基于无人机遥感图像的苎麻产量估测研究

本研究旨在探索一种利用无人机-RGB系统提取的苎麻株高和可见光图像光谱信息估测产量的新方法。试验于2019年在湖南农业大学耘园苎麻基地进行,利用无人机搭载高清数码相机获取二季苎麻苗期和成熟期的图像。首先利用Pix4Dmapper生成苎麻冠层2个生育期的数字表面模型和高清数码正射图像;然后基于数字表面模型采用"差分法"计算试验小区的平均株高(DSM-based H);基于正射图像提取试验小区RGB通道均值,进而计算遥感图像数码变量和植被指数,分析苎麻种质间的图像光谱表型性状和产量株高比性状的差异性与多样性;最后采用逐步回归方法建立苎麻产量预测模型,并对各项产量解释因子进行相关性分析。结果表明:(1)基于无人机-RGB系统遥感株高与实测株高显著相关(r=0.90),修正遥感株高的均方根误差为0.04 m。(2)苎麻产量与株高信息存在极显著相关性(r=0.91),而与图像光谱表型相关性不明显。(3)融合遥感图像株高和种质特征差异构建的苎麻产量估测模型精度较高, R~2=0.85, RMSE=0.71。因此,基于无人机遥感图像的苎麻产量估测是可行的,这对苎麻种质特征评价和产量估测具有重要的意义。     

基于无人机和地面图像的田间水稻冠层参数估测与评价

田间水稻表型监测可用于分析水稻产量相关性状,对指导水稻栽培管理以及产量预测具有重要意义。本研究以3种氮肥处理下6个不同栽培品种的水稻为研究对象,估测并评价了水稻冠层的主要表型参数,以探讨利用图像分析方法评价多品种及栽培环境下田间水稻长势的适用性。基于无人机和田间固定相机图像,本研究通过图像处理、三维建模和机器学习自动测算出田间水稻冠层覆盖度、株高、穗数,并结合实际测量结果进行了精度评价。结果表明:(1)基于无人机图像使用决策树分类模型提取的水稻冠层图像与人工勾绘结果一致性较好(Qseg均值为0.75,方差为0.08),由此计算的冠层覆盖度与人工勾绘计算的冠层覆盖度相关性较高(R~2=0.83,RMSE=5.36%);(2)使用冠层高度模型估测的各小区水稻株高均值与田间实测高度均值相关性较高(R~2=0.81, RMSE=9.81 cm),但整体呈现低估;(3)基于地面图像使用决策树分类和形态参数过滤得到的穗数计数结果与实测穗数相关性较高(R~2=0.83,RMSE=10.99)。总体而言,结合图像分析算法,应用低空无人机遥感技术高通量自动化估测水稻冠层覆盖度、株高的精度较高,而应用地面...     

无人机多角度成像方式的饲料油菜生物量估算研究

旨在探索并评估一种通过无人机平台搭载可见光相机提取饲料油菜生物量的新方法。试验于2018年在华中农业大学油菜试验基地展开,利用无人机搭载五相机倾斜摄影系统同时从多个角度获取油菜终花期的可见光图像,试验共设置3种无人机飞行高度(40、60和80 m)和3种播种密度(3.00×105、5.25×105和7.50×105株hm~(-2)),并评估和对比了多角度和单相机垂直2种成像方式的生物量预测结果。试验首先通过无人机图像提取油菜冠层覆盖度和株高信息;然后通过株高在覆盖面积上进行累加获得作物体积模型;最后基于作物体积模型与实测生物量建立线性回归模型预测油菜干物质重量。结果表明,(1)在本试验设置的3个飞行高度中,随着无人机飞行高度下降,生物量预测精度呈上升趋势,其中飞行高度为40 m时,油菜生物量估算精度最佳(校正集:r=0.792, RMSE=125.0 g m~(-2),RE=13.2%;验证集:r=0.752, RMSE=139.1 g m~(-2), RE=15.3%)。(2)种植密度越高,其实际生物量越小,通过作物体积模型预测生物量的效果更好。(3)多角度成像方式与单相机垂直成像方式在油菜生物量估测精度上没有显著差异,两者皆在40m高度下具有最好的生物量预测效果,相关系数r分别为0.772和0.742。以上结果表明,基于无人机低成本可见光成像建模技术提取饲料油菜生物量是可行的,本研究可为大田作物地上生物量信息的无损高效监测提供易于实施的解决方案和技术参考。     

