CN114202675A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114202675A CN114202675A CN202111553428.5A CN202111553428A CN114202675A CN 114202675 A CN114202675 A CN 114202675A CN 202111553428 A CN202111553428 A CN 202111553428A CN 114202675 A CN114202675 A CN 114202675A
- Authority
- CN
- China
- Prior art keywords
- multispectral
- remote sensing
- crops
- unmanned aerial
- aerial vehicle
- 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.)
- Pending
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
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了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。所述测定方法包括:将待测作物区域划分为多个小区;利用搭载多光谱遥感影像获取装置的无人机采集多光谱图片;对多光谱图片进行校正处理得到六波段的多光谱正射影像图;采集多光谱图像对应区域的作物的生长参数实测数据;根据光谱反射率和光谱指数构建待测区域作物的生长参数的反演模型;根据模型,通过对多光谱遥感图像的反演,获得大面积作物的生长参数的实时无损监测。本发明实现了对作物生长参数的大面积无损测定,为智慧农业以及作物管理提供了重要理论依据,进一步促进了无人机多光谱遥感在作物监测方面的应用。
Description
技术领域
本发明属于无人机遥感领域,具体涉及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。
背景技术
地上生物量和叶面积指数是作物生长的两个主要参数,可以反映作物的生长状况,有助于作物生产管理。然而传统的作物生长评估方法是基于破坏性取样,即在田间手工采集数据样本,虽然该方法准确,但破坏性强,劳动密集,耗时,难以用于大规模时空测量。另一种方法是使用田间测量仪器对作物进行评估。虽然对作物的破坏性较小,但外界因素对实验设备有一定的影响,同样难以应用于大田作物快速监测研究中。因此,快速估测地上生物量和叶面积指数对于监测作物生长和指导农业管理措施的制定具有重要意义。
遥感技术由于能够提供及时、动态、宏观尺度的观测,已经成为一种非破坏性监测作物生长的有效方法。这种方法涉及利用作物冠层的光谱数据估测作物生长参数,已在农业中得到广泛应用。虽然通过卫星和航空遥感技术可以获取大面积的数据,但由于受云和天气变化的影响,维护和运行成本较高,估算精度不高。而在最近几年出现的基于图像的非侵入农作物生长监测方法中,无人机搭载传感器平台以其操作方便、可提供高时空分辨率和合理空间覆盖的影像等优势正成为农作物监测的有力工剧,如作物地块检测、作物生长状况监测、作物产量预测、植物水分状况评估。
因此,利用搭载多光谱的无人机遥感平台,结合地面实测样本数据,研究以光谱参数反演作物地上生物量和叶面积指数的可行性具有重要意义。根据相关性分析,筛选对作物长势响应较为敏感的指数,借助支持向量机方法构建适用于作物生长参数遥感监测模型,其结果可以为作物的生长监测提供基础数据和理论支撑,从而促进智慧农业和精准农业的发展。
发明内容
为了解决现有技术中作物地上生物量和叶面积指数测量方法准确度不够高、劳动密集、难以用于大规模时空测量的问题,本发明提供了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。以无人机遥感为平台、使用多光谱相机获取作物冠层光谱信息,通过数字图像处理和机器学习技术,实现作物地上生物量和叶面积指数的快速测定。
为实现上述发明目的,本发明采用以下技术方案予以实现:
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,包括以下步骤:
S1:确定作物待测区域的空间范围,将区域进行划分,利用无人机搭载的多光谱遥感影像获取装置,获得待测区域内作物的多光谱影像;
S2:获取多光谱影像对应区域的作物的生长参数的实测数据;
S3:对步骤S1中的多光谱影像进行校正,获得校正后待测区域内作物的光谱反射率,并计算光谱参数;
S4:对步骤S3中的光谱参数与作物的生长参数进行相关性分析;根据相关性分析选取建模光谱参数;
S5:构建作物的生长参数的回归预测模型,基于所述回归预测模型实现作物生长参数的大面积无损监测。
进一步的,所述步骤S1中将待测区域划分为3m~5m×1m~2m的小区。
进一步的,所述步骤S1中将待测区域划分为5m×2m的小区。
进一步的,所述多光谱遥感影像获取装置为多光谱相机,其飞行高度设为15m,飞行速度为1.1m/s,分辨率为1280*960。
进一步的,所述生长参数包括叶面积指数和地上生物量。
进一步的,所述步骤S2中,在获取作物的地上生物量和叶面积指数的实测数据时,选择植被分布较为均一且具有代表性的地点作为取样地,在每个取样地四角及中心设置取样点,对每个取样点进行植被冠层叶面积指数采集,其平均值作为小区作物的叶面积指数值;测定叶面积指数后,将以其中一个取样点为中心1m×1m范围内的作物从距地面1cm的高度截取,置于80℃烘箱中24小时,并保持恒定质量状态,然后称量样品以确定干质量,作为小区作物的地上生物量。
进一步的,所述步骤S3的具体步骤为:
(1)利用多光谱数据反演软件Yusense Map将获取的多光谱影像进行校正,并合成一个tif格式的六波段光谱影像;
(2)利用环境可视化程序ENVI中的掩膜方法将步骤(1)的六波段光谱影像构建待测ROI区域;
(3)利用波段运算工具Bandmath分别计算待测ROI区域内作物的六个波段平均光谱反射率,选取并计算光谱参数。
进一步的,所述步骤S4的具体步骤为:
(1)利用统计软件SPSS的单因素相关性分析作物的地上生物量和叶面积指数与光谱参数的相关程度;
(2)根据相关性分析结果筛选对生长参数变化敏感度最高的五个光谱参数用于建模。
进一步的,用于建模的光谱参数包括比值植被指数RVI1、修正简单植被指数MSR、红边叶绿素指数RECI、陆地植被叶绿素监测指数MTCI、归一化植被指数NDV、结构不敏感色素指数/比值植被指数SIPI/RVI1、蓝光波段B.450、绿光波段G.555、红光波段R.660。
进一步的,对红豆地上生物量变化敏感的光谱参数为RVI1、MSR、RECI、蓝光波段B.450和绿光波段G.555;对红豆叶面积指数变化敏感的光谱参数为RVI1、MSR、RECI、MTCI和蓝光波段B.450。
进一步的,对绿豆地上生物量变化敏感的光谱参数为RVI1、MSR、NDVI、蓝光波段B.450和红光波段R.660;对绿豆叶面积指数变化敏感的光谱参数为RVI1、MSR、NDVI、SIPI/RVI1和蓝光波段B.450。
进一步的,所述步骤S5中,采用支持向量机的方法构建作物的地上生物量和叶面积指数的回归预测模型,具体步骤为:
(1)采用随机10折交叉验证方法,将数据集分成10份,轮流将其中9份做训练、1份做测试,并进行10次重复,即每个模型运行100次;
(2)通过计算决定系数R2、均方根误差RMSE和归一化RMSE三个指标的均值,对估测模型的准确度进行评价。
进一步的,将测试集中测定值与所述回归预测模型的估计值进行比较,以验证所述回归预测模型的稳定性以及精度。
进一步的,当测试所述回归预测模型的R2、RMSE和NRMSE与训练集的差异越小,表明所述支持向量机回归预测模型稳定性越高。
进一步的,所述作物包括绿豆和红豆。
本发明还提供了一种基于无人机多光谱遥感影像的作物生长参数测定系统,包括:无人机;多光谱遥感影像获取装置,搭载在所述无人机上,其至少具有六波段,用于采集待测区域内作物的光谱遥感影像;植物冠层数字图像分析仪,用于采集作物的植被冠层的生长参数;中央处理器,用于执行以下操作:利用其中的多光谱数据反演软件对所述多光谱遥感影像获取装置采集的光谱遥感影像进行校正和拼接,并计算得到光谱参数;利用其中的环境可视化程序构建待测ROI区域;对光谱参数与作物的生长参数进行相关性分析;构建作物的生长参数的回归预测模型。
