国产理论片一区二区三区-亚洲国产麻豆精品一区二区38-久久久久国产精品久久久久专区-久久久久久久久久久国产精品

基于無人機(jī)多光譜遙感的玉米LAI估算研究

2022-05-16 17:18:31 點(diǎn)將科技 1027

image.png

要:葉面積指數(shù) leaf area index,LAI 是表征作物生長信息的重要參數(shù),利用無人機(jī)遙感平臺(tái)獲取農(nóng)作物光譜信息定量反演 LAI 對(duì)精確監(jiān)測作物生長情況具有重要意義。本文以玉米為研究對(duì)象,利用無人機(jī) unmanned aerial vehicle,UAV 搭載MicaSense RedEdge-M 多光譜成像儀獲取玉米拔節(jié)期、抽雄期、成熟期等關(guān)鍵生育期內(nèi)低空遙感影像,同步采集地面 LAI,基于多光譜信息構(gòu)建植被指數(shù)并研究其與 LAI 的定量關(guān)系,進(jìn)一步建立玉米 LAI估算模型,對(duì)比分析篩選植被指數(shù)與監(jiān)測時(shí)期。實(shí)驗(yàn)發(fā)現(xiàn)在拔節(jié)期、抽雄期、成熟期玉米 LAI NDVI、OSAVI、EVI、NDRE 均具有較好的相關(guān)性;在不同時(shí)期分別基于 OSAVI、NDRENDRE 建立了 LAI 監(jiān)測模型,模型監(jiān)測精度分別為 0.5490.753、0.733;驗(yàn)證模型精度分別為0.907、0.9320.926,模型估算值與田間實(shí)測值間相對(duì)誤差分別為 8.578.37、9.24,均方根誤差分別為0.104、0.087、0.091;基于不同生育時(shí)期LAI估算模型進(jìn)行田塊尺度的LAI空間分布制圖,估算值與實(shí)測值的決定系數(shù)分別為0.8830.931、0.867;相對(duì)誤差分別為:9.17、8.86、9.32。結(jié)果表明基于MicaSense Red?Edge-M 多光譜成像儀能有效估算玉米關(guān)鍵生育時(shí)期 LAI,可為定量實(shí)時(shí)估算田塊尺度的玉米 LAI提供理論依據(jù)。


1 引言

葉面積指數(shù)(Leaf area index,LAI)是表征作物冠層結(jié)構(gòu)及生長信息的重要參數(shù)之一,了解LAI對(duì)掌握作物長勢動(dòng)態(tài)、水肥調(diào)控、產(chǎn)量預(yù)測等生產(chǎn)管理具有重要意義[1]。玉米是我國主要的作物之一,快速準(zhǔn)確獲取其生長信息,以便為田間施肥決策、估產(chǎn)等生產(chǎn)管理提供技術(shù)支撐[2]。傳統(tǒng) LAI 信息獲取方法僅能表示點(diǎn)位信息,而遙感技術(shù)憑借非侵入式、高通量的優(yōu)勢,能快速、無損、大尺度獲取作物生長信息,已成為精準(zhǔn)農(nóng)業(yè)的重要內(nèi)容和研究熱點(diǎn)[3-5]