基于无人机机载激光雷达估算黄河三角洲孤岛刺槐林地上生物量

研究旨在利用无人机机载激光雷达数据来计算黄河三角洲孤岛林场刺槐地上生物量。以黄河三角洲孤岛林场刺槐林为研究对象,利用无人机机载激光雷达数据,采用分水岭分割算法从单木尺度提取孤岛林场刺槐的树高和冠幅;然后利用背包移动雷达数据提取8 个样方单株刺槐胸径;再结合异速生长方程,从单木尺度计算8 个样方的刺槐地上生物量。为了验证结果,用野外实测树高和胸径验证雷达数据中提取的单木结构参数;最后利用无人机机载激光雷达提取的树高和冠幅及两者的对数与乘积的对数形式,构建估算刺槐地上生物量模型,对模型估算过程中存在不确定性进行讨论,获得孤岛林场生物量分布图,并且结合前人研究的孤岛刺槐健康状况进行分析。结果表明：（1）基于分水岭分割算法能较精确地从无人机机载激光雷达数据中提取刺槐的单木结构参数。（2）树高与冠幅乘积的对数模型估算效果（R2=0.82,RMSE=3.66 kg/株）优于非对数模型（R2=0.58,RMSE=6.73 kg/株）,也优于两者对数的模型（R2=0.76,MSE=4.52 kg/株）。（3）模型构建过程中有一定的不确定性,这种不确定性主要来自单木识别过程。（4）刺槐地上生物量高低与其健康状况有很强的相关性。     

基于高光谱遥感的玉米叶片SPAD值估算模型研究

灌浆期玉米叶片叶绿素含量对玉米光合作用及产量形成具有重要作用。为通过高光谱特征准确、高效估测玉米叶片叶绿素含量,以SPAD值表征叶绿素相对含量,构建了基于光谱特征参数的传统回归模型、基于全谱和光谱特征参数的PLSR模型和BP神经网络模型,并进行了比较分析。结果表明：基于全谱构建的PLSR模型SPAD值拟合效果最好（R ²=0.910,RMSE=2.071）,而基于光谱特征参数所建立的PLSR模型拟合效果可达到与全谱PLSR模型相近的水平。但后者的实测值与预测值拟合效果（R ²=0.867,RMSE=2.581,RPD=2.628）优于全谱PLSR模型,且建模时间短,模型复杂程度降低。BP神经网络模型相较于两种PLSR模型预测效果略差,但优于传统回归模型。综合来看,基于光谱特征参数建立的PLSR模型估测效果最好。     

黄河三角洲孤岛刺槐林地上生物量的估算——基于无人机机载激光雷达

研究旨在利用无人机机载激光雷达数据来计算黄河三角洲孤岛林场刺槐地上生物量。以黄河三角洲孤岛林场刺槐林为研究对象,利用无人机机载激光雷达数据,采用分水岭分割算法从单木尺度提取孤岛林场刺槐的树高和冠幅;然后利用背包移动雷达数据提取8个样方单株刺槐胸径;再结合异速生长方程,从单木尺度计算8个样方的刺槐地上生物量。为了验证结果,用野外实测树高和胸径验证雷达数据中提取的单木结构参数;最后利用无人机机载激光雷达提取的树高和冠幅及两者的对数与乘积的对数形式,构建估算刺槐地上生物量模型,对模型估算过程中存在不确定性进行讨论,获得孤岛林场生物量分布图,并且结合前人研究的孤岛刺槐健康状况进行分析。结果表明:(1)基于分水岭分割算法能较精确地从无人机机载激光雷达数据中提取刺槐的单木结构参数。(2)树高与冠幅乘积的对数模型估算效果(R2=0.82,RMSE=3.66 kg/株)优于非对数模型(R2=0.58,RMSE=6.73 kg/株),也优于两者对数的模型(R2=0.76,RMSE=4.52 kg/株)。(3)模型构建过程中有一定的不确定性,这种不确定性主要来自单木识别过程。(4)刺槐地上生物量高低与其健康状况有很强的相关性。     

