CN109459392A - 一种基于无人机多光谱影像的水稻地上部生物量估测方法 - Google Patents

一种基于无人机多光谱影像的水稻地上部生物量估测方法 Download PDF

Info

Publication number
CN109459392A
CN109459392A CN201811312158.7A CN201811312158A CN109459392A CN 109459392 A CN109459392 A CN 109459392A CN 201811312158 A CN201811312158 A CN 201811312158A CN 109459392 A CN109459392 A CN 109459392A
Authority
CN
China
Prior art keywords
rice
index
image
unmanned plane
mean
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811312158.7A
Other languages
English (en)
Other versions
CN109459392B (zh
Inventor
朱艳
郑恒彪
程涛
姚霞
田永超
曹卫星
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Agricultural University
Original Assignee
Nanjing Agricultural University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Agricultural University filed Critical Nanjing Agricultural University
Priority to CN201811312158.7A priority Critical patent/CN109459392B/zh
Publication of CN109459392A publication Critical patent/CN109459392A/zh
Application granted granted Critical
Publication of CN109459392B publication Critical patent/CN109459392B/zh
Priority to US16/675,612 priority patent/US11029251B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G22/00—Cultivation of specific crops or plants not otherwise provided for
    • A01G22/20—Cereals
    • A01G22/22—Rice
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64C—AEROPLANES; HELICOPTERS
    • B64C39/00—Aircraft not otherwise provided for
    • B64C39/02—Aircraft not otherwise provided for characterised by special use
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/143—Sensing or illuminating at different wavelengths
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2101/00—UAVs specially adapted for particular uses or applications
    • B64U2101/30—UAVs specially adapted for particular uses or applications for imaging, photography or videography
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10036—Multispectral image; Hyperspectral image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Environmental Sciences (AREA)
  • Botany (AREA)
  • Geometry (AREA)
  • Remote Sensing (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提出一种基于无人机多光谱影像的水稻地上部生物量估测方法，步骤如下：规范采集水稻冠层无人机多光谱影像数据和地面实测生物量数据；获取后进行影像预处理，提取反射率和纹理特征参数，计算植被指数，并构建新的纹理指数；利用逐步多元回归分析法，综合植被指数和纹理指数估测水稻生物量，并以此建立估测生物量的多元线性模型。采用交叉验证方法对该新估测模型进行精度验证。本发明的方法估测精度高、对输入数据要求少，适用于水稻全生育期，同时也是目前第一次提出综合无人机光谱和纹理信息估测水稻生物量的方法，可广泛用于无人机遥感监测作物长势。