与现有技术相比,本发明具有的优点和有益效果是:
本发明提供的基于无人机多光谱遥感反演作物生长参数的方法,利用无人机搭载多光谱遥感影像获取装置获得待测区域内作物的多光谱遥感影像,进而获得光谱反射率以及光谱植被指数,构建待测区域对应的作物生长参数的支持向量机反演模型,实现了对作物的地上生物量和叶面积指数快速、准确估算,为智慧农业以及作物管理提供了重要理论依据,进一步促进了无人机多光谱遥感在作物监测方面的应用。
附图说明
图1为本发明的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的流程图。
图2为红豆的生长参数(AGB和LAI)与光谱参数之间的相关系数。
图3为SVM模型在训练数据集和测试集数据估测红豆AGB时表现出的性能指标之间的差异;其中,较长的行表示更大的性能差异。
图4为绿豆的生长参数(AGB和LAI)与光谱参数之间的相关系数。
图5为SVM模型在训练数据集和测试集数据估测绿豆AGB时表现出的性能指标之间的差异;其中,较长的行表示更大的性能差异。
具体实施方式
结合以下具体实例对本发明的技术方案作进一步详细的说明。
实施例1
一种基于无人机多光谱遥感影像的红豆生长参数测定方法,流程图见图1,包括如下步骤:
步骤一、多光谱影像获取及预处理
(1)确定被测红豆区域的空间范围,将区域进行划分为5m×2m的小区,利用无人机搭载的多光谱遥感影像获取装置,获得待测区域内作物的六波段光谱遥感影像。利用四旋翼无人机(matrix 200 V2,DJI,Inc.,China)搭载多光谱相机(MS600,Yusense,Inc.,Qingdao,China)采集红豆的多光谱图像;飞行高度为15m,飞行速度为1.1m/s。使用的多光谱相机配备了450nm、555nm、660nm、710nm、840nm和940nm这6个波段,每个通道使用1.2mp高动态范围全局快门CMOS探测器,分辨率为1280*960。
(2)使用Yusense map软件(V1.0,Yusense,Inc.,Qingdao,China)对采集的无人机遥感处理图像进行图像校正和拼接,并合成一个tif格式的六波段光谱影像。
步骤二、地面参数的获取:
采集多光谱影像对应区域的红豆的地上生物量(AGB)和叶面积指数(LAI)。测定指标的统计描述如表1所示。
在采集AGB和LAI时,选择植被分布较为均一且具有代表性的地点作为取样地,在每个样地四角及中心设置取样点,对每个取样点使用CI-110植物冠层数字图像分析仪进行植被冠层叶面积指数采集,其平均值作为小区的LAI值。测定LAI后,将以其中一个取样点为中心1m×1m范围内的作物从距地面1cm的高度截取,置于80℃烘箱中24小时,并保持恒定质量状态,然后称量样品以确定干质量,作为小区的地上生物量。
表1:红豆的地上生物量(AGB)和叶面积指数(LAI)的统计描述
步骤三、光谱参数的选择,包括以下具体步骤:
(1)利用ENVI中的掩膜方法构建待测ROI区域,并提取小区内的平均波段值。
(2)根据光谱参数研究成果,选取比值植被指数(RVI1)、修正简单植被指数(MSR)、归一化植被指数(NDVI)、红边叶绿素指数(RECI)、陆地植被叶绿素监测指数(MTCI)以及结构不敏感色素指数/比值植被指数(SIPI/RVI1)这6个植被指数加上多光谱相机自带的蓝光波段B.450、绿光波段G.555、红光波段R.660,与红豆的AGB和LAI进行相关性分析(图2)。
(3)通过相关性分析筛选对生长参数变化敏感度较高的前五个光谱参数,其中对红豆AGB变化敏感的光谱参数为比值植被指数(RVI1)、修正简单植被指数(MSR)、红边叶绿素指数(RECI)、蓝光波段B.450和绿光波段G.555,对红豆LAI变化敏感的光谱参数为比值植被指数(RVI1)、修正简单植被指数(MSR)、红边叶绿素指数(RECI)、陆地植被叶绿素监测指数(MTCI)和蓝光波段B.450。
步骤四、回归模型的建立,包括以下具体步骤:
(1)为了保证数据的有效性和可靠性,对上述步骤进行重复,获取多次无人机多光谱影像、红豆的地上生物量(AGB)和叶面积指数(LAI)数据。
(2)采用SVM的方法建立回归预测模型。
