排序方式: 共有63条查询结果,搜索用时 15 毫秒
41.
基于改进水云模型和Radarsat-2数据的农田土壤含水量估算 总被引:3,自引:2,他引:1
为了直接将雷达遥感中"水云模型"进行反演应用,该研究将"水云模型"中植被参数改为雷达植被指数,利用全极化数据直接支持遥感反演土壤含水量,无需遥感反演植被参数输入。改进模型为利用雷达遥感结合"水云模型"进行土壤含水量监测提供了一种高效便捷方法。基于Radarsat-2全极化数据对冬小麦覆盖的农田土壤含水量进行估算,利用2014年在陕西杨凌区获取的4个生育期内Radarsat-2卫星数据及同步田间测量108组冬小麦农田土壤含水量地面测量数据进行模型参数校正和精度验证。验证结果精度为:改进的雷达植被指数模型原叶面积指数模型(实测叶面积指数验证)原叶面积指数模型(光学遥感反演叶面积指数验证),且改进的雷达植被指数模型可以在多个生育期内对农田土壤含水量进行监测。 相似文献
42.
株高和植被覆盖度(Vegetation Coverage, VC)是估算生物量的重要参数,而生物量的准确估算对农业生产具有重要作用。该研究获取马铃薯现蕾期、块茎形成期、块茎增长期、淀粉积累期和成熟期的无人机和地面数码影像,并实测株高、地上生物量和地面控制点(Ground Control Point, GCP)的三维空间坐标。首先基于数字表面模型(Digital Surface Model, DSM)提取马铃薯株高,其次利用地面和无人机数码影像提取马铃薯VC实测值和估测值,然后将提取的株高、VC和二者乘积与选取的11种植被指数和生物量作相关性分析,挑选出相关性较好的前6种植被指数和3种农学参数,最后通过线性回归(Linear Regression,LR)、偏最小二乘回归(Partial Least Square Regression,PLSR)、随机森林(Random Forest,RF)算法和支持向量机(Support Vector Machine, SVM)估算生物量。结果表明,提取株高和实测株高拟合的决定系数为0.86,标准均方根误差为13.42%;提取VC值和实测VC值拟合的决定系数为0.84,标准均方根误差为15.76%;利用LR建模和验证精度由低到高依次为提取的株高、VC和二者乘积,每种变量的估算效果均从现蕾期到块茎增长期逐渐变好,从淀粉积累期到成熟期逐渐变差;每个生育期利用3种方法以不同变量估算生物量效果依次由低到高为植被指数、植被指数结合提取株高、植被指数结合提取VC、植被指数结合提取的株高和VC,其中PLSR模型效果优于RF和SVM模型。该研究为马铃薯长势快速监测提供参考。 相似文献
43.
融合无人机影像光谱与纹理特征的冬小麦氮营养指数估算 总被引:2,自引:0,他引:2
基于无人机数码影像,探讨融合光谱信息与纹理特征构建的"图-谱"指标对冬小麦氮营养指数的估算能力,为冬小麦氮素营养精准探测提供一种可靠的技术手段。利用无人机数码影像及相应的生物量和植株氮含量数据,分析了图像指数、纹理特征与氮营养指数的相关性,然后将图像指数与纹理特征相乘或相除融合形成"图-谱"融合指标,分析"图-谱"融合指标与氮营养指数的相关性,整合灰色关联度和方差膨胀因子,筛选对氮营养指数敏感的"图-谱"融合指标,最后用偏最小二乘法分析图像指数、纹理特征及"图-谱"融合指标估测氮营养指数的能力。结果表明:"图-谱"融合指标较图像指数、纹理特征与氮营养指数的相关性有了较大的提高,利用"图-谱"融合指标构建的氮营养指数模型估算精度(R~2=0.644 3)高于图像指数及纹理特征构建的氮营养指数模型(R~2分别为0.593 8及0.584 5),而且"图-谱"融合指标构建的模型验证结果均方根误差最小,为0.114 0。基于光谱信息和纹理特征融合的"图-谱"指标可以有效提高冬小麦氮营养指数的反演精度,为冬小麦氮素营养诊断反演提供了一种有效的思路。 相似文献
44.
