CN116482041B - 一种基于反射光谱的水稻抽穗期无损快速识别方法及系统 - Google Patents
一种基于反射光谱的水稻抽穗期无损快速识别方法及系统 Download PDFInfo
- Publication number
- CN116482041B CN116482041B CN202310744189.4A CN202310744189A CN116482041B CN 116482041 B CN116482041 B CN 116482041B CN 202310744189 A CN202310744189 A CN 202310744189A CN 116482041 B CN116482041 B CN 116482041B
- Authority
- CN
- China
- Prior art keywords
- rice
- heading
- red
- period
- band
- 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
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 188
- 235000009566 rice Nutrition 0.000 title claims abstract description 188
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000001228 spectrum Methods 0.000 title claims abstract description 27
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 189
- 238000010521 absorption reaction Methods 0.000 claims abstract description 71
- 230000012010 growth Effects 0.000 claims abstract description 44
- 238000002310 reflectometry Methods 0.000 claims abstract description 31
- 230000000243 photosynthetic effect Effects 0.000 claims abstract description 30
- 230000003595 spectral effect Effects 0.000 claims abstract description 25
- 230000001488 breeding effect Effects 0.000 claims abstract description 15
- 238000009395 breeding Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims description 21
- 238000009331 sowing Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000005855 radiation Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 5
- 230000008859 change Effects 0.000 abstract description 3
- 230000029553 photosynthesis Effects 0.000 abstract 1
- 238000010672 photosynthesis Methods 0.000 abstract 1
- 241000196324 Embryophyta Species 0.000 description 9
- 210000005069 ears Anatomy 0.000 description 7
