|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 无人机影像光谱和纹理融合信息估算马铃薯叶片叶绿素含量显示文摘利用无人机平台搭载多光谱传感器在农业监测上已经有一些应用,但是利用无人机多光谱影像估算作物叶绿素含量的研究较少,特别是融合无人机多光谱影像光谱信息和纹理信息估算马铃薯叶绿素含量的研究更是罕见。基于此,该文利用2018年北京小汤山基地马铃薯各个典型生育期的无人机多光谱影像及实测的叶绿素含量数据,首先提取多光谱影像植被指数和纹理特征等变量,然后分析其与叶绿素含量相关性,筛选出较优特征变量,并开展基于调整R^2和K折交叉验证的全子集分析估算马铃薯叶绿素含量。最后将植被指数与纹理特征通过主成分融合构建一种新的综合指标估算叶绿素含量。研究发现:1)多光谱植被指数和纹理特征估算叶绿素含量模型,K折交叉验证均优于调整R^2;2)整个生育期,综合指标模型决定系数比植被指数模型、纹理特征模型均有提升,且标准均方根误差均降低。综合指标估算模型较优,多光谱植被指数模型次之,纹理特征模型较差。该研究可为马铃薯生长营养监测提供一种可行的方法,对马铃薯的栽培种植管理具有指导意义。 | 陈鹏 冯海宽 李长春 杨贵军 杨钧森 杨文攀 刘帅兵 | 2019 | 农业工程学报2019，35，11： | 49 |
| 2 | 基于无人机多光谱遥感图像的玉米田间杂草识别显示文摘【目的】为了精确高效识别玉米田间杂草,减少除草剂施用,提高玉米种植管理精准性。【方法】通过六旋翼无人机搭载多光谱相机获取玉米田块多光谱图像。为分离图像中植被与非植被像元,计算了7种植被指数,采用最大类间方差法提取植被指数图像中非植被区域,制作掩膜文件并对多光谱图像掩膜。通过主成分分析对多光谱图像进行变换,保留信息量最多的前3个主成分波段。将试验区域分为训练区域和验证区域,在训练区域中分别选取了675处玉米和525处杂草样本对监督分类模型进行训练,在验证区域选取了240处玉米样本及160处杂草样本评价模型分类精度。将7种植被指数、3个主成分波段的24个纹理特征及经过滤波的10个反射率,共计41项特征作为样本特征参数。利用支持向量机-特征递归消除算法(support vector machines-feature recursive elimination,SVM-RFE)和Relief算法从41项特征中各筛选14项特征构成特征子集,采用支持向量机、K-最近邻、Cart决策树、随机森林和人工神经网络对特征子集进行监督分类。【结果】支持向量机与随机森林对全部特征及2个特征子集分类效果较好,支持向量机总体精度为89.13%-91.94%,Kappa>0.79,随机森林总体精度为89.27%-90.95%,Kappa>0.79。【结论】SVM-RFE算法对数据降维效果优于Relief算法,支持向量机(SVM)模型对区域冠层尺度下玉米与杂草的分类效果最好。 | 赵静 李志铭 鲁力群 贾鹏 杨焕波 兰玉彬 | 2020 | 中国农业科学2020，53，8： | 27 |
| 3 | 结合无人机光谱与纹理特征和覆盖度的水稻叶面积指数估算显示文摘为了探究无人机多指标构建叶面积指数(Leaf Area Index,LAI)估算模型的能力,该研究通过不同纹理组合方式优选纹理指数,分别以光谱特征、纹理指数和作物覆盖度作为输入量建立一元线性模型,3类指标结合构建多元逐步回归和人工神经网络模型,分析多指标结合估算LAI的精度。结果表明:新的纹理指数能够明显提高纹理特征值与LAI的相关性,近红外波段均值与蓝波段均值的差值较近红外波段均值提高了13.54%;将绿度归一化植被指数(Green Normalized Difference Vegetation Index,GNDVI)、差值纹理指数和作物覆盖度结合来估算水稻LAI的精度最好,多指标结合的多元逐步回归模型的决定系数为0.866,调整后决定系数为0.816,均方根误差为0.308,人工神经网络模型结果再次验证这一结论。该研究成果可为基于无人机平台估算作物结构参数提供理论依据,并为其他作物LAI估算提供借鉴。 | 杭艳红 苏欢 于滋洋 刘焕军 官海翔 孔繁昌 | 2021 | 农业工程学报2021，37，9： | 21 |
