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。

基于无人机多光谱影像的云南松林蓄积量估测模型

【目的】无人机多光谱遥感影像较可见光影像具有更丰富的光谱信息,在森林蓄积量估测中具有较大潜力。以无人机载多光谱遥感影像为主要数据源,探索森林蓄积量的遥感估测模型,以克服传统地面调查工作量大、耗时长、成本高等弊端。【方法】以滇中地区典型天然云南松Pinusyunnanensis纯林为研究对象,利用无人机多光谱影像提取单波段反射率、各类植被指数、纹理特征等,计算各特征变量的标准地均值;筛选与云南松林蓄积量相关性显著的特征变量,采用多元线性、随机森林、支持向量机建立云南松林蓄积量估测模型,以决定系数(R^(2))、平均绝对误差(E_(MA))、均方根误差(E_(RMS))、平均相对误差(EMR)评价模型精度。【结果】①3种模型中,随机森林的精度最高(R^(2)=0.89,E_(MA)=4.69 m^(3)·hm^(-2),E_(RMS)=5.45 m^(3)·hm^(-2),EMR=14.5%),其次为支持向量机(R^(2)=0.74,E_(MA)=5.27 m^(3)·hm^(-2),E_(RMS)=8.31 m^(3)·hm^(-2),EMR=13.1%),最低为多元线性回归模型(R^(2)=0.35,E_(MA)=10.12 m^(3)·hm^(-2),E_(RMS)=12.85 m^(3)·hm^(-2),EMR=28.1%);3种模型在测试集上的估测精度均有所降低,随机森林的模型表现最好,支持向量机次之,多元线性最差。②3种模型在云南松林蓄积量估测中均存在一定的低值高估和高值低估现象。③基于无人机多光谱影像估测云南松林蓄积量,纹理特征仍是不可忽视的重要因子。【结论】基于无人机多光谱影像,在不进行单木分割的情景下,提取标准地的单波段反射率、植被指数、纹理特征均值,筛选适用于蓄积量估算的变量构建估测模型。通过对3种模型进行精度评价,随机森林为云南松林蓄积量估测的最佳模型。

基于无人机多光谱影像特征估算棉花生物量

【目的】基于植被指数(Vegetation Indexes,VIs)与机器学习算法估算棉花地上部生物量(Aboveground Biomass,AGB),并评价其适用性和准确性,为丰富棉花生物量的遥感监测技术、提升生产的精准化管理水平提供科学依据。【方法】设计施氮量与密度互作试验,同步采集主要生育时期的棉田实测AGB数据与无人机多光谱遥感影像数据,计算得到8种VIs,并引入其中与AGB相关系数最高的3种VIs,构建基于机器学习算法的支持向量回归(Support Vactor Regression,SVR)、偏最小二乘回归(Partial Least Squares Regression,PLSR)和深度神经网络(Deep Neural Network,DNN)等AGB估算模型,评估不同VIs和模型的适用性和估算精度。【结果】8种VIs与AGB均呈显著相关,其中NGBDI、NDREI和EXG的相关系数绝对值|r|达到0.659~0.788,且与棉花生物量之间显著相关。三种回归模型中,SVR模型的估算效果最好,模型验证精度为R 2=0.89,RMSE=2.30,rRMSE=0.20。【结论】相较于PLSR和DNN估算模型,SVR模型更适合估算棉花生物量。

利用无人机多光谱影像分类电力廊道树种

竹子和桉树由于长势快、冠层高成为高压输电线路在植被茂密区面临的主要树障威胁之一,因此识别竹子和桉树是早期树障预警的关键。基于多旋翼无人机获取高压输电走廊区域的多光谱影像,充分利用红边波段优势提取光谱特征和植被指数特征;再结合随机森林(RF)算法进行植被指数特征优选;最后对比最大似然和支持向量机分类方法。基于RF的特征优选不仅能降低特征变量维度,而且能保持原有的分类精度,从而提高分类效率。

