CN113029971A - 一种作物冠层氮素监测方法及系统 - Google Patents
一种作物冠层氮素监测方法及系统 Download PDFInfo
- Publication number
- CN113029971A CN113029971A CN202110185232.9A CN202110185232A CN113029971A CN 113029971 A CN113029971 A CN 113029971A CN 202110185232 A CN202110185232 A CN 202110185232A CN 113029971 A CN113029971 A CN 113029971A
- Authority
- CN
- China
- Prior art keywords
- crop
- image
- index
- multispectral image
- vegetation
- 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
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 title claims abstract description 288
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 144
- 238000012544 monitoring process Methods 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 84
- 230000003595 spectral effect Effects 0.000 claims abstract description 83
- 238000001228 spectrum Methods 0.000 claims abstract description 33
- 239000002689 soil Substances 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 13
- 238000002310 reflectometry Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 230000033228 biological regulation Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 14
- 230000004720 fertilization Effects 0.000 abstract description 5
- 230000002401 inhibitory effect Effects 0.000 abstract description 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 23
- 240000008042 Zea mays Species 0.000 description 21
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 17
- 235000005822 corn Nutrition 0.000 description 17
- 235000016709 nutrition Nutrition 0.000 description 8
- 230000035764 nutrition Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000000611 regression analysis Methods 0.000 description 5
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 235000009973 maize Nutrition 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 230000005764 inhibitory process Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 241000482268 Zea mays subsp. mays Species 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000618 nitrogen fertilizer Substances 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 241001116459 Sequoia Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 244000037666 field crops Species 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
Abstract
本发明提供的作物冠层氮素监测方法及系统，包括：同步获取待监测区域的RGB图像和多光谱图像；根据RGB图像确定待监测区域的植被覆盖度；根据多光谱图像确定待监测区域的光谱植被指数；利用植被覆盖度和光谱植被指数计算覆盖度调节光谱指数，基于覆盖度调节光谱指数构建作物冠层氮素遥感监测模型，生成待监测区域像元尺度的作物冠层氮素含量空间分布图。本发明提供的作物冠层氮素监测方法及系统，充分利用了RGB影像的高空间分辨率的优势和多光谱影像的高光谱分辨率的优势，可有效消除土壤背景的抑制作用，显著改善作物氮素的遥感估测精度，实现了像元尺度的作物氮素遥感空间监测，可为田间精准变量施肥决策提供空间信息技术支持。
Description
技术领域
本发明涉及农业信息处理技术领域，尤其涉及一种作物冠层氮素监测方法及系统。
背景技术
氮素是作物生长需求量最大的营养元素，氮素营养的丰缺直接影响作物生长发育过程和产量品质的最终形成。对作物冠层氮素营养状况进行大范围、快速和准确地监测，有助于田间氮肥施用的变量精准决策，对提高氮肥利用效率和减少过量施氮对农田环境造成的污染具有重要的现实意义。
常规作物冠层氮素的检测，通常采用田间取样、实验化验等方式，检测不仅成本高而且耗时费力，具有破坏性和滞后性，氮营养诊断也局限于有限的样本点数据，不能获取大面积、实时的田间作物氮营养空间变化信息。随着遥感技术的发展，特别是近年来无人机遥感技术的快速发展，借助于无人机平台搭载不同光学传感器对作物氮素营养组分进行大面积、无损和快速的遥感监测，已成为当前田间作物长势营养诊断应用的热点。
