基于多时相无人机遥感植被指数的夏玉米产量估算

为建立夏玉米无人机遥感估产模型,正确评价规模化农业经营管理和用水效率,以内蒙古自治区规模化种植的夏玉米为研究对象,设置了5个不同水分处理的实验区域,每个实验区域布置了3个样区,利用自主研发的多旋翼无人机多光谱遥感平台,对夏玉米进行多时相的遥感监测。采用牛顿-梯形积分和最小二乘法,构建了基于多种植被指数和多种生育期对应的夏玉米实测产量的6种线性模型,并采用阈值滤波法减少土壤噪声对模型精度的影响。结果显示,不同生育期的玉米估产模型精度存在显著差异。单一生育期中,精度由高到低依次为:抽雄期、吐丝期、蜡熟期、拔节期,最优植被指数为EVI2(决定系数R^2=0.72,均方根误差RMSE为485.46 kg/hm^2);多生育期的最优植被指数为GNDVI(R^2=0.89,RMSE为299.35 kg/hm^2)。经过土壤滤波后,拔节期和多生育期的R^2提升显著,其中基于植被指数GNDVI、MASVI2、EVI2的多生育期估产模型的决定系数R2提升到0.87以上。多生育期的无人机遥感估产优于单生育期,最优估产植被指数为GNDVI,阈值滤波法可以有效提升估产精度,优化后基于植被指数的无人机遥感估产模型可以快速有效诊断和评估作物长势和产量。     

小麦倒伏信息无人机多时相遥感提取方法

采用两期无人机可见光遥感图像,对灌浆期冬小麦倒伏图像特征及倒伏信息提取方法进行研究。从增强图像空间域方面,对图像进行二次低通滤波,获取地物散点图,以散点存在明显分界线为判定标准,选出小麦倒伏信息提取的单特征,对两单特征线性拟合构建倒伏小麦两时期提取特征参数F_1和F_2,再以两特征参数相似性构建综合特征参数F_3。将特征参数结合K-means算法提取冬小麦倒伏信息,整体精度(OA)达86. 44%以上,Kappa系数达0. 73以上,倒伏信息提取精度(F)为81. 07%以上,因此综合特征参数可作为两个时期冬小麦倒伏信息提取特征参数。分别用本文方法、支持向量机、神经网络法和最大似然法提取验证区域倒伏小麦信息,经验证,本文方法提取小麦倒伏信息整体精度(OA)达86. 29%以上,Kappa系数达0. 71以上,倒伏信息提取精度(F)达80. 60%以上;其他3种常用方法提取的整体精度(OA)为69. 68%～87. 44%,Kappa系数为0. 49～0. 72,倒伏信息提取精度(F)为65. 33%～79. 76%。结果表明,本文方法整体精度和倒伏信息提取精度均高于目前常用分类方法。因此,综合特征参数与K-means算法对冬小麦在灌浆期倒伏信息提取具有一定的准确性和适用性。     

基于无人机高光谱影像的马铃薯株高和地上生物量估算

为实现快速无损获取马铃薯株高和地上生物量信息,分别获取马铃薯现蕾期、块茎形成期、块茎增长期、淀粉积累期、成熟期的高光谱影像,实测马铃薯株高H、地上生物量(AGB)和地面控制点(GCP)的三维空间坐标,基于无人机高光谱影像结合GCP生成试验田的数字表面模型(DSM),利用DSM提取马铃薯的株高Hdsm;然后,对马铃薯AG...     

基于无人机多维数据集的森林地上生物量估测模型研究

森林地上生物量（Aboveground biomass,AGB）是评价森林生长情况的重要指标。基于数字航空摄影（Digital aerial photography,DAP）生成的二维和三维数据,分别计算了41个点云高度变量和16个可见光植被指数,利用6种回归算法（随机森林（RF）、袋装树（BT）、支持向量回归（SVR）、Cubist、类别型特征提升（CatBoost）、极端梯度提升（XGBoost））分别构建了单一变量集和综合变量集AGB估测模型,探索了不同变量对于AGB估测模型的贡献。研究结果表明光谱数据集和点云数据集AGB预测模型精度最高分别为Cubist和XGBoost,R2分别为0.5309和0.6395。组合数据集最高精度模型为XGBoost,R2达到0.7601, XGBoost模型具有更高的AGB估测稳定性。研究还表明6种机器学习模型的贡献主要取决于所考虑的回归方法,所选择的特征个数和特征对模型的重要性在不同的模型中并不一致。DOM光谱特征在AGB的估测中具有更高的重要性。总体来说,二维和三维数据的结合能够有效提高森林AGB估测精度,基于无人机倾斜摄影获取的RGB影像能够实现森林AGB的快速无损估计。     

基于无人机高光谱遥感影像的农作物分类研究

为快速、精准地对农作物信息进行分类和提取,笔者以某研究区农作物作为研究对象,对农作物分类展开研究。利用SVM和RF分类方法,对降维和一阶导数处理后的无人机高光谱遥感影像中的农作物进行分类,并比较了SVM和RF分类结果的精准性。研究结果表明,通过对高光谱影像农作物进行分类,利用RF分类法获得的分类结果精度较高,可以实现对农作物的有效提取,能够为我国农作物生长情况监测、产量估计和病虫害防治提供参考。     

基于图像特征和随机森林的油菜生物量估算

油菜生物量是喂入量和作业质量的主要影响因素,高效、快速地检测油菜生物量是实现油菜收获机自动控制的基础和前提.为研究收获期油菜生物量的影响因素和分布规律,首先利用无人机采集联合收获期油菜的田间可见光图像并实测油菜的生物量信息,提取并构建与油菜生物量有关的32个特征参数,通过相关性分析筛选出与油菜生物量相关性较高的10个显...     

无人机多光谱影像的马铃薯地上生物量估算撤回

在农作物生长发育以及生产管理中,地上生物量（AGB）是其重要的评估指标之一,推动AGB信息获取的高效性以及精准性在提升粮食供应以及贸易稳定性方面具有重要的现实意义。随着无人机技术的高速发展,依托于无人机平台的多光谱传感器AGB信息获取方式逐渐取代传统取样法测算方式。基于此,研究小组针对无人机多光谱影像在马铃薯AGB信息获取方面的重要性进行研究,采用随机实验方式,共设置密度实验、氮素实验以及钾肥实验3种试验区,通过差分GPS测定试验区三维空间,在晴朗无风的条件下对裸土期、块茎形成期、块茎增长期以及淀粉积累期内的作物多光谱数据进行采集,并进行AGB估算模型构建。仿真结果表明,利用作物光谱和结构信息建立的模型具有较好的准确率和稳定性,且基于PLSR方法构建的模型计算精准度相对较高。     

基于多时相无人机遥感生育时期优选的冬小麦估产

为确定无人机遥感产量估算的最优生育时期及采集次数,以砂土种植冬小麦为研究对象,设置了4组灌水（36个样区）与5组施氮（15个样区）处理,采集了起身期至灌浆后期的8次遥感数据。采用偏最小二乘法（PLS）、随机森林（RF）和套索（LASSO）算法构建了单生育时期产量估算模型。根据提出的最优模型,利用三次B样条曲线和复合梯形公式,建立了5种特定生育阶段日植被指数积分的产量估算方案。结果表明,不同生育时期的冬小麦产量估算模型精度差异显著,随冬小麦生长精度总体呈递增趋势。单生育时期中,PLS、RF和LASSO模型的最优生育时期分别为灌浆前期、灌浆前期和灌浆后期。除拔节前期外,RF模型的产量估算精度均优于PLS和LASSO。冬小麦多生育时期的产量估算精度优于单生育时期,从起身期至灌浆后期的8次遥感产量估算精度最高（决定系数R2为0.96,标准均方根误差（NRMSE）为5.39%）,而起身期至开花期的6次遥感产量估算精度亦达到极好（NRMSE为9.16%）,可减少遥感采集次数,提前预测产量。研究结果对采用无人机遥感进行冬小麦产量预测和精度提升具有重要意义。     

基于无人机高光谱影像的水稻叶片磷素含量估算

为快速获取水稻叶片磷素含量信息,采用无人机搭载高光谱成像仪获取水稻冠层高光谱影像,并采样检测叶片磷素含量(质量分数)(Leaf phosphorus content, LPC).分析了水稻LPC在无人机高光谱影像上的光谱特征,使用连续投影算法提取对磷素敏感的特征波长,通过任意波段组合构建并筛选与磷素高度相关的光谱指数,...     

基于无人机遥感影像的农作物分类研究

本研究结合实际案例,在简单介绍研究区概况的基础上,深入探讨基于无人机遥感影像的农作物分类,并分析其结果。本研究借助无人机搭载数码相机的方式生成研究区域的RGB图像,相比于传统的只提取纹理特征的农作物分类方法,本研究有效地对比了两个不同时段的农作物DSM数据,使农作物的生长差异特征变得更为明显,并在农作物分类中有效运用了这一特征。仿真结果表明,在进行农作物分类时综合考虑农作物纹理、光谱、高度等多维特征,能够精准划分农作物种类,同时Kappa系数也能够维持较高的水平。     

基于无人机可见光影像的新疆棉田田间尺度地物识别

针对无人机采集影像时不同地物最佳分辨率难以确定的问题,运用大疆M600Pro型无人机获取棉花蕾期可见光影像,结合地面调查采样数据,利用神经网络（Artificial neural networks,ANN）、支持向量机（Support vector machines,SVM）和随机森林（Random forest,RF）3种监督分类算法进行田间地物识别。分析不同分辨率（1.00、2.50、5.00、7.50、10.00cm）下对地物的识别精度,并结合算法运行时间,从分辨率、算法精度和运行时间上找到适合南疆田间尺度棉花田块地物识别的最佳分辨率和最优算法。试验结果表明：当空间分辨率为1.00cm时,SVM对地物的识别精度最高,总体精度与Kappa系数分别为99.857%和0.997。随着空间分辨率的降低,总体精度和Kappa系数呈下降趋势。当分辨率为2.50cm和5.00cm时,采用RF算法,运行时间最短,土地、棉花和滴灌带可获得较好的识别精度,总体精度与Kappa系数分别可达99.252%和0.986以上。当空间分辨率大于5.00cm时,总体精度和Kappa系数下降,滴灌带制图精度（Producer''s accuracy,PA）和用户精度（User''s accuracy,UA）下降最大。空间分辨率小于5.00cm的图像能够很好地识别蕾期棉花地的典型地物,可为进行田间地物类型及其分布状况的识别提供指导。     

基于PSO-LSSVM的森林地上生物量估测模型

为提高森林地上生物量估测精度,从建模因子和建模方法出发,提出了一种综合考虑影像纹理特征、地形特征、光谱特征的粒子群优化最小二乘支持向量机生物量估测方法。以松山自然保护区为研究区域,以资源三号遥感卫星数据为数据源,配合194块调查样地实测数据、森林资源二类调查数据、数字高程模型数据,通过分析46个特征变量与森林地上生物量间的Pearson相关性,进行特征变量优化提取,建立PSO-LSSVM模型并在Matlab 2014a上编程实现。以决定系数R2和均方根误差RMSE为指标,对比分析了PSO-LSSVM和多元线性回归地上生物量模型精度。研究结果表明:PSO-LSSVM模型在针叶林、阔叶林、灌木林3种类型中预测决定系数分别为0.867、0.853、0.842,比多元线性回归模型分别提高了23.15%、19.13%、14.40%。PSO-LSSVM地上生物量模型具有良好的自学能力和自适应能力,它取代了传统的遍历优化方法,在全局优化及收敛速度方面具有较大优势,预测精度较高。     

基于无人机多光谱遥感的冬油菜地上部生物量估算

地上部生物量(Above-ground biomass, AGB)是判断作物生长发育的重要指标,对作物不同生长阶段地上部生物量进行快速、准确、无损遥感监测对精准农业生产具有重要意义。本文在西北关中地区开展田间试验,以不同水氮处理下冬油菜为研究对象,通过对其生理生长指标以及产量进行分析,确定I2N3(越冬期和蕾薹期补灌,施氮量为280 kg/hm²)处理为该地适宜的水氮管理策略。使用无人机获取冬油菜营养生长期和生殖生长期多光谱图像,采用阈值法对多光谱图像中的阴影和土壤背景进行掩膜处理,提取各波段反射率,构建植被指数。将冬油菜地上部生物量实测数据与21个光谱变量进行相关性分析,筛选出各生长阶段相关系数绝对值排名前8个光谱变量作为输入量,通过随机森林(RF)、支持向量机(SVM)、遗传算法优化支持向量机(GA-SVM)和粒子群优化支持向量机(PSO-SVM)构建不同生长阶段冬油菜地上部生物量估算模型,确定最佳估算模型。结果表明,全生长阶段和生殖生长阶段红光波段反射率显著性最强且稳定,相关系数分别达到0.835和0.754;PSO-SVM模型更适合用于反演关中地区冬油菜不...     

基于无人机图像颜色与纹理特征的小麦不同生育时期生物量估算

为实现小麦生物量田间快速无损监测,开展基于不同密度、氮肥和品种处理的田间试验,应用无人机获取小麦越冬前期、拔节期、孕穗期和开花期4个时期的RGB图像,通过影像处理获取小麦颜色指数和纹理特征参数,并同时期通过田间取样获取小麦生物量;分析不同颜色指数和纹理特征参数与小麦生物量的关系,筛选出适合小麦生物量估算的颜色和纹理特征...     

基于高光谱数据的玉米叶面积指数和生物量评估

利用高光谱技术获取玉米农学参数信息,有助于提升玉米精准管理水平.本研究基于3个种植密度和5份玉米材料的田间试验,获取玉米大喇叭口期的地面ASD高光谱数据与无人机高光谱影像,分析不同种植密度下不同遗传材料的叶面积指数(LAI)和单株地上部生物量,构建基于全波段、敏感波段和植被指数的LAI和单株地上部生物量高光谱估算模型,...