CN112147078B - 一种农作物表型信息多源遥感监测方法 - Google Patents

一种农作物表型信息多源遥感监测方法 Download PDF

Info

Publication number
CN112147078B
CN112147078B CN202011001086.1A CN202011001086A CN112147078B CN 112147078 B CN112147078 B CN 112147078B CN 202011001086 A CN202011001086 A CN 202011001086A CN 112147078 B CN112147078 B CN 112147078B
Authority
CN
China
Prior art keywords
image
calibration
reflectivity
thermal infrared
fitting
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.)
Active
Application number
CN202011001086.1A
Other languages
English (en)
Other versions
CN112147078A (zh
Inventor
张建
王博韬
蒋钊
谢田晋
谢静
杨万能
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Greenpheno Science And Technology Co ltd
Original Assignee
Huazhong Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong Agricultural University filed Critical Huazhong Agricultural University
Priority to CN202011001086.1A priority Critical patent/CN112147078B/zh
Publication of CN112147078A publication Critical patent/CN112147078A/zh
Application granted granted Critical
Publication of CN112147078B publication Critical patent/CN112147078B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/40—Scaling the whole image or part thereof
    • G06T3/4038—Scaling the whole image or part thereof for image mosaicing, i.e. plane images composed of plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration by the use of histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1793—Remote sensing
    • G01N2021/1797—Remote sensing in landscape, e.g. crops
    • 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
    • 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

Abstract

本发明提供一种农作物表型信息多源遥感监测方法，包括：通过遥感传感器采集待监测区域的低空遥感多源数据，所述的多源数据是可见光图像、多光谱图像和热红外图像的组合；对所采集的多源数据按照以下方法进行图像处理；根据处理后得到的图像信息做数据提取各类图形谱表型信息并进行统计分析，最终得到农作物表型信息低空遥感监测结果。本发明的监测方法能够在大田环境下实现高精度的作物长势相关指标的快速提取。

