CN111829957A - 基于无人机多光谱遥感反演冬小麦植株含水率***及方法 - Google Patents
基于无人机多光谱遥感反演冬小麦植株含水率***及方法 Download PDFInfo
- Publication number
- CN111829957A CN111829957A CN202010648575.XA CN202010648575A CN111829957A CN 111829957 A CN111829957 A CN 111829957A CN 202010648575 A CN202010648575 A CN 202010648575A CN 111829957 A CN111829957 A CN 111829957A
- Authority
- CN
- China
- Prior art keywords
- winter wheat
- module
- remote sensing
- wheat plant
- image
- 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.)
- Pending
Links
- 241000209140 Triticum Species 0.000 title claims abstract description 185
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000003595 spectral effect Effects 0.000 claims abstract description 99
- 238000012545 processing Methods 0.000 claims abstract description 55
- 238000002310 reflectometry Methods 0.000 claims abstract description 48
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 45
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000001228 spectrum Methods 0.000 claims description 54
- 235000021307 Triticum Nutrition 0.000 claims description 28
- 238000012937 correction Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 claims description 3
- 230000003750 conditioning effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 10
- 230000008635 plant growth Effects 0.000 abstract description 2
- 241000196324 Embryophyta Species 0.000 description 5
- 238000004590 computer program Methods 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
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
-
- 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
- G01N21/55—Specular reflectivity
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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
- G01N2021/1793—Remote sensing
-
- 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
Landscapes
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于植物生长监测技术领域,公开了一种基于无人机多光谱遥感反演冬小麦植株含水率***及方法,所述基于无人机多光谱遥感反演冬小麦植株含水率***包括:区域划分模块、多光谱遥感影像获取模块、遥感影像预处理模块、光谱植被指数提取模块、中央控制模块、反演模型建立模块、反演模型处理模块、冬小麦植株含水率计算模块、云存储模块、显示模块。本发明利用无人机搭载多光谱遥感影像获取装置获得待测区域内冬小麦植株的五波段光谱遥感影像,根据光谱反射率和光谱植被指数构建待测区域冬小麦植株含水率的非线性反演模型,实现了对冬小麦植株含水率的计算,为实现精准作物监测提供了理论依据,加强了无人机多光谱遥感监测的适用性。
Description
技术领域
本发明属于植物生长监测技术领域,尤其涉及一种基于无人机多光谱遥感反演冬小麦植株含水率***及方法。
背景技术
