基于无人机RGB影像的马铃薯植株钾含量估算

马铃薯植株钾含量(Plant potassium content, PKC)是监测马铃薯营养状况的重要指标,快速准确地获取马铃薯植株钾含量对田间施肥和生产管理具有指导意义。基于无人机遥感平台搭载RGB传感器分别获取马铃薯块茎形成期、块茎增长期和淀粉积累期的RGB影像,并实测马铃薯植株钾含量。首先利用各个生育期的RGB影像提取每个小区冠层平均光谱和纹理特征。然后分别基于冠层光谱和纹理特征构建植被指数和纹理指数(NDTI、RTI和DTI),并与实测PKC进行相关性分析。最后利用多元线性回归(Multiple linear regression, MLR)、偏最小二乘(Partial least squares regression, PLSR)和人工神经网络(Artificial neural networks, ANN)构建马铃薯PKC估算模型。结果表明：各生育期NDTI、RTI和DTI与马铃薯PKC相关性均高于单一纹理特征,植被指数结合纹理指数均能提高模型的可靠性和稳定性,MLR和PLSR构建的估算模型精度均优于ANN。本研究可为马铃薯PKC监测提供科学参考。     

基于冠层光谱特征和株高的马铃薯植株氮含量估算

为及时准确地掌握作物的植株氮含量(PNC)信息,监测作物生长状况,实现农田氮素施肥的科学管理,以马铃薯为研究对象,首先获取了现蕾期、块茎形成期、块茎增长期、淀粉积累期和成熟期的数码影像,并实测了各生育期的PNC、株高(H)和地面控制点(GCP)的三维坐标。其次利用各生育期的无人机数码影像与GCP结合生成试验区域的数字正射影像(DOM)和数字表面模型(DSM),并从中提取冠层光谱特征和株高(Hdsm)。然后将各生育期提取的Hdsm和数码影像变量与地面实测的PNC进行相关性分析,从中筛选出相关性较好的影像变量和Hdsm作为马铃薯PNC估算模型的输入参数。最后分别基于影像变量和影像变量结合Hdsm利用多元线性回归(MLR)、误差反向传播(BP)神经网络和Lasso回归3种方法构建马铃薯PNC估算模型。结果表明：基于DSM提取的Hdsm与实测H具有较高的拟合度(R2为0.860,RMSE为2.663cm,NRMSE为10.234%);各生育期加入Hdsm,均能提高马铃薯PNC的估算精度和稳定性;各生育期利用MLR方法构建的PNC估算模型优于BP神经网络和Lasso回归。该研究可为马铃薯PNC状况的高效、无损监测提供技术支撑。     

融合无人机多源传感器的马铃薯叶绿素含量估算

叶绿素是衡量作物光合作用的重要指标，监测马铃薯关键生育期叶片叶绿素含量(Leaf chlorophyll content, LCC)至关重要。获取马铃薯块茎形成期、块茎增长期和淀粉积累期的无人机RGB和多光谱影像，提取无人机多光谱影像的光谱反射率构建植被指数(Vegetation index, VIs),利用Gabor滤波器提取RGB影像的纹理信息(Texture information, TIs)。然后利用机器学习SVR-REF方法进行数据降维获取植被指数和纹理特征重要性排序，并采用迭代的方法在植被指数最佳模型中加入纹理信息，观察每次加入的纹理信息对模型的动态影响。最后使用支持向量机(Support vector machine, SVR)和K-最近邻算法(K-nearest neighbor, KNN)2种机器学习方法进行建模。结果表明，马铃薯3个关键生育期，加入纹理特征后的2种模型精度和稳定性均有提高，且SVR模型精度优于KNN。块茎形成期，SVR模型建模R²由0.61提升至0.71,RMSE由0.20 mg/g降为0.17 mg/g,精度提升14.2%,验...     

基于冠层光谱特征和株高的马铃薯植株氮含量估算

为及时准确地掌握作物的植株氮含量（PNC）信息,监测作物生长状况,实现农田氮素施肥的科学管理,以马铃薯为研究对象,首先获取了现蕾期、块茎形成期、块茎增长期、淀粉积累期和成熟期的数码影像,并实测了各生育期的PNC、株高（H）和地面控制点（GCP）的三维坐标。其次利用各生育期的无人机数码影像与GCP结合生成试验区域的数字正射影像（DOM）和数字表面模型（DSM）,并从中提取冠层光谱特征和株高(H_dsm)。然后将各生育期提取的H_dsm和数码影像变量与地面实测的PNC进行相关性分析,从中筛选出相关性较好的影像变量和H_dsm作为马铃薯PNC估算模型的输入参数。最后分别基于影像变量和影像变量结合H_dsm利用多元线性回归（MLR）、误差反向传播（BP）神经网络和Lasso回归3种方法构建马铃薯PNC估算模型。结果表明：基于DSM提取的H_dsm与实测H具有较高的拟合度（R²为0.860,RMSE为2.663 cm, NRMSE为10.234%）;各生育期加入H_d...     