Description

一种农作物表型信息多源遥感监测方法
技术领域
本发明涉及一种农业低空遥感监测的方法，尤其是农作物(性状)表型信息监测方法。
背景技术
农业遥感系统指利用遥感技术进行农业资源调查、土地利用现状分析、农业病虫害监测、农作物估产等农业应用的综合技术。例如农业病虫害监测技术主要是通过遥感平台获取农作物影像数据来探测和发现农作物病虫害。无人机作为低空遥感平台，相对传统的卫星和航空遥感平台在部署灵活性、空间(时间)分辨率和数据准确性等多方面具有优势，成为农业遥感监测技术研究和应用的重要分支。
目前，农业低空遥感监测中，对农作物(性状)表型信息的监测还存在一些需要解决的问题，主要包括以下几方面：
一方面，数据采集的多源性与采集平台的便利性存在矛盾。
现有技术中，通常采用无人机作为农业低空遥感的数据采集平台，但是在实际应用方面存在一些矛盾，主要体现为无人机平台在多源低空遥感传感器的集成性与便携性两方面往往无法兼顾。所述的遥感传感器通常包括多光谱相机和热红外相机等，现有的农业遥感监测中，能具备多种传感器挂载能力的无人机都是中大型无人机，整机重量会超过6kg，不仅很难快速地完成小范围低空数据实时采集，而且便携性和安全性差；而轻便的小型无人机遥感平台虽然可以实现小范围实时监测，但均不具备挂载多种传感器的能力。这使得无人机作为遥感平台应用时具有一定的局限性。特别是在野外大田环境中进行农作物精细化长势监测时，中大型无人机由于体积庞大，运输和作业过程复杂，导致机动性较差而无法便捷完成高精度指标的快速提取，而小型无人机平台在单兵作业情况下只能实现单一指标的提取。
另一方面，数据处理速度和精准度有待提高。
现有的通过低空遥感对农作物(性状)表型信息进行监测的过程中，针对遥感传感器采集到的多源影像的处理，包括无人机图像拼接、图像预处理(多源图像配准、高精度(热)辐射定标等)、作物多维农艺性状和关键长势特征提取等，缺少如多源图像配准和高精度(热)辐射定标，以及农作物图形谱表型信息自适应提取等专业性较强的处理算法，使得数据信息处理不便、精度不高，从而导致遥感数据信息提取部分效率低、不能实现高通量数据获取，最终导致农作物(性状)表型信息的高效精确监测无法实现。
而农业低空遥感监测高频次高通量作物长势数据信息获取的特点，是其对农业生产可能出现的不利情况提出快速有效的预测和防控，以及用于信息化农业研究的重要前提。因此，有必要提出一种新的农业低空遥感监测方法，利用小型无人机遥感平台实现多源遥感数据采集和高通量数据获取。
发明内容
鉴于上述需要解决的问题，本发明的目的在于：提供一种对农作物表型信息进行多源遥感监测的方法，能够在大田环境下实现高精度的作物长势相关指标的快速提取。
本发明的上述目的通过以下技术方案实现：
提供一种农作物表型信息多源遥感监测方法，包括：
1)通过遥感传感器采集待监测区域的低空遥感多源数据，所述的多源数据是可见光图像、多光谱图像和热红外图像的组合；
2)对1)所采集的多源数据按照以下方法进行图像处理；
①在选择了空间参考的情况下，对1)得到的可见光图像、多光谱图像和热红外图像进行图像拼接，得到任意田块的正摄影像(DOM)和数字表面模型(DSM)；具体包括基于所述可见光图像的DOM和DSM、基于所述多光谱图像的DOM和DSM，和基于所述热红外图像的DOM和DSM；
②对①所得基于所述可见光图像的DOM和DSM、基于所述多光谱图像的DOM和基于所述热红外图像的DOM分别进行多反射率辐射定标，得到高精度的辐射定标结果图；所述的多反射率辐射定标采用梯度辐射定标方法，所述的梯度辐射定标方法采用梯度标准板反射率输入，定标参数采用最小二乘法进行回归计算，根据不同传感器类型采用线性拟合或指数拟合，将地面亮度值(DN)转化为光谱反射率，进而实现高精度定标。优选的方案中，多光谱和可见光图片在梯度定标设备的选择上，结合作物反射率特点，选择5％(±3％浮动)，25％(±3％浮动)和45％(±3％浮动)三种定标反射板，其最小内接正方形尺寸大于0.3米，热红外定标板选择黑色和白色金属板两种定标反射板，其最小内接正方形尺寸大于0.4米。
③利用参考图，通常是可见光图像，或者多光谱的可见光波段，对②得到的辐射定标后的多光谱、热红外图像进行图像空间配准；优选的方案中，所述的空间配准方法，首先运用粗配准使待配准图像和基准图像大致对齐，然后利用窗口选择减少搜索空间，并应用直方图规定化优化图像间的灰度相似度，然后再基于FAST算子重新提取特征点，并检测多源图像间的匹配点对，消除误配准点对，最后采用双线性内插(或三次卷积内插)进行图像配准后的几何变换，最终实现多源图像间的高精度配准。由此多源图像同名地物或目标的图像空间坐标位置可以严格对准，便于后续统一进行表型信息提取与分析，消除因为空间位置错位而导致的误差产生。
3)根据2)处理后得到的图像信息做数据提取各类图形谱表型信息并进行统计分析，最终得到农作物表型信息低空遥感监测结果。
本发明优选的方案中，①所述的图像拼接前先加入地面控制点，并选择与①相同的空间参考且进行刺点，在此情况下，可以省去③多源图像配准的步骤。
本发明优选的方案中，②所述的多反射率辐射定标过程使用单个或多个标准辐射定标板，根据不同的传感器类型采用指数拟合或对数拟合的方式完成辐射定标。具体过程包括：首先在①拼接后的多源图像当中根据图像位置、定标板位置和形状，勾画定标板区域文件(SHP等矢量格式文件)，该文件与待定标影像一同作为输入数据；输入或由定标板文件读取标准板反射率数据作为回归的参考因变量值；根据定标板区域文件裁剪待定标影像，逐波段读取该区域对应像元亮度值均值，该数值作为当前波段回归参考自变量值输入；判断标准板数量，数量小于等于2时，则补充两组反射率和亮度值数据作为回归样本，即视当前波段亮度值最小像元处反射率为0.01，当前波段亮度最大像元处反射率为0.99；将已知标准定标板反射率、实地反射率或温度作为参数输入拟合定标模型，自动按照规则分别对可见光图像、多光谱图像或热红外图像拟合指数模型或线性模型；然后利用所述的指数模型或线性模型对①拼接后的各种图像进行辐射定标，包括：对可见光图像每一个波段的DOM、多光谱图像每一个波段的DOM都进行一次辐射定标，且完整地做完一个波段的辐射定标后才能进行下一个波段的定标；对基于热红外图像的DOM的辐射定标前，先采用以下式(I)进行温度转换，然后再完成热红外图像每一个波段的DOM的辐射定标；
0.04×thermal(导入的热红外图片)-273.15 (I)。
本发明更优选的方案中，所述自动按照规则分别对可见光图像、多光谱图像或热红外图像拟合指数模型或线性模型的规则具体是：
对于可见光图像拟合对应的指数模型，从反射率最小值开始，但不把图像最小值加入到模型拟合的过程中，然后依次向反射率增大的方向拟合；若输入下一个反射率时，R2开始小于0.97，则停止输入，依据前一个来拟合模型。
对于多光谱图像拟合对应线的性模型，从反射率最小值开始，把图像最小值加入到模型拟合的过程中，然后依次向反射率增大的方向拟合；若输入下一个反射率时，R2开始小于0.97，则停止输入，依据前一个来拟合模型。
对于热红外图像拟合对应的线性模型，从温度最大值开始，依次向反射率减小的拟合；若输入下一个的温度数值时，R2开始小于0.95，则停止输入，依据前一个来拟合模型。
具体计算方法如下：
ln refin＝A*DN+B (1)
refli＝A*DN+B (2)
Figure BDA0002694338140000041
Figure BDA0002694338140000042
其中DN为输入待定标图像单个像元亮度值；(1)、(2)式分别为指数回归方法和线性回归方法，refin和refli分别是指数拟合定标和对数回归定标的地物反射率数值；(3)、(4)式分别表示基于直线的最小二乘回归方法两个参数的计算方法。
本发明优选方案中，③所述对辐射定标结果进行空间配准采用基于FAST检测、窗口选择和直方图规定化的算法实现，具体包括如下步骤：