目前，应用无人机遥感技术对作物冠层氮素进行监测，通常采用无人机上搭载单一类型传感器所获取的遥感影像来监测评估作物氮素状况，通常使用的是具有不同空间和光谱分辨率的高清数码RGB影像和多光谱影像。但采用单一类型无人机传感器所获取的影像监测评估作物冠层氮素，未能发挥不同传感器影像间的光谱和空间分辨率的互补优势。
无人机高清数码RGB影像具有很高的空间分辨率，可以很清晰识别田间作物、土壤等类型，甚至是作物的茎、叶和穗等器官，但由于其波段少，光谱分辨率低，监测作物的生理生化组分如氮素、色素等指标时，则探测能力明显不足。
而多光谱影像则相反，由于具有相对较高的光谱分辨率，对作物组分诸如氮素、叶绿素含量等指标探测敏感性高，但由于多光谱传感器涉及较多的光谱波段，为避免获取的数据量过于庞大，往往会降低影像的空间分辨率，与相同飞行高度下获取的高清RGB影像相比，多光谱影像分辨地面目标的清晰度明显降低。
因此，如何充分发挥利用两类无人机遥感影像的空间和光谱分辨率的互补优势，是提高作物氮素营养无人机遥感监测精度所要解决的关键问题。
发明内容
针对现有技术存在的问题，本发明实施例提供一种作物冠层氮素监测方法及系统。
本发明提供一种作物冠层氮素监测方法，包括：同步获取待监测区域的RGB图像和多光谱图像；根据RGB图像，确定多光谱影像作物像元的植被覆盖度；根据多光谱图像，确定待监测区域内多光谱影像作物像元的光谱植被指数；利用植被覆盖度和光谱植被指数计算覆盖度调节光谱指数，基于覆盖度调节光谱指数构建作物冠层氮素遥感监测模型，生成待监测区域像元尺度的作物冠层氮素含量空间分布图。
根据本发明提供的一种作物冠层氮素监测方法，在同步获取待监测区域的RGB图像和多光谱图像之前，预先在待监测区域内均匀布设多个地面控制点；
相应地，在同步获取待监测区域的RGB图像和多光谱图像之后，还包括：
对多光谱图像进行辐射定标，获取地表反射率图像；基于SIFT特征匹配算法，分别对RGB图像进行拼接得到RGB影像，对地表反射率图像进行拼接得到多光谱影像；以RGB影像为基准影像，利用地面控制点，对多光谱影像再进行几何校正处理，得到几何精校正后的多光谱影像。
根据本发明提供的一种作物冠层氮素监测方法，在得到所述RGB影像之后，确定多光谱影像作物像元的植被覆盖度，包括：
对RGB影像进行HSV影像增强处理，得到待监测区域的HSV影像；基于支持向量机或随机森林分类方法，对HSV影像中的作物种植田块进行分类识别，得到RGB作物分类图；以RGB作物分类图作为掩膜层，对几何精校正后的多光谱影像进行掩模运算，得到作物多光谱影像；所述作物多光谱影像为多光谱影像中仅包含作物空间分布范围的多光谱影像；基于栅格-矢量相互转换和空间统计分析技术，根据多光谱影像作物像元的面积，以及每个多光谱影像作物像元所覆盖空间范围内对应的RGB作物分类图中多个作物像元的面积累计值，确定多光谱影像作物像元的植被覆盖度。
根据本发明提供的一种作物冠层氮素监测方法，所述多光谱影像作物像元的植被覆盖度计算公式为：
其中，FVcover为所述多光谱影像作物像元的植被覆盖度；APixel-Multi为多光谱影像作物像元的面积；∑ARGB为每个多光谱影像作物像元所覆盖空间范围内对应的RGB作物分类图中的多个作物像元的面积累计值。
根据本发明提供的一种作物冠层氮素监测方法，确定待监测区域内所述多光谱影像作物像元的光谱植被指数，包括：
在得到多光谱影像的情况下，计算与多光谱影像波段相关的多个光谱植被指数，包括以下至少一项：多光谱影像不同波段地表反射率、归一化差值植被指数、比值植被指数、差值植被指数、增强型植被指数、土壤调节植被指数、红边指数等。
根据本发明提供的一种作物冠层氮素监测方法，利用植被覆盖度和光谱植被指数计算覆盖度调节光谱指数，基于覆盖度调节光谱指数构建作物冠层氮素遥感监测模型，生成待监测区域像元尺度的作物冠层氮素含量空间分布图，包括：
根据多光谱影像作物像元的植被覆盖度和光谱植被指数，确定覆盖度调节光谱指数，并生成覆盖度调节光谱指数影像图层；基于Lasso回归方法，对待监测区域内实测样本点的作物冠层氮素含量与实测样本点所在的空间位置的覆盖度调节光谱指数进行回归建模分析，建立作物冠层氮素遥感监测模型；将覆盖度光谱指数影像图层输入至作物冠层氮素遥感监测模型，生成待监测区域像元尺度的作物冠层氮素含量空间分布图。
根据本发明提供的一种作物冠层氮素监测方法，包括：根据所述多光谱影像作物像元的植被覆盖度和光谱植被指数，确定覆盖度调节光谱指数，计算公式为：
CASI＝VI/(+FVcover)；
其中，CASI为所述覆盖度调节光谱指数，VI为所述光谱植被指数，FVcover为所述植被覆盖度。
根据本发明提供的一种作物冠层氮素监测系统，包括：
图像采集单元，用于同步获取待监测区域的RGB图像和多光谱图像；
第一图像处理单元，用于根据所述RGB图像，确定多光谱影像作物像元的植被覆盖度；
第二图像处理单元，用于根据所述多光谱图像，确定所述待监测区域内所述多光谱影像作物像元的光谱植被指数；
数据监测单元，用于利用所述植被覆盖度和光谱植被指数计算覆盖度调节光谱指数，基于所述覆盖度调节光谱指数构建作物冠层氮素遥感监测模型，生成待监测区域像元尺度的作物冠层氮素含量空间分布图。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述作物冠层氮素监测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述作物冠层氮素监测方法的步骤。
本发明提供的作物冠层氮素监测方法及系统，充分利用了RGB影像的高空间分辨率的优势和多光谱影像的高光谱分辨率的优势，可有效消除土壤背景的抑制作用，显著改善作物氮素的遥感估测精度，实现了像元尺度的作物氮素遥感空间监测，可为田间精准变量施肥决策提供空间信息技术支持
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的作物冠层氮素监测方法的流程示意图之一；
图2是本发明提供的多光谱影像像元尺度的植被覆盖度计算流程示意图；
图3是本发明提供的作物冠层氮素监测方法的流程示意图之二；
图4是待监测区域的田间实测样本点的玉米冠层叶片氮含量与样本点对应空间位置的VI指数进行回归分析的示意图；
图5是待监测区域的田间实测样本点的玉米冠层叶片氮含量与样本点对应空间位置的多CASI指数进行回归分析的示意图；
图6是本发明提供的待监测区域的作物冠层氮素含量空间分布图；
图7是发明提供的作物冠层氮素监测系统的结构示意图；
图8是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在本发明实施例的描述中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
由于多光谱影像光谱波段多(即光谱分辨率高)，但其空间分辨率低，因而多光谱影像的像元是混合像元的现象比较突出，即多光谱影像像元包含了作物植被和土壤信息。如果直接利用多光谱影像计算植被指数VI，这些指数也就包含了土壤信息，对于作物氮素的估算是有抑制作用的。