基于荧光光谱分析的马铃薯叶片钾素营养检测研究

马铃薯属于喜钾作物,在栽培过程中钾素营养的供应直接关系到马铃薯的产量与品质.本研究探讨了不同供钾水平下马铃薯作物叶片的荧光光谱响应特性,并基于不同形式的光谱参量构建了马铃薯不同生育时期叶片钾素含量的回归模型.结果表明:将敏感波段中680nm和718nm波长处的荧光强度F680和718进行组合及对数变换处理后[F680+F718、lgF680、lgF718、lg(F80+F718)]作为光谱参量,所构建的叶片钾素含量回归模型的决定系数均较原始光谱参量(F680、F718)有所提高,其中以lg (F680+F718)为光谱参量所建立的回归模型拟合效果最佳,在发棵期和结薯期回归模型的决定系数均高于0.94,基于该参量所建立的模型适宜用来估算马铃薯叶片钾素的含量及对马铃薯作物钾素营养的丰缺状况进行评价.     

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AGB与原始无人机冠层光谱和高光谱指数分别进行相关性分析,筛选出最优光谱指数和前10个光谱指数,利用指数回归（Exponential regression,ER）构建单变量模型;最后,采用多元线性回归（Multiple linear regression, MLR）、偏最小二乘回归（Partial least square regression, PLSR）和随机森林（Random forest, RF）3种方法构建不同生育期的估算模型,并进行对比,挑选出马铃薯AGB估算的最优模型。结果表明：将提取的马铃薯株高与实测值进行线性拟合,R 2 为0.84;在单变量模型中,每个生育期以ER估算AGB得到的验证精度高于相应的建模精度,其中构建模型效果优劣次序依次为最优光谱指数、Hdsm 、H,块茎增长期以CIrededge指数估测精度最高（R 2 =0.45）;在多变量模型中,每个生育期采用3种方法构建AGB估算模型,每种方法以光谱指数加入Hdsm 的模型精度更高、稳定性更强;每个生育期利用MLR以光谱指数和Hdsm 为变量的AGB模型（R 2 为0.64、0.70、0.79、0.68、0.63）效果优于PLSR（R 2 为0.62、0.68、0.75、0.67、0.60）和RF（R 2 为0.56、0.61、0.67、0.63、0.53）模型。利用MLR模型进行马铃薯AGB填图,5个生育期的AGB空间分布与实际生长情况一致。利用融入Hdsm 的MLR模型可估测大面积马铃薯AGB,为精准农业定量化研究提供技术支持。     

大豆叶绿素和钾素信息的冠层光谱响应

以大豆为研究对象,结合田间试验,采用反高斯(IG)光学模型拟合红边光谱反射率,一阶微分后得到红边振幅,建立估测叶绿素含量的S函数模型,相关系数达到0.781 2.同时,采用连续统去除法提取吸收深度特征参数,运用多元统计回归的方法估算全钾含量(TK).相关系数达到0.762 5.实现了仅用特定波段光谱数据预测作物营养状况的目的,为实现田间在线检测与变量投入提供了理论依据.     

基于无人机高光谱分数阶微分的马铃薯地上生物量估算

以马铃薯为研究对象,利用无人机得到现蕾期、块茎形成期、块茎增长期、淀粉积累期和成熟期的高光谱数据,实测了地上生物量（Above ground biomass,AGB）数据。首先,利用成像高光谱影像提取每个生育期马铃薯冠层高光谱反射率数据;然后,利用分数阶微分计算高光谱0~2阶微分（间隔0.2）,将各阶微分下的光谱数据与地上生物量进行相关性分析,挑选出相关系数绝对值较大的前9个微分波段;最后,利用多元线性回归（Multiple linear regression,MLR）、随机森林（Random forest,RF）和人工神经网络（Artificial neural network,ANN）3种方法构建基于分数阶微分光谱的整体、不同品种、不同密度和不同施肥下的马铃薯AGB估算模型,并进行了对比。结果表明：各生育期相关系数绝对值最大值出现的阶数不同,现蕾期为0.8阶微分（470nm）;块茎形成期为1.8阶微分（710nm）;块茎增长期和淀粉积累期为1.6阶微分（718、722、766nm）;成熟期为1.0阶微分（622nm）。相较于整数阶微分,高光谱分数阶微分与AGB的相关性更高,分数阶微分可以提高马铃薯AGB的估算精度。分析了不同生育期整体、不同品种、不同密度和不同施肥下的马铃薯AGB估算模型,3种方法中以9个微分波段为因变量的AGB估算在块茎增长期表现效果最好,利用MLR方法得到的模型精度最高、稳定性最强,其次为RF模型,ANN模型表现效果最差。不同生育期利用3种方法构建的AGB估算模型精度由大到小依次为块茎增长期、块茎形成期、淀粉积累期、现蕾期、成熟期。     