基于无人机多光谱影像的城市河道水质反演

利用无人机多光谱反射率影像和同步实测水质数据,建立基于机器学习的水质参数反演模型,并将该模型应用于张家港河。结果表明,基于XGBoost和随机森林的特征变量重要性分析方法选择氨氮反演的最佳波段组合,确定用随机森林进行氨氮反演精度较高,其测试集决定系数为0.91,平均绝对百分比误差为23.57%;反演结果能从空间上精细地反映张家港河光明村段支流水质的特点,并直观展示水质超标重点区域。

基于多光谱影像的阿拉尔垦区棉田土壤盐分反演

针对新疆土壤盐分信息获取困难,无法快速、准确的大范围评估土壤盐渍化情况,本研究以新疆阿拉尔垦区的棉田为研究对象,利用Sentinel-2 SR和Landsat-9 OLI的多光谱遥感影像数据,采用穷举特征组合和交叉验证方法,从20个光谱指数和组合光谱指数构建的高维数据集中筛选出最优特征子集,并比较四种机器学习模型(即XGBoost、随机森林、深度神经网络和K-近邻)在不同特征组合下的土壤盐渍化反演精度,同时分析Sentinel-2 SR和Landsat-9 OLI遥感影像在土壤盐渍化反演中的精度差异。研究结果表明:(1)基于XGBoost算法构建的模型能够实现棉田盐渍化高精度预测,不同特征组合的R^(2)均高于0.74,MSE均低于0.04,MAPE低于0.13。(2)在特征组合1条件下,Sentinel-2 SR(S3+GBNDVI)与Landsat-9 OLI(SI+NDVI)遥感影像使用XGBoost算法均获得了最高预测精度。(3)Sentinel-2 SR影像数据在棉田盐渍化预测中的精度(R^(2)=0.73~0.88)优于Landsat-9 OLI影像数据。本研究实现了新疆阿拉尔垦区棉田土壤盐渍化精准监测,为垦区棉田土壤盐渍化治理和防治提供有效的技术参考。

利用无人机多光谱影像的多品种玉米成熟度监测

基于遥感监测多品种玉米成熟度进而掌握最佳收获时机,对提高其产量和品质至关重要。该研究在玉米成熟阶段获取无人机多光谱影像,同步采集叶片叶绿素含量(chlorophyll content,C)、籽粒含水率(moisture content,M)、乳线占比(proportion of milk line,P)等地面实测数据,以此构建玉米成熟度指数(maize maturity index,MMI),从而定量表征玉米成熟度。通过MMI与植被指数构建回归模型和随机森林模型,验证MMI适用性,并分析无人机遥感对不同品种玉米成熟度的监测精度。结果表明:1)不同品种玉米的叶片叶绿素含量、籽粒含水率、乳线占比的变化速率均存在差异。2)MMI与所选植被指数的相关性均可达到0.01显著水平,其中与归一化植被指数(normalized difference vegetation index,NDVI)、转换叶绿素吸收率(transformed chlorophyll absorbtion ratio index,TCARI)相关性最高,相关系数均为0.87。3)该研究基于不同组合的数据集进行了模型验证,其中随机森林模型对MMI的估测精度最高,测试集决定系数(coefficient of determination,R^(2))为0.84,均方根误差(root mean squared error,RMSE)为8.77%,标准均方根误差(normalized root mean squared error,nRMSE)为12.05%。此外,随机森林模型对不同品种MMI的估测精度较好,京九青贮16精度最优,其R^(2)、RMSE、nRMSE为0.76、10.67%、15.88%,模型精度证明了可以利用无人机平台对不同品种玉米成熟度进行监测。研究结果可为多光谱无人机实时监测农田多品种玉米成熟度的动态变化提供参考。