由于RGB影像的光谱分辨低(不太适合计算典型的植被指数)但相对于多光谱影像，RGB影像空间分辨高，作物与土壤分类识别精度高，在一个多光谱影像的像元空间范围内分布有更多个RGB像元(有作物的，有土壤的)，这样通过空间对应，就可以计算每个多光谱影像作物像元的植被覆盖度信息。
进一步地，通过将上一步骤中确定的多光谱影像像元的植被覆盖度与关联的光谱植被指数相结合，可计算覆盖度调节光谱指数(简称CASI)这一类新的植被指数，以此可以去除土壤噪声信息。上述在像元尺度上的植被信息提取方法目前未有报道。
下面结合图1-图8描述本发明实施例所提供的作物冠层氮素监测方法和系统。
图1是本发明提供的作物冠层氮素监测方法的流程示意图，如图1所示，包括但不限于以下步骤：
步骤101：同步获取待监测区域的RGB图像和多光谱图像；
步骤102：根据所述RGB图像，确定多光谱影像作物像元的植被覆盖度；
步骤103：根据所述多光谱图像，确定多光谱影像作物像元的光谱植被指数；
步骤104：利用所述植被覆盖度和光谱植被指数计算覆盖度调节光谱指数，基于所述覆盖度调节光谱指数构建作物冠层氮素遥感监测模型，生成待监测区域像元尺度的作物冠层氮素含量空间分布图。图2是本发明提供的作物冠层氮素监测方法的原理示意图，如图2所示，解释了高清数码RGB影像和多光谱影像空间分辨率的区别，以及通过两种影像的结合，提取多光谱影像作物像元的植被覆盖度的图解说明。
具体地，多光谱图像中的格网是完全匹配多光谱影像像元大小绘制的，一个网格对应于一个多光谱影像的像元。由于多光谱影像的空间分辨率低，而高清数码RGB的空间分 辨率高，每一个多光谱像元内，对应分布有多个RGB影像的像元(通过将多光谱与高清数码RGB影像对比可知)，以此可以计算多光谱像元尺度的植被覆盖度，但由于多光谱影像中的光谱分辨率高(即它有多个波段通道)，可以很好地计算光谱植被指数。这样，通过两类影像各自分辨率的优势互补，实现多光谱影像作物像元的覆盖度调节植被指数CASI的计算提取，CASI的值灵敏，可以很好地消除土壤噪声的影响，提高作物氮素的估算精度。
作为一种可选实施例，基于现有技术采用单一类型无人机传感器所获取的影像监测评估作物冠层氮素时存在的不足，本发明提供的作物冠层氮素监测方法，基于无人机高清数码RGB影像和多光谱影像各自在空间和光谱分辨率上的优势，提出了一种无人机多源影像信息融合的作物冠层氮素监测方法，以实现不同无人机传感器影像间空间和光谱分辨率上的优势互补以及土壤背景噪声被有效抑制的作物冠层氮素监测，包括但不限于以下步骤：
首先，在步骤101中，依据设定的飞行航线和拍摄参数，利用无人机平台搭载的高清数码相机和多光谱传感器，在待监测区域上方，同步采集该区域的高清RGB图像和多光谱图像。
进一步地，可以分别对获取的RGB图像和多光谱图像进行预处理，主要目的是消除各图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性，从而改进特征提取、图像分割、定标等操作的可靠性。
在步骤102中，通过对高清数码相机摄取的RGB图像进行分类识别，结合栅格-矢量转换和空间统计分析技术，获取待监测区域的多光谱影像作物像元的植被覆盖度FVcover。
然后，应用同步获取到的多光谱图像的波段信息，提取待监测区域内具有典型特性的光谱植被指数VI，如：归一化植被指数NDVI、增强植被指数EVI等。
最后，根据上述计算的植被覆盖度和所述光谱植被指数，计算覆盖度调节光谱指数CASI，对CASI采用Lasso回归方法构建作物冠层氮素遥感监测模型，进而生成待监测区域像元尺度的作物冠层氮素含量空间分布图，以实现对监测区域大范围农田作物冠层氮素进行无人机遥感精准监测的目的。
本发明提供的作物冠层氮素监测方法，充分利用了RGB影像的高空间分辨率的优势和多光谱影像的高光谱分辨率的优势，从覆盖度调节光谱指数的两个关键输入因子光谱植被指数和植被覆盖度出发，实现了像元尺度上的田间作物氮素的遥感监测，该方法能消除土壤噪声的抑制作用，可有效改善作物氮素的遥感估测精度。
基于上述实施例的内容，作为一种可选实施例，在同步获取待监测区域的RGB图像和多光谱图像之前，预先在所述待监测区域内均匀布设多个地面控制点。
相应地，在同步获取待监测区域的RGB图像和多光谱图像之后，还包括：对所述多光谱图像进行辐射定标，获取地表反射率图像；基于SIFT特征匹配算法，分别对所述RGB图像进行拼接得到RGB影像、对所述地表反射率图像进行拼接得到多光谱影像；以所述RGB影像为基准影像，利用所述地面控制点，对所述多光谱影像进行几何校正处理，得到几何精校正后的多光谱影像。
为进一步提高RGB影像与多光谱影像的几何空间位置的匹配精准，最终是为提高多光谱影像像元覆盖度的计算精度，本发明提供的作物冠层氮素监测方法，通过在无人机飞行的待监测区域内均匀布设若干数量地面控制点。控制无人机按照设定的飞行航线和参数，利用同时搭载于无人机上的高清RGB和多光谱相机，同步摄取待监测区域的RGB图像和多光谱图像。
然后，对同步采集的RGB图像和多光谱图像进行预处理，包括：对多光谱图像进行辐射定标，获取多光谱各波段的地表反射率图像；
进一步地，对定标后的多光谱图像(即地表反射率图像)和RGB图像分别使用SIFT特征匹配算法进行拼接，得到整个待监测区域的多光谱影像和RGB影像。
进一步地，结合待监测区域内的地面控制点，以所述拼接后得到的RGB影像为基准影像，对拼接后多光谱影像进行高精度几何校正，以得到几何精校正后的多光谱影像。
基于上述实施例的内容，作为一种可选实施例，步骤102所述的在获取所述RGB影像之后，确定多光谱影像作物像元的植被覆盖度，包括但不限于：
对RGB影像进行HSV影像增强处理，得到待监测区域的HSV影像；基于支持向量机或随机森林分类方法，对HSV影像中的作物种植田块进行分类识别，得到RGB作物分类图；以RGB作物分类图作为掩膜层，对几何校正后的多光谱影像进行掩模运算，得到作物多光谱影像；所述作物多光谱影像为多光谱影像中仅包含作物空间分布范围的多光谱影像；基于栅格-矢量相互转换和空间统计分析技术，根据多光谱影像作物像元的面积，以及每个多光谱影像作物像元所覆盖空间范围内对应的RGB作物分类图中多个作物像元的面积累计值，确定多光谱影像作物像元的植被覆盖度。
具体地，步骤102进行以下操作处理：
首先，对RGB影像进行HSV影像增强处理，对HSV影像中的作物种植田块，利用支持向量机或随机森林分类方法提取作物和土壤两类地物特征，得到基于高清RGB影像的作物和土壤分类图。
需要说明的是，本发明对HSV影像中的作物种植田块部分进行分割的方法可以采用常规的支持向量机或随机森林分类方法，也可以采用其它的图像分割方法，对此本发明均不作具体限定，其目的是实现图像中的作物区域与土壤农田土壤、阴影等背景噪声的分割，仅提取出只包含作物空间分布范围的RGB作物分类图。
