CN115950838B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN115950838B CN115950838B CN202211140492.5A CN202211140492A CN115950838B CN 115950838 B CN115950838 B CN 115950838B CN 202211140492 A CN202211140492 A CN 202211140492A CN 115950838 B CN115950838 B CN 115950838B
- Authority
- CN
- China
- Prior art keywords
- chlorophyll content
- drought
- period
- 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.)
- Active
Links
- 229930002875 chlorophyll Natural products 0.000 title claims abstract description 128
- 235000019804 chlorophyll Nutrition 0.000 title claims abstract description 128
- 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 128
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 57
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 55
- 235000005822 corn Nutrition 0.000 title claims abstract description 55
- 238000012544 monitoring process Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 32
- 240000008042 Zea mays Species 0.000 title claims description 55
- 230000012010 growth Effects 0.000 claims abstract description 45
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 claims abstract description 23
- 208000003643 Callosities Diseases 0.000 claims abstract description 14
- 206010020649 Hyperkeratosis Diseases 0.000 claims abstract description 14
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 239000002689 soil Substances 0.000 claims description 15
- 238000009987 spinning Methods 0.000 claims description 9
- 230000035800 maturation Effects 0.000 claims description 6
- 241000196324 Embryophyta Species 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 208000012886 Vertigo Diseases 0.000 claims 2
- 241000209149 Zea Species 0.000 abstract 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 15
- 238000003973 irrigation Methods 0.000 description 10
- 230000002262 irrigation Effects 0.000 description 10
- 239000000523 sample Substances 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000024346 drought recovery Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 235000009973 maize Nutrition 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 244000291564 Allium cepa Species 0.000 description 1
