共查询到20条相似文献，搜索用时 437 毫秒
1.
为探讨基于无人机RGB影像实现对小麦叶面积指数(leaf area index, LAI)和产量估算的可行性,设置不同生态点、品种和氮素处理的小麦田间试验,应用大疆精灵4 Pro无人机获取小麦拔节期、抽穗期、扬花期和灌浆期4个主要生育时期的RGB高时空分辨率影像,并同测定小麦LAI。采用相关性分析筛选出不同生育时期对LAI敏感的光谱与纹理特征集,并借助随机森林(random forest, RF)、偏最小二乘回归法(partial least squares regression, PLSR)、BP神经网络(back propagation neural network, BPNN)和支持向量机(support vector machine, SVM)分析方法,筛选出小麦不同生育时期最优的LAI估测模型。基于不同生育时期的光谱与纹理特征以及时期特征集,进一步建立产量预测模型,并在不同生态点验证叶面积估算模型与产量预测模型的普适性。结果表明,基于RF的LAI估测模型的验证精度最高,4个生育时期的均方根误差(root mean square error, RMSE)分别为2.26、1.44... 相似文献
2.
基于无人机多时相遥感影像的冬小麦产量估算 总被引：1，自引：0，他引：1
为高效准确地预测小麦产量,以浙江省冬小麦为研究对象,利用四旋翼无人机精灵4多光谱相机获取冬小麦5个关键生育时期（拔节期、孕穗期、抽穗期、灌浆期、成熟期）的冠层多光谱数据,选取多光谱相机的五个特征波段计算各生育时期的72个植被指数,分别通过逐步多元线性回归（SMLR）、偏最小二乘回归（PLSR）、BP神经网络（BPNN）、支持向量机（SVM）、随机森林（RF）构建不同生育时期的产量估算模型,最后采用决定系数（R）、均方根误差（RMSE）和相对误差（RE）对估算模型进行评价,筛选出最优估算模型。结果表明,基于随机森林建立的模型估算效果最优,SMLR、PLSR和SVM三种方法建立的模型估算效果接近。利用随机森林算法所建拔节期、孕穗期、抽穗期、灌浆期、成熟期模型的R、RMSE和RE分别为0.92、0.35、11%;0.93、0.33、10%;0.94、0.32、9%;0.92、0.36、9%;0.77、0.67、33%。模型验证时,抽穗期估算效果最好（R、RMSE和RE分别为0.91、0.35和15%）,拔节期、孕穗期、灌浆期估算效果接近且有很好的估算能力,成熟期估算精度最差（R、RMSE和RE分别为0.71、0.47和13%）。由此说明,结合机器学习算法和无人机多光谱提取的植被指数可以提高小麦产量估算效果。 相似文献
3.
基于无人机遥感的玉米叶面积指数与产量估算 总被引：2，自引：0，他引：2
以2018和2019年在河南省新乡县中国农业科学院农田灌溉研究所试验基地的玉米为研究对象,利用八旋翼无人机搭载的MicaSense RedEdge多光谱相机对试验区进行遥感监测,构建玉米叶面积无人机遥感监测模型和产量估算模型,并在示范区进行应用。结果表明,NDVI、EVI和GNDVI这3种植被指数在构建叶面积指数监测模型中具有较好的精度和稳定性。利用抽雄期植被指数构建的估产模型精度最高,吐丝期次之,拔节期最低。与单生育期估产模型相比,累积3个生育期植被指数构建的估产模型精度有一定提升,R2为0.87,RMSE为405.42 kg/hm2。构建的无人机遥感监测模型,可以快速有效评估玉米长势和产量。 相似文献
4.
