CN112345458A - 一种基于无人机多光谱影像的小麦产量估测方法 - Google Patents
一种基于无人机多光谱影像的小麦产量估测方法 Download PDFInfo
- Publication number
- CN112345458A CN112345458A CN202011137002.7A CN202011137002A CN112345458A CN 112345458 A CN112345458 A CN 112345458A CN 202011137002 A CN202011137002 A CN 202011137002A CN 112345458 A CN112345458 A CN 112345458A
- Authority
- CN
- China
- Prior art keywords
- wheat
- nir
- unmanned aerial
- multispectral
- vegetation index
- 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 93
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000011282 treatment Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 30
- 238000002310 reflectometry Methods 0.000 claims description 20
- 238000007637 random forest analysis Methods 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 17
- 238000012417 linear regression Methods 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000005855 radiation Effects 0.000 claims description 8
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 7
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 6
- 210000005069 ears Anatomy 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 239000002689 soil Substances 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 5
- 238000003379 elimination reaction Methods 0.000 claims description 5
- 125000001475 halogen functional group Chemical group 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 5
- 230000009418 agronomic effect Effects 0.000 claims description 4
- 229930002875 chlorophyll Natural products 0.000 claims description 4
- 235000019804 chlorophyll Nutrition 0.000 claims description 4
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 229910052757 nitrogen Inorganic materials 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 238000010899 nucleation Methods 0.000 claims 1
- 238000010801 machine learning Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 abstract description 4
- 238000012216 screening Methods 0.000 abstract description 4
- 230000015572 biosynthetic process Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 9
- 238000010238 partial least squares regression Methods 0.000 description 8
- 238000009395 breeding Methods 0.000 description 6
- 230000001488 breeding effect Effects 0.000 description 6
- 235000013339 cereals Nutrition 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000003595 spectral effect Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 240000007594 Oryza sativa Species 0.000 description 3
