基于无人机多光谱遥感的大豆生长参数和产量估算_向友珍.pdf
《基于无人机多光谱遥感的大豆生长参数和产量估算_向友珍.pdf》由会员分享,可在线阅读,更多相关《基于无人机多光谱遥感的大豆生长参数和产量估算_向友珍.pdf(10页珍藏版)》请在咨信网上搜索。
1、2 0 2 3 年 8 月农 业 机 械 学 报第 54 卷 第 8 期doi:106041/j issn 1000-1298 2023 08 022基于无人机多光谱遥感的大豆生长参数和产量估算向友珍1,2安嘉琪1,2赵笑3金琳1,2李志军1,2张富仓1,2(1 西北农林科技大学旱区农业水土工程教育部重点实验室,陕西杨凌 712100;2 西北农林科技大学水利与建筑工程学院,陕西杨凌 712100;3 西北农林科技大学综合素质教育学院,陕西杨凌 712100)摘要:为适应现代农业发展对作物生长动态、连续、快速监测的要求,本文基于无人机多光谱遥感技术,以西北地区大豆作为研究对象,分别筛选出与大豆
2、叶面积指数(Leaf area index,LAI)、地上部生物量和产量相关性较好的 5 个植被指数,采用支持向量机(Support vector machine,SVM)、随机森林(andom forest,F)和反向神经网络(Backpropagation neural network,BPNN)分别构建了大豆 LAI、地上部生物量和产量的估计模型,并对模型进行了验证。结果表明,基于 F 模型构建的大豆 LAI 和地上部生物量预测模型的精度显著高于 SVM 与 BP 模型,LAI 估计模型验证集的 2为 0.801,MSE 为 0.675 m2/m2,ME 为 18.684%;地上部生物量
3、估算模型验证集的 2为 0.745,MSE为1 548.140 kg/hm2,ME 为18.770。而在产量的估算模型构建中,在大豆开花期(4)基于 F 模型构建的大豆产量预测模型的精度最高,验证集的 2为0.818,MSE 为287.539 kg/hm2,ME 为7.128。本研究结果可以为无人机多光谱遥感在作物监测方面的应用提供理论依据,为作物产量的快速估算提供应用参考。关键词:大豆;多光谱;植被指数;叶面积指数;地上部生物量;产量中图分类号:S252文献标识码:A文章编号:1000-1298(2023)08-0230-10OSID:收稿日期:2022 12 09修回日期:2023 05
4、08基金项目:国家自然科学基金项目(52179045)作者简介:向友珍(1973),女,副教授,博士生导师,主要从事节水灌溉理论与遥感技术研究,E-mail:Youzhenxiang nwsuaf edu cnSoybean Growth Parameters and Yield Estimation Based onUAV Multispectral emote SensingXIANG Youzhen1,2AN Jiaqi1,2ZHAO Xiao3JIN Lin1,2LI Zhijun1,2ZHANG Fucang1,2(1 Key Laboratory of Agricultural S
5、oil and Water Engineering in Arid and Semiarid Areas,Ministry of Education,Northwest AF University,Yangling,Shaanxi 712100,China2 College of Water esources and Architectural Engineering,Northwest AF University,Yangling,Shaanxi 712100,China3 School of Quality Education,Northwest AF University,Yanglin
6、g,Shaanxi 712100,China)Abstract:In order to meet the requirements of modern agriculture for dynamic,continuous,and rapidmonitoring of crop growth,soybean was used as the research object based on UAV multispectral remotesensing technology in northwest China,and five vegetation indices were selected w
