基于无人机多光谱的棉花多生育期叶面积指数反演

【目的】叶面积指数(leaf area index,LAI)是表征作物长势、光合、蒸腾的重要指标。论文旨在研究不同生育期、多生育期无人机多光谱数据棉花LAI估测模型,明确不同生育期间棉花LAI估测模型变化规律,为实时掌握棉花长势并因地制宜进行田间科学管理提供依据。【方法】利用大疆精灵4多光谱无人机获取棉花现蕾期、初花期、结铃期、吐絮期多光谱图像和RGB图像。选用归一化差植被指数(NDVI)、绿度归一化差植被指数(GNDVI)、归一化差红边指数(NDRE)、叶片叶绿素指数(LCI)、优化的土壤调节植被指数(OSAVI)5种多光谱指数和修正红绿植被指数(MGRVI)、红绿植被指数(GRVI)、绿叶指数(GLA)、超红指数(EXR)、大气阻抗植被指数(VARI)5种颜色指数分别建立棉花各生育期及棉花生长多生育期数据集合,结合打孔法获取地面LAI实测数据,使用机器学习算法中偏最小二乘(PLSR)、岭回归(RR)、随机森林(RF)、支持向量机(SVM)、神经网络(BP)构建棉花LAI预测模型。【结果】覆膜棉花LAI随着生育期的变化呈现先增长后下降的趋势,现蕾期、初花期、结铃期内侧棉花叶面积指数均值均显著大于外侧(P<0.05);选择的指数在各时期彼此间均呈显著相关(P<0.05),总体而言,多光谱指数与颜色指数间的相关性随着生育期的进行而呈现下降趋势,选择的指数在各时期均与棉花LAI相关性显著(P<0.05),多光谱指数相关系数介于0.35—0.85,颜色指数相关系数介于0.49—0.71,相关系数绝对值较大的指数多为多光谱指数,颜色指数与棉花LAI的相关系数绝对值较小;估测模型性能结果显示棉花各生育期模型中多光谱指数优于颜色指数,且各指数模型预测性能随着生育期的变化呈现一定规律性,NDVI是预测棉花LAI的最优指数。从模型结果上看,RF模型和BP模型在各生育期下获得了较高的估计精度。初花期LAI反演模型精度最高,最优模型验证集R2为0.809,MAE为0.288,NRMSE为0.120。多生育期最优模型验证集R2为0.386,MAE为0.700,NRMSE为0.198。【结论】棉花内外侧LAI在现蕾期、初花期、结铃期存在显著差异。在各生育期中,RF和BP模型是预测棉花LAI较优模型。NDVI在各指数中表现最好,是预测棉花LAI的最优指数。多生育期模型效果较单生育期明显下降,最优指数为GNDVI,最优模型为BP。本研究中预测棉花LAI的最优窗口期是初花期。研究结果可为无人机遥感监测棉花LAI提供理论依据和技术支持。

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。

基于无人机多光谱影像的寒地水稻品质估测

【目的】在稻谷收获前准确估测稻米品质,为改善水稻养分管理、实现优质优价提供参考。【方法】试验在黑龙江省佳木斯市大兴农场和青龙山农场进行,两个地点土壤肥力具有较大差异。每个农场选择一块稻田,以20 m×20 m间隔采集土壤样品分析碱解氮含量,通过变量施氮形成产量水平、长势差异明显的水稻群体。利用大疆精灵4四旋翼多光谱无人机获取水稻分蘖期、拔节期、抽穗期和成熟期冠层多光谱数据。成熟期采集长势具有明显差异的水稻样品和对应的土壤样品,测定土壤有机质和速效氮、磷、钾含量,水稻籽粒蛋白质和直链淀粉含量,产量和食味值,随机选择其中67%的数据通过逐步多元线性回归构建不同生育时期的品质估算模型,其余33%的数据用于模型的验证。【结果】大兴农场水稻成熟期土壤有机质、碱解氮、有效磷和速效钾含量的变异系数分别为11.65%、14.44%、37.66%和11.60%,青龙山农场分别为14.45%、14.32%、36.37%和28.51%。成熟期两个地点水稻产量和食味值的变异系数均大于10%,青龙山农场水稻蛋白质含量变异系数也超过10%,而两地稻米直链淀粉含量的变异系数仅为1.11%~1.83%,因此,水稻直链淀粉含量不适合用于后续的品质估测分析。分蘖期至抽穗期,大兴农场和青龙山农场水稻蛋白质多元回归模型的R~2和RMSE分别为0.262~0.794和0.259~0.686,食味值多元回归模型的R~2和RMSE分别为0.240~0.755和4.211~7.588,估测效果不理想。成熟期,大兴农场和青龙山农场水稻蛋白质多元回归模型的R~2和RMSE分别为0.791~0.874和0.166~0.365,食味值多元回归模型的R~2和RMSE分别为0.786~0.852和2.836~4.039。成熟期基于植被指数的蛋白质和食味值估测精确度优于抽穗期。在抽穗期,将土壤pH、有机质、碱解氮、有效磷、速效钾等指标与植被指数一起建立与蛋白质和食味值的多元回归模型,大兴农场水稻蛋白质模型的R~2由0.585提高到0.720,RMSE由0.301降低至0.247;两农场食味值模型的R~2由0.565~0.755提高到0.706~0.787,RMSE由4.318~4.854降低至3.993~4.029,基本可以满足对稻米品质估测的精度,而在成熟期加入上述土壤指标提升精度不明显。【结论】水稻成熟期利用多光谱无人机对稻米品质进行原位估测的精度较高,如果将估测时期提前到抽穗期,除植被指数外,还需配合土壤有机质和速效养分含量数据来提高多光谱无人机预测稻米品质的精度。

