CN113655003A - 一种利用无人机照片估算冬小麦返青期土壤墒情的方法 - Google Patents

一种利用无人机照片估算冬小麦返青期土壤墒情的方法 Download PDF

Info

Publication number
CN113655003A
CN113655003A CN202111027237.5A CN202111027237A CN113655003A CN 113655003 A CN113655003 A CN 113655003A CN 202111027237 A CN202111027237 A CN 202111027237A CN 113655003 A CN113655003 A CN 113655003A
Authority
CN
China
Prior art keywords
soil moisture
moisture content
value
aerial vehicle
unmanned aerial
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
Application number
CN202111027237.5A
Other languages
English (en)
Other versions
CN113655003B (zh
Inventor
陆洲
吴正贵
罗明
盛雪雯
王钧
徐飞飞
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.)
Suzhou Agriculture Technology Popularization Center
Zhongke Hexin Remote Sensing Technology Suzhou Co ltd
Institute of Geographic Sciences and Natural Resources of CAS
Original Assignee
Suzhou Agriculture Technology Popularization Center
Zhongke Hexin Remote Sensing Technology Suzhou Co ltd
Institute of Geographic Sciences and Natural Resources of CAS
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 Suzhou Agriculture Technology Popularization Center, Zhongke Hexin Remote Sensing Technology Suzhou Co ltd, Institute of Geographic Sciences and Natural Resources of CAS filed Critical Suzhou Agriculture Technology Popularization Center
Priority to CN202111027237.5A priority Critical patent/CN113655003B/zh
Publication of CN113655003A publication Critical patent/CN113655003A/zh
Application granted granted Critical
Publication of CN113655003B publication Critical patent/CN113655003B/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
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64C—AEROPLANES; HELICOPTERS
    • B64C39/00—Aircraft not otherwise provided for
    • B64C39/02—Aircraft not otherwise provided for characterised by special use
    • B64C39/028—Micro-sized aircraft
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G01N2201/1293—Using chemometrical methods resolving multicomponent spectra

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (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)
  • Aviation & Aerospace Engineering (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种利用无人机照片估算冬小麦返青期土壤墒情的方法，涉及定量遥感应用领域，基于无人机多光谱图片来对冬小麦返青期土壤墒情的估算。通过无人机获取目标区冬小麦返青期的多光谱照片，利用共线性诊断、分析土壤墒情与多光谱照片光谱反射率/植被指数的定量关系，通过反演模型的筛选，保证了土壤墒情估算的准确性，提高了无人机图片对土壤墒情反演的可靠性。