目前,利用衛(wèi)星遙感技術(shù)對(duì)LAI的估算已經(jīng)取得了 進(jìn) 。 學(xué) TM、ETM、WorldView-3、Sentinel-2、GF-1/2 等衛(wèi)星遙感影像實(shí)現(xiàn)了區(qū)域尺度的小麥、水稻、玉米、棉花等作物LAI估算[6-11]。但衛(wèi)星遙感影像容易受大氣云層、雨雪天氣、重訪周期等因素的影響,難以滿足特定區(qū)域尺度高頻次、高分辨率數(shù)據(jù)的需求[12-14]。而低空無人機(jī)(Unmannedaerial vehicle,UAV)則能根據(jù)需求搭載不同光譜波段的傳感器,有效彌補(bǔ)衛(wèi)星遙感在中小尺度高精度估算研究中的不足,已逐漸成為現(xiàn)代精準(zhǔn)農(nóng)業(yè)研究的新手段[15-18]。如Berni等利用無人機(jī)多光譜影像估算橄欖樹LAI[19];劉峰等通過無人機(jī)多光譜估算板栗冠層覆蓋度[20];Córcoles等通過無人機(jī)多光譜數(shù)據(jù)研究了洋蔥LAI[21];Peter等利用無人機(jī)多光譜影像估算馬鈴薯LAI [22];孫濤等基于無人機(jī)多光譜遙感影像實(shí)現(xiàn)了水稻 LAI 估算[23];王瑛利用無人機(jī)多光譜影像估算小麥LAI[24];褚洪亮等研究指出基于無人機(jī)多光譜影像估算玉米 LAI的預(yù)測值與田間實(shí)測值具有較高的一致性[25];牛慶林等基于多光譜影像估算玉米育種材料LAI精度超過0.60[26];孫詩睿等基于無人機(jī)多光譜數(shù)據(jù)結(jié)合灰色關(guān)聯(lián)度與隨機(jī)森林方法反演冬小麥LAI精度達(dá)到 0.80[27];高林等基于無人機(jī)數(shù)碼影像與多光譜遙感影像分別研究了小麥、大豆 LAI[28-29]。這些研究為無人機(jī)遙感技術(shù)服務(wù)農(nóng)業(yè)生產(chǎn)管理提供了新的成果,同時(shí)推動(dòng)了無人機(jī)遙感在作物生長信息定量監(jiān)測中的應(yīng)用。

雖然基于無人機(jī)多光譜的作物參數(shù)遙感估算已經(jīng)取得了一些進(jìn)展,但這些研究多通過不同傳感器構(gòu)建某一生育時(shí)期或多生育時(shí)期累加植被指數(shù)建立模型,而植被指數(shù)則隨著作物生育時(shí)期及冠層結(jié)構(gòu)等因素的變化,在時(shí)間尺度上存在一定差異性,導(dǎo)致估算模型估算精度及應(yīng)用尺度受到局限。因此,本文以無人機(jī)搭載 MicaSense RedEdge-M 多光譜成像系統(tǒng)獲取玉米拔節(jié)期、抽雄期、成熟期等多光譜影像,綜合考慮在不同生育時(shí)期多光譜影像特征,同時(shí)結(jié)合MicaSense RedEdge-M 的紅邊波段,進(jìn)一步優(yōu)化篩選植被指數(shù),建立 LAI 估算模型及估算時(shí)期,改善 LAI估算模型的穩(wěn)定性與適用性;并在此基礎(chǔ)上進(jìn)行田塊尺度的LAI空間差異性制圖,為田塊尺度的作物生長信息監(jiān)測診斷提供理論依據(jù)與技術(shù)支撐。

2 實(shí)驗(yàn)設(shè)計(jì)

2.1 研究區(qū)概況

實(shí)驗(yàn)在中國農(nóng)業(yè)科學(xué)院新鄉(xiāng)綜合實(shí)驗(yàn)基地進(jìn)行,實(shí)驗(yàn)基地地處 113°46'08.10"E35°08'03.67"N,海拔78.9 m,溫帶大陸性季風(fēng)型氣候,年平均溫度 14.2℃,無霜期 210 d,年日照時(shí)數(shù)約 2400.0 h,年蒸發(fā)量約2000.0 mm,年平均降水量 585.0 mm。土壤為黃河沖積物發(fā)育潮土,0~20 cm 堿解氮 68 .65 mg/kg,速效磷9.21 mg/kg,速 71.12 mg/kg,有 機(jī) 質(zhì) 10.21mg/kg。

2.2 實(shí)驗(yàn)設(shè)計(jì)

