CN116124709A - 基于叶绿素相对含量的冬小麦旱情无人机快速监测判别方法 - Google Patents
基于叶绿素相对含量的冬小麦旱情无人机快速监测判别方法 Download PDFInfo
- Publication number
- CN116124709A CN116124709A CN202211140557.6A CN202211140557A CN116124709A CN 116124709 A CN116124709 A CN 116124709A CN 202211140557 A CN202211140557 A CN 202211140557A CN 116124709 A CN116124709 A CN 116124709A
- Authority
- CN
- China
- Prior art keywords
- drought
- relative content
- chlorophyll
- winter wheat
- chlorophyll relative
- 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
Links
- 229930002875 chlorophyll Natural products 0.000 title claims abstract description 85
- 235000019804 chlorophyll Nutrition 0.000 title claims abstract description 85
- 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 85
- 241000209140 Triticum Species 0.000 title claims abstract description 67
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 64
- 238000012544 monitoring process Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000012010 growth Effects 0.000 claims abstract description 47
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 239000002689 soil Substances 0.000 claims description 18
- 238000012417 linear regression Methods 0.000 claims description 14
- 238000007477 logistic regression Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 5
- 230000008641 drought stress Effects 0.000 abstract description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 18
- 238000003973 irrigation Methods 0.000 description 12
- 230000002262 irrigation Effects 0.000 description 12
- 239000000523 sample Substances 0.000 description 9
- 241000196324 Embryophyta Species 0.000 description 7
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- 238000013401 experimental design Methods 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 244000037666 field crops Species 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002420 orchard Substances 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000009333 weeding 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
- 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
- B64C39/024—Aircraft not otherwise provided for characterised by special use of the remote controlled vehicle type, i.e. RPV
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D47/00—Equipment not otherwise provided for
- B64D47/08—Arrangements of cameras
-
- 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
- G01N21/55—Specular reflectivity
