1 中国农业大学水利与土木工程学院, 北京 100083
2 中国农业大学工学院, 北京 100083
以大型喷灌机为平台的近地遥感技术可有效观测作物的生长状态, 对田间生产管理和作物水肥需求特性等研究具有十分重要的意义。 由于在遥感观测过程中, 作物冠层具有二向反射特性, 因此不同观测方式会影响遥感观测结果。 通过自行搭建的近地遥感系统模拟大型喷灌机平台的实地观测条件, 使用双通道光谱传感器获取小麦与玉米冠层的光谱反射率信息, 引入变异系数CV对由冠层二向反射特性引起的信息数据变幅进行量化, 并采用影响因素权重W分析各观测参数对数据变幅的影响程度。 通过获取2019年冬小麦返青期至灌浆期、 夏玉米V7—V14生育期的冠层近红外波段(810 nm)和红光波段(650 nm)的反射率数据, 分析多种观测因素对比值植被指数(RVI)数据和植被归一化指数(NDVI)数据的影响。 结果表明, 观测高度(0.5~2.5 m)、 观测频率(2~60次·min-1)和移动速度(0~4 m·min-1)与观测结果无显著相关关系(p>0.05), 观测时刻(8:00—18:00)、 观测天顶角(-60°~60°)和观测方位角(0°~180°)与观测结果相关关系极为显著(p<0.01); 小麦和玉米的冠层RVI、 NDVI数据获取结果主要取决于冠层覆盖程度, 在相同叶面积指数(LAI)情况下观测结果也会因观测时刻、 观测方位角和观测天顶角的差异而受到不同程度的影响; 冠层光谱反射率信息二向反射特性明显, 小麦冠层RVI和NDVI变异系数分别为15%~50%和2%~50%, 玉米冠层RVI和NDVI变异系数分别为10%~33%和18%~39%; 进行观测时, 应尽量选择在太阳天顶角较稳定的12:00—14:00时段, 并尽量缩短观测时长, 还应选择固定的观测角度, 注意阴影效应与热点效应的影响; 此外, 在小麦返青至拔节期、 抽穗至扬花期获取RVI和NDVI时, 还应分别注意观测天顶角、 观测时刻对测量精度的干扰。 研究结果可为快速获取高精度的小麦、 玉米冠层光谱反射率数据提供技术支撑。
冠层光谱反射率 近地遥感 二向反射特性 Canopy spectral reflectance measurement Ground-based remote sensing RVI NDVI Bidirectional reflection RVI NDVI 光谱学与光谱分析
2021, 41(8): 2578
玉米是我国重要的粮食作物之一, 在我国种植规模最大、 发展最快。 玉米的长势会直接影响到其产量和品质, 因此通过对玉米的长势进行有效监测, 可以为田间管理、 早期产量估算提供宏观的参考信息, 为国家和相关部门决策提供重要的参考依据。 以无人机为遥感平台, 搭载影像传感器构建遥感系统, 获取玉米可见光谱遥感影像。 利用ENVI软件对获取的玉米冠层可见光谱彩色图像进行几何校正和辐射校正, 然后对图像进行彩色图像灰度化和增强处理。 利用对农田复杂背景适应能力较好以及具有较强光照适应性的AP-HI算法完成作物分割来提取玉米覆盖度信息。 在计算玉米覆盖度时, 首先利用AP-HI算法将图像进行分割, 并转换为二值图, 来去除图像中的土地、 水管、 道路、 作物残渣等背景, 以保留玉米的二值图像。 图像中的农田存在道路区域, 计算实际作物覆盖度时需将其排除。 道路区域出现在图像的四个边界以及相对正中的位置处, 对这些位置分别进行处理, 统计其中黑色像素点的个数, 根据像素点个数确定道路宽度, 并将道路部分从二值图中去除。 去除后的二值图中, 白色像素为无作物区域, 黑色像素为玉米种植区域, 统计黑色像素占总像素的比例, 以此确定作物的多少。 选取80×80像素值作为单位面积, 对处理图像进行分块标记, 得到区块数为720, 对单位面积的分块进行全区域扫描, 每当扫描到一个黑色像素值就将总的统计面积加1, 直至扫描到6 400个像素点, 计算其中含有的总的黑色像素值数目与6 400的比值, 直至将720个区块黑色像素点占总像素比例统计完全, 即可计算图像中黑色像素数与总像素数之比, 即为玉米覆盖度。 在此基础上, 根据实际情况计算玉米冠层孔隙率, 并建立覆盖度与叶面积指数模型, 完成玉米叶面积指数反演, 为玉米长势监测提供理论依据。
无人机 遥感 可见光谱 玉米 长势监测 叶面积指数 UAV Remote sensing Visible spectrum Maize Growth monitoring LAI
1 中国农业大学工学院食品质量与安全北京实验室, 北京 100083
2 中国农业大学土地科学与技术学院, 北京 100083
3 中国农业大学工学院, 北京 100083
4 中国农业大学水利与土木工程学院, 北京 100083
5 中国农业大学信息与电气工程学院, 北京 100083
传统大田农作物生长环境监测的方法, 需要在环境恶劣的田间布设各种传感器, 铺设复杂电路, 通常会出现耗时费力、 维护成本高、 且或多或少的损坏到植株的问题。 无人机光谱成像技术是一种融合了无人驾驶飞行器技术、 空间遥感和图像实时传输等多种手段的快捷新型农田环境监测技术, 能够快速获取农田作物的即时光谱图像, 通过分析图像获取大田作物的生长信息, 这一技术的应用弥补了上述问题。 首先对无人机光谱成像技术进行了概述, 介绍了无人机应用的优势。 和传统卫星遥感监测平台相比, 无人机可以工作在较低的高度, 即80~400 m, 能够抵消极端天气和云层影响, 实现快速、 准确地获取高精度图像。 目前, 国内外小型无人机的应用主要集中在灾害监测、 自然资源监测、 城市规划和植被监测等领域。 由于其低成本、 近实时图像采集等特点, 在精准农业的发展过程中, 无人机光谱图像的应用也愈加广泛。 分析了常见光谱图像的特点和应用场景。 全色图像由于分辨率高, 多用于数据融合; 多光谱及高光谱影像由于丰富的光谱信息, 与农作物的光谱特征结合, 可用于农作物的生物理化指标的检测、 农业灾害预警、 产量预测和精细分类制图等; 热红外图像可以获得农作物温度信息, 可用于监测田间旱灾。 总结了无人机光谱图像技术在大田中的主要应用途径。 目前利用无人机光谱图像技术对农作物进行监测的方法主要有: 利用光谱反射率构造植被指数或红边参数, 研究植被的反射特点, 构建农作物时间层面上与光谱特征对应的生长模型, 利用新兴数学方法与农作物生化参数结合建立模型进行反演。 探讨了无人机光谱图像技术在大田的应用中尚且存在着的一些技术空白及难点, 以期为无人机光谱成像技术在大田中的衍生应用发展提供参考。
无人机 光谱成像技术 大田 研究进展 Unmanned aerial vehicle Spectral imaging technology Field Research progress 光谱学与光谱分析
2020, 40(5): 1356
1 中国农业大学工学院食品质量与安全北京实验室, 北京 100083
2 中国农业大学土地科学与技术学院, 北京 100083
3 中国农业大学信息与电气工程学院, 北京 100083
4 中国农业大学水利与土木工程学院, 北京 100083
5 中国农业大学工学院, 北京 100083
水是植物正常生长发育必不可缺的元素之一, 能够快速检测并获取植物叶片水分, 对田间作物灌溉生产管理和作物的生理需水特性研究等具有重要的意义。 利用RedEdge-M型号多光谱相机, 以不同生育期的55组玉米叶片作为试验对象, 在光线充足且无阴影遮挡的环境下对试验玉米叶片样本进行拍摄, 拍摄过程中通过直连下行光传感器来消除太阳高度角对光谱反射的影响, 每组玉米叶片样本经过拍摄可得到蓝、 绿、 红、 近红外和红边等5个波段的TIFF图像。 借助图像处理软件ENVI5.3构建玉米叶片样本兴趣区域(ROI), 以ROI范围内玉米叶片样本的平均反射光谱作为该样本的反射光谱来减小镜头边缘减光现象带来的误差。 