基于无人机多光谱影像的棉花黄萎病监测

【目的】通过无人机多光谱影像监测棉田黄萎病发病情况,为棉花黄萎病的精准防控提供理论指导。【方法】通过分析黄萎病发病棉田冠层的光谱特征,筛选无人机多光谱影像识别棉花黄萎病的最佳植被指数、最佳波段组合及最佳时相,并基于筛选的最佳时相建立黄萎病不同发病程度的棉田影像图,利用平行六面体法、最大似然法及支持向量机径向基函数分类法对影像图进行分类对比和精度评价。【结果】结果表明,在710~760nm波段,不同发病程度的棉株冠层光谱反射率均随着波长的增加明显增加;在760~950 nm波段,棉株冠层光谱反射率随着黄萎病的加重明显减小。随着黄萎病加重发生,棉株的叶片叶绿素含量、地上部鲜物质质量、地上部干物质质量、植株含水量以及叶面积指数均降低。无人机多光谱遥感识别棉花黄萎病的最佳植被指数和最佳波段组合分别是差值植被指数(difference vegetation index,DVI)和B_(3-5-8)(对应的波长分别为550 nm、656 nm和800 nm)。8月中下旬为无人机多光谱遥感识别棉花黄萎病发生程度的最佳时相。支持向量机径向基函数分类法结合最佳波段组合B_(3-5-8)与DVI综合影像对棉田黄萎病病情的分类精度最高(分类精度为96.64%,Kappa系数为95.61%)。棉田黄萎病发病程度的分类结果与棉株冠层光谱反射率和棉株农学参数的变化相对应,并与实地调查结果一致。【结论】利用支持向量机径向基函数分类法、最佳波段组合B_(3-5-8)与DVI综合影像对棉田黄萎病发病情况进行分类是可行的,研究结果可为利用遥感技术监测作物类似病虫害提供理论依据。

基于无人机多光谱影像和机器学习方法的玉米叶面积指数反演研究

为实现基于机器学习方法和无人机影像的叶面积指数(leaf area index,LAI)准确估测。本研究对比了人工神经网络法(Artificial Neural Network algorithm,ANN)、高斯过程回归法(Gaussian Process Regression algorithm,GPR)、支持向量回归法(Support Vector Regression algorithm,SVR)和梯度提升决策树法(Gradient Boosting Decision Tree,GBDT)等几种主流的机器学习方法在基于无人机影像的玉米LAI反演中的优劣。为此,开展了不同有机肥、无机肥、秸秆还田以及种植密度处理的玉米田间试验,在不同生育期获取了无人机多光谱影像和LAI数据。基于这些数据,首先通过相关性分析,选择对LAI敏感的光谱指数作为估测变量,然后分别耦合偏最小二乘法(Partial Least Squares Regression,PLSR)和ANN、GPR、SVR、GBDT建立LAI反演模型,并对它们进行对比分析。结果表明,PLSR+GBDT法构建的LAI反演模型精度最高,稳定性最好,建模R_(cal)^(2)和RMSE_(cal)为0.90和0.25,验证R_(val)^(2)和RMSE_(val)为0.90和0.29;与PLSR+GBDT模型结果最接近的是基于PLSR+GPR法建立的模型,其建模R_(cal)^(2)和RMSE_(cal)为0.86和0.30,验证R_(val)^(2)和RMSE_(val)为0.89和0.29,且具有训练速度快,并能给出反演结果不确定度的优势;PLSR+ANN法的建模R_(cal)^(2)和RMSE_(cal)为0.85和0.31,验证R_(val)^(2)和RMSE_(val)为0.89和0.30;PLSR+SVR法的建模R_(cal)^(2)和RMSE_(cal)为0.86和0.32,验证R_(val)^(2)和RMSE_(val)为0.90和0.33。因此,PLSR+GBDT法和PLSR+GPR法被推荐作为玉米LAI反演模型构建的最优方法。

无人机多光谱影像在稻纵卷叶螟危害监测中的应用

为探讨利用无人机多光谱影像监测稻纵卷叶螟危害的可行性,本研究于2021年6-10月开展了无人机对稻纵卷叶螟危害和田间水稻生育状况的同步观测试验,分析了15种植被指数与卷叶率(虫害指标)之间的相关关系;分别采用普通最小二乘法、多项式拟合、多元逐步回归法和偏最小二乘法建立了水稻分蘖期、拔节期和孕穗期的卷叶率反演模型;在此基础上,筛选出最优模型并分析卷叶率与水稻生理生态参数之间的关联。结果表明,(1)3个生育期的大部分植被指数与卷叶率存在极显著的相关性,每个生育期卷叶率与均一化植被指数(NDVI)的相关性都是最高的。(2)分蘖期的卷叶率反演模型效果最好,孕穗期的模型较好,拔节期的模型效果稍差。(3)在分蘖期,稻纵卷叶螟对水稻的危害反映在叶绿素浓度的下降和叶色的变化;在拔节期,虫害会引起水稻的补偿反应,导致叶绿素含量和叶面积增加;在孕穗期虫害对水稻生长的危害主要表现为叶绿素含量下降。本研究结果可为无人机遥感技术在区域范围内精确识别稻纵卷叶螟危害提供重要的参考。

