作物生长信息获取多光谱传感器设计与试验

为了实时、快捷、无损获取农作物生长信息,根据作物生长指标的光谱监测机理,研制了一种四波长作物生长信息获取多光谱传感器.采用光学滤波技术提高了光辐射信息输入信噪比,依据作物冠层特征及田间作业环境实际要求,设计了适宜的探测镜头结构参数,确保了多光谱传感器灵敏度与分辨效果,应用T型电阻积分网络搭建了微弱光谱信息放大电路.通过标定,获得了多光谱传感器与FieldSpec Pro FR2500型光谱仪的关系模型,决定系数分别为0.8028、0.8068、0.8185、0.8900.对小麦的试验结果表明,该传感器的平均测量误差分别为5.6％、4.6％、1.4％、4.5％.该传感器能够较好地实现作物冠层反射光谱的实时在线检测,为作物生长监测设备的研发提供了有力支持.     

基于MODIS的黑龙江省耕地作物长势监测

黑龙江省是我国重要的商品粮生产基地,其耕地面积大,多平原,粮食产量一直备受关注。实时掌握作物长势状况可为估算作物产量奠定基础。基于黑龙江省2000—2018年MODIS 13A2产品数据,获取每16 d的耕地范围内归一化植被指数（NDVI）数据,采用多年平均值法得到NDVI的平均值作为衡量长势好坏的标杆,并将2019年的数据与此对比。结果表明：黑龙江省2019年作物长势正常,其中四个时间段内作物长势稍好于平均年,另四个时间段内作物长势与平均年持平,长势稍弱一些的是在6月11日—6月26日时期,存在一定稍差长势,且长势稍差区主要分布在省内的西部地区。该研究可全面了解黑龙江省作物生长季内实际生长状况,为生产部门对作物产量估计提供基础保障。     

基于无人机多光谱影像特征的最佳波段组合研究

针对卫星遥感影像分辨率低、时间周期长、波段冗余信息多等问题,利用无人机多光谱数据获取便捷、成本低、周期短的优势,以玛纳斯河畔为研究区,使用固定翼无人机搭载Micro MCA12 Snap多光谱传感器获取高分辨率多光谱影像。通过对多光谱影像数据标准差及相关性进行分析排序,结合OIF方法得到原始波段最佳组合,使用多种植被及水体指数、主成分分析、灰度共生矩阵确定信息量最大的光谱特征与纹理特征波段,提出将光谱特征、纹理特征信息与最佳波段指数结合的方法来确定地物分类最佳波段组合。实验结果表明,针对Micro MCA12 Snap多光谱传感器,可选择波段1、6、11、NDVI、NDWI以及灰度共生矩阵中的Mean参量作为其地物分类的最佳波段组合。感兴趣区域内非监督IsoData分类精度从83.57%提升到89.80%,监督的SVM分类精度从95.58%提升到99.76%。研究结果可为无人机多光谱遥感最佳波段组合选择提供借鉴和参考。     

无人机遥感在饲草作物生长监测中的应用研究进展

饲草作物生长的动态监测与定量估算对于饲草规模化生产具有重要意义。无人机遥感分辨率高、灵活性强、成本低,近年来在饲草作物生长监测领域发展迅速,应用场景不断拓展。为了掌握无人机在饲草监测的国内外应用现状,确定重点发展方向,本文首先从数据获取、数据处理和饲草作物生长监测关键技术三个方面简述了无人机遥感在饲草作物监测中的基本研究方法。其次按照传感器类型从可见光、多光谱、高光谱、热红外和激光雷达遥感五个方面阐述了无人机遥感饲草作物生长监测的应用现状。最后针对研究应用中尚未解决的关键技术问题展望了未来的发展方向,提出融合饲草作物时空尺度数据和多源遥感数据、进一步拓展数据获取手段、研发智能化数据分析综合平台是未来饲草作物监测领域应用创新的关键所在。     

基于光谱反射率的作物水分状况研究进展

利用作物光谱反射率进行作物水分实时监测和快速诊断是目前遥感技术在农业中应用的研究热点之一,根据20世纪70年代以来的大量国内外文献,综述了利用光谱反射特性诊断作物水分状况的研究进展,阐明了从光谱反射特性诊断作物水分状况方法的优势,指出了此项研究存在的问题,并对其今后研究方向和发展趋势进行了展望。     

