CN115453555A - 一种草地生产力的无人机快速监测方法及系统 - Google Patents

一种草地生产力的无人机快速监测方法及系统 Download PDF

Info

Publication number
CN115453555A
CN115453555A CN202211138434.9A CN202211138434A CN115453555A CN 115453555 A CN115453555 A CN 115453555A CN 202211138434 A CN202211138434 A CN 202211138434A CN 115453555 A CN115453555 A CN 115453555A
Authority
CN
China
Prior art keywords
data
parameters
aerial vehicle
unmanned aerial
image
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
Application number
CN202211138434.9A
Other languages
English (en)
Inventor
张琳
贾元
宋创业
袁伟影
桑佳文
吴冬秀
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.)
Institute of Botany of CAS
Original Assignee
Institute of Botany 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 Institute of Botany of CAS filed Critical Institute of Botany of CAS
Priority to CN202211138434.9A priority Critical patent/CN115453555A/zh
Publication of CN115453555A publication Critical patent/CN115453555A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G01C11/02—Picture taking arrangements specially adapted for photogrammetry or photographic surveying, e.g. controlling overlapping of pictures
    • 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
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/16—Image acquisition using multiple overlapping images; Image stitching
    • 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
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种草地生产力的无人机快速监测方法及系统，一种草地生产力的无人机快速监测方法，包括：设定飞行参数和控制方法；对多光谱相机得到的多光谱图像和可见光图像，进行辐射校正、拼接得到正射影像，对所述激光雷达获取的激光雷达数据进行去噪、滤波和裁切得到点云数据；参数提取：得到地上实测数据，计算与植被相关参数值；提取所有获取过生物量的样方的参数值；使用随机森林的方法，计算所有参数的重要值，并将所有的样本随机分为训练数据集和验证数据集；使用后向特征消除方法，先构建了一个所有的参数都参与地上实测生物量建模的生物量模型；对算法准确性的估计；草地生产力的计算。

