共查询到14条相似文献，搜索用时 562 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.
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
3.
为进一步提升无人机遥感快速监测覆膜条件下冬小麦叶面积指数(Leaf area index, LAI)的能力,以垄沟覆膜冬小麦为研究对象,利用无人机搭载五通道多光谱传感器获取2021—2022年冬小麦出苗期、越冬期、返青期、拔节期、抽穗期和灌浆期的遥感影像数据,使用监督分类剔除背景并计算50种可见光和近红外植被指数,采用主成分分析、相关系数法、决策树排序和遗传算法进行特征降维,结合偏最小二乘、岭回归、支持向量机、随机森林、梯度上升和人工神经网络6种机器学习算法建立不同输入特征变量下的覆膜冬小麦LAI反演模型,并进行精度评价。结果表明,剔除覆膜背景使冬小麦冠层反射率更接近真实值,提高反演精度。采用适宜的特征降维方法结合机器学习算法能够提高覆膜冬小麦LAI的反演精度和稳定性,对比特征降维前的反演精度,主成分分析和相关系数法无法优化反演效果,决策树排序只适用于基于树模型的随机森林和梯度上升算法,遗传算法优化效果明显,遗传算法-人工神经网络模型反演效果达到最优(决定系数为0.80,均方根误差为1.10,平均绝对值误差为0.69,偏差为1.25%)。研究结果可为无人机遥感监测覆膜冬小麦生长状况提供... 相似文献
4.
为探究无人机多源遥感影像估算玉米叶面积指数(Leaf area index, LAI)垂直分布,在田间设置了密度和播期试验,在7个生育时期利用无人机采集了可见光、多光谱和热红外影像并同步获取玉米LAI垂直分布数据。同时,为合理制定无人机飞行任务,分析了不同飞行高度和不同太阳高度角下获取的无人机影像对估算玉米LAI的影响。基于无人机影像提取的与玉米LAI相关性较高的植被指数、纹理信息和冠层温度等特征,利用7种机器学习方法分别构建了玉米冠层不同高度LAI估算模型,从中选取鲁棒性强的2个模型用于分析在不同飞行高度和不同太阳高度角下估算LAI的差异。研究结果表明,MLPR和RFR模型对玉米LAI估算鲁棒性最强,全生育期下模型rRMSE为11.31%(MLPR)和11.42%(RFR)。玉米冠层LAI垂直分布估算误差,所有模型的平均rRMSE分别为9.1%(LAI-1)、14.19%(LAI-2)、18.62%(LAI-3)、23.29%(LAI-4)和26.7%(LAI-5)。对于玉米穗位叶及以下部位的LAI估算误差均在20%以下,得到了较好精度。同时,在不同飞行高度和太阳高度角试验中可以得出... 相似文献
5.
针对当前快速准确获取叶面积指数（Leaf area index, LAI）时大部分遥感预测方法将光谱信息作为模型主要特征,忽略时序变化特征的问题,利用无人机搭载五通道多光谱相机获取研究区玉米不同生育期的影像数据,基于该数据计算玉米相应生育期植被指数,然后采用植被指数建立各生育期子模型,采用Shapley理论计算子模型均方根误差对全生育期模型均方根误差的贡献度,从而确定各子模型权重,根据权重组合形成具有LAI时序变化特征的估算模型,分别基于支持向量回归（SVR）、多层感知机（MLP）、随机森林（RF）和极限梯度提升树（XGBoost）算法构建组合估算模型。结果表明：采用Shapley理论构建的组合LAI估算模型估算效果优于直接构建的全生育期LAI估算模型。相较于SVR-Shapley、MLP-Shapley以及RF-Shapley模型,XGBoost-Shapley模型的估算效果最佳（R2为0.97,RMSE为0.021,RPD为6.9）。将最优模型XGBoost-Shapley应用于研究区LAI预测,预测结果符合不同生育期玉米长势。本研究为大田玉米长势遥感监测提供... 相似文献
6.
基于高光谱数据的玉米叶面积指数和生物量评估 总被引：1，自引：0，他引：1
利用高光谱技术获取玉米农学参数信息,有助于提升玉米精准管理水平.本研究基于3个种植密度和5份玉米材料的田间试验,获取玉米大喇叭口期的地面ASD高光谱数据与无人机高光谱影像,分析不同种植密度下不同遗传材料的叶面积指数(LAI)和单株地上部生物量,构建基于全波段、敏感波段和植被指数的LAI和单株地上部生物量高光谱估算模型,... 相似文献
7.