| 4 | 低空无人机影像分辨率对冬小麦氮浓度反演的影响显示文摘针对目前基于无人机遥感进行作物氮素营养诊断中缺乏规范化的标准来指导无人机应用过程中数据获取与处理的问题,开展了不同分辨率、低空无人机影像对冬小麦植株氮浓度反演影响的研究。在小麦生长的灌浆期,通过设置15、30、50、80 m共4种无人机飞行高度,获取了不同分辨率下的无人机多光谱影像,并开展地面试验,采集冬小麦植株氮浓度信息。基于这些数据,提取了不同分辨率下影像的光谱信息和纹理特征,并分别建立光谱信息、纹理特征和光谱信息+纹理特征等反演植株氮浓度的模型。对不同情景下的模型估测效果进行比较,结果表明,影像分辨率在1.00~5.69 cm之间变化时,影像光谱信息对小麦植株氮浓度反演影响不大,各情景下建模结果和验证结果差异较小;随着影像分辨率的降低,影像纹理特征对小麦植株氮浓度反演的效果变差;影像光谱信息+纹理特征信息对小麦植株氮浓度反演效果整体随着影像分辨率的提高呈增加趋势,且其反演结果优于单一光谱特征或单一纹理特征的反演效果。 | 贾丹 陈鹏飞 | 2020 | 农业机械学报2020，51，7： | 19 |
| 5 | 基于无人机可见光影像的玉米冠层SPAD反演模型研究显示文摘叶绿素是植物进行光合作用的重要色素,利用作物光谱、纹理信息对叶绿素进行反演,为作物的实时监测和健康状况诊断提供重要依据。以大田环境下5个不同品种四叶期、拔节期的玉米为研究对象,利用无人机获取试验区可见光影像,对土壤背景进行掩膜处理,提取25种可见光植被指数、24种纹理特征,综合分析植被指数、纹理特征与玉米冠层叶绿素相对含量(SPAD)的相关性,分别建立基于植被指数、纹理特征和植被指数+纹理特征的逐步回归(SR)、偏最小二乘回归(PLSR)和支持向量回归(SVR)模型,定量估算叶绿素相对含量。在SR模型中,植被指数+纹理特征模型与植被指数模型相同,R2为0.7316,RMSE为2.9580,RPD为1.926,优于纹理特征模型;在PLSR模型中,植被指数+纹理特征模型较优,R2为0.8025,RMSE为2.4952,RPD为2.284,纹理特征模型次之,植被指数模型最差;在SVR模型中,植被指数+纹理特征模型较优,R2为0.8055,RMSE为2.6408,RPD为2.158,植被指数模型次之,纹理特征模型最差。综合分析采用基于PLSR植被指数+纹理特征模型可以实现玉米冠层SPAD快速、准确提取,为叶绿素反演提供一种新的方法,可为无人机遥感作物长势监测提供参考。 | 孟沌超 赵静 兰玉彬 闫春雨 杨东建 温昱婷 | 2020 | 农业机械学报2020，51，S02： | 19 |
| 6 | 小麦生物量及产量与无人机图像特征参数的相关性显示文摘为了明确无人机图像信息与小麦生物量、产量之间的相关性,该文利用无人机航拍获取田间小麦主要生育时期的RGB图像,通过影像处理获取小麦颜色指数和纹理特征参数值,并通过田间取样获取同时期小麦生物量和最终产量,分析不同颜色指数和纹理特征参数与小麦生物量和产量的关系。结果表明:利用无人机图像可提取归一化差分指数(NDI)、超绿植被指数(ExG)、可见光大气阻抗植被指数(VARI)、超红植被指数(ExR)、绿叶植被指数(GLI)、绿红差值指数(ExGR)、改良绿红植被指数(MGRVI)、红绿蓝植被指数(RGBVI)共8个颜色指数和能量(ASM)、对比度(CON)、相关度(COR)、熵(ENT)共4个纹理特征参数。各颜色指数在小麦拔节期、孕穗期与生物量和产量都有较好的相关性。拔节期所有颜色指数与生物量的相关性均达到极显著水平,其中ExGR与生物量的相关性最高,相关系数r达到0.911,孕穗期除RGBVI未达到显著相关外,其余均达到显著或极显著相关,其中MGRVI相关性最高,相关系数r为0.817。各颜色指数与产量的相关性趋势同生物量一致。越冬前期和开花期各颜色指数与生物量及产量的相关性较拔节期和孕穗期略有下降。而各纹理特征参数中,只有越冬前期的ASM和ENT、拔节期的CON和COR以及孕穗期的CON与生物量的相关性达到显著或极显著水平,其中COR相关性最高(负相关),相关系数r为-0.574。拔节期的CON和COR、孕穗期的CON、COR和ENT与产量的相关性达到显著或极显著水平,其中拔节期COR相关性最高(负相关),相关系数r为-0.530。将颜色指数与纹理特征参数相结合后,其与小麦生物量及产量的相关性均有提高,其中生物量相关性在4个时期分别提高0.27%、0.11%、8.81%和2.65%,产量相关性在4个时期分别提高7.05%、0.12%、0.58%和0.12%。因此,将无人机图像颜色指数与纹理特征参数结合可以提高小麦生物量和产量的估测精度。 | 杨俊 丁峰 陈晨 刘涛 孙成明 丁大伟 霍中洋 | 2019 | 农业工程学报2019，35，23： | 18 |
