无人遥感飞行系统在庆铁线改造项目中的应用

介绍了无人遥感飞行系统在庆铁线扩能改造管道建设中的应用,对无人遥感飞行系统在管道建设的应用进行了展望。

无人遥感飞机在林业调查中的应用研究

对于现阶段开展林业调查而言,无人遥感飞机技术日益得到推广。与人工实施林业调查的传统模式相比,运用无人机作为辅助的方式能够覆盖更广的林区范围,并且可以得到精确程度较高的林业资源数据。因此,在实施林业调查的具体实践操作中,相关部门对于遥感飞机技术需要正确加以运用,并且结合林业区域的地形及其他状况来进行遥感技术调查手段的合理选择。

智能无人遥感系统在精准农业中的应用研究

现今随着科学技术的蓬勃发展,农业生产水平不断提升,高技术高水平的农业生产工具也更新。信息科技的极度发展,衍生出现代农业这个概念。农业的发展对于一个国家的发展至关重要,其中精准农业对农业的快速发展起到了一定的推动作用,现代农业中的精准农业是目前全国乃至全世界关注的热点,精准农业的研究难以快速发展进行,主要是由于它需要准确的农作物信息数据。众所周知,收集农作物的信息数据这项工作非常繁琐复杂,但是现在出现的一项新兴技术——智能无人遥感系统可以快速地获取和解析农作物的信息,为精准农业的发展以及更加深入的研究做出巨大的贡献。

基于无人机遥感的农作物病害监测研究进展

作物病害的高效、精准监测不仅在保障农业生产安全中具有重要意义,还对国家粮食安全政策的制定起着至关重要的作用。近年来,随着无人机技术的迅速发展,无人机农业遥感因其高空间分辨率、时效性强、成本相对较低等优势,在农作物病害监测领域的应用日益广泛。首先梳理了无人机遥感在作物病害监测中的应用背景,概述了当前广泛应用于农业生产中的无人机设备及其搭载的作物监测传感器;其次,从技术方法和研究进展的双重视角,系统综述了无人机遥感技术在作物病害监测中的具体应用及其成果;最后,深入探讨了影响无人机遥感病害监测精度的关键因素,分析了当前尚存的技术瓶颈,并展望了无人机遥感在作物病害监测中的未来发展方向。通过研究旨在为我国农作物病害监测平台的构建及相关技术的发展提供理论支持和实践参考。

基于轻量型网络的无人机遥感图像中茶叶枯病检测方法

针对无人机采集的茶叶枯病图像中病斑差异大,病斑和背景之间相似性高等问题,设计了一个轻量型网络LiTLBNet,用于准确、实时地检测野外茶园无人机图像中的茶叶枯病。LiTLBNet使用轻量型的M-Backbone作为骨干网络,用来提取茶叶枯病病斑的可区分特征,减少因图像中病斑的尺度、颜色和形状的巨大差异而导致的漏检。在LiTLBNet的LNeck结构中引入了SE和ECA模块,帮助网络在通道维度上学习目标的综合特征,减少因病斑和背景之间的相似性造成的误检,同时删除原基线网络最大的特征图,以减少计算量和模型大小。此外,本研究还通过旋转、加噪声、构建合成图像等方式来扩充训练样本数量,提高小样本条件下LiTLBNet网络泛化能力。实验结果表明,利用LiTLBNet检测无人机遥感图像中茶叶枯病的精度为75.1%,平均精度均值为78.5%,与YOLO v5s接近。然而,LiTLBNet内存占用量仅2.0 MB,是YOLO v5s网络的13.9%。LiTLBNet网络可用于对茶叶枯病进行实时、准确的无人机遥感监测。

Retinex算法在无人机遥感影像匹配中的应用

无人机遥感测量系统数据获取时由于外部环境的影响,获取的影像内部及影像间色彩差异大,影响影像特征点提取数量及均匀度,降低了影像定向参数解算的可靠性,为此将MRS(multi-scale retinex)算法与高斯滤波算法相结合,提出了MRSGF(multi-scale retinex with gaussian filters)方法对无人遥感影像进行增强。使用偏暗、偏亮、光照分布不均的无人机遥感影像对MRSGF进行验证,实验表明该算法提高了SIFT(scale-invariant feature transform)算法对无人机航空影像纹理多样性及色彩差异的适应性,提高了SIFT算法特征点的数量及分布的均匀度。