Description

一种草地生产力的无人机快速监测方法及系统
技术领域
本发明涉及无人机监测的技术领域，尤其涉及草地生产力的无人机快速监测方法及系统。
背景技术
草地是陆地生态系统的重要组成部分，约占全球表面积的40％，也是畜牧业的重要生产基地。天然草地生产力年际间变异极大，难以预测当年的牧草产量，在精确界定可持续牧草采食量问题上仍然存在不足，是长期困扰国际学界的重要难题。传统上对于草原生物量的获取都是通过破坏性的采样方法，获取的数据仅限于一小片面积，并且费时费力。随着自动化、信息化和智能化技术发展，依靠高效灵敏的监测技术降低了生产力测定难度，是实现可持续牧草采食量判定的关键技术手段。近年来，无人机遥感的方法发展非常快，可以快速、大面积的获取高分辨率的近地面中尺度遥感数据，在越来越多的研究领域得到了深入的应用。无人机遥感方法估测生物量主要是通过无人机搭载可见光、多光谱或高光谱传感器来获取光谱图像，从光谱图像计算植被指数，并建立与地面生物量调查的直接关联，估算生物量。然而，目前基于无人机遥感反演生物量的研究还没有达到推广应用的程度，尤其需要进行软硬件系统优化和算法开发，提高数据标准化质量控制与处理速度，提升生物量估测精度，是亟需解决的技术问题。
发明内容
本发明提供应用于草地生产力的无人机快速监测方法及系统，以解决现有的无人机遥感方法估测生物量过程中提高数据标准化质量控制与处理速度，提升生物量估测精度的问题。
第一方面，本发明实施例提供了一种应用于草地生产力的无人机快速监测方法，应用于一带有多光谱相机的旋翼无人机和一带有机载激光雷达的多旋翼无人机，包括：
设定飞行参数和控制方法：飞行高度、航道重叠率、航向重叠率、路线规划；
对多光谱相机得到的多光谱图像和可见光图像，进行辐射校正、拼接得到正射影像，对所述激光雷达获取的激光雷达数据进行去噪、滤波和裁切得到点云数据；
参数提取：所述地面样方调查得到地上实测数据，并根据所述地上实测数据提取每个样方的具体参数值；通过地面通过多光谱影像计算与植被相关参数值；通过可见光影像计算与植被相关参数；通过激光雷达三维点云数据计算与植被相关参数值；
提取所有获取过生物量的样方的参数值；使用随机森林的方法，计算所有参数的重要值，并将所有的样本随机分为训练数据集合验证数据集；
使用后向特征消除方法，先构建了一个所有的参数都参与地上实测生物量建模的生物量模型，然后去除最不可能的参数后再重新进行随机森林建模，依次迭代直到最后只剩下一个参数为止；
将所有的样本随机分为第一预设比例的训练数据和第二预设比例的测试数据，并进行试验以对算法准确性的估计；
草地生产力计算：基于构建的模型和获取的区域无人机遥感数据，进行两期生物量快速计算，通过差值实现快速大面积草地生产力数据估算。
优选的，数据前处理过程具体包括：将无人机获取的图像使用Agisoftmetashape进行图像拼接预处理，首先将图像导入软件中，再选择对齐照片，对齐后即可生成网格、DEM和密集点云，生成网格后即可生成正射影像，即完成图像拼接。
优选的，还包括：所述多光谱相机每架次飞行间拍摄一次白板，用于后期数据前处理的辐射校正；
飞行前对所述激光雷达进行加减速标定，飞行速度小于10m/s，三回波、重复扫描，开启可见光上色。
优选的，与植被相关参数包括以下一种或几种：归一化植被指数NDVI、归一化差异红色边缘指数NDRE、绿光归一化差值植被指数GNDVI、叶片叶绿素指数LCI、优化土壤调整植被指数OSAVI、增强植被指数EVI、植被覆盖度FVC；通过可见光影像计算参数包括以下一种或几种：额外绿色指数EGI、绿色指数GI、色调H、饱和度S、亮度值V、相关性corr、相交intersec、巴氏距离bhatta；通过激光雷达三维点云数据计算草地冠层高度CHM。
优选的，所述将所有的样本随机分为第一预设比例的训练数据和第二预设比例的测试数据，并进行试验以对算法准确性的估计，具体包括：
使用10次10折交叉验证方法，将所有的样本随机分为10份，轮流将其中9份作为训练数据，1份作为测试数据，进行试验，并记录下每次试验得到的正确率。进行10次10折交叉验证后，求其均值，作为对算法准确性的估计。
优选的，所述地面样方调查得到地上实测数据，并根据所述地上实测数据提取每个样方的具体参数值，具体包括：地面样方调查得到地上干重、高度、盖度实测数据，并记录每个样方的中心点位置经纬度；根据记录下来的经纬度信息，对拼接好后的无人机影像进行波段计算，使用三次卷积法进行重采样，用之前存储好的样方经纬度数据作为点，使用值提取至点功能提取每个样方的具体参数值。