无人机多光谱常用的植被指数包括优化土壤调整植被指数(OSAVI)、归一化差异植被指数(NDVI)、绿色归一化植被指数(GNDVI)、叶片叶绿素指数(LCI)、归一化差异红边指数(NDRE)。为了研究植被指数与甜菜叶绿素含量的相关性,实时监测管理甜菜生长状况和产质量。基于5个不同施氮水平下(0、30、60、90、120 kg/hm2)甜菜多光谱遥感影像和田间实测冠层叶绿素含量数据,采用大疆精灵4多光谱无人机对甜菜叶丛快速生长期和块根糖分增长期进行监测,建立叶绿素含量的反演模型。结果表明：随着施氮水平的增加,叶绿素含量和产量都显著提高;施氮水平30 kg/hm2比0 kg/hm2处理的甜菜含糖率有一定增长趋势(增长0.13个百分点),然后随着施氮水平的增加含糖率显著下降;根据5个植被指数与大田实测叶绿素含量值的拟合效果,拟合值R2均在0.7以上,OSAVI为最佳植被指数模型,拟合效果最好,决定系数R2=0.764,均方根误差RMSE=0.396,标准均方根误差NRMSE=8.63%... 相似文献
5.
为了快速监测小麦叶片水分含量,以敏感波段组和植被指数组2种变量分别作为输入变量,以地面同步观测的冬小麦叶片含水量作为输出变量,分别采用偏最小二乘(partial least squares,PLS)、极限学习机(extreme learning machine,ELM)和粒子群算法(particle swarm optimization,PSO)优化极限学习机,建立冬小麦叶片含水量预测模型,并对其反演效果进行比较。结果表明,光谱反射率和植被指数与叶片含水量之间存在较为密切的相关性,依此确定的敏感光谱波段为红光、蓝光和近红外波段,敏感植被指数为绿度指数、过红指数、归一化绿红差值指数、三角形植被指数和过绿指数。从2种变量的建模效果看,基于植被指数组构建的模型的精度和稳定性均优于敏感波段组,其中基于植被指数组的PSO-ELM模型在6个叶片水分含量反演模型中表现最佳,其R2和RMSE分别为0.98和0.26%。利用最优模型反演得到研究区冬小麦叶片含水量的分布范围为45%~75%,平均为64.57%,反演结果与地面实测较相符,说明基于无人机光谱数据通过建立以植被指数为变量的PSO-ELM模型可实现对冬小麦叶片水分含量的精准预测。 相似文献
6.
基于成像高光谱仪的大豆叶面积指数反演研究 总被引：1，自引：0，他引：1
高光谱遥感能连续获取地物光谱图像,这一技术能大大提高估算叶面积指数的水平。利用无人机搭载成像高光谱仪获取作物光谱信息反演叶面积指数对精准农业生产与管理意义重大。通过灰色关联度排序、赤池信息量准则和偏最小二乘法(GRA-PLS-AIC)选择了三角植被指数(TVI)、比值植被指数(RVI)、红边植被指数(NDVI705)、归一化植被指数(NDVI)和重归一化植被指数(RDVI)5种植被指数,结合田间实测的叶面积指数数据,采用经验模型构建多指数反演模型。通过无人机为平台同步搭载数码相机和成像高光谱仪,在山东省嘉祥县一带获取了大豆生殖生长期内的遥感影像,同时利用LAI-2200C植物冠层分析仪进行叶面积指数测定,将获取到的遥感影像和地面实测数据进行叶面积指数的反演。结果表明:在大豆生殖生长期内建多指数模型,建模结果的预测值和实测值的R~2和RMSE分别为0.701和0.672,验证结果的R~2和RMSE分别为0.695和0.534,预测模型有比较高的精度和可靠性,利用该模型来反演LAI是准确的,生成的大豆LAI分布图能反映当地当时大豆的真实长势情况。因此,以多旋翼无人机为平台同步搭载高清数码相机和成像高光谱仪组成的无人机农情监测系统对研究大豆叶面积指数反演是可行性,构建的多指数模型适用于大豆生殖生长期。 相似文献
7.
