排序方式: 共有63条查询结果,搜索用时 15 毫秒
21.
为了探索准确、高效地估算冬小麦地上生物量(Dry aerial mass,DAM)的方法,获取了2013—2014年和2014—2015年2个生长季的冬小麦试验数据,采用植被指数反演叶面积指数(LAI),以遥感反演LAI作为遥感与SAFY(Simple algorithm for yield estimates)模型之间的耦合变量,利用主成分分析的复合型混合演化(Shuffled complex evolution with PCA,SP-UCI)算法优化出苗日期(D0)、有效光能利用率(ELUE)和衰老温度(STT) 3个敏感参数,对冬小麦全生育期进行动态生长模拟。结果表明,2014—2015年和2013—2014年冬小麦全生育期模型模拟地上生物量R~2、RMSE和NRMSE分别为0. 887、1. 001 t/hm~2、19. 41%和0. 856、1. 033 t/hm~2、19. 86%。研究表明,耦合高光谱遥感与SAFY作物生长模型能够准确地模拟冬小麦长势的动态变化,对冬小麦地上生物量估算精度较高,可为遥感监测冬小麦长势提供参考。 相似文献
22.
无人机影像光谱和纹理融合信息估算马铃薯叶片叶绿素含量 总被引:4,自引:8,他引:4
利用无人机平台搭载多光谱传感器在农业监测上已经有一些应用,但是利用无人机多光谱影像估算作物叶绿素含量的研究较少,特别是融合无人机多光谱影像光谱信息和纹理信息估算马铃薯叶绿素含量的研究更是罕见。基于此,该文利用2018年北京小汤山基地马铃薯各个典型生育期的无人机多光谱影像及实测的叶绿素含量数据,首先提取多光谱影像植被指数和纹理特征等变量,然后分析其与叶绿素含量相关性,筛选出较优特征变量,并开展基于调整R2和K折交叉验证的全子集分析估算马铃薯叶绿素含量。最后将植被指数与纹理特征通过主成分融合构建一种新的综合指标估算叶绿素含量。研究发现:1)多光谱植被指数和纹理特征估算叶绿素含量模型,K折交叉验证均优于调整R2;2)整个生育期,综合指标模型决定系数比植被指数模型、纹理特征模型均有提升,且标准均方根误差均降低。综合指标估算模型较优,多光谱植被指数模型次之,纹理特征模型较差。该研究可为马铃薯生长营养监测提供一种可行的方法,对马铃薯的栽培种植管理具有指导意义。 相似文献
23.
基于无人机遥感影像的玉米苗期株数信息提取 总被引:1,自引:5,他引:1
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。 相似文献
24.
基于无人机数码影像的玉米育种材料株高和LAI监测 总被引:3,自引:7,他引:3
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。 相似文献
25.
基于赤池信息量准则的冬小麦叶面积指数估算 总被引:2,自引:0,他引:2
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。 相似文献
26.
27.
基于随机森林算法的冬小麦生物量遥感估算模型对比 总被引:5,自引:8,他引:5
为了寻求高效的冬小麦生物量估算方法,该研究获取了2014年陕西省杨凌区拔节期、抽穗期和灌浆期的冬小麦生物量和对应的RADARSAT-2全极化雷达、GF1-WFV多光谱数据,并利用随机森林算法(random forest,RF)将光谱、雷达后向散射、光学植被指数和雷达植被指数结合进行冬小麦生物量回归建模。将相关系数分析(correlation coefficient, r)、袋外数据(out-of-bag data,OOB)重要性和灰色关联分析(grey relational analysis, GRA)与随机森林算法(RF)进行整合,构建了3种冬小麦生物量估算模型:r-RF、OOB-RF和GRA-RF,并分别利用3种估算模型对冬小麦生物量进行了估算。结果表明:r-RF、OOB-RF和GRA-RF3种模型分别采用3、4、10组数据时,验证决定系数分别为0.70、0.70和0.65,平均绝对误差分别为0.162、0.164和0.172 kg/m2,均方根误差分别为0.218、0.221和0.236 kg/m2,r-RF和OOB-RF比GRA-RF对冬小麦生物量有更好而的预测能力。研究结果证实了随机森林算法对冬小麦生物量进行遥感估算的潜力。 相似文献
28.
