基于无人机多光谱的耐旱苎麻品种筛选方法

高温干旱是影响作物生长及最终生产力的主要胁迫源。当前,无人机遥感技术已在作物倒伏和病虫害的分级监测研究中取得重大进展,但有关利用无人机遥感进行作物抗旱等级监测的研究却鲜有报道。因此,以苎麻种质资源为研究对象,提出了苎麻抗旱性量化标准,并提供了一种利用无人机多光谱遥感鉴定苎麻种质资源抗旱性的方法。首先,由专家对36份苎麻种质资源进行抗旱性分级;然后,结合无人机多光谱遥感获取的植被指数,采用随机森林(Random forest, RF)、支持向量机(Support vector machine, SVM)、决策树(Decision tree, DT)3种机器学习方法分别构建苎麻抗旱性鉴定模型,并通过苎麻在高温干旱胁迫下的表型响应检验鉴定结果;最后,基于无人机获取的遥感表型,筛选高温干旱胁迫下优质苎麻种质资源。结果表明,利用SVM构建的苎麻抗旱性鉴定模型正确率达到0.74,不同抗旱级分类F1得分范围为0.69～0.79,说明该方法能用于苎麻种质资源抗旱性评估。利用无人机遥感数据反演得到的3项苎麻表型性状(叶绿素相对含量、叶面积指数、株高)均与人工测量值具有较强的相关性,在此基础上,研究从高温...     

基于无人机航拍的苎麻倒伏信息解译研究

茎杆倒伏是苎麻三麻培育中最常见的灾害,传统的监测方法具有耗时耗力、不及时等局限性。提出了一种基于无人机航拍获取苎麻倒伏信息的方法,首先利用Pix4D Mapper软件生成苎麻的冠层正射影像和数字表面模型(digital surface model,DSM),基于正射影像提取苎麻光谱、纹理及形状特征,基于DSM提取苎麻株高指标,最后结合3种机器学习算法构建正常/倒伏苎麻分类模型。结果表明,基于DSM提取的株高信息可以有效代替大田实测株高,模型R²为0.899。倒伏和正常苎麻在光谱、纹理、形状及株高特征上具有差异。在3种机器学习算法中,支持向量机和决策树模型的性能最好,准确率达到99%,能够高效地识别苎麻倒伏地块。以上研究结果为准确、快速评估作物倒伏情况提供了技术支撑。     

基于无人机多光谱遥感和机器学习的苎麻理化性状估测

苎麻生理生化性状是其遗传基础和环境条件综合影响的结果,能够反映特定胁迫环境下苎麻的生长发育状况。无人机遥感技术为大规模田间作物长势监测提供了有效手段,利用无人机搭载多光谱相机对苎麻理化性状进行综合评价具有实际意义。因此,以苎麻种质资源为研究对象,采用无人机多光谱遥感获取苎麻冠层的光谱参数和纹理参数,运用相关性分析法(Pearson correlation analysis, PCA)、递归特征消除法(Recursive feature elimination, RFE)2种最优特征筛选方法和线性回归(Linear regression, LR)、决策树(Decision tree, DT)、随机森林回归(Random forest, RF)、支持向量机(Support vector machines, SVM)、偏最小二乘回归分析(Partial least squares regression analysis, PLSR)5种机器学习算法分别构建了苎麻叶绿素相对含量(SPAD值)、叶面积指数(Leaf area index, LAI)和叶片相对含水量(Relative water ...     

高通量表型技术在作物干旱胁迫中的应用研究进展

干旱胁迫是限制作物生长的重要因素之一。在全球气候变暖的大环境下,干旱造成大量作物产量损失,使得世界范围内粮食安全受到威胁。为应对这一问题,必须实现生产过程中作物水分含量的实时监测,以指导合理灌溉。同时有必要加快选育耐旱、抗旱的作物品种,以保证干旱胁迫下农业的可持续稳定发展。近年来,借助遥感技术、光谱技术、机器学习技术的集成能力,基于高通量表型技术的作物生长监测研究取得极大进展,为干旱胁迫下,大规模作物水分含量快速、无损、精确研究提供可能。高通量表型技术在作物干旱胁迫中的应用有助于指导精准灌溉,提高作物水分利用效率,并帮助育种学家快速筛选耐旱作物品种,辅助优质作物改良。系统阐述了高通量表型技术的原理以及其在作物干旱胁迫中的应用进展,以期为相关研究提供参考。