基于高光谱数据提取作物冠层特征信息的研究进展晏四方

合集下载

基于无人机遥感的作物表型参数获取和应用研究进展

基于无人机遥感的作物表型参数获取和应用研究进展

㊀山东农业科学㊀2024ꎬ56(4):172~180ShandongAgriculturalSciences㊀DOI:10.14083/j.issn.1001-4942.2024.04.022收稿日期:2023-03-30基金项目:山东省自然科学基金项目(ZR2021M055)ꎻ国家重点研发计划课题(2021YFB3901303)作者简介:曾世伟(2000 )ꎬ男ꎬ硕士研究生ꎬ主要从事农业遥感研究ꎮE-mail:1422180426@qq.com通信作者:侯学会(1985 )ꎬ女ꎬ博士ꎬ助理研究员ꎬ主要从事农业遥感研究ꎮE-mail:sxhouxh@126.com王宗良(1986 )ꎬ男ꎬ博士ꎬ副教授ꎬ主要从事光纤传感研究ꎮE-mail:wangzongliang@lcu.edu.cn基于无人机遥感的作物表型参数获取和应用研究进展曾世伟1ꎬ2ꎬ侯学会2ꎬ王宗良1ꎬ骆秀斌2ꎬ巫志雄1ꎬ2ꎬ王宏军1(1.聊城大学物理科学与信息工程学院ꎬ山东聊城㊀252000ꎻ2.山东省农业科学院农业信息与经济研究所ꎬ山东济南㊀250100)㊀㊀摘要:作物表型参数是由基因和环境因素决定或影响的作物生理㊁生化特征和性状ꎮ通过获取不同环境㊁不同生长时期的作物表型信息ꎬ可直观了解作物生长状况ꎬ以及时调整栽培管理措施ꎬ保障作物高效生产ꎮ无人机搭载RGB相机㊁光谱相机㊁激光雷达等传感器ꎬ可充分发挥灵活性好㊁获取数据效率高㊁成本相对较低等优势ꎬ实现作物表型参数信息的高效获取ꎬ同时ꎬ快速发展的图像处理和识别分类技术又为无人机遥感获取的作物表型参数信息提供了有效的处理和分析方法ꎬ从而使得作物监测更加便捷㊁高效ꎮ本文总结了无人机遥感获取作物表型参数信息的流程与方法ꎬ概括了基于无人机遥感开展作物株高㊁冠层覆盖度㊁叶面积指数㊁水分胁迫㊁生物量㊁产量等表型参数研究的现状ꎬ并对无人机遥感技术在作物表型参数信息解析方面的应用前景进行了展望ꎬ以期为充分发挥该技术在农业生产中的作用提供参考ꎮ关键词:无人机遥感ꎻ作物表型参数ꎻ作物监测中图分类号:S127㊀㊀文献标识号:A㊀㊀文章编号:1001-4942(2024)04-0172-09ResearchProgressofObtainingandUtilizingCropPhenotypicParametersBasedonUAVRemoteSensingZengShiwei1ꎬ2ꎬHouXuehui2ꎬWangZongliang1ꎬLuoXiubin2ꎬWuZhixiong1ꎬ2ꎬWangHongjun1(1.SchoolofPhysicalScienceandInformationTechnologyꎬLiaochengUniversityꎬLiaocheng252000ꎬChinaꎻ2.InstituteofInformationandEconomicResearchꎬShandongAcademyofAgriculturalSciencesꎬJinan250100ꎬChina)Abstract㊀Cropphenotypicparametersrefertocropphysiologicalandbiochemicalcharacteristicsthataredeterminedorinfluencedbygeneticandenvironmentalfactors.Throughobtainingcropphenotypicinformationunderdifferentenvironmentsandgrowthperiodsꎬthegrowthstatusofcropscouldbeknownintuitivelysothatcultivationmanagementstrategiescouldbeadjustedintimetoensurehighcropproductivity.ThroughcarryingdifferentsensorssuchasRGBcameraꎬspectrumcameraandLIDARꎬUAVremotesensinghasadvantagesofgoodflexibilityꎬhighefficiencyandrelativelylowcostinacquiringdataꎬwhichprovidesanefficientwaytoobtaincropsphenotypicinformation.Atthesametimeꎬfastdevelopingimageprocessingandrecognitionandclassificationtechnologiesprovideseffectiveprocessingandanalysismethodsforcropphenotypicparameterin ̄formationobtainedbyUAVremotesensing.Allthesemakecropmonitoringmoreconvenientandefficient.InthispaperꎬprocessandmethodsofobtainingphenotypicparameterinformationwereintroducedꎬandresearchstatusofcropphenotypicparametersbasedonUAVremotesensingsuchasplantheightꎬcanopycoverageꎬleafareaindexꎬwaterstressꎬbiomassandyieldweresummarizedꎬandtheapplicationforegroundofUAVremotesensingtechnologyincropphenotypicinformationanalysiswasprospectedꎬhopingtoprovidereferencesforbetterapplicationofthetechnologyinagriculturalproduction.Keywords㊀UAVremotesensingꎻCropphenotypicparametersꎻCropmonitoring㊀㊀随着世界人口快速增长㊁可耕地面积越来越少㊁全球气候急剧变化和资源短缺加剧ꎬ农业生产面临着严峻的挑战ꎬ粮食安全问题日益突出[1]ꎮ因此ꎬ培育优良品种以达到稳产㊁增产的目的ꎬ成为目前作物研究的热点方向之一ꎮ作物表型信息如株高㊁叶面积指数㊁生物量等影响着后期产量的形成ꎬ是育种过程中的重要参考指标ꎮ传统的作物表型信息获取多采用人工地面抽样调查法ꎬ费时㊁费力且观测数量有限ꎬ不能满足大面积作物信息调查需求ꎮ近年来