45.
为及时准确高效监测小麦叶面积指数(leaf area index, LAI),获取了冬小麦挑旗期和开花期地面实测光谱与无人机高光谱遥感影像数据,并基于查找表建立PROSAIL辐射传输模型得到冬小麦冠层模拟光谱数据,利用数学统计回归模型与偏最小二乘回归法分别构建冬小麦LAI单变量、多变量预测模型,以实测LAI数据对预测结果进行精度评价,将最佳预测模型应用于无人机高光谱影像以分析LAI空间分布情况。结果表明,冬小麦各生育时期的预测模型均具有较高的预测精度,单变量预测模型和多变量预测模型的决定系数分别为0.598~0.717和0.577~0.755,其中以基于植被指数的多变量预测模型表现最优,其在开花期的验证精度最高,RMSE和MAPE分别为0.405和12.90%。在LAI空间分布图中,开花期预测效果优于挑旗期,各试验小区的LAI分布较为均匀。 相似文献
46.
基于可见光-近红外光谱特征参数的苹果叶片氮含量预测 总被引:3,自引:0,他引:3
苹果叶片氮素是反映苹果品质高低的营养元素之一。为了准确地估算苹果叶片全氮含量(LNC),从可见光-近红外区域的高光谱反射曲线中提取光谱特征参数,应用经验回归分析,实现了对苹果LNC的高光谱监测。研究表明,除了光谱特征曲线面积变量S_(△EFG)显著相关以及面积归一化植被指数(S_(△CDE)-S_(△FGH))/(S_(△CDE)+S_(△FGH))不相关外,其余光谱特征参数与苹果LNC都极显著相关,其中光谱特征曲线斜率K_(ge)、K_(gprv),光谱特征曲线面积S_(△ABC)、S_(△BCD),面积比值植被指数S_(△CDE)/S_(△ABC)、S_(△CDE)/S_(△BCD)、S_(△DEF)/S_(△ABC),面积归一化植被指数(S_(△CDE)-S_(△ABC))/(S_(△CDE)+S_(△ABC))、(S_(△CDE)-S_(△BCD))/(S_(△CDE)+S_(△BCD))和(S_(△DEF)-S_(△ABC))/(S_(△DEF)+S_(△ABC))可以较好地描述LNC的动态变化,这些特征参数对苹果LNC进行估算是可行的。通过检验,最终确定基于S_(△CDE)/S_(△ABC)、(S_(△CDE)-S_(△ABC))/(S_(△CDE)+S_(△ABC))和(S_(△DEF)-S_(△ABC))/(S_(△DEF)+S_(△ABC))所构建的模型为预测苹果LNC的理想模型。 相似文献
47.
基于无人机遥感影像的大豆叶面积指数反演研究 总被引:16,自引:0,他引:16
作物叶面积指数的遥感反演是农业定量遥感研究热点之一,利用无人机遥感监测系统获取农作物光谱信息精确反演叶面积指数对精准农业生产与管理意义重大。本研究以山东省嘉祥县一带的大豆种植区为试验区,设计以多旋翼无人机为平台同步搭载Canon Power Shot G16数码相机和ADC-Lite多光谱传感器组成的无人机农情监测系统开展试验,分别获取大豆结荚期和鼓粒期的遥感影像。使用比值植被指数(RVI)、归一化植被指数(NDVI)、土壤调整植被指数(SAVI)、差值植被指数(DVI)、三角植被指数(TVI)5种植被指数,结合田间同步实测叶面积指数(leaf area index,LAI)数据,采用经验模型法分别构建了单变量和多变量LAI反演模型,通过决定系数(R2)、均方根误差(RMSE)和估测精度(EA)3个指标筛选出最佳模型。研究表明,有选择性地分时期进行农作物的叶面积指数反演是必要的,鼓粒期作为2个生育期中大豆LAI反演的最佳时期,其NDVI线性回归模型对大豆LAI的解释能力最强,R2=0.829,RMSE=0.301,反演大豆LAI最准确,EA=85.4%,生成的鼓粒期大豆LAI分布图反映了当地当时大豆真实长势情况。因此,以多旋翼无人机为平台同步搭载高清数码相机和多光谱传感器组成的无人机农情监测系统对研究大豆叶面积指数反演是可行性,可作为指导精准农业研究的一种新方法。 相似文献
48.