目前,植株含水率是反映作物水分状况的指标之一,也是开展作物水分亏缺诊断的重要基础,及时准确的获取植株含水率信息,对精准农业发展以及农业水资源高效利用具有重要意义。传统估算植株含水率的方法主要是通过破坏性采样测定,操作繁琐、耗费大量人力物力,不足以满足实施快速监测的要求。目前国内外基于卫星遥感或者地面遥感对植株含水率的研究已经取得了一定进展,无人机遥感技术由于其平台具有移动性强、适用性好的优势,且获取影像分辨率高、作业周期短,在农业、水质监测和测绘等领域发挥着越来越重要的作用,为农情监测研究提供了新的解决方案。
通过上述分析,现有技术存在的问题及缺陷为:传统估算植株含水率的方法主要是通过破坏性采样测定,操作繁琐、耗费大量人力物力,不足以满足实施快速监测的要求。
发明内容
针对现有技术存在的问题,本发明提供了一种基于无人机多光谱遥感反演冬小麦植株含水率***及方法。
本发明是这样实现的,一种基于无人机多光谱遥感反演冬小麦植株含水率方法,所述基于无人机多光谱遥感反演冬小麦植株含水率方法包括以下步骤:
步骤一,通过区域划分模块利用区域划分设备将冬小麦种植区域进行划分,获得待测冬小麦区域。
步骤二,通过多光谱遥感影像获取模块利用无人机搭载的多光谱遥感影像获取装置获得待测区域内冬小麦植株的五波段光谱遥感影像。
步骤三,通过遥感影像预处理模块利用影像预处理程序对获得的冬小麦植株的五波段光谱遥感影像进行几何校正,获得校正后的待测区域内冬小麦植株的光谱反射率。
步骤四,通过光谱植被指数提取模块利用ENVI软件裁剪所述冬小麦植株的光谱反射率的影像获得所述光谱植被指数。
步骤五,通过中央控制模块利用中央处理器控制所述基于无人机多光谱遥感反演冬小麦植株含水率***各个模块的正常运行。
步骤六,通过反演模型建立模块利用模型建立程序根据所述冬小麦植株的光谱反射率与所述光谱植被指数建立所述待测区域对应的冬小麦植株含水率的非线性反演模型。
步骤七,通过反演模型处理模块利用逐步回归算法对所述非线性反演模型进行回归处理。
步骤八,通过冬小麦植株含水率计算模块根据回归处理后的所述非线性反演模型反演得到所述待测区域内冬小麦植株的含水率。
步骤九,通过云存储模块利用云数据库服务器存储待测冬小麦区域、待测区域内冬小麦植株的五波段光谱遥感影像、光谱反射率、光谱植被指数、非线性反演模型以及待测区域内冬小麦植株的含水率。
步骤十,通过显示模块利用显示器显示待测冬小麦区域、待测区域内冬小麦植株的五波段光谱遥感影像、光谱反射率、光谱植被指数、非线性反演模型以及待测区域内冬小麦植株的含水率的实时数据。
进一步,步骤二中,对获得的冬小麦植株的五波段光谱遥感影像进行几何校正的方法包括:
首先采用RPC方法来对遥感影像进行粗校正,然后从校正后的图像中匹配地面控制点数据,在控制点与粗校正的图像点之间建立多项式关系来对粗校正后的图像进行几何校正,结合DEM数据完成遥感影像的几何精校正。
进一步,步骤二中,获得待测区域内冬小麦植株的五波段光谱遥感影像后,首先对待增强图像进行滤波处理;
对滤波处理后的图像进行画质增强处理;
对画质增强处理后的图像进行区域划分,得到多个图像区域;
对多个图像区域进行分析,得到过增强的图像区域和弱增强的图像区域;
对过增强的图像区域和弱增强的图像区域进行优化处理;
对优化处理后的图像区域进行拼接,生成画质增强后的完整图像。
进一步,步骤三中,几何校正中的基准影像和几何失真影像分别用f(x,y)与g(x',y')表示,根据两幅影像中的已知控制点对,建立对应关系,通过坐标转换实现几何校正;
两幅影像坐标***之间存在的畸变关系为:
在h1(x,y)与h2(x,y)已知的情况下,计算一个像素点在另一个坐标***中对应像素点的坐标,即f(x,y)=g(x',y')。
进一步,步骤三中,所述待测区域内冬小麦植株的光谱反射率的获取方法,包括:
(1)将所述五波段的光谱影像合成一个tif格式的五波段光谱影像;
(2)根据所述合成的五波段光谱影像利用掩膜方法构建待测ROI区域;
(3)利用波段运算工具Bandmath分别计算待测ROI区域内五个波段的冬小麦植株的光谱反射率;
(4)计算所述ROI区域内五个波段的光谱反射率的平均光谱反射率,得到待测区域内冬小麦的光谱反射率。
进一步,步骤四中,所述光谱植被指数包括:归一化光谱植被指数NDVI、土壤调节光谱植被指数SAVI、增强型光谱植被指数EVI、比值光谱植被指数SR、绿度归一化光谱植被指数GNDVI以及抗大气指数VARI。
进一步,步骤六中,所述通过反演模型建立模块建立所述待测区域对应的冬小麦植株含水率的非线性反演模型的方法,包括:
(I)利用SPSS软件的多元回归法分析所述冬小麦植株的含水率与所述冬小麦的光谱反射率的相关程度;
(II)利用强迫进入法建立一个包含五波段反射率的非线性反演模型;
(III)根据所述相关程度的大小利用逐步回归法依次将所述冬小麦植株的含水率逐个引入非线性反演模型,得到多个非线性反演模型。
进一步,所述非线性反演模型为:
其中,Z为冬小麦植株的含水率,m1为用于调整含水率的常量,n为用于保证对数是正值及线性关系的常量,m0为用于补偿零米含水率的常量,λi、λj分别为波段i和波段j,Rw为冬小麦植株的光谱反射率。
进一步,步骤七中,所述通过逐步回归算法对所述非线性反演模型进行回归处理的方法,包括:
1)从非线性反演模型中选取逐步回归算法的备选因子;
2)获取标准化输入数据;