小區(qū)實(shí)驗(yàn)于 20192020 年進(jìn)行,采取隨機(jī)區(qū)組設(shè)計(jì),設(shè)置 2個(gè)玉米品種,5個(gè)氮肥水平,3組重復(fù)。2個(gè)玉米品種分別為“鄭單 958ZD958)”,“登海 605DH605)”;5個(gè)氮肥(46.00% N 尿素)水平分別為 N00 kg/hm2),N175 kg/ hm2),N2150 kg/ hm2),N3225 kg/ hm2),N4300 kg/ hm2),總氮肥 60% 作為基肥,40% 作為追肥,磷鉀肥施用量分別為 120 kg/ hm2 120 kg/ hm2;“ZD958”種植密度為 67500 /hm2,“DH605”種植密度為 82500 /hm2;其他管理方式按照豫北平原高產(chǎn)玉米措施管理。

2.3 數(shù)據(jù)獲取與處理

2.3.1 無人機(jī)多光譜遙感影像采集及預(yù)處理

無人機(jī)多光譜數(shù)據(jù)采集是利用自主搭建低空無人機(jī)遙感監(jiān)測平臺(tái),主要由大疆六旋翼無人機(jī)(Matrice 600ProM-600)與MicaSense RedEdge-M多光譜成像儀構(gòu)成,主要參數(shù)見表 1。MicaSense RedEdgeM 多光譜成像儀同時(shí)收集藍(lán)(Blue)、綠(Green)、紅(Red)、近紅外(Nir)、紅邊(Rededge5 個(gè)不連續(xù)的光譜波段,相機(jī)焦距為 5.5 mm,視場角為 47.2°,圖像分辨率為 1280×960。飛行前后以相機(jī)配備的 0.3 m×0.3 m灰板反射率進(jìn)行校正。實(shí)驗(yàn)在晴朗無云無風(fēng)或微風(fēng)時(shí)進(jìn)行,時(shí)間在 11:0014:00,無人機(jī)飛行高度為 70 m,飛行方向?yàn)槟媳狈较?,航向重疊度為 70%,旁向重疊度為 70%。影像空間分辨率為獲取到的0.035 m。MicaSense RedEdge-M 多光譜成像儀參數(shù)見表 2。同步獲取 RGB 高清數(shù)碼影像,空間分辨率0.028m,為幾何校正基礎(chǔ)數(shù)據(jù)。將航拍獲取的多光譜照片以時(shí)間序列為索引,選取有效照片導(dǎo)入瑞士Pix4D公司Pix4D mapper軟件,根據(jù)照片信息對(duì)進(jìn)行(1)初始化處理;(2)點(diǎn)云和紋理處理;(3DSM、正射影像等處理;(4)利用各通道反射板校正,輸出拼接后影像;(5)拼接后的多光譜圖像以同期獲取的高清數(shù)碼圖像為參考進(jìn)行幾何校正,誤差小于0.5個(gè)像元;(6)根據(jù)研究區(qū)域地理坐標(biāo)對(duì)拼接后的圖像進(jìn)行裁剪,形成研究區(qū)多光譜影像。

image.png

2.3.2 LAI數(shù)據(jù)采集

在實(shí)驗(yàn)區(qū)內(nèi)隨機(jī)選取長勢均勻一致的 1 m×1m固定樣方內(nèi)采集 LAI,與無人機(jī)多光譜數(shù)據(jù)同步采集。LAI采集以美國 Decagon公司植物冠層分析儀采集,在平行于玉米壟間、垂直壟間各測3次,取算數(shù)平均值為該測量點(diǎn)LAI。

2.4 植被指數(shù)選取

通過多光譜信息構(gòu)建植被指數(shù)來反演LAI,可有效凸顯作物群體結(jié)構(gòu)信息,降低干擾因素的影響[30]。本文在前人對(duì)LAI遙感估算精度研究的基礎(chǔ)上,綜合考慮遙感估算精度不確定性因素的主要來源,同時(shí)結(jié) MicaSense RedEdge-M多光譜影像數(shù)據(jù)特點(diǎn),篩選了歸一化差值植被指(NDVI)、控制土壤背景因素的優(yōu)化土壤調(diào)整植被指數(shù)(OSAVI)、控制大氣噪聲因素的增強(qiáng)植被指數(shù)(EVI)、同時(shí)結(jié)合多光譜傳感器對(duì)紅邊波段優(yōu)化歸一化紅邊植被指數(shù)(NDRE)等具有明確物理意義且與LAI具有較好相關(guān)性的植被指數(shù),建立 LAI估算模型。不同植被指數(shù)計(jì)算公式及來源見表2