- 235000007164 Oryza sativa Nutrition 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 235000009566 rice Nutrition 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 240000008042 Zea mays Species 0.000 description 2
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 235000005822 corn Nutrition 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000009331 sowing Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 241000220225 Malus Species 0.000 description 1
- 235000011430 Malus pumila Nutrition 0.000 description 1
- 235000015103 Malus silvestris Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000618 nitrogen fertilizer Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000126 substance 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
- G01N21/25—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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- G01N2021/1765—Method using an image detector and processing of image signal
-
- 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
- G01N2021/1797—Remote sensing in landscape, e.g. crops
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Image Processing (AREA)
Abstract
本发明提出一种基于无人机多光谱影像的小麦产量估测方法,将小麦冠层多光谱影像数据与产量数据相结合,通过单因子和多因子的建模角度,采用不同建模方法构建了小麦产量预测模型。本发明充分考虑了产量的形成过程机理以及不同生育时期对小麦产量估测的影响,通过敏感植被指数的筛选、多个生育期的结合以及机器学习方法的应用能够精准、无损地估测不同处理下的小麦产量,本发明将为小麦产量精准估测方法提供新的思路,为区域尺度的精准农业管理和决策提供重要理论基础与技术支撑。
Description
技术领域
本发明属于作物生长监测技术领域,尤其是一种基于无人机多光谱影像的小麦产量估测方法。
背景技术
小麦是世界上很多地区的主要粮食作物,养活了全球近40%的人口。我国在小麦上的消费需求仅次于水稻,其重要程度不言而喻。产量是农作物生产的最终指标之一,能够及时准确地估测作物最终籽粒产量对于保证高产稳产意义重大。
作物具有光谱特征,能够吸收、反射和辐射不同的光谱。应用于农业的无人机遥感技术的各种传感器可以探测到植物的这些光谱特征。不同波长的光对作物生长有不同的影响。搭载在无人机上的传感器可以收集不同波段的农作物图像,并提取不同的特征。区别于地面遥感和航天、航空遥感,基于无人机平台的低空遥感运行成本低、体积小而质量轻、操作简单快捷、可调节性强,还有着较高的数据获取率。在提高了效率的同时,也保证了相应的精度,一定程度上弥补了地面遥感和航天、航空遥感的不足,是精确农业作物信息监测技术发展与应用强有力的支撑。在中小型农田尺度,利用无人机搭载多种传感器可以进行灵活、稳定、高效的监测预测工作,因此传感器的选择显得尤为重要。多光谱成像式传感器与GreenSeeker或RapidSCAN等非成像传感器不同,它在拥有更多的光谱波段的同时也具有良好的空间分辨率;与部分高光谱传感器相比,多光谱成像式传感器操作更加简单,数据处理较为方便。因此,有效利用无人机多光谱影像数据进行作物产量的准确估测具有重大意义。
前人已有部分基于无人机遥感平台的作物产量估测研究,其中涉及了多种作物,如玉米、小麦、水稻、大豆、苹果等。有学者从无人机多光谱影像数据中提取反射率,构建了部分常用的植被指数,如NDVI、RVI、DVI等,结果显示这些植被指数建立的作物产量估测模型已经具备一定的估测精度。也有部分学者利用无人机多光谱***从单个生育期和多个生育期两个方面考虑建立了水稻、夏玉米等估产模型,发现结合多个生育期进行作物估产比单个生育期能达到更好的估测效果;另外,部分学者基于无人机多光谱影像数据,采用了偏最小二乘回归(partial least squares regression,PLSR)、随机森林(random forest,RF)、人工神经网络(artificial neural network,ANN)等机器学习方法结合冠层光谱信息来建立产量估测模型,结果表明机器学习方法较一般线性回归方法通常在估测精度上更具优势。
