光子学报
2023, 52(12): 1210001
1 农业农村部农业遥感机理与定量遥感重点实验室, 北京市农林科学院信息技术研究中心, 北京 100097国家农业信息化工程技术研究中心, 北京 100097辽宁工程技术大学测绘与地理科学学院, 辽宁 阜新 123000
2 农业农村部农业遥感机理与定量遥感重点实验室,北京市农林科学院信息技术研究中心, 北京 100097 南京农业大学国家信息农业工程技术中心, 江苏 南京 210095 国家农业信息化工程技术研究中心, 北京 100097
3 农业农村部农业遥感机理与定量遥感重点实验室江苏 南京 210095 国家农业信息化工程技术研究中心, 北京 100097中国农业大学现代精细农业系统集成研究教育部重点实验室, 北京 100083
4 农业农村部农业遥感机理与定量遥感重点实验室, 北京市农林科学院信息技术研究中心, 北京 100097国家农业信息化工程技术研究中心,北京 100097
5 农业农村部农业遥感机理与定量遥感重点实验室, 北京市农林科学院信息技术研究中心, 北京 100097国家农业信息化工程技术研究中心, 北京 100097
6 农业农村部农业遥感机理与定量遥感重点实验室江苏 南京 210095国家农业信息化工程技术研究中心, 北京 100097
7 辽宁工程技术大学测绘与地理科学学院, 辽宁 阜新 123000
植株氮含量(PNC)是评价作物长势和营养状况的重要指标, 快速准确获取作物的PNC信息可为农田管理策略的制定与实施提供重要依据。 已有研究表明, 仅采用影像的光谱信息估算作物的PNC存在饱和现象, 该研究尝试采用植被指数(VIs)结合二维离散小波分解技术(DWT)提取的多个尺度的高频信息(HFI)构建一种光谱空间特征(VIs+HFI), 探究VIs、 HFI和VIs+HFI估算PNC的能力。 首先, 以无人机为遥感平台获取马铃薯现蕾期、 块茎形成期、 块茎增长期、 淀粉积累期和成熟期5个氮营养关键生育期的数码影像并实测各生育期的PNC数据。 其次, 基于预处理的无人机影像, 提取各生育期冠层的光谱信息构建VIs, 并采用DWT提取各生育期1~5尺度的HFI。 然后, 将各生育期提取的VIs和HFI与马铃薯PNC进行相关性分析, 分别筛选出相关系数绝对值较大的前7个VIs和前10个HFI。 为降低共线性对实验结果的影响, 根据KMO检验结果对筛选的HFI进行主成分分析(PCA)降维处理。 最后, 采用岭回归和极限学习机(ELM) 2种方法分别以VIs、 HFI主成分和VIs+HFI主成分为模型变量构建马铃薯各生育期的PNC估算模型, 并进行评估。 结果表明: (1)马铃薯各生育期, 1~5尺度的HFI对估算PNC均有贡献。 (2)以VIs+HFI为模型变量构建的马铃薯PNC估算模型的精度和稳定性高于单一VIs和HFI。 (3)马铃薯各生育期, 以岭回归方法构建的PNC估算模型优于ELM方法。 其中, 以VIs+HFI为模型变量构建的PNC估算模型效果最优, 5个生育期的建模R2分别为0.833、 0.764、 0.791、 0.664和0.435, RMSE分别为0.332%、 0.297%、 0.275%、 0.286%和0.396%; NRMSE分别为9.113%、 9.425%、 10.336%、 9.547%和15.166%, 该研究可为马铃薯氮营养状况的实时高效监测提供一种新的技术支撑。
无人机 马铃薯 植株氮含量 植被指数 高频信息 Unmanned aerial vehicle Potato Plantnitrogen content Vegetation indices High frequency information 光谱学与光谱分析
2023, 43(5): 1532
1 农业部农业遥感机理与定量遥感重点实验室,北京农业信息技术研究中心,北京 100097
2 山东科技大学测绘科学与工程学院,山东 青岛 266590
3 南京农业大学国家信息农业工程技术中心,江苏 南京 210095
4 国家农业信息化工程技术研究中心,北京 100097
地上生物量(AGB)是评估作物生长发育和指导田间农业生产管理的重要指标。 因此, 高效精准地获取作物AGB信息, 可以及时准确地估算产量, 对于保障粮食供应和贸易提供有力依据。 传统获取AGB的方法是采用破坏性取样法, 这使得大面积、 长期的测量变为困难。 然而, 随着精准农业的快速发展, 无人机遥感技术被认为是估算大面积作物AGB最有效的技术方式。 通过无人机平台搭载多光谱传感器获取马铃薯块茎形成期、 块茎增长期和淀粉积累期的多光谱影像, 地面实测株高和AGB以及地面控制点(GCP)的空间位置信息。 首先, 基于SFM(structure from motion, SFM)技术利用无人机影像数据结合GCP的三维坐标生成试验田的DSM(digital surface model, DSM), 通过DSM提取出马铃薯各生育期的株高(Hdsm); 然后, 选取原始4个单波段植被指数、 9个多波段组合的植被指数、 红边波段的高频信息(HFI)和提取的Hdsm分别与AGB作相关性分析; 最后基于单波段植被指数(x1)、 多波段组合的植被指数(x2)、 植被指数结合Hdsm(x3)、 植被指数结合HFI(x4)以及植被指数融合HFI和Hdsm(x5)为模型输入参数, 采用偏最小二乘回归(PLSR)和岭回归(RR)估算各生育期的AGB。 结果表明: (1)提取的Hdsm和实测株高拟合的R2为0.87, NRMSE为14.34%; (2)各模型参数都与AGB达到极显著水平, 相关性均从块茎形成期到淀粉积累期先升高后降低; (3)各生育期以5种变量使用同种方法估算马铃薯AGB的效果, 均从块茎形成期到淀粉积累期先好后变差, 其估算精度由高到低依次为x5>x4>x3>x2>x1; (4)各生育期使用PLSR以不同变量估算AGB的效果要优于RR方法, 其中在块茎增长期基于x5变量估算马铃薯AGB效果最佳, R2为0.73, NRMSE为15.22%。 因此, 选取多光谱植被指数结合红边波段的高频信息和Hdsm并使用PLSR方法可以明显提高AGB的估算精度, 这为大面积马铃薯作物AGB的监测提供了新的技术支撑。
马铃薯 多光谱 株高 植被指数 高频信息 地上生物量 Potato Multispectral Plant height Vegetation indices High frequency information Above ground biomass 光谱学与光谱分析
2021, 41(8): 2549
1 农业部农业遥感机理与定量遥感重点实验室, 北京农业信息技术研究中心, 北京 100097
2 山东科技大学测绘科学与工程学院, 山东 青岛 266590
3 国家农业信息化工程技术研究中心, 北京 100097
4 河南工程学院土木工程学院, 河南 郑州 451191
地上生物量(AGB)是作物长势评价及产量预测的重要指标, 因此快速准确地估算AGB至关重要。 由于传统植被指数(VIs)估算多生育期的AGB存在饱和现象, 因此, 利用VIs结合基于离散小波转换(DWT)的影像小波分解(IWD)技术提取的高频信息和连续小波转换(CWT)技术提取的小波系数, 探究VIs, VIs+IWD和VIs+CWT对于AGB的估算能力。 首先, 基于无人机平台分别获取马铃薯现蕾期、 块茎形成期、 块茎增长期、 淀粉积累期的数码影像和成像高光谱影像以及地面实测的AGB数据。 其次, 利用数码影像通过IWD技术提取3种高频信息和利用高光谱反射率数据通过CWT技术提取小波系数以及构建6种高光谱植被指数。 然后, 将植被指数、 高频信息和小波系数分别与AGB进行相关性分析, 并挑选出不同尺度下相关系数绝对值较高的前10波段。 最后, 以VIs, VIs+IWD和VIs+CWT这3种变量分别使用偏最小二乘回归(PLSR)方法构建AGB估算模型, 并对比不同模型估算AGB的效果。 结果表明: (1)每个生育期选取的6种植被指数、 3种高频信息和10种小波系数与AGB的相关性均达到0.01显著水平, 整个生育期相关性均呈现先升高后降低的趋势, 其中以小波系数得到的相关性最高、 高频信息次之, 植被指数最低。 (2)对比分析每个生育期的3种估算模型, 以VIs+CWT为输入变量的估算效果最好, VIs+IWD的估算效果次之, 而VIs的估算效果最差, 说明基于小波分析构建的模型适用性较广、 稳定性较强。 (3)每个生育期分别以3种变量利用PLSR方法构建的AGB估算模型均在块茎增长期达到最高精度(VIs: 建模R2=0.70, RMSE=98.88 kg·hm-12, NRMSE=11.63%; VIs+IWD: 建模R2=0.78, RMSE=86.45 kg·hm-12, NRMSE=10.17%; VIs+CWT: 建模R2=0.85, RMSE=74.25 kg·hm-12, NRMSE=9.27%)。 通过VIs分别结合IWD和CWT技术利用PLSR建模方法, 可以提高AGB估算精度, 为农业指导管理提供可靠参考。
马铃薯 地上生物量 植被指数 高频信息 小波系数 偏最小二乘回归 Potato Above-ground biomass Vegetation index High-frequency information Wavelet coefficients Partial least squares regression 光谱学与光谱分析
2021, 41(4): 1205