基于冠层光谱和覆盖度的马铃薯叶片钾含量估算方法

叶片钾含量(Leaf potassium content, LKC)是表征作物钾素营养状况的重要指标,高效准确地获取马铃薯LKC有助于精准农业施肥管理。本研究旨在通过结合马铃薯关键生育期RGB影像提取的植被指数(VIs)和植被覆盖度(FVC),提高马铃薯关键生育期LKC估算的准确性。首先从马铃薯块茎形成期(S1)、块茎增长期(S2)和淀粉积累期(S3)的RGB影像中提取VIs和FVC,然后分别分析每个生育期VIs和FVC与马铃薯LKC的相关性,最后利用支持向量机(Support vector machine, SVM)、Lasso回归(Least absolute shrinkage and selection operator, Lasso)和岭回归构建马铃薯LKC的估算模型。结果表明：基于RGB影像提取的马铃薯FVC精度较高,且前两个生育期高于第3个生育期;利用VIs估算马铃薯LKC是可行的,但精度有待进一步提高;VIs结合FVC可以提高马铃薯LKC的估算精度。本研究可为作物生长和钾素营养状况监测提供技术参考。     

基于综合指标的冬小麦长势监测

通过单个指标检测冬小麦长势的方法很多,但是根据综合多个单个指标分析冬小麦长势的方法相对较少。利用信息熵将多个单个指标计算得到综合指标,进而分析冬小麦长势。通过偏最小二乘回归反演冬小麦氮素含量、叶绿素含量和水分含量,计算3个指标的权重,计算出综合长势指标监测冬小麦长势。研究结果表明,冬小麦冠层叶片氮素、叶绿素、水分反演的r~2分别为0.72、0.31、0.61,RMSE分别为0.506、1.303、10.320,NRMSE分别为13%、33%、17%,综合指标的r~2、RMSE、NRMSE分别为0.75、0.053、8%。结果表明,基于光谱指数冬小麦对冠层叶片氮素和水分反演精度较高,叶绿素反演精度较低,综合指标的反演精度最高。     

基于赤池信息量准则的冬小麦叶面积指数估算

冬小麦叶面积指数(LAI)是重要的农学参数之一,对冬小麦长势分析、产量预测具有重要意义。使用2008/2009年在中国北京市通州区和顺义区获取的整个生育期冬小麦叶面积指数和对应的光谱数据,将相关系数(|r|)-赤池信息量准则(AIC)、灰色关联分析(GRA)-AIC、变量投影重要性(VIP)-AIC、VIP-预测残差平方和(PRESS)系数分别与偏最小二乘法(PLS)进行整合,提出利用AIC择优构建冬小麦LAI估算模型,并与传统PRESS方法构建的冬小麦LAI模型进行比较。结果表明:|r|-PLS-AIC、GRA-PLS-AIC、VIP-PLS-AIC、VIP-PLS-PRESS建模的R2分别为0.72、0.67、0.73和0.70,VIP-PLS-AIC比|r|-PLS-AIC、GRA-PLS-AIC和VIP-PLS-PRESS有更好的冬小麦LAI预测能力。考虑到冬小麦LAI的时域特性,将2009/2010年相关数据引入模型中,评价模型对不同年际的冬小麦估测能力。研究表明VIP-PLS-AIC(RMSE为0.81)较|r|-PLS-AIC(RMSE为0.87)、GRA-PLS-AIC(RMSE为0.96)和VIPPLS-PRESS(RMSE为0.83)有更高的精度。将AIC作为冬小麦LAI最优估测模型筛选条件不仅能获得同年LAI的最优估算模型,而且适用于不同年际的冬小麦LAI探测研究。     