ꎬ低空无人机遥感技术快速发展ꎬ通过无人机搭载RGB相机㊁光谱相机㊁激光雷达等构建无人机遥感平台ꎬ能够快速㊁高效获取一定范围内作物冠层的株高㊁叶面积指数㊁生物量等的连续动态信息ꎬ从而实现作物产量的动态预测[2]ꎮ目前ꎬ在田间作物表型遥感监测研究中应用的无人飞行器有无人直升机㊁飞艇㊁固定翼无人机㊁多旋翼无人机等ꎬ其中对起降条件要求不高且可以满足任何飞行轨迹要求的多旋翼无人机应用较为广泛ꎬ获取作物表型信息更加方便㊁快捷[3]ꎮ但由于无人机负载能力有限ꎬ其搭载的传感器需要满足高精度㊁轻质量和小尺寸的要求ꎬ目前适合无人机搭载的主要传感器有RGB数码相机㊁红外热成像仪㊁多光谱相机㊁高光谱相机㊁多谱段激光雷达等ꎮ不同的传感器性能不同ꎬ获取的作物表型参数信息也不同ꎬ导致最终得到的遥感监测结果不同[4-5]ꎮRGB相机[6]㊁热红外成像仪[7]㊁多光谱相机[8-9]和高光谱相机[10-11]成像原理相同ꎬ都是通过感测光谱波段来捕获图像信息ꎬ但它们感测光谱波段的种类和能力存在差异[12]ꎬ因此可用于测量不同的表型参数[13]ꎬ其中ꎬRGB相机可用于测量作物的株高㊁冠层覆盖度等ꎻ热红外成像仪可实现在生物和非生物胁迫条件下对作物表型参数的间接测定ꎬ尤其在测量作物的冠层温度时效果较好ꎻ多光谱相机和高光谱相机都能测量作物的叶面积指数㊁生物量㊁产量等表型参数ꎬ但高光谱相机的光谱分辨率更高ꎬ能获得更多的波段数据ꎬ可测量更多的作物表型参数ꎬ然而同时也存在数据处理过程更加复杂㊁仪器价格较高的问题ꎮ多谱段激光雷达能够分析作物的光谱特性和空间目标方位㊁距离㊁三维形貌和状态特征[14]ꎬ常用于对作物株高和生物量的测量研究ꎮ本文综述了无人机遥感监测农作物表型参数的信息获取流程㊁方法及研究进展ꎬ并对今后的研究方向进行展望ꎬ以期为深入研究和应用该技术提供参考ꎮ1㊀无人机遥感监测图像数据的处理及信息提取流程和方法1.1㊀图像处理遥感图像处理是利用无人机遥感研究作物表型的基础ꎮ因遥感图像存在由大气㊁传感器㊁无人机飞行状态等因素引起的几何畸变和辐射畸变ꎬ在提取作物表型参数之前必须对图像进行预处理ꎬ以有效改善提取表型参数信息的精度[15]ꎮ图像处理过程包括辐射定标㊁几何校正㊁数据质量检查㊁图像特征点提取㊁图像特征匹配㊁空中三角测量与区域网平差㊁生成数字高程模型(DEM)㊁正射校正生成数字正射影像(DOM)和拼接镶嵌等[16]ꎮ需根据无人机搭载的传感器类型选择合适的图像处理方法ꎮ如戴建国等[17]获取可见光图像后ꎬ使用Pix4Dmapper软件进行图像快速拼接检查ꎬ然后通过正射校正获得高质量㊁高精度的正射影像图ꎻ程雪等[18]获取高光谱影像后ꎬ除了使用Pix4DMapper软件进行拼接镶嵌外ꎬ还采用辐射定标以及大气校正等对图像进行了处理ꎮNäsi等[19]将得到的光谱图像依次进行了辐射标定㊁几何校正㊁图像融合和图像增强ꎬ然后使用371㊀第4期㊀㊀㊀㊀㊀㊀曾世伟ꎬ等:基于无人机遥感的作物表型参数获取和应用研究进展ArcGIS㊁ENVI等软件提取光谱反射率ꎬ用于建立研究作物表型性状的植被指数ꎮ1.2㊀特征集的选取作物特征包括植被指数特征㊁纹理特征等ꎬ在实际应用时需根据研究目的选择合适的特征来构成特征集ꎮ植被指数是通过多个波段数据计算得出的ꎬ能够有效度量作物株高㊁生物量和覆盖度等表型信息[20]ꎮ常用的植被指数有归一化差值植被指数(NDVI)㊁绿色归一化植被指数(GNDVI)㊁比值植被指数(RVI)㊁红绿蓝植被指数(RGBVI)㊁红边归一化植被指数(rNDVI)㊁优化土壤调节植被指数(OSAVI)㊁修正归一化植被指数(mNDVI)㊁可见光大气阻抗植被指数(VARI)㊁蓝绿色素指数(BGI2)㊁增强植被指数(EVI2)等ꎮ其中ꎬNDVI能够突出植被在图像中的显示ꎬ可准确估测植被的覆盖度[12]ꎻVARI㊁NDVI㊁RVI㊁rNDVI㊁mNDVI㊁GNDVI能有效预测叶面积指数[18]ꎻNDVI㊁OSA ̄VI㊁BGI2等常被用于预测植物叶片的叶绿素含量[21]ꎻVARI能有效预测作物的水分胁迫ꎻRDVI㊁RGBVI在估测作物生物量方面效果较好[22]ꎮ图像的灰度分布及其重复性是纹理特征的表现形式ꎬ可以反映地物的视觉粗糙程度ꎮ不同地物表现出的纹理特征不同ꎬ因此可根据该特征描述和识别地物[16]ꎮ另外ꎬ同一波段的图像有相同种类的纹理特征ꎬ可通过最小噪声分离变换和基于主成分分析方法等提取纹理滤波特征ꎬ选择最佳波段ꎬ作为最终纹理滤波特征[23]ꎮ1.3㊀特征筛选用于遥感图像估测表型参数的属性特征很多ꎬ若不经过筛选ꎬ则分析特征和训练模型所需要的时间会很长ꎬ模型也会很复杂ꎬ从而导致模型的泛化能力下降ꎬ不利于在实际生产中推广应用ꎮ因此ꎬ需在保证估测精度的前提下ꎬ选用最少的特征来构建模型ꎬ以避免特征变量过多引起的 维数灾难 ꎮ常用的特征筛选方法大致分为三类ꎬ分别是过滤式㊁包裹式㊁嵌入式筛选法[24]ꎮ过滤式特征筛选法先选定特征再进行学习ꎬ具有较强通用性ꎬ其典型方法有ReliefF算法ꎻ包裹式特征筛选法利用学习算法的性能来评价自身优劣ꎬ筛选得到的特征集分类性能较好ꎬ其典型方法有SVM-RFE算法ꎻ嵌入式特征筛选法将特征选择过程作为学习过程的一部分ꎬ在学习过程中自动进行特征筛选ꎬ特征筛选效果最好㊁速度最快且模式单调ꎬ其典型方法有Lasso算法[25]ꎮ特征选定后ꎬ还要根据估测能力强弱对其进行权重赋值ꎬ最终构建出最佳特征集ꎬ用于建立估测模型ꎮ1.4㊀模型的构建及精度评价构建估测模型能够表征遥感数据与作物特征的相关性ꎬ可为定量反演作物的表型参数奠定基础[1]ꎮ1.4.1㊀数据集的划分㊀估测模型的构建及其精度与样本数量和质量紧密相关ꎬ因此确保田间采样质量是保证构建模型估测效果的重要前提[18]ꎮ采集到的样本首先要采用适当的方法合理地划分成训练样本集和验证样本集ꎮ常见的划分方法有留出法㊁交叉验证法和自助法ꎬ其中交叉验证法是无人机遥感监测作物表型参数研究中最常用的方法ꎮk折交叉验证是典型的交叉验证法ꎬ其原理是将数据集分成k个样本数相等的子集ꎬ任选其中1个子集作为测试集ꎬ另外k-1个子集作为训练集ꎬ然后无重复地执行k次ꎬ使得每个子集都能作为训练集和测试集来训练模型ꎮ1.4.2㊀模型构建㊀除数字高程模型能够有效且快速获取作物株高信息外ꎬ其他表型参数的估测模型一般采用机器学习算法构建ꎮ根据训练数据是否拥有标记信息ꎬ可将机器学习算法分为监督式和非监督式两种[26]ꎮ分类和回归算法是典型的监督式算法ꎬ包括支持向量回归(SVR)㊁随机森林回归(RFR)㊁人工神经网络(ANN)㊁多元线性回归(MLR)等ꎬ其中回归算法更适用于数据具有连续性的叶面积指数㊁生物量㊁产量㊁水分胁迫等的监测ꎬ而分类算法更适用于作物分类和冠层覆盖度等的监测ꎮ另外还有一些表型参数研究没有足够的先验知识ꎬ很难对其进行人工标注且标注成本较高ꎬ通常采用无监督算法训练被标记的样本ꎬ以解决模式识别过程中的各种