CN110544277A - 一种无人机载高光谱成像仪反演亚热带植被叶面积指数的方法 - Google Patents
一种无人机载高光谱成像仪反演亚热带植被叶面积指数的方法 Download PDFInfo
- Publication number
- CN110544277A CN110544277A CN201910768165.6A CN201910768165A CN110544277A CN 110544277 A CN110544277 A CN 110544277A CN 201910768165 A CN201910768165 A CN 201910768165A CN 110544277 A CN110544277 A CN 110544277A
- Authority
- CN
- China
- Prior art keywords
- data
- vegetation
- hyperspectral
- leaf area
- area index
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/28—Measuring arrangements characterised by the use of optical techniques for measuring areas
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
一种基于无人机和高光谱技术反演亚热带植被叶面积指数的方法,其特征在于:利用无人机载高光谱成像仪、GPS模块、时间模块、数据运算模块,获得目标区域植被高光谱数据和几何参数数据;将获得的高光谱数据进行特征光谱提取,得到8个波段的特征光谱数据;基于PROSAIL辐射传输模型,将提取的特征光谱数据和几何参数数据作为输入数据,采用人工神经网络算法进行叶面积指数反演。本发明提供了一种同时具备高空间分辨率和高光谱分辨率的亚热带植被叶面积指数遥感测量方法。
Description
技术领域
本发明涉及生态环境监测技术领域,更具体地,涉及基于无人机载高光谱成像仪反演的植被信息检测系统及方法。
背景技术
叶面积指数(Leaf Area Index,LAI)是指单位地表面积上单面植物叶片的垂直投影面积。叶面积指数可以反映植物冠层中的二氧化碳、能量及物质环境,是森林生长和健康状况重要指标,也是蒸散量、土壤水分、树冠层截光量等生态参数估测的基础,因此在农业、林业以及生物学、生态学等领域得到广泛应用,成为一个重要的植物学参数和评价指标。
叶面积指数的测定方法主要有直接测定法(叶面积测定法、落叶收集法、分层收割法)和间接法(消光系数法、经验公式法、遥感监测法)等。直接测定法往往需要工作人员进入样地开展测量,需消耗大量人力和时间,不适用于大面积区域植被的叶面积指数测定。间接法主要以卫星遥感影像的光谱特征为基础,根据特定模型及算法反演影像像元的叶面积指数;但由于卫星遥感影像空间分辨率和光谱分辨率不足的限制,该方法测定的叶面积指数一般精度较低,难以满足现实管理要求。同时,卫星遥感影像的成像质量容易受天气影响,在阴雨天气下无法获得有效卫星遥感数据。受卫星重返周期限制,对同一区域的卫星遥感监测须间隔一定的时间,也将导致无法根据实际管理需要灵活开展监测。
无人机技术的发展,为近地面、大面积的植被叶面积指数监测提供了条件。在符合一定气象和光照条件下,无人机即可按照设定的航线对植被进行监测,极大地提高了监测工作的灵活性和获得数据的时效性,相对现有直接测定法和间接测定法具有较大的优势。
目前,用于植被叶面积指数反演的机载光学成像仪主要为多光谱成像仪,其主要光谱波段固定且光谱分辨率不足。而高光谱遥感技术具有空间分辨率高、光谱连续和数据信息丰富的特点,为准确、定量提取地物信息提供了进一步的可能。高光谱遥感技术和无人机技术相结合,并采用合适的数据模型和反演方法,可满足研究区域内植被叶面积指数快速、连续、准确监测的需求。
发明内容
本发明的目的在于克服植被叶面积指数遥感监测技术现有的缺点,提供一种无人机载高光谱成像仪反演植被叶面积指数的方法。
为了解决上述问题,本发明所采用以下技术方案。
一种无人机载高光谱成像仪反演亚热带植被叶面积指数的方法,包括以下步骤:1、借助无人机平台,同步搭载高光谱成像仪、GPS模块、时间模块、数据运算模块,在对象区域内进行航飞,拍摄并同步获取研究区域内植被连续的高光谱影像和时空参数数据;2、数据运算模块通过GPS模块、时间模块获取的时空参数数据,求解并记录高光谱数据对应的太阳天顶角,实现反演模型所需的高光谱数据和几何参数数据的同步获取;3、对获取的高光谱数据进行辐射亮度校正、几何校正处理以获得高空间精度的植被冠层顶部反射率数据;4、对获得的植被冠层顶部反射率高光谱数据进行重采样,形成多个特征波段数据;5、利用获得的特征波段数据,进行植被与非植被的区分,对植被部分区域进行提取,以减少后续数据处理量;6、基于冠层反射模型PROSAIL构建BP神经网络模型,采用1000个实测数据进行模型训练,采用300个实测数据进行验证,确定叶面积指数反演模型;7、利用提取后得到的植被区域中的特征波段数据和获得的飞行几何参数数据,基于上一步骤确定的BP神经网络模型,反演得到植被区域的叶面积指数结果。