前人基于无人机遥感平台进行作物产量预测的研究流程已经趋于完备。部分研究缺少敏感波段反射率的筛选,不能构建具备更佳估测精度的植被指数;不少研究结果表明多个生育时期的植被指数建立的产量估测模型较单一生育时期具有更好的效果;简单线性回归方法作为最常用的模型构建方法,在估测产量此类非线性问题上已经不具备优势,而近年来机器学习方法的应用取得了较好的估测效果。但总体而言,包括简单线性回归方法、机器学习方法等在内的多种建模方法还缺少***性的比较评估。
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小麦产量估测方法,基于无人机多光谱影像数据,提取敏感波段反射率,构建适合产量估测的植被指数,同时结合多个生育时期,采用包括机器学习在内的多种建模方法建立小麦产量估测模型,更具机理性,在一定程度上提高了产量估测的精度,为作物产量精准估测提供有用参考。
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小麦产量估测方法,包括以下步骤:
步骤1:设置小麦田间互作试验,在小麦成熟期进行取样并测产,获取小麦产量农学数据;
步骤2:获取小麦冠层多光谱影像数据:
采用无人机搭载多光谱相机分别在小麦各关键生育期拍摄获取小麦冠层多光谱影像数据,随机选取70%的影像数据作为建模数据,其余30%作为模型验证数据;
步骤3:对小麦冠层多光谱影像数据进行预处理,获得小麦冠层多光谱影像反射率数据;
步骤4:根据小麦冠层多光谱影像反射率数据构建植被指数;
步骤4-1:圈出各试验小区的感兴趣区域ROI,提取小麦冠层多光谱影像中每个试验小区的反射率,并计算每个试验小区的平均反射率;
步骤4-2:根据反射率计算适用于小麦产量估测模型的植被指数;
步骤5:将植被指数与小麦产量数据进行相关性分析,结合小麦关键生育期,从单个生育时期的单个植被指数角度采用线性回归算法建立小麦产量估测模型,从单个生育时期的多个植被指数、多个生育时期的单个相同植被指数、多个生育时期的多个植被指数等3个角度分别采用多元线性回归、逐步多元回归、偏最小二乘回归、人工神经网络和随机森林算法建立小麦产量估测模型;
步骤6:采用模型验证数据对各小麦产量估测模型进行验证,计算并比较各模型的决定系数R2和相对均方根误差RRMSE,最终得到采用随机森林算法从多个生育时期的单个相同植被指数角度建立的小麦产量估测模型为最优模型。
进一步的,本发明的基于无人机多光谱影像的小麦产量估测方法,步骤1中的小麦田间互作试验包括不同品种、不同施氮水平、不同种植密度和不同播期。
进一步的,本发明的基于无人机多光谱影像的小麦产量估测方法,步骤1中测产步骤包括:
在各试验小区取1㎡的小麦植株,计算单位土地面积的穗数,并取30株小麦植株进行室内考种,计算穗粒数、千粒重和结实率。
进一步的,本发明的基于无人机多光谱影像的小麦产量估测方法,步骤2中的关键生育期包括分蘖期、拔节期、孕穗器、开花期和灌浆期。
进一步的,本发明的基于无人机多光谱影像的小麦产量估测方法,步骤3中的预处理包括噪声消除、光晕校正、镜头畸变校正、波段配准和辐射定标。
进一步的,本发明的基于无人机多光谱影像的小麦产量估测方法,预处理具体为:
1)噪声消除:将成像传感器置于暗室内,并设置不同的曝光时间进行拍摄,将提取出的DN值作为噪声影像,将原始影像减去噪声影像进行去噪处理;
2)光晕校正:取斑点临近像元的亮度值均值作为斑点亮度,或者采用三次立方卷积法修正斑点亮度;
3)镜头畸变校正:采用足够多的黑白棋盘图,利用最小二乘法计算镜头的内参和外参,根据剩余的点坐标求出畸变相关参数进行校正;
4)波段配准:采用SIFT特征配准方法,分别提取基准影像与待配准影像的特征并进行特征描述,然后进行特征匹配,计算得到变换模型参数后进行影像变换配准;
5)辐射定标:采用经验线性法,通过特定反射率的校正白板进行辐射校正,校正白板于每次无人机飞行前放置于拍摄区域内。
进一步的,本发明的基于无人机多光谱影像的小麦产量估测方法,步骤4中的植被指数包括:
绿色归一化植被指数GNDVI=(NIR-G)/(NIR+G)
归一化差分植被指数NDVI=(NIR-R)/(NIR+R)
归一化差分红边指数NDRE=(NIR-RE)/(NIR+RE)
比值植被指数RVI=NIR/R
叶绿素红边指数CIRE=(NIR/RE)-1
优化型土壤调整植被指数OSAVI=(NIR-R)/(NIR+R+0.16)
土壤调节植被指数SAVI=1.5*(NIR-R)/(NIR+R+0.5)
冠层叶绿素浓度指数CCCI=(NDRE-NDREmin)/(NDREmax-NDREmin)
土壤调节红边指数RESAVI=1.5*(NIR-RE)/(NIR+RE+0.5)
其中,G、R、RE和NIR分别代表570nm、675nm、730nm和850nm波段处的反射率。
进一步的,本发明的基于无人机多光谱影像的小麦产量估测方法,步骤6中的决定系数R2和相对均方根误差RRMSE的计算公式为:
进一步的,本发明的基于无人机多光谱影像的小麦产量估测方法,采用随机森林算法从多个生育时期的单个相同植被指数角度建立的小麦产量估测模型具体为:使用bootstrap重采样从原始样本中提取部分样本,采样N次形成训练集,并对未采样样本进行估计;根据对多个决策树的估计,通过投票得到最终的估计结果;NTREE为RF中包含的决策树数量,设置为1000,MTREE为二叉树在节点中的变量数量,设置为2。
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小麦产量估测方法对光谱信息(敏感波段)进行了筛选,构建的植被指数具有更高的产量估测精度;
2、本发明的基于无人机多光谱影像的小麦产量估测方法充分考虑到不同生育时期对最终产量的影响,结合多个生育期的光谱指数进行估测,更具机理性;
3、本发明的基于无人机多光谱影像的小麦产量估测方法有效地结合了部分机器学习算法(PLSR、ANN和RF),并与传统建模方法进行了较为***的评估,在一定程度上提高了产量估测的精度,为作物产量精准估测提供有用参考。