Description

一种基于无人机多光谱影像的水稻地上部生物量估测方法
技术领域
本发明属于作物生长监测领域，尤其是一种基于无人机多光谱影像的水稻地上部生物量估测方法。
背景技术
水稻是世界上主要的粮食作物之一，全球超过半数人口以大米为主食，因此水稻生产在全球食品安全和可持续发展中扮演重要角色。作物精确管理是保证水稻高产的先决条件，地上部生物量是作物长势监测的重要指标，对产量形成影响重大。同时，生物量与氮含量共同决定了氮稀释曲线，从该曲线可以获取临界氮浓度，然后计算氮营养指标用于氮素管理。因此可见，作物群体生物量的准确、无损化监测在精确农业领域起着重要作用。
遥感技术已经广泛应用于生物量估测，目前已有许多监测手段。最常用的是几种便携式光谱仪，使用主动传感器(如GreenSeeker和Crop Circle)或被动传感器(如ASDFieldSpec spectrometer)。虽然这些传感器操作简便且监测精度较高，但是很难在大面积区域应用，在农业园区应用于大量田块时效率较低。卫星影像可以大范围监测作物生物量，但是影像时空分辨率低且高空间分辨率影像价格昂贵，导致估测精度较低。近年来，无人机为作物生物量估测提供了新手段。国外有学者利用无人机搭载数码相机监测作物生物量，发现归一化绿红指数(Normalized Green-Red Difference Index，NGRDI)在封行前与生物量相关性较好。还有学者发现无人机RGB影像提取的红蓝比值指数与冬小麦生物量相关较好。然而，这些估测模型只适用于单一生育期，一个适用于全生育的监测模型亟待构建。此外，一些学者利用无人机RGB影像构建作物表面模型来提取作物株高信息，然后利用株高估测生物量，效果较好。但是作物表面模型的构建需要影像拼接和数字高程模型，这些操作比较费时。相比于冠层结构信息，无人机影像的光谱信息可以直接用来估测生物量，即使只有三个波段。前人研究发现，近红外和红边波段在生物量估测上比数码影像的红绿蓝波段更加有效。此外，大部分已有研究只使用了无人机影像的光谱和结构信息，影像固有的空间信息没有得到利用。因此，充分利用无人机多光谱影像数据，对作物生物量的快速、准确估测具有重大意义。
纹理分析是一种测量像素值与相邻像素差异的图像分析技术，广泛应用于图像分类。在本世纪初，有学者利用卫星影像的纹理信息进行森林地上部生物量估测，他们发现不仅纹理特征与成熟森林的生物量存在显著相关性，而且纹理特征在生物量估测上还优于光谱信息。另外，有学者***比较了简单光谱比值、常用植被指数、纹理特征和比值纹理特征在森林生物量估测上的表现，发现比值纹理特征能够显著提升生物量估测精度。
前人主要利用卫星影像的纹理特征进行森林生物量的估测，很少有研究利用超高分辨率的无人机影像来估测水稻生物量。另外，传统光谱指数在高生物量下监测效果较差，尤其是水稻抽穗后的生育时期。考虑到这些限制因素，非常有必要研发能够在高生物量条件下准确监测生物量的技术。
发明内容
本发明所解决的技术问题在于提供一种基于无人机多光谱影像的水稻地上部生物量估测方法，对输入数据要求低，估测精度高，同时适用于水稻全生育。
实现本发明目的的技术解决方案为：
一种基于无人机多光谱影像的水稻地上部生物量估测方法，包括以下步骤：
步骤1：通过无人机采集获取水稻冠层多光谱影像数据，同时对水稻植株进行随机破坏性取样，得到水稻植株样本；
步骤2：对水稻冠层多光谱影像数据进行预处理：去除噪声、校正光晕、校正镜头畸变、校正辐射，得到水稻冠层多光谱影像反射率数据；
步骤3：对水稻冠层多光谱影像反射率数据进行数据处理：提取反射率、计算纹理特征参数、计算植被指数、计算纹理指数，同时测定水稻植株样本的生物量数据；
步骤3-1：根据感兴趣区域ROI提取每个小区的反射率，其中，小区的定义为5m×6m的区域；
步骤3-2：根据步骤3-1中的反射率计算与生物量估测相关的植被指数；
步骤3-3：在反射率影像上计算基于灰度共生矩阵的8个纹理特征参数；
步骤3-4：根据单纹理特征参数构建归一化纹理指数NDTI，NDTI＝(T1-T2)/(T1+T2)，其中，T1、T2分别为任意波段的某一纹理特征参数；
步骤3-5：将水稻植株样本去根洗净，在烘箱中进行杀青、烘干，再称重，得到水稻植株样本的地上部生物量数据；
步骤4：将光谱指数、单纹理特征参数、纹理指数与地上部生物量进行相关性分析，同时利用数据分析软件SPSS结合光谱指数、纹理指数进行逐步多元线性回归分析得到水稻生物量估测模型，并计算其决定系数R2，通过比较R2评定不同回归分析模型在水稻生物量估测上的表现；
步骤5：根据田间试验数据，采用十字交叉验证法对水稻生物量估测模型进行精度验证，并计算相对均方根误差RMSE：
其中，Pi和Oi,分别是第i个样本的预测值和实测值，n是样本总数；
步骤6：通过比较不同估测模型的RMSE，得到最佳水稻地上部生物量估测模型：
AGB(t ha-1)＝e(4.179×NDTI(Mean800,Mean550)–2.559×NDTI(Mean800,Mean720)+1.924×MTVI2-0.644)
其中，NDTI(Mean800,Mean550)为800nm和550nm两个波段的Mean纹理特征参数构建的纹理指数，NDTI(Mean800,Mean720)为800nm和720nm两个波段的Mean纹理特征参数构建的纹理指数，MTVI2为修正三角植被指数，AGB为水稻地上部生物量。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
1、本发明的基于无人机多光谱影像的水稻地上部生物量估测方法对输入数据要求低，估测精度高；
2、本发明的基于无人机多光谱影像的水稻地上部生物量估测方法结合无人机影像光谱与纹理信息来估测水稻地上部生物量，适用于水稻全生育期；
3、本发明的基于无人机多光谱影像的水稻地上部生物量估测方法可以仅用一个模型准确监测全生育期水稻生物量，并且可以为作物长势监测提供有用参考。
附图说明
图1为地上部生物量(t ha-1)与植被指数的关系：NDVI(a)；GNDVI(b)；MTVI2(c)；OSAVI(d)；VARI(e)；NGRDI(f)；CIred edge(g)和DATT(h)，Pre-HD和Post-HD分别代表抽穗前和抽穗后。
图2为地上部生物量(t ha-1)与纹理指数的关系：(a)NDTI(Mean720,Mean550)；(b)NDTI(Mean800,Mean550)和(c)NDTI(Mean800,Mean720)，Pre-HD和Post-HD分别代表抽穗前和抽穗后。
图3全生育期和分时期表现最佳的植被指数、纹理指数和多元线性回归方程检验：全生育期OSAVI(a)，抽穗前CIred edge(b)，抽穗后OSAVI(c)，全生育期NDTI(Mean800,Mean550)(d)，抽穗前NDTI(Mean800,Mean550)(e)，抽穗后NDTI(Mean800,Mean720)(f)，NDTI(Mean800,Mean550)、NDTI(Mean800,Mean720)和MTVI2构建的全生育期模型(g)，抽穗前(h)和抽穗后(i)。
