无人机多光谱影像的小麦倒伏信息多特征融合检测研究

为探究多特征融合方法在作物倒伏领域快速精准识别中的适用性,利用无人机获取多田块冠层尺度的不同倒伏率麦田多光谱数据,对原始倒伏图像进行图像拼接、辐射校正、几何校正等预处理,并利用重归一化差值植被指数和阴影指数分别剔除土壤和阴影背景,提取小麦倒伏DSM模型和植被指数分别与多光谱图像进行多特征图像主成分变换融合,筛选差异性较大的纹理特征,采用支持向量机(SVM)、人工神经网络(ANN)和最大似然法(MLC)监督分类模型对多光谱和DSM融合图像、多光谱和归一化植被指数(NDVI)融合图像、多光谱图像和纹理特征图像进行监督分类,并采用总体精度(OA)、 Kappa系数和提取误差综合评价各监督模型的分类性能和倒伏提取精度。分类结果表明:各监督分类方法在不同倒伏区域提取结果建模效果趋势一致,SVM和ANN整体提取精度高于MLC,在高倒伏区域,多光谱与NDVI融合图像的SVM监督模型(OA:92.63%, Kappa系数:0.85,提取误差:1.11%)提取效果最好;在中倒伏区域,多光谱与DSM融合图像的SVM监督模型(OA:90.35%, Kappa系数:0.79,提取误差:9.34%)提取效果最好;在低倒伏区域,均值纹理特征图像的ANN监督模型(OA:91.05%, Kappa系数:0.82,提取误差:8.20%)提取结果较好。本研究将DSM模型、植被指数、纹理特征与多光谱图像进行融合对比,并对多特征融合方法能否高精度有效提取小麦倒伏信息进行了探究,结果表明无人机多光谱遥感结合特征融合技术能有效提取小麦倒伏面积,提取效果优于单特征小麦倒伏图像。本研究结果可为助力小麦倒伏灾情调查数据的精确获取方法提供参考。

基于时间序列植被指数的小麦条锈病抗性等级鉴定方法

条锈病严重影响小麦产量,培育抗条锈病的小麦品种至关重要。针对传统育种中抗性鉴定手段单一、效率低的问题,该研究提出了一种通过小麦冠层植被指数的时间序列实现对条锈病不同抗性等级的高效鉴定方法。该方法利用无人机采集自然发病的育种群体小麦(共600个样本,516个基因型)冠层多时相的光谱图像,使用随机蛙跳算法和ReliefF算法筛选出6个条锈病病害严重度的敏感特征:归一化色素叶绿素指数(normalized pigment chlorophyll index,NPCI)、沃尔贝克指数(woebbecke index,WI)、叶绿素红边指数(chlorophyll index rededge,CIrededge)、绿大气抵抗植被指数(green atmospherically resistant index,GARI)、归一化差分植被指数(normalized difference vi,NDVI)、叶绿素绿指数(chlorophyll index green,CIgreen),这些敏感特征在试验群体中的时间序列符合条锈病的发病规律,验证了其作为条锈病发病严重度敏感特征的有效性;基于支持向量机(support vector machine,SVM)算法使用上述敏感特征建立条锈病病害严重度等级分类模型,在测试集的表现中,与使用未经过筛选的原始特征所建立的模型相比在精度、平均准确率、平均召回率和F1分数上分别仅下降6.2%、3.3%、2.7%、4.0%,证明了所筛选敏感特征的有效性;针对一般机器学习算法难以捕捉不同抗性等级样本之间较小的特征变化差异的问题,提出了一种从植被指数时间序列转化生成的二维图像中提取特征实现条锈病抗性等级分类的方法。将敏感特征中能够较好区分不同抗病等级的4个时间序列植被指数(NPCI、GARI、NDVI、WI),通过格拉姆角场方法生成格拉姆角和场图像,并制作成数据集,使用DenseNet121网络进行训练,以实现不同条锈病抗病等级的分类。建立的条锈病抗性等级分类模型中,由NPCI时间序列图像建立的分类模型测试效果最佳,其准确率为0.837,召回率为0.834,F1分数可达0.833,能够较好地实现对群体小麦不同品种(系)的条锈病抗性等级差异的区分,表明基于光谱植被指数时间序列的小麦条锈病抗性等级识别方法可以用于小麦抗病育种中抗性等级的鉴定,并可为其他作物的病害抗性等级鉴定提供一定的参考。

