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。

基于无人机多光谱遥感的水稻冠层光谱特征和氮素营养关系研究

【目的】明确华南地区籼稻主栽品种冠层光谱特征与氮素营养关系,为专家决策系统和精准施肥提供理论基础。【方法】以美香占2号(MXZ2H)和吉丰优1002(JFY1002)为试材,设置施氮0 kg/hm2(N0)、150 kg/hm2(N150)、210 kg/hm2(N210)等3个处理,采用习惯施肥法,在JFY1002中增设施氮180 kg/hm2(N180+)的水稻“三控”施肥法,研究不同施肥方式下水稻叶片光谱特征与氮素营养的关系。【结果】与N0相比,N150处理下MXZ2H和JFY1002叶片氮含量分别增加16.05%和13.76%,N210处理分别增加24.29%和25.00%。N180+处理下JFY1002叶片氮含量与N210处理相比增加18.03%。随着叶片氮含量的增加,蓝光到红光(450~650 nm)波段的叶片反射率逐渐下降,红边到近红外(730~840 nm)波段的叶片反射率逐渐增加,红光650 nm、近红外840 nm处的MXZ2H和JFY1002叶片反射率差异达显著水平。相关性分析结果表明,MXZ2H叶片氮含量与归一化植被指数(NDVI)、绿波段归一化植被指数(GNDVI)、比值植被指数(RVI)、差值植被指数(DVI)和增强型植被指数(EVI)呈正相关;JFY1002叶片氮含量与RVI、EVI、改进非线性植被指数(MNLI)、DVI和NDVI呈正相关。采用多元线性回归建立了MXZ2H和JFY1002叶片氮含量反演模型,R2分别为0.817和0.973,RE分别为8.35%和3.48%。【结论】建立了华南籼稻品种叶片氮含量反演模型,可为精准施肥作业提供理论依据和技术指导。

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。

基于无人机遥感的盐渍化土壤有机质反演方法研究

土壤有机质含量是衡量土壤肥力的重要指标,对粮食生产具有重要影响。我国滨海盐碱地分布广阔,土壤有机质呈现显著的空间异质性。传统的“实地采集-实验测量”的方法费时费力,难以快速描绘盐碱地区土壤有机质含量的空间分布特征。因此,采用遥感技术对土壤有机质含量进行高效且精准地反演,可以快速了解土壤肥力,从而调整与优化农业生产与管理。本研究以黄河三角洲典型滨海盐碱地裸土(0~10 cm土层)为研究对象,通过提取土壤的无人机遥感光谱与空间纹理信息,构建并筛选遥感指数。分别采用多元线性逐步回归、偏最小二乘以及随机森林模型对土壤有机质含量进行反演,并对比分析耕作与未耕作处理对反演的影响,同时探究融入对土壤盐分含量敏感的遥感信息是否可提高盐碱地区土壤有机质的反演精度。研究结果表明:(1)在土壤有机质含量反演中,随机森林模型的反演精度(R2为0.83~0.95)显著高于多元线性逐步回归(R2为0.26~0.69)和偏最小二乘模型(R2为0.37~0.72);(2)与未耕作土壤(R2为0.26~0.95)相比,耕作处理下的土壤有机质的反演精度较高(R2为0.54~0.94),即土壤的耕作处理能提高光谱指数对于土壤有机质含量的响应,从而提升土壤有机质含量的反演精度,为更加精准地监测土壤有机质提供新思路;(3)融入遥感纹理信息或土壤盐分含量信息(盐分实测值和盐分敏感指数)可显著提高土壤有机质反演精度。本研究将为提升田块尺度滨海盐渍化农田的土壤有机质含量反演提供理论与技术支撑,从而促进滨海盐渍化地区现代化农业的发展。

基于无人机遥感的黄河下游河南段河滩地植物群落多样性研究

周期性的农业活动和水沙变化已经显著改变了黄河下游河滩地的植物群落结构,快速、准确地获取河滩地的植物群落多样性信息,可以为黄河流域生态保护和恢复提供参考依据。以位于河南省新乡市原阳县朱贵村南部的黄河下游河滩地的植物群落为研究对象,采用最大似然、人工神经网络、面向对象和随机森林分类方法,利用无人机多光谱遥感影像数据,对河滩地上的植物进行分类,计算出各种植物的相对盖度、相对频度、重要值和植物群落的Simpson多样性指数、Shannon-Wiener多样性指数。研究结果表明,利用无人机多光谱遥感影像数据,可以较为准确地获取黄河下游河滩地上无遮盖植物的物种信息,优选的遥感分类方法是人工神经网络分类方法,其分类结果的总体分类精度和Kappa系数分别为61.42%和0.52;其对河滩地上植物物种的分类结果与实地调查结果基本一致。无人机多光谱遥感方法是研究湿地中植物群落多样性的有效方法。