基于多光谱无人机及机器学习的林木火灾受损信息提取研究

为探究中小尺度森林火灾过火区域林木受损程度的准确提取,以2020年5月13日云南省安宁市青龙街道森林火场为研究对象,通过精灵4多光谱无人机获取火场影像,借助红边及近红外波段构建植被指数,结合纹理指标建立影像特征参数,利用机器学习中常用的随机森林(random forest,RF)和支持向量机(support vector machine,SVM)方法提取烧毁、烧死、烧伤及未伤林木空间分布信息,并探讨2种方法对于多光谱无人机遥感林木受损信息提取的精度。结果表明:不同受损程度的林木在红边波段和近红外波段范围内反射率差异较大,但以此构建的植被指数分离能力不同,呈现NDVI>mSR rededge>NDVI rededge>PSRI。基于影像光谱及纹理等多特征的林木受损程度提取方法中,RF精度明显优于SVM,总精度达89.76%,Kappa系数为0.85,相比SVM分别提升4.41%和6.25%。多光谱无人机可用于小范围典型森林火灾区域林木受损程度信息精确提取,而对于大面积范围的林木火灾受损信息的精确提取,综合多光谱无人机数据及多光谱卫星影像数据是解决问题的方向。

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。

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。

基于无人机多光谱植被指数的生菜全氮含量预测

我国露地蔬菜种植规模庞大,生产方式高度集约化,但过量施肥等导致的水氮利用效率低下的问题较为严重。为实现露地蔬菜规模化种植中精准施肥、高效生产的目标,以露地生菜为研究对象,设无氮(N0)、低氮(N1)、高氮(N2)三个处理,通过无人机搭载多光谱相机,建立3种多光谱植被指数(NDVI、RVI和SAVI)与生菜叶绿素、生物量、吸氮量、全氮含量数据集,并构建单生育期和多生育期氮素诊断模型。结果表明:(1)在莲座期和结球期,生菜各处理NDVI、RVI和SAVI值表现出随施氮量的增加而增大,但在收获期,N1处理达到最大值。(2)在生菜结球期,NDVI与生菜的产量、吸氮量、叶绿素均存在显著相关性,其中生菜全氮含量与叶绿素在p≤0.01水平下显著相关,相关系数(R)为0.51;综合生菜多生育期,NDVI值与生菜的产量、叶绿素、吸氮量和全氮含量均在p≤0.001水平下达到极显著相关,相关系数分别为0.85、0.82、0.81和0.71。(3)通过相应数据集拟合出指数、线性、对数和幂函数4种模型关系,建立生菜多生育期植株全氮最佳预测模型:全氮=16.52ln(NDVI)+73.514;应用生菜全氮估层模型反演基地生产田块,其平均相对误差为3.22%、RMSE=0.5566、NRMSE=0.0108,说明模型估算效果均较好,通过无人机多光谱遥感对蔬菜氮素诊断具有一定的可行性。

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。

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。

基于无人机多光谱的黄土高原植被提取分割分类研究

【目的】植被作为生态系统的主要组成部分,其种类和数量及其变化对生态系统有着重要影响。探究在我国黄土高原小流域进行植被提取分割时的最优分割尺度,有助于快速准确地提取植被信息,对于监测黄土高原生态系统状况和维持生态系统稳定具有重要意义。【方法】基于吴起县柴沟流域无人机多光谱影像和面向对象的方法,使用eCognition软件对影像进行多尺度分割研究。【结果】经分析,在分割尺度为240、形状权重为0.7、紧凑权重为0.1时影像的分割效果最好,基于该分割结果,选用纹理特征和光谱特征为分类指标,采用随机森林方法对影像进行分类,分类总体精度和Kappa系数分别为96.2%和0.951。【结论】研究结论可为柴沟流域植被结构优化及黄土高原生态环境保护和植被恢复治理提供技术参考。

基于无人机多光谱遥感的油菜地上部生物量估算

建立一种高效监测油菜地上部生物量(Aboveground biomass,AGB)的无损方法用于反映作物生长状况。以浙油50和沣油737等2个油菜品种为研究对象,通过无人机搭载多光谱仪获取油菜的多光谱影像,提取油菜冠层5个单波段反射率和10个植被指数,筛选与油菜地上部生物量相关性显著的光谱特征参数,采用随机森林(RF)、BP神经网络(BP)、支持向量机(SVM)3种方法建立地上部生物量估测模型。采用决定系数R^(2)(Coefficient of determination)、均方根误差(Root mean square error,RMSE)和相对分析误差(Relative predication deviation,RPD)对模型的估算精度进行评价。浙油50、沣油737、浙油50+沣油737的地上部生物量估算模型在测试集上,均表现为RF模型R^(2)最大、RMSE值最小、RPD值最大,分别为0.609、0.238 kg·m^(-2)、1.600;0.725、0.364 kg·m^(-2)、1.919;0.627、0.423 kg·m^(-2)、1.639。通过无人机采集作物多光谱影像,可以构建基于光谱特征参数的作物地上部生物量估算模型,随机森林模型精度最佳,为研究的最佳建模方法。

