CN113030903B - 一种基于无人机高光谱和激光雷达的苔草营养水平反演方法 - Google Patents
一种基于无人机高光谱和激光雷达的苔草营养水平反演方法 Download PDFInfo
- Publication number
- CN113030903B CN113030903B CN202110248626.4A CN202110248626A CN113030903B CN 113030903 B CN113030903 B CN 113030903B CN 202110248626 A CN202110248626 A CN 202110248626A CN 113030903 B CN113030903 B CN 113030903B
- Authority
- CN
- China
- Prior art keywords
- inversion
- aerial vehicle
- unmanned aerial
- grass
- inversion model
- 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
Links
- 235000016709 nutrition Nutrition 0.000 title claims abstract description 195
- 230000035764 nutrition Effects 0.000 title claims abstract description 146
- 238000000034 method Methods 0.000 title claims abstract description 62
- 241001474374 Blennius Species 0.000 title description 2
- 244000025254 Cannabis sativa Species 0.000 claims abstract description 130
- 230000012010 growth Effects 0.000 claims abstract description 40
- 235000015097 nutrients Nutrition 0.000 claims description 87
- 230000003595 spectral effect Effects 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000007637 random forest analysis Methods 0.000 claims description 14
- 235000021049 nutrient content Nutrition 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 10
- 230000009105 vegetative growth Effects 0.000 claims description 9
- 230000004069 differentiation Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 101100449439 Drosophila melanogaster grass gene Proteins 0.000 description 94
- 241000196324 Embryophyta Species 0.000 description 24
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 20
- 238000011160 research Methods 0.000 description 15
- 229910052757 nitrogen Inorganic materials 0.000 description 10
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 8
- 239000011574 phosphorus Substances 0.000 description 8
- 229910052698 phosphorus Inorganic materials 0.000 description 8
- 230000001863 plant nutrition Effects 0.000 description 8
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 7
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 7
- 229910052802 copper Inorganic materials 0.000 description 7
- 239000010949 copper Substances 0.000 description 7
- 229910052725 zinc Inorganic materials 0.000 description 7
- 239000011701 zinc Substances 0.000 description 7
- 241000271566 Aves Species 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 229930002875 chlorophyll Natural products 0.000 description 6
- 235000019804 chlorophyll Nutrition 0.000 description 6
- 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 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 239000002689 soil Substances 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 239000002028 Biomass Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000035800 maturation Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000002310 reflectometry Methods 0.000 description 3
- 241000272517 Anseriformes Species 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000037406 food intake Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 description 1
