基于无人机倾斜摄影的黄土滑坡调查与危险性评价

[目的]利用机动灵活的小型旋翼无人机对单体滑坡进行倾斜摄影测量,旨在探索一种能够满足复杂地形条件下黄土区地质灾害调查和评估需求的方法。[方法]以陕西省延安市赵家岸滑坡为例,利用无人机倾斜摄影测量技术获取了多视角、高重叠率、高分辨率滑坡影像,生成了数字高程模型(DEM)、数字正射影像图(DOM)和实景三维模型,获得了滑坡体空间几何数据,并结合层次分析和危险度计算方法评价了赵家岸滑坡的危险性。[结果](1)通过解译高分辨率的DEM,DOM和多层次的实景三维模型,可以提取滑坡的精细地形和微地貌特征,提高了地质灾害解译的准确度,有效降低了人工现场调查的劳动强度、时间成本和作业风险;(2)赵家岸滑坡的危险度值R为0.635,为较高危险性斜坡,需要加强滑坡的专业监测工作。[结论]以无人机倾斜摄影测量技术为基础的滑坡调查与危险性评价方法,尤其适合谷坡陡峭、河谷深切、植被稀疏的黄土区滑坡调查。该技术可为黄土区单体滑坡灾害的危险性评价提供一种新的研究方法。     

基于细粒度校正的育种小区小麦株高无人机测量方法

在小麦育种田间试验中,小区群体株高是最受关注的重要农艺性状之一。针对当前无人机遥感在小麦育种小区粒度下获取株高表型精确度低的问题,提出了两种方法：基于人工测量真值的近邻校正法(Nearest neighbor correction method, NNCM)和基于多光谱+RGB数据融合的光谱指数校正法(Spectral indices correction method, SICM),近邻校正法通过获取小区群体高程信息、结合地埂进行高程校正、再依据近邻真值滑动校正得到小区精确株高;光谱指数校正法通过计算植被指数并进行指数优选,从而构建株高-植被指数精确反演模型。试验结果表明,在具有地面真值的6个时期,传统无人机作物株高测量方法的相对均方根误差(Relative root mean square error, RMSE100)分别为11.15%、59.44%、11.76%、12.31%、8.05%、59.76%;NNCM的RMSE100分别为7.17%、8.18%、5.70%、5.62%、5.65%、7.74%;SICM的RMSE100分别为7.33%、8.17%、6.05%、6.15%...     

基于英语语言数据库的无人机农田信息获取技术应用

无人机作为一种新型的农业机械在农业生产过程中发挥着越来越重要的作用,有力地促进了现代化农业的发展.为了准确获取农田的信息,将无人机应用到了农田信息采集系统的设计上,基于图像融合处理技术,提高了图像信息的清晰度,避免了因图像曝光而造成的信息缺失,并基于英语语言数据库提高了信息图像拼接的准确性.以农田信息的获取为例,通过划...     

植保无人机喷施对玉米田土壤处理除草剂的减量效应

在陇东旱塬条件下,以40%乙·莠SE为指示除草剂,测定了植保无人机喷施对玉米田土壤处理除草剂的减量效应。结果表明:通过植保无人机喷施,40%乙·莠SE的控草效果随施药量的减少呈逐渐降低的趋势,玉米果穗有效长度、果穗粗、穗粒数、百粒重、产量及纯收益均随施药量的减少呈先增后降的态势,当施用量降至2 400 mL/hm~2,即较推荐用量(4 500 mL/hm~2)减少用药46.67%时,对藜、狗尾草和总草的株防效仍分别高达93.31%、65.51%和86.40%,鲜重防效分别高达99.12%、78.61%和93.44%;对玉米穗部性状、产量及纯收益的影响程度亦降至较低或最低,其产量较人工除草和背负式喷雾器以药剂常用量喷施分别减产0.17%和增产5.61%,其纯收益较人工除草和背负式喷雾器以药剂常用量喷施分别增加652.08元/hm~2和1 076.85元/hm~2。可见,植保无人机喷施对玉米田土壤处理除草剂的减量效应显著,具有大面积推广应用的价值。     

