基于可见光光谱和BP人工神经网络的冬小麦生物量估算研究

建立基于冬小麦冠层图像分析获取的冠层覆盖度和色彩指数的地上部生物量估算模型,以促进作物冠层图像分析技术和BP神经网络技术在冬小麦长势无损监测中的应用。六个施氮水平的田间试验条件下,在冬小麦拔节期,分四次采集冬小麦冠层图像,同步进行破坏性取样,测定冬小麦地上部生物量;分析了通过图像分析软件(利用微软Visual Basic软件开发)获取的冠层覆盖度和10种色彩指数与冬小麦地上部生物量的相关关系,以逐步回归和BP神经网络方法建立了冬小麦地上部生物量估算模型。结果表明,冬小麦地上部生物量与冠层覆盖度、饱和度和红光亮度值呈显著相关,其中,与冠层覆盖度间的相关性最强,且除亮度外,冠层覆盖度、色彩指数与地上部生物量间呈非线性相关。通过BP神经网络方法构建的模型相对于逐步回归模型,显著提高了冬小麦地上部生物量估算精度,均方根误差(RMSE)、相对均方根误差(RRMSE)更小,决定系数(R2)更大。     

基于光谱重建优化的无人机高光谱影像估算牧草生物量

准确及时地预测牧草的地上生物量AGB(above ground biomass)是实现牧草生长监测和合理放牧的前提。无人机高光谱遥感可快速获取高空间、光谱和辐射分辨率的遥感影像,已被广泛应用于精准农业和高通量植物表型等领域。为探究无人机高光谱影像(unmanned aerial vehicle hyper-spectral image, UAV-HSI)对草原牧草AGB预测的适用性,获取了青海省典型草场样区的UAV-HSI、样方牧草AGB和相关辅助数据。然而,UAV-HSI具有较大的数据量级,不便于被广泛采集、存储和传输,也会显著影响数据处理的效率,严重制约其被有效利用。着眼于此,提出一种兼顾数据简化和光谱保真的牧草冠层光谱重建优化方法,以期在有效降低数据量的同时,保证牧草AGB的预测精度。首先,利用残差量化方法对UAV-HSI进行特征参量化处理,获得低数据量级的多阶二值立方体(H_i)及系数矩阵(β_i),并以此替代原始数据进行存储和传输;其次,利用H_i和β_i进行光谱重建,得到初构光谱PRS(preliminarily reconstructed spectra);最后,运用Savitzky-Golay滤波对PRS进行优化,即为OPRS(optimized PRS)。以样区牧草光谱为例,对OPRS的光谱保真性,即OPRS与原始光谱之间的相关系数、光谱角和光谱矢量距离进行分析,结果表明,在3种保真性指标上,OPRS均明显优于同阶的PRS。进而,分析了牧草AGB与光谱变量之间的相关性,结果表明,与原始光谱和PRS相比,OPRS各波段对牧草AGB的预测能力相对较高且最为稳定。而后,利用偏最小二乘法回归构建了牧草AGB的反演模型,结果表明,在原始光谱、1～4阶PRS和1～4阶OPRS等9种光谱中,4阶和3阶OPRS的AGB预测精度分别达到了最优和次优水平,二者的AGB预测相对分析误差RPD(ratio of performance to deviation)分别为2.31和2.23,比原始光谱模型的RPD分别高0.26和0.18。在降低1个数量级的情况下,OPRS取得了优于原始光谱的牧草AGB预测性能,说明OPRS兼具数据简化和牧草AGB准确预测性能,为UAV-HSI估算牧草AGB提供了一种新的有效解决方案。     