附图说明
图1是本发明的基于无人机多光谱影像的小麦产量估测方法从不同建模角度出发建立的最优小麦产量预测模型的验证结果,其中(a)是从单个生育时期的单个植被指数角度建立的模型验证结果,(b)是从单个生育时期的多个植被指数角度建立的模型验证结果,(c)是从多个生育时期的单个相同植被指数角度建立的模型验证结果,(d)是从多个生育时期的多个植被指数角度建立的模型验证结果。
图2是本发明的基于无人机多光谱影像的小麦产量估测方法的流程图。
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。
本发明通过实施江苏省内不同地点、不同播期、不同种植密度和不同施氮水平处理的小麦互作试验,评估了无人机多光谱影像在小麦产量精准预测上的应用优势。具体的试验设计与数据采集的信息如表1所示:
表1试验设计与数据采集的基本信息
本试验包含不同的处理,使建模数据包含更多的可能,从而提高模型的通用性。由于播期、种植密度和氮肥水平的差异,数据的呈现一定幅度的变化,这表示涵盖了大多数可能的情况。因此,该数据集可以为建立可靠的小麦产量预测模型提供支持。
如图2所示,一种基于无人机多光谱影像的小麦产量估测方法具体步骤如下:
步骤1、农学数据的获取
产量数据:成熟期于各小区未取样处取1m2的植株计算单位土地面积穗数,并取30株室内考种,计算穗粒数、千粒重和结实率。每小区收获两个1m2的小麦进行脱粒测产。
步骤2、无人机多光谱影像数据获取
本试验利用DJI M600Pro六旋翼无人机搭载Airphen多光谱相机于小麦冠层上方50米高度获取多光谱影像数据(空间分辨率为4.7cm,焦距为8mm,航向重叠度85%,旁向重叠度90%),飞行速度为2m/s。DJI GS PRO软件可以用来预先规划航线,并监测无人机的飞行轨迹。Airphen多光谱相机由六个通道组成,分辨率为1280×960,波长分别为450nm、530nm、570nm、675nm、730nm和850nm,包含了蓝光波段、绿光波段、红光波段、红边波段和近红外波段。辐射校正图像是在每次飞行前对地面上的标准反射板进行拍摄。分别在小麦各个关键生育时期(分蘖期、拔节期、孕穗期、开花期和灌浆期)于江苏省兴化市和昆山市两个试验地点进行飞行测试,无人机影像保存为TIFF格式,多光谱相机设置为自动拍照,拍照间隔1s,飞行选择在选择晴朗无云、少云无风的天气进行,时间控制在上午10点至下午2点之间。
步骤3、无人机多光谱影像的预处理
(1)噪声消除:将成像传感器置于暗室内,设置不同的曝光时间进行拍摄,将提取出的DN值作为噪声影像,而去噪过程即原始影像减去噪声影像;
(2)光晕校正:校正后的斑点亮度值取其临近像元的亮度值的均值或者用三次立方卷积法进行修正;
(3)镜头畸变校正:采用足够多的黑白棋盘图,从而利用最小二乘得出更精确的解,计算出镜头的内参和外参,根据剩余的点坐标求出畸变相关参数进行校正;
(4)波段配准:采用SIFT特征配准方法,分别提取基准影像与待配准影像的特征并进行特征描述,然后进行特征匹配,计算得到变换模型参数后进行影像变换配准;
(5)辐射定标:采用经验线性法,通过特定反射率的校正白板进行辐射校正,校正白板于每次无人机飞行前放置于拍摄区域内。
步骤4、植被指数的构建
试验所涉及的飞行试验数据的预处理、提取与分类制图等均由软件PHOTOSCAN和ENVI5.1完成。每次飞行获取六个波段的影像集,即波长分别为450nm、530nm、570nm、675nm、730nm和850nm的六个多光谱影像集。每个采样时期的六幅多光谱反射率图都是分别由六个多光谱图像集生成的。经由无人机多光谱影像数据的预处理后,计算得到了反射率数据。通过对每一个小区的总反射率进行平均,可以获得每一个小区的平均反射率。根据植被指数的公式定义,计算反射率,拟合出适用于冬小麦籽粒产量预测模型的植被指数,具体的植被指数如表2所示。
表2用于估测产量的植被指数
步骤5、模型的构建与检验
试验首先从单一植被指数角度建立冬小麦籽粒产量预测模型采用线性回归LR的建模方法,再从多个植被指数角度建立籽粒产量预测模型采用多元线性回归MLR、逐步多元回归SMLR、偏最小二乘回归PLSR、人工神经网络ANN和随机森林RF的建模方法,即总共的建模方法包括LR、MLR、SMLR、PLSR、ANN和RF六种,具体的介绍如下:
试验采用LR构建小麦单一植被指数的产量预测模型并对模型精度进行检验。计算方法如下:
Y=kX+b (1)
其中,Y为产量或预测值(因变量),X为光谱指数或实测值(自变量)。
MLR是大于等于两个独自变量的回归分析。试验中小麦产量的形成往往与众多因素有关,因此多个自变量建模分析比单一自变量建模分析更具有现实意义。基于已有的样本数据,本研究从多个自变量建模角度建立了产量预测模型。计算方法如下:
Y=k1X1+k2X2+k3X3+…+knXn+b (2)
其中Y为产量,X1~Xn为植被指数,k1~kn为相应自变量的系数。
在MLR中,变量的多重相关性会影响参数的估计,导致估计精度下降。因此,试验也通过采用其他方法为消除共线性提供了一种解决方案。一般采用SMLR逐步回归的方法剔除不必要的因素,筛选出有意义的因素,得到最优的回归模型。起先从可选变量中筛选回归平方和最大的变量,然后从多余可选变量中筛选变量,与所选变量构成二元回归方程。这个循环被重复,所以只有重要的变量被保留在回归方程中。在这一步可以减小共线性的影响。
PLSR囊括了MLR、典型相关分析和主成分分析的基本功能。它可以避免数据的非正态分布,消除自变量之间的多重线性关系,保持自变量与因变量之间的关系。