农用无人机多传感器遥感辅助小麦育种信息获取

为实现小麦育种过程中大规模育种材料表型信息快速高通量获取,该文分别从无人机平台优选、农情信息采集传感器集成及数据处理与解析等方面开展研究,研发了一套农业多载荷无人机遥感辅助小麦育种信息获取系统。该系统基于多旋翼无人机平台,并集成高清数码相机、多光谱仪、热像仪等多载荷传感器,提出了无地面控制点条件下的无人机遥感数据几何精校正模型,实现多载荷遥感数据几何校正。该系统操控简便,适合农田复杂环境条件作业,能够高通量获取作物倒伏面积、叶面积指数、产量及冠层温度等育种关键表型参量,为研究小麦育种基因型与表型关联规律提供辅助支持。     

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。     

基于互补相关模型和IKONOS数据的农田蒸散时空特征分析

获取田块内高分辨率农田实际蒸散信息对于精准农业中制定灌溉计划、变量处方实施及评价水分利用效率等具有重要参考价值,将传统方法与遥感结合并生成精细田块尺度的农田蒸散成为当前研究热点方向。本文基于互补相关模型和北京2011年3－6月份间内气象观测数据进行了冬小麦实际蒸散估算,并利用大型蒸渗仪对结果进行了验证和分析。最后将互补相关模型与高空间分辨率遥感数据结合实现了田块尺度农田瞬时蒸散估算,并结合蒸发比率不变法实现了日尺度蒸散扩展。结果表明：在2011年3－6月间试验区内冬小麦总耗水量达到469.12 mm,其中在灌浆期5月份耗水比重最大,占到总量近二分之一;互补相关模型估算精度整体较高,其中在5月份估算精度最高（R2=0.863,RMSE=0.103 mm）;扩展后的日尺度蒸散量与实测结果非常一致（R2=0.937,RMSE=0.668 mm）。上述结果表明在没有土壤温、湿度数据及高分辨率热红外遥感数据条件下,仅利用互补相关模型,并结合气象观测数据和高分辨率遥感数据即可估算出精细尺度农田蒸散。     

基于赤池信息准则的冬小麦植株氮含量高光谱估算

为了快速、准确地测定冬小麦植株氮含量,利用2014?2015年的冬小麦冠层反射光谱数据构建了16种氮素或叶绿素敏感光谱指数,基于变量投影重要性(variable importance projection,VIP)-偏最小二乘(partial least squares,PLS)-赤池信息准则(Akaike’s information criterion,AIC)整合模型构建了不同生育期植株氮含量最佳回归模型,并用2012?2013年挑旗期数据对模型进行了验证。结果表明:在AIC下,拔节期以4个植被指数为自变量的模型最优;挑旗期以5个植被指数为自变量的模型最优;开花期以4个植被指数为自变量的模型最优;灌浆期以6个植被指数为自变量的模型最优。4个生育期建模的决定系数(R2)和均方根误差(RMSE)分别为0.71、0.86、0.75、0.46和0.23%、0.13%、0.12%、0.15%,以挑旗期决定系数为最大。挑旗期验证集的R2和RMSE分别为0.81和0.41%,预测模型和验证模型均具有较高的估算精度和可靠性,研究结果为选择小麦合适的生育期估算小麦植株氮营养状况提供参考。     

基于无人机遥感影像的玉米苗期株数信息提取

准确、快速地获取玉米苗期株数对于育种早期决策起着至关重要的作用。该文利用2017年6月于北京市小汤山镇采集的无人机影像,首先对比分析RGB、HSV、YCbCr及L*A*B 4种色彩空间,变换优选HSV颜色模型对无人机影像前景(作物)与后景(土壤背景)进行分割,得到分类二值图。然后利用骨架提取算法及多次去毛刺处理等数学形态学流程提取玉米苗形态,得到高精度作物形态骨架,结合影像尺度变换剔除噪声影像,将影像分为多叶、少叶2类,经Harris、Moravec和Fast角点检测识别结果对比,Harris角点检测算法可以较好地提取玉米苗期影像的株数信息。结果表明,少叶类型识别率达到96.3%,多叶类型识别率达到99%,总体识别率为97.8%,将目前传统影像识别精度提高了约3%。同时在多个植株叶片交叉重叠覆盖的情况下,该文的研究方法有良好的适用性。通过无人机影像提取玉米苗期作物准确数目是可行的。该文采用了数学形态学的原理,通过HSV色彩空间变换得到的二值图,从无人机影像中识别提取玉米苗期形态信息,利用影像尺度缩放变换去除噪点,优化骨架识别算法使得识别精度大大提高,最后采用角点检测从无人机影像中直接读取玉米材料小区内的具体数目,该方法节省了人力物力,为田间大面积测定出苗率及最终估产提供了参考。     