优选的,步骤1所述航飞指使用空间地理数据浏览和标绘软件的多边形工具规划飞行区域和采集区域;高光谱成像仪采用GPS位置触发拍摄,即成像仪飞进区域开始采集,飞出区域停止采集。
根据冠层反射模型PROSAIL,植被叶面积指数反演所须的几何参数包括:太阳天顶角(θs)、观测天顶角(θv)、相对方位角优选的,本发明使用的高光谱成像仪搭载于三轴云台上,航飞及摄影过程中成像仪摄影方向稳定保持垂直地面,因此观测天顶角(θv)、相对方位角均恒定为0°,因此将求三个几何参数简化为求太阳天顶角(θs)。
优选的,数据运算模块采用以下方法反算已知经纬度和时间的情况下太阳天顶角(θs):式中θs为太阳天顶角,表示地理纬度,δ表示太阳赤纬,t表示时角。其中,太阳赤纬的计算公式为:
δ(deg)=0.006918-0.399912cos(b)+0.070257sin(b)-0.006758cos(2b)+0.000907sin(2b)
-0.002697cos(3b)+0.00148sin(3b)
其中,b=2π(N-1)/365,N为积日,即日期在年内的顺序号;
时角的计算公式为:t=(S*-12)×15°,式中S*表示真太阳时;
真太阳时的计算公式为:S*=S-4×(120-γ)×Δt,式中S表示平北京时间太阳时,γ表示当地经度,Δt表示时差。
优选的,步骤1所述高光谱成像仪为Nano-Hyperspec全波段高光谱成像仪,波长范围为400-1000nm,光谱通道分别为270个,空间通道640个,光谱采样间隔2.2nm/pixel,最大帧频350fps。
优选的,步骤(2)所述高光谱数据的辐射亮度校正是指将高光谱图像的数字量化值(DN)转化为反射率的处理过程,具体方法为:高光谱成像仪采集的原始数据为12位的DN值数据,通过载入积分时间对应的出厂时辐射亮度定标的配置文件,将DN值数据转换为辐射亮度数据,通过以下公式建立DN值与辐射亮度之间的关系,将DN值数据转换为辐射亮度数据。DN值计算公式为:DN=L1×G×texp+DF,式中DN为高光谱成像仪记录的原始光强值,无量纲;L1为只考虑光栅的一级分光的辐射亮度值;G为相机增益;texp为感光元件的积分时间;DF为暗电流噪声。
优选的,步骤(4)所述多个特征波段及其中心波长分别为B1(561.5nm)、B2(665.9nm)、B3(705.4nm)、B4(740.2nm)、B5(782.0nm)、B6(865.6nm)、B7(909.7nm)、B8(949.1nm);其中B2和B6特征波段用于区分植被,B1至B8特征波段用于反演叶面积指数。
优选的,步骤(4)所述高光谱数据的重采样方法为利用波段响应函数对光谱数据进行卷积计算,将高光谱数据转换为总共8个波段的多光谱数据,计算公式如下:ρM=ρH×DR/sum(DR),式中ρM表示多光谱反射率,ρH表示高光谱反射率,DR为波段响应函数,sum(DR)表示对为波段响应函数的响应值进行求和运算。
优选的,步骤(5)所述进行植被与非植被区分的方法是指根据像元光谱信息计算像元的归一化植被指数(NDVI),依据得出的NDVI值将像元里的地物组成分为植被与非植被。NDVI计算公式为:NDVI=(B6-B2)/(B6+B2),式中B2、B6分别为步骤(4)所述特征波段的反射率。NDVI<0.3的像元为非植被像元,予以掩膜处理。
优选的,步骤(6)所述BP神经网络模型是指基于冠层反射模型PROSAIL构建的BP神经网络模型,输入量分别为B1-B8、cos(θs)共9个神经元,输出为1个神经元,即叶面积指数。
优选的,步骤(6)所述BP神经网络采用一层隐含层,隐含层为5个神经元。
优选的,本发明构建的BP神经网络模型采用1000个实测样本数据进行神经网络的样本训练,采用300个样本进行验证,确定叶面积指数反演模型。
本发明提供了一种同时具备高空间分辨率和高光谱分辨率的亚热带植被叶面积指数遥感测量方法,其有益效果在于:
1、在获得监测对象高光谱数据时同步获得几何参数数据,获得PROSAIL辐射传输模型反演叶面积指数的全部输入参数,提高了反演结果的准确度;
2、与传统的植被叶面积指数现场测量方法相比,具有测量覆盖范围大、测量区域可达性强、测量成本低廉的优点;
3、与利用卫星遥感数据进行反演的测量方法相比,具有全天候(不受卫星过境时间限制和不利天气影响)、灵活性强(测量时间机动且可灵活安排)、光谱分辨率高(获得数据含多个光谱,不受遥感卫星成像仪波段数限制)等特点。
本发明充分发挥了无人机和高光谱成像仪反演植被叶面积指数的优势,进一步提高了植被叶面积指数反演的精度。
附图说明
图1为本发明实施例的高光谱数据遥感提取亚热带城市植被叶面积指数方法的流程示意图。
图2为获得的高光谱影像图。
图3为典型植被像元的连续光谱曲线。
图4为重采样及波段合成后典型植被像元的光谱曲线。
图5为BP神经网络算法流程图。
图6为神经网络结构图。
图7为本BP神经网络预测结果图。
具体实施方式
