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-CSDN文库

版权申诉

109 浏览量 2022-11-30 09:30:25 上传评论收藏 327KB DOCX 举报

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

为第 i 个端元所占像元的面积比；e

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，

剩余14页未读，继续阅读

评论收藏

内容反馈

版权申诉

罗伯特之技术屋

粉丝: 3648
资源: 1万+

多时相NDVI与丰度综合分析的油菜无人机遥感长势监测.docx

Matlab遥感图像读取程序设计.docx_NDWI_matlabapp_遥感图像_NDVI_遥感图像处理_

实验四 NDVI提取.docx

NetCDF格式转换TIFF-以全球GIMMS3g-NDVI数据为例.docx

NDVI说明及植被覆盖率计算.docx

NDVI_NDVI数据多时相合成_

遥感图像的增强处理-光谱增强实验.docx

NDVI.rar_PYTHON NDVI_python 遥感_python 遥感_遥感_遥感python

ENVI实习报告.docx

NDVI.ZIP_NDVI_everyonea1p_matlab 图像处理_matlab计算ndvi_近红外遥感

NDVI.zip_MFC c++编程 计算NDVI_NDVI计算_PHQ_mfc遥感影像_打开遥感影像

遥感图像NDVI植被指数源码vc

遥感植被指数NDVI计算.doc

NDVI.zip_Matlab遥感计算_NDVI_adult1nm_matlab NDVI_site:www.pudn.com

modis数据批量处理详细过程xzx.docx

T_R_NDVI.rar_ T_R_NDVI_NDVI_TNDVI_envi，ndvi_遥感

基于GDAL实现遥感影像的NDVI计算

鄱阳湖NDVI植被遥感数据，TIF格式

水体指数.zip_Water Body_matlab NDVI_光谱_水体提取指数_遥感影像

基于RS与GIS的干旱区棉花信息提取及长势监测

相关实用应用程序（Windows可用）

免费可用的ChatGPT网页版.zip

ChatGPT使用总结：150个ChatGPT提示词模板（完整版）

chromedriver-win64.zip

全国计算机二级WPSoffice精选350道选择题题库（含答案）.pdf

农村公交与异构无人机协同配送优化

李飞飞自传 我看见的世界 The World I see

哈尔滨工业大学-ChatGPT调研报告-2023.3.6-94页.pdf

4个亲测好用的ChatGPT4渠道

基于小波与卷积神经网络的多尺度时间序列分类.zip

最新资源

NDVI.zip_MFC c++编程计算NDVI_NDVI计算_PHQ_mfc遥感影像_打开遥感影像

李飞飞自传我看见的世界 The World I see