可见光光谱和机器学习的温室黄瓜霜霉病严重度定量估算

温室黄瓜霜霉病严重度的准确估算是科学防治霜霉病的前提条件,对于减少农药使用量、提升温室黄瓜品质和农民经济效益具有重要意义。机器学习在植物病害诊断领域的应用越来越广泛,已经取得了丰富的研究成果,病害严重程度的估算萌发了新的思路。利用霜霉病可见光图像并结合机器学习方法,开展温室黄瓜霜霉病严重度快速准确定量估算研究。利用数码相机采集温室黄瓜霜霉病叶片图像并进行预处理,剔除病害图像的背景。以黄瓜霜霉病叶片图像为输入,构建基于卷积神经网络(CNN)的估算模型。利用可见光光谱颜色特征(CVCF)结合支持向量机进行温室黄瓜霜霉病病斑图像分割,采用SURF(speeded up robust features)特征及形态学操作对分割结果进行优化。在获取黄瓜霜霉病病斑分割图像后,提取病斑图像RGB, HSV, L~*a~*b~*, YCbCr和HSI共5个颜色空间15个颜色分量的平均值和标准差2个颜色特征,以及在此基础上结合灰度共生矩阵提取各颜色分量的对比度、相关性、熵和平稳度4个纹理特征,共计90个特征;利用Pearson相关性分析进行特征优选,采用与温室黄瓜霜霉病严重程度实际值相关性高的图像特征构建浅层机器学习估算模型,包括支持基于向量机回归(SVR)的估算模型和基于BP神经网络(BPNN)的估算模型。基于以上3种估算模型开展黄瓜霜霉病严重度定量估算,采用决定系数(R^2)和归一化均方根误差(NRMSE)对估算模型准确率进行定量评价。结果表明,模型估算的温室黄瓜霜霉病严重度与实际值之间具有良好的线性关系,其中,基于CNN的估算模型准确率最高,模型的R^2为0.919 0, NRMSE为23.33%,其次是基于BPNN的估算模型,其R^2为0.890 8, NRMSE为24.64%,基于SVR的估算模型的准确率最低,其R^2为0.8901, NRMSE为31.08%。研究结果表明,利用黄瓜霜霉病可见光图像数据,结合卷积神经网络估算模型,实现了温室黄瓜霜霉病严重度的准确估算,能够为温室黄瓜霜霉病的科学防治提供参考,提高病害防治效率,减少农药使用。     

无人机多光谱影像的马铃薯地上生物量估算

地上生物量(AGB)是评估作物生长发育和指导田间农业生产管理的重要指标.因此,高效精准地获取作物AGB信息,可以及时准确地估算产量,对于保障粮食供应和贸易提供有力依据.传统获取AGB的方法是采用破坏性取样法,这使得大面积、长期的测量变为困难.然而,随着精准农业的快速发展,无人机遥感技术被认为是估算大面积作物AGB最有效...     

基于可见光谱与轻量级卷积神经网络的冬小麦分蘖数估算

分蘖数是表征冬小麦生长的关键性参数,对于冬小麦苗情监测、产量预估具有重要意义。针对目前冬小麦分蘖数估算方法存在的数据获取繁复和估算模型体量大的问题,提出一种基于可见光图像和轻量级卷积神经网络的冬小麦分蘖数估算方法,以期实现冬小麦分蘖数无损快速估算,并且可嵌入移动终端设备。可见光图像具有获取便捷,处理简单的特点,利用数码相机连续采集2017年—2018年和2018年—2019年两个生长季的冬小麦冠层可见光图像。利用该数据图像,分别构建基于轻量级卷积神经网络MobileNetV2,SqueezeNett,ShuffleNet的冬小麦分蘖数估算模型进行比较试验,并与基于非轻量级卷积神经网络AlexNet和ResNet系列构建的估算模型进行对比试验。开展冬小麦分蘖数估算模型针对不同植株密度数据的鲁棒性以及针对不同生长季数据的泛化能力的验证试验。结果表明,基于MobileNetV2构建的冬小麦分蘖数估算模型的决定系数（R2）为0.7,归一化均方根误差（NRMSE）为0.2,在三个轻量级卷积神经网络中具有最优表现;基于非轻量级卷积神经网络构建的冬小麦分蘖数估算模型体积是基于MobileNetV2构建的冬小麦分蘖数估算模型的2.3~16.1倍。与非轻量级卷积神经网络相比较,基于MobileNetV2构建的估算模型在具有较好R2的同时有较小的体量,适宜嵌入移动终端设备;针对120,270和420 株·m-2三个不同植株密度的可见光图像数据集,基于MobileNetV2构建的冬小麦分蘖数估算模型的R2分别为0.8,0.8和0.7,表现鲁棒;针对两个生长季的可见光图像,基于MobileNetV2构建的冬小麦分蘖数估算模型通过迁移学习将R2提升了2倍,NRMSE下降了7.6%,表现出对数据季节性差异较好的适应性,体现了模型的泛化能力。利用可见光图像,基于MobileNetV2构建的估算模型能够满足冬小麦分蘖数估算需求,为冬小麦生长观测以及田间农艺措施管理决策提供了一个准确、鲁棒、可嵌入移动终端设备的工具。     

应用波段深度分析和偏最小二乘回归的冬小麦生物量高光谱估算

当作物生物量较大时,现有植被指数由于受饱和问题限制,不能较好的估算作物生物量。针对此问题,尝试将波段深度分析与偏最小二乘回归(partial least square regression,PLSR)结合,提高对大田冬小麦生物量的估算精度,并将两者结合建立的模型与应用代表性植被指数建立的模型进行生物量估算精度比较。波段深度分析主要对冬小麦冠层光谱550～750nm范围进行,采用波段深度、波段深度比(band depth ratio,BDR)、归一化波段深度指数和归一化面积波段深度对波段深度信息进行表征。在建立的模型中,波段深度分析和PLSR结合的估算精度比应用植被指数模型的精度高,其中BDR与PLSR结合的估算精度最高(R2=0.792,RMSE=0.164kg.m-2)。研究结果表明波段深度分析与PLSR结合能较好的克服生物量较大时存在的饱和问题,提高冬小麦生物量的估算精度。     

多信息融合的冬小麦地上鲜生物量检测研究

将小麦冠层光谱与小麦冠层图像或者侧面图像进行多信息融合,对冬小麦地上鲜生物量进行预测,提高了冬小麦地上鲜生物量无损检测精度,试验获取苗期93个样本的冠层光谱和冠层图像,中后期(拔节期、抽穗期、开花期、灌浆期)200个样本的冠层光谱和侧面图像。将光谱反射率作为光谱特征参数,并通过图像处理提取小麦覆盖度作为图像特征参数,建立苗期和中后期基于光谱特征参数和图像特征参数的地上生物量检测模型,将冠层光谱反射率和小麦覆盖度作为多信息融合的输入,利用多元回归分析(MRA)和偏最小二乘法(PLS)建立地上鲜生物量预测模型并进行验证。结果表明,在苗期和中后期,将光谱信息和图像信息融合,采用PLS所建立的预测模型与单独的图像模型和光谱模型相比精度最高。苗期基于信息融合所建立的PLS模型验证集R2为0.881,其RMSE为0.015 kg;中后期基于信息融合所建立的PLS模型验证集R2为0.791,RMSE为0.059 kg。由此可见,相比单一的光谱模型和图像模型,图像信息和光谱信息融合之后,充分提高了光谱信息和图像信息的利用率,使模型的精度得以提高。     

无人机成像高光谱的马铃薯地上生物量估算

地上生物量(AGB)的精准监测是农田生产管理的重要环节,因此快速准确地估算AGB,对于精准农业的发展十分重要.传统上,获取AGB的方法是采用破坏性取样法,这使得大面积、长期的测量变得困难.无人机高光谱遥感因具有机动性强、光谱分辨率高和图谱合一的优势,成为当前估算大面积作物AGB最有效的技术手段.该研究通过无人机平台搭载...     

