共查询到17条相似文献，搜索用时 281 毫秒
1.
无人机多光谱遥感技术可以快速、无损地监测农作物叶面积指数（LAI）。为研究水分胁迫条件下,利用无人机多光谱植被指数估算夏玉米LAI的可行性,本研究基于无人机多光谱遥感系统,结合同时期实地采集的夏玉米LAI,选择5种植被指数,包括归一化差值植被指数（NDVI）、土壤调节植被指数（SAVI）、增强型植被指数（EVI）、绿度归一化植被指数（GNDVI）和抗大气指数（VARI）,作为模型输入参数,使用随机森林回归算法建立全生育期不同灌溉条件下大田玉米冠层植被指数与LAI之间的关系模型,并与一元线性回归和多元线性回归算法建立的模型进行对比分析。结果表明,在充分灌溉条件下,植被指数的多元线性回归模型可以较好地估算LAI（R2 = 0.83）;在水分胁迫条件下,植被指数的随机森林回归模型可以较好地估算LAI（R2 = 0.74~0.87）,水分胁迫因素对该模型影响较小,且NDVI和VARI对估算LAI的贡献最大。上述结果表明基于无人机多光谱遥感技术,使用随机森林回归算法估算多种灌溉条件下的夏玉米LAI是可行的。该研究为实现快速、准确地监测全生育期不同灌溉条件下的大田夏玉米LAI提供了技术和方法支持。 相似文献
2.
《中国农机化学报》2021,(4)
配备多光谱相机的无人机可实现对农作物生长状况的快速无损监测,为评估无人机遥感监测高粱作物长势的可行性和准确性,利用无人机搭载的多光谱相机获取高粱拔节期、抽穗开花期、灌浆成熟期多光谱遥感图像,构建常用的4种植被指数与叶面积指数LAI和植被覆盖度FVC之间的回归模型。经过精确度评价,确定归一化差异植被指数NDVI为最优植被指数,LAI-NDVI和FVC-NDVI估算模型的决定系数R~2分别为0.91和0.88,均方根误差RMSE分别为0.28和0.06;平均绝对误差MAPE分别为11%和8%。基于此,选择归一化差异植被指数NDVI,分析LAI和FVC无人机遥感估算值和实测值之间的关系,通过交叉验证得到LAI值:R~2=0.94,RMSE=0.16,MAPE=13%;FVC值:R~2=0.90,RMSE=0.05,MAPE=4%,说明两者存在高度拟合性。结果表明:根据无人机遥感得到的归一化差异植被指数NDVI可准确地估算高粱作物的叶面积指数和植被覆盖度,无人机遥感适用于对高粱作物生长状态的监测。 相似文献
3.
夏玉米叶面积指数遥感反演研究 总被引：4，自引：0，他引：4
利用LAI-2000的观测数据与基于HJ卫星遥感数据生成的植被指数,结合3种常用的回归模型,构造了夏玉米分别按全生育期、不同生育阶段和阈值分段的叶面积指数(Leaf area index,LAI)反演模型;获取了3种模式下LAI的最优反演模型;在验证和评价各模型可靠性之后,生成了夏玉米在营养生长期、抽雄期和生殖生长期的LAI分布图;并将基于HJ影像反演得到的LAIHJ与MODIS LAI产品(MOD15A2)LAIM进行了对比。研究发现,与各种通用植被指数相比,针对HJ CCD数据构造的环境植被指数HJVI与LAI的相关性在3种反演模式中均为最佳。HJVI与全生育期LAI的相关性达到0.875,在不同生育阶段与LAI的相关性也高于其他植被指数(营养生长期线性模型最佳,决定系数为0.769;抽雄期对数模型最佳,决定系数为0.783;生殖生长期指数模型最佳,决定系数为0.703)。普适性植被指数中,OSAVI适用于夏玉米生长前中期的LAI反演,NDVI适用于夏玉米生长后期的LAI反演。在夏玉米全生育期内,各植被指数与LAI的相关性整体较高,但最优回归模型出现在按不同生育阶段反演的模式中。LAI小于3时EVI为精度最佳指数(决定系数为0.358),LAI不小于3时OSAVI为精度最佳指数(决定系数为0.515)。在夏玉米3个生育阶段,LAIM与LAIHJ的相关性分别达到0.732、0.761、0.661。HJ遥感数据具有较强的LAI反演能力,其高时间和高空间分辨率的特征可以使其代替传统的中分辨率遥感数据而成为农业遥感研究的重要数据源。 相似文献
4.
