CN113514402B - 一种冬小麦叶绿素含量的预测系统及方法 - Google Patents
一种冬小麦叶绿素含量的预测系统及方法 Download PDFInfo
- Publication number
- CN113514402B CN113514402B CN202110398607.XA CN202110398607A CN113514402B CN 113514402 B CN113514402 B CN 113514402B CN 202110398607 A CN202110398607 A CN 202110398607A CN 113514402 B CN113514402 B CN 113514402B
- Authority
- CN
- China
- Prior art keywords
- reflectivity
- winter wheat
- chlorophyll
- data
- surface temperature
- 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
- 241000209140 Triticum Species 0.000 title claims abstract description 54
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 54
- 229930002875 chlorophyll Natural products 0.000 title claims abstract description 48
- 235000019804 chlorophyll Nutrition 0.000 title claims abstract description 48
- 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 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000002310 reflectometry Methods 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000012937 correction Methods 0.000 claims abstract description 6
- 238000009825 accumulation Methods 0.000 claims abstract description 5
- 238000010586 diagram Methods 0.000 claims description 10
- 230000003595 spectral effect Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 235000002566 Capsicum Nutrition 0.000 claims description 3
- 239000006002 Pepper Substances 0.000 claims description 3
- 235000016761 Piper aduncum Nutrition 0.000 claims description 3
- 235000017804 Piper guineense Nutrition 0.000 claims description 3
- 235000008184 Piper nigrum Nutrition 0.000 claims description 3
- 150000003839 salts Chemical class 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 244000203593 Piper nigrum Species 0.000 claims 1
- 238000004590 computer program Methods 0.000 description 7
- 230000012010 growth Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 241000722363 Piper Species 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000001228 spectrum 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- 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
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- 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