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Aviation & Aerospace Engineering (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Remote Sensing (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于叶绿素相对含量的冬小麦旱情无人机快速监测判别方法,包括:1)通过无人机多载荷低空遥感技术获取多光谱影像和地面实测叶绿素相对含量(SPAD),计算植被指数NDVI、DVI、RVI、EVI、OSAVI和TCARI;2)计算的植被指数分别与实测叶绿素相对含量在不同生育期构建回归方程,并从中选择该生育期的最优模型方程;3)根据最优模型方程,反演各个生育时期的冬小麦叶绿素相对含量,并对不同干旱胁迫等级之间的叶绿素相对含量阈值进行率定;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,反演得到叶绿素相对含量值,与阈值进行比对,判断实时旱情等级。本发明的方法用于冬小麦旱情监测判别精度高、速度快,实用性强。
Description
技术领域
本发明属于旱情监测技术领域,尤其涉及冬小麦旱情的监测,具体为一种基于叶绿素相对含量的冬小麦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。降水是作物生长发育过程中水分的主要来源,我国主要依靠自然降水给冬小麦植株提供生长所需水分,水分亏缺会影响冬小麦正常的生理代谢活动、影响冬小麦正常生长发育,产量降低。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。冬小麦不同阶段需水量不同,冬小麦在出苗期、越冬期时植株小,生长慢,对水分的需求少,冬小麦拔节期植株开始拔高,对水分需求较大,抽穗期到灌浆期是植株快速生长时期,对水分十分敏感,缺水将会造成严重影响。当作物长时间受到干旱胁迫时,叶片中的叶绿素含量明显减少,其主要原因有两个:第一,干旱胁迫使叶绿素发生降解;第二,干旱胁迫使植株难以吸收外界元素,从而造成植株缺素,表现为叶绿素含量减少,植株呈黄褐色。
因此根据冬小麦对水分需求量的不同,及时灌溉才能保证植株的正常生长。在冬小麦生长发育过程中土壤水分状况能够反映植株含水量状况,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,具体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。
目前冬小麦旱情监测主要有两种思路,一是基于站点所测的土壤湿度数据,其优点是对站点周围的干旱情况可以准确反映,但能架设的观测站点密度有限,对区域的长时间序列观测数据有限,难以反映作物旱情的空间特征;二是基于遥感技术构建反映作物本身生长状态的指标进行作物干旱情监测,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,并不适用于区域高频率的获取农情信息。
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果园,在大田作物的监测中相对较少,而种植间距及不同的冠层结构可能会影响其水分监测性能,无法满足农业精准灌溉的需求。现采用无人机低空遥感进行冬小麦监测,对于划定不同干旱等级阈值的叶绿素相对含量研究相对较少,在作物灌溉用水方面仍有不足。
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相对含量分析对冬小麦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:
一种基于叶绿素相对含量的冬小麦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MicaSense RedEdge-MTM多光谱影像数据和地面实测叶绿素相对含量数据:通过多光谱影像数据计算NDVI、DVI、RVI、EVI、OSAVI和TCARI植被指数;
2)构建冬小麦各生长阶段不同干旱程度叶绿素相对含量(SPAD)反演模型:使用NDVI-OTSU方法(计算NDVI后,使用OTSU方法确定小麦与土壤背景二值化分割阈值)进行土壤背景剔除,提取冬小麦冠层纯植被指数像元,选取NDVI、DVI、RVI、EVI、OSAVI和TCARI植被指数分别与实测的叶绿素相对含量在不同生育期构建4种类型的回归方程,并从中选择每个生育期中与叶绿素相对含量(SPAD)相关性最高的回归方程作为该生育时期的最优模型方程;所述不同生育时期指冬小麦的:拔节-抽穗期、抽穗-灌浆期、灌浆-成熟期;所述4种类型的回归方程为一元线性方程、一元多项式方程、指数方程及对数方程;
3)不同干旱等级的叶绿素相对含量阈值的率定:根据步骤2)中获取的各个生育期的最优模型方程,来反演各个时期的叶绿素相对含量(SPAD),并对不同干旱等级之间的叶绿素相对含量阈值范围进行率定;
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相对含量(SPAD)值,然后将该叶绿素相对含量值与步骤3)中该时期的阈值范围进行比对,判断实时旱情等级。
进一步的优化,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、红边波段、近红外波段。
进一步的,步骤1)中所述实测叶绿素相对含量:使用SPAD-502Plus叶绿素相对含量测定仪进行测量,每个地块选择8个样本点取平均值作为该地块叶绿素相对含量(SPAD),样本点在地块内均匀分布。
进一步的,步骤2)中拔节-抽穗期的最优模型方程为DVI与SPAD的一元多项式回归方程、抽穗-灌浆期的最优模型方程为RVI与SPAD的一元多项式回归方程、灌浆-成熟期的最优模型方程为TCARI与SPAD的一元多项式回归方程,所述SPAD表示的为叶绿素相对含量。
进一步的,步骤3)率定的不同干旱等级之间的叶绿素相对含量阈值为:对于拔节-抽穗期的叶绿素相对含量:正常情况>49.8;轻旱46.1~49.8;中旱44.2~46.1;重旱<44.2;抽穗-灌浆期的叶绿素相对含量:正常情况>54;轻旱51.5~54;中旱49~51.5;重旱<49;对于灌浆-成熟期的叶绿素相对含量:正常情况>59.5;轻旱59.1~59.5;中旱56.5~59.1;重旱<56.5。
进一步的,步骤3)率定的不同干旱等级之间的叶绿素相对含量阈值的率定方法为:首先,计算不同干旱胁迫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,将其作为相邻干旱等级的阈值。
本发明的优点和有益效果是:
本发明的方法基于无人机多光谱遥感影像,用于冬小麦不同生育期旱情监测判别均具有较高精度。本方法灵活、稳定、快速,通过对比分析,获取冬小麦不同生育期最优叶绿素相对含量反演模型,率定不同生育期不同干旱胁迫等级下叶绿素相对含量的阈值范围,以实现较高精度的冬小麦旱情快速监测判别。
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-抽穗期各植被指数与叶绿素相对含量4种模型相关性;
图4为本发明实施例1抽穗-灌浆期各植被指数与叶绿素相对含量4种模型相关性;
图5为本发明实施例1灌浆-成熟期各植被指数与叶绿素相对含量4种模型相关性;
图6拔节-抽穗期反演叶绿素相对含量指标冬小麦旱情等级判别结果;
图7抽穗-灌浆期反演叶绿素相对含量指标冬小麦旱情等级判别结果;
图8灌浆-成熟期反演叶绿素相对含量指标冬小麦旱情等级判别结果。
具体实施方式
实施例1:
一种基于叶绿素相对含量的冬小麦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。地貌类型主要包括滩地和塬区两大类型。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,其远小于年平均蒸发量(1700mm-2000mm),降雨形式通常为暴雨或连阴雨,一般在7、8、9月份出现,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。灌区内土壤为粉砂壤土(Silty Loam),平均体积田间持水量为29.5%,平均土壤容重为1.48g/cm3。
(1)地块设计
实验地块选择位于开阔的田块上、地势平坦,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)。实验田内架设有土壤湿度传感器11套,设置每十分钟采集一次,半小时存储一次的模式。种植冬小麦试验品种为“伟隆169”,2020年10月23日播种,机器种植行间距约为12~15cm,播种后施底肥,在整个生育期内化学除草防虫,在冬小麦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
将冬小麦全生育期划分为3个生育时期,各生育时期名称及详细划分(表1)。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,并以20cm处土壤湿度为准设置不同干旱胁迫程度。为保证出苗齐全,在冬小麦拔节期之前所有地块均给予等量的灌溉,于拔节期开始进行水分处理直至冬小麦成熟,每个生育时期分别设计5种干旱程度处理(正常、轻旱、中旱、重旱和特旱)。冬小麦的干旱胁迫程度根据《冬小麦灾害田间调查及分级技术规范-NY/T 2283-2012》划分,为保持干旱等级土壤湿度所进行的灌水上下限根据田间持水量(29.5%)的百分比确定。
表1冬小麦水分控制方案
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相对含量数据:通过多光谱影像数据计算NDVI、DVI、RVI、EVI、OSAVI和TCARI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、红边波段、近红外波段。使用SPAD-502Plus叶绿素相对含量测定仪进行测量,每个地块选择8个样本点取平均值作为该地块叶绿素相对含量(SPAD)值,样本点在地块内均匀分布;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)构建冬小麦各生长阶段不同干旱程度叶绿素相对含量(SPAD)反演模型:使用NDVI-OTSU方法进行土壤背景剔除,提取冬小麦冠层纯植被指数像元值,选取NDVI、DVI、RVI、EVI、OSAVI和TCARI植被指数分别与实测的叶绿素相对含量在不同生育期构建4种类型的回归方程,并从中选择每个生育期中与叶绿素相对含量(SPAD)相关性最高的回归方程作为该生育期的最优模型方程;所述不同生育期指冬小麦的:拔节-抽穗期、抽穗-灌浆期、灌浆-成熟期;所述4种类型的回归方程为一元线性回归方程、一元多项式回归方程、指数回归方程及对数回归方程;
从不同生育期的多光谱数据中计算植被指数NDVI、DVI、RVI、EVI、OSAVI和TCARI与实测SPAD值进行回归分析,得到不同生育时期不同干旱等级的各植被指数与SPAD的一元线性、一元多项式、指数、对数4种回归模型。
如图3~图5,在冬小麦各个生育时期,无论使用哪种植被指数与SPAD的反演模型,一元多项式总是具有最高的反演精度。在冬小麦拔节-抽穗期,DVI-SPAD模型的一元多项式回归模型与一元线性回归模型反演精度最高,其R2为0.89,指数回归模型与对数回归模型R2分别为0.88与0.86。另外TCARI-SPAD模型的一元多项式回归模型精度也较高,其R2为0.88,但其他三个回归模型精度一般,R2均在0.71以下。EVI-SPAD模型的一元线性回归模型、一元多项式回归模型、指数回归模型精度均较高,R2均为0.86,对数回归模型的R2也达0.84。OSAVI-SPAD模型总体反演精度也比较理想,其一元多项式回归模型R2为0.84,其余三个回归模型精度稍低,R2在0.76~0.81之间。RVI-SPAD模型反演精度较不理想,其一元多项式回归模型R2仅为0.51,其余三个回归模型的R2均在0.24以下。NDVI-SPAD模型反演精度较差,一元线性回归模型、一元多项式回归模型、指数回归模型与对数回归模型的R2均在0.01以下。
在冬小麦抽穗-灌浆期,此生育阶段叶绿素相对含量反演精度并不十分理想,其RVI-SPAD模型与EVI-SPAD模型的一元多项式回归模型反演精度均较高,R2均为0.66,对数回归模型的R2分别为0.59与0.58,一元线性回归模型的R2分别为0.56与0.49,指数回归模型反演精度均为最低,R2分别为0.55与0.49。其次NDVI-SPAD模型精度较理想,其一元多项式回归模型精度R2为0.65,对数回归模型R2为0.64,一元线性回归模型与指数回归模型R2均为0.63。DVI-SPAD模型的一元多项式回归模型R2为0.64,指数回归模型反演精度也同样最低,R2分别为0.63与0.56。OSAVI-SPAD模型的一元多项式回归模型R2为0.61,对数回归模型的反演精度稍低,其R2为0.52,一元线性回归模型与指数回归模型R2分别为0.50与0.49。TCARI-SPAD模型反演精度最低,其一元多项式回归模型精度相对理想,其R2为0.60,一元线性回归模型与指数回归模型的反演精度略低,R2均为0.57,对数回归模型R2为0.55。
在冬小麦灌浆-成熟期,TCARI-SPAD模型反演总体精度最高,其中,一元多项式回归模型R2为0.83,指数回归模型与对数回归模型反演精度也较高,R2均为0.82,一元线性回归模型R2为0.76。另外,DVI-SPAD模型精度也比较理想,其一元线性与一元多项式回归模型R2均为0.71,其余两个反演模型的R2分别为0.68与0.67。OSAVI-SPAD模型与NDVI-SPAD模型精度并不理想,其中OSAVI-SPAD模型一元线性回归模型与一元多项式回归模型R2均为0.53,对数回归模型与指数回归模型R2分别为0.52与0.50;对于NDVI-SPAD模型,一元线性回归模型R2为0.49,指数回归模型与一元线性回归模型R2均为0.48,对数回归模型的R2为0.47。EVI-SPAD模型的反演精度较差,一元线性回归模型、一元多项式回归模型与对数回归模型的R2均为0.37,指数回归模型的R2为0.36。RVI-SPAD模型的反演精度最低,各回归模型的R2均在0.27及以下。
表3不同生育期各植被指数与SPAD的最优回归方程
注:x为植被指数,y为反演的叶绿素相对含量。
3)不同干旱等级的叶绿素相对含量阈值的率定: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相对含量(SPAD),并对不同干旱等级之间的叶绿素相对含量阈值进行率定。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相对含量,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冬小麦叶绿素相对含量阈值
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相对含量(SPAD)值,然后将该叶绿素相对含量值与步骤3)中该时期的阈值进行比对,判断实时旱情等级。
由图6~8可知,在拔节-抽穗期,识别X6、X1、X2为受轻度、中度与重度干旱胁迫的地块,D1与D2为受特别干旱胁迫的地块,这与实际中实验设计一致。可知基于DVI一元多项式模型能够很好地估算拔节-抽穗期冬小麦叶绿素相对含量,并可以根据率定的阈值实现冬小麦拔节-抽穗期干旱胁迫等级监测。在抽穗-灌浆期,识别X2、D4、D6为受轻度、中度与重度干旱胁迫的地块,且D1与D2为受特别干旱胁迫的地块,同样与实际中实验设计一致。可知基于RVI一元多项式模型能够很好地估算抽穗-灌浆期冬小麦叶绿素相对含量,并可以根据率定的阈值实现冬小麦该生育时期的干旱胁迫等级监测。在灌浆-成熟期,识别D5、X4、D3为受轻度、中度与重度干旱胁迫的地块,且D1与D2为受特别干旱胁迫的地块,同样与实际中实验设计一致。可知基于TCARI一元多项式模型能够很好地估算灌浆-成熟期冬小麦叶绿素相对含量,并可以根据率定的阈值实现冬小麦该生育时期的干旱胁迫等级监测。
基于无人机多光谱遥感影像反演的叶绿素相对含量及其阈值表,在除实验地外的其他大田区域的2个土壤湿度传感器100m范围内分别随机选取400个样本点,共800个样本点进行干旱胁迫等级判别精度验证,并与土壤湿度传感器所记录的土壤水分受干旱胁迫等级进行对比验证。在拔节-抽穗期共745个样本点正确判别干旱胁迫等级,精度为93.1%;在先后随-灌浆期正确判别样本点744个,精度为93%;在灌浆-成熟期正确判别736个,精度为92.0%。SPAD指标总体判别精度达92.7%。
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 (6)
1.一种基于叶绿素相对含量的冬小麦旱情无人机快速监测判别方法,其特征在于:包括以下步骤:
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相对含量数据:通过多光谱影像数据计算植被指数,所述植被指数包括NDVI、DVI、RVI、EVI、OSAVI和TCARI;
步骤2)构建冬小麦各生长阶段不同干旱程度叶绿素相对含量反演模型:进行土壤背景像元剔除,提取冬小麦纯冠层植被指数像元,选取NDVI、DVI、RVI、EVI、OSAVI和TCARI植被指数分别与实测的叶绿素相对含量在不同生育期构建4种类型的回归方程,并从中选择每个生育期中与叶绿素相对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;所述不同生育期指冬小麦的:拔节-抽穗期、抽穗-灌浆期、灌浆-成熟期;所述4种类型的回归方程为一元线性回归方程、一元多项式回归方程、指数回归方程及对数回归方程;
步骤3)不同干旱等级的叶绿素相对含量阈值的率定:根据步骤2)中获取的各个生育期的最优模型方程,来反演各个时期的叶绿素相对含量,并对不同干旱等级之间的叶绿素相对含量阈值进行率定;
步骤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相对含量值,然后将该叶绿素相对含量值与步骤3)中该时期的阈值进行比对,判断实时旱情等级。
2.根据权利要求1所述的基于叶绿素相对含量的冬小麦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、红边波段、近红外波段。
3.根据权利要求1所述的基于叶绿素相对含量的冬小麦旱情无人机快速监测判别方法,其特征在于:步骤1)中所述实测叶绿素相对含量:使用SPAD-502Plus叶绿素相对含量测定仪进行测量,每个地块选择8个样本点取平均值作为该地块叶绿素相对含量,样本点在地块内均匀分布。
4.根据权利要求1所述的基于叶绿素相对含量的冬小麦旱情无人机快速监测判别方法,其特征在于:步骤2)中拔节-抽穗期的最优模型方程为DVI与SPAD的一元多项式回归方程、抽穗-灌浆期的最优模型方程为RVI与SPAD的一元多项式回归方程、灌浆-成熟期的最优模型方程为TACRI与SPAD的一元多项式回归方程,所述SPAD表示的为叶绿素相对含量。
5.根据权利要求4所述的基于叶绿素相对含量的冬小麦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相对含量阈值为:对于拔节-抽穗期的叶绿素相对含量:正常情况>49.8;轻旱46.1~49.8;中旱44.2~46.1;重旱<44.2;抽穗-灌浆期的叶绿素相对含量:正常情况>54;轻旱51.5~54;中旱49~51.5;重旱<49;对于灌浆-成熟期的叶绿素相对含量:正常情况>59.5;轻旱59.1~59.5;中旱56.5~59.1;重旱<56.5。
6.根据权利要求1所述的基于叶绿素相对含量的冬小麦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相对含量阈值的率定方法为:首先,计算每种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的平均值的中值,将其作为该相邻干旱等级的阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211140557.6A CN116124709B (zh) | 2022-09-20 | 2022-09-20 | 基于叶绿素相对含量的冬小麦旱情无人机监测判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211140557.6A CN116124709B (zh) | 2022-09-20 | 2022-09-20 | 基于叶绿素相对含量的冬小麦旱情无人机监测判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116124709A true CN116124709A (zh) | 2023-05-16 |
CN116124709B CN116124709B (zh) | 2023-09-12 |
Family
ID=86301508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211140557.6A Active CN116124709B (zh) | 2022-09-20 | 2022-09-20 | 基于叶绿素相对含量的冬小麦旱情无人机监测判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116124709B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117907248A (zh) * | 2024-03-19 | 2024-04-19 | 中国水利水电科学研究院 | 一种冬小麦关键生育期根系土壤含水量遥感监测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780079A (zh) * | 2016-11-28 | 2017-05-31 | 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 |
CN107192678A (zh) * | 2017-06-06 | 2017-09-22 | 浙江大学 | 一种基于多传感器成像光谱的自走式低空遥感装置 |
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 |
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 |
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 |
CN113008843A (zh) * | 2019-12-22 | 2021-06-22 | 中国科学院遥感与数字地球研究所 | 基于tropomi叶绿素荧光遥感的冬小麦旱情监测方法 |
-
2022
- 2022-09-20 CN CN202211140557.6A patent/CN116124709B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780079A (zh) * | 2016-11-28 | 2017-05-31 | 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 |
CN107192678A (zh) * | 2017-06-06 | 2017-09-22 | 浙江大学 | 一种基于多传感器成像光谱的自走式低空遥感装置 |
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 |
CN113008843A (zh) * | 2019-12-22 | 2021-06-22 | 中国科学院遥感与数字地球研究所 | 基于tropomi叶绿素荧光遥感的冬小麦旱情监测方法 |
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 |
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 |
Non-Patent Citations (1)
Title |
---|
史博太: "关中地区冬小麦叶绿素含量遥感反演研究", 万方学位论文 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117907248A (zh) * | 2024-03-19 | 2024-04-19 | 中国水利水电科学研究院 | 一种冬小麦关键生育期根系土壤含水量遥感监测方法及系统 |
CN117907248B (zh) * | 2024-03-19 | 2024-05-28 | 中国水利水电科学研究院 | 一种冬小麦关键生育期根系土壤含水量遥感监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116124709B (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829234B (zh) | 一种基于高分辨率遥感数据和作物模型的跨尺度高精度动态作物长势监测和估产方法 | |
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 | |
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 | |
Dzikiti et al. | Estimating the water requirements of high yielding and young apple orchards in the winter rainfall areas of South Africa using a dual source evapotranspiration model | |
Campos et al. | Assessing satellite-based basal crop coefficients for irrigated grapes (Vitis vinifera L.) | |
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 | |
Nieuwenhuis et al. | Estimation of regional evapotranspiration of arable crops from thermal infrared images | |
CN106908415A (zh) | 一种基于修正ndvi时间序列的大区域农作物全生育期墒情监测方法 | |
CN111062526B (zh) | 一种冬小麦单产预测方法及系统 | |
CN108982369A (zh) | 融合gf-1wfv和modis数据的地块尺度作物长势监测方法 | |
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 | |
CN115641502B (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 | |
Li et al. | Mapping rice cropping systems using Landsat-derived renormalized index of normalized difference vegetation index (RNDVI) in the Poyang Lake Region, China | |
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 | |
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 | |
Zhang et al. | Evaluating maize evapotranspiration using high-resolution UAV-based imagery and FAO-56 dual crop coefficient approach | |
CN106203673A (zh) | 考虑水分胁迫的农作物生物量遥感估算方法 | |
Zhou et al. | Improved yield prediction of ratoon rice using unmanned aerial vehicle-based multi-temporal feature method | |
López-Vicente et al. | Role of cultivars and grass in the stability of soil moisture and temperature in an organic vineyard | |
Mattia et al. | Time series of COSMO-SkyMed data for landcover classification and surface parameter retrieval over agricultural sites | |
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 | |
Thirupathi et al. | Variability study on the length of growing period (LGP) using ground and space based (MODIS) data for the selected mandals of Warangal district | |
CN113470175B (zh) | 基于光学梯形模型的灌溉区域制图方法 | |
CN113283281A (zh) | 基于多时相遥感影像的茭白种植面积提取方法 | |
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 |