基于无人机多光谱影像的冬小麦氮肥监测

[目的]研究无人机多光谱影像与土壤养分水平变化的关系。[方法]利用无人机搭载的多光谱传感器生成研究区50 m高的反射率正射影像,计算NDVI,GNDVI和SAVI指数值,调取作物感兴趣区进行研究。[结果]植被指数在小麦越冬期的不同长势小麦有明显差别。在其他外部条件一致的情况下,土壤N水平的变化对冬小麦越冬期长势影响较明显。[结论]无人机多光谱影像对冬小麦有较好的氮诊断潜力,可利用估测结果指导精准氮肥管理。     

基于无人机多光谱图像监测棉花冠层含水量

使用无人机搭载的多光谱相机获取田间遥感影像,通过相关性计算选取合适的波段组合,基于多光谱影像间的波段运算得到植被指数(VIs),采用最小二乘法构建棉花冠层含水量反演模型.结果表明,红波段(680nm)和近红外1波段(800nm)间的光谱特征与棉花冠层含水量相关性最高,由此光谱区间构建了归一化植被指数(NDVI)和比值植被指数(RVI),基于NDVI的二阶多项式回归得到了较好的预测结果,R2在0.69以上.使用此方法可以实现棉花冠层含水量的快速、无损监测,从而为田间精准灌溉提供技术支持.     

基于固定翼无人机多光谱影像的水稻长势关键指标无损监测

【背景】近年来随着遥感技术的快速发展，实时无损监测作物生长状况已成为当前研究热点，遥感获取的农情信息将为实现大面积作物精确管理提供指导。在众多遥感监测平台里，无人机因其操作简单、使用成本低等特点而受到广泛关注，无人机搭载多光谱相机可以快速获取作物的长势信息。【目的】尝试将固定翼无人机多光谱影像纹理信息与光谱信息结合，探究“图谱”信息对水稻长势指标的监测效果。【方法】通过开展两年涉及不同播期、品种、播栽方式、施氮水平的水稻田间试验，在水稻关键生育期使用固定翼无人机搭载Sequoia多光谱相机获取水稻冠层遥感影像，同步进行地上部破坏性取样以获取水稻叶面积指数(LAI)、地上部生物量(AGB)和植株氮含量(PNC)等农学指标，采用简单线性回归、偏最小二乘回归和人工神经网络回归算法，构建基于固定翼无人机多光谱影像的水稻长势指标监测模型，比较分析光谱纹理信息在不同模型中的监测效果。【结果】利用简单线性回归方法探究了植被指数(VI)、单波段纹理特征与水稻LAI、AGB和PNC间的定量关系，结果表明植被指数与LAI和AGB之间有较强的相关性，表现最好的植被指数为CIRE和NDRE,R 2分别为0.8...     

基于无人机多光谱影像特征融合的小麦倒伏监测

【目的】小麦倒伏严重影响小麦光合及成熟进程,进而造成小麦减产及品质下降。为快速精确获取倒伏信息,评估无人机遥感监测小麦倒伏的能力,构建小麦倒伏监测模式,为灾情评估、保险理赔及灾后补救提供技术支持。【方法】利用近地无人机获取包含红、绿、蓝、红边和近红外5个多光谱波段图像,经过预处理飞行高度50 m的小麦冠层图像,得到分辨率为1.85(cm/像素)的数字正射影像图（DOM）和数字表面模型（DSM）,从中提取光谱特征、高度特征和光谱纹理共3类特征信息;采用支持向量机（SVM）和随机森林（RF）2种分类器对6种不同特征集组合进行倒伏分类比较,使用准确率（Acc）、精确率（Pre）、召回率（Re）和调和平均数（F1）以确定较优的特征组合和分类器;同时使用3种不同的特征集筛选方法（套索算法Lasso、随机森林递归算法RF-RFE和Boruta算法）对优化的特征子集进行综合评价,确立适宜的倒伏分类评价方法。【结果】单一特征的光谱和纹理及其组合对小麦倒伏的分类评价结果较差,“椒盐现象”严重,在此基础上融合DSM信息的分类精度显著提高。采用随机森林分类器对光谱特征、纹理特征和高度特征进行特征集组合,小麦...     

