基于无人机可见光影像的新疆棉田田间尺度地物识别

针对无人机采集影像时不同地物最佳分辨率难以确定的问题,运用大疆M600Pro型无人机获取棉花蕾期可见光影像,结合地面调查采样数据,利用神经网络(Artificial neural networks,ANN)、支持向量机(Support vector machines,SVM)和随机森林(Random forest,RF)3种监督分类算法进行田间地物识别。分析不同分辨率(1.00、2.50、5.00、7.50、10.00 cm)下对地物的识别精度,并结合算法运行时间,从分辨率、算法精度和运行时间上找到适合南疆田间尺度棉花田块地物识别的最佳分辨率和最优算法。试验结果表明:当空间分辨率为1.00 cm时,SVM对地物的识别精度最高,总体精度与Kappa系数分别为99.857%和0.997。随着空间分辨率的降低,总体精度和Kappa系数呈下降趋势。当分辨率为2.50 cm和5.00 cm时,采用RF算法,运行时间最短,土地、棉花和滴灌带可获得较好的识别精度,总体精度与Kappa系数分别可达99.252%和0.986以上。当空间分辨率大于5.00 cm时,总体精度和Kappa系数下降,滴灌带制图精度(Producer’s accuracy,PA)和用户精度(User’s accuracy,UA)下降最大。空间分辨率小于5.00 cm的图像能够很好地识别蕾期棉花地的典型地物,可为进行田间地物类型及其分布状况的识别提供指导。

特征优选下的无人机可见光影像地物分类

针对多维分类特征降低分类精度以及无人机可见光影像特征优选分类研究较少的问题,提出了一种基于相关系数特征去相关和最少地物类对数量的重要性评估特征优选方法。基于无人机可见光DOM和DSM数据,结合CART决策树分类方法,开展优选特征组合及精度分析。特征优选后的4种特征组合分类总体精度比特征优选前平均提高了1.53%,均达到87%以上,Kappa系数均大于0.85,分类质量高。高度特征将总体精度提高了21.74%,对提高植被、水域地物的分类精度具有重要作用。道路白色实线、暗色裂缝、路灯阴影等“细小地物”及分类特征的局限性会降低地物分类精度。结果表明:所提特征优选方法能提高分类精度,并易于实现,能为无人机可见光影像复杂地物分类提供技术支撑。

无人机影像用于监测湿地植物群落开花覆盖度与昆虫访花活动

在群落水平的传粉生态学研究中,使用传统的调查方法对大尺度样地进行定量分析存在一定的局限性,无人机遥感技术可能为此提供一种解决方案。为探讨无人机影像数据应用于群落水平传粉生物学的可行性,本研究以神农架大九湖亚高山湿地草本植物群落为对象,利用消费级无人机获取4个面积在1600~3000 m^(2)的样地在不同季节的可见光影像数据,借助ContextCapture软件拼接影像,采用支持向量机(SVM)的分类方法计算不同颜色花的开花覆盖度,并对16个2 m×2 m样方中访花昆虫的活动进行了实地调查。数据分析结果显示:(1)无人机影像中不同颜色的开花覆盖度与传粉者数量显著相关,并呈指数关系;(2)随着无人机飞行高度的增加,开花覆盖度的观测值呈减小趋势;(3)不同样地中,单位开花面积上的传粉者数量差异不显著。本研究还探讨了通过无人机影像计算开花覆盖度从而监测研究区域的开花季相动态和估算传粉者数量的可行性。

基于可见光波段无人机遥感的火龙果精准识别方法

快速、高效地区分并剔除火龙果地块间的杂草是提高火龙果单株提取精度的关键所在。通过四旋翼无人机平台获取高空间分辨率可见光波段的影像,分析火龙果植株和杂草R、G、B通道的光谱特征,根据其影像像元亮度值(DN值)构建相近颜色差异植被指数(CCVI),通过最大类方差(OTSU)阈值分割、Majority/Minority分析和聚类空洞填补,并与VDVI、EXG、NGRDI等可见光波段指数作对比研究。结果表明:1)对于杂草覆盖度较高甚至杂草全覆盖火龙果的地块,CCVI提取效果较好,而其余3种指数在杂草与植株共生的地块中分类精度较低;2)3个研究感兴趣区域(ROI)内样本的提取总体精度为94.60%,Kappa系数为0.9417,测试样本的提取总体精度和Kappa系数分别为94.33%、0.9328,经验证,对于不同区域内生活环境相似的植株的提取精度趋近一致。结果证实:CCVI能从杂草中辨别火龙果植株并提取单株,提取效果较好,该方法可与VDVI、EXG、NGRDI等指数互补应用。

冬小麦叶面积指数真实性检验尺度扩展方法研究

为在空间尺度上实现冬小麦LAI地面观测与遥感观测直接匹配,从1 m×1 m范围的实测LAI出发,通过优化采样方法扩展得到16 m×16 m范围的冬小麦LAI,然后利用空间分辨率为16 m的高分1号卫星的多光谱数据计算样本点的植被指数,建立其与冬小麦LAI的拟合模型,从四种植被指数的拟合模型中挑选表现最好的LAI估测模型,获得16 m×16 m尺度的LAI分布图,并经过重采样聚合为250 m×250 m尺度的LAI格点图,从而实现从地面点测量数据到卫星尺度数据的扩展。检验结果表明,16 m×16 m和250 m×250 m两个研究区域模拟点值和实测点值的相对误差分别为4.18%和3.64%,说明这种尺度扩展方法是科学可行的。