基于无人机多光谱遥感的冬小麦冠层叶绿素含量估测研究 总被引：6，自引：0，他引：6
为探讨利用无人机多光谱影像监测冬小麦叶绿素含量的可行性,基于北京市大兴区中国水科院试验基地的2019年冬小麦无人机多光谱影像和田间实测冠层叶绿素含量数据,选取16种光谱植被指数,确定对冬小麦冠层叶绿素含量显著相关的植被指数,采用一元二次线性回归和逐步回归分析方法建立各生育时期及全生育期的SPAD值估测模型,通过精度检验确定对冬小麦冠层叶绿素含量监测的最优模型。结果表明,两种分析方法中逐步回归建模效果最佳。拔节期选取4个植被指数(MSR、CARI、NGBDI、TVI)建模效果最好,模型率定的决定系数(r~2)为0.73,模型验证的r~2、相对误差(RE)和均方根误差(RMSE)分别为0.63、2.83%、1.68;抽穗期选取3个植被指数(GNDVI、GOSAVI、CARI)建模效果最好,模型率定的r~2为0.81,模型验证的r~2、RE、RMSE分别为0.63、2.83%、1.68;灌浆期选取2个植被指数(MSR、NGBDI)建模效果最好,模型率定的r~2为0.67,模型验证的r~2、RE、RMSE分别为0.65、2.83%、1.88。因此,无人机多光谱影像结合逐步回归模型可以很好地监测冬小麦SPAD值动态变化。 相似文献
8.
基于Sentinel-2多光谱数据和机器学习算法的冬小麦LAI遥感估算 总被引：1，自引：0，他引：1
为了丰富大田尺度下冬小麦叶面积指数的遥感估算方法并提高估算精度,以关中地区冬小麦为对象,基于Sentinel-2多光谱卫星数据与地面同步观测的冬小麦叶面积指数样点数据,应用偏最小二乘回归(PLSR)、反向传播神经网络(BPNN)和随机森林(RF)法构建冬小麦叶面积指数估算模型,进行区域冬小麦叶面积指数遥感反演。结果表明,Sentinel-2多光谱卫星影像中心842nm近红外B8波段与冬小麦叶面积指数相关性最好,样本总体相关系数为0.778;植被指数中反向差值植被指数(IDVI)与冬小麦叶面积指数相关性最好,样本总体相关系数为0.776。各种估算模型中LAI-RF模型预测效果最佳,r~2为0.72,RMSE为0.53,RE为16.83%。基于LAI-RF估算模型,应用Sentinel-2多光谱卫星数据较好地反演了研究区冬小麦叶面积指数区域分布,其结果总体上与地面真实情况接近,说明以Sentinel-2卫星影像数据建立LAI-RF估算模型,可应用于区域冬小麦LAI反演制图。 相似文献
9.
水稻产量的准确估算在农业生产中具有重要意义。本文通过无人机搭载多光谱传感器,获取水稻主要生育期冠层光谱信息,通过提取不同生育期8种植被指数与水稻产量的实测值建立拟合关系,筛选出最优植被指数和最佳的无人机遥感作业时期,建立水稻估产模型。结果表明,水稻生长前期不适合估产,抽穗期至成熟期估产效果好。最佳估产生育期是水稻抽穗期,基于该时期的植被指数NDVI、RVI、DVI、GNDVI、MSAVI2建立的多元线性模型估测效果较好,验证精度佳。因此,利用无人机多光谱数据对水稻产量进行估测是可行的。 相似文献
10.
为在合适的生育期利用芝麻冠层的归一化植被指数(NDVI)预测芝麻产量,调查相同氮肥条件下不同双氰胺(DCD)施用量对关键生育期(苗期、初花期、盛花期和终花期)的芝麻冠层NDVI影响和产量变化,探讨不同生育期冠层NDVI与相同氮肥下DCD施用量之间的关系,构建NDVI预测产量的模型。结果表明:芝麻各生育期NDVI均表现出随DCD用量的增加而先增后降的趋势,苗期和盛花期以D3(占氮肥3%的DCD)、D5(占氮肥5%的DCD)和D7(占氮肥7%的DCD)较高,比D0(不添加DCD)增加6.2%~24.8%;终花期则以D5、D7和D10(占氮肥10%的DCD)较高,比D0增加了47.2%~103.1%。在添加DCD条件下,不同生育期芝麻冠层NDVI值与产量的拟合方程不一。结合方差分析发现,盛花期和终花期的冠层NDVI值与芝麻产量间为极显著正相关(p0.01),对数方程y=ln(0.258 7+6.968 7x)和y=ln(0.894 1+3.998 8x)可以用来预测芝麻产量。验证试验发现,根据终花期冠层NDVI计算出的产量预测值和实测值之间的差异更小(RMSE10%,RRMSE25%)。因此,采用终花期冠层NDVI建立的模型对芝麻产量具有较好的预测性和普适性。 相似文献
11.
