排序方式: 共有10条查询结果,搜索用时 31 毫秒
1
1.
剔除土壤背景的棉花水分胁迫无人机热红外遥感诊断 总被引:7,自引:0,他引:7
剔除无人机热红外影像中的土壤背景是提高作物水分诊断精度的有效途径,但也是热红外图像处理的难点问题。本文以不同水分处理的花铃期棉花为研究对象,分别在09:00、13:00和17:00等3个时刻,连续5 d采集无人机高分辨率热红外影像,并采用二值化Ostu算法和Canny边缘检测算法对热红外图像进行掩膜处理,实现对土壤背景的剔除,然后分别计算二值化Ostu算法、Canny边缘检测算法和包含土壤背景下的3种棉花水分胁迫指数(Crop water stress index,CWSI),最后建立不同时刻下3种CWSI与棉花叶片气孔导度Gs的关系模型。研究结果表明,应用Canny边缘检测算法可有效剔除热红外影像中的土壤背景,剔除土壤背景后的温度直方图呈单峰的偏态分布;3种处理方法获得的作物水分胁迫指数CWSI中,Canny边缘检测算法的CWSI最小,二值化Ostu算法的CWSI较高,包含土壤背景的CWSI最大;采用Canny边缘检测算法剔除土壤背景后的CWSI与棉花叶片气孔导度Gs的决定系数R2达到0.84,Ostu算法的结果次之,包含土壤背景的最差。本研究可为无人机热红外遥感监测作物水分状况提供参考。 相似文献
2.
柑橘黄龙病(Huanglongbing, HLB)是柑橘生产中的毁灭性病害,柑橘植株遭到黄龙病菌侵染后光合能力发生变化而后表现出相应的黄化症状。及早实现HLB的原位快速诊断是防控HLB的重要手段。为探究黄龙病菌侵染柑橘叶片的光合响应机制并实现HLB的原位诊断,该研究分析了健康(Healthy)、未显症HLB(asymptomatic HLB, aHLB)、显症HLB(symptomatic HLB, sHLB)以及黄斑病(Macular,症状与黄龙病相似)柑橘叶片的光合参数与光合色素含量差异。利用光谱技术与日光诱导叶绿素荧光(Sun-induced Chlorophyll Fluorescence, SIF)技术分析了4种类型柑橘叶片的反射率光谱与SIF光谱差异。采用竞争自适应重加权采样(Competitive Adaptive Reweighted Sampling, CARS)算法结合反射率光谱筛选出特征波段,采用SIF光谱的峰值位置(687和741 nm)构建了上行(Upward, Up)和下行(Downward, Dw)SIF产量指数(Up687, Up741, Dw687, Dw741, Up687/741, Dw687/741)。进一步分别利用特征波段的反射率和SIF产量指数,结合K最邻近(K-nearest Neighbor, KNN)分类算法构建了柑橘黄龙病的诊断模型。结果表明,黄龙病菌的侵染使柑橘叶片的光合作用明显减弱,在未显症时期已经表现出来,证明了SIF技术在诊断早期HLB的优势。基于特征波段反射率的KNN模型对未显症HLB和显症HLB的诊断精度为72.7%和75.6%,健康叶片和黄斑病叶片分别为82.2%和64.1%,而基于687和741 nm波长处的上行比值SIF产量指数Up687/741构建的KNN模型对未显症HLB和显症HLB的诊断精度为84.8%和91.1%,健康和黄斑病叶片分别为88.9%和82.1%,均优于反射率光谱模型。结果证明了SIF技术用于诊断柑橘HLB的潜力,为实现柑橘HLB的田间原位、快速、早期诊断提供了可能。 相似文献
3.
无人机多光谱遥感反演花蕾期棉花光合参数研究 总被引:3,自引:0,他引:3
光合作用对作物的生长发育、干物质的积累以及产量的形成起着至关重要的作用。为探讨遥感技术反演作物冠层光合参数的可行性,以无人机作为遥感平台,搭载6波段多光谱相机,通过采集棉花花蕾期不同时刻(09:00、11:00、13:00、15:00、17:00)冠层多光谱遥感图像,提取其冠层光谱反射率信息,并同步测定棉花冠层叶片的净光合速率(Pn)、蒸腾速率(Tr)、气孔导度(Gs)和胞间二氧化碳浓度(Ci)等光合参数。通过对4种光合参数和6波段光谱反射率进行相关性分析,并分别使用一元线性回归和主成分回归、岭回归、偏最小二乘回归等多元回归方法,建立不同光合参数在不同时刻的反演模型。结果表明:净光合速率(Pn)、蒸腾速率(Tr)、气孔导度(Gs)和胞间二氧化碳浓度(Ci)的最优反演模型分别为13:00的基于蓝光波段反射率的一元线性模型,15:00的基于红光波段反射率的一元线性模型,15:00的岭回归模型和15:00的基于红光波段反射率的一元线性模型,模型的决定系数R2均在0.5以上,验证相对误差RE均小于9%。该研究可为大范围监测作物的光合作用提供一定的参考。 相似文献
4.