第二方面，本发明实施例还提供了一种草地生产力的无人机快速监测系统，包括：野外无人机遥感单元、生物量模型与精度验证单元和草地生产力计算单元，野外无人机遥感单元包括一带有多光谱相机的旋翼无人机和一带有机载激光雷达的多旋翼无人机以及设定飞行参数控制模块；
设定飞行参数控制模块，用于设定飞行参数和控制方法：飞行高度、航道重叠率、航向重叠率、路线规划；
生产力计算与精度验证单元包括：数据前处理模块、参数提取模块与模型构建模块、精度验证与优化模块；
数据前处理模块，用于对多光谱相机得到的多光谱图像和可见光图像，进行辐射校正、拼接得到正射影像，对激光雷达数据进行去噪、滤波和裁切得到点云数据；
参数提取模块，用于：所述地面样方调查得到地上实测数据，并根据所述地上实测数据提取每个样方的具体参数值；通过地面通过多光谱影像计算与植被相关参数值；通过可见光影像计算与植被相关参数；通过激光雷达三维点云数据计算与植被相关参数值；
构建模型模块，用于提取所有获取过生物量的样方的参数值；使用随机森林的方法，计算所有参数的重要值，并将所有的样本随机分为训练数据集合验证数据集；使用后向特征消除方法，用于先构建了一个所有的参数都参与地上实测生物量建模的生物量模型，然后去除最不可能的参数后再重新进行随机森林建模，依次迭代直到最后只剩下一个参数为止；
精度验证与优化模块，用于将所有的样本随机分为第一预设比例的训练数据和第二预设比例的测试数据，并进行试验以对算法准确性的估计；
草地生产力计算单元，包括草地生产力计算模块，用于基于构建的模型和获取的区域无人机遥感数据，进行两期生物量快速计算，通过差值实现快速大面积草地生产力数据估算。
优选的，所述草地生产力计算单元，还包括参数数据交换和数据显示界面模块，用于将选定的重要模型参数、计算结果输出显示，通过无线传输装置上传到云平台，根据需求在云平台在线查看、下载和管理数据。
优选的，所述数据前处理模块，具体用于，将无人机获取的图像使用Agisoftmetashape进行图像拼接预处理，首先将图像导入软件中，再选择对齐照片，对齐后即可生成网格、DEM和密集点云，生成网格后即可生成正射影像，即完成图像拼接；
精度验证与优化模块，具体用于：使用10次10折交叉验证方法，将所有的样本随机分为10份，轮流将其中9份作为训练数据，1份作为测试数据，进行试验，并记录下每次试验得到的正确率。进行10次10折交叉验证后，求其均值，作为对算法准确性的估计。
第三方面，本发明实施例还提供了一种计算机存储介质，存储介质中存储有指令，所述指令运行时执行第一方面的一种草地生产力的无人机快速监测方法。
本发明具有以下有益效果：
本发明创新性提出一种草地生产力的无人机快速监测方法和系统，基于搭载多光谱成像和激光雷达，具有无人机遥感方法的所有优点，融合了可见光、多光谱数据和激光雷达点云数据，应用多参量融合方法构建估测模型，提高生物量估测精度，还具有快速的数据处理能力，实现草地生产力的快速、准确和高频观测，适用于野外草地生物量快速、大面积调查，有利于推进牧草生长监测与草畜精准管控；可以实现对草地植物群落生长状况动态进行非破坏的、快速的、准确的、大面积的观测，并将数据直接通过软件进行批量处理与计算，提高了草地生物量动态观测的智能化水平，并且也保障了数据的精确性和高效计算，可为草地生产力估测、可采食牧草产量及碳汇估测等研究领域提供更精确的中尺度遥感数据来源。
附图说明
图1为本发明实施例一草地生产力的无人机快速监测方法的流程图一；
图2为本发明实施例一草地生产力的无人机快速监测方法的飞行路线规划示意图；
图3为本发明实施例二草地生产力的无人机快速监测方法的示意框图；
图4为本发明实施例二草地生产力的无人机快速监测系统的系统框图；
图5是本发明实施例二草地生产力的无人机快速监测系统的野外无人机遥感单元的结构框图；
图6是本发明实施例二草地生产力的无人机快速监测系统的生产力计算与精度验证单元的结构框图；
图7是本发明实施例二草地生产力的无人机快速监测系统的草地生产力计算单元的结构框图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
图1为本发明实施例一提供的草地生产力的无人机快速监测方法的流程图，本实施例可适用于一带有多光谱相机的旋翼无人机和一带有机载激光雷达的多旋翼无人机的系统中，
本实施例提供的一种草地生产力的无人机快速监测方法，具体包括如下步骤：