基于无人机多光谱影像的地物识别

【目的】利用2018年5和6月获取的无人机多光谱影像对北京市大兴试验基地的部分农田进行地物类型提取研究。【方法】确定感兴趣地物种类,对影像进行时相与光谱特征分析,然后确定归一化植被指数NDVI、归一化绿蓝差异指数NGBDI、修正型比值植被指数MSR和红边波段反射率可以作为最优分类特征,通过基于光谱变量阈值分割的决策树分类法,实现地物分类,并提取种植面积,选取基于目视解译的地面调查数据进行方法验证。【结果】基于时相与光谱特征的决策树分类方法有较好效果,该方法用于小麦、果树和大棚的提取,误差值分别为10.68%、6.06%和16.48%,面积提取误差在17%以内,对无人机多光谱遥感影像进行地物识别具有一定的适用性。【结论】无人机低成本、高效率的优势为农田信息及时获取提供参考。     

基于无人机多光谱影像的春玉米田管理分区研究

为了提高大尺度农田管理的针对性，探寻低成本高效的分区方法，以黑龙江省典型黑土区30.8 hm²春玉米田为对象进行分区研究。基于吐丝期无人机多光谱影像，使用多尺度分割与模糊聚类相结合的方法进行分区，同时基于播种前的土壤养分（土壤有机质、速效氮磷钾）、土壤体积含水率、电导率、pH进行模糊聚类分区并作为对照，对分区间春玉米产量和土壤养分进行方差分析，并对分区内变异系数进行比较以评价分区效果。结果表明，基于无人机影像得到4个较优管理分区为M1、M2、M3、M4，各分区产量分别为7 597.53、8 236.35、8 686.98、9 119.93 kg·hm^-2，各分区间产量差异显著，其中M1、M2、M3间土壤养分差异显著（P<0.05），分区内作物产量和土壤养分的变异系数降低；基于土壤数据确定4个分区，即S1、S2、S3、S4，春玉米产量分别为7 754.81、8 173.44、8 860.05、9 153.23 kg·hm^-2，分区间土壤养分、土壤水分差异显著（P<0.05），分区内部土壤均一性提高。综合来看，2种方法的划分结果在空间分布上具有一定的相似性，同级分区的空间重合度分别为40.00%、46.51%、57.45%、59.38%，整体重合度为51.32%。当缺乏土壤数据时，无人机多光谱影像可为农田管理分区提供参考依据。     

基于高光谱的水稻叶片含水量监测研究

【目的】建立快速、无损诊断水稻叶片含水量的估测模型,为水稻水分精确管理提供依据。【方法】基于2年不同土壤水分处理和水稻品种的池栽试验,于水稻主要生育时期同步测定顶部4张叶片的光谱反射率和含水量,系统分析350-2 500 nm波段范围内任意两波段组合而成的比值（RSI）、归一化差值（NDSI）及差值（DSI）光谱指数,并分析其与叶片含水量的量化关系。【结果】不同土壤水分处理和叶位间,叶片反射光谱具有显著的时空变化特征,叶片含水量的敏感光谱波段主要位于近红外及短波红外区域;RSI （R1402, R2272）及NDSI （R1402, R2272）光谱指数与叶片含水量呈现良好的线性相关,线性拟合R2均达到0.80。基于独立试验资料对所建模型进行测试检验也显示,预测值和观察值的拟合R2也均达到0.86。【结论】RSI（R1402, R2272）、NDSI（R1402, R2272）均可用于水稻叶片含水量的定量监测。     

基于低空无人机影像光谱和纹理特征的棉花氮素营养诊断研究

【目的】基于无人机高空间分辨率影像,探讨剔除土壤背景信息及增加纹理信息对棉花植株氮浓度反演的影响,为棉花氮素营养精准探测提供新技术手段。【方法】开展棉花水、氮耦合试验,分别在棉花的不同生育期获取无人机多光谱影像和植株氮浓度信息。基于以上数据,首先探讨了土壤背景对棉花冠层光谱的影响;其次,分析了影像纹理特征与植株氮浓度间的相关性;最后,将获得的数据分为建模样本和检验样本,设置剔除土壤背景前、剔除土壤背景后、增加纹理特征等不同情景,采用光谱指数与主成分分析耦合建模的方法,来建立各种情景下植株氮浓度的反演模型,并对模型反演效果进行比较。【结果】土壤背景对棉花冠层光谱有影响,且不同生育期趋势不同;影像纹理特征参数与植株氮浓度间有显著相关关系;剔除土壤背景前植株氮浓度反演模型的建模决定系数为0.33,标准误差为0.21%,验证决定系数为0.19,标准误差为0.23%;剔除土壤背景后模型的建模决定系数为0.38,标准误差为0.20%,验证决定系数为0.30,标准误差为0.21%;增加纹理信息后模型的建模决定系数为0.57,标准误差为0.17%,验证决定系数为0.42,标准误差为0.19%。【结论】基于低空无人机高空间分辨率影像,剔除土壤背景和增加纹理特征均可提高棉花植株氮浓度的反演精度;影像纹理可以作为一种重要信息来支撑无人机遥感技术反演作物氮素营养状况。     