ANN模拟生物神经网络,包括输入层、隐含层和输出层。每一层可以看作是由若干个逻辑回归模型组成,逻辑回归模型接收上一层的信息输入,并将模型的估计结果输出到下一层。激活函数存在于隐层和输出层之间,主要包括S函数(sigmoid)和双S函数,本研究采用的是S函数(sigmoid)。神经网络具有很强的容错能力和自适应学习能力,非常适合复杂非线性***的建模,可以用于大规模的信息处理。
RF是一种集成多种决策树的学习方法,能够有效地处理大规模信息,并具有良好的拟合能力和降低噪声的能力。RF使用bootstrap重采样从原始样本(N)中提取部分样本,采样N次形成训练集,并对未采样样本进行估计。根据对多个决策树的估计,通过投票得到最终的估计结果。在模型中,NTREE和MTREE是主要的参数设置。NTREE指定RF中包含的决策树数量,MTREE指定二叉树在节点中的变量数量。在本文中,NTREE设置为1000,MTREE设置为2。
标准差(SD)和变异系数(C.V.)被用来表征总试验数据的分离分散程度。C.V.越大,则所有数据包含的可能性就越多。SD和C.V.的计算如下:
如表3所示,为小麦产量数据的描述性统计:
表3冬小麦叶面积指数、叶干重和产量的描述性统计
试验利用无人机获取的小麦冠层多光谱数据与农学参数建立产量预测模型,采用决定系数R2和相对均方根误差RRMSE两个指标来评价模型的表现,其中R2和RRMSE的具体计算公式如下:
模型验证的数据是采用独立数据进行验证。基于两个试验地点的数据随机选取70%作建模数据,30%作模型验证数据。
如表4所示,为不同生育时期不同植被指数与小麦产量的决定系数:
表4不同植被指数与籽粒产量的决定系数
分蘖期的各植被指数预测产量效果均较差;拔节期各植被指数与产量的决定系数为0.3858~0.6328,其中植被指数NDVI的决定系数最好,解释了63.28%的变异性;在孕穗期(R2=0.5949-0.7617)植被指数NDVI预测结果最佳(R2=0.7617);植被指数NDRE在开花期(R2=0.6910-0.7838)表现最佳,R2为0.7838;在灌浆期(R2=0.4057-0.6806)表现最好的植被指数是CCCI,其R2为0.6806。总体而言,除了分蘖期的整体效果较差,拔节期、孕穗期、开花期和灌浆期四个生育时期的各植被指数与产量的相关性均较好,其中开花期的植被指数NDRE对籽粒产量的预测效果最佳,R2高达0.7838。
如图1所示是从不同建模角度出发建立的最优小麦产量预测模型的验证结果,如表5所示,为基于不同建模角度不同建模方法的小麦产量预测模型的检验结果:
表5基于线性回归、多元线性回归、逐步多元回归、人工神经网络、偏最小二乘回归、人工神经网络和随机森林方法建立的产量预测模型的检验
注:右上角附有a的值为决定系数R2,右上角附有b的值为相对均方根误差(RRMSE)。
从单因子建模角度来看,开花期的植被指数NDRE表现最优,其建立的产量预测模型解释了70%的变异性,且RRMSE为0.1307。从多因子建模角度来看,由拔节期、孕穗期、开花期和灌浆期四个生育期的植被指数NDVI建立的产量预测模型中,采用RF方法建立的产量预测模型为最优模型,解释了78%的变异性,且RRMSE为0.1030。
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小麦产量估测方法,其特征在于,包括以下步骤:
步骤1:设置小麦田间互作试验,在小麦成熟期进行取样并测产,获取小麦产量农学数据;
步骤2:获取小麦冠层多光谱影像数据:
采用无人机搭载多光谱相机分别在小麦各关键生育期拍摄获取小麦冠层多光谱影像数据,随机选取70%的影像数据作为建模数据,其余30%作为模型验证数据;
步骤3:对小麦冠层多光谱影像数据进行预处理,获得小麦冠层多光谱影像反射率数据;
步骤4:根据小麦冠层多光谱影像反射率数据构建植被指数;
步骤4-1:圈出各试验小区的感兴趣区域ROI,提取小麦冠层多光谱影像中每个试验小区的反射率,并计算每个试验小区的平均反射率;
步骤4-2:根据反射率计算适用于小麦产量估测模型的植被指数;
步骤5:将植被指数与小麦产量数据进行相关性分析,结合小麦关键生育期,从单个生育时期的单个植被指数角度采用线性回归算法建立小麦产量估测模型,从单个生育时期的多个植被指数、多个生育时期的单个相同植被指数、多个生育时期的多个植被指数等3个角度分别采用多元线性回归、逐步多元回归、偏最小二乘回归、人工神经网络和随机森林算法建立小麦产量估测模型;
步骤6:采用模型验证数据对各小麦产量估测模型进行验证,计算并比较各模型的决定系数R2和相对均方根误差RRMSE,最终得到采用随机森林算法从多个生育时期的单个相同植被指数角度建立的小麦产量估测模型为最优模型。
2.根据权利要求1所述的基于无人机多光谱影像的小麦产量估测方法,其特征在于,步骤1中的小麦田间互作试验包括不同品种、不同施氮水平、不同种植密度和不同播期。
3.根据权利要求1所述的基于无人机多光谱影像的小麦产量估测方法,其特征在于,步骤1中测产步骤包括:
在各试验小区取1㎡的小麦植株,计算单位土地面积的穗数,并取30株小麦植株进行室内考种,计算穗粒数、千粒重和结实率。
4.根据权利要求1所述的基于无人机多光谱影像的小麦产量估测方法,其特征在于,步骤2中的关键生育期包括分蘖期、拔节期、孕穗器、开花期和灌浆期。
5.根据权利要求1所述的基于无人机多光谱影像的小麦产量估测方法,其特征在于,步骤3中的预处理包括噪声消除、光晕校正、镜头畸变校正、波段配准和辐射定标。
6.根据权利要求5所述的基于无人机多光谱影像的小麦产量估测方法,其特征在于,预处理具体为:
1)噪声消除:将成像传感器置于暗室内,并设置不同的曝光时间进行拍摄,将提取出的DN值作为噪声影像,将原始影像减去噪声影像进行去噪处理;
2)光晕校正:取斑点临近像元的亮度值均值作为斑点亮度,或者采用三次立方卷积法修正斑点亮度;
3)镜头畸变校正:采用足够多的黑白棋盘图,利用最小二乘法计算镜头的内参和外参,根据剩余的点坐标求出畸变相关参数进行校正;
4)波段配准:采用SIFT特征配准方法,分别提取基准影像与待配准影像的特征并进行特征描述,然后进行特征匹配,计算得到变换模型参数后进行影像变换配准;
5)辐射定标:采用经验线性法,通过特定反射率的校正白板进行辐射校正,校正白板于每次无人机飞行前放置于拍摄区域内。
7.根据权利要求1所述的基于无人机多光谱影像的小麦产量估测方法,其特征在于,步骤4中的植被指数包括:
绿色归一化植被指数GNDVI=(NIR-G)/(NIR+G)
归一化差分植被指数NDVI=(NIR-R)/(NIR+R)
归一化差分红边指数NDRE=(NIR-RE)/(NIR+RE)
比值植被指数RVI=NIR/R
叶绿素红边指数CIRE=(NIR/RE)-1
优化型土壤调整植被指数OSAVI=(NIR-R)/(NIR+R+0.16)
土壤调节植被指数SAVI=1.5*(NIR-R)/(NIR+R+0.5)
冠层叶绿素浓度指数CCCI=(NDRE-NDREmin)/(NDREmax-NDREmin)
土壤调节红边指数RESAVI=1.5*(NIR-RE)/(NIR+RE+0.5)
其中,G、R、RE和NIR分别代表570nm、675nm、730nm和850nm波段处的反射率。
9.根据权利要求1所述的基于无人机多光谱影像的小麦产量估测方法,其特征在于,采用随机森林算法从多个生育时期的单个相同植被指数角度建立的小麦产量估测模型具体为:使用bootstrap重采样从原始样本中提取部分样本,采样N次形成训练集,并对未采样样本进行估计;根据对多个决策树的估计,通过投票得到最终的估计结果;NTREE为RF中包含的决策树数量,设置为1000,MTREE为二叉树在节点中的变量数量,设置为2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011137002.7A CN112345458A (zh) | 2020-10-22 | 2020-10-22 | 一种基于无人机多光谱影像的小麦产量估测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011137002.7A CN112345458A (zh) | 2020-10-22 | 2020-10-22 | 一种基于无人机多光谱影像的小麦产量估测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112345458A true CN112345458A (zh) | 2021-02-09 |
Family
ID=74359639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011137002.7A Pending CN112345458A (zh) | 2020-10-22 | 2020-10-22 | 一种基于无人机多光谱影像的小麦产量估测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112345458A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990692A (zh) * | 2021-03-11 | 2021-06-18 | 中国水利水电科学研究院 | 一种基于分生育阶段多参数耦合的冬小麦产量估计方法 |
CN113324927A (zh) * | 2021-05-11 | 2021-08-31 | 四川省林业科学研究院 | 一种松材线虫病林间早期防治方法及监测*** |
CN113505635A (zh) * | 2021-05-24 | 2021-10-15 | 中国农业大学 | 基于光学和雷达的冬小麦与大蒜混种区识别方法及装置 |
CN113514402A (zh) * | 2021-04-12 | 2021-10-19 | 新疆农业大学 | 一种冬小麦叶绿素含量的预测***及方法 |
CN113743819A (zh) * | 2021-09-15 | 2021-12-03 | 二十一世纪空间技术应用股份有限公司 | 农作物估产的方法、装置、电子设备及存储介质 |
CN114019082A (zh) * | 2021-11-19 | 2022-02-08 | 安徽省农业科学院土壤肥料研究所 | 一种土壤有机质含量监测方法和*** |
CN114092839A (zh) * | 2021-11-23 | 2022-02-25 | 黑龙江八一农垦大学 | 基于无人机遥感的大豆收获期成熟度的判断方法 |
CN114441457A (zh) * | 2022-02-08 | 2022-05-06 | 南京农业大学 | 一种基于无人机多光谱影像消除水稻冠层背景效应并提升叶片氮浓度监测精度的方法 |
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 |
CN116563706A (zh) * | 2023-05-08 | 2023-08-08 | 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 |
CN116579446B (zh) * | 2022-11-28 | 2024-03-26 | 中国科学院地理科学与资源研究所 | 一种利用表型特征估算高精度小麦籽粒产量的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722766A (zh) * | 2012-06-04 | 2012-10-10 | 南京农业大学 | 基于修订的区域气候模式数据的小麦产量预测方法 |
