利用无人机影像构建作物表面模型估测甘蔗LAI

为探讨从作物表面模型(crop surface models,CSMs)中提取株高来估算糖料蔗叶面积指数(leaf area index,LAI)的可行性,该文采用无人机-RGB高清数码相机构成的低空遥感平台,以广西糖料蔗为研究对象,采集了糖料蔗全生育期的高清数码影像,分别在有无地面控制点条件下建立各生育期CSMs并提取株高。此外,该文利用高清数码影像计算了6种可见光植被指数并建立LAI估算模型,用以对比从CSMs提取的株高对LAI的估算效果。结果表明:全生育期CSMs提取的株高与实测株高显著相关(P<0.01),株高预测值与实测值高度拟合(R2=0.961 2,RMSE=0.215 2)。选取的6种可见光植被指数中,绿红植被指数对糖料蔗伸长末期以前的LAI的估测效果最好(R2=0.779 0,RMSE=0.556 1,MRE=0.168 0)。相同条件下,株高对LAI有更高的估测精度,其中CSMs提取的株高估测效果优于地面实测株高,预测模型R2=0.904 4,RMSE=0.366 2,MRE=0.124 3。研究表明,使用无人机拍摄RGB影像来提取株高并运用于糖料蔗重要生育期LAI的估算是可行的,CSMs提取的株高拥有较高的精度。该研究可为大区域进行精准快速的农情监测提供参考。

基于无人机数码影像的冬小麦株高和生物量估算

高效、快速地获取作物的株高和生物量信息,对农业生产有重要意义。该文利用2015年4月-6月获得了冬小麦拔节期、挑旗期和开花期的高清数码影像。首先基于无人机高清数码影像生成冬小麦的作物表面模型(crop surface model,CSM),利用CSM提取出冬小麦的株高(Hcsm),然后利用提取的21种数码影像图像指数,构建了拔节期、挑旗期和开花期混合的多生育期生物量估算模型,并进行单生育期和多生育期模型对比分析;最后选择逐步回归(stepwise regression,SWR)、偏最小二乘(partial least square,PLSR)、随机森林(random forest,RF)3种建模方法对多生育期估算模型进行对比,挑选出冬小麦生物量估算的最优模型。结果表明,提取的Hcsm和实测株高(H)具有高度拟合性(R^2=0.87,RMSE=6.45 cm,NRMSE=11.48%);与仅用数码影像图像指数构建的生物量估算模型相比(R^2=0.7212,RMSE=0.1372 kg/m^2,NRMSE=26.25%),数码影像图像指数融入H和Hcsm所得模型效果更佳,其中融入Hcsm的模型精度和稳定性(R^2=0.8191,RMSE=0.1106 kg/m^2,NRMSE=21.15%)要优于加入株高H所构建的估算模型(R^2=0.7941,RMSE=0.1179 kg/m^2,NRMSE=22.56%);SWR生物量估算模型(R^2=0.7212)效果优于PLSR(R^2=0.6774)和RF(R^2=0.6571)生物量估算模型。该研究为冬小麦生长状况高效、快速监测提供参考。

无人机遥感技术在玉米株高提取中的应用研究

玉米株高在一定程度上可反映出玉米的生长速度和健壮程度,利用无人机遥感技术监测玉米植株生长对精准农业生产与管理的意义重大。本文基于无人机低空遥感平台获取的两期影像和数字表面模型(Digital Surface Model,DSM),构建作物表面模型(Crop Surface Model,CSM),提取玉米植株高度,并利用统计分析方法在不同氮肥区域对株高提取精度和分布特点进行分析。研究结果表明,基于CSM能够提取玉米株高,且提取值与实测值显著相关,相关系数R为0.9015,均方根误差(Root Mean Square Error,RMSE)为17.5 cm。不同氮肥水平下玉米株高不同,通过对株高的提取能够为作物生长过程中对氮肥需求的判断提供参考。