基于无人机多光谱遥感数据的植被指数玉米估产模型研究

玉米作为主要的粮食作物,其产量估产意义较为重大。传统的产量估算方法均以数据抽样调查为主,产量估算精度较低。随着新技术新方法的不断涌现,该文以无人机结合多光谱遥感技术,通过采集玉米的拔节期、吐丝期、乳熟期、蜡熟期4个关键生育期植被指数的变化,通过产量构建分析模型,并验证筛选合理的模型用于产量估算。经验证,在乳熟期,依据RVI、DVI、SAVI构建的产量模型精度较高。在蜡熟期,依据NDVI、RVI、DVI、SAVI构建的产量模型较高。通过以上研究,对于在玉米生长过程中,能够积极结合数据变化,便于高效开展农作物种植,估测作物产量具有重要的指导意义。

联合运用多光谱和激光雷达技术构建的林分生物量估算模型

以广东省广州市从化石门国家森林公园为研究区域,选择4种不同林分类型(针阔混交林、阔叶林、针叶林、竹林),各林分类型选择3个20 m×20 m地块作为样方;结合激光雷达、多光谱图像、实测数据,构建多元非线性反演模型和多元线性回归模型,估算森林地上生物量,并选择最佳模型进行精度评价。结果表明:(1)依据多源数据建立的4种不同林分类型的多元非线性地上生物量反演模型的精度最高,针阔混交林样地地上生物量预测值为42.79 t·hm^(-2)、阔叶林样地地上生物量预测值为60.46 t·hm^(-2)、针叶林样地地上生物量预测值为32.99 t·hm^(-2)、竹林样地地上生物量预测值为1.92 t·hm^(-2)。(2)研究区中4种不同林分类型的多元非线性地上生物量反演模型的拟合精度,由大到小依次为竹林(决定系数为0.919)、阔叶林(决定系数为0.813)、针叶林(决定系数为0.786)、针阔混交林(决定系数为0.713),均符合精度要求。采用多光谱和激光雷达数据结合的方式,能够较精准地提取林分地上生物量信息,可准确估算针阔混交林、阔叶林、针叶林、竹林的地上生物量。

基于多光谱辐射测温法的换能元桥区温度检测技术

火工品换能元起爆过程中桥区温度的全程化精确测量对于研究换能元的电热转换效率、表征火工品点火性能至关重要。本研究通过建立包含6个波长通道的多光谱辐射测温系统,实现了对换能元桥区辐射光谱信号的实时采集,并通过PS800-25一体化标准黑体进行系统标定。针对桥区材料在起爆过程中经历的固态、液态到气态的相变,建立了最优化函数温度解算模型,避免了对光谱发射率模型的依赖,并通过罚函数法进行真温的优化求解。试验结果表明,该方法的测温精度在3%以内,可应用于碳基桥箔点火过程中桥区温度的检测。