Description

一种利用无人机照片估算冬小麦返青期土壤墒情的方法
技术领域
本发明属于农业定量遥感应用领域，尤其涉及基于无人机多光谱遥感的冬小麦返青期土壤墒情反演方法，具体是一种利用无人机照片估算冬小麦返青期土壤墒情的方法。
背景技术
土壤墒情指土壤的干湿程度，即土壤的实际含水量，在农业、生态和环境领域扮演着重要角色，特别是在农业生产中，土壤水分影响着农作物的生长发育，在我国，农田用水占总用水量的60％，但仅有40％得到了有效利用，大田漫灌的灌溉方式造成了严重的水资源浪费，因此，对农田土壤墒情进行实时准确的监测，有利于精准灌溉技术的实施和水资源的高效利用。
传统的土壤墒情监测方法主要包括：烘干称重法、电阻法、时间域反射仪法和中子水分仪法等，这些方法虽然精度高，但是工作量大、数据时效性差，耗费大量人力物力，监测范围有限，难以满足大范围、实时快速监测土壤墒情的实际需求。
近些年来，随着遥感技术的迅速发展，基于土壤的光谱反射特性对土壤墒情进行反演，具有准确、高效等特点，实现了大范围土壤墒情的动态、快速监测，弥补了传统方法的不足，成为了国内外研究的热点，卫星遥感技术主要通过可见光—近红外、热红外波段以及微波来实现土壤墒情的反演，在可见光—近红外波段，常用Landsat、高分等多光谱卫星数据构建植被指数和干旱指数来反演土壤墒情，在热红外波段，通过热惯量法来反映土壤墒情，微波遥感分为主动微波遥感和被动微波遥感，具有一定的穿透能力，不受雨雾影响，更适合土壤水分估算，目前的卫星遥感方法能够对大面积的土壤墒情进行监测，但是受到天气、重访周期以及空间分辨率的影响，卫星遥感反演方法存在时效性较差、精度较低等问题。
返青期是小麦生长发育的关键时期，此阶段要做好保墒工作，控制土地水分，结合苗情墒情调节肥水管理，如果管理不当，将导致小麦分蘖问题。但是大多数研究只是通过花盆模拟实验或在其他作物种植地块进行研究，自然状态下返青期冬小麦田研究甚少。
发明内容
本发明要解决的技术问题是：为解决现有技术方法中的不足，针对冬小麦返青期土壤，提供一种快速且适用于大田的冬小麦返青期土壤墒情反演方法。
为实现上述目的，本发明提供如下技术方案：
一种利用无人机照片估算冬小麦返青期土壤墒情的方法，包括以下步骤：
S1、采集某区域特定时间内的无人机图片；
S2、实地测定土壤墒情值,提取无人机图片的反射率信息及植被指数信息；
S3、对S2提取的反射率信息及植被指数信息，结合实测的土壤墒情数据，进行共线性诊断分析；
S4、以不同的回归方法分析反射率信息及植被指数信息与实测的土壤墒情数据的耦合关系，建立估算模型；
S5、对S4中建立的不同的估算模型，利用验证数据筛选不同深度土壤墒情的最佳估算模型；
S6、利用筛选出的估算模型进行监测区域的土壤墒情估算。
优选地，本发明的一种利用无人机照片估算冬小麦返青期土壤墒情的方法，其特征在于，实际测量的特定时间为冬小麦返青期，获取的无人机图片包含蓝、绿、红、红边和近红外五个谱段。
优选地，本发明的一种利用无人机照片估算冬小麦返青期土壤墒情的方法，其特征在于，S2步骤中，实地测定土壤墒情值，包括以下步骤：
以土壤质量含水率作为土壤墒情实测值；采用取土烘干法，在采集完无人机多光谱数据后，在农田根据选取的采样点，利用土钻采集10cm和20cm深度的土样，计算土壤质量含水率ω：
Figure BDA0003244018470000021
式中，W1为湿土加铝盒质量；W2为干土加铝盒质量；W3为空铝盒质量。
优选地，本发明的一种利用无人机照片估算冬小麦返青期土壤墒情的方法，其特征在于，S2步骤中，提取无人机照片的反射率信息，包括以下步骤：影像的拼接、波段融合、地理配置以及通过白板辐射较正，分别计算包含蓝光、绿光、红光、红边和近红外五个谱段位置的反射率。
优选地，本发明的一种利用无人机照片估算冬小麦返青期土壤墒情的方法，其特征在于，S2步骤中，计算植被指数，包括归一化植被指数(NDVI)，
Figure BDA0003244018470000031
增强型植被指数(EVI)，
Figure BDA0003244018470000032
