CN116124774A - 一种基于无人机光谱多源数据预测冠层氮含量方法 - Google Patents
一种基于无人机光谱多源数据预测冠层氮含量方法 Download PDFInfo
- Publication number
- CN116124774A CN116124774A CN202211275916.9A CN202211275916A CN116124774A CN 116124774 A CN116124774 A CN 116124774A CN 202211275916 A CN202211275916 A CN 202211275916A CN 116124774 A CN116124774 A CN 116124774A
- Authority
- CN
- China
- Prior art keywords
- canopy
- nitrogen content
- unmanned aerial
- aerial vehicle
- information
- 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
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 title claims abstract description 158
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000001228 spectrum Methods 0.000 title claims abstract description 24
- 241000209140 Triticum Species 0.000 claims abstract description 41
- 235000021307 Triticum Nutrition 0.000 claims abstract description 41
- 241000196324 Embryophyta Species 0.000 claims abstract description 25
- 230000003595 spectral effect Effects 0.000 claims abstract description 23
- 230000004927 fusion Effects 0.000 claims abstract description 13
- 230000000694 effects Effects 0.000 claims description 17
- 230000011218 segmentation Effects 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 11
- 239000002689 soil Substances 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000012850 discrimination method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 4
- 238000010238 partial least squares regression Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000007637 random forest analysis Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 229930002875 chlorophyll Natural products 0.000 description 5
- 235000019804 chlorophyll Nutrition 0.000 description 5
- 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 description 5
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 4
- 230000029087 digestion Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 239000000618 nitrogen fertilizer Substances 0.000 description 4
- 230000029553 photosynthesis Effects 0.000 description 4
- 238000010672 photosynthesis Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- MHAJPDPJQMAIIY-UHFFFAOYSA-N Hydrogen peroxide Chemical compound OO MHAJPDPJQMAIIY-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000004720 fertilization Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 101100137549 Arabidopsis thaliana PRF5 gene Proteins 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 239000002028 Biomass Substances 0.000 description 1
