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...     

基于无人机遥感的冬小麦追肥推荐模型建立

为提高小麦氮素精准、高效的管理能力,实现实时、便捷、精准的变量施肥.本文在无人机遥感进行冬小麦氮素营养诊断的基础上,依据光谱诊断施肥模型,建立冬小麦返青期、拔节期和抽穗期等关键生育期追肥推荐模型.研究结果表明:无人机影像获得的DVI与冬小麦关键生育时期氮素参数植株氮浓度相关性最好(R2=0.8698);冬小麦返青期、拔节期和抽穗期氮素诊断临界DVI值分别为0.594、0.784和0.807;冬小麦最高产量为11364.3 kg/hm2,最佳产量为11230.9 kg/hm2,总施氮量为272.9 kg/hm2,最佳经济施肥量264.1 kg/hm2,基于光谱诊断的追肥推荐模型分别为返青期y=-39.69x+23.58、拔节期y=-129.97x+101.95、抽穗期y=-159.79x+128.93.诊断指标的建立为冬小麦基于光谱诊断的追肥模型奠定了基础,临界DVI值的确定为诊断冬小麦关键生育期是否补充氮肥提供依据,氮肥效应曲线建立和光谱诊断施肥模型选择实现了定量化的追肥推荐.     

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、地上部鲜重和干重,进一步探索基于无人机平台获取多光谱影像的预处理方法,提取小麦冠层反射率并筛选出适合作物长势监测的植被指数,构建基于无人机平台的小麦长势监测模型,结果表明,基于NDVI、SAVI、CCCI构建的多元线性回归模型精度更高、稳定性更好。预测小麦SPAD值的最佳模型为y=19.765+7.522NDVI+18.362SAVI+25.629CCCI,R~2为0.965;预测小麦地上部干重的最佳模型为y=-0.508+0.603NDVI+0.325SAVI+0.032CCCI,R~2为0.951;预测小麦地上部鲜重的最佳模型为y=-2.217+2.923NDVI+2.213SAVI-1.417CCCI,R~2为0.766。本研究结果可为园区和农场尺度小麦长势的实时监测提供有效技术支撑。     

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。     

一款无人机高光谱传感器的验证及其在玉米叶面积指数反演中的应用

【目的】验证无人机机载高光谱传感器S185,并基于其获得的影像探讨无人机高光谱遥感反演叶面积指数的新方法。【方法】以东北玉米为研究对象,在吉林省公主岭市开展了玉米氮肥梯度试验,共设5处理,每个处理3次重复。分别在玉米的V5-V6,V11,R1-R2等生育期（Ritchie生育期）进行无人机飞行试验和地面光谱及叶面积指数测定,共获得数据45组。为验证S185影像数据,在相同尺度下提取S185影像信息与地面光谱信息,一方面从测定同一目标地物两者光谱反射率间的相关性进行分析,另一方面筛选15种常用的各类光谱指数,从整个生育期通过影像数据计算的各光谱指值与地面光谱仪计算的相应值变化趋势的一致性进行分析;将45组样品随机选择30组,基于人工神经网络算法利用S185数据建立反演叶面积指数的模型,剩下15组样品作为外部验证样品,用来验证神经网络模型的预测效果。另外,基于相同的分组数据,利用前面筛选的各光谱指数分别建立叶面积指数的反演模型,以与人工神经网络建模结果进行比较。【结果】在各个生育时期,同种目标地物S185测定数据与地面光谱仪测定数据间具有很强的相关性,相关系数在0.99以上;在玉米整个生育期,S185数据计算的各光谱指数与地面光谱仪计算的各光谱指数变化趋势相同,相关系数在0.88以上;在构建基于人工神经网络法反演叶面积指数的模型中,建模时的决定系数为0.96,均方根误差为0.42,相对均方根误差为13.15%;外部验证时的决定系数为0.95,均方根误差为0.54,相对均方根误差为16.74%,这一结果优于基于各光谱指数建立的叶面积指数反演模型。【结论】无人机搭载S185传感器可用于准确获取玉米冠层高光谱信息,且可利用人工神经网络法基于这一数据建立玉米叶面积指数的反演模型。     

HJ-1星水稻生育期长势动态监测研究

利用环境减灾卫星(HJ星)CCD多光谱数据提取水稻种植面积,采用全区、样方2种尺度对水稻生育期间遥感植被指数进行动态监测,分析监测区水稻长势分布状况。利用2009—2011年3年水稻监测结果,结合农情资料,分析水稻生育期NDVI变化规律,为建立水稻生育期定量遥感监测模型奠定基础。     

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。     

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.     

基于相邻轨道图像的冬小麦面积提取及长势分析

冬小麦是我国北方主要农作物之一,及时掌握冬小麦面积信息及长势情况,能够快速地为农业生产管理者以及财政部门提供决策依据,有利于小麦增产、提高农民收入。本文以山东省滨州、东营市为研究区,通过主成分分析、监督及非监督分类结合的方法提取ETM+遥感影像的冬小麦信息,以SPSS聚类分析法估测滨州市冬小麦长势,用距离加权法构建相邻轨道图像的植被长势分级模型并估测东营市的冬小麦长势。结果显示：小麦提取平均精度约为93.79%,冬小麦分布呈现“西多东少,南多北少”的特征,一般小麦分布较多的地区长势也较好。基于重叠区距离加权法构建的植被长势分级模型,能够在一定程度上消除相邻轨道遥感图像的时间差异,实现大区域的植被长势分析。     

基于随机森林算法的冬小麦叶面积指数遥感反演研究

【目的】通过利用随机森林算法（random forest,RF）反演冬小麦叶面积指数（leaf area index, LAI）,及时、准确地监测冬小麦长势状况,为作物田间管理和产量估测等提供科学依据。【方法】本研究依据冬小麦拔节期、挑旗期、开花期及灌浆期地面观测数据,将相关系数分析（correlation coefficient,r）和袋外数据（out-of-bag data,OOB）重要性分析与随机森林算法（random forest,RF）相结合,在优选光谱指数和确定最佳自变量个数的基础上,构建了两种冬小麦LAI反演模型|r|-RF和OOB-RF,并利用独立数据集对两种模型进行验证;然后,将所建LAI反演模型用于无人机高光谱影像,进一步检验所建模型对无人机低空遥感平台的适用性和可靠性。【结果】|r|-RF和OOB-RF反演模型分别采用相关性前5强、重要性前2强的光谱指数作为输入因子时精度最优,验证决定系数（R²）分别为0.805、0.899,均方根误差（RMSE）分别为0.431、0.307,表明这两个模型均能对作物LAI进行精确反演,其中OOB-RF模型的反演效果更好。利用无人机高光谱影像数据结合OOB-RF估算模型反演得到冬小麦LAI与地面实测值的拟合方程的决定系数R²为0.761,RMSE为0.320,数值范围（1.02-6.41）与地面实测（1.29-6.81）亦比较吻合。【结论】本文基于地面数据构建的OOB-RF模型不仅具有较高的反演精度,而且适用性强,可用于无人机高光谱遥感平台提取高精度的冬小麦LAI信息。     

基于高光谱特征参数的棉花长势参数监测

通过小区棉花密度和水分对比试验,分析不同密度和水分处理的棉花整个生育期生物量和LAI(叶面积指数)与高光谱特征参数的相关性,建立棉花生物量和LAI光谱估算模型。选取的所有植被指数与棉花LAI和生物量相关性均达到极显著水平,其中光谱参量NDVI(890,670)与LAI的相关性和光谱参量Height(920)与生物量相关性最好,用这2个参量与生物量建立棉花长势估测模型,其决定系数分别为0.804 0和0.760 9,均方根误差分别为0.191 5和0.315 2,利用光谱特征参数可以有效地监测棉花整个生育期的长势变化。     

基于优化ISODATA法的冬小麦长势分级监测

以江苏省姜堰市为例,利用TM卫星遥感技术监测冬小麦的种植面积与长势情况.在利用GPS实地采样调查和建立解译标志的基础上,进行影像校正、非监督分类、人机交互式判读解译等操作,并将样点数据校验贯穿到整个分类过程中,信息解译精度在90%以上.结合NDVI指数反演的叶面积指数进行小麦长势分级分类,并制作了冬小麦长势分级专题图.     

基于倾转翼无人机多光谱成像在农业中的应用

LAI(叶面积指数)和叶片生物量是衡量植物群体和群落生长分析的一个参数,可通过此参数建立的冬小麦生长模型对于冬小麦高产研究十分重要。利用倾转翼无人机搭载多光谱相机,通过此飞行平台可以大面积采集多光谱数据,为建立冬小麦生长模型提供了研究依据。     

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。     

许昌地区冬小麦长势空间变异研究

现代农业信息技术可以定量描述作物长势在空间和时间上存在的差异,以河南省许昌市不同区域的农田为研究对象,获取冬小麦在不同生长期的土壤养分数据、冠层光谱数据及实测叶面积指数,对不同区域冬小麦长势空间变异进行分析,结果表明,作物在生长早期受土壤养分的影响较大,空间变异较为明显;生长旺盛期,不同的土壤条件和区域环境反映出叶面积指数存在较大差异,即使同一试验区的不同区域间也有较为敏感的表现;冬小麦的光谱信息与其长势有较好的相关性,在生长早期和稳定期表现出不同的空间变异情况。     

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.     

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。