基于高光谱数据提取作物冠层特征信息的研究进展晏四方

㊀山东农业科学㊀２０２４ꎬ５６(４):１７２~１８０ＳｈａｎｄｏｎｇＡｇｒｉｃｕｌｔｕｒａｌＳｃｉｅｎｃｅｓ㊀ＤＯＩ:１０.１４０８３/ｊ.ｉｓｓｎ.１００１－４９４２.２０２４.０４.０２２收稿日期:２０２３－０３－３０基金项目:山东省自然科学基金项目(ＺＲ２０２１Ｍ０５５)ꎻ国家重点研发计划课题(２０２１ＹＦＢ３９０１３０３)作者简介:曾世伟(２０００ )ꎬ男ꎬ硕士研究生ꎬ主要从事农业遥感研究ꎮＥ－ｍａｉｌ:１４２２１８０４２６＠ｑｑ.ｃｏｍ通信作者:侯学会(１９８５ )ꎬ女ꎬ博士ꎬ助理研究员ꎬ主要从事农业遥感研究ꎮＥ－ｍａｉｌ:ｓｘｈｏｕｘｈ＠１２６.ｃｏｍ王宗良(１９８６ )ꎬ男ꎬ博士ꎬ副教授ꎬ主要从事光纤传感研究ꎮＥ－ｍａｉｌ:ｗａｎｇｚｏｎｇｌｉａｎｇ＠ｌｃｕ.ｅｄｕ.ｃｎ基于无人机遥感的作物表型参数获取和应用研究进展曾世伟１ꎬ２ꎬ侯学会２ꎬ王宗良１ꎬ骆秀斌２ꎬ巫志雄１ꎬ２ꎬ王宏军１(１.聊城大学物理科学与信息工程学院ꎬ山东聊城㊀２５２０００ꎻ２.山东省农业科学院农业信息与经济研究所ꎬ山东济南㊀２５０１００)㊀㊀摘要:作物表型参数是由基因和环境因素决定或影响的作物生理㊁生化特征和性状ꎮ通过获取不同环境㊁不同生长时期的作物表型信息ꎬ可直观了解作物生长状况ꎬ以及时调整栽培管理措施ꎬ保障作物高效生产ꎮ无人机搭载ＲＧＢ相机㊁光谱相机㊁激光雷达等传感器ꎬ可充分发挥灵活性好㊁获取数据效率高㊁成本相对较低等优势ꎬ实现作物表型参数信息的高效获取ꎬ同时ꎬ快速发展的图像处理和识别分类技术又为无人机遥感获取的作物表型参数信息提供了有效的处理和分析方法ꎬ从而使得作物监测更加便捷㊁高效ꎮ本文总结了无人机遥感获取作物表型参数信息的流程与方法ꎬ概括了基于无人机遥感开展作物株高㊁冠层覆盖度㊁叶面积指数㊁水分胁迫㊁生物量㊁产量等表型参数研究的现状ꎬ并对无人机遥感技术在作物表型参数信息解析方面的应用前景进行了展望ꎬ以期为充分发挥该技术在农业生产中的作用提供参考ꎮ关键词:无人机遥感ꎻ作物表型参数ꎻ作物监测中图分类号:Ｓ１２７㊀㊀文献标识号:Ａ㊀㊀文章编号:１００１－４９４２(２０２４)０４－０１７２－０９ＲｅｓｅａｒｃｈＰｒｏｇｒｅｓｓｏｆＯｂｔａｉｎｉｎｇａｎｄＵｔｉｌｉｚｉｎｇＣｒｏｐＰｈｅｎｏｔｙｐｉｃＰａｒａｍｅｔｅｒｓＢａｓｅｄｏｎＵＡＶＲｅｍｏｔｅＳｅｎｓｉｎｇＺｅｎｇＳｈｉｗｅｉ１ꎬ２ꎬＨｏｕＸｕｅｈｕｉ２ꎬＷａｎｇＺｏｎｇｌｉａｎｇ１ꎬＬｕｏＸｉｕｂｉｎ２ꎬＷｕＺｈｉｘｉｏｎｇ１ꎬ２ꎬＷａｎｇＨｏｎｇｊｕｎ１(１.ＳｃｈｏｏｌｏｆＰｈｙｓｉｃａｌＳｃｉｅｎｃｅａｎｄＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙꎬＬｉａｏｃｈｅｎｇＵｎｉｖｅｒｓｉｔｙꎬＬｉａｏｃｈｅｎｇ２５２０００ꎬＣｈｉｎａꎻ２.