基于无人机多光谱影像的完熟期玉米倒伏信息提取

以吉林省梨树县的玉米试验田为研究区,按受灾后完熟期玉米的状态将研究区分为倒伏、半倒伏和未倒伏3种类型。基于无人机采集的多光谱影像提取15种光谱指数和8种纹理特征,采用面向对象法、最大似然法和多元Logistic回归模型进行玉米倒伏信息的提取;而后通过目视方法选取400个样本点进行玉米倒伏信息提取结果的精度验证。结果表明:面向对象法精度最高,对玉米3种倒伏状态信息识别的总体精度为88.13%,Kappa系数为0.83。研究用于区分倒伏与未倒伏玉米的最佳光谱指数是归一化差异植被指数,对区分倒伏与半倒伏、半倒伏与未倒伏玉米贡献最大的特征均为对比度纹理特征。研究表明基于无人机多光谱影像的面向对象方法在对田块尺度玉米倒伏信息的精准识别中具有较大潜力。

不同农机驾驶方式对玉米播种出苗率的影响——基于无人机多光谱影像的测算

为验证无人驾驶、辅助驾驶和人工驾驶对玉米播种出苗率的影响,以鲜食玉米为试验作物,划分区域进行无人驾驶、辅助驾驶、人工驾驶播种,在保障土壤条件和管理方式基本一致的情况下,使用无人机采集出苗期多光谱影像,利用超绿值(ExG)和最大类间差法相结合的方法提取农田背景中玉米苗特征图像,计算归一化植被指数(NDVI)。基于实测计算的出苗率与区域NDVI,建立对应关系,利用空间分析技术计算无人驾驶、辅助驾驶、人工驾驶方式下出苗率情况。结果表明:基于无人机多光谱影像测算方法的无人驾驶、辅助驾驶、人工驾驶播种出苗率分别为67.47%、66.30%、52.83%,实测出苗率分别为72.19%、66.23%、55.49%,差异度分别为-4.72%、0.07%、-2.66%。出苗率为无人驾驶区>辅助驾驶区>人工驾驶区,无人驾驶区出苗率最高,且出苗率较为均匀,基于无人机多光谱影像的测算方法较为准确。该方法为实时估算玉米出苗率提供理论依据。

基于多光谱影像特征的小麦锈病反演模型构建

【目的】研究如何从无人机多光谱遥感影像中提取有效的特征,并以此构建小麦锈病反演模型。【方法】以小麦锈病田块为研究对象,利用大疆精灵4无人机获取多光谱影像,分别提取植被指数和纹理指数,使用皮尔逊相关系数、灰色关联度和变量投影重要性等方法进行指数排序,利用判定系数、赤池信息准则进行变量筛选,分别使用偏最小二乘回归、后向传播神经网络(back propagation neural network,BPNN)、随机森林(random forest,RF)3种方法建立小麦锈病反演回归模型。【结果】利用变量投影重要性-赤池信息准则方法能够筛选出较好的光谱指数,使用BP方法构建的回归模型精度最高,其判定系数R 2为0.918,RMSE是0.128。【结论】利用3种特征筛选方法,在构建的光谱指数、纹理特征集中筛选敏感特征,并建立小麦锈病反演模型,实现了小麦锈病灾害空间分布制图,为多光谱影像特征变量筛选提供了方法参考。