为使得本发明的目的和操作流程便于理解,下面采用2019年6月15日对广东省中山市某研究区域的高光谱数据做具体反演实例。该研究区域内植被类型包括草地、绿化苗木、野生草本植物等,是具有良好代表性的亚热带城市植被类型。反演操作包括以下步骤:
1、借助无人机平台(采用大疆M600 PRO六旋翼无人机+专用三轴云台),同步搭载高光谱成像仪(Nano-Hyperspec全波段高光谱成像仪)、GPS模块、时间模块、数据运算模块,在对象区域内进行航飞,拍摄并同步获取研究区域内植被连续的高光谱影像和时空参数数据;获得的高光谱影像数据见图2(真彩色合成影像)。典型植被像元的连续光谱曲线见图3。
2、数据运算模块通过GPS模块、时间模块获取的时空参数数据,求解并记录高光谱数据对应的太阳天顶角,实现反演模型所需的高光谱数据和几何参数数据的同步获取;获得部分代表性像元对应的太阳天顶角数据见表1。
表1
纬度(°N) | 经度(°N) | 时钟时 | 太阳天顶角θ<sub>s</sub>(°) | cos(θ<sub>s</sub>) |
22.234 | 113.437 | 14:00 | 27.64 | 0.885880 |
22.236 | 113.439 | 14:05 | 28.78 | 0.876475 |
22.238 | 113.441 | 14:10 | 29.92 | 0.866723 |
22.24 | 113.443 | 14:15 | 31.07 | 0.856537 |
22.242 | 113.445 | 14:20 | 32.21 | 0.846100 |
22.244 | 113.447 | 14:25 | 33.35 | 0.835328 |
22.246 | 113.449 | 14:30 | 34.50 | 0.824126 |
22.248 | 113.451 | 14:35 | 35.64 | 0.812694 |
22.25 | 113.453 | 14:40 | 36.78 | 0.800940 |
22.252 | 113.455 | 14:45 | 37.92 | 0.788870 |
3、对获取的高光谱数据进行辐射亮度校正、几何校正处理以获得高空间精度的植被冠层顶部反射率数据。数据辐射亮度校正和几何校正均采用美国Headwall公司的SpectralView软件进行,具体步骤为:①使用SpectralView软件中提供了高光谱成像仪的辐射定标文件,可自动将原始数据转换为辐射亮度数据。②选取数据中反射率参考板的像素点作为参考,对同一个文件夹的所有条带数据进行反射率计算。③在SpectralView软件中载入反射率数据,根据研究区域DEM数据修改海拔高度补偿,得到的相对高度约为无人机飞行时于地面的高度;SpectralView软件可根据无人机在采集数据时通过IMU/GPS模块实时记录的姿态信息,主要包括海拔(Altitude)、纬度(Altitude)、经度(Longitude)、XYZ三个轴的平移速度,横滚角(Roll),俯仰角(Pitch)和航向角(Yaw),通过软件自带的几何校正算法处理,输出为与拍摄地物实际地理位置配准的数据。
4、对获得的植被冠层顶部反射率高光谱数据进行重采样,形成所需多个特征波段数据。本操作使用ENVI 5.5软件中的Layer Stacking工具实现。具体步骤为:①使用ENVI5.5软件加载获得的植被冠层顶部反射率高光谱数据。②使用Layer Stacking工具打开波段合成窗口,点击Import file打开波段输入窗口。③从高光谱数据原始波段中选择叶面积指数反演所需的8个特征波段,重采样方法选择Nearest Neighber,最终得到所需研究区特征波段数据。重采样及波段合成后典型植被像元的光谱曲线见图4。
5、利用获得的特征波段数据,采用特定算法进行植被与非植被的区分,对植被部分区域进行提取,以减少后续数据处理量。本操作使用ENVI 5.5软件中的Band Math工具实现,具体步骤如下:①使用ENVI 5.5软件加载上一步骤获得的植被冠层顶部反射率特征光谱数据。②使用Band Math工具进行波段计算,对每个像素点对应的像素值进行数学运算,运算表达式(Enter an expression)输入:(b1-b2)/(b1+b2)。③打开Variables to BandsPairings对话框,为运算表达式中各个变量赋值图像波段,本操作中指定变量b2为上一步骤获取的特征波段数据中的B2(665.9nm)波段,变量b1指定为B6(865.6nm)波段,随后执行Band Math工具计算。④Band Math工具并输入运算表达式(b1 lt 0.3)*(0)+(b1 ge 0)*b1,将变量b1赋值为上一步骤波段计算结果,通过设置阈值将计算结果值大于0.3的像元提取为植被像元。
6、基于冠层反射模型PROSAIL构建BP神经网络模型,采用1000个实测数据进行模型训练,采用300个实测数据进行验证,确定叶面积指数反演模型。所采用的实测数据为在不同季节、对不同植被类型的样地采用LAI-2000型冠层分析仪测得的植被叶面积指数,实测数据信息见表2。