问题ꎮ聚类算法是非监督学习算法的代表ꎬ依据相似度进行分471山东农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第56卷㊀类ꎬ典型的聚类算法有K均值(K-means)聚类算法和K-中心点(K-medoids)聚类算法ꎮ1.4.3㊀模型估测精度评价㊀估测模型的精度评价ꎬ通常用决定系数(R2)和均方根误差(RMSE)作为评判预测值与实测值拟合效果的指标ꎬ其中ꎬR2值越接近1ꎬ说明模型的参考价值越高ꎻRMSE值越小ꎬ说明模型精度越高[27]ꎮ2㊀无人机遥感监测作物表型参数的研究进展2.1㊀作物株高株高能够反映作物的群体结构状况ꎬ植株过高易导致倒伏ꎬ而过矮会降低群体中下部的通风和透光ꎬ导致光合效率下降ꎬ进而影响作物产量ꎬ因此株高监测在作物生产调控中具有重要意义ꎮ作物株高监测通常利用获取可见光数据来测量ꎮ张宏鸣等[28]用无人机搭载数码相机获取作物的可见光图像ꎬ采用高清数码正射影像(DOM)和数字表面模型(DSM)相结合的骨架算法提取植株骨架ꎬ估测作物株高的精度较高(R2=0.923ꎬRMSE=11.493cmꎬMAE=8.927cm)ꎮ牛庆林等[29]利用无人机拍摄玉米的高清数码影像ꎬ将其与地面控制点(GCP)结合进行图像拼接处理ꎬ生成相应的DSM和DOMꎬ得到的株高预测值与实测值拟合性较高(R2=0.93ꎬRMSE=28.69cmꎬnRMSE=17.90%)ꎮ刘治开等[30]用无人机拍摄冬小麦的高清数码影像ꎬ通过构建作物DSM及作物高度模型(CHM)来测量小麦株高ꎬ最终得到的估测结果较好(R2和RMSE分别为0.82和4.31cm)ꎮKhan等[31]使用无人机遥感平台拍摄小麦的RGB图像ꎬ采用Pix4Dmapper软件处理后用于估测小麦株高ꎬ精度较高(R2=0.85ꎬRMSE=6.64cm)ꎮ此外ꎬ有研究者利用多光谱和高光谱成像技术获得多个波段和空间特征来测量作物株高ꎮ边琳等[32]使用无人机搭载多光谱传感器获得烤烟的遥感信息ꎬ捕捉到多个波段的反射光ꎬ通过构建光谱反射率与烤烟株高的拟合模型ꎬ估测烤烟株高的效果最佳(R2=0.785)ꎮAasen等[33]利用无人机采集三维高光谱图像来建立三维表面高光谱模型ꎬ实现株高可视化ꎬ株高估算效果也较好(R2=0.7)ꎮ但总体来说ꎬ利用高光谱成像技术测量作物株高的效果并不理想ꎬ而在估测作物覆盖度[34]㊁生物量[35]㊁叶面积指数[36]㊁产量[37]等表型参数时的精确度则较好ꎮ2.2㊀作物冠层覆盖度冠层覆盖度是反映作物生长状况的重要因素ꎬ可通过提取冠层覆盖度监测作物长势[38]ꎮ通过无人机遥感平台获取可见光图像和多光谱图像ꎬ然后利用计算机视觉方法或植被指数和光谱反射率建模反演等方法可快速得到作物的冠层覆盖信息[39]ꎮJin等[40]利用无人机遥感搭载数码相机获取研究区域的可见光成像数据ꎬ采用原始颜色特征作为模型输入ꎬ选用支持向量机算法训练作物分类模型ꎬ并选用粒子群优化算法(PSO)训练SVM模型参数(惩罚系数c㊁不敏感损失系数ε以及核函数功能γ)ꎬ最终监测结果的RMSE和rRMSE分别为34.05株/m2和14.31%ꎬ偏差为9.01株/m2ꎮ万亮等[41]利用无人机搭载多光谱相机获取多光谱图像ꎬ将各个波段的光谱反射率作为特征输入到随机森林回归模型ꎬ最终得到的结果较好(R2=0.93ꎬrRMSE=9.47%)ꎮ武威等[42]采用图像处理技术分析小麦图像的颜色特征 绿光标准化值(NDIG)ꎬ并提出叶片盖度(LCD)参数ꎬ将NDIG和LCD相结合作为多元逐步回归模型的输入特征ꎬ估测效果较好(R2=0.896)ꎮ周在明等[43]使用四旋翼无人机搭载ADCAir多光谱相机ꎬ通过NDVI指数模型获取多光谱植被覆盖度信息ꎬ以高精度可见光影像为真值进行验证ꎬ结果表明NDVI模型估算值与真实值之间的决定系数为0.92ꎬ具有较好的一致性ꎮ相比广泛应用的无人机可见光图像[23ꎬ44-46]ꎬ利用无人机多光谱图像反演植被覆盖度时图像的空间分辨率要求较低[47]ꎮ目前ꎬ主要通过计算机视觉方法或植被指数建模反演等手段获取作物的冠层覆盖度信息ꎮ然而ꎬ这些方法存在一定的局限性ꎮ今后还需寻找一种普遍适用的方法ꎬ以实现对不同作物冠层覆盖度的精确获取ꎬ从而完善作物冠层覆盖度提取技术[48]ꎮ571㊀第4期㊀㊀㊀㊀㊀㊀曾世伟ꎬ等:基于无人机遥感的作物表型参数获取和应用研究进展2.3㊀作物叶面积指数叶面积指数(LAI)是指单位面积内作物叶片面积的总和ꎮLAI是表征作物光合作用㊁呼吸作用以及蒸腾作用的重要指示因子ꎬ也是评价作物长势和产量的重要依据ꎬ因此快速且高效地获取作物LAI对于估测作物产量具有重要意义[36]ꎮ陶惠林等[35]利用无人机搭载高光谱仪获取高光谱图像ꎬ通过线性回归和指数回归挑选出最佳估测参数NDVIˑSR作为模型的输入特征ꎬ然后采用多元线性回归构建模型ꎬLAI估测精度较高(建模和验证的R2㊁RMSE㊁NRMSE分别为0.6788㊁0.69㊁19.79%及0.8462㊁0.47㊁16.04%)ꎮ杨雨薇等[49]使用无人机遥感平台获取作物的高光谱影像ꎬ对光谱数据预处理后计算出植被指数NDVIꎬ然后构建出三种类型的模型 线性回归模型㊁物理模型㊁回归模型与物理模型相结合的半经验模型ꎬ用来反演作物LAIꎬ其中半经验模型的反演精度最好(R2=0.89)ꎮ孙诗睿等[50]利用无人机搭载多光谱传感器获取冬小麦多光谱影像ꎬ通过多个植被指数构建随机森林模型对冬小麦的LAI进行反演ꎬ反演值与真实值之间的R2=0.822ꎬRMSE=1.218ꎮ李剑剑等[51]利用无人机遥感平台获取地表作物的高光谱数据ꎬ然后结合PROSPECT叶片光学模型和SAIL冠层二向性反射模型相耦合后生成的模型(PROSPECT+SAIL)来反演作物的LAIꎬR2=0.82ꎬRMSE=0.43m2/m2)ꎮ傅银贞等[52]利用IRS-P6(LISS-Ⅲ)获取多光谱数据并计算出DVI㊁EVI2㊁MSAVI㊁NDVI㊁RDVI㊁RVI㊁TNDVI共7种植被指数ꎬ建立了LAI与各植被指数的统计模型ꎬ其中NDVI㊁RDVI㊁TNDVI反演LAI的效果较好ꎬ决定系数R2均能够达到0.76以上ꎮ2.4㊀作物水分胁迫测量作物水分胁迫对于发展节水灌溉农业及提高水分利用效率有重要意义[53]ꎮ气孔导度和叶片水势是表征作物水分胁迫的重要指标ꎮ冠层温度可反映气孔导度ꎬ而作物水分胁迫指数(CW ̄SI)与气孔导度相关ꎬ因此可以基于冠层温度测量监测作物水分胁迫状况[54]ꎮ张智韬等[55]基于无人机搭载RGB相机和近红外相机采集的图像ꎬ采用Otsu-EXG-Kmeans算法对玉米冠层温度进行提取ꎬ用户精度为95.9%ꎬ精度较高ꎬ提取的冠层温度与实测温度更接近(r=0.788)ꎬ将冠层温度代入水分胁迫公式计算出CWSIꎬCWSI与土壤含水率的相关性较高(r=-0.738)ꎮBellvert等[56]基于无人机搭载热成像仪获取热成像图片ꎬ得到葡萄的冠层温度ꎬ并计算出相应的CWSIꎬ发现CWSI与叶片水势的相关性较高(R2=0.83)ꎮ除了利用可见光㊁近红外和热红外传感器监测作物水分胁迫的方法外ꎬ利用多光谱㊁高光谱遥感以及多种传感器获取单一或多个波段建立植被指数模型也是常用的方法[57]ꎮ王敬哲等[58]采用无人机搭载高光谱传感器获取影像数据ꎬ经过5种不同的预处理后ꎬ构建了干旱区绿洲农田土壤含水量(SMC)高光谱定量估算模型ꎬ其中通过吸光度(Abs)预处理得到的模型预测精度最好ꎬ其建模集Rc2和RMSE分别为0.84㊁2.16%ꎬ验证集Rp2与RMSE分别为0.91㊁1.71%ꎬ相对分析误差(RPD)为2.41ꎮ张智韬等[54]利用无人机遥感系统获得玉米冠层多光谱正射影像ꎬ并同步采集玉米根域不同深度土壤含水量(SMC)ꎬ通过灰度关联法筛选出对SMC敏感的植被指数ꎬ采用多元线性回归㊁反向传播神经网络(BPNN)㊁支持向量回归(SVR)等机器学习方法构建不同生育时期的敏感植被指数与SMC的关系模型ꎬ结果表明SVR模型在各生育期的建模与预测精度均最优(建模集R2=0.851ꎬRMSE=0.7%ꎬNRMSE=8.17%ꎻ验证集R2=0.875ꎬRMSE=0.7%ꎬNRMSE=8.32%)ꎮ2.5㊀作物生物量生物量是作物产量形成的重要基础ꎬ准确快速获取作物生物量对预测其产量意义重大[59]ꎬ同时ꎬ生物量的定量估算也可为碳循环研究提供重要参考[48]ꎮ根据传感器收集到的数据信息ꎬ将能够反映作物生物量的不同特征数据相结合ꎬ构建更有效且不相关的特征ꎬ然后将该特征输入到回归模型中ꎬ能够提高作物生物量估测的准确性[60]ꎮ万亮等[41]利用无人机同时搭载数码相机和多光谱相机获取研究区域的可见光和多光谱成像数据ꎬ将671山东农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第56卷㊀可见光图像的颜色特征和纹理特征与多光谱图像的光谱反射率融合后输入到随机森林回归模型(RFR)中ꎬ有效改善了穗生物量的评估精度(R2=0.84ꎬrRMSE=8.68%)ꎮWang等[61]评估了高光谱和激光雷达数据融合在玉米生物量估算中的应用ꎬ结果表明ꎬ与单独使用LiDAR或高光谱数据相比ꎬ高光谱和LiDAR数据相融合能够更好地估测玉米的生物量(R2=0.883ꎬRMSE=321.092g/m2ꎬRMSECV=337.653g/m2)ꎮ刘畅等[62]结合纹理特征与植被指数构建了一种 图-谱 融合指标ꎬ用该指标构建的生物量模型精度较高(R2=0.81ꎬRMSE=826.02kg hm-2)ꎬ明显高于用单一植被指数(R2=0.69)和单一纹理特征(R2=0.71)构建的生物量模型ꎮ综上所述ꎬ不同的作物具有不同的特征ꎬ即使同一作物在不同的生长条件下也会表现出不同的特征[63]ꎬ这就需要使用不同的传感器来全面收集作物信息ꎬ并筛选出一些与生物量相关性最好的特征ꎬ将其融合后输入到回归模型中ꎬ从而实现精准估测作物生物量和提高估算模型精度ꎮ当研究的作物生物量较大时ꎬ用常规的植被指数来估测生物量往往会受到饱和问题的限制ꎬ导致不能较好地估算作物生物量ꎮ付元元等[64]研究证实ꎬ将波段深度分析和偏最小二乘回归(PLSR)相结合ꎬ能够有效解决作物生物量过大导致的问题ꎬ并提高冬小麦生物量的估算精度ꎬ其中波段深度比(BDR)与PLSR结合的模型的估算精度较好(R2=0.792ꎬRMSE=0.164kg/m2)ꎮ2.6㊀作物产量作物产量关乎国家粮食安全ꎬ早期准确地监测预报作物产量对于后期田间管理及灾害评估等具有重要意义ꎮ通过无人机遥感提取作物产量的常规方法如下:使用无人机搭载多种传感器获取可见光㊁光谱数据ꎬ基于可见光图像提取纹理特征ꎬ根据光谱数据提取特征波段并计算植被指数ꎻ然后将纹理特征㊁植被指数等特征作为模型输入ꎬ使用机器学习算法构建产量估测模型ꎻ最后引入R2和RMSE评价产量估测模型ꎮ模型构建时ꎬ将多种特征变量相结合往往能够改善作物估测模型的精度ꎮElsayed等[65]利用偏最小二乘法将光谱指数㊁温度参数和植株含水量等数据融合ꎬ使得小麦产量的估测效果得到进一步改善(R2=0.97ꎬRMSE=26.48g/m2)ꎮMaim ̄aitijiang等[66]利用RGB信息㊁光谱反射率及温度参数等多模态数据ꎬ基于中间级特征融合的DNN(DNN-F2)方法ꎬ准确估测了大豆产量(R2=0.720ꎬrRMSE=15.9%)ꎮ严海军等[67]使用无人机搭载多光谱相机在苜蓿的分枝期㊁现蕾期和初花期进行遥感监测ꎬ将植被指数与株高组合作为输入变量并采用支持向量回归算法构建模型ꎬ产量估测精度最高(R2=0.90ꎬRMSE=500kg/hm2ꎬNRMSE=14.3%)ꎮ可见ꎬ选用多源数据融合构建模型的效果较好ꎮ另外ꎬ在构建模型时ꎬ使用的算法不同也会影响作物产量估测的精度ꎮ张少华等[68]利用低空无人机遥感平台搭载多光谱相机㊁热红外相机和RGB相机ꎬ同步获取小麦关键生育时期的无人机遥感影像ꎬ并提取光谱反射率㊁热红外温度和数字高程信息ꎬ选取并计算出相应的特征集ꎬ然后利用支持向量回归(SVR)㊁多元线性回归(MLR)㊁随机森林回归(RFR)㊁偏最小二乘回归(PLSR)等机器学习算法建立小麦产量的估测模型ꎬ最终结果表明采用RFR算法建立的模型效果最好(R2=0.724ꎬRMSE=614.72kg/hm2ꎬMAE=478.08kg/hm2)ꎮ申洋洋等[69]采集冬小麦多光谱数据ꎬ选取多光谱相机的5个特征波段计算各生育时期的72个植被指数ꎬ分别通过逐步多元线性回归㊁偏最小二乘回归㊁BP神经网络㊁支持向量机㊁随机森林构建不同生育时期的产量估算模型ꎬ其中基于随机森林算法建立的模型估算效果最优(R2=0.94ꎬRMSE=0.32ꎬRE=9%)ꎮ赵鑫[70]利用多旋翼无人机搭载数码相机拍摄小麦的可见光图像ꎬ经预处理后计算出植被指数和颜色特征ꎬ然后结合多种机器学习算法建立产量估测模型ꎬ其中随机森林算法模型精度最高(R2=0.74)ꎮ作物发育时期也会影响模型精度ꎮ刘昌华等[71]以无人机多光谱影像为基础ꎬ提取冬小麦在几个生长阶段下的冠层多光谱数据并建立产量估算模型ꎬ其中返青期估算效果较差ꎬ拔节期㊁孕穗期㊁扬花期估算效果相近且较好(R2分别为0.93㊁771㊀第4期㊀㊀㊀㊀㊀㊀曾世伟ꎬ等:基于无人机遥感的作物表型参数获取和应用研究进展0.96㊁0.94)ꎮ申洋洋等[69]以冬小麦拔节期㊁孕穗期㊁抽穗期㊁灌浆期㊁成熟期的无人机多光谱影像为数据源ꎬ利用随机森林算法构建模型的R2㊁RMSE㊁RE分别为拔节期0.92㊁0.35㊁11%ꎬ孕穗期0.93㊁0.33㊁10%ꎬ抽穗期0.94㊁0.32㊁9%ꎬ灌浆期0.92㊁0.36㊁9%ꎬ成熟期0.77㊁0.67㊁33%ꎬ可见ꎬ抽穗期的估算效果最好ꎬ拔节期㊁孕穗期㊁灌浆期估算效果接近㊁也较好ꎬ成熟期的估算精度最差ꎮ3㊀总结与展望本文综述了基于无人机遥感开展作物表型参数研究的过程和方法㊁无人机遥感平台及其在作物表型参数估测上的应用研究进展ꎮ无人机遥感平台凭借着工作效率高㊁灵活性好㊁成本低㊁分辨率高㊁适用于复杂野外环境等优点ꎬ成为研究作物表型参数的有利工具ꎬ为农业精细化管理及农田生态系统建模提供了技术支持ꎮ由于外界环境和作物自身因素影响以及研究方法的局限性ꎬ目前多数研究构建的表型参数模型的精确性㊁鲁棒性㊁泛化性等性能较差ꎬ缺乏能够较好估测不同作物类型的表型参数的通用模型和方法ꎬ而且目前无人机遥感监测表型参数信息的研究多集中于玉米㊁小麦㊁水稻㊁大豆等少数作物ꎬ其他作物类型鲜有研究ꎬ因此该技术研究在深度与广度上还有很大的发展空间ꎮ参㊀考㊀文㊀献:[1]㊀仇瑞承ꎬ魏爽ꎬ张漫ꎬ等.