多光谱无人机不同飞行高度下苹果树高的提取

【目的】利用多光谱无人机影像快速、准确、无损的获取苹果树高信息,实现无人机遥感技术对苹果树生长状况的监测,并分析无人机飞行高度对树高提取结果的影响。【方法】利用大疆精灵4多光谱无人机分别获取30、60和90 m飞行高度的苹果树无人机影像,经大疆智图(DJI Terra)软件处理生成DOM和DSM影像数据,基于生成的DOM和DSM,利用克里金插值法生成研究区DEM,将DSM和DEM作差生成苹果树CHM提取树高,与实地测量的果树高值进行回归分析和精度验证。【结果】30 m飞行高度平均树高提取精度为88.49%,R^(2)为0.8378,RMSE为0.4031 m;60 m飞行高度平均树高提取精度为74.72%,R^(2)为0.6577,RMSE为0.8846 m;90 m飞行高度平均树高提取精度为56.20%,R^(2)为0.5273,RMSE为1.4767 m。【结论】利用多光谱无人机遥感技术可以实现对苹果树高的提取,提取精度随着无人机飞行高度的增加而降低,30 m飞行高度提取结果最佳,90 m飞行高度提取结果最差。在合适的飞行高度内,多光谱无人机遥感技术可以快速、准确、无损的实现对果园果树生长状况的监测,提高果园的管理效率。

基于无人机多光谱遥感技术在水稻露天育秧中的应用

文章基于DJI Phantom 4 Multispectral无人机多光谱成像技术,利用相机获取水稻育秧阶段多光谱影像数据,通过ENVI5.3软件对数据处理得到归一化植被指数(NDVI),以数字形式表征露天育秧床面相对水平度及土壤紧实度,采用相关性分析、线性回归分析探究不同地块紧实度、水平度情况对水稻育秧效果的影响。结果表明,通过无人机多光谱技术分析得到的NDVI数值可以表示水稻秧苗长势,且水稻秧苗长势与育秧床面相对水平度呈显著相关,与育秧床面土壤紧实度呈显著负相关,进一步利用线性回归分析,证实育秧期间水分管理是影响秧苗素质的关键因素。

无人机多光谱数据可靠性分析与冬小麦产量估算研究

无人机多光谱遥感用于冬小麦产量预测中捕获的数据准确性不高,为指导田块尺度下冬小麦产量的精准预测,需构建高精度的冬小麦产量估算模型。本研究利用校正后的近地面高光谱数据(Field-Spec 3型野外光谱仪获取)验证低空无人机多光谱遥感数据(大疆精灵4型多光谱相机获取),将通过无人机多光谱影像计算的植被指数与经验统计方法结合,采用一元回归和多元线性回归分别对抽穗期、开花期和灌浆期冬小麦进行基于单一植被指数和多植被指数组合的产量估算,其中多植被指数包括归一化差异植被指数(NDVI)、优化的土壤调节植被指数(OSAVI)、绿色归一化差值植被指数(GNDVI)、叶片叶绿素指数(LCI)和归一化差异红色边缘指数(NDRE)。结果表明,基于单一植被指数的冬小麦估产模型,一元二次回归模型精度最高,而基于5种植被指数的多元线性回归模型在3个生育时期的拟合效果均优于单植被指数模型。一元或多元回归模型在抽穗期的拟合效果最好。冬小麦基于GNDVI指数的一元二次回归估产模型建模集的决定系数(R^(2))、均方根误差(RMSE)分别为0.69、428.91 kg/hm^(2),验证集的R^(2)、RMSE、相对均方根误差(RRMSE)分别为0.76、418.14 kg/hm^(2)、11.56%。基于5种植被指数组合的多元线性回归估产模型建模集的R^(2)、RMSE分别为0.80、340.14 kg/hm^(2),验证集的R^(2)、RMSE、RRMSE分别为0.69、466.75 kg/hm^(2)、12.90%。综上所述,大疆精灵4型多光谱相机捕获的数据在估算冬小麦产量方面具有广阔的应用前景;冬小麦产量估算的最适模型为基于抽穗期多植被指数组合建立的多元线性回归模型。

