基于无人机低空多光谱遥感监测的烤烟株高研究

为利用遥感技术研究多光谱特征与作物株高结构的关系,利用改装的DJI M100航拍仪搭载Parrot Sequoia传感器对烤烟株高生长情况进行监测,然后结合植被指数影像再合成方式对遥感数据进行提取、分析,通过多光谱特征构建基于烤烟株高的生长模型,并使用烤烟的实测理化数据对模型进行验证。结果表明,烤烟缓苗期红波反射率能较好对应烤烟株高,团棵期红边波反射率能较好对应烤烟株高,旺长期近红外波反射率能较好对应烤烟株高,成熟期绿波反射率能较好对应烤烟株高。据此构建基于多光谱反射率的烤烟株高估算模型,用误差分析指标对模型进行验证,结果表明基于绿波波段光谱反射率估算模型估算成熟期烤烟株高具有一定的可行性。本研究可为利用多光谱遥感监测烤烟长势提供新的方法和思路。

无人机低空遥感结合YOLOv7快速评估水稻穗颈瘟抗性

为解决传统水稻稻瘟病抗性评估手段单一、效率低的问题,该研究提出一种无人机低空遥感技术结合YOLOv7模型的水稻穗颈瘟抗性鉴定方法。首先,将标注区域分割成小尺寸图像(≤1 240×1 240像素),将小尺寸图像进行旋转、缩放、平移、剪切和改变对比度处理。经数据清洗,去除分辨率过低的图像,扩充样本数量,以提高数据多样性。然后,将压缩注意力机制(squeeze-excitation attention)和可变形卷积(deformable convolution)引入YOLOv7模型,自适应调整感受野,以提升捕捉穗颈瘟病斑细粒度特征的能力。最后,构建穗颈瘟检测的YOLOv7_Neckblast模型。研究结果表明,YOLOv7_Neckblast能够有效检测穗颈瘟,计算出15个品种的穗颈瘟发病率和病害等级(1、3、5、7和9级的水稻品种分别有4、4、3、2和2个)。在交并比阈值为0.5时,YOLOv7_Neckblast平均精度均值相较于YOLOv7、FCOS和RetinaNet分别提升了4.0、6.4和5.8个百分点,召回率和F1值分别提高了至少4.0和4.0个百分点,且浮点计算数和参数量最低。与育种专家判定的实际抗性水平相比,YOLOv7_Neckblast模型对15个水稻品种的穗颈瘟抗性水平的平均评估准确率为86.67%,能较好地实现不同水稻品种穗颈瘟抗性的区分。无人机低空遥感融合人工智能技术可用于水稻黄熟期育种中穗颈瘟抗性的评估,也可为其他作物优势品种的选育提供参考。

基于无人机高光谱遥感的水体CHL-a反演

无人机平台搭载高光谱传感器获取的高光谱数据具有高分辨率、波谱丰富的特点,本研究基于实测采样点光谱特征、采样点CHL-a浓度,采用相关性分析的方法选取最优波段,构建水体CHL-a反演模型,应用于无人机高光谱数据进行CHL-a的反演监测。结果表明:通过分析单波段、一阶微分值与CHL-a参数,发现使用674 nm、570nm波长构建的一阶微分与水体CHL-a构建的线性反演模型,具有较高的相关性与精度,可满足对小中型地表水体叶绿素的快速反演监测。基于反演结果构建空间分布图,实现水质参数的可视化。

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。

基于无人机多光谱遥感的苹果树冠层SPAD反演

为探讨利用无人机多光谱遥感影像监测苹果树冠层叶绿素含量的可行性,以南疆矮砧密植苹果树为研究对象,利用无人机获取试验区多光谱影像,选取10个植被指数,分析所选植被指数与实测SPAD值的相关性,将与SPAD相关性较好的7个植被指数作为模型的输入变量,利用机器学习构建一元线性回归、偏最小二乘回归、支持向量机回归、随机森林回归和岭回归的苹果树冠层SPAD反演模型,通过精度检验确定最优模型.结果表明,7个植被指数NDVI,EVI,SAVI,OSAVI,GNDVI,RVI,GRVI与SPAD具有较好的相关性,相关系数为0.4~0.7,均在P小于0.01水平上极显著相关.采用随机森林回归建立的模型表现最优,其建模集R 2为0.728,RMSE为2.292,RPD为1.920;验证集R 2为0.702,RMSE为2.527,RPD为1.832.因此,基于无人机多光谱遥感的RF模型可以实现苹果树冠层SPAD的快速准确估算.