表2
样地类型 | 优势植物 | 叶面积指数实测值范围 |
针叶林 | 杉木+湿地松 | 2.37-6.43 |
常绿阔叶林 | 相思+木莲 | 1.49-7.78 |
常绿阔叶林 | 木荷+鸭脚木 | 1.82-7.32 |
沟谷季雨林 | 鼠刺+短序润楠 | 2.01-6.32 |
针阔混交林 | 杉木+樟树 | 2.38-6.98 |
常绿阔叶林 | 木荷 | 2.16-8.01 |
针阔混交林 | 木荷+马尾松 | 1.12-5.98 |
常绿阔叶林 | 米老排+黧蒴 | 2.17-6.09 |
常绿阔叶林 | 相思+木荷 | 1.68-7.23 |
针叶林 | 马尾松 | 1.09-6.34 |
常绿阔叶林 | 黧蒴+相思 | 1.85-4.65 |
常绿阔叶林 | 木荷+相思 | 2.34-7.97 |
常绿阔叶林 | 相思+马尾松 | 1.88-6.34 |
灌丛 | 鸭脚木+假萍婆 | 1.23-1.72 |
灌丛 | 金竹 | 0.98-3.36 |
灌丛 | 黄杞+岭南山竹子 | 1.23-3.28 |
灌丛 | 桃金娘+刺葵 | 0.45-0.76 |
灌丛 | 岗松 | 0.56-1.17 |
草丛 | 鹧鸪草 | 0.34-0.30 |
草丛 | 野古草 | 0.23-0.59 |
草丛 | 蜈蚣草 | 0.12-0.15 |
草丛 | 乌毛蕨 | 0.23-0.52 |
所采用的BP神经网络算法流程图和神经网络结构图如图5和图6。
BP神经网络模型建模操作在MATLAB软件中实现。首先利用对样本数据进行归一化,利用节点传递函数tansig进行传递,利用训练函数trainlm进行训练,利用输出层purelin进行预测。本BP神经网络预测结果见图7。
7、利用提取后得到的植被区域中的特征波段数据和获得的飞行几何参数数据,基于上一步骤确定的BP神经网络模型,反演得到植被区域的叶面积指数结果。
Claims (10)
1.一种无人机载高光谱成像仪反演亚热带植被叶面积指数的方法,其特征在于,包括以下步骤:
(1)借助无人机平台,同步搭载高光谱成像仪、GPS模块、时间模块、数据运算模块,在对象区域内进行航飞,拍摄并同步获取研究区域内植被连续的高光谱影像和时空参数数据;
(2)数据运算模块通过GPS模块、时间模块获取的时空参数数据,求解并记录高光谱数据对应的太阳天顶角,实现反演模型所需的高光谱数据和几何参数数据的同步获取;
(3)对获取的高光谱数据进行辐射亮度校正、几何校正处理以获得高空间精度的植被冠层顶部反射率数据;
(4)对获得的植被冠层顶部反射率高光谱数据进行重采样,形成多个特征波段数据:
(5)利用获得的特征波段数据,进行植被与非植被的区分,对植被部分区域进行提取,以减少后续数据处理量;
(6)基于冠层反射模型PROSAIL构建BP神经网络模型,采用1000个实测数据进行模型训练,采用300个实测数据进行验证,确定叶面积指数反演模型;
(7)利用提取后得到的植被区域中的特征波段数据和获得的飞行几何参数数据,基于上一步骤确定的BP神经网络模型,反演得到植被区域的叶面积指数结果。
2.根据权利要求1所述的一种无人机载高光谱成像仪反演亚热带植被叶面积指数的方法,其特征在于:步骤(1)所述航飞指使用空间地理数据浏览和标绘软件的多边形工具规划飞行区域和采集区域;高光谱成像仪采用GPS位置触发拍摄,即成像仪飞进区域开始采集,飞出区域停止采集。
3.根据权利要求1所述的一种无人机载高光谱成像仪反演亚热带植被叶面积指数的方法,其特征在于:根据冠层反射模型PROSAIL,植被叶面积指数反演所需的几何参数包括:太阳天顶角(θs)、观测天顶角(θv)、相对方位角步骤(1)所述高光谱成像仪搭载于三轴云台上,航飞及摄影过程中成像仪摄影方向稳定保持垂直地面,因此观测天顶角(θv)、相对方位角均恒定为0°,因此将求三个几何参数简化为求太阳天顶角(θs)。
4.根据权利要求1所述的一种无人机载高光谱成像仪反演亚热带植被叶面积指数的方法,其特征在于:数据运算模块采用以下方法反算已知经纬度和时间的情况下太阳天顶角(θs):
式中θs为太阳天顶角,表示地理纬度,δ表示太阳赤纬,t表示时角;其中太阳赤纬的计算公式为:
δ(deg)=0.006918-0.399912cos(b)+0.070257sin(b)-0.006758cos(2b)+0.000907sin(2b)-0.002697cos(3b)+0.00148sin(3b)
其中,b=2π(N-1)/365,N为积日,即日期在年内的顺序号;
时角的计算公式为:t=(S*-12)×15°,式中S*表示真太阳时;
真太阳时的计算公式为:S*=S-4×(120-γ)×Δt,式中S表示平北京时间太阳时,γ表示当地经度,Δt表示时差。
5.根据权利要求1所述的一种无人机载高光谱成像仪反演亚热带植被叶面积指数的方法,其特征在于:步骤(1)所述高光谱成像仪为Nano-Hyperspec全波段高光谱成像仪,波长范围为400-1000nm,光谱通道为270个,空间通道640个,光谱采样间隔2.2nm/pixel,最大帧频350fps。