7、ith the best correlationto soybean leaf area index(LAI),above-ground biomass and yield,and support vector machine(SVM),random forest(F)and back propagation neural network(BPNN)were used to constructmodels for estimating soybean LAI,above-ground biomass and yield,respectively F and BPNN wereused to c
8、onstruct and validate the models for estimating soybean LAI,aboveground biomass and yield,respectively The results showed that the accuracy of soybean LAI and above-ground biomass predictionmodels constructed based on the F model was significantly higher than that of SVM and BP models,with2of 0.801,
9、MSE of 0.675 m2/m2,and ME of 18.684%for the validation set of LAI estimationmodel;2of 0.745,MSE of 1 548.140 kg/hm2,and ME of 18.770In the estimation modelconstruction of yield,the soybean yield prediction model constructed based on F model in soybeanflowering period(4)had the highest accuracy with
10、2of 0.818,MSE of 287.539 kg/hm2and MEof 7.128 in the validation set The research results can provide a theoretical basis for the application ofUAV multispectral remote sensing in crop monitoring and provide a rapid estimation of crop yieldapplication referenceKey words:soybean;multispectral;vegetati
11、on index;leaf area index;above-ground biomass;grainyield0引言大豆是人类和动物饮食中显著的蛋白质和脂肪酸来源1,对于众多亚洲国家,大豆对其饮食文化的影响有着十分重要的作用2。因此,确保大豆的高质量和高效率生产具有重要意义。叶面积指数(Leaf area index,LAI)和地上部生物量是作物冠层结构的重要参数,不仅可为作物生长提供动态信息,还决定作物生物物理过程3 4,同时作为重要的输入参数,在作物生长模型与决策支持系统中发挥着十分重要的作用5。通过对 LAI和地上部生物量实测值的分析,能够进行作物生长监测和产量预测,也可以进行田间水肥
12、管理6 8。因此,快速、准确地测定地上部分的 LAI 和地上部生物量具有相当重要的意义。当前获取作物 LAI 和地上部生物量的方法有两种,分别是直接测量法和间接测量法。其中前者的精确度较后者更高,但是直接测量法需要对作物进行破坏性采样,不仅费时费力并且所取样本不一定具有代表性,因此该方法有一定的局限性;与之不同的是,间接测量法是将作物光谱信息与田间实测数据相结合并通过模型对作物生长指标进行估算的方法,且具有快速、高效等特点。无人机多光谱遥感操作简易、灵活性高并且成本较低,这些特点都使其成为近年来进行精准农业研究的一项重要工具以及获取作物冠层参数的重要手段9 10。邵国敏等11 通过配备 ed
13、Edge 多光谱相机的六旋翼无人机,对不同灌溉条件下的玉米LAI 进行了估算,发现在不同的灌溉条件下不同的模型对于估算玉米 LAI 的效果各不相同,其中在充分灌溉条件下,效果最好的是植被指数的多元线性回归模型,而在水分胁迫条件下,表现更好的则是植被指数的随机森林(andom forest,F)模型。刘涛等12 通过得到不同飞行高度的多光谱数据来估计小麦冠层 LAI,得到采用偏最小二乘回归技术反演小麦 LAI 的精度最高。黄林生等13 通过使用配备MicaSense ed EdgeTM3 光谱相机的 DJI M600 Pro六旋翼高性能无人机,对水稻 LAI 进行了估算,提出结合光谱特征、纹理指
14、数和植物覆盖度等多个指标的估算模型具有最佳精度。作物产量与人民生活水平和国家粮食安全息息相关14,及时准确地预测粮食产量对农业管理、粮食政策制定、农业保险和农业用水效率评估具有重要的意义。目前,主要通过经验模型、半经验模型和物理模型 3 种方法来进行遥感估产15 17。而无人机遥感可获得比卫星和地面遥感更高的时间分辨率、空间分辨率和光谱分辨率影像18 20,已成为农业遥感数据的重要途径21。无人机遥感的应用对于发展智慧农业、精准农业具有重要的影响。目前,对作物产量的估算已有部分研究。余坤勇等22 根据光谱数据,利用不同的光谱指数进行玉米产量的预测;STEPANOV 等23 在利用无人机遥感数据
15、进行估产的研究中对不同的光谱指数进行讨论,发现归一化差异植被指数可以更好地用于产量估算。王鹏新等24 在估算小麦产量时用最小二乘法结合无人机高光谱数据与不同植被指数,发现最优估算指数为 EVI2(无蓝带增强植被指数)。过往的研究大多只通过单一植被指数或光谱反射率分析反演估算的 LAI、地上部生物量或者产量,通过不同植被指数的组合作为输入变量进行建模的较少。此外,在利用无人机多光谱数据预测西北地区大豆产量的研究较少。因此本文以西北地区大豆为研究对象,通过无人机获取大豆的田间多光谱数据,分析各生育期植被指数、LAI、地上部生物量和产量之间的关系,采用 F、反向传播神经网络(Backpropagat
16、ion neural network,BPNN)和支持向量机(Support vector machine,SVM)3 种机器学习方法建立定量模型。并讨论不同机器学习方法对大豆LAI、地上部生物量和产量估算模型精度的影响以及不同生育期的光谱信息对产量估算模型的精度影响,以期为更加准确、快速地获取大豆的生长指标和产量预测提供理论参考。1材料与方法1.1研究区概况试验于 2021 年 69 月在西北农林科技大学旱区农业水土工程教育部重点实验室节水灌溉试验站(3420N,10824E,海拔521 m)进行(图1)。该地区气候类型为暖温带季风半湿润气候,是典型的半湿润偏(易)旱区。根据当地气象资料显示
17、降水年际间差异较大(19952020 年),平均降水量为561 mm,其中全年的降雨主要发生在 79 月,平均占年降水量的一半以上(约 55.5%)。试验区土壤为重壤土,0 100 cm 土层的田间持水率(质量分数,下同)为 23%25%,凋萎含水率为 8.5%,平均土壤干容积密度为 1.58 g/cm3。1.2试验设计本试验设置 4 种覆盖类型:平作秸秆覆盖(SM)、垄覆地膜沟覆秸秆(SFM)、垄覆地膜沟无覆盖(FM)和平作无覆盖方式。设置 5 个施氮量:0 kg/hm2(N0)、30 kg/hm2(N1)、60 kg/hm2(N2)、90 kg/hm2(N3)和 120 kg/hm2(N4
18、),共计 20 个处理。132第 8 期向友珍 等:基于无人机多光谱遥感的大豆生长参数和产量估算图 1研究区概况Fig 1Study area设置 7 个种植密度:1.5 105株/hm2(0)、2.0 105株/hm2(1)、2.5 105株/hm2(2)、3.0 105株/hm2(3)、3.5 105株/hm2(4)、4.0 105株/hm2(5)和 4.5 105株/hm2(6),共计 7 个处理。设置各处理小区时采用随机排列原则,并设置2 个重复,共 54 个小区,小区面积为 2.4 m 6 m=14.4 m2,试验区周围布设 2 m 保护带。每个小区磷肥和钾肥保持一致,均为 30 k
19、g/hm2。在 2021 年 6月 18 日按行距 50 cm、株距约 10 cm 人工点播大豆,其他田间生产管理(施药、除草等)均与当地保持一致。于 9 月 30 日收获大豆,并回收地膜。大豆全生育期为苗期(2021 年 6 月 1825 日)、分枝期(2021年 6 月 26 日7 月 18 日)、开花结荚期(2021 年 7月19 日8 月17 日)、鼓粒期(2021 年8 月18 日9 月 10 日)与成熟期(2021 年 9 月 1130 日)。其中分枝期大豆正处于营养生长阶段,是决定整个生育期植株健壮与否、分枝与开花多少的关键时期25;结荚期是大豆生长最旺盛的时期,营养生长与生殖生