基于无人机高光谱遥感与机器学习的小麦品系产量估测研究

为快速、准确地估测小麦产量,有效提高育种工作效率,本文以小麦品系为研究对象,收集小麦灌浆期无人机高光谱数据和产量数据。首先基于递归特征消除法筛选出特征波长作为模型输入变量,然后利用岭回归(Ridge regression,RR)、偏最小二乘回归(Partial least squares regression,PLS)、多元线性回归(Multiple linear regression,MLR)3种线性算法和随机森林(Random forest,RF)、梯度提升回归(Gradient boosting regression,GBR)、极限梯度提升(eXtreme gradient boosting,XGB)、高斯过程回归(Gaussian process regression,GPR)、支持向量回归(Support vector regression,SVR)、K最邻近算法(K-nearest neighbor,KNN)6种非线性算法构建单一算法产量估测模型并进行精度比较,最后基于Stacking算法构建多模型集成组合,筛选最佳集成模型。结果表明,基于不同算法的产量估测模型精度差异显著,非线性模型优于线性模型,基于GBR的产量估测模型在单一模型中表现最优,训练集R^(2)为0.72,RMSE为534.49 kg/hm^(2),NRMSE为11.10%,测试集R^(2)为0.60,RMSE为628.73 kg/hm^(2),NRMSE为13.88%。基于Stacking算法构建的集成模型性能与初级模型和次级模型的选择密切相关,以KNN、RR、SVR为初级模型组合,GBR为次级模型的集成模型有效提高了估测精度,相比单一模型GBR,训练集R^(2)提高1.39%,测试集R^(2)提高3.33%。本研究可为基于高光谱技术的小麦品系产量估测提供应用参考。

无人机低空遥感技术在崩塌地质灾害动态监测中的应用

崩塌地质灾害的发生往往具有突发性、不确定性及强破坏性等特点,难以实现对其演变规律的推断与监测。因此,开展崩塌灾害体的连续性监测对防灾减灾具有重要意义。目前对地质灾害体的连续性监测存在很多技术难题,依靠人力现场记录勘查,存在人力物力消耗大、勘查难、盲区多等情况,往往达不到预期勘查测量效果,且卫星监测存在时效性差、精确度低等问题,无法实现对崩塌体微弱裂缝的识别以及对裂缝变化趋势的研判。因此,开展无人机低空遥感技术在崩塌地质灾害方面的应用研究,为崩塌地质灾害动态监测提供了新的技术方法。采用该技术对崩塌灾害体进行不同时段的光学影像数据采集,可实现对灾害体的连续性监测。运用三维建模技术对光学影像数据进行处理,实现崩塌地质灾害体的数字化和可视化。通过对地质灾害体三维模型影像变化特征的分析,特别是崩塌灾害体裂缝、堆积物等数量、体积的变化,实现对崩塌灾害体风化演变趋势的分析与判断,为崩塌地质灾害的监测提供技术支撑。

基于无人机多光谱遥感的玉米LAI监测研究

[目的]探究更高效估测玉米LAI的无人机多光谱遥感监测模型,实现对玉米叶面积指数(Leaf area index,LAI)的快速预测估算。[方法]以全生长周期的玉米植株为研究对象,通过多光谱遥感无人机获取玉米植株影像并实地采集玉米LAI,利用多光谱信息研究植被指数与玉米LAI之间的定量关系,并选择相关的植被指数;分别使用多元线性逐步回归、支持向量机回归算法(Support vector machine regression,SVM)、随机森林回归算法(Random forest regression,RF)和基于鲸鱼算法(Whale optimization algorithm,WOA)优化的随机森林算法(WOA-RF)构建玉米LAI预测模型,通过分析对比,选择最优预测模型。[结果]筛选出的植被指数NDVI、NDRE、EVI、CIG与LAI呈极显著相关(P<0.01),构建了多元线性回归模型、SVM模型、RF模型和WOARF模型的预测模型,R2分别为0.873 2、0.878 0、0.917 7和0.940 8,RMSE分别为0.277 5、0.236 5、0.209 0和0.128 7。[结论]基于WOA-RF的玉米LAI预测模型的预测精度能够满足玉米生产的需要,对玉米生长期间的种植管理具有指导意义。