基于轻量型网络的无人机遥感图像中茶叶枯病检测方法

针对无人机采集的茶叶枯病图像中病斑差异大,病斑和背景之间相似性高等问题,设计了一个轻量型网络LiTLBNet,用于准确、实时地检测野外茶园无人机图像中的茶叶枯病。LiTLBNet使用轻量型的M-Backbone作为骨干网络,用来提取茶叶枯病病斑的可区分特征,减少因图像中病斑的尺度、颜色和形状的巨大差异而导致的漏检。在LiTLBNet的LNeck结构中引入了SE和ECA模块,帮助网络在通道维度上学习目标的综合特征,减少因病斑和背景之间的相似性造成的误检,同时删除原基线网络最大的特征图,以减少计算量和模型大小。此外,本研究还通过旋转、加噪声、构建合成图像等方式来扩充训练样本数量,提高小样本条件下LiTLBNet网络泛化能力。实验结果表明,利用LiTLBNet检测无人机遥感图像中茶叶枯病的精度为75.1%,平均精度均值为78.5%,与YOLO v5s接近。然而,LiTLBNet内存占用量仅2.0 MB,是YOLO v5s网络的13.9%。LiTLBNet网络可用于对茶叶枯病进行实时、准确的无人机遥感监测。

基于Sentinel-1/2改进极化指数和纹理特征的土壤含盐量反演模型

目前Sentinel-1/2协同反演植被土壤含盐量的研究大多是基于Sentinel-2光谱信息和Sentinel-1后向散射系数,没有考虑Sentinel-2光谱信息容易受土壤亮度等信息影响,Sentinel-1后向散射系数容易受土壤粗糙度和水分影响。为进一步提高Sentinel-1/2协同反演植被土壤含盐量的精度,用水云模型对雷达卫星后向散射系数进行校正,消除植被影响;然后协同Sentinel-2纹理特征,基于VIP、OOB、PCA 3种变量筛选和RF、ELM、Cubist 3种机器学习回归模型构建植被土壤含盐量反演模型。研究结果表明:经过水云模型去除植被影响后的雷达后向散射系数及其极化组合指数与土壤含盐量的相关性有一定程度的提高。不同变量选择方法与不同机器学习方法耦合模型在反演土壤含盐量中,OOB变量筛选方法与RF、ELM和Cubist 3种机器学习方法的耦合模型精度最佳,建模集和验证集的R2都在0.750以上,且验证集的RMSE和MAE均最小;其中OOB-Cubist耦合模型精度最高,且R_(v)^(2)/R_(c)^(2)为0.955,具有良好的鲁棒性。研究可为机器学习协同物理模型、光学卫星协同雷达卫星在土壤含盐量反演中的进一步应用提供思路。

基于垄间背景剔除优化小麦赤霉病遥感监测精度

为探究麦田垄间背景对无人机多光谱小麦赤霉病监测精度的影响,该研究以江苏省镇江市农科院灌浆期小麦为研究对象,利用大疆M600 Pro无人机搭载RedEdge-MX多光谱相机获取小麦冠层多光谱影像。通过筛选与小麦赤霉病相关性最高的植被指数(vegetation indexes,VIs):MSR和CRI2植被指数,并采用大津法(Nobuyuki Otsu method,OTSU)、阈值分割法和支持向量机(support vector machine,SVM)等方法对小麦赤霉病遥感图像进行精细化语义分割,降低田块边缘阴影背景和染病麦穗之间的误判率。试验结果表明:目视解译阈值分割法剔除背景的效果最好(总体精度:92.06%,Kappa系数:0.84),OTSU阈值分割法(总体精度:90.52%,Kappa系数:0.81)效果次之。采用偏最小二乘回归分别建立小麦病情指数(disease index,DI)与VIs、纹理特征(texture features,TFs)和VIs&TFs小麦赤霉病监测模型,其中VIs&TFs模型监测精度最高,剔除垄间背景前预测模型训练集的决定系数(coefficient of determination,R^(2))为0.73,均方根误差(root mean square error,RMSE)为5.52,相对分析误差(relative percent deviation,RPD)为2.01,验证集的R^(2)为0.68,RMSE为6.21,RPD为1.96;剔除垄间背景后VIs&TFs模型监测精度依然最高,训练集的R^(2)为0.75,RMSE为5.58,RPD为2.13,验证集的R^(2)为0.77,RMSE为7.13,RPD为2.11。综上所述,基于垄间背景特征的精细化语义分割有效地提高了小麦赤霉病的监测精度,可以直观地了解小麦病情分布情况,可对后续变量施药提供参考依据。