图4是最佳估测模型在拔节期和灌浆期的生物量反演图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
实施例1
本发明基于不同生育期、不同施氮水平、不同种植密度处理的水稻田间试验进行，具体表述如表1及表2所示：
表1水稻试验田基本信息
表2水稻冠层影像及农学参数数据采集
从水稻试验田Exp.1、Exp.2获得水稻冠层多光谱影像数据，数据获取***性强、涵盖了主要的两个水稻品种、包含主要生育时期且样本数量大、处理因素多，可以有效地验证本发明的识别方法在不同环境条件和处理下的准确度和适应性。
一种基于无人机多光谱影像的水稻地上部生物量估测方法具体步骤如下：
步骤1、数据采集：
采用HiSystems GmBH公司生产的8旋翼无人机MK-Oktokopter搭载六波段多光谱相机飞行在100m高度获取水稻冠层影像；采集的六个光谱波段分别为490nm、550nm、680nm、720nm、800nm、900nm范围为360-1025nm，带宽为10nm；多光谱相机视场角为38°×31°，空间分辨率约为5.4cm，图像的大小为69×55m；多光谱相机曝光时间是通过手动设置以适应野外大田自然光辐射条件，通常在晴朗无云的天气下曝光时间约为2ms，无人机飞行路径和速度在全生育期保持一致，飞行时间在正午11:00-13:30。数据来自不同生育期、不同施氮水平、不同种植密度处理、不同水稻品种类型的水稻田，其中生育期包括拔节期、孕穗期、抽穗期、灌浆期。
同时在每个小区随机选取三穴水稻植株样本，连根拔起装入水桶中，运到室内进行生物量测定。
步骤2、图像数据预处理主要分四步进行，得到水稻冠层多光谱影像反射率数据：
1、噪声去除，首先在暗室内相机设置不同的曝光时间，拍照100张，提取影像的DN值作为噪声文件。噪声去除是通过原始影像减去噪声影像。
2、光晕校正，首先利用积分球获取相机在均一光源下的影像，得出光晕校正系数。光晕校正是通过噪声去除后的影像乘以校正系数。
3、镜头畸变校正，首先利用黑白相间的棋盘图获取镜头的内参和外参系数，然后利用布朗模型进行镜头畸变矫正。
4、辐射校正，利用经验线性法，通过六块不同标准反射率(3％，6％，12％，22％，48％，56％)的校正白布进行辐射校正，得到最终的反射率影像。
步骤3、反射率数据处理主要分五步进行：
1、反射率提取，利用感兴趣区域(Region of intersect，ROI)提取每个小区的反射率，小区的定义为5m×6m的区域。
2、植被指数计算，利用反射率计算与生物量估测相关的植被指数。
如图1所示为地上部生物量(t ha-1)与植被指数的关系图：NDVI(a)；GNDVI(b)；MTVI2(c)；OSAVI(d)；VARI(e)；NGRDI(f)；CIred edge(g)和DATT(h)，Pre-HD和Post-HD分别代表抽穗前和抽穗后。
3、纹理特征参数提取，利用ENVI软件在反射率影像上计算基于灰度共生矩阵的八个纹理参数：均值、方差、均一性、对比度、异质性、熵、角二阶矩和相关性，其中，均值反映纹理的平均情况，方差反映纹理变化的大小，均一性反映局部纹理同质性，对比度反映纹理的清晰度，异质性用来检测相似性，熵反映图像中纹理的非均匀程度或复杂程度，角二阶矩反映图像灰度分布均匀程度和纹理粗细度，相关性反映图像纹理的一致性。
4、纹理指数计算，利用单纹理特征参数算法构建归一化纹理指数(NormalizedDifference Texture Index，NDTI＝(T1-T2)/(T1+T2)，式中T1，T2分别为任意波段的某一纹理特征参数。
如图2所示为地上部生物量(t ha-1)与纹理指数的关系图：(a)NDTI(Mean720,Mean550)；(b)NDTI(Mean800,Mean550)和(c)NDTI(Mean800,Mean720)，Pre-HD和Post-HD分别代表抽穗前和抽穗后。
5、破坏性取样的植株去根洗净，放入烘箱中，先在108°下杀青30分钟，再在80°下烘干至恒重，称重获得地上部生物量数据。
步骤4、数据分析：
将光谱指数、单纹理特征参数、纹理指数与水稻地上部生物量进行相关性分析，同时利用数据分析软件SPSS结合光谱指数和纹理指数进行逐步多元线性回归分析，根据决定系数(R2)评定不同方法在生物量估测上的表现。
其中，yi和y’i,分别是第i个样本的实测值和预测值，是实测值的平均值，n是样本总数。
如图3所示为全生育期和分时期表现最佳的植被指数、纹理指数和多元线性回归方程检验图：全生育期OSAVI(a)，抽穗前CIred edge(b)，抽穗后OSAVI(c)，全生育期NDTI(Mean800,Mean550)(d)，抽穗前NDTI(Mean800,Mean550)(e)，抽穗后NDTI(Mean800,Mean720)(f)，NDTI(Mean800,Mean550)、NDTI(Mean800,Mean720)和MTVI2构建的全生育期模型(g)，抽穗前(h)和抽穗后(i)。
步骤5：根据田间试验数据，采用十字交叉验证法对水稻生物量估测模型进行精度验证，并计算相对均方根误差RMSE；
其中，Pi和Oi,分别是第i个样本的预测值和实测值，n是样本总数。
步骤5、精度检验：
利用十字交叉验证法对已构建的估测模型进行精度验证，根据RMSE值确定最佳模型。RMSE值越小，模型精度越高。
通过比较各模型的验证结果RMSE值得出，水稻全生育期生物量估测最佳光谱指数的优化土壤调节植被指数(Optimized Soil Adjusted Vegetation Index，OSAVI)，验证精度为R2＝0.55，RMSE＝2.77t ha-1，最佳纹理指数为(NDTI(Mean800,Mean550))，验证精度为R2＝0.60，RMSE＝2.63t ha-1，最佳多元模型的验证精度为R2＝0.78，RMSE＝1.84t ha-1。
步骤6、构建最佳生物量估测模型：
计算纹理指数NDTI(Mean800,Mean550)、纹理指数NDTI(Mean800,Mean720)和修正三角植被指数(Modified Triangular Vegetation Index2，MTVI2)适合全生育期的生物量估测模型，公式如下：
AGB(t ha-1)＝e(4.179×NDTI(Mean800,Mean550)–2.559×NDTI(Mean800,Mean720)+1.924×MTVI2-0.644)
如图4所示为最佳估测模型在拔节期(左)和灌浆期(右)的生物量反演图。
如下表所示为不同生育时期的最佳生物量估测模型：
表不同生育时期的最佳生物量估测模型
以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进，这些改进应视为本发明的保护范围。

