检索结果-南通市图书馆

维普期刊数据库博看期刊

基于无人机多光谱估测不同品种紫花苜蓿的地上生物量和叶绿素含量

在线全文

学校读者我要写书评

暂无评论

光谱学与光谱分析 2023年第12期43卷 3847-3852页

作者：沈思聪张靖雪陈鸣晖李志威孙盛楠严学兵扬州大学动物科学与技术学院江苏扬州225127

地上生物量和叶绿素是紫花苜蓿生长过程中的重要指标,可以为其生长的动态监测与管理提供有效的帮助。紫花苜蓿作为最为重要的饲草作物,如何利用现代光谱智能技术有效且准确地预测其状态是紫花苜蓿种植过程中的重要问题。基于无人机多光... 详细信息

地上生物量和叶绿素是紫花苜蓿生长过程中的重要指标,可以为其生长的动态监测与管理提供有效的帮助。紫花苜蓿作为最为重要的饲草作物,如何利用现代光谱智能技术有效且准确地预测其状态是紫花苜蓿种植过程中的重要问题。基于无人机多光谱对不同品种紫花苜蓿的地上生物量和叶绿素含量的估算结果进行研究并为此构建预估模型。共研究了21个紫花苜蓿品种,采用无人机搭载多光谱相机在天气晴朗无风时起飞并拍摄图像,将无人机拍摄得到的多光谱图像采用ENVI 5.3软件进行分析,挑选出NDVI、 EVI、 SAVI、 Green NDVI、 NDGI、 DVI、 NGBDI、 OSAVI、 NDRE和MSR共10个植被参数和无人机多光谱相机自带的5个光谱波段(蓝、绿、红、红边、近红外)进行特征分析,再使用Matlab 2020b软件,采用支持向量机(SVM)构建不同品种紫花苜蓿的地上生物量和叶绿素含量的预测模型。然而在实际操作的运行中,发现使用SVM构建的预估模型其准确率不理想,因此使用智能算法鲸鱼(WOA)和灰狼(GWO)对SVM预估模型进行优化,发现使用SVM预估模型能预估不同品种的紫花苜蓿的地上生物量和叶绿素含量,其中经WOA智能算法优化后的SVM预估模型在估算不同品种的紫花苜蓿的地上生物量和叶绿素含量时其准确率最高。研究中构建的预估模型为筛选品质较好的紫花苜蓿品种有一定的指导意义,同时也为今后无人机多光谱预估紫花苜蓿的生物量及其相关的生理生态指标提供了有效的帮助和合理的参考依据。

关键词：苜蓿产量叶绿素含量无人机多光谱支持向量机智能算法

基于无人机多光谱植被指数的生菜全氮含量预测

在线全文

学校读者我要写书评

暂无评论

光谱学与光谱分析 2024年第8期44卷 2318-2325页

作者：连炳瑞李雅豪张静李长青杨小冬王激清邹国元 Thompson Rodney 杨俊刚北京市农林科学院植物营养与资源环境研究所北京100097 河北北方学院农林科技学院河北张家口075000 北京翠湖农业科技有限公司北京100089 河北农业大学资源与环境科学学院河北保定071000 农业农村部农业遥感机理与定量遥感重点实验室北京市农林科学院信息技术研究中心北京100097 University of Almeria Spain 04120

我国露地蔬菜种植规模庞大,生产方式高度集约化,但过量施肥等导致的水氮利用效率低下的问题较为严重。为实现露地蔬菜规模化种植中精准施肥、高效生产的目标,以露地生菜为研究对象,设无氮(N0)、低氮(N1)、高氮(N2)三个处理,通过无人机... 详细信息