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种冬小麦叶绿素含量的预测系统及方法，其包括：预先设置的预测系统中的无人机按照设定的航线和高度飞行，由搭载在无人机上的多光谱相机对田间进行高空影像数据采集，同时采集冬小麦地里预先设定的小区内的冠层叶面积性状数据；通过影像携带的地理坐标信息对影像进行拼接，然后进行降噪及白板矫正，获取ROI的反射率；根据各个小区反射率，结合植被系数方程，计算出各个小区的不同植被指数的值；根据地表温度传感器获取到地表温度值，采集从种植当天到无人机的飞行数据的温度积累量；根据计算的不同植被指数，结合地表温度和测试的叶绿素表型数据，采用神经网络的算法构建叶绿素的估测模型，实现对冬小麦的叶绿素进行预测。
Description
技术领域
本发明涉及一种智慧农业技术领域，特别是关于一种融合地表温度传感器和无人机多光谱遥感数据预测冬小麦叶绿素含量的系统及方法。
背景技术
叶绿素是植物生长的必要色素，是农作物生长状况监测的重要指标。通过非破坏性的测量，研究叶绿素含量与冬小麦生长发育的关系，对于提高冬小麦质量，把握小麦在生长过程中的趋势具有重要参考价值。研究发现，作物叶片及冠层光谱指数与其叶绿素含量密切相关。
发明内容
针对上述问题，本发明的目的是提供一种冬小麦叶绿素含量的预测系统及方法，其能得到不同生育期作物的叶绿素含量，获取小麦的表型，同时也实现了多传感融合的农业应用。
为实现上述目的，本发明采取以下技术方案：一种冬小麦叶绿素含量的预测方法，其包括：步骤S1、预先设置的预测系统中的无人机按照设定的航线和高度飞行，由搭载在无人机上的多光谱相机对田间进行高空影像数据采集，同时采集冬小麦地里预先设定的小区内的冠层叶面积性状数据；步骤S2、通过影像携带的地理坐标信息对影像进行拼接，然后进行降噪及白板矫正，获取ROI的反射率；步骤S3、根据各个小区反射率，结合植被系数方程，计算出各个小区的不同植被指数的值；步骤S4、根据地表温度传感器获取到地表温度值，采集从种植当天到无人机的飞行数据的温度积累量；步骤S5、根据计算的不同植被指数，结合地表温度和测试的叶绿素表型数据，采用神经网络的算法构建叶绿素的估测模型，实现对冬小麦的叶绿素进行预测。
进一步，所述步骤S1中，多光谱相机包括5个通道。
进一步，所述步骤S1中，打开多光谱相机的5个通道同时进行影像的拍摄，拍摄时镜头垂直向下；同时地面的冬小麦应按照种植图分别对每个小区进行地面叶绿素数据采集。
进一步，所述步骤S2中，降噪采用椒盐噪声处理，获取平滑的影像。
进一步，所述步骤S2中，利用ENVI掩膜处理获取各个小区的5个通道反射率；5个通道反射率分别为：红光反射率记做Rred，蓝光反射率记做Rblue，绿光反射率记做Rgreen，近红外光反射率记做Rnir，红边光谱反射率记做Rrededge。
进一步，所述步骤S2中，采用白板进行校正从像素的DN值转换为反射率，反射率计算公式为：
式中，R为该小区对应的光谱通道的反射率，DN多光谱为该小区所对应的多光谱单一通道的DN值，DN白板为该通道拍摄白板提取的DN值。
进一步，所述步骤S3中，植被系数方程包括：
式中，NDVI是归一化植被指数，GNDVI绿色归一化植被指数，EVI是增强型植被指数，NDRE是归一化差异红色边缘指数，NDRGI是归一化绿红差异指数。
进一步，所述步骤S5中，叶绿素的估测模型构建方法包括以下步骤：
步骤S51：根据计算的不同植被指数结合地面测试数据，采用随机森林的算法进行模型的构建并对冠层的叶面积指数进行估测；
步骤S52：计算出所有小区的植被指数，所有的植被指数和地面数据形成M*N的矩阵；M表示冬小麦地里所有的ROI小区，N表示包含地面数据和植被指数的列，其中小麦的地面叶面积属性表示分类属性；
步骤S53：将M*N的矩阵，先采用随机森林的算法选取贡献率最高的3个指数，然后随机选取70％的数据进行模型的建立，选取剩下的30％数据进行模型的验证。
一种冬小麦叶绿素含量的预测系统，该系统用于实现上述预测方法，包括：地表温度传感器、处理器、无人机、多光谱传感器和白板；
所述地表温度传感器，设置在冬小麦种植区域内，用于将检测到的种植区域的地面温度传输至所述处理器；
所述无人机，用于搭载所述多光谱传感器，所述多光谱传感器通过所述无人机随时高空采集种植区域内的冬小麦影像数据；
所述白板，用于接收所述多光谱传感器传输至的影像数据，将图像的DN值转换为反射率，并传输至所述处理器；
所述处理器，根据接收到的数据得到叶绿素的估测模型，实现对冬小麦叶绿素含量的预测。
进一步，所述地表温度传感器采用探针式的地表温度传感器，完全浸没在土壤中。
本发明由于采取以上技术方案，其具有以下优点：本发明采用的多光谱相机可以进行高精度，多时像的图像采集，并采用拼接算法对图像进行拼接，进行白板校正，把图像的DN值转换为反射率，通过反射率和光谱植被系数方程组运算得到多种植被指数。结合多种植被指数和地面的温度数据以及人工采集的冬小麦叶绿素表型数据，采用神经网络算法进行模型的生成，得到不同生育期作物的叶绿素含量模型，为小麦的表型获取提供了新的有效的技术手段，有效的提高了冬小麦质量。
附图说明
图1是本发明实施例中的冬小麦叶绿素含量预测系统结构示意图；
图2是本发明实施例中的冬小麦叶绿素含量预测方法流程示意图；