基于冠层光谱的早籼稻籽粒粗蛋白含量估测

利用2019年长江中下游早籼稻早中熟组种质资源为材料,分析主要生育期冠层光谱反射率与籽粒粗蛋白含量的关系,筛选出可用于早籼稻籽粒粗蛋白含量预测的敏感生育期和敏感波长,建立了基于敏感波长和光谱参数的籽粒粗蛋白的一元线性、多元线性、指数和多项式预测模型,用决定系数（R ²）、均方根误差（RMSE）和相对误差（RE）对模型精度进行评价,以期找到估测早籼稻籽粒粗蛋白含量的最适模型。研究发现,在孕穗期514、580、638和695nm波长处冠层一阶微分光谱反射率与籽粒粗蛋白含量相关性达到极显著水平;在基于敏感波长的估测模型中,四元线性模型估测效果最佳,其建模集R ²、RMSE和RE分别为0.566、0.342%和2.874%,验证集R ²、RMSE和RE分别为0.518、0.154%和1.303%;在基于光谱参数构建的估测模型中,DSI(R′₅₁₄和R′₆₃₈)为自变量构建的多项式模型估测效果较优,其建模集R ²、RMSE和RE分别为0.638、0.312%和2.639%,验证集R ²、RMSE和RE分别为0.581、0.230%和2.307%。     

基于无人机多光谱影像的水稻冠层SPAD值预测研究

比较筛选水稻冠层SPAD值估测模型，为无人机多光谱遥感反演水稻SPAD值提供依据。利用无人机获取水稻拔节期、抽穗期、乳熟期的冠层多光谱影像，选取7种常用的植被指数，利用3种回归方法建立基于植被指数的水稻叶片SPAD值反演模型。结果表明，在不同生育期与水稻叶片SPAD值相关系数最高的植被指数不相同，拔节期最高的是GNDVI，抽穗期最高的是CI_Green，乳熟期最高的是CI_Rededge。抽穗期是水稻叶片SPAD值反演的最佳时期，模型具有较好的建模精度和估测效果，其中多元线性回归的建模精度较高，偏最小二乘回归模型的估测效果最好。试验结果可为水稻长势的实时无损监测提供参考。     

利用无人机遥感技术提取农作物植被覆盖度方法研究

基于无人机的遥感信息获取技术已广泛应用在农业领域。无人机遥感平台获取农作物信息技术具有高时效、高分辨率、低成本、快速、准确等特点,是目前精准农业中农田信息获取的重要手段之一。利用无人机遥感技术获取可见光影像,以棉花、花生和玉米为研究对象,选取不同的植被指数进行可见光图像阈值分割,结合研究区域可见光影像监督分类结果,确定3种作物提取植被覆盖度方法。试验结果表明,利用无人机可见光图像植被指数阈值分类方法,可以有效提取作物植被覆盖度。该方法对于棉花、花生和玉米3种作物植被覆盖信息的提取精度较高。     