基于无人机可见光与激光雷达的甜菜株高定量评估

甜菜株高可用于估算根系生物量、指示水分胁迫,还可作为甜菜氮含量和产量的有效指示因子,是育种者和农田管理者评估大田甜菜生长状态的重要参数.本研究以186个不同基因型的大田甜菜为研究对象,探究无人机分别搭载可见光(RGB)相机与激光雷达(LiDAR)系统对大田作物株高估算的精度差异,并与田间测定值进行比较.结果表明,基于无...     

基于无人机高光谱遥感的冬小麦株高和叶面积指数估算

为了快速、准确地估算叶面积指数（LAI）,通过无人机搭载成像高光谱相机,获取了冬小麦3个生育期的影像数据,从中提取出株高（Hcsm）。首先,分析了植被指数、Hcsm与LAI的相关性,挑选出最优植被指数;然后,分别构建了单个参数的LAI线性估算模型;最后,以植被指数、植被指数结合Hcsm为模型输入因子,采用偏最小二乘回归方法构建LAI估算模型。结果表明：通过无人机高光谱遥感影像提取的Hcsm精度较高（R2=0.95）;在不同生育期,大部分植被指数和Hcsm均与LAI呈0.01显著相关水平;基于最优植被指数结合Hcsm估算LAI的精度优于仅基于最优植被指数或Hcsm的估算精度;以植被指数、植被指数结合Hcsm为输入变量,通过偏最小二乘回归构建的LAI估算模型在开花期估算精度达到最高,并且以植被指数结合Hcsm为自变量估算LAI的能力更佳（建模R2=0.73,RMSE为0.64）。本研究方法可以提高LAI估算精度,为农业管理者提供参考。     

基于无人机多时相植被指数的冬小麦产量估测

通过无人机搭载多光谱相机,对不同水分亏缺条件下冬小麦多个生育期进行遥感监测,采用不同种类多光谱植被指数表征冬小麦的生长特征,分析了植被指数与冬小麦产量的相关关系,并利用多时相植被指数构建产量估测数据集,采用偏最小二乘回归、支持向量机回归和随机森林回归3种机器学习算法进行冬小麦产量估测.结果表明,随着冬小麦的生长,多个植...     

融合无人机光谱信息与纹理特征的棉花叶面积指数估测

农田尺度下作物叶面积指数(Leaf area index, LAI)的精准监测,对于研究群体结构对产量和管理措施的响应具有重要意义。目前普遍采用无人机光谱特征反演作物的LAI指数,作为长势和冠层结构诊断的重要依据,其估测精度的准确性是否可以提高仍有待研究。作物表面特征,如灰度和颜色,在不同生育阶段会发生变化。为此,本研究考虑到LAI的影响因素,设置不同的种植密度和氮素水平营造差异化的冠层结构,利用搭载多光谱传感器的无人机获取主要生育时期棉花的冠层图像得到植被指数(Vegetation indexs, VIs),基于二阶概率统计滤波(Co-occurrence measures)方法获取均值(MEA)、方差(VAR)、协同性(HOM)、对比度(CON)、相异性(DIS)、信息熵(ENT)、二阶矩(SEM)和相关性(COR)等8个纹理特征值(Texture features, TFs)。最后,采用支持向量机回归(SVR)、偏最小二乘法(PLSR)、深度神经网络(DNN)分别建立基于光谱特征、纹理特征以及二者结合的棉花LAI的估算模型,并比较差异。试验结果表明：VI₍(...     

基于Lab颜色空间的棉花覆盖度提取方法研究

基于手持高清可见光图像和无人机可见光遥感影像中植被与非植被像元在不同颜色空间单通道上分布的差异性,以苗期和蕾期的棉花为对象,进行了棉花覆盖度的提取方法研究。基于不同天气状况和不同采集时刻等光照条件下采集的29幅具有不同覆盖度的棉花地面可见光图像,分别对比分析了Lab颜色空间a通道、RGB颜色空间2G-R-B指数和HIS颜色空间H通道对棉花的识别能力,以及使用动态阈值和固定阈值两种情况下的棉花覆盖度提取精度。其中动态阈值通过植被与非植被像元的高斯分布交点确定,固定阈值在3种颜色空间分别设置为动态阈值的均值。结果表明,植被像元与非植被像元在a通道、2G-R-B指数和H通道上呈现高斯分布,可以采用非线性最小二乘算法实现高斯分布拟合。通过高斯分布拟合求解交点得到的动态分类阈值分布范围较为集中,将其均值-3.78、0.06、0.13设定为固定分类阈值。相比于2G-R-B指数和H通道,a通道对绿色植被的识别能力最好,更适合提取棉花植被覆盖度;相比于动态阈值,固定阈值的提取精度更好,平均提取误差为0.009 4。将该方法应用到无人机尺度时,同样可以较好地提取不同天气状况和不同土壤干湿类型的棉花覆盖度,且总体平均提取误差为0.012。经过初步检验和分析认为,基于植被与非植被像元在Lab颜色空间a通道上分布的差异性,结合固定分类阈值,可以精确地提取不同光照条件下的苗期和蕾期棉花覆盖度。     