Claims (9)

1.一种基于无人机多光谱影像的水稻地上部生物量估测方法，其特征在于，包括以下步骤：
步骤1：通过无人机采集获取水稻冠层多光谱影像数据，同时对水稻植株进行随机破坏性取样，得到水稻植株样本；
步骤2：对水稻冠层多光谱影像数据进行预处理：去除噪声、校正光晕、校正镜头畸变、校正辐射，得到水稻冠层多光谱影像反射率数据；
步骤3：对水稻冠层多光谱影像反射率数据进行数据处理：提取反射率、计算纹理特征参数、计算植被指数、计算纹理指数，同时测定水稻植株样本的生物量数据；
步骤3-1：根据感兴趣区域ROI提取每个小区的反射率，其中，小区的定义为5m×6m的区域；
步骤3-2：根据步骤3-1中的反射率计算与生物量估测相关的植被指数；
步骤3-3：在反射率影像上计算基于灰度共生矩阵的8个纹理特征参数；
步骤3-4：根据单纹理特征参数构建归一化纹理指数NDTI，NDTI＝(T1-T2)/(T1+T2)，其中，T1、T2分别为任意波段的某一纹理特征参数；
步骤3-5：将水稻植株样本去根洗净，在烘箱中进行杀青、烘干，再称重，得到水稻植株样本的地上部生物量数据；
步骤4：将光谱指数、单纹理特征参数、纹理指数与地上部生物量进行相关性分析，同时利用数据分析软件SPSS结合光谱指数、纹理指数进行逐步多元线性回归分析得到水稻生物量估测模型，并计算其决定系数R2，通过比较R2评定不同回归分析模型在水稻生物量估测上的表现；
步骤5：根据田间试验数据，采用十字交叉验证法对水稻生物量估测模型进行精度验证，并计算相对均方根误差RMSE：
其中，Pi和Oi,分别是第i个样本的预测值和实测值，n是样本总数；
步骤6：通过比较不同估测模型的RMSE，得到最佳水稻地上部生物量估测模型：
AGB(t ha-1)＝e(4.179×NDTI(Mean800,Mean550)–2.559×NDTI(Mean800,Mean720)+1.924×MTVI2-0.644)
其中，NDTI(Mean800,Mean550)为800nm和550nm两个波段的Mean纹理特征参数构建的纹理指数，NDTI(Mean800,Mean720)为800nm和720nm两个波段的Mean纹理特征参数构建的纹理指数，MTVI2为修正三角植被指数，AGB为水稻地上部生物量。
2.根据权利要求1所述的基于无人机多光谱影像的水稻地上部生物量估测方法，其特征在于，步骤1中的水稻冠层多光谱影像数据来自不同生育期、不同施氮水平、不同种植密度处理、不同水稻品种类型的水稻田，其中生育期包括拔节期、孕穗期、抽穗期、灌浆期。
3.根据权利要求1所述的基于无人机多光谱影像的水稻地上部生物量估测方法，其特征在于，步骤1中对水稻植株进行随机破坏性取样具体为：在每个小区随机选取三穴水稻植株，连根拔起装入水桶中。
4.根据权利要求1所述的基于无人机多光谱影像的水稻地上部生物量估测方法，其特征在于，步骤2中对水稻冠层多光谱影像数据进行预处理具体为：
步骤2-1：在暗室内相机设置不同的曝光时间，拍照100张，提取影像的DN值作为噪声影响，通过原始影像减去噪声影像得到去除噪声的影像；
步骤2-2：利用积分球获取相机在均一光源下的影像，得出光晕校正系数，通过去除噪声后的影像乘以校正系数得到校正光晕后的影像；
步骤2-3：利用黑白相间的棋盘图获取镜头的内参和外参系数，再用布朗模型校正镜头畸变，得到校正镜头畸变后的影像；
步骤2-4：利用经验线性法，通过六块不同标准反射率的校正白布校正辐射，反射率分别为3％，6％，12％，22％，48％，56％，得到校正辐射后的反射率影像。
5.根据权利要求1所述的基于无人机多光谱影像的水稻地上部生物量估测方法，其特征在于，步骤3-2中的植被指数包括：
可见抗大气指数VARI＝(R550-R680)/(R550+R680-R490)，
归一化绿红指数NGRDI＝(R550-R680)/(R550+R680)，
叶绿素红边指数CIred edge＝(R800/R720)-1，
DATT DATT＝(R800-R720)/(R800-R680)，
归一化植被指数NDVI＝(R800-R680)/(R800+R680)，
绿度归一化植被指数GNDVI＝(R800-R550)/(R800+R550)，
修正型三角植被指数
优化土壤调节植被指数OSAVI＝(1+0.16)(R800-R680)/(R800+R680+0.16)，
其中，R800，R720，R680，R550和R490分别代表800nm，720nm，680nm，550nm和490nm波段处的反射率。
6.根据权利要求1所述的基于无人机多光谱影像的水稻地上部生物量估测方法，其特征在于，步骤3-3中的纹理特征参数包括：均值、方差、均一性、对比度、异质性、熵、角二阶矩和相关性，其中，均值反映纹理的平均情况，方差反映纹理变化的大小，均一性反映局部纹理同质性，对比度反映纹理的清晰度，异质性用来检测相似性，熵反映图像中纹理的非均匀程度或复杂程度，角二阶矩反映图像灰度分布均匀程度和纹理粗细度，相关性反映图像纹理的一致性。
7.根据权利要求1所述的基于无人机多光谱影像的水稻地上部生物量估测方法，其特征在于，步骤3-5中水稻植株样本在烘箱中进行杀青、烘干具体为：在108℃下杀青30min，80℃烘干至恒重。
8.根据权利要求1所述的基于无人机多光谱影像的水稻地上部生物量估测方法，其特征在于，步骤4中的决定系数为：
其中，yi和y’i,分别是第i个样本的实测值和预测值，是实测值的平均值，n是样本总数。
9.根据权利要求1所述的基于无人机多光谱影像的水稻地上部生物量估测方法，其特征在于，步骤5中相对均方根误差RMSE的计算公式为：
其中，Pi和Oi,分别是第i个样本的预测值和实测值，n是样本总数。
CN201811312158.7A 2018-11-06 2018-11-06 一种基于无人机多光谱影像的水稻地上部生物量估测方法 Active CN109459392B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201811312158.7A CN109459392B (zh) 2018-11-06 2018-11-06 一种基于无人机多光谱影像的水稻地上部生物量估测方法
US16/675,612 US11029251B2 (en) 2018-11-06 2019-11-06 Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811312158.7A CN109459392B (zh) 2018-11-06 2018-11-06 一种基于无人机多光谱影像的水稻地上部生物量估测方法

Publications (2)

Publication Number Publication Date
CN109459392A true CN109459392A (zh) 2019-03-12
CN109459392B CN109459392B (zh) 2019-06-14

Family

ID=65609613

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811312158.7A Active CN109459392B (zh) 2018-11-06 2018-11-06 一种基于无人机多光谱影像的水稻地上部生物量估测方法

Country Status (2)

Country Link
US (1) US11029251B2 (zh)
CN (1) CN109459392B (zh)