粗配准：使用直方图规定化的方法增强参考图像的对比度，提取参考图像和原始影像的特征点，基于特征点初步计算平均相对偏移量，将原始影像平移到参考影像的位置。
窗口选择：选择参考影像内某些特征点作为窗口中心，对应窗口内的图像作为参考图像子图像集，对原始影像做同样的操作得到原始子图像集，后续配准操作均基于两个子图像集完成。
窗口选择大小原则：(2×radius+1)×(2×radius+1)
局部直方图规定化：对上述所得两个子图像集做直方图规定化，增强子图像的对比度。
局部匹配：提取两组子图像集的特征点，基于特征点完成局部匹配得到原始子图像集和参考子图像集的匹配对，逐一检测匹配对集，剔除重复匹配对。
全局匹配：剔除不匹配子集，计算匹配率。根据匹配率和正确匹配对的图像和窗口大小，得出适合每一个特征点的窗口半径。
变换配准：最后根据半径大小，采用仿射变换的方法将原始图像变换到参考图像的几何位置，完成空间配准。
本发明优选的方案中，3)所述的提取是基于③所得的配准图像，在匹配波段的前提下提取得到相应调查区域或小区的农作物表型信息，包括图像表型信息(纹理表型信息，叶片覆盖度，冠层匀称度)、形态表型信息(株高、生物量和冠层结构表型)以及光谱表型(特征光谱表型，植被指数图或植被指数值)。
本发明优选的方案中，3)所述的统计分析是根据实地地面采集的数据对所述提取得到的农作物表型信息进行分析和筛选；所述的分析和筛选包括自定义数据分析、共线性分析和/或数据粗筛。
本发明进一步优选的方案中，所述的数据粗筛包括将提取的所述农作物表型信息作为自变量，对这些自变量之间，以及它们与因变量之间的线性相关程度进行分析。具体规则是：若两自变量之间的相关系数│r│≥0.8，则认为二者的交互效应明显，存在突出的共线性。对于这些自变量，再将它们分别与因变量的相关系数│r│进行比较，只保留较大值所对应的自变量即筛选出相关性高且消除共线性后的作物表型信息。
本发明所述的方案中，1)所述低空遥感多源数据的采集方式没有特别的限制，可以按照多种本领域常规的方法进行采集，例如使用无人机搭载遥感传感器的方式进行采集。
本发明优选的方案中，1)所述的采集是操控无人机系统按照既定飞行路线飞行作业；所述的无人机系统包括一架小型多旋翼无人飞行器；所述的小型多旋翼无人飞行器包括主机身和设置在主机身下方的起落架；所述的主机身下方自带可见光相机；所述的起落架上设有水平的集成板，所述的集成板上同时挂载有多光谱相机和热红外相机；所述的无人机系统在飞行作业中通过所述的可见光相机、多光谱相机和热红外相机同步采集可见光图像、多光谱图像和热红外图像。
所述的小型多旋翼无人飞行器可以是现有技术中多种型号的小型多旋翼无人飞行器。本发明进一步优选的方案中，所述小型多旋翼无人飞行器顶部集成有RTK天线，用于提高飞行器的定位精度，进而提高所述可见光相机拍摄图片的空间精度。
所述小型多旋翼无人飞行器的集成板的形状没有特别限定，其大小规格可变，需根据挂载传感器数量确定。当仅挂载一种传感器时，所述的集成板可以在满足与所述起落架连接及传感器安装要求的前提下制成最小的面积；而当挂载多种传感器时，所述的集成板则在不影响飞行器飞行的前提下尽量制成较大面积。
为了保证飞行器挂载传感器的稳固性，本发明优选的方案中，1)所述小型多旋翼无人飞行器的起落架包括纵向设置的至少4个支撑件，所述的集成板分别与其中的至少2个支撑件固定连接。所述的集成板与所述的支撑件之间的固定连接可以通过多种现有的紧固件完成，具体的固定连接方式没有限制。为了进一步提高所述集成板与所述起落架连接的牢固性，降低系统作业过程中传感器相对机身的抖动以及脱落的风险，本发明更优选的方案中，1)所述小型多旋翼无人飞行器的集成板外缘间隔地设有若干U形缺口用于与所述支撑件嵌合，并且在每个所述的U形缺口处安装带耳抱箍组件，将所述集成板与每个所述的支撑件分别垂直固定连接，所述的带耳抱箍组件包括用于紧箍所述支撑件的抱环和用于螺接所述集成板的耳部，所述的耳部设有带螺纹的通孔，所述带螺纹的通孔轴向与所述抱环的轴向平行。
本发明优选的一种实施方式中，所述小型多旋翼无人飞行器的起落架包括纵向设置的至少4个支撑件；所述的集成板为长条形，仅在其两端与2个相邻的所述支撑件通过所述带耳抱箍组件固定连接，所述的集成板上挂载1种遥感用传感器。通过这种方式挂载得到的无人机系统可以在获得多源遥感数据的同时尽量降低整体重量，从而具有更低的飞行风险。
本发明优选的另一种实施方式中，为了同时满足与自带可见光相机的小型多旋翼无人飞行器的适配性和遥感数据的更加多源性，所述小型多旋翼无人飞行器的集成板整体呈环状，中间设有可容纳所述可见光相机的开孔；环面用于挂载安装至少两种其他遥感用传感器。所述的集成板的环状，其内外形状没有特别的限定，既可以是对称的规则环形，也可以是不对称或不规则的环形。所述的对称的规则环形既可以是开圆孔的圆环，也可以是开方孔的圆环，还可以是开圆孔的方环或开方孔的方环。本发明进一步优选的方案中，所述的环面上，以所述开孔中心为对称点，对称地设有至少两个安装位用于挂载安装其他遥感用传感器。所述的每个安装位至少设有用于螺接的孔。
所述的可见光相机、多光谱相机和热红外相机均是现有的遥感传感器。本发明进一步优选的方案中，所述的可见光相机进一步优选RGB相机；所述的多光谱相机进一步优选5波段多光谱相机。
与现有技术相比，本发明一方面通过使用特定的辐射定标和空间配准方法处理多源遥感图像数据，显著提高了数据处理的效率和信息提取的精度。另一方面，本发明优选的方案中，采用同时挂载多种遥感传感器的无人机系统实现了对多源数据信息的低空同步采集，显著提高了数据采集和处理的效率、便利性、机动性及安全性，解决了本领域在遥感数据采集方面长期存在的矛盾。
总之，本发明的遥感监测方法不但显著提高了监测设备的便利性和安全性，而且实现了数据采集的多源性，提高了数据处理的高效性及精准性，非常适用于在大田环境下高精度的作物长势相关指标的快速提取，有效解决作物株高、生物量、作物健康相关光谱指数获取的问题。
附图说明
图1是实施例1、5所述农业低空多源遥感监测方法中的数据处理流程示意图。
图2是实施例1、5所述农业低空多源遥感监测方法中的辐射定标流程图。
图3是实施例1、5所述农业低空多源遥感监测方法中的多源图像配准流程图。
图4是实施例2所述无人机系统的整体结构示意图。
图5是实施例2所述无人机系统的集成板结构示意图。
图6是实施例2所述无人机系统中连接集成板与起落架的带耳抱箍结构示意图。
图7是实施例2所述无人机系统仰视图。
图8是实施例3所述无人机系统仰视图。
图9是实施例4所述无人机系统仰视图。
图10是实施例5所述监测方法得到的遥感数据处理结果。
图11是实施例6所述监测方法得到的遥感数据处理结果。
图12是实施例7所述监测方法得到的遥感数据处理结果。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示装置结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
实施例1
一种农作物表型信息多源遥感监测方法，包括：
a)通过使用无人机遥感监测平台等方式采集待监测区域的低空遥感多源数据，所述的多源数据包括可见光图像、多光谱图像和热红外图像；
b)将a)采集的多元数据采用数据处理软件进行图像拼接、辐射定标、图形配准和特征提取等处理，如图1所示，具体处理过程如下：
b1)在所述数据处理软件内用“新建工程”模块建立新的图像处理任务；
b2)在新的图像处理任务中通过“图像导入”功能导入a)采集的图像数据，并根据“地理坐标系统(Geographic Coordiante System)”和“投影坐标系统(ProjectedCoordiante System)”完成“空间参考选择”，获得“图片轨迹”。
b3)图片拼接
对a)得到的可见光图像、多光谱图像和热红外图像进行“图像拼接”时先判断是否要加入地面控制点GCP：
如果需要，则先导入GCP再进行上述“空间参考选择”，即加入地面控制点并进行刺点，然后选择生成结果图类型；
