没有合适的资源?快使用搜索试试~ 我知道了~
多时相NDVI与丰度综合分析的油菜无人机遥感长势监测.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 109 浏览量
2022-11-30
09:30:25
上传
评论
收藏 327KB DOCX 举报
温馨提示
试读
15页
多时相NDVI与丰度综合分析的油菜无人机遥感长势监测.docx
资源推荐
资源详情
资源评论
油菜是中国传统优势油料作物,总种植面积约占全国油料作物总面积的 50%,是重要
的食用油原料和油粕原料
[1]
。对油菜进行快速准确的监测,不仅关系到保障食用油稳定供
应,也关系到中国油料产品贸易与油料产业的发展。
传统的农作物产量预测方法主要有抽样、气象估产、农学估产和统计模型估产等,但
在监测过程中,这些估产方式都表现出明显的局限性
[2]
。迅速发展的遥感技术可提供对地
宏观、动态、快速的观测,为作物长势的动态监测和产量估算提供一种全新的科学手段。
作物遥感监测研究多使用卫星遥感数据,借助光谱植被指数等对作物长势进行监测。
Gitelson 等
[3]
基于小麦冠层光谱特性,研究了不同植被指数与植被覆盖率的关系;Viña 等
[4]
利用植被指数对玉米与大豆的叶面积指数进行遥感估算;Becker-Reshef 等
[5]
通过时间序列
归一化植被指数(normalized difference vegetation index, NDVI)数据对堪萨斯州小麦产
量进行估算,并在乌克兰地区实现提前预测;秦占飞等
[6]
分析了不同波段组合,构建了 4
种植被指数与水稻叶面积指数反演模型;王蕾等
[7]
利用条件植被温度指数预测了县域尺度
的小麦单产;江东等
[8]
以中国河南省为例,分析了不同地区冬小麦高、中、低产县 NDVI 时
间线曲线和不同生长阶段的关系。有研究
[9]
认为,NDVI 与产量相关,进行遥感估产最普遍
的方式是在 NDVI 与作物产量之间建立经验模型。广泛应用的产量与遥感光谱指数的单纯
统计模式操作简单,便于推广。然而,传统植被遥感中的 NDVI 无法体现农作物的具体植
株器官形态及发育,忽略了不同器官在光合作用、淀粉累计等产量形成环节中的差异,无
法满足农作物精准分析的客观需求。另外,从产量构成角度来看,物理意义不够明确也使
植被指数模型在跨地区与跨年的应用效果不佳。因此,从作物成像和产量形成机理上对油
菜进行定量研究尤为迫切。
遥感影像中的光谱信息可以反映作物生长情况,不同时期各端元丰度数据可反映作物
的物候发育、物质生产与分配,与作物最终产量紧密相联。由于混合像元的广泛存在,丰
度数据可以改善植被指数单纯基于像元反射率的估产方式,能从亚像元层次与植株器官发
育的角度对 NDVI 估产模型进行修正。本文基于无人机遥感的方式,从单一时期丰度数据
与产量构成关系分析出发,紧密结合油菜自身生长的农学特性,提出了新型的利用多时相
丰度信息与 NDVI 相结合的分析方法,建立了适合油菜种植实际特点的估产模型。
1. 实验数据与采集方法
本文实验数据包括无人机影像数据、地物端元光谱数据和油菜产量数据。实验田内共
有 48 块实验小区,其中 24 块小区直播种植,另 24 块小区移栽种植。无人机影像数据包
括 40 m 航高的油菜叶期影像、50 m 航高的花期影像以及 50 m 航高的角果期影像,使用
的 Mini-MCA(multiple camera array)6 波段相机的波段范围分别为 485~495 nm、
545~555 nm、665~675 nm、715~725 nm、780~820 nm、890~910 nm。对 3 个时期无
人机影像的 6 个波段分别进行几何纠正和辐射定标。几何纠正时,以第 5 波段作为基准波
段进行配准。经过几何纠正后,使用与 Mini-MCA 传感器配套的标准定标毯进行场地定
标,得到地表反射率数据。地物端元光谱使用 ASD(analytical spectral devices)光谱仪
采集,探测波段范围为 350~2 500 nm。采集时,光谱仪探头垂直向下,距地物 0.2 m 左
右,每次记录 5 个光谱作为一采样光谱,选定位置分布均匀的 3~5 个点,将其光谱平均值
作为该地物端元的光谱反射值。由于采集到的 ASD 光谱数据在对应 MCA 相机 6 个波段范
围内的波动较小,对每个端元参照无人机影像的 6 个波段范围,分别将 3 个时期的地物光
谱数据进行均值处理,得到平均反射率数据。
2. 混合光谱分解
油菜作物结构复杂,传感器成像时,单一像元内往往包含不同的地物覆盖成分,混合