基于无人机多光谱影像和随机森林的蔬菜识别

实时准确的蔬菜种植信息是实现水肥精准管理和产量准确估算的重要基础。对无人机多光谱影像进行分割,以光谱特征(spectrum features,SPEC)为基础,分别引入指数特征(index features,INDE)、纹理特征(grey-level co-occurrence matrix features,GLCM)和几何特征(geometric features,GEOM)构建8个分类方案(S1~S8),使用随机森林算法进行分类并分析分类效果。结果表明,方案S5(SPEC+GLCM+INDE)的分类效果最好,总体精度和Kappa系数分别为92.75%和0.92。几何特征的引入降低了分类精度,而纹理和指数特征则与其相反;仅依靠光谱、指数和纹理特征仍难以有效区分白菜和包菜,为提高精度后续研究有必要引入植株高度等特征;在4大类特征中,重要性排在首位的是光谱特征,其次为指数特征。基于无人机多光谱影像和随机森林算法能获得较高的蔬菜分类精度,并能确认影响精度的重要特征,可为其他作物的精准识别提供借鉴。

高分一号宽幅多光谱影像辐射定标偏差及其植被指数影响

自2013年4月在轨运行以来,高分一号(GF-1)宽幅(WFV)多光谱相机已实现持续对地观测,为包括生态学在内的相关研究领域与行业应用提供了丰富的数据源。当前场地定标频次偏低以及定标参数更新、发布滞后的现状,一定程度上影响了GF-1 WFV多光谱数据的定量应用。然而,现有文献仅在数据预处理流程中谈及对GF-1 WFV影像的辐射定标处理,很少讨论定标参数选取不当甚至误用产生的可能影响。基于已公布的辐射定标参数(2014—2021年)和4景GF-1 WFV Level1A级影像产品数据,重点围绕辐射定标偏差及其对多光谱波段星上反射率和常用植被指数的影响等展开模型分析和讨论。结果显示:即使两个相邻年份间,在多数情况下误用辐射定标参数会导致不可忽视的波段星上反射率相对偏差;进而给不同类型植被指数的实际应用带来不同程度的挑战。因辐射定标偏差的影响,常用的两波段归一化型植被指数在监测稀疏植被覆盖区时会存在明显的误差;而对高植被覆盖区的监测时采用两波段简单比值型植被指数将面临更大的挑战。针对存档GF-1 WFV Level1A数据的应用需求,提出利用时间距离加权的线性内插法来修正基于公开定标参数的辐射定标结果,并通过案例分析表明了该处理方法的有效性。最后,希望研究结果能引起普通用户对卫星遥感影像辐射定标的关注和重视。

基于资源三号多光谱影像的云顶高度估计

通常来说,云对于高分辨率光学卫星影像来说是一种无效区域,需要避免成像并消除。然而,对于气象分析来说,云顶高度的估计在大气运动和天气预报等领域都具有十分重要的意义。基于资源三号测绘卫星多光谱影像波段之间的视差,文章提出了一种高精度云顶高度的估计方法。在严格分析云顶高度估计的误差因素即内方位元素误差、外方位元素误差、匹配误差、云移动、DEM误差等影响的基础上,提出了相应的优化与补偿方法。由于内方位元素误差对每列影像的影响相同,提出了基于无云区域估计内方位元素误差的方法;鉴于每行影像的外方位元素误差相同,提出了基于无云区域估计外方位元素误差的方法;考虑到多光谱波段之间相近的成像几何,通过相位相关的方法获取高精度的视差;在假设云静止的条件下,云顶高度估计的理论精度为96 m。通过阿兹劳和乌兹别克斯坦两个地区的多光谱影像进行实验,验证该方法的可行性。该方法还可进一步应用于云的检测。