如果不需要，则直接选择生成结果图类型；
选择生成结果图类型后，得到任意田块的正摄影像(DOM)和数字表面模型(DSM)；具体包括基于所述可见光图像的DOM和DSM、基于所述多光谱图像的DOM和DSM，和基于所述热红外图像的DOM和DSM；
b4)辐射定标
对b3)所得基于所述可见光图像的DOM和DSM、基于所述多光谱图像的DOM和基于所述热红外图像的DOM分别进行多反射率辐射定标，得到高精度的辐射定标结果图。
所述的多反射率辐射定标过程使用单个或多个标准辐射定标板，根据不同的传感器类型采用指数拟合或对数拟合的方式完成辐射定标。拟合过程可以通过软件处理，其流程如图2所示，具体包括：首先在b3)拼接得到的多源图像当中根据图像位置、定标板位置和形状，勾画Shp文件，该文件与待定标的原始影像一同作为输入数据；输入或由定标板文件读取标准板反射率数据作为回归的参考因变量值；根据定标板区域文件裁剪待定标的原始影像，逐波段计算并读取该区域对应像元亮度值均值，将像元亮度值均值作为当前波段回归参考自变量值输入；判断标准板数量，数量小于等于2时，则补充两组反射率和亮度值数据作为回归样本，即视当前波段亮度值最小像元处反射率为0.01，当前波段亮度最大像元处反射率为0.99；将已知标准定标板反射率、实地反射率或温度作为参数输入拟合定标模型，自动按照规则分别对可见光图像、多光谱图像或热红外图像拟合指数模型或线性模型；然后利用所述的指数模型或线性模型对b3)拼接后的各种图像进行辐射定标，包括：对可见光图像每一个波段的DOM、多光谱图像每一个波段的DOM都进行一次辐射定标，且完整地做完一个波段的辐射定标后才能进行下一个波段的定标；对基于热红外图像的DOM的辐射定标前，当输入了TIFF格式的热红外图像时，先采用以下式(I)进行温度转换，换算出摄氏温度，然后再提取所有田块热红外图像的温度作为输入参数，完成热红外图像每一个波段的DOM的辐射定标；
0.04×thermal(导入的热红外图片)-273.15(I)；
拟合指数模型或线性模型的规则，如图2所示，具体是：
对于可见光图像拟合对应的指数模型，从反射率最小值开始，按大小依次输入计算，但不把图像最小值加入到模型拟合的过程中，然后依次向反射率增大的方向拟合；若输入下一个反射率时，R2开始小于0.97，则停止输入，依据前一个来拟合模型。
对于多光谱图像拟合对应线的性模型，从反射率最小值开始，把图像最小值加入到模型拟合的过程中，然后依次向反射率增大的方向拟合；若输入下一个反射率时，R2开始小于0.97，则停止输入，依据前一个来拟合模型。
对于热红外图像拟合对应的线性模型，从温度最大值开始，依次向反射率减小的拟合；若输入下一个的温度数值时，R2开始小于0.95，则停止输入，依据前一个来拟合模型。
具体计算方法如下：
ln refin＝A*DN+B (1)
refli＝A*DN+B (2)
Figure BDA0002694338140000101
Figure BDA0002694338140000102
其中DN为输入待定标图像单个像元亮度值；(1)、(2)式分别为指数回归方法和线性回归方法，refin和refli分别是指数拟合定标和对数回归定标的地物反射率数值；(3)、(4)式分别表示基于直线的最小二乘回归方法两个参数的计算方法。
基于上述所有输入参数建立辐射校正模型，运行所述辐射校正模型进行逐波段逐像元的像素计算完成每一个波段的定标，最终导出辐射定标结果图。
b5)图像配准
通过调用软件的“空间配准”模块，导入参考底图与b4)得到的同一波段的辐射定标结果图，进行图像的空间配准，流程如图3所示，包括：
Step1粗配准：首先运用粗配准使待配准图像和基准图像大致对齐，即使用直方图规定化的方法增强基准图像的对比度，提取基准图像和待配准图像的特征点，基于特征点初步计算平均相对偏移量，将待配准图像平移到基准图像的位置。
Step2窗口选择：利用窗口选择减少搜索空间，即选择基准图像内某些特征点作为窗口中心，对应窗口内的图像作为基准图像子图像集，对待配准图像做同样的操作得到待配准子图像集，后续配准操作均基于两个子图像集完成；
窗口选择大小原则：(2×radius+1)×(2×radius+1)；
Step3局部直方图规定化：应用直方图规定化优化图像间的灰度相似度，即对Step2所得两个子图像集做直方图规定化，增强子图像的对比度。
Step4从子图提取特征点：基于FAST算子重新提取两组子图像集的特征点。
Step5局部匹配：基于Step4提取的两组子图像集的特征点完成局部匹配，得到原始子图像集和参考子图像集的匹配对；逐一检测所得匹配对集，删除重复点对，计算匹配率。
Step6全局删除错误匹配点对：得到全局所有正确点对。根据Step5所得匹配率和正确匹配对的图像和窗口大小，得出适合每一个特征点的窗口半径。
Step7变换：根据窗口半径大小，采用仿射变换的方法将待配准图像变换到基准图像的几何位置，完成空间配准，最终实现多源图像间的高精度配准，导出配准结果图。
由此多源图像同名地物或目标的图像空间坐标位置可以严格对准，便于后续统一进行表型信息提取与分析，消除因为空间位置错位而导致的误差产生。
b6)特征提取
首先进行波段匹配，然后选择部分或全部植被指数，得到相应调查区域的植被指数图或植被指数值；可基于植被指数图生成并导出植被指数结果图；可基于植被指数值通过ROI绘制或外部导入ROI的方式生成并导出植被指数表。
b7)数据分析
在数据处理软件中导入“实地地面采集的数据(Groud Truth)”，可利用爬虫编译器进行自定义数据分析，可结合Groud Truth和回归模型进行共线性分析，或进行数据粗筛，所述的数据粗筛是设置所提取的植被指数值与所述的实地地面采集的数据之间的R2，比较两者，根据阈值筛选出符合要求的指标列表，用于评估作物生长情况。
实施例2
一种轻小型一体化农业多源遥感监测无人机系统，如图4所示，它包括一小型多旋翼无人飞行器10；飞行器10包括主机身和设置在主机身下方的起落架；起落架包括纵向设置的4个支撑件11。所述的主机身下方中心位置自带RGB相机12。所述的起落架上设有水平的环形集成板20，所述的环形集成板20上挂载有热红外相机21和5波段多光谱相机22。
如图4、5所示，环形集成板20整体上呈开有椭圆孔的方环状，中间设有可容纳所述RGB相机12的开孔23；环面上，以所述开孔23的中心为对称点，对称地设有两个安装位用于挂载安装热红外相机21和5波段多光谱相机22。所述的每个安装位设有用于螺接的孔。环形集成板20外缘四角分别设有U形缺口24，用于与所述支撑件11嵌合，并且在每个所述的U形缺口24处安装带耳抱箍组件25，将所述环形集成板20与每个所述的支撑件11分别垂直固定连接。
如图6所示，所述的带耳抱箍组件25包括用于紧箍所述支撑件11的抱环251和用于螺接所述集成板的耳部252，所述的耳部设有带螺纹的通孔253，所述带螺纹的通孔253轴向与所述抱环251的轴向平行。
本实施例所述的无人机系统挂载组装完成后，如图7所示，RGB相机12的镜头穿过环形集成板20中间的椭圆开孔23探出，热红外相机21和5波段多光谱相机22分布在其两侧，形成轻小型一体化农业多源遥感监测无人机系统。所述的RGB相机12、热红外相机21和5波段多光谱相机22各自具有独立减震装置，并共享一套供电系统；该系统供电要求为电压5.0V DC，功率4W。
该系统可兼顾便携性、安全性和数据监测的多源性及实时性，非常适用于在大田环境下高精度的作物长势相关指标的快速提取，有效解决作物株高、生物量、作物健康相关光谱指数获取的问题。
实施例3
一种轻小型一体化农业多源遥感监测无人机系统，如图8所示，它包括一小型多旋翼无人飞行器10；飞行器10包括主机身和设置在主机身下方的起落架；起落架包括纵向设置的4个支撑件11。所述的机身下方中心位置自带RGB相机12。所述的起落架上设有水平的矩形集成板30，所述的矩形集成板30上挂载有5波段多光谱相机22。
实施例4