光谱现象广泛存在。为准确获取目标地物的光谱信息,提高遥感影像的应用精度,必须进
行混合光谱分解
[10]
。具体步骤分为端元光谱获取和混合像元分解。端元获取的常见方式有
图像端元提取法、物理端元提取法、光谱库获取法等。本文使用物理端元提取法,通过野
外采集地物光谱曲线的方式获取端元光谱。常见的混合光谱分解模型有线性模型、概率模
型、随机几何模型等。其中,线性模型使用最为广泛,原理也较为简单,一般形式如下:
P=∑i=1Nciei+e=Ec+nP=∑i=1Nciei+e=Ec+n
(1)
式中,P 为像元的波谱向量;N 为地物的端元数量;E 为在每个波段范围内端元的反
射向量;c 为端元所占比例系数向量;c
i
为第 i 个端元所占像元的面积比;e
i
为第 i 个端元
的反射率;e 和 n 为误差项。在实际光谱解混中,线性模型会受到两个约束条件限制——
非负性约束和归一化约束
[11]
,即:
∑i=1Nci=1,0≤ci≤1∑i=1Nci=1,0≤ci≤1
(2)
3. 多时相分析模型
油菜产量的形成需要经过漫长的生育期,不同时期植株器官发育均影响着作物最终经
济产量。本文通过探讨不同时期各端元丰度与产量的相关性,将 NDVI 估产模式置于产量
形成过程的具体生物分析基础上,建立结合油菜生育期特征的估产模型。
3.1 模型基本流程
为了探究油菜在不同生长期植株器官发育对产量的影响,分别将叶期、花期、角果期
经解混得到的端元丰度数据与产量进行相关分析,探寻对产量最为敏感的要素。在此基础
上,进行多时相相关分析并建立多时相估产模型,如图 1 所示。首先对无人机影像进行几
何纠正和辐射定标处理,得到作物地表反射率影像;然后根据无人机波段范围,对采集到
的地物端元光谱数据进行均值处理,得到端元光谱矩阵;接着基于全约束混合光谱线性解
混模型对地表反射率影像进行解混,得到端元丰度数据;依据丰度与产量的相关性分析,
得到产量最为敏感的端元;最后对比结合 NDVI 估产模式,通过多时相相关性分析,建立
多时相估产模型。
图 1 多时相相关分析流程图
Figure 1. Flowchart of Multi-temporal Correlation Analysis
下载: 全尺寸图片 幻灯片
决定油菜籽粒产量的主要因素有单位面积角果数、角粒数和千粒重。最终产量是干物
质的积累,约 90%~95%产量来源于光合产物。产量的形成主要分为 3 个阶段:从出苗到
花芽分化前,叶片同化作用产生的干物质供植株建成和后续花芽分化,该阶段为角粒数和
单位面积角果数的积淀过程;初花期到终花期是角粒数和单位面积角果数的定型过程;在
角果期,角果层的成熟过程决定了千粒重大小
[12]
。由于作物每一生长时段周围环境的可变
性,只通过作物某一生长阶段的瞬时信息预测产量,往往考虑得不够全面。为较为准确地
表征这种积累过程,使用多元线性回归的方式结合 3 个生长期的数据建立多时相估产模
型。多元线性回归模型的一般形式为:
y=β0+β1x1+β2x2+…+βixiy=β0+β1x1+β2x2+…+βixi
(3)
式中,y 为因变量;x 为自变量;i 为自变量个数;β
0
与 β
i
分别是常数项与回归系数。
建立多时相线性模型时,自变量的选取需考虑油菜不同生长期中有助于最终产量形成的部
分。
剩余14页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3648
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 设计1.ms14
- vscode-1.64.1.tar源码文件
- vscode-1.64.0.tar源码文件
- vscode-1.52.0.tar源码文件
- Music-Player +PlayerActivity+ rockplayer+ SeeJoPlayer 播放器JAVA源码
- vscode-1.46.0.tar源码文件
- 最近很火植物大战僵尸杂交版2.08苹果+安卓+PC+防闪退工具V2+修改工具+高清工具+通关存档整合包更新
- 超级好用的截图工具PixPin,可录制Gif图
- Screenshot_2024-05-21-17-06-42-64_2332cb9b27b851b548ba47a91682926c.jpg
- 毕业设计参考 - 基于树莓派、OpenCV及Python的人脸识别
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功