| 7 | 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显示文摘地上生物量(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。由于无人机不同飞行高度及其对应不同分辨率数码影像的AGB估算模型精度不同,因此,尝试在马铃薯的块茎增长期,通过设置10,20,30,40和50 m共5种无人机飞行高度,获取不同分辨率的数码影像,探究其对以光谱信息、纹理特征和光谱信息+纹理特征构建A GB模型精度的影响。首先,基于无人机数码影像,分别提取光谱信息和纹理特征,通过光谱信息构建的植被指数和纹理特征,分别结合地面试验获取的实测地上部生物量数据进行相关性分析,分别筛选了相关系数绝对值较大的前10个影像指数和前8个纹理特征。然后,分别以3种输入变量整合方差膨胀因子(VIF)进行主成分分析(PCA)降维处理,获得最佳主成分后以多元线性回归(MLR)构建AGB估算模型。最后,对比不同分辨率的数码影像以3种变量和同种分辨率下以同种变量构建的AGB估测模型效果。结果发现:(1)获得的影像分辨率在0.43~2.05 cm之间变化时,纹理特征与马铃薯AGB相关性弱于植被指数,但都达到极显著相关水平(p<0.01),随着数码影像分辨率降低,二者相关性差异明显。(2)同种分辨率影像下,光谱信息+纹理特征估算AGB的效果最优,其次为单一纹理特征模型,而单一光谱模型表现效果最差。(3)随着数码影像分辨率提高,光谱信息、纹理信息以及光谱+纹理信息估算AGB的精度逐渐变好。 | 刘杨 冯海宽 孙乾 杨福芹 杨贵军 | 2021 | 光谱学与光谱分析2021，41，5： | 18 |
| 8 | 融合无人机影像光谱与纹理特征的冬小麦氮营养指数估算显示文摘基于无人机数码影像,探讨融合光谱信息与纹理特征构建的'图-谱'指标对冬小麦氮营养指数的估算能力,为冬小麦氮素营养精准探测提供一种可靠的技术手段。利用无人机数码影像及相应的生物量和植株氮含量数据,分析了图像指数、纹理特征与氮营养指数的相关性,然后将图像指数与纹理特征相乘或相除融合形成'图-谱'融合指标,分析'图-谱'融合指标与氮营养指数的相关性,整合灰色关联度和方差膨胀因子,筛选对氮营养指数敏感的'图-谱'融合指标,最后用偏最小二乘法分析图像指数、纹理特征及'图-谱'融合指标估测氮营养指数的能力。结果表明:'图-谱'融合指标较图像指数、纹理特征与氮营养指数的相关性有了较大的提高,利用'图-谱'融合指标构建的氮营养指数模型估算精度(R^2=0.644 3)高于图像指数及纹理特征构建的氮营养指数模型(R^2分别为0.593 8及0.584 5),而且'图-谱'融合指标构建的模型验证结果均方根误差最小,为0.114 0。基于光谱信息和纹理特征融合的'图-谱'指标可以有效提高冬小麦氮营养指数的反演精度,为冬小麦氮素营养诊断反演提供了一种有效的思路。 | 杨福芹 冯海宽 肖天豪 李天驰 郭向前 | 2020 | 农业现代化研究2020，41，4： | 14 |
| 9 | 基于高光谱遥感与SAFY模型的冬小麦地上生物量估算显示文摘为了探索准确、高效地估算冬小麦地上生物量(Dry aerial mass,DAM)的方法,获取了2013—2014年和2014—2015年2个生长季的冬小麦试验数据,采用植被指数反演叶面积指数(LAI),以遥感反演LAI作为遥感与SAFY(Simple algorithm for yield estimates)模型之间的耦合变量,利用主成分分析的复合型混合演化(Shuffled complex evolution with PCA,SP-UCI)算法优化出苗日期(D0)、有效光能利用率(ELUE)和衰老温度(STT)3个敏感参数,对冬小麦全生育期进行动态生长模拟。