3)根据所述标准化输入数据、显著性检验和高斯-亚当变换,获取冬小麦植株含水率影响因子;
4)将含有所述冬小麦植株含水率影响因子的非线性反演模型作为回归处理后的非线性反演模型。
本发明的另一目的在于提供一种应用所述的基于无人机多光谱遥感反演冬小麦植株含水率方法的基于无人机多光谱遥感反演冬小麦植株含水率***,所述基于无人机多光谱遥感反演冬小麦植株含水率***包括:
区域划分模块、多光谱遥感影像获取模块、遥感影像预处理模块、光谱植被指数提取模块、中央控制模块、反演模型建立模块、反演模型处理模块、冬小麦植株含水率计算模块、云存储模块、显示模块。
区域划分模块,与中央控制模块连接,用于通过区域划分设备将冬小麦种植区域进行划分,获得待测冬小麦区域;
多光谱遥感影像获取模块,与中央控制模块连接,用于通过无人机搭载的多光谱遥感影像获取装置获得待测区域内冬小麦植株的五波段光谱遥感影像;
遥感影像预处理模块,与中央控制模块连接,用于通过影像预处理程序对获得的冬小麦植株的五波段光谱遥感影像进行几何校正,获得校正后的待测区域内冬小麦植株的光谱反射率;
光谱植被指数提取模块,与中央控制模块连接,用于通过用ENVI软件裁剪所述冬小麦植株的光谱反射率的影像获得所述光谱植被指数;
中央控制模块,与区域划分模块、多光谱遥感影像获取模块、遥感影像预处理模块、光谱植被指数提取模块、反演模型建立模块、反演模型处理模块、冬小麦植株含水率计算模块、云存储模块、显示模块连接,用于通过中央处理器控制所述基于无人机多光谱遥感反演冬小麦植株含水率***各个模块的正常运行;
反演模型建立模块,与中央控制模块连接,用于通过模型建立程序根据所述冬小麦植株的光谱反射率与所述光谱植被指数建立所述待测区域对应的冬小麦植株含水率的非线性反演模型;
反演模型处理模块,与中央控制模块连接,用于通过逐步回归算法对所述非线性反演模型进行回归处理;
冬小麦植株含水率计算模块,与中央控制模块连接,用于根据回归处理后的所述非线性反演模型反演得到所述待测区域内冬小麦植株的含水率;
云存储模块,与中央控制模块连接,用于通过云数据库服务器存储待测冬小麦区域、待测区域内冬小麦植株的五波段光谱遥感影像、光谱反射率、光谱植被指数、非线性反演模型以及待测区域内冬小麦植株的含水率;
显示模块,与中央控制模块连接,用于通过显示器显示待测冬小麦区域、待测区域内冬小麦植株的五波段光谱遥感影像、光谱反射率、光谱植被指数、非线性反演模型以及待测区域内冬小麦植株的含水率的实时数据。
进一步,所述反演模型处理模块包括:
选取单元,用于从非线性反演模型中选取逐步回归算法的备选因子;
第一获取单元,用于获取标准化输入数据;
第二获取单元,用于根据所述标准化输入数据、显著性检验和高斯-亚当变换,获取冬小麦植株含水率影响因子;
确定单元,用于将含有所述冬小麦植株含水率影响因子的非线性反演模型作为回归处理后的非线性反演模型。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施所述的基于无人机多光谱遥感反演冬小麦植株含水率方法。
本发明的另一目的在于提供一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行所述的基于无人机多光谱遥感反演冬小麦植株含水率方法。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明提供的基于无人机多光谱遥感反演冬小麦植株含水率方法,利用无人机搭载多光谱遥感影像获取装置获得待测区域内冬小麦植株的五波段光谱遥感影像,进而获得光谱反射率以及光谱植被指数,构建待测区域对应的冬小麦植株含水率的非线性反演模型,实现了对冬小麦植株含水率的计算,为实现精准作物监测提供了理论依据,进一步加强无人机多光谱遥感监测的适用性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于无人机多光谱遥感反演冬小麦植株含水率方法流程图。
图2是本发明实施例提供的待测区域内冬小麦植株的光谱反射率的获取方法流程图。
图3是本发明实施例提供的通过反演模型建立模块建立所述待测区域对应的冬小麦植株含水率的非线性反演模型的方法流程图。
图4是本发明实施例提供的通过逐步回归算法对所述非线性反演模型进行回归处理的方法流程图。
图5是本发明实施例提供的基于无人机多光谱遥感反演冬小麦植株含水率***结构框图;
图中:1、区域划分模块;2、多光谱遥感影像获取模块;3、遥感影像预处理模块;4、光谱植被指数提取模块;5、中央控制模块;6、反演模型建立模块;7、反演模型处理模块;8、冬小麦植株含水率计算模块;9、云存储模块;10、显示模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种基于无人机多光谱遥感反演冬小麦植株含水率***及方法,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的基于无人机多光谱遥感反演冬小麦植株含水率方法包括以下步骤:
S101,通过区域划分模块利用区域划分设备将冬小麦种植区域进行划分,获得待测冬小麦区域。
S102,通过多光谱遥感影像获取模块利用无人机搭载的多光谱遥感影像获取装置获得待测区域内冬小麦植株的五波段光谱遥感影像。