(3)采用随机10折交叉验证方法,将数据集分成10份,轮流将其中9份做训练、1份做测试,并进行10次重复,即每个模型运行100次。通过计算决定系数(R2)、均方根误差(RMSE)和归一化RMSE(NRMSE)三个指标的均值,对估测模型的准确度进行评价。R2、RMSE和NRMSE由公式(1)、(2)和(3)计算:
(4)将每个参数的测定值与光谱参数进行拟合,建立红豆的地上生物量(AGB)和叶面积指数(LAI)预测模型。表2展示了所建立的SVM预测模型的性能指标。
表2:SVM模型在估测红豆生长参数上表现出的性能指标
(5)为了评价各模型的反演精度,将模型在测试集中表现出的性能指标与训练集进行了比较,并验证了红豆的地上生物量(AGB)和叶面积指数(LAI)模型的稳定性(图3)。当测试模型的R2、RMSE和NRMSE与训练集接近时,表明该模型具有良好的稳定性。
实施例2
一种基于无人机多光谱遥感影像的绿豆生长参数测定方法,流程图见图1,包括如下步骤:
步骤一、多光谱影像获取及预处理
(1)确定被测绿豆区域的空间范围,将区域进行划分为5m×2m的小区,利用无人机搭载的多光谱遥感影像获取装置,获得待测区域内作物的六波段光谱遥感影像。利用四旋翼无人机(matrix 200V2,DJI,Inc.,China)搭载多光谱相机(MS600,Yusense,Inc.,Qingdao,China)采集绿豆的多光谱图像;飞行高度为15m,飞行速度为1.1m/s。使用的多光谱相机配备了450nm、555nm、660nm、710nm、840nm和940nm这6个波段,每个通道使用1.2mp高动态范围全局快门CMOS探测器,分辨率为1280*960。
(2)使用Yusense map软件(V1.0,Yusense,Inc.,Qingdao,China)对采集的无人机遥感处理图像进行图像校正和拼接,并合成一个tif格式的六波段光谱影像。
步骤二、地面参数的获取:
采集多光谱影像对应区域的绿豆的地上生物量(AGB)和叶面积指数(LAI)。测定指标的统计描述如表3所示。
在采集AGB和LAI时,选择植被分布较为均一且具有代表性的地点作为取样地,在每个样地四角及中心设置取样点,对每个取样点使用CI-110植物冠层数字图像分析仪进行植被冠层叶面积指数采集,其平均值作为小区的LAI值。测定LAI后,将以其中一个取样点为中心1m×1m范围内的作物从距地面1cm的高度截取,置于80℃烘箱中24小时,并保持恒定质量状态,然后称量样品以确定干质量,作为小区的地上生物量。
表3:绿豆的地上生物量(AGB)和叶面积指数(LAI)的统计描述
步骤三、光谱参数的选择,包括以下具体步骤:
(1)利用ENVI中的掩膜方法构建待测ROI区域,并提取小区内的平均波段值。
(2)根据光谱参数研究成果,选取比值植被指数(RVI1)、修正简单植被指数(MSR)、归一化植被指数(NDVI)、红边叶绿素指数(RECI)、陆地植被叶绿素监测指数(MTCI)以及结构不敏感色素指数/比值植被指数(SIPI/RVI1)这6个植被指数加上多光谱相机自带的蓝光波段B.450、绿光波段G.555、红光波段R.660,与绿豆的AGB和LAI进行相关性分析(图4)。
(3)通过相关性分析筛选对生长参数变化敏感度较高的前五个光谱参数,其中对绿豆AGB变化敏感的光谱参数为比值植被指数(RVI1)、修正简单植被指数(MSR)、归一化植被指数(NDVI)、蓝光波段B.450和红光波段R.660,对绿豆LAI变化敏感的光谱参数为比值植被指数(RVI1)、修正简单植被指数(MSR)、归一化植被指数(NDVI)、结构不敏感色素指数/比值植被指数(SIPI/RVI1)和蓝光波段B.450。
步骤四、回归模型的建立,包括以下具体步骤:
(1)为了保证数据的有效性和可靠性,对上述步骤进行重复,获取多次无人机多光谱影像、绿豆的地上生物量(AGB)和叶面积指数(LAI)数据。
(2)采用支持向量机(SVM)的方法建立回归预测模型。
(3)采用随机10折交叉验证方法,将数据集分成10份,轮流将其中9份做训练、1份做测试,并进行10次重复,即每个模型运行100次。通过计算决定系数(R2)、均方根误差(RMSE)和归一化RMSE(NRMSE)三个指标的均值,对估测模型的准确度进行评价。R2、RMSE和NRMSE由公式(1)、(2)和(3)计算:
(4)将每个参数的测定值与光谱参数进行拟合,建立绿豆的地上生物量(AGB)和叶面积指数(LAI)预测模型。表2展示了所建立的SVM预测模型的性能指标。
表4:SVM模型在估测绿豆生长参数上表现出的性能指标
(5)为了评价各模型的反演精度,将模型在测试集中表现出的性能指标与训练集进行了比较,并验证了绿豆的地上生物量(AGB)和叶面积指数(LAI)模型的稳定性(图5)。当测试模型的R2、RMSE和NRMSE与训练集接近时,表明该模型具有良好的稳定性。
本发明是一种基于无人机多光谱遥感的技术来估测作物生长参数的方法,传统的参数测定方式破坏性强,劳动密集,耗时,难以用于大规模时空测量,且检测效率低。因此,本发明利用无人机遥感影像分析技术实现了对作物生长参数的大面积无损测定,为智慧农业以及作物管理提供了重要理论依据。
以上实施例仅用以说明本发明的技术方案,而非对其进行限制;尽管参照前述实施例对本发明进行了详细的说明,对于本领域的普通技术人员来说,依然可以对前述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;而这些修改或替换,并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。
Claims (10)
1.一种基于无人机多光谱遥感影像的作物生长参数测定方法,其特征在于,包括以下步骤:
S1:确定作物待测区域的空间范围,将区域进行划分,利用无人机搭载的多光谱遥感影像获取装置,获得待测区域内作物的多光谱影像;
S2:获取多光谱影像对应区域的作物的生长参数的实测数据;
S3:对步骤S1中的多光谱影像进行校正,获得校正后待测区域内作物的光谱反射率,并计算光谱参数;
S4:对步骤S3中的光谱参数与作物的生长参数进行相关性分析;根据相关性分析选取建模光谱参数;
S5:构建作物的生长参数的回归预测模型,基于所述回归预测模型实现作物生长参数的大面积无损监测。
2.根据权利要求1所述的基于无人机多光谱遥感影像的作物生长参数测定方法,其特征在于,所述步骤S1中将待测区域划分为3m~5m×1m~2m的小区。
3.根据权利要求2所述的基于无人机多光谱遥感影像的作物生长参数测定方法,其特征在于,所述生长参数包括叶面积指数和地上生物量;所述步骤S2中,在获取作物的地上生物量和叶面积指数的实测数据时,选择植被分布较为均一且具有代表性的地点作为取样地,在每个取样地四角及中心设置取样点,对每个取样点进行植被冠层叶面积指数采集,其平均值作为小区作物的叶面积指数值;测定叶面积指数后,将以其中一个取样点为中心1m×1m范围内的作物从距地面1cm的高度截取,置于80℃烘箱中24小时,并保持恒定质量状态,然后称量样品以确定干质量,作为小区作物的地上生物量。
4.根据权利要求1所述的基于无人机多光谱遥感影像的作物生长参数测定方法,其特征在于,所述步骤S3的具体步骤为:
(1)利用多光谱数据反演软件将获取的多光谱影像进行校正和拼接,并合成tif格式的六波段光谱影像;
(2)利用环境可视化程序中的掩膜方法将步骤(1)的六波段光谱影像构建待测ROI区域;
(3)利用波段运算工具分别计算待测ROI区域内作物的六个波段平均光谱反射率,选取并计算光谱参数。
5.根据权利要求1所述的基于无人机多光谱遥感影像的作物生长参数测定方法,其特征在于,所述步骤S4的具体步骤为:
(1)利用统计软件的单因素相关性分析作物的生长参数与光谱参数的相关程度;
(2)根据相关性分析结果筛选对生长参数变化敏感度最高的五个光谱参数用于建模。
6.根据权利要求5所述的基于无人机多光谱遥感影像的作物生长参数测定方法,其特征在于,用于建模的光谱参数包括比值植被指数RVI1、修正简单植被指数MSR、红边叶绿素指数RECI、陆地植被叶绿素监测指数MTCI、归一化植被指数NDV、结构不敏感色素指数/比值植被指数SIPI/RVI1、蓝光波段B.450、绿光波段G.555、红光波段R.660。
7.根据权利要求1所述的基于无人机多光谱遥感影像的作物生长参数测定方法,其特征在于,所述步骤S5中,采用支持向量机的方法构建作物的生长参数的回归预测模型,具体步骤为:
(1)采用随机10折交叉验证方法,将数据集分成10份,轮流将其中9份做训练、1份做测试,并进行10次重复,即每个模型运行100次;
(2)通过计算决定系数R2、均方根误差RMSE和归一化RMSE三个指标的均值,对估测模型的准确度进行评价。