无人机多光谱遥感反演抽穗期冬小麦土壤含水率研究 总被引:2,自引:0,他引:2
及时获取田间作物的土壤水分,对指导精准灌溉有重要意义。以抽穗期冬小麦为研究对象,采用低空无人机搭载六波段多光谱相机获取其冠层光谱反射率,并与参考点光谱反射率求差得差值反射率(DR),不同深度的土壤含水率(0~10、0~20、0~30、0~40、0~60 cm)与参考点土壤含水率同样求差得差值土壤含水率(DSM),对DR与DSM进行相关性分析,分别建立2者的一元线性模型和多元线性回归模型并验证。结果表明:一元模型中,40 cm深度的优于60 cm,20 cm的预测效果不佳;多元模型中,宽行距中40 cm深度的最优,建模R2和验证R2均达到了0.9以上,预测均方根误差仅为0.016。该研究可大面积快速获取田间土壤水分,为精准灌溉提供一定的理论依据。 相似文献
5.
无人机热红外图像计算冠层温度特征数诊断棉花水分胁迫 总被引:1,自引:7,他引:1
针对当前无人机热红外遥感诊断作物水分胁迫状况精度不高的问题,该文以4种水分处理的花铃期棉花为试验对象,利用六旋翼无人机搭载热红外传感器,连续5 d采集中午13点的棉花冠层高分辨率热红外影像,通过Canny边缘检测算法将热红外图像中的土壤背景有效剔除,应用温度直方图验证剔除效果,然后计算棉花冠层温度特征数,包括冠层温度标准差(standard deviation of canopy temperature,CTSD)和冠层温度变异系数(canopy temperature coefficient of variation,CTCV);分别研究棉花冠层温度特征数与棉花叶片气孔导度Gs、蒸腾速率Tr、水分胁迫指数(crop water stress index,CWSI)和土壤体积含水率(soil volumetric water content,SWC)的相关关系,并分析冠层温度特征数对诊断棉花水分胁迫的适用性。研究结果表明:棉花冠层温度特征数与表征棉花水分胁迫的生理指标和物理指标都具有较高的相关性,最大的决定系数R2为0.884;棉花冠层温度标准差CTSD和变异系数CTCV与Gs、Tr、CWSI、SWC的决定系数R2分别为0.884、0.625、0.673、0.550和0.853、0.583、0.620、0.520,冠层温度标准差CTSD对作物水分胁迫的敏感程度更高,可以作为诊断作物水分胁迫的新指标。该研究提出冠层温度特征数的计算方法仅需要无人机热红外影像数据,相比其他诊断作物水分胁迫状况的温度指标具有较大的应用潜力。 相似文献
6.
剔除无人机热红外影像中的土壤背景是提高作物水分诊断精度的有效途径,但也是热红外图像处理的难点问题。本文以不同水分处理的花铃期棉花为研究对象,分别在9:00、13:00和17:00等3个时刻,连续5 d采集无人机高分辨率热红外影像,并采用二值化Ostu算法和Canny边缘检测算法对热红外图像进行掩膜处理,实现对土壤背景的剔除,然后分别计算二值化Ostu算法、Canny边缘检测算法和包含土壤背景下的3种棉花水分胁迫指数(Crop water stress index,CWSI),最后建立不同时刻下3种CWSI与棉花叶片气孔导度Gs的关系模型。研究结果表明,应用Canny边缘检测算法可有效剔除热红外影像中的土壤背景,剔除土壤背景后的温度直方图呈单峰的偏态分布;3种处理方法获得的作物水分胁迫指数CWSI中,Canny边缘检测算法的CWSI最小,二值化Ostu算法的CWSI较高,包含土壤背景的CWSI最大;采用Canny边缘检测算法剔除土壤背景后的CWSI与棉花叶片气孔导度Gs的决定系数R2达到0.84,Ostu算法的结果次之,包含土壤背景的最差。本研究可为无人机热红外遥感监测作物水分状况提供参考。 相似文献
7.
低空无人机多光谱遥感数据的土壤含水率反演 总被引:1,自引:0,他引:1
以杨凌地区黏壤土为研究对象,用无人机搭载多光谱相机采集土壤6个波段的光谱信息,探索一种快速监测土壤含水率的方法。试验通过相关系数法筛选光谱对于不同深度土壤水分的敏感波段,然后使用单一敏感波段处的光谱数据建立不同的一元回归模型并分析其定量关系。试验结果表明,一元二次回归模型的拟合效果最好,一元对数回归模型次之。其中,对于表层(约1 cm)土壤含水率的反演,模型拟合度均在0.81以上,预测相关系数均在0.92以上,预测均方根误差均在0.10以内,因此通过采集黏壤土反射率来推算表层土壤含水率是可行的。但随着深度增加,模型拟合效果急剧变差。该研究为利用无人机多光谱遥感对表层土壤含水率的快速、准确监测提供了一条新途径。 相似文献
8.