SPAD（Soil and plant analyzer development）值能够反映作物叶片叶绿素含量,是表征作物健康状态的重要指标。采用无人机搭载可见光和多光谱相机同步获取冬小麦可见光和多光谱影像,同时获取冬小麦叶片SPAD值,探究了可见光和多光谱植被指数与SPAD值的关系,将可见光植被指数与多光谱植被指数相结合进行SPAD值估算,利用逐步回归和随机森林回归方法估算SPAD值,并将估算结果进行对比,筛选出冬小麦叶片SPAD值的最优估算模型。结果表明,SPAD值与可见光植被指数（IKAW和RBRI）、多光谱植被指数（GNDVI、CI、GMSR和GOSAVI）具有较好的相关性,与可见光植被指数（CIVE）和多光谱植被指数（GNDVI）的相结合指数具有较好的相关性,其估算模型的R2为0.89,模型验证的RMSE为2.55,nRMSE为6.21%。研究表明,可见光植被指数与多光谱植被指数相结合指数逐步回归和随机森林回归模型估算SPAD值的精度高于仅用可见光植被指数或多光谱植被指数,采用逐步回归的估算模型R2为0.91,模型验证R2、RMSE和nRMSE分别为0.89、2.32和5.64%,采用随机森林回归的估算模型R2为0.90,模型验证R2、RMSE和nRMSE分别为0.88、2.51和6.12%。 相似文献
5.
基于无人机高光谱遥感数据的冬小麦产量估算 总被引：4，自引：0，他引：4
为了准确和高效地预测作物产量,以冬小麦为研究对象,利用无人机遥感平台搭载高光谱相机,获取了冬小麦各生育期的无人机影像。根据高光谱具有较多的光谱信息且存在特有的红边区域的特点,选取了9种植被指数和5种红边参数。首先,分析植被指数和红边参数与产量的相关性,优选5种植被指数和2种红边参数用于构建产量估算模型;然后,构建了不同生育期的3种产量估算模型:单参数线性回归模型、基于植被指数并使用偏最小二乘回归方法模型、基于植被指数结合红边参数并使用偏最小二乘回归方法模型;最后利用3种模型分别估算冬小麦产量。结果表明:4个生育期内,大部分植被指数和红边参数与产量呈现极显著相关性;拔节期、挑旗期、开花期与灌浆期构建的单参数线性回归模型中表现最佳的参数分别为REP、Dr/Drmin、GNDVI与GNDVI;利用偏最小二乘回归方法提高了产量估算精度,以植被指数结合红边参数为因子构建的模型提高了产量估算效果(优于以植被指数为因子构建的产量模型)。本研究可为无人机高光谱估算作物产量提供参考。 相似文献
6.
无人机多光谱遥感用于冬小麦产量预测中捕获的数据准确性不高,为指导田块尺度下冬小麦产量的精准预测,需构建高精度的冬小麦产量估算模型。本研究利用校正后的近地面高光谱数据(Field-Spec 3型野外光谱仪获取)验证低空无人机多光谱遥感数据(大疆精灵4型多光谱相机获取),将通过无人机多光谱影像计算的植被指数与经验统计方法结合,采用一元回归和多元线性回归分别对抽穗期、开花期和灌浆期冬小麦进行基于单一植被指数和多植被指数组合的产量估算,其中多植被指数包括归一化差异植被指数(NDVI)、优化的土壤调节植被指数(OSAVI)、绿色归一化差值植被指数(GNDVI)、叶片叶绿素指数(LCI)和归一化差异红色边缘指数(NDRE)。结果表明,基于单一植被指数的冬小麦估产模型,一元二次回归模型精度最高,而基于5种植被指数的多元线性回归模型在3个生育时期的拟合效果均优于单植被指数模型。一元或多元回归模型在抽穗期的拟合效果最好。冬小麦基于GNDVI指数的一元二次回归估产模型建模集的决定系数(R2)、均方根误差(RMSE)分别为0.69、428.91 kg/hm2,验证... 相似文献
7.