- 241001290610 Abildgaardia Species 0.000 description 1
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 description 1
- CKUAXEQHGKSLHN-UHFFFAOYSA-N [C].[N] Chemical compound [C].[N] CKUAXEQHGKSLHN-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003851 biochemical process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006353 environmental stress Effects 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000000473 mesophyll cell Anatomy 0.000 description 1
- 238000002381 microspectrum Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- -1 moisture Chemical compound 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Life Sciences & Earth Sciences (AREA)
- Electromagnetism (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Multimedia (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于无人机高光谱和激光雷达的苔草营养水平反演方法，其中，所述苔草营养水平反演方法包括步骤：采集苔草样本在不同物候期的数据集，数据集包括无人机高光谱影像、无人机激光雷达点云数据和星载高光谱影像；根据无人机高光谱影像、无人机激光雷达点云数据和/或星载高光谱影像构建苔草样本在不同物候期的多个营养元素反演模型；确定每个物候期反演精度最大的营养元素反演模型为所述物候期的目标反演模型，得到了苔草在不同的生长阶段需要的最优营养元素反演模型，避免了苔草营养水平的反演受物候期限制的问题。
Description
技术领域
本发明涉及植物营养水平反演领域，尤其涉及一种苔草营养水平反演方法、装置、设备及计算机可读存储介质。
背景技术
植物是湖泊湿地生态系统的重要组成部分，在湿地生态系统物质循环和能量流动等生态过程中起着关键作用。植物营养(如氮、磷、锌、铜)水平是描述植物质量的重要参数，影响植物自身的生理生化过程及健康状况，是全球陆地生态系统多样性及环境变化研究的重要参量。另外，在一些湿地，植物营养水平是影响以其为食越冬候鸟(如鸿雁和白额雁)摄食和栖息的关键因素，实时获取植物营养时空变化信息有助于加深理解这些候鸟的分布、栖息及迁徙行为。
苔草(以灰化苔草为主)是一些湿地分布最广的植物，其群落生长分布状况与湖泊水位波动、土壤水分梯度和高程梯度密切相关。受全球变化和人类活动影响，湖泊枯水期水位波动异常，苔草群落生长环境和空间分布易发生变化，这些变化间接影响以苔草为食越冬候鸟的摄食和栖息。
自1972年成功发射第一颗地球资源技术卫星以来，遥感技术已广泛应用于植物质量和生长状况的实时、大范围监测，有力促进了生物多样性变化、全球气候变化和碳氮循环等方面研究。基于遥感技术快速获取湖泊苔草营养状况时空分布信息，能为苔草群落生长健康和环境胁迫的实时监测提供方法基础，为候鸟的科学保护和生态系统多样性的可持续发展提供重要参考价值。
因叶片中叶肉细胞、色素、水、氮素含量与其它生化组分含量的不同，植物反射光谱在不同波段间表现出不同形态和特征。基于植物光谱反射特性，研究人员利用多光谱遥感影像(如Landsat、SPOT、Worldview、Sentinel、HJ、GF等系列卫星)提取植被指数定量反演了植物生物物理参数，如生物量、叶面积指数、光合作用有效辐射等，以及生物化学组分含量，如叶绿素、水分、氮等。因多光谱影像波段数极少，在可见光和近红外波段难以准确表征植物光谱特性，很难有效提取叶片中含量较少并缺乏物理吸收特征的营养元素含量(如磷、锌、铜等)。与多光谱影像相比，高光谱遥感数据可以提供成百上千个窄波段，具备丰富的光谱信息，为获取植物营养水平的时空变化提供有力工具。基于高光谱遥感技术反演植物营养水平的研究，元素类别层面上，集中在氮和磷；植物物种层面上，涵盖农作物、森林及陆地草原；遥感尺度层面上，包括叶片、冠层和景观尺度；反演模型层面上，以经验模型为主，如植被指数、多元统计回归和机器学习模型，反演模型的敏感波段直接或间接与叶绿素敏感波段有关。
多源遥感数据融合能够有效发挥多传感器互补观测优势，实现更加精准和全面的陆表监测。近年来，研究人员通过机载光学影像和激光雷达点云数据(LiDAR数据)的融合反演森林和农作物的生物量、叶面积指数和叶绿素含量以及识别物种，达到了提升反演和分类精度的目标，已成为植被遥感领域的一个研究热点。另外，一些学者结合生态环境因子(如物候期、植被种类、坡度、土壤信息等)和高光谱数据协同反演草地营养成分(氮和磷)并改善了反演精度。
目前，苔草营养水平反演研究主要存在以下不足：除了物种、降水、地形(坡度和高程)和土壤质地的影响外，植物营养水平和其它生化组分含量(如叶绿素、水、蛋白质等)因时(物候)而异，不同物候期的植物光谱反射率也表现出显著差异。植物营养元素的高光谱反演模型(以经验模型为主)在不同物候期的推广具有一定局限性，不同的生长阶段需要构建特定的最优反演模型。
发明内容
本发明的主要目的在于提出一种苔草营养水平反演方法、装置、设备及计算机可读存储介质，旨在解决苔草营养水平的反演受物候期限制的问题，苔草营养水平反演方法包括以下步骤：
采集苔草样本在不同物候期的数据集，所述数据集包括无人机高光谱影像、无人机激光雷达点云数据和星载高光谱影像；
根据所述无人机高光谱影像、所述无人机激光雷达点云数据和/或所述星载高光谱影像构建苔草样本在不同物候期的多个营养元素反演模型；
确定每个所述物候期反演精度最大的营养元素反演模型为所述物候期的目标反演模型。
在一种实施方式中，所述物候期包括苔草的营养生长期、成熟期和苗期，
所述根据所述无人机高光谱影像、所述无人机激光雷达点云数据和/或所述星载高光谱影像构建苔草样本在不同物候期的多个营养元素反演模型的步骤包括：
获取不同物候期所述苔草样本的营养元素含量；
利用小波变换和一阶微分对所述无人机高光谱影像进行预处理，得到处理后的所述无人机高光谱影像，其中，所述无人机高光谱影像的空间分辨率为20厘米；