步骤110：设定飞行参数和控制方法：飞行高度、航道重叠率、航向重叠率、路线规划。其中，多光谱相机每架次飞行间拍摄一次白板，用于后期数据前处理的辐射校正；飞行前对所述激光雷达进行加减速标定，飞行速度小于10m/s，三回波、重复扫描，开启可见光上色。
本实施例中，如附图2所述，飞行高度决定了图像数据分辨率，一般分辨率达到1cm，要求多光谱飞行高度不高于18米，激光雷达飞行高度50米；航向重叠率不低于75％，旁向重叠率不低于75％，路线规划为航道与样地边线成45度角，起飞点为样地一角，每航次作业面积100m*100m尺度；多光谱相机每架次飞行间，拍摄一次白板，用于后期数据前处理的辐射校正；激光雷达飞行前需要进行加减速标定，以校正惯导，飞行速度小于10m/s，三回波、重复扫描，开启可见光上色。飞行条件尽量选择阴天、少云，避免光直射，同一期数据尽可能短周期完成。
步骤120、对多光谱相机得到的多光谱图像和可见光图像，进行辐射校正、拼接得到正射影像，对所述激光雷达获取的激光雷达数据进行去噪、滤波和裁切得到点云数据。
得到正射影像具体包括：将无人机获取的图像使用Agisoftmetashape进行图像拼接预处理，首先将图像导入软件中，再选择对齐照片，对齐后即可生成网格、DEM和密集点云，生成网格后即可生成正射影像，即完成图像拼接。激光雷达数据使用大疆智图软件进行数据处理，开启点云精度优化功能，得到数字表面模型(DSM)和数字高程模型(DEM)。数据前处理模块得到的DEM模型正射影像和三维点云数据即可用于进行下一步的参数提取。
步骤130、参数提取：所述地面样方调查得到地上实测数据，并根据所述地上实测数据提取每个样方的具体参数值；通过地面通过多光谱影像计算与植被相关参数值；通过可见光影像计算与植被相关参数；通过激光雷达三维点云数据计算与植被相关参数值。
本实施例中，地面样方调查得到地上干重、高度、盖度实测数据，并记录每个样方的中心点位置经纬度；根据记录下来的经纬度信息，对拼接好后的无人机影像进行波段计算，使用三次卷积法进行重采样，用之前存储好的样方经纬度数据作为点，使用值提取至点功能提取每个样方的具体参数值。
具体实施过程中，外业：地面样方调查得到地上干重、高度、盖度等实测数据，并记录每个样方的中心点位置经纬度。内业：根据记录下来的经纬度信息，使用Arcgis将其转化为要素类数据储存起来。对拼接好后的无人机影像进行波段计算等操作，再将处理好后的TIFF文件导入Arcgis，使用三次卷积法进行重采样，用之前存储好的样方经纬度数据作为点，使用值提取至点功能提取每个样方的具体参数值。
本实施例中，与植被相关参数包括以下一种或几种：归一化植被指数NDVI、归一化差异红色边缘指数NDRE、绿光归一化差值植被指数GNDVI、叶片叶绿素指数LCI、优化土壤调整植被指数OSAVI、增强植被指数EVI、植被覆盖度FVC；通过可见光影像计算参数包括以下一种或几种：额外绿色指数EGI、绿色指数GI、色调H、饱和度S、亮度值V、相关性corr、相交intersec、巴氏距离bhatta；通过激光雷达三维点云数据计算草地冠层高度CHM。
计算公式如下：
NDVI＝(ρnir-ρred)/(ρnir+ρred)
NDRE＝(ρnir-ρrededge)/(ρnir+ρrededge)
GNDVI＝(ρnir-ρgreen)/(ρnir+ρgreen)
LCI＝(ρnir-ρrededge)/(ρnir+ρred)
OSAVI＝(ρnir-ρred)/(ρnir+ρred+0.16)
EVI＝2.5(ρnir-ρred)/(ρnir+6ρred-7.5ρblue+1)
EGI＝2ρgreen-ρblue-ρred
其中，ρnir、ρred、ρrededge、ρgreen、ρblue分别为近红外、红光、红边、绿光、蓝光的像元值。
FVC＝(VI-VIsoil)/(VIveg-VIsoil)
VI为某一指数，如采用NDVI指数，则为FVCNDVI，采用NDRE指数，则为FVCNDRE，VIsoil指的是该指数中裸土像元的遥感信息，VIveg指的是该指数中全由植物所覆盖的像元的遥感信息。
HSV色调饱和值(Hue Saturation Value),是通过RGB转化而来的一种颜色空间，其计算公式为：
Figure BDA0003853100940000101
Figure BDA0003853100940000102
360-Hi，ρblue＞ρgreen
Figure BDA0003853100940000103
Figure BDA0003853100940000104
Figure BDA0003853100940000105