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110222903A (zh) * 2019-06-13 2019-09-10 苏州市农业科学院 一种基于无人机遥感的水稻产量预测方法及***
CN110567891A (zh) * 2019-09-16 2019-12-13 中国水利水电科学研究院 一种冬小麦冠层叶绿素估测***及方法
CN110779497A (zh) * 2019-11-07 2020-02-11 航天信德智图（北京）科技有限公司 一种天地空一体化小麦产量评估方法
CN110927082A (zh) * 2019-11-25 2020-03-27 北京大学 一种基于无人机成像高光谱遥感的冬小麦产量预测方法
CN110934048A (zh) * 2019-11-20 2020-03-31 中国水稻研究所 一种测定水稻籽粒灌浆动态的方法
CN111007042A (zh) * 2019-12-24 2020-04-14 中央民族大学 一种基于遥感数据异质性的群落多样性估测方法
CN111241939A (zh) * 2019-12-31 2020-06-05 沈阳农业大学 一种基于无人机数码影像的水稻产量估测方法
CN111241912A (zh) * 2019-12-18 2020-06-05 安徽易刚信息技术有限公司 一种基于机器学习算法的多植被指数的水稻产量估测方法
CN111860328A (zh) * 2020-07-21 2020-10-30 杭州时光坐标影视传媒股份有限公司 一种基于双向反射函数和森林场景光照效果建模的生物量估算方法
CN111879735A (zh) * 2020-07-22 2020-11-03 武汉大学 一种基于图像的大米外观品质检测方法
CN111985849A (zh) * 2020-09-03 2020-11-24 中国科学院地理科学与资源研究所 一种棉花地的地上生物量生成方法和装置
CN112345458A (zh) * 2020-10-22 2021-02-09 南京农业大学 一种基于无人机多光谱影像的小麦产量估测方法
CN112418073A (zh) * 2020-11-19 2021-02-26 安徽农业大学 一种基于无人机图像融合特征的小麦植株氮含量估测方法
CN112834442A (zh) * 2021-01-04 2021-05-25 四川大学 基于多光谱数据的大区域尺度作物生长实时监测方法
CN112903600A (zh) * 2021-01-15 2021-06-04 南京农业大学 一种基于固定翼无人机多光谱影像的水稻氮肥推荐方法
CN113063742A (zh) * 2021-03-24 2021-07-02 和数科技(浙江)有限公司 一种植被生物量测量方法、***、存储介质及终端
CN113433127A (zh) * 2021-06-24 2021-09-24 内蒙古农业大学 基于优化光谱指数的马铃薯生长季氮肥用量施用方法
CN114136445A (zh) * 2021-12-03 2022-03-04 江苏天汇空间信息研究院有限公司 一种提高无人机机载高光谱辐射校正精度的方法
CN114460099A (zh) * 2022-02-11 2022-05-10 软通智慧信息技术有限公司 一种基于无人机的水葫芦监测方法、装置、无人机及介质
CN114549881A (zh) * 2022-01-24 2022-05-27 扬州大学 一种基于区域渐变植被指数的小麦早期茎蘖数估测方法
CN115144346A (zh) * 2022-06-23 2022-10-04 勐海曼香云天农业发展有限公司 一种香米田间成熟度确定方法及***
CN116108318A (zh) * 2023-04-06 2023-05-12 华中农业大学 基于无人机多光谱影像的油菜氮肥推荐追施量计算的方法
CN116308866A (zh) * 2023-05-23 2023-06-23 武汉大学 一种基于冠层反射光谱的水稻穗生物量估算方法及***
CN116662753A (zh) * 2023-05-18 2023-08-29 中国农业大学 一种基于作物模型与遥感耦合的水稻穗肥氮精准推荐方法
CN117036981A (zh) * 2023-09-12 2023-11-10 西藏高原大气环境科学研究所 一种草地地上生物量遥感监测方法及***
CN117077900A (zh) * 2023-10-16 2023-11-17 中国科学院地理科学与资源研究所 估测目标作物单产的方法、装置、设备和介质
CN117671358A (zh) * 2023-12-04 2024-03-08 四川农业大学 一种基于无人机rgb影像的大豆玉米带状间作长势监测方法
CN118015473A (zh) * 2024-04-08 2024-05-10 山东科技大学 一种基于多光谱无人机的田间花生生物量反演方法