基于遗传算法结合偏最小二乘的潮土碱解氮高光谱特征及含量估测

提取土壤碱解氮特征光谱是利用高光谱数据进行其含量估测的关键。对山东省典型潮土土壤样本测试高光谱并进行变换;采用遗传算法（GA）结合偏最小二乘法（PLS）,在筛选潮土碱解氮含量特征谱区的基础上,构建潮土碱解氮含量偏最小二乘（PLS）回归估测模型;优选最佳模型并与相关分析、逐步回归分析和单纯偏最小二乘回归分析的模型进行比较。结果表明：潮土碱解氮特征波段为449~469nm,988~1001nm,1065~1078nm,1716~1736nm,1912~1925nm,2213~2233nm,2262~2275nm;基于各输入光谱特征谱区构建的估测模型决定系数R²均较高,其中基于反射率一阶导数光谱筛选的特征谱区,构建的模型精度最高,数据点（147个）为原始全谱的7.17%,建模R²达到0.97,均方根误差RMSE为4.78mg/kg,验证R²为0.95,RMSE为5.49mg/kg,对潮土碱解氮含量具有较好的预测准确性;在光谱变换形式中,反射率的一阶导数表现最佳;方法比较显示采用遗传算法结合偏最小二乘（GA-PLS）获得较高预测精度的同时,可简化模型。说明遗传算法结合偏最小二乘法（GA-PLS）,可有效筛选土壤碱解氮的特征波段,减少模型参与变量,提高估测精度。     

基于无人机多光谱遥感的大豆叶面积指数反演

为给大豆科学管理提供基础数据,利用无人机多光谱遥感数据实现对大豆叶面积指数(LAI)的反演估值。从多种光谱植被指数中选出与LAI相关性较好的5种指数,分析探讨在田块尺度上,适用于东北地区的大豆叶面积指数的低空无人机遥感反演模型。结合田间实测LAI数据及模型精度及拟合效果,NDVI模型精度较好,但拟合效果较差,其余4种植被指数模型精度和拟合效果较好,拟合效果R²均达到了0.6以上;支持向量机模型决定系数R²达到0.688,均方根误差达0.016,具有更好的预测能力。2种模型均表明无人机多光谱遥感系统可以快速反演田间大豆叶面积指数,在指导精准农业生产方面具有实用意义。     

基于光谱指数和偏最小二乘的棉花类胡萝卜素/叶绿素a比值估算

类胡萝卜素(Car)与叶绿素a含量比值(Car/Chla)的变化与植被生长发育变化、环境胁迫及叶片衰老特征等密切相关,可作为植被生理生态及物候的监测指标。不同植被类型和植被品种其色素变化随植被生长发育呈现出不同的变化特征。为了探究适用于干旱区棉花Car/Chla比值估算的光谱指数和估算方法,本研究通过2011年和2012年连续2年的大面积田间试验,获取了棉花不同生育期的叶片及冠层尺度光谱反射率及色素含量信息,对多种光谱指数及偏最小二乘回归(Partial Least Square Regression, PLSR)用于Car/Chla比值和Car估算进行了探讨。对比表明,基于光化学指数(PhotochemicalReflectanceIndex,PRI)的线性和一元二次模型对Car/Chla比值和Car的估算精度最高,由PRI-Car/Chla线性模型得到的叶片和冠层尺度的Car/Chla比值估算值与实测值之间的决定系数R2大于0.6, PRI-Car的R2大于0.36;基于PLSR模型得到的Car/Chla比值估算值与实测值之间的拟合关系略优于基于PRI的估算模型,由其得到的叶片及冠层尺度Car/Chla比值估算值与实测值之间的决定系数R2大于0.80,Car估算值与实测值之间R2大于0.73;不论基于PRI还是基于PLSR方法,对Car/Chla比值的估算精度均高于Car含量,该结论进一步证实了Car/Chla比值遥感监测的可行性,丰富了对棉花生长高温胁迫、养分胁迫等环境胁迫及病虫害等遥感监测的依据指标。     

基于无人机高光谱影像的玉米地上生物量反演

【目的】研究以玉米地上干生物量为研究对象,探讨基于无人机高光谱数据利用人工神经网络法反演生物量的可行性。【方法】在吉林省蔡家镇开展玉米氮肥梯度试验,并进行无人机高光谱数据和地上干生物量获取,共获数据30组。随机选22组数据用于建模,剩下8组用于模型的外部验证。分别基于光谱指数法和BP神经网络算法构建反演模型,比较分析各种方法反演玉米生物量的优劣。【结果】结果表明：和基于光谱指数构建的生物量反演模型相比,BP神经网络模型取得了更好的反演结果。其建模时决定系数为0.99均方根误差为0.08 t/ha,相对均方根误差为3.39%;外部验证时,决定系数为0.99,均方根误差为0.15 t/ha,相对均方根误差为8.56%。【结论】BP神经网络模型可有效提高无人机高光谱遥感反演玉米地上生物量的精度。     

基于无人机多光谱遥感的冬小麦叶绿素含量反演及监测

旨在实现冬小麦各生育期叶绿素含量的准确估测,探究其时空变化规律。利用无人机获取冬小麦越冬期、返青期、拔节期、孕穗期和灌浆期的高分辨率多光谱图像,同时采集地面SPAD数据。选取三类光谱参数建立反演模型,优选出各生育期的最佳预测模型,并定量监测试验区冬小麦叶绿素含量时间变化和空间分布。结果表明：原始波段模型和波段倒数对数模型分别为越冬期及其他生育期叶绿素含量预测的最佳模型,拟合精度R²>0.59;时空分布上,灌浆期前试验区冬小麦叶绿素含量呈南北高、中部低特点,灌浆期则呈北高南低的趋势,叶绿素含量从越冬期到拔节期逐步增加,拔节期到孕穗期开始降低,孕穗期到灌浆期则大幅度降低。本研究建立的倒数对数预测模型,精度较高,且适用于返青到灌浆的4个生育期,对于试验区冬小麦叶绿素含量有较好的时空监测效果。     

MDBPSO算法优化的全波段光谱数据协同冠层SIF监测小麦条锈病

为了从全波段光谱数据中提取对小麦条锈病敏感的特征参量,提高小麦条锈病遥感探测模型的运行效率和精度,本文首先从惯性权重和粒子更新方式两个方面对传统离散粒子群算法(discretebinaryparticleswarmoptimization, DBPSO)进行改进,利用改进离散粒子群算法(modified discrete binary particle swarm optimization, MDBPSO)从全波段光谱数据中优选遥感探测小麦条锈病严重度的特征变量,然后与冠层日光诱导叶绿素荧光(solar-inducedchlorophyllfluorescence,SIF)数据相结合作为自变量分别利用随机森林(randomforest,RF)和后向传播(backpropagation,BP)神经网络算法构建小麦条锈病遥感探测模型,并将其与相关系数(correlationcoefficient,CC)分析法和DBPSO算法提取特征参量构建模型的精度进行对比分析。结果表明:(1) MDBPSO算法比传统DBPSO算法具有更快的收敛速度和更高的寻优精度,改进前后其迭代次数从395次减少到156次,最优适应度函数(optimumfitnessvalue,OFV)值从0.145减小到0.127。(2)采用MDBPSO算法选择特征变量时,RF和BP神经网络两种方法构建的模型精度均高于CC分析法和DBPSO算法,其中RF算法预测病情指数(diseaseindex,DI)值和实测DI值间的检验集决定系数(validation set determination coefficient, R2V)比CC分析法和DBPSO算法分别提高了9%和3%,均方根误差(validation set root mean square error, RMSEV)分别降低了28%和11%, BP神经网络算法预测DI值和实测DI值间的R2V比CC分析法和DBPSO算法分别提高了13%和6%,RMSEV分别降低了21%和10%,利用MDBPSO算法优选特征参量能够提高小麦条锈病的遥感探测精度。(3)在MDBPSO、DBPSO和CC分析法3种特征选择算法中,RF算法构建的模型精度均高于BP神经网络算法,其中RF模型预测DI值和实测DI值间的R2V比BP神经网络算法至少提高了7%,平均提高了9%,RMSEV至少降低了15%,平均降低了20%。以MDBPSO算法优选的特征参量为自变量利用RF方法构建的小麦条锈病遥感探测的MDBPSO-RF模型是小麦条锈病遥感探测适宜模型,该研究结果为进一步实现作物健康状况大面积高精度遥感监测提供了新的思路。     

基于GF-1/2卫星数据的冬小麦叶面积指数反演

叶面积指数(leaf area index,LAI)是监测作物生长状况的重要参数,准确、快速、大面积估算LAI不仅有助于更好地监测农作物,而且也有助于其在建模、总体作物管理及精准农业中的应用。本研究为了利用国产遥感影像快速、大面积反演冬小麦LAI,以GF-1/2影像作为数据源,提取常用植被指数,结合不同生育期(起身期、拔节期、开花期)实测LAI数据,建立反演冬小麦LAI的单变量和多变量经验模型,并对其进行验证。结果表明,GF-1起身期、GF-1拔节期以及GF-1开花期提取的植被指数中,MSR(modified simple ratio)、GNDVI(green normalized difference vegetation index)、EVI(enhanced vegetation index)与LAI间的相关系数最大,分别为0.708、0.671和0.743,说明这些植被指数与冬小麦LAI间的相关性较显著;GF-1不同生育期的反演模型相比,基于拔节期GNDVIGF-1建立的二次多项式模型和基于开花期EVIGF-1、GSRGF-1(green simple ratio)、NDVIGF-1(normalized difference vegetation index)建立的PLSR(partial least squares regression)模型R2最大,均为0.783,PLSR模型的RMSE小于二次多项式模型,说明该多变量模型的稳定性优于单变量模型;同一个生育期不同影像相比,基于GF-2的NDVIGF-2建立的二次多项式模型和基于NDVIGF-2、MSRGF-2、SAVIGF-2(soil-adjusted vegetation index)建立的PLSR模型精度高于基于GF-1的2种模型,R2分别为0.768和0.809;不同生育期反演的LAI分布图表明,LAI反演值与实测LAI值基本吻合。以上研究结果说明国产高分辨率遥感影像在农作物生理参数反演中有一定的应用价值,可以为以后的相关研究提供一定的参考。     

GF-1和MODIS影像冬小麦长势监测指标NDVI的对比

作物长势是农情遥感监测的重要内容之一。长期以来, 作物长势遥感监测主要基于卫星影像反演的相关植被参数, 如归一化植被指数(NDVI, normalized difference vegetation index)、叶面积指数(LAI, leaf area index)等。本文通过对比研究16 m分辨率GF-1卫星影像及250 m分辨率MODIS影像的NDVI与冬小麦综合茎数、株高、叶绿素浓度之间的关系, 尝试建立遥感监测作物长势指标与地面实测作物长势指标的定量关系。研究发现GF-1 的NDVI与冬小麦综合茎数的相关性最高(R ²=0.8961), 而与其他指标相关性较弱; MODIS的 NDVI指数与冬小麦综合茎数相关性较低(R ²=0.4432), 对作物长势的遥感监测精度较低。统计MODIS冬小麦像元内GF-1像元的NDVI平均值, 并与MODIS的NDVI对比, 发现两者之间的相关性较低(R ²=0.3944); 在消除MODIS与GF-1影像传感器光谱响应函数差异及NDVI尺度效应后, MODIS影像的冬小麦作物长势遥感监测精度得到一定提高(R ²=0.4633)。对MODIS像元内GF-1 NDVI标准差排序发现, MODIS像元内冬小麦长势一致性越高, MODIS的长势遥感监测精度越高。GF-1和MODIS影像NDVI长势监测主要代表地面冬小麦综合茎数, 且卫星影像分辨率越高, NDVI值越能反映实际的作物长势。MODIS像元内冬小麦长势一致性越高, 基于NDVI的MODIS与GF-1数据冬小麦长势监测结果越一致。从区域长势监测角度来看, 尽管MODIS与GF-1数据的监测结果趋势较为一致, 并且通过光谱、尺度归一化能够进一步提高监测结果的一致性, 但MODIS NDVI长势监测总体精度较低, 为满足作物长势精细化监测的业务需要, 应逐步使用高分辨率的遥感数据替代中低分辨率遥感数据进行作物长势遥感监测, 并将其作为长势监测业务化运行的研究重点。