基于无人机影像特征的冬小麦植株氮含量预测及模型迁移能力分析

【目的】氮素的精准监测和合理施用对小麦健康生长、产量及品质提升、减少农田环境污染与资源浪费尤为重要。为精准监测小麦生长关键生育期植株氮含量,探索机器学习方法构建的植株氮含量预测模型的迁移能力。【方法】小区试验于2020—2022年在河南省商水县开展,在冬小麦拔节期、孕穗期、开花期和灌浆期,采用M600大疆无人机搭载K6多光谱成像仪获取5波段(Red、Green、Blue、Rededge、Nir)多光谱影像。基于5个波段冠层反射率提取20种植被指数和40种纹理特征,采用相关分析从65个影像特征中筛选冬小麦植株氮含量敏感特征。基于筛选出的敏感特征,采用BP神经网络(BP)、随机森林(RF)、Adaboost、支持向量机(SVR)4种机器学习回归方法构建植株氮含量预测模型,并对模型预测效果和在不同水处理条件下模型的迁移预测能力进行分析。【结果】(1)植株氮含量与影像特征的相关系数通过0.01极显著水平检验的包括22个光谱特征和29个纹理特征。(2)4种机器学习回归方法构建的冬小麦植株氮含量预测模型存在差异,RF和Adaboost方法预测植株氮含量集中于95%的置信区间,多分布于1:1直线附近...     

小麦冠层氮素含量光谱估算研究进展

氮素作为作物生长和产量形成的首要元素,约占作物体干重的0.3%~5.0%,有生命元素之称。小麦是世界上种植面积最大、商品率最高的粮食作物,面积和总产量均占世界粮食作物的1/3左右,小麦氮素含量估算技术的现代化、信息化水平与农业的现代化、信息化密切相关,快速、准确、无损地获取作物氮素含量对制定合理施肥策略和农业可持续发展具有重要意义。本文首先对小麦冠层氮素含量光谱估算的原理进行了介绍,然后对目前氮素含量估算采用的数据类型和方法进行了总结分析,并在此基础上分析了目前小麦冠层氮素光谱估算存在的问题,对未来小麦冠层氮素光谱快速估算前景进行了展望。     

基于多层级特征筛选和无人机影像的冬小麦植株氮含量预测

氮素是冬小麦生长发育必不可少的大量元素,无人机超高分辨率影像丰富的光谱信息和纹理信息为冬小麦植株氮含量精准预测提供了重要的技术途径,但是过多变量造成了信息冗余和模型复杂的问题。针对此问题,该研究提出了一种“相关分析+共线性分析+LASSO（least absolute shrinkage and selection operator）特征筛选”的多层级植株氮含量敏感特征的筛选方法,引入约束系数向量的L1正则化实现特征的稀疏性,将某些特征的系数缩小为0,基于冬小麦关键生育期（拔节期、孕穗期、开花期、灌浆期）无人机影像提取的65个光谱和纹理特征,采BP神经网络（random forest,BP）、Adaboost、随机森林（random forest,RF）和线性回归（random forest,LR）4种机器学习算法构建了冬小麦植株氮含量预测模型。结果表明：相关分析筛选出51个通过0.01显著性检验的变量,基于共线性分析,当LASSSO正则化参数λ取值为0.08时, 17个敏感特征变量被筛选。基于筛选的敏感特征变量,BP、Adaboost、RF和LR 4种算法建立的植株氮含量预测模型均达到了0.01水平差异显著性,且BP、Adaboost和RF 3种预测模型的精度具有高度的一致性,模型R²均为0.81,RMSE分别为0.48%、0.45%和0.44%,说明该研究提出的多层级特征筛选方法不仅使得模型变得简洁,而且稳健性高,可为智慧农业氮肥精准监测、智慧管理提供技术支撑。     

基于无人机多光谱和热红外影像信息融合的小麦白粉病监测

[目的]白粉病严重危害小麦生长及制约产量形成,确立实时监测小麦白粉病的多源数据融合方法,为精确防控及保证国家粮食安全提供技术支撑.[方法]在小麦开花和灌浆期,使用同时搭载多光谱仪和热成像仪的六旋翼无人机作为遥感数据获取平台,通过ENVI软件从小麦白粉病遥感影像中提取植被指数、纹理特征以及冠层温度信息,进而利用多元线性回...     

基于无人机平台多模态数据融合的小麦产量估算研究

作物产量估测关系到人民生活质量和国家粮食安全问题,在田块尺度下及时准确估算产量,对于农事操作管理、收获、销售及种植计划制定均具有重要意义。选择地势起伏及空间差异较大的农田为研究区,利用低空无人机遥感平台搭载多光谱相机、热红外相机和RGB相机,同步获取小麦关键生育时期的无人机遥感影像,并提取光谱反射率、热红外温度和数字高程信息。首先统计不同地形特征下遥感参数和生长指标的空间变异情况,分析植被指数和温度参数与小麦产量的相关性,然后利用多元线性回归(multiple linear regression, MLR)、偏最小二乘回归(partial leastsquaresregression,PLSR)、支持向量机回归(supportvectormachineregression,SVR)和随机森林回归(random forest regression, RFR) 4种机器学习方法以单模态数据和多模态遥感信息融合2种方式进行建模,比较单模态数据和多模态数据融合的产量估测能力。结果表明,坡度是影响作物生长和产量的重要因子,3个生育期内,不同坡度等级下遥感参数差异明显,土壤含水量、植株含水量和地上...