ＩｎｓｔｉｔｕｔｅｏｆＩｎｆｏｒｍａｔｉｏｎａｎｄＥｃｏｎｏｍｉｃＲｅｓｅａｒｃｈꎬＳｈａｎｄｏｎｇＡｃａｄｅｍｙｏｆＡｇｒｉｃｕｌｔｕｒａｌＳｃｉｅｎｃｅｓꎬＪｉｎａｎ２５０１００ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ㊀Ｃｒｏｐｐｈｅｎｏｔｙｐｉｃｐａｒａｍｅｔｅｒｓｒｅｆｅｒｔｏｃｒｏｐｐｈｙｓｉｏｌｏｇｉｃａｌａｎｄｂｉｏｃｈｅｍｉｃａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓｔｈａｔａｒｅｄｅｔｅｒｍｉｎｅｄｏｒｉｎｆｌｕｅｎｃｅｄｂｙｇｅｎｅｔｉｃａｎｄｅｎｖｉｒｏｎｍｅｎｔａｌｆａｃｔｏｒｓ.Ｔｈｒｏｕｇｈｏｂｔａｉｎｉｎｇｃｒｏｐｐｈｅｎｏｔｙｐｉｃｉｎｆｏｒｍａｔｉｏｎｕｎｄｅｒｄｉｆｆｅｒｅｎｔｅｎｖｉｒｏｎｍｅｎｔｓａｎｄｇｒｏｗｔｈｐｅｒｉｏｄｓꎬｔｈｅｇｒｏｗｔｈｓｔａｔｕｓｏｆｃｒｏｐｓｃｏｕｌｄｂｅｋｎｏｗｎｉｎｔｕｉｔｉｖｅｌｙｓｏｔｈａｔｃｕｌｔｉｖａｔｉｏｎｍａｎａｇｅｍｅｎｔｓｔｒａｔｅｇｉｅｓｃｏｕｌｄｂｅａｄｊｕｓｔｅｄｉｎｔｉｍｅｔｏｅｎｓｕｒｅｈｉｇｈｃｒｏｐｐｒｏｄｕｃｔｉｖｉｔｙ.ＴｈｒｏｕｇｈｃａｒｒｙｉｎｇｄｉｆｆｅｒｅｎｔｓｅｎｓｏｒｓｓｕｃｈａｓＲＧＢｃａｍｅｒａꎬｓｐｅｃｔｒｕｍｃａｍｅｒａａｎｄＬＩＤＡＲꎬＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇｈａｓａｄｖａｎｔａｇｅｓｏｆｇｏｏｄｆｌｅｘｉｂｉｌｉｔｙꎬｈｉｇｈｅｆｆｉｃｉｅｎｃｙａｎｄｒｅｌａｔｉｖｅｌｙｌｏｗｃｏｓｔｉｎａｃｑｕｉｒｉｎｇｄａｔａꎬｗｈｉｃｈｐｒｏｖｉｄｅｓａｎｅｆｆｉｃｉｅｎｔｗａｙｔｏｏｂｔａｉｎｃｒｏｐｓｐｈｅｎｏｔｙｐｉｃｉｎｆｏｒｍａｔｉｏｎ.Ａｔｔｈｅｓａｍｅｔｉｍｅꎬｆａｓｔｄｅｖｅｌｏｐｉｎｇｉｍａｇｅｐｒｏｃｅｓｓｉｎｇａｎｄｒｅｃｏｇｎｉｔｉｏｎａｎｄｃｌａｓｓｉｆｉｃａｔｉｏｎｔｅｃｈｎｏｌｏｇｉｅｓｐｒｏｖｉｄｅｓｅｆｆｅｃｔｉｖｅｐｒｏｃｅｓｓｉｎｇａｎｄａｎａｌｙｓｉｓｍｅｔｈｏｄｓｆｏｒｃｒｏｐｐｈｅｎｏｔｙｐｉｃｐａｒａｍｅｔｅｒｉｎ￣ｆｏｒｍａｔｉｏｎｏｂｔａｉｎｅｄｂｙＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇ.Ａｌｌｔｈｅｓｅｍａｋｅｃｒｏｐｍｏｎｉｔｏｒｉｎｇｍｏｒｅｃｏｎｖｅｎｉｅｎｔａｎｄｅｆｆｉｃｉｅｎｔ.ＩｎｔｈｉｓｐａｐｅｒꎬｐｒｏｃｅｓｓａｎｄｍｅｔｈｏｄｓｏｆｏｂｔａｉｎｉｎｇｐｈｅｎｏｔｙｐｉｃｐａｒａｍｅｔｅｒｉｎｆｏｒｍａｔｉｏｎｗｅｒｅｉｎｔｒｏｄｕｃｅｄꎬａｎｄｒｅｓｅａｒｃｈｓｔａｔｕｓｏｆｃｒｏｐｐｈｅｎｏｔｙｐｉｃｐａｒａｍｅｔｅｒｓｂａｓｅｄｏｎＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇｓｕｃｈａｓｐｌａｎｔｈｅｉｇｈｔꎬｃａｎｏｐｙｃｏｖｅｒａｇｅꎬｌｅａｆａｒｅａｉｎｄｅｘꎬｗａｔｅｒｓｔｒｅｓｓꎬｂｉｏｍａｓｓａｎｄｙｉｅｌｄｗｅｒｅｓｕｍｍａｒｉｚｅｄꎬａｎｄｔｈｅａｐｐｌｉｃａｔｉｏｎｆｏｒｅｇｒｏｕｎｄｏｆＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇｔｅｃｈｎｏｌｏｇｙｉｎｃｒｏｐｐｈｅｎｏｔｙｐｉｃｉｎｆｏｒｍａｔｉｏｎａｎａｌｙｓｉｓｗａｓｐｒｏｓｐｅｃｔｅｄꎬｈｏｐｉｎｇｔｏｐｒｏｖｉｄｅｒｅｆｅｒｅｎｃｅｓｆｏｒｂｅｔｔｅｒａｐｐｌｉｃａｔｉｏｎｏｆｔｈｅｔｅｃｈｎｏｌｏｇｙｉｎａｇｒｉｃｕｌｔｕｒａｌｐｒｏｄｕｃｔｉｏｎ.Ｋｅｙｗｏｒｄｓ㊀ＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇꎻＣｒｏｐｐｈｅｎｏｔｙｐｉｃｐａｒａｍｅｔｅｒｓꎻＣｒｏｐｍｏｎｉｔｏｒｉｎｇ㊀㊀随着世界人口快速增长㊁可耕地面积越来越少㊁全球气候急剧变化和资源短缺加剧ꎬ农业生产面临着严峻的挑战ꎬ粮食安全问题日益突出[１]ꎮ因此ꎬ培育优良品种以达到稳产㊁增产的目的ꎬ成为目前作物研究的热点方向之一ꎮ作物表型信息如株高㊁叶面积指数㊁生物量等影响着后期产量的形成ꎬ是育种过程中的重要参考指标ꎮ传统的作物表型信息获取多采用人工地面抽样调查法ꎬ费时㊁费力且观测数量有限ꎬ不能满足大面积作物信息调查需求ꎮ近年来ꎬ低空无人机遥感技术快速发展ꎬ通过无人机搭载ＲＧＢ相机㊁光谱相机㊁激光雷达等构建无人机遥感平台ꎬ能够快速㊁高效获取一定范围内作物冠层的株高㊁叶面积指数㊁生物量等的连续动态信息ꎬ从而实现作物产量的动态预测[２]ꎮ目前ꎬ在田间作物表型遥感监测研究中应用的无人飞行器有无人直升机㊁飞艇㊁固定翼无人机㊁多旋翼无人机等ꎬ其中对起降条件要求不高且可以满足任何飞行轨迹要求的多旋翼无人机应用较为广泛ꎬ获取作物表型信息更加方便㊁快捷[３]ꎮ但由于无人机负载能力有限ꎬ其搭载的传感器需要满足高精度㊁轻质量和小尺寸的要求ꎬ目前适合无人机搭载的主要传感器有ＲＧＢ数码相机㊁红外热成像仪㊁多光谱相机㊁高光谱相机㊁多谱段激光雷达等ꎮ不同的传感器性能不同ꎬ获取的作物表型参数信息也不同ꎬ导致最终得到的遥感监测结果不同[４－５]ꎮＲＧＢ相机[６]㊁热红外成像仪[７]㊁多光谱相机[８－９]和高光谱相机[１０－１１]成像原理相同ꎬ都是通过感测光谱波段来捕获图像信息ꎬ但它们感测光谱波段的种类和能力存在差异[１２]ꎬ因此可用于测量不同的表型参数[１３]ꎬ其中ꎬＲＧＢ相机可用于测量作物的株高㊁冠层覆盖度等ꎻ热红外成像仪可实现在生物和非生物胁迫条件下对作物表型参数的间接测定ꎬ尤其在测量作物的冠层温度时效果较好ꎻ多光谱相机和高光谱相机都能测量作物的叶面积指数㊁生物量㊁产量等表型参数ꎬ但高光谱相机的光谱分辨率更高ꎬ能获得更多的波段数据ꎬ可测量更多的作物表型参数ꎬ然而同时也存在数据处理过程更加复杂㊁仪器价格较高的问题ꎮ多谱段激光雷达能够分析作物的光谱特性和空间目标方位㊁距离㊁三维形貌和状态特征[１４]ꎬ常用于对作物株高和生物量的测量研究ꎮ本文综述了无人机遥感监测农作物表型参数的信息获取流程㊁方法及研究进展ꎬ并对今后的研究方向进行展望ꎬ以期为深入研究和应用该技术提供参考ꎮ１㊀无人机遥感监测图像数据的处理及信息提取流程和方法１.１㊀图像处理遥感图像处理是利用无人机遥感研究作物表型的基础ꎮ因遥感图像存在由大气㊁传感器㊁无人机飞行状态等因素引起的几何畸变和辐射畸变ꎬ在提取作物表型参数之前必须对图像进行预处理ꎬ以有效改善提取表型参数信息的精度[１５]ꎮ图像处理过程包括辐射定标㊁几何校正㊁数据质量检查㊁图像特征点提取㊁图像特征匹配㊁空中三角测量与区域网平差㊁生成数字高程模型(ＤＥＭ)㊁正射校正生成数字正射影像(ＤＯＭ)和拼接镶嵌等[１６]ꎮ需根据无人机搭载的传感器类型选择合适的图像处理方法ꎮ如戴建国等[１７]获取可见光图像后ꎬ使用Ｐｉｘ４Ｄｍａｐｐｅｒ软件进行图像快速拼接检查ꎬ然后通过正射校正获得高质量㊁高精度的正射影像图ꎻ程雪等[１８]获取高光谱影像后ꎬ除了使用Ｐｉｘ４ＤＭａｐｐｅｒ软件进行拼接镶嵌外ꎬ还采用辐射定标以及大气校正等对图像进行了处理ꎮＮäｓｉ等[１９]将得到的光谱图像依次进行了辐射标定㊁几何校正㊁图像融合和图像增强ꎬ然后使用３７１㊀第４期㊀㊀㊀㊀㊀㊀曾世伟ꎬ等:基于无人机遥感的作物表型参数获取和应用研究进展ＡｒｃＧＩＳ㊁ＥＮＶＩ等软件提取光谱反射率ꎬ用于建立研究作物表型性状的植被指数ꎮ１.２㊀特征集的选取作物特征包括植被指数特征㊁纹理特征等ꎬ在实际应用时需根据研究目的选择合适的特征来构成特征集ꎮ植被指数是通过多个波段数据计算得出的ꎬ能够有效度量作物株高㊁生物量和覆盖度等表型信息[２０]ꎮ常用的植被指数有归一化差值植被指数(ＮＤＶＩ)㊁绿色归一化植被指数(ＧＮＤＶＩ)㊁比值植被指数(ＲＶＩ)㊁红绿蓝植被指数(ＲＧＢＶＩ)㊁红边归一化植被指数(ｒＮＤＶＩ)㊁优化土壤调节植被指数(ＯＳＡＶＩ)㊁修正归一化植被指数(ｍＮＤＶＩ)㊁可见光大气阻抗植被指数(ＶＡＲＩ)㊁蓝绿色素指数(ＢＧＩ２)㊁增强植被指数(ＥＶＩ２)等ꎮ其中ꎬＮＤＶＩ能够突出植被在图像中的显示ꎬ可准确估测植被的覆盖度[１２]ꎻＶＡＲＩ㊁ＮＤＶＩ㊁ＲＶＩ㊁ｒＮＤＶＩ㊁ｍＮＤＶＩ㊁ＧＮＤＶＩ能有效预测叶面积指数[１８]ꎻＮＤＶＩ㊁ＯＳＡ￣ＶＩ㊁ＢＧＩ２等常被用于预测植物叶片的叶绿素含量[２１]ꎻＶＡＲＩ能有效预测作物的水分胁迫ꎻＲＤＶＩ㊁ＲＧＢＶＩ在估测作物生物量方面效果较好[２２]ꎮ图像的灰度分布及其重复性是纹理特征的表现形式ꎬ可以反映地物的视觉粗糙程度ꎮ不同地物表现出的纹理特征不同ꎬ因此可根据该特征描述和识别地物[１６]ꎮ另外ꎬ同一波段的图像有相同种类的纹理特征ꎬ可通过最小噪声分离变换和基于主成分分析方法等提取纹理滤波特征ꎬ选择最佳波段ꎬ作为最终纹理滤波特征[２３]ꎮ１.３㊀特征筛选用于遥感图像估测表型参数的属性特征很多ꎬ若不经过筛选ꎬ则分析特征和训练模型所需要的时间会很长ꎬ模型也会很复杂ꎬ从而导致模型的泛化能力下降ꎬ不利于在实际生产中推广应用ꎮ因此ꎬ需在保证估测精度的前提下ꎬ选用最少的特征来构建模型ꎬ以避免特征变量过多引起的 维数灾难 ꎮ常用的特征筛选方法大致分为三类ꎬ分别是过滤式㊁包裹式㊁嵌入式筛选法[２４]ꎮ过滤式特征筛选法先选定特征再进行学习ꎬ具有较强通用性ꎬ其典型方法有ＲｅｌｉｅｆＦ算法ꎻ包裹式特征筛选法利用学习算法的性能来评价自身优劣ꎬ筛选得到的特征集分类性能较好ꎬ其典型方法有ＳＶＭ－ＲＦＥ算法ꎻ嵌入式特征筛选法将特征选择过程作为学习过程的一部分ꎬ在学习过程中自动进行特征筛选ꎬ特征筛选效果最好㊁速度最快且模式单调ꎬ其典型方法有Ｌａｓｓｏ算法[２５]ꎮ特征选定后ꎬ还要根据估测能力强弱对其进行权重赋值ꎬ最终构建出最佳特征集ꎬ用于建立估测模型ꎮ１.４㊀模型的构建及精度评价构建估测模型能够表征遥感数据与作物特征的相关性ꎬ可为定量反演作物的表型参数奠定基础[１]ꎮ１.４.１㊀数据集的划分㊀估测模型的构建及其精度与样本数量和质量紧密相关ꎬ因此确保田间采样质量是保证构建模型估测效果的重要前提[１８]ꎮ采集到的样本首先要采用适当的方法合理地划分成训练样本集和验证样本集ꎮ常见的划分方法有留出法㊁交叉验证法和自助法ꎬ其中交叉验证法是无人机遥感监测作物表型参数研究中最常用的方法ꎮｋ折交叉验证是典型的交叉验证法ꎬ其原理是将数据集分成ｋ个样本数相等的子集ꎬ任选其中１个子集作为测试集ꎬ另外ｋ－１个子集作为训练集ꎬ然后无重复地执行ｋ次ꎬ使得每个子集都能作为训练集和测试集来训练模型ꎮ１.４.２㊀模型构建㊀除数字高程模型能够有效且快速获取作物株高信息外ꎬ其他表型参数的估测模型一般采用机器学习算法构建ꎮ根据训练数据是否拥有标记信息ꎬ可将机器学习算法分为监督式和非监督式两种[２６]ꎮ分类和回归算法是典型的监督式算法ꎬ包括支持向量回归(ＳＶＲ)㊁随机森林回归(ＲＦＲ)㊁人工神经网络(ＡＮＮ)㊁多元线性回归(ＭＬＲ)等ꎬ其中回归算法更适用于数据具有连续性的叶面积指数㊁生物量㊁产量㊁水分胁迫等的监测ꎬ而分类算法更适用于作物分类和冠层覆盖度等的监测ꎮ另外还有一些表型参数研究没有足够的先验知识ꎬ很难对其进行人工标注且标注成本较高ꎬ通常采用无监督算法训练被标记的样本ꎬ以解决模式识别过程中的各种问题ꎮ聚类算法是非监督学习算法的代表ꎬ依据相似度进行分４７１山东农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５６卷㊀类ꎬ典型的聚类算法有Ｋ均值(Ｋ－ｍｅａｎｓ)聚类算法和Ｋ－中心点(Ｋ－ｍｅｄｏｉｄｓ)聚类算法ꎮ１.４.３㊀模型估测精度评价㊀估测模型的精度评价ꎬ通常用决定系数(Ｒ２)和均方根误差(ＲＭＳＥ)作为评判预测值与实测值拟合效果的指标ꎬ其中ꎬＲ２值越接近１ꎬ说明模型的参考价值越高ꎻＲＭＳＥ值越小ꎬ说明模型精度越高[２７]ꎮ２㊀无人机遥感监测作物表型参数的研究进展２.１㊀作物株高株高能够反映作物的群体结构状况ꎬ植株过高易导致倒伏ꎬ而过矮会降低群体中下部的通风和透光ꎬ导致光合效率下降ꎬ进而影响作物产量ꎬ因此株高监测在作物生产调控中具有重要意义ꎮ作物株高监测通常利用获取可见光数据来测量ꎮ张宏鸣等[２８]用无人机搭载数码相机获取作物的可见光图像ꎬ采用高清数码正射影像(ＤＯＭ)和数字表面模型(ＤＳＭ)相结合的骨架算法提取植株骨架ꎬ估测作物株高的精度较高(Ｒ２＝０.９２３ꎬＲＭＳＥ＝１１.４９３ｃｍꎬＭＡＥ＝８.９２７ｃｍ)ꎮ牛庆林等[２９]利用无人机拍摄玉米的高清数码影像ꎬ将其与地面控制点(ＧＣＰ)结合进行图像拼接处理ꎬ生成相应的ＤＳＭ和ＤＯＭꎬ得到的株高预测值与实测值拟合性较高(Ｒ２＝０.９３ꎬＲＭＳＥ＝２８.６９ｃｍꎬｎＲＭＳＥ＝１７.９０％)ꎮ刘治开等[３０]用无人机拍摄冬小麦的高清数码影像ꎬ通过构建作物ＤＳＭ及作物高度模型(ＣＨＭ)来测量小麦株高ꎬ最终得到的估测结果较好(Ｒ２和ＲＭＳＥ分别为０.８２和４.３１ｃｍ)ꎮＫｈａｎ等[３１]使用无人机遥感平台拍摄小麦的ＲＧＢ图像ꎬ采用Ｐｉｘ４Ｄｍａｐｐｅｒ软件处理后用于估测小麦株高ꎬ精度较高(Ｒ２＝０.８５ꎬＲＭＳＥ＝６.６４ｃｍ)ꎮ此外ꎬ有研究者利用多光谱和高光谱成像技术获得多个波段和空间特征来测量作物株高ꎮ边琳等[３２]使用无人机搭载多光谱传感器获得烤烟的遥感信息ꎬ捕捉到多个波段的反射光ꎬ通过构建光谱反射率与烤烟株高的拟合模型ꎬ估测烤烟株高的效果最佳(Ｒ２＝０.７８５)ꎮＡａｓｅｎ等[３３]利用无人机采集三维高光谱图像来建立三维表面高光谱模型ꎬ实现株高可视化ꎬ株高估算效果也较好(Ｒ２＝０.７)ꎮ但总体来说ꎬ利用高光谱成像技术测量作物株高的效果并不理想ꎬ而在估测作物覆盖度[３４]㊁生物量[３５]㊁叶面积指数[３６]㊁产量[３７]等表型参数时的精确度则较好ꎮ２.２㊀作物冠层覆盖度冠层覆盖度是反映作物生长状况的重要因素ꎬ可通过提取冠层覆盖度监测作物长势[３８]ꎮ通过无人机遥感平台获取可见光图像和多光谱图像ꎬ然后利用计算机视觉方法或植被指数和光谱反射率建模反演等方法可快速得到作物的冠层覆盖信息[３９]ꎮＪｉｎ等[４０]利用无人机遥感搭载数码相机获取研究区域的可见光成像数据ꎬ采用原始颜色特征作为模型输入ꎬ选用支持向量机算法训练作物分类模型ꎬ并选用粒子群优化算法(ＰＳＯ)训练ＳＶＭ模型参数(惩罚系数ｃ㊁不敏感损失系数ε以及核函数功能γ)ꎬ最终监测结果的ＲＭＳＥ和ｒＲＭＳＥ分别为３４.０５株/ｍ２和１４.３１％ꎬ偏差为９.０１株/ｍ２ꎮ万亮等[４１]利用无人机搭载多光谱相机获取多光谱图像ꎬ将各个波段的光谱反射率作为特征输入到随机森林回归模型ꎬ最终得到的结果较好(Ｒ２＝０.９３ꎬｒＲＭＳＥ＝９.４７％)ꎮ武威等[４２]采用图像处理技术分析小麦图像的颜色特征 绿光标准化值(ＮＤＩＧ)ꎬ并提出叶片盖度(ＬＣＤ)参数ꎬ将ＮＤＩＧ和ＬＣＤ相结合作为多元逐步回归模型的输入特征ꎬ估测效果较好(Ｒ２＝０.８９６)ꎮ周在明等[４３]使用四旋翼无人机搭载ＡＤＣＡｉｒ多光谱相机ꎬ通过ＮＤＶＩ指数模型获取多光谱植被覆盖度信息ꎬ以高精度可见光影像为真值进行验证ꎬ结果表明ＮＤＶＩ模型估算值与真实值之间的决定系数为０.９２ꎬ具有较好的一致性ꎮ相比广泛应用的无人机可见光图像[２３ꎬ４４－４６]ꎬ利用无人机多光谱图像反演植被覆盖度时图像的空间分辨率要求较低[４７]ꎮ目前ꎬ主要通过计算机视觉方法或植被指数建模反演等手段获取作物的冠层覆盖度信息ꎮ然而ꎬ这些方法存在一定的局限性ꎮ今后还需寻找一种普遍适用的方法ꎬ以实现对不同作物冠层覆盖度的精确获取ꎬ从而完善作物冠层覆盖度提取技术[４８]ꎮ５７１㊀第４期㊀㊀㊀㊀㊀㊀曾世伟ꎬ等:基于无人机遥感的作物表型参数获取和应用研究进展２.３㊀作物叶面积指数叶面积指数(ＬＡＩ)是指单位面积内作物叶片面积的总和ꎮＬＡＩ是表征作物光合作用㊁呼吸作用以及蒸腾作用的重要指示因子ꎬ也是评价作物长势和产量的重要依据ꎬ因此快速且高效地获取作物ＬＡＩ对于估测作物产量具有重要意义[３６]ꎮ陶惠林等[３５]利用无人机搭载高光谱仪获取高光谱图像ꎬ通过线性回归和指数回归挑选出最佳估测参数ＮＤＶＩˑＳＲ作为模型的输入特征ꎬ然后采用多元线性回归构建模型ꎬＬＡＩ估测精度较高(建模和验证的Ｒ２㊁ＲＭＳＥ㊁ＮＲＭＳＥ分别为０.６７８８㊁０.６９㊁１９.７９％及０.８４６２㊁０.４７㊁１６.０４％)ꎮ杨雨薇等[４９]使用无人机遥感平台获取作物的高光谱影像ꎬ对光谱数据预处理后计算出植被指数ＮＤＶＩꎬ然后构建出三种类型的模型 线性回归模型㊁物理模型㊁回归模型与物理模型相结合的半经验模型ꎬ用来反演作物ＬＡＩꎬ其中半经验模型的反演精度最好(Ｒ２＝０.８９)ꎮ孙诗睿等[５０]利用无人机搭载多光谱传感器获取冬小麦多光谱影像ꎬ通过多个植被指数构建随机森林模型对冬小麦的ＬＡＩ进行反演ꎬ反演值与真实值之间的Ｒ２＝０.８２２ꎬＲＭＳＥ＝１.２１８ꎮ李剑剑等[５１]利用无人机遥感平台获取地表作物的高光谱数据ꎬ然后结合ＰＲＯＳＰＥＣＴ叶片光学模型和ＳＡＩＬ冠层二向性反射模型相耦合后生成的模型(ＰＲＯＳＰＥＣＴ＋ＳＡＩＬ)来反演作物的ＬＡＩꎬＲ２＝０.８２ꎬＲＭＳＥ＝０.４３ｍ２/ｍ２)ꎮ傅银贞等[５２]利用ＩＲＳ－Ｐ６(ＬＩＳＳ－Ⅲ)获取多光谱数据并计算出ＤＶＩ㊁ＥＶＩ２㊁ＭＳＡＶＩ㊁ＮＤＶＩ㊁ＲＤＶＩ㊁ＲＶＩ㊁ＴＮＤＶＩ共７种植被指数ꎬ建立了ＬＡＩ与各植被指数的统计模型ꎬ其中ＮＤＶＩ㊁ＲＤＶＩ㊁ＴＮＤＶＩ反演ＬＡＩ的效果较好ꎬ决定系数Ｒ２均能够达到０.７６以上ꎮ２.４㊀作物水分胁迫测量作物水分胁迫对于发展节水灌溉农业及提高水分利用效率有重要意义[５３]ꎮ气孔导度和叶片水势是表征作物水分胁迫的重要指标ꎮ冠层温度可反映气孔导度ꎬ而作物水分胁迫指数(ＣＷ￣ＳＩ)与气孔导度相关ꎬ因此可以基于冠层温度测量监测作物水分胁迫状况[５４]ꎮ张智韬等[５５]基于无人机搭载ＲＧＢ相机和近红外相机采集的图像ꎬ采用Ｏｔｓｕ－ＥＸＧ－Ｋｍｅａｎｓ算法对玉米冠层温度进行提取ꎬ用户精度为９５.９％ꎬ精度较高ꎬ提取的冠层温度与实测温度更接近(ｒ＝０.７８８)ꎬ将冠层温度代入水分胁迫公式计算出ＣＷＳＩꎬＣＷＳＩ与土壤含水率的相关性较高(ｒ＝－０.７３８)ꎮＢｅｌｌｖｅｒｔ等[５６]基于无人机搭载热成像仪获取热成像图片ꎬ得到葡萄的冠层温度ꎬ并计算出相应的ＣＷＳＩꎬ发现ＣＷＳＩ与叶片水势的相关性较高(Ｒ２＝０.８３)ꎮ除了利用可见光㊁近红外和热红外传感器监测作物水分胁迫的方法外ꎬ利用多光谱㊁高光谱遥感以及多种传感器获取单一或多个波段建立植被指数模型也是常用的方法[５７]ꎮ王敬哲等[５８]采用无人机搭载高光谱传感器获取影像数据ꎬ经过５种不同的预处理后ꎬ构建了干旱区绿洲农田土壤含水量(ＳＭＣ)高光谱定量估算模型ꎬ其中通过吸光度(Ａｂｓ)预处理得到的模型预测精度最好ꎬ其建模集Ｒｃ２和ＲＭＳＥ分别为０.８４㊁２.１６％ꎬ验证集Ｒｐ２与ＲＭＳＥ分别为０.９１㊁１.７１％ꎬ相对分析误差(ＲＰＤ)为２.４１ꎮ张智韬等[５４]利用无人机遥感系统获得玉米冠层多光谱正射影像ꎬ并同步采集玉米根域不同深度土壤含水量(ＳＭＣ)ꎬ通过灰度关联法筛选出对ＳＭＣ敏感的植被指数ꎬ采用多元线性回归㊁反向传播神经网络(ＢＰＮＮ)㊁支持向量回归(ＳＶＲ)等机器学习方法构建不同生育时期的敏感植被指数与ＳＭＣ的关系模型ꎬ结果表明ＳＶＲ模型在各生育期的建模与预测精度均最优(建模集Ｒ２＝０.８５１ꎬＲＭＳＥ＝０.７％ꎬＮＲＭＳＥ＝８.１７％ꎻ验证集Ｒ２＝０.８７５ꎬＲＭＳＥ＝０.７％ꎬＮＲＭＳＥ＝８.３２％)ꎮ２.５㊀作物生物量生物量是作物产量形成的重要基础ꎬ准确快速获取作物生物量对预测其产量意义重大[５９]ꎬ同时ꎬ生物量的定量估算也可为碳循环研究提供重要参考[４８]ꎮ根据传感器收集到的数据信息ꎬ将能够反映作物生物量的不同特征数据相结合ꎬ构建更有效且不相关的特征ꎬ然后将该特征输入到回归模型中ꎬ能够提高作物生物量估测的准确性[６０]ꎮ万亮等[４１]利用无人机同时搭载数码相机和多光谱相机获取研究区域的可见光和多光谱成像数据ꎬ将６７１山东农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５６卷㊀可见光图像的颜色特征和纹理特征与多光谱图像的光谱反射率融合后输入到随机森林回归模型(ＲＦＲ)中ꎬ有效改善了穗生物量的评估精度(Ｒ２＝０.８４ꎬｒＲＭＳＥ＝８.６８％)ꎮＷａｎｇ等[６１]评估了高光谱和激光雷达数据融合在玉米生物量估算中的应用ꎬ结果表明ꎬ与单独使用ＬｉＤＡＲ或高光谱数据相比ꎬ高光谱和ＬｉＤＡＲ数据相融合能够更好地估测玉米的生物量(Ｒ２＝０.８８３ꎬＲＭＳＥ＝３２１.０９２ｇ/ｍ２ꎬＲＭＳＥＣＶ＝３３７.６５３ｇ/ｍ２)ꎮ刘畅等[６２]结合纹理特征与植被指数构建了一种 图－谱 融合指标ꎬ用该指标构建的生物量模型精度较高(Ｒ２＝０.８１ꎬＲＭＳＥ＝８２６.０２ｋｇ ｈｍ－２)ꎬ明显高于用单一植被指数(Ｒ２＝０.６９)和单一纹理特征(Ｒ２＝０.７１)构建的生物量模型ꎮ综上所述ꎬ不同的作物具有不同的特征ꎬ即使同一作物在不同的生长条件下也会表现出不同的特征[６３]ꎬ这就需要使用不同的传感器来全面收集作物信息ꎬ并筛选出一些与生物量相关性最好的特征ꎬ将其融合后输入到回归模型中ꎬ从而实现精准估测作物生物量和提高估算模型精度ꎮ当研究的作物生物量较大时ꎬ用常规的植被指数来估测生物量往往会受到饱和问题的限制ꎬ导致不能较好地估算作物生物量ꎮ付元元等[６４]研究证实ꎬ将波段深度分析和偏最小二乘回归(ＰＬＳＲ)相结合ꎬ能够有效解决作物生物量过大导致的问题ꎬ并提高冬小麦生物量的估算精度ꎬ其中波段深度比(ＢＤＲ)与ＰＬＳＲ结合的模型的估算精度较好(Ｒ２＝０.７９２ꎬＲＭＳＥ＝０.１６４ｋｇ/ｍ２)ꎮ２.６㊀作物产量作物产量关乎国家粮食安全ꎬ早期准确地监测预报作物产量对于后期田间管理及灾害评估等具有重要意义ꎮ通过无人机遥感提取作物产量的常规方法如下:使用无人机搭载多种传感器获取可见光㊁光谱数据ꎬ基于可见光图像提取纹理特征ꎬ根据光谱数据提取特征波段并计算植被指数ꎻ然后将纹理特征㊁植被指数等特征作为模型输入ꎬ使用机器学习算法构建产量估测模型ꎻ最后引入Ｒ２和ＲＭＳＥ评价产量估测模型ꎮ模型构建时ꎬ将多种特征变量相结合往往能够改善作物估测模型的精度ꎮＥｌｓａｙｅｄ等[６５]利用偏最小二乘法将光谱指数㊁温度参数和植株含水量等数据融合ꎬ使得小麦产量的估测效果得到进一步改善(Ｒ２＝０.９７ꎬＲＭＳＥ＝２６.４８ｇ/ｍ２)ꎮＭａｉｍ￣ａｉｔｉｊｉａｎｇ等[６６]利用ＲＧＢ信息㊁光谱反射率及温度参数等多模态数据ꎬ基于中间级特征融合的ＤＮＮ(ＤＮＮ－Ｆ２)方法ꎬ准确估测了大豆产量(Ｒ２＝０.７２０ꎬｒＲＭＳＥ＝１５.９％)ꎮ严海