进一步地，以得到的RGB作物分类图作为掩膜图层，对上述步骤中所得到的经过几何校正后的多光谱影像进行掩模运算，则可以获取到只包含作物空间分布范围的作物多光谱影像。
进一步地，利用栅格-矢量相互转换和空间统计分析技术，统计多光谱影像每个像元空间范围内对应的RGB分类影像图中的作物像元的累计面积，从而计算多光谱影像作物像元的植被覆盖度FVcover。
作为可选地，所述多光谱影像作物像元的植被覆盖度计算公式为：
其中，FVcover为所述多光谱影像作物像元的植被覆盖度；APixel-Multi为多光谱影像作物像元的面积；∑ARGB为每个多光谱影像作物像元所覆盖空间范围内对应的RGB作物分类图中的多个作物像元的面积累计值。
相对于卫星遥感监测技术而言，近地低空飞行的无人机获取的遥感影像，包含了更多的农田土壤、阴影等背景噪声，如何尽可能消除这些噪声信息对作物冠层氮素监测的影响是亟需关注的问题，特别是用于作物冠层氮素监测的常规植被指数VI不可避免受土壤背景噪声的影响，故本发明通过影像增强+背景图像分割+图像掩模运算，在VI的基础上加入覆盖度FVcover因子形成新指数CASI，在很大程度上消除了土壤噪声的干扰，从而有效地改善了作物氮素的遥感估测精度。
基于上述实施例的内容，作为一种可选实施例，上述步骤103中所述的
确定待监测区域内所述多光谱影像作物像元的光谱植被指数，包括但不限于：
在获取多光谱影像的情况下，计算与多光谱影像波段相关的多个光谱植被指数，包括以下至少一项：多光谱影像在不同波段的地表反射率、归一化差值植被指数、比值植被指数、差值植被指数、增强型植被指数、土壤调节植被指数、红边指数等。
需要说明的是，上述植被指数是植被生长状况的重要定量指标，其估算方法可以采用如神经网络模型分析、光谱分解、植被指数和经验模型等方法，对此本发明不作具体的限定。
基于上述实施例的内容，作为一种可选实施例上述步骤104所述的利用所述植被覆盖度和光谱植被指数计算覆盖度调节光谱指数，基于所述覆盖度调节光谱指数构建作物冠层氮素遥感监测模型，生成待监测区域像元尺度的作物冠层氮素含量空间分布图，包括但不限于：
根据所述多光谱影像作物像元的植被覆盖度和光谱植被指数，确定覆盖度调节光谱指数，并生成覆盖度调节光谱指数影像图层；基于Lasso回归方法，对所述待监测区域内实测样本点的作物冠层氮素含量与所述实测样本点所在的空间位置的覆盖度调节光谱指数进行回归建模分析，建立所述作物冠层氮素遥感监测模型；将覆盖度光谱指数影像图层输入至作物冠层氮素遥感监测模型，生成待监测区域的作物冠层氮素含量空间分布图。
其中，确定覆盖度调节光谱指数的计算公式为：
CASI＝VI/(1+FVcover)；
其中，CASI为所述覆盖度调节光谱指数，VI为所述光谱植被指数，FVcover为所述植被覆盖度。
具体地，在本发明所提供的步骤104中，可以按以下方式开展基于CASI的作物冠层氮素无人机遥感监测：
首先，利用步骤102和步骤103中所获取到的多个植被指数VI和覆盖度FVcover计算得到多个覆盖度调节光谱指数CASI(Coverage-Adjusted Spectral Index，CASI)，并生成CASI影像图层，其计算公式为：CASI＝VI/(1+FVcover)。
然后，应用机器学习Lasso回归方法，对于待监测区域的田间实测样本点的作物冠层氮素含量与该样本点的对应空间位置的CASI指数进行回归建模分析，建立作物冠层氮素含量的回归模型(Least absolute shrinkage and selection operator，Lasso)；
其中，Lasso回归算法又称套索算法，其的最主要特点是，具有自动筛选特征变量的功能，例如：在输入20个调节光谱指数变量，其会通过功能筛选，将冗余的指数变量剔除掉，只保留最重要的几个特征变量来建模，从而达到减少计算量，又不失估算精度的目的。
进一步地，根据构建的作物冠层氮素含量的回归模型的参数和输入变量要求，输入对应的CASI图层，得到整个待监测区域像元尺度的作物冠层氮素含量空间分布图，以用于田间作物长势营养评估，为田块精准施肥管理决策提供空间信息服务支持。
由于常规用于作物冠层氮素监测的无人机高清数码RGB影像和多光谱影像，在空间分辨率和光谱分辨率上各有所长，本发明提供的作物冠层氮素监测方法，利用同步采集的RGB影像和多光谱影像来监测作物冠层氮素信息，以覆盖度调节光谱指数CASI＝VI/(1+FVcover)的两个关键输入参数为目标，在像元尺度(非地块尺度)上，以高清数码RGB影像计算作物的多光谱影像作物像元的植被覆盖度FVcover，利用了高清RGB影像较高的空间分辨率优势；以多光谱影像计算多光谱影像作物像元的光谱植被指数VI，利用了多光谱影像较高的光谱分辨率优势，这与以往的无人机作物氮素遥感监测技术相比是独特的，以此方式获取的CASI指数可以较高精度地监测作物冠层氮素含量。
同时，本发明所提供的作物冠层氮素监测方法，还能有效地消除土壤噪声对于作物冠层氮素的影响。由于无人机多光谱影像的空间分辨率相对较低，用于作物冠层氮素监测的常规植被指数VI不可避免仍受土壤噪声的影响，本发明通过在VI的基础上加入植被覆盖度FVcover因子形成新指数CASI，可以有效消除土壤噪声的抑制作用，从而改善作物氮素的遥感估测精度。
图3是本发明提供的作物冠层氮素监测方法的流程示意图之二，如图3所示，作为一种具体的实施例，以对本发明所提供的作物冠层氮素监测方法作详细的说明，主要包括以下步骤：
利用无人机平台搭载的高清数码相机和多光谱传感器，同步获取高清RGB数码图像和多光谱图像。
在无人机飞行前，先在目标农田区域均匀布设若干数量的地面控制点，为后续RGB拼接影像与多光谱拼接影像的进一步空间几何校正提供高精度控制点支持。然后，依据设定的飞行航线和参数，利用搭载于无人机上的高清RGB和多光谱传感器相机，同步摄取RGB和多光谱图像。
例如，在基于无人机多源影像信息融合的玉米冠层氮素含量遥感监测过程中，采用大疆公司的无人机DJI Phantom 4Pro，同时搭载Sony公司的高清数码相机Cyber-shotDSC-QX100(2020万像素)和Parrot公司的四波段多光谱相机Parrot Sequoia(120万像素)同步获取玉米无人机遥感影像，飞行于2017年8月5日在北京昌平区小汤山国家精准农业示范基地开展，在目标地块边界均匀布设了地面控制点，设置飞行高度30米，航向和旁向境均为重叠为80％，同步获取了玉米大喇叭口期的RGB图像和多光谱图像。
对获取的高清RGB图像和多光谱图像进行预处理。
本步骤中，对获取的无人机玉米多光谱图像，利用无人机飞行时常规布设的参考白板进行辐射定标处理，得到多光谱各波段地表反射率图像；之后，利用SIFT算法对定标后的多光谱图像和RGB图像分别进行拼接，得到整个待监测区域的多光谱影像和高清RGB影像；进一步地，利用布设的地面控制点，以RGB影像为基准影像，对多光谱影像进行高精度几何校正，校正精度优于0.5个像元，得到几何精校正后的多光谱影像。