6.根据权利要求1所述的一种无人机载高光谱成像仪反演亚热带植被叶面积指数的方法,其特征在于:步骤(3)所述高光谱数据的辐射亮度校正是指将高光谱图像的数字量化值(DN)转化为反射率的处理过程,具体方法为:高光谱成像仪采集的原始数据为12位的DN值数据,通过载入积分时间对应的出厂时辐射亮度定标的配置文件,将DN值数据转换为辐射亮度数据,通过以下公式建立DN值与辐射亮度之间的关系,将DN值数据转换为辐射亮度数据:DN=L1×G×texp+DF,式中DN为高光谱成像仪记录的原始光强值,无量纲;LI为只考虑光栅的一级分光的辐射亮度值;G为相机增益;texp为感光元件的积分时间;DF为暗电流噪声。
7.根据权利要求1所述的一种无人机载高光谱成像仪反演亚热带植被叶面积指数的方法,其特征在于:步骤(4)所述多个特征波段及其中心波长分别为B1 561.5nm、B2 665.9nm、B3 705.4nm、B4 740.2nm、B5 782.0nm、B6 865.6nm、B7 909.7nm、B8 949.1nm;其中B2和B6特征波段用于区分植被,B1至B8特征波段用于反演叶面积指数。
8.根据权利要求7所述的一种无人机载高光谱成像仪反演亚热带植被叶面积指数的方法,其特征在于:步骤(4)所述高光谱数据的重采样方法为利用波段响应函数对光谱数据进行卷积计算,将高光谱数据转换为总共8个波段的多光谱数据,计算公式如下:ρM=ρH×DR/sum(DR),式中ρM表示多光谱反射率,ρH表示高光谱反射率,DR为波段响应函数,sum(DR)表示对为波段响应函数的响应值进行求和运算。
9.根据权利要求8所述的一种无人机载高光谱成像仪反演亚热带植被叶面积指数的方法,其特征在于:步骤(5)中对植被与非植被进行区分的算法为根据像元光谱信息计算像元的归一化植被指数(NDVI),依据得出的NDVI值将像元里的地物组成分为植被与非植被;NDVI计算公式为:NDVI=(B6-B2)/(B6+B2),式中B2、B6分别为步骤(4)所述特征波段的反射率,NDVI<0.3的像元为非植被像元,予以掩膜处理。
10.根据权利要求9所述的一种无人机载高光谱成像仪反演亚热带植被叶面积指数的方法,其特征在于:步骤(6)所述BP神经网络模型是指基于冠层反射模型PROSAIL构建的BP神经网络模型,输入量分别为B1-B8、cos(θs)共9个神经元,输出为1个神经元,即叶面积指数;所述BP神经网络采用一层隐含层,隐含层为5个神经元;BP神经网络模型采用1000个实测样本数据进行神经网络的样本训练,采用300个样本进行验证,确定叶面积指数反演模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910768165.6A CN110544277B (zh) | 2019-08-12 | 2019-08-12 | 一种无人机载高光谱成像仪反演亚热带植被叶面积指数的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910768165.6A CN110544277B (zh) | 2019-08-12 | 2019-08-12 | 一种无人机载高光谱成像仪反演亚热带植被叶面积指数的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110544277A true CN110544277A (zh) | 2019-12-06 |
CN110544277B CN110544277B (zh) | 2023-01-10 |
Family
ID=68711665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910768165.6A Active CN110544277B (zh) | 2019-08-12 | 2019-08-12 | 一种无人机载高光谱成像仪反演亚热带植被叶面积指数的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110544277B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652347A (zh) * | 2020-04-23 | 2020-09-11 | 中国科学院空天信息创新研究院 | 一种粒子群算法改进神经网络反演叶面积指数方法 |
CN112330672A (zh) * | 2020-11-28 | 2021-02-05 | 华中农业大学 | 基于prosail模型并在冠层覆盖度参与优化下作物叶面积指数反演方法 |
CN112634213A (zh) * | 2020-12-15 | 2021-04-09 | 安阳工学院 | 一种无人机预测冬小麦冠层叶面积指数的系统和方法 |
CN113192117A (zh) * | 2021-02-08 | 2021-07-30 | 南京农业大学 | 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法 |
