基于高分辨率无人机的高光谱图像小麦的LAI和叶绿素估算
高效的N肥使用产出需要平衡最小的环境污染和最大的产量,N素使用效率是目前精准农业中重要问题之一。于2017年6月,应用无人机高光谱成像系统对八种不同氮处理的冬小麦进行了高光谱图像采集。高光谱成像仪采用美国RESONON公司的Pika-L,波段范围400-1000nm,系统集成了惯导测量系统(IMU)和稳定云台,可以获得较高精度的光谱分辨率和空间分辨率的数据。同时在地面采集并获得冬小麦的叶绿素含量(CHL)、叶面积(LAI),利用偏最小二乘法进行反演估算,(RLAI 2= 0.79, RMSELAI [m2m2] = 0.18, R2CHL = 0.77, RMSECHL [_g cm-2] = 7.02),并采用多元线性回归模型进行了产量估测(R2产量=0.88,RMSEfield[dt ha-1]=4.18)。利用该模型,可以对高光谱图像进行像素水平的预测。结果表明,在一定施氮量以上,进一步施肥不一定会继续导致产量增加,为高光谱精准农业研究提供了一定了理论支持。1 实验设计试验田位于德国西北部的奥斯纳布吕克大学,包括8个处理,6个施氮水平。氮肥水平选择在0到150 kg ha-1,如图所示,不同颜色代表了不同的处理。图1研究区域2 数据处理高光谱传感器采用美国RESONON公司的PikaL,无人机系统采用大疆无人机DJI S1000,以及SBG惯导系统和稳定云带装置(图2)。图2 高光谱机载系统现场照片几何校正前 几何校正后3 结果和分析图7 LAI偏最小二乘回归(PLSR)模型预测值与实测值比较 图8 CHL偏最小二乘回归(PLSR)模型预测值与实测值比较利用高光谱数据采用偏最小二乘法模型进行LAI和CHL的估测,模型精度分别为LAI:R2 = 0.79,RMSE=0.182,CHL:R2 =0.77,RMSE=7.016。整个研究区域的LAI预测如(图9)所示,接近于零的LAI值主要出现在田间地块之间的狭窄的垄带上,由于这些相邻像素的影响,LAI值仍然大于零。LAI估值低于1个地块(地块3、17和21)...
2020
-
07
-
10