Families Citing this family (67)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11270112B2 (en) * 2019-04-16 2022-03-08 Precision Silver, LLC Systems and methods for rating vegetation health and biomass from remotely sensed morphological and radiometric data
CN111783538B (zh) * 2020-05-29 2023-12-08 北京农业信息技术研究中心 小麦生物量的遥感估算方法、装置、电子设备及存储介质
CN111723984B (zh) * 2020-06-12 2024-06-04 浙江大学 基于植被指数与稻花光谱信息的水稻遥感估产方法
CN111721738A (zh) * 2020-06-23 2020-09-29 陕西理工大学 基于高光谱的植物生长状态与土壤含氮量关系的分析方法
CN111950530B (zh) * 2020-09-08 2024-04-12 中国水利水电科学研究院 农作物种植结构提取的多特征优选与融合方法
CN112198144B (zh) * 2020-09-16 2023-07-25 安徽泽众安全科技有限公司 一种快速污水溯源的方法及***
CN112129709A (zh) * 2020-09-16 2020-12-25 西北农林科技大学 一种苹果树冠层尺度氮含量诊断方法
CN111982822B (zh) * 2020-09-28 2022-10-18 武汉工程大学 一种长时间序列高精度植被指数改进算法
CN112577906B (zh) * 2020-11-18 2023-09-22 上海市园林科学规划研究院 城市绿地土壤含水率检测方法
CN112287886B (zh) * 2020-11-19 2023-09-22 安徽农业大学 基于高光谱图像融合图谱特征的小麦植株氮含量估测方法
CN112329733B (zh) * 2020-11-27 2022-08-30 河南大学 一种基于gee云平台的冬小麦长势监测及分析方法
CN112766036A (zh) * 2020-12-08 2021-05-07 中科禾信遥感科技（苏州）有限公司 一种倒伏玉米遥感提取方法与装置
CN112697724A (zh) * 2020-12-09 2021-04-23 云南省烟草农业科学研究院 基于无人机高光谱田间烟叶氧化钾含量预测方法及***
CN112697723A (zh) * 2020-12-09 2021-04-23 云南省烟草农业科学研究院 一种基于无人机高光谱大田烟草产量预测方法及***
CN112697726A (zh) * 2020-12-09 2021-04-23 云南省烟草农业科学研究院 一种基于无人机高光谱田间烟叶烟碱含量预测方法及***
CN112417378A (zh) * 2020-12-10 2021-02-26 常州大学 一种基于无人机图像处理的中华绒螯蟹质量估算方法
CN112881327B (zh) * 2021-01-25 2023-04-21 安徽皖南烟叶有限责任公司 一种基于新型植被指数的烟叶spad值估测方法
CN113029971B (zh) * 2021-02-10 2023-01-31 北京农业信息技术研究中心 一种作物冠层氮素监测方法及***
CN113063739A (zh) * 2021-02-25 2021-07-02 北京麦飞科技有限公司 一种基于机载高光谱传感器的水稻冠层氮含量监测方法
CN113063740A (zh) * 2021-02-25 2021-07-02 北京麦飞科技有限公司 一种基于多源遥感数据的小麦冠层氮含量监测方法
CN113035290A (zh) * 2021-03-12 2021-06-25 河南省农业科学院植物营养与资源环境研究所 一种基于高光谱遥感技术的小麦植株氮积累量监测方法
CN113155749B (zh) * 2021-03-29 2024-02-02 上海市园林科学规划研究院 城镇河道沉水植物生物量计算方法
CN113108918B (zh) * 2021-04-07 2022-06-21 成都信息工程大学 一种极轨气象卫星热红外遥感数据反演气温方法
CN113514402B (zh) * 2021-04-12 2023-03-07 新疆农业大学 一种冬小麦叶绿素含量的预测***及方法
CN113297904B (zh) * 2021-04-16 2023-11-21 广州市华南自然资源科学技术研究院 一种基于卫星驱动模型的高寒草地生物量估算方法及***
CN113537018B (zh) * 2021-07-05 2024-03-19 国网安徽省电力有限公司铜陵供电公司 基于多时相卫星遥感和无人机技术的水土保持监测方法
CN113850117B (zh) * 2021-07-13 2024-05-14 江苏省农业机械试验鉴定站 一种水稻插秧机性能检测***及方法
CN113670913B (zh) * 2021-08-18 2023-05-16 沈阳农业大学 水稻氮素含量反演高光谱植被指数构建方法
CN113688772A (zh) * 2021-09-02 2021-11-23 浙江大学 一种边坡生态修复监测方法
CN114034651A (zh) * 2021-11-10 2022-02-11 北京环境特性研究所 一种全球地表光谱基础数据的生成方法和装置
CN114091613B (zh) * 2021-11-26 2023-03-24 安徽师范大学 一种基于高分联合组网数据的森林生物量估算方法
CN113962248B (zh) * 2021-12-01 2022-03-18 中国农业大学 一种确定草原地上生物量的方法、装置以及存储介质
CN114199800B (zh) * 2021-12-08 2023-11-21 华智生物技术有限公司 一种水稻纹枯病识别方法、***、设备及介质
CN114708490A (zh) * 2021-12-14 2022-07-05 深圳先进技术研究院 水稻种植提取及复种指数监测方法、***、终端及存储介质
CN114241331B (zh) * 2021-12-16 2024-04-05 中国科学院南京地理与湖泊研究所 以UAV为地面和Sentinel-2中介的湿地芦苇地上生物量遥感建模方法
CN114324193A (zh) * 2022-01-10 2022-04-12 浙江大学华南工业技术研究院 基于uav-ppk技术的作物养分原位监测***及方法
CN114511781A (zh) * 2022-01-28 2022-05-17 中国人民解放军空军军医大学 无人机搭载多光谱相机对伪装人员识别的方法、装置及介质
CN114694043A (zh) * 2022-03-30 2022-07-01 中国人民解放军空军军医大学 复杂场景下机载多光谱多域优选特征的地面伤员识别方法、装置及介质
CN114973027A (zh) * 2022-05-12 2022-08-30 中国农业大学 可搭载于无人机的用于检测水稻出苗率的方法及相关设备
CN114965884B (zh) * 2022-05-17 2023-07-18 南京农业大学 一种室内监测稻田褐飞虱种群大小的方法
CN114965847B (zh) * 2022-05-23 2023-05-12 西南大学 一种基于机载激光雷达的花椒氮累积量的无损监测方法
CN114781767B (zh) * 2022-06-23 2022-10-28 成都信息工程大学 估算模型构建方法、估算方法、装置、计算机设备及介质
CN115290648A (zh) * 2022-08-03 2022-11-04 中国水稻研究所 一种基于无人机动态数字高程数据的水稻拔节期判断方法
CN115359365B (zh) * 2022-08-16 2023-06-02 首都师范大学 一种面向滨海潮间带盐地碱蓬识别和覆盖度估算方法
CN115639159B (zh) * 2022-12-08 2023-04-11 航天宏图信息技术股份有限公司 一种基于多光谱影像的废水污染监测方法和装置
CN115631419B (zh) * 2022-12-08 2023-05-09 航天宏图信息技术股份有限公司 一种基于变化检测的水稻种植面积和空间分布提取方法和装置
CN116229289A (zh) * 2022-12-13 2023-06-06 河南省农业科学院农业经济与信息研究所 一种基于无人机的冬小麦生物量快速高精准估测方法
CN115684037B (zh) * 2023-01-03 2023-03-21 海南热带海洋学院崖州湾创新研究院 一种基于光谱图像的养殖紫菜生物量估测方法
CN116297243B (zh) * 2023-02-28 2024-02-02 北京市农林科学院信息技术研究中心 烤烟氮肥追施量估计方法、装置、电子设备及存储介质
CN115936917B (zh) * 2023-03-09 2023-08-08 中化现代农业有限公司 全株农作物的产量预估方法、装置、电子设备及存储介质
CN115993336B (zh) * 2023-03-23 2023-06-16 山东省水利科学研究院 一种输水渠渠道两侧植被损坏监测方法及预警方法
CN116563706B (zh) * 2023-05-08 2024-05-17 哈尔滨工业大学 一种针对多光谱图像反射率多特征的作物产量估计方法
CN116453003B (zh) * 2023-06-14 2023-09-01 之江实验室 一种基于无人机监测智能识别水稻生长势的方法和***
CN116482041B (zh) * 2023-06-25 2023-09-05 武汉大学 一种基于反射光谱的水稻抽穗期无损快速识别方法及***
CN116597157B (zh) * 2023-07-11 2023-09-26 中国科学院地理科学与资源研究所 基于特征光谱变化的植物物候提取方法及装置
CN117092035A (zh) * 2023-07-12 2023-11-21 生态环境部南京环境科学研究所 一种多功能智慧植物生长监测***
CN116629453B (zh) * 2023-07-18 2023-10-24 山东科技大学 一种适用于作物全生育时期的遥感估产方法
CN116843082B (zh) * 2023-07-21 2024-04-16 浙江大学山东(临沂)现代农业研究院 基于空天地一体化监测技术的金银花产量评估方法及装置
CN116735538B (zh) * 2023-08-15 2024-05-24 山东科技大学 一种基于氮素分配模型的作物氮素累积量遥感预测方法
CN116760962B (zh) * 2023-08-17 2023-10-27 鸥朗创想(北京)科技有限公司 一种获取植物4d表型的无人车及方法
CN117274359B (zh) * 2023-10-13 2024-04-19 扬州大学 一种作物群体的株高测算方法和***
CN117391472B (zh) * 2023-10-26 2024-02-13 北京麦麦趣耕科技有限公司 一种用于小麦生育期预测的装置、方法及其应用
CN117152620B (zh) * 2023-10-30 2024-02-13 江西立盾光电科技有限公司 一种跟随植物状态变化的植物生长控制方法及***
CN117169138B (zh) * 2023-11-02 2024-01-09 天津市农业发展服务中心 一种基于遥感数据的区域墒情监测方法
CN117195609B (zh) * 2023-11-08 2024-01-26 吉林大学 一种区域玉米植株氮营养匮缺的定量诊断方法
CN117292267B (zh) * 2023-11-27 2024-02-02 武汉大学 一种基于物候信息的水稻地上生物量分段估算方法及***
CN117387581B (zh) * 2023-12-12 2024-02-13 北京麦麦趣耕科技有限公司 油樟生物量估算方法、装置以及存储介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1837787A (zh) * 2006-04-19 2006-09-27 南京大学 一种无损伤精准测定棉花生物物理参数的方法
CN101986139A (zh) * 2010-08-25 2011-03-16 浙江大学 一种基于反射光谱小波变换的植被参数遥感反演方法
CN102207453A (zh) * 2011-03-23 2011-10-05 中国烟草总公司郑州烟草研究院 一种基于冠层多光谱的烤烟地上鲜生物量测定方法
CN102393238A (zh) * 2011-08-01 2012-03-28 高吉喜 一种草地地上干物质量遥感估测方法
CN102829739A (zh) * 2012-08-21 2012-12-19 北京农业信息技术研究中心 一种面向对象的作物叶面积指数遥感反演方法
CN105608293A (zh) * 2016-01-28 2016-05-25 武汉大学 融合光谱与纹理特征的森林地上生物量反演方法及***
CN105842707A (zh) * 2015-01-15 2016-08-10 兰州大学 基于无人机遥感图像的草地地上生物量测算方法及装置
CN106291582A (zh) * 2016-09-28 2017-01-04 中国科学院华南植物园 一种基于光谱曲线特征分异的森林生物量遥感反演方法
CN106384332A (zh) * 2016-09-09 2017-02-08 中山大学 基于Gram‑Schmidt的无人机影像与多光谱影像融合方法
CN107449400A (zh) * 2016-05-31 2017-12-08 北京林业大学 一种森林地上生物量的测量***及测量方法
CN107833201A (zh) * 2017-10-11 2018-03-23 辽宁远天城市规划有限公司 一种基于无人机遥感影像的地上生物量测算方法
CN108007438A (zh) * 2017-12-01 2018-05-08 云南大学 无人机航空摄影遥感湿地植物生物量的估测方法
CN108020211A (zh) * 2017-12-01 2018-05-11 云南大学 一种无人机航空摄影估测入侵植物生物量的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10168149B2 (en) * 2014-09-24 2019-01-01 Noble Research Institute, Llc Forage biomass estimation devices, systems, and methods