分别基于不同物候期处理后的所述无人机高光谱影像的光谱特征向量及所述营养元素含量，利用随机森林回归方法分别构建营养生长期的第一营养元素反演模型、成熟期的第一营养元素反演模型和苗期的第一营养元素反演模型。
在一种实施方式中，所述根据所述无人机高光谱影像、所述无人机激光雷达点云数据和/或所述星载高光谱影像构建苔草样本在不同物候期的多个营养元素反演模型的步骤包括：
利用点云分类与滤波处理对所述无人机激光雷达点云数据进行预处理，得到DEM影像；
将处理后的所述无人机高光谱影像与所述DEM影像进行匹配，获取所述苔草样本所在像元的第一高程数据；
分别基于不同物候期处理后的所述无人机高光谱影像的光谱特征向量、所述第一高程数据及所述营养元素含量，利用随机森林回归方法分别构建营养生长期的第二营养元素反演模型、成熟期的第二营养元素反演模型和苗期的第二营养元素反演模型。
在一种实施方式中，所述根据所述无人机高光谱影像、所述无人机激光雷达点云数据和/或所述，星载高光谱影像构建苔草样本在不同物候期的多个营养元素反演模型的步骤包括：
利用小波变换和一阶微分对所述星载高光谱影像进行预处理，得到处理后的所述星载高光谱影像，其中，所述星载高光谱影像的空间分辨率为30米；
将处理后的所述星载高光谱影像与所述DEM影像进行匹配，获取所述苔草样本所在像元的第二高程数据；
分别基于不同物候期处理后的所述星载高光谱影像的光谱特征向量、所述第二高程数据及所述营养元素含量，利用随机森林回归方法分别构建营养生长期的第三营养元素反演模型、成熟期的第三营养元素反演模型和苗期的第三营养元素反演模型。
在一种实施方式中，所述确定每个所述物候期反演精度最大的反演模型为所述物候期的目标反演模型的步骤包括：
比较所述营养生长期的第一营养元素反演模型、第二营养元素反演模型和第三营养反演模型的反演精度，确定所述营养生长期反演精度最大的营养元素反演模型为所述营养生长期的目标反演模型；
比较所述成熟期的第一营养元素反演模型、第二营养元素反演模型和第三营养反演模型的反演精度，确定所述成熟期反演精度最大的营养元素反演模型为所述成熟期的目标反演模型；
比较所述苗期的第一营养元素反演模型、第二营养元素反演模型和第三营养反演模型的反演精度，确定所述苗期反演精度最大的营养元素反演模型为所述苗期的目标反演模型。
在一种实施方式中，所述确定每个所述物候期反演精度最大的营养元素反演模型为所述物候期的目标反演模型的步骤之后，还包括：
根据每个所述物候期的目标反演模型生成每个所述物候期的所述营养元素含量的空间制图，利用实测数据评价所述空间制图的空间预测精度。
在一种实施方式中，所述苔草营养水平反演方法的步骤还包括：
将所述无人机高光谱影像的空间分辨率降至不同尺度；
获取所述无人机高光谱影像的空间分辨率在不同尺度下的第一营养元素反演模型、第二营养元素反演模型。
此外，为实现上述目的，本发明还提供一种苔草营养水平反演装置，所述苔草营养水平反演装置包括：
采集模块，用于采集苔草样本在不同物候期的数据集，所述数据集包括无人机高光谱影像、无人机激光雷达点云数据和星载高光谱影像；
构建模块，用于根据所述无人机高光谱影像、无人机激光雷达点云数据和/或星载高光谱影像构建苔草样本在不同物候期的多个营养元素反演模型；
确定模块，用于确定每个所述物候期反演精度最大的营养元素反演模型为所述物候期的目标反演模型。
此外，为实现上述目的，本发明还提供一种苔草营养水平反演设备，所述苔草营养水平反演设备包括存储器、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苔草营养水平反演程序，所述苔草营养水平反演程序被所述处理器执行时实现如上所述的苔草营养水平反演方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有所述苔草营养水平反演程序，所述苔草营养水平反演程序被处理器执行时实现如上所述的苔草营养水平反演方法的步骤。
本发明通过采集苔草样本在不同物候期的无人机高光谱影像、无人机激光雷达点云数据和星载高光谱影像，根据无人机高光谱影像、无人机激光雷达点云数据和/或星载高光谱影像构建苔草样本在不同物候期的多个营养元素反演模型，比较属于同一物候期的营养元素反演模型的反演精度确定每个物候期的目标反演模型，得到了苔草在不同的生长阶段需要的最优营养元素反演模型，避免了苔草营养水平的反演受物候期限制的问题。
附图说明
图1为实现本发明各个实施例一种设备的硬件结构示意图；
图2为本发明苔草营养水平反演方法第一实施例的流程示意图；
图3为本发明苔草营养水平反演方法第二实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供了一种苔草营养水平反演设备，参照图1，图1是本发明实施例方案涉及的硬件运行环境的结构示意图。
需要说明的是，图1即可为苔草营养水平反演设备的硬件运行环境的结构示意图。本发明实施例苔草营养水平反演设备可以是PC(Personal Computer，个人电脑)，便携计算机，服务器等设备。
如图1所示，该苔草营养水平反演设备可以包括：处理器1001，例如CPU，存储器1005，用户接口1003，网络接口1004，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地，苔草营养水平反演设备还可以包括RF(Radio Frequency，射频)电路，传感器、WiFi模块等等。
本领域技术人员可以理解，图1中示出的苔草营养水平反演设备结构并不构成苔草营养水平反演设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储可读存储介质的存储器1005中可以包括操作设备、网络通信模块、用户接口模块以及苔草营养水平反演程序。其中，操作设备是管理和控制苔草营养水平反演设备硬件和软件资源的程序，支持苔草营养水平反演程序以及其它软件或程序的运行。
图1所示的苔草营养水平反演设备，用于提供解决苔草营养水平的反演受物候期限制的问题，用户接口1003主要用于侦测或者输出各种信息，如输入数据集和目标反演模型等；网络接口1004主要用于与后台服务器交互，进行通信；处理器1001可以用于调用存储器1005中存储的苔草营养水平反演程序，并执行以下操作：
采集苔草样本在不同物候期的数据集，所述数据集包括无人机高光谱影像、无人机激光雷达点云数据和星载高光谱影像；
根据所述无人机高光谱影像、所述无人机激光雷达点云数据和/或所述星载高光谱影像构建苔草样本在不同物候期的多个营养元素反演模型；
确定每个所述物候期反演精度最大的营养元素反演模型为所述物候期的目标反演模型。
本发明通过采集苔草样本在不同物候期的无人机高光谱影像、无人机激光雷达点云数据和星载高光谱影像，根据无人机高光谱影像、无人机激光雷达点云数据和/或星载高光谱影像构建苔草样本在不同物候期的多个营养元素反演模型，比较属于同一物候期的营养元素反演模型的反演精度确定每个物候期的目标反演模型，得到了苔草在不同的生长阶段需要的最优营养元素反演模型，避免了苔草营养水平的反演受物候期限制的问题。
本发明移动终端具体实施方式与下述苔草营养水平反演方法各实施例基本相同，在此不再赘述。