基于无人机多光谱遥感的小麦长势监测研究

高效、无损的监测作物长势是现代精准农业的核心环节,无人机平台因具有成本低、数据获取效率高、测试高度及测试时间可按需调节等优点,在监测作物长势中发挥着地面平台和高空平台无法比拟的优势.本研究以小麦为研究对象,应用无人机搭载RedEdge-M多光谱相机获取主要生育时期的小麦冠层多光谱影像,并同步取样测量小麦叶片SPAD、地...     

基于改进语义分割模型的无人机多光谱图像杂草分割

杂草与作物争夺肥料、阳光等养分，从而影响作物生长，快速有效地清除杂草危害对提高作物的产量和品质具有重要意义。传统的杂草防治方法常采取大面积喷洒除草剂等措施，无法满足智慧农业的精细化管理要求，精确、可靠的杂草检测是智能除草的关键。在卷积神经网络模型PANet的基础上进行改进，把原始特征提取网络ResNet替换为DenseNet-121,采用FPA模块提供像素级注意力信息，通过金字塔结构增加感受野。以无人机多光谱糖菜杂草图像为研究对象，分别构建近红外790 nm、红色690 nm和归一化植被指数NDVI的训练数据集进行网络训练。发现PANet的训练精度为97.38%,测试精度为93.41%;采用3通道（近红外790 nm+红色690 nm+NDVI）训练的模型F₁值最高为0.872。结果表明，该方法可以实现无人机多光谱图像杂草的有效分割，可为农田杂草精确检测和农作物生长状况监测提供参考和借鉴。     

基于决策树的无人机高光谱遥感影像地物分类研究

高光谱影像由于其波段众多,传统的多光谱图像的信息提取方法不适合高光谱影像的处理。利用无人机搭载美国Headwall公司的最新纳米级高光谱成像光谱仪,采集广东省广州市增城区某处的高光谱影像,提取光谱数据,分析不同地物间光谱曲线特征和差异,采用决策树进行地物分类。结果表明:根据无人机高光谱数据中不同地物之间光谱特征曲线的差异,建立分类树,不仅可以大大减少分类处理的工作量,且分类效果良好,准确度高。     

基于多光谱遥感的土壤含水量定量监测与分析

土壤含水量直接影响农作物的生长状况,是决定耕地质量的一个重要参数.从土壤含水量对耕地质量的影响出发,利用资源三号卫星(ZY-3)多光谱数据和实地测量数据进行对比,采用回归分析法,建立遥感光谱指数反演土壤水分含量数学模型,并以含山县铜闸土地整理项目区为例,分析整理区与未整理区土壤含水分变化及空间分布.结果表明,增强型植被指数(EVI)与不同耕层土壤水分线性拟合效果较好,相关系数达0.79以上,EVI值可有效反演土壤水分,多光谱遥感可以大面积定量监测土壤含水量.整理区与未整理区相比,低含水量水平面积减少32.7％;中等含水量水平面积增加1.9％;高含水量水平面积增加30.8％,整理区的含水量及分布明显高于未整治区,说明土地整理项目增强了土壤保水保墒能力.     

基于无人机多光谱遥感图像的玉米田间杂草识别

【目的】为了精确高效识别玉米田间杂草,减少除草剂施用,提高玉米种植管理精准性。【方法】通过六旋翼无人机搭载多光谱相机获取玉米田块多光谱图像。为分离图像中植被与非植被像元,计算了7种植被指数,采用最大类间方差法提取植被指数图像中非植被区域,制作掩膜文件并对多光谱图像掩膜。通过主成分分析对多光谱图像进行变换,保留信息量最多的前3个主成分波段。将试验区域分为训练区域和验证区域,在训练区域中分别选取了675处玉米和525处杂草样本对监督分类模型进行训练,在验证区域选取了240处玉米样本及160处杂草样本评价模型分类精度。将7种植被指数、3个主成分波段的24个纹理特征及经过滤波的10个反射率,共计41项特征作为样本特征参数。利用支持向量机-特征递归消除算法(support vector machines-feature recursive elimination,SVM-RFE)和Relief算法从41项特征中各筛选14项特征构成特征子集,采用支持向量机、K-最近邻、Cart决策树、随机森林和人工神经网络对特征子集进行监督分类。【结果】支持向量机与随机森林对全部特征及2个特征子集分类效果较好,支...     