- 101150054426 PRO4 gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000010298 pulverizing process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007873 sieving Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- QAOWNCQODCNURD-UHFFFAOYSA-N sulfuric acid Substances OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 description 1
- 239000006228 supernatant Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000005068 transpiration Effects 0.000 description 1
- 238000005303 weighing 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
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0022—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the radiation of moving bodies
- G01J5/0025—Living bodies
-
- 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
- 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
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
Landscapes
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Immunology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于无人机光谱多源数据预测冠层氮含量方法，采用无人机采集植物多光谱数据、热红外数据和RGB数据，然后对图像进行处理，提取无人机信息：冠层光谱信息、冠层结构信息、冠层热信息和冠层纹理特征；将采集的提取无人机信息进行融合，对植物的含氮量进行预测。本发明的结果表明，多源数据融合技术可以提升对冬小麦氮含量的预测能力。
Description
技术领域
本发明涉及一种基于无人机光谱多源数据预测冠层氮含量方法，属于农业计算机领域。
背景技术
氮素是作物生长发育的必需元素，是叶绿素的重要组成部分，直接影响着叶片的光合作用。当氮肥施加过少，会影响冬小麦的正常生长，导致产量减少。而氮肥施加过多，则会造成资源浪费，并且污染环境。因此，在早期及时准确地监测冬小麦氮含量能够指导合理科学的施肥方案，在保证高产的同时减少资源浪费和环境污染。
传统的冬小麦氮含量检测方法需要进行破坏性取样，并且费时费力。随着遥感技术的发展，卫星遥感数据已经成功应用于各种农作物氮含量预测中。但是，卫星数据空间分辨率低和易受气候影响等缺点限制了对作物各个阶段生长信息获取的能力。无人机(UAV)是一种相对于卫星更为灵活的遥感技术，其提高了空间、时间和光谱分辨率。无人机能够采集作物的光谱信息、热信息和结构信息等的能力已被广泛应用于高通量作物表型和精准农业中。
以往的许多研究表明，利用无人机数据能够有效预测各种作物表型性状。无人机多光谱和高光谱数据获得的光谱信息构建的各种植被指数可以有效预测作物氮含量、LAI等各种表型性状。不同植被指数适应作物的不同生长环境以及对不同的作物性状的敏感度不同，如RECI对冠层叶绿素含量较为敏感，MSAVI适用于裸土比例较高的情况从而对田间的早期植被比较敏感。在作物表型反演过程中，为了获得更好的预测效果，通常同时使用多种植被指数来弥补彼此之间的不足。从无人机光传感器和激光雷达扫描系统中获得的作物株高、冠层覆盖度等结构信息与作物表型性状存在着相关性，一般来说株高和冠层覆盖度越高冬小麦生长状况越好。冠层结构信息在预测作物产量、氮含量等方面已被证实具有可行性。作物冠层温度受叶片气孔水汽通量影响，与作物水分、光合作用和蒸腾作用有关，可以反映出作物生长状况。以往研究表明冬小麦氮含量与冠层温度存在负相关关系。纹理特征是以图像像素间空间变化情况，可以提反映出光谱特征以外的信息，在一定程度上解决只使用光谱数据时的光谱饱和现象。研究发现将纹理特征与光谱信息结合，可以有效提高作物氮含量、生物量和叶绿素含量的预测精度。
以往的研究表明，多传感器融合往往比只使用传感器对作物性状估测的效果好。已有前人使用无人机对冬小麦氮含量进行预测研究，但是使用光谱信息、结构信息、热信息和纹理信息融合对冬小麦氮含量预测的研究还较少。
已有前人对作物叶片阴影的提取分割进行研究，但大多研究的目的是为了消除图像中的阴影，减少阴影对模型的影响，尚未有人以阴影作为变量对作物表型进行估测。
发明内容
本发明提供了一种基于无人机光谱多源数据预测冠层氮含量方法，解决现有研究对冬小麦氮含量预测中，指标单一，结果不准确的问题。
为解决上述技术问题，本发明采用的技术方案为：
一种基于无人机光谱多源数据预测冠层氮含量方法，包括以下步骤：