基于梯度提升树算法的夏玉米叶面积指数反演 总被引：2，自引：0，他引：2
为了快速、准确、大范围获取大田夏玉米的叶面积指数(Leaf area index,LAI),基于实地采集的夏玉米LAI和株高,结合同时期的无人机多光谱影像,选择与夏玉米LAI相关性较强的8种植被指数以及株高作为反演LAI的输入变量,采用梯度提升树(Gradient boosting decision tree,GBDT)算法建立植被指数及株高与叶面积指数之间的预测模型,并与支持向量机(Support vector machine,SVM)和随机森林(Random forest,RF)算法建立的模型进行预测精度对比。结果表明,GBDT算法在3个样本组中的LAI预测值与实测值R~2分别为0. 571 0、0. 755 8、0. 644 1,均高于SVM算法(0. 547 2、0. 679 1、0. 616 8)和RF算法(0. 550 5、0. 697 3、0. 629 5);对应的RMSE分别为0. 002 7、0. 001 5、0. 001 6,均低于SVM算法(0. 211 7、0. 152 3、0. 159 7)和RF算法(0. 244 7、0. 214 7、0. 208 0)。该研究为快速准确的大田夏玉米LAI遥感监测提供了技术和方法。 相似文献
8.
不同覆膜处理下春玉米叶面积指数高光谱估算 总被引：1，自引：0，他引：1
为实现快速、无损、实时监测不同覆膜处理下春玉米的叶面积指数（Leaf area index,LAI）,研究覆膜因子对LAI及冠层反射率的影响,借助高光谱遥感技术获取了各生育期春玉米的冠层反射率,在对光谱数据进行预处理后,经相关性分析提取各覆膜处理LAI的敏感单波段、敏感植被指数和特征指数,据此构建了全生育期各覆膜处理下LAI的高光谱估算模型。结果表明,覆膜对LAI的影响主要在抽雄期之前,相同施肥水平下覆膜与无覆膜处理之间LAI的差异随生育期的推进呈先减小、后增大的趋势,其中苗期差异最大,覆膜比无覆膜处理LAI增加78%以上;各覆膜处理冠层反射率之间的差异由大到小为生育中期、生育末期、生育初期,覆膜主要影响玉米对绿光和红光的吸收。基于3个指标构建各覆膜处理下LAI的估算模型,以特征指数为因变量建立的模型对LAI的反演结果精度较高,其拟合和验证决定系数R2均在0.8以上,均方根误差RMSE为0.45~0.65cm2/cm2,剩余预测偏差RPD均大于2,由于覆膜的影响,无覆膜处理LAI反演精度高于覆膜处理。以特征指数NI(722,731)为自变量建立的所有处理的混合LAI估算模型表现了反演的优越性,能降低覆膜对LAI反演的影响。 相似文献
9.
针对空间异质性导致的土壤含水率反演误差较大的问题,分别以玉米灌浆期和小麦苗期的土壤含水率反演为例,利用无人机多光谱遥感技术获取喷灌和畦灌灌溉方式下的正射影像。将34组光谱特征变量按照滑动窗口法提取不同空间尺度的光谱信息平均值,通过极端梯度提升（Extreme gradient boosting,XGBoost）、支持向量机回归（Support vector machine regression,SVR）以及偏最小二乘回归（Partial least squares regression,PLSR）3种机器学习模型确定采样点光谱信息最优窗口尺度;然后,采用皮尔逊相关系数特征变量筛选法（Pearson correlation coefficient feature variable screening method,R）结合XGBoost和SVR模型对提取的34组光谱特征变量进行筛选,选取与土壤含水率敏感的特征变量;最后,估算土壤含水率。结果表明：喷灌方式下所选择的采样点最优光谱信息窗口尺度比畦灌小,其最优窗口尺度范围分别为11×11~21×21和15×15~29×29;采用皮尔逊相关系数特征变量筛选方法结合机器学习模型可有效提高土壤含水率反演精度;5种机器学习模型（R_XGBoost、R_SVR、XGBoost、SVR、PLSR）中R_XGBoost模型估算土壤含水率精度最优,在喷灌和畦灌方式下玉米灌浆期R_XGBoost模型的测试集决定系数R2分别为0.80、0.83,均方根误差（Root mean square error,RMSE）分别为1.27%和0.98%,小麦苗期R2分别为0.76、0.79,RMSE分别为1.68%和0.85%;土壤含水率反演模型在畦灌条件下的精度优于喷灌条件下。该研究可为基于无人机多光谱影像分析的信息挖掘和土壤水分监测提供参考。 相似文献
10.