8.根据权利要求7所述的基于无人机多光谱遥感影像的作物生长参数测定方法,其特征在于,将测试集中测定值与所述回归预测模型的估计值进行比较,以验证所述回归预测模型的稳定性以及精度;当测试所述回归预测模型的R2、RMSE和归一化RMSE与训练集的差异越小,表明所述回归预测模型的稳定性越高。
9.根据权利要求1所述的基于无人机多光谱遥感影像的作物生长参数测定方法,其特征在于,所述作物包括绿豆和红豆。
10.一种基于无人机多光谱遥感影像的作物生长参数测定系统,其特征在于,包括:无人机;多光谱遥感影像获取装置,搭载在所述无人机上,其至少具有六波段,用于采集待测区域内作物的光谱遥感影像;植物冠层数字图像分析仪,用于采集作物的植被冠层的生长参数;中央处理器,用于执行以下操作:利用其中的多光谱数据反演软件对所述多光谱遥感影像获取装置采集的光谱遥感影像进行校正和拼接,并计算得到光谱参数;利用其中的环境可视化程序构建待测ROI区域;对光谱参数与作物的生长参数进行相关性分析;构建作物的生长参数的回归预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111553428.5A CN114202675A (zh) | 2021-12-17 | 2021-12-17 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111553428.5A CN114202675A (zh) | 2021-12-17 | 2021-12-17 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114202675A true CN114202675A (zh) | 2022-03-18 |
Family
ID=80654990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111553428.5A Pending CN114202675A (zh) | 2021-12-17 | 2021-12-17 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114202675A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114820578A (zh) * | 2022-05-26 | 2022-07-29 | 云南省烟草公司红河州公司 | 烟草种植面积无人机遥感监测设备 |
CN114998728A (zh) * | 2022-05-24 | 2022-09-02 | 中国农业大学 | 无人机多源遥感预测棉花叶面积指数的方法及系统 |
CN115855841A (zh) * | 2022-09-20 | 2023-03-28 | 中国水利水电科学研究院 | 基于叶面积指数的夏玉米旱情无人机快速监测判别方法 |
CN117274915A (zh) * | 2023-11-20 | 2023-12-22 | 广东华茂高科种业有限公司 | 一种监测水稻冠层氮含量的数据计算方法及系统 |
-
2021
- 2021-12-17 CN CN202111553428.5A patent/CN114202675A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998728A (zh) * | 2022-05-24 | 2022-09-02 | 中国农业大学 | 无人机多源遥感预测棉花叶面积指数的方法及系统 |
CN114820578A (zh) * | 2022-05-26 | 2022-07-29 | 云南省烟草公司红河州公司 | 烟草种植面积无人机遥感监测设备 |
CN114820578B (zh) * | 2022-05-26 | 2024-05-28 | 云南省烟草公司红河州公司 | 烟草种植面积无人机遥感监测设备 |
CN115855841A (zh) * | 2022-09-20 | 2023-03-28 | 中国水利水电科学研究院 | 基于叶面积指数的夏玉米旱情无人机快速监测判别方法 |