(1)采用无人机采集植物多光谱数据、热红外数据和RGB数据；
(2)采用Pix4D软件对无人机MS、RGB和TIR图像进行拼接处理，生成正射影像；
(3)提取无人机信息：冠层光谱信息、冠层结构信息、冠层热信息和冠层纹理特征；
(4)对提取到的数据进行回归建模，在对数据进行回归建模时，随机选取数据的3/4作为训练集，剩余1/4作为验证集。为了评价模型预测效果，以验证集平均绝对误差(MAE)和相对均方根误差(rRMSE)作为预测模型的精度评价标准，MAE和rRMSE的值越小表明模型的预测效果越好，其表达式为：
其中，n为测试集的样本总数，yi和分别为氮含量的实测值和预测值，为氮含量实测值的均值；
(5)将采集的提取无人机信息进行融合，对植物的含氮量进行预测。
优选地：所述的冠层光谱信息具体为：利用多光谱的五个波段构建了15个植被指数，多光谱五个波段和15个植被指数作为冠层的光谱信息，进行冠层光谱信息的提取。
优选地：所述的冠层结构信息包括植被覆盖度和冠层叶片阴影覆盖率。
优选地：所述的植被覆盖度提取具体为：使用RE图像分割植株和土壤来获得植被覆盖度，所述的RE图像分割植株和土壤来获得植被覆盖度具体为：使用指数时序图交点法的思想来确定分割阈值，将植物覆盖度较高区域的直方图与覆盖度较低的区域的直方图叠加，两个直方图曲线相交点所对应的色阶值作为初步的分割阈值，再运用目视判别的方法将得到的值略微改动以确保分割的准确性，最后将每个小区提取的植株部分的像素除以该小区总像素数，得到植被覆盖度(VF)；VF的计算公式如下：
植被覆盖度(VF)＝图像中植被总像素/图像总像素
优选地：所述的冠层叶片阴影覆盖率的提取方法如下：增加RGB图像的饱和度和亮度，直到冠层的阴影部分可以很好地与接收到直接光的部分区分开来，在图像中农作物小区中随机截取若干农作物冠层图像，观察每个图像的绿通道的直方图，发现绿通道的直方图最左边的色阶的数量会明显增加形成一个半峰，取其与原本直方图绿通道曲线的交界处的色阶值，每个图像得到的值的平均值作为分割阴影的阈值，CSC计算公式如下:
冠层阴影覆盖率(CSC)＝阴影像素直方图值/像素总直方图值
优选地：所述的冠层热信息提取具体为：使用无人机TIR图像计算归一化相对冠层温度(NRCT)作为冬小麦冠层的热信息，NRCT的计算公式如下：
式中，T为冠层温度，Tmax为所有冬小麦小区测得的最高温度，Tmin为所有冬小麦小区测得的最低温度。
优选地：所述的冠层纹理特征提取具体为：使用灰度共生矩阵(GLCM)提取MS的R、G、Red edge和NIR波段以及RGB的灰度图和TIR图像的纹理特征，提取基于RLCM的八个纹理特征，包括均值、方差、不相似性、对比度、均匀性、二阶矩、相关性和熵。
优选地：采用两个或三个无人机信息融合进行植物氮含量的预测。
本发明的有益效果：
本发明通过收集RGB、多光谱和热红外图像构建多源数据融合数据集。利用随机森林回归、支持向量机回归、偏最小二乘回归预测冬小麦氮含量。结果表明，三种氮含量预测模型的平均绝对误差(MAE)和标准均方根误差(nRMSE)均随模型输入特征数量和数据源种类的增多总体呈下降趋势，其中随机森林模型对氮含量的预测精度最高，MAE为1.616，nRMSE为12.333％。对于使用单传感器构建的模型，多光谱图像数据比RGB和热红外图像数据具有更高的精度。本发明的结果表明，多源数据融合技术可以提升对冬小麦氮含量的预测能力。
冠层叶片阴影覆盖度与氮含量存在着显著的相关性，本发明首次将冠层叶片阴影覆盖度在预测作物表型方面使用，可以有效地提高预测的精准性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1试验田图
图2植被和裸土分割图；
图3冠层阴影分割图；
图4无人机图像处理和建模的工作流程图；
图5CSC与冬小麦氮含量相关性分析图；
图6不同时期下CSC与氮含量的相关性图；
图7单一指标与N含量的相关性图；
图8不同输入特征和数量的不同模型的预测效果图；
图9氮含量实测值和RFR预测值的散点图；
图10氮含量实测值和SVR预测值的散点图；
图11氮含量实测值和PLSR预测值的散点图；
具体实施方式
下面将结合本发明实施例中的附图，对本实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
一种基于无人机光谱多源数据预测冠层氮含量方法，具体如下：
1.场地描述和实验设计
试验地点设置在中国农业科学院新乡综合实验基地，位于华北地区(图1)。图1中(a)为河南省概况，(b)为试验田直观图。该地地处黄河和海河两大流域，土壤肥沃且，属暖温带大陆性季风气候，年平均气温为14℃，年平均降水量573.4mm，适宜冬小麦生长。
试验地设置6个不同的施氮肥处理，每个处理30个小区，共180个小区。使用10个冬小麦品种，每个处理内每个品种3个重复，采用随机区组方式种植。所有品种于2021年10月27日播种，小区规格1.4×4，相邻小区左右间隔0.4m，前后间隔1m。施氮肥在返青期、拔节期和抽穗期3个时期进行，各施肥量按1：1：1划分。
2数据采集
2.1现场数据采集
分别在2022年4月11日、4月20日和5月6日，在每个冬小麦小区随机砍伐6株植株。然后将所有样品在85℃烘箱内加热72小时，得到干物质。将干物质粉碎过筛，称0.15g到消煮管中，加浓硫酸5毫升过夜，后用消煮炉消解，分批次加双氧水消煮至消煮液澄清，冷却后全部转移到100ml容量瓶中，放置过夜后取上清液用SEAL AA3流动分析仪测氮含量，具体数据见表1。
表1冬小麦氮含量的描述性统计
SD：standard deviation；CV：coefficient of variation.