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。

基于无人机低空遥感网的智能巡检系统架构研究

无人机低空遥感网是以无人机智能基站为载体,地理空间智能算法(GeoAI)为核心,集成不同的无人机、传感器和机载AI计算模块,构建全空间GIS框架下空地一体的协同组网模式,实现高频次、全自动、立体化监测的一种组网遥感观测技术。针对传统无人机巡检系统存在的痛点,提出了一种基于无人机低空遥感网的智能巡检系统架构。通过研究该系统架构,可以实现对电力设备的高效巡检,提高巡检效率和可靠性。此外,该架构具有灵活性和可扩展性,能够适应不同规模和复杂度的电力系统。

基于无人机低空遥感的储运煤煤自燃监测技术研究

煤矿储运过程中的自燃现象严重威胁着煤炭的质量安全与环境保护。针对煤炭自燃监测反应迟缓、覆盖范围有限且无法实现实时监控等问题,提出一种基于无人机低空遥感技术的储运煤炭自燃监测新方法。无人机飞配备多光谱热成像传感器,实现针对储运煤堆的低空快速巡检。采用三维建模软件构建储煤场三维温度模型,实现对煤堆温度异常点进行实时监测。不仅可以有效预防煤堆自燃和变质等问题的发生,还能为煤场的安全管理提供了强有力的技术支持。通过实地调查研究,实测的20个采样点温度与红外热成像三维模型的温度的均方根误差为1.26 ℃,平均相对误差为3.8%,证明无人机热红外遥感影像构建的储煤场三维模型所描述的温度范围和实际温度基本一致,从而证明本文方法具有较高的精度和实用性。

无人机多光谱影像的小麦倒伏信息多特征融合检测研究

为探究多特征融合方法在作物倒伏领域快速精准识别中的适用性,利用无人机获取多田块冠层尺度的不同倒伏率麦田多光谱数据,对原始倒伏图像进行图像拼接、辐射校正、几何校正等预处理,并利用重归一化差值植被指数和阴影指数分别剔除土壤和阴影背景,提取小麦倒伏DSM模型和植被指数分别与多光谱图像进行多特征图像主成分变换融合,筛选差异性较大的纹理特征,采用支持向量机(SVM)、人工神经网络(ANN)和最大似然法(MLC)监督分类模型对多光谱和DSM融合图像、多光谱和归一化植被指数(NDVI)融合图像、多光谱图像和纹理特征图像进行监督分类,并采用总体精度(OA)、 Kappa系数和提取误差综合评价各监督模型的分类性能和倒伏提取精度。分类结果表明:各监督分类方法在不同倒伏区域提取结果建模效果趋势一致,SVM和ANN整体提取精度高于MLC,在高倒伏区域,多光谱与NDVI融合图像的SVM监督模型(OA:92.63%, Kappa系数:0.85,提取误差:1.11%)提取效果最好;在中倒伏区域,多光谱与DSM融合图像的SVM监督模型(OA:90.35%, Kappa系数:0.79,提取误差:9.34%)提取效果最好;在低倒伏区域,均值纹理特征图像的ANN监督模型(OA:91.05%, Kappa系数:0.82,提取误差:8.20%)提取结果较好。本研究将DSM模型、植被指数、纹理特征与多光谱图像进行融合对比,并对多特征融合方法能否高精度有效提取小麦倒伏信息进行了探究,结果表明无人机多光谱遥感结合特征融合技术能有效提取小麦倒伏面积,提取效果优于单特征小麦倒伏图像。本研究结果可为助力小麦倒伏灾情调查数据的精确获取方法提供参考。

无人机高光谱遥感平台研究进展与应用

随着高光谱传感器与无人机的集成,无人机高光谱遥感技术成为遥感领域的最重要的研究方向之一。相比于传统的卫星遥感技术,无人机遥感技术具有成本低、操作简单、高空间分辨率与高时间分辨率兼备的优势,且研究人员能够灵活地获取研究区的高光谱图像。高光谱传感器具有更多的光谱细节,无人机技术与高光谱技术的结合,为科研人员在遥感相关的研究工作提供了有效的技术手段,近些年来受到广泛关注。文章总结了无人机、传感器以及高光谱技术的特点及发展现状,并阐述了无人机高光谱遥感技术在飞行前的准备工作和对所采集到数据的处理工作。文章重点介绍了无人机高光谱遥感技术在水文、农林业、自然灾害以及海洋环境等领域的应用以及无人机携带的主要传感器类型与基本参数,并指出使用无人机高光谱技术目前存在的挑战、机遇与发展前景。