作物表型组学测量方法综述[J].中国农业文摘-农业工程ꎬ2019ꎬ31(1):23-36ꎬ55. [2]㊀周济ꎬTardieuFꎬPridmoreTꎬ等.植物表型组学:发展㊁现状与挑战[J].南京农业大学学报ꎬ2018ꎬ41(4):580-588. [3]㊀TothCꎬJóz'kówG.Remotesensingplatformsandsensors:asur ̄vey[J].ISPRSJournalofPhotogrammetryandRemoteSens ̄ingꎬ2016ꎬ115:22-36.[4]㊀WeiXJꎬXuJFꎬGuoHNꎬetal.DTH8suppressesfloweringinriceꎬinfluencingplantheightandyieldpotentialsimultaneously[J].PlantPhysiologyꎬ2010ꎬ153(4):1747-1758. [5]㊀AlheitKVꎬBusemeyerLꎬLiuWXꎬetal.Multiple ̄linecrossQTLmappingforbiomassyieldandplantheightintriticale(ˑTriticosecaleWittmack)[J].TheoreticalandAppliedGenet ̄icsꎬ2014ꎬ127:251-260.[6]㊀GuoWꎬFukatsuTꎬNinomiyaS.Automatedcharacterizationoffloweringdynamicsinriceusingfield ̄acquiredtime ̄seriesRGBimages[J].PlantMethodsꎬ2015ꎬ11:1-15.[7]㊀SiebertSꎬEwertFꎬRezaeiEEꎬetal.Impactofheatstressoncropyield ontheimportanceofconsideringcanopytempera ̄ture[J].EnvironmentalResearchLettersꎬ2014ꎬ9(4):044012. [8]㊀张芳毓ꎬ谭永毅ꎬ聂婧ꎬ等.无人机多光谱在农业中的应用[J].智慧农业导刊ꎬ2022ꎬ2(24):11-13.[9]㊀HussainS.基于无人机载多光谱相机的油菜表观参数反演及早期草害检测[D].武汉:华中农业大学ꎬ2021. [10]ColominaIꎬMolinaP.Unmannedaerialsystemsforphotogram ̄metryandremotesensing:areview[J].ISPRSJournalofPho ̄togrammetryandRemoteSensingꎬ2014ꎬ92:79-97. [11]ZhongYFꎬWangXYꎬXuYꎬetal.Mini ̄UAV ̄bornehyper ̄spectralremotesensing:fromobservationandprocessingtoap ̄plications[J].IEEEGeoscienceandRemoteSensingMaga ̄zineꎬ2018ꎬ6(4):46-62.[12]WangTHꎬLiuYDꎬWangMHꎬetal.ApplicationsofUASincropbiomassmonitoring:areview[J].FrontiersinPlantSci ̄enceꎬ2021ꎬ12:616689.[13]XuRꎬLiCYꎬPatersonAH.Multispectralimagingandun ̄mannedaerialsystemsforcottonplantphenotyping[J].PLoSONEꎬ2019ꎬ14(2):e0205083.[14]李晶ꎬ车英ꎬ王加安ꎬ等.折反射共光路多谱段激光雷达光学系统设计[J].中国激光ꎬ2018ꎬ45(5):273-278. [15]YangGJꎬLiuJGꎬZhaoCJꎬetal.Unmannedaerialvehiclere ̄motesensingforfield ̄basedcropphenotyping:currentstatusandperspectives[J].FrontiersinPlantScienceꎬ2017ꎬ8:1111. [16]朱秀芳ꎬ李石波ꎬ肖国峰.基于无人机遥感影像的覆膜农田面积及分布提取方法[J].农业工程学报ꎬ2019ꎬ35(4):106-113.[17]戴建国ꎬ张国顺ꎬ郭鹏ꎬ等.基于无人机遥感可见光影像的北疆主要农作物分类方法[J].农业工程学报ꎬ2018ꎬ34(18):122-129.[18]程雪ꎬ贺炳彦ꎬ黄耀欢ꎬ等.基于无人机高光谱数据的玉米叶面积指数估算[J].遥感技术与应用ꎬ2019ꎬ34(4):775-784.[19]NäsiRꎬHonkavaaraEꎬLyytikäinen ̄SaarenmaaPꎬetal.UsingUAV ̄basedphotogrammetryandhyperspectralimagingformappingbarkbeetledamageattree ̄level[J].RemoteSensingꎬ2015ꎬ7(11):15467-15493.[20]姚雄ꎬ余坤勇ꎬ刘健.基于无人机多光谱遥感的马尾松林叶面积指数估测[J].农业机械学报ꎬ2021ꎬ52(7):213-221. [21]朱红艳.基于无人机低空遥感的油菜表型信息获取方法研究[D].杭州:浙江大学ꎬ2019.[22]刘建刚ꎬ赵春江ꎬ杨贵军ꎬ等.无人机遥感解析田间作物表型信息研究进展[J].农业工程学报ꎬ2016ꎬ32(24):98-106.[23]赵静ꎬ杨焕波ꎬ兰玉彬ꎬ等.基于无人机可见光图像的夏季玉米植被覆盖度提取方法[J].农业机械学报ꎬ2019ꎬ50871山东农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第56卷㊀。