- 235000013339 cereals Nutrition 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 240000002582 Oryza sativa Indica Group Species 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000009105 vegetative growth Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Remote Sensing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于反射光谱的水稻抽穗期无损快速识别方法及系统,利用多光谱传感器获得全生育期水稻冠层光谱反射率进而推演出蓝波段和红边波段的光合吸收系数,结合其时序变化特征设计出用于表示水稻光合特性的红边吸收比值指数,通过设置阈值并结合水稻物候先验知识建立水稻抽穗期的识别模型,实现水稻抽穗期的快速无损识别。本发明反映了水稻关键生长发育阶段和相应的光合吸收变化,不需要考虑水稻冠层结构和品种差异,也不依赖人工观察幼穗是否从剑叶的叶鞘中抽出,在无人机遥感平台的多品种水稻育种研究群体中得到了应用,为高效快捷地进行大规模田间水稻抽穗期识别提供了生理学参考。
Description
技术领域
本发明属于农业遥感技术领域,具体涉及一种基于反射光谱的水稻抽穗期无损快速识别方法及系统。
背景技术
种子是农业的“芯片”,是确保粮食安全的关键。水稻育种的目的是培育具有更高产量潜力和更强耐受能力的水稻品种,其中在目标条件下优化水稻抽穗期以实现粮食产量最大化是育种方案的一个重要方面。为了更好地辅助育种,实现大规模快速无损地监测水稻抽穗期就变得更加迫切。
水稻抽穗期是指水稻生长过程中发育完全的穗随着茎秆的伸长而伸出顶部叶片的现象。抽穗期标志着水稻由营养生长向生殖生长开始转变,也是营养生长和生殖生长旺盛的并进阶段,其是决定水稻粒重和每穗粒数最为重要的关键期,直接影响水稻的产量,也是水稻一生中生长发育最快,对养分、水分、温度和光照要求最多的时期,因此也是进行追肥的最佳时间,对抽穗期的快速无损识别有助于指导田间治理和施肥决策。
由于水稻抽穗时幼穗通常被包裹在主茎中,传统的水稻抽穗期识别方法是根据品种迟早和秧龄长短,在接近幼穗生长期,通过人工逐日采集并剥取一定数量单株的主茎,通过肉眼观察主茎的叶鞘中是否有可见幼穗抽出,当50%的主茎有可见幼穗时认为该品种水稻进入抽穗期。这种方法需要破坏性采样,通过肉眼来观察幼穗是否抽出,耗时费力且主观性强,往往只适用于较小范围的水稻育种田,而常规育种田中种植的水稻品种有成百上千种。相比之下,遥感更适用于田块级、区域级和全球范围内的各种耕地环境和各种季节气候。遥感是一种收集作物生长和生理数据的高通量无损方法,主要通过冠层反射信号来推断作物的有效信息。特别是近年来,无人机遥感以其高分辨率、低成本和灵活性被广泛应用于水稻抽穗期识别中。
目前利用遥感技术对水稻抽穗期的识别方法主要分为植被指数阈值法、时序曲线法、光谱空间法和机器学习法。植被指数阈值法主要是通过设定植被指数阈值来规定作物的抽穗期,这种方法虽然简单,但是不适用于大范围的物候研究。时序曲线法是根据已有数据的统计时间序列,对未来的变化趋势进行预测分析,这类方法充分利用了作物的光谱曲线全生育期的变化,但是需要长时间序列的反射率信息,对于时间分辨率较低的数据源很难进行物候分析。光谱空间法的理论依据是在直角坐标系内,相同类型的地物表现出聚类现象,这种方法对光谱数量要求比较多。机器学习作为一种多领域交叉学科,近年来被广泛应用于作物物候期识别中,但这种方法对样本数量要求较大,且理论基础较为薄弱。目前现有基于计算机图形学的水稻抽穗期估算方法虽然精度较高,但是只能应用在单株或者较少数量的水稻中,且需要的仪器设备成本较高。
使用遥感技术进行水稻抽穗期识别的复杂性在于水稻冠层结构、色素成分、生物量分配以及水稻内部结构的光学特征在抽穗时发生了巨大的变化,进而使得遥感获取的反射信息繁杂。而目前基于冠层以树叶为主或具有不明显的花或果实的作物开发的光学遥感方法很难适用于水稻中。此外,全球水稻种质资源库中品种超过5万种,中国每年增加数百个水稻新品种,对这些品种的抽穗期进行大规模基准测量是十分困难的。
发明内容
针对现有技术的不足,本发明提供一种基于反射光谱的水稻抽穗期无损快速识别方法,包括以下步骤:
步骤1,使用传感器在水稻生育周期的各生育期获取水稻种植区的多光谱影像,并进行影像波段叠加、几何校正、辐射定标处理,提取全生育期水稻冠层光谱反射率;
步骤2,利用步骤1提取的冠层光谱反射率计算水稻蓝波段和红边波段的光合吸收系数;
步骤3,使用蓝波段和红边波段的光合吸收系数通过比值法计算红边吸收比值指数BREVI,利用水稻各生育期的红边吸收比值指数构建时序红边吸收比值指数曲线;
步骤4,根据步骤3构建的水稻时序红边吸收比值指数曲线设定阈值,并结合水稻生长过程的物候学先验知识建立水稻抽穗期的识别模型;
步骤5,将步骤4得到的识别模型应用在无人机或地面获取的大规模多品种水稻育种田中,快速无损地获取多品种水稻抽穗期的识别结果。
而且,所述步骤1中传感器搭载于无人机或地面平台上,当搭载在无人机上时,无人机传感器应位于水稻种植区上方~/>的高度获取水稻全生育期的多光谱影像,当搭载在地面平台上时,地面传感器应位于水稻种植区上方/>~/>米获取水稻全生育期的多光谱影像,/>、/>、/>、/>均为设定的阈值。