基于Landsat8与Sentinel-1遥感图像融合的土壤含水率反演模型

针对当前运用单一光学卫星反演土壤含水率时易受到云的影响,单一SAR卫星反演土壤含水率时易受到地表粗糙度和植被影响的问题,以内蒙古河套灌区沙壕渠为研究区域,以4个深度的土壤含水率为研究对象,分别采用主成分分析(PCA)、施密特正交变换(GS)融合Landsat8和Sentinel-1图像以减少云、植被、土壤粗糙度的影响,并对融合后的图像质量进行评价,然后用融合图像的灰度构建1134种遥感指数,基于相关系数分析、变量投影重要性分析、灰色关联分析3种变量筛选方法与BP神经网络(BP)、极限学习机(ELM)、随机森林(RF)、支持向量机(SVM)4种机器学习算法的耦合模型反演沙壕渠土壤含水率。研究结果表明:经PCA、GS融合后的融合图像可同时保持Sentinel-1和Landsat8图像的优势,并成功定量反演土壤含水率。基于融合图像构建的三维指数普遍比二维指数对土壤含水率更敏感。在表层土壤含水率反演中,基于GS融合的VIP-ELM模型精度最高(决定系数R2=0.66,均方根误差(RMSE)为1.35%)。将GS融合的VIP-ELM模型应用于其他土壤深度含水率的反演后发现,20~40 cm反演精度最高(R2=0.79,RMSE为0.94%),其次是0~10 cm、40~60 cm、10~20 cm。该研究可为多源卫星图像融合反演土壤含水率提供参考。

精准农业与智能农机的现状与未来发展

随着我国人口的不断增加,传统的农业生产方式已无法满足社会发展的需求,因而精准农业与智能农机受到了我国农业部门的关注与青睐。基于此,对精准农业与智能农机的发展现状与现存问题进行了相应阐述,并基于其各自的优势与特点,展望了其未来的发展趋势。对比国内外精准农业与智能农机的发展进程,为我国农业现代化的发展提出了节能化、智能化、清晰化的创新路径。研究结果表明,精准农业与智能农机能够有效提高农业生产的效率与质量,农机技术人员应汲取国内外先进经验,严格遵循操作手册并与当地的实际情况相结合,制定科学合理的应用策略,为保障我国粮食安全作出贡献。

无人机在乡村振兴精准农业中的应用研究——基于汉语语言多维视角选择

介绍了汉语语言多维视角选择在无人机中的应用,设计了无人机飞行控制系统整体方案,并从姿态检测和高度检测等模块设计了无人机飞行控制系统硬件部分,最后建立了无人机运动模型和实现了无人机自主飞行的避障策略。飞行试验结果表明:无人机可以准确从起点飞行至终点,中途避开了障碍物,具有较好的稳定性,验证了飞行避障策略的可行性。