基于无人机遥感与深度学习的芨芨草识别方法

芨芨草是干旱、半干旱草原广泛分布的一种多年生杂草,具有极强的环境适应力和种群竞争力,芨芨草的分布状况和变化趋势对于维持区域生态系统平衡和稳定具有重要意义。利用无人机高光谱遥感技术采集内蒙古格根塔拉荒漠草原遥感影像,获得厘米级空间分辨率和纳米级光谱分辨率的图像。采用子区间波段选择法选择代表研究区地物的特征波段,实现数据去除冗余和降维。在ENVI 5.6.1中利用Deep learning模块构建基于U-Net网络的深度学习模型对研究区的芨芨草进行识别,总体分类精度为95.67%,Kappa系数为0.83,均高于其他四种机器学习算法。研究结果表明,基于特征波段选择的深度学习算法能更有效地提取地物的光谱、纹理和形状信息,无人机高光谱低空遥感和深度学习算法的结合为荒漠草原芨芨草的准确、快速识别提供了新途径。

露天矿无人机遥感边坡地表形变提取方法研究

针对当前露天矿边坡监测过程中存在的设备留有监测死角、点位布控缺乏依据、地质隐患解译困难、无人机(Unmanned Aerial Vehicle,UAV)影像点云重构复杂度高等问题,提出了一种基于无人机遥感的边坡地表形变提取方法。首先,通过分析UAV激光点云与影像特点构建点云序列;其次,利用融合尺度不变特征变换(Scale Invariant Feature Transform,SIFT)与圆柱形邻域搜索的改进迭代最近点(Iterative Closest Point,ICP)算法,实现点云序列的精准高效配准,提高边坡形变提取精度;最终,借助数字高程模型(Digital Elevation Model,DEM)叠加分析与可视化,精准定位边坡重点形变区域,直观提取边坡形变位置和大小,并结合正射影像图像特征进行形变区域分析与解译。以南芬露天矿为工程应用实例,研究表明:边坡形变模型标准偏差为0.032 m,对比全球定位系统-实时动态差分(Global Positioning System-Real Time Kinematic,GPS-RTK)实测形变值,形变中误差为0.012 m,能够快速实现大尺度复杂边坡地表扫描与形变提取,从而为地质灾害隐患分析、盲区边坡形变监测与地面监测设备科学布控提供技术支撑。

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。

基于无人机遥感技术的土地利用面积精准测量研究

目的为了提升土地利用面积测量精度,提出基于无人机遥感技术的土地利用面积精准测量方法。方法预处理无人机遥感影像,计算影响匹配色差的调整参数,并通过样本集标准误差计算残余误差,筛查获取奇点数据。在此基础上,建立矢量图层,解译遥感信息并判定地类特征,获取不同地物类别属性信息,根据地物类别属性信息设计平面土地与曲面土地面积精准测量方法,实现土地利用面积精准测量。结果实验结果表明,当拍摄高度不超过200 m时,无人机遥感技术测量精度均高于96%。结论这种方法能够提升土地利用面积测量精度,实际应用效果好。

无人机遥感技术在森林病虫害监测中的应用——以山东省泰安市徂徕山林场庙子林区为例

森林病虫害对森林生态环境和经济产业的影响越来越大,传统的人工巡查和数据收集方式已经无法满足及时发现并有效治理森林病虫害的需求。无人机遥感技术可以实现对森林病虫害的全方位高效监测,及时掌握病虫害的分布情况、影响范围和发展趋势,为精准防控提供科学依据,因此越来越受到森林保护部门的关注和高频应用。

