文提出的方法能够从复杂的场景中精准识别地膜农田。