北方农牧交错区生态环境质量动态评价及影响因素分析——以河北坝上地区为例

[目的]农牧交错区是我国典型的生态脆弱区,精准评估农牧交错区生态环境质量与影响因素对地区的生态环境保护及治理有重要作用,可以为区域生态文明建设与实现可持续发展提供科学参考。[方法]本文基于Google earth engine(GEE)平台,利用2000-2020年Landsat遥感影像、土地利用数据、植被净初级生产力数据,根据河北坝上地区的生态特点,构建新型遥感生态指数(new Remote Sensing Ecological Index,nRSEI),评估了河北坝上地区2000—2020年的生态环境质量动态变化特征,并引入地理探测器分析了影响生态环境质量变化的自然因素和社会经济因素。[结果](1)2000—2020年河北坝上地区nRSEI均值经历了“上升—下降—上升”的过程,总体表现为增加。研究区东侧生态环境质量较高,西部区域的生态环境质量略低;(2)2000—2020年期间河北坝上地区生态环境质量变化中改善的面积占比较高,占研究区总面积的76.16%,生态环境质量改善主要发生在研究区西部;恶化的面积占比为8.20%,生态环境质量下降主要发生在研究区东部;(3)2000—2020年期间河北坝上地区生态环境质量空间分布呈现出显著的空间自相关性,局部聚集以“高-高”和“低-低”为主:(4)2000—2020年,单因子中对生态环境质量影响较大的为自然因素中的温度、降水量和坡度以及社会经济因素中距一级、三级道路距离、距县政府距离;2000年和2010年与距一级、三级道路距离、距县政府距离交互的组合交互作用值较高;2005年、2015年和2020年则是与降水量交互的组合交互作用值较高。[结论]河北坝上地区的生态环境质量虽近年有所好转,但其仍处在生态脆弱地区,应重视其生态环境的保护及治理,减少气候变化和人类活动对生态环境造成的破坏。

基于FE-P2Pnet的无人机小麦图像麦穗计数方法

针对无人机图像背景复杂、小麦密集、麦穗目标较小以及麦穗尺寸不一等问题,提出了一种基于FE-P2Pnet(Feature enhance-point to point)的无人机小麦图像麦穗自动计数方法。对无人机图像进行亮度和对比度增强,增大麦穗目标与背景之间的差异度,减少叶、秆等复杂背景因素的影响。引入了基于点标注的网络P2Pnet作为基线网络,以解决麦穗密集的问题。同时,针对麦穗目标小引起的特征信息较少的问题,在P2Pnet的主干网络VGG16中添加了Triplet模块,将C(通道)、H(高度)和W(宽度)3个维度的信息交互,使得主干网络可以提取更多与目标相关的特征信息;针对麦穗尺寸不一的问题,在FPN(Feature pyramid networks)上增加了FEM(Feature enhancement module)和SE(Squeeze excitation)模块,使得该模块能够更好地处理特征信息和融合多尺度信息;为了更好地对目标进行分类,使用Focal Loss损失函数代替交叉熵损失函数,该损失函数可以对背景和目标的特征信息进行不同的权重加权,进一步突出特征。实验结果表明,在本文所构建的无人机小麦图像数据集(Wheat-ZWF)上,麦穗计数的平均绝对误差(MAE)、均方误差(MSE)和平均精确度(ACC)分别达到3.77、5.13和90.87%,相较于其他目标计数回归方法如MCNN(Multi-column convolutional neural network)、CSRnet(Congested scene recognition network)和WHCNETs (Wheat head counting networks)等,表现最佳。与基线网络P2Pnet相比,MAE和MSE分别降低23.2%和16.6%,ACC提高2.67个百分点。为了进一步验证本文算法的有效性,对采集的其它4种不同品种的小麦(AK1009、AK1401、AK1706和YKM222)进行了实验,实验结果显示,麦穗计数MAE和MSE平均为5.10和6.17,ACC也达到89.69%,表明本文提出的模型具有较好的泛化性能。