结果表明,2014—2015年和2013—2014年冬小麦全生育期模型模拟地上生物量R^2、RMSE和NRMSE分别为0.887、1.001 t/hm^2、19.41%和0.856、1.033 t/hm^2、19.86%。研究表明,耦合高光谱遥感与SAFY作物生长模型能够准确地模拟冬小麦长势的动态变化,对冬小麦地上生物量估算精度较高,可为遥感监测冬小麦长势提供参考。 | 刘明星 李长春 李振海 冯海宽 杨贵军 陶惠林 | 2020 | 农业机械学报2020，51，2： | 12 |
| 10 | 基于无人机数码影像的马铃薯生物量估算显示文摘株高和植被覆盖度(Vegetation Coverage,VC)是估算生物量的重要参数,而生物量的准确估算对农业生产具有重要作用。该研究获取马铃薯现蕾期、块茎形成期、块茎增长期、淀粉积累期和成熟期的无人机和地面数码影像,并实测株高、地上生物量和地面控制点(Ground Control Point,GCP)的三维空间坐标。首先基于数字表面模型(Digital Surface Model,DSM)提取马铃薯株高,其次利用地面和无人机数码影像提取马铃薯VC实测值和估测值,然后将提取的株高、VC和二者乘积与选取的11种植被指数和生物量作相关性分析,挑选出相关性较好的前6种植被指数和3种农学参数,最后通过线性回归(Linear Regression,LR)、偏最小二乘回归(Partial Least Square Regression,PLSR)、随机森林(Random Forest,RF)算法和支持向量机(Support Vector Machine,SVM)估算生物量。结果表明,提取株高和实测株高拟合的决定系数为0.86,标准均方根误差为13.42%;提取VC值和实测VC值拟合的决定系数为0.84,标准均方根误差为15.76%;利用LR建模和验证精度由低到高依次为提取的株高、VC和二者乘积,每种变量的估算效果均从现蕾期到块茎增长期逐渐变好,从淀粉积累期到成熟期逐渐变差;每个生育期利用3种方法以不同变量估算生物量效果依次由低到高为植被指数、植被指数结合提取株高、植被指数结合提取VC、植被指数结合提取的株高和VC,其中PLSR模型效果优于RF和SVM模型。该研究为马铃薯长势快速监测提供参考。 | 刘杨 冯海宽 黄珏 孙乾 杨福芹 | 2020 | 农业工程学报2020，36，23： | 9 |
| 11 | 基于多源无人机影像特征融合的冬小麦LAI估算显示文摘为探讨无人机多源影像特征融合估测作物叶面积指数的能力,该研究以冬小麦为研究对象,利用多旋翼无人机搭载高清数码相机和UHD185成像光谱仪获取研究区冬小麦关键生育期(扬花期、灌浆期)的可见光和高光谱影像。综合考虑可见光、高光谱影像特征与冬小麦叶面积指数的相关性及影像特征重要性进行特征筛选,然后,以可见光植被指数、纹理特征、可见光植被指数+纹理特征、高光谱波段、高光谱植被指数及高光谱波段+植被指数分别作为输入变量构建多元线性回归、支持向量回归和随机森林回归的叶面积指数估测模型(单传感器数据源);以优选的两种影像特征结合支持向量回归、随机森林回归构建叶面积指数估测模型(两种传感器数据源),比较分析单源与多源影像特征监测冬小麦叶面积指数的性能。进一步地,考虑到小区土壤空间异质性会影响冬小麦叶面积指数估测结果,该研究探讨了不同影像采样面积下基于单源遥感数据构建的小麦叶面积指数估测模型精度。研究结果表明:在扬花期和灌浆期,使用两种影像优选特征构建的随机森林回归估测模型精度最佳,验证集决定系数分别为0.733和0.929,均方根误差为0.193和0.118。可见光影像采样面积分别为30%和50%,高光谱影像采样面积为65%时,基于单源影像特征构建的随机森林回归估测模型在扬花期和灌浆期效果最好。综上,该研究结果可为无人机遥感监测作物生理参数提供有价值的依据和参考。 | 张东彦 韩宣宣 林芬芳 杜世州 张淦 洪琪 | 2022 | 农业工程学报2022，38，9： | 8 |
| 12 | 基于无人机多光谱和热红外影像信息融合的小麦白粉病监测显示文摘【目的】白粉病严重危害小麦生长及制约产量形成,确立实时监测小麦白粉病的多源数据融合方法,为精确防控及保证国家粮食安全提供技术支撑。【方法】在小麦开花和灌浆期,使用同时搭载多光谱仪和热成像仪的六旋翼无人机作为遥感数据获取平台,通过ENVI软件从小麦白粉病遥感影像中提取植被指数、纹理特征以及冠层温度信息,进而利用多元线性回归(MLR)、后向传播神经网络(BP)、随机森林(RF)、极限学习机(ELM)算法将植被指数(VIs)、纹理特征(TFs)和温度特征(T)进行结合,以构建小麦白粉病病情指数的监测模型。【结果】无论是单数据源建模,还是多数据源建模,随机森林(RF)的精度均高于其他模型;3种数据源中植被指数的RF模型(VIs-RF,R^(2)=0.667,RMSE=5.712,RPD=1.572)更适宜白粉病监测,其次是温度特征(T-RF,R^(2)=0.559,RMSE=6.563,RPD=1.430),而纹理特征(TFs-RF,R^(2)=0.495,RMSE=7.014,RPD=1.348)效果最差;多数据源协同建模间比较,RF协同植被指数和纹理特征的模型R^(2)为0.701(VIs&TFs-RF,R^(2)=0.701,RMSE=5.308,RPD=1.724),仅比VIs-RF模型R^(2)提升5.101%,RMSE降低7.073%,RPD提高9.672%,而RF协同植被指数和温度特征模型(VIs&T-RF)以及协同3种数据源模型(VIs&TFs&T-RF)的精度分别为R^(2)=0.750,RMSE=4.704,RPD=1.912和R^(2)=0.820,RMSE=4.677,RPD=1.996,较VIs-RF模型R^(2)分别提升12.453%和23.181%,RMSE分别降低17.640%和18.113%,RPD分别提高21.667%和26.981%。同时对不同模型进行10折交叉验证,进一步证实了RF模型在多数据源融合建模中性能稳定,估算效果最好。【结论】采用多数据源协同建模能够提升小麦白粉病遥感监测精度,研究结果为实现大面积高精度遥感监测作物病害状况提供了思路与方法。 | 冯子恒 宋莉 张少华 井宇航 段剑钊 贺利 尹飞 冯伟 | 2022 | 中国农业科学2022，55，5： | 8 |
| 13 | 基于无人机高光谱融合连续投影算法估算棉花地上部生物量显示文摘【目的】地上部生物量是表征植物生命活动的重要参数。探索不同的光谱预处理方法和建模方法,实现对棉花地上部生物量快速、无损、准确的估算,对棉花长势监测和大田精准管理具有重要意义。【方法】以新陆早53号、新陆早45号为研究对象,设置不同施氮处理,于出苗后不同阶段获取棉花地上部生物量和无人机高光谱数据,通过连续投影算法(Successive projections algorithm,SPA)筛选不同预处理[一阶导数、二阶导数、Savitzky-Golay(SG平滑)、多元散射校正]后的特征波长,基于筛选出的不同波长组合使用偏最小二乘法回归(Partial least square regression,PLSR)和随机森林回归(Random forest regression,RFR)分别构建棉花地上部生物量估算模型,比较不同预处理后建立模型的精度,确定最优估算模型。【结果】(1)利用SPA算法对不同预处理后的光谱信息筛选出特征波长9~26个,可实现光谱信息降维。(2)基于SG平滑-SPA处理及PLSR方法建立的模型最佳,R^(2)达到了0.63,均方根误差(Root mean square error,RMSE)为0.42,验证集的R^(2)为0.67,RMSE为0.44。(3)一阶导数-SPA处理后,采用RFR构建的模型最佳,R^(2)达到0.87,RMSE为0.45,验证集R^(2)为0.81,RMSE为0.37。【结论】采用一阶导数预处理结合SPA筛选特征波长,经RFR构建的估算模型结果和验证效果均最佳,可用于棉花地上部生物量定量估算。 | 易翔 张立福 吕新 张泽 田敏 印彩霞 马怡茹 范向龙 | 2021 | 棉花学报2021，33，3： | 8 |
| 14 | 农业遥感技术研究进展显示文摘遥感技术具有监测范围大、获取信息快、无损监测的特点,是改变农业生产被动局面的有效手段。综述了近3年遥感技术在作物长势监测、作物灾害监测以及作物产量估测方面的研究进展,总结了农业遥感监测常用的反演与识别方法,并对我国农业发展模式和无人驾驶飞行器、地理空间人工智能的发展方向进行了展望。 | 朱少龙 张晋玉 晁毛妮 徐新娟 黄中文 | 2019 | 种业导刊2019，0，8： | 6 |
| 15 | 融合无人机载激光雷达与多光谱遥感数据的冬小麦叶面积指数反演显示文摘为了进一步挖掘无人机载激光雷达(Light Detection and Ranging,Li DAR)在农作物长势监测方面的潜力,探究机载Li DAR与多光谱遥感数据融合反演冬小麦叶面积指数(Leaf Area Index,LAI)的效果,以无人机载Li DAR和可见光-近红外多光谱为研究手段,获取试验区冬小麦孕穗期的无人机载Li DAR点云和多光谱数据,从中提取并筛选合适的Li DAR点云结构参数和植被指数,借助多元线性回归法(Multivariable Linear Regression,MLR)和偏最小二乘回归法(Partial Least Squares Regression,PLSR),通过融合Li DAR点云结构参数与植被指数以及单独使用植被指数作为模型输入参数,分别与实测LAI构建了LAI反演模型。用决定系数(Coefficient of Determination,R^(2))和均方根误差(Root Mean Square Error,RMSE)来评价模型时,结果显示融合Li DAR点云与多光谱数据能够较好地反演冬小麦LAI。而且,无论是利用MLR还是PLSR法,融合Li DAR点云结构参数与植被指数的模型(MLR︰R^(2)=0.901,RMSE=0.480;PLSR︰R^(2)=0.909,RMSE=0.445(n=16))均优于仅使用植被指数的模型(MLR︰R^(2)=0.897,RMSE=0.492;PLSR︰R^(2)=0.892,RMSE=0.486(n=16))。因此,加入无人机载Li DAR数据可以一定程度上弥补光谱数据在作物垂直方向上信息提取不足的缺陷,提高冬小麦LAI的反演精度,为冬小麦LAI反演提供了更优的手段。 | 牛玉洁 李晓鹏 张佳宝 马东豪 纪景纯 宣可凡 蒋一飞 汪春芬 邓皓东 刘建立 | 2022 | 土壤学报2022，59，1： | 6 |
| 16 | 基于人工蜂群优化算法的高光谱森林生物量聚类方法显示文摘森林生物量聚类有利于资源保护,针对当前方法存在聚类复杂度较高、精确性较差的问题,提出基于人工蜂群优化算法的高光谱森林生物量聚类方法。结合奇异值分析,利用核范数最小化基于图像分块的方式实现高光谱森林图像自适应去噪。将去噪后的图像代入波段选择中,为森林生物量聚类奠定基础。采用人工蜂群优化算法利用最佳指数和JM距离间的加权和当作蜂群的适应度函数进行邻域搜索,一直到收敛或者达到最大迭代次数为止,将输出的最优蜜源当作最优波段组合。基于所选波段,利用粒子群算法迭代寻优获取聚类划分模型,引入蚁群算法实现类别标签聚类中心更新,并将剩余没有被划分类别的蚂蚁归类至与其相似的巢中,即类别中,实现高光谱森林生物量聚类。实验结果显示,所提方法自由度高,即聚类复杂度低,且具备良好地聚类精确性,能够很好地识别森林生物量。 | 吴丹 张艳 | 2020 | 激光杂志2020，41，5： | 5 |
| 17 | 基于无人机高光谱影像的马铃薯叶绿素含量估测显示文摘【目的】叶绿素含量高低反映植被的健康状况与光合能力。研究准确、有效地将冠层影像反演为叶绿素含量的技术参数,以便经济快速、实时地监测作物生长状况。【方法】田间试验于2018—2020年在内蒙古阴山北麓马铃薯主产区进行,设置氮肥梯度处理,在马铃薯块茎膨大期和淀粉积累期,测定试验地马铃薯植株SPAD值,通过线性关系将其转化成叶绿素含量。利用无人机为平台搭载S185成像光谱仪获取马铃薯试验区高光谱影像,并从中提取马铃薯冠层光谱反射率。将3年田间试验所获取的125个样本点数据按80%、20%的比例随机划分为训练集与验证集。用训练集数据建立了8个比率、归一化光谱指数,通过波段优化算法建立优化光谱指数和马铃薯关键生育期叶绿素含量的相关性与估测模型,并用验证集数据检验所建立模型的精度,最后利用所构建的估测模型制作马铃薯叶绿素含量分布图。