CN113324927A (zh) * | 2021-05-11 | 2021-08-31 | 四川省林业科学研究院 | 一种松材线虫病林间早期防治方法及监测系统 |
CN114252406A (zh) * | 2021-12-30 | 2022-03-29 | 黑龙江八一农垦大学 | 一种小麦生长期养分信息检测方法 |
CN114755189A (zh) * | 2022-04-01 | 2022-07-15 | 自然资源部国土卫星遥感应用中心 | 一种特征优选的自注意力机制高光谱卫星lai反演方法 |
CN115953391A (zh) * | 2023-03-08 | 2023-04-11 | 吉林大学 | 水稻物候指数监测系统及方法 |
CN116385883A (zh) * | 2023-04-13 | 2023-07-04 | 珠江水利委员会珠江水利科学研究院 | 基于无人机山体阴影区植被覆盖度修正方法、设备和介质 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102269576A (zh) * | 2010-06-03 | 2011-12-07 | 曹春香 | 一种森林覆盖度及有效叶面积指数的主被动协同反演方法 |
CN102313526A (zh) * | 2010-07-07 | 2012-01-11 | 中国科学院地理科学与资源研究所 | 一种多角度与多光谱遥感数据定量融合反演叶面积指数的方法 |
CN102878957A (zh) * | 2012-09-26 | 2013-01-16 | 安徽大学 | 基于遥感影像优化prosail模型参数的叶面积指数和叶绿素含量的反演方法 |
CN103398957A (zh) * | 2013-08-12 | 2013-11-20 | 河海大学 | 基于高光谱与激光雷达提取叶面积垂直分布的方法 |
CN104567754A (zh) * | 2014-12-26 | 2015-04-29 | 河南省农业科学院农业经济与信息研究所 | 一种耦合星-地遥感的小麦叶面积指数估算方法 |
CN105303063A (zh) * | 2015-12-03 | 2016-02-03 | 武汉大学 | 融合物候数据与遥感数据的叶面积指数反演方法及系统 |
CN107437267A (zh) * | 2016-05-26 | 2017-12-05 | 中国科学院遥感与数字地球研究所 | 植被区高光谱图像模拟方法 |
CN107907075A (zh) * | 2017-12-28 | 2018-04-13 | 山东省农业可持续发展研究所 | 花生叶面积指数遥感监测方法 |
WO2018125940A1 (en) * | 2016-12-27 | 2018-07-05 | Urugus S.A. | Dynamic hyper-spectral imaging of objects in apparent motion |
CN108254323A (zh) * | 2017-11-22 | 2018-07-06 | 杭州电子科技大学 | 一种基于吸收峰特征反演叶面积指数的方法 |
CN108520127A (zh) * | 2018-03-29 | 2018-09-11 | 华南农业大学 | 一种树种叶面积指数的高光谱反演方法 |
CN108898070A (zh) * | 2018-06-07 | 2018-11-27 | 湖南中科星图信息技术有限公司 | 一种基于无人机平台的高光谱遥感提取薇甘菊装置及方法 |
CN108981616A (zh) * | 2018-08-15 | 2018-12-11 | 南京林业大学 | 一种由无人机激光雷达反演人工林有效叶面积指数的方法 |
CN109146951A (zh) * | 2018-08-01 | 2019-01-04 | 南京林业大学 | 一种基于无人机激光雷达孔隙度模型估测银杏人工林叶面积指数的方法 |
CN109977548A (zh) * | 2019-03-27 | 2019-07-05 | 南京林业大学 | 一种针对不同范围的叶面积指数遥感反演方法 |
CN109975250A (zh) * | 2019-04-24 | 2019-07-05 | 中国科学院遥感与数字地球研究所 | 一种叶面积指数反演方法及装置 |
-
2019
- 2019-08-12 CN CN201910768165.6A patent/CN110544277B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102269576A (zh) * | 2010-06-03 | 2011-12-07 | 曹春香 | 一种森林覆盖度及有效叶面积指数的主被动协同反演方法 |
CN102313526A (zh) * | 2010-07-07 | 2012-01-11 | 中国科学院地理科学与资源研究所 | 一种多角度与多光谱遥感数据定量融合反演叶面积指数的方法 |