利用高清数码相机摄取的RGB影像计算多光谱影像作物像元的植被覆盖度FVcover，再根据多光谱遥感影像的波段信息，提取多光谱影像作物像元的光谱植被指数VI。
本步骤中，首先对拼接后RGB影像进行HSV影像增强处理，得到的HSV影像可有效突出田块玉米与土壤间的差异，之后对HSV影像利用支持随机森林分类方法，可较高精度地提取玉米和土壤背景类别信息，最终得到基于高清RGB影像的玉米和土壤分类图。
然后，以RGB影像的玉米分类图作为掩膜图层，对上述经几何校正后的多光谱影像进行掩膜运算，得到只包含玉米空间分布范围的多光谱影像，并在此基础上计算提取不少于5个典型植被指数VI，本实施例中提取了20个植被指数VI，并形成VI影像图层，便于后续的玉米冠层氮素监测的建模分析。
进一步地，利用栅格-矢量相互转换和空间统计分析技术，统计多光谱影像每个玉米像元空间范围内对应的RGB影像的玉米分类图中的玉米像元的面积累积值，从而计算多光谱玉米像元覆盖范围内的植被覆盖度FVcover：
式中，FVcover为所述多光谱影像作物像元的植被覆盖度；APixel-Multi为多光谱影像作物像元的面积；∑ARGB为每个多光谱影像作物像元所覆盖空间范围内对应的RGB作物分类图中的多个作物像元的面积累计值。
构建基于覆盖度调节光谱指数CASI的作物冠层氮素遥感监测模型，对大范围农田作物冠层氮素进行无人机遥感监测。
本实施例中，利用上述步骤中得到的20个植被指数VI和覆盖度FVcover计算得到相应的20个CASI，并形成CASI影像图层，便于后续的建模分析，其中：
CASI＝VI/(1+FVcover)。
进一步地，基于无人机多源影像信息融合的玉米冠层氮素监测的建模分析，包括：
采用机器学习模型Lasso回归方法建模，该方法具有自动筛选敏感变量特征的能力，并具有较好的适应性。
图4为是待监测区域的田间实测样本点的玉米冠层叶片氮含量与样本点对应空间位置的VI指数进行回归分析的示意图，图5是待监测区域的田间实测样本点的玉米冠层叶片氮含量与样本点对应空间位置的多CASI指数进行回归分析的示意图，如图4所示，通过对待监测区域的田间实测样本点的玉米冠层叶片氮含量与样点对应空间位置的多CASI指数进行回归分析，建立了玉米冠层氮素含量的Lasso回归模型，估算值与实测值间的决定系统R2达到0.629；而如图5所示，基于相应常规VI构建的Lasso回归模型的R2只有0.433，两者相比，基于本发明提取的指数CASI估算氮素的R2提高了45.3％。
最终，根据构建的Lasso回归模型的参数和输入变量要求，输入对应的CASI指数影像图层，得到整个待监测区域的的作物冠层氮素含量空间分布图，具体如图6所示，可用于田间玉米长势营养评估，为田块精准施肥管理决策提供空间信息服务支持。
图7是发明提供的作物冠层氮素监测系统的结构示意图，如图7所示，主要包括：图像采集单元701、第一图像处理单元702、第二图像处理单元703和数据监测单元704，其中：
图像采集单元701主要用于利用无人机平台搭载的高清数码相机和多光谱传感器，同步获取待监测区域的RGB图像和多光谱图像；
第一图像处理单元702主要用于根据所述RGB图像，确定多光谱影像作物像元的植被覆盖度；
第二图像处理单元703主要用于根据所述多光谱图像，确定所述多光谱影像作物像元的光谱植被指数；
数据监测单元704主要用于利用所述植被覆盖度和光谱植被指数计算覆盖度调节光谱指数，基于所述覆盖度调节光谱指数构建作物冠层氮素遥感监测模型，生成待监测区域像元尺度的作物冠层氮素含量空间分布图。
需要说明的是，本发明实施例提供的作物冠层氮素监测系统，在具体执行时，可以基于上述任一实施例所述的作物冠层氮素监测方法来实现，对此本实施例不作赘述。
本发明提供的作物冠层氮素监测系统，充分利用了RGB影像的高空间分辨率的优势和多光谱影像的高光谱分辨率的优势，可有效消除土壤背景噪声的抑制作用，显著改善作物氮素的遥感估测精度，实现了像元尺度的作物氮素遥感空间监测，可为田间精准变量施肥决策提供空间信息技术支持。
图8是本发明提供的电子设备的结构示意图，如图8所示，该电子设备可以包括：处理器(processor)810、通信接口(CommunicationsInterface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行作物冠层氮素监测方法，该方法包括：同步获取待监测区域的RGB图像和多光谱图像；根据RGB图像，确定多光谱影像作物像元的植被覆盖度；根据多光谱图像，确定待监测区域内多光谱影像作物像元的光谱植被指数；利用植被覆盖度和光谱植被指数计算覆盖度调节光谱指数，基于覆盖度调节光谱指数构建作物冠层氮素遥感监测模型，生成待监测区域像元尺度的作物冠层氮素含量空间分布图。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的作物冠层氮素监测方法，该方法包括：同步获取待监测区域的RGB图像和多光谱图像；根据RGB图像，确定多光谱影像作物像元的植被覆盖度；根据多光谱图像，确定待监测区域内多光谱影像作物像元的光谱植被指数；利用植被覆盖度和光谱植被指数计算覆盖度调节光谱指数，基于覆盖度调节光谱指数构建作物冠层氮素遥感监测模型，生成待监测区域像元尺度的作物冠层氮素含量空间分布图。
另一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的作物冠层氮素监测方法，该方法包括：同步获取待监测区域的RGB图像和多光谱图像；根据RGB图像，确定多光谱影像作物像元的植被覆盖度；根据多光谱图像，确定待监测区域内多光谱影像作物像元的光谱植被指数；利用植被覆盖度和光谱植被指数计算覆盖度调节光谱指数，基于覆盖度调节光谱指数构建作物冠层氮素遥感监测模型，生成待监测区域像元尺度的作物冠层氮素含量空间分布图。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种作物冠层氮素监测方法，其特征在于，包括：
同步获取待监测区域的RGB图像和多光谱图像；
根据所述RGB图像，确定多光谱影像作物像元的植被覆盖度；
根据所述多光谱图像，确定多光谱影像作物像元的光谱植被指数；
利用所述植被覆盖度和光谱植被指数计算覆盖度调节光谱指数，基于所述覆盖度调节光谱指数构建作物冠层氮素遥感监测模型，生成待监测区域像元尺度的作物冠层氮素含量空间分布图。
2.根据权利要求1所述的作物冠层氮素监测方法，其特征在于，在同步获取待监测区域的RGB图像和多光谱图像之前，预先在所述待监测区域内均匀布设多个地面控制点；
相应地，在同步获取待监测区域的RGB图像和多光谱图像之后，还包括：
对所述多光谱图像进行辐射定标，获取地表反射率图像；
基于SIFT特征匹配算法，分别对所述RGB图像进行拼接得到RGB影像、对所述地表反射率图像进行拼接得到多光谱影像；
以所述RGB影像为基准影像，利用所述地面控制点，对所述多光谱影像进行几何校正处理，得到几何校正后的多光谱影像。