基于U-Net和分水岭算法的无人机单木树冠提取方法

高分辨率无人机遥感影像单木树冠参数信息提取方法是森林资源精准监测和生态功能评估的重要基础,而自然光照条件下粘连和遮挡单木树冠的准确分割是直接决定单木树冠信息提取精度的关键。针对自然光照条件下山地森林无人机遥感影像中单木树冠相互粘连、遮挡难以分割,以及传统算法泛化能力弱等问题。本研究结合深度学习和标记控制分水岭算法的优点,提出了一种基于U-Net和标记控制分水岭（marker-controlled watershed,MCW）算法（简称U-Net+MCW算法）的山地森林单木树冠提取方法。以新疆山地森林优势树种天山云杉(Picea schrenkiana var.tianschanica)为研究对象,在南山实习林场采集积雪背景下无人机遥感影像作为试验数据,构建了基于深度神经网络U-Net和标记控制分水岭算法的单木树冠提取模型。首先,从无人机遥感影像中选取1 000张训练样本,128张测试样本,并对样本进行标注,通过数据增强将1 000张训练样本扩增为16 000张,按照4∶1分为训练集和验证集,对U-Net模型进行训练,在训练过程中赋予2个或多个树冠间的相邻边界像素较大权重。然后,利用训练好的U-Net模型对测试集样本进行单木树冠提取。最后,在深度神经网络U-Net单木树冠提取的基础上,采用MCW算法对提取结果进行优化,并对单木树冠提取效果进行精度评估。结果表明,U-Net+MCW算法对于单木尺度的F测度为74.04%,比单一使用U-Net模型提高了28.52%,以该方法提取遥感影像中的天山云杉树冠信息为基础,计算其单木树冠面积和冠幅的精度分别为81.05%和89.94%。因此,U-Net+MCW算法能够有效解决自然光照条件下,由于原始图像背景复杂且树冠内部亮度变化不均匀和树冠间粘连、遮挡等因素,导致的单个树冠内、树冠聚集处或连接重叠区域出现的树冠错分割、过分割、合并等问题,是一种低成本、高效率的单木树冠提取方法,能够满足中小尺度山地森林资源调查和监测要求。     

无人机遥感技术在精量灌溉中应用的研究进展

以提高农业用水效率为目标的精量灌溉是未来农业灌溉的主要模式,精量灌溉的前提条件是对作物缺水的精准诊断和科学的灌溉决策。用于作物缺水诊断和灌溉决策定量指标的信息获取技术主要基于田间定点监测、地面车载移动监测及卫星遥感。无人机从根本上解决了卫星遥感由于时空分辨率低而导致的瞬时拓延、空间尺度转换、遥感参数与模型参数定量对应等技术难题,也克服了地面监测效率低、成本高、影响田间作业等问题。近几年的研究结果表明,无人机遥感系统可以高通量地获取多个地块的高时空分辨率图像,使精准分析农业气象条件、土壤条件、作物表型等参数的空间变异性及其相互关系成为可能,为大面积农田范围内快速感知作物缺水空间变异性提供了新手段,在精量灌溉技术应用中具有明显的优势和广阔的前景。无人机遥感系统已经应用在作物覆盖度、株高、倒伏面积、生物量、叶面积指数、冠层温度等农情信息的监测方面,但在作物缺水诊断和灌溉决策定量指标监测方面的研究才刚刚起步,目前主要集中在作物水分胁迫指数(CWSI)、作物系数、冠层结构相关指数、土壤含水率、叶黄素相关指数(PRI)等参数估算的研究,有些指标已经成功应用于监测多种作物的水分胁迫状况,但对于大多数作物和指标,模型的普适性还有待进一步研究。给出了无人机遥感在精准灌溉技术中应用的技术体系,并指出,为满足不同尺度的高效率监测和实现农业用水精准动态管理的需求,今后无人机遥感需要结合卫星遥感和地面监测系统,其中天空地一体化农业水信息监测网络优化布局方法与智能组网技术、多源信息时空融合与同化技术、作物缺水多指标综合诊断模型、农业灌溉大数据等将是未来重点研究内容。     