【结果】根据训练集数据,马铃薯植株叶绿素含量分布范围在10.58~23.14 mg/g,平均叶绿素含量为19.80 mg/g,变异系数为14.9%;根据验证集数据,马铃薯植株叶绿素含量分布范围在12.80~23.73 mg/g,平均为19.59 mg/g,变异系数为17.0%。基于绿光波段建立的叶绿素光谱指数(CI_(green))和归一化光谱指数550(ND550)均与马铃薯叶绿素含量具有较好相关性(R^(2)分别为0.48、0.61),但作物种类及生育时期的影响降低了估测的准确性。通过优化波段586、462 nm和586、498 nm计算的优化比率光谱指数(RSI)和优化归一化光谱指数(NDSI)能够明显提高模型准确性,具备良好的线性拟合效果,决定系数R^(2)分别由0.48和0.61提高到0.82和0.83。经验证后,估测模型预测值与实测值接近1∶1线,决定系数R^(2)分别为0.77和0.79,均方根误差RMSE较低。通过反演马铃薯叶绿素含量分布图可知,优化光谱指数(NDSI)模型反演效果较好,叶绿素含量分布范围为18~21 mg/g,与实测值相符合。【结论】本研究优化光谱指数RSI和NDSI最佳敏感波段分别为586、462和586、498 nm,此波段范围内RSI和NDSI与马铃薯关键生育期叶绿素含量相关性最优,通过波段优化算法重新构建的优化光谱指数预测模型可靠性及精度显著高于已有光谱指数,决定系数分别为0.82和0.83,且验证效果较好。应用两种光谱指数对研究区高光谱影像进行叶绿素反演估测,生成的田间马铃薯叶绿素含量分布图显示优化光谱指数NDSI估测效果最好,为光谱指数估测马铃薯关键生育期叶绿素含量提供了理论支持。 | 尹航 李斐 杨海波 李渊 | 2021 | 植物营养与肥料学报2021，27，12： | 5 |
| 18 | 基于特征波段选择和机器学习的小麦白粉病高光谱遥感监测显示文摘白粉病严重危害小麦生长及制约产量形成,精确监测该病害对精确防控及保障国家粮食安全具有重要意义。在小麦孕穗、开花和灌浆期使用地物高光谱仪获取小麦冠层光谱数据,利用一阶导数(FD)、二阶导数(SD)、对数变换(LOG)、倒数变换(1/R)和连续去除法(CR)对原始光谱(OR)进行光谱变换,基于CARS算法和SPA算法相结合对五种变换的光谱数据和原始光谱进行特征波段提取,进而利用偏最小二乘回归(PLSR)、岭回归(RR)和高斯过程回归(GPR)建模方法确立小麦白粉病病情指数(mDI)监测模型。结果表明,一阶导数在Pearson相关性、两波段优化组合以及机器学习方法建模中,综合表现最好,是一种处理病害光谱数据的较好预处理方法。经过光谱数据变换后,再使用CARS-SPA算法可以更有效的提取特征波段,特征波段为411、450、476、543、561、594、624、671、726、780、835和950 nm。在不同机器学习建模方法对比中,高斯过程回归(GPR)模型表现最佳,其次为岭回归(RR)和偏最小二乘法回归(PLSR)。其中,一阶导数结合GPR模型的估算精度最高,建模集和验证集的平均R^(2)为0.805,RMSE和MAE分别为2.532和2.164,相较于OR-GPR模型,R^(2)提升12%,RMSE和MAE分别降低19.6%和17.6%,表明GPR模型在小麦白粉病监测中具有良好的估算能力。可见,使用一阶导数预处理光谱数据,采用CARS-SPA结合算法提取特征波段,再利用高斯过程回归建模方法能够提升小麦白粉病遥感监测精度。研究结果为实现遥感监测作物病害提供了思路与方法。 | 冯子恒 李晓 段剑钊 高飞 贺利 杨天聪 戎亚思 宋莉 尹飞 冯伟 | 2022 | 作物学报2022，48，9： | 5 |
| 19 | 基于无人机高光谱特征参数和株高估算马铃薯地上生物量显示文摘地上生物量(above-ground biomass,AGB)是评价作物长势及其产量估测的重要指标,对指导农业管理具有重要的作用。因此,快速准确地获取生物量信息,对于监测马铃薯生长状况,提高产量具有重要的意义。于马铃薯现蕾期、块茎形成期、块茎增长期、淀粉积累期、成熟期获取成像高光谱影像、实测株高(heigh,H)、地上生物量和地面控制点(ground control point,GCP)的三维空间坐标。