已有研究发现,植物的最大净光合速率(A_(max))决定了其潜在的光合能力。以冬小麦为研究对象,以2017年、2018年4-6月获取的拔节期、挑旗期、开花期和灌浆期4个重要生育期的不同叶位叶片的原始光谱(350~1 350 nm)与气体交换数据为基础,旨在建立基于连续小波变换的冬小麦叶片最大净光合速率估算模型。结果表明,基于连续小波变换方法估算的模型,2017年、2018年的建模决定系数(R~2)分别为0.62、0.77,验证R~2分别为0.65、0.77,其估算模型的精度远高于基于植被指数建立的模型。通过对比分析几种植被指数与高光谱数据对最大净光合速率的估算结果发现,植被指数对小麦叶片A_(max)的解释能力较低,无法对光合能力作出正确且精确的估算。基于连续小波变换方法对冬小麦叶片A_(max)的估算精度较高,可以作为预估冬小麦生长状况、产量的依据。 相似文献
49.
基于特征光谱参数的苹果叶片叶绿素含量估算 总被引:1,自引:4,他引:1
果树叶绿素含量的快速、无损、准确监测,可以及时掌握果树的营养水平,对指导果树管理具有重要意义。该文利用2012年和2013年山东省肥城市潮泉镇下寨村的苹果叶片叶绿素含量和叶片光谱数据,分析了叶绿素含量和苹果叶片原始光谱及其变换形式之间的相关性,筛选出较优光谱参数,并利用随机森林法、偏最小二乘法、BP神经网络和支持向量机回归法进行估算和验证。结果表明:1)叶绿素含量与叶片原始光谱及其变换形式之间的最优光谱参数分别为554和708 nm的原始光谱反射率,554和708 nm倒数之对数光谱,535、569、700和749 nm一阶微分光谱以及557和708 nm连续统去除光谱;2)随机森林、偏最小二乘法、BP神经网络和支持向量机估算模型的R2分别为0.94,0.61,0.66和0.60,RMSE分别为0.34,0.78,0.75和0.81 mg/dm2。说明随机森林算法模型用于估算苹果叶片叶绿素含量效果较好,为及时了解果树养分状况及果树营养诊断提供技术支持。 相似文献
50.
基于无人机数码影像的大豆育种材料叶面积指数估测 总被引:6,自引:0,他引:6
利用低成本的无人机(Unmanned aerial vehicle,UAV)高清数码影像获取系统,于2016年7—9月在山东省济宁市嘉祥县圣丰大豆育种基地,获取大豆育种材料试验区的R1-R2、R3、R5-R6共3个关键生育期的高清数码影像,首先利用高清数码影像中的黑白定标布,对数码影像的DN(Digital number,DN)值进行归一化标定,并构建标定的18个数码影像变量,然后基于900个育种小区的叶面积指数实测数据构建大豆育种材料叶面积指数的一元线性回归、逐步回归、全子集回归、偏最小二乘回归、支持向量机回归和随机森林回归模型,最后基于模型建立和验证的决定系数(R~2)、均方根误差(RMSE)和归一化的均方根误差(nRMSE)3个指标,筛选估测叶面积指数的最佳模型。研究表明,全子集回归模型中采用4个数码影像变量B、RGBVI、GLA和B/(R+G+B)的多元线性回归模型对大豆育种材料叶面积指数的解析精度最优,模型建立的R~2、RMSE和nRMSE分别为0.69、0.99和17.90%,验证模型的R~2、RMSE和nRMSE分别为0.68、1.00和18.10%。结果表明,以无人机为遥感平台,搭载低成本的高清数码相机,利用高清数码影像进行大豆育种材料LAI估测是可行的,可以快速、有效、无损地获取大豆育种材料的长势信息,为筛选高产大豆品种提供一种低成本的可行方法。 相似文献