融合无人机多光谱和纹理特征的马铃薯LAI估算

目的 研究融合无人机遥感影像多光谱信息和纹理特征估算马铃薯Solanum tuberosum叶面积指数(Leaf area index,LAI)方法,提高马铃薯LAI反演精度。方法 利用大疆P4M无人机采集2021年2－4月南方冬种马铃薯幼苗期、现蕾期、块茎膨大期多光谱影像,用LAI-2000冠层分析仪实测LAI数据。提取影像光谱、纹理等信息,分析植被指数、纹理特征与LAI的相关性,基于R²_adj的全子集分析优选特征变量。采用主成分分析,融合光谱和纹理特征,用PCA-MLR(Principal component analysis-multiple linear regression)模型估算马铃薯LAI。结果 从幼苗期到块茎膨大期,PCA-MLR估算模型优于T-MLR(Texture multiple linear regression)和VI-MLR(Vegetation index multiple linear regression)模型,R²分别为0.73、0.59和0.66。结论 本研究提出一种估算马铃薯LAI的PCA-MLR方法,为马铃薯的长势监测和田间管理提供数据支持。     

基于无人机多光谱的夏玉米叶绿素含量反演研究

以济南市济阳区夏玉米为研究对象,通过无人机(UAV)搭载多光谱相机进行叶绿素动态监测。在夏玉米3个生育时期(大喇叭口期、开花期、灌浆期),每个时期选取5块具有代表性的1 m×1 m的样地,利用无人机获取样地多光谱影像;同时从每块样地选取不同植株冠层不同部位的7片叶,用叶绿素仪测定每片叶的SPAD值,取其平均值作为该样地的SPAD实测值。利用Pix4D mapper软件对获取的多光谱影像进行拼接,然后利用伪标准地物辐射校正法进行校正,输出5个波段的反射率影像图,用ENVI对各波段进行配准组合成ENVI格式的反射率数据。选取4种光谱参数和夏玉米SPAD实测值构建反演模型并进行模型评价,结果表明:以归一化植被指数(NDVI)、土壤调整植被指数(SAVI)、冠层叶绿素含量指数(CCCI)三种光谱参数为变量的多元线性回归(MLR)模型精度更高且更加稳定,模型检验Rv~2为0.885,均方根误差(RMSE)为2.111,模型最优解参数(MOSP)为0.414。综合分析,该模型在估测玉米冠层叶绿素含量方面具有快速便捷、时效性强、准确度高等诸多优势,同时能快速、无损监测夏玉米叶绿素含量变化。     

基于无人机多光谱影像的云南切梢小蠹危害监测反演研究

[目的]探索如何利用多光谱遥感对云南切梢小蠹的危害状况进行快速准确的监测.[方法]基于多光谱无人机获取研究区影像结合实地采集样方数据,应用DNN深度学习模型定量反演研究区云南切梢小蠹危害信息,分析虫害等级光谱图像发现GNRE指数和NDVI指数对虫害造成的枯稍率的相关性.[结果]将两指数应用于模型拟合,对比结果发现植被指...     

无人机多光谱遥感在农作物生长监测中的应用综述

遥感技术是掌握作物生长发育情况的常用方法,无人机遥感技术的使用具有简单、有效、廉价的优点,近年来更广泛的运用在农业中。多光谱相机可以在近红外波段和红边波段获得数据,利用光谱数据及时地进行作物估产、生长检测和营养评估工作,并具有成本低、稳定性高、数据量小和覆盖面积广的特征,在较大面积的区域调查中具有广阔的应用。叶绿素含量、叶面积指数、氮素含量等农学参数与作物的长势密切相关,通过这些参数可以实时诊断作物的营养状况及病虫害状况,根据作物的实际情况来进行精准管理与调控。本文从遥感无人机与多光谱相机的类型和特征、多光谱在作物表型信息监测上的主要应用、农作物灾害检测3个方面作了详尽的综述,希望为无人机多光谱遥感技术在作物生产的精细化作业提供借鉴。