image.png

2.5 數(shù)據(jù)分析

將連續(xù)2年數(shù)據(jù)按照處理進(jìn)行分組,采用經(jīng)驗(yàn)?zāi)P头ㄟM(jìn)行 LAI 估算。在對(duì)實(shí)驗(yàn)區(qū)采集數(shù)據(jù)經(jīng)驗(yàn)性統(tǒng)計(jì)描述的基礎(chǔ)上,通過相關(guān)、回歸分析,建立經(jīng)驗(yàn)?zāi)P?,并以?dú)立數(shù)據(jù)對(duì)模型精度進(jìn)行驗(yàn)證;在建模過程中,對(duì)比分析植被指數(shù)與估算時(shí)期;在此基礎(chǔ)上利用模型進(jìn)行大田尺度的LAI空間制圖,結(jié)合空間分布圖,進(jìn)行田間實(shí)測值取樣,分析反演制圖精度;進(jìn)一步分析多光譜數(shù)據(jù)估算玉米LAI的潛力。

2.6 精度評(píng)價(jià)

本文以相關(guān)系數(shù)(Correlation coefficient,r)來衡量LAI與植被指數(shù)的相關(guān)程度;以決定系數(shù)(Determination coefficient,R2)與標(biāo)準(zhǔn)誤差(Standard error,SE)評(píng)價(jià) LAI 的估算效果 ;以均方根誤差(Root meansquare error,RMSE)與相對(duì)誤差(Relative error,RE)分析模型估算值與田間實(shí)測值的擬合程度,評(píng)價(jià)模型的驗(yàn)證精度。

image.png

image.png


x 表示估計(jì)值;xˉ 表示估計(jì)值的平均值;y 表示實(shí)測值;yˉ表示實(shí)測值的平均值 ;n表示樣本數(shù)量。

3 結(jié)果與分析

3.1 玉米LAI與植被指數(shù)的定量關(guān)系

通過對(duì)無人機(jī)多光譜遙感影像進(jìn)行解譯分析,提取 5個(gè)波段下玉米冠層反射率值,根據(jù)表 2公式計(jì)算植被指數(shù),通過統(tǒng)計(jì)分析(n=60)計(jì)算不同生育時(shí)期LAI與相應(yīng)植被指數(shù)的定量關(guān)系(表 3)。由表可知,在不同生育時(shí)期,NDVI、OSAVIEVI、NDRE LAI呈現(xiàn)極顯著相關(guān)(P<0.01),相關(guān)系數(shù)為:0.713~0.868。按照統(tǒng)計(jì)學(xué)規(guī)定,相關(guān)系數(shù) 0.50|r|0.80,表明變量之間中度相關(guān);|r|0.80,變量之間則高度相。通過相關(guān)分析表明所選植被指數(shù)均能用來估算玉米LAI,可作為構(gòu)建LAI估算模型的參數(shù)。

image.png

3.2 基于植被指數(shù)的LAI估算模型精度與驗(yàn)證

在相關(guān)性分析的基礎(chǔ)上,以 LAI 為因變量,植被指數(shù)為自變量,建立不同生育時(shí)期 LAI估算模型(n=60),不同生育時(shí)期玉米 LAI 估算模型見表 4。由表可知:基于4種植被指數(shù)的不同生育時(shí)期LAI估算模型決定系數(shù)(R2)分別為 0.508~0.6660.667~0.753、0.630~0.733;標(biāo) 準(zhǔn) 差(SE)分 0.026~0.133、0.027~0.1210.047~0.141。表明模型具有較好的估測精度。以獨(dú)立數(shù)據(jù)對(duì)模型精度進(jìn)行驗(yàn)證(n=60),結(jié)果發(fā)現(xiàn)不同生育時(shí)期模型估算值與田間實(shí)測值間相對(duì)誤差(RE)分別為:8.57~11.31、8.34~10.849.24~13.41;均 差(RMSE)分 0.104~0.147、0.087~0.121、0.091~0.156;說明估算模型具有較好的穩(wěn)定性。不同生育時(shí)期 LAI模型估算值與田間實(shí)測值間對(duì)比結(jié)果如圖2所示。