无人机多源光谱反演大田夏玉米叶面积指数 总被引：1，自引：0，他引：1
《灌溉排水学报》2021,40(8)
【目的】研究多源光谱反演大田夏玉米叶面积指数(LAI)的效果。【方法】以大田夏玉米为研究对象,利用无人机获取试验区不同生育期热红外以及多光谱影像,提取热红外冠层温度(TC)以及多光谱植被指数,结合地面实测LAI数据,分析光谱数据与实测LAI之间的相关关系,并将TC与筛选出的11种植被指数作为输入变量,LAI作为输出变量利用多元线性回归、支持向量机和随机森林3个算法模型训练学习,建立了夏玉米LAI的反演模型。【结果】多光谱植被指数以及TC均与夏玉米LAI在P0.000 1水平上显著相关,相关系数均在0.5以上;RF算法于拔节期、喇叭口期、以及吐丝期3个生育期的LAI预测值与实测值的R~2均高于MLR算法和SVM算法,对应的RMSE及NRMSE均低于MLR算法和SVM算法;融合热红外TC后的RF模型反演精度均有不同程度的提升,各生育期LAI预测值与实测值R~2均大于同时期未融合TC的LAI反演模型。【结论】多光谱植被指数以及TC均与夏玉米LAI具有较强的相关性,且RF算法构建的夏玉米LAI反演模型精度优于MLR和SVM算法,同时TC的加入可以有效提升夏玉米LAI反演精度。 相似文献
8.
基于无人机可见光影像的玉米冠层SPAD反演模型研究 总被引：2，自引：0，他引：2
叶绿素是植物进行光合作用的重要色素,利用作物光谱、纹理信息对叶绿素进行反演,为作物的实时监测和健康状况诊断提供重要依据。以大田环境下5个不同品种四叶期、拔节期的玉米为研究对象,利用无人机获取试验区可见光影像,对土壤背景进行掩膜处理,提取25种可见光植被指数、24种纹理特征,综合分析植被指数、纹理特征与玉米冠层叶绿素相对含量（SPAD）的相关性,分别建立基于植被指数、纹理特征和植被指数+纹理特征的逐步回归（SR）、偏最小二乘回归（PLSR）和支持向量回归（SVR）模型,定量估算叶绿素相对含量。在SR模型中,植被指数+纹理特征模型与植被指数模型相同,R2为0.7316,RMSE为2.9580,RPD为1.926,优于纹理特征模型;在PLSR模型中,植被指数+纹理特征模型较优,R2为0.8025,RMSE为2.4952,RPD为2.284,纹理特征模型次之,植被指数模型最差;在SVR模型中,植被指数+纹理特征模型较优,R2为0.8055,RMSE为2.6408,RPD为2.158,植被指数模型次之,纹理特征模型最差。综合分析采用基于PLSR植被指数+纹理特征模型可以实现玉米冠层SPAD快速、准确提取,为叶绿素反演提供一种新的方法,可为无人机遥感作物长势监测提供参考。 相似文献
9.