基于UAV高光谱遥感的春小麦表型特征提取

基于UAV高光谱遥感的春小麦表型特征提取

式为 y = 0 7962x + 0 1228ꎬ 相关性决定系数 R 2 达到了
数ꎮ 特 别 是ꎬ NDSI (710ꎬ714) 与 LAI 的 相 关 系 数 高 达
测与预测高度之间呈现出显著的线性关系ꎬ 具体表达
指数与 LAI 和 CCC 的相关性显著且优于传统植被指
0 808ꎬ 而 RMSE 为 0 105ꎮ 这表明模型具有相对较高
此外ꎬ DSM 数据由无人机点云数据生成ꎮ
1 2 3 光谱指数选取
通过对各个波段的反射率按照一定的代数形式进
行组合ꎬ 得到试验区作物冠层的光谱指数ꎮ 本研究参
征的研究仍相对较少ꎮ
综上所述ꎬ 本研究基于无人机高光谱遥感技术分
析春小麦在不同生长阶段的表型特征变化ꎮ 具体目标
考相关研究ꎬ 选取 7 种植被指数 NDVI、 EVI2、 OSA ̄
环境风险和 3S 综合应用ꎮ
2 2024ꎬVol 44ꎬNo 04
农业与技术 ※农业科学

度ꎬ 其中基于骨架算法提取玉米高度具有一定优势ꎬ
基金项目: 国家自然科学基金地区项目 ( 项目编号: 42261019) ꎻ 内蒙古师范大学研究生科研创新基金资助项目 ( 项目编号: CXJJS22131)
作者简介: 呼斯乐 (1996-) ꎬ 男ꎬ 硕士在读ꎮ 研究方向: 植被高光谱遥感ꎻ 通讯作者包玉龙 ( 1982-) ꎬ 男ꎬ 副教授ꎮ 研究方向: 灾害与
食安全具有重要影响ꎮ 因此ꎬ 准确、 快速、 高效地获
窄波段光谱指数作为自变量的花青素估算模型在精度
取小麦表型特征对其生长过程的监测具有重要意义ꎮ
方面明显优越于传统的植被指数模型ꎮ 相比于传统的
现阶段作物表型信息的提取主要依赖地基、 卫星

高光谱技术在农业遥感中的应用研究进展

高光谱技术在农业遥感中的应用研究进展

高光谱技术在农业遥感中的应用研究进展茅恒昌(北京师范大学资源与环境学院,北京 100875)摘 要:随着生活质量要求的逐渐提升,高光谱技术在现代农业的发展中起到重要的作用。

文章通过对高光谱技术在农业遥感中的应用现状进行分析,以此深入研究高光谱技术在农业遥感中应用。

通过农业作物产量品质、生长情况以及生长性状进行全面的发展。

通过对现阶段研究情况的总结和分析,推动高光谱技术在农业遥感中的应用,从根本上提升国家农业种植的综合能力。

关键词:高光谱技术;农业遥感;生长性状中图分类号:S127 文献标志码:A 文章编号:1672-3872(2017)22-0088-01——————————————作者简介: 茅恒昌(1983-),男,安徽阜阳人,硕士在读,研究方向:农业遥感。

1 高光谱技术在农业遥感中的发展方向现阶段,精细农业成为国家农业现代化发展的主要目标和方向,而高光谱遥感技术在农业监测方面展现出来的快速高效、精准无损的特点,让其成为农业遥感监测中的重要应用手段。

精细农业是一种结合信息、生物以及工程等多种高新技术为一体的现代化农业管理手段,通过科学系统的管理方法提高农业资源的利用效率,在保证环境无污染的情况下,提升农产品的产量和质量。

考虑到精细农业对数据和信息的需求,传统的分析方法无法满足现代化农业发展,因此将遥感技术、地理信息系统、全球定位系统都应用到农业监测中。

农业遥感属于这三种技术其中之一,根据监测的不同类型分为农作物的土壤成分遥感信息模型、作物灾害估计遥感分析模型等。

而高光谱技术作为遥感技术中的重要手段,在国家现代化精细农业的发展中得到了广泛的应用。

利用高光谱技术获取相比传统分析技术中更加完整准确的农业作物参数,为农业作物的管理和种植提供保障。

2 高光谱技术在农业遥感中的具体应用2.1 农业作物生长长势监测1)叶面积指数。

高光谱遥感技术因为不会对作物造成破坏的特点,因而被应用到监测作物的叶面积上,弥补传统获取农业作物叶面积指数的耗时过长等缺点,以最小的破坏,获取最精准的叶面积指数。

基于高光谱植被指数的棉田冠层特征信息估算模型研究

基于高光谱植被指数的棉田冠层特征信息估算模型研究
中 图 分 类 号 : 5 2T 7 ¥ 6 :P 9 文献 标 志码 : A
文 章 编 号 : 0 27 0 ( 0 1 0 —4 6 0 1 0 — 8 7 2 l ) 50 7 —5
Esi t n Mo e s a c n Cot n Ca o y S r cu e Pa a t r a e n Hy e — t ma i d l o Re e r h o t n p tu t r r me e s B s d o p r o
模 型 为 最 优 。 可 见 , 用 高 光谱 遥 感 技 术可 以分 析 、 拟 、 价 、 测棉 花冠 层特 征 参 量 . 精 准 种 植 棉 花 提 供 利 模 评 预 为
了依 据
关 键 词 : 光谱 遥 感 ; 花 冠 层 信 息 ; 一化 植 被 指 数 ; 高 棉 归 比值 植 被 指 数 ; 算 模 型 估
n q e Af re t t n a d e au t n o e a c r c ft e mo e,t e o t le t t n mo e a a tr o h ot n i u . t si i n v l ai ft c u a y o d l h p i s mai d l r mee s f rt e c t e ma o o h h ma i o p o
量模型。 经过 对 估 算 模 型 的 精 度检 验和 评 价 , 终 筛选 出表 征 棉 花 冠 层 结 构 特 征 参数 的最 佳 估 算 模 型 。 最 结果 表 明 , 于 归 一化 植被 指 数 预 测 棉 花 叶 面 积 指 数 , 基 以幂 函数 (= 1 8 x ,= . 7 的 模 型 为 最 优 : 于 比值 y l . 4 rO8 6 ) 0 0 基 植 被 指 数 预 测 棉 花 单位 面积 地 上 部 鲜 生 物 量 , 以指 数 函 数 (= 22 1 ep012 x , 08 1 的 估 计模 型 为最 y 5 . ・x (.04 )r .14 ) 6 = 优 ; 于 比值 植 被 指 教 预 测 棉 花 单 位 面 积 地 上 部 干 生 物 量 , 基 以指 数 函数 (= .5 2 ep01 3 , 08 3 的 y 955 -x ( 13 )r . 0 ) x = 3

基于高光谱特征提取的甜瓜白粉病早期识别

基于高光谱特征提取的甜瓜白粉病早期识别

基于高光谱特征提取的甜瓜白粉病早期识别第一篇范文甜瓜白粉病是一种严重影响甜瓜生长的病害,对农业生产造成了巨大的经济损失。

及早识别甜瓜白粉病对于防止病害扩散和降低经济损失具有重要意义。

基于高光谱特征提取的甜瓜白粉病早期识别技术为这一问题提供了一种有效的解决方案。

高光谱技术是一种能够获取物体反射光谱信息的技术,通过分析光谱信息可以得到物体的生理和病理特征。

在甜瓜白粉病识别中,高光谱技术可以用于获取甜瓜叶片的光谱信息,通过分析光谱信息可以得到甜瓜叶片的健康状况。

基于高光谱特征提取的甜瓜白粉病早期识别技术主要包括以下几个步骤:首先,获取甜瓜叶片的高光谱反射率数据;其次,对高光谱数据进行预处理,包括去除噪声、校正反射率等;然后,提取高光谱特征,可以采用主成分分析、独立成分分析等方法;最后,利用提取的特征建立甜瓜白粉病的识别模型,可以采用支持向量机、神经网络等方法。