基于无人机数码影像的玉米育种材料株高和LAI监测

快速、无损和高通量地获取田间株高(height,H)和叶面积指数(leaf area index,LAI)表型信息,对玉米育种材料的长势监测及产量预测具有重要的意义。基于无人机(unmanned aerial vehicle,UAV)遥感平台搭载高清数码相机构建低成本的遥感数据获取系统,于2017年5—9月在北京市昌平区小汤山镇国家精准农业研究示范基地的玉米育种材料试验田,获取试验田苗期、拔节期、喇叭口期和抽雄吐丝期的高清数码影像和地面实测的H、LAI和地面控制点(ground control point,GCP)的三维空间坐标。首先,基于高清数码影像结合GCP生成试验田的数字表面模型(digital surface model,DSM)和高清数码正射影像(digital orthophoto map,DOM);然后,基于DSM和DOM分别提取玉米育种材料的H和数码影像变量,其中将DOM的红、绿和蓝通道的DN(digital number)值分别定义为R、G和B,进行归一化后得到数码影像变量,分别定义为r、g和b;最后,基于实测H对DSM提取的H进行了精度验证,并用逐步回归分析方法进行了LAI的估测。结果表明,实测H和DSM提取的H高度拟合(R~2、RMSE和n RMSE分别为0.93,28.69 cm和17.90%);仅用数码影像变量估测LAI,得到最优的估测变量为r和r/b,其估算模型和验证模型的R~2、RMSE和n RMSE分别为0.63,0.40,26.47%和0.68,0.38,25.51%;将H与数码影像变量进行融合估测LAI,得到最优的估测变量为H、g和g/b,其估算模型和验证模型的R~2、RMSE和n RMSE分别为0.69,0.37,24.34%和0.73,0.35,23.49%。研究表明,基于无人机高清数码影像结合GCP生成DSM,提取玉米育种材料的H,精度较高;将H与数码影像变量进行融合估测LAI,与仅用数码影像变量相比,估测模型和验证模型的精度明显提高。该研究可为玉米育种材料的田间表型信息监测提供参考。     

基于无人机数码影像和高光谱数据的冬小麦产量估算对比

作物产量准确估算在农业生产中具有重要意义。该文利用无人机获取冬小麦挑旗期、开花期和灌浆期数码影像和高光谱数据,并实测产量。首先利用无人机数码影像和高光谱数据分别提取数码影像指数和光谱参数,然后将数码影像指数和光谱参数与冬小麦产量作相关性分析,挑选出相关性较好的9个指数和参数,最后以选取的数码影像指数和光谱参数为建模因子,通过MLR(multiple linear regression,MLR)和RF(random forest,RF)对产量进行估算。结果表明:数码影像指数和光谱参数与实测产量均有很强的相关性。利用数码影像指数和光谱参数通过MLR和RF构建的产量估算模型均在灌浆期表现精度最高,在灌浆期,数码影像指数和光谱参数构建的MLR模型R~2和NRMSE分别为0.71、12.79%,0.77、10.32%。对模型对比分析可知,以光谱参数为因子的MLR模型精度较高,更适合用于估算冬小麦产量。利用无人机遥感数据,通过光谱参数建立的MLR模型能够快速、方便地对作物进行产量预测,并可以根据不同生育期的产量估算模型有效地对作物进行监测。