image.png

image.png

3.3 基于多光譜的玉米 LAI 空間分布與精度驗(yàn)證

LAI估算模型應(yīng)用于多光譜遙感影像,得到研究區(qū)不同生育時(shí)期玉米 LAI 空間分布,如圖 3 所示,由圖可知,拔節(jié)期玉米LAI相對(duì)較小,抽雄期較高,成熟期又略有降低。為驗(yàn)證空間LAI分布圖估算精度,在圖中隨機(jī)選取 30 個(gè)采樣點(diǎn),對(duì)比實(shí)測值與空間分布圖估算值的一致性,如圖 4 所示,在不同生育時(shí)期估算值與實(shí)測值間的決定系數(shù)(R2)分別為 0.8830.931、0.867;相對(duì)誤差(RE)分別為:9.17、8.869.32;均方根誤差(RMSE)分別為 0.1150.074、0.133。說明估算值與實(shí)測值間具有較高的一致性。表明了基于 MicaSense RedEdge-M 多光譜成像系統(tǒng)能較好的估算玉米不同生育時(shí)期LAI。

image.png

image.png

4 結(jié)論與討論

無人機(jī)作為一種新的遙感技術(shù)手段,在彌補(bǔ)現(xiàn)代精準(zhǔn)農(nóng)業(yè)監(jiān)測診斷研究應(yīng)用中具有重要意義[35]。本文研究了拔節(jié)期、抽雄期、成熟期等關(guān)鍵生育時(shí)期玉米LAINDVI、OSAVIEVI、NDRE等植被指數(shù)的定量關(guān)系,發(fā)現(xiàn)在不同生育時(shí)期所選植被指數(shù)與LAI的相關(guān)系數(shù)達(dá)到0.713~0.868,說明了所選植被指數(shù)可作為LAI建模的參數(shù);這是由于本文中所篩選的植被指數(shù),綜合考慮不同生育階段冠層光譜信息噪聲來源,選取了消除土壤背景、大氣噪聲等因素的植被指數(shù),改善了植被指數(shù)與LAI的相關(guān)性。

在相關(guān)性分析的基礎(chǔ)上,建立了不同生育時(shí)期LAI 估算模型,并以獨(dú)立數(shù)據(jù)進(jìn)行驗(yàn)證。拔節(jié)期、抽雄期、成熟期分別基于 OSAVI、NDRE、NDRE 建立的LAI模型估算精度分別為 0.549、0.753、0.733;驗(yàn)證模型精度分別為0.907、0.9320.926;說明抽雄期能更好地估算玉米LAI,不同植被指數(shù)尤以NDRE在生育后期能較好的表征LAI。這是由于在生育后期,群體冠層覆蓋度較高,而本文中采用多光譜紅邊中心波段為717nm,波 10nm,波 對(duì) ,噪 NDRE經(jīng)過進(jìn)一步歸一化處理,提高了紅邊與近紅外波段反射率的對(duì)比度[36],增強(qiáng)了光譜信息對(duì)LAI的敏感性,改善了LAI估算精度。這一結(jié)果與前人研究結(jié)果基本一致[25-29]。

將不同生育時(shí)期 LAI 估算模型應(yīng)用于田塊尺度的玉米 LAI 空間差異性制圖,不同氮肥水平下,LAI隨著施肥量的增加呈增加趨勢,過量施肥則LAI不再增加;從拔節(jié)期至成熟期,LAI 呈“低—高—低”的拋物線趨勢。根據(jù)空間差異性制圖結(jié)果,隨機(jī)選取采樣點(diǎn)的實(shí)測值對(duì)空間分布估測值進(jìn)行驗(yàn)證,不同生育時(shí)期模型估算值與田間實(shí)測值的決定系數(shù)分別為0.883、0.9310.867;相對(duì)誤差分別為 9.17、8.86、9.32,說明模型估算值與田間實(shí)測值間具有較好的一致性,表明該模型具有較好的穩(wěn)定性與適應(yīng)性,該結(jié)果可應(yīng)用于田塊尺度的作物LAI監(jiān)測,為農(nóng)田生產(chǎn)管理提供理論依據(jù)與技術(shù)支持。