一种轻小型一体化农业多源遥感监测无人机系统，其结构，如图9所示，与实施例2所述的系统类似，区别在于，所述的起落架的4个支撑件上分别设有2块矩形集成板30，两块矩形集成板分别位于所述RGB相机12两侧，矩形集成板30上分别挂载有热红外相机21和5波段多光谱相机22。
实施例5
一种利用无人机进行农业低空多源遥感监测水稻干旱胁迫的方法，包括：
A.在水稻田作业地点操控实施例2所述的无人机系统按照既定飞行路线飞行作业；
由实施例2所述的无人机系统(结构如图4-7所示)在飞行作业中通过其自带的RGB相机12和负载的5波段多光谱相机22及热红外相机21同步采集作业地点水稻田的RGB图像、5波段多光谱图像和热红外图像；所述的RGB相机12、5波段多光谱相机22和热红外相机21分别通过其内置的数据传输器以无线方式传输至地面控制系统。
B.所述的地面控制系统包括计算机，所述的计算机设有数据处理模块；所述的数据处理模块内置数据接收器和数据处理器；所述的数据接收器通过无线联接方式分别联接A中的RGB相机12、5波段多光谱相机22和热红外相机21各自的数据传输器；所述的数据处理器内置用于完成以下流程的计算机程序(流程如图1～3所示)：
1.新建工程
建立一个新的处理项目文件夹，将数据接收器接收的水稻田的RGB图像、5波段多光谱图像和热红外图像都存储至所述文件夹内。
2.图像导入
通过交互窗口在1所述存储路径下调用水稻田的RGB图像、5波段多光谱图像和热红外图像；选择地理坐标系(如WGS 1984)或投影坐标系(如WGS 1984UTM Zone 50N)作为空间参考，然后可以针对带有GPS的图像显示其正确的轨迹(三维空间轨迹)，而对于不带GPS的图像则不显示正确的轨迹；
3.图像拼接
3.1首先在程序内部选择是否加入地面控制点(GCP)：
3.1.1如果选择否，就使用Open Drone Map进行图像拼接，然后按选择的类型生成图像并导出；
3.1.2如果选择是，下一步导入在实地使用GNSS RTK仪器测得的GCP、选择与上述2中相同的空间参考、进行刺点(加入GCP)，然后使用Open Drone Map进行图像拼接，生成选定类型的图像，最后分别导出水稻田的RGB图像、5波段多光谱图像和热红外图像的拼接结果图；具体包括基于所述RGB图像的DOM和DSM、基于所述5波段多光谱图像的DOM和DSM，和/或基于所述热红外图像的DOM和DSM；
4.辐射定标，流程如图2所示，包括：
4.1首先在程序内部进行辐射定标类型选择，这里一共包括3种可供选择的传感器类型，分别是为RGB(普通可见光)、Multispectral(多光谱)和Thermal(热红外)。其中，基于RGB(普通可见光)传感器成像所得DOM进行指数回归；基于Multispectral(多光谱)和Thermal(热红外)传感器所得DOM影像进行线性回归。
4.2创建定标板位置文件(SHP)。首先根据成像时标准定标板位置和形状勾画定标板SHP文件，并将反射率信息作为字段属性值写入，或按SHP文件的FID顺序在软件中手动键入标准反射率数据。
4.3按照反射率大小排序，根据不同传感器类型采用不同回归方法，依次输入真实亮度值和参考反射率作为参数计算定标参数。
4.3.1裁剪定标板研究区，组合地面像元亮度值和反射率作为参考数值进行回归计算。
4.3.1.1逐波段读取原始待定标影像对应的研究区数据，计算均值，将该数值作为当前影响区域当前波段的地面真是亮度值。
4.3.1.2判断输入定标板的数量，适当补充参考样本。当定标板数量小于等于二时，将当前波段亮度最小值和亮度最大值作为补充输入，默认这两点反射率分别为0.01和0.99。
4.3.2根据不同传感器类型采用不同回归方法，进行定标参数计算。
4.3.2.1基于RGB的DOM图像划分田块区域及其实地反射率拟合指数模型，从反射率最小值开始，但不把图像最小值加入到模型拟合的过程中，然后依次向大的拟合；若输入下一个反射率时，R2开始小于0.97，则停止增加，依据前一个来拟合模型；
4.3.2.2基于5波段多光谱图像的DOM图像划分田块及其反射率拟合线性模型，拟合时从反射率最小值开始，把图像最小值加入到模型拟合的过程中，然后依次向大的拟合；若输入下一个反射率时，R2开始小于0.97，则停止增加，依据前一个来拟合模型；
4.3.2.3如果选择了热红外相机，则导入的图片是TIFF格式的单波段热红外图像，在辐射定标前需要先进行温度的转换，使用公式：0.04*thermal(导入的热红外图片)-273.15。完成温度转换后再执行对热红外相机对应的DOM图像的辐射定标，具体流程同样包括：田块的自动划分、对应实地反射率的提取、基于提取反射率进行拟合辐射矫正模型(线性模型)，从温度最大值开始，依次向小的拟合；若输入下一个温度时，R2开始小于0.95，则停止增加，依据前一个来拟合模型。
4.4然后利用所述的指数模型或线性模型对3导出的水稻田的RGB图像、5波段多光谱图像和热红外图像的DOM进行辐射定标，由于此处多光谱图像有5个波段、RGB具有3个波段，根据模型计算的定标参数对每一个波段进行栅格计算完成辐射定标。
5.图像配准
5.1在程序中调用图像配准模块对4.3导出的辐射定标结果图进行图像配准：
5.1.1导入参考底图与需配准图，将需要配准的图配准到参考底图上面。
5.1.2进行空间配准。配准流程如图3所示，同实施例1的b5)。
5.1.3配准完成后，将最后的完成图导出。
6.特征提取
6.1波段匹配：将每个波段赋给一个特定的变量名，如可见光的三个波段可以分别命名为VR、VG、VB，以便植被指数的正确计算。
6.2植被指数选择：根据用户需要，选择需要计算的植被指数图，可以全选，也可以部分选择。
6.3选择需要的结果是植被指数图还是指数指数值。
6.3.1如果选择植被指数图：进行计算并生成结果图、导出结果图。
6.3.2如果选择植被指数值：
6.3.2.1绘制(或导入0每个小区的Polygon(即ROI)。
6.3.2.2根据绘制(或导入)的小区Polygon，后台直接获取每个小区每个波段的平均值，根据值进行植被指数的计算，最后将结果以表格的形式导出。
7.数据分析
7.1导入实地地面采集的数据，作为Ground Truth.
7.2后续可以选择执行三个功能模块的程序，分别是(1)Python编译器，可以使用Python语言进行自定义地数据分析；(2)共线性分析，结合Ground Truth和回归模型的共线性分析；(3)数据粗筛，先设置一个R2阈值，然后分析图像上提取值与Ground Truth之间的R2，比较两者，输出一个报告，提示用户每种指数的R2，以及符合要求的指数列表。
最终得到水稻田的生物量指数包含：LRS、DW、FW等，从而评估水稻生长受到的干旱胁迫。不同品种水稻在同一生长环境下所受干旱胁迫如图10所示.
实施例6
一种利用无人机进行农业低空多源遥感监测油菜渍害影响的方法，包括与实施例5基本相同的遥感数据采集和处理流程，最终获得识别油菜紫叶病变的相关图像颜色分量：ExG、ExR、NDI等，实现对于病变紫叶监测及评估油菜渍害的影响。
部分监测结果如图11所示：其中b、d为易于与周围环境混淆的病变紫叶；a、c为监测干扰杂物杂草，结果表明通过本发明所述方法可以对油菜病变紫叶部分实现准确识别。
实施例7
一种利用无人机进行农业低空多源遥感监测油菜氮素营养状况的方法，包括与实施例5基本相同的遥感数据采集和处理流程，最终获得与油菜氮素营养状况相关的指数列表包含：RGBI、RVI、DVI等。可以从冠层尺度上反映油菜氮素含量及生长状况。
用上述发明方法所应用于油菜试验田监测GSetimated结果如图12所示，GSetimated可用用于表示氮素含量。
实施例8
一种利用无人机进行农业低空多源遥感监测水稻病虫害影响检测的方法，包括与实施例5基本相同的遥感数据采集和处理流程，最终获得与玉米虫害相关的指数列表包含：NDVI、NDWI、RVI等，从而建立水稻纹枯病病害等级反演模型，通过相关性分析对于水稻纹枯病病害等级进行评估。