CN117274915A (zh) * | 2023-11-20 | 2023-12-22 | 广东华茂高科种业有限公司 | 一种监测水稻冠层氮含量的数据计算方法及系统 |
CN117274915B (zh) * | 2023-11-20 | 2024-01-30 | 广东华茂高科种业有限公司 | 一种监测水稻冠层氮含量的数据计算方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guo et al. | Crop 3D—a LiDAR based platform for 3D high-throughput crop phenotyping | |
CN108732129B (zh) | 一种用图像表示农田土壤成分的系统及其方法 | |
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 | |
Li et al. | Remote estimation of canopy height and aboveground biomass of maize using high-resolution stereo images from a low-cost unmanned aerial vehicle system | |
CN110567891B (zh) | 一种冬小麦冠层叶绿素估测系统及方法 | |
US10247717B2 (en) | Method of efficient acquisition of soil data using image mapping | |
CN100394212C (zh) | 一种大面积作物种植面积及其产量的遥感检测估算方法 | |
Chander et al. | Cross calibration of the Landsat-7 ETM+ and EO-1 ALI sensor | |
CN110174359B (zh) | 一种基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法 | |
CN111028096A (zh) | 一种天、空、地一体化数据融合的系统和方法 | |
CN104266982A (zh) | 一种大面积虫害量化监测系统 | |
CN113466143B (zh) | 土壤养分反演方法、装置、设备及介质 | |
CN109187417B (zh) | 一种无人机载的太赫兹波及高光谱遥感农作物监测系统 | |
CN116046692B (zh) | 一种基于高光谱的土壤重金属污染监测方法和装置 | |
Yuhao et al. | Rice Chlorophyll Content Monitoring using Vegetation Indices from Multispectral Aerial Imagery. | |
CN114220022A (zh) | 一种基于卫星与无人机协同观测的水稻倒伏遥感监测方法 | |
CN115235997A (zh) | 一种基于卫星高光谱影像的土壤质地反演方法 | |
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 | |
CN113655003A (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 | |
CN116773516A (zh) | 一种基于遥感数据的土壤碳含量分析系统 | |
CN113063740A (zh) | 一种基于多源遥感数据的小麦冠层氮含量监测方法 | |
CN106501454A (zh) | 一种枣树冠层叶绿素b含量的卫星遥感监测方法 | |
Liu et al. | Estimating wheat coverage using multispectral images collected by unmanned aerial vehicles and a new sensor | |
CN114529838A (zh) | 基于卷积神经网络的土壤含氮量反演模型构建方法及系统 | |
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 |