垂直干旱指数(PDI)，
Figure BDA0003244018470000033
式中，Rblue为蓝波段反射率；Rred为红波段反射率；Rnir为近红外波段反射率；M为土壤线斜率。
优选地，本发明的一种利用无人机照片估算冬小麦返青期土壤墒情的方法，其特征在于，S3步骤中，具体步骤为：在土壤墒情实测点，提取无人机图片的Rgreen值、Rblue值、Rred值、Rnir值、Rrededge值、NDVI值、EVI值、PDI值。采用方差膨胀因子(VIF)来表征提取值共线的严重性，
Figure BDA0003244018470000034
式中，Ri为自变量χi对其余自变量作回归分析的负相关系数；当VIF大于10时就表明变量之间存在很强的共线性问题；
优选地，本发明的一种利用无人机照片估算冬小麦返青期土壤墒情的方法，其特征在于，根据实测土壤墒情数据，分为建模样本和验证样本，结合建模样点的Rgreen值、Rblue值、Rred值、Rnir值、Rrededge值、NDVI值、EVI值、PDI值进行回归建模分析，得到反演估算模型；
其中，回归方式选用逐步回归法、岭回归法和/或偏最小二乘法。
优选地，本发明的一种利用无人机照片估算冬小麦返青期土壤墒情的方法，其特征在于，验证样本集用于验证构建的估算模型的精度并获得验证精度；建模精度和检验精度通过回归分析得到的模型决定系数R2,均方根误差和相对分析误差RPD这三个指标进行评价，
Figure BDA0003244018470000035
式中，yi为土壤含水率预测值；
Figure BDA0003244018470000036
为土壤含水率预测值的平均值；
Figure BDA0003244018470000037
为土壤含水率实测值；n为样本数量。
决定系数R2可以度量2个变量间的回归拟合效果，其值处于0到1之间，R2值越大越接近1，表明回归方程对样本数据点的拟合优度越高；相反，R2值越接近0，说明拟合优度越低，验证R2越大，均方根误差RMSE越小，相对分析误差RPD越大，表明模型的反演效果越好；
与现有技术相比，本发明的有益效果是：
本发明公开了一种利用无人机照片估算冬小麦返青期土壤墒情的方法基于无人机多光谱图片来对冬小麦返青期土壤墒情的估算。通过无人机获取目标区冬小麦返青期的多光谱照片，利用共线性诊断、分析土壤墒情与多光谱照片光谱反射率/植被指数的定量关系，通过反演模型的筛选，可实现对不同深度土壤墒情的估算。采用逐步回归法、岭回归法和/或偏最小二乘法进行建模来消除共线性的影响，保证了土壤墒情估算的准确性，提高了无人机图片对土壤墒情反演的可靠性。
附图说明
图1为一种利用无人机照片估算冬小麦返青期土壤墒情的方法的流程示意图；
图2为一种利用无人机照片估算冬小麦返青期土壤墒情的方法中10cm深度土壤墒情逐步回归法的结构示意图；
图3为一种利用无人机照片估算冬小麦返青期土壤墒情的方法中20cm深度土壤墒情逐步回归法的结构示意图；
图4为一种利用无人机照片估算冬小麦返青期土壤墒情的方法中10cm深度土壤墒情岭回归法的结构示意图；
图5为一种利用无人机照片估算冬小麦返青期土壤墒情的方法中20cm深度土壤墒情岭回归法的结构示意图；
图6为一种利用无人机照片估算冬小麦返青期土壤墒情的方法中10cm深度土壤墒情偏最小二乘法的结构示意图；
图7为一种利用无人机照片估算冬小麦返青期土壤墒情的方法中20cm深度土壤墒情偏最小二乘法的结构示意图。
图8为一种利用无人机照片估算冬小麦返青期土壤墒情的方法中两个深度土壤墒情估算效果图。
具体实施方式
下面结合具体实施方式对本发明的技术方案作进一步详细地说明。
一种利用无人机照片估算冬小麦返青期土壤墒情的方法，包括以下步骤：
S1、采集某区域特定时间内的无人机图片；
S2、实地测定土壤墒情值,提取无人机图片的反射率信息及植被指数信息；
S3、对S2提取的反射率信息及植被指数信息，结合实测的土壤墒情数据，进行共线性诊断分析；
S4、以不同的回归方法分析反射率信息及植被指数信息与实测的土壤墒情数据的耦合关系，建立估算模型；