Claims (7)

1.一种利用无人机进行农业低空多源遥感监测农作物表型信息的方法，包括：
1)通过遥感传感器采集待监测区域的低空遥感多源数据，所述的多源数据是可见光图像、多光谱图像和热红外图像的组合；
所述的采集是操控无人机系统按照既定飞行路线飞行作业；所述的无人机系统包括一架小型多旋翼无人飞行器；所述的小型多旋翼无人飞行器包括主机身和设置在主机身下方的起落架；所述的主机身下方自带可见光相机；所述的起落架上设有水平的集成板，所述的集成板上同时挂载有多光谱相机和热红外相机；所述的无人机系统在飞行作业中通过所述的可见光相机、多光谱相机和热红外相机同步采集可见光图像、多光谱图像和热红外图像；
2)对1)所采集的多源数据按照以下方法进行图像处理；
①在选择了空间参考的情况下，对1)得到的可见光图像、多光谱图像和热红外图像进行图像拼接，得到任意田块的正摄影像DOM和数字表面模型DSM；具体包括基于所述可见光图像的DOM和DSM、基于所述多光谱图像的DOM和DSM，和基于所述热红外图像的DOM和DSM；
②对①所得基于所述可见光图像的DOM和DSM、基于所述多光谱图像的DOM和基于所述热红外图像的DOM分别进行多反射率辐射定标，得到高精度的辐射定标结果图；所述的多反射率辐射定标采用梯度辐射定标方法，使用单个或多个标准辐射定标板，根据不同的传感器类型采用指数拟合或对数拟合的方式完成辐射定标，包括：首先在①拼接后的多源图像当中根据图像位置、定标板位置和形状，勾画定标板区域文件，该文件与待定标影像一同作为输入数据；输入数据由定标板区域文件读取标准板反射率数据作为回归的参考因变量值；根据定标板区域文件裁剪待定标影像，逐波段读取该区域对应像元亮度值均值，该数值作为当前波段回归参考自变量值输入；判断标准板数量，数量小于等于2时，则补充两组反射率和亮度值数据作为回归样本，即视当前波段亮度值最小像元处反射率为0.01，当前波段亮度最大像元处反射率为0.99；将已知标准定标板反射率、实地反射率或温度作为参数输入拟合定标模型，自动按照以下规则分别对可见光图像、多光谱图像或热红外图像拟合指数模型或线性模型：
对于可见光图像拟合对应的指数模型，从反射率最小值开始，但不把图像最小值加入到模型拟合的过程中，然后依次向反射率增大的方向拟合；若输入下一个反射率时，R2开始小于0.97，则停止输入，依据前一个来拟合模型；
对于多光谱图像拟合对应的线性模型，从反射率最小值开始，把图像最小值加入到模型拟合的过程中，然后依次向反射率增大的方向拟合；若输入下一个反射率时，R2开始小于0.97，则停止输入，依据前一个来拟合模型；
对于热红外图像拟合对应的线性模型，从温度最大值开始，依次向反射率减小的拟合；若输入下一个的温度数值时，R2开始小于0.95，则停止输入，依据前一个来拟合模型；
具体计算方法如下：
ln refin＝A*DN+B (1)
refli＝A*DN+B (2)
Figure FDA0003404075810000021
Figure FDA0003404075810000022
其中DN为输入待定标图像单个像元亮度值；(1)、(2)式分别为指数回归方法和线性回归方法，refin和refli分别是指数回归定标和线性回归定标的地物反射率数值；(3)、(4)式分别表示基于直线的最小二乘回归方法两个参数的计算方法；
然后利用所述的指数模型或线性模型对①拼接后的各种图像进行辐射定标，包括：对可见光图像每一个波段的DOM、多光谱图像每一个波段的DOM都进行一次辐射定标，且完整地做完一个波段的辐射定标后才能进行下一个波段的定标；对基于热红外图像的DOM的辐射定标前，先采用以下式(I)进行温度转换，然后再完成热红外图像每一个波段的DOM的辐射定标；
0.04×thermal-273.15 (I)；
③利用可见光图像或者多光谱的可见光波段作为参考图，对②得到的辐射定标后的多光谱、热红外图像进行图像空间配准；所述的空间配准方法，首先运用粗配准使待配准图像和基准图像大致对齐，然后利用窗口选择减少搜索空间，并应用直方图规定化优化图像间的灰度相似度，然后再基于FAST算子重新提取特征点，并检测多源图像间的匹配点对，消除误配准点对，最后采用双线性内插进行图像配准后的几何变换，最终实现多源图像间的高精度配准；
3)根据2)处理后得到的图像信息做数据提取各类图形谱表型信息并进行统计分析，最终得到农作物表型信息低空遥感监测结果。
2.权利要求1所述的方法，其特征在于：①所述的图像拼接前先加入地面控制点，并选择与①相同的空间参考且进行刺点；且不进行③所述的空间配准。
3.权利要求1所述的方法，其特征在于：所述的梯度辐射定标方法，结合作物反射率特点，选择5％，25％和45％三种定标反射板，其最小内接正方形尺寸大于0.3米，热红外定标板选择黑色和白色金属板两种定标反射板，其最小内接正方形尺寸大于0.4米。
4.权利要求1所述的方法，其特征在于：③所述空间配准方法具体包括如下步骤：
粗配准：使用直方图规定化的方法增强参考图像的对比度，提取参考图像和原始影像的特征点，基于特征点初步计算平均相对偏移量，将原始影像平移到参考影像的位置；
窗口选择：选择参考影像内某些特征点作为窗口中心，对应窗口内的图像作为参考图像子图像集，对原始影像做同样的操作得到原始子图像集，后续配准操作均基于两个子图像集完成；
窗口选择大小原则：(2×radius+1)×(2×radius+1)；
局部直方图规定化：对上述所得两个子图像集做直方图规定化，增强子图像的对比度；
局部匹配：提取两组子图像集的特征点，基于特征点完成局部匹配得到原始子图像集和参考子图像集的匹配对，逐一检测匹配对集，剔除重复匹配对；
全局匹配：剔除不匹配子集，计算匹配率；根据匹配率和正确匹配对的图像和窗口大小，得出适合每一个特征点的窗口半径；
变换配准：最后根据半径大小，采用仿射变换的方法将原始图像变换到参考图像的几何位置，完成空间配准。
5.权利要求1所述的方法，其特征在于：3)所述的提取是基于③所得的配准图像，在匹配波段的前提下提取得到相应调查区域或小区的农作物表型信息，包括图像表型信息、形态表型信息以及光谱表型；所述的图像表型信息包括纹理表型信息，叶片覆盖度，冠层匀称度；所述的形态表型信息包括株高、生物量和冠层结构表型；所述的光谱表型包括特征光谱表型，植被指数图或植被指数值。
6.权利要求1所述的方法，其特征在于：3)所述的统计分析是根据实地地面采集的数据对所述提取得到的农作物表型信息进行分析和筛选；所述的分析包括自定义数据分析、共线性分析；所述的筛选包括数据粗筛。
7.权利要求6所述的方法，其特征在于：所述的数据粗筛包括将提取的所述农作物表型信息作为自变量，对这些自变量之间，以及它们与因变量之间的线性相关程度进行分析；具体规则是：若两自变量之间的相关系数│r│≥0.8，则认为二者的交互效应明显，存在突出的共线性；对于这些自变量，再将它们分别与因变量的相关系数│r│进行比较，只保留较大值所对应的自变量即筛选出相关性高且消除共线性后的作物表型信息。
CN202011001086.1A 2020-09-22 2020-09-22 一种农作物表型信息多源遥感监测方法 Active CN112147078B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011001086.1A CN112147078B (zh) 2020-09-22 2020-09-22 一种农作物表型信息多源遥感监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011001086.1A CN112147078B (zh) 2020-09-22 2020-09-22 一种农作物表型信息多源遥感监测方法

