无人机光谱影像与变量施肥技术在水稻追肥中的集成应用

水稻种植过程中的追肥环节,存在长期依赖人工施肥经验及化肥使用量不合理的问题。随着无人机在农作物遥感监测和变量化施肥方面技术的日趋成熟,以及数字化光谱影像处理精度的优化,基于无人机开展针对追肥环节的评估分析和执行变量施肥,已经具备集成应用的条件。本研究初步实现将无人机遥感、光谱影像分析处理、施肥处方图生成和无人机变量施肥相结合形成集成应用,为水稻种植的追肥环节提供服务。在水稻的分蘖期和孕穗期分别开展针对氮元素的施肥作业,基于集成应用模式,在保证产量稳定的情况下,改善了用肥量。该集成应用为实现更精细、更智能的种植施肥模式提供了依据。

无人机光谱成像技术在大田中的应用研究进展

随着科学技术的不断发展,传统监测大田农作物生长模式已无法满足时代发展的需要,存在成本高、耗时长等诸多弊端。无人机光谱成像技术是信息化、数字化发展的产物,将该技术用于大田农作物生长环境监测,具有监测时效性强等优势。该文阐述了无人机光谱成像技术的原理、特点、优势等,以及在大田中的应用情况,并分析了现阶段研究中存在的问题,以期为今后无人机光谱成像技术在大田中的应用研究提供参考。

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。

无人机高光谱影像水面耀光去除及信息重构方法研究

抑制遥感影像水面耀光污染并重构影像信息,是改善无人机遥感信息质量、扩大水环境监测区域的有效途径.针对传统经典的耀光信息重构算法难以适用于无人机高光谱影像这一问题,提出了一种耀光自动检测去除与信息重构算法,即采用归一化水体指数提取水体,以全波段总和灰度图像的最低值为阈值对耀光进行分割,利用拉普拉斯算子提取水面耀光纹理,通过多轮形态学膨胀与阈值更新迭代计算出两者面积差值,以投票机制获得最小差值的出现频率,并逆向获取最佳阈值自动去除耀光.而后,基于主成分分析确定匹配波段,通过改进Criminisi算法对去除区域进行重构.去除算法应用于四个真实耀光场景,去除率均在99%以上.重构算法结果在主观和客观上均优于其他算法,耀光重构水体与正常水体各波段变异系数差值在1%以内,具有良好的光谱应用能力.

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。

无人机高光谱遥感和集成深度置信神经网络算法用于密云水库水质参数反演

随工业化及社会经济迅速发展,水源地面临的水体污染、恶化不断加剧,开展有效的水质监测是水源保护的重要前提。密云水库是北京重要的地表水源地,在保护首都水源安全方面发挥着重要作用。为更精准的监测密云水库水质参数及污染程度,采用4期无人机高光谱遥感数据,基于随机子空间的集成深度置信神经网络算法(EDBN),构建密云水库水质参数反演模型,对密云水库总氮(TN)、总磷(TP)两项水质参数进行反演。首先,采用基于递归特征消除法对高光谱影像降维处理,将光谱数据与地面水质监测数据进行叠加,通过最小化训练过程中误差来确定隐藏层数、神经节点数等网络结构参数;然后采用由知识源域向网络迁移方式逐步拓展网络,对密云水库总氮和总磷两个水质参数进行训练并对结果进行验证;最后,反演密云水库潮河大坝和白河大坝区域水质参数,揭示其主要水质参数时空演变规律。研究结果显示:(1)构建总氮、总磷反演模型R^(2)分别为0.8355、0.7703,MSE分别为0.0153、0.0008,这表明基于随机子空间的集成深度置信神经网络算法模型对密云水库水质参数反演效果较好;(2)密云水库总氮浓度变化随季节发生一定波动,在夏季浓度较低,秋季相对较高。总磷浓度变化相对平稳,表明密云水库周边区域对磷污染控制效果良好;(3)白河大坝区域水质优于潮河大坝区域,总氮浓度相对偏高,整体处于Ⅲ类水平。而总磷浓度较低,整体处于Ⅱ类水平,较好时可以达到Ⅰ类水平。整体水质可以满足饮用水源的标准,但仍需加强对氮、磷污染物有效监管。研究结果将为密云水库水质高效监测与水源保护提供重要科学依据。