基于上述结构，提出本发明苔草营养水平反演方法的各个实施例。
本发明提供一种苔草营养水平反演方法。
参照图2，图2为本发明苔草营养水平反演方法第一实施例的流程示意图。
在本实施例中，提供了苔草营养水平反演方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中，苔草营养水平反演方法包括：
步骤S10，采集苔草样本在不同物候期的数据集，所述数据集包括无人机高光谱影像、无人机激光雷达点云数据和星载高光谱影像；
苔草有2个生命周期(春季与冬季)：春季的2月初为苗期，3月中旬至4月中旬为营养生长期，4月底为成熟期；冬季的10月为苗期，11月中旬至12月中旬达到生长高峰期，12月底为成熟期。为了吻合越冬候鸟的栖息和迁徙时间(12月为越冬候鸟迁入鄱阳湖高峰期，2月越冬候鸟开始向北迁徙)，本实施例野外调查的时间为每年的11月-次年的2月(苔草的营养生长期、成熟期、苗期)，即物候期包括苔草的营养生长期、成熟期和苗期。
使用美国Headwall Nano_X6(400-1000nm)机载微型光谱系统，获取覆盖研究区不同物候期的无人机高光谱影像，对无人机高光谱影像进行预处理(包括大气校正和几何校正等)。
在不同物候期，使用大疆无人机承担飞行任务，搭载Riegl VUX-1轻型激光扫描仪，获取研究区点云数据，通过滤波算法对点云数据进行地面点和非地面点的分离，对地面点通过不规则三角网(TIN)差值运算生成无人机激光雷达点云数据。
获取不同物候期期间覆盖研究区的珠海一号高光谱影像，即星载高光谱影像(分辨率30米)，分别选取处于营养生长期、成熟期和苗期的星载高光谱影像，对星载高光谱影像进行预处理(大气校正和几何校正)。
步骤S20，根据所述无人机高光谱影像、无人机激光雷达点云数据和/或星载高光谱影像构建苔草样本在不同物候期的多个营养元素反演模型；
本实施例提供三种获取不同物候期的营养元素反演模型的方法，第一种只基于无人机高光谱影像的营养元素反演模型获取方法，得到的是未加入高程的营养元素反演模型；第二种是基于无人机高光谱影像和无人机激光雷达点云数据的营养元素反演模型获取方法，得到的是加入高程的营养元素反演模型；第三种是基于无人机激光雷达点云数据和星载高光谱影像的营养元素反演模型获取方法，得到的也是加入高程的营养元素反演模型。
在一些具体的实施例中，步骤S20包括：
步骤a，获取不同物候期所述苔草样本的营养元素含量；
步骤b，利用小波变换和一阶微分对所述无人机高光谱影像进行预处理，得到处理后的所述无人机高光谱影像，其中，所述无人机高光谱影像的空间分辨率为20厘米；
步骤c，分别基于不同物候期处理后的所述无人机高光谱影像的光谱特征向量及所述营养元素含量，利用随机森林回归方法分别构建营养生长期的第一营养元素反演模型、成熟期的第一营养元素反演模型和苗期的第一营养元素反演模型。
在研究区的任意两个样点之间相隔至少90米，共设置60-80个样方(1米*1米)，在每个样方中心处，利用SPAD-502叶绿素测定仪测量样方内苔草冠层的SPAD值，最后采集叶片，用保鲜袋封装；将新鲜叶片样本送往实验室，剔除枯枝落叶和残渣，在烘箱内烘干，研磨成粉末，按照国家标准分析营养元素含量(氮、磷、锌、铜)；按照上述步骤获取苔草营养生长期、成熟期和苗期的营养元素(氮、磷、锌、铜)含量(样本量为60-80)。
利用小波变换去除无人机高光谱影像波段的噪声，并利用一阶微分增强无人机高光谱影像中波段之间的差异性，得到处理后的无人机高光谱影像。本实施例用到的无人机高光谱影像的空间分辨率为30米。
从处理后的无人机高光谱影像提取光谱特征向量，即样本所在像元的光谱特征向量(如红边参数、归一化差值植被指数、土壤调节植被指数、单波段等)，使用方差分析探究苗期、营养生长期和成熟期苔草样本反射光谱特征的差异性。基于不同物候期处理后的无人机高光谱影像的光谱特征向量和不同物候期得到的营养元素含量，使用随机森林回归方法构建营养生长期、成熟期和苗期的营养元素反演模型(即第一营养元素反演模型)。利用变量重要性投影和选择性比率确定与第一营养元素反演模型相关的敏感变量，采用偏相关分析技术研究高程对反演精度的影像，从而一定程度上了解不同物候期苔草营养元素反演机理。
植物营养元素包括大量(如氮、磷、钾)和微量元素(如锌、铜)。目前，基于遥感技术反演氮的关注度最高，其次是磷，钾和微量元素的关注度较少。氮素具有显著的光谱特征吸收波段，其它营养元素的光谱特征微弱，反演存在一定难度。随着国内对土壤重金属污染的重视，以锌和铜为代表的植物微量元素遥感反演开始备受关注，但反演机理和模型研究有待于进一步提升。本实施例将微量元素(锌、铜)纳入研究范围，弥补了当前研究的不足。
在另一些具体的实施例中，步骤S20还包括：
步骤d，利用点云分类与滤波处理对所述无人机激光雷达点云数据进行预处理，得到DEM影像；
步骤e，将处理后的所述无人机高光谱影像与所述DEM影像进行匹配，获取所述苔草样本所在像元的第一高程数据；
步骤f，分别基于不同物候期处理后的所述无人机高光谱影像的光谱特征向量、所述第一高程数据及所述营养元素含量，利用随机森林回归方法分别构建营养生长期的第二营养元素反演模型、成熟期的第二营养元素反演模型和苗期的第二营养元素反演模型。
将处理后的无人机高光谱影像和DEM影像进行匹配，得到不同物候期的苔草样本所在像元的高程数据，即第一高程数据。根据无人机高光谱影像的光谱特征向量和第一高程数据以及不同物候期的营养元素含量，仍使用随机森林回归方法构建不同物候的第二营养元素反演模型。
与植物生物量、叶面积指数和叶绿素含量相比，融合无人机高光谱影像和星载高光谱影像反演植物营养元素含量的研究极少。从物种来说，基于多源遥感数据的研究对象集中在森林和农作物，但湿地植物的关注度不足。本实施例选取苔草植物作为研究对象，实现了利用多源遥感数据对湿地植物的研究。
在一些具体的实施例中，步骤S20还包括：
步骤g，利用小波变换和一阶微分对所述星载高光谱影像进行预处理，得到处理后的所述星载高光谱影像，其中，所述星载高光谱影像的空间分辨率为30米；
步骤h，将处理后的所述星载高光谱影像与所述DEM影像进行匹配，获取所述苔草样本所在像元的第二高程数据；
步骤i，分别基于不同物候期处理后的所述星载高光谱影像的光谱特征向量、所述第二高程数据及所述营养元素含量，利用随机森林回归方法分别构建营养生长期的第三营养元素反演模型、成熟期的第三营养元素反演模型和苗期的第三营养元素反演模型。
同样的，对不同物候期的星载高光谱影像进行小波变换和一阶微分处理，得到处理后的星载高光谱影像，再将DEM影像和处理后的星载高光谱影像进行匹配，得到不同物候期的苔草样本所在像元的高程数据，即第二高程数据，根据星载高光谱影像中光谱特征向量、第二高程数据和不同物候期的营养元素含量分别构建营养生长期、成熟期和苗期的第三营养元素反演模型。
每个物候期均具有第一营养元素反演模型、第二营养元素反演模型和第三营养元素反演模型。
步骤S30，确定每个所述物候期反演精度最大的营养元素反演模型为所述物候期的目标反演模型。
不同物候期均具有未加入高程的营养元素反演模型(第一营养元素反演模型)和加入高程的营养元素反演模型(第二营养元素反演模型和第三元素反演模型)，比较同一物候期第一营养元素反演模型、第二营养元素反演模型和第三元素反演模型的反演精度，将最大的反演精度对应的营养元素反演模型确定为该物候期的目标反演模型。进一步的，也可以根据同一物候期不同营养元素反演模型的反演精度，利用变量重要性投影和选择性比率确定与营养元素反演模型相关的敏感变量。
在一些具体的实施例中，步骤S30还包括：
步骤j，比较所述营养生长期的第一营养元素反演模型、第二营养元素反演模型和第三营养反演模型的反演精度，确定所述营养生长期反演精度最大的营养元素反演模型为所述营养生长期的目标反演模型；
步骤k，比较所述成熟期的第一营养元素反演模型、第二营养元素反演模型和第三营养反演模型的反演精度，确定所述成熟期反演精度最大的营养元素反演模型为所述成熟期的目标反演模型；
步骤l，比较所述苗期的第一营养元素反演模型、第二营养元素反演模型和第三营养反演模型的反演精度，确定所述苗期反演精度最大的营养元素反演模型为所述苗期的目标反演模型。
比较苔草样本在营养生长期的第一营养元素反演模型、第二营养元素反演模型和第三营养元素反演模型的反演精度，将反演精度最大的营养元素反演模型确定为营养生长期的目标反演模型，所以营养生长期的目标营养元素反演模型可能是第一营养元素反演模型、第二营养元素反演模型或是第三营养元素反演模型。
同样的，成熟期和苗期的目标营养元素反演模型与营养生长期的相同，在此不多做赘述。
本实施例通过采集苔草样本在不同物候期的无人机高光谱影像、无人机激光雷达点云数据和星载高光谱影像，根据无人机高光谱影像、无人机激光雷达点云数据和/或星载高光谱影像构建苔草样本营养生长期、成熟期和苗期的多个营养元素反演模型，比较属于同一物候期的营养元素反演模型的反演精度确定每个物候期的目标反演模型，得到了苔草在不同的生长阶段需要的最优营养元素反演模型，避免了苔草营养水平的反演受物候期限制的问题。
提出本发明的第二实施例，图3为第二实施例的流程示意图，所述第二实施例与第一实施例的区别在于，所述确定每个所述物候期反演精度最大的营养元素反演模型为所述物候期的目标反演模型的步骤之后，还包括：
步骤S40，根据每个所述物候期的目标反演模型生成每个所述物候期的所述营养元素含量的空间制图，利用实测数据评价所述空间制图的空间预测精度。
根据营养生长期的目标反演模型生成营养生长期的营养元素含量的空间制图，再利用营养生长期的实测数据评价空间制图的空间预测精度。成熟期和苗期与营养生长期的相同，在此不再赘述。
提出本发明的第三实施例，所述第三实施例与第一实施例、第二实施例的区别在于，所述苔草营养水平反演方法还包括步骤：
步骤m，将所述无人机高光谱影像的空间分辨率降至不同尺度；
步骤n，获取所述无人机高光谱影像的空间分辨率在不同尺度下的第一营养元素反演模型、第二营养元素反演模型。
受空间异质性、冠层结构、生长情况、大气状态等影响，观测尺度的不同往往导致苔草光谱反射率大小存在差异，遥感反演的结果往往也会因为尺度的改变而明显不同。理论上，纯像元苔草参数的尺度转换不会有误差产生，可以由一个空间尺度转换到另一个尺度；然而，对于中和低空间分辨率的影像而言，像元为单一物种或相同生长状况的群落的概率较低。因此，尺度效应的存在一定程度上限制了苔草营养元素遥感反演模型在不同空间尺度之间的推广。
本实施例将无人机高光谱影像空间分辨率降至不同尺度，例如降至0.5米、1米、2米、5米、10米、20米和30米，再分别获取空间分辨率在不同尺度下的无人机高光谱对应的第一营养元素反演模型和第二营养元素反演模型，第一营养元素反演模型为未加入高程的营养元素反演模型，第二营养元素反演模型为加入高程的营养元素反演模型，分析各个物候期未加入高程和加入高程的营养元素反演模型，研究苔草营养元素空间预测精度和营养元素估测含量岁空间分辨率降低而变化的规律。
进一步的，得到了空间分辨率为30米的无人机高光谱影像对应的第一营养元素反演模型和第二营养元素反演模型，且具有空间分辨率为30米的星载高光谱影像对应的第三营养元素反演模型，可以比较每个物候期，空间分辨率为30米的无人机高光谱影像对应的第一营养元素反演模型(未加入高程)和第二营养元素反演模型(加入高程)，且具有空间分辨率为30米的星载高光谱影像对应的第三营养元素反演模型(加入高程)的精度。
尺度和物候因素影响苔草光谱反射率，进而影响反演模型的精度；融合多源遥感数据可以优势互补，实现更加精准和全面的陆表监测，融合多源遥感数据反演湿地植物营养水平仍然处于起步阶段。本实施例顾及不同观测尺度(无人机和卫星)与物候期反演苔草营养水平，融合无人机高光谱和星载监测苔草营养状况，进而探究苔草营养水平与高程的关系，有助于加深理解苔草营养元素遥感反演机理及反演模型的尺度效应，为分析湖泊水位与苔草营养状况的联系提供基础。
此外，本发明实施例还提出一种苔草营养水平反演装置，所述苔草营养水平反演装置包括：
采集模块，用于采集苔草样本在不同物候期的数据集，所述数据集包括无人机高光谱影像、无人机激光雷达点云数据和星载高光谱影像；
构建模块，用于根据所述无人机高光谱影像、无人机激光雷达点云数据和/或星载高光谱影像构建苔草样本在不同物候期的多个营养元素反演模型；
确定模块，用于确定每个所述物候期反演精度最大的营养元素反演模型为所述物候期的目标反演模型。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有苔草营养水平反演程序，所述苔草营养水平反演程序被处理器执行时实现如上所述的苔草营养水平反演方法的各个步骤。
需要说明的是，计算机可读存储介质可设置在苔草营养水平反演设备中。
本发明计算机可读存储介质具体实施方式与上述苔草营养水平反演方法各实施例基本相同，在此不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它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它要素，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，并不排除在包括该要素的过程、方法、物品或者设备中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
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上述实施例方法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，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种苔草营养水平反演方法，其特征在于，所述苔草营养水平反演方法包括以下步骤：
采集苔草样本在不同物候期的数据集，所述数据集包括无人机高光谱影像、无人机激光雷达点云数据和星载高光谱影像；
根据所述无人机高光谱影像、所述无人机激光雷达点云数据和所述星载高光谱影像构建苔草样本在不同物候期的多个营养元素反演模型；
确定每个所述物候期反演精度最大的营养元素反演模型为所述物候期的目标反演模型；
所述物候期包括苔草的营养生长期、成熟期和苗期，所述根据所述无人机高光谱影像、所述无人机激光雷达点云数据和所述星载高光谱影像构建苔草样本在不同物候期的多个营养元素反演模型的步骤包括：
获取不同物候期所述苔草样本的营养元素含量；
利用小波变换和一阶微分对所述无人机高光谱影像进行预处理，得到处理后的所述无人机高光谱影像，其中，所述无人机高光谱影像的空间分辨率为20厘米；
分别基于不同物候期处理后的所述无人机高光谱影像的光谱特征向量及所述营养元素含量，利用随机森林回归方法分别构建营养生长期的第一营养元素反演模型、成熟期的第一营养元素反演模型和苗期的第一营养元素反演模型；
所述根据所述无人机高光谱影像、所述无人机激光雷达点云数据和所述星载高光谱影像构建苔草样本在不同物候期的多个营养元素反演模型的步骤还包括：
利用点云分类与滤波处理对所述无人机激光雷达点云数据进行预处理，得到DEM影像；
将处理后的所述无人机高光谱影像与所述DEM影像进行匹配，获取所述苔草样本所在像元的第一高程数据；
分别基于不同物候期处理后的所述无人机高光谱影像的光谱特征向量、所述第一高程数据及所述营养元素含量，利用随机森林回归方法分别构建营养生长期的第二营养元素反演模型、成熟期的第二营养元素反演模型和苗期的第二营养元素反演模型；
所述根据所述无人机高光谱影像、所述无人机激光雷达点云数据和所述星载高光谱影像构建苔草样本在不同物候期的多个营养元素反演模型的步骤还包括：
利用小波变换和一阶微分对所述星载高光谱影像进行预处理，得到处理后的所述星载高光谱影像，其中，所述星载高光谱影像的空间分辨率为30米；
将处理后的所述星载高光谱影像与所述DEM影像进行匹配，获取所述苔草样本所在像元的第二高程数据；
分别基于不同物候期处理后的所述星载高光谱影像的光谱特征向量、所述第二高程数据及所述营养元素含量，利用随机森林回归方法分别构建营养生长期的第三营养元素反演模型、成熟期的第三营养元素反演模型和苗期的第三营养元素反演模型。
2.如权利要求1所述的苔草营养水平反演方法，其特征在于，所述确定每个所述物候期反演精度最大的反演模型为所述物候期的目标反演模型的步骤包括：
比较所述营养生长期的第一营养元素反演模型、第二营养元素反演模型和第三营养反演模型的反演精度，确定所述营养生长期反演精度最大的营养元素反演模型为所述营养生长期的目标反演模型；
比较所述成熟期的第一营养元素反演模型、第二营养元素反演模型和第三营养反演模型的反演精度，确定所述成熟期反演精度最大的营养元素反演模型为所述成熟期的目标反演模型；
比较所述苗期的第一营养元素反演模型、第二营养元素反演模型和第三营养反演模型的反演精度，确定所述苗期反演精度最大的营养元素反演模型为所述苗期的目标反演模型。
3.如权利要求1所述的苔草营养水平反演方法，其特征在于，所述确定每个所述物候期反演精度最大的营养元素反演模型为所述物候期的目标反演模型的步骤之后，还包括：
根据每个所述物候期的目标反演模型生成每个所述物候期的所述营养元素含量的空间制图，利用实测数据评价所述空间制图的空间预测精度。
4.如权利要求1所述的苔草营养水平反演方法，其特征在于，所述苔草营养水平反演方法的步骤还包括：
将所述无人机高光谱影像的空间分辨率降至不同尺度；
获取所述无人机高光谱影像的空间分辨率在不同尺度下的第一营养元素反演模型、第二营养元素反演模型。
5.一种苔草营养水平反演装置，其特征在于，所述苔草营养水平反演装置包括：
采集模块，用于采集苔草样本在不同物候期的数据集，所述数据集包括无人机高光谱影像、无人机激光雷达点云数据和星载高光谱影像；
构建模块，用于根据所述无人机高光谱影像、无人机激光雷达点云数据和星载高光谱影像构建苔草样本在不同物候期的多个营养元素反演模型；
所述物候期包括苔草的营养生长期、成熟期和苗期，所述根据所述无人机高光谱影像、所述无人机激光雷达点云数据和所述星载高光谱影像构建苔草样本在不同物候期的多个营养元素反演模型的步骤包括：
获取不同物候期所述苔草样本的营养元素含量；
利用小波变换和一阶微分对所述无人机高光谱影像进行预处理，得到处理后的所述无人机高光谱影像，其中，所述无人机高光谱影像的空间分辨率为20厘米；
分别基于不同物候期处理后的所述无人机高光谱影像的光谱特征向量及所述营养元素含量，利用随机森林回归方法分别构建营养生长期的第一营养元素反演模型、成熟期的第一营养元素反演模型和苗期的第一营养元素反演模型；
所述根据所述无人机高光谱影像、所述无人机激光雷达点云数据和所述星载高光谱影像构建苔草样本在不同物候期的多个营养元素反演模型的步骤还包括：
利用点云分类与滤波处理对所述无人机激光雷达点云数据进行预处理，得到DEM影像；
将处理后的所述无人机高光谱影像与所述DEM影像进行匹配，获取所述苔草样本所在像元的第一高程数据；
分别基于不同物候期处理后的所述无人机高光谱影像的光谱特征向量、所述第一高程数据及所述营养元素含量，利用随机森林回归方法分别构建营养生长期的第二营养元素反演模型、成熟期的第二营养元素反演模型和苗期的第二营养元素反演模型；
所述根据所述无人机高光谱影像、所述无人机激光雷达点云数据和所述星载高光谱影像构建苔草样本在不同物候期的多个营养元素反演模型的步骤还包括：
利用小波变换和一阶微分对所述星载高光谱影像进行预处理，得到处理后的所述星载高光谱影像，其中，所述星载高光谱影像的空间分辨率为30米；
将处理后的所述星载高光谱影像与所述DEM影像进行匹配，获取所述苔草样本所在像元的第二高程数据；
分别基于不同物候期处理后的所述星载高光谱影像的光谱特征向量、所述第二高程数据及所述营养元素含量，利用随机森林回归方法分别构建营养生长期的第三营养元素反演模型、成熟期的第三营养元素反演模型和苗期的第三营养元素反演模型；
确定模块，用于确定每个所述物候期反演精度最大的营养元素反演模型为所述物候期的目标反演模型。
6.一种苔草营养水平反演设备，其特征在于，所述苔草营养水平反演设备包括存储器、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苔草营养水平反演程序，所述苔草营养水平反演程序被所述处理器执行时实现如权利要求1至4中任一项所述的苔草营养水平反演方法的步骤。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有苔草营养水平反演程序，所述苔草营养水平反演程序被处理器执行时实现如权利要求1至4中任一项所述的苔草营养水平反演方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110248626.4A CN113030903B (zh) | 2021-03-05 | 2021-03-05 | 一种基于无人机高光谱和激光雷达的苔草营养水平反演方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110248626.4A CN113030903B (zh) | 2021-03-05 | 2021-03-05 | 一种基于无人机高光谱和激光雷达的苔草营养水平反演方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113030903A CN113030903A (zh) | 2021-06-25 |