深度语义分割网络无人机遥感松材线虫病变色木识别

松材线虫病是危害我国林业资源的主要病害,研究深度语义分割网络无人机遥感技术可提高松材线虫病变色木识别准确率,为提升和保护林业资源质量提供技术支撑。该文以青岛崂山松林为研究区,通过固定翼无人机航拍获取区域无人机松材线虫病疑似变色木影像,以全卷积网络(fully convolutional networks,FCN),U-Net,DeepLabV3+和OCNet 4种深度语义分割模型为研究对象,选用召回率(Recall)、精确率(Precision)、交并比(intersection over union,IoU)和F1值评估各模型分割精度。航拍飞行获得2688张无人机影像,通过手动标记和样本扩增生成训练样本28800个。4种网络均能够较好识别松材线虫病变色木,无显著误报,并且深度语义模型对颜色相近的地物,如岩石、黄色裸土等有较好的辨别结果。总体上,DeepLabV3+具有最高的变色木分割精度,IoU与F1值分别为0.711和0.829;FCN模型分割精度最低,IoU与F1值分别为0.699和0.812;DeepLabV3+训练耗时最低,达到27.2 ms/幅;FCN预测耗时最低,达到7.2 ms/幅,但分割变色木的边缘精度最低。以3种特征提取网络ResNet50,ResNet101和ResNet152为前端特征提取网络构建的DeepLabV3+模型变色木识别IoU值分别为0.711,0.702和0.702,F1值分别为0.829,0.822和0.820。DeepLabV3+比DeepLabV3网络具有更高的变色木识别精度,DeepLabV3网络变色木识别的IoU和F1值分别为0.701和0.812。DeepLabV3+模型在测试数据中具有最高变色木识别精度,特征提取网络ResNet网络深度对变色木识别精度影响较小。DeepLabV3+引入的编码和解码结构能够显著改进DeepLabV3分割精度,同时可获得详细的分割边缘,更有利于松材线虫病变色木识别。

基于无人机遥感影像和面向对象技术的荒漠草原植被分类

探究适合荒漠草原植被遥感分类方法,明确荒漠草原地区植物物种类型及其分布状况,可以提高荒漠草原精细化生物多样性监测能力,对于荒漠草原的保护管理与生态可持续发展均具有重要意义。以贺兰山东麓洪积扇荒漠草原典型植被短花针茅、松叶猪毛菜、刺旋花、斑子麻黄为研究对象,利用无人机遥感影像,采用面向对象的分类回归树(classification and regression tree,CART)、K最邻近(K-nearest neighbor,KNN)、随机森林(random forest,RF)和支持向量机(support vector machine,SVM)分类方法,结合特征优选算法对影像特征进行优选,在此基础上选择最优特征进行荒漠草原植被精细化分类研究。结果表明:1)特征优选能够有效提高分类精度,应予以充分利用,当选取的特征组合为贡献度大于1.00%时,分类精度最高;2)基于无人机遥感影像挖掘的植被光谱、纹理特征,结合面向对象分类方法能有效实现贺兰山东麓荒漠草原典型植被精细化分类,其中RF分类精度最高,分类总体精度达到87.77%,Kappa系数为0.79。研究结果可为荒漠草原植被分类研究提供参考,对荒漠草原生物多样性保护管理与生态可持续发展均具有重要意义。

无人机遥感数据的森林病虫害变色立木提取分析

随着大面积人工造林后,森林病虫害逐年增加,病虫害的监测工作成为防治的重点。利用成熟的无人机遥感监测技术,获取高精度的正射影像,通过对遥感影像进行数据分析,基于深度学习方法的变色立木智能提取技术,以林地地面核查为复核,有效把控林业病虫害的发生。深度学习算法相较于传统机器学习可以提供更准确、更及时的森林健康状况监测,从而帮助林业工作者及时发现并处理可能出现的森林健康问题。提高对林业病虫害监测的全面性和准确性,有效监测森林生态健康。

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。

基于改进DeepLabV3+的荞麦苗期无人机遥感图像分割识别方法研究

针对DeepLabV3+语义分割模型计算复杂度高、内存消耗大、难以在计算力有限的移动平台上部署等问题,提出一种改进的轻量化DeepLabV3+深度学习语义分割算法,用于实现无人机荞麦苗期图像的分割与识别。该算法采用RepVGG(Re-parameterization visual geometry group)与MobileViT(Mobile vision transformer)模块融合的方式建立主干网络实现特征提取;同时,在RepVGG网络结构中引入SENet(Squeeze-and-excitation networks)注意力机制,通过利用通道间的相关性,捕获更多的全局语义信息,保证荞麦分割的性能。实验结果表明,与FCN(Fully convolutional networks)、PSPNet(Pyramid scene parsing network)、DenseASPP(Dense atrous spatial pyramid pooling)、DeepLabV3、DeepLabV3+模型相比,本文提出的改进算法在较大程度上降低了模型参数规模,更适合在移动端部署,自建荞麦苗期分割数据集上的语义分割平均像素准确率(Mean pixel accuracy,mPA)和平均交并比(Mean intersection over union,mIoU)分别为97.02%和91.45%,总体参数量、浮点运算次数(Floating-point operations,FLOPs)和推理速度分别为9.01×10^(6)、8.215×10^(10)、37.83 f/s,综合表现最优。在全尺寸图像分割中,训练模型对不同飞行高度的荞麦苗期分割的mPA和mIoU均能满足要求,也具有较好的分割能力和推理速度,该算法可为后期荞麦补种、施肥养护和长势监测等提供重要技术支持,进而促进小杂粮产业智能化发展。