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。     

基于无人机高光谱长势指标的冬小麦长势监测

为快速准确监测作物长势,以冬小麦为研究对象,获取了不同生育期的无人机高光谱影像。利用无人机高光谱数据构建光谱指数,并分析4个生育期的指数与生物量、叶面积指数以及由生物量和叶面积2个生理参数构建的长势监测指标(Growth monitoring indicator,GMI)的相关性;建立与GMI相关性较强的4个光谱指数的单指数回归模型,利用多元线性回归、偏最小二乘和随机森林3种机器学习方法分别建立冬小麦各生育期的GMI反演模型;将最佳模型应用于无人机高光谱影像,得到冬小麦长势监测图。结果表明:各生育期光谱指数与冬小麦GMI相关性较高,大部分指数都达到了显著水平,其中NDVI、SR、MSR和NDVI×SR与GMI的相关性高于生物量、叶面积指数与GMI的相关性;拔节期、挑旗期、开花期、灌浆期、全生育期,表现最好的回归模型对应光谱指数分别是NDVI×SR、NDVI、SR、NDVI和NDVI×SR;对比3种方法构建的GMI反演模型,开花期模型MLR-GMI效果最佳,此时期的模型建模R~2、RMSE和NRMSE分别是0. 716 4、0. 096 3、15. 90%。     

高光谱波段筛选技术在小麦含水率反演中的应用

近年来,高光谱遥感技术日渐成熟,人工智能和机器学习技术逐渐应用于农作物生化参量反演领域,传统的人工测量农作物长势、叶片含水率和叶绿素含量等逐渐由自动化、智能化机器所替代,该技术在农作物叶片含水率反演方面发挥了重要作用,但仍有一定局限性.目前,限制高光谱技术主要应用于农作物生化参量反演中高光谱波段数较多、冗余度高的问题....     

基于多光谱卫星模拟波段反射率的冬小麦水分状况评估

为及时掌握作物水分利用状况、评估作物水分亏缺和提高作物水分利用效率,在2012—2016年期间进行了不同水分处理的冬小麦田间试验,获取了冬小麦主要生育期冠层光谱和叶片含水量等数据。利用冬小麦冠层光谱以及Quickbird、IKONOS、GF-2、GF-1、Landsat8、HJ-1A/B、GF-4和MODIS卫星传感器光谱响应函数模拟卫星多波段反射率,参照归一化植被指数(Normalized vegetation index, NDVI)、比值植被指数(Ratio vegetation index, RVI)和差值植被指数(Difference vegetation index, DVI)的形式,将各卫星波段反射率两两组合,系统分析构建的植被指数与叶片含水量的相关性,探讨不同空间分辨率(2.44、4、8、30、50、250m)波段组合及植被指数对作物水分状况和灌溉活动的响应能力。结果表明,NDVI、RVI和DVI 3种指数对作物水分敏感区域的分布类似;8个卫星的近红外波段与叶片含水量的相关系数为正,其余几个波段与叶片含水量的相关系数为负;NDVI(GF-1绿波段,GF-2绿波段)、RVI(GF-1绿波段,GF-2绿波段)和DVI(GF-2蓝波段,GF-4蓝波段)与叶片含水量相关性较好,决定系数R2分别为0.776、0.774和0.886,以DVI形式构建的植被指数对叶片含水量的估算效果最好。本研究可为区域作物水分状况评估以及作物灌溉活动监测提供技术和方法支持。     

合成孔径雷达在农作物长势监测中的应用

合成孔径雷达(SAR)技术具有24小时全天候监测的优势,伴随着多频多极化SAR技术的发展趋势,在农业中也越来越普遍.本文综述了SAR技术在农业监测中的应用进展,重点包括SAR技术在作物分类与总面积获取、农业物理与微生物主要参数反演技术、农作物监测、农业灾害监测等方面的应用;揭示了SAR技术在农业监测中的发展潜力和局限性...     