S103,通过遥感影像预处理模块利用影像预处理程序对获得的冬小麦植株的五波段光谱遥感影像进行几何校正,获得校正后的待测区域内冬小麦植株的光谱反射率。
S104,通过光谱植被指数提取模块利用ENVI软件裁剪所述冬小麦植株的光谱反射率的影像获得所述光谱植被指数。
S105,通过中央控制模块利用中央处理器控制所述基于无人机多光谱遥感反演冬小麦植株含水率***各个模块的正常运行。
S106,通过反演模型建立模块利用模型建立程序根据所述冬小麦植株的光谱反射率与所述光谱植被指数建立所述待测区域对应的冬小麦植株含水率的非线性反演模型。
S107,通过反演模型处理模块利用逐步回归算法对所述非线性反演模型进行回归处理。
S108,通过冬小麦植株含水率计算模块根据回归处理后的所述非线性反演模型反演得到所述待测区域内冬小麦植株的含水率。
S109,通过云存储模块利用云数据库服务器存储待测冬小麦区域、待测区域内冬小麦植株的五波段光谱遥感影像、光谱反射率、光谱植被指数、非线性反演模型以及待测区域内冬小麦植株的含水率。
S110,通过显示模块利用显示器显示待测冬小麦区域、待测区域内冬小麦植株的五波段光谱遥感影像、光谱反射率、光谱植被指数、非线性反演模型以及待测区域内冬小麦植株的含水率的实时数据。
步骤S102中,对获得的冬小麦植株的五波段光谱遥感影像进行几何校正的方法包括:
首先采用RPC方法来对遥感影像进行粗校正,然后从校正后的图像中匹配地面控制点数据,在控制点与粗校正的图像点之间建立多项式关系来对粗校正后的图像进行几何校正,结合DEM数据完成遥感影像的几何精校正。
步骤S102中,获得待测区域内冬小麦植株的五波段光谱遥感影像后,首先对待增强图像进行滤波处理;
对滤波处理后的图像进行画质增强处理;
对画质增强处理后的图像进行区域划分,得到多个图像区域;
对多个图像区域进行分析,得到过增强的图像区域和弱增强的图像区域;
对过增强的图像区域和弱增强的图像区域进行优化处理;
对优化处理后的图像区域进行拼接,生成画质增强后的完整图像。
步骤S103中,几何校正中的基准影像和几何失真影像分别用f(x,y)与g(x',y')表示,根据两幅影像中的已知控制点对,建立对应关系,通过坐标转换实现几何校正;
两幅影像坐标***之间存在的畸变关系为:
在h1(x,y)与h2(x,y)已知的情况下,计算一个像素点在另一个坐标***中对应像素点的坐标,即f(x,y)=g(x',y')。
如图2所示,本发明实施例提供的步骤S103中,所述待测区域内冬小麦植株的光谱反射率的获取方法,包括:
S201,将所述五波段的光谱影像合成一个tif格式的五波段光谱影像;
S202,根据所述合成的五波段光谱影像利用掩膜方法构建待测ROI区域;
S203,利用波段运算工具Bandmath分别计算待测ROI区域内五个波段的冬小麦植株的光谱反射率;
S204,计算所述ROI区域内五个波段的光谱反射率的平均光谱反射率,得到待测区域内冬小麦的光谱反射率。
本发明实施例提供的步骤S104中,所述光谱植被指数包括:归一化光谱植被指数NDVI、土壤调节光谱植被指数SAVI、增强型光谱植被指数EVI、比值光谱植被指数SR、绿度归一化光谱植被指数GNDVI以及抗大气指数VARI。
如图3所示,本发明实施例提供的步骤S106中,所述通过反演模型建立模块建立所述待测区域对应的冬小麦植株含水率的非线性反演模型的方法,包括:
S301,利用SPSS软件的多元回归法分析所述冬小麦植株的含水率与所述冬小麦的光谱反射率的相关程度;
S302,利用强迫进入法建立一个包含五波段反射率的非线性反演模型;
S303,根据所述相关程度的大小利用逐步回归法依次将所述冬小麦植株的含水率逐个引入非线性反演模型,得到多个非线性反演模型。
本发明实施例提供的非线性反演模型为:
其中,Z为冬小麦植株的含水率,m1为用于调整含水率的常量,n为用于保证对数是正值及线性关系的常量,m0为用于补偿零米含水率的常量,λi、λj分别为波段i和波段j,Rw为冬小麦植株的光谱反射率。
如图4所示,本发明实施例提供的步骤S107中,所述通过逐步回归算法对所述非线性反演模型进行回归处理的方法,包括:
S401,从非线性反演模型中选取逐步回归算法的备选因子;
S402,获取标准化输入数据;
S403,根据所述标准化输入数据、显著性检验和高斯-亚当变换,获取冬小麦植株含水率影响因子;
S404,将含有所述冬小麦植株含水率影响因子的非线性反演模型作为回归处理后的非线性反演模型。
如图5所示,本发明实施例提供的基于无人机多光谱遥感反演冬小麦植株含水率***包括:区域划分模块1、多光谱遥感影像获取模块2、遥感影像预处理模块3、光谱植被指数提取模块4、中央控制模块5、反演模型建立模块6、反演模型处理模块7、冬小麦植株含水率计算模块8、云存储模块9、显示模块10。
区域划分模块1,与中央控制模块5连接,用于通过区域划分设备将冬小麦种植区域进行划分,获得待测冬小麦区域;
多光谱遥感影像获取模块2,与中央控制模块5连接,用于通过无人机搭载的多光谱遥感影像获取装置获得待测区域内冬小麦植株的五波段光谱遥感影像;
遥感影像预处理模块3,与中央控制模块5连接,用于通过影像预处理程序对获得的冬小麦植株的五波段光谱遥感影像进行几何校正,获得校正后的待测区域内冬小麦植株的光谱反射率;
光谱植被指数提取模块4,与中央控制模块5连接,用于通过用ENVI软件裁剪所述冬小麦植株的光谱反射率的影像获得所述光谱植被指数;