基于无人机光谱遥感的田块尺度蒸散发空间分布估算

针对农田中高分辨率空间模式蒸散量(ET)缺少有效量化的问题,提出一种基于无人机(UAV)估算农田蒸散量的方法。构建了M100型多旋翼无人机搭载FLIR Vue ProR热像仪和Micasense Red Edge多光谱成像仪的采集数据平台;将无人机数据匹配卫星遥感蒸散模型,比较典型单层模型METRIC(Mapping evapotranspiration at high resolution with internalized calibration)模型和典型双层模型RSEB(Remote sensing energy balance)模型在农田中的适用程度;针对RSEB模型的土壤热通量计算方式不适用于农田环境的问题,对模型进行基于多光谱数据的改进;针对模型中温度参数易产生较大误差的问题,基于无人机热像仪数据与实际温度间的关系,对获取的热像仪数据进行校正;将模型计算值与涡度相关系统(OPEC)测量值进行对比。结果表明,结合无人机多光谱数据的RSEB模型经过温度校正可得到结果较为准确的通量数据,显热通量均方根误差为20. 013 W/m~2,平均绝对误差为15. 835 W/m~2,潜热通量均方根误差为40. 202 W/m~2,平均绝对误差为26. 017 W/m~2,进而得到分米级分辨率的农田蒸散量空间分布图。本文估算方法可以有效获取高分辨率空间模式的田间蒸散量,为精准农业灌溉提供技术支持。     

基于多时相无人机遥感植被指数的夏玉米产量估算

为建立夏玉米无人机遥感估产模型,正确评价规模化农业经营管理和用水效率,以内蒙古自治区规模化种植的夏玉米为研究对象,设置了5个不同水分处理的实验区域,每个实验区域布置了3个样区,利用自主研发的多旋翼无人机多光谱遥感平台,对夏玉米进行多时相的遥感监测。采用牛顿-梯形积分和最小二乘法,构建了基于多种植被指数和多种生育期对应的夏玉米实测产量的6种线性模型,并采用阈值滤波法减少土壤噪声对模型精度的影响。结果显示,不同生育期的玉米估产模型精度存在显著差异。单一生育期中,精度由高到低依次为:抽雄期、吐丝期、蜡熟期、拔节期,最优植被指数为EVI2(决定系数R^2=0.72,均方根误差RMSE为485.46 kg/hm^2);多生育期的最优植被指数为GNDVI(R^2=0.89,RMSE为299.35 kg/hm^2)。经过土壤滤波后,拔节期和多生育期的R^2提升显著,其中基于植被指数GNDVI、MASVI2、EVI2的多生育期估产模型的决定系数R2提升到0.87以上。多生育期的无人机遥感估产优于单生育期,最优估产植被指数为GNDVI,阈值滤波法可以有效提升估产精度,优化后基于植被指数的无人机遥感估产模型可以快速有效诊断和评估作物长势和产量。     

基于改进的Faster R-CNN模型的树冠提取研究

树冠信息是森林资源调查中的重要内容。传统的树冠冠幅测量方法为实地调查,该方法测量结果在特定的地形和森林环境中误差较大,且人力消耗大、操作繁琐、耗时长。无人机影像技术和深度学习的发展为树冠测量提供了新的方法和实现思路。利用无人机获取了临安东部青山湖绿道两块纯水杉林样地的正射影像图,通过改进目前先进的目标检测方法Faster R-CNN进行树冠的识别和冠幅的提取。基于改进的Faster R-CNN模型准确率和决定系数达到了92.92%和0.84,分别比改进前的模型提高了5.31%和0.12。这说明了无人机和目标检测技术识别树冠的可行性,这一方法和传统的调查方法相比,具有高效、便捷和低成本的优势。