我国露地蔬菜种植规模庞大,生产方式高度集约化,但过量施肥等导致的水氮利用效率低下的问题较为严重。为实现露地蔬菜规模化种植中精准施肥、高效生产的目标,以露地生菜为研究对象,设无氮(N0)、低氮(N1)、高氮(N2)三个处理,通过无人机搭载多光谱相机,建立3种多光谱植被指数(NDVI、RVI和SAVI)与生菜叶绿素、生物量、吸氮量、全氮含量数据集,并构建单生育期和多生育期氮素诊断模型。结果表明:(1)在莲座期和结球期,生菜各处理NDVI、RVI和SAVI值表现出随施氮量的增加而增大,但在收获期,N1处理达到最大值。(2)在生菜结球期,NDVI与生菜的产量、吸氮量、叶绿素均存在显著相关性,其中生菜全氮含量与叶绿素在p≤0.01水平下显著相关,相关系数(R)为0.51;综合生菜多生育期,NDVI值与生菜的产量、叶绿素、吸氮量和全氮含量均在p≤0.001水平下达到极显著相关,相关系数分别为0.85、0.82、0.81和0.71。(3)通过相应数据集拟合出指数、线性、对数和幂函数4种模型关系,建立生菜多生育期植株全氮最佳预测模型:全氮=16.52ln(NDVI)+73.514;应用生菜全氮估层模型反演基地生产田块,其平均相对误差为3.22%、RMSE=0.5566、NRMSE=0.0108,说明模型估算效果均较好,通过无人机多光谱遥感对蔬菜氮素诊断具有一定的可行性。

关键词：露地生菜无人机多光谱 NDVI 全氮预测模型

不同植被覆盖度下无人机多光谱遥感土壤含盐量反演

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2022年第8期53卷 220-230页

作者：张智韬台翔杨宁张珺锐黄小鱼陈钦达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 西北农林科技大学水利与建筑工程学院陕西杨凌712100

准确快速获取植被覆盖条件下农田土壤盐分信息,为土壤盐渍化治理提供依据。利用无人机遥感平台,获取2019年7、8、9月内蒙古河套灌区沙壕渠灌域试验地的多光谱遥感图像以及取样点0~10 cm、10~20 cm、20~40 cm、40~60 cm深度处土壤含盐量... 详细信息

准确快速获取植被覆盖条件下农田土壤盐分信息,为土壤盐渍化治理提供依据。利用无人机遥感平台,获取2019年7、8、9月内蒙古河套灌区沙壕渠灌域试验地的多光谱遥感图像以及取样点0~10 cm、10~20 cm、20~40 cm、40~60 cm深度处土壤含盐量,通过多光谱遥感图像计算得到光谱指数,选择归一化植被指数(NDVI-2)代入像元二分模型计算植被覆盖度,并划分为T1(裸土)、T2(低植被覆盖度)、T3(中植被覆盖度)、T4(高植被覆盖度)4个覆盖度等级;同时,对光谱指数进行全子集变量筛选,并利用偏最小二乘回归算法和极限学习机算法,构建不同覆盖度下各深度土壤含盐量反演模型。研究结果表明,裸土和高植被覆盖度下的反演模型精度高于低植被覆盖度和中植被覆盖度下的反演模型精度;对比PLSR和ELM 2种SSC反演模型精度,ELM模型的反演精度比PLSR模型高;覆盖度T1、T2、T3和T4的最佳反演深度分别为0~10 cm、10~20 cm、20~40 cm、20~40 cm。研究结果为无人机多光谱遥感监测农田土壤盐渍化提供了思路。

关键词：土壤含盐量无人机多光谱反演植被覆盖度像元二分模型全子集筛选

基于无人机多光谱的大豆旗叶光合作用量子产量反演方法

在线全文

学校读者我要写书评

暂无评论

农业工程学报 2022年第13期38卷 150-157页

作者：张通金秀饶元罗庆李绍稳王良龙张筱丹安徽农业大学信息与计算机学院合肥230036 农业农村部农业传感器重点实验室合肥230036 智慧农业技术与装备安徽省重点实验室合肥230036

大豆旗叶的量子产量(Quantum Yield,QY)对于评估光合效率非常重要,利用无人机多光谱数据对QY值进行高通量反演,能够无损、高效的监测光合作用过程中的生理化学变化。该研究的目的是探究植被指数与QY值相关性,并基于高相关性的植被指数反... 详细信息

大豆旗叶的量子产量(Quantum Yield,QY)对于评估光合效率非常重要,利用无人机多光谱数据对QY值进行高通量反演,能够无损、高效的监测光合作用过程中的生理化学变化。该研究的目的是探究植被指数与QY值相关性,并基于高相关性的植被指数反演QY值,同时分析了多植被指数与单植被指数构建反演模型的准确性。结果表明,与传统反演算法支持向量回归(Support Vector Regression,SVR)相比,基于集成学习的自适应提升(Adaptive Boost,AdaBoost)算法提高了模型的准确性,测试集决定系数(coefficient of determination,R^(2))为0.982,均方根误差(Root Mean Square Error,RMSE)为0.089,相对分析误差(Residual Predictive Deviation,RPD)为7.29。研究表明基于多植被指数、利用AdaBoost算法可以构建更为有效的无人机多光谱大豆光合有效量子产量反演模型,为评估高通量光合效率提供了一种先进的方法。