基于Sentinel-2多光谱遥感影像的小浪底水质反演

多光谱遥感技术可根据遥感波段信息反演水质参数,降低监测成本,提高监测速度和质量,为大范围水环境监测提供了一种新的方法。通过分析小浪底水库的Sentinel-2多光谱影像以及采样点实测水质数据,建立了最佳光谱波段的水质参数反演模型,对小浪底水库的化学需氧量(COD)、总磷(TP)、总氮(TN)和氨氮(NH_3-N)进行了遥感反演,验证了反演模型的精确度和稳定性,并反演了各水质参数的空间分布规律。结果表明:在4种水质参数反演模型中,COD模型精确度和稳定性最高,其次是TP、TN,最低的是NH_3-N,水库出水口和部分边缘COD质量浓度较高,水库中心TN、TP和NH_3-N质量浓度高于边缘处。

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。

基于快照式多光谱特征波长的小球藻叶黄素产量快速测定

叶黄素是天然的抗氧化剂,对人体健康有多种益处,异养小球藻具有叶黄素纯度和产量均较高的优势,而小球藻叶黄素产量主要取决于生物质产量和叶黄素含量两个因素。传统的光密度法测生物质产量和高效液相色谱法测叶黄素含量存在操作复杂、时效性低等不足。为了快速、无损测定小球藻生长过程中叶黄素含量变化,搭建可见-近红外双模式快照式多光谱成像检测系统,根据光谱响应区域,分别利用可见光相机获取叶黄素光谱信息,近红外相机获取生物质光谱信息,构建含有生物质量和叶黄素含量信息的可见-近红外双模式多光谱数据集。针对系统所使用的快照式多光谱相机光谱范围宽、波长数量少的特征波长选取问题,提出一种结合序列浮动前向选择的改进型连续投影算法(mSPA);将mSPA与常规的连续投影算法、遗传算法及随机蛙跳三种波长选择算法作对比分析后,构建了基于特征波长的多元线性回归和极限学习机模型;最后,利用生物质产量和叶黄素含量的最佳预测模型生成小球藻叶黄素产量的可视化分布图。结果表明,在利用近红外、可见光相机分别检测小球藻生物质、叶黄素量时,mSPA得到的特征波长数均较少,并具有最高的预测精度。生物质量与叶黄素含量的最佳模型均为mSPA筛选特征波长后建立的极限学习机模型,对应的预测集决定系数分别为0.947和0.907,预测集均方根误差分别为0.698 g·L^(-1)和0.077 mg·g^(-1),剩余预测偏差分别为3.535和3.338,模型的预测能力较好。可视化分布实现了直观监测小球藻叶黄素产量的变化,有助于后续实际生产中在线检测叶黄素产量。mSPA在快照式多光谱检测小球藻生物质含量及叶黄素含量中,通过对排序波长逐个评估以选择出最佳特征波长组合,有效地避免了特征波长的错选、漏选,提高了模型的预测精度,为快照式多光谱成像技术应用提供新的波长选择思路。

基于多光谱遥感和CNN的玉米地上生物量估算模型

目前玉米地上生物量(Aboveground biomass,AGB)的预测方法集中在使用从无人机图像中提取光学植被指数,通过线性模型或机器学习算法与AGB建立关系,原始图像信息损失严重,玉米生长后期的饱和效应会严重降低模型精度。针对此问题,本文收集了玉米拔节期、吐丝期和乳熟期的无人机图像和地面数据。分析了不同生育期玉米干地上生物量、鲜地上生物量与8个植被指数(Vegetation indexes,VIs)之间的相关性。分别以最优植被指数作为输入建立多层感知机(Multilayer perceptron,MLP)模型、以无人机多光谱图像作为输入建立卷积神经网络(Convolutional neural network,CNN)模型来估算玉米干地上生物量、鲜地上生物量。结果表明,基于MLP的玉米干地上生物量估算模型随着玉米生育期推进,模型的精度急剧下降,3个生长期MLP模型验证集R^(2)分别为0.65、0.23、0.32,RMSE分别为0.27、2.15、5.03 t/hm^(2)。CNN模型能够较好地克服光谱饱和问题,具有良好的精度和适用性,3个生育期验证集R^(2)分别提高27.69%、191.30%、171.88%,RMSE分别降低22.22%、38.14%、45.53%。基于MLP的玉米鲜地上生物量估算模型在玉米生长后期模型的精度同样较低,吐丝期、乳熟期验证集的R^(2)分别为0.27、0.37,RMSE分别为11.57、14.98 t/hm^(2)。CNN模型2个生育期验证集的R^(2)分别提高159.26%、129.73%,RMSE分别降低26.62%、54.01%。使用原始多光谱图像作为输入的CNN模型取得了最好的估计结果,可为玉米不同生育期的监测研究、精准管理提供指导。