CN102878957A (zh) * | 2012-09-26 | 2013-01-16 | 安徽大学 | 基于遥感影像优化prosail模型参数的叶面积指数和叶绿素含量的反演方法 |
CN103398957A (zh) * | 2013-08-12 | 2013-11-20 | 河海大学 | 基于高光谱与激光雷达提取叶面积垂直分布的方法 |
CN104567754A (zh) * | 2014-12-26 | 2015-04-29 | 河南省农业科学院农业经济与信息研究所 | 一种耦合星-地遥感的小麦叶面积指数估算方法 |
CN105303063A (zh) * | 2015-12-03 | 2016-02-03 | 武汉大学 | 融合物候数据与遥感数据的叶面积指数反演方法及系统 |
CN107437267A (zh) * | 2016-05-26 | 2017-12-05 | 中国科学院遥感与数字地球研究所 | 植被区高光谱图像模拟方法 |
WO2018125940A1 (en) * | 2016-12-27 | 2018-07-05 | Urugus S.A. | Dynamic hyper-spectral imaging of objects in apparent motion |
CN108254323A (zh) * | 2017-11-22 | 2018-07-06 | 杭州电子科技大学 | 一种基于吸收峰特征反演叶面积指数的方法 |
CN107907075A (zh) * | 2017-12-28 | 2018-04-13 | 山东省农业可持续发展研究所 | 花生叶面积指数遥感监测方法 |
CN108520127A (zh) * | 2018-03-29 | 2018-09-11 | 华南农业大学 | 一种树种叶面积指数的高光谱反演方法 |
CN108898070A (zh) * | 2018-06-07 | 2018-11-27 | 湖南中科星图信息技术有限公司 | 一种基于无人机平台的高光谱遥感提取薇甘菊装置及方法 |
CN109146951A (zh) * | 2018-08-01 | 2019-01-04 | 南京林业大学 | 一种基于无人机激光雷达孔隙度模型估测银杏人工林叶面积指数的方法 |
CN108981616A (zh) * | 2018-08-15 | 2018-12-11 | 南京林业大学 | 一种由无人机激光雷达反演人工林有效叶面积指数的方法 |
CN109977548A (zh) * | 2019-03-27 | 2019-07-05 | 南京林业大学 | 一种针对不同范围的叶面积指数遥感反演方法 |
CN109975250A (zh) * | 2019-04-24 | 2019-07-05 | 中国科学院遥感与数字地球研究所 | 一种叶面积指数反演方法及装置 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652347A (zh) * | 2020-04-23 | 2020-09-11 | 中国科学院空天信息创新研究院 | 一种粒子群算法改进神经网络反演叶面积指数方法 |
CN112330672A (zh) * | 2020-11-28 | 2021-02-05 | 华中农业大学 | 基于prosail模型并在冠层覆盖度参与优化下作物叶面积指数反演方法 |
CN112634213A (zh) * | 2020-12-15 | 2021-04-09 | 安阳工学院 | 一种无人机预测冬小麦冠层叶面积指数的系统和方法 |
CN113192117A (zh) * | 2021-02-08 | 2021-07-30 | 南京农业大学 | 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法 |
CN113192117B (zh) * | 2021-02-08 | 2022-03-22 | 南京农业大学 | 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法 |
CN113324927A (zh) * | 2021-05-11 | 2021-08-31 | 四川省林业科学研究院 | 一种松材线虫病林间早期防治方法及监测系统 |
CN114252406A (zh) * | 2021-12-30 | 2022-03-29 | 黑龙江八一农垦大学 | 一种小麦生长期养分信息检测方法 |
CN114755189A (zh) * | 2022-04-01 | 2022-07-15 | 自然资源部国土卫星遥感应用中心 | 一种特征优选的自注意力机制高光谱卫星lai反演方法 |
CN115953391A (zh) * | 2023-03-08 | 2023-04-11 | 吉林大学 | 水稻物候指数监测系统及方法 |
CN115953391B (zh) * | 2023-03-08 | 2023-08-15 | 吉林高分遥感应用研究院有限公司 | 水稻物候指数监测系统及方法 |