Publications (2)

Publication Number Publication Date
CN112147078A CN112147078A (zh) 2020-12-29
CN112147078B true CN112147078B (zh) 2022-01-18

Family

ID=73892650

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011001086.1A Active CN112147078B (zh) 2020-09-22 2020-09-22 一种农作物表型信息多源遥感监测方法

Country Status (1)

Country Link
CN (1) CN112147078B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113125383A (zh) * 2021-04-19 2021-07-16 遥相科技发展(北京)有限公司 基于遥感的农耕用地次生盐渍化监测和预警方法和系统
CN113984772A (zh) * 2021-10-25 2022-01-28 浙江大学 基于多源数据融合的作物病害信息检测方法、系统及装置
CN114998630B (zh) * 2022-07-19 2022-11-04 北京科技大学 一种从粗到精的地对空图像配准方法
CN117739871B (zh) * 2024-02-20 2024-05-03 中国科学院空天信息创新研究院 叶面积指数测量方法、装置、系统、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105092476A (zh) * 2015-08-20 2015-11-25 中山大学 同时反演内陆水体混浊度、cod和叶绿素浓度的方法
CN107167431A (zh) * 2017-05-26 2017-09-15 中国科学院遥感与数字地球研究所 一种基于光谱指数模型的黑臭水体识别方法及系统
CN108346143A (zh) * 2018-01-30 2018-07-31 浙江大学 一种基于无人机多源图像融合的作物病害监测方法和系统
CN108760660A (zh) * 2018-08-17 2018-11-06 山东农业大学 一种返青期冬小麦叶绿素含量估算方法
CN211543887U (zh) * 2019-11-05 2020-09-22 华中农业大学 轻小型一体化农业多源遥感监测无人机系统