基于无人机多光谱遥感的土壤含水率反演研究 总被引:6,自引:0,他引:6
为研究无人机多光谱遥感技术对裸土土壤含水率的大范围快速测定和最佳监测深度的确定,以杨凌地区粘壤土为试验材料,分别配制成2种不同深度(5 cm和10 cm)、含水率为3%~30%的土壤样本。用无人机搭载多光谱相机对土样连续监测3 d,监测时刻均为15:00。采集6个波段(490、550、680、720、800、900 nm)处的土壤光谱反射率,同时对2种不同深度的土壤样本表层(约1 cm)含水率和整体含水率进行测定。分别采用偏最小二乘回归法、逐步回归法和岭回归法,建立不同波段光谱反射率因素反演土壤含水率的回归模型,并分析其定量关系。试验结果表明,逐步回归预测精度最佳,决定系数(R2)分别为0.775、0.764、0.798、0.694,而预测均方根误差(RMSE)分别为0.028、0.042、0.037、0.038;其次为岭回归法;偏最小二乘法的预测精度最低。综合比较得最佳回归方法为逐步回归法,最佳监测深度为土壤表层(约1 cm),其次为5 cm深度,最后为10 cm深度。 相似文献
9.
基于无人机多光谱遥感的玉米根域土壤含水率研究 总被引:3,自引:0,他引:3
及时获取农田作物根域土壤墒情是实现精准灌溉的基础和关键。以内蒙古自治区达拉特旗昭君镇试验站大田玉米为研究对象,利用无人机遥感系统,分别在玉米营养生长期(Vegetative stage,V期)、生殖期(Reproductive stage,R期)和成熟期(Maturation stage,M期)获得7次玉米冠层多光谱正射影像,并同步采集玉米根域不同深度土壤含水率(Soil moisture content,SMC);然后,采用灰色关联法对提取的多种植被指数(Vegetation index,VI)进行筛选,选取与土壤含水率敏感的植被指数;最后,分别采用多元混合线性回归(Cubist)、反向传播神经网络(Back propagation neural network,BPNN)和支持向量机回归(Support vector machine regression,SVR)等机器学习方法,构建不同生育期的敏感植被指数与土壤含水率的关系模型。结果表明,3种机器学习方法中SVR模型在各生育期的建模与预测精度均最优,BPNN模型次之,Cubist模型最差;其中SVR模型在M期效果最优,其建模集和验证集R~2分别为0. 851和0. 875,均方根误差(Root mean square error,RMSE)均为0. 7%,标准均方根误差(Normalized root mean square error,nRMSE)分别为8. 17%和8. 32%,R期效果最差,其建模集和验证集R~2分别为0. 619和0. 517。 相似文献
10.
稻穗表型是表征水稻生长状况和产量品质的关键参数,稻穗表型的准确监测对于大田精准管理和水稻智慧育种具有重要意义。无人机图谱数据已被广泛用于水稻生长监测,然而大部分研究主要集中在水稻的营养生长阶段,针对抽穗期和成熟期稻穗表型监测方面的研究非常有限。因此,该研究利用无人机多源图谱数据进行水稻稻穗表型监测研究,分析了不同氮肥梯度和生长时期对稻穗表型的影响,构建了稻穗覆盖度、生物量以及倒伏等监测模型。结果表明,不同生长时期和氮肥梯度的稻穗表型呈现显著差异,稻穗覆盖度与图像特征高度相关。利用粒子群优化算法(Particle Swarm Optimization,PSO)和支持向量机(Support Vector Machine,SVM)回归模型能够从可见光图像中准确识别稻穗,计算的穗覆盖度与实际标记值高度相关,决定系数(coefficient of determination,R2)为0.87,将此结果与多光谱图像反射率融合,利用随机森林(Random Forest,RF)回归模型可以提高稻穗覆盖度的评估精度,R2为0.93,相对均方根误差(relative Root Mean Square Error,rRMSE)为9.47%。融合可见光图像的颜色和纹理以及多光谱图像的光谱反射率改善了穗生物量的评估精度,R2高达0.84,rRMSE为8.68%,此模型能够在不同种植年间迁移,进一步利用模型更新添加10%新样本能够改善模型迁移能力。基于PSO-SVM分类模型,联合可见光图像的颜色和纹理以及多光谱图像的光谱反射率也准确地识别稻穗倒伏,准确率达99.87%。上述研究结果证明了无人机遥感用于水稻稻穗表型监测的可行性,可为作物精准管理和智慧育种提供决策支持。 相似文献
1