- 235000002732 Allium cepa var. cepa Nutrition 0.000 description 1
- 208000005156 Dehydration Diseases 0.000 description 1
- 241001057636 Dracaena deremensis Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 210000003763 chloroplast Anatomy 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008641 drought stress Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000004383 yellowing Methods 0.000 description 1
Classifications
-
- 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
-
- 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
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/12—Simultaneous equations, e.g. systems of linear equations
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Aviation & Aerospace Engineering (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提公开了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,包括以下步骤:1)通过无人机多载荷低空遥感技术获取的多光谱影像和地面实测叶绿素含量,并计算NDVI、SAVI和RENDVI植被指数;2)选取植被指数分别与实测叶绿素含量在不同生育期构建回归方程,并从中选择每个生育期中相关性最高的回归方程作为该生育期的最优模型方程;3)根据最优模型方程,来反演各个时期的叶绿素含量,并对不同干旱等级之间的叶绿素含量阈值进行率定;4)通过实时监测获得待测地块的多光谱影像计算出所需要的植被指数,反演得到叶绿素含量,与阈值进行比对,判断实时旱情等级。本发明的方法用于夏玉米旱情监测判别精度高、速度快,具有通用性和实用性。
Description
技术领域
本发明属于旱情监测技术领域,尤其涉及夏玉米旱情的监测,具体为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。
背景技术
干旱是影响作物生长发育与产量的主要自然因素,长期大范围的干旱会造成农作物大幅减产。降水和灌溉生长发育过程中水分的主要来源,玉米是喜水作物且对水分胁迫较为敏感,水分亏缺会抑制玉米正常的生理代谢活动、影响玉米正常生长发育,产量降低,一般年份减产20%~30%,严重年份导致大面积减产,甚至颗粒无收。我国农业基础设施薄弱,灌溉技术和制度不够完善,目前大部分地区仍采用大水漫灌的传统方式,这种方式导致灌溉不均匀,水资源利用效率不高。玉米不同阶段需水量量不同,玉米从出苗到拔节期,植株小,生长慢,对水分的需求少,土壤水分控制在田间持水量的60%左右,玉米抽穗期到乳熟期是植株快速生长时期,对水分十分敏感,抽穗开花期水分需求量达到最高值,缺水将会造成严重影响,使其减产20%-50%,成熟期对水分的需求量仅为4%-7%,因此根据玉米对水分需求量的不同,及时灌溉才能保证玉米植株的正常生长。在玉米生长发育过程中土壤水分状况能够反映植被水分状况,如果土壤水分不足,作物的生理需水得不到供给,严重影响作物正常的生长发育和生产能力,抑制作用表现在生理参数和外观形态,然而这些参数的变化是十分复杂的,单纯的靠人力去观测这些参数既费时、费力、空间代表性差和易损坏植株,难以对植被进行长期有效且高精度的观测。
目前玉米旱情监测主要通过土壤墒情监测评估与植被指数等遥感监测实施,物理机制不够明确,费时费力,造成大范围旱情监测精度不高,监测效率也低。