中央控制模块5,与区域划分模块1、多光谱遥感影像获取模块2、遥感影像预处理模块3、光谱植被指数提取模块4、反演模型建立模块6、反演模型处理模块7、冬小麦植株含水率计算模块8、云存储模块9、显示模块10连接,用于通过中央处理器控制所述基于无人机多光谱遥感反演冬小麦植株含水率***各个模块的正常运行;
反演模型建立模块6,与中央控制模块5连接,用于通过模型建立程序根据所述冬小麦植株的光谱反射率与所述光谱植被指数建立所述待测区域对应的冬小麦植株含水率的非线性反演模型;
反演模型处理模块7,与中央控制模块5连接,用于通过逐步回归算法对所述非线性反演模型进行回归处理;
冬小麦植株含水率计算模块8,与中央控制模块5连接,用于根据回归处理后的所述非线性反演模型反演得到所述待测区域内冬小麦植株的含水率;
云存储模块9,与中央控制模块5连接,用于通过云数据库服务器存储待测冬小麦区域、待测区域内冬小麦植株的五波段光谱遥感影像、光谱反射率、光谱植被指数、非线性反演模型以及待测区域内冬小麦植株的含水率;
显示模块10,与中央控制模块5连接,用于通过显示器显示待测冬小麦区域、待测区域内冬小麦植株的五波段光谱遥感影像、光谱反射率、光谱植被指数、非线性反演模型以及待测区域内冬小麦植株的含水率的实时数据。
本发明实施例提供的反演模型处理模块7包括:
选取单元7-1,用于从非线性反演模型中选取逐步回归算法的备选因子;
第一获取单元7-2,用于获取标准化输入数据;
第二获取单元7-3,用于根据所述标准化输入数据、显著性检验和高斯-亚当变换,获取冬小麦植株含水率影响因子;
确定单元7-4,用于将含有所述冬小麦植株含水率影响因子的非线性反演模型作为回归处理后的非线性反演模型。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于无人机多光谱遥感反演冬小麦植株含水率方法,其特征在于,所述基于无人机多光谱遥感反演冬小麦植株含水率方法包括以下步骤:
步骤一,通过区域划分模块利用区域划分设备将冬小麦种植区域进行划分,获得待测冬小麦区域;
步骤二,通过多光谱遥感影像获取模块利用无人机搭载的多光谱遥感影像获取装置获得待测区域内冬小麦植株的五波段光谱遥感影像;
步骤三,通过遥感影像预处理模块利用影像预处理程序对获得的冬小麦植株的五波段光谱遥感影像进行几何校正,获得校正后的待测区域内冬小麦植株的光谱反射率;
对获得的冬小麦植株的五波段光谱遥感影像进行几何校正的方法包括:
首先采用RPC方法来对遥感影像进行粗校正,然后从校正后的图像中匹配地面控制点数据,在控制点与粗校正的图像点之间建立多项式关系来对粗校正后的图像进行几何校正,结合DEM数据完成遥感影像的几何精校正;
步骤四,通过光谱植被指数提取模块利用ENVI软件裁剪所述冬小麦植株的光谱反射率的影像获得所述光谱植被指数;
步骤五,通过中央控制模块利用中央处理器控制所述基于无人机多光谱遥感反演冬小麦植株含水率***各个模块的正常运行;
步骤六,通过反演模型建立模块利用模型建立程序根据所述冬小麦植株的光谱反射率与所述光谱植被指数建立所述待测区域对应的冬小麦植株含水率的非线性反演模型;
步骤七,通过反演模型处理模块利用逐步回归算法对所述非线性反演模型进行回归处理;
步骤八,通过冬小麦植株含水率计算模块根据回归处理后的所述非线性反演模型反演得到所述待测区域内冬小麦植株的含水率;
步骤九,通过云存储模块利用云数据库服务器存储待测冬小麦区域、待测区域内冬小麦植株的五波段光谱遥感影像、光谱反射率、光谱植被指数、非线性反演模型以及待测区域内冬小麦植株的含水率;
步骤十,通过显示模块利用显示器显示待测冬小麦区域、待测区域内冬小麦植株的五波段光谱遥感影像、光谱反射率、光谱植被指数、非线性反演模型以及待测区域内冬小麦植株的含水率的实时数据。
2.如权利要求1所述的基于无人机多光谱遥感反演冬小麦植株含水率方法,其特征在于,步骤二中,获得待测区域内冬小麦植株的五波段光谱遥感影像后,首先对待增强图像进行滤波处理;
对滤波处理后的图像进行画质增强处理;
对画质增强处理后的图像进行区域划分,得到多个图像区域;
对多个图像区域进行分析,得到过增强的图像区域和弱增强的图像区域;
对过增强的图像区域和弱增强的图像区域进行优化处理;
对优化处理后的图像区域进行拼接,生成画质增强后的完整图像。
4.如权利要求1所述的基于无人机多光谱遥感反演冬小麦植株含水率方法,其特征在于,步骤三中,所述待测区域内冬小麦植株的光谱反射率的获取方法包括:
(1)将所述五波段的光谱影像合成一个tif格式的五波段光谱影像;
(2)根据所述合成的五波段光谱影像利用掩膜方法构建待测ROI区域;
(3)利用波段运算工具Bandmath分别计算待测ROI区域内五个波段的冬小麦植株的光谱反射率;
(4)计算所述ROI区域内五个波段的光谱反射率的平均光谱反射率,得到待测区域内冬小麦的光谱反射率。
5.如权利要求1所述的基于无人机多光谱遥感反演冬小麦植株含水率方法,其特征在于,步骤四中,所述光谱植被指数包括:归一化光谱植被指数NDVI、土壤调节光谱植被指数SAVI、增强型光谱植被指数EVI、比值光谱植被指数SR、绿度归一化光谱植被指数GNDVI以及抗大气指数VARI。
6.如权利要求1所述的基于无人机多光谱遥感反演冬小麦植株含水率方法,其特征在于,步骤六中,所述通过反演模型建立模块建立所述待测区域对应的冬小麦植株含水率的非线性反演模型的方法,包括:
(I)利用SPSS软件的多元回归法分析所述冬小麦植株的含水率与所述冬小麦的光谱反射率的相关程度;
(II)利用强迫进入法建立一个包含五波段反射率的非线性反演模型;
(III)根据所述相关程度的大小利用逐步回归法依次将所述冬小麦植株的含水率逐个引入非线性反演模型,得到多个非线性反演模型。
8.如权利要求1所述的基于无人机多光谱遥感反演冬小麦植株含水率方法,其特征在于,步骤七中,所述通过逐步回归算法对所述非线性反演模型进行回归处理的方法,包括:
1)从非线性反演模型中选取逐步回归算法的备选因子;
2)获取标准化输入数据;
3)根据所述标准化输入数据、显著性检验和高斯-亚当变换,获取冬小麦植株含水率影响因子;
4)将含有所述冬小麦植株含水率影响因子的非线性反演模型作为回归处理后的非线性反演模型。
9.一种应用如权利要求1~8任意一项所述的基于无人机多光谱遥感反演冬小麦植株含水率方法的基于无人机多光谱遥感反演冬小麦植株含水率***,其特征在于,所述基于无人机多光谱遥感反演冬小麦植株含水率***包括:
区域划分模块、多光谱遥感影像获取模块、遥感影像预处理模块、光谱植被指数提取模块、中央控制模块、反演模型建立模块、反演模型处理模块、冬小麦植株含水率计算模块、云存储模块、显示模块;
区域划分模块,与中央控制模块连接,用于通过区域划分设备将冬小麦种植区域进行划分,获得待测冬小麦区域;
多光谱遥感影像获取模块,与中央控制模块连接,用于通过无人机搭载的多光谱遥感影像获取装置获得待测区域内冬小麦植株的五波段光谱遥感影像;
遥感影像预处理模块,与中央控制模块连接,用于通过影像预处理程序对获得的冬小麦植株的五波段光谱遥感影像进行几何校正,获得校正后的待测区域内冬小麦植株的光谱反射率;
光谱植被指数提取模块,与中央控制模块连接,用于通过用ENVI软件裁剪所述冬小麦植株的光谱反射率的影像获得所述光谱植被指数;
中央控制模块,与区域划分模块、多光谱遥感影像获取模块、遥感影像预处理模块、光谱植被指数提取模块、反演模型建立模块、反演模型处理模块、冬小麦植株含水率计算模块、云存储模块、显示模块连接,用于通过中央处理器控制所述基于无人机多光谱遥感反演冬小麦植株含水率***各个模块的正常运行;
反演模型建立模块,与中央控制模块连接,用于通过模型建立程序根据所述冬小麦植株的光谱反射率与所述光谱植被指数建立所述待测区域对应的冬小麦植株含水率的非线性反演模型;
反演模型处理模块,与中央控制模块连接,用于通过逐步回归算法对所述非线性反演模型进行回归处理;
冬小麦植株含水率计算模块,与中央控制模块连接,用于根据回归处理后的所述非线性反演模型反演得到所述待测区域内冬小麦植株的含水率;
云存储模块,与中央控制模块连接,用于通过云数据库服务器存储待测冬小麦区域、待测区域内冬小麦植株的五波段光谱遥感影像、光谱反射率、光谱植被指数、非线性反演模型以及待测区域内冬小麦植株的含水率;
显示模块,与中央控制模块连接,用于通过显示器显示待测冬小麦区域、待测区域内冬小麦植株的五波段光谱遥感影像、光谱反射率、光谱植被指数、非线性反演模型以及待测区域内冬小麦植株的含水率的实时数据。
10.如权利要求9所述的基于无人机多光谱遥感反演冬小麦植株含水率***,其特征在于,所述反演模型处理模块包括:
选取单元,用于从非线性反演模型中选取逐步回归算法的备选因子;
第一获取单元,用于获取标准化输入数据;
第二获取单元,用于根据所述标准化输入数据、显著性检验和高斯-亚当变换,获取冬小麦植株含水率影响因子;
确定单元,用于将含有所述冬小麦植株含水率影响因子的非线性反演模型作为回归处理后的非线性反演模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010648575.XA CN111829957A (zh) | 2020-07-07 | 2020-07-07 | 基于无人机多光谱遥感反演冬小麦植株含水率***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010648575.XA CN111829957A (zh) | 2020-07-07 | 2020-07-07 | 基于无人机多光谱遥感反演冬小麦植株含水率***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111829957A true CN111829957A (zh) | 2020-10-27 |
Family
ID=72899650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010648575.XA Pending CN111829957A (zh) | 2020-07-07 | 2020-07-07 | 基于无人机多光谱遥感反演冬小麦植株含水率***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111829957A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113358581A (zh) * | 2021-06-04 | 2021-09-07 | 长光禹辰信息技术与装备(青岛)有限公司 | 一种无人机多光谱遥感数据采集和处理一体化***及方法 |