CN106845428A (zh) * | 2017-01-26 | 2017-06-13 | 中国科学院遥感与数字地球研究所 | 一种作物产量遥感估算方法及*** |
CN109459392A (zh) * | 2018-11-06 | 2019-03-12 | 南京农业大学 | 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 |
CN109508696A (zh) * | 2018-12-14 | 2019-03-22 | 红云红河烟草(集团)有限责任公司 | 一种基于多光谱技术的烟叶产量预测分析方法 |
CN111095314A (zh) * | 2017-08-22 | 2020-05-01 | 巴斯夫农化商标有限公司 | 作物植物种植的产量估计 |
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 |
-
2020
- 2020-10-22 CN CN202011137002.7A patent/CN112345458A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722766A (zh) * | 2012-06-04 | 2012-10-10 | 南京农业大学 | 基于修订的区域气候模式数据的小麦产量预测方法 |
CN106845428A (zh) * | 2017-01-26 | 2017-06-13 | 中国科学院遥感与数字地球研究所 | 一种作物产量遥感估算方法及*** |
CN111095314A (zh) * | 2017-08-22 | 2020-05-01 | 巴斯夫农化商标有限公司 | 作物植物种植的产量估计 |
CN109459392A (zh) * | 2018-11-06 | 2019-03-12 | 南京农业大学 | 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 |
CN109508696A (zh) * | 2018-12-14 | 2019-03-22 | 红云红河烟草(集团)有限责任公司 | 一种基于多光谱技术的烟叶产量预测分析方法 |
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 |
Non-Patent Citations (3)
Title |
---|
刘昌华 等: "基于无人机遥感影像的冬小麦氮素监测", 《农业机械学报》 * |
江杰 等: "基于消费级无人机搭载数码相机监测小麦长势状况研究", 《南京农业大学学报》 * |
王妮: "基于无人机平台的小麦长势监测与产量预测研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990692A (zh) * | 2021-03-11 | 2021-06-18 | 中国水利水电科学研究院 | 一种基于分生育阶段多参数耦合的冬小麦产量估计方法 |
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 |
CN113514402A (zh) * | 2021-04-12 | 2021-10-19 | 新疆农业大学 | 一种冬小麦叶绿素含量的预测***及方法 |
CN113324927A (zh) * | 2021-05-11 | 2021-08-31 | 四川省林业科学研究院 | 一种松材线虫病林间早期防治方法及监测*** |
CN113505635A (zh) * | 2021-05-24 | 2021-10-15 | 中国农业大学 | 基于光学和雷达的冬小麦与大蒜混种区识别方法及装置 |
CN113505635B (zh) * | 2021-05-24 | 2024-05-31 | 中国农业大学 | 基于光学和雷达的冬小麦与大蒜混种区识别方法及装置 |
CN113743819B (zh) * | 2021-09-15 | 2024-03-26 | 二十一世纪空间技术应用股份有限公司 | 农作物估产的方法、装置、电子设备及存储介质 |
CN113743819A (zh) * | 2021-09-15 | 2021-12-03 | 二十一世纪空间技术应用股份有限公司 | 农作物估产的方法、装置、电子设备及存储介质 |
CN114019082A (zh) * | 2021-11-19 | 2022-02-08 | 安徽省农业科学院土壤肥料研究所 | 一种土壤有机质含量监测方法和*** |
CN114019082B (zh) * | 2021-11-19 | 2024-05-14 | 安徽省农业科学院土壤肥料研究所 | 一种土壤有机质含量监测方法和*** |
CN114092839A (zh) * | 2021-11-23 | 2022-02-25 | 黑龙江八一农垦大学 | 基于无人机遥感的大豆收获期成熟度的判断方法 |
CN114092839B (zh) * | 2021-11-23 | 2024-05-28 | 黑龙江八一农垦大学 | 基于无人机遥感的大豆收获期成熟度的判断方法 |
CN114441457A (zh) * | 2022-02-08 | 2022-05-06 | 南京农业大学 | 一种基于无人机多光谱影像消除水稻冠层背景效应并提升叶片氮浓度监测精度的方法 |
CN114441457B (zh) * | 2022-02-08 | 2022-11-22 | 南京农业大学 | 一种基于无人机多光谱影像消除水稻冠层背景效应并提升叶片氮浓度监测精度的方法 |
