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。     

基于无人机高清影像的棉花苗期长势监测及后期长势预测

棉花长势对其产量有重要影响,对3～4叶期棉花长势进行监测并对后期长势进行预测,有利于棉花的田间管理和提高最终产量。本研究利用棉花3～4叶期无人机高清影像进行试验,首先利用绿叶指数(green leaf index,GLI)对棉花苗期影像进行分割,利用ENVI 5.6软件中的农业工具包对棉花幼苗进行提取;然后根据棉花幼苗的直径范围以自然断点法将棉花幼苗依次划分为一等苗、二等苗和三等苗;最后以305像素×305像素为单位面积,以单位面积内甲等苗数量占出苗总数的比例和出苗率乘积的大小实现对棉花后期长势优劣的预测。结果发现,在众多指数中,GLI指数对影像的分割效果最好,可以实现对棉花幼苗的有效提取。试验区共提取棉花37 123株,其中,一等苗11 091株,二等苗21 151株,三等苗4 881株。经不同尺度的重复检验,棉花幼苗的提取精度达95.7%;试验区3～4叶期棉花冠层的平均地表覆盖度为6.54%;长势预测评分结果与2期NDVI相关性的决定系数分别为0.756 9、0.662 1,均方根误差分别为0.077 0、0.900 1。本研究表明,利用棉花苗期长势结合出苗率可对后期长势进行有效预...     

基于高光谱植被指数的冬小麦产量监测

为了研究利用不同生育时期的植被指数监测冬小麦产量,以2 a不同肥料处理的冬小麦为研究对象,分析不同生育时期植被指数与冬小麦产量的关系,构建冬小麦产量的光谱植被指数监测模型。结果表明,植被指数能有效监测冬小麦产量,其中,孕穗期和抽穗期植被指数的监测效果较好,孕穗期的校正均方根误差(RMSEC)和决定系数(R_C~2)分别为1 131.42和0.78,抽穗期的RMSEC和R_C~2分别为1 015.59和0.77,拔节期的监测效果次之,灌浆期和成熟期的监测效果较差;但从作物生产角度考虑,拔节期监测冬小麦产量具有更重要的现实意义。研究表明,利用拔节期植被指数能够实现冬小麦产量的早期估测。     

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...     

冬小麦籽粒氮积累量高光谱监测研究

为探究冬小麦籽粒氮积累量与冠层光谱反射率的定量关系,实现冬小麦籽粒氮积累量的无损快速监测,以连续2 a氮运筹试验为基础,结合偏最小二乘法(PLS)和逐步多元线性回归(SMLR)建立植株氮积累量(PNA)和叶片氮积累量(LNA)光谱监测模型,分析PNA和LNA与籽粒氮积累量(GNA)的定量关系,以PNA和LNA为中间变量建立GNA光谱监测模型。结果表明,基于PLS-SMLR建立的PNA和LNA高光谱模型监测效果均较好,且冬小麦PNA,LNA与GNA均有较好的定量关系;分别以PNA和LNA为中间变量建立的GNA光谱监测模型中,以LNA为中间变量的模型建模集和验证集表现均较佳,可以实现冬小麦GNA高光谱准确监测。     

基于多光谱无人机数据的烟田识别及长势监测研究

为高效统计烟田分布及种植面积,同时对烟草生长过程进行长势监管,本研究以山东省潍坊市某些试验田为例,通过无人机搭载多光谱传感器获取影像,采用U-Net++深度网络模型进行烟田识别,通过验证可知基于无人机影像的烟田识别精度在98%以上;此外,本研究进行了不同时期烟田的长势监测对比,结果表明地势、壤质等自然条件以及管理便捷性等对烟田长势影响较大。     

基于无人机影像技术的小麦长势遥感监测

随着国家经济建设快速发展,我国越来越注重精准化农业的推广应用,即对农作物长势进行遥感监测。随着信息化技术在社会中受到广泛关注与应用,为加强小麦长势监测质量与效率,可以引进无人机影像技术在小麦生长过程中对其进行科学化、高效化的遥感监测。本文以无人机影像技术的基本类型与技术特点为切入点,对无人机影像技术在小麦生长过程中开展遥感监测的具体应用进行分析,为加强小麦长势监测、实现精细化农业、提升农业生产质量与效率提供参考。     

冬小麦抽穗期长势遥感监测的初步研究

小麦抽穗期是其生长的关键阶段,田间群体较大、郁蔽,抵抗力弱,常遇高温高湿天气,也是病虫害多发时期.因此,及时监测小麦抽穗期的苗情长势,是制定和采取科学管理措施的必要前提.有学者曾使用NOAAAVHRR、EOSMODIS数据进行小麦长势监测研究[1~3],由于这些影像的空间分辨率较低,常常造成"同物异谱"或"异物同谱"现象,使得监测精度降低.本研究利用分辨率较高的TM影像数据并结合实地GPS定位调查,试图通过分析TM影像植被指数与小麦抽穗期叶面积指数、生物量以及植株氮素含量的关系,建立上述群体质量指标监测模型,为小麦抽穗阶段的农田精确管理提供信息支持.     

松材线虫病无人机高光谱监测现状与展望

松材线虫病是松树林最具破坏性的灾害之一,在中国造成了巨大的生态和经济损失。无人机遥感在松材线虫病监测方面具有很大潜力。本研究综述了无人机高光谱在松材线虫病监测中的研究现状,监测传感器类型的选择,无人机遥感高光谱数据应用包括野外光谱数据的采集与处理,高光谱数据敏感参数的选择和监测模型的选择,最后对无人机遥感监测存在的问题与展望进行了叙述,为无人机遥感技术更广的发展提供参考。     

GF-1影像遥感监测指标与冬小麦长势参数的关系

为了分析高分一号卫星(GF-1)影像在冬小麦长势监测中的有效性和适宜性,以建湖县冬小麦为研究对象,选取12个植被指数作为遥感监测指标,运用回归分析法探讨遥感监测指标与地面实测冬小麦长势参数的关系,并以回归模型的决定系数(R~2)作为反演精度的评价指标。研究发现,叶面积指数(LAI)、密度和生物量的反演精度较高,其中LAI的反演精度在拔节期最高[监测指标:红蓝色归一化植被指数(RBNDVI),R~2:0.689 4],密度的反演精度在拔节期最高[监测指标:优化的土壤调节植被指数(OSAVI),R~2:0.543 8],生物量的反演精度在孕穗期最高[监测指标:归一化植被指数(NDVI),R~2:0.448 6],说明GF-1影像适合在拔节期进行冬小麦LAI、密度的监测,在孕穗期进行生物量监测。土壤含水量、株高和叶绿素含量(SPAD值)的反演精度较差,最佳回归模型的R~2皆低于0.360 0,说明所选的12个遥感监测指标不适合反演这3个长势参数。除乳熟期外,其他4个生育期中都是LAI的反演精度最高,可见GF-1影像的遥感监测指标与LAI的相关性最好,反演精度最高。本研究结果说明,在进行冬小麦长势监测时,不同的生育期需要采用不同的监测指标,同时GF-1影像则更适合在拔节期和孕穗期进行冬小麦的长势监测。本研究结果在一定程度上为GF-1影像在农情遥感监测中的应用提供了科学依据。     

基于CBERS遥感的冬小麦长势分级监测

应用遥感信息技术,可实时对冬小麦长势进行分级监测预报,便于农业部门及时制定和实施相应的管理措施,达到目标化生产的目的。以江苏省姜堰市为例,进行了基于中巴资源卫星(CBERS-02)遥感的冬小麦拔节期长势分级监测研究。经过计算机分类和人机交互式判读解译,结合GPS样点信息校验,冬小麦面积解译精度在90%以上。利用遥感植被指数反演叶面积指数(LAI)等长势信息,对整个区域的冬小麦长势状况进行分级监测。叠加样点的实测数据校验,监测精度达到85%以上,最终制作区域的冬小麦长势分级专题图,并对各长势状况进行了分析。结果说明,中巴资源卫星影像数据可以满足区域冬小麦长势监测要求,并可在实际生产中进行推广应用。     

基于无人机高光谱和数码影像数据的冬小麦生物量反演

生物量是作物生长过程中重要的生物参数之一,能较好地反映作物长势情况。获取了冬小麦开花期数码影像数据、高光谱数据和实测生物量数据,运用相关性分析筛选出对冬小麦生物量相关性高的数码影像指数和植被指数,分别使用多元线性回归分析和逐步回归分析法建立生物量反演估算模型,最后将最优模型估算结果进行可视化空间分析。结果表明：与冬小麦生物量相关性高的数码影像指数有VARI、MGRVI、b等,植被指数有NDVI、SR、LCI、OSAVI等。建立的冬小麦生物量反演模型估算效果较好,其中精度最高的模型为高光谱数据多元线性回归模型,其验证模型均方根误差为0.9041 t/hm²。可视化处理结果能直观地显示试验区冬小麦生物量分布情况,为生长监测及种植管理提供有效依据。     

不同灌溉条件下冬小麦叶面积指数的高光谱监测

LAI是作物长势监测的一个重要指标,实时、无损和准确地估测冬小麦LAI具有重要的实践意义。通过对冬小麦进行不同的灌溉处理试验,研究LAI与冠层光谱反射率的关系,计算350～2 450 nm不同波段组合的原始光谱指数和导数光谱指数,筛选最优波段组合光谱指数,并建立LAI的监测模型。结果表明,冬小麦LAI与冠层光谱反射率和不同波段组合光谱指数相关性较好;冬小麦LAI监测的最优光谱指数为DVI(435,447),以此为自变量建立的指数模型y=10.669e~(-701.9x)表现最优,模型最稳定。     

基于Landsat TM影像的冬小麦拔节期主要长势参数遥感监测

[目的]强化冬小麦长势遥感监测机制,为田间生产管理提供信息支撑.[方法]以2007-2009年试验实测数据为基础,以Landsat TM影像为数据源,分析试验样点拨节期冬小麦主要长势参数与品质、产量以及卫星遥感变量间的相关性,分别建立及评价了TM影像遥感变量监测冬小麦拔节期叶面积指数(LAI)、生物量、SPAD值和叶片氮含量(LNC)的模型.[结果]冬小麦拔节期,选用中红外波段的反射率(B5)、归一化植被指数(NDVI)、DSW5和绿波段的反射率(B2)等遥感变量分别反演冬小麦的SPAD值、生物量、LAI和LNC是可行的;SPAD值,生物量、LAI和LNC遥感监测模型的精度较高,以此为基础,制作出了具有实际农学意义的冬小麦拔节期不同等级SPAD值、生物量,LAI和LNC遥感监测专题图,实现了主要长势参数空间分布量化表达.[结论]研究结果可为广大农学家、农业部门决策者和田问管理人员提供及时的农情信息.     

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。     

基于高光谱的冬小麦叶面积指数估算方法

【目的】冬小麦叶面积指数是评价其长势和预测产量的重要农学参数,高光谱技术监测叶面积指数的方法能够实现快速无损的监测管理。本文旨在将田间监测和高光谱遥感相结合,探索研究中国南方江汉平原地区冬小麦的最佳波段、光谱参数及监测模型。【方法】研究选取江汉平原的湖北省潜江市后湖管理区,利用ASD地物光谱仪和SunScan冠层分析系统在田间对冬小麦的冠层光谱及叶面积指数的变化进行监测,并探讨高光谱植被指数与冬小麦叶面积指数之间的定量关系。通过相关性分析、回归分析等方法构建6种植被指数与冬小麦叶面积指数的反演模型。【结果】冬小麦冠层光谱反射率中近红外波段870 nm,红光波谷670 nm,绿光波峰550 nm,蓝光450 nm波段对叶面积指数变化最为敏感,通过构建植被指数与叶面积指数模型,相关性均较好,决定系数（R2）为0.675-0.757,其中NDVI反演模型的R2最高为0.757。【结论】经模型精度检验,NDVI植被指数反演模型的精度较其它模型好,较适合对研究样区的冬小麦进行叶面积指数反演。     

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...