无人机遥感在作物病虫害监测中的应用方法与研究进展

病虫害是导致作物减产的主要因素。传统的病虫害防治方式主要依靠植保人员实地勘察,速度慢且无法进行大面积监测。随着光谱技术的发展,无人机遥感也得到了飞速发展。目前,无人机遥感技术已成功应用于农业、林业、生态等多领域。课题组首先对无人机遥感用于作物病虫害监测的背景进行了介绍;其次总结了无人机遥感用于作物病虫害监测的方法,主要讨论无人机的数据采集与处理;最后对无人机搭载的主要传感器进行了系统的说明,并探讨了无人机遥感技术目前存在的问题和发展建议,以期为作物的病虫害防治提供参考。     

基于作物生长监测诊断仪的玉米LAI监测模型研究

为探索作物生长监测诊断仪（CGMD-402型）在作物长势监测应用中的精准性与适用性,连续2年在不同氮肥水平下进行不同玉米品种的实验。使用作物生长监测诊断仪采集冠层归一化差值植被指数（Normalized differential vegetation index,NDVI）、比值植被指数（Ratio vegetation index,RVI）,并同步以ASD FR-2500型野外高光谱辐射测量仪获取冠层光谱反射率,构建NDVI、RVI高光谱植被指数;通过对比两种仪器获取的植被指数特征及其定量关系,评价CGMD-402型作物生长监测诊断仪监测精度;基于CGMD-402型作物生长监测诊断仪获取的NDVI、RVI,建立叶面积指数（Leaf area index,LAI）监测模型,并对模型监测精度进行验证。结果表明：玉米冠层NDVI、RVI随施氮量增加而增加,增加幅度分别为8.20%~36.59%、4.40%~25.16%;CGMD-402型作物生长监测诊断仪与ASD FR-2500型野外高光谱辐射测量仪获取的NDVI、RVI相关系数分别为0.991、0.985,决定系数分别为0.983、0.969,说明CGMD-402型作物生长监测诊断仪具有较高的监测精度,可替代ASD FR-2500型野外高光谱辐射测量仪获取NDVI、RVI指数;利用CGMD-402型作物生长监测诊断仪获取NDVI、RVI,建立LAI监测模型的决定系数分别为0.911、0.898;以独立数据对模型精度进行验证,模型预测值与田间实测值间决定系数分别为0.963、0.954,相对误差分别为6.65%、9.37%,表明二者具有高度一致性。研究表明,利用作物生长监测诊断仪能有效监测玉米不同品种LAI动态变化,可以替代AccuPARLP-80型植物冠层分析仪获取玉米LAI数据。     

基于深度语义分割的无人机多光谱遥感作物分类方法

为精准获取农田作物种植分布信息以满足农业精细化管理需求,基于DeepLab V3+深度语义分割网络提出了一种面向无人机多光谱遥感影像的农田作物分类方法.通过修改输入层结构、融合多光谱信息和植被指数先验信息、并采用Swish激活函数优化模型,使网络在响应值为负时仍能反向传播.基于2018-2019年连续2年内蒙古自治区河...     

多光谱视觉技术在收获机器人中的应用

分析了几种不同作物光谱反射特性；简要介绍了利用多光谱技术进行图像处理的软件、硬件系统及其处理方法；着重介绍了多光谱视觉技术在番茄收获机器人以及黄瓜收获机器人中的应用；最后，对多光谱视觉技术应用于收获机器人需解决的关键技术作了简要阐述。     

冬油菜叶面积指数高光谱监测最佳波宽与有效波段研究

以冬油菜为研究对象,利用连续3季(2013—2016年)不同氮营养水平下冬油菜关键生育期400~1 350 nm冠层高光谱和LAI数据,研究基于偏最小二乘(Partial least square,PLS)回归分析的冬油菜原初光谱(Raw spectral reflectance,R)及一阶微分光谱(First derivative reflectance,FDR)窄波段光谱变量(1、5、10、20 nm)和宽波段光谱变量(40、80、100 nm)与LAI之间关系,确定可稳定指示油菜LAI时空变化的最佳波宽及其有效波段。在此基础上,进行了基于有效波段最优波宽下冬油菜LAI预测和精度验证。结果表明,冬油菜LAI对氮肥响应具有高度敏感性,可较为充分反映油菜LAI时空变化,其建模集和验证集变异系数分别为65.4%和54.4%;随波宽增加,基于R-PLS和FDR-PLS回归模型的冬油菜LAI预测精度均呈先增加后降低趋势,至窄波段光谱变量和宽波段光谱变量临界处20 nm波宽时达最高,且FDR-PLS预测效果显著优于R-PLS,建模集和验证集相对分析误差(Relative percent deviation,RPD)分别为2.223和2.004。根据FDR-PLS回归模型中各波段变量重要性投影值(Variable importance for the projection,VIP),确定基于该最佳波宽条件下油菜LAI有效波段分别为759、847、921、1 002、1 129 nm。此后,再次构建基于上述有效波段的油菜LAI预测模型,建模集和验证集RPD分别为2.004和1.707,反演效果较为理想。     