大田玉米作物系数无人机多光谱遥感估算方法 总被引：5，自引：0，他引：5
作物系数K_c快速获取是大田作物蒸散量(Evapotranspiration,ET)估算的关键,为研究无人机多光谱遥感估算玉米作物系数的可行性和适用性,以2017年内蒙古达拉特旗昭君镇实验站大田玉米、土壤、气象等数据为基础,采用经气象因子和作物覆盖度校正后的双作物系数法计算不同生长时期与不同水分胁迫玉米的作物系数,并使用自主研发的无人机多光谱系统航拍玉米的冠层多光谱(蓝、绿、红、红边、近红外,475~840 nm)影像,研究了不同生长时期(快速生长期、生长中期和生长后期)玉米的6种常用植被指数(Vegetation indices,VIs):归一化差值植被指数(NDVI)、土壤调节植被指数(SAVI)、增强型植被指数(EVI)、比值植被指数(SR)、绿度归一化植被指数(GNDVI)和抗大气指数(VARI),与作物系数K_c的关系模型及水分胁迫对其的影响。结果表明:玉米生长时期和水分胁迫是影响玉米VIs-K_c模型相关性的两个重要因素。不同生长时期玉米植被指数和K_c相关性不同:充分灌溉情况下,快速生长期玉米VIs-K_c模型的相关性(R2为0.731 2~0.940 1,p0.05,n=25)与生长中期至生长后期VIs-K_c模型的相关性(R2为0.276 5~0.373 2,p0.05,n=40)不同;水分胁迫情况下,快速生长期玉米VIs-K_c模型的相关性(R2为0.0002~0.0830,p0.05,n=25)与生长中期至生长后期VIs-K_c模型的相关性(R2为0.366 2~0.848 7,p0.05,n=40)不同。水分胁迫对VIs-K_c模型的相关性影响较大:快速生长期,充分灌溉玉米VIs-K_c模型的相关性(R2最大为0.940 1)比水分胁迫玉米VIs-K_c模型的相关性(R2最大为0.083 0)强;生长中期至生长后期,充分灌溉玉米VIsK_c模型的相关性(R2最大为0.373 2)比水分胁迫玉米VIs-K_c模型的相关性(R2最大为0.848 7)弱。部分植被指数和作物系数相关性较强;快速生长期充分灌溉玉米的VIs-K_c模型的相关性由大到小依次为:SR、EVI、VARI、GNDVI、SAVI、NDVI;生长中期至生长后期水分胁迫玉米的VIs-K_c模型的相关性由大到小依次为:SR、GNDVI、VARI、NDVI、SAVI、EVI;其中比值植被指数SR与作物系数K_c的相关性最好。结果表明采用无人机多光谱技术估算K_c具有一定的可行性。 相似文献
10.
基于多时相无人机遥感植被指数的夏玉米产量估算 总被引：6，自引：0，他引：6
为建立夏玉米无人机遥感估产模型,正确评价规模化农业经营管理和用水效率,以内蒙古自治区规模化种植的夏玉米为研究对象,设置了5个不同水分处理的实验区域,每个实验区域布置了3个样区,利用自主研发的多旋翼无人机多光谱遥感平台,对夏玉米进行多时相的遥感监测。采用牛顿-梯形积分和最小二乘法,构建了基于多种植被指数和多种生育期对应的夏玉米实测产量的6种线性模型,并采用阈值滤波法减少土壤噪声对模型精度的影响。结果显示,不同生育期的玉米估产模型精度存在显著差异。单一生育期中,精度由高到低依次为:抽雄期、吐丝期、蜡熟期、拔节期,最优植被指数为EVI2(决定系数R^2=0.72,均方根误差RMSE为485.46 kg/hm^2);多生育期的最优植被指数为GNDVI(R^2=0.89,RMSE为299.35 kg/hm^2)。经过土壤滤波后,拔节期和多生育期的R^2提升显著,其中基于植被指数GNDVI、MASVI2、EVI2的多生育期估产模型的决定系数R2提升到0.87以上。多生育期的无人机遥感估产优于单生育期,最优估产植被指数为GNDVI,阈值滤波法可以有效提升估产精度,优化后基于植被指数的无人机遥感估产模型可以快速有效诊断和评估作物长势和产量。 相似文献
11.