Figure BDA0003853100940000106
Intersec＝Σmin(a(I)，b(I))
Figure BDA0003853100940000107
其中，a，b分别为参考直方图和比较直方图的值，
Figure BDA0003853100940000108
和
Figure BDA0003853100940000109
分别为
Figure BDA00038531009400001010
和
Figure BDA00038531009400001011
其中N为直方图的总柱数。
CHM＝DSM-DEM，其中，DEM为数字高程模型(Digital Elevation Model)，DSM数字地表模型(Digital Surface Model)。
步骤140、提取所有获取过生物量的样方的参数值；使用随机森林的方法，计算所有参数的重要值，并将所有的样本随机分为训练数据集合验证数据集。
本实施例中，在Rstudio中使用随机森林的方法，将所有的样本以70％-30％的比例随机分为训练-验证数据集。
步骤150、使用后向特征消除方法，先构建了一个所有的参数都参与地上实测生物量建模的生物量模型，然后去除最不可能的参数后再重新进行随机森林建模，依次迭代直到最后只剩下一个参数为止。
本实施例中，每次迭代时都应选择最佳的mtry和ntree优化模型。记录每一次迭代后模型的决定系数R2和均方根误差RMSE；选择具有最高R2的最小变量子集作为最终的参数集。
步骤160：将所有的样本随机分为第一预设比例的训练数据和第二预设比例的测试数据，并进行试验以对算法准确性的估计。
本实施例中，使用10次10折交叉验证方法，将所有的样本随机分为10份，轮流将其中9份作为训练数据，1份作为测试数据，进行试验，并记录下每次试验得到的正确率。进行10次10折交叉验证后，求其均值，作为对算法准确性的估计。
步骤170、草地生产力计算：基于构建的模型和获取的区域无人机遥感数据，进行两期生物量快速计算，通过计算单位草地面积上，两期生物量差值，得到单位面积单位时间草地生物量，即为草地生产力，从而实现快速大面积草地生产力数据估算。
本实施例中，通过差值实现快速大面积草地生产力数据估算之后，还包括：将选定的重要模型参数、计算结果输出显示，可通过无线传输装置上传到云平台，根据需求在云平台在线查看、下载和管理数据。
综上，本发明基于搭载多光谱成像和激光雷达，具有无人机遥感方法的所有优点，融合了可见光、多光谱数据和激光雷达点云数据，应用多参量融合方法构建估测模型，提高生物量估测精度，还具有快速的数据处理能力，实现草地生产力的快速、准确和高频观测，适用于野外草地生物量快速、大面积调查，有利于推进牧草生长监测与草畜精准管控；可以实现对草地植物群落生长状况动态进行非破坏的、快速的、准确的、大面积的观测，并将数据直接通过软件进行批量处理与计算，提高了草地生物量动态观测的智能化水平，并且也保障了数据的精确性和高效计算，可为草地生产力估测、可采食牧草产量及碳汇估测等研究领域提供更精确的中尺度遥感数据来源。
如图3-4为本发明的实施例二还提供一种应用于微电网的并离网切换系统的结构框图，包括一种草地生产力的无人机快速监测系统，包括：野外无人机遥感单元310、生物量模型与精度验证单元320和草地生产力计算单元330，野外无人机遥感单元310包括一带有多光谱相机的旋翼无人机311和一带有机载激光雷达的多旋翼无人机312以及设定飞行参数控制模块313，如图5所示；
设定飞行参数控制模块313，用于设定飞行参数和控制方法：飞行高度、航道重叠率、航向重叠率、路线规划；
生产力计算与精度验证单元320包括：数据前处理模块321、参数提取模块322、模型构建模块323和精度验证与优化模块324，如图6所示；
数据前处理模块321，用于对多光谱相机得到的多光谱图像和可见光图像，进行辐射校正、拼接得到正射影像，对激光雷达数据进行去噪、滤波和裁切得到点云数据；
参数提取模块322，用于：所述地面样方调查得到地上实测数据，并根据所述地上实测数据提取每个样方的具体参数值；通过地面通过多光谱影像计算与植被相关参数值；通过可见光影像计算与植被相关参数；通过激光雷达三维点云数据计算与植被相关参数值；
构建模型模块323，用于提取所有获取过生物量的样方的参数值；使用随机森林的方法，计算所有参数的重要值，并将所有的样本随机分为训练数据集合验证数据集；使用后向特征消除方法，用于先构建了一个所有的参数都参与地上实测生物量建模的生物量模型，然后去除最不可能的参数后再重新进行随机森林建模，依次迭代直到最后只剩下一个参数为止；