基于多光谱成像和卷积神经网络的玉米作物营养状况识别方法研究

水肥一体化自动装备的使用能够有效提高水肥资源利用率,但需要在作业前获知作物的营养状况及水肥需求量,而通过人工手持测量仪器来获取这些信息,存在着时效性差和劳动强度大等缺点。针对以上问题,本研究以常见的作物玉米为研究对象,使用大疆精灵Ⅲ无人机携带RedEdge-M多光谱相机在田间上空采集玉米多光谱图像,同时使用YLS-D系列植株营养测定仪测量玉米植株的氮素和水分含量等营养信息,根据这些信息将采集的图像分为3个等级（每个等级共包含530幅五通道图像,其中480幅作为训练集,50幅作为验证集）,提出了一种基于卷积神经网络的玉米作物营养状况识别方法。并基于TensorFlow深度学习框架搭建了ResNet18卷积神经网络模型,通过向模型输入彩色图像数据和五通道多光谱图像数据,分别训练出适合于彩色图像和多光谱图像的玉米植株营养状况等级识别模型。试验结果表明：训练后的模型能够识别玉米作物的彩色图像和多光谱图像,能够输出玉米的营养状况等级和GPS 信息,识别彩色图像模型在验证集的正确率为84.7%,识别多光谱图像模型在验证集的正确率为90.5%,模型训练平均时间为4.5h,五通道图像识别平均用时为3.56s。该识别方法可快速无损地获取玉米作物的营养状况,为有效提高水肥资源利用率提供了方法和依据。     

作物生长多传感信息检测系统设计与应

简述了作物生长多传感信息检测系统的硬件平台及实现.光箱系统采用卤素灯和D65型标准光源两组独立可调的均匀光照系统,结合温湿度控制装置,可以实现对多种作物生长环境的模拟.信息采集系统集成了包括光谱、多光谱图像、冠层温度、冠层光照及环境温湿度等多传感信息探测器,可以充分利用多种信息对作物生长信息进行监测.应用该系统就油菜氮素和水分的光谱、多光谱图像特征及光照对检测的影响进行了研究,结果表明:该系统能够克服环境因素的影响,能够利用多传感信息对作物营养进行较准确的定量分析,其中,油菜氮素光谱特征模型的相关系数达到0.92,均方根误差为0.53.     

波谱成像技术在作物病害信息早期检测中的研究进展

阐述了波谱成像技术在作物病害信息早期检测方面的研究进展。作物病害是制约农业生产稳定发展的重要因素。实时、灵敏、可靠的作物病害检测和防治是进行科学的作物生产管理的基础。利用多光谱图像、高光谱图像、热红外图像等波谱成像技术,结合作物病理学以及化学计量学的方法,对感病植株进行早期检测,建立能准确反映作物病害的检测模型和病害程度的定量描述模型,对提高作物抗病机制的研究,科学指导作物生产具有重要的意义。     

高光谱技术在植被特征监测中的应用研究

高光谱技术能够将光谱技术与成像技术结合从而获得连续的窄波段信息内容,其在植被特征监测中具有重要作用。该技术不仅能够准确区分植物类别,而且在精准利用下能够对植物叶绿素含量进行估算,故其在遥感监测及局部监测上具有广阔的发展空间。笔者从高光谱技术特征入手,阐述了高光谱技术在植被特征监测中的优势,并对高光谱技术在植被特征监测中的应用进行了探究。     

近红外光谱分析在番茄植株生长监测中的应用

为了克服传统化学检测方法的缺陷,研究了不同氮营养下番茄叶片的近红外光谱特征,利用偏最小二乘回归算法建立了光谱数据与植物生化组分信息的定量分析模型,并采用决定系数R2、交叉校验定标标准差RMSECV、相对分析误差RPD和预测标准差RMSEP验证了模型的优劣。实验表明,所建立的水分、全氮NIR模型的R2分别达到92.35%、86.15%,RMSECV分别为0.346、0.129,RPD分别为3.62、2.69,RMSEP分别为0.209、0.111,预测精度满足实际的测定需求,说明运用近红外漫反射光谱监测番茄植株的生长状况是可行的。