S5、对S4中建立的不同的估算模型，利用验证数据筛选不同深度土壤墒情的最佳估算模型；
S6、利用筛选出的估算模型进行监测区域的土壤墒情估算。
在现有的遥感影像数据估算土壤墒情的方法中，遥感平台的搭建主要分为两部分：传感器和飞行器，其中传感器指的就是相机，飞行器就是无人机、飞机或卫星，飞行器与时间分辨率相关。现有的卫星遥感技术，由于卫星有一定的飞行周期，一般为5-30天，因此卫星遥感技术存在重访周期长、受天气影响大、影像分辨率不足等技术问题。而无人机具有飞行区域机动、飞行高度灵活、作业周期短等优势，并且无人机只要在有光照的情况下就可完成作业，不受时间限制和天气限制，因此利用无人机搭载传感器，具有获取的遥感数据空间和时间分辨率相对较高的优点。同时，无人机的飞行高度较低，可以使搭载在无人机上的传感器获取的图像空间分辨率较高，空间分辨率越高，一个像元所表示的地面面积就越小，越适合小面积高精度的估测。另一方面，无人机与各种传感器之间装载灵活，可以根据研究区域的实际需求选择合适的传感器与无人机进行搭配，组成无人机遥感平台。
S1、采集某区域特定时间内的无人机图片；
具体的，在本实施例中，对于步骤S1，所述基于无人机获取采样点的机载多光谱影像采用大疆精灵4多光谱版，无人机搭载彩色传感器与多个单色传感器实时获取与实际测量同时的多光谱遥感图像，共有6个1/29英寸CMOS影像传感器，1个是用于可见光RGB成像的彩色传感器，其余5个是用于多光谱成像的单色传感器：蓝、绿、红、红边以及近红外，单个传感器有效像素208万；
具体的，无人机影像获取时间为天气晴朗、风速小，飞行高度为120m，多光谱影像空间分辨率为0.051m；
实际测量时间为冬小麦处于返青期，受冻害影像植被覆盖度较低。
S2、实地测定土壤墒情值,提取无人机图片的反射率信息及植被指数信息；
作为本发明实施例进一步的方案，S2步骤中，实地测定土壤墒情值，包括以下步骤：
以土壤质量含水率作为土壤墒情实测值；采用取土烘干法，在采集完无人机多光谱数据后，在农田根据选取的采样点，利用土钻采集10cm和20cm深度的土样，计算土壤质量含水率ω：
Figure BDA0003244018470000061
式中，W1为湿土加铝盒质量；W2为干土加铝盒质量；W3为空铝盒质量。
S2步骤中，提取无人机照片的反射率信息，包括以下步骤：影像的拼接、波段融合、地理配置以及通过白板辐射较正，分别计算包含蓝光、绿光、红光、红边和近红外五个谱段位置的反射率。
S2步骤中，计算植被指数，包括归一化植被指数(NDVI)，
Figure BDA0003244018470000062
增强型植被指数(EVI)，
Figure BDA0003244018470000063
垂直干旱指数(PDI)，
Figure BDA0003244018470000064
式中，Rblue为蓝波段反射率；Rred为红波段反射率；Rnir为近红外波段反射率；M为土壤线斜率。
S3、对S2提取的反射率信息及植被指数信息，结合实测的土壤墒情数据，进行共线性诊断分析；S3步骤中，在土壤墒情实测点，提取无人机图片的Rgreen值、Rblue值、Rred值、Rnir值、Rrededge值、NDVI值、EVI值、PDI值。采用方差膨胀因子(VIF)来表征提取值共线的严重性，
Figure BDA0003244018470000071
式中，Ri为自变量χi对其余自变量作回归分析的负相关系数；当VIF大于10时就表明变量之间存在很强的共线性问题；
研究区采样点土壤墒情特征统计
Figure BDA0003244018470000072
光谱方差膨胀因子VIF统计
Figure BDA0003244018470000073
8个自变量的VIF都远大于10，这说明存在严重的多重共线性问题，这会使得模型稳定性变差，预测精度降低。
S4、以不同的回归方法分析反射率信息及植被指数信息与实测的土壤墒情数据的耦合关系，建立估算模型；
通过SPSS软件和Python程序建立逐步回归、岭回归和偏最小二乘模型进行多元回归分析以解决多重共线性问题，请参阅图1-7，建模结果如下表所示：