参照标准白板出厂时提供的专属标定反射率、 白板ROI范围内的平均反射光谱和玉米叶片样本白板ROI范围内的平均反射光谱, 比值换算得到各组玉米叶片5个波段处的光谱反射率。 同时利用YLS-D型号植物营养测定仪, 采用五点取样法选择玉米叶片的5个区域测取玉米叶片样本的水厚度平均值作为叶片含水量的测量指标。 随机选取43组玉米叶片样本得出的光谱反射率作为训练样本, 采用BP神经网络建立基于多光谱图像的玉米叶片含水量反演模型, 并融合莱文贝格-马夸特理论(Levenberg-Marquardt, L-M)进行经典神经网络现有缺点的改进。 输入神经元数目为5个, 即蓝、 绿、 红、 近红外和红边等5个波段图像对应的反射率, 输出神经元为1个, 即玉米叶片含水量。 剩余12组玉米叶片作为验证样本用于模型反演数据的相关性分析, 结果表明, 利用多光谱图像光谱信息并结合基于Levenberg-Marquardt方法改进后BP神经网络玉米叶片含水量反演模型, 模型反演的拟合相关系数能达到0.896 37, 12组验证集中玉米叶片含水量参考值和反演值的相关系数r达到0.894 8, 反演结果比较理想。 可以实现对玉米叶片含水量的快速准确检测, 对精准农业的推广和应用提供了方法和参考依据。
多光谱图像 玉米叶片 含水量 BP神经网络 Multispectral images Maize leaves Water content BP Neural network 光谱学与光谱分析
2020, 40(4): 1257
1 中国农业大学信息与电气工程学院食品质量与安全北京实验室, 北京 100083
2 中国农业大学工学院, 北京 100083
3 中国农业大学水利与土木工程学院, 北京 100083
以表层土壤为对象, 探究土壤的多光谱反射率与土壤水分含量相关性, 进行基于无人机多光谱图像的土壤水分含量预测模型方法的探究。 选取中国农业大学通州实验站为研究区域, 实地采集试验田的土壤样本100组, 按照一定梯度配制土壤含水量, 配成的土壤含水率为10%~50%之间, 土壤含量的真实值采用土壤烘干法进行测定。 多光谱相机灵巧便捷, 可搭载在无人机上对土壤进行监测。 将RedEdged-M型多光谱相机搭载在Phantom 3型无人机上, 选择阳光充足的采集环境, 实时采集土壤样本的多光谱图像, 建立土壤多光谱信息与水分含量之间的模型。 利用处理光谱数据的ENVI5.3软件提取土壤样本多光谱信息, 以多光谱相机自带的标准白板反射率为100%, 计算出土壤样本在蓝、 绿、 红、 红边、 近红外五个波段的光谱反射率。 采用BP神经网络算法、 支持向量机算法、 偏最小二乘算法分别建立基于无人机多光谱图像的土壤水分含量的预测模型。 以80组土壤样本数据作为训练集, 建立基于多光谱图像的土壤水分含量预测模型。 采用莱文贝格-马夸特算法对BPNN进行改进, 提高了其训练速度, 当网络结构为5-10-1时, 训练效果最好, 本文选择该网络结构; SVM采取高斯核函数, 当参数为0.56时, 模型效果最好。 本研究采用归一化均方根误差(NRMSE)和决策系数(R2)对三种土壤水分含量的预测模型进行定量对比。 以20组土壤样本数据作为测试集, 结果可知, 基于BP神经网络土壤水分含量预测模型的NRMSE为0.268, R2为0.872; 基于支持向量机的土壤水分含量预测模型的NRMSE为0.298, R2为0.821; 基于偏最小二乘土壤水分含量预测模型的NRMSE为0.316, R2为0.789。 对三种模型分析可知, 基于BPNN的土壤水分含量预测模型效果均较好。 结果可知, 土壤的光谱反射率与含水率间存在较密切的相关性, 将多光谱相机搭载在无人机上可以对土壤水分含量进行有效的实时监测, 对监测土壤墒情提供技术支持和理论支撑。
多光谱无人机 土壤水分 预测模型 Multispectral Unmanned aerial vehicle Soil moisture Prediction model 光谱学与光谱分析
2020, 40(4): 1238