3.根据权利要求2所述的作物冠层氮素监测方法，其特征在于，在得到所述RGB影像之后，确定多光谱影像作物像元的植被覆盖度，包括：
对所述RGB影像进行HSV影像增强处理，得到待监测区域的HSV影像；
基于支持向量机或随机森林分类方法，对所述HSV影像中的作物种植田块进行分类识别，得到RGB作物分类图；
以所述RGB作物分类图作为掩膜层，对所述几何校正后的多光谱影像进行掩模运算，得到作物多光谱影像；所述作物多光谱影像为多光谱影像中仅包含作物空间分布范围的多光谱影像；
基于栅格-矢量相互转换和空间统计分析技术，根据所述多光谱影像作物像元的面积，以及每个多光谱影像作物像元所覆盖空间范围内对应的RGB作物分类图中多个作物像元的面积累计值，确定所述多光谱影像作物像元的植被覆盖度。
4.根据权利要求3所述的作物冠层氮素监测方法，其特征在于，所述多光谱影像作物像元的植被覆盖度计算公式为：
其中，FVcover为所述多光谱影像作物像元的植被覆盖度；APixel-Multi为多光谱影像作物像元的面积；∑ARGB为每个多光谱影像作物像元所覆盖空间范围内对应的RGB作物分类图中的多个作物像元的面积累计值。
5.根据权利要求3所述的作物冠层氮素监测方法，其特征在于，确定待监测区域内所述多光谱影像作物像元的光谱植被指数，包括：
在得到所述多光谱影像的情况下，计算与所述多光谱影像波段相关的多个光谱植被指数；
所述光谱植被指数包括以下至少一项：所述多光谱影像在不同波段的地表反射率、归一化差值植被指数、比值植被指数、差值植被指数、增强型植被指数、土壤调节植被指数、红边指数。
6.根据权利要求1所述的作物冠层氮素监测方法，其特征在于，利用所述植被覆盖度和光谱植被指数计算覆盖度调节光谱指数，基于所述覆盖度调节光谱指数构建作物冠层氮素遥感监测模型，生成待监测区域像元尺度的作物冠层氮素含量空间分布图，包括：
根据所述多光谱影像作物像元的植被覆盖度和光谱植被指数，确定覆盖度调节光谱指数，并生成覆盖度调节光谱指数影像图层；
基于Lasso回归方法，对所述待监测区域内实测样本点的作物冠层氮素含量与所述实测样本点所在的空间位置的覆盖度调节光谱指数进行回归建模分析，建立所述作物冠层氮素遥感监测模型；
将所述覆盖度调节光谱指数影像图层输入至作物冠层氮素遥感监测模型，生成待监测区域像元尺度的作物冠层氮素含量空间分布图。
7.根据权利要求6所述的作物冠层氮素监测方法，其特征在于，根据所述多光谱影像作物像元的植被覆盖度和光谱植被指数，确定覆盖度调节光谱指数，计算公式为：
CASI＝VI/(1+FVcover)；
其中，CASI为所述覆盖度调节光谱指数，VI为所述光谱植被指数，FVcover为所述植被覆盖度。
8.一种作物冠层氮素监测系统，其特征在于，包括：
图像采集单元，用于利用无人机平台搭载的高清数码相机和多光谱相机，同步获取待监测区域的RGB图像和多光谱图像；
第一图像处理单元，用于根据所述RGB图像，确定多光谱影像作物像元的植被覆盖度；
第二图像处理单元，用于根据所述多光谱图像，确定所述待监测区域内所述多光谱影像作物像元的光谱植被指数；
数据监测单元，用于利用所述植被覆盖度和光谱植被指数计算覆盖度调节光谱指数，基于所述覆盖度调节光谱指数构建作物冠层氮素遥感监测模型，生成待监测区域像元尺度的作物冠层氮素含量空间分布图。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述作物冠层氮素监测方法步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述作物冠层氮素监测方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110185232.9A CN113029971B (zh) | 2021-02-10 | 2021-02-10 | 一种作物冠层氮素监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110185232.9A CN113029971B (zh) | 2021-02-10 | 2021-02-10 | 一种作物冠层氮素监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113029971A true CN113029971A (zh) | 2021-06-25 |
| CN113029971B CN113029971B (zh) | 2023-01-31 |
Family
ID=76461320
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110185232.9A Active CN113029971B (zh) | 2021-02-10 | 2021-02-10 | 一种作物冠层氮素监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113029971B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113378848A (zh) * | 2021-07-08 | 2021-09-10 | 湖南元想科技有限公司 | 南荻收割区或弃割区分布提取方法、系统及存储介质 |
| CN114119536A (zh) * | 2021-11-22 | 2022-03-01 | 河南省农业科学院农业经济与信息研究所 | 基于云平台技术的作物氮含量快速监测与诊断方法 |
| CN114235148A (zh) * | 2022-02-25 | 2022-03-25 | 南京信息工程大学 | 一种基于夜光遥感数据的道路夜间照明质量监测方法 |
| CN114460099A (zh) * | 2022-02-11 | 2022-05-10 | 软通智慧信息技术有限公司 | 一种基于无人机的水葫芦监测方法、装置、无人机及介质 |
| CN116188465A (zh) * | 2023-04-26 | 2023-05-30 | 济宁市保田农机技术推广专业合作社 | 基于图像处理技术的作物生长状态检测方法 |
| CN116401557A (zh) * | 2023-03-28 | 2023-07-07 | 中国科学院地理科学与资源研究所 | 一种农业面源污染遥感监测与预警方法及系统 |
| CN117288693A (zh) * | 2023-11-27 | 2023-12-26 | 慧诺云谱(海南)科技有限公司 | 一种实时获取植被指数地图的方法及机载装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6160902A (en) * | 1997-10-10 | 2000-12-12 | Case Corporation | Method for monitoring nitrogen status using a multi-spectral imaging system |