精度验证与优化模块324，用于将所有的样本随机分为第一预设比例的训练数据和第二预设比例的测试数据，并进行试验以对算法准确性的估计；
如图7所示，草地生产力计算单元330包括草地生产力计算模块331，用于基于构建的模型和获取的区域无人机遥感数据，进行两期生物量快速计算，通过差值实现快速大面积草地生产力数据估算。
草地生产力计算单元330，还包括参数数据交换和数据显示界面模块332，用于将选定的重要模型参数、计算结果输出显示，通过无线传输装置上传到云平台，根据需求在云平台在线查看、下载和管理数据。
数据前处理模块321，具体用于，将无人机获取的图像使用Agisoftmetashape进行图像拼接预处理，首先将图像导入软件中，再选择对齐照片，对齐后即可生成网格、DEM和密集点云，生成网格后即可生成正射影像，即完成图像拼接。
精度验证与优化模块324，具体用于：使用10次10折交叉验证方法，将所有的样本随机分为10份，轮流将其中9份作为训练数据，1份作为测试数据，进行试验，并记录下每次试验得到的正确率。进行10次10折交叉验证后，求其均值，作为对算法准确性的估计。
因此，本发明的一种草地生产力的无人机快速监测系统也能实现本发明实施例一中一种草地生产力的无人机快速监测方法和相应的技术效果，前文已经进行了详细说明，此处不再赘述。
相应的，本发明的实施例还提供一种计算机可读存储介质，存储介质中存储有指令，指令运行时执行前述实施例提供的任一草地生产力的无人机快速监测方法，因此也能实现相应的技术效果，前文已经进行了详细说明，此处不再赘述。
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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。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、物品或者装置中还存在另外的相同要素。
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他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种草地生产力的无人机快速监测方法，应用于一带有多光谱相机的多旋翼无人机和一带有机载激光雷达的多旋翼无人机，其特征在于，包括：
设定飞行参数和控制方法：飞行高度、航道重叠率、航向重叠率、路线规划；
对多光谱相机得到的多光谱图像和可见光图像，进行辐射校正、拼接得到正射影像，对所述激光雷达获取的激光雷达数据进行去噪、滤波和裁切得到点云数据；
参数提取：所述地面样方调查得到地上实测数据，并根据所述地上实测数据提取每个样方的具体参数值；通过地面通过多光谱影像计算与植被相关参数值；通过可见光影像计算与植被相关参数；通过激光雷达三维点云数据计算与植被相关参数值；
提取所有获取过生物量的样方的参数值；使用随机森林的方法，计算所有参数的重要值，并将所有的样本随机分为训练数据集合验证数据集；
使用后向特征消除方法，先构建了一个所有的参数都参与地上实测生物量建模的生物量模型，然后去除最不可能的参数后再重新进行随机森林建模，依次迭代直到最后只剩下一个参数为止；
将所有的样本随机分为第一预设比例的训练数据和第二预设比例的测试数据，并进行试验以对算法准确性的估计；
草地生产力计算：基于构建的模型和获取的区域无人机遥感数据，进行两期生物量快速计算，通过差值实现快速大面积草地生产力数据估算。
2.根据权利要求1所述的方法，其特征在于，所述得到正射影像，过程具体包括：将无人机获取的图像使用Agisoftmetashape进行图像拼接预处理，首先将图像导入软件中，再选择对齐照片，对齐后即可生成网格、DEM和密集点云，生成网格后即可生成正射影像，即完成图像拼接。
3.根据权利要求1所述的方法，其特征在于，还包括：所述多光谱相机每架次飞行间拍摄一次白板，用于后期数据前处理的辐射校正；
飞行前对所述激光雷达进行加减速标定，飞行速度小于10m/s，三回波、重复扫描，开启可见光上色。
4.根据权利要求3所述的方法，其特征在于，与植被相关参数包括以下一种或几种：归一化植被指数NDVI、归一化差异红色边缘指数NDRE、绿光归一化差值植被指数GNDVI、叶片叶绿素指数LCI、优化土壤调整植被指数OSAVI、增强植被指数EVI、植被覆盖度FVC；通过可见光影像计算参数包括以下一种或几种：额外绿色指数EGI、绿色指数GI、色调H、饱和度S、亮度值V、相关性corr、相交intersec、巴氏距离bhatta；通过激光雷达三维点云数据计算草地冠层高度CHM。