多光谱传感器获取到的是影像像元DN值,需要进行辐射定标将其转换为地表反射率,DN值和地表反射率的转换公式如下:
(1)
式中,i表示多光谱传感器的波段序号,代表第i波段处的反射率;/>表示第i波段对应像元的DN值;/>与/>分别表示第i波段的增益系数与偏置系数,这两个参数由最小二乘法计算得到。
通过最小二乘求解,能够得到每个波段内的增益系数和偏置系数,利用求解得到的增益系数与偏置系数分别对各波段的影像进行辐射定标,即可得到水稻各波段的冠层光谱反射率。
而且,所述步骤2中蓝波段和红边波段的光合吸收系数计算方式为:
(2)
(3)
式中,为蓝波段的光合吸收系数,/>为红边波段的光合吸收系数/> 分别为蓝、红边和近红波段的冠层光谱反射率。
而且,所述步骤3中红边吸收比值指数BREVI计算方式为:
(4)
式中,、/>分别为蓝、红边波段的光合吸收系数。
以播种后天数DAS作为横坐标,计算得到的水稻各生育期的红边吸收比值指数为纵坐标,构建时序红边吸收比值指数曲线。
而且,所述步骤4中选择步骤3构建的水稻时序红边吸收比值指数曲线后半段斜率开始增加时的纵坐标为阈值,水稻生长过程的物候学先验知识为水稻在播种后55天内不会进入抽穗期,但播种后125天一定会进入抽穗期,由此建立水稻抽穗期的识别模型为:当时,水稻不会进入抽穗期;当/>时,水稻进入抽穗期;当时,水稻进入抽穗期。
而且,所述步骤5中将育种田中的所有水稻冠层光谱反射率数据通过步骤2~步骤3操作计算得到的红边吸收比值指数代入步骤4建立的水稻抽穗期识别模型中,获得多品种水稻抽穗期的快速无损识别结果。
本发明还提供一种基于反射光谱的水稻抽穗期无损快速识别系统,用于实现如上所述的一种基于反射光谱的水稻抽穗期无损快速识别方法。
而且,包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的程序指令执行如上所述的一种基于反射光谱的水稻抽穗期无损快速识别方法。
或者,包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如上所述的一种基于反射光谱的水稻抽穗期无损快速识别方法。
与现有技术相比,本发明具有如下优点:
1)本发明建立的水稻抽穗期快速无损识别模型具有坚实的生物物理基础,蓝波段和红边波段光谱区域对水稻的长势结构与生物化学性状十分敏感;
2)本发明所提方法不需要复杂的人工测量,也不需要较高的设备成本,只需要利用搭载多光谱相机的无人机快速地在目标区域飞行获取影像,就可以对种植许多品种的真实自然育种大田环境下水稻的抽穗期实现无损快速的识别;
3)本发明所提方法已经成功应用于不同品种的水稻群体育种实验中,在评估水稻生理和物候状态方面显示出良好潜力,使得利用无人机或地面平台传感器获取水稻的冠层光谱反射数据来评估水稻生理和物候状态成为可能,促进了水稻育种的发展。
附图说明
图1是本发明实施例水稻抽穗期识别的技术流程图。
图2是本发明实施例获取的蓝、红边和近红波段无人机影像。
图3是本发明实施例水稻全生育期蓝波段和红边波段的吸收系数。
图4是本发明实施例构建的时序红边吸收比值指数(BREVI)曲线。
图5是本发明实施例抽穗期识别的结果图。
具体实施方式
本发明提供一种基于反射光谱的水稻抽穗期无损快速识别方法及系统,下面结合附图和实施例对本发明的技术方案作进一步说明。
实施例一
如图1所示,本发明提供一种基于反射光谱的水稻抽穗期无损快速识别方法,包括以下步骤:
步骤1,使用传感器在水稻生育周期的各生育期获取水稻种植区的多光谱影像,并在相机自带的软件中完成影像波段叠加、几何校正,利用ENVI5.3进行辐射定标处理,提取全生育期水稻冠层光谱反射率。
传感器可以搭载于无人机或地面平台上,当搭载在无人机上时,无人机传感器应位于水稻种植区上方50-210m的高度获取水稻全生育期的多光谱影像;当搭载在地面平台上时,地面传感器应位于水稻种植区上方1-5米获取水稻全生育期的多光谱影像。
步骤2,利用步骤1提取的冠层光谱反射率计算水稻蓝波段和红边波段的光合吸收系数。
蓝波段和红边波段的光合吸收系数计算方式为:
(1)
(2)
式中,为蓝波段的光合吸收系数,/>为红边波段的光合吸收系数/> 分别为蓝、红边和近红波段的冠层光谱反射率。
步骤3,使用蓝波段和红边波段的光合吸收系数通过比值法计算红边吸收比值指数BREVI,利用水稻各生育期的红边吸收比值指数构建时序红边吸收比值指数曲线。
红边吸收比值指数BREVI计算方式为:
(3)
式中,、/>分别为蓝、红边波段的光合吸收系数。
以播种后天数DAS作为横坐标,计算得到的水稻各生育期的红边吸收比值指数为纵坐标,构建时序红边吸收比值指数曲线。
步骤4,根据步骤3构建的水稻时序红边吸收比值指数曲线设定阈值,并结合水稻生长过程的物候学先验知识建立水稻抽穗期的识别模型。