遥感技术能够较好的反映土壤水分的变化,能够快速、高效、无损的获取旱情信息,但是遥感影像受到分辨率、天气、重访周期等因素的影响,容易造成数据丢失,时间的不连续和空间分辨率低等问题。植被干旱遥感监测方法有两大类,一类是基于水分含量的植被干旱监测,另一类是在目前实际的旱情监测系统中应用最为广泛的遥感干旱指数法。指数能够较好的反映土壤水分的变化,但由于遥感指数农业干旱遥感监测机理性不足,以及农业干旱遥感监测指标的匮乏,限制了农作物干旱遥感监测的深入应用。
基于无人机遥感的作物监测现已成为研究的重点,无人机能够随时获取高精度的遥感数据,能够发挥在农田精细尺度和动态连续监测的优势基于无人机的低空遥感技术能为大田区域内信息监测提供快速而便捷的服务。
基于无人机平台的低空遥感监测具有区域监测、高时空分辨率、云下作业、机动灵活、成本低、快速高效等独特技术优势,能够实现农田精细尺度和动态连续监测,现已经广泛应用到干旱监测方面。但现有无人机旱情监测主要集中在洋葱和果树等,在大田作物的监测中相对较少,无法满足农业精准灌溉的需求。
叶绿素是叶绿体内参与光合作用的重要色素,是评价作物健康生长状况的重要参数,作物遭受干旱胁迫时最直观的表现是叶片黄化,因此估测绿色植被的叶绿素含量对作物健康生长有着重要的意义。现采用无人机低空遥感进行夏玉米监测,对于划定不同干旱等级阈值的叶绿素含量研究较少,该技术还不成熟。
发明内容
本发明的目的在于:基于上述技术缺陷,提出一种通过叶绿素含量分析对夏玉米旱情快速监测判别的方法,在不同干旱条件下,提高检测精度和监测效率。
本发明的目的是这样实现的:
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,包括以下步骤:
1)数据采集:包括通过无人机多载荷低空遥感技术获取的多光谱影像数据和地面实测叶面指数数据:通过多光谱影像数据计算NDVI、SAVI和RENDVI植被指数;
2)构建夏玉米各生长阶段不同干旱程度叶绿素含量反演模型:使用协同配准NDVI-OTSU方法进行土壤背景剔除,提取夏玉米冠层纯植被指数像元值,选取NDVI、RENDVI和SAVI植被指数分别与实测的叶绿素含量在不同生育期构建3种类型的回归方程,并从中选择每个生育期中与叶绿素含量相关性最高的回归方程作为该生育期的最优模型方程;所述不同生育期指玉米的拔节期、抽穗期、吐丝期、成熟期;所述3种类型的回归方程为线性方程、指数方程及对数方程;
3)不同干旱等级的叶绿素含量阈值的率定:根据步骤2)中获取的各个生育时期的最优模型方程,来反演各个时期的叶绿素含量,并对不同干旱等级之间的叶绿素含量阈值进行率定;
4)旱情等级的实时判别:通过实时监测获得待测地块的多光谱影像,并计算出所需要的植被指数,将该植被指数带入到步骤2)率定的对应生育期的最优模型方程中反演得到叶绿素含量值,然后将该叶绿素含量值与步骤3)中该时期的阈值进行比对,判断实时旱情等级。
进一步的的优化,步骤1)中所述多光谱影像数据的获取:应用FL-81四旋翼无人机集成搭载MicaSense RedEdge-MTM多光谱相机获取多光谱航片,飞行高度设置为55m,对应地面分辨率4cm,镜头可获取的波长分别为蓝光波段、绿光波段、红光波段、红边、近红外波段。
进一步的,步骤1)中所述实测叶绿素含量:使用叶绿素含量分析仪SPAD-502Plus测量SPAD值,每个地块选择8株测定叶片的相对叶绿素含量(SPAD),以平均值作为该小区的SPAD值,进行叶片绝对叶绿素含量Cab/μg·cm-2的计算公式如下:
Cab=0.11SPAD1.5925
进一步的,步骤2)中拔节期的最优模型方程为SAVI与叶绿素含量的对数模型回归方程、抽穗期的最优模型方程为RENDVI与叶绿素含量的线性模型回归方程、吐丝期的最优模型方程为NDVI与叶绿素含量的对数模型回归方程、成熟期的最优模型方程为RENDVI与叶绿素含量指数模型回归方程。
进一步的,步骤3)率定的不同干旱等级之间的叶绿素含量阈值为:对于拔节期的叶绿素含量:正常情况>54.9,轻旱53.1~54.9;中旱51.0~53.1;重旱<51.0;对于抽穗期的叶绿素含量:正常情况>65.4,轻旱59.2~65.4;中旱54.1~59.2;重旱<54.1;对于吐丝期的叶面积指数:正常情况>60.0,轻旱56.1~60.0;中旱52.0~56.1;重旱<52.0;对于成熟期的叶面积指数:正常情况>55.5,轻旱47.8~55.5;中旱43.5~47.8;重旱<43.5;
进一步的,步骤3)率定的不同干旱等级之间的叶绿素含量的率定方法为:首先,计算不同干旱等级地块反演结果平均值,然后再分别计算相邻两个干旱等级地块的平均值的中值,将其作为两个相邻干旱等级间的阈值。
以拔节期的阈值率定为例,计算好NDVI、SAVI和RENDVI各植被指数,各植被指数与实测叶绿素含量回归分析,从而构建基于线性、指数和对数构建模型,确定拔节期相关性最高的回归模型是SAVI与叶绿素含量对数模型,将SAVI反演得到不同干旱程度的夏玉米叶绿素含量结果,从而进行正常、轻旱、中旱、重旱阈值等级划分,确定阈值范围,首先计算各干旱等级的平均值,再计算正常平均值和轻旱平均值的中值,将中值作为区别两种干旱等级的阈值,轻旱和中旱,中旱和重旱结果同上。
本发明的优点和有益效果是:
本发明的方法用于夏玉米旱情监测判别具有较高精度。提取阈值灵活、稳定、快速,通过对比分析得到各生育期最佳叶绿素含量反演模型,率定不同干旱等级叶绿素含量阈值,来实现高精度的旱情快速监测判别。能够利用该方法对大片夏玉米进行旱情快速且高效的判断,操作方便,精度较高。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1为本发明实施例1研究区域概况;
图2为本发明实施例1研究区域地块设计;
图3为本发明实施例1拔节后期各植被指数与叶绿素含量3种模型相关性;
图4为本发明实施例1抽穗期各植被指数与叶绿素含量3种模型相关性;
图5为本发明实施例1吐丝期各植被指数与叶绿素含量3种模型相关性;
图6为本发明实施例1成熟期各植被指数与叶绿素含量3种模型相关性;
图7拔节期叶绿素含量反演结果;
图8抽穗期叶绿素含量反演结果;
图9吐丝期叶绿素含量反演结果;
图10成熟期叶绿素含量反演结果。
具体实施方式
实施例1:
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,
研究区域的选取及前期准备:
本实施例研究区域位于陕西省渭南市富平县东雷二期抽黄灌区(109°10′-110°10′E、34°41′-35°00′N),地处陕西省关中地区东部,黄河以西,渭河以北的黄土波状台塬区北部,海拔385m~635m。灌区东临黄河,西至富平县城,南邻“陕西省交口抽渭灌区”和“渭南市洛惠渠灌区”,北靠乔山,地势西北高,东南低。属于温带大陆性季风气候,冬季寒冷干燥,夏季炎热多雨,50%以上的降雨集中在夏季,年平均降雨量519mm-552mm,其远小于年年平均蒸发量(1700mm-2000mm),是典型的半干旱地区。全灌区总面积为1469.81km2。灌区作物以小麦、玉米为主。
(1)地块设计
实验地块选择位于开阔的田块上、地势平坦,土壤壤质为垆土,地下水埋深在2m以下,可排、灌溉水,面积为10m*16m的地块两个,地块上方搭建可开闭式遮雨大棚,排除降水影响。地块均匀分为11个4m*4m的小区块,为保证水分控制实验的实施,小区之间保持2m防止渗漏并对地块进行隔离(图2)。实验田内设有土壤湿度传感器17套,其中雨根设备架设11个地块,科百架设6个地块,观测时间的分辨率为30分钟。种植玉米品种为本地优势品种裕丰620,玉米行距为70cm,播种深度为3-5cm,于6月27日播种,玉米生长过程中参照当地农民管理措施进行常规大田管理。
(2)水分控制设计
将玉米全生育期划分为4个生育阶段,各生育阶段名称及详细划分(表2-1),为保证出苗齐全,于拔节期开始进行水分处理直至成熟,分别设计5种干旱程度处理(正常、轻旱、中旱、重旱和特旱)。玉米的干旱程度划分根据《农业气象观测规范玉米-QX/T361-2016》,每个地块埋设深度为10cm、20cm和40cm的土壤湿度探头,用来测定不同深度的土壤含水量,灌水上下限根据田间持水量(29.5%)的百分比确定。
表1夏玉米水分控制程度划分
旱情快速监测判别方法具体包括以下步骤:
1)数据采集:包括通过无人机多载荷低空遥感技术获取的多光谱影像数据和地面实测叶绿素数据:通过多光谱影像数据计算NDVI、RENDVI和SAVI植被指数;所述多光谱影像数据的获取:应用FL-81四旋翼无人机集成搭载多光谱相机获取多光谱航片,飞行高度设置为55m,对应地面分辨率4cm,镜头可获取的波长分别为蓝光波段、绿光波段、红光波段、红边、近红外波段。地面实测叶绿素含量:使用叶绿素含量分析仪SPAD-502Plus测量SPAD值,每个地块选择8株测定叶片的相对叶绿素含量(SPAD),以平均值作为该小区的SPAD值,进行叶片绝对叶绿素含量Cab/μg·cm-2的计算公式如下:
Cab=0.11SPAD1.5925
本实施例中各植被指数的计算公式采用表2中的公式进行计算。
表2各植被指数计算公式
注:ρNIR、ρR、ρG、ρB和ρRE分别为近红外波段、红波段、绿波段、蓝波段和红边波段的反射率。
2)构建夏玉米各生长阶段不同干旱程度叶绿素含量反演模型:使用协同配准NDVI-OTSU方法进行土壤背景剔除,提取夏玉米冠层纯植被指数像元值,选取NDVI、RENDVI和SAVI植被指数分别与实测的叶绿素在不同生育期构建3种类型的回归方程,并从中选择每个生育期中与叶绿素含量相关性最高的回归方程作为该生育期的最优模型方程;所述不同生育期指玉米的:拔节期、抽穗期、吐丝期、成熟期;所述3种类型的回归方程为线性方程、指数方程及对数方程;
从多光谱数据中提取植被指数NDVI、EVI、RENDVI与实测叶绿素含量进行回归分析,得到各生育期不同干旱等级的植被指数与叶绿素含量3种回归模型,如图4~图6,利用SAVI、NDVI、RENDVI植被指数反演叶绿素含量整体相关性较好,R2均在0.55以上。其中拔节后期和吐丝期相关性要优于抽穗期和成熟期,吐丝期NDVI与叶绿素含量的对数模型相关性最高,R2=0.9178。
拔节期3种回归模型与叶绿素含量的相关性整体较好,相关系数均在0.8左右,3种模型中对数模型的相关性要大于指数模型和线性模型。SAVI与叶绿素含量的指数模型和对数模型、RENDVI与叶绿素含量的对数模型相关系数值均达到了0.8以上,NDVI与叶绿素含量的模型相关系数均大于0.7。相关性最佳为SAVI与叶绿素含量的对数模型,R2=0.8068,因此选用SAVI作为植被指数来反演拔节期夏玉米叶绿素含量,从而监测拔节期不同地块的受旱程度。抽穗期利用SAVI、NDVI、RENDVI植被指数反演叶绿素含量,NDVI与REVDVI模型相关性均达到了0.6以上,反演效果较好,SAVI与叶绿素含量的模型相关性很低,说明SAVI不适合在抽穗期反演叶绿素含量。RENDVI与叶绿素含量的线性模型的相关性最高,R2=0.8666,因此选用RENDVI作为植被指数来反演抽穗期夏玉米叶绿素含量,从而监测抽穗期不同地块的受旱程度。吐丝期3种回归模型与叶绿素含量的相关性整体较好,R2最高为0.9178,最低为0.7519,相关性较好。NDVI与叶绿素含量的3种模型R2均为0.9以上,其中对数模型的相关性最佳,RENDVI与叶绿素含量的3种模型相关系数均大于0.85,模型相关性差别不大,SAVI与叶绿素含量的模型相关性要低于前两个模型,3种模型R2均在0.75附近,反演效果较好。在反演吐丝期夏玉米叶绿素含量时,选用相关性最高的NDVI与叶绿素含量的对数模型。成熟期的整体反演效果要低于其它几个生育期,R2为0.6左右,三种模型中指数模型的相关性要大于对数模型和线性模型。RENDVI与叶绿素含量回归模型相关性最高,其次是SAVI与叶绿素含量回归模型,NDVI与叶绿素含量回归模型,其中RENDVI与叶绿素含量指数模型相关性最高,R2=0.6451,因此选用RENDVI作为植被指数来反演成熟期夏玉米叶绿素含量,从而监测成熟期不同地块的受旱程度。
表3不同生育期各植被指数与叶绿素含量的最优回归方程
注:x为植被指数,y为反演的叶绿素含量
3)不同干旱等级的叶绿素含量阈值的率定:根据步骤2)中获取的各个生育时期的最优模型方程,来反演各个时期的叶绿素含量,并对不同干旱等级之间的叶绿素含量阈值进行率定。基于飞龙-81获取的无人机多光谱影像,反演获取作物叶绿素含量,根据表4率定后的阈值进行干旱程度划分。
表4无人机数据率定后的不同干旱程度夏玉米叶绿素含量阈值
4)旱情等级的实时判别:通过实时监测获得待测地块的多光谱影像,并计算出所需要的植被指数,将该植被指数带入到步骤2)率定的对应生育期的最优模型方程中反演得到叶绿素含量,然后将该叶绿素含量与步骤3)中该时期的阈值进行比对,判断实时旱情等级。
基于无人机获取的各生育期多光谱影像数据,反演夏玉米叶绿素含量,从而得到不同干旱等级的地块分布图,由结果图7~10可知,西3地块和东6地块植株主要表现为轻度干旱和中度干旱,西4、东1、东2地块为重度干旱,是实验预计结果一致,SAVI对数模型能够很好地估算拔节后期夏玉米叶绿素含量;抽穗期西2地块表现为轻度干旱,东3地块表现为轻度干旱和中度干旱,而东4、东1、东2为重旱地块,地块表现特征与实验设计相符合,RENDVI线性模型能够很好地估算抽穗期夏玉米叶绿素含量;吐丝期整体反演效果较好,未设计地块主要表现为不旱,设计地块西2主要变现为不旱和轻度干旱,东3为中度干旱,东4、东1、东2为重旱地块,其中西3和西4由于前期控制仍保留了部分胁迫特征。NDVI对数模型能够很好地估算吐丝期夏玉米叶绿素含量;成熟期实验设计在西侧地块里西2为轻旱地块,西3为中旱地块,东侧地块里东1、东2为重旱地块,东3分别为中旱和重旱地块,而反演结果显示大部分地块处于轻旱和不旱是因为此时受到了降雨的影响,RENDVI线性模型适用于估算成熟期夏玉米叶绿素含量。植被指数NDVISAVI和RENDVI与实测叶绿素含量回归模型能够很好的估测各生育期不同干旱程度叶绿素含量。
选取在每个地块土壤湿度传仪器埋设附近选取共1000个样本点进行精度验证,利用率定好的阈值进行各生育期单指标精度验证,叶绿素含量拔节-抽穗期的52个样本点不符合阈值范围,948个样本点符合阈值结果,因此对其精度进行计算,结果为94.8%;抽穗-吐丝期85个样本点不符合阈值范围,915个样本点符合阈值结果,因此对其精度进行计算,结果为91.5%;吐丝-乳熟期83个样本点不符合阈值范围,917个样本点符合阈值结果,因此对其精度进行计算,结果为91.7%。
最后应说明的是,以上仅用以说明本发明的技术方案而非限制,尽管参照较佳布置方案对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围。
Claims (5)
1.一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,其特征在于:包括以下步骤:
1)数据采集:包括通过无人机低空遥感技术获取的多光谱影像数据和地面实测叶绿素含量数据:通过多光谱影像数据计算植被指数NDVI、RENDVI和SAVI;
2)构建夏玉米各生长阶段不同干旱程度叶绿素含量反演模型:进行土壤背景像元剔除,提取夏玉米冠层纯植被指数像元值,选取步骤1)中计算的植被指数NDVI、RENDVI和SAVI分别与实测的叶绿素含量数据在不同生育期构建3种类型的回归方程,并从中选择每个生育期中与叶绿素含量相关性最高的回归方程作为该生育期的最优模型方程;所述不同生育期指玉米的拔节期、抽穗期、吐丝期、成熟期;所述3种类型的回归方程为线性方程、指数方程及对数方程;步骤2)中拔节期的最优模型方程为SAVI与叶绿素含量的对数模型回归方程、抽穗期的最优模型方程为RENDVI与叶绿素含量的线性模型回归方程、吐丝期的最优模型方程为NDVI与叶绿素含量的对数模型回归方程、成熟期的最优模型方程为RENDVI与叶绿素含量的指数模型回归方程;
3)不同干旱等级的叶绿素含量阈值的率定:根据步骤2)中获取的各个生育期的最优模型方程,来反演各个生育期的叶绿素含量,并对不同干旱等级之间的叶绿素含量阈值进行率定;
4)旱情等级的实时判别:通过实时监测获得待测地块的多光谱影像,并计算出所需要的植被指数,将该植被指数带入到步骤2)中获取的各个生育期的最优模型方程,来反演各个生育期的叶绿素含量,然后将该叶绿素含量值与步骤3)中各个生育期的阈值进行比对,判断实时旱情等级。
2.根据权利要求1所述的基于叶绿素含量的夏玉米旱情无人机快速监测判别方法,其特征在于:步骤1)中所述多光谱影像数据的获取:应用FL-81四旋翼无人机集成搭载MicaSense RedEdge-MTM多光谱相机获取多光谱航片,飞行高度设置为55m,对应地面分辨率4cm,镜头可获取的波长分别为蓝光波段、绿光波段、红光波段、红边、近红外波段。
3.根据权利要求1所述的基于叶绿素含量的夏玉米旱情无人机快速监测判别方法,其特征在于:步骤1)中地面实测叶绿素含量:使用叶绿素含量分析仪SPAD-502Plus测量SPAD值,每个地块选择8株测定叶片的相对叶绿素含量SPAD值,以平均值作为该地块的SPAD值,进行叶片绝对叶绿素含量Cab/μg·cm-2的计算公式如下:
Cab=0.11SPAD1.5925。
4.根据权利要求1所述的基于叶绿素含量的夏玉米旱情无人机快速监测判别方法,其特征在于:步骤3)率定的不同干旱等级之间的叶绿素含量阈值为:对于拔节期的叶绿素含量:正常情况>54.9,轻旱53.1~54.9,中旱51.0~53.1,重旱<51.0;对于抽穗期的叶绿素含量:正常情况>65.4,轻旱59.2~65.4,中旱54.1~59.2,重旱<54.1;对于吐丝期的叶绿素含量:正常情况>60.0,轻旱56.1~60.0,中旱52.0~56.1;重旱<52.0;对于成熟期的叶绿素含量:正常情况>55.5,轻旱47.8~55.5,中旱43.5~47.8,重旱<43.5。
5.根据权利要求1所述的基于叶绿素含量的夏玉米旱情无人机快速监测判别方法,其特征在于:步骤3)率定的不同干旱等级之间的叶绿素含量阈值的率定方法为:首先,计算不同干旱等级反演得到的叶绿素含量平均值,然后再分别计算相邻两个干旱等级的平均值的中值,将其作为不同干旱等级的阈值。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211140492.5A CN115950838B (zh) | 2022-09-20 | 2022-09-20 | 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 |
PCT/CN2023/119395 WO2024061159A1 (zh) | 2022-09-20 | 2023-09-18 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211140492.5A CN115950838B (zh) | 2022-09-20 | 2022-09-20 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115950838A CN115950838A (zh) | 2023-04-11 |
CN115950838B true CN115950838B (zh) | 2023-08-01 |
Family