多光谱与热红外数据融合在冬小麦产量估测中的应用 总被引：1，自引：0，他引：1
为了解多光谱与热红外数据融合对冬小麦产量估测精度的影响,以30个黄淮麦区冬小麦品种为材料,利用三种灌溉处理（处理1、处理2和处理3灌水量分别为240、190和145 mm）下冬小麦拔节期、挑旗期、抽穗期与灌浆期的无人机多光谱和热红外动态数据,构造了多个光谱指数,以支持向量机构建冬小麦产量估测模型,并验证其精度。结果表明,植被指数与籽粒产量的相关性受溉水量影响,处理1下植被指数与籽粒产量均呈正相关,处理2下植被指数除土壤调整植被指数（SAVI）和转化叶绿素吸收反射指数（TCARI）外均与籽粒产量呈正相关,处理3下植被指数与籽粒产量均呈负相关。通过多光谱和热红外数据融合构建的冬小麦产量估测模型的预测精度比仅使用多光谱数据构建的模型提高8%。不同灌溉条件下,通过多光谱与热红外数据融合构建的模型的预测精度存在差异,在处理1、处理2和处理3下拔节期、挑旗期、抽穗期和灌浆期验证决定系数（R）最高值分别为0.63、0.68和0.56,均方根误差（RMSE）最低值分别为0.60、0.24和0.41 t·hm-2,且在三种灌溉条件下灌浆期预测效果均最佳。因此,利用无人机光谱对小麦品种产量估测时应将多光谱与热红外数据融合,用支持向量机（SVM）算法构建产量估测模型,且模型在灌浆期具有较高预测 精度。 相似文献
12.
为及时准确高效监测小麦叶面积指数（leaf area index,LAI）,获取了冬小麦挑旗期和开花期地面实测光谱与无人机高光谱遥感影像数据,并基于查找表建立PROSAIL辐射传输模型得到冬小麦冠层模拟光谱数据,利用数学统计回归模型与偏最小二乘回归法分别构建冬小麦LAI单变量、多变量预测模型,以实测LAI数据对预测结果进行精度评价,将最佳预测模型应用于无人机高光谱影像以分析LAI空间分布情况。结果表明,冬小麦各生育时期的预测模型均具有较高的预测精度,单变量预测模型和多变量预测模型的决定系数分别为0.598~0.717和0.577~0.755,其中以基于植被指数的多变量预测模型表现最优,其在开花期的验证精度最高,RMSE和MAPE分别为0.405和12.90%。在LAI空间分布图中,开花期预测效果优于挑旗期,各试验小区的LAI分布较为均匀。 相似文献
13.
基于GeoEye-1高分遥感影像的冬小麦氮肥推荐应用 总被引：1，自引：0，他引：1
为给大区域范围的冬小麦氮素营养遥感诊断及其精准施肥决策提供参考,将GeoEye-1高分辨率遥感影像数据与氮肥优化算法(NFOA)相结合,开展了冬小麦氮肥推荐应用研究。首先,基于多年地面实测冬小麦冠层高光谱数据,利用光谱响应函数生成GeoEye-1卫星遥感模拟数据,计算得到归一化植被指数NDVI,并结合当季估产指数INSEY构建了冬小麦潜在产量预测模型;通过定义可表征小麦氮素丰缺的氮素响应指数RINDVI,结合潜在产量模型,计算得到氮素需求量;最后,利用GeoEye-1高分辨率遥感影像数据进行验证分析,将氮素推荐模型与高分辨率遥感数据相结合生成施肥推荐处方图,实现了冬小麦的氮素营养诊断及施肥推荐。结果表明,当季估产指数INSEY可很好地估算冬小麦的潜在产量(r2=0.606,RMSE=0.704t·hm-2),基于GeoEye-1高分遥感影像提取NDVI预测的潜在产量与实测产量显著相关(r2=0.722,RMSE=0.451t·hm-2)。氮素响应指数RINDVI与氮营养指数NNI的倒数也显著相关(r=0.915),可以用RINDVI来诊断冬小麦氮素的丰缺状态。以上结果说明,在没有地面实测小麦氮含量、生物量、地面光谱等数据的情况下,利用高分辨率遥感数据与气象数据构建模型可估算冬小麦的潜在产量,并能实现对冬小麦的氮营养诊断及生成推荐施肥处方。 相似文献
14.