基于无人机多光谱影像的夏玉米SPAD估算模型研究

快速获取作物叶片叶绿素含量对及时诊断作物健康状况、指导田间管理具有重要意义。本研究以关中地区2020年夏玉米为研究对象,获取试验区无人机多光谱影像,提取植被指数,分析所选植被指数与SPAD的相关性,筛选得到模型的输入变量,利用偏最小二乘法(PLS)、随机森林回归(RF)和分层线性模型(HLM)分别构建拔节期、抽雄期、灌浆期以及全生育期的SPAD估算模型,最终选出最优估算模型,以期为快速获取夏玉米SPAD提供参考。研究发现：除NRI之外,NDVI、OSAVI、GNDVI、RVI、MCARI、MSR、CIre与SPAD均显著相关,其中,OSAVI、NDVI与SPAD呈现出较强且稳定的相关性;各个生育期的最优模型均是RF模型,在拔节期、抽雄期、灌浆期和全生育期,验证集R²分别为0.81、0.81、0.73、0.61,RMSE分别为1.24、2.32、3.13、3.20;对于SPAD估算模型,将降雨量、最高气温这两个气象因子与植被指数耦合的HLM模型可以一定程度提升线性模型的估算精度,但其精度低于RF模型。因此,基于无人机多光谱影像的RF模型可以实现夏玉米SPAD的快速准...     

基于纹理特征与植被指数融合的水稻含水量无人机遥感监测

含水量是表征水稻生理和健康状况的关键参数，精确预测水稻含水量对于水稻育种和大田精准管理具有重要意义。目前，利用无人机搭载光谱图像传感器监测作物生长的研究主要集中在利用植被指数评估作物在单一或者几个生育期的生长参数，针对作物含水量监测的研究非常有限。本研究主要利用多旋翼无人机低空遥感平台获取不同生育期水稻冠层的RGB图像和多光谱图像，通过提取植被指数和纹理特征，分析水稻的动态生长变化，并构建了基于随机森林回归方法的含水量预测模型。试验结果表明：（1）从无人机图像提取的植被指数、纹理特征以及地面测量的含水量都能用于监测水稻生长，并且这些参数随水稻生长呈现出了相似的动态变化趋势；（2）与RGB图像相比，多光谱图像评估水稻含水量具有更高的潜力，其中归一化光谱指数NDSI_771,611实现了更好的预测精度（R²=0.68，RMSEP=0.039，rRMSE =5.24%）；（3）融合植被指数和纹理特征能够进一步改善含水量的预测结果（R²=0.86，RMSEP=0.026，rRMSE=3.51%），预测误差RMSEP分别减小了16.13%和18.75%。上述结果表明，基于无人机遥感技术监测水稻含水量是可行的，可为农田精准灌溉和田间管理决策提供新思路。     

基于无人机遥感植被指数优选的覆膜冬小麦估产研究

为进一步提高无人机遥感估产的精度,本研究以2021—2022年的覆膜冬小麦为研究对象,对返青期、拔节期、抽穗期和灌浆期的多光谱影像进行覆膜背景剔除,并优选最佳遥感窗口期,基于最优植被指数构建覆膜冬小麦估产模型。结果表明,利用支持向量机监督分类法剔除覆膜背景后冠层反射率更接近真实值,抽穗期和灌浆期的估产精度更高。将不同生育期的植被指数与产量进行相关性分析发现,最佳遥感窗口期为抽穗期。基于逐步回归和全子集回归法优选最优植被指数时发现,基于逐步回归法筛选变量为MCARI、MSR、EVI2、NDRE、VARI、NDGI、NGBDI、ExG时产量反演模型精度最高。此外,利用偏最小二乘法、人工神经网络和随机森林3种机器学习法构建的产量反演模型中,基于逐步回归法的随机森林模型的反演精度最高,R2为0.82,RMSE为0.84t/hm2。该研究可为提高遥感估产精度、实现农业生产精细化管理提供技术支持。