基于无人机遥感的多特征组矿区草本植物地上生物量反演

植被地上生物量可作为评价矿山生态修复地生态功能的重要指标,为实现对修复地地上植被生物量快速、准确的预测,以安徽省铜陵市铜官山矿区草本植物地上生物量为研究对象,将无人机高分辨率多光谱影像作为数据源,提取了单波段光谱反射率、植被指数两种光谱特征以及各波段纹理特征变量,并利用高精度DEM(digital elevation model)生成地形特征,再先后使用灰色关联法和熵权法对光谱特征和纹理特征分别进行筛选,进而将筛选出的特征变量和地形特征变量分为光谱特征组和多特征组。采用反向传播神经网络(back propagation neural network,BPNN)、卷积神经网络(convolutional neural network,CNN)以及Elman神经网络3种机器学习算法分别构建基于光谱特征组和多特征组的生物量预测模型,比选精度较高的矿区草本植物地上生物量反演模型。结果表明,在光谱特征基础上引入纹理特征和地形特征后3种反演模型精度都有相应程度提高,其中,基于多特征组构建的BPNN模型表现出最优性能,其决定系数(R2)为0.841,均方根误差为11.813 g·m-2,并同时对3种模型进行交叉验证,进一步证明了基于多特征组的BPNN模型更加稳定,反演精度最优。然后,采用最优反演模型对研究区域内植被生物量进行分级评估,结果显示区内生物量集中于20~40 g·m-2,研究区域内植被生物量整体偏低。研究结果可为矿区草本植物生物量反演研究提供理论支持。

基于无人机多光谱的湿地松生长性状遗传评价

为了选育生长性状优良的湿地松家系,基于无人机多光谱技术,对不同家系湿地松的生长性状进行遗传变异分析。以8年生湿地松的20个半同胞家系测定林为研究对象,利用无人机多光谱快速提取其2021年11个月份(2月份除外)的树高和冠幅面积,并根据实测胸径数据构建胸径预测模型;估算不同月份的每个家系湿地松树高、冠幅面积和胸径的遗传力和育种值。结果表明:基于冠幅面积和树高建立的深度学习模型的胸径预测值与测量的胸径真实值之间具有较强的相关性,其中R^(2)为0.70,RMSE为1.83 cm;湿地松的3个生长性状的遗传力在0.00~0.40之间;以10%入选率进行家系选择时获得了较好的遗传增益,3个生长性状遗传增益范围为0.21~0.79(11月份冠幅面积的遗传增益接近于0.00)。根据冠幅面积和树高的育种值进行家系选择,最终应考虑1、6、8、9、10、16、18和20号家系作为备选家系。基于湿地松的冠幅面积和树高的深度学习模型可应用于预测湿地松的胸径。湿地松的3个生长性状受中等遗传力控制,10%选择强度获得了较好的遗传增益。8个家系被选择出来用于冠幅面积和树高的同步遗传改良。研究结果可为选育生长性状优良的湿地松家系提供参考依据。

基于无人机多光谱影像和关键点检测的雪茄烟株数提取

为从无人机遥感影像中准确识别烟草,实现植株定位与计数,以雪茄烟草植株为研究对象,提出一种新的深度学习模型。区别于传统的利用检测框识别目标,本文模型利用少量的关键点学习烟草中心形态学特征,并采用轻量级的编、解码器从无人机遥感影像快速识别烟草并定位计数。首先,提出的模型针对烟草植物形态学特点,通过中心关键点标注的方法,使用高斯函数生成概率密度图,引入更多监督信息。其次,对比不同主干网络在模型中的效果,ResNet18作为主干网络时平均精度大于99.5%,精度和置信度都高于测试的其他主干网络。而MobileNetV2在CPU环境下达到运行效率最优,但平均置信度相对较低。使用损失函数Focal Loss与MSE Loss结合的Union Loss时,平均精度大于99.5%。最后,利用不同波段组合作为训练数据,对比结果发现使用红边波段更有助于模型快速收敛且能够很好地区分烟草和杂草。由于红边波段与植株冠层结构相关,使用红边、红、绿波段时平均精度达到99.6%。本文提出的深度学习模型能够准确地检测无人机遥感影像中的烟草,可为烟草的农情监测提供数据支持。