减施氮肥和接种根瘤菌对大豆生理生长与氮素利用效率及产量的影响

在干旱、半干旱地区农业生产中,广泛采用接种根瘤菌、施用氮素等措施来促进大豆生长以提高产量,然而少有研究讨论接种根瘤菌与施用氮素的交互作用对大豆生长和产量的影响规律。本研究通过为期2年的田间试验,设置4个施氮水平(N0:0 kg/hm^(2);N1:60 kg/hm^(2);N2:120 kg/hm^(2);N3:180 kg/hm^(2))和2种接种水平,即接种根瘤菌(R)和清水拌种。在大豆各生育期测量根瘤数、根瘤干质量、叶面积指数、干物质积累及根系特性等大豆生长指标和叶绿素含量、光合参数、荧光参数等生理指标,同时还测定氮素吸收量等指标并计算氮素利用效率。结果表明,RN2处理下的大豆生长状况最佳,2年平均最大根瘤数为241.47、最大根瘤干质量为1.30 g、最大根长密度为15.00 cm/cm^(3)、最大叶面积指数为5.44 cm^(2)/cm^(2)、最大干物质积累量为17 530.51 kg/hm^(2)、最大叶绿素含量为53.55、最大净光合速率为32.75μmol/(m^(2)·s)、最大种子产量为4 659.4 kg/hm^(2)。由此可见减少氮肥施用量(N2)的同时接种根瘤菌(R)对于促进关中平原大豆的生理生长、提升对氮素的利用效率、提高大豆产量具有重要意义。本研究可为提高干旱半干旱地区大豆生产水平提供理论支持和实践经验。

基于时序Sentinel-2影像的引黄灌区作物结构提取和供需水分析

在黄河流域用水指标严格控制的背景下,以山东省东营市垦利区引黄灌区为例,利用2022年时序Sentinel-2遥感影像构建作物生育期的NDVI时间序列,采用决策树分类方法提取灌区作物种植结构,基于垦利站气象资料和Penman-Monteith公式,分析了1973—2022年各作物的需水特性,利用遥感影像解译的各作物种植面积,计算了2022年灌区作物在不同降水保证率(5%、25%、50%、75%、95%)条件下的灌溉总需水量,结合2023年分配给灌区作物的灌溉水指标探究了灌溉水资源供需之间的平衡。结果表明:基于NDVI时间序列构建决策树分类方法可有效提取作物的种植结构,总体分类精度为85.07%,Kappa系数为0.819,能够满足作物灌溉需水量的研究。作物净灌溉需水量年际波动较大,水稻和冬小麦补充灌溉水量在所有作物中位列前两位,均值分别为913 mm和410 mm;处于雨季生长的夏玉米、夏大豆补充灌溉水量较小且灌溉需求均值较小。研究区2023年分配的灌溉水指标在降水保证率为50%时研究区灌溉水亏缺量为235.5万m^(3),在降水保证率为75%和95%时灌溉水亏缺量分别为1 754.5万m^(3)和2 261.5万m^(3)。

达拉特旗黄河南岸盐碱化土壤不同含盐量估算模型对比

内蒙古自治区鄂尔多斯市达拉特旗黄河南岸由于气候干旱,降水量少,年蒸发量远大于年降水量,靠近黄河地下水位高,导致土壤盐渍化问题突出。以达拉特旗黄河南岸盐碱地为研究对象,基于Sentinel-1、Sentinel-2、Landsat-8和SRTM DEM多源数据,采取相关性分析和连续变量投影结合索套回归(Lasso)、随机森林回归(Random forset,RF)、轻量梯度提升机模型(Light gradient boosting machine,LightGBM)、极端梯度提升模型(Extreme gradient boosting,XGBoost)、一维卷积神经网络(One dimensional convolutional neural networks,1DCNNs)、深度神经网络(Deep neural network,DNN)6种模型进行春季裸土期与植被覆盖期土壤含盐量估算。结果表明:XGBoost模型精度最高,春季裸土期、植被覆盖期测试集决定系数(R2)为0.76、0.58;均方根误差(RMSE)为5.76、7.22 g/kg;平均绝对误差(MAE)为3.38、4.33 g/kg。多源遥感数据结合变量筛选方法利用XGBoost模型揭示研究区不同季节土壤盐分空间分布最有效,含盐量反演结果与野外实际调查分析结果基本吻合。变量重要性分析表明春季裸土期、植被覆盖期重要反演因子分别为:盐分指数(48.3%)、地形因子(33.8%);植被指数(22%)、地形因子(47.9%)。本研究为达拉特旗黄河南岸盐碱地遥感反演提供了有效方法,为春季裸土期与植被覆盖期盐碱化土壤监测及预防提供了理论依据。