CN116385883A (zh) * | 2023-04-13 | 2023-07-04 | 珠江水利委员会珠江水利科学研究院 | 基于无人机山体阴影区植被覆盖度修正方法、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110544277B (zh) | 2023-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110544277B (zh) | 一种无人机载高光谱成像仪反演亚热带植被叶面积指数的方法 | |
CN110222475B (zh) | 一种基于无人机多光谱遥感反演冬小麦植株含水率的方法 | |
Yang et al. | Estimation of corn yield based on hyperspectral imagery and convolutional neural network | |
Saari et al. | Unmanned Aerial Vehicle (UAV) operated spectral camera system for forest and agriculture applications | |
CN114076738B (zh) | 一种利用遥感构建指数估算秸秆残留农田土壤盐分的方法 | |
CN110567891B (zh) | 一种冬小麦冠层叶绿素估测系统及方法 | |
CN112051222A (zh) | 一种基于高分卫星影像的河湖水质监测方法 | |
CN110610054B (zh) | 一种土壤湿度长方体反演模型构建方法及系统 | |
US10585210B2 (en) | Apparatus for radiometric correction and orthorectification of aerial imagery | |
CN109816542B (zh) | 一种农作物减产理赔方法及系统 | |
US11953872B2 (en) | Methods and systems for the management of precise agricultural irrigation | |
Fan et al. | Low‐cost visible and near‐infrared camera on an unmanned aerial vehicle for assessing the herbage biomass and leaf area index in an Italian ryegrass field | |
CN106500841B (zh) | 一种遥感监测大面积茶园植株多酚含量的方法及系统 | |
Rey et al. | Multispectral imagery acquired from a UAV to assess the spatial variability of a Tempranillo vineyard | |
Erena et al. | Configuration and specifications of an unmanned aerial vehicle for precision agriculture | |
CN113063739A (zh) | 一种基于机载高光谱传感器的水稻冠层氮含量监测方法 | |
Hama et al. | Examination of appropriate observation time and correction of vegetation index for drone-based crop monitoring | |
CN114778483A (zh) | 用于监测山地的遥感影像近红外波段地形阴影校正方法 | |
CN114140695B (zh) | 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统 | |
Sahoo et al. | Drone remote sensing of wheat N using hyperspectral sensor and machine learning | |
WO2017017929A1 (ja) | 植生指標算出方法および植生指標算出装置 | |
CN112364691B (zh) | 一种烟草病虫害识别方法 | |
Liu et al. | Estimating wheat coverage using multispectral images collected by unmanned aerial vehicles and a new sensor | |
CN112504972B (zh) | 一种快速监测烟草氮含量的方法 | |
IL305516A (en) | Estimation of crop coefficient vector based on multispectral remote sensing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |