基于无人机高光谱长势指标的冬小麦长势监测

本文以冬小麦为主要研究对象,获取其不同生育期的无人机高光谱影像,并根据其高光谱数据建立光谱指数,利用多元线性回归等分析方法建立冬小麦各种生育期的GMI反演模型,在无人机高光谱影像中应用最佳模型得到冬小麦最终的长势监测图,以期为相关人员提供参考。     

基于无人机多光谱影像的玉米含水量监测模型研究

本研究利用无人机低空遥感平台获取不同生育期玉米冠层多光谱和可见光图像,提取植被指数和纹理特征,分析不同植被指数和纹理特征在水分胁迫条件下对玉米的植株水分的敏感性特征,筛选出具有最高相关性的植被指数和纹理特征,利用线性回归法构建玉米含水量监测模型,以期为农田精准灌溉提供技术支撑。     

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EOS/MODIS资料的江西省水稻长势遥感监测

基于2010年的MODIS数据,进行江西省水稻长势遥感监测指标的研究,提取了4种植被指数作为遥感参数,即比值植被指数RVI、归一化植被指数NDVI、植被状态指数VCI和增强植被指数EVI,并利用植被指数进行叶面积指数LAI的反演,建立了植被指数VI-LAI模型。在VI-LAI模型中EVI、NDVI与LAI的相关性较好。利用LAI的预测值和地面实测数据进行精度的分析,结果显示EVI的三次方(Cubic)模型在各方面都优于其他植被指数和其他模型,因此选择EVI作为水稻的长势遥感监测指标。     

基于中巴资源卫星影像的农作物长势监测

以2007年聊城地区不同月份的中巴资源影像为数据源,根据小麦不同成长周期叶绿素含量的变化规律,对其长势进行了监测,得到了该地区农作物长势优劣等级图。     

基于遥感技术的水稻抽穗期长势分级监测研究

选择黑龙江省泰来县为试验样区,利用环境减灾卫星数据,结合遥感、地理信息系统和全球定位系统技术手段对水稻种植面积进行监测并分析水稻抽穗期的长势情况。利用地形图,对卫星影像数据进行精校正,结合GPS调查点建立的解译标志,采用人机交互目视解译方法进行水稻面积提取,解译精度在95%以上。最后,根据水稻抽穗期的植被覆盖指数反演的叶面积指数数据信息,进行水稻长势分析与分等定级,结果表明:泰来县水稻抽穗期长势分为3个等级。叶面积指数小于4.2的为水稻长势弱的地域,占水稻总面积的5.53%,在4.2～5.9的为长势正常区域,占水稻总面积的67.80%,大于5.9的为长势旺盛区域,占水稻总面积的26.67%。     

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...     

基于无人机多光谱数据的水稻LAI反演与应用

为比较和验证不同叶面积指数(LAI)机器学习模型迁移后的稳定性,以无人机获取的湖北鄂州与海南水稻田的多光谱影像数据为研究对象,使用8 种植被指数经验模型与3 种机器学习方法对鄂州试验田的水稻LAI进行反演,并推广至海南试验区。结果表明:1)非线性模型在鄂州试验数据的建模集测试中精确度较优,其中归一化红边差值(NDRE)非线性模型验证的变异系数(CV)=31.05%,但推广至海南试验区后精确度下降严重(验证集CV=74.90%),可移植性差;2)线性模型和机器学习模型在模型移植后表现出较优的稳定性,其中梯度提升回归(GBR)二波段模型在鄂州数据建模集CV=28.91%,在海南数据验证集CV=26.58%;3)增强植被指数(EVI2)线性拟合模型在鄂州数据建模集CV=33.78%,在海南数据验证集CV=27.90%。最后使用EVI2构建的经验模型,对各生育时期2 种不同水稻(珞优9348和丰两优4号)的LAI进行预测,结果表明在相同氮水平下,珞优9348表现为氮高效品种。     

基于无人机高光谱影像的水稻叶绿素含量反演

【目的】为实现快速无损地监测水稻叶绿素含量,采用大疆M600 Pro无人机搭载SENOP RIKOLA高光谱仪获取水稻分蘖期冠层高光谱影像。【方法】利用相关性分析筛选出光谱指数的特征波长,构建DSI、RSI、NDSI、MSR、OSAVI和RDVI 6种植被指数,并利用一阶光谱导数计算其红边面积和红边幅值,分析8种光谱参数参与水稻叶绿素含量之间的相关性分析。将这些光谱参数作为CatBoost回归模型的输入变量,分析8种光谱参数对水稻叶绿素含量的估算能力。【结果】基于红边参数的反演模型中红边幅值拟合效果最好,其R²为0.952 4,RSME为0.638 1;基于植被指数的反演模型中OSAVI指数拟合效果最好,其R²为0.941 6,RSME为0.588 5。2种模型均能有效预测水稻叶绿素含量信息,可以作为水稻叶绿素含量监测的依据。【结论】将无人机高光谱遥感影像与机器回归算法相结合,可以实现对水稻冠层叶绿素含量的精准预测,从而对水稻的生长和健康状况进行实时监测,进而实现对水稻的精准施肥和精准灌溉,对水稻的增产增收以及精准农业的发展具有重要意义。     

基于农业遥感技术的垦区水稻长势动态监测研究

文章研究目的是利用农业遥感技术对黑龙江垦区水稻长势监测研究,研究方法主要是先采集野外水稻生长指标数据,然后利用植被指数反演建模.探索出一个适合黑龙江垦区水稻长势动态监测路线方法.通过研究发现利用这个方法路线可以很好地对垦区的水稻长势进行动态监测,并收到很好的效果.     

基于无人机多光谱影像的春玉米田管理分区研究

为了提高大尺度农田管理的针对性,探寻低成本高效的分区方法,以黑龙江省典型黑土区30.8 hm²春玉米田为对象进行分区研究。基于吐丝期无人机多光谱影像,使用多尺度分割与模糊聚类相结合的方法进行分区,同时基于播种前的土壤养分（土壤有机质、速效氮磷钾）、土壤体积含水率、电导率、pH进行模糊聚类分区并作为对照,对分区间春玉米产量和土壤养分进行方差分析,并对分区内变异系数进行比较以评价分区效果。结果表明,基于无人机影像得到4个较优管理分区为M1、M2、M3、M4,各分区产量分别为7 597.53、8 236.35、8 686.98、9 119.93 kg·hm^-2,各分区间产量差异显著,其中M1、M2、M3间土壤养分差异显著（P<0.05）,分区内作物产量和土壤养分的变异系数降低;基于土壤数据确定4个分区,即S1、S2、S3、S4,春玉米产量分别为7 754.81、8 173.44、8 860.05、9 153.23 kg·hm^-2,分区间土壤养分、土壤水分差异显著（P<0.05）,分区内部土壤均一性提高。综合来看,2种方法的划分结果在空间分布上具有一定的相似性,同级分区的空间重合度分别为40.00%、46.51%、57.45%、59.38%,整体重合度为51.32%。当缺乏土壤数据时,无人机多光谱影像可为农田管理分区提供参考依据。     

基于模型和遥感的水稻长势监测研究进展

水稻生长模型是集气候、土壤、品种和栽培措施等因素为一体的对水稻的物候发育、光合生产、器官建成、同化物积累与分配以及产量与品质形成等生理过程及其与环境和技术因子关系综合量化的动态数学模型,具有机理性和预测性。遥感影像的信息波段及其组合可以反射作物生长的空间信息,可实现对水稻进行长势监测和估产,具有及时性和广域性。将二者结合用于长势监测不但具有理论研究意义,而且还具有重要的应用价值。在简要概述水稻生长模型和长势遥感监测研究进展的基础上,总结了水稻生长模型和长势遥感监测相结合下水稻长势监测应用的研究进展,并提出一些今后研究设想。     

多光谱无人机农业遥感应用

如今对多光谱的应用随着市场的需求变得越来越广.常见的多光谱无人机搭载着一个成像系统,里面包含着1个可见光摄像头以及5个多光谱的摄像头,如今的研究基本通过多光谱收集到多个波段,并将不同的光谱进行组合得到各种各样的植被指数,通过指数反映出植被的各种特征.研究探讨了多光谱在农业遥感中的应用,并且结合实例,介绍了多光谱无人机为...     

利用遥感技术监测水稻群体长势

利用TM影像信息结合地面试验数据,分析了水稻抽穗期叶面积指数、生物量以及植株氮素含量3个群体质量指标与植被指数之间的关系,建立了基于归一化植被指数(NDVI)、比值植被指数(RVI)的水稻群体质量指标监测模型.结果表明,NDVI与叶面积指数呈现显著的非线性正相关关系(r2=0.820 2),与植株氮素含量呈线性正相关关系(r2=0.636 4),RVI与地上部生物量呈线性正相关关系(r2=0.767 6).因此,在水稻抽穗期可以利用NDVI对叶面积指数和植株氮素含量进行监测,对地上部生物量的监测则以利用RVI数据较好.     

基于无人机多光谱影像的地物识别

【目的】利用2018年5和6月获取的无人机多光谱影像对北京市大兴试验基地的部分农田进行地物类型提取研究。【方法】确定感兴趣地物种类,对影像进行时相与光谱特征分析,然后确定归一化植被指数NDVI、归一化绿蓝差异指数NGBDI、修正型比值植被指数MSR和红边波段反射率可以作为最优分类特征,通过基于光谱变量阈值分割的决策树分类法,实现地物分类,并提取种植面积,选取基于目视解译的地面调查数据进行方法验证。【结果】基于时相与光谱特征的决策树分类方法有较好效果,该方法用于小麦、果树和大棚的提取,误差值分别为10.68%、6.06%和16.48%,面积提取误差在17%以内,对无人机多光谱遥感影像进行地物识别具有一定的适用性。【结论】无人机低成本、高效率的优势为农田信息及时获取提供参考。