ID=87288320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211140492.5A Active CN115950838B (zh) | 2022-09-20 | 2022-09-20 | 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 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115950838B (zh) |
WO (1) | WO2024061159A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115950838B (zh) * | 2022-09-20 | 2023-08-01 | 中国水利水电科学研究院 | 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 |
CN116735538B (zh) * | 2023-08-15 | 2024-05-24 | 山东科技大学 | 一种基于氮素分配模型的作物氮素累积量遥感预测方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355143A (zh) * | 2016-08-25 | 2017-01-25 | 中国农业大学 | 多源多时相高分遥感影像的制种玉米田识别方法及系统 |
CN106780079B (zh) * | 2016-11-28 | 2020-12-29 | 山东省农业可持续发展研究所 | 基于遥感数据的冬小麦不同生育期叶面积指数反演方法 |
CN107024439A (zh) * | 2017-03-23 | 2017-08-08 | 西北农林科技大学 | 一种水稻不同生育期叶绿素含量高光谱估测方法 |
CN108629494B (zh) * | 2018-04-19 | 2020-11-06 | 三峡大学 | 干旱等级评估方法及系统 |
CN109115725B (zh) * | 2018-06-14 | 2020-04-14 | 中国农业大学 | 一种玉米冠层lai和叶绿素含量联合反演方法和设备 |
CN108760660A (zh) * | 2018-08-17 | 2018-11-06 | 山东农业大学 | 一种返青期冬小麦叶绿素含量估算方法 |
CN110567891B (zh) * | 2019-09-16 | 2021-09-07 | 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 |
CN113008843B (zh) * | 2019-12-22 | 2022-02-18 | 中国科学院空天信息创新研究院 | 基于tropomi叶绿素荧光遥感的冬小麦旱情监测方法 |
CN111965117A (zh) * | 2020-08-04 | 2020-11-20 | 中国水利水电科学研究院 | 基于prospect模型的冬小麦水分监测方法、监测系统 |
CN112231638B (zh) * | 2020-09-29 | 2024-02-06 | 西安科技大学 | 一种太阳诱导叶绿素荧光干旱监测方法 |
EP4047517A1 (en) * | 2021-02-22 | 2022-08-24 | Yara International ASA | Remote soil and vegetation properties determination method and system |
CN113268923B (zh) * | 2021-05-17 | 2023-06-20 | 中国水利水电科学研究院 | 一种基于模拟多光谱的夏玉米产量估算方法 |
CN115950838B (zh) * | 2022-09-20 | 2023-08-01 | 中国水利水电科学研究院 | 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 |
-
2022
- 2022-09-20 CN CN202211140492.5A patent/CN115950838B/zh active Active
-
2023
- 2023-09-18 WO PCT/CN2023/119395 patent/WO2024061159A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2024061159A1 (zh) | 2024-03-28 |
CN115950838A (zh) | 2023-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115950838B (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 | |
CN110472184B (zh) | 一种基于Landsat遥感数据的多云雨雾地区水稻识别方法 | |
CN106372592B (zh) | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 | |
CN108662991B (zh) | 基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法 | |
Campos et al. | Assessing satellite-based basal crop coefficients for irrigated grapes (Vitis vinifera L.) | |
CN111241912A (zh) | 一种基于机器学习算法的多植被指数的水稻产量估测方法 | |
CN108802728B (zh) | 双极化合成孔径雷达与作物模型同化的作物灌溉指导方法 | |
Ortega-Salazar et al. | Performance of the METRIC model for mapping energy balance components and actual evapotranspiration over a superintensive drip-irrigated olive orchard | |
CN111275567B (zh) | 基于无人机影像的senp棉花产量估算方法及估算模型构建方法 | |
CN109325433A (zh) | 引入地形因子的黑土区大豆生物量多时相遥感反演方法 | |
CN116502901A (zh) | 一种基于光学遥感数据的农田干旱空间分布评价方法 | |
WO2024061160A1 (zh) | 基于叶面积指数的冬小麦旱情无人机快速监测判别方法 | |
CN116124709B (zh) | 基于叶绿素相对含量的冬小麦旱情无人机监测判别方法 | |
CN106203673A (zh) | 考虑水分胁迫的农作物生物量遥感估算方法 | |
CN113887024A (zh) | 基于归一化温度构建的干旱指数反演表层土壤水分方法 | |
Badr et al. | Estimating growing season length using vegetation indices based on remote sensing: A case study for vineyards in Washington State | |
CN116665073A (zh) | 一种基于多源数据的玉米产量遥感估测方法 | |
CN115855841B (zh) | 基于叶面积指数的夏玉米旱情无人机快速监测判别方法 | |
CN116124774A (zh) | 一种基于无人机光谱多源数据预测冠层氮含量方法 | |
Wittamperuma et al. | Remote-sensing-based biophysical models for estimating LAI of irrigated crops in Murry darling basin | |
Zhuo et al. | Assimilating SAR and optical remote sensing data into WOFOST model for improving winter wheat yield estimation | |
Johansen et al. | Multi-temporal assessment of lychee tree crop structure using multi-spectral RPAS imagery | |
Stoyanova et al. | Unmanned drone multispectral imaging for assessment of wheat and oilseed rape habitus. | |
Yang et al. | Extraction of maize vegetation coverage based on UAV multi-spectral remote sensing and pixel dichotomy | |
Al-Shehhi et al. | Evaluating the effect of soil moisture, surface temperature, and humidity variations on MODIS-derived NDVI values |
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 |