基于无人机多光谱与热红外数据的冬小麦土壤水分反演

引入植被覆盖度会在一定程度上提高土壤水分反演模型的精度,但大多数研究均基于归一化植被指数NDVI估算植被覆盖度,未深入研究基于其他植被指数估算植被覆盖度对模型的影响。为此,以河南省驻马店市西平县人和乡冬小麦部分种植区域为实验区,基于分辨率高、机动性强的无人机平台搭载多光谱与热红外成像仪开展冬小麦覆盖地表的土壤水分反演研究,探究引入不同植被覆盖度参数后模型精度的变化,并弥补基于卫星遥感影像的土壤水分监测分辨率低、时效性差的不足。基于随机森林算法,将温度植被干旱指数TVDI、垂直干旱指数PDI两种干旱指数分别与7种植被指数估算的植被覆盖度参数耦合搭建土壤水分反演模型,并根据最优模型的反演结果对实验区的土壤水分空间分布情况进行分析。同时,建立耦合TVDI与PDI指数、不引入植被覆盖度的土壤水分反演模型TP模型为对照组。结果表明:在0~10 cm和>10~20 cm深度时,TP模型的决定系数R^(2)分别为0.606、0.670,均方根误差RMSE分别为0.045、0.041。7种引入植被覆盖度的模型精度较TP模型精度均有一定程度的提升,其中最优模型TPOSAVI的R^(2)较TP模型分别提高0.143、0.158,RMSE分别降低0.7百分点、0.8百分点。基于干旱指数引入植被覆盖度能够提高模型精度,且不同植被覆盖度参数对模型精度的提升程度有差异。

低空无人机多光谱传感器辐射定标

高精度辐射定标对于无人机遥感数据定量化应用至关重要.以大疆精灵4 RTK多光谱传感器为例,基于多种典型地物和人工靶标,实现了该传感器全动态范围的辐射定标.在开展真实性检验后,探讨了曝光时间和光谱响应函数对定标结果的影响.研究表明,定标结果具有较高的定标精度,各波段RMSE均优于3.25%,且脉冲型光谱响应函数更适用于该传感器.另外,曝光时间会对中高亮度地物产生较大影响,容易出现过饱和现象.

航拍多光谱田间秸秆覆盖量反演模型的建立与优化

保护性耕作是农业耕地可持续性发展的重要方法,已被世界多地采用,秸秆覆盖量实现从“有无”到“多少”的进一步判定,是秸秆还田检测的重要指标。通过无人机搭载多光谱相机航拍研究区内春秋两季遥感数据,并同步测定玉米秸秆覆盖量。首先,通过遥感数据提取光谱反射率并构建光谱指数,采用相关系数法筛选出对秸秆覆盖量敏感的波段变量和光谱变量,作为模型输入变量;然后,采用支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)、BP神经网络(Back Propagation Neural Network,BPNN)和极限学习机(Extreme Learning Machine,ELM)4种机器学习算法,建立玉米秸秆覆盖量的反演模型,比较不同时期和不同研究区域的模型精度;最后,为解决预测性能受其模型参数影响较大问题,引入遗传算法(Genetic Algorithm,GA)和粒子群算法(Particle Swarm Optimization,PSO),并提出遗传-粒子群混合算法(Genetic-Particle Swarm Optimization,GA-PSO),利用它们的互补性提高模型的性能,完成区域内秸秆覆盖量的估算。实验结果表明,基于GA-PSO优化的RF算法玉米秸秆覆盖量反演模型取得了最佳的反演效果,其中R^(2)达到了0.74。同时,对比分析不同数据的反演结果,均较为真实地反映了区域内秸秆覆盖量,估测准确率达到91.36%,说明可以通过优化模型实现结果估算。研究为保护性耕作秸秆还田量检测提供科学参考,亦为其他作物秸秆覆盖量估测提供了可靠的模型反演方法。

基于熵权-模糊综合评价法的无人机多光谱春玉米长势监测模型研究

为实现春玉米长势的快速监测,实时掌握田间作物的生长状况,本文以新疆维吾尔自治区克拉玛依地区种植的春玉米作为研究对象,利用无人机多光谱影像对春玉米进行长势监测。基于地面采集的春玉米叶片叶绿素含量、叶面积指数、地上部生物量和株高等数据,结合熵权法(EWM)和模糊综合评价法(FCE)建立综合长势指标CGMI_(EWM)和CGMI_(FCE)。通过无人机遥感影像数据构建光谱指数,并利用皮尔逊相关性分析法和方差膨胀因子确定模型最佳输入变量。采用偏最小二乘法(PLS)、随机森林回归(RF)及粒子群算法(PSO)优化RF模型建立春玉米长势反演模型,结合模型精度评价指标,最终确定春玉米空间影像长势分布图。结果表明,以CGMI_(EWM)和CGMI_(FCE)构建综合长势指标的相关性均高于单一长势指标的相关性;利用CGMI_(FCE)长势指标结合PSO-RF模型反演春玉米长势的效果最优,其决定系数(R^(2))为0.823,均方根误差(RMSE)为0.084%,相对分析误差(RPD)为2.345;研究区春玉米长势集中在生长正常(ZZ)等级,说明全区春玉米长势较为稳定。研究结果可为春玉米的田间管理提供科学依据。

多光谱图像融合的IC器件表面缺陷检测

针对单可见光或单红外条件下的IC器件表面缺陷对比度不足,缺陷检测精度低的问题,提出多光谱图像融合的IC器件表面缺陷检测方法。针对IC器件可见光与红外图像配准中存在尺度不一致和对比度反转问题,引入拉普拉斯金字塔和特征描述符重组策略改进ORB(Oriented FAST and Rotated BRIEF)图像配准算法。在图像配准的基础上,提出NSST_VP图像融合方法,以非下采样剪切波变换(Non-Subsample Shearlet Transform, NSST)得到红外图像和已配准可见光图像的低频和高频子带,对低频子带采用视觉显著图(Visual Significance Map, VSM)加权融合规则,高频子带则采用自适应脉冲耦合神经网络(PA-Pulse Coupled Neural Network, PA-PCNN)决策融合规则,进而通过NSST逆变换得到高质量多光谱融合图像。最后,将融合图像输入YOLOv8s模型进行检测。实验结果表明,改进ORB的图像配准平均精度为87.8%,比ORB图像配准精度提高了62%,NSST_VP图像融合算法在主观视觉效果和客观评价指标上均有所提高。在缺陷检测实验中,NSST_VP融合方法的均值平均精度(mean Average Precision, mAP)达到83.15%,比单可见光、单红外缺陷图像检测的mAP分别提高了22.97%,28.31%,比双树复小波变换融合、曲线变换融合、非下采样轮廓波变换融合方法的mAP分别提高了13.14%,15.01%,20.35%。

基于无人机多光谱遥感的林火监测模型

【目的】森林火灾监测多采用卫星和低空热红外遥感对林火进行识别,准确率高,但受限于硬件性能和成本,对基于无人机的多光谱遥感及不同图像传感器比较的林火监测研究较少。【方法】选定山地树林作为试验对象,根据起火点的明火和阴燃两种状态,结合树冠状态,分为明火有遮挡、明火无遮挡、阴燃有遮挡、阴燃无遮挡等4种林火状态,以无火场景作为对照,开展森林火灾监测试验,利用无人机分别搭载热红外、多光谱、可见光等图像传感器采集林火图像,分别基于随机森林(RF)、支持向量机(SVM)、反向传播神经网络(BP)3种机器学习算法建立林火监测模型,通过准确率(Accuracy)、精度(Precision)、召回率(Recall)和F1-score进行监测模型性能评估。【结果】综合分析,热红外相机和可见光相机基于支持向量机(SVM)的监测模型准确率最高,多光谱相机基于随机森林(RF)的监测模型准确率最高。热红外相机监测准确率高达100%,多光谱相机接近100%,可见光相机达到85%。综合分析,热红外相机监测准确率最高,多光谱相机次之,可见光相机监测性能最差。多光谱相机可在不同林火状态下较好地替代热红外相机进行监测,可见光相机在不同林火状态下均表现出较差的监测效果。【结论】通过使用机器学习算法进行优化,多光谱相机可在林火监测中有效替代热红外相机,可以显著降低监测成本和丰富林火监测技术手段。

基于无人机多光谱影像的春小麦SPAD值估测研究

【目的】探究无人机遥感技术对春小麦SPAD值的无损估测,建立小田块尺度上的春小麦SPAD值估测模型。【方法】利用多光谱无人机获取2022年内蒙古河套地区春小麦冠层多光谱数据,并提取5种植被指数,通过分析植被指数与植株SPAD值的相关性,结合支持向量机回归(SVR)、偏最小二乘回归(PLSR)和随机森林回归(RFR)构建春小麦关键生育时期SPAD值估测模型,并筛选各时期SPAD值最优估测模型。【结果】通过与5种植被指数配对来确定最佳模型,在春小麦的拔节期、抽穗期、开花期和灌浆期,这15种组合方法均可对SPAD值进行估测。对3种建模方法的最优模型进行比较发现,NDVI+RFR模型在估测春小麦SPAD值方面具有最高的准确性和良好的鲁棒性,其R^(2)=0.96,RMSE=0.19。【结论】利用无人机估测春小麦的SPAD值是可行的,最优模型为NDVI+RFR模型。

基于PCA-LSR双约束的多光谱掌脉图像识别方法

为实现高安全性、用户接受度好的生物特征识别系统,设计了一种开放环境下基于多光谱的掌脉图像采集设备,并研究了一种基于主成分分析(Principal Component Analysis,PCA)和最小二乘回归(Least Squares Regression,LSR)双约束的掌脉识别算法。算法在最小二乘回归投影的过程中对主成分提取的主元信息进行约束,共同驱动数据,削弱了光散射对识别性能的不良影响,解决了非接触式图像采集造成的类内间距增大的问题。在中科院自动化所、同济大学、香港理工大学以及自建的掌脉图库上进行了实验,算法最低等误率分别为0.72%、0.50%、0.18%和0.03%,正确识别率分别为99.80%、99.77%、99.90%、99.95%。相比其他典型方法具有优势,系统具有实用价值。

基于深度学习的烟丝杂物多光谱检测技术

针对烟丝杂物剔除问题,提出了基于深度学习的烟丝杂物多光谱检测方法。首先设计了总体检测方案和检测系统,搭建了多光谱实验验证系统。利用高光谱成像技术和深度学习方法对烟丝中的非烟物质进行分类识别,针对杂物和烟丝对光的反射特性不同,利用光谱相机拍摄不同波段的图片,分别比较机器学习算法和深度学习算法进行的训练与分类,通过GoogLeNet深度学习算法识别烟丝中的杂物。结果表明:检测识别与剔除正确率为99.5%,证实了检测技术的高效性和准确性。

基于采样点光谱信息窗口尺度优化的土壤含水率无人机多光谱遥感反演

针对空间异质性导致的土壤含水率反演误差较大的问题,分别以玉米灌浆期和小麦苗期的土壤含水率反演为例,利用无人机多光谱遥感技术获取喷灌和畦灌灌溉方式下的正射影像。将34组光谱特征变量按照滑动窗口法提取不同空间尺度的光谱信息平均值,通过极端梯度提升(Extreme gradient boosting, XGBoost)、支持向量机回归(Support vector machine regression, SVR)以及偏最小二乘回归(Partial least squares regression, PLSR)3种机器学习模型确定采样点光谱信息最优窗口尺度;然后,采用皮尔逊相关系数特征变量筛选法(Pearson correlation coefficient feature variable screening method, R)结合XGBoost和SVR模型对提取的34组光谱特征变量进行筛选,选取与土壤含水率敏感的特征变量;最后,估算土壤含水率。结果表明:喷灌方式下所选择的采样点最优光谱信息窗口尺度比畦灌小,其最优窗口尺度范围分别为11×11~21×21和15×15~29×29;采用皮尔逊相关系数特征变量筛选方法结合机器学习模型可有效提高土壤含水率反演精度;5种机器学习模型(R_XGBoost、R_SVR、XGBoost、SVR、PLSR)中R_XGBoost模型估算土壤含水率精度最优,在喷灌和畦灌方式下玉米灌浆期R_XGBoost模型的测试集决定系数R2分别为0.80、0.83,均方根误差(Root mean square error, RMSE)分别为1.27%和0.98%,小麦苗期R2分别为0.76、0.79,RMSE分别为1.68%和0.85%;土壤含水率反演模型在畦灌条件下的精度优于喷灌条件下。该研究可为基于无人机多光谱影像分析的信息挖掘和土壤水分监测提供参考。