| CN103293111A (zh) * | 2013-06-07 | 2013-09-11 | 南京农业大学 | 一种土壤背景干扰下小麦叶层氮含量光谱监测模型及建模方法 |
| CN103679202A (zh) * | 2013-12-17 | 2014-03-26 | 中国测绘科学研究院 | 一种适用于光学遥感卫星影像植被分类方法及装置 |
| CN105004320A (zh) * | 2015-06-09 | 2015-10-28 | 北京师范大学 | 一种高分卫星数据陆表植被覆盖度反演方法及系统 |
| CN107389036A (zh) * | 2017-08-02 | 2017-11-24 | 珠江水利委员会珠江水利科学研究院 | 一种结合无人机影像的大空间尺度植被覆盖度计算方法 |
| CN109580512A (zh) * | 2018-12-10 | 2019-04-05 | 北京航天泰坦科技股份有限公司 | 一种基于光谱和纹理特征的小麦氮素营养监测方法 |
| CN110533595A (zh) * | 2019-09-03 | 2019-12-03 | 北京麦飞科技有限公司 | 一种作物病虫害空间动态分布监测的方法和系统 |
| US20200141877A1 (en) * | 2018-11-06 | 2020-05-07 | Nanjing Agricultural University | Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle |
-
2021
- 2021-02-10 CN CN202110185232.9A patent/CN113029971B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6160902A (en) * | 1997-10-10 | 2000-12-12 | Case Corporation | Method for monitoring nitrogen status using a multi-spectral imaging system |
| CN103293111A (zh) * | 2013-06-07 | 2013-09-11 | 南京农业大学 | 一种土壤背景干扰下小麦叶层氮含量光谱监测模型及建模方法 |
| CN103679202A (zh) * | 2013-12-17 | 2014-03-26 | 中国测绘科学研究院 | 一种适用于光学遥感卫星影像植被分类方法及装置 |
| CN105004320A (zh) * | 2015-06-09 | 2015-10-28 | 北京师范大学 | 一种高分卫星数据陆表植被覆盖度反演方法及系统 |
| CN107389036A (zh) * | 2017-08-02 | 2017-11-24 | 珠江水利委员会珠江水利科学研究院 | 一种结合无人机影像的大空间尺度植被覆盖度计算方法 |
| US20200141877A1 (en) * | 2018-11-06 | 2020-05-07 | Nanjing Agricultural University | Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle |
| CN109580512A (zh) * | 2018-12-10 | 2019-04-05 | 北京航天泰坦科技股份有限公司 | 一种基于光谱和纹理特征的小麦氮素营养监测方法 |
| CN110533595A (zh) * | 2019-09-03 | 2019-12-03 | 北京麦飞科技有限公司 | 一种作物病虫害空间动态分布监测的方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| 朱蕾 等: "作物植被覆盖度的高光谱遥感估算模型", 《光谱学与光谱分析》 * |
| 陈智虎 等: "基于无人机的高光谱遥感图像采集和处理技术研究", 《贵州师范大学学报（自然科学版）》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113378848A (zh) * | 2021-07-08 | 2021-09-10 | 湖南元想科技有限公司 | 南荻收割区或弃割区分布提取方法、系统及存储介质 |
| CN113378848B (zh) * | 2021-07-08 | 2024-01-30 | 湖南元想科技有限公司 | 南荻收割区或弃割区分布提取方法、系统及存储介质 |
| CN114119536A (zh) * | 2021-11-22 | 2022-03-01 | 河南省农业科学院农业经济与信息研究所 | 基于云平台技术的作物氮含量快速监测与诊断方法 |
| CN114460099A (zh) * | 2022-02-11 | 2022-05-10 | 软通智慧信息技术有限公司 | 一种基于无人机的水葫芦监测方法、装置、无人机及介质 |
| CN114235148A (zh) * | 2022-02-25 | 2022-03-25 | 南京信息工程大学 | 一种基于夜光遥感数据的道路夜间照明质量监测方法 |
| CN116401557A (zh) * | 2023-03-28 | 2023-07-07 | 中国科学院地理科学与资源研究所 | 一种农业面源污染遥感监测与预警方法及系统 |
| CN116401557B (zh) * | 2023-03-28 | 2023-11-14 | 中国科学院地理科学与资源研究所 | 一种农业面源污染遥感监测与预警方法及系统 |
| CN116188465A (zh) * | 2023-04-26 | 2023-05-30 | 济宁市保田农机技术推广专业合作社 | 基于图像处理技术的作物生长状态检测方法 |
| CN117288693A (zh) * | 2023-11-27 | 2023-12-26 | 慧诺云谱(海南)科技有限公司 | 一种实时获取植被指数地图的方法及机载装置 |
| CN117288693B (zh) * | 2023-11-27 | 2024-03-26 | 慧诺云谱(海南)科技有限公司 | 一种实时获取植被指数地图的方法及机载装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113029971B (zh) | 2023-01-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113029971B (zh) | 一种作物冠层氮素监测方法及系统 | |
| US20230292647A1 (en) | System and Method for Crop Monitoring | |
| Feng et al. | Yield estimation in cotton using UAV-based multi-sensor imagery | |
| Xu et al. | Multispectral imaging and unmanned aerial systems for cotton plant phenotyping | |
| Pang et al. | Improved crop row detection with deep neural network for early-season maize stand count in UAV imagery | |
| Guo et al. | Integrating spectral and textural information for identifying the tasseling date of summer maize using UAV based RGB images | |
| CN110796001B (zh) | 一种卫星影像覆膜农田识别与提取方法及系统 | |
| Liu et al. | Estimating potato above-ground biomass by using integrated unmanned aerial system-based optical, structural, and textural canopy measurements | |
| Moriya et al. | Mapping mosaic virus in sugarcane based on hyperspectral images | |
| Sharma et al. | Geospatial technology in agroforestry: status, prospects, and constraints | |
| Guan et al. | Modeling strawberry biomass and leaf area using object-based analysis of high-resolution images | |
| CN113223040B (zh) | 基于遥感的香蕉估产方法、装置、电子设备和存储介质 | |
| Liu et al. | Estimating wheat fractional vegetation cover using a density peak k-means algorithm based on hyperspectral image data | |
| Zhou et al. | Wheat phenology detection with the methodology of classification based on the time-series UAV images | |
| Che et al. | The effect of growth stage and plant counting accuracy of maize inbred lines on LAI and biomass prediction | |
| Shu et al. | Assessing maize lodging severity using multitemporal UAV-based digital images | |
| Orlíková et al. | Land cover classification using sentinel-1 SAR data | |
| Lyu et al. | UAV time-series imagery with novel machine learning to estimate heading dates of rice accessions for breeding | |
| CN115641504A (zh) | 一种基于作物物候特征与决策树模型的田块边界自动化遥感提取方法 | |
| CN115015258A (zh) | 一种农作物长势与土壤水分关联确定方法及相关装置 | |
| Bilodeau et al. | Identifying hair fescue in wild blueberry fields using drone images for precise application of granular herbicide | |
| CN112329733B (zh) | 一种基于gee云平台的冬小麦长势监测及分析方法 | |
| Veramendi et al. | Method for maize plants counting and crop evaluation based on multispectral images analysis | |
| Singh et al. | Advanced image processing approach for color-texture analysis of UAV imagery for weed detection in sugarcane crop | |
| Che et al. | High-quality images and data augmentation based on inverse projection transformation significantly improve the estimation accuracy of biomass and leaf area index |
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 | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 1107, block a, Nongke building, No. 11, Shuguang garden middle road, Haidian District, Beijing, 100097 Patentee after: Information technology research center of Beijing Academy of agricultural and Forestry Sciences Address before: 1107, block a, Nongke building, No. 11, Shuguang garden middle road, Haidian District, Beijing, 100097 Patentee before: BEIJING RESEARCH CENTER FOR INFORMATION TECHNOLOGY IN AGRICULTURE |