利用Sentinel-2多光谱影像构建一种潮滩提取指数

潮间带潮滩由于受到潮汐周期性淹没的影响导致难以精准确定其空间分布,因此,迫切需要利用遥感技术了解潮滩受潮汐淹没的光谱变化特征,构建潮滩提取指数,对潮滩的精准解译提供方法及基础数据支持。基于多时相Sentinel-2多光谱影像,通过分析高、低潮影像上不同地物的光谱反射率特征差异,优选出能反映潮滩特征的波段,构建一种海岸带潮滩提取指数。在此基础上,从三方面对已构建潮滩指数的可行性进行论证:(1)将潮滩提取指数应用到3个不同潮滩类型的研究区,研究了潮滩指数的可分离性及对不同潮滩类型区域的适用性,研究结果表明:与其他地类相比,构建的潮滩提取指数对潮滩具有较好的可分离性,并且适用于砂质、泥质不同种类的潮滩;(2)研究了潮滩提取指数对不同分类方法(包括最小距离法、极大似然法、支持向量机)的适用性,研究表明:采用所选取的三种分类方法进行潮滩解译时,其总体精度均大于93%,Kappa系数均大于0.85,潮滩提取指数对不同的分类方法均具有普适性,且可有效提高潮滩的解译精准度;(3)研究了潮滩提取指数对不同数据源的适宜性,采用“珠海一号”数据与本文Sentinel-2多光谱数据解译潮滩并对比结果,研究显示:构建的潮滩提取指数适用于不同数据源,且取得了较好的潮滩分类精度。该方法提高了海岸带潮滩遥感提取的准确度,丰富了潮滩遥感解译理论,对海岸带潮滩生态系统的科学管理与保护提供了理论指导与意义。

基于无人机多光谱影像的松材线虫病疫区枯死树识别

为探寻最优波段组合,提高多光谱无人机(Unnamed AerialVehicle,UAV)对松材线虫(Bursaphelenchusxylophilus)病疫区枯死树的自动识别准确率,进而提高松材线虫病疫情监测水平,以柳州市三江侗族自治县、河池市宜州区和大化瑶族自治县、南宁市横州市及桂林市平乐县的42个疫点小班及其周边2 km内的所有松树林图斑为研究区,采用无人机采集多光谱影像,获取可见光、红光波段、绿光波段、近红外波段和红边波段影像;完成辐射校正后进行正射拼接和植被指数计算,得到3组可见光和多光谱正射影像波段组合;将各组影像分别输入卷积神经网络(Convolutional Neural Network,CNN),进行相同参数的学习和预测。将模型预测结果与人工标注结果进行对比,以识别准确率为指标,进行精度评价。结果表明,利用多光谱影像自动识别疑似松材线虫病枯死树的最高识别准确率为86.33%,比单一可见光自动识别准确率(81.25%)提高了5.08个百分点。在相同参数条件下,多光谱影像比单一可见光影像具有更准确的自动识别能力。该方法的多光谱最优波段组合为可见光影像+红光波段影像+绿光波段影像+近红外波段影像+红边波段影像+归一化差异植被指数。

基于无人机多光谱影像的森林蓄积量估算研究

为了改进传统森林资源调查中通过大量人力实地抽样调查固定小班这种效率低下的森林蓄积量获取方法,通过对无人机多光谱影像的光谱信息进行分析,结合实地调查数据,采用多元线性回归模型,构建森林蓄积量估算模型对森林蓄积量进行更为准确的估算.结果表明,基于无人机多光谱影像构建的森林蓄积量估算模型整体预测精度符合预测要求,其修正后R2为0.7081,该模型可以很好地估测森林蓄积量.该方法一定程度上优化了一类调查中在固定样地进行每木调查的工作效率,减少了劳动成本,可为未来森林蓄积量调查分析、模型研建提供参考.

基于无人机多光谱影像的海口市美舍河凤翔湿地公园水体叶绿素反演

为掌握海口市美舍河凤翔湿地公园水体中的叶绿素(CHL)空间分布,科学评估区域水体水质情况。使用无人机搭载多光谱传感器获取多光谱影像,从中提取16个光谱参数(V1~V16),结合实测水体样本数据,构建CHL叶绿体的反演模型。结果显示:光谱参数V3与CHL具有明显的相关性,在建立的反演模型中,指数函数反演模型的精度最高,决定系数R^(2)值为0.660。经检验,指数函数模型的估测值和实测值的拟合曲线R^(2)值为0.8709。研究结果符合水质参素反演精度要求,可为下一步绘制水质参数空间分布图及美舍河凤翔湿地公园的水体治理提供科学依据。