基于高光谱特征提取的甜瓜白粉病早期识别技术具有较高的识别准确率,可以在甜瓜白粉病发病初期就进行识别,为农业生产提供及时的防治信息。

然而,该技术也存在一些挑战,如光谱数据的获取需要专业的设备和技术,识别模型的建立需要大量的样本数据和复杂的算法等。

第二篇范文想象一下,你是一名农业科学家,正在寻找一种方法来提前发现甜瓜白粉病,这样你就可以在疾病造成严重损失之前采取行动。

你可能会想:“如果我能利用甜瓜叶子反射的光谱信息来识别病害,那该多好啊!”这时,基于高光谱特征提取的甜瓜白粉病早期识别技术就闪亮登场了。

首先,让我们来了解一下高光谱技术。

你可以把它想象成一种特殊的相机,能够捕捉到甜瓜叶子反射的光谱信息。

这些信息就像叶子的小秘密,可以告诉我们叶子是否健康。

然后,我们需要从这些光泽中提取有用的特征,这就像是从珠宝中挑选出最闪耀的宝石。

我们可以使用主成分分析、独立成分分析等方法,就像是用特定的工具来挑选宝石。

最后,我们需要建立一个识别模型,这就像是为珠宝打造一个展示柜。

高光谱遥感技术在作物生长监测中的应用研究进展

高光谱遥感技术在作物生长监测中的应用研究进展

麦类作物学报2009,29(1):174-178Jo ur na l of T rit iceae Cr ops高光谱遥感技术在作物生长监测中的应用研究进展李映雪,谢晓金,徐德福(南京信息工程大学应用气象学院,江苏南京210044)摘要:精准农业是现代化农业生产中实现低耗、高效、优质与安全的重要途径,高光谱遥感技术可以快速准确地获取农田作物生长状态的实时信息,为实施精准农业提供重要的技术支撑。

本文综述了以高光谱遥感技术监测作物长势(包括叶面积指数和生物量)、作物生物化学参数(包括植物的氮素营养、叶绿素含量、叶片碳氮比等)和籽粒品质(包括籽粒蛋白质含量、面筋含量、淀粉积累量等)的国内外研究进展,并提出了一些今后研究的设想,以期为未来精确农业快速发展提供参考。

关键词:作物;高光谱遥感;生长监测中图分类号:S24;S311文献标识码:A文章编号:1009-1041(2009)01-0174-05Application of Hyperspectral Remote Sensing Technologyin Monitoring Crop GrowthLI Ying-xue,XIE Xiao-jin,XU De-fu(College of Applied M eteorology,Nanjin g U nivers ity of Information T echnology,Nan jing,Jiangsu210044,China)Abstract:Precision farming is an im por tant appr oach to realizing low consumption,high yield,goo d qual-i ty and safety in m odern agricultural production.H yperspectral remo te sensing can rapidly and precisely de-termine the g row th status of cro p in the field,w hich offers im por tant technical suppo rt for im plementation of precision farming.On the basis of hyper spectral remo te sensing,m onitoring character of crop g row th, bio-chemical parameter s and grain quality of crop w ere summarized and som e ideas for further resear ch w ere discussed in this paper,w hich could supply an im por tant reference and guideline for quickly develop-m ent o f precision farm ing in the futur e.Key words:Crop;H yperspetral remo te sensing;Grow th;Monitoring精准农业是在现代信息技术、生物技术与工程技术等一系列高新技术最新成就的基础上发展起来的一种重要的现代农业生产形式,它是实现农业低耗、高效、优质与安全的重要途径,目前,已成为世界农业技术的研究重点,其中遥感技术是实施精准农业的重要工具之一。

数字农业田间信息获取技术研究现状和发展趋势

数字农业田间信息获取技术研究现状和发展趋势

数字农业田间信息获取技术研究现状和发展趋势姚建松;刘飞【摘要】对土壤水分与养分的测量方法、作物长势及其背景的监测、营养状况监测、作物冠层监测、作物病虫害诊断、杂草识别等田间信息获取技术在数字农业中的开发、应用现状以及发展概况做了简要综述,并指出将遥感技术和光谱技术结合应用是我国实现田间信息获取技术的关键.【期刊名称】《农机化研究》【年(卷),期】2009(031)008【总页数】6页(P215-220)【关键词】数字农业;田间信息获取;遥感;光谱【作者】姚建松;刘飞【作者单位】浙江省海宁市农业机械管理站,浙江,海宁,314400;浙江大学,生物系统工程与食品科学学院,杭州,310029【正文语种】中文【中图分类】S1260 引言数字农业技术是将现代信息技术、生物技术、农业科学技术与农机工程装备技术相结合的新型农业技术。

数字农业技术体系由3个部分组成,即信息获取系统、信息处理系统和智能化农业机械。

其中,田间的信息获取技术是数字农业的关键技术。

目前,田间信息获取方法主要有传统的田间采样、田间GPS采集、智能农机作业和多平台遥感获取等4种方式。

通常所说的“3S”技术中的全球定位系统(GPS)和遥感技术(RS)是田间信息获取的重要手段,它是实现数字农业的重要支撑技术[1-3]。

1 全球定位系统全球定位系统(GPS,Global Positioning System)是由地球导航卫星、地面监控系统和用户GPS接收机等3个主要部分组成。

现在最常用的是美国GPS系统,它包括在离地球约20 000km 高空近似圆形轨道上运行的24颗地球导航卫星,其轨道参数和时钟由设于世界各大洲的5个地面监测站与设于其本土的一个地面控制站进行监测和控制,使得在近地旷野的GPS接收机在昼夜任何时间、任何气象条件下最少能接受到4颗以上卫星的信号。

通过测量每一卫星发出的信号到达接收机的传输时间,即可计算出接收机所在的地理空间位置。

农田养分信息具有显著的空间属性,其空间变异性很大。

农作物影像数据分析报告(3篇)

农作物影像数据分析报告(3篇)

第1篇一、报告概述随着遥感技术的快速发展,农作物影像数据在农业生产中的应用越来越广泛。

通过对农作物影像数据的分析,可以实时监测农作物生长状况,为农业生产提供科学依据。

本报告旨在分析农作物影像数据,探讨其在农业生产中的应用,并提出相应的建议。

二、农作物影像数据概述农作物影像数据是指利用遥感技术获取的,反映农作物生长状况的图像数据。

这些数据包括可见光影像、多光谱影像、高光谱影像等。

农作物影像数据具有以下特点:1. 时效性强:农作物影像数据可以实时反映农作物生长状况,为农业生产提供实时信息。

2. 空间分辨率高:高分辨率影像数据可以提供更精细的农作物生长信息。

3. 信息丰富:农作物影像数据包含了丰富的信息,如植被指数、叶面积指数、产量等。

三、农作物影像数据分析方法1. 预处理预处理是农作物影像数据分析的第一步,主要包括以下内容:(1)图像增强:通过对图像进行对比度、亮度等调整,提高图像质量。

(2)图像校正:对图像进行几何校正、辐射校正等,消除误差。

(3)图像分割:将图像划分为若干区域,提取感兴趣区域。

2. 植被指数计算植被指数是反映植被生长状况的重要指标,常用的植被指数有:(1)归一化植被指数(NDVI):NDVI反映了植被的绿色程度,与植被生长状况密切相关。