【目的】籽粒蛋白含量是衡量小麦品质优劣的重要标准,快速准确预测小麦GPC有利于其品质评价和分级管理。【方法】文章分别以卫星光谱参数、农学氮素参数以及气象因子为影响因素,并运用多元线性回归模型、极限学习机算法、地理加权回归模型3种方法实现对冬小麦GPC的预测,最终构建及评价基于不同自变量和不同方法的GPC预测模型。【结果】(1)小麦开花期氮素参数,小麦冠层光谱参数与小麦籽粒蛋白品质的关系显著相关,影响小麦籽粒蛋白品质的关键性气象因子包括5月26—30日降雨和、5月中旬至6月上旬日照和、3月上旬至6月上旬积温和;(2)以卫星光谱参数、农学氮素参数和气象因子为自变量,分别采用多元线性回归、极限学习机和地理加权回归3种方法构建小麦GPC的预测模型;其中,基于多元线性回归模型构建的GPC模型决定系数R~2为0.598,验证集标准均方根误差nRMSE和平均绝对误差MAE分别为10.36%、1.091,验证结果较稳定;基于ELM构建的GPC模型R~2为0.483,验证nRMSE和MAE分别为10.895、1.111;基于GWR的GPC模型建模精度及验证精度相对最优,其建模R~2为0.616,验证nRMSE及MAE分别为8.58%、0.956,为最优选择。【结论】综合分析模型的精度评价指标可知,考虑空间数据不稳定性构建的地理加权回归模型的预测精度最好,能更加准确地预测冬小麦籽粒蛋白含量,为精确反演冬小麦GPC区域间和年际间的预测提供可靠依据,具有广泛的应用前景。 相似文献
29.
基于EFAST和PLS的苹果叶片等效水厚度高光谱估算 总被引:2,自引:2,他引:0
叶片等效水厚度(EWT)是评估果树生长状况及产量的一个重要参数。为了快速、准确地估算此参数,该文建立苹果叶片EWT归一化近红外水分指数(NDIWI)和扩展傅里叶幅度灵敏度检测方法和偏最小二乘回归(EFAST-PLS)估算模型并验证。使用2012年和2013年在中国山东省肥城县潮泉镇获取的整个生育期苹果叶片EWT和配套的光谱数据,比较NDIWI和EFAST-PLS联合模型。在EFAST-PLS联合模型中,EFAST用来选择光谱敏感波段,PLS用来回归分析。NDIWI与EFAST-PLS模型的决定系数(R2)分别为0.2831和0.5628,标准均方根误差(NRMSE)分别为8.00%和6.25%。研究结果表明:EFAST-PLS模型估算苹果叶片EWT潜力巨大,考虑到应用简单,NDIWI也有可取之处。 相似文献
30.
基于AquaCrop模型的北京地区冬小麦水分利用效率 总被引:3,自引:0,他引:3
【目的】作物水分利用效率(water use efficiency,WUE)是农业水分管理与决策的重要指标。北京是严重缺水的城市,其主要种植作物冬小麦灌溉用水占比高,开展冬小麦产量水分利用效率的分析研究,可为北京地区的冬小麦节水灌溉与增产平衡提供决策信息支持。【方法】利用2011—2012、2012—2013和2013—2014年国家精准农业示范研究基地冬小麦不同生育期不同灌溉处理下的田间实测数据,对AquaCrop作物模型进行参数本地化。统计北京地区2004—2014年冬小麦生育期的日降雨量数据,利用Pearson-Ⅲ型分布划分了3种降雨年型:湿润年(2012—2013年生育期)、平水年(2009—2010年生育期)和干旱年(2005—2006年生育期)。应用AquaCrop研究分析了3种不同降雨年型、14种灌溉情景下冬小麦籽粒产量水平和产量水分利用效率特征变化。【结果】基于AquaCrop模型的产量模拟值和实测值的R 2、RMSE和d分别为0.99、0.3 t·hm~(-2)、0.99。模型模拟的冬小麦产量水分利用效率:2011—2012年正常灌溉条件下为1.72 kg·m~(-3),2012—2013年正常灌溉条件下为1.67 kg·m~(-3),2013—2014年雨养、正常灌溉和过量灌溉条件下分别为1.27、1.74和1.64 kg·m~(-3),正常灌溉条件下产量水分利用效率最高,其次是过量灌溉,雨养条件下产量水分利用效率最低。在此基础上应用AquaCrop模型模拟分析了3种不同降雨年型冬小麦籽粒产量和产量水分利用效率随灌溉量变化的响应特征,其中,湿润年产量水分利用效率和籽粒产量达到最大值时所需的灌溉量分别为35和50 mm;平水年达到最大值所需的灌溉量分别为35和40 mm;干旱年达到最大值所需的灌溉量均为65 mm。【结论】AquaCrop模型可以很好预测北京地区不同年份不同灌溉条件下冬小麦的籽粒产量和产量水分利用效率。冬小麦产量与产量水分利用效率均随着灌溉量的增加逐渐增大,至最大值后开始减小,在干旱的情况下,植物通过自身适应策略会提高水分利用效率,随着水分的增加,水分利用率将降低,因此3种不同年型的产量水分利用效率的大小顺序依次为干旱年、平水年和湿润年。因此,在制定冬小麦灌溉策略时,要做到产量和产量水分利用效率兼顾。以上研究结果表明,利用Aqua Crop模型可以为北京地区冬小麦田间灌溉和决策提供指导。关于降雨年型本研究仅对湿润年、平水年和干旱年3种年型在越冬期、返青期、拔节期、开花期和灌浆期不同灌溉量和籽粒产量和产量水分利用效率之间的关系进行模拟,对于不同时期不同灌溉量对籽粒产量和产量水分利用效率的影响没有考虑,需要进一步研究验证。 相似文献