CN116579446B (zh) * | 2022-11-28 | 2024-03-26 | 中国科学院地理科学与资源研究所 | 一种利用表型特征估算高精度小麦籽粒产量的方法 |
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 |
CN116563706A (zh) * | 2023-05-08 | 2023-08-08 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112345458A (zh) | 一种基于无人机多光谱影像的小麦产量估测方法 | |
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 | |
Qiao et al. | UAV-based chlorophyll content estimation by evaluating vegetation index responses under different crop coverages | |
CN110222475B (zh) | 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 | |
Wendel et al. | Maturity estimation of mangoes using hyperspectral imaging from a ground based mobile platform | |
Liu et al. | Estimating leaf area index using unmanned aerial vehicle data: shallow vs. deep machine learning algorithms | |
US20230292647A1 (en) | System and Method for Crop Monitoring | |
CN111289441B (zh) | 多光谱下的大田作物含水量确定方法、***及设备 | |
Rasti et al. | A survey of high resolution image processing techniques for cereal crop growth monitoring | |
CN112903600A (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 | |
WO2001033505A2 (en) | Multi-variable model for identifying crop response zones in a field | |
Shu et al. | Improving the estimation accuracy of SPAD values for maize leaves by removing UAV hyperspectral image backgrounds | |
US20220307971A1 (en) | Systems and methods for phenotyping | |
Meiyan et al. | Improved estimation of canopy water status in maize using UAV-based digital and hyperspectral images | |
CN115015258B (zh) | 一种农作物长势与土壤水分关联确定方法及相关装置 | |
Liu et al. | Estimating wheat fractional vegetation cover using a density peak k-means algorithm based on hyperspectral image data | |
CN114140695B (zh) | 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和*** | |
Shu et al. | Assessing maize lodging severity using multitemporal UAV-based digital images | |
Luo et al. | Using UAV image data to monitor the effects of different nitrogen application rates on tea quality | |
Liu et al. | UAV multispectral images for accurate estimation of the maize LAI considering the effect of soil background | |
Lyu et al. | UAV time-series imagery with novel machine learning to estimate heading dates of rice accessions for breeding | |
CN112418073B (zh) | 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 | |
CN104198397B (zh) | 氮磷钾交互作用下温室作物营养含量检测的方法 | |
CN115049902B (zh) | 柑橘叶片含水量可视化预测方法、***、设备及存储介质 | |
CN113514402B (zh) | 一种冬小麦叶绿素含量的预测***及方法 |
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 |