共查询到19条相似文献，搜索用时 687 毫秒
1.
无人机影像反演玉米冠层LAI和叶绿素含量的参数确定 总被引：6，自引：4，他引：2
小型低空无人机（unmanned aerial vehicle, UAV）机动灵活、操作简便,可以按需获取高空间分辨率影像,是育种玉米长势监测的一种重要技术手段。针对UAV影像反演玉米冠层叶面积指数（LAI, Leaf Area Index）和叶绿素含量的参数确定问题,该研究以DJI S1000+无人机为平台,搭载法国Parrot Sequoia相机,获取海南三亚市崖城玉米育种基地的多光谱影像。基于预处理后的UAV影像,采用重采样的方式获得不同分辨率下（0.1～1 m）的不同植被指数,所构建的植被指数包括归一化植被指数（normalized difference vegetation index,NDVI）、叶绿素指数（grassland chlorophyll index,GCI）、比值植被指数（ratio vegetation index,RVI）、归一化红边红指数（normalized difference rededge-red index,NDIrer）、归一化红边绿指数(normalized difference rededge-green index,NDIreg)和重归一化植被指数(renormalized difference vegetation index,RDVI),通过将不同分辨率下的不同植被指数与地面实测数据进行回归分析,以获得各分辨率下植被指数与冠层LAI和叶绿素含量的关系模型及其决定系数,以决定系数的大小为依据来确定玉米冠层LAI和叶绿素含量反演的最优空间分辨率和最优植被指数。通过试验发现,在分辨率为0.6 m时,NDVI与地面实测LAI之间的决定系数R2为0.80,决定系数达到了最大,利用该分辨率下的NDVI反演得到的LAI验证精度R2达到了0.73;在分辨率为0.1 m时,NDIreg与地面实测叶绿素含量之间的决定系数R2为0.70,决定系数达到了最大,利用该分辨率下的NDIreg反演得到的叶绿素含量验证精度R2达到了0.63。因此得出结论：1）植被指数的选择：① 对于玉米冠层LAI的反演来说,不包含绿波段的植被指数的LAI反演精度较高,这说明绿波段对LAI的变化不敏感;② 对于玉米冠层叶绿素含量反演来说,包含红边波段的植被指数的反演精度较高,因此影像的红边波段对叶绿素含量的变化非常敏感。2）UAV影像空间分辨率的选择：反演LAI的最优分辨率是0.6 m,此时NDVI与实测LAI的决定系数达到最大;反演冠层叶绿素含量的最优分辨率是0.1～0.3 m范围内,此时NDIreg与实测叶绿素含量的决定系数达到最大。该研究可为UAV反演玉米表型参数时的分辨率和植被指数选择提供参考。 相似文献
2.
基于GF-1与Landsat-8多光谱遥感影像的玉米LAI反演比较 总被引：3，自引：6，他引：3
近年来,中国遥感事业已取得长足进步,高分一号(GF-1)卫星首次实现了中国自主研发的高分辨率对地观测。为探讨国产GF-1卫星影像在农业遥感长势监测中的适应性,以许昌地区为研究对象,选取同期Landsat-8卫星影像,结合地面采样数据LAI,从传感器光谱响应特征、经验回归模型监测精度以及LAI空间一致性等3方面进行2类遥感数据的对比评价。结果表明,GF-1影像近红外、红、蓝波段光谱响应与Landsat-8有差异,与绿波段光谱响应非常吻合,各波段光谱反射率与Landsat-8影像同类光谱间均存在显著线性关系。通过各波段组合多种归一化植被指数,采用经验回归模型反演LAI发现,GF-1影像反演的最优模型为NDVI的指数模型,R2为0.848,Landsat-8影像反演的最优模型为蓝红组合的归一化植被指数(blue-red NDVI,BRNDVI)的指数模型,R2为0.687,2类影像反演LAI与地面实测值均呈现较为一致的线性关系。由许昌地区玉米LAI值空间分布可见,GF-1影像反演的玉米LAI值与Landsat-8影像反演值过渡趋势一致,在许昌西部种植结构复杂地区,GF-1影像以其空间分辨率优势更能凸显LAI分布差异。通过该文研究表明,GF-1卫星的高时间分辨率以及高空间分辨率特征能够代替传统中分辨率数据成为农业遥感长势监测中的重要数据源,该数据在农业遥感其他领域的应用是今后研究的重点。 相似文献
3.
基于传统经验公式法和辐射传输法,分别对江苏省镇江市水稻分布状况进行提取。经验公式法可基于植被指数与叶面积指数的统计关系求得,以归一化植被指数和增强植被指数分别建立统计模型,而辐射传输模型采用PROSAIL模型,建立查找表,通过对比模拟和卫星遥感反射率数据对水稻的LAI(叶面积指数)进行确定。试验依据水稻生育期间LAI的时相分布,确定镇江水稻的种植分布状况。结果表明:(1)由经验公式法得到的镇江水稻面积为7.95×104hm2,相对误差为14.9%,由辐射传输法得到的镇江水稻面积为8.65×104hm2,相对误差为7.5%。辐射传输法的结果更接近实际值。(2)在统计模型中,增强植被指数EVI与LAI相关性比归一化植被指数NDVI与LAI的相关性更高,用EVI-LAI方程对LAI作进一步反演效果更理想;(3)实测值验证分析表明,统计模型反演的LAI标准误差为1.32,PROSAIL模型反演的LAI标准误差为0.97,说明在遥感反演植被生物物理参数时,辐射传输法比传统的经验公式法稳定性更强。研究结果对探讨两种方法在提取作物分布范围中的应用,准确了解作物长势和种植面积以指导生产具有重要意义。 相似文献
4.
不同时空分辨率遥感数据融合估算冬小麦叶面积指数 总被引：2，自引：1，他引：1
高时空分辨率叶面积指数(leaf area index,LAI)数据能反映作物的长势动态变化,为作物长势评估和产量预测提供有效的生长指标依据。该文综合利用混合像元线性分解与数据同化算法,以高空间分辨率SPOT-5数据反演的LAI修正高时间分辨率HJ-CCD数据反演的LAI序列,生成了覆盖冬小麦主要生育期的高空间分辨率LAI序列,并结合SPOT-5反演的LAI和实测LAI值分析了像元纯度、高空间分辨率遥感数据同化景数对融合效果的影响。结果表明,采用数据融合方法生成的LAI与检验LAI具有较高的一致性,但像元纯度对融合效果影响较大;基于2景SPOT-5影像能够提高LAI序列估测精度,且优于基于1景SPOT-5影像的融合效果。该研究结果可为冬小麦生长监测提供技术支撑。 相似文献
5.
基于低空无人机成像光谱仪影像估算棉花叶面积指数 总被引：14，自引：6，他引：8
农作物叶面积指数(leaf area index,LAI)遥感监测具有快速、无损的优势。该文以低空无人机作为遥感平台,使用新型成像光谱仪获取的农田高光谱影像数据对棉花LAI进行反演。利用影像高光谱分辨率的特点,针对传统固定波段植被指数(fixed-bandvegetation index,F_VI)进行改进,通过动态搜索相应植被指数定义所使用波段范围内的反射率极值的方法,计算与各类植被指数对应的极值植被指数(extremum vegetation index,E_VI)。分别以原始全波段光谱反射率、连续投影算法(successive projections algorithm,SPA)提取的有效波段反射率以及各类F_VI和E_VI作为自变量,使用最小二乘和偏最小二乘(partial least squares,PLS)回归等方法构建LAI遥感估算模型。结果显示:1)以植被指数为自变量的模型估算效果(验证R2最高为0.85)优于以光谱反射率作为自变量的模型(验证R2最高为0.59);2)使用E_VI作为自变量能够显著提高LAI的估测精度(验证R2最大提高了0.11);3)使用PLS回归算法结合多个E_VI建立的LAI-E_VIs-PLS模型精度最高。使用LAI-E_VIs-PLS模型对棉花地块高光谱影像进行反演,制作棉花LAI空间分布图,取得良好的估算结果(验证R2=0.88,RMSE=0.29),为农作物LAI遥感监测提供了新的技术手段。 相似文献
6.
ZY-3卫星全色与多光谱影像融合方法比较 总被引：3，自引：0，他引：3
针对目前农业部门常用融合方法,探讨适合于ZY-3卫星农业区影像的融合方法,该文以ZY-3卫星2.1 m全色/5.8 m多光谱分辨率平面影像为数据源,应用HSV变换（hue-saturation-value,颜色空间变换）、Brovey变换（彩色标准化变换）、Gram-Schmidt变换（正交化变换）、PC变换（principal components,主成分变换）、Wavelet变换（小波变换）和Ehlers变换（空间滤波变换）等6种常用融合方法,从提高空间分辨率和保持原始图像光谱信息的角度,通过两类统计参数：光谱分析和不同地域的纹理特征,对融合后的影像进行质量评价。通过面向对象方法对融合影像分类比较,全面探讨这6种融合方法对ZY-3卫星农业区影像的适宜性。试验表明,PC变换和Ehlers变换各波段与原多光谱影像相关性均高达0.9以上,纹理特征增强明显,边缘响应指标均高于0.2,分类总体精度分别达78.59%、77.8%;其他融合方法仅在部分试验指标中具有优势。综合比较试验数据,发现PC变换和Ehlers变换融合效果优于其他融合算法,适宜应用于ZY-3卫星农业区影像;但不同融合方法在图像质量和地类提取中各有优势,可结合实际农业应用及影像中地类信息比例,选择适宜的融合算法。该研究可为农业各部门中影像大规模的融合应用提供参考。 相似文献
7.
基于HJ-CCD与TM影像的水稻LAI估测一致性分析 总被引：4，自引：3，他引：1
针对传感器参数与Landsat-5 TM较为相近的环境减灾小卫星HJ-CCD影像可否适用于水稻叶面积指数（LAI）估测的问题,该文利用同为2009-07-13获取的安徽省境内相同范围的HJ-CCD影像和TM影像,结合地面同步调查数据,分别从影像原始波段相关性、反演模型精度及LAI空间分布趋势3个方面,对两类数据在水稻LAI估测上的一致性进行分析和评价。结果表明,两类影像原始波段反射率相关性较高,基于两类影像的单变量、多变量模型在精度上一致性较高,估测所得的LAI在空间分布上也具有较高的一致性,数据集中分布的区间较为一致。因此,该研究初步证明将HJ-CCD影像用于水稻LAI估测在总体上是可行的。但同时,由于基于两类影像构建的模型在形式上存在一定程度的差异,据此得到的LAI填图结果的数据分布在某些区间内亦略有差异。因此,在应用中应注意针对不同数据源进行独立建模分析,不可相互套用模型。该研究一定程度上为有着重访周期短、覆盖范围宽等优势的国产中分辨率遥感数据在农业领域的应用提供依据。 相似文献
8.
基于多光谱与高光谱遥感数据的冬小麦叶面积指数反演比较 总被引：3，自引：6，他引：3
近年来,高光谱遥感数据广泛应用于农作物叶面积指数(LAI)反演。与常用的多光谱遥感数据相比,高光谱数据能否提高农作物LAI反演的精度和稳定性还存在争议。针对这一问题,该研究利用实测冬小麦冠层高光谱反射率数据,构造了不同光谱分辨率和波段组合的5种光谱数据。基于ACRM(a two-layer canopy reflectance model)模型、2套参数化方案及上述5种光谱数据,对冬小麦LAI进行反演,分析光谱分辨率、高光谱数据波段选择、模型参数不确定性3方面因素对LAI反演精度与稳定性的影响。研究结果表明:当波段选择适宜、模型参数不确定性较小且光谱数据分辨率较高时,LAI反演精度与稳定性更高,提高光谱分辨率对LAI反演精度的改进作用随光谱分辨率的升高而降低;反之,当高光谱数据波段选择不当或者模型参数不确定性较大时,提高光谱数据的分辨率并未提高LAI反演精度。该研究解释了"高光谱遥感数据能否提高植被参数反演精度"问题,为进一步发挥高光谱数据在农作物LAI反演中的潜力提供了科学参考。 相似文献
9.
叶面积指数(LAI)是评价植被长势及产量预测的重要指标,对其进行精准快速估测有助于植被的生长状态诊断和管理。本研究以不同施氮水平、不同栽种方式下的油菜和不同品种水稻为试验对象,基于冠层高光谱曲线形态,引入偏角光谱检索算法(DABSR)提取光谱偏角,同时采用植被指数法和主成分分析法进行对比分析,探索适用于水稻、油菜LAI估算的统一模型构建方法。研究结果表明,估算油菜LAI时,DABSR反演精度较高,预测R~2、RMSEP分别为0.74、0.47,偏移量MNB为0.16;主成分分析法反演精度次之,预测R~2、RMSEP、MNB分别为0.73、0.48、-0.04;而植被指数法受不同生育期油菜株型、覆盖度影响反演精度普遍较低,精度较高模型的预测R~2、RMSEP、MNB分别为0.61、0.57、0.17。在估算水稻LAI时,DABSR反演精度最优,预测R~2、RMSEP、MNB可达0.70、0.80、0.05。综合考虑模型的验证精度、特征选择的合理性以及模型计算效率,DABSR偏角光谱检索法估算油菜和水稻LAI具有较高精度,且受施肥水平、栽种方式、生长期等因素影响较小,为构建精确的植被LAI统一估算模型提供了新思路。 相似文献
10.
不同生育期水稻叶面积指数的高光谱遥感估算模型 总被引：1，自引：0，他引：1
2011年和2012年通过大田试验,利用便携式野外光谱仪实测水稻冠层不同生育时期的高光谱数据,同时使用SUNSCAN冠层分析系统采集水稻冠层叶面积指数（LAI）;采用光谱微分技术和统计分析技术,分别分析高光谱反射率及其植被指数与LAI之间的关系,建立LAI估算模型并进行模拟结果对比。结果表明：水稻抽穗-成熟期,利用光谱值的对数形式对LAI值的模拟效果较好,分蘖-抽穗期利用光谱反射率模拟LAI变化过程的效果不理想。 在利用各种植被指数估算LAI方法中,水稻分蘖-抽穗期以修改型土壤调整植被指数MSAVI[758,805]对LAI的估算效果最好,模拟值与实测值的相关系数通过了0.01水平的显著性检验（R=0.7754）,估算精度较高。在抽穗-成熟期,也以修改型土壤调整植被指数MSAVI[758,817]对LAI的模拟效果最好,模拟值与实测值的相关系数通过了0.01水平的显著性检验（R=0.6488）,估算精度较高。说明修改型土壤调整植被指数（MSAVI）能更好地模拟水稻不同生育期的叶面积指数,按照分蘖-抽穗期、抽穗-成熟期两个生育阶段分别建立水稻冠层LAI的高光谱估算模型能够提高LAI估算的准确度,研究结果也证实了分生育阶段建模的必要性。 相似文献
11.
GEE平台下利用物候特征进行面向对象的水稻种植分布提取 总被引：1，自引：1，他引：0
为高效提取高精度水稻种植分布及其面积,该研究基于谷歌地球引擎（Google Earth Engine,GEE）平台,以辽宁省盘锦市为研究区,利用2020年Sentinel-2影像提取水稻生命周期内4个水稻物候期相应的光谱指数,利用简单非迭代聚类（Simple Non-Iterative Clustering,SNIC）算法来分割影像,灰度共生矩阵（Gray Level Co-occurrence Matrix,GLCM）来计算纹理特征,结合支持向量机（Support Vector Machine,SVM）和随机森林（Random Forest,RF）算法构建6种不同的模型进行水稻种植分布提取,并基于目视解译及实地调查数据,对比6种模型提取水稻的验证精度和实测精度,确定最优模型。结果表明：在水稻种植分布提取中,面向对象方法有助于提高水稻种植分布提取精度,且RF算法优于SVM算法。其中SNIC图像分割结合RF模型具有最高提取精度,总体精度和Kappa系数分别为96.83%、0.934,经实测数据验证,水稻实测精度为95.43%,可满足区域水稻种植分布和面积监测需求。 相似文献
12.
13.
基于实测高光谱指数与HSI影像指数的土壤含水量监测 总被引：1，自引：0，他引：1
为了探索土壤含水量与高光谱植被指数的内在关系,实现土壤含水量的快速且准确监测,以ASD光谱仪测定的研究区植被高光谱数据和环境卫星HSI高光谱影像数据为基础数据计算得到26种光谱植被指数,通过灰度关联分析法(grey relational analysis)对不同深度(0~10,10~30,30~50 cm)土壤含水量与实测光谱指数和影像光谱指数进行分析和筛选,确定了与土壤含水量相关性较高的5个光谱植被指数,采用多元线性回归法(multiple linear regression)分别构建了基于实测数据和影像数据的高光谱植被指数土壤含水量反演模型,并用实测高光谱植被指数模型对HSI影像植被指数模型进行校正。结果表明:2种土壤含水量反演模型对0~10 cm层的土壤含水量均有较高的拟合度,判定系数(R2)均高于0.589,并具有较好的稳定性;实测高光谱植被指数模型精度优于HSI影像植被指数模型,判定系数(R2)分别为0.668和0.589;经过校正的HSI影像土壤含水量反演模型精度有了较大的提高,判定系数(R2)从0.589提升到0.711,均方根误差(RMSE)为0.0014。该研究方法进行土壤含水量监测是可行的,为进一步提高土壤含水量定量遥感监测提供一定参考。 相似文献
14.
冬小麦叶面积指数（LAI, leaf area index）是评价其长势和预测产量的重要农学参数,高光谱遥感能够实现快速无损地监测叶面积指数。该文旨在将田间监测与高光谱遥感相结合,探索研究不同冬小麦叶面积指数高光谱反演方法的模拟精度及适应性。针对国际上普遍应用的2种高光谱遥感反演LAI模型方法,即回归分析法和BP神经网络法,在介绍2种LAI反演模型的基础上,选择位于黄淮海平原的山东省济南市长清区为研究区域,通过ASD地物光谱仪和SunScan冠层分析系统对冬小麦的冠层光谱及LAI变化进行田间观测,然后利用回归分析法和BP神经网络法构建冬小麦LAI反演模型,将模型估算LAI值和田间观测LAI值进行比对,分析评价2种方法的反演精度。结果表明,BP神经网络法较回归分析法估算冬小麦LAI的精度有较大提高,检验方程的决定系数（R2）为0.990、均方根误差（RMSE）为0.105。利用BP神经网络法构建反演模型能较好的对冬小麦LAI进行反演。研究结果可为不同冬小麦长势遥感监测提供理论和技术上的支持,并为大尺度传感器监测冬小麦长势和估产提供参考。 相似文献
15.
冬小麦叶面积指数高光谱遥感反演方法对比 总被引：26，自引：13，他引：13
冬小麦叶面积指数(LAI,leafarea index)是评价其长势和预测产量的重要农学参数,高光谱遥感能够实现快速无损地监测叶面积指数。该文旨在将田间监测与高光谱遥感相结合,探索研究不同冬小麦叶面积指数高光谱反演方法的模拟精度及适应性。针对国际上普遍应用的2种高光谱遥感反演LAI模型方法,即回归分析法和BP神经网络法,在介绍2种LAI反演模型的基础上,选择位于黄淮海平原的山东省济南市长清区为研究区域,通过ASD地物光谱仪和SunScan冠层分析系统对冬小麦的冠层光谱及LAI变化进行田间观测,然后利用回归分析法和BP神经网络法构建冬小麦LAI反演模型,将模型估算LAI值和田间观测LAI值进行比对,分析评价2种方法的反演精度。结果表明,BP神经网络法较回归分析法估算冬小麦LAI的精度有较大提高,检验方程的决定系数(R2)为0.990、均方根误差(RMSE)为0.105。利用BP神经网络法构建反演模型能较好的对冬小麦LAI进行反演。研究结果可为不同冬小麦长势遥感监测提供理论和技术上的支持,并为大尺度传感器监测冬小麦长势和估产提供参考。 相似文献
16.
为了提高无人机遥感对冬小麦叶面积指数（leaf area index,LAI）反演模型的精度与泛化能力,该研究利用无人机搭载多光谱相机获取不同氮素处理和不同复种方式的冬小麦生长实测数据,结合PROSAIL辐射传输模型生成包含机理信息的模拟数据,基于不同组合方式建立了5种LAI反演混合数据集,结合多种机器学习方法,以期构建经验与机理相结合的LAI高精度反演模型。由于LAI反演受NIR波段反射率影响大,该研究筛选7种与NIR波段相关的植被指数提取冬小麦光谱特征,构建与混合数据集LAI的相关系数矩阵,进一步探究不同光谱特征对冬小麦LAI的影响程度。在此基础上,采用具有代表性和普适性的4种机器学习方法,即贝叶斯岭回归模型、线性回归模型、弹性网络模型和支持向量回归模型,构建不同冬小麦LAI反演模型,用以评估基于半经验半机理数据反演冬小麦LAI的可行性,进一步探索其对不同氮素水平和复种方式的冬小麦长势评估能力。结果表明：1）筛选的与NIR波段相关的植被指数与冬小麦LAI之间存在较强的相关性,其中归一化差异植被指数、增强植被指数、归一化差异红边指数、比值植被指数、红边叶绿素植被指数、土壤调节植被指数与LAI呈正相关,结构不敏感色素植被指数与LAI呈负相关;2）辐射传输模型中体现了冬小麦LAI影响太阳光线传播的机理,结果表明,与实测数据混合建立的模型,具有较强的鲁棒性和泛化能力。相比于其他3种模型,支持向量回归模型在各种数据组合下均取得了较好的LAI预测性能,在C1、C2、C3、C4这4种训练-测试组合的训练集中R2依次为0.86、0.87、0.88、0.91,RMSE依次为0.47、0.45、0.45、0.41;在测试集的R2依次为0.85、0.19、0.89、0.87,RMSE依次为0.45、1.31、0.49、0.50;3）使用支持向量机生成试验区LAI反演图,对4种氮素水平和2种复种方式的冬小麦长势评估,结果表明,适当的施加氮素处理能提高冬小麦LAI值,麦-豆复种方式下的冬小麦LAI值普遍高于麦-玉复种的LAI值。该研究为冬小麦LAI的反演提供了一种有效的方法,并为高效评估冬小麦长势研究提供了参考。 相似文献
17.
利用无人机多光谱估算小麦叶面积指数和叶绿素含量 总被引：6，自引：4，他引：2
利用无人机遥感的方式进行农作物长势监测是目前精准农业、智慧农业发展的重要方向,为了探究无人机多光谱反演小麦叶面积指数(Leaf Area Index,LAI)和叶绿素含量的模型估算潜力,该研究在3个飞行高度(30、60、120 m)采集多光谱影像,通过使用全波段差值光谱指数(Difference Spectral Index,DSI)、比值光谱指数(Ratio Spectral Index,RSI)、归一化光谱指数(Normalized Spectral Index,NDSI)和经验植被指数与地面实测数据进行相关性分析,获得不同高度下的光谱指数与LAI和叶绿素含量的关系模型及其决定系数,以决定系数为依据分别构建多元逐步回归、偏最小二乘回归和人工神经网络模型,分析不同飞行高度无人机多光谱反演小麦冠层LAI和叶绿素含量SPAD(Soil and Plant Analyzer Development)值的精度。结果表明:1)30 m高度下,绿-红比值光谱指数与小麦LAI的相关性最高,相关系数为0.84;60 m高度下,红-蓝比值光谱指数与小麦叶绿素含量的相关性最高,相关系数为0.68;2)在60 m高度下,经验植被指数与小麦LAI和叶绿素含量的相关性较好,最大相关系数分别为0.77和0.50;3)利用偏最小二乘回归反演小麦LAI的精度最高,决定系数为0.732,均方根误差为0.055;利用人工神经网络模型反演小麦叶绿素含量的精度最高,决定系数为0.804,均方根误差0.135。该研究成果可为基于无人机平台的高通量作物监测提供理论依据,并为筛选无人机多光谱波段实现作物长势参数快速估测提供应用参考。 相似文献
18.
基于图像提取技术计算夏玉米覆盖度和反演叶面积指数的精度评价 总被引：2，自引：0，他引：2
如何将农作物从复杂动态变化的农田场景中准确提取出来,是作物分割方法后续提取覆盖度或反演叶面积指数准确与否的关键。本文以郑州、泰安和固城站2011年和2012年生长季的夏玉米为研究对象,利用在线式图像自动传输装置实时获取户外不同光照强度以及真实农田复杂背景下的夏玉米群体动态图像,在对原始图像进行几何校正的基础上,采用AP-HI、ExG、ExGR和CIVE4种作物分割方法提取夏玉米覆盖度和反演叶面积指数,通过对比试验定量评价每种作物分割方法对农田复杂背景的适应能力和精度,并从中选取适合农田复杂环境下夏玉米冠层图像覆盖度和叶面积指数的有效提取方法。结果表明：光照强度变化以及植物阴影、植物残渣等复杂背景对作物分割算法的精确性影响较大,AP-HI方法在光照适应性和对抗复杂环境两个方面均优于其它方法,相对误差在0.2以下,高于目估法测量的精度;通过对比分析发现,利用4种作物分割方法通过冠层孔隙率估算不同生长期夏玉米LAI,AP-HI反演模型最优,其估算的LAI与实际测得的LAI值比较的相关系数最高,为0.89~0.96,均方根误差最小,为0.47~0.75。综合考虑模型的精度和稳定性认为,基于AP-HI方法反演叶面积指数的方法具有一定应用优势。 相似文献
19.
无人机遥感影像面向对象分类方法估算市域水稻面积 总被引：7，自引：5，他引：2
针对如何高效地从无人机遥感影像中提取农作物样方数据,用于农作物面积遥感估算,该文以浙江省平湖市为例,利用面向对象分类方法对无人机影像进行水稻自动化识别,作为样方数据与卫星遥感全覆盖空间分布分类结果结合,采用分层联合比估计进行2014年单季晚稻面积估算。然后,与人工目视解译识别方法获取的水稻样方数据推断的区域水稻面积估算的结果进行精度、效率对比分析。研究结果表明:1)利用面向对象分类方法对无人机影像进行分类,总体分类精度达到93%以上,满足构建样本的要求;2)通过区域作物估算对比分析发现,面向对象分类方法对无人机影像进行水稻识别,构建平湖市单季晚稻的样方数据,能够替代人工目视解译样方准确推断区域作物种植面积,有效地提高了无人机影像在遥感面积估算中的应用效率。 相似文献