通过建立逐步回归、岭回归和偏最小二乘模型进行多元回归分析以解决多重共线性问题。将5个波段反射率和3个植被指数作为自变量，10cm和20cm深度土壤墒情作为因变量输入程序进行模型建立。逐步回归法是回归分析中一种筛选变量的过程，其基本思想是剔除变量中不太重要又和其他变量高度相关的变量，降低多重共线性程度。所以采用逐步回归法对8个自变量进行筛选，从中选出最优回归子集。变量入选和剔除的显著水平分别设为0.05和0.10，从而选出最主要的影响因子。岭回归法是一种改良的最小二乘法，当自变量之间存在较强的多重共线性时，求得的多重线性回归模型很不稳定，岭回归分析可以很好地解决这一问题。10cm建模过程中，当岭回归系数K＝0.220时，标准化回归系数趋于稳定，而在20cm深度，K＝0.019时，标准化回归系数趋于稳定，所以两个深度的岭回归系数分别选择0.220、0.019。偏最小二乘法综合了多元回归分析、典型相关分析和主成分分析的思想，能够在自变量存在严重多重相关性的条件下进行回归建模。偏最小二乘回归在SPSS中是通过PLS扩展模块来实现，将潜在因子最大数目设置为5，因为不管在10cm还是20cm深度前5个潜在因子累计可以达到很好的信息提取效果。
土壤墒情回归模型
Figure BDA0003244018470000081
表中：Y，土壤墒情；B1，蓝波段反射率；B2，绿波段反射率；B3，红波段反射率；B4，近红外波段反射率；B5，红边波段反射率。
3种建模方法表现出了一定的差异性，其中不管在10cm深度还是20cm深度，逐步回归模型都是最优模型，其模型拟合度R2都要高于岭回归法和偏最小二乘法，且均方根误差RMSE最低。对岭回归法和最小二乘法进行比较，偏最小二乘法也均优于岭回归法，三种建模方法中岭回归法建模精度最差。
比较逐步回归法、岭回归法和偏最小二乘法对两个深度的土壤墒情建模结果发现，三种方法对10cm深度的土壤墒情建模效果要优于20cm深度，建模拟合度R2分别为0.885、0.762和0.838。对20cm深度土壤墒情建立的三种回归模型，决定系数R2虽然有一定下降，但均达到较强相关性，所以利用无人机多光谱技术对20cm深度的土壤墒情进行监测仍然具有一定的可行性。
S5、对S4中建立的不同的估算模型，利用验证数据筛选不同深度土壤墒情的最佳估算模型；
为了检验2个不同深度的土壤墒情反演模型的预测效果，将模型预测值与实测值进行拟合，分别计算预测值与实测值之间的R2、RMSE和RPD,以验证反演结果的精度。在10cm和20cm深度逐步回归模型的预测决定系数R2分别达到了0.875、0.867，为3种方法中最高，较岭回归模型分别高出6.71％、9.06％，较偏最小二乘模型分别高出4.79％、6.12％。对于10cm深度的土壤墒情建模中，逐步回归法RPD为3.091，表明模型在该深度具有极好的预测能力(RPD＞2.5)，深度达到20cm时RPD有所下降，但是也具有很好的预测能力(2.5＞RPD＞2.0)。偏最小二乘法在10cm、20cm的模型拟合度R2为0.835、0.817，其RPD为2.142、2.136，都略低于逐步回归法。而岭回归法在10、20cm处的R2(0.820、0.795)为三者最低，定量预测能力也低于前两者。3种模型在各个深度的均方根误差RMSE值均在允许范围内(0.1以下)，其中逐步回归模型的均方根误差较小，预测精度较高。所以，在张家港市常阴沙现代农业示范园区进行土壤墒情监测时，应优先选用逐步回归模土壤墒情估算模型结果的精度
Figure BDA0003244018470000091
Figure BDA0003244018470000101
S6、利用筛选出的估算模型进行监测区域的土壤墒情估算。
基于上述的土壤墒情反演模型研究，选取最优的逐步回归模型，计算航拍区域2个深度的冬小麦田块的土壤墒情，进行无人机图片上的数字量化表达，逐一计算，实现整个区域的土壤墒情监测。
上面对本发明的较佳实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (8)