基于机器学习和可见光光谱的冬小麦叶片氮积累量估算

在拔节期分4次采集了6个施氮水平下的冬小麦冠层图像,同步进行取样并以凯氏定氮法测定叶片含氮量,进而计算叶片氮积累量。利用随机森林算法分割冠层图像之后提取冠层覆盖度、可见光波段(R, G和B)三个分量及其衍生的5个色彩指数。以冠层覆盖度外加色彩指数、色彩分量的两种非线性回归,以及人工神经网络、支持向量回归、随机森林3种机器学习算法建立了冬小麦叶片氮积累量的估算模型。结果表明利用色彩指数的非线性回归模型的估算精度稍低于其他方法,而随机森林算法的拟合精度最高,但存在明显的过拟合现象。其他三种方法,即以冠层覆盖度及色彩分量为输入变量的非线性回归、支持向量回归和人工神经网络方法,均具有较高的拟合精度和泛化性能。     

资源一号02D高光谱数据红树林地上生物量反演

红树林生态系统是地球上生产力最高的生态系统之一,它也是海岸带“蓝碳”生态系统的重要组成部分。地上生物量作为红树林蓝碳的重要组成部分,如何准确快速地获取红树林地上生物量已成为红树林生态系统研究的热门问题。分析北部湾茅尾海红树林地上生物量(AGB)空间分布格局及其量级,可为该区域红树林生态环境保护及“南红北柳”生态修复提供科学依据。资源一号数据作为我国自主研发的民用国产高光谱卫星,其高光谱数据为红树林地上生物量的研究提供了新的机遇。机器学习算法因其高性能、高效率的优势被越来越多的应用于红树林相关研究,目前已经成为获取红树林参数信息的重要手段。高光谱数据在红树林地上生物量的反演精度如何?国产高光谱卫星数据和机器学习算法在红树林地上生物量的估算中能否应用?这些问题仍需进一步验证。基于国产资源一号02D高光谱数据,采用极端梯度提升(XGBoost)、随机森林回归(RFR)以及K近邻回归(KNNR)三种不同的机器学习算法对茅尾海的红树林地上生物量进行估算,在此基础上对比了不同的机器学习算法的性能。结果显示：(1)无瓣海桑红树林地上生物量的平均值最高(90.93 Mg·ha^-1...     

冬小麦生长期光谱变化特征与叶绿素含量监测研究

在分析冬小麦生长期冠层反射光谱和叶绿素含量变化特征的基础上,对二者之间的相关性进行了研究。表明从小麦拔节期开始,冠层反射光谱在可见光区(400～750 nm)的反射率先降低而后升高,以孕穗期反射率最低;在近红外区(750～1 000 nm)冠层反射率由拔节期至孕穗期反射率降低,然后开始上升。扬花期上升至最高点后又开始下降,直至乳熟期降至最低。冬小麦冠层反射率与叶绿素含量相关分析结果表明,冬小麦拔节期和孕穗期二者呈正相关,扬花期二者呈负相关;整个生长期中,孕穗期可见光区552 nm处反射率与叶绿素含量相关系数最大达0.89。依据冬小麦生长期冠层反射光谱红边拐点位置,分别建立了拔节期叶绿素含量线性检测模型(R2=0.92)和孕穗期二项式模型(R2=0.91),用于冬小麦叶绿素含量的无损检测是可行的。     

不同分辨率无人机数码影像的马铃薯地上生物量估算研究

地上生物量(AGB)是表征作物生命活动的重要参数,对作物长势监测和产量预测尤为关键.因此,快速准确地获取AGB信息,对于监测作物生长状况、指导农业管理和提高产量具有重要的意义.以无人机为平台搭载数码相机传感器,因机动性强、价格低、空间分辨率高的优势,能够及时准确的估算作物AGB,已成为遥感估算研究的热点之一.由于无人机...     