基于光谱敏感变量优选的澳洲坚果叶片氮素含量估算

利用高光谱遥感技术探索澳洲坚果叶片氮素含量估算方法,以实现澳洲坚果氮素营养快速诊断。本研究以临沧和西双版纳为研究区,获取澳洲坚果品种O.C和HAES344叶片的光谱反射率和氮素含量,首先采用对数变换、导数变换及其组合对原始光谱反射率进行多种数学变换,然后分析澳洲坚果叶片氮素含量与不同变换形式光谱数据的相关性;在决定系数较大的原则下,选择决定系数曲线图中波峰特征点对应的波长作为氮素敏感波长,从而得到相应的氮素敏感光谱变量;运用逐步回归法对氮素敏感光谱变量进一步优化,并采用多元线性回归(MLR)、偏最小二乘回归(PLSR)和支持向量回归(SVR)3种方法构建澳洲坚果叶片氮素含量估算模型;最后,分别利用验证集和测试集对构建的澳洲坚果叶片氮素含量估算模型性能进行测试。结果显示,MLR、PLSR、SVR等3种模型估算能力均表现良好,验证集和测试集的相对分析误差(RPD)均在2.0以上;其中,PLSR模型为最优估算模型,验证集和测试集的RPD分别为2.099和2.110。从反射率(R)、对数变换(LR)、一阶导数(FDR)、对数变换的一阶导数(FDLR)、二阶导数(SDR)、对数变换的二阶导数(SDLR)等6种变换光谱数据中优选的19个氮素敏感光谱变量,对氮素光谱响应具有较强的稳定性;基于优选的19个氮素敏感光谱变量,用常规的回归建模方法均能取得良好的估算效果,且具有较强的区域普适性。本研究从多种变换光谱数据中优选氮素敏感光谱变量,为澳洲坚果叶片氮素含量估算提供新思路。

基于红光波段日光诱导叶绿素荧光逃逸率的小麦条锈病遥感监测

小麦条锈病是影响小麦产量的主要病害之一,及时探测到病害信息对小麦条锈病的防控具有重要意义。红光波段日光诱导叶绿素荧光(red solar-induced chlorophyll fluorescence,RSIF)能够敏感反映植物光合生理状态,SIF逃逸率与冠层几何结构、叶片光学特性和植被光能利用率密切相关。为实现小麦条锈病及时准确的探测,该研究基于SIF逃逸率函数计算方式,利用野外实测数据计算不同尺度SIF(冠层尺度SIFCanopy、光系统尺度SIFPS)及其逃逸率(εCP),分析了RSIF逃逸率(RεCP)监测小麦条锈病的生理基础,探讨了条锈病胁迫下RεCP的响应特性,并将其与SIF及其衍生参数(荧光产率ФF、表观SIF产量SIFy)、归一化植被指数(normalized difference vegetation index,NDVI)、MERIS陆地叶绿素指数(MERIS terrestrial chlorophyll index,MTCI)、简单比值植被指数(simple ratio vegetation index,SR)进行比较。结果表明:RεCP与氮平衡指数(nitrogen balance index,NBI)、叶绿素(chlorophyll,Chl)、类黄酮(flavonoid,Flav)和花青素(anthocyanin,Anth)4个生理参数的相关性均达到了极显著性水平,且优于光系统尺度RSIF和远红光波段SIF(far-red solar-induced chlorophyll fluorescence,FRSIF),与叶面积指数(leaf area index,LAI)的相关性则优于冠层尺度FRSIF,RεCP能够更好地反映病害胁迫引起的作物生理和冠层结构的变化。在冠层尺度FRSIF(FRSIFCanopy)、光系统尺度FRSIF(FRSIFPS)和RSIF(RSIFPS)、红光波段表观SIF产量(RSIFy)及其荧光产率(RФF)、NDVI、MTCI、SR等特征变量中,RεCP与病情严重度(severity level,DSL)的相关性最高。低叶绿素含量(Chl≤30)和中高叶绿素含量(Chl>30)下,RεCP对小麦条锈病胁迫的响应均最为敏感,其与DSL的相关性均优于达到极显著性水平的SIF及其衍生参数和植被指数。RεCP是小麦条锈病遥感监测的适宜因子,研究结果对提高小麦条锈病的遥感监测精度具有重要意义,同时亦对其他作物胁迫的遥感监测具有一定的参考价值。

融合时序Sentinel数据多特征优选的南方丘陵区油茶种植区提取

油茶作为江西省经济林树种之一,也是江西省特色优势产业,准确获取其空间分布在产量估算、生产管理和政策制定等方面具有重要意义。本研究针对南方多云多雨气候导致光学影像不足,以及丘陵山区地形破碎问题,以江西省宜春市袁州区为研究区,采用时序Sentinel系列影像数据和SRTM DEM数据为数据源,构建和优选了光谱特征、植被-水体指数、红边指数、雷达特征、地形特征和纹理特征共125个特征变量,其中,纹理特征采用累计差法(Δf)对比15种不同尺度窗口,计算Sentinel-1和Sentinel-2影像最佳纹理特征。基于ReliefF特征优选算法和随机森林分类算法,设计了8种特征组合方案开展实验,探讨不同特征类型对油茶提取精度的影响。结果表明:利用累计差法计算出的Sentinel-1和Sentinel-2的最佳纹理特征窗口尺寸均为35×35,最佳纹理特征组合为均值(Mean)、方差(Variance)和对比度(Contrast);在光谱特征、植被-水体指数的基础上加入不同特征对油茶进行分类,不同类型特征对油茶提取的有利程度由大到小依次为S2纹理特征、S1纹理特征、地形特征、雷达特征、红边指数,相比于单一光谱和指数特征,纹理特征的加入可大幅度提高分类精度。多特征协同分类结果优于单特征分类结果,基于特征优选的油茶提取精度最高;基于ReliefF算法特征优选后的方案精度最高,总体精度为88.29%,Kappa系数为0.81。本研究利用时序Sentinel系列遥感影像和DEM地形数据,构建了针对多云雨南方丘陵山区的大范围油茶遥感提取方法,可为中国南方丘陵区域油茶资源调查与监测提供参考。

基于超分辨率重建与机器学习的油菜苗情监测方法

为优化养分管理和确保植株正常生长,以无人机遥感技术高效且非破坏采集田间作物苗情信息,监测油菜苗期的叶面积指数(LAI)与叶绿素相对含量(SPAD)。针对无人机因飞行高度与图像分辨率相互制约,监测效率与监测精度难以兼顾的问题,采用超分辨率重建方法,融合较低飞行高度拍摄高分辨率影像,重建较高飞行高度拍摄影像,建模完成后可通过拍摄飞行影像监测LAI和SPAD。试验设置3个氮肥梯度、3个播期、3个种植密度处理,在苗期利用无人机分别采集20m及40m 2个飞行高度的油菜苗影像,采用SRRestnet方法,对40m影像进行超分辨率重建。基于20m、40m及40m重建影像中提取的3种特征组合,利用偏最小二乘回归(PLSR)、随机森林(RF)、支持向量回归(SVR)3种机器学习方法对LAI和SPAD进行监测。结果表明,超分辨率重建后的图像在表型苗情监测中表现出良好效果,PLSR监测LAI、RF监测SPAD的监测精度最高,且40m重建图像的作业效率相比于20m图像提高48.6%。

烤后烟叶不同部位高光谱特征分析及判别模型构建

利用高光谱(400~1700 nm)成像技术扫描得到3个部位(上B、中C、下X)烤后烟叶的高光谱图像,并提取其高光谱数据。采用相关性分析、主成分分析及方差分析研究了3个部位烟叶的高光谱特征,并构建5种识别烟叶部位的判别模型(SVM、KNN、RF、LightGBM和XGBoost)。结果表明,3个部位烟叶的光谱反射率为C>X>B(400~750 nm),B>C>X(750~1400 nm),C>B≈X(1400~1700 nm)。3个部位烟叶的高光谱数据存在较强相关性,总体上可见光以及近红外波段在各自区域内相关性较强,而两者之间相关性较弱。共提取得到7个特征值大于1的主成分,方差累计贡献率接近1.00。3个部位烟叶的光谱反射率在450~550 nm和750~1400 nm区域相互之间存在明显差异,中部叶在550~850 nm和1400~1700nm分别与上、下部叶具有明显差异,上部叶在400~450 nm分别与中、下部叶差异明显,下部叶在680 nm附近分别与上、中部叶差异显著。SVM判别不同部位烟叶的表现最好,准确率、精确率、召回率和F1分数均达95%以上,LightGBM表现居中,各项指标在90%~95%,RF、KNN和XGBoost相对较差,各项指标在90%以下。

基于无人机多光谱的猕猴桃园冠层叶绿素含量检测方法

为实现对猕猴桃园区果树整体生长健康状况的快速、大规模监测,以猕猴桃园冠层叶片为研究对象,基于无人机拍摄果园多光谱图像,然后利用Pix4Dmapper软件拼接多光谱图像,获取果园的正射影像图,并进行辐射校正。切分正射影像为420个区域图像作为样本,采用最大类间方差法(Otsu)分割样本图像的冠层叶片与土壤背景,并实测每个样本的冠层SPAD值,构建冠层叶片多光谱数据集。采用箱线图法对数据集进行异常值检测,剔除异常样本;然后利用多光谱图像多通道的数据特点,提取图像的相邻通道变化率和23种常用植被指数,以及二者组合作为样本特征值,接着利用CARS、LARS、IRIV等3种特征筛选算法优选特征,分别结合偏最小二乘回归(PLSR)、支持向量回归(SVR)、岭回归(RR)、多元线性回归(MLR)和极限梯度提升树(XGBoost)、最小绝对收缩和选择算子回归(Lasso)、随机森林回归(RFR)、高斯过程回归(GPR)等8种方法构建模型,识别猕猴桃园冠层SPAD值;最后对比分析以不同样本特征构建的24个模型的性能,实验结果表明:以相邻通道变化率为特征建立的模型中,GPR模型性能最好,R^(2)、RMSE分别为0.770、3.044;以植被指数和相邻通道变化率组合特征建立的模型中,GPR模型性能也最好,R^(2)、RMSE分别为0.783、2.957;以植被指数为数据特征建立的XGBoost模型性能最优,R^(2)、RMSE分别为0.787、2.933;因此基于无人机遥感的智能检测模型能够对果园冠层叶绿素含量进行准确评估。

基于混合像元分解的分蘖期水稻基本苗数量估测方法研究

基本苗数量是反映水稻健康水平的重要依据,在分蘖期精准估测水稻基本苗数量可以指导后期的施肥量,从而调控水稻的最佳分蘖数。同时,对水稻长势监测和产量预测具有非常重要的意义。针对传统田间人工统计基本苗数量耗时长、成本高等问题,以江苏大学附属农场镇江润果农场分蘖期水稻为研究对象,利用大疆无人机(M600 Pro型)搭载多光谱相机(Rededge-MX型)获取水稻分蘖期多光谱数据,对原始图像进行图像拼接、辐射校正、几何校正等预处理操作,根据像元纯度系数提取土壤端元和植被端元,建立波谱库,然后按照完全约束最小二乘法的方法执行混合像元分解,构建植被覆盖度和水稻基本苗数量的回归模型。该研究方法获得的模型决定系数R^(2)为0.891,均方根误差RMSE为4.6株/m^(2)。而传统的像元二分法模型(基于NDVI、VDVI和GNDVI植被指数计算植被覆盖度),其决定系数R2为0.834、0.744、0.642,其RMSE为5.7、7.1、8.4株/m^(2)。试验结果表明,基于完全约束最小二乘法的混合像元分解模型评价指标均优于像元二分法模型。本文基于混合像元分解方法有效提高了水稻基本苗统计精度,并且生成了水稻基本苗数量反演图,可以直观统计基本苗数量,为分蘖期水稻补苗、间苗提供指导。