2.2无人机数据采集
在本试验中，使用M210无人机平台搭载红边MX MS相机和Zenmuse XT2相机采集多光谱和热红外数据。使用精灵PRO4无人机配备的数码相机采集RGB数据。各个传感器的参数如表所示。
MS传感器包括红、绿、蓝、红边和近红外五个波段。每种波段的传感器拍摄的图像的分辨率相同，均为1280×960。红波段和红边波段的带宽为10nm，蓝色波段和绿色波段的带宽为20nm，近红外的带宽为40nm。在拍摄过程中，MS传感器会根据环境光自动调节曝光度，从而增加图像的准确度。MS相机需要在每次起飞前和降落后对辐射定标板拍照，用以在图像拼接时的辐射定标作业。TIR传感器在波长为7.5～13.5μm的范围内进行温度信息采集，分辨率为640×512。RGB传感器分辨率为4000×3000。
无人机图像于4月20日现场采集数据后当天上午11：00至下午13：00获得，期间光照充足稳定。DJI地面站软件允许用户自己规划任务飞行航线，并使用自动飞行控制系统进行无人机飞行作业。所有无人机的飞行高度均设置为30m。所有相机的航向重叠率设为85％，旁向重叠率设为80％。为了验证CSC在不同时期的普适性以及可行性，以同样方式在4月11日与5月6日采集RGB图像数据。
2.3图像预处理
数据预处理的过程如图4所示。采用Pix4D软件(Pix4D,Lausanne,Switzerland)对无人机MS、RGB和TIR图像进行拼接处理，生成正射影像。处理过程包括对图像导入GCPs、地理定位、对齐图像、构建密集点云和校准辐射测量信息等。使用ArcMap 10.8软件(Environmental Systems Research Institute,Inc.,Redlands,USA)绘制180个多边形以分割每个小区，叠加于各个图像上用以提取图像中各小区的平均像素值作为对应的特征。在绘制每个小区对应的多边形时省略小区的边缘，以避免边缘效应对试验的影响。
3.多模态无人机信息提取
3.1.冠层光谱信息
本研究利用多光谱的五个波段构建了15个植被指数(表)。多光谱五个波段和15个植被指数作为冠层的光谱信息，具体见表2。
表2不同传感器提取的不同特征
3.2.冠层结构信息
本研究计算出冬小麦的植被覆盖度(VF)当作一个冠层结构信息，其代表了作物的生长密度，与作物生长状况有直接关系。多光谱中的Red Edge波段对植被叶绿素含量敏感，能够在图中有效区分植被和裸土。VF的提取方法有很多，如阈值二分法、指数时序图交点法和样本统计法等。因此本研究使用指数时序图交点法的思想来确定分割阈值。将冬小麦覆盖度较高区域的直方图与覆盖度较低的区域的直方图叠加，两个直方图曲线相交点所对应的色阶值作为初步的分割阈值，再运用目视判别的方法将得到的值略微改动以确保分割的准确性。由图2可看出，分割结果较为准确，图2中(a)为局部RGB图像，(b)为对应局部植被—土壤分割图。
最后将每个小区提取的植株部分的像素除以该小区总像素数，得到VF。VF的计算公式如下：
植被覆盖度(VF)＝图像中植被总像素/图像总像素
冠层阴影覆盖度(CSC)作为一种新的冠层结构信息，具体方法：增加RGB图像的饱和度和亮度，直到冠层的阴影部分可以很好地与接收到直接光的部分区分开来，结果如图3所示。图3中(a)为随机小区RGB局部图及绿波段直方图，(b)为(a)经过增加饱和度及改变亮度获得的图像及其直方图，(c)为RGB局部图像，(d)为(c)的冠层阴影分割图。在图像中冬小麦小区中随机截取若干冬小麦冠层图像，观察每个图像的绿通道的直方图，发现绿通道的直方图最左边的色阶(表示图像亮度最暗的部分)的数量会明显增加形成一个半峰，取其与原本直方图绿通道曲线的交界处的色阶值，每个图像得到的值的平均值作为分割阴影的阈值。分割结果如图3(d)所示。
CSC计算公式如下:
冠层阴影覆盖率(CSC)＝阴影像素直方图值/像素总直方图值
3.3.冠层热信息
使用无人机TIR图像计算归一化相对冠层温度(NRCT)作为冬小麦冠层的热信息。NRCT的计算公式如下：
式中，T为冠层温度，Tmax为所有冬小麦小区测得的最高温度，Tmin为所有冬小麦小区测得的最低温度。
3.4.冠层纹理特征
使用灰度共生矩阵(GLCM)提取MS的R、G、Red edge和NIR波段以及RGB的灰度图和TIR图像的纹理特征。提取基于RLCM的八个纹理特征，包括均值、方差、不相似性、对比度、均匀性、二阶矩、相关性和熵。
3.5氮含量预测模型
采用不同的模型对得到数据进行处理，无人机图像处理和建模的工作流程如图4所示，具体如下：
随机森林回归(RFR)的思想是集成学习，是机器学习的一大分支，由多颗树组成，其基本单元是决策树。其在训练过程中，从训练集中有放回地随机抽取样本，重复多次，生成多颗决策树，对每棵决策树通过传递随机变量来预测结果，从而得到多种结果，对这些结果计算平均值便得到随机森林回归的最终预测结果。RFR通过平均决策树的预测结果降低过拟合的风险，并且受噪声影响较小。