5.根据权利要求1所述的方法，其特征在于，所述将所有的样本随机分为第一预设比例的训练数据和第二预设比例的测试数据，并进行试验以对算法准确性的估计，具体包括：
使用10次10折交叉验证方法，将所有的样本随机分为10份，轮流将其中9份作为训练数据，1份作为测试数据，进行试验，并记录下每次试验得到的正确率。进行10次10折交叉验证后，求其均值，作为对算法准确性的估计。
6.根据权利要求1所述的方法，其特征在于，所述地面样方调查得到地上实测数据，并根据所述地上实测数据提取每个样方的具体参数值，具体包括：地面样方调查得到地上干重、高度、盖度实测数据，并记录每个样方的中心点位置经纬度；根据记录下来的经纬度信息，对拼接好后的无人机影像进行波段计算，使用三次卷积法进行重采样，用之前存储好的样方经纬度数据作为点，使用值提取至点功能提取每个样方的具体参数值。
7.一种草地生产力的无人机快速监测系统，其特征在于，包括：野外无人机遥感单元、生物量模型与精度验证单元和草地生产力计算单元，野外无人机遥感单元包括一带有多光谱相机的多旋翼无人机和一带有机载激光雷达的多旋翼无人机以及设定飞行参数控制模块；
设定飞行参数控制模块，用于设定飞行参数和控制方法：飞行高度、航道重叠率、航向重叠率、路线规划；
生产力计算与精度验证单元包括：数据前处理模块、参数提取模块与模型构建模块、精度验证与优化模块；
数据前处理模块，用于对多光谱相机得到的多光谱图像和可见光图像，进行辐射校正、拼接得到正射影像，对激光雷达数据进行去噪、滤波和裁切得到点云数据；
参数提取模块，用于：所述地面样方调查得到地上实测数据，并根据所述地上实测数据提取每个样方的具体参数值；通过地面通过多光谱影像计算与植被相关参数值；通过可见光影像计算与植被相关参数；通过激光雷达三维点云数据计算与植被相关参数值；
构建模型模块，用于提取所有获取过生物量的样方的参数值；使用随机森林的方法，计算所有参数的重要值，并将所有的样本随机分为训练数据集合验证数据集；使用后向特征消除方法，用于先构建了一个所有的参数都参与地上实测生物量建模的生物量模型，然后去除最不可能的参数后再重新进行随机森林建模，依次迭代直到最后只剩下一个参数为止；
精度验证与优化模块，用于将所有的样本随机分为第一预设比例的训练数据和第二预设比例的测试数据，并进行试验以对算法准确性的估计；
草地生产力计算单元，包括草地生产力计算模块，用于基于构建的模型和获取的区域无人机遥感数据，进行两期生物量快速计算，通过差值实现快速大面积草地生产力数据估算。
8.根据权利要求7所述的草地生产力的无人机快速监测系统，其特征在于，所述草地生产力计算单元，还包括参数数据交换和数据显示界面模块，用于将选定的重要模型参数、计算结果输出显示，通过无线传输装置上传到云平台，根据需求在云平台在线查看、下载和管理数据。
9.根据权利要求8所述的系统，其特征在于，所述数据前处理模块，具体用于，将无人机获取的图像使用Agisoftmetashape进行图像拼接预处理，首先将图像导入软件中，再选择对齐照片，对齐后即可生成网格、DEM和密集点云，生成网格后即可生成正射影像，即完成图像拼接；
精度验证与优化模块，具体用于：使用10次10折交叉验证方法，将所有的样本随机分为10份，轮流将其中9份作为训练数据，1份作为测试数据，进行试验，并记录下每次试验得到的正确率。进行10次10折交叉验证后，求其均值，作为对算法准确性的估计。
10.一种计算机存储介质，其特征在于，存储介质中存储有指令，所述指令运行时执行如权利要求1-6中任一项所述的一种草地生产力的无人机快速监测方法。
CN202211138434.9A 2022-09-19 2022-09-19 一种草地生产力的无人机快速监测方法及系统 Pending CN115453555A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211138434.9A CN115453555A (zh) 2022-09-19 2022-09-19 一种草地生产力的无人机快速监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211138434.9A CN115453555A (zh) 2022-09-19 2022-09-19 一种草地生产力的无人机快速监测方法及系统