基于无人机遥感植被指数优选的覆膜冬小麦估产研究

为进一步提高无人机遥感估产的精度,本研究以2021—2022年的覆膜冬小麦为研究对象,对返青期、拔节期、抽穗期和灌浆期的多光谱影像进行覆膜背景剔除,并优选最佳遥感窗口期,基于最优植被指数构建覆膜冬小麦估产模型。结果表明,利用支持向量机监督分类法剔除覆膜背景后冠层反射率更接近真实值,抽穗期和灌浆期的估产精度更高。将不同生育期的植被指数与产量进行相关性分析发现,最佳遥感窗口期为抽穗期。基于逐步回归和全子集回归法优选最优植被指数时发现,基于逐步回归法筛选变量为MCARI、MSR、EVI2、NDRE、VARI、NDGI、NGBDI、ExG时产量反演模型精度最高。此外,利用偏最小二乘法、人工神经网络和随机森林3种机器学习法构建的产量反演模型中,基于逐步回归法的随机森林模型的反演精度最高,R^(2)为0.82,RMSE为0.84 t/hm^(2)。该研究可为提高遥感估产精度、实现农业生产精细化管理提供技术支持。

基于无人机多光谱遥感的棉花生长参数和产量估算

及时准确地监测棉花长势和产量是精准农业栽培管理的关键。无人机(UAV)平台能够快速获取高时空分辨率的遥感数据,在作物生长参数和产量估算方面显示出巨大的潜力。以山东省滨州市棉花为研究对象,利用安装在无人机上的多光谱相机获取遥感影像,分别提取各波段反射率,筛选出8种植被指数,采用多元线性回归(MLR)、随机森林(RF)、人工神经网络(BPNN)3种方法分别构建棉花的株高、叶绿素相对含量、单株产量的估计模型并进行验证。结果表明,基于BPNN的预测模型精度明显优于MLR和RF模型,盛花期与成熟期棉花株高估计模型验证集的R^(2)分别为0.842和0.670;叶绿素相对含量估算模型验证集的R^(2)分别为0.725和0.765;产量估算模型验证集的R^(2)分别为0.860和0.846。为无人机遥感在作物生长参数与产量估算领域中的应用提供理论依据,为进一步优化农业生产管理、科学决策提供参考。

基于无人机遥感的植被覆盖与管理因子计算

[目的]研究传统遥感的混合像元分解法在无人机遥感中的应用,提出小区域尺度的植被覆盖与管理因子(C因子)快速估算方法。[方法]借助无人机航拍获取南京江宁谷里地区土地利用情况的遥感影像,采用面向对象分类法提取各类型用地的地物盖度,基于混合像元分解的C因子模型计算了研究区C值,通过与已有研究成果的分析比较,评价该方法的准确性。[结果]对象分类结果(植被、裸地和非光合地物)总正确率都在95%以上,基于混合像元分解的C因子模型估算南京江宁谷里地区的林地、耕地和草地的C值分别为0.057,0.176,0.043,结果与已有研究成果接近。[结论]利用无人机遥感进行C因子估算是可行的,且相较于传统的径流小区实测法,更为高效便捷。

无人机遥感技术在水土保持监测中的应用

在技术更新迭代越来越频繁,互联网技术应用范围逐渐拓展的当下,无人机遥感这一技术逐渐拓展自身发展领域,应用范围扩大。随着无人机遥感技术的快速发展,其在水土监测工作中的应用可以在一定程度上弥补以往传统检测方式的不足,进一步提升水土监测效率,降低成本投入。以实际工程为案例,针对其现场水土保持施工过程中的无人机遥感技术应用进行分析,并根据工程项目实际水土流失情况进行无人机遥感技术分析,有效体现了无人机遥感技术机动性高、成本低等一系列优势,希望能够为无人机遥感技术的应用发展提供参考。