关键词：大豆无人机多光谱有效量子产量植被指数光合效率

基于无人机多光谱的棉花多生育期叶面积指数反演

在线全文

学校读者我要写书评

暂无评论

中国农业科学 2024年第1期57卷 80-95页

作者：石浩磊曹红霞张伟杰朱珊何子建张泽西北农林科技大学旱区农业水土工程教育部重点实验室石河子大学农学院

【目的】叶面积指数（leaf area index,LAI）是表征作物长势、光合、蒸腾的重要指标。论文旨在研究不同生育期、多生育期无人机多光谱数据棉花LAI估测模型，明确不同生育期间棉花LAI估测模型变化规律，为实时掌握棉花长势并因地制宜进... 详细信息

【目的】叶面积指数（leaf area index,LAI）是表征作物长势、光合、蒸腾的重要指标。论文旨在研究不同生育期、多生育期无人机多光谱数据棉花LAI估测模型，明确不同生育期间棉花LAI估测模型变化规律，为实时掌握棉花长势并因地制宜进行田间科学管理提供依据。【方法】利用大疆精灵4多光谱无人机获取棉花现蕾期、初花期、结铃期、吐絮期多光谱图像和RGB图像。选用归一化差植被指数（NDVI）、绿度归一化差植被指数（GNDVI）、归一化差红边指数（NDRE）、叶片叶绿素指数（LCI）、优化的土壤调节植被指数（OSAVI）5种多光谱指数和修正红绿植被指数（MGRVI）、红绿植被指数（GRVI）、绿叶指数（GLA）、超红指数（EXR）、大气阻抗植被指数（VARI）5种颜色指数分别建立棉花各生育期及棉花生长多生育期数据集合，结合打孔法获取地面LAI实测数据，使用机器学习算法中偏最小二乘（PLSR）、岭回归（RR）、随机森林（RF）、支持向量机（SVM）、神经网络（BP）构建棉花LAI预测模型。【结果】覆膜棉花LAI随着生育期的变化呈现先增长后下降的趋势，现蕾期、初花期、结铃期内侧棉花叶面积指数均值均显著大于外侧（P多光谱指数与颜色指数间的相关性随着生育期的进行而呈现下降趋势，选择的指数在各时期均与棉花LAI相关性显著（P多光谱指数相关系数介于0.35—0.85，颜色指数相关系数介于0.49—0.71，相关系数绝对值较大的指数多为多光谱指数，颜色指数与棉花LAI的相关系数绝对值较小；估测模型性能结果显示棉花各生育期模型中多光谱指数优于颜色指数，且各指数模型预测性能随着生育期的变化呈现一定规律性，NDVI是预测棉花LAI的最优指数。从模型结果上看，RF模型和BP模型在各生育期下获得了较高的估计精度。初花期LAI反演模型精度最高，最优模型验证集R2为0.809,MAE为0.288,NRMSE为0.120。多生育期最优模型验证集R2为0.386,MAE为0.700,NRMSE为0.198。【结论】棉花内外侧LAI在现蕾期、初花期、结铃期存在显著差异。在各生育期中，RF和BP模型是预测棉花LAI较优模型。NDVI在各指数中表现最好，是预测棉花LAI的最优指数。多生育期模型效果较单生育期明显下降，最优指数为GNDVI，最优模型为BP。本研究中预测棉花LAI的最优窗口期是初花期。研究结果可为无人机遥感监测棉花LAI提供理论依据和技术支持。

关键词：棉花叶面积指数多光谱指数颜色指数无人机多光谱机器学习

LAI无人机多光谱遥感估测及其在盐渍土改良中的应用

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

中国农业科学 2020年第9期53卷 1795-1805页

作者：史丰智王瑞燕李玉环闫宏张晓鑫山东农业大学资源与环境学院土肥资源高效利用国家工程实验室商河县农业农村局

【目的】植被产量能综合直观地反映盐渍土改良效果,冬小麦生长旺盛期的叶面积指数(LAI)是植被产量的常用衡量指标。本研究利用无人机多光谱遥感获取冬小麦生长旺盛期的叶面积指数分布数据,对盐渍土改良效果进行客观准确评价,为人们筛选... 详细信息

【目的】植被产量能综合直观地反映盐渍土改良效果,冬小麦生长旺盛期的叶面积指数(LAI)是植被产量的常用衡量指标。本研究利用无人机多光谱遥感获取冬小麦生长旺盛期的叶面积指数分布数据,对盐渍土改良效果进行客观准确评价,为人们筛选盐渍土改良技术和产品提供科学指导。【方法】以无棣县渤海粮仓滨海盐渍土改良试验区为研究区,基于无人机多光谱遥感数据,利用线性回归分析、偏最小二乘、随机森林和支持向量机等方法,构建拔节期冬小麦LAI反演模型;并利用因子分析法对盐渍土地区抽样地块进行改良效果评价,建立盐渍土改良效果LAI评价模型,基于该评价模型对整个试验区盐渍土改良效果进行评价。【结果】对冬小麦LAI遥感估测而言,并不是分辨率越高越好,而是5×5均值平滑后的光谱数据与一垄小麦叶面积指数的对应最佳。LAI遥感估测模型中,利用支持向量机建立的模型精度最高。改良效果LAI评价模型的预测结果表明,LAI对盐渍土改良效果的预测精度较高,改良效果最优地块的编号为26、27、28、29、30和31,最优改良方法为引黄淤灌和增施有机肥综合改良措施。【结论】无人机遥感可对盐渍土地区拔节期冬小麦的叶面积指数进行准确反演,基于LAI反演结果的盐渍土改良效果评价能够从众多试验小区中定位出最优的改良效果。与传统方法相比,该方法具有成本低廉、精度高等优势,研究结果有广泛推广前景,可以为盐渍土的改良提供重要技术支持。

关键词：无人机多光谱盐渍土改良冬小麦拔节期叶面积指数遥感估测

融合无人机多光谱及纹理特征的水稻叶绿素含量精准反演研究

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

农业机械学报 2024年

作者：祝清震朱艳秋王爱臣张立元江苏大学农业工程学院

为融合无人机多光谱植被指数和纹理特征实现水稻叶绿含量估计，本文以大田水稻为研究对象，分别在分蘖期、扬花期及灌浆期等关键生育期进行了无人机多光谱遥感影像和叶绿素含量地面实测值采集；提取了15个多光谱植被指数及35个纹理特征... 详细信息

为融合无人机多光谱植被指数和纹理特征实现水稻叶绿含量估计，本文以大田水稻为研究对象，分别在分蘖期、扬花期及灌浆期等关键生育期进行了无人机多光谱遥感影像和叶绿素含量地面实测值采集；提取了15个多光谱植被指数及35个纹理特征，分析了其与水稻叶绿含量的相关性；并采用仅基于植被指数、仅基于纹理特征和融合光谱及纹理特征等3种建模策略，结合人工神经网络、随机森林、支持向量机及多元线性回归等4种回归建模算法的方式，进行了水稻叶绿素含量精准反演建模分析。结果表明：无人机多光谱植被指数与纹理特征均与水稻叶绿素含量具有显著相关性，其中NGBDI指数及B＿M纹理特征的相关性最高，皮尔森系数分别为0.77及0.73；融合无人机多光谱及纹理特征可以有效提升水稻叶绿素含量的反演精度，且4种回归算法中人工神经网络的回归估计精度最好，模型验证时调整决定系数为0.72，均方根误差为1.52。融合无人机多光谱及纹理特征可以实现水稻叶片叶绿素含量的精准反演，从而为大田水稻的精细化管理提供信息支撑。

关键词：水稻叶绿素含量无人机多光谱植被指数纹理特征反演

基于无人机多光谱遥感的冬小麦叶片含水量反演

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

麦类作物学报 2022年第10期42卷 1291-1300页

作者：芮婷婷徐云飞程琦杨斌冯志军周涛张世文安徽理工大学空间信息与测绘工程学院安徽淮南232001 安徽理工大学矿山采动灾害空天地协同监测与预警安徽普通高校重点实验室安徽淮南232001 安徽理工大学矿区环境与灾害协同监测煤炭行业工程研究中心安徽淮南232001 安徽理工大学地球与环境学院安徽淮南232001