20、长并进,是生物量积累的关键时期26;鼓粒期是大豆产量和品质形成的重要生育时期,大豆在鼓粒期进行蛋白质和脂肪的储藏27。而苗期和成熟期大豆各项生长参数变化不大,因此,本研究选择分枝期、结荚期和鼓粒期 3 个生育期获取无人机影像数据。1.3无人机影像数据获取与处理无人机遥感影像获取时间为 2021 年 7 月 25 日(四节期,V4)、2021 年 8 月 20 日(结荚期,4)和2021 年 9 月5 日(鼓粒期,6)。采用大疆精灵 4 多光谱版一体化无人机(Phantom4 M,P4M)获取大豆冠层多光谱影像数据。该设备集成 1 个可见光传感器通道和 5 个多光谱传感器通道(蓝光、绿光、红光、
21、红边和近红外),每次拍摄可获得 6 幅影像。且每幅影像具有2.0 106像素,最高飞行速度14 m/s,最大续航时间 27 min,搭配有 TimeSync 时间同步系统,可获得厘米级定位精度,此外 P4M 顶部集成光强传感器,可捕捉太阳辐照度数据用于影像的光照补偿,排除环境光对数据的干扰,提高不同时段采集数据的准确度与一致性。试验利用 DJITerra 软件进行无人机航线规划,航向和旁向重叠率均为 80%,影像 分 辨 率 分 别 为 1.6 cm/像 素。使 用 Pix4Dmapper 软件进行影像拼接,可获得不同飞行高度下的 GB 和单波段正射影像。将 5 个波段的多光谱正射影像导入 E
22、NVI 软件进行波段合成,使用快速辐射校正工具将像素 DN 值转换为反射率。1.4地面实测数据获取在无人机多光谱数据影像采集的当天进行大豆LAI 和地上部生物量的数据采集。LAI 测定方法:使用美国 LI CO LAI 2200C型植物冠层分析仪测定。在 54 个试验小区内各随机进行 6 次大豆 LAI 数据采集,以其均值作为各试验小区的实测值。地上部生物量测定方法:在每个小区选取 6 株能代表该小区长势的大豆进行破坏性取样,在105杀青 30 min,随后 75 干燥后使用电子天平称量大豆总质量。最终将测量结果换算成单位面积的干物质量。产量测定方法:在大豆成熟后,选取每个小区的中间 4 行测
23、量其产量,并进行考种工作(随机选择10 株),籽粒产量按含水率 13%计28。1.5光谱指数构建与选择根据植被的光谱吸收特性,将遥感影像不同波段反射率之间进行线性或非线性组合形成的无量纲指标参数称为植被光谱指数。该指数是对地表植被状况简单、有效的经验度量,同时能够体现植被在可见光、近红外波段反射与土壤背景之间的差异10。植被的 LAI、地上部生物量和产量等指标与差异化植被指数(DVI)、比值植被指数(VI)、归一化植被指数(NDVI)、增强型植被指数(EVI)和土壤调剂植被指数(SAVI)等经验植被指数密切相关。因此,选取 15 种植被光谱指数构建模型,表达式如表 1所示。1.6模型构建与精度
24、检验基于田间试验共获取 162 组 LAI 和地上部生物量样本及 54 组产量样本和三生育期的光谱数据样本(共162 组)。对162 组 LAI 和地上部生物量样本进行从小到大排序,同时也将 54 组产量样本进行从小到大排序,在这些样本中随机选取 2/3 的样本作为建模集,剩余 1/3 的样本作为验证集。表 2 为建模集和验证集的样本数量及产量的统计特征。232农业机械学报2 0 2 3 年表 1经验植被指数及计算公式Tab1Empirical vegetation spectral indexes and calculation formulas植被指数表达式文献序号差值植被指数(DVI)N
25、I ED 29比值植被指数(VI)NI/ED 30三角植被指数(TVI)0.5 120(NI G)200(ED G)31优化植被指数(VIopt)1.45(2NI+1)/(ED+0.45)32草地叶绿素含量估测植被指数(GCI)NI/G1 33红边叶绿素指数(CIE)NI/E1 34陆地叶绿素指数(MTCI)(NI E)/(E ED)32归一化红边插值(NDE)(NI E)/(NI+E)32改良的三角植被指数(MTVI)1.2 1.2(NI G)2.5(ED G)32归一化植被指数(NDVI)(NI ED)/(NI+ED)35增强型植被指数(EVI)2.5(NI ED)/(NI+6.0ED7.
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 无人机 光谱 遥感 大豆 生长 参数 产量 估算
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。