基于多载荷无人机遥感的大豆地上鲜生物量反演 总被引：1，自引：0，他引：1
以多载荷无人机获取数据和地面实测的数据为基础,将大豆生殖生长期分段建模,采用植被指数和光谱参数相结合再加上农学参数株高,通过最小二乘法建立多元线性回规模型的方法,来估算大豆开花期和结荚期的鲜生物量,采用高光谱植被指数法估算大豆鼓粒期和成熟期的鲜生物量。结果表明:在大豆开花期和结荚期内,采用混合法构建生物量反演模型利用交叉验证法,验证结果的R~2和RMSE分别为0.714和0.393;在大豆鼓粒期和成熟期内,采用高光谱植被指数法构建生物量反演模型,利用交叉验证法,验证结果的R~2和RMSE分别为0.697和0.386;大豆开花结荚期构建的模型和鼓粒成熟期构建的模型都有比较高的精度和可靠性,利用这两种模型完成了高光谱影像鲜生物量的遥感空间制图,能反映当地当时大豆的真实长势情况。 相似文献
15.
不同地类春小麦叶片叶绿素含量高光谱植被指数估算模型研究 总被引：1，自引：0，他引：1
为给小麦长势的遥感监测提供依据,利用多种植被指数对比分析了水浇地和旱地春小麦不同生育期冠层光谱及叶绿素含量的变化,并建立了不同地类春小麦叶绿素含量的最佳估测模型。结果表明,春小麦叶绿素含量在整个生育期呈先升后降趋势,且水浇地高于旱地。春小麦冠层光谱在可见光波段表现为阳坡和双面坡地>阴坡地>水浇地,而在近红外区域反之。在起身期-乳熟期,春小麦叶绿素含量分别与二次修正土壤调节植被指数和植被衰老反射率指数的相关性最好;在拔节-扬花期,水浇地和阴坡地的叶绿素含量分别与绿度植被指数和修正归一化差异指数相关性最好,阳坡和双面坡地则与二次修正土壤调节植被指数的相关系数最大。利用相关性最好的植被指数模拟春小麦叶绿素含量,水浇地在起身-扬花期宜用抛物线模型,乳熟期则适合用乘幂模型,且各模型r和检验r均大于0.88,拟合程度较高;阴坡、阳坡和双面坡地起身期适用指数模型,其余时期适合抛物线模型。 相似文献
16.
为了实现快速高精度获取冬小麦氮营养指数的高光谱监测技术，利用美国SVC HR-1024I型野外光谱辐射仪对2017-2019年关中地区的冬小麦进行遥感监测，获取“三边”参数、任意两波段光谱指数和植被指数，通过相关性分析和逐步回归分析方法筛选冬小麦氮营养指数的敏感光谱参数，结合偏最小二乘回归(PLSR)、随机森林算法(RFR)、支持向量机回归(SVR)和梯度增强回归(GBDT)建立冬小麦氮营养指数模型，并对模型估算精度进行验证。结果表明，从拔节期到灌浆期，各时期的氮营养指数与任意两波段光谱指数均呈极显著相关，其中拔节期氮营养指数与任意两波段光谱指数相关性均高于其他时期，且基于一阶导数光谱的归一化光谱指数和比值光谱指数与氮营养指数的相关系数最大，为0.66。拔节期基于梯度增强回归的冬小麦氮营养指数预测模型的决定系数(r2)和均方根误差(RMSE)分别为0.96和0.05,模型验证的r2、RMSE和相对预测偏差(RPD)分别为0.95、0.12和2.12,模型预测精度最高。因此，拔节期基于梯度增强回归的冬小麦氮营养指数估算模型可用于冬小麦氮营养监测... 相似文献
17.