基于无人机高光谱的川南疫木林区早期监测研究

为探明马尾松感染松材线虫病早期地理位置及发病率。2021年7月上旬,利用无人机搭载高光谱成像仪采集遥感影像,选用支持向量机进行监督分类,在早期感病反演模型基础上,顺利提取了感病早期的马尾松地理位置及相关信息。结果表明:(1)利用460 nm、525 nm和635 nm的3波段组合真彩色影像进行ROI勾绘,马尾松与其他地被物分离度较高;(2)基于支持向量机的监督分类,顺利获取741株马尾松地理位置及高光谱反射率数据;(3)结合监测模型提取64株疑似感病马尾松,通过随机采样及镜检,马尾松聚类范围感病植株提取准确率86.67%,即马尾松林间发病率7.49%。综上,初步揭示川南地区马尾松林自然状态下松材线虫发病率,有利于今后指导松材线虫病早期精准防治。

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。

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。

无人机高光谱数据的辣椒SPAD值反演

为了建立更加稳定、预测能力更强的辣椒叶绿素含量反演模型,该研究基于无人机高光谱数据和实测叶绿素相对含量(SPAD值),分别利用原始光谱及其他变换光谱与SPAD值进行相关性分析,用最大相关系数法(MCC)选取相关性较好的特征波段生成特征波段数据集,再用遗传算法-偏最小二乘法(GAPLS)进行降维得到最优特征波段组合,采用偏最小二乘法(PLSR)、反向传播神经网络(BPNN)、随机森林(RF)、最小二乘支持向量机(LSSVM)和遗传算法优化的最小二乘支持向量机(GA-LSSVM)5种机器学习算法构建辣椒叶绿素含量反演模型。结果表明:辣椒叶片SPAD值与高光谱反射率成反比;辣椒叶绿素的敏感波段主要集中在400~700 nm;经过一阶微分处理后的光谱与SPAD值相关性最好,671 nm波长下一阶微分光谱与叶绿素含量呈最大负相关,相关系数为-0.69;基于倒数对数光谱建立的模型普遍精度较高;模型中表现最好的为基于微分光谱搭建的GA-LSSVM模型,其决定系数(R2)、均方根误差(RMSE)和相对分析误差(RPD)值分别为0.84、1.41、2.24,其次是基于倒数对数光谱的RF模型,其R2、RMSE和RPD值分别为0.83、1.57、2.13。

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。

无人机高光谱遥感影像校正与叶绿素a反演研究

无人机高光谱遥感是水质监测研究中的一个重要手段,而太阳耀斑作为无人机高光谱遥感影像中的常见现象,对水质监测产生严重影响。本文首先通过水体指数法去除了非水体区域,进而基于在近红外波段处离水辐射量近似为零的理论基础对影像中的太阳耀斑进行了校正,并在此基础上反演了叶绿素a浓度。结果表明,耀斑校正效果良好,影像纹理特征与光谱特征都得到了较好的保留与恢复,叶绿素a的反演效果也相对较好。

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。

无人机高光谱在城市水质环境监测应用中反演模型构建的研究

高效的城市水质常态化监测是水环境污染防治的基础所在,无人机载高光谱技术既可以降低传统水质监测方法的人力和时间成本,同时可以推动生态环境智能检测网络的建立。聚焦城市中小河道水质监测的要求,探究无人机高光谱技术中反演模型构建中的关键技术。结果表明,无人机高光谱技术对于城市水质监测具有一定的准确性,具有推广和应用价值。

基于机器学习和无人机高光谱遥感的马铃薯SPAD值估算

为实现大田马铃薯SPAD值的快速、无损检测,采用无人机高光谱成像技术建立马铃薯关键生长时期SPAD值的定量检测模型。在大田条件下获得了马铃薯块茎形成期和彭大期的无人机高光谱影像,并对高光谱数据采用数学变换方法处理;接着,通过竞争性自适应重加权采样(CARS)、无信息变量去除(UVE)和随机蛙跳(RF)算法筛选与SPAD值相关的特征波段;随后,使用偏最小二乘回归(PLSR)、支持向量回归(SVR)和反向传播(BP)3种机器学习算法建立马铃薯SPAD值估算模型。不同算法筛选的特征波段存在差异,CARS算法能有效识别敏感光谱特征,降低特征数量,提升估测精度。基于不同数学变换和特征波段筛选算法建立的马铃薯SPAD值估测模型中,1/R-CARS-SVR模型对马铃薯SPAD值具有较强的估测能力,模型建模集和验证集R~2分别为0.88和0.84,RMSE均为0.39。采用1/R-CARS-SVR模型逐点计算研究区马铃薯SPAD值,绘制了SPAD值反演图,发现块茎膨大期的SPAD值普遍高于块茎形成期。