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1837787A (zh) * 2006-04-19 2006-09-27 南京大学 一种无损伤精准测定棉花生物物理参数的方法
CN101986139A (zh) * 2010-08-25 2011-03-16 浙江大学 一种基于反射光谱小波变换的植被参数遥感反演方法
CN102207453A (zh) * 2011-03-23 2011-10-05 中国烟草总公司郑州烟草研究院 一种基于冠层多光谱的烤烟地上鲜生物量测定方法
CN102393238A (zh) * 2011-08-01 2012-03-28 高吉喜 一种草地地上干物质量遥感估测方法
CN102829739A (zh) * 2012-08-21 2012-12-19 北京农业信息技术研究中心 一种面向对象的作物叶面积指数遥感反演方法
CN105842707A (zh) * 2015-01-15 2016-08-10 兰州大学 基于无人机遥感图像的草地地上生物量测算方法及装置
CN105608293A (zh) * 2016-01-28 2016-05-25 武汉大学 融合光谱与纹理特征的森林地上生物量反演方法及***
CN107449400A (zh) * 2016-05-31 2017-12-08 北京林业大学 一种森林地上生物量的测量***及测量方法
CN106384332A (zh) * 2016-09-09 2017-02-08 中山大学 基于Gram‑Schmidt的无人机影像与多光谱影像融合方法
CN106291582A (zh) * 2016-09-28 2017-01-04 中国科学院华南植物园 一种基于光谱曲线特征分异的森林生物量遥感反演方法
CN107833201A (zh) * 2017-10-11 2018-03-23 辽宁远天城市规划有限公司 一种基于无人机遥感影像的地上生物量测算方法
CN108007438A (zh) * 2017-12-01 2018-05-08 云南大学 无人机航空摄影遥感湿地植物生物量的估测方法
CN108020211A (zh) * 2017-12-01 2018-05-11 云南大学 一种无人机航空摄影估测入侵植物生物量的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MARK CUTLER 等: "Estimating tropical forest biomass with a combination of SAR image texture and Landsat TM data:An assessment of predictions between regions", 《JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》 *
刘畅 等: "融合无人机光谱信息与纹理信息的冬小麦生物量估测", 《中国农业科学》 *
郭鹏 等: "基于无人机可见光影像的农田作物分类方法比较", 《农业工程学报》 *