土壤盐渍化是影响农业可持续发展的重要制约因素,为准确及时地获取土壤中盐分含量,实现盐渍化精准监测,以内蒙古自治区巴彦淖尔市五原县境内的覆被农田为研究对象,探讨无人机多光谱遥感平台结合机器学习模型估测不同深度土壤含盐量的可行性。首先,利用无人机搭载五波段多光谱相机获取研究区域高时空分辨率遥感图像数据,并同步采集地面不同深度处土壤盐分数据,使用皮尔逊相关系数法(PCC)、极端梯度提升(XGBoost)和灰色关联分析法(GRA)对构建的光谱指数进行优选;然后,采用决策树(DT)、反向传播神经网络(BPNN)、支持向量机(SVM)和随机森林(RF)4种机器学习方法建立植被覆盖下不同深度的农田土壤含盐量反演模型。结果表明,使用方案3(XGBoost-GRA)变量优选方法可以有效地筛选出敏感光谱指数,且基于此方法优选后的光谱指数建立含盐量估算模型的精度高于仅使用PCC或XGBoost法构建的反演模型。对比不同建模方法在不同土壤深度处的反演精度,可知随机森林RF模型整体表现最优,同时另外3种反演模型也取得了较好的预测效果,0～20 cm土壤深度处的预测效果是3个土壤深度中最优的,其中精度最高模型的决... 相似文献
11.
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
12.
为了提高河北省中部平原夏玉米的估产精度和进一步验证粒子滤波同化算法对农业作物估产的适用性,采用粒子滤波算法同化CERES-Maize模型模拟和MODIS数据反演的叶面积指数(Leaf area index,LAI)、条件植被温度指数(Vegetation temperature condition index,VTCI),应用随机森林回归算法确定夏玉米不同生育时期LAI和VTCI的权重,构建单产估测模型。结果表明,无论是单点尺度还是区域尺度,同化的LAI和VTCI均能较好地响应外部观测数据,同化LAI可减缓CERES-Maize模型模拟LAI的剧烈变化;同化VTCI结合模型模拟和遥感观测,更能反映夏玉米对水分胁迫的敏感性。利用2015年河北省中部平原各县(区)夏玉米产量对较优估产模型进行精度验证,结果表明,同化前后夏玉米产量模拟结果与统计产量间的归一化均方根误差由12.71%下降到10.50%,平均相对误差由12.57%下降到8.43%,说明基于同化LAI和VTCI构建的双参数单产估产模型可用于区域夏玉米单产估测。 相似文献
13.
基于无人机成像高光谱影像的冬小麦LAI估测 总被引：4，自引：0，他引：4
利用无人机Cubert UHD185 Firefly成像光谱仪和ASD光谱仪获取了冬小麦挑旗期、开花期和灌浆期的成像和非成像高光谱以及LAI数据。首先,对比ASD与UHD185光谱仪数据光谱反射率,评价两者精度;然后,选取7个光谱参数,分析其与冬小麦3个生育期LAI的相关性,并使用线性回归和指数回归挑选出最佳估测参数;最后利用多元线性回归、偏最小二乘、随机森林、人工神经网络和支持向量机构建了冬小麦3个不同生育期LAI的估测模型。结果表明:UHD185光谱仪光谱反射率在红边区域与ASD光谱仪趋势一致性很高,反射率在挑旗期、开花期、灌浆期的R^2分别为0.9959、0.9990和0.9968,UHD185光谱仪数据精度较高;7种光谱参数在挑旗期、开花期、灌浆期与LAI相关性最高的参数分别是NDVI(r=0.738)、SR(r=0.819)、NDVI×SR(r=0.835);LAI-MLR为冬小麦LAI的最佳估测模型,其中开花期拟合性最好,精度最高(建模R^2=0.6788、RMSE为0.69、NRMSE为19.79%,验证R^2=0.8462、RMSE为0.47、NRMSE为16.04%)。 相似文献
14.
农田尺度下作物叶面积指数(Leaf area index, LAI)的精准监测,对于研究群体结构对产量和管理措施的响应具有重要意义。目前普遍采用无人机光谱特征反演作物的LAI指数,作为长势和冠层结构诊断的重要依据,其估测精度的准确性是否可以提高仍有待研究。作物表面特征,如灰度和颜色,在不同生育阶段会发生变化。为此,本研究考虑到LAI的影响因素,设置不同的种植密度和氮素水平营造差异化的冠层结构,利用搭载多光谱传感器的无人机获取主要生育时期棉花的冠层图像得到植被指数(Vegetation indexs, VIs),基于二阶概率统计滤波(Co-occurrence measures)方法获取均值(MEA)、方差(VAR)、协同性(HOM)、对比度(CON)、相异性(DIS)、信息熵(ENT)、二阶矩(SEM)和相关性(COR)等8个纹理特征值(Texture features, TFs)。最后,采用支持向量机回归(SVR)、偏最小二乘法(PLSR)、深度神经网络(DNN)分别建立基于光谱特征、纹理特征以及二者结合的棉花LAI的估算模型,并比较差异。试验结果表明：VI((... 相似文献