基于无人机多光谱遥感的冬油菜地上部生物量估算_王晗.pdf
《基于无人机多光谱遥感的冬油菜地上部生物量估算_王晗.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冬油菜地上部生物量估算_王晗.pdf(12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 08 021基于无人机多光谱遥感的冬油菜地上部生物量估算王晗1,2向友珍1,2李汪洋1,2史鸿棹1,2王辛1,2赵笑1,2(1 西北农林科技大学水利与建筑工程学院,陕西杨凌 712100;2 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)摘要:地上部生物量(Above-ground biomass,AGB)是判断作物生长发育的重要指标,对作物不同生长阶段地上部生物量进行快速、准确、无损遥感监测对精准农业生产具有重要意义。本文在西北
2、关中地区开展田间试验,以不同水氮处理下冬油菜为研究对象,通过对其生理生长指标以及产量进行分析,确定 I2N3(越冬期和蕾薹期补灌,施氮量为 280 kg/hm2)处理为该地适宜的水氮管理策略。使用无人机获取冬油菜营养生长期和生殖生长期多光谱图像,采用阈值法对多光谱图像中的阴影和土壤背景进行掩膜处理,提取各波段反射率,构建植被指数。将冬油菜地上部生物量实测数据与 21 个光谱变量进行相关性分析,筛选出各生长阶段相关系数绝对值排名前 8 个光谱变量作为输入量,通过随机森林(F)、支持向量机(SVM)、遗传算法优化支持向量机(GA SVM)和粒子群优化支持向量机(PSO SVM)构建不同生长阶段冬油
3、菜地上部生物量估算模型,确定最佳估算模型。结果表明,全生长阶段和生殖生长阶段红光波段反射率显著性最强且稳定,相关系数分别达到 0.835 和 0.754;PSO SVM 模型更适合用于反演关中地区冬油菜不同生长时期的 AGB,其在全生长时期、营养生长时期和生殖生长时期的验证集 2分别为0.866、0.962 和 0.789,模拟所用时间分别为 1.299、0.859、0.666 s。关键词:冬油菜;无人机;多光谱;机器学习模型;地上部生物量中图分类号:S252文献标识码:A文章编号:1000-1298(2023)08-0218-12OSID:收稿日期:2022 12 09修回日期:2023 0
4、2 13基金项目:国家自然科学基金项目(52179045)作者简介:王晗(1998),女,博士生,主要从事遥感技术在农业水土工程应用研究,E-mail:944596923 nwafu edu cn通信作者:向友珍(1973),女,副教授,博士生导师,主要从事灌溉理论与新技术研究,E-mail:Youzhenxiang nwsuaf edu cnEstimation of Winter apeseed Above-ground Biomass Based onUAV Multi-spectral emote SensingWANG Han1,2XIANG Youzhen1,2LI Wangyan
5、g1,2SHI Hongzhao1,2WANG Xin1,2ZHAO Xiao1,2(1 College of Water esources and Architectural Engineering,Northwest AF University,Yangling,Shaanxi 712100,China2 Key Laboratory of Agricultural Soil and Water Engineering in Arid and Semiarid Areas,Ministry of Education,Northwest AF University,Yangling,Shaa
6、nxi 712100,China)Abstract:Above-ground biomass(AGB)is an important index to judge the growth and development ofcrops apid,accurate and non-destructive remote sensing monitoring of AGB at different growth stagesof crops is of great significance to precision agricultural production A field experiment
7、was carried out inGuanzhong area of Northwest China Winter rapeseed under different water and nitrogen treatments wasused as the research object The multi-spectral images of winter rapeseed in vegetative and reproductivegrowth periods were obtained by UAV,and the AGB measured data of winter rapeseed
8、 were obtained byfield experiment The shadow and soil background in multi-spectral image were masked by thresholdmethod,and the reflectance of each band was extracted to construct vegetation index The correlationanalysis between the measured data of winter rapeseed AGB and spectral variables was car