Publications (1)

Publication Number Publication Date
CN115453555A true CN115453555A (zh) 2022-12-09

Family

ID=84305600

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211138434.9A Pending CN115453555A (zh) 2022-09-19 2022-09-19 一种草地生产力的无人机快速监测方法及系统

Country Status (1)

Country Link
CN (1) CN115453555A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116523352A (zh) * 2023-07-05 2023-08-01 浙江榧圣农业科技有限公司 一种森林资源信息的管理方法及系统
CN117372503A (zh) * 2023-12-08 2024-01-09 水利部交通运输部国家能源局南京水利科学研究院 一种河湖岸带植被分类及覆盖度计算方法及系统
CN117456364A (zh) * 2023-11-09 2024-01-26 中国农业科学院农业信息研究所 一种基于SfM和草地高度因子的草地地上生物量估测方法及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116523352A (zh) * 2023-07-05 2023-08-01 浙江榧圣农业科技有限公司 一种森林资源信息的管理方法及系统
CN116523352B (zh) * 2023-07-05 2023-09-22 浙江榧圣农业科技有限公司 一种森林资源信息的管理方法及系统
CN117456364A (zh) * 2023-11-09 2024-01-26 中国农业科学院农业信息研究所 一种基于SfM和草地高度因子的草地地上生物量估测方法及系统
CN117456364B (zh) * 2023-11-09 2024-04-26 中国农业科学院农业信息研究所 一种基于SfM和草地高度因子的草地地上生物量估测方法及系统
CN117372503A (zh) * 2023-12-08 2024-01-09 水利部交通运输部国家能源局南京水利科学研究院 一种河湖岸带植被分类及覆盖度计算方法及系统
CN117372503B (zh) * 2023-12-08 2024-03-08 水利部交通运输部国家能源局南京水利科学研究院 一种河湖岸带植被分类及覆盖度计算方法及系统

Similar Documents

Publication Publication Date Title
Torres-Sánchez et al. Assessing UAV-collected image overlap influence on computation time and digital surface model accuracy in olive orchards
Matese et al. Assessment of a canopy height model (CHM) in a vineyard using UAV-based multispectral imaging
Webster et al. Three-dimensional thermal characterization of forest canopies using UAV photogrammetry
Kalisperakis et al. Leaf area index estimation in vineyards from UAV hyperspectral data, 2D image mosaics and 3D canopy surface models
CN109117811B (zh) 一种基于低空遥感测量技术估算城市植被覆盖率的系统及方法
CN115453555A (zh) 一种草地生产力的无人机快速监测方法及系统
Dandois et al. High spatial resolution three-dimensional mapping of vegetation spectral dynamics using computer vision
CN110222903B (zh) 一种基于无人机遥感的水稻产量预测方法及系统
Turner et al. Development of an Unmanned Aerial Vehicle (UAV) for hyper resolution vineyard mapping based on visible, multispectral, and thermal imagery
CN110796001B (zh) 一种卫星影像覆膜农田识别与提取方法及系统
Sharifi Estimation of biophysical parameters in wheat crops in Golestan province using ultra-high resolution images
CN106403904B (zh) 一种基于无人机的景观尺度植被覆盖度的计算方法及系统
CN111767865A (zh) 一种利用航拍影像和激光数据反演红树林生物量的方法
CN111553245A (zh) 基于机器学习算法和多源遥感数据融合的植被分类方法
CN111815014A (zh) 一种基于无人机低空遥感信息的作物产量预测方法及系统
CN107449400B (zh) 一种森林地上生物量的测量系统及测量方法
CN109813286A (zh) 一种基于无人机的倒伏灾害遥感定损方法
CN108896022A (zh) 一种植被覆盖度估算方法
Mathews Object-based spatiotemporal analysis of vine canopy vigor using an inexpensive unmanned aerial vehicle remote sensing system
Brocks et al. Toward an automated low-cost three-dimensional crop surface monitoring system using oblique stereo imagery from consumer-grade smart cameras
CN114080540A (zh) 信息处理装置、信息处理方法、程序和感测系统
Ramli et al. Homogeneous tree height derivation from tree crown delineation using Seeded Region Growing (SRG) segmentation
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
Wang et al. The impact of variable illumination on vegetation indices and evaluation of illumination correction methods on chlorophyll content estimation using UAV imagery
WO2003069315A1 (fr) Procede d'evaluation de la biomasse des forets et des arbres a l'aide de donnees a resolution elevee detectees a distance

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