1.一种利用无人机照片估算冬小麦返青期土壤墒情的方法，其特征在于，包括以下步骤：
S1、采集某区域特定时间内的无人机图片；
S2、实地测定土壤墒情值,提取无人机图片的反射率信息及植被指数信息；
S3、对S2提取的反射率信息及植被指数信息，结合实测的土壤墒情数据，进行共线性诊断分析；
S4、以不同的回归方法分析反射率信息及植被指数信息与实测的土壤墒情数据的耦合关系，建立估算模型；
S5、对S4中建立的不同的估算模型，利用验证数据筛选不同深度土壤墒情的最佳估算模型；
S6、利用筛选出的估算模型进行监测区域的土壤墒情估算。
2.根据权利要求1所述的一种利用无人机照片估算冬小麦返青期土壤墒情的方法，其特征在于，实际测量的特定时间为冬小麦返青期，获取的无人机图片包含蓝、绿、红、红边和近红外五个谱段。
3.根据权利要求1或2所述的一种利用无人机照片估算冬小麦返青期土壤墒情的方法，其特征在于，S2步骤中，实地测定土壤墒情值，包括以下步骤：
以土壤质量含水率作为土壤墒情实测值；采用取土烘干法，在采集完无人机多光谱数据后，在农田根据选取的采样点，利用土钻采集10cm和20cm深度的土样，计算土壤质量含水率ω：
Figure FDA0003244018460000011
式中，W1为湿土加铝盒质量；W2为干土加铝盒质量；W3为空铝盒质量。
4.根据权利要求1或2所述的一种利用无人机照片估算冬小麦返青期土壤墒情的方法，其特征在于，S2步骤中，提取无人机照片的反射率信息，包括以下步骤：影像的拼接、波段融合、地理配置以及通过白板辐射较正，分别计算包含蓝光、绿光、红光、红边和近红外五个谱段位置的反射率。
5.根据权利要求1或2所述的一种利用无人机照片估算冬小麦返青期土壤墒情的方法，其特征在于，S2步骤中，计算植被指数，包括归一化植被指数(NDVI)，
Figure FDA0003244018460000021
增强型植被指数(EVI)，
Figure FDA0003244018460000022
垂直干旱指数(PDI)，
Figure FDA0003244018460000023
式中，Rblue为蓝波段反射率；Rred为红波段反射率；Rnir为近红外波段反射率；M为土壤线斜率。
6.根据权利要求3或权利要求4或权利要求5所述的一种利用无人机照片估算冬小麦返青期土壤墒情的方法，其特征在于，S3步骤中，具体步骤为：在土壤墒情实测点，提取无人机图片的Rgreen值、Rblue值、Rred值、Rnir值、Rrededge值、NDVI值、EVI值、PDI值。采用方差膨胀因子(VIF)来表征提取值共线的严重性，
Figure FDA0003244018460000024
式中，Ri为自变量χi对其余自变量作回归分析的负相关系数；当VIF大于10时就表明变量之间存在很强的共线性问题。
7.根据权利要求5或权利要求6所述的一种利用无人机照片估算冬小麦返青期土壤墒情的方法，其特征在于，根据实测土壤墒情数据，分为建模样本和验证样本，结合建模样点的Rgreen值、Rblue值、Rred值、Rnir值、Rrededge值、NDVI值、EVI值、PDI值进行回归建模分析，得到反演估算模型；
其中，回归方式选用逐步回归法、岭回归法和/或偏最小二乘法。
8.根据权利要求7所述的一种利用无人机照片估算冬小麦返青期土壤墒情的方法，其特征在于，验证样本集用于验证构建的估算模型的精度并获得验证精度；建模精度和检验精度通过回归分析得到的模型决定系数R2,均方根误差和相对分析误差RPD这三个指标进行评价，
Figure FDA0003244018460000025
式中，yi为土壤含水率预测值；
Figure FDA0003244018460000026
为土壤含水率预测值的平均值；
Figure FDA0003244018460000027
为土壤含水率实测值；n为样本数量。
决定系数R2度量2个变量间的回归拟合效果，其值处于0到1之间，R2值越大越接近1，表明回归方程对样本数据点的拟合优度越高；R2值越接近0，说明拟合优度越低，验证R2越大，均方根误差RMSE越小，相对分析误差RPD越大，表明模型的反演效果越好。
CN202111027237.5A 2021-09-02 2021-09-02 一种利用无人机照片估算冬小麦返青期土壤墒情的方法 Active CN113655003B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111027237.5A CN113655003B (zh) 2021-09-02 2021-09-02 一种利用无人机照片估算冬小麦返青期土壤墒情的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111027237.5A CN113655003B (zh) 2021-09-02 2021-09-02 一种利用无人机照片估算冬小麦返青期土壤墒情的方法