无人机低空遥感关键技术研究及应用

针对传统摄影测量软件精度差、效率低等问题,提出一种大区域低空无人机影像数据的快速几何处理方法。通过C++6.0,OPENCV和GDAL/OGR自主开发数据处理软件,对航空影像数据处理的相机标定、影像色彩和纹理处理、空三加密等关键技术细节进行优化和改造,实现无人机影像数据的高效规模化几何处理,并通过试验对数字化产品成果进行精度评价。结果表明,该方法可显著提高生产效率和成果精度,具有推广应用价值。

基于多光谱无人机遥感的城市建筑轮廓立面提取

建筑物是城市化发展的重要标志,也是城市中的基础设施和重要组成部分。为实现城市的数字化和智能化发展,提取和描述城市建筑物轮廓立面特征。基于此,研究基于多光谱无人机遥感的城市建筑轮廓立面提取方法。通过张氏定义模板标定可见光相机参数,在平移矩阵和选择矩阵的作用下,选择多光谱无人遥感技术采集城市建筑影像;利用点云数据展示建筑图像中的轮廓立面,采用数学变换匹配理论转换点云向量,划分并特征拟合建筑轮廓立面点云数据;采用规则化重建方式建立拟合函数,分别在水平方向和竖直方向提取城市建筑轮廓立面,完成提取方法设计。实验以三组不同类型的城市建筑摄影图像作为测试对象,分别按照正确性指标、完整性指标以及质量指标进行验证,新方法能够实现较高精度的轮廓立面点云数据提取,具有应用价值。

无人机低空遥感技术在应急水文监测中的应用研究

近年来,随着无人机测量系统在勘测实践中的推广普及,无人机低空遥感技术日趋成熟。本文在研究无人机低空遥感技术嫁接和应用优势的基础上,详细探讨了该技术在应急水文监测中的具体实践,旨在进一步丰富水文监测技术手段,助推无人机低空遥感技术的创新发展。

无人机低空遥感技术在滑坡应急测绘及治理中的应用

无人机是航空测量系统中的主要工具之一,它能在实践操作中向测量员输送更准确的信息,特别是在那些复杂的测量场景里,无人机的运用表现出了极高的灵活性和精准度,因此它们被用于各种地质灾害处理当中。然而,在实施这些任务时,需要进一步讨论特定的测量与管理活动。为了达到这一目的,本文通过实例详细阐述了滑坡应急测绘及治理过程中无人机使用策略,并对其进行了全面的技术评估,旨在确定合适的测量方式,以便于借鉴。

低空无人机航摄遥感测绘技术在测绘领域的应用研究

本论文深入探讨了低空无人机航摄遥感测绘技术在测绘领域的应用与发展前景,并对其技术特点、优势、具体应用以及面临的挑战进行了详尽分析。本文先通过对低空无人机技术的发展历程进行介绍,提供了该技术的背景与演进脉络。接着,针对低空无人机航摄遥感技术在基础地理空间数据需求、应急测绘和重点区域动态监测等领域的广泛应用,分别从案例中展示了其在测绘领域的实际应用价值。在技术的优势与特点方面,详细探讨了其高清晰度、大比例尺测绘能力以及与卫星遥感、航空拍摄的互补性。进而,通过对技术发展的瓶颈与挑战的讨论,为相关部门提供了应对策略和引导方向。

无人机低空遥感技术在滑坡应急测绘及治理中的应用探究

无人机作为航测技术体系中较为常见的一种技术手段,在实际应用过程中,可以为测绘人员提供更为精确的数据,尤其是在一些复杂的测绘环境中,无人机技术展现出高灵活性和高精度性,让其在一些地质灾害中得到了应用。但在实际应用过程中,还需要对具体的测绘和治理工作展开探讨。基于此,本文结合实际案例,深入分析滑坡应急测绘治理工作中无人机技术的具体应用方法,并且针对低空遥感技术展开综合性分析,以求明确具体的测绘技术手段,以供参考。

无人机低空遥感技术在水文监测中的应用

在社会经济迅猛发展的背景下,我国各行各业都呈现出了全新发展面貌,而且水文监测工作也深受社会各界的广泛关注。在水文监测过程中,传统的监测方式已经不再适用,需要站在时代的发展高度上,将全新的无人机低空遥感技术整合应用进来,既能提高监测的质量和效率,还能强化监测实效性,可以多方面满足不同类型的监测要求,促进水文监测工作的可持续进展,达到预期的监测目标。