为进一步提高无人机遥感估产的精度,本研究以2021—2022年的覆膜冬小麦为研究对象,对返青期、拔节期、抽穗期和灌浆期的多光谱影像进行覆膜背景剔除,并优选最佳遥感窗口期,基于最优植被指数构建覆膜冬小麦估产模型。结果表明,利用支持向量机监督分类法剔除覆膜背景后冠层反射率更接近真实值,抽穗期和灌浆期的估产精度更高。将不同生育期的植被指数与产量进行相关性分析发现,最佳遥感窗口期为抽穗期。基于逐步回归和全子集回归法优选最优植被指数时发现,基于逐步回归法筛选变量为MCARI、MSR、EVI2、NDRE、VARI、NDGI、NGBDI、ExG时产量反演模型精度最高。此外,利用偏最小二乘法、人工神经网络和随机森林3种机器学习法构建的产量反演模型中,基于逐步回归法的随机森林模型的反演精度最高,R2为0.82,RMSE为0.84t/hm2。该研究可为提高遥感估产精度、实现农业生产精细化管理提供技术支持。 相似文献
12.
为实现利用多光谱技术开展芳樟叶绿素相对含量(SPAD)监测，及时快速诊断芳樟矮林生长状况，为田间管理决策提供信息支持，以红壤区芳樟矮林为研究对象，利用无人机多光谱遥感影像，提取波段反射率，筛选植被指数，分别以波段反射率和植被指数为模型输入量，采用偏最小二乘回归、支持向量回归、反向传播(Back propagation, BP)神经网络和径向基函数(Radial basis function, RBF)神经网络4种方法构建芳樟矮林SPAD反演模型，并对比不同输入量、不同模型模拟结果的反演精度。研究结果表明：对比两种不同的输入量，在同一模型反演的精度相差不大；其中，基于偏最小二乘回归法，以植被指数为模型自变量估测芳樟矮林SPAD效果略优；基于支持向量回归、BP神经网络和RBF神经网络，以波段反射率为模型自变量估测芳樟矮林SPAD效果略优；对比4种建模方法，不同方法建模预测精度不同，与偏最小二乘回归、支持向量回归和BP神经网络相比，基于RBF神经网络反演芳樟SPAD的精度最高，以波段反射率和植被指数为模型输入量的测试集为例，其决定系数R2分别为0.788、0.751,均... 相似文献
13.
为了探究无人机多光谱遥感影像估算作物光合有效辐射吸收比例（Fraction of absorbed photosynthetically active radiation,FPAR）的潜力,以无人机多光谱影像提取的植被指数、纹理指数、叶面积指数为模型输入参数,在分析不同参数与FPAR相关性的基础上优选植被指数与纹理指数,并分别以一元线性模型、多元逐步回归模型、岭回归模型、BP神经网络模型等方法估算玉米FPAR。结果表明：植被指数、纹理指数、叶面积指数 3种参数与FPAR都具有较强的相关性,其中植被指数相关系数最大;在不同类型的FPAR估算模型中,BP神经网络模型的估算效果最优,FPAR估算模型决定系数R2、均方根误差（RMSE）分别为0.857、0.173,验证模型R2、RMSE分别为0.868、0.186,模型估算值与田间实测值间相对误差（RE）为8.71%;在不同形式的模型参数组合中,均以植被指数、纹理指数、叶面积指数 3种参数融合的FPAR模型的估算与验证效果最优,说明多特征参数融合能有效改善FPAR估算效果。该研究为基于无人机多光谱遥感数据精准估算玉米FPAR及生产潜力提供了科学依据。 相似文献
14.
为适应现代农业发展对作物生长动态、连续、快速监测的要求，本文基于无人机多光谱遥感技术，以西北地区大豆作为研究对象，分别筛选出与大豆叶面积指数(Leaf area index, LAI)、地上部生物量和产量相关性较好的5个植被指数，采用支持向量机(Support vector machine, SVM)、随机森林(Random forest, RF)和反向神经网络(Back propagation neural network, BPNN)分别构建了大豆LAI、地上部生物量和产量的估计模型，并对模型进行了验证。结果表明，基于RF模型构建的大豆LAI和地上部生物量预测模型的精度显著高于SVM与BP模型，LAI估计模型验证集的R2为0.801,RMSE为0.675 m2/m2,MRE为18.684%;地上部生物量估算模型验证集的R2为0.745,RMSE为1 548.140 kg/hm2,MRE为18.770。而在产量的估算模型构建中，在大豆开花期(R4)基于RF模型构建的大豆产量预... 相似文献
15.