支持向量回归(SVR)是由支持向量机的概念发展而来，其核心思路是将输入变量空间中的点按类别划分。对于不可分空间数据样本，需要将低维的线性不可分空间转化为高维的线性可分空间。使用最优和函数，通过在高维空间中构造与所有样本点距离最小的超平面来实现回归。本文同时使用线性核函数、多项式核函数和径向基核函数并选择最优结果。
偏最小二乘回归(PLSR)集多元线性回归分析、典型性相关性分析以及主成分分析等算法优势于一体，通过投影分别将预测变量和观测变量投影到一个新空间，来寻找一个线性回归模型。PLSR算法有即使自变量具有多重共线性也能较好地进行回归的特点。
在对数据进行回归建模时，随机选取数据的3/4作为训练集，剩余1/4作为验证集。为了评价模型预测效果，以验证集平均绝对误差(MAE)和相对均方根误差(rRMSE)作为预测模型的精度评价标准，MAE和rRMSE的值越小表明模型的预测效果越好，其表达式为：
其中，n为测试集的样本总数。yi和分别为氮含量的实测值和预测值。为氮含量实测值的均值。
4.1.CSC与冬小麦氮含量的关系
冬小麦与CSC的散点图如图5所示，两者显著相关，皮尔森相关系数为0.677。当N含量达到22以上时，CSC增长缓慢，甚至停止增长，这可能是CSC的饱和。由于对无人机图像进行阈值处理得到的冠层叶影覆盖度和植物覆盖度是相同的结构特征，因此存在协方差的可能性，因此对两者进行协方差分析。两者的方差膨胀因子(VIF)均为7.937，均小于10，且两者之间不存在共线性关系。这表明，冠层叶影盖度可以作为预测冬小麦氮含量的输入特征。
为了消除冬小麦单期CSC与氮含量相关性的偶然性，对CSC与氮含量进行了多期相关性分析，如图8所示，几个时期CSC与氮含量的皮尔森相关系数均大于0.4，且相关性显著。这一结论证实了CSC在多个生育期的适用性。并在一定程度上消除了CSC与N含量之间的相关性是偶然性的可能性。
4.2.单一数据源下的氮含量估计
使用单一指标与N含量的相关性如图7所示，可见采用单一指标预测氮含量没有多指标准确。
使用单一传感器，利用RFR、SVR和PLSR分别对冬小麦氮含量进行估计精度如表3所示。在只使用单一特征类别时，MS传感器获取的光谱信息的氮含量预测模型的MAE在1.837～2.193之间。无论使用哪种算法，使用MS得到的模型精度均优于RGB和TIR。由RGB传感器得到的冠层结构信息的性能略低于基于MS传感器的光谱信息。同时增加纹理特征后，RGB传感器与MS传感器得到的模型精度相当。由TIR传感器提取的热信息对氮含量的预测效果最差。但使用两种特征类别(th和te)时，模型的MAE范围由2.972～3.643降为1.939～2.266，rRMSE范围由21.062％～26.625％降为15.136％～16.472％，精度提升明显。
表3使用单源传感器预测冬小麦氮含量的精度
| 传感器 | 特征类别 | 评价指标 | RFR | SVR | PLSR |
| MS | sp | MAE | 1.837 | 2.193 | 2.197 |
| rRMSE | 13.649 | 16.894 | 16.266 | ||
| sp+te | MAE | 1.791 | 1.805 | 1.841 | |
| rRMSE | 13.151 | 14.059 | 13.435 | ||
| RGB | st | MAE | 2.044 | 2.379 | 2.29 |
| rRMSE | 14.324 | 17.657 | 16.823 | ||
| st+te | MAE | 1.724 | 1.93 | 1.882 | |
| rRMSE | 12.51 | 13.753 | 13.323 | ||
| TIR | th | MAE | 3.479 | 2.972 | 3.643 |
| rRMSE | 25.49 | 21.062 | 26.625 | ||
| th+te | MAE | 1.939 | 2.098 | 2.266 | |
| rRMSE | 15.617 | 15.136 | 16.472 |
Sp表示光谱特征，St表示结构特征，Th表示热特征，Te表示纹理特征。
4.3.多数据源下的氮含量估计
为了探究多源数据融合对氮含量预测模型精度的影响，将无人机数据按不同特征类型进行组合，如表4所示。对于双传感器结合的氮含量预测，MS和RGB结合构建的三种模型预测效果最好，MAE在1.749～2.053之间，rRMSE在12.725％～16.074％之间，相对只使用MS传感器构建的预测模型预测效果有提升效果。无论采用哪种建模方式，MS、RGB和TIR传感器的冠层光谱、结构和热信息的融合后的预测效果相比任何两种传感器融合具有明显的提升，MAE在1.745～1.878之间，rRMSE在12.584％～14.698％之间。MS、RGB和TIR传感器的冠层纹理特征融合后，氮含量预测模型的精度与三种传感器的光谱、结构、热信息融合后得到的精度近似。将冠层光谱、结构、热和纹理信息融合后，氮含量预测模型的精度得到进一步提升，MAE在1.616～1.718之间，rRMSE在12.333％～13.519％之间，但是提升效果不大，这可能由于冠层光谱、结构、热信息和纹理特征之间存在数据的冗余和同质性。