图3是本发明实施例中的冬小麦多光谱影像拼接后的可见光ROI小区分布示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例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的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供一种融合地表温度传感器和无人机多光谱的冬小麦叶绿素含量的系统及方法，包含了地表的温度传感器以及四旋翼的无人机，其中该无人机一体式的多光谱成像系统，集成了1个可见光传感器及5个多光谱传感器(蓝光，绿光，红光，红边和近红外)。地表的温度传感器可以全天进行数据收集并保存。多光谱的相机可以进行高精度，多时像的图像采集，然后采用拼接算法对图像进行拼接，接着对拼接的图像数据进行白板校正，把图像的DN值转换为反射率，通过反射率和光谱植被系数方程组运算得到多种植被指数。结合多种植被指数和地面的温度数据以及人工采集的冬小麦叶绿素表型数据，采用神经网络算法进行模型的生成，找出不同生育期作物的叶绿素含量模型，为小麦的表型获取提供了新的有效的技术手段，同时也实现了多传感融合的农业应用。
在本发明的第一实施方式中，如图1所示，提供一种冬小麦叶绿素含量的预测系统，其包括地表温度传感器、处理器、无人机、多光谱传感器和白板。
地表温度传感器，设置在冬小麦种植区域内，用于将检测到的种植区域的地面温度传输至处理器；
无人机，用于搭载多光谱传感器，多光谱传感器通过无人机随时高空采集种植区域内的冬小麦影像数据；在本实施例中优选四旋翼无人机；
白板，用于接收多光谱传感器传输至的影像数据，将图像的DN值转换为反射率，并传输至处理器；
处理器，根据接收到的数据得到叶绿素的估测模型，实现对冬小麦叶绿素含量的预测。
上述实施例中，还包括可见光传感器。该可见光传感器搭载在无人机上，用于实时高空采集冬小麦的影像数据。
上述实施例中，地表温度传感器优选在冬小麦种植以后按照种植图进行布局。在本实施例中，采用探针式的地表温度传感器，完全浸没在土壤中，该地表传感器可以实时采集地表温度并进行保存。
上述实施例中，多光谱传感器为多光谱相机，该多光谱相机包括5个采集通道。在本实施例中，优选的，5个通道的中心波长分别为730nm，840nm，560nm，650nm，450nm。
在本发明的第二实施方式中，提供一种冬小麦叶绿素含量的预测方法，该方法基于第一实施方式中的预测系统实现，在本实施例中，选择晴朗无云的天气，时间在上午的11点到下午的13点之间，进行冬小麦的监测。如图2所示，具体预测方法包括以下步骤：
步骤S1、四旋翼无人机按照预先设置的航线和高度飞行，由多光谱相机对田间进行高空影像数据采集，同时采集冬小麦地里预先设定的小区内的叶绿素的性状数据；
具体为：打开多光谱相机的5个通道同时进行影像的拍摄，拍摄时镜头垂直向下；同时地面的冬小麦应按照种植图分别对每个小区进行地面叶绿素数据采集；
在本实施例中，预先设定的小区是根据地面冬小麦的种植图划分得到，采集的小区为ROI区域，如图3所示；
步骤S2、通过影像携带的地理坐标信息对影像进行拼接，然后进行降噪及白板矫正，获取ROI的反射率；
在本实施例中，降噪采用椒盐噪声处理，获取平滑的影像；利用ENVI掩膜处理获取各个小区的5个通道反射率；
获取的5个通道反射率分别为：红光反射率记做Rred，蓝光反射率记做Rblue，绿光反射率记做Rgreen，近红外光反射率记做Rnir，红边光谱反射率记做Rrededge；
步骤S3、根据各个小区反射率，结合植被系数方程，计算出各个小区的不同植被指数的值；
步骤S4、根据地表温度传感器获取到地表温度值，采集从种植当天到无人机的飞行数据的温度积累量；
步骤S5、根据计算的不同植被指数，结合地表温度和测试的叶绿素的性状数据，采用神经网络的算法构建叶绿素的估测模型，实现对冬小麦的叶绿素进行预测。
上述各步骤中，本实施例选择上午的11点到下午的13点，这个时期是太阳直射，防止太阳倾斜造成误差，选择晴朗无云的天气是避免天气对航拍影响进行干扰。
上述步骤S1中，无人机的飞行高度在10m～30m之间，飞行速度控制在1～4m/s,航向和旁向的重叠度均为70％。
上述步骤S2中，采用白板进行校正从像素的DN值转换为反射率。具体的反射率计算公式如下：
式中，R为该小区对应的光谱通道的反射率，DN多光谱为该小区所对应的多光谱单一通道的DN值，DN白板为该通道拍摄白板提取的DN值。通过这样的方法依次转化5个通道对应小区的反射率。
上述步骤S3中，植被系数方程包括以下等式：
式中，NDVI是归一化植被指数，GNDVI绿色归一化植被指数，EVI是增强型植被指数，NDRE是归一化差异红色边缘指数，NDRGI是归一化绿红差异指数。
上述步骤S4中，温度积累量T的表达公式如下：
其中，种植下去的第一天i记做1，k是无人机飞行的时间距离种植第一天的天数，ti表示每天的平均温度。
上述步骤S5中，叶绿素的估测模型构建方法包括以下步骤：
步骤S51：根据计算的不同植被指数结合地面测试数据，采用随机森林的算法进行模型的构建并对冠层的叶面积指数进行估测；
其中，植被指数由植被系数方程获得。
步骤S52：计算出所有小区的植被指数，所有的植被指数和地面数据形成M*N的矩阵；M表示冬小麦地里所有的ROI小区，N表示包含地面数据和植被指数的列，其中小麦的地面叶面积属性表示分类属性；地面数据是指步骤S1中的每个小区所对应的叶绿素的性状数据；
步骤S53：将M*N的矩阵，先采用随机森林的算法选取贡献率最高的3个指数，然后随机选取70％的数据进行模型的建立，选取剩下的30％数据进行模型的验证。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (10)
1.一种冬小麦叶绿素含量的预测方法，其特征在于，包括：
步骤S1、预先设置的预测系统中的无人机按照设定的航线和高度飞行，由搭载在无人机上的多光谱相机对田间进行高空影像数据采集，同时采集冬小麦地里预先设定的小区内的冠层叶面积性状数据；
步骤S2、通过影像携带的地理坐标信息对影像进行拼接，然后进行降噪及白板矫正，获取ROI的反射率；
步骤S3、根据各个小区反射率，结合植被系数方程，计算出各个小区的不同植被指数的值；
步骤S4、根据地表温度传感器获取到地表温度值，采集从种植当天到无人机的飞行数据的温度积累量；
步骤S5、根据计算的不同植被指数，结合地表温度和测试的叶绿素表型数据，采用神经网络的算法构建叶绿素的估测模型，实现对冬小麦的叶绿素进行预测。
2.如权利要求1所述预测方法，其特征在于，所述步骤S1中，多光谱相机包括5个通道。
3.如权利要求2所述预测方法，其特征在于，所述步骤S1中，打开多光谱相机的5个通道同时进行影像的拍摄，拍摄时镜头垂直向下；同时地面的冬小麦应按照种植图分别对每个小区进行地面叶绿素数据采集。
4.如权利要求1所述预测方法，其特征在于，所述步骤S2中，降噪采用椒盐噪声处理，获取平滑的影像。
5.如权利要求1所述预测方法，其特征在于，所述步骤S2中，利用ENVI掩膜处理获取各个小区的5个通道反射率；5个通道反射率分别为：红光反射率记做Rred，蓝光反射率记做Rblue，绿光反射率记做Rgreen，近红外光反射率记做Rnir，红边光谱反射率记做Rrededge。
6.如权利要求1所述预测方法，其特征在于，所述步骤S2中，采用白板进行校正从像素的DN值转换为反射率，反射率计算公式为：
式中，R为该小区对应的光谱通道的反射率，DN多光谱为该小区所对应的多光谱单一通道的DN值，DN白板为该通道拍摄白板提取的DN值。
7.如权利要求1所述预测方法，其特征在于，所述步骤S3中，植被系数方程包括：
式中，NDVI是归一化植被指数，GNDVI绿色归一化植被指数，EVI是增强型植被指数，NDRE是归一化差异红色边缘指数，NDRGI是归一化绿红差异指数。
8.如权利要求1所述预测方法，其特征在于，所述步骤S5中，叶绿素的估测模型构建方法包括以下步骤：
步骤S51：根据计算的不同植被指数结合地面测试数据，采用随机森林的算法进行模型的构建并对冠层的叶面积指数进行估测；
步骤S52：计算出所有小区的植被指数，所有的植被指数和地面数据形成M*N的矩阵；M表示冬小麦地里所有的ROI小区，N表示包含地面数据和植被指数的列，其中小麦的地面叶面积属性表示分类属性；
步骤S53：将M*N的矩阵，先采用随机森林的算法选取贡献率最高的3个指数，然后随机选取70％的数据进行模型的建立，选取剩下的30％数据进行模型的验证。
9.一种冬小麦叶绿素含量的预测系统，其特征在于，该系统用于实现如权利要求1至8任一项所述预测方法，包括：地表温度传感器、处理器、无人机、多光谱传感器和白板；
所述地表温度传感器，设置在冬小麦种植区域内，用于将检测到的种植区域的地面温度传输至所述处理器；
所述无人机，用于搭载所述多光谱传感器，所述多光谱传感器通过所述无人机随时高空采集种植区域内的冬小麦影像数据；
所述白板，用于接收所述多光谱传感器传输至的影像数据，将图像的DN值转换为反射率，并传输至所述处理器；
所述处理器，根据接收到的数据得到叶绿素的估测模型，实现对冬小麦叶绿素含量的预测。
10.如权利要求9所述预测系统，其特征在于，所述地表温度传感器采用探针式的地表温度传感器，完全浸没在土壤中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110398607.XA CN113514402B (zh) | 2021-04-12 | 2021-04-12 | 一种冬小麦叶绿素含量的预测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110398607.XA CN113514402B (zh) | 2021-04-12 | 2021-04-12 | 一种冬小麦叶绿素含量的预测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113514402A CN113514402A (zh) | 2021-10-19 |
| CN113514402B true CN113514402B (zh) | 2023-03-07 |
Family
ID=78061423
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110398607.XA Active CN113514402B (zh) | 2021-04-12 | 2021-04-12 | 一种冬小麦叶绿素含量的预测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113514402B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114460015A (zh) * | 2021-10-29 | 2022-05-10 | 东北农业大学 | 一种用于预测寒地水稻冠层叶绿素含量的方法及模型 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101581604A (zh) * | 2009-03-31 | 2009-11-18 | 哈尔滨工业大学 | 基于Nipkow盘的衍射多光谱成像装置及方法 |
| CN101936882A (zh) * | 2010-08-10 | 2011-01-05 | 江苏大学 | 一种作物氮素和水分无损检测方法及装置 |
| CN105389739A (zh) * | 2015-11-23 | 2016-03-09 | 南京信息工程大学 | 设施葡萄低温灾害天气指数保险纯费率的确定方法 |
| CN110567891A (zh) * | 2019-09-16 | 2019-12-13 | 中国水利水电科学研究院 | 一种冬小麦冠层叶绿素估测系统及方法 |
| CN111738165A (zh) * | 2020-06-24 | 2020-10-02 | 中国农业科学院农业信息研究所 | 一种从高分辨率无人机可见光遥感影像中提取单株植物冠层的方法 |
| CN112345458A (zh) * | 2020-10-22 | 2021-02-09 | 南京农业大学 | 一种基于无人机多光谱影像的小麦产量估测方法 |
| CN112634213A (zh) * | 2020-12-15 | 2021-04-09 | 安阳工学院 | 一种无人机预测冬小麦冠层叶面积指数的系统和方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10492374B2 (en) * | 2017-12-28 | 2019-12-03 | X Development Llc | Capture of ground truthed labels of plant traits method and system |
| CN109459392B (zh) * | 2018-11-06 | 2019-06-14 | 南京农业大学 | 一种基于无人机多光谱影像的水稻地上部生物量估测方法 |
| CN114008481A (zh) * | 2019-04-08 | 2022-02-01 | 米加尔加利利研究所有限公司 | 植物光合能力的遥感 |
| CN110379113A (zh) * | 2019-06-28 | 2019-10-25 | 北京中科锐景科技有限公司 | 一种基于卫星遥感数据森林火灾预警的方法 |
| CN110398466A (zh) * | 2019-08-05 | 2019-11-01 | 北京绿土科技有限公司 | 基于遥感反演的农作物生长状态监测方法 |
| CN111610159B (zh) * | 2020-05-11 | 2023-04-07 | 中科海慧（天津）科技有限公司 | 地表温度降尺度估算方法及植被水分胁迫监测方法 |
| CN111876517B (zh) * | 2020-08-06 | 2022-06-07 | 新疆农业大学 | 一种检测小麦籽粒阿魏酰阿拉伯木聚糖含量相关的分子标记 |
| CN112183632A (zh) * | 2020-09-29 | 2021-01-05 | 中国水利水电科学研究院 | 一种面向对象的多源遥感信息融合种植结构提取方法 |
| CN112528789A (zh) * | 2020-12-02 | 2021-03-19 | 安徽大学 | 一种用于发病初中期分析的小麦条锈病遥感监测方法 |
-
2021
- 2021-04-12 CN CN202110398607.XA patent/CN113514402B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101581604A (zh) * | 2009-03-31 | 2009-11-18 | 哈尔滨工业大学 | 基于Nipkow盘的衍射多光谱成像装置及方法 |
| CN101936882A (zh) * | 2010-08-10 | 2011-01-05 | 江苏大学 | 一种作物氮素和水分无损检测方法及装置 |
| CN105389739A (zh) * | 2015-11-23 | 2016-03-09 | 南京信息工程大学 | 设施葡萄低温灾害天气指数保险纯费率的确定方法 |
| CN110567891A (zh) * | 2019-09-16 | 2019-12-13 | 中国水利水电科学研究院 | 一种冬小麦冠层叶绿素估测系统及方法 |
| CN111738165A (zh) * | 2020-06-24 | 2020-10-02 | 中国农业科学院农业信息研究所 | 一种从高分辨率无人机可见光遥感影像中提取单株植物冠层的方法 |
| CN112345458A (zh) * | 2020-10-22 | 2021-02-09 | 南京农业大学 | 一种基于无人机多光谱影像的小麦产量估测方法 |
| CN112634213A (zh) * | 2020-12-15 | 2021-04-09 | 安阳工学院 | 一种无人机预测冬小麦冠层叶面积指数的系统和方法 |
Non-Patent Citations (1)
| Title |
|---|