冬小麦不同生育时期叶面积指数反演方法

针对当前作物叶面积指数遥感反演过程中,在不同生育时期采用相同的植被指数进行反演存在叶面积指数反演精度较低的问题。以冬小麦为研究对象,选取了对冬小麦覆盖度响应程度不同的六种宽带和四种窄带共10种植被指数,分析比较了在冬小麦整个生育期选用当前广泛使用的归一化植被指数(NDVI)反演冬小麦的LAI和在冬小麦不同生长阶段选用不同的植被指数反演冬小麦LAI的结果差异。在冬小麦整个生育期内使用NDVI反演小麦LAI得到的LAI反演值和真实值之间的R2=0.558 5,RMSE=0.320 9。改进的比值植被指数(mSR)适合于反演冬小麦生长前期(拔节期之前)的LAI,得到的LAI反演值和真实值之间的相关系数r=0.728 7,均方根误差RMSE=0.297 1;比值植被指数(SR)适于反演冬小麦生长中期(拔节到抽穗前),得到的LAI反演值和真实值之间的R2=0.654 6,RMSE=0.306 1;NDVI适于反演冬小麦生长后期(抽穗到成熟期)的LAI,得到的LAI反演值和真实值之间的R2=0.679 4,均方根误差RMSE=0.316 4。 研究表明：在冬小麦的不同生育时期,根据地表作物覆盖度的变化和反射率的变化,选择不同的植被指数建立冬小麦LAI的反演模型获得的反演精度均高于在冬小麦整个生育期使用NDVI获得的反演结果。说明在冬小麦的不同生育时期选择不同的植被指数构建LAI的分段反演模型可以改善冬小麦LAI的反演精度。     

基于可见光光谱和随机森林算法的冬小麦冠层图像分割

数字图像分析技术因其高效、快速等特点,已被广泛应用于作物长势和氮素营养状况的无损监测领域。获取作物冠层覆盖度及可见光光谱亮度值及其衍生的色彩指数,需要从作物冠层图像中准确分割出作物图像。研究以冬小麦与背景(土壤)在可见光波段反射率的差异为依据,利用基于CIEL*a*b*色彩空间a*分量的最大类间方差法和基于sRGB和CIEL*a*b*两个色彩空间的随机森林算法对冬小麦冠层图像进行了分割,并比较了图像分割精度。结果表明,三种方法均具有较高的分割精度,其中基于随机森林算法的图像分割效果明显好于最大类间方差法,而基于sRGB和CIEL*a*b*两个色彩空间的随机森林算法的图像分割效果差异较小。研究结果表明,随机森林算法可直接利用冠层图像可见光波段的三个色彩分量(R,G和B)分割冬小麦冠层图像。     

利用多角度光谱数据探测冬小麦氮素含量垂直分布方法研究

作物氮素具有随植株高度层垂直分布的特性,快速、无损探测作物氮素垂直分布状况,对于指导合理施肥、提高肥料利用率和减少环境污染具有重要意义。本文提出了利用偏最小二乘(partial least square,PLS)算法,运用多角度光谱数据估计冬小麦氮素含量垂直分布的方法。分别选用前向和后向不同观测角度组合形成的光谱数据组建植被指数,建立不同高度层的叶片氮素含量探测模型,其中选用±50°和±60°的组合,建立了冬小麦上层叶位叶片氮密度反演模型;选用±30°和±40°的组合,建立了中层叶位叶片氮密度反演模型;选用±20°和±30°的组合,建立了下层叶位叶片氮密度反演模型。针对氮素反演容易受到作物背景(土壤、作物残渣)影响的问题,引入R₇₀₀/R₆₇₀比值,改进七种常见的植被指数,利用改进了的植被指数建立了冬小麦上层、中层、下层叶片氮密度垂直分布模型。建模实验结果改进了叶片氮密度上层、中层、下层垂直分布估算结果,验证实验选取建模实验中表现最好的三个植被指数进行进一步研究,结果表明改进后的绿光归一化植被指数(green normalized difference vegetation index,GNDVI)在反演上层、中层、下层叶片氮密度时效果最好,达到了极显著的水平,可用于植被氮素含量的垂直分布探测。