9、ried out,andthe top eight spectral variables with the absolute value of correlation coefficient in each growth stage wereselected as input variables The AGB estimation model of winter rapeseed at different growth stages wasconstructed by random forest(F),support vector machine(SVM),genetic algorithm
10、 optimized supportvector machine(GA SVM)and particle swarm optimization support vector machine(PSO SVM)todetermine the best estimation model The results showed that the red band reflectance in the whole growthstage and reproductive growth stage was the most significant and stable,and the correlation
11、 coefficientswere 0.835 and 0.754,respectively The NBI in the vegetative growth stage was the most significant andstable,and the correlation coefficient was 0.846 The PSO SVM was more suitable for the inversion ofAGB at different growth stages of winter oilseed The validation set 2of the whole growt
12、h period,vegetative growth period and reproductive growth period were 0.866,0.962 and 0.789,respectivelyKey words:winter rapeseed;UAV;multispectral;machine learning model;above-ground biomass0引言油菜是中国广泛种植的重要油料作物之一,油菜籽可以用来压榨食用油,还可以用于开发生物柴油1。油菜在我国主要种植在长江中下游地区,但是随着全球气候变暖,CO2浓度持续上升,油菜种植区域呈“东减、北移、西扩”的趋势,西
13、北地区油菜生产不断扩增1 2。因此,保证西北地区冬油菜稳定生产 至 关 重 要。地 上 部 生 物 量(Above-groundbiomass,AGB)是作物光合作用的产物,能够反映作物的生长状况和群体大小3 4。传统的作物地上部生物量测量方法通常是田间采样和室内测量,其获取信息较为准确,但结果仅限于有效的离散点源信息,过程耗时耗力,还具有破坏性和滞后性,很难满足随时监测田间作物养分的需求5 6。自 20 世纪70 年代遥感技术在资源环境领域广泛应用,卫星遥感方法成为农业监测领域的一项有利手段7。卫星遥感具有大面积同步观测特点,但其受分辨率和重访周期的限制,卫星遥感影像容易受大气云层、雨雪天气
14、等因素的影响,难以满足特定区域尺度高频次、高分辨率的要求8 9。低空无人机(Unmanned aerial vehicle,UAV)遥感不仅具有更高的分辨率,还可以快速地获取田间尺度作物的空间变异信息,有效地对作物生长特征进行监测,准确地反映地块内部作物的长势差异10 11,有效弥补了卫星遥感的不足,已逐渐成为现代精准农业研究的新手段12 13。樊鸿叶等14 以无人机搭载多光谱相机所获多光谱数据为基础,构建不同品种玉米的地上部生物量估算优化模型。陈先冠等15 通过 6 种植被指数估算冬小麦地上部生物量,结果发现 DVI 和 NDE 估算效果最佳。OOSJEN 和 COCOLES 等16 17
15、利用获取的多光谱影像分别建立了马铃薯和洋葱的地上部生物量估算模型。肖武等18 利用 22 种植被指数结合 BP 神经网络有效估算了采煤沉陷区上方玉米的地上部生物量。对于作物的反演相关研究有很多,但大多数研究针对全生育期或作物主要生育期,本研究根据冬油菜营养生长阶段和生殖生长阶段对获取的多光谱数据进行划分。前人研究表明,作物的营养生长阶段和生殖生长阶段之间相互依赖,又相互制约19,营养生长旺盛不利于生殖器官的形成和养分的积累,产量不高;营养生长过弱又无法满足生殖生长对养分的需求,会出现早衰,产量降低。因此监测作物不同生长阶段的生长情况,及时对水氮施用策略进行调整对实现作物优质高产十分重要20。地
16、上部生物量可以很好地反映不同生长时期作物生长情况,因此实现不同生长时期地上部生物量的实时精准监测十分必要21。本试验研究充分利用低空无人机平台在农作物信息提取方面的优势和特点,以不同水氮施用策略下的冬油菜为研究对象,采用低空无人机携带多光谱相机获取不同时期冬油菜的多光谱图像。提取出各波段光谱反射率并构建植被指数,通过相关性分析筛选出不同生长时期绝对值排名前 8 的光谱变量作为模型输入变量。采用随机森林、支持向量机、遗传算法优化支持向量机和粒子群优化支持向量机对不同生长时期的冬油菜地上部生物量进行反演,通过对比验证集均方根误差及模拟所用时间来确定适合不同生长时期的估测模型。对实现田间尺度冬油菜地
17、上部生物量的实时遥感监测技术进行优化,以期为冬油菜精准灌溉和施肥提供科学依据和数据支撑。1材料与方法1.1试验区概况2021 年10 月到2022 年6 月在西北农林科技大学北侧灌溉试验站(10824E、3418N,海拔 524.7 m)进行田间试验,该地属于暖温带季风半湿润气候,多年平均温度为 12.9,多年平均降水量介于 550 600 mm 之间,但降雨时间与冬油菜主要生长阶段不重合,试验站所处位置及试验场景见图 1。1.2试验设计本研究试验作物为当地品种“陕油 18”,施用氮肥为尿素含量 45%的纯氮缓释肥,缓释期为 2 个月。试验设置 3 个补灌水平和 5 个施氮量水平,补灌水平分别
18、为不补灌(I0)、越冬期补灌(I1)、越冬期和蕾薹期补灌(I2);施肥量水平分别为 0 kg/hm2(N0)、120 kg/hm2(N1)、200 kg/hm2(N2)、280 kg/hm2(N3)、300 kg/hm2(N4),补灌水平和施氮量水平两两组合共 15 个处理,不同处理设置 2 个重复。912第 8 期王晗 等:基于无人机多光谱遥感的冬油菜地上部生物量估算图 1试验站位置及试验场景Fig 1Test site location and test scene diagram1.3试验数据1.3.1数据获取及处理于营养生长阶段(2021 年 12 月 16 日和 2022年 2 月
19、25 日)和生殖生长阶段(2022 年 3 月 28 日和 4 月 26 日),采用 MATICE600 型六旋翼无人机,搭载 Micro MCA 型多光谱相机,选择晴朗无云、风速低于 3 级且无较大噪声的状况下,在11:0014:00 获取多光谱遥感影像,飞行高度为30 m。使用 Yusense Map 软件对获取影像进行拼接,利用 ENVI 5.1 软件基于阈值法对拼接好图像中的各小区的阴影和土壤背景进行掩膜处理22,提取各小区各波段光谱反射率,通过提取的单波段光谱反射率进行组合计算获取植被指数。无人机采样的同时进行冬油菜地上部生物量的测量。于营养生长期(苗期和越冬期)和生殖生长期(蕾薹期
20、和开花期)在各小区选取 3 株能代表整个小区长势的冬油菜植株,清除表面泥垢,去除根部,放进干燥箱 105下杀青 30 min,在 70下干燥至恒质量,用电子秤测定各组织器官干物质。获取的冬油菜地上生物量样本特征如表 1 所示。表 1不同生长时期冬油菜地上部生物量统计Tab1Above-ground biomass of winter rapeseed at different growth stages生长阶段样本数最小值/(kg hm2)最大值/(kg hm2)均值/(kg hm2)标准差/(kg hm2)变异系数/%全生长阶段2160.37688.91018.26726.0321.425营
21、养生长阶段1080.3764.6162.0011.4790.742生殖生长阶段1082.37088.91034.53428.7051.1971.3.2植被指数选择与计算植被指数(Vegetation indices,VIs)是指根据植被光谱吸收特征,将遥感影像各波段反射率之间进行线性或非线性组合形成的无量纲参数23。本文构建 16 种植被指数,如表 2 所示。1.4模型构建1.4.1随机森林随机 森 林(andom forest,F)是 由 LEOBreiman 提出的一种基于分类回归树的机器学习方法33。通过自助法抽样从原始训练集中抽选 n 个样本,再对每个样本分别进行决策树建模并得到 n个
22、建模结果,最后利用所有决策树的建模结果,通过投票得到最终预测结果34。该模型具有高效处理大样本数据、能估计某个特征变量、具有较强噪声及快速运算等特点35。经过误差分析和反复试验,选用 ntree=500、mtry=3 来构建模型。1.4.2支持向量机支持向量机(Support vector machine,SVM)是由 COINNA 等36 于 1995 年首次提出。该模型将数据转换到高维特征空间建立线性模型,基于此线性模型对回归函数进行拟合,SVM 可以在很大程度上克服离散值多和过拟合等问题37 38。核函数用于完成非线性变换,其核函数中的径向基函数(BF)具有映射维度广、需确定参数少、运算
23、相对简单等优点39。因此,本文选择径向基函数作为核函数。1.4.3遗传算法优化支持向量机遗传算法(Genetic algorithm,GA)是一种最优022农业机械学报2 0 2 3 年表 2植被指数Tab2Vegetation indices植被指数计算公式文献序号归一化植被指数NDVI=NI NI+24绿度归一化植被指数GNDVI=NI GNI+G 24增强型植被指数EVI=2S(NI)NI+67.5+1 25优化土壤调节植被指数OSAVI=(1+X)NI GNI+G+X 25土壤调节植被指数SAVI=1.5(NI)(NI+0.5)26差值植被指数DVI=NI 27三角植被指数TVI=0.
24、5 120(NI G)200(G)28抗大气指数VAI=G G+B 29修正三角植被指数MTVI=1.2(NI G)2.5(G)29绿光叶绿素植被指数GCVI=NIG1 29重归一化植被指数DVI=NI GNI+槡 25比值植被指数VI=NI 25改进简单比植被指数MS=NI/1NI/槡+1 24修正土壤调节植被指数MSAVI=0.5 2NI+1 (2NI+1)28(NI)0.5 24蓝光标准值植被指数NBI=B+G+B 29近红外百分比植被指数IPVI=NI/(NI+B)29图 2基于遗传算法和粒子群算法优化支持向量回归算法流程图Fig 2Flowchart of optimizing SV
25、M based on GA and PSO注:B、G、E、NI分别为蓝光波段、绿光波段、红光波段、红边波段和近红外波段的反射率;X 为降低土壤背景影响的优化值,取 0.16。搜索算法,其应用原理是基因遗传和自然选择40。遗传算法优化支持向量机(GA SVM)的基本思想是在 SVM 算法之前,先用遗传算法优化确定核函数参数过程,快速确定全局最优解,再用支持向量回归算法对样本进行训练31(图 2)。1.4.4粒子群算法优化支持向量机粒子群算法(Particle swarm optimization,PSO)通过目标函数评估当前粒子所处位置,得相应的适应度。在种群中粒子的随机初始化形成后,会按照某种
- 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 油菜 上部 生物量 估算 王晗
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。