基于无人机遥感的玉米株高提取方法

为在玉米生长周期内,准确、快速地掌握玉米生长信息,通过无人机获取玉米生长阶段4期不同高清数码正射影像(Digital orthophoto map,DOM)及数字表面模型(Digital surface model,DSM),利用K-means算法、遗传神经网络算法和骨架算法分别对DOM中的玉米区域进行提取,生成掩膜,与DSM套和,获取玉米高度信息。与实地测量株高进行对比,3种方法的R~2分别为0. 853、0. 877、0. 923,RMSE分别为15. 886、14. 519、11. 493 cm,MAE分别为13. 743、11. 884、8. 927 cm。结果表明:结合DOM和DSM可以较好地提取生长阶段的玉米高度。与K-means算法、遗传神经网络算法相比,基于骨架算法提取玉米高度具有一定优势,且精度较高。采用DOM和DSM相结合的骨架算法提取植株骨架,为株高提取提供了一种新途径,可为无人机遥感监测作物株高状况提供参考。     

基于无人机遥感图像提取农田微地形特征

近年来极端暴雨天气与自然灾害频发,导致农田损毁,影响耕作。该研究利用高精度农田数字地形模型（FDTM, Farmland Digital Terrain Model),基于地形因子综合属性提出一种识别农田微地形特征（凸起特征及洼地特征）的方法。首先,基于SfM（Structure from Motion）技术处理试验田的航拍图像,获取高精度农田FDTM。分析FDTM的高程方差随局部窗口尺度的变化趋势,确定分析窗口的尺度区间为31×31至51×51像素。其次,选择高程、地形起伏度和坡度综合评价在51×51像素窗口下提取的315个高程极值点,获取多窗口地形因子综合隶属度。最终,根据斯特吉斯公式确定阈值为0.627,提取16个农田凸起特征顶点,并结合等高线图识别凸起特征的外形轮廓。类似地,建立反转数字地形模型（RFDTM, Reverse-FDTM）,将FDTM中的洼地特征转变为RFDTM中的凸起特征,识别9个农田洼地特征。研究结果可为农田复垦及精准土地平整作业提供理论依据与方法支持。     

基于无人机DEM的灌区渠系提取方法

大范围灌区渠系的制图对于现代节水灌溉技术以及合理配水、安全输水具有重要意义。但目前所获得的灌区遥感影像分辨率不高,渠系提取较难。本文以无人机航空摄影测量获得的数字高程模型(DEM)为基础,根据渠系特征,使用灌区坡度数据,采用改进的霍夫变换方法,实现了对灌区渠系网络的提取。与面向对象、监督分类方法和手绘结果进行对比,该方法提取的渠系连续、提取完整度可达85.61%。误差主要集中在无衬渠系中土壤沉积较多(坡度变化不明显)的位置以及相交渠系处理时保留渠堤位置而造成。该方法根据灌区地形特征,基于高精度高程数据进行渠系提取,是数字地形分析结合图像处理在精细农业中的一次有益探索。     

基于无人机遥感影像的盐碱地信息的精准提取方法

为探索在无人机遥感影像下可以对盐碱地信息精确分类的方法.选取甘肃省景泰川电力提灌灌区一期灌区为研究区,通过运用Trimble UX5固定机翼无人机采集研究区遥感数据,结合ENVI软件应用监督分类的五种分类器(平行六面体、最小距离、神经网络、最大似然、支持向量机)执行分类,对分类结果进行精度对比,并将典型区域盐碱地面积进...     

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。     

基于无人机遥感监测的施肥控制技术探究

文章对目前我国对于精准农业技术发展的概况总结相关问题,综合我国目前现状,查阅相关的文献,进行总结分析,加入一些思考研究。并且结合现代科技运用遥感技术以及传感探测技术分析出大面积农田里面植被指数相关的数据,获得土壤的成分以及植物养分和病虫害信息等,为了农业生产的定量决策以及科学化的管理提供理论基础,为后续植保无人机提供参考。     

基于无人机遥感表型监测的苎麻优质种质资源筛选方法

苎麻是重要的纤维作物之一,由于土地资源紧缺及优良品种的推广应用等原因,苎麻遗传变异和遗传多样性减少,对苎麻种质资源多样性调查和保护的需求日趋加大。基于无人机遥感的作物表型测量方法可以对不同基因型作物的生长特性进行频繁、快速、无损、精准的监测,实现作物种质资源调查,筛选特异优质品种。为了实现苎麻种质资源表型的高效综合评价,辅助筛选优势苎麻品种,本研究提出了一种基于无人机遥感影像的苎麻种质资源表型监测及筛选方法。首先,基于无人机遥感影像,利用Pix4dmapper软件生成试验区的数字地表模型（Digital Surface Model,DSM）和正射影像;然后,对苎麻种质资源关键表型参数（株高、株数、叶面积指数、叶片叶绿素含量、含水量）进行估测。基于DSM采用“差分法”提取苎麻株高,基于正射图像采用目标检测算法提取苎麻株数,采用机器学习方法估测苎麻叶面积指数（Leaf Area Index,LAI）、叶片叶绿素含量（SPAD值）、含水量;最后,根据提取的各项遥感表型参数,采用变异性分析和主成分分析方法对苎麻种质资源进行遗传多样性分析。结果表明,（1）基于无人机遥感的苎麻表型估测效果较好,株高的拟合精度为0.93,均方根误差为5.65 cm;SPAD值、含水量、LAI的拟合指标分别达到0.66、0.79、0.74,RMSE分别为2.03、2.21、0.63;（2）苎麻种质资源的遥感表型存在较大差异,LAI、株高和株数的估测值变异系数分别达到20.82%、24.61%和35.48%;（3）利用主成分分析法将苎麻种质资源的遥感表型聚类为因子1（株高、LAI）和因子2（LAI、SPAD值）,因子1可用于苎麻种质资源结构特征评价,因子2可以作为高光效苎麻资源的筛选指标。本研究将为作物种质资源表型监测和育种相关分析提供参考。     