首先基于无人机高光谱灰度影像结合GCP生成试验田的DSM(digital surface model,DSM),利用DSM提取马铃薯的株高(H_(dsm));然后利用无人机高光谱影像计算一阶微分光谱、植被指数和绿边参数,进而分析高光谱特征参数(hyperspectral characteristic parameters,HCPs)和绿边参数(green edge parameters,GEPs)与马铃薯AGB的相关性,每个生育期筛选出相关性较高的前7个高光谱特征参数和最优绿边参数(optimal green edge parameters,OGEPs);最后基于HCPs,HCPs加入OGEPs,HCPs加入OGEPs和H dsm的组合利用偏最小二乘回归(partial least square regression,PLSR)和随机森林(random forest,RF)估算不同生育期的AGB。结果表明:(1)提取的H_(dsm)与实测株高H高度拟合(R^(2)=0.84,RMSE=6.85 cm,NRMSE=15.67%);(2)每个生育期得到的最优绿边参数不完全相同,现蕾期、块茎增长期和淀粉积累期OGEPs为R_(sum),块茎形成期和成熟期OGEPs分别为Dr_(min)和SDr;(3)与仅使用HCPs估算AGB相比,使用HCPs加入OGE Ps,HCPs加入OGEPs和H dsm在马铃薯不同生育期可以提高AGB估算精度,且以后者为自变量提高精度的幅度更大;(4)每个生育期利用PLSR和RF估算AGB的建模和验证R^(2)从现蕾期到块茎增长期呈上升趋势,随后开始降低,整体上R^(2)呈先上升后下降的趋势,通过PLSR方法构建的估算AGB模型效果优于RF方法,其中块茎增长期表现效果最好。因此,高光谱特征参数中结合最优绿边参数和株高,并使用PLSR方法可以改善马铃薯AGB的估算效果。 | 刘杨 冯海宽 黄珏 杨福芹 吴智超 孙乾 杨贵军 | 2021 | 光谱学与光谱分析2021，41，3： | 5 |
| 20 | 基于小波分析的马铃薯地上生物量估算显示文摘地上生物量(AGB)是作物长势评价及产量预测的重要指标,因此快速准确地估算AGB至关重要。由于传统植被指数(VIs)估算多生育期的AGB存在饱和现象,因此,利用VIs结合基于离散小波转换(DWT)的影像小波分解(IWD)技术提取的高频信息和连续小波转换(CWT)技术提取的小波系数,探究VIs,VIs+IWD和VIs+CWT对于AGB的估算能力。首先,基于无人机平台分别获取马铃薯现蕾期、块茎形成期、块茎增长期、淀粉积累期的数码影像和成像高光谱影像以及地面实测的AGB数据。其次,利用数码影像通过IWD技术提取3种高频信息和利用高光谱反射率数据通过CWT技术提取小波系数以及构建6种高光谱植被指数。然后,将植被指数、高频信息和小波系数分别与AGB进行相关性分析,并挑选出不同尺度下相关系数绝对值较高的前10波段。最后,以VIs,VIs+IWD和VIs+CWT这3种变量分别使用偏最小二乘回归(PLSR)方法构建AGB估算模型,并对比不同模型估算AGB的效果。结果表明:(1)每个生育期选取的6种植被指数、3种高频信息和10种小波系数与AGB的相关性均达到0.01显著水平,整个生育期相关性均呈现先升高后降低的趋势,其中以小波系数得到的相关性最高、高频信息次之,植被指数最低。(2)对比分析每个生育期的3种估算模型,以VIs+CWT为输入变量的估算效果最好,VIs+IWD的估算效果次之,而VIs的估算效果最差,说明基于小波分析构建的模型适用性较广、稳定性较强。(3)每个生育期分别以3种变量利用PLSR方法构建的AGB估算模型均在块茎增长期达到最高精度(VIs:建模R^( 2)=0.70,RMSE=98.88 kg·hm^(12),NRMSE=11.63%;VIs+IWD:建模R^( 2)=0.78,RMSE=86.45 kg·hm^(12),NRMSE=10.17%;VIs+CWT:建模R^( 2)=0.85,RMSE=74.25 kg·hm^(12),NRMSE=9.27%)。通过VIs分别结合IWD和CWT技术利用PLSR建模方法,可以提高AGB估算精度,为农业指导管理提供可靠参考。 | 刘杨 孙乾 冯海宽 杨福芹 | 2021 | 光谱学与光谱分析2021，41，4： | 4 |
您所在的机构暂未开通此部分的功能，请联系管理员