Publications (2)

Publication Number Publication Date
CN113655003A true CN113655003A (zh) 2021-11-16
CN113655003B CN113655003B (zh) 2024-01-12

Family

ID=78493454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111027237.5A Active CN113655003B (zh) 2021-09-02 2021-09-02 一种利用无人机照片估算冬小麦返青期土壤墒情的方法

Country Status (1)

Country Link
CN (1) CN113655003B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115018394A (zh) * 2022-08-08 2022-09-06 成都数联云算科技有限公司 旱情评估方法、装置、存储介质、设备及计算机程序产品
CN117169138A (zh) * 2023-11-02 2023-12-05 天津市农业发展服务中心 一种基于遥感数据的区域墒情监测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101424637A (zh) * 2008-12-04 2009-05-06 浙江大学 一种油菜叶片氮素含量遥感估算模型方法
CN102628860A (zh) * 2012-04-16 2012-08-08 山东省农业可持续发展研究所 一种麦田土壤水分的遥感监测方法
CN106872665A (zh) * 2015-12-11 2017-06-20 张成才 基于遥感的土壤墒情监测方法
CN108680509A (zh) * 2018-08-17 2018-10-19 山东农业大学 一种滨海盐渍区土壤盐分含量估算方法
CN110118732A (zh) * 2019-05-22 2019-08-13 中国农业大学 土壤含水量检测方法及装置
CN110222475A (zh) * 2019-07-03 2019-09-10 中国水利水电科学研究院 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
CN110907367A (zh) * 2019-11-09 2020-03-24 华东师范大学 一种基于高光谱遥感的土壤墒情检测方法
CN111829957A (zh) * 2020-07-07 2020-10-27 塔里木大学 基于无人机多光谱遥感反演冬小麦植株含水率系统及方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101424637A (zh) * 2008-12-04 2009-05-06 浙江大学 一种油菜叶片氮素含量遥感估算模型方法
CN102628860A (zh) * 2012-04-16 2012-08-08 山东省农业可持续发展研究所 一种麦田土壤水分的遥感监测方法
CN106872665A (zh) * 2015-12-11 2017-06-20 张成才 基于遥感的土壤墒情监测方法
CN108680509A (zh) * 2018-08-17 2018-10-19 山东农业大学 一种滨海盐渍区土壤盐分含量估算方法
CN110118732A (zh) * 2019-05-22 2019-08-13 中国农业大学 土壤含水量检测方法及装置
CN110222475A (zh) * 2019-07-03 2019-09-10 中国水利水电科学研究院 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
CN110907367A (zh) * 2019-11-09 2020-03-24 华东师范大学 一种基于高光谱遥感的土壤墒情检测方法
CN111829957A (zh) * 2020-07-07 2020-10-27 塔里木大学 基于无人机多光谱遥感反演冬小麦植株含水率系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨珺博 等: "无人机多光谱遥感监测冬小麦拔节期根域土壤含水率", 《节水灌溉》, pages 6 - 10 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115018394A (zh) * 2022-08-08 2022-09-06 成都数联云算科技有限公司 旱情评估方法、装置、存储介质、设备及计算机程序产品
CN115018394B (zh) * 2022-08-08 2022-10-25 成都数联云算科技有限公司 旱情评估方法、装置、存储介质及设备
CN117169138A (zh) * 2023-11-02 2023-12-05 天津市农业发展服务中心 一种基于遥感数据的区域墒情监测方法
CN117169138B (zh) * 2023-11-02 2024-01-09 天津市农业发展服务中心 一种基于遥感数据的区域墒情监测方法