基于无人机遥感的玉米水分利用效率与生物量监测

玉米生物量及水分利用效率是反映作物长势和作物品质的重要指标。为实现农业精准管理,本文以不同水分处理的青贮玉米为研究对象,探讨无人机多光谱遥感平台结合作物生长模型估测青贮玉米生物量及水分利用效率的可行性。首先,将基于高时空分辨率无人机多光谱图像估测的关键作物参数蒸腾系数k_t输入到简单的水分效率模型中,来拟合不同水分胁迫处理下玉米水分利用效率WUE和标准化水分利用效率WP*;然后,采用拟合的WUE、WP*估算相同水分和不同水分状况下的玉米生物量,并进行验证;基于高时空分辨的无人机多光谱遥感图像获取了大田尺度上的WUE、WP*和生物量的空间分布图。结果表明,基于无人机多光谱、气象和土壤水分数据计算的实际蒸腾量∑T_c,adj和∑k_tk_swk_st(k_sw、k₉st)为环境胁迫因子)与玉米生物量具有极显著(P <0.001)的相关性,不同水分处理下WUE的决定系数R²均不小于0.92,WP*的R²...     

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。     

基于深度学习的无人机遥感小麦倒伏面积提取方法

为及时准确地提取小麦倒伏面积,提出一种融合多尺度特征的倒伏面积分割模型Attention_U2-Net。该模型以U2-Net为架构,利用非局部注意力（Non-local attention）机制替换步长较大的空洞卷积,扩大高层网络感受野,提高不同尺寸地物识别准确率;使用通道注意力机制改进级联方式提升模型精度;构建多层级联合加权损失函数,用于解决均衡难易度和正负样本不均衡问题。Attention_U2-Net在自建数据集上采用裁剪方式提取小麦倒伏面积,查准率为86.53%,召回率为89.42%,F1值为87.95%。与FastFCN、U-Net、U2-Net、FCN、SegNet、DeepLabv3等模型相比,Attention_U2-Net具有最高的F1值。通过与标注面积对比,Attention_U2-Net使用裁剪方式提取面积与标注面积最为接近,倒伏面积准确率可达97.25%,且误检面积最小。实验结果表明,Attention_U2-Net对小麦倒伏面积提取具有较强的鲁棒性和准确率,可为无人机遥感小麦受灾面积及评估损失提供参考。     

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。     

基于无人机多光谱遥感的马尾松林叶面积指数估测

快速、准确、无损估测马尾松林叶面积指数对精准林业管理具有重要意义.以小型低空无人机为平台,搭载RedEdge多光谱传感器,获取福建省西部马尾松林多光谱影像,运用重采样的方式获取并计算不同空间分辨率(0.08、0.1、0.2、0.5、1、2、5 m)下的植被指数,结合地面实测LAI数据,分析其与植被指数的相关性,进而采用...     

基于无人机高光谱的荒漠草原地物精简学习分类模型

荒漠草原植被稀疏、裸土细碎化分布对遥感数据空间分辨率和光谱分辨率的指标精度提出更高要求,目前应用于遥感场景的深度学习模型隐藏层较多、模型结构复杂,且采用经典深度学习模型未考虑遥感数据内在特点,导致模型训练普遍存在计算过度、耗时增加等问题。本文利用低空无人机（Unmanned aerial vehicle,UAV）遥感平台搭载高光谱成像光谱仪采集荒漠草原地物高光谱数据,发挥高空间分辨率与高光谱分辨率相结合的优势,并基于三维卷积神经网络（Three-dimensional convolutional network,3D-CNN）方法提出一种适合荒漠草原地物植被、裸土、标记物识别的精简学习分类模型,进行参数组合调优,在调整学习率、批量规模、卷积核尺寸及数量后,最高总体分类精度（Overall accuracy,OA）可达到99.746%。研究结果表明,精简学习分类模型的优化建立在超参数选择基础上,为获得精度高、耗时短、性能稳定的最优模型,需不断调整超参数并对比不同组合分类效果。基于无人机高光谱技术的精简学习分类模型在荒漠草原地物的分类识别应用中具有较大优势。     

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%。     

基于无人机多光谱遥感的玉米FPAR估算

为了探究无人机多光谱遥感影像估算作物光合有效辐射吸收比例（Fraction of absorbed photosynthetically active radiation,FPAR）的潜力,以无人机多光谱影像提取的植被指数、纹理指数、叶面积指数为模型输入参数,在分析不同参数与FPAR相关性的基础上优选植被指数与纹理指数,并分别以一元线性模型、多元逐步回归模型、岭回归模型、BP神经网络模型等方法估算玉米FPAR。结果表明：植被指数、纹理指数、叶面积指数 3种参数与FPAR都具有较强的相关性,其中植被指数相关系数最大;在不同类型的FPAR估算模型中,BP神经网络模型的估算效果最优,FPAR估算模型决定系数R2、均方根误差（RMSE）分别为0.857、0.173,验证模型R2、RMSE分别为0.868、0.186,模型估算值与田间实测值间相对误差（RE）为8.71%;在不同形式的模型参数组合中,均以植被指数、纹理指数、叶面积指数 3种参数融合的FPAR模型的估算与验证效果最优,说明多特征参数融合能有效改善FPAR估算效果。该研究为基于无人机多光谱遥感数据精准估算玉米FPAR及生产潜力提供了科学依据。