18.
为及时、准确地掌握小麦产量动态信息,基于无人机遥感平台,分别分析了小麦4项生理指标［地面实测叶面积指数、叶片含氮量、叶片含水量及叶片叶绿素相对含量（SPAD值）］及10项植被指数与产量的相关性,以筛选出与产量最为敏感的生理指标与植被指数,并比较了3种建模方法（一元回归UR、多元逐步回归SMLR和主成分回归PCAR）在小麦各生育时期估产的适用性,进而得到小麦最优估产模型。结果表明：（1）不同生育时期两类变量与产量的相关性变化特征一致,均表现为抽穗期>灌浆期>成熟期;不同生理指标、植被指数与产量的相关性在各生育时期均存在差异,生理指标表现为叶片含氮量>LAI>SPAD>叶片含水量;而植被指数在各时期表现不同;（2）以生理指标与植被指数为自变量,采用SMLR模型构建的抽穗期估产模型拟合精度最高,R、RMSE和nRMSE分别为0.828、362.53 kg·hm-2和12.35%;（3）小麦估产模型在各生育时期的预测精度表现为抽穗期>灌浆期>成熟期。 相似文献
19.
基于机器学习算法的冬小麦不同生育时期生物量高光谱估算 总被引：1，自引：0，他引：1
为探索适用于冬小麦不同生育时期的高光谱估算方法,基于4年大田试验,以江苏省主要冬小麦品种为材料,以8种对常用生物量敏感的高光谱指数为基础,分别采用偏最小二乘算法、支持向量回归算法、随机森林算法在冬小麦4个主要生育时期(抽穗期前、抽穗期、开花期和灌浆期)进行了高光谱生物量估算和预测能力比较。结果表明,在冬小麦不同生育时期,高光谱估算生物量精度差异显著;利用随机森林构建的生物量估算模型在4个生育时期均表现出很好的效果,决定系数(r^2)和均方根误差(RMSE)在抽穗期前分别为0.79和44.82 g·m-2,在抽穗期分别为0.71和62.07 g·m-2,在开花期分别为0.70和97.63 g·m-2,在灌浆期分别为0.71和106.98 g·m-2;随机森林模型在4个生育时期的预测能力都高于或接近于支持向量回归模型,高于偏最小二乘回归模型,r^2和RMSE在抽穗期前分别为0.60和72.54 g·m-2,在抽穗期分别为0.60和75.07 g·m-2,在开花期分别为0.68和109.9 g·m-2,在灌浆期分别为0.61和127.93 g·m-2。这说明随机森林算法在冬小麦不同生育时期生物量高光谱遥感估算方面具有较高的精度和稳定性。 相似文献
20.
无人机载多光谱遥感监测冬油菜氮素营养研究 总被引：1，自引：0，他引：1
为探索无人机搭载的多光谱相机对冬油菜冠层氮素营养状况监测的可行性,设置9种施氮水平的油菜试验小区,获取八叶期、十叶期、十二叶期和蕾臺期的多光谱影像,同步采样分析获取地上部生物量、叶片氮浓度和氮素积累量等氮营养指标。以宽波段植被指数和氮营养指标的相关性为基础,通过敏感性分析确定最佳指数,建立预测模型并进行精度验证。结果显示,宽波段植被指数与氮营养指标有极显著的相关性,不同生育期差异明显。其中,红光标准值和蓝光标准值在蕾臺期均与各氮营养指标相关关系最好,且敏感性因子的值小而稳定。进一步研究表明,三种指标均可用红光标准值和蓝光标准值建立的二次模型进行估计,决定系数R2均大于0.85,模型精度较高,说明无人机多光谱遥感能有效辅助冬油菜氮素营养监测。 相似文献