Also Published As

Publication number Publication date
CN113655003B (zh) 2024-01-12

Similar Documents

Publication Publication Date Title
Zheng et al. Improved estimation of rice aboveground biomass combining textural and spectral analysis of UAV imagery
Qiu et al. Estimation of nitrogen nutrition index in rice from UAV RGB images coupled with machine learning algorithms
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
US8019117B2 (en) Method and apparatus for evaluating solar radiation amount
CN112903600B (zh) 一种基于固定翼无人机多光谱影像的水稻氮肥推荐方法
CN105004320B (zh) 一种高分卫星数据陆表植被覆盖度反演方法及系统
CN112345458A (zh) 一种基于无人机多光谱影像的小麦产量估测方法
CN108760660A (zh) 一种返青期冬小麦叶绿素含量估算方法
CN113655003B (zh) 一种利用无人机照片估算冬小麦返青期土壤墒情的方法
Liang et al. Improved estimation of aboveground biomass in rubber plantations by fusing spectral and textural information from UAV-based RGB imagery
CN114140695B (zh) 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统
Liu et al. Estimating wheat fractional vegetation cover using a density peak k-means algorithm based on hyperspectral image data
Xu et al. Classification method of cultivated land based on UAV visible light remote sensing
CN115950838A (zh) 一种基于叶绿素含量的夏玉米旱情无人机快速监测判别方法
CN114202675A (zh) 一种基于无人机多光谱遥感影像的作物生长参数测定方法及系统
Warren et al. Agricultural applications of high-resolution digital multispectral imagery
CN112380980A (zh) 一种人工龙竹林lai遥感估测最佳尺度选择方法
CN108776106A (zh) 一种基于无人机低空遥感的作物长势监测方法及系统
Lang et al. Detection of chlorophyll content in maize canopy from UAV imagery
CN115015258B (zh) 一种农作物长势与土壤水分关联确定方法及相关装置
CN114486783A (zh) 基于无人机多源遥感的冬小麦田土壤水分反演方法
Du et al. Correlation analysis of vegetation indices based on multi-temporal satellite images and unmanned aerial vehicle images with wheat protein contents
Dobbs et al. Using structure-from-motion to estimate cover crop biomass and characterize canopy structure
Gao et al. Diagnostic feed values of natural grasslands based on multispectral images acquired by small unmanned aerial vehicle
Liu et al. Estimating wheat coverage using multispectral images collected by unmanned aerial vehicles and a new sensor

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