无人机热红外反演土壤含水率的方法

以不同生育期夏玉米为对象,讨论无人机热红外反演夏玉米田土壤含水率的精度及反演方法.利用无人机获取试验区的可见光和热红外图像.通过可见光图像提取冠层掩膜并叠加在热红外图像上提取玉米冠层温度,分析冠层温度的变化趋势及与叶面积指数(LAI)的相关性.最后,利用冠气温差的相反数与叶面积指数构建了一个新指标(D_TL),讨论了冠气温差或D_TL指标反演土壤含水率的准确性.结果表明：冠层温度随着土壤含水量的增加而降低,夏玉米LAI在一定程度上可以表征冠层温度;对比4个时期的数据,发现冠气温差反演效果在灌溉后较好(如2次灌后R²分别为0.614 6和0.463 7);与冠气温差相比,D_TL指标可以提高土壤含水量反演的精度,如0～20 cm深度的R²从0.614 6和0.463 7提高到0.661 6和0.485 0.该研究对热红外反演夏玉米田间土壤含水率方法进行了新的尝试.     

无人机热红外遥感反演玉米根域土壤含水率方法研究

为了减少土壤背景带来的干扰,更加准确、高效的获取无人机热红外图像中的玉米冠层温度,进而快速反演玉米地土壤含水率,以4种水分梯度处理的拔节期玉米为研究对象,借助无人机可见光和热红外图像,采用RGRI指数法、Otsu阈值法和不剔除土壤背景3种处理方法提取热红外图像中玉米冠层温度信息,计算作物水分胁迫指数(Crop water stress index,CWSI)并用于反演不同水分梯度处理下玉米地不同深度的土壤含水率,基于3种方法获得的CWSI分别记为CWSIRGRI、CWSIOtsu、CWSIsc.结果表明:①基于RGRI指数法获取的玉米冠层温度与实测冠层温度的相关性最高(R2均大于0.8;RMSE均小于1℃),Otsu方法次之,不剔除土壤背景方法效果最差.②在整个拔节期,CWSIRGRI反演土壤含水率效果最好(R2均大于0.5,P<0.01;效果显著),CWSIOtsu次之、CWSIsc反演效果最差.③选取CWSIRGRI为最优CWSI指标,其在玉米拔节期5个土壤深度内的R2呈现先上升后下降的趋势且都在0～30 cm深度内达到最大值.因此,基于RGRI指数法建立的CWSIRGRI可以作为反演玉米地土壤含水率的有效指标.     

基于无人机热红外遥感的玉米地土壤含水率诊断方法

为使热红外遥感诊断土壤含水率更加准确、高效,以不同水分处理的大田玉米为研究对象,借助无人机可见光图像,对热红外图像进行植土分离,并提取玉米冠层温度和地表土壤温度。通过剔除温度直方图两端1%的温度像元对温度信息进行优化,进而计算作物水分胁迫指数(Crop water stress index,CWSI)、冠层相对温差(Canopy relative temperature difference,CRTD)、地表相对温差(Surface relative temperature difference,SRTD),利用三者之和求得水分-温度综合指数(Water-temperature composite index,WTCI),并用于诊断不同深度的土壤含水率。结果表明,剔除温度直方图两端1%温度像元的玉米冠层温度与实测冠层温度的相关性更高(4次试验的R2由0. 823、0. 886、0. 899、0. 876提高至0. 906、0. 938、0. 944、0. 922),剔除温度直方图前端1%温度像元的地表土壤温度与实测地表温度的相关性也更高(2次试验的R2由0. 841、0. 875提高至0. 908、0. 925),即通过直方图法优化的温度更接近实测温度;在拔节前期,CWSI、WTCI诊断0～20 cm土壤含水率效果较优,而拔节后期、抽雄吐丝期、乳熟期诊断0～40 cm土壤含水率效果较优;在半覆盖条件下,包含冠层温度信息(CWSI、CRTD)和土壤温度信息(SRTD)的WTCI1与土壤含水率的相关性更高(0～40 cm:决定系数为0. 500、0. 821,高于0. 463、0. 748);在全覆盖状态下,包含冠层相对温差(CRTD)的WTCI2与土壤含水率的相关性更高(0～40 cm:决定系数为0. 809、0. 729,高于0. 721、0. 656),表明WTCI是诊断土壤含水率效果较优的指标。     