Cited By (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110222903A (zh) * 2019-06-13 2019-09-10 苏州市农业科学院 一种基于无人机遥感的水稻产量预测方法及***
CN110222903B (zh) * 2019-06-13 2021-08-31 苏州市农业科学院 一种基于无人机遥感的水稻产量预测方法及***
CN110567891A (zh) * 2019-09-16 2019-12-13 中国水利水电科学研究院 一种冬小麦冠层叶绿素估测***及方法
CN110779497A (zh) * 2019-11-07 2020-02-11 航天信德智图（北京）科技有限公司 一种天地空一体化小麦产量评估方法
CN110934048A (zh) * 2019-11-20 2020-03-31 中国水稻研究所 一种测定水稻籽粒灌浆动态的方法
CN110934048B (zh) * 2019-11-20 2021-07-06 中国水稻研究所 一种测定水稻籽粒灌浆动态的方法
CN110927082A (zh) * 2019-11-25 2020-03-27 北京大学 一种基于无人机成像高光谱遥感的冬小麦产量预测方法
CN111241912A (zh) * 2019-12-18 2020-06-05 安徽易刚信息技术有限公司 一种基于机器学习算法的多植被指数的水稻产量估测方法
CN111007042A (zh) * 2019-12-24 2020-04-14 中央民族大学 一种基于遥感数据异质性的群落多样性估测方法
CN111241939A (zh) * 2019-12-31 2020-06-05 沈阳农业大学 一种基于无人机数码影像的水稻产量估测方法
CN111860328A (zh) * 2020-07-21 2020-10-30 杭州时光坐标影视传媒股份有限公司 一种基于双向反射函数和森林场景光照效果建模的生物量估算方法
CN111879735A (zh) * 2020-07-22 2020-11-03 武汉大学 一种基于图像的大米外观品质检测方法
CN111985849A (zh) * 2020-09-03 2020-11-24 中国科学院地理科学与资源研究所 一种棉花地的地上生物量生成方法和装置
CN111985849B (zh) * 2020-09-03 2024-05-14 中国科学院地理科学与资源研究所 一种棉花地的地上生物量生成方法和装置
CN112345458A (zh) * 2020-10-22 2021-02-09 南京农业大学 一种基于无人机多光谱影像的小麦产量估测方法
CN112418073B (zh) * 2020-11-19 2023-10-03 安徽农业大学 一种基于无人机图像融合特征的小麦植株氮含量估测方法
CN112418073A (zh) * 2020-11-19 2021-02-26 安徽农业大学 一种基于无人机图像融合特征的小麦植株氮含量估测方法
CN112834442A (zh) * 2021-01-04 2021-05-25 四川大学 基于多光谱数据的大区域尺度作物生长实时监测方法
CN112903600A (zh) * 2021-01-15 2021-06-04 南京农业大学 一种基于固定翼无人机多光谱影像的水稻氮肥推荐方法
CN113063742A (zh) * 2021-03-24 2021-07-02 和数科技(浙江)有限公司 一种植被生物量测量方法、***、存储介质及终端
CN113433127A (zh) * 2021-06-24 2021-09-24 内蒙古农业大学 基于优化光谱指数的马铃薯生长季氮肥用量施用方法
CN113433127B (zh) * 2021-06-24 2024-02-23 内蒙古农业大学 基于优化光谱指数的马铃薯生长季氮肥用量施用方法
CN114136445A (zh) * 2021-12-03 2022-03-04 江苏天汇空间信息研究院有限公司 一种提高无人机机载高光谱辐射校正精度的方法
CN114549881A (zh) * 2022-01-24 2022-05-27 扬州大学 一种基于区域渐变植被指数的小麦早期茎蘖数估测方法
CN114460099A (zh) * 2022-02-11 2022-05-10 软通智慧信息技术有限公司 一种基于无人机的水葫芦监测方法、装置、无人机及介质
CN115144346A (zh) * 2022-06-23 2022-10-04 勐海曼香云天农业发展有限公司 一种香米田间成熟度确定方法及***
CN116108318B (zh) * 2023-04-06 2023-06-13 华中农业大学 基于无人机多光谱影像的油菜氮肥推荐追施量计算的方法
CN116108318A (zh) * 2023-04-06 2023-05-12 华中农业大学 基于无人机多光谱影像的油菜氮肥推荐追施量计算的方法
CN116662753A (zh) * 2023-05-18 2023-08-29 中国农业大学 一种基于作物模型与遥感耦合的水稻穗肥氮精准推荐方法
CN116662753B (zh) * 2023-05-18 2024-01-23 中国农业大学 一种基于作物模型与遥感耦合的水稻穗肥氮精准推荐方法
CN116308866A (zh) * 2023-05-23 2023-06-23 武汉大学 一种基于冠层反射光谱的水稻穗生物量估算方法及***
CN117036981A (zh) * 2023-09-12 2023-11-10 西藏高原大气环境科学研究所 一种草地地上生物量遥感监测方法及***
CN117036981B (zh) * 2023-09-12 2024-03-29 西藏高原大气环境科学研究所 一种草地地上生物量遥感监测方法及***
CN117077900A (zh) * 2023-10-16 2023-11-17 中国科学院地理科学与资源研究所 估测目标作物单产的方法、装置、设备和介质
CN117671358A (zh) * 2023-12-04 2024-03-08 四川农业大学 一种基于无人机rgb影像的大豆玉米带状间作长势监测方法
CN118015473A (zh) * 2024-04-08 2024-05-10 山东科技大学 一种基于多光谱无人机的田间花生生物量反演方法

Also Published As

Publication number Publication date
CN109459392B (zh) 2019-06-14
US11029251B2 (en) 2021-06-08
US20200141877A1 (en) 2020-05-07

Similar Documents

Publication Publication Date Title
CN109459392B (zh) 一种基于无人机多光谱影像的水稻地上部生物量估测方法
CN105608293B (zh) 融合光谱与纹理特征的森林地上生物量反演方法及***
Guo et al. Crop 3D—a LiDAR based platform for 3D high-throughput crop phenotyping
Lussem et al. Evaluation of RGB-based vegetation indices from UAV imagery to estimate forage yield in grassland
CN112903600B (zh) 一种基于固定翼无人机多光谱影像的水稻氮肥推荐方法
Clevers Imaging spectrometry in agriculture-plant vitality and yield indicators
WO2001033505A2 (en) Multi-variable model for identifying crop response zones in a field
CN112345458A (zh) 一种基于无人机多光谱影像的小麦产量估测方法
CN111091052A (zh) 一种基于最大似然法的玉米倒伏面积提取***及方法
Luo et al. Combining spectral and texture features for estimating leaf area index and biomass of maize using Sentinel-1/2, and Landsat-8 data
Liu et al. Estimating wheat fractional vegetation cover using a density peak k-means algorithm based on hyperspectral image data
Luo et al. Using UAV image data to monitor the effects of different nitrogen application rates on tea quality
CN106568730B (zh) 一种基于近地面高光谱影像的水稻阴阳叶穗识别方法
Shu et al. Assessing maize lodging severity using multitemporal UAV-based digital images
Fan et al. Using an optimized texture index to monitor the nitrogen content of potato plants over multiple growth stages
CN114460015A (zh) 一种用于预测寒地水稻冠层叶绿素含量的方法及模型
Yeom et al. Separability analysis and classification of rice fields using KOMPSAT-2 High Resolution Satellite Imagery
Zhou et al. Comparison of inversion method of maize leaf area index based on UAV hyperspectral remote sensing
Meng et al. Hot dark spot index method based on multi-angular remote sensing for leaf area index retrieval
CN115994939A (zh) 一种基于地面激光点云的树木叶面积估算方法
CN112179853A (zh) 基于影像阴影去除的果树冠层氮素含量遥感反演方法及***
XUE et al. Estimating light interception using the color attributes of digital images of cotton canopies
Singh et al. The role of bi-directional reflectance correction in UAV-based hyperspectral imaging to improve data robustness
Yang et al. Extraction of maize vegetation coverage based on UAV multi-spectral remote sensing and pixel dichotomy
Gu et al. Monitoring Maize Lodging Disaster Via Multi-Temporal Remote Sensing Images

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant