不同农机驾驶方式对玉米播种出苗率的影响——基于无人机多光谱影像的测算

为验证无人驾驶、辅助驾驶和人工驾驶对玉米播种出苗率的影响,以鲜食玉米为试验作物,划分区域进行无人驾驶、辅助驾驶、人工驾驶播种,在保障土壤条件和管理方式基本一致的情况下,使用无人机采集出苗期多光谱影像,利用超绿值(ExG)和最大类间差法相结合的方法提取农田背景中玉米苗特征图像,计算归一化植被指数(NDVI)。基于实测计算的出苗率与区域NDVI,建立对应关系,利用空间分析技术计算无人驾驶、辅助驾驶、人工驾驶方式下出苗率情况。结果表明：基于无人机多光谱影像测算方法的无人驾驶、辅助驾驶、人工驾驶播种出苗率分别为67.47%、66.30%、52.83%,实测出苗率分别为72.19%、66.23%、55.49%,差异度分别为-4.72%、0.07%、-2.66%。出苗率为无人驾驶区>辅助驾驶区>人工驾驶区,无人驾驶区出苗率最高,且出苗率较为均匀,基于无人机多光谱影像的测算方法较为准确。该方法为实时估算玉米出苗率提供理论依据。     

基于偏最小二乘法的新疆杏可溶性固形物含量的无损检测

利用近红外光谱无损检测技术,以成熟的库车小白杏为研究对象,先通过一阶导数混合标准正态变量变换法进行光谱预处理,再利用偏最小二乘法建立杏可溶性固形物含量预测模型。结果表明,最佳因子数为4,模型的相关系数为0.964 45,校正集标准偏差为0.215,预测集标准偏差为0.456时模型最佳。结果表明,基于近红外光谱技术测定杏的可溶性固形物含有具有可行性,可以为库车小白杏的无损检测提供重要参考与技术支持。     

小麦冠层光谱获取及信息分析综述

高光谱技术可以快速、准确监测作物的生长信息,小麦冠层光谱与其叶片的叶绿素等生长信息密切相关,同时利用光谱信息可以监测作物的产量、籽粒信息等。介绍了高光谱数据的3种采集方式,综述了利用高光谱数据监测小麦的生长状况(叶绿素、叶面积指数、叶片氮素含量)以及小麦产量、籽粒及病害等相关应用领域研究,并提出了作物冠层光谱分析存在的问题以及下一步发展方向。     

预处理对土壤有机质光谱估算的影响

为实现土壤有机质(SOM)含量的实时、动态监测,以晋南麦区169个土壤样本为研究对象,通过测定其SOM含量与高光谱,采用多种常规预处理光谱相结合的方法,分析预处理光谱与SOM含量间的相关性,并选择光谱特征波长,构建基于光谱波长的SOM含量监测模型。结果表明,SOM含量与光谱反射率成反比;通过不同预处理方法与SOM含量相关性分析,筛选出最佳特征波长为580、567、571、560、535、672、673、674、678 nm,MSC+1st耦合多元逐步回归(MLR)构建的模型R~2为0.74,RPD为1.52,模型精度最高,误差最小,更利于实现SOM含量的光谱监测。经比较分析,多种预处理方法相结合较单一预处理方法更有利于建立估测模型。     

截形叶螨危害下枣叶片叶绿素含量高光谱估算模型

以不同截形叶螨(Tetranychus truncatus Ehara)危害等级下枣叶片高光谱和叶绿素含量数据为基础,分析不同截形叶螨危害等级(0级、1级、2级、3级、4级)下枣叶片高光谱特征,构建基于一阶微分光谱的不同截形叶螨危害等级枣叶片叶绿素含量高光谱线性回归估测模型。结果表明:截形叶螨危害造成叶片中叶绿素含量减少,导致光谱反射率降低,表现为随危害等级的增加叶绿素含量呈逐级减少趋势。在不同截形叶螨危害等级枣叶片叶绿素估测模型中,危害等级为0级时,模型拟合度最好,达到0.810,表明利用高光谱数据构建不同危害等级枣叶片叶绿素含量估算模型具有一定的潜力,对危害植被叶片的虫害诊断意义重大。     

基于无人机高光谱的水稻光合性能监测系统应用

水稻的光合性能与水稻的产量和品质密切相关,传统的水稻光合性能监测由人工完成,具有任务量大和效率低等缺点,高效、无损的监测作物长势,是现代化精准农业的要求。为此,以无人机搭载高光谱仪作为遥感技术平台,对水稻的光合性能进行研究分析,建立了估算水稻叶片类胡萝卜素(Car)含量的监测模型。测试结果表明:5组光谱参数与水稻样本叶片Car含量实测值的回归分析均达到显著相关水平,以SR(723,770)精度最高;进一步检验发现,水稻叶片类胡萝卜素含量实测值与SR(723,770)模型建立的估测值相关性更高,R~2达0.891 5,斜率更接近于1,具有更佳预测效果,可为水稻光合性能遥感监测提供技术支撑。     

高光谱技术检测农产品成熟度研究进展

高光谱技术作为近年来兴起的一项融合传统成像技术的新型三维光谱检测技术,能够同时获得目标物的光谱信息和图像信息,具有无损、快速等特点,在农产品成熟度检测方面应用潜力巨大。综述了近年来高光谱技术在水果、番茄、烟草等农产品成熟度检测中的研究现状和进展,指出了目前在应用方面存在的问题,并提出了改进措施。     

近红外光谱技术在家禽养殖领域应用现状

近红外光谱是一种快速光谱分析的新方法,伴随着光谱技术与化学计量法的发展,近红外光谱已广泛应用于农业、食品、医药、石油化工等行业,极大地提高了各行业信息化水平。基于近红外光谱在家禽养殖领域的应用现状,本文总结了近红外光谱技术的发展及其在饲料成分检测和禽肉检测中的应用。在饲料检测和家禽肉类检测方面,通过将禽肉样品的光谱信息与质量指标的参考值相关联,建立了预测饲料和待测肉类高精度、高稳定性的数学模型。与传统方法相比,近红外光谱技术具有信息量大、数据计算速度快等优点。本文还归纳了近红外光谱技术在饲料品质检测和肉类品质检测的应用现状,指出了近红外光谱在家禽养殖领域的大规模应用推广的可能性。同时指出近红外光谱技术存在的问题和未来发展方向,结果表明近红外光谱技术在饲料和畜产品检测领域具有良好的发展前景和应用价值。     

基于无人机多光谱遥感的冬小麦冠层叶绿素含量估测研究

为探讨利用无人机多光谱影像监测冬小麦叶绿素含量的可行性,基于北京市大兴区中国水科院试验基地的2019年冬小麦无人机多光谱影像和田间实测冠层叶绿素含量数据,选取16种光谱植被指数,确定对冬小麦冠层叶绿素含量显著相关的植被指数,采用一元二次线性回归和逐步回归分析方法建立各生育时期及全生育期的SPAD值估测模型,通过精度检验确定对冬小麦冠层叶绿素含量监测的最优模型。结果表明,两种分析方法中逐步回归建模效果最佳。拔节期选取4个植被指数(MSR、CARI、NGBDI、TVI)建模效果最好,模型率定的决定系数(r~2)为0.73,模型验证的r~2、相对误差(RE)和均方根误差(RMSE)分别为0.63、2.83%、1.68;抽穗期选取3个植被指数(GNDVI、GOSAVI、CARI)建模效果最好,模型率定的r~2为0.81,模型验证的r~2、RE、RMSE分别为0.63、2.83%、1.68;灌浆期选取2个植被指数(MSR、NGBDI)建模效果最好,模型率定的r~2为0.67,模型验证的r~2、RE、RMSE分别为0.65、2.83%、1.88。因此,无人机多光谱影像结合逐步回归模型可以很好地监测冬小麦SPAD值动态变化。