为了快速监测小麦叶片水分含量,以敏感波段组和植被指数组2种变量分别作为输入变量,以地面同步观测的冬小麦叶片含水量作为输出变量,分别采用偏最小二乘(partial least squares,PLS)、极限学习机(extreme learning machine,ELM)和粒子... 详细信息

为了快速监测小麦叶片水分含量,以敏感波段组和植被指数组2种变量分别作为输入变量,以地面同步观测的冬小麦叶片含水量作为输出变量,分别采用偏最小二乘(partial least squares,PLS)、极限学习机(extreme learning machine,ELM)和粒子群算法(particle swarm optimization,PSO)优化极限学习机,建立冬小麦叶片含水量预测模型,并对其反演效果进行比较。结果表明,光谱反射率和植被指数与叶片含水量之间存在较为密切的相关性,依此确定的敏感光谱波段为红光、蓝光和近红外波段,敏感植被指数为绿度指数、过红指数、归一化绿红差值指数、三角形植被指数和过绿指数。从2种变量的建模效果看,基于植被指数组构建的模型的精度和稳定性均优于敏感波段组,其中基于植被指数组的PSO-ELM模型在6个叶片水分含量反演模型中表现最佳,其r 2和RMSE分别为0.98和0.26%。利用最优模型反演得到研究区冬小麦叶片含水量的分布范围为45%~75%,平均为64.57%,反演结果与地面实测较相符,说明基于无人机光谱数据通过建立以植被指数为变量的PSO-ELM模型可实现对冬小麦叶片水分含量的精准预测。

关键词：无人机多光谱冬小麦敏感波段植被指数叶片含水量

基于地物高光谱和无人机多光谱的黄河三角洲土壤盐分机器学习反演模型

在线全文

学校读者我要写书评

暂无评论

智慧农业（中英文） 2022年第4期4卷 61-73页

作者：范承志王梓文杨兴超罗永开徐学欣郭斌李振海山东科技大学测绘与空间信息学院山东青岛266590 滨州学院山东省黄河三角洲生态环境重点实验室山东滨州256603 青岛农业大学农学院山东青岛266109

土壤盐渍化是限制黄河三角洲地区农业经济发展的重要因素,进一步阻碍了农业生产。为了探索无人机影像在地表无植被覆盖条件下的土壤盐分含量反演状况,以黄河三角洲典型区域为研究区,获取地物高光谱和无人机多光谱两种数据源与样点土壤... 详细信息

土壤盐渍化是限制黄河三角洲地区农业经济发展的重要因素,进一步阻碍了农业生产。为了探索无人机影像在地表无植被覆盖条件下的土壤盐分含量反演状况,以黄河三角洲典型区域为研究区,获取地物高光谱和无人机多光谱两种数据源与样点土壤盐分含量,通过优选敏感光谱参量,使用偏最小二乘回归(Partial Least Squares Regression,PLSR)和随机森林(Random Forest,RF)两种机器学习算法建立土壤盐分含量反演模型,实现研究区的土壤盐分含量反演。结果表明:(1)高光谱1972 nm波段与土壤盐分含量间的敏感性最高,相关系数为-0.31。(2)两种不同数据源优化后的RF模型均优于PLSR,且稳定性更好。(3)基于地物高光谱的RF模型(R^(2)=0.54,RMSEv=3.30 g/kg)优于基于无人机多光谱的RF模型(R^(2)=0.54,验证RMSRv=3.35 g/kg)。(4)结合无人机影像采用多光谱RF模型对研究区耕地的土壤盐分含量进行反演,研究区总体以轻、中度盐渍化土壤为主,对作物的耕种具有一定程度的限制。本研究构建并对比了两种不同源数据的黄河三角洲土壤盐分反演模型,并结合各自数据源的优势进行优化,探索了地表无植被覆盖情况下的土壤盐分含量反演方法,对更精准反演土地盐渍化程度提供了参考。

关键词：土壤盐分含量遥感地物高光谱无人机多光谱偏最小二乘回归随机森林机器学习

维普期刊数据库博看期刊