基于无人机多光谱遥感估算西北半湿润区葡萄基础作物系数研究

为提高西北半湿润区葡萄园蒸散量的估算精度,以波文比系统实测蒸散量ET_(c)为基础,基于彭曼公式法计算参考作物蒸散量ET_(o),得到葡萄作物系数K_(c)后,采用FAO-56双作物系数法计算土壤蒸发系数K_(e)与水分胁迫系数K_(s),获得基础作物系数K_(cb);同时利用无人机多光谱遥感影像获取葡萄光谱数据,提取多个波段反射率计算4种植被指数(归一化植被指数NDVI、土壤调节植被指数SAVI、比值植被指数RVI、差值植被指数DVI),建立葡萄K_(cb)与植被指数的关系模型(一元线性回归、多项式回归、多元线性回归),从而计算葡萄园实际蒸散量用以验证无人机多光谱遥感估算葡萄K_(cb)的精度。结果表明:(1)相同建模方法下,植被指数与K_(cb)的模型拟合精度受到其种类与葡萄生长时期的影响。在生育前期,利用一元线性回归建模得到的K_(cb)-VI s模型拟合精度表现为NDVI>RVI>SAVI>DVI;在生育后期,拟合精度表现为RVI>DVI>SAVI>NDVI;在全生育阶段,拟合精度则表现为SAVI>NDVI>DVI>RVI。不同建模方法对K_(cb)的拟合精度不同,多元线性回归模型拟合效果最佳。(2)生育阶段、植被指数种类及建模方法是影响蒸散量估算精度的3个重要因素。在生育前期,利用DVI与K_(cb)建立的多项式回归模型的验证精度最高(EF=0.79);在生育后期,多元线性回归模型验证精度最高(EF=0.80);在全生育阶段,利用DVI与K_(cb)建立的一元线性回归模型的验证精度最高(EF=0.73)。(3)分生育阶段建立K_(cb)与植被指数的关系模型,反演得到的K_(cb)值较FAO-56双作物系数法推荐的K_(cb)值(EF=0.58)对蒸散量的估算精度提高了6%以上。

基于无人机多光谱估测不同品种紫花苜蓿的地上生物量和叶绿素含量

地上生物量和叶绿素是紫花苜蓿生长过程中的重要指标,可以为其生长的动态监测与管理提供有效的帮助。紫花苜蓿作为最为重要的饲草作物,如何利用现代光谱智能技术有效且准确地预测其状态是紫花苜蓿种植过程中的重要问题。基于无人机多光谱对不同品种紫花苜蓿的地上生物量和叶绿素含量的估算结果进行研究并为此构建预估模型。共研究了21个紫花苜蓿品种,采用无人机搭载多光谱相机在天气晴朗无风时起飞并拍摄图像,将无人机拍摄得到的多光谱图像采用ENVI 5.3软件进行分析,挑选出NDVI、 EVI、 SAVI、 Green NDVI、 NDGI、 DVI、 NGBDI、 OSAVI、 NDRE和MSR共10个植被参数和无人机多光谱相机自带的5个光谱波段(蓝、绿、红、红边、近红外)进行特征分析,再使用Matlab 2020b软件,采用支持向量机(SVM)构建不同品种紫花苜蓿的地上生物量和叶绿素含量的预测模型。然而在实际操作的运行中,发现使用SVM构建的预估模型其准确率不理想,因此使用智能算法鲸鱼(WOA)和灰狼(GWO)对SVM预估模型进行优化,发现使用SVM预估模型能预估不同品种的紫花苜蓿的地上生物量和叶绿素含量,其中经WOA智能算法优化后的SVM预估模型在估算不同品种的紫花苜蓿的地上生物量和叶绿素含量时其准确率最高。研究中构建的预估模型为筛选品质较好的紫花苜蓿品种有一定的指导意义,同时也为今后无人机多光谱预估紫花苜蓿的生物量及其相关的生理生态指标提供了有效的帮助和合理的参考依据。

基于无人机多光谱图像的土壤水分检测方法研究

以表层土壤为对象,探究土壤的多光谱反射率与土壤水分含量相关性,进行基于无人机多光谱图像的土壤水分含量预测模型方法的探究。选取中国农业大学通州实验站为研究区域,实地采集试验田的土壤样本100组,按照一定梯度配制土壤含水量,配成的土壤含水率为10%~50%之间,土壤含量的真实值采用土壤烘干法进行测定。多光谱相机灵巧便捷,可搭载在无人机上对土壤进行监测。将RedEdged-M型多光谱相机搭载在Phantom 3型无人机上,选择阳光充足的采集环境,实时采集土壤样本的多光谱图像,建立土壤多光谱信息与水分含量之间的模型。利用处理光谱数据的ENVI5.3软件提取土壤样本多光谱信息,以多光谱相机自带的标准白板反射率为100%,计算出土壤样本在蓝、绿、红、红边、近红外五个波段的光谱反射率。采用BP神经网络算法、支持向量机算法、偏最小二乘算法分别建立基于无人机多光谱图像的土壤水分含量的预测模型。以80组土壤样本数据作为训练集,建立基于多光谱图像的土壤水分含量预测模型。采用莱文贝格-马夸特算法对BPNN进行改进,提高了其训练速度,当网络结构为5-10-1时,训练效果最好,本文选择该网络结构;SVM采取高斯核函数,当参数为0.56时,模型效果最好。本研究采用归一化均方根误差(NRMSE)和决策系数(R 2)对三种土壤水分含量的预测模型进行定量对比。以20组土壤样本数据作为测试集,结果可知,基于BP神经网络土壤水分含量预测模型的NRMSE为0.268,R 2为0.872;基于支持向量机的土壤水分含量预测模型的NRMSE为0.298,R 2为0.821;基于偏最小二乘土壤水分含量预测模型的NRMSE为0.316,R 2为0.789。对三种模型分析可知,基于BPNN的土壤水分含量预测模型效果均较好。结果可知,土壤的光谱反射率与含水率间存在较密切的相关性,将多光谱相机搭载在无人机上可以对土壤水分含量进行有效的实时监测,对监测土壤墒情提供技术支持和理论支撑。

基于地面高光谱与无人机多光谱遥感的土壤主要养分含量估测

土壤是农业资源的重要组成部分,同时也是保证农业生产工作的重要条件,在农业经济发展中发挥着不可替代的作用。目前,土壤主要养分含量的估测工作受一些因素的影响,无法保证各项数据的准确性。基于此,笔者围绕地面高光谱与无人机多光谱遥感技术的整合展开分析,通过整合地面高光谱和无人机多光谱遥感技术对土壤主要养分含量进行准确测定,筛选养分特征,并实施对比分析,建立了拟合模型。仿真结果表明,将高光谱与多光谱在土壤主要养分含量估测中的应用优势进行整合,可以有效提升土壤主要养分估测的准确度,并为土壤养分含量估测工作提供借鉴,从而提升土壤养分含量估测的作业效率和估测结果的准确度,助推土壤养分含量估测工作。

基于无人机多光谱影像的冬小麦花前期氮素营养估测

目的:利用多光谱无人机建立长江中下游地区冬小麦花前期氮素营养低成本、易推广、高效率的估测模型。方法:利用DJI Phantom 4 Multispectral相机获取4个氮素水平下3个冬小麦品种的多光谱影像数据,探讨植被指数对4种冬小麦氮素营养参数估测的敏感性,采用线性回归、随机森林和主成分分析算法构建冬小麦花前关键生育时期的氮素营养参数监测模型,筛选各时期氮素营养参数的最优估测模型。结果:所选9种植被指数均与氮素营养参数呈极显著相关。在拔节期,线性模型对氮素营养参数的预测性能最佳,R^(2)为0.87~0.94,nRMSE为8.44~12.49,RPD为2.79~4.08;在孕穗期,3种模型的估测性能相当;在抽穗期,随机森林和主成分回归模型的估测精度更高。结论:线性回归模型在拔节期和孕穗期,随机森林和主成分回归模型在冠层结构复杂的抽穗期,可实现冬小麦氮素营养参数的精准监测,研究可为长江中下游冬小麦氮素营养诊断和施肥决策提供科学参考。

基于深度语义分割的无人机多光谱遥感作物分类方法

为精准获取农田作物种植分布信息以满足农业精细化管理需求,基于Deep Lab V3+深度语义分割网络提出了一种面向无人机多光谱遥感影像的农田作物分类方法。通过修改输入层结构、融合多光谱信息和植被指数先验信息、并采用Swish激活函数优化模型,使网络在响应值为负时仍能反向传播。基于2018—2019年连续2年内蒙古自治区河套灌区沙壕渠灌域的无人机多光谱遥感影像,在2018年数据集上构建并训练模型,在2019年数据集上测试模型的泛化性能。结果表明,改进的Deep Lab V3+模型平均像素精度和平均交并比分别为93.06%和87.12%,比基于人工特征的支持向量机(Support vector machine,SVM)方法分别提高了17.75、20.8个百分点,比Deep Lab V3+模型分别提高了2.56、2.85个百分点,获得了最佳的分类性能,且具有较快的预测速度。采用本文方法能够从农田作物遥感影像中学习到表达力更强的语义特征,从而获得准确的作物分类结果,为利用无人机遥感影像解译农田类型提供了一种新的方法。