根据步骤3构建的水稻时序红边吸收比值指数曲线设定阈值,选择曲线后半段斜率开始增加时的纵坐标为阈值/>。阈值/>的选择与抽穗期识别精度密切相关,一般情况下,识别精度随着阈值/>的增加而增加,达到某个特定值时精度不再增加而呈现饱和状态。水稻生长过程的物候学先验知识为水稻在播种后55天内不会进入抽穗期,但播种后125天一定会进入抽穗期。由此建立水稻抽穗期的识别模型为:当/>时,水稻不会进入抽穗期;当/>时,水稻进入抽穗期;当/>时,水稻进入抽穗期。
步骤5,将步骤4得到的识别模型应用在无人机或地面获取的大规模多品种水稻育种田中,快速无损地获取多品种水稻抽穗期的识别结果。
实施例二
基于统一发明构思,本发明还提供一种基于反射光谱的水稻抽穗期无损快速识别系统,包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的程序指令执行如上所述的一种基于反射光谱的水稻抽穗期无损快速识别方法。
实施例三
基于统一发明构思,本发明还提供一种基于反射光谱的水稻抽穗期无损快速识别系统,包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如上所述的一种基于反射光谱的水稻抽穗期无损快速识别方法。
下面以种植在海南陵水的武汉大学杂交水稻育种基地(18°03′147.1″N, 110°03′34.9″E)的42个水稻品种为例,进一步阐述本发明方法的技术方案。42个水稻品种包括41个籼稻品种和1个紫稻,具体品种名称参见表1。水稻于2017年12月10日播种,并于2018年1月5日移栽,到2018年4月15日收割。
表1 42个水稻品种的品种信息
上述42个品种水稻的种植密度为22.5株/㎡,每个品种种植60株,10株一行,共6行,行距20cm,株距16cm。每6行空1行,以利于品种区别和无人机信息处理。移栽后,每个品种田块被划分为两个子块:一个田块用于直接采样(2m×7m),另一个田块用于遥感观测(7m×7m)。每公顷施用复合肥375Kg(氮磷钾比率为15:15:15),进行常规稻田管理。在水稻的各个发育时期,均安排一架无人机获取所有水稻田块的多光谱图像,共获得12期无人机影像数据。
步骤1,抽穗期人工采集实测数据。
在接近幼穗破口时期,人工每天巡视所有水稻地块,逐日破坏性采集10株水稻。根据人工视觉观察,当主茎的叶鞘处出现第一个抽出的幼穗时将该植株标记为抽穗植株。每个水稻品种的抽穗期均记录为该品种种植区内50%单株被标记为抽穗期植株的时间。本实施例中,各品种水稻的抽穗时间具有变异性,时间跨度从102~125天。
步骤2,使用搭载在无人机上的传感器获取水稻全生育期的多光谱影像。
采用大疆生产的S1000无人机搭载MCA12多光谱相机在整个生育期共获取12期多光谱影像。MCA是一种轻型多光谱相机,一般采用独立的镜头与传感器,每个传感器前装有可置换的不同波段的滤光片,并有独立的存储CF卡,能够同时获取不同波段的多光谱影像。本实施例中,针对水稻植株的光谱特性,共设定了12个波段的滤波范围,其中心波长分别为490nm、520nm、550nm、570nm、670nm、680nm、700nm、720nm、800nm、850nm、900nm和950nm。数据的采集尽量选择晴朗、无云、无风天气,通常在上午11点到下午1点,具体飞行时间根据田间实际情况和天气状态确定。每次航拍获取影像前,在平坦地面上放置6个定标毯以便后续进行辐射定标。在每次飞行作业中,无人机垂直起落采集整个区域的全景图,采集的影像覆盖所有目标田块和标准定标毯。每次飞行获取的多光谱无人机遥感影像如图2所示。
步骤3,获取水稻冠层的光谱反射率。
使用MCA多光谱相机在水稻生育周期的各生育期获取水稻种植区的多光谱影像,并在相机自带的软件中完成影像波段叠加、几何校正。由于12个镜头间独立成像,各镜头之间存在一定偏移,因此还需要进行影像波段间配准。飞行拍摄前,在实验室内对MCA多光谱相机进行检校,获取其物镜畸变差改正系数,并应用该参数进行波段间光学配准。配准后的12个波段影像处于统一的坐标系统中,使得不同镜头拍摄的同一地物对应影像上的同一个像素。
通过MCA影像获取到的是影像像元DN(Digital Number,DN)值。辐射定标就是建立影像DN值与实际地表反射率之间的定量关系。航空影像的辐射定标是建立地表反射率和传感器接收辐射信号之间的线性关系。本实施例借助6块经过严密实验室定标的标准定标毯来进行场地定标。6块定标毯在可见光至近红外波段内具有恒定的反射率,依次为0.03、0.12、0.24、0.36、0.56和0.80。每一次无人机飞行作业之前,在田间拍摄范围内田埂处依次铺设这6块定标毯,确保其与所有种植的水稻同时出现在同一张影像上。对DN值和地表反射率之间进行线性转换,计算公式如下:
(4)
式中,i表示MCA多光谱相机的波段序号,代表第i波段的入瞳处辐射值或反射率;/>表示第i波段对应像元的DN值;/>与/>分别表示第i波段的增益系数与偏置系数,这两个参数由最小二乘法计算得到。
通过对线性方程进行求解,可以得到每个波段内的增益系数和偏置系数,利用求解得到的增益系数与偏置系数分别对各波段的影像进行辐射定标。
使用ENVI 5.3的ROI(Region of Interest,ROI)工具,圈定影像中的6块定标毯,每块定标毯上圈定的范围为5×5的正方形。统计各个定标毯在12个不同波段上的平均DN值,根据6块定标毯的恒定反射率与统计得到的平均DN值,对每个波段的增益系数和偏置系数使用最小二乘法进行求解,具体求解公式如下:
(5)
式中,与/>分别表示第i波段的增益系数与偏置系数,/>表示反射率为0.03的定标毯在影像上的DN值均值。
获得辐射定标后的影像,以单个ROI范围内的平均反射率作为该品种水稻的冠层光谱反射率。
步骤4,利用步骤3提取的冠层光谱反射率计算蓝波段和红边波段的光合吸收系数。
蓝波段和红边波段的光合吸收系数计算方式为:
(6)
(7)
式中,为蓝波段的光合吸收系数,/>为红边波段的光合吸收系数/> 分别为蓝、红边和近红波段的冠层光谱反射率。
针对无人机传感器平台,冠层光谱反射率的计算为:
(8)
(9)
(10)
式中,分别为蓝、红边和近红波段的冠层光谱反射率,和/> 为490nm、700nm、720nm、800nm和850nm处的冠层光谱反射率。
本实施例中选用和/>计算蓝、红边和近红波段的冠层光谱反射率,具体实施时也可选用其他波长处的冠层光谱反射率。
以播种后天数(Day After Sowing, DAS)作为横坐标,计算得到的水稻各生育期的蓝波段和红边波段的光合吸收系数为纵坐标,构建时序光合吸收系数曲线,如图3所示。
步骤5,计算红边吸收比值指数,利用水稻各生育期的红边吸收比值指数构建时序红边吸收比值指数曲线。
利用步骤4得到的蓝波段和红边波段的光合吸收系数,计算红边吸收比值指数BREVI,具体计算方式如下:
(11)
式中,BREVI为红边吸收比值指数,为蓝波段的光合吸收系数,/>为红边波段的光合吸收系数。
以播种后天数(Day After Sowing, DAS)作为横坐标,计算得到的水稻各生育期的红边吸收比值指数为纵坐标,构建时序红边吸收比值指数曲线,如图4所示。
步骤6,根据步骤5构建的水稻时序红边吸收比值指数曲线确定阈值,并结合水稻生长过程的物候学先验知识建立水稻抽穗期的识别模型。
根据步骤5构建的水稻时序红边吸收比值指数曲线确定阈值,选择曲线后半段斜率开始增加时的纵坐标为阈值,本实施例选定的阈值为8,即时,水稻不会进入抽穗期。
水稻生长过程的物候学先验知识为水稻在播种后55天内不会进入抽穗期。由于水稻在播种后55天内不会进入抽穗期,水稻在播种以后要经历苗期、移栽期、分蘖期、拔节期等阶段,而播种后125天一定会完成抽穗,进入成熟期,因此建立以下水稻抽穗期的识别模型(由于设定时水稻不会进入抽穗期,所以只讨论/>的情况):
当时,水稻不会进入抽穗期;
当时,水稻进入抽穗期;
当时,水稻进入抽穗期。
步骤7,对多品种水稻进行抽穗期快速无损识别。
将育种田中的所有水稻冠层光谱反射率数据通过步骤4-步骤5操作计算得到的红边吸收比值指数代入步骤6建立的水稻抽穗期识别模型中,获得多品种水稻抽穗期的快速无损识别结果,并利用田间人工实测的抽穗期数据来进行精度验证。
针对42个水稻品种的育种试验田,识别总体精度为91.43%,其中仅使用红边吸收比值指数阈值识别的制图精度(制图精度为相对于检验数据中的任意一个随机样本,分类图上同一地点的分类结果与其相一致的条件概率)分别为:抽穗前的制图精度为99.39%,抽穗后的制图精度为62.22%,kappa系数为0.708。仅使用红边吸收比值指数阈值识别的混淆矩阵结果见表2。
表2 本实施例的多品种水稻抽穗期识别模型
使用物候学先验知识对抽穗期识别模型进一步约束,得到的制图精度在抽穗前后分别为90.61%和96.55%,也即本发明所提方法的最终精度,水稻抽穗期识别结果见图5。
具体实施时,本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程,实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备,也应当在本发明的保护范围内。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施案例,做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (6)
1.一种基于反射光谱的水稻抽穗期无损快速识别方法,其特征在于,包括以下步骤:
步骤1,使用传感器在水稻生育周期的各生育期获取水稻种植区的多光谱影像,并进行影像波段叠加、几何校正、辐射定标处理,提取全生育期水稻冠层光谱反射率;
步骤2,利用步骤1提取的冠层光谱反射率计算水稻蓝波段和红边波段的光合吸收系数;
蓝波段和红边波段的光合吸收系数计算方式为:
(2)
(3)
式中,为蓝波段的光合吸收系数,/>为红边波段的光合吸收系数/> 分别为蓝、红边和近红波段的冠层光谱反射率;
步骤3,使用蓝波段和红边波段的光合吸收系数通过比值法计算红边吸收比值指数BREVI,利用水稻各生育期的红边吸收比值指数构建时序红边吸收比值指数曲线;
红边吸收比值指数BREVI计算方式为:
(4)
式中,、/>分别为蓝、红边波段的光合吸收系数;
以播种后天数DAS作为横坐标,计算得到的水稻各生育期的红边吸收比值指数为纵坐标,构建时序红边吸收比值指数曲线;
步骤4,根据步骤3构建的水稻时序红边吸收比值指数曲线设定阈值,并结合水稻生长过程的物候学先验知识建立水稻抽穗期的识别模型;
选择步骤3构建的水稻时序红边吸收比值指数曲线后半段斜率开始增加时的纵坐标为阈值,水稻生长过程的物候学先验知识为水稻在播种后55天内不会进入抽穗期,但播种后125天一定会进入抽穗期,由此建立水稻抽穗期的识别模型为:当/>时,水稻不会进入抽穗期;当/>时,水稻进入抽穗期;当时,水稻进入抽穗期;
步骤5,将步骤4得到的识别模型应用在无人机或地面获取的大规模多品种水稻育种田中,快速无损地获取多品种水稻抽穗期的识别结果。
2.如权利要求1所述的一种基于反射光谱的水稻抽穗期无损快速识别方法,其特征在于:步骤1中传感器搭载于无人机或地面平台上,当搭载在无人机上时,无人机传感器应位于水稻种植区上方~/>的高度获取水稻全生育期的多光谱影像,当搭载在地面平台上时,地面传感器应位于水稻种植区上方/>~/>米获取水稻全生育期的多光谱影像,/>、、/>、/>均为设定的阈值。
3.如权利要求2所述的一种基于反射光谱的水稻抽穗期无损快速识别方法,其特征在于:步骤1中多光谱传感器获取到的是影像像元DN值,需要进行辐射定标将其转换为地表反射率,DN值和地表反射率的转换公式如下:
(1)
式中,i表示多光谱传感器的波段序号,代表第i波段处的反射率;/>表示第i波段对应像元的DN值;/>与/>分别表示第i波段的增益系数与偏置系数,这两个参数由最小二乘法计算得到;
通过最小二乘求解,能够得到每个波段内的增益系数和偏置系数,利用求解得到的增益系数与偏置系数分别对各波段的影像进行辐射定标,即可得到水稻各波段的冠层光谱反射率。
4.如权利要求1所述的一种基于反射光谱的水稻抽穗期无损快速识别方法,其特征在于:步骤5中将育种田中的所有水稻冠层光谱反射率数据通过步骤2~步骤3操作计算得到的红边吸收比值指数代入步骤4建立的水稻抽穗期识别模型中,获得多品种水稻抽穗期的快速无损识别结果。
5.一种基于反射光谱的水稻抽穗期无损快速识别系统,其特征在于,包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的程序指令执行如权利要求1-4任一项所述的一种基于反射光谱的水稻抽穗期无损快速识别方法。
6.一种基于反射光谱的水稻抽穗期无损快速识别系统,其特征在于,包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如权利要求1-4任一项所述的一种基于反射光谱的水稻抽穗期无损快速识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310744189.4A CN116482041B (zh) | 2023-06-25 | 2023-06-25 | 一种基于反射光谱的水稻抽穗期无损快速识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310744189.4A CN116482041B (zh) | 2023-06-25 | 2023-06-25 | 一种基于反射光谱的水稻抽穗期无损快速识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116482041A CN116482041A (zh) | 2023-07-25 |
CN116482041B true CN116482041B (zh) | 2023-09-05 |
Family
ID=87225425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310744189.4A Active CN116482041B (zh) | 2023-06-25 | 2023-06-25 | 一种基于反射光谱的水稻抽穗期无损快速识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116482041B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117292267B (zh) * | 2023-11-27 | 2024-02-02 | 武汉大学 | 一种基于物候信息的水稻地上生物量分段估算方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012208046A (ja) * | 2011-03-30 | 2012-10-25 | Fujitsu Ltd | 植物種識別方法及び植物種識別装置 |
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 |
CN109187441A (zh) * | 2018-08-27 | 2019-01-11 | 中国水利水电科学研究院 | 基于冠层光谱信息的夏玉米含氮量监测模型的构建方法 |
CN109508693A (zh) * | 2018-12-10 | 2019-03-22 | 浙江大学 | 基于成像高光谱植被指数和生育期长度信息的无人机遥感水稻估产方法 |
CN112345467A (zh) * | 2020-09-22 | 2021-02-09 | 武汉大学 | 利用遥感技术估算水稻生理参数的模型及其应用 |
WO2022032329A1 (en) * | 2020-08-14 | 2022-02-17 | Agriculture Victoria Services Pty Ltd | System and method for image-based remote sensing of crop plants |
CN115271217A (zh) * | 2022-08-01 | 2022-11-01 | 上海兰桂骐技术发展股份有限公司 | 一种基于无人机多源遥感数据的小麦产量预测方法 |
CN116108318A (zh) * | 2023-04-06 | 2023-05-12 | 华中农业大学 | 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 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109459392B (zh) * | 2018-11-06 | 2019-06-14 | 南京农业大学 | 一种基于无人机多光谱影像的水稻地上部生物量估测方法 |
AU2020261091A1 (en) * | 2019-04-23 | 2021-09-02 | Farmers Edge Inc. | Yield forecasting using crop specific features and growth stages |
-
2023
- 2023-06-25 CN CN202310744189.4A patent/CN116482041B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012208046A (ja) * | 2011-03-30 | 2012-10-25 | Fujitsu Ltd | 植物種識別方法及び植物種識別装置 |
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 |
CN109187441A (zh) * | 2018-08-27 | 2019-01-11 | 中国水利水电科学研究院 | 基于冠层光谱信息的夏玉米含氮量监测模型的构建方法 |
CN109508693A (zh) * | 2018-12-10 | 2019-03-22 | 浙江大学 | 基于成像高光谱植被指数和生育期长度信息的无人机遥感水稻估产方法 |
WO2022032329A1 (en) * | 2020-08-14 | 2022-02-17 | Agriculture Victoria Services Pty Ltd | System and method for image-based remote sensing of crop plants |
CN112345467A (zh) * | 2020-09-22 | 2021-02-09 | 武汉大学 | 利用遥感技术估算水稻生理参数的模型及其应用 |
CN115271217A (zh) * | 2022-08-01 | 2022-11-01 | 上海兰桂骐技术发展股份有限公司 | 一种基于无人机多源遥感数据的小麦产量预测方法 |
CN116108318A (zh) * | 2023-04-06 | 2023-05-12 | 华中农业大学 | 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 |