CN113655003A (zh) * | 2021-09-02 | 2021-11-16 | 中科禾信遥感科技(苏州)有限公司 | 一种利用无人机照片估算冬小麦返青期土壤墒情的方法 |
CN116124709A (zh) * | 2022-09-20 | 2023-05-16 | 中国水利水电科学研究院 | 基于叶绿素相对含量的冬小麦旱情无人机快速监测判别方法 |
CN117288693A (zh) * | 2023-11-27 | 2023-12-26 | 慧诺云谱(海南)科技有限公司 | 一种实时获取植被指数地图的方法及机载装置 |
CN117592604A (zh) * | 2023-11-22 | 2024-02-23 | 河北省农林科学院旱作农业研究所 | 一种水高效小麦品种无人机载遥感鉴定方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105865424A (zh) * | 2016-04-13 | 2016-08-17 | 中测新图(北京)遥感技术有限责任公司 | 一种基于非线性模型的多光谱遥感水深反演方法及装置 |
CN106780079A (zh) * | 2016-11-28 | 2017-05-31 | 山东省农业可持续发展研究所 | 基于遥感数据的冬小麦不同生育期叶面积指数反演方法 |
US20190251678A1 (en) * | 2017-09-30 | 2019-08-15 | Institute Of Remote Sensing And Digital Earth, Chinese Academy Of Sciences | Automatic cross-platform geometric correction method for moon-based earth observation image |
CN110222475A (zh) * | 2019-07-03 | 2019-09-10 | 中国水利水电科学研究院 | 一种基于无人机多光谱遥感反演冬小麦植株含水率的方法 |
-
2020
- 2020-07-07 CN CN202010648575.XA patent/CN111829957A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105865424A (zh) * | 2016-04-13 | 2016-08-17 | 中测新图(北京)遥感技术有限责任公司 | 一种基于非线性模型的多光谱遥感水深反演方法及装置 |
CN106780079A (zh) * | 2016-11-28 | 2017-05-31 | 山东省农业可持续发展研究所 | 基于遥感数据的冬小麦不同生育期叶面积指数反演方法 |
US20190251678A1 (en) * | 2017-09-30 | 2019-08-15 | Institute Of Remote Sensing And Digital Earth, Chinese Academy Of Sciences | Automatic cross-platform geometric correction method for moon-based earth observation image |
CN110222475A (zh) * | 2019-07-03 | 2019-09-10 | 中国水利水电科学研究院 | 一种基于无人机多光谱遥感反演冬小麦植株含水率的方法 |
Non-Patent Citations (7)
Title |
---|
刘吉平: "《遥感原理及遥感信息分析基础》", 武汉大学出版社, pages: 345 - 347 * |
姜海玲等: "扬花期冬小麦叶面积指数高光谱遥感反演研究", 《吉林师范大学学报(自然科学版)》, no. 01, 4 February 2020 (2020-02-04) * |
张周威等: "无人机遥感数据处理流程及产品分级体系研究", 《武汉理工大学学报》 * |
张周威等: "无人机遥感数据处理流程及产品分级体系研究", 《武汉理工大学学报》, no. 05, 31 May 2013 (2013-05-31) * |
戴丽君等: "基于ARCINFO及ERDAS的地形景观图的制作――以西安市?哄鄙?态区为例", 《山东师范大学学报(自然科学版)》 * |
戴丽君等: "基于ARCINFO及ERDAS的地形景观图的制作――以西安市?哄鄙?态区为例", 《山东师范大学学报(自然科学版)》, no. 02, 15 July 2006 (2006-07-15) * |
杨可明: "《遥感原理与应用》", 30 September 2016, 中国矿业大学出版社, pages: 150 - 153 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113358581A (zh) * | 2021-06-04 | 2021-09-07 | 长光禹辰信息技术与装备(青岛)有限公司 | 一种无人机多光谱遥感数据采集和处理一体化***及方法 |