| CN113030903B true CN113030903B (zh) | 2023-08-29 |
Family
ID=76466679
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110248626.4A Active CN113030903B (zh) | 2021-03-05 | 2021-03-05 | 一种基于无人机高光谱和激光雷达的苔草营养水平反演方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113030903B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113762226B (zh) * | 2021-11-09 | 2022-01-07 | 成都理工大学 | 基于高光谱分辨率调整提升树种识别精度的方法及系统 |
| CN114965847B (zh) * | 2022-05-23 | 2023-05-12 | 西南大学 | 一种基于机载激光雷达的花椒氮累积量的无损监测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109031344A (zh) * | 2018-08-01 | 2018-12-18 | 南京林业大学 | 一种全波形激光雷达和高光谱数据联合反演森林结构参数的方法 |
| CN109212505A (zh) * | 2018-09-11 | 2019-01-15 | 南京林业大学 | 一种基于无人机多光谱高重叠度影像的森林林分特征反演方法 |
| CN109492563A (zh) * | 2018-10-30 | 2019-03-19 | 深圳大学 | 一种基于无人机高光谱影像和LiDAR点云的树种分类方法 |
| CN110927082A (zh) * | 2019-11-25 | 2020-03-27 | 北京大学 | 一种基于无人机成像高光谱遥感的冬小麦产量预测方法 |
| CN112287892A (zh) * | 2020-11-23 | 2021-01-29 | 中国电建集团成都勘测设计研究院有限公司 | 基于无人机高光谱和机器学习算法的乔木生物量测算方法 |
| CN112434617A (zh) * | 2020-11-26 | 2021-03-02 | 南京观微空间科技有限公司 | 一种基于多源遥感数据的森林生物量变化监测方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108376419B (zh) * | 2017-12-11 | 2020-06-26 | 江苏大学 | 一种盆栽生菜的综合长势监测方法及装置 |
-
2021
- 2021-03-05 CN CN202110248626.4A patent/CN113030903B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109031344A (zh) * | 2018-08-01 | 2018-12-18 | 南京林业大学 | 一种全波形激光雷达和高光谱数据联合反演森林结构参数的方法 |
| CN109212505A (zh) * | 2018-09-11 | 2019-01-15 | 南京林业大学 | 一种基于无人机多光谱高重叠度影像的森林林分特征反演方法 |
| CN109492563A (zh) * | 2018-10-30 | 2019-03-19 | 深圳大学 | 一种基于无人机高光谱影像和LiDAR点云的树种分类方法 |
| CN110927082A (zh) * | 2019-11-25 | 2020-03-27 | 北京大学 | 一种基于无人机成像高光谱遥感的冬小麦产量预测方法 |
| CN112287892A (zh) * | 2020-11-23 | 2021-01-29 | 中国电建集团成都勘测设计研究院有限公司 | 基于无人机高光谱和机器学习算法的乔木生物量测算方法 |
| CN112434617A (zh) * | 2020-11-26 | 2021-03-02 | 南京观微空间科技有限公司 | 一种基于多源遥感数据的森林生物量变化监测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| Fine-scale prediction of biomass and leaf nitrogen content in sugarcane using UAV LiDAR and multispectral imaging;Yuri Shendryk等;《International Journal of Applied Earth Observation and Geoinformation》;第92卷(第10期);第1-14页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113030903A (zh) | 2021-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wolanin et al. | Estimating crop primary productivity with Sentinel-2 and Landsat 8 using machine learning methods trained with radiative transfer simulations | |
| Liu et al. | Estimating biomass of winter oilseed rape using vegetation indices and texture metrics derived from UAV multispectral images | |
| Simic Milas et al. | The importance of leaf area index in mapping chlorophyll content of corn under different agricultural treatments using UAV images | |
| Sinha et al. | Estimation of leaf area index using PROSAIL based LUT inversion, MLRA-GPR and empirical models: Case study of tropical deciduous forest plantation, North India | |
| Gao et al. | Modeling alpine grassland forage phosphorus based on hyperspectral remote sensing and a multi-factor machine learning algorithm in the east of Tibetan Plateau, China | |
| Cheng et al. | Detecting diurnal and seasonal variation in canopy water content of nut tree orchards from airborne imaging spectroscopy data using continuous wavelet analysis | |
| Verrelst et al. | Intelligent sampling for vegetation nitrogen mapping based on hybrid machine learning algorithms | |
| CN110376167A (zh) | 基于无人机高光谱的水稻叶片氮含量监测方法 | |
| Sun et al. | Monitoring maize lodging grades via unmanned aerial vehicle multispectral image | |
| CN113030903B (zh) | 一种基于无人机高光谱和激光雷达的苔草营养水平反演方法 | |
| Pastonchi et al. | Comparison between satellite and ground data with UAV-based information to analyse vineyard spatio-temporal variability: This article is published in cooperation with the XIIIth International Terroir Congress November 17-18 2020, Adelaide, Australia. Guest editors: Cassandra Collins and Roberta De Bei | |
| Pádua et al. | Very high resolution aerial data to support multi-temporal precision agriculture information management | |
| Ali et al. | Remotely sensed real-time quantification of biophysical and biochemical traits of Citrus (Citrus sinensis L.) fruit orchards–A review | |
| Wang et al. | Classification of rice yield using UAV-based hyperspectral imagery and lodging feature | |
| Grüner et al. | Prediction of biomass and N fixation of legume–grass mixtures using sensor fusion | |
| Pereira et al. | Nitrogen variability assessment of pasture fields under an integrated crop-livestock system using UAV, PlanetScope, and Sentinel-2 data | |
| Yule et al. | Mapping nutrient concentration in pasture using hyperspectral imaging | |
| Matese et al. | Evaluation of spectral-based and canopy-based vegetation indices from UAV and Sentinel 2 images to assess spatial variability and ground vine parameters | |
| Yuhao et al. | Rice Chlorophyll Content Monitoring using Vegetation Indices from Multispectral Aerial Imagery. | |
| Tamiminia et al. | comparison of machine and deep learning methods to estimate shrub willow biomass from UAS imagery | |
| Dmitriev et al. | Identification of species of the genus Acer L. using vegetation indices calculated from the hyperspectral images of leaves | |
| Vasudeva et al. | Mapping spatial variability of foliar nitrogen and carbon in Indian tropical moist deciduous sal (Shorea robusta) forest using machine learning algorithms and Sentinel-2 data | |
| Ouyang et al. | UAV and ground-based imagery analysis detects canopy structure changes after canopy management applications | |
| Inoue et al. | Hyperspectral assessment of ecophysiological functioning for diagnostics of crops and vegetation | |
| Canisius et al. | Evaluation of the information content of Medium Resolution Imaging Spectrometer (MERIS) data for regional leaf area index assessment |
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 |