由于 LAI 是表征作物冠層結(jié)構(gòu)與長勢信息的參數(shù),在作物全生育時(shí)期存在較大差異,而本文僅研究了拔節(jié)期、抽雄期、成熟期等關(guān)鍵生育時(shí)期,有必要對(duì)全生育時(shí)期進(jìn)一步研究。另外,本文雖然考慮了不同玉米品種的株型、密度、肥力水平等因素,但由于栽培環(huán)境的異質(zhì)性限制,模型在不同生態(tài)環(huán)境條件下的適用性仍有待進(jìn)一步驗(yàn)證完善。


參考文獻(xiàn)

[1] Jefferies R A, Mackerron D K L. Responses of potato genotypes to drought. II. Leaf area index, growth and yield[J]. Annals of Applied Biology, 1993, 122(1): 105-112.

[2] 李俐,許連香,王鵬新, .基于葉面積指數(shù)的河北中部平原夏 產(chǎn) 預(yù) [J]. 農(nóng) 業(yè) 機(jī) 學(xué) 報(bào) , 2020, 51(06):198-208.Li L, Xu L X, Wang P X, et al. Summer maize yield forecasting based on leaf area index[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(10):230-239.

[3] Fu Y, Yang G, Wang J, et al. Winter wheat biomass estimation based on spectral indices, band depth analysis and partial least squares regression using hyperspectral measurements[J]. Computers and Electronics in Agriculture. 2014,100: 51-59.

[4] Verger A, Vigneau N, Cheron C, et al. Green area index froman unmanned aerial system over wheat and rapeseed crops[J]. Remote Sensing Environment, 2014, 152: 654-664.

[5] Liang L, Di L, Zhang L, et al. Estimation of crop LAI usinghyperspectral vegetation indices and a hybrid inversion method [J]. Remote Sensing Environment, 2015, 165: 123-134.

[6] Walthall C, Dulaney W, Anderson M, et al. A comparison of empirical and neural network approaches for estimating corn and soybean leaf area index from Landsat ETM imagery[J].Remote Sensing of Environment, 2004, 92(4): 465-474.

[7] Propastin P A. Spatial non-stationarity and scale-dependency of prediction accuracy in the remote estimation of LAI over a tropical rainforest in Sulawesi, Indonesia[J]. Remote Sensing of Environment, 2009, 113(10):2234-2242.

[8] Frampton W J, Dash J, Warmouth G, et al. Evaluating the capabilities of Sentinel-2 for quantitative estimation of biophysical variables in vegetation[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 82: 83-92.

[9] 蘇偉, 侯寧, 李琪, . 基于Sentinel-2 遙感影像的玉米冠層葉面積指數(shù)反演[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2018, 49(1): 151-156.Su W, Hou N, Li Q, et al. Retrieving leaf area index of corn canopy based on sentinel-2 remote sensing image[J]. Transaction of the Chinese Society for Agricultural Machinery,2018, 49(1): 151-156.

[10] 易秋香. 基于Sentinel-2 多光譜數(shù)據(jù)的棉花葉面積指數(shù)估算[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2019, 35(16):189-197.Yi Q X. Remote estimation of cotton LAI using Sentinel-2 multispectral data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(16): 189-197.

[11] 吾木提·艾山江, 買買提·沙吾提, 陳水森, . 基于GF-1/2衛(wèi)星數(shù)據(jù)的冬小麥葉面積指數(shù)反演[J]. 作物學(xué)報(bào), 2020,46(5): 787-797.Umut H, Mamat S, Chen S, et al. Inversion of leaf area index of winter wheat based on GF-1/2 image[J]. Acta Agronomica Sinica, 2020, 46(5): 787-797.