表4使用多源传感器预测冬小麦氮含量的精度
| 传感器 | 特征类别 | 特征数量 | 评价指标 | RFR | SVR | PLSR |
| MS+RGB | sp st | 22 | MAE | 1.749 | 2.053 | 2.035 |
| RMSE％ | 12.725 | 16.074 | 15.345 | |||
| MS+TIR | sp th | 21 | MAE | 1.818 | 2.177 | 2.053 |
| RMSE％ | 13.465 | 16.675 | 15.442 | |||
| RGB+TIR | st th | 3 | MAE | 1.962 | 1.923 | 2.268 |
| RMSE％ | 13.778 | 15.147 | 16.608 | |||
| MS+RGB+TIR | sp st th | 23 | MAE | 1.745 | 1.878 | 1.835 |
| RMSE％ | 12.584 | 14.698 | 13.735 | |||
| MS+RGB+TIR | te | 48 | MAE | 1.641 | 1.667 | 1.899 |
| RMSE％ | 12.377 | 13.205 | 14.049 | |||
| MS+RGB+TIR | sp st th te | 71 | MAE | 1.616 | 1.715 | 1.718 |
| RMSE％ | 12.333 | 13.432 | 13.519 |
对于三种机器学习算法在预测冬小麦氮含量的效果如图8，图8中Sp表示光谱特征，St表示结构特征，Th表示热特征，Te表示纹理特征，SpStTh表示光谱、结构和热特征，SpStThTe表示光谱、结构、热、纹理特征。
RFR总体表现出相对于SVR和PLSR更高的精度，并且在将MS、RGB和TIR的冠层光谱、结构、热和纹理信息融合精度达到最高，MAE为1.616，rRMSE为12.333％。但只有单输入特征时RFR的优势不明显，这是由于RFR擅长处理高纬度的数据，在单输入特征方面相比其他机器学习算法没有优势。随着输入特征类型和数量的增加，所有方法的MAE和rRMSE均逐渐降低，这说明多源数据融合能够在一定程度上增加对冬小麦氮含量的预测精度。
用每种机器学习算法构建的最佳模型的预测值和实测值构建散点图(图9-11)。SVR与PLSR的散点图的分布非常相似，RFR的预测值与实测值的拟合效果最好。
4、结论
MS、RGB和TIR三种传感器融合后能够提升对氮含量的预测效果，原因之一是由于不同传感器所提取的不同类型特征之间存在着互补关系。MS所提供的光谱信息和植被指数是用来监测预测作物长势和性状的有效指标。冠层结构信息是预测作物表型的有效变量。本发明中使用的植株覆盖度是预测冬小麦氮含量的有效指标。作物冠层温度与作物光合作用有关，作物生长状况与叶绿素含量决定着光合作用强弱，而氮含量对这两者有着决定性作用，从而氮含量势必影响作物冠层的温度。通过收集RGB、多光谱和热红外图像构建多源数据融合数据集。利用随机森林回归、支持向量机回归、偏最小二乘回归预测冬小麦氮含量。结果表明，三种氮含量预测模型的平均绝对误差(MAE)和标准均方根误差(nRMSE)均随模型输入特征数量和数据源种类的增多总体呈下降趋势，其中随机森林模型对氮含量的预测精度最高，MAE为1.616，nRMSE为12.333％。对于使用单传感器构建的模型，多光谱图像数据比RGB和热红外图像数据具有更高的精度。本研究表明，多源数据融合技术可以提升对冬小麦氮含量的预测能力。
4.2.冠层叶片阴影覆盖度与氮含量的关系
本发明提出的CSC在预测作物表型方面还鲜有人使用。叶片阴影覆盖度可能与冠层叶片数量和大小以及冠层叶片结构有一定关系，一，CSC与氮含量存在着显著的相关性，加入CSC指标可以有效地提高预测的精准性。
虽然上文已经描述了本发明的实施例，但对于本领域的技术人员而言，在不偏离本发明的原理和精神的情况下所做的修改和替换，均属于本发明要求保护的范围。
Claims (8)
1.一种基于无人机光谱多源数据预测冠层氮含量方法，其特征在于，包括以下步骤：
(1)采用无人机采集植物多光谱数据、热红外数据和RGB数据；
(2)采用Pix4D软件对无人机MS、RGB和TIR图像进行拼接处理，生成正射影像；
(3)提取无人机信息：冠层光谱信息、冠层结构信息、冠层热信息和冠层纹理特征；
(4)对提取到的数据进行回归建模，在对数据进行回归建模时，随机选取数据的3/4作为训练集，剩余1/4作为验证集。为了评价模型预测效果，以验证集平均绝对误差(MAE)和相对均方根误差(rRMSE)作为预测模型的精度评价标准，MAE和rRMSE的值越小表明模型的预测效果越好，其表达式为：
其中，n为测试集的样本总数，yi和
分别为氮含量的实测值和预测值，
为氮含量实测值的均值；
(5)将采集的提取无人机信息进行融合，对植物的含氮量进行预测。
2.根据权利要求1所述的一种基于无人机光谱多源数据预测冠层氮含量方法，其特征在于：
所述的冠层光谱信息具体为：利用多光谱的五个波段构建了15个植被指数，多光谱五个波段和15个植被指数作为冠层的光谱信息，进行冠层光谱信息的提取。
3.根据权利要求1所述的一种基于无人机光谱多源数据预测冠层氮含量方法，其特征在于：所述的冠层结构信息包括植被覆盖度和冠层叶片阴影覆盖率。
4.根据权利要求3所述的一种基于无人机光谱多源数据预测冠层氮含量方法，其特征在于：所述的植被覆盖度提取具体为：使用RE图像分割植株和土壤来获得植被覆盖度，所述的RE图像分割植株和土壤来获得植被覆盖度具体为：使用指数时序图交点法的思想来确定分割阈值，将植物覆盖度较高区域的直方图与覆盖度较低的区域的直方图叠加，两个直方图曲线相交点所对应的色阶值作为初步的分割阈值，再运用目视判别的方法将得到的值略微改动以确保分割的准确性，最后将每个小区提取的植株部分的像素除以该小区总像素数，得到植被覆盖度(VF)；VF的计算公式如下：
植被覆盖度(VF)＝图像中植被总像素/图像总像素。
5.根据权利要求3所述的一种基于无人机光谱多源数据预测冠层氮含量方法，其特征在于：所述的冠层叶片阴影覆盖率的提取方法如下：增加RGB图像的饱和度和亮度，直到冠层的阴影部分可以很好地与接收到直接光的部分区分开来，在图像中农作物小区中随机截取若干农作物冠层图像，观察每个图像的绿通道的直方图，发现绿通道的直方图最左边的色阶的数量会明显增加形成一个半峰，取其与原本直方图绿通道曲线的交界处的色阶值，每个图像得到的值的平均值作为分割阴影的阈值，CSC计算公式如下:
冠层阴影覆盖率(CSC)＝阴影像素直方图值/像素总直方图值。
6.根据权利要求1所述的一种基于无人机光谱多源数据预测冠层氮含量方法，其特征在于：
所述的冠层热信息提取具体为：使用无人机TIR图像计算归一化相对冠层温度(NRCT)作为冬小麦冠层的热信息，NRCT的计算公式如下：
式中，T为冠层温度，Tmax为所有冬小麦小区测得的最高温度，Tmin为所有冬小麦小区测得的最低温度。
7.根据权利要求1所述的一种基于无人机光谱多源数据预测冠层氮含量方法，其特征在于：
所述的冠层纹理特征提取具体为：使用灰度共生矩阵(GLCM)提取MS的R、G、Red edge和NIR波段以及RGB的灰度图和TIR图像的纹理特征，提取基于RLCM的八个纹理特征，包括均值、方差、不相似性、对比度、均匀性、二阶矩、相关性和熵。
8.根据权利要求1所述的一种基于无人机光谱多源数据预测冠层氮含量方法，其特征在于：采用两个或三个无人机信息融合进行植物氮含量的预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211275916.9A CN116124774A (zh) | 2022-10-18 | 2022-10-18 | 一种基于无人机光谱多源数据预测冠层氮含量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211275916.9A CN116124774A (zh) | 2022-10-18 | 2022-10-18 | 一种基于无人机光谱多源数据预测冠层氮含量方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116124774A true CN116124774A (zh) | 2023-05-16 |
Family
ID=86305148
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211275916.9A Pending CN116124774A (zh) | 2022-10-18 | 2022-10-18 | 一种基于无人机光谱多源数据预测冠层氮含量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116124774A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116973365A (zh) * | 2023-08-21 | 2023-10-31 | 中国农业科学院油料作物研究所 | 一种甘蓝型油菜苗期生物量、氮含量的预测方法及系统 |
-
2022
- 2022-10-18 CN CN202211275916.9A patent/CN116124774A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116973365A (zh) * | 2023-08-21 | 2023-10-31 | 中国农业科学院油料作物研究所 | 一种甘蓝型油菜苗期生物量、氮含量的预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sumesh et al. | Integration of RGB-based vegetation index, crop surface model and object-based image analysis approach for sugarcane yield estimation using unmanned aerial vehicle | |
| Feng et al. | Yield estimation in cotton using UAV-based multi-sensor imagery | |
| 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 | |
| CN108985588B (zh) | 一种农作物单产遥感估算方法、装置与系统 | |
| CN115481368B (zh) | 一种基于全遥感机器学习的植被覆盖度估算方法 | |
| CN112906477B (zh) | 一种基于无人机光谱数据的灌溉处方图反演方法 | |
| Xu et al. | Classification method of cultivated land based on UAV visible light remote sensing | |
| CN116108318B (zh) | 基于无人机多光谱影像的油菜氮肥推荐追施量计算的方法 | |
| 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 | |
| CN117197668A (zh) | 基于深度学习的作物倒伏级别的预测方法及系统 | |
| Zhang et al. | Combining spectral and texture features of UAV hyperspectral images for leaf nitrogen content monitoring in winter wheat | |
| CN116485757A (zh) | 一种冬小麦全氮含量预测方法 | |
| Yang et al. | Fraction vegetation cover extraction of winter wheat based on RGB image obtained by UAV | |
| CN116124774A (zh) | 一种基于无人机光谱多源数据预测冠层氮含量方法 | |
| Liu et al. | UAV multispectral images for accurate estimation of the maize LAI considering the effect of soil background | |
| Almeida-Ñauñay et al. | Optimization of soil background removal to improve the prediction of wheat traits with UAV imagery | |
| Liu et al. | Open-air grape classification and its application in parcel-level risk assessment of late frost in the eastern Helan Mountains | |
| 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 | |
| CN114972993A (zh) | 一种基于遥感影像的覆膜农田识别提取方法 | |
| CN114694041A (zh) | 一种棉花药害与叶螨虫害的高光谱鉴别方法 | |
| 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 | |
| XUE et al. | Estimating light interception using the color attributes of digital images of cotton canopies | |
| Yang et al. | Feature extraction of cotton plant height based on DSM difference method | |
| Atanasov et al. | Observation of the vegetation processes of agricultural crops using small Unmanned Aerial Vehicles in Dobrudja region. | |
| Wang et al. | Scaling effects of chlorophyll content in walnut leaves estimations with coupling Boruta algorithm and machine learning model |
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 |