基于无人机多光谱遥感的台风灾后玉米倒伏信息提取

为快速获取台风过后玉米倒伏信息,该研究以生态无人农场大田玉米作为研究对象,利用无人机搭载多光谱相机获取玉米田块图像。采用主成分分析(Principal Component Analysis,PCA)变换多光谱图像,保留信息量最多的前3个主成分波段;应用最小噪声分离变换(Minimum Noise Fraction Rotation,MNF)对48项纹理特征降维,保留信息量最多的前6项特征;计算选择10种植被指数;对多光谱图像进行低通、高通滤波,将以上特征作为全特征集。使用支持向量机递归(Support VectorMachines-RecursiveFeatureElimination,SVM-RFE)、Relief F和套索算法(LeastAbsoluteShrinkageandSelection Operator,Lasso)筛选出3种特征子集,建立5种监督分类模型,对4种数据集进行训练。Relief F特征子集训练的5种监督分类模型测试集最低分类准确率为89.02%,SVM-RFE和Lasso特征子集训练的5种监督分类模型测试集最低分类准确率均为95.38%,与全特征相比仅相差0.58%,表明通过特征筛选方法可在取得较高分类精度同时大幅减少特征输入数量;运用3种特征筛选方法与不同分类模型的最佳组合提取验证区域玉米倒伏信息,通过混淆矩阵验证结果可知,K最近邻模型结合SVM-RFE特征筛选方法分类精度最高,达93.49%,Kappa系数为0.90,表明了分类模型普适性较强。该研究使用较少特征数量参与分类,且获得较高分类识别精度,可为无人机多光谱技术快速、准确提取台风灾后玉米倒伏信息提供技术支持。

基于无人机遥感影像的冬小麦倒伏面积信息提取

倒伏是农业生产中造成减产、作物品质降低的主要原因,基于无人机飞控平台农情监测系统的灾情严重度实时监测以及时采取防治措施提供科学依据。以人工目视解译统计得到的倒伏面积作为判别依据,通过对比最小距离法、最大似然法、神经网络、支持向量机四种监督分类方法对单张无人机影像的分类效果,择优用于无人机拼接数码影像,估算江苏里下河地区小麦倒伏面积。结果表明:最小距离法、最大似然法、神经网络、支持向量机四种方法的分类精度分别为63.57%、98.15%、81.13%、85.04%,最大似然分类法得到的精度最高,其运算速度也最快,与无人机遥感平台农情监测系统快速、便捷的需求相符。将最大似然法应用于整张拼接影像,监测得到倒伏像元个数为7 183 950,估算面积为353.810 8m2,与人工目视解译结果的误差为7.43%,突出了无人机在信息获取方面方便、快捷的特点,表明搭载数码相机的无人机遥感平台对农情监测有一定可行性,可以为精准农业深入开展提供新的契机。