[12] Alonzo M, Bookhagen B, Mcfadden J P, et al. Mapping urban forest leaf area index with airborne LiDAR using penetration metrics and allometry[J]. Remote Sensing of Environment, 2015, 162(1):141-153.

[13] Zhang L Y, Zhang H H, Niu Y X, et al. Mapping maize water stress based on UAV multispectral remote sensing[J].Remote Sensing, 2019, 11(6): 605.

[14] Yu N, Li L J, Schmitza N, et al. Development of methods to improve soybean yield estimation and predict plant maturity with an unmanned aerial vehicle based platform[J]. Remote Sensing of Environment, 2016, 187(15): 91-101.

[15] Bhardwaj A, Sam L, Akanksha A, et al. UAVs as Remote Sensing Platform in Glaciology: Present Applications and Future Prospects[J]. Remote Sensing of Environment, 2016,175(15):196-204.

[16] Niu Y X, Zhang L Y, Zhang H H, et al. Estimating AboveGround Biomass of Maize Using Features Derived from UAV-Based RGB Imagery[J]. Remote Sensing, 2019, 11 (11): 1261.

[17] Guan K, Wu J, Kimball J S, et al. The shared and unique values of optical, fluorescence, thermal and microwave satellite data for estimating large-scale crop yields[J]. Remote Sensing of Environment, 2017, 199: 333-349.

[18] Roosjen P P J, Bbede B, Suomalainen J M, et al. Improved estimation of leaf area index and leaf chlorophyll content of a potato crop using multi-angle spectral data-potential of unmanned aerial vehicle imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2018, 66:14-26.

[19] Berni J A J, ZARCO-TEJADA P J, SUAREZ L, et al. Thermal and narrowband multispectral remote sensing for vegetation monitoring from an unmanned aerial vehicle[J]. IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(3): 722-738.

[20] 劉峰, 劉素紅, 向陽 . 園地植被覆蓋度的無人機(jī)遙感監(jiān)測研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2014, 45(11): 250-257.Liu F, Liu S H, Xiang Y. Study on monitoring fractional vegetation cover of garden plots by unmanned aerial vehicles[J]. Transactions of the Chinese Society for Agriculural Machinery, 2014, 45(11): 250-257.

[21] Corcoles J I, Ortega J F, Hernandez D, et al. Estimation of leaf area index in onion (Allium cepa L.) using an unmanned aerial vehicle[J]. Biosystems Engineering, 2013,115(1): 31-42.

[22] Peter P J, Roosjen B B, Juha M, et al. Improved Estimation of Leaf Area Index and Leaf Chlorophyll Content of a Potato Crop using Multi-angle Spectral Data-Potential of Unmanned Aerial Vehicle Imagery[J]. International Journal of Applied Earth Observations and Geoinformation, 2017.

[23] 孫濤, 劉振波, 葛云健, . 基于數(shù)碼相片 Gamma 校正的水稻葉面積指數(shù)估算[J]. 生態(tài)學(xué)報(bào), 2014, 34(13):3548-3557.Sun T, Liu Z B, Ge Y J, et al. Estimation of paddy rice leaf area index based on photo gamma correction[J]. Acta Ecologica Sinica, 2014, 34(13): 3548-3557

[24] 王瑛 . 基于無人機(jī)遙感的小麥葉面積指數(shù)反演方法研究[D].楊凌: 西北農(nóng)林科技大學(xué), 2017: 28. Wang Y. Research on the inversion methods of wheat leaf area index based on unmanned aerial vehicle remote sensing [D]. Yangling: Northwest AF University, 2017: 28.

[25] 褚洪亮, 肖青, 柏軍華, . 基于無人機(jī)遙感的葉面積指數(shù)反演[J]. 遙感技術(shù)與應(yīng)用, 2017, 31(01):140-148.Chu H L, Xiao Q, Bai J H, et al. The retrieval of leaf area index based on remote sensing by unmanned aerial vehicle [J]. Remote Sensing Technology and Application, 2017, 31(1): 140-148.