Non-Patent Citations (1)
Title |
---|
红边波段在水稻生育期识别中的应用研究;王靖等;中国农业大学学报;第第26卷卷(第第12期期);第145-156页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116482041A (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
GB2598012A (en) | System and method for crop monitoring | |
US7271386B2 (en) | Method for detecting and managing nematode population | |
JP2006250827A (ja) | 作物の生育状況分析方法 | |
CN114821362B (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
CN116308866B (zh) | 一种基于冠层反射光谱的水稻穗生物量估算方法及系统 | |
CN108140118A (zh) | 用于识别至少一株种植在耕地上的植物的方法和信息系统 | |
CN116482041B (zh) | 一种基于反射光谱的水稻抽穗期无损快速识别方法及系统 | |
Warren et al. | Agricultural applications of high-resolution digital multispectral imagery | |
CN112986158B (zh) | 基于无人机多光谱数据的甜菜氮素营养检测方法及系统 | |
CN117292267B (zh) | 一种基于物候信息的水稻地上生物量分段估算方法及系统 | |
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 | |
CN112345467B (zh) | 利用遥感技术估算水稻生理参数的模型及其应用 | |
Lyu et al. | UAV time-series imagery with novel machine learning to estimate heading dates of rice accessions for breeding | |
Ku et al. | Identification of new cold tolerant Zoysia grass species using high-resolution RGB and multi-spectral imaging | |
CN114694020B (zh) | 一种棉花蚜虫遥感预报模型的构建方法 | |
Ganeva et al. | Remote estimation of crop canopy parameters by statistical regression algorithms for winter rapeseed using Sentinel-2 multispectral images | |
CN112362803B (zh) | Ly9348在高通量筛选高nue水稻品种中的应用 | |
Guo et al. | High-throughput estimation of plant height and above-ground biomass of cotton using digital image analysis and Canopeo | |
Ye et al. | Inter-relationships between canopy features and fruit yield in citrus as detected by airborne multispectral imagery | |
Humburg et al. | Modeling of sugarbeet quality variables from canopy spectral indices in a fertility trial | |
Alsadik et al. | UAV Remote Sensing for Smart Agriculture | |
Vong et al. | Estimation of corn emergence date using UAV imagery | |
CN113720798B (zh) | 农作物生理和结构表型参数多任务并行的自动观测方法 | |
CN117475334A (zh) | 一种滴灌棉田棉蚜数量快速监测模型的构建方法 |
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 |