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6455851B1 (en) * 2000-03-28 2002-09-24 Air Instruments And Measurement, Inc. Spectroscopic remote sensing exhaust emission monitoring system
CN102565778B (zh) * 2011-12-12 2014-09-24 中国科学院遥感与数字地球研究所 一种自动提取伪不变特征的遥感图像相对辐射校正方法
CN105021617B (zh) * 2015-07-14 2017-10-27 华中农业大学 基于高光谱成像的整株水稻叶绿素含量测量装置及方法
CN108051371B (zh) * 2017-12-01 2018-10-02 河北省科学院地理科学研究所 一种面向生态环境参量遥感反演的阴影提取方法
CN110186820A (zh) * 2018-12-19 2019-08-30 河北中科遥感信息技术有限公司 多源数据融合与环境污染源及污染物分布分析方法
IT201900001891A1 (it) * 2019-02-11 2020-08-11 Univ Degli Studi Di Palermo Metodo per il monitoraggio di superfici vegetali
CN109900655A (zh) * 2019-04-09 2019-06-18 合肥九天卫星科技有限公司 用于卫星标定的光学厚度光谱监测仪
CN110390255A (zh) * 2019-05-29 2019-10-29 中国铁路设计集团有限公司 基于多维度特征提取的高铁环境变化监测方法
CN111289441B (zh) * 2020-02-21 2021-02-26 中国农业大学 多光谱下的大田作物含水量确定方法、系统及设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105092476A (zh) * 2015-08-20 2015-11-25 中山大学 同时反演内陆水体混浊度、cod和叶绿素浓度的方法
CN107167431A (zh) * 2017-05-26 2017-09-15 中国科学院遥感与数字地球研究所 一种基于光谱指数模型的黑臭水体识别方法及系统
CN108346143A (zh) * 2018-01-30 2018-07-31 浙江大学 一种基于无人机多源图像融合的作物病害监测方法和系统
CN108760660A (zh) * 2018-08-17 2018-11-06 山东农业大学 一种返青期冬小麦叶绿素含量估算方法
CN211543887U (zh) * 2019-11-05 2020-09-22 华中农业大学 轻小型一体化农业多源遥感监测无人机系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Registration for Optical Multimodal Remote Sensing Images Based on FAST Detection,Window Selection,and Histogram Specification;Xiaoyang Zhao等;《Remote Sensing》;20180424(第10期);摘要，第6-10页第2.3节 *
基于多旋翼无人机的多光谱成像遥感系统开发及应用;殷文鑫等;《中国优秀硕士学位论文全文数据库 农业科技辑》;20180915;第33-35页 *
基于无人机影像的作物土壤水分亏缺反演方法;陈震等;《中国农业信息》;20190831;第31卷(第4期);引言，第23-26页 *

Also Published As

Publication number Publication date
CN112147078A (zh) 2020-12-29

Similar Documents

Publication Publication Date Title
CN112147078B (zh) 一种农作物表型信息多源遥感监测方法
Guo et al. Crop 3D—a LiDAR based platform for 3D high-throughput crop phenotyping
Gašparović et al. An automatic method for weed mapping in oat fields based on UAV imagery
Liu et al. Estimating leaf area index using unmanned aerial vehicle data: shallow vs. deep machine learning algorithms
Houborg et al. A cubesat enabled spatio-temporal enhancement method (cestem) utilizing planet, landsat and modis data
Qiao et al. UAV-based chlorophyll content estimation by evaluating vegetation index responses under different crop coverages
Kalisperakis et al. Leaf area index estimation in vineyards from UAV hyperspectral data, 2D image mosaics and 3D canopy surface models
Ballesteros et al. Applications of georeferenced high-resolution images obtained with unmanned aerial vehicles. Part I: Description of image acquisition and processing
Herrmann et al. Ground-level hyperspectral imagery for detecting weeds in wheat fields
Tahir et al. Real time estimation of chlorophyll content based on vegetation indices derived from multispectral UAV in the kinnow orchard
AU2020101709A4 (en) Crop yield prediction method and system based on low-altitude remote sensing information from unmanned aerial vehicle
Zhang et al. Estimation of forest leaf area index using height and canopy cover information extracted from unmanned aerial vehicle stereo imagery
Sharifi Estimation of biophysical parameters in wheat crops in Golestan province using ultra-high resolution images
Wang et al. Estimating the nitrogen nutrition index in grass seed crops using a UAV-mounted multispectral camera
Etienne et al. Machine learning approaches to automate weed detection by UAV based sensors
Xu et al. Classification method of cultivated land based on UAV visible light remote sensing
CN108898070A (zh) 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
Kavvadias et al. Precision Agriculture-Comparison and Evaluation of Innovative Very High Resolution (UAV) and LandSat Data.
Liu et al. Estimating potato above-ground biomass by using integrated unmanned aerial system-based optical, structural, and textural canopy measurements
Wang et al. Modeling above-ground biomass in tallgrass prairie using ultra-high spatial resolution sUAS imagery
Kawamura et al. Mapping herbage biomass and nitrogen status in an Italian ryegrass (Lolium multiflorum L.) field using a digital video camera with balloon system
Fan et al. Application of internet of things to agriculture—The LQ-FieldPheno platform: A high-throughput platform for obtaining crop phenotypes in field
Yeom et al. Separability analysis and classification of rice fields using KOMPSAT-2 High Resolution Satellite Imagery
Huang et al. Recognition and counting of pitaya trees in karst mountain environment based on unmanned aerial vehicle RGB images
Yuan et al. Research on vegetation information extraction from visible UAV remote sensing images

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20221227

Address after: Room 01-2, 1st Floor, Building A15, Phase I, Wuhan National Geospatial Information Industrialization Base (New Area), No. 6, Beidou Road, Zuoling Street, Donghu New Technology Development Zone, Wuhan, 430000, Hubei Province (Wuhan Area, Free Trade Zone)

Patentee after: WUHAN GREENPHENO SCIENCE AND TECHNOLOGY CO.,LTD.

Address before: 430070 No. 1 Lion Rock street, Hongshan District, Hubei, Wuhan

Patentee before: HUAZHONG AGRICULTURAL University