[26] 牛慶林, 馮海寬, 楊貴軍, . 基于無人機(jī)數(shù)碼影像的玉米育種材料株高和 LAI 監(jiān)測[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2018, 34(05): 73-82.Niu Q L, Feng H K, Yang G J, et al. Monitoring plant height and leaf area index of maize breeding material based on UAV digital images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(5): 73-82.

[27] 孫詩睿, 趙艷玲, 王亞娟, . 基于無人機(jī)多光譜遙感的冬小麥葉面積指數(shù)反演[J]. 中國農(nóng)業(yè)大學(xué)學(xué)報(bào), 2019, 24(11):51-58.Sun S R, Zhao Y L, Wang Y J, et al. Leaf area index inversion of winter wheat based on multispectral remote sensing of UAV. Journal of China Agricultural University. 2019, 24(11):51-58.

[28] 高林, 楊貴軍, 李紅軍, . 基于無人機(jī)數(shù)碼影像的冬小麥葉面積指數(shù)探測研究[J]. 中國生態(tài)農(nóng)業(yè)學(xué)報(bào), 2016, 24(09):1254-1264.Gao L, Yang G J, Li H J, et al. Winter wheat LAI estimation using unmanned aerial vehicle RGB-imaging[J]. Chinese Journal of Eco-Agriculture, 2016, 24(09): 1254-1264.

[29] 高林, 楊貴軍, 王寶山, . 基于無人機(jī)遙感影像的大豆葉面積指數(shù)反演研究[J]. 中國生態(tài)農(nóng)業(yè)學(xué)報(bào),2015,23(07):868-876. Gao L, Yang G J, Wang B S, et al. Soybean leaf area index retrieval with UAV (unmanned aerial vehicle) remote sensing imagery[J]. Chinese Journal of Eco-Agriculture, 2015,23(07):868-876.

[30] 劉良云.葉面積指數(shù)遙感尺度效應(yīng)與尺度糾正[J].遙感學(xué)報(bào), 2014, 18(6):1158-1168. Liu L Y. Simulation and correction of spatial scaling effects for leaf area index. Journal of Remote Sensing, 2014, 18(6):1158 -1168.

[31] Rouse J W, Haas R H, Schell J A,et al. Monitoring vegetation systems in the Great Plains with ERTS[Z]. NASA Special Publication, 1974, 351: 309-313.

[32] Rondeaux G, Steven M, Bare F. Op-timization of soil-adjusted vegetation indices[J]. Remote Sensing of Environment, 1996, 55: 95-107.

[33] Huete A R. A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment, 1988, 25(3): 295-309.

[34] Barnes E M, Clarke T R, Richards S E, et al. Coincident detection of crop water stress, nitrogen status and canopy density using ground based multispectral data. In: Robert P C.Rust RH LarsonW E, eds., Proceedings of the 5th International Conference on Precision Agriculture, Bloomington. MN. USA. 2000, 7, 16-19.

[35] 陳俊英, 陳碩博, 張智韜, . 無人機(jī)多光譜遙感反演花蕾期棉花光合參數(shù)研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2018, 49(10):230-239.Chen J Y, Chen S B, Zhang Z T, et al. Investigation on Photosynthetic Parameters of Cotton during Budding Period by Multi-spectral Remote Sensing of Unmanned Aerial Vehicle [J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(10):230-239.

[36] 楊海波, 高興, 黃紹福, . 基于衛(wèi)星波段的馬鈴薯植株氮素含量估測[J]. 光譜學(xué)與光譜分析, 2019, 39(09):2686-2692.Yang H B, Gao X, Huang S F, et al. Staellite bands based estimation of nitrogen concentration in potato plants[J]. Spectroscopy and Spectral Analysis, 2019, 39(09):2686-2692.


來源:《農(nóng)業(yè)大數(shù)據(jù)學(xué)報(bào)》官網(wǎng),轉(zhuǎn)在的目的在于傳遞更多的知識(shí),如有侵權(quán)行為,請(qǐng)聯(lián)系我們,我們會(huì)立即刪除。