基于无人机热红外的水分胁迫指数与土壤含水率关系研究

为了实时快速监测作物根系活动层的土壤含水率,利用低空无人机搭载的热红外相机获取经4种水分处理的棉花花铃期一天中5个时刻的冠层温度,并连续观测5 d,应用水分胁迫指数(CWSI)的理论模式、简化模式、定义模式计算得到3种CWSI,与棉花根系不同土壤深度含水率建立模型。研究表明:3种胁迫指数与土壤含水率具有幂函数关系,其中理论模式与土壤含水率的相关性最佳,定义模式次之,简化模式最差;在一天中不同监测时间点上,3种CWSI的监测精度在13∶00最高,9∶00和17∶00最差;在监测深度上,3种胁迫指数与0～60 cm处的土壤含水率关系最为紧密,0～30 cm次之,0～15 cm最差。该研究可大面积获取作物根系层土壤含水率,提高作物根系层土壤含水率的反演精度。     

基于无人机多光谱遥感的玉米根域土壤含水率研究

及时获取农田作物根域土壤墒情是实现精准灌溉的基础和关键。以内蒙古自治区达拉特旗昭君镇试验站大田玉米为研究对象,利用无人机遥感系统,分别在玉米营养生长期(Vegetative stage,V期)、生殖期(Reproductive stage,R期)和成熟期(Maturation stage,M期)获得7次玉米冠层多光谱正射影像,并同步采集玉米根域不同深度土壤含水率(Soil moisture content,SMC);然后,采用灰色关联法对提取的多种植被指数(Vegetation index,VI)进行筛选,选取与土壤含水率敏感的植被指数;最后,分别采用多元混合线性回归(Cubist)、反向传播神经网络(Back propagation neural network,BPNN)和支持向量机回归(Support vector machine regression,SVR)等机器学习方法,构建不同生育期的敏感植被指数与土壤含水率的关系模型。结果表明,3种机器学习方法中SVR模型在各生育期的建模与预测精度均最优,BPNN模型次之,Cubist模型最差;其中SVR模型在M期效果最优,其建模集和验证集R~2分别为0. 851和0. 875,均方根误差(Root mean square error,RMSE)均为0. 7%,标准均方根误差(Normalized root mean square error,nRMSE)分别为8. 17%和8. 32%,R期效果最差,其建模集和验证集R~2分别为0. 619和0. 517。     

基于热红外遥感影像的玉米田间土壤水分反演研究

土壤水分监测对掌握农作物的生长状态至关重要。本研究为了在玉米作物的主要生育期有效地反演田间土壤含水量。本文以无人机平台获取的热红外遥感影像作为数据源,基于热惯量法反演田块尺度的土壤含水量。通过建立土壤热惯量与土壤含水量之间的线性回归模型,在试验田进行模型精度验证。结果表明,在实际农田环境中基于热惯量方法反演土壤含水量时,随着灌溉水平的提高其反演精度先升高后下降。模型在不同灌溉水平下反演土壤含水量的精度验证结果为:R~2=0.71,RMSE=3.09%。热惯量法具有较高的土壤含水量反演精度,为基于无人机热红外遥感田间土壤含水量监测提供了参考。     

基于无人机多光谱遥感的土壤含水率反演研究

为研究无人机多光谱遥感技术对裸土土壤含水率的大范围快速测定和最佳监测深度的确定,以杨凌地区粘壤土为试验材料,分别配制成2种不同深度(5 cm和10 cm)、含水率为3%~30%的土壤样本。用无人机搭载多光谱相机对土样连续监测3 d,监测时刻均为15:00。采集6个波段(490、550、680、720、800、900 nm)处的土壤光谱反射率,同时对2种不同深度的土壤样本表层(约1 cm)含水率和整体含水率进行测定。分别采用偏最小二乘回归法、逐步回归法和岭回归法,建立不同波段光谱反射率因素反演土壤含水率的回归模型,并分析其定量关系。试验结果表明,逐步回归预测精度最佳,决定系数(R2)分别为0.775、0.764、0.798、0.694,而预测均方根误差(RMSE)分别为0.028、0.042、0.037、0.038;其次为岭回归法;偏最小二乘法的预测精度最低。综合比较得最佳回归方法为逐步回归法,最佳监测深度为土壤表层(约1 cm),其次为5 cm深度,最后为10 cm深度。     

大田葵花土壤含盐量无人机遥感反演研究

以内蒙古河套灌区沙壕渠灌域内大田葵花为研究对象,划分4块不同盐分梯度的试验地,利用无人机搭载六波段多光谱相机和热红外成像仪获取遥感数据,并同步采集区域内不同土壤深度处的盐分数据。利用灰色关联法对构建的光谱指数进行筛选,同时结合冠层温度数据,采用偏最小二乘回归(PLSR)、支持向量机(SVM)、反向传播神经网络(BPNN)和极限学习机(ELM) 4种建模方法构建大田葵花不同生育期、不同土壤深度的盐分反演模型。结果表明,基于葵花现蕾期数据构建的盐分反演模型整体效果优于开花期,以优选盐分指数和光谱指数作为变量组构建的模型效果优于植被指数变量组,盐分反演效果较好的土壤深度为0～20 cm和20～40 cm。不同建模方法对比结果表明,机器学习盐分反演模型的效果优于偏最小二乘回归模型,其中在葵花现蕾期0～20 cm土壤深度处,以光谱指数作为变量组构建的BPNN盐分模型反演效果最好,建模集和验证集R2分别达到0.773和0.718,验证集RMSE、CC分别达到0.062%和0.813。本研究成果可为无人机遥感在大田葵花土壤盐分监测方面的应用及相关研究提供参考。     

融合无人机多光谱和热红外影像的蔗田土壤含水率监测研究

甘蔗作为广西、云南等地的主要农作物,极易受到干旱的影响。土壤含水率是评估甘蔗是否受到干旱影响的重要指标。以蔗田土壤含水率为研究对象,利用无人机搭载的热红外和多光谱传感器数据计算出甘蔗冠层的温度、重归一化植被指数RDVI等植被指数,采用人工测定的方法对无人机监测数据进行校正和率定,构建了甘蔗的温度植被干旱指数(TVDI)模型。结果表明,利用多光谱和热红外传感器计算的TVDI与蔗田苗期、分蘖期、伸长期和成熟期土壤含水率均具有高度相关性,决定系数R²分别为0.906 6、0.819 0、0.852 9和0.916 0。因此,TVDI模型最适合用于监测甘蔗苗期和成熟期的受旱情况。     

玉米覆膜滴灌对土壤含水率的影响

通过田间试验,探讨玉米各生育期覆膜滴灌与非覆膜滴灌条件下土壤含水率变化情况。结果表明:不同滴灌方式下土壤含水率会发生明显变化;在玉米全生育期内,覆膜滴灌方式下0~60 cm土壤含水率变化趋势要好于非覆膜滴灌方式,适合在辽宁地区推广。     

基于LM算法的土壤表层含水率遥感监测

为探讨数据挖掘技术中LM(Levenberg-Marquardt)算法在土壤表层(约1 cm)含水率遥感监测中的应用,选取黄绵土、粘黄土、红土为试验材料,配制含水率分别为0、6%、10%、14%、18%、22%的土壤样本,在09:00—10:00和15:00—16:00时间段进行可见光采样,并对图像亮度进行梯度处理,以此模拟全天光线变化。采用样本实测含水率及图像RGB三阶颜色矩数据作为数据集,对上午、下午样本和两时间段混合样本采用LM算法建立含水率回归模型,并与BP(Back propagation)算法和分类回归树(Classification and regression trees,CART)算法进行比较。结果表明,基于土壤表层RGB颜色矩的LM算法具有较好的应用效果,混合样本不同土样回归模型决定系数R~2分别为0. 958、0. 943、0. 949,均方根误差(RMSE)分别为1. 6%、2. 0%、1. 9%,相对分析误差(RPD)分别为4. 873、4. 183、4. 440。不同光照时的混合样品分析结果表明,LM算法适用于不同光线采集样品的土壤含水率监测,适用于土壤表层(约1 cm)含水率的监测。     

基于采样点光谱信息窗口尺度优化的土壤含水率无人机多光谱遥感反演

针对空间异质性导致的土壤含水率反演误差较大的问题,分别以玉米灌浆期和小麦苗期的土壤含水率反演为例,利用无人机多光谱遥感技术获取喷灌和畦灌灌溉方式下的正射影像。将34组光谱特征变量按照滑动窗口法提取不同空间尺度的光谱信息平均值,通过极端梯度提升（Extreme gradient boosting,XGBoost）、支持向量机回归（Support vector machine regression,SVR）以及偏最小二乘回归（Partial least squares regression,PLSR）3种机器学习模型确定采样点光谱信息最优窗口尺度;然后,采用皮尔逊相关系数特征变量筛选法（Pearson correlation coefficient feature variable screening method,R）结合XGBoost和SVR模型对提取的34组光谱特征变量进行筛选,选取与土壤含水率敏感的特征变量;最后,估算土壤含水率。结果表明：喷灌方式下所选择的采样点最优光谱信息窗口尺度比畦灌小,其最优窗口尺度范围分别为11×11~21×21和15×15~29×29;采用皮尔逊相关系数特征变量筛选方法结合机器学习模型可有效提高土壤含水率反演精度;5种机器学习模型（R_XGBoost、R_SVR、XGBoost、SVR、PLSR）中R_XGBoost模型估算土壤含水率精度最优,在喷灌和畦灌方式下玉米灌浆期R_XGBoost模型的测试集决定系数R2分别为0.80、0.83,均方根误差（Root mean square error,RMSE）分别为1.27%和0.98%,小麦苗期R2分别为0.76、0.79,RMSE分别为1.68%和0.85%;土壤含水率反演模型在畦灌条件下的精度优于喷灌条件下。该研究可为基于无人机多光谱影像分析的信息挖掘和土壤水分监测提供参考。     

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-卫星遥感升尺度的土壤水分监测模型研究

土壤水分是研究土壤-植物-大气循环系统中能量与物质交换的关键,通过尺度转换方法将无人机遥感数据上推以修正卫星数据,可有效改善卫星遥感反演模型精度。本文以河套灌区为研究对象,分别采用重采样和TsHARP升尺度法,引入多元线性回归(MLR)、BP神经网络(BPNN)和支持向量机(SVM)算法构建不同土壤深度下无人机-卫星升尺度土壤含水率反演模型。研究结果表明：重采样升尺度法在不同土壤深度下模型整体精度由高到低依次为SVM、MLR、BPNN,其中在土壤深度0～60 cm下采用SVM模型最优,R²达到0.571,RMSE为0.022%;TsHARP升尺度法在不同土壤深度下模型整体精度由高到低依次为BPNN、SVM、MLR,其中在土壤深度0～60 cm下采用BPNN模型最优,R²达到0.829,RMSE为0.015%。与升尺度修正前对应土壤深度模型对比,两种升尺度方法均能明显提高卫星遥感对土壤含水率的反演精度,但TsHARP升尺度法整体优于重采样法;重采样法的R²由0.413提升至0.571,RMSE由0.026%降至0.022%...