(2)增强型植被指数(EVI):EVI能够更好地反映植被覆盖度,尤其在低光照条件下。

3. 叶面积指数计算叶面积指数(LAI)是反映农作物冠层结构的重要指标,其计算方法如下:(1)建立冠层模型:根据遥感影像数据和地面实测数据,建立冠层模型。

(2)模型反演:利用冠层模型反演LAI。

4. 产量估算产量估算是农作物影像数据分析的重要应用,常用的方法有:(1)遥感估产模型:根据遥感影像数据和地面实测数据,建立遥感估产模型。

(2)模型反演:利用遥感估产模型反演产量。

四、农作物影像数据在农业生产中的应用1. 农作物长势监测通过对农作物影像数据的分析,可以实时监测农作物生长状况,为农业生产提供决策依据。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
品种群体冠层内太阳光谱辐射反射率ɑ、透射率β和吸收率及消光系数K存在明显差
异,尤其以蓝光辐射(400~ 510 nm)差异最为显著。 (4)光能利用率与高光谱关系的研究:理论和实验都证明,植物冠层的光合有效辐 射与反射率有联系。遥感所得的APAR比LAI能更可靠地估计作物的生物量,因为作 物的光合作用过程直接把APAR(植物吸收的光合有效辐射)能量转换成干物质,因此 APAR是作物初级生产力的一个较好的指标。
4.展望
高光谱遥感作为一种新的遥感技术已经在NDVI, LAI、光合有效辐射等因子的估 算中以及在植被生物化学参数分析、植被生产量和作物单产估计、作物病虫害监测 等方面得到广泛的应用。
Wiegandetal首次把光谱观测与LAI联系了起来,叶面积指数难以直接通过遥感信息进 行反演。在此基础上,童庆禧等根据LAI与高光谱遥感图像植被因子之间的理论模型获取 了LAI:
式中C2=K2-β2,k为植被吸收系数,β为散射系数;,为归一化植被因子。
2.研究现状
(2)提取植被初级生产(NPP)与生物量的研究:冠层的理化特性在一定程度上 控制着森林的初级生产力(NPP),比如叶面积和氮含量通过控制光合作用和传输速 率来影响NPP。
光谱匹配:将混合像元与光谱数据库光谱或与实验室、地面实测的参考光谱进行 光谱匹配可以直接识别地物成分。美国JPL最早发展了二值编码光谱匹配,已用于单 矿物的识别。Price选用45幅AVIRIS高光谱图像,在400~2500 nm波段范围内,通过 统计分析和与实验室测得的光谱进行匹配分析,找到了分别对地表水、雪、火、植 被和土壤较敏感的5个光谱波段460~540nm 、610~690nm 、990~1090nm、 1520~1610nm 、2080~2170nm,从而为通过AVIRIS等高光谱图像方便地识别上述 五种地表覆盖类型奠定了基础。
2.研究现状
Ross等用蒙特卡罗方法来模拟了植被冠层的双向反射特性,在模型中考虑了树 冠高度、冠间距离、树冠面积密度、以及叶长、叶宽、叶片大小、叶倾角分布函数 (LAD)及土壤反射率等参数对植被反射的影响。
杨长明等应用光谱辐射仪,对不同株型水稻品种的冠层光谱辐射能进行观测和 计算,比较分析了不同冠层群体光谱分布特征的差异性。结果表明,不同株型水稻
1.引言
1.为什么是高光谱遥感? 高光谱遥感是指光谱分辨率在10-2ʎ的遥感信息,其特点是光谱分
辨率高(5~10nm)、波段连续性强。高光谱遥感既能对目标成像、又能 测量目标物的波谱特性,因此它不仅可以用来提高对农作物和植被类 型的识别能力,而且还可以用来监测农作物长势和反演农作物的理化 特性。高光谱遥感数据在提取作物生理生化特征、提取作物冠层信息、 估产以及预测病虫害等许多方面都表现出巨大的应用潜力。
近年来,随着双向反射模型的建立与完善,高光谱遥感与双向反 射模型的反演相结合,加上逐步成熟的植被高光谱分析算法,为更准 确地探测植被的精细光谱信息,定量反演植被各组分含量及叶面积指 数LAI等植被结构参数,精确估算植物所吸收的光合有效辐射APAR, 植物的初级生产力NPP等指标提供了可能。
2.研究现状
3.植被高光谱分析算法简介
模型反演:植被光谱模型反演植被生物物理参量是定量遥感发展的重要趋势。 Barry建立了植被叶子的辐射传输模型(LEAFMOD),给定叶子的厚度和一些光学特性 比如叶子吸收和散射系数即可估算叶子的反射和透射系数。反过来,由实测的叶子 反射和透射光谱特性即可计算叶子的吸收和散射系数。
混合象元分解:图像中每个象元均是一些最终单元(endmember)光谱的线性混合。 由于高光谱遥感具有光谱波段划分细,数量多等特点,有利于选择各种单一地物光 谱区分明显的波段,将混合光谱反演成为单一光谱。Roberts用AVIRIS高光谱数据, 采用混合光谱分解和光谱匹配技术相结合的方法对美国San-taMonica山区进行地物 识别和分类制图,进一步表明了用高光谱遥感技术可以在区域尺度上对山区的植被 变化进行 监测。
Mcmichael在北极冻原生态系统中用手持光谱仪测得的光谱数据计算NDVI,来 估计CO2的流量,并建立了NDVI与研究区光合作用,生态系统呼吸作用的关系。
3.植被高光谱分析算法简介
光谱植被指数:根据植被的反射光谱特征,通常是用植被红光,近红外波段的反 射率和其他因子及其组合所获得的植被指数VI(近50种)来提取植被信息,并在区 域和全球尺度上广泛应用于从高空对农作物与林木生长状况,农业估产和生态环境 的监测。
肖乾广等则认为ANPP与NDVI间存在对数函数关系,并用此关系估算了 中国陆地的NPP 。
张良培利用样本NDVI和测量所得的生物量数据进行回归分析,得出相关系数 在0. 7以上的结论。 (3)作物消光系数K,叶倾旁FIA,叶片分布LD,冠层辐射透过系数TR等冠层结构 参数的研究:光能利用率是作物获得高产的基础。反映作物群体光辐射特征的指标 主要有:叶面积指数LAI、消光系数K、叶片分布LD、叶关系。
利用高光谱遥感提取作物冠层生物物理参量的研究
从高光谱数据中提取生物物理参量主要是指用于植被研究的一些生物物理变量,如:叶 面积指数LAI、生物量、植物种类、光和有效辐射率、净生产率及其冠层结构参数等。这 些参数可以反映植物生长发育的特征动态,也是联系物质生产和反射光谱关系的中间纽 带。 (1)定量提取植被叶面积指数LAI的研究:LAI是单位面积上所有叶片表面积的总和,也可 以理解为单位面积上所有叶子向下投影的总和。LAI是生态系统研究中最重要的结构参数 之一,它是估计多种植冠功能过程的重要参数。LAI可为植冠表面最初能量交换描述提供 结构化定量信息。
在利用参数模型进行NPP的估算时,有的直接利用NDVI<归一化植被指数)与 NPP的关系进行计算。Prince和Sahelia在半干旱草原进行了长达8年的实地生产力 观测,并与同一时期的多时相NOAA气象卫星的年NDVI之和进行分析,表明生产 力在0~3000 kg·hm2的范围内时,它们之间存在很强的线性关系。
相关文档
最新文档