| 温度对龙葵幼苗叶绿素含量和荧光参数的影响;杨彬等;《安徽农业科学》;20180210;第46卷(第5期);第56-57+72页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113514402A (zh) | 2021-10-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230292647A1 (en) | System and Method for Crop Monitoring | |
| CN110222475B (zh) | 一种基于无人机多光谱遥感反演冬小麦植株含水率的方法 | |
| de Souza et al. | Mapping skips in sugarcane fields using object-based analysis of unmanned aerial vehicle (UAV) images | |
| Kalisperakis et al. | Leaf area index estimation in vineyards from UAV hyperspectral data, 2D image mosaics and 3D canopy surface models | |
| JP5020444B2 (ja) | 作物生育量測定装置、作物生育量測定方法、作物生育量測定プログラム及びその作物生育量測定プログラムを記録したコンピュータ読取可能な記録媒体 | |
| CN111289441B (zh) | 多光谱下的大田作物含水量确定方法、系统及设备 | |
| US10585210B2 (en) | Apparatus for radiometric correction and orthorectification of aerial imagery | |
| Zhang et al. | Estimation of forest leaf area index using height and canopy cover information extracted from unmanned aerial vehicle stereo imagery | |
| CN106971167A (zh) | 基于无人机平台的作物生长分析方法及其分析系统 | |
| Diago et al. | On‐the‐go assessment of vineyard canopy porosity, bunch and leaf exposure by image analysis | |
| JP2007171033A (ja) | 葉面積指数の間接測定方法および間接測定システム | |
| CN112345458A (zh) | 一种基于无人机多光谱影像的小麦产量估测方法 | |
| Pitt et al. | Use of remote sensing for forest vegetation management: a problem analysis | |
| CN110969654A (zh) | 基于收割机的玉米高通量表型测量的方法及装置、收割机 | |
| WO2020230126A1 (en) | Systems and methods for phenotyping | |
| Zhang et al. | Understory biomass measurement in a dense plantation forest based on drone-SfM data by a manual low-flying drone under the canopy | |
| CN115453555A (zh) | 一种草地生产力的无人机快速监测方法及系统 | |
| Yin et al. | Individual tree parameters estimation for chinese fir (cunninghamia lanceolate (lamb.) hook) plantations of south china using UAV Oblique Photography: Possibilities and Challenges | |
| Tubau Comas et al. | Automatic apple tree blossom estimation from UAV RGB imagery | |
| CN113514402B (zh) | 一种冬小麦叶绿素含量的预测系统及方法 | |
| CN112634213A (zh) | 一种无人机预测冬小麦冠层叶面积指数的系统和方法 | |
| CN112418073A (zh) | 一种基于无人机图像融合特征的小麦植株氮含量估测方法 | |
| Grenzdörffer | Automatic generation of geometric parameters of individual cauliflower plants for rapid phenotyping using drone images | |
| KR102625621B1 (ko) | 도시지역 토지피복 특성을 고려한 ｕａｖ 다중분광센서 기반의 맞춤형 식생지수 측정 방법 | |
| CN114778476A (zh) | 一种基于无人机遥感的苜蓿棉田土壤含水量监测模型 |
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 |