CN113655003A (zh) * | 2021-09-02 | 2021-11-16 | 中科禾信遥感科技(苏州)有限公司 | 一种利用无人机照片估算冬小麦返青期土壤墒情的方法 |
CN113655003B (zh) * | 2021-09-02 | 2024-01-12 | 中科禾信遥感科技(苏州)有限公司 | 一种利用无人机照片估算冬小麦返青期土壤墒情的方法 |
CN116124709A (zh) * | 2022-09-20 | 2023-05-16 | 中国水利水电科学研究院 | 基于叶绿素相对含量的冬小麦旱情无人机快速监测判别方法 |
CN116124709B (zh) * | 2022-09-20 | 2023-09-12 | 中国水利水电科学研究院 | 基于叶绿素相对含量的冬小麦旱情无人机监测判别方法 |
CN117592604A (zh) * | 2023-11-22 | 2024-02-23 | 河北省农林科学院旱作农业研究所 | 一种水高效小麦品种无人机载遥感鉴定方法 |
CN117288693A (zh) * | 2023-11-27 | 2023-12-26 | 慧诺云谱(海南)科技有限公司 | 一种实时获取植被指数地图的方法及机载装置 |
CN117288693B (zh) * | 2023-11-27 | 2024-03-26 | 慧诺云谱(海南)科技有限公司 | 一种实时获取植被指数地图的方法及机载装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111829957A (zh) | 基于无人机多光谱遥感反演冬小麦植株含水率***及方法 | |
Skakun et al. | Combined use of Landsat-8 and Sentinel-2A images for winter crop mapping and winter wheat yield assessment at regional scale | |
CN114037911B (zh) | 一种顾及生态分区的大尺度森林高度遥感反演方法 | |
CN102829739B (zh) | 一种面向对象的作物叶面积指数遥感反演方法 | |
CN111795936B (zh) | 一种基于查找表的多光谱遥感影像大气校正***、方法及存储介质 | |
CN112348812B (zh) | 林分年龄信息测量方法及装置 | |
CN111242022A (zh) | 基于低分辨率遥感产品降尺度的高分辨率fapar估算方法 | |
CN114821362A (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
CN115372282B (zh) | 一种基于无人机高光谱影像的农田土壤含水量监测方法 | |
CN114563787A (zh) | 一种冻土形变监测方法、装置、设备及存储介质 | |
CN108230375A (zh) | 基于结构相似性快速鲁棒的可见光图像与sar图像配准方法 | |
CN113723319A (zh) | 一种基于风云卫星数据的水稻种植分布提取方法 | |
CN111222539A (zh) | 基于多源多时相遥感影像优化和扩充监督分类样本的方法 | |
CN115545311A (zh) | 一种农作物估产方法、装置、存储介质及电子设备 | |
Jing et al. | Sub-pixel accuracy evaluation of FY-3D MERSI-2 geolocation based on OLI reference imagery | |
CN117809183A (zh) | 一种荒漠化监测方法、***、电子设备及介质 | |
Eugene et al. | Rice modeling using long time series of high temporal resolution vegetation indices in Nepal | |
CN113240648A (zh) | 一种多时相可见光影像的植被长势监测分析方法和装置 | |
CN109784320B (zh) | 人参设施农业域确定方法 | |
Xu et al. | A comparative study on the applicability and effectiveness of NSVI and NDVI for estimating fractional vegetation cover based on multi-source remote sensing image | |
CN114880883B (zh) | 山地地表土壤水分遥感估算方法、装置及电子设备 | |
CN115393306A (zh) | 一种用于地理遥感信息服务的土地利用动态变化分析*** | |
CN114842360A (zh) | 一种牧区旱情识别方法、***及管理平台 | |
CN118212541B (zh) | 基于遥感影像的水稻碳排放测算方法、装置、设备及介质 | |
CN117589093B (zh) | 作物叶面积指数高光谱遥感监测方法、装置、设备及介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201027 |