芳樟(Cinnamomum camphora(Linn.)Presl)精油在林业经济发展中具有巨大市场潜力,多光谱遥感产量预测是高效反演芳樟精油产量的新方式。本研究以矮林芳樟收获期精油产量为研究对象,利用无人机多光谱遥感技术,筛选敏感植被指数作为输入变量,以地面同步观测的精油产量作为输出变量,采用支持向量机(Support vector machine, SVM)、随机森林(Random forest, RF)和反向传播神经网络(Back propagation neural network, BPNN)3种机器学习方法构建矮林芳樟精油产量预测模型。结果表明,修改型土壤调节植被指数(MSAVI)、优化土壤调节植被指数(OSAVI)、重归一化植被指数(RDVI)、土壤调整植被指数(SAVI)和非线性植被指数(NLI)对矮林芳樟精油产量呈现较高敏感性,其相关系数R分别为0.765 1、0.813 1、0.771 1、0.779 4、0.818 3。SVM、RF、BPNN 3种机器学习方法构建的矮林芳樟精油产量预测模型训练集的决定系数R2分别为0.723、0.853、0... 相似文献
16.
开展冬小麦冠层SPAD值监测,建立“三边”参数与SPAD值之间的高光谱估算模型,以期为高光谱诊断冬小麦冠层SPAD值提供理论依据和技术支持.以冬小麦冠层反射率与冠层SPAD值的相关关系为基础,构建基于“三边”参数的冬小麦冠层SPAD值的一元线性回归模型和主成分回归模型.结果表明:拔节期、抽穗期、灌浆期和全生育期分别以红谷位置、(SDr-SDb)/(SDr+SDb)、红谷幅值、(SDr-SDy)/(SDr+SDy)的相关系数最高,且均具有统计学意义(P<0.01);采用主成分方法构建的光谱模型在拔节期、抽穗期、灌浆期和全生育期相较于同期一元线性回归模型,决定系数R2分别提高49.6%,54.3%,14.3%和8.6%,均方根误差RMSE与相对误差RE均分别减少9.0%,12.4%,13.5%和13.6%,因此采用综合光谱信息构建主成分回归模型,在各生育时段及全生育时段对冬小麦冠层SPAD值均有较高的估算精度,可为冬小麦SPAD值的监测与诊断提供依据. 相似文献
17.
基于无人机多时相植被指数的冬小麦产量估测 总被引：1，自引：0，他引：1
通过无人机搭载多光谱相机,对不同水分亏缺条件下冬小麦多个生育期进行遥感监测,采用不同种类多光谱植被指数表征冬小麦的生长特征,分析了植被指数与冬小麦产量的相关关系,并利用多时相植被指数构建产量估测数据集,采用偏最小二乘回归、支持向量机回归和随机森林回归3种机器学习算法进行冬小麦产量估测。结果表明,随着冬小麦的生长,多个植被指数与产量的相关性不断增强,灌浆末期相关系数达到0.7,植被指数与产量的线性回归决定系数也达到最大。多时相植被指数反映了冬小麦生长的变化特征,进一步提高了冬小麦产量估测精度,采用开花期和灌浆初期的多时相植被指数进行估产比采用单个生育期的植被指数估测产量的精度高,采用偏最小二乘回归模型的估测精度R2提高约0.021,支持向量机回归模型R2提高约0.015,随机森林回归模型R2提高约0.051。采用灌浆末期的多时相植被指数,3种模型均有较高的估测精度,偏最小二乘回归模型估测精度最高时的R2、RMSE分别为0.459、1 822.746 kg/hm2,支持向量机回归模型估测精度最高时的R2、RMSE分别为0.540、1 676.520 kg/hm2,随机森林回归模型估测精度最高时的R2、RMSE分别为0.560、1 633.896 kg/hm2,本文数据集训练的随机森林回归模型估测精度最高,且稳定性更好。 相似文献