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。

基于综合指标的冬小麦长势无人机遥感监测

作物长势监测可以及时获取作物的长势信息,该文尝试建立新型长势指标,监测小麦总体长势情况。将反映小麦长势的叶面积指数(leaf area index,LAI)、叶片叶绿素含量、植株氮含量、植株水分含量和生物量5个指标按照均等权重综合成一个指标,综合长势指标(comprehensive growth index,CGI)。利用450~882 nm范围内单波段和任意两个波段构建归一化光谱指数(normalized difference spectral index,NDSI),比值光谱指数(ratio spectral index,RSI)和简单光谱指数(simple spectral index,SSI),计算CGI与光谱指数的相关性,筛选出相关性好的光谱指数,结合偏最小二乘回归(partial least squares regression,PLSR)建立反演模型。以CGI为指标,运用无人机高光谱影像对2015年小麦多生育期的长势监测。结果表明:1)冬小麦各生育期,总体上CGI与光谱指数的决定系数R^2均好于各项单独指标与相应光谱指数的R^2。仅孕穗期CGI和RSI(754,694)的R^2比叶绿素和RSI(486,518)的R^2低,开花期的CGI和R570的R^2比生物量和R834的R^2低以及灌浆期CGI和SSI(582,498)的R^2比植株含水量和SSI(790,862)的R^2低。2)拔节期,孕穗期,开花期,灌浆期和全生育期PLSR模型的建模R^2分别为0.70,0.72,0.78,0.78和0.61。拔节期,孕穗期和开花期的无人机CGI影像验证模型的均方根误差RMSE(root mean square error)分别为0.050,0.032和0.047。CGI与相应光谱指数的R^2高于单独各项指标与相应光谱指数的R^2,光谱指数能够很好反映CGI包含的信息。无人机高光谱影像反演CGI精度较高,能够判断出小麦总体的长势差异,可为监测小麦长势提供参考。

融合无人机光谱信息与纹理特征的冬小麦综合长势监测

高效、及时获取作物长势信息对作物生产管理具有重要作用。目前针对小区域农作物长势监测多以无人机光谱信息反演来实现,但综合考虑农作物不同生育期阶段的表面特征信息进行小区域农作物长势监测的方法需进一步研究。本文以冬小麦为研究对象,基于冬小麦株高和叶面积指数(Leaf area index, LAI)按照变异系数法构建综合长势监测指标(Comprehensive growth monitoring indicators, CGMI),提出一种融合无人机光谱信息与纹理特征的冬小麦综合长势监测方法。以搭载多光谱镜头的无人机获取冬小麦4个生育期影像,得到12种植被指数和各波段的8类纹理特征。采用Person相关性分析方法,筛选出与CGMI相关性较好的植被指数与纹理特征,进而采用随机森林回归(Random forest, RF)、偏最小二乘回归(Partial least squares regression, PLSR)、支持向量机回归(Support vector regression, SVR)3种机器学习方法分别构建基于植被指数和基于植被指数与纹理特征的2个长势监测模型,通过比较得到较优长势监测模型,最终获得研究区冬小麦长势空间分布信息。结果表明:3种机器学习方法中,基于植被指数与纹理特征的SVR长势监测模型精度最高(训练集R^(2)为0.789,MAE为0.03,NRMSE为4.8%,RMSE为0.04),与基于植被指数的SVR长势监测模型相比,该模型决定系数提高5.1%,平均绝对误差降低3.3%,标准均方根误差降低8.3%,均方根误差降低10%。研究结果证明该方法精确、可靠,可为冬小麦长势监测提供参考。

变异系数法结合优化神经网络的无人机冬小麦长势监测

高效、快速、准确获取冬小麦长势信息在农业发展和经营决策中具有重要作用。该研究以冬小麦为对象,开展无人机冬小麦长势监测,获取冬小麦生物量、株高、叶绿素含量和植株含水率数据,基于变异系数法(Coefficient of Variation Method,CV)构建综合长势监测指标(Comprehensive Growth Monitoring Indicators,CGMI_(CV)),通过16种植被指数与CGMI_(CV)进行相关性分析,计算植被指数间的方差膨胀因子,筛选最优植被指数作为模型输入变量,采用偏最小二乘(Partial Least Squares Regression,PLSR)、随机森林(Random Forest,RF)、反向传播神经网络(Back Propagation Neural Networks,BPNN)及遗传算法(Genetic Algorithm,GA)优化的BPNN模型建立冬小麦长势反演模型,结合评价指标获得冬小麦最优长势反演模型,最终得到研究区冬小麦长势空间分布信息。研究结果表明:以变异系数法得到的冬小麦CGMI_(CV)相关性比单一指标的相关性有不同程度的提高;利用变异系数法结合BPNN得到的冬小麦长势最佳反演模型CGMICV-BPNN,其决定系数R^(2)可达0.71,模型精度较传统赋权法构建的CGMI_(mean)-BPNN模型提高了26.79%;采用GA优化后的BPNN模型的不稳定显著下降,其平均相对误差中位数下降了22.22%,决定系数R^(2)也有所提高;研究区内半数以上的冬小麦长势集中于第Ⅲ等级,其所占比例为55.83%,其次集中于第Ⅰ等级,其所占比例为36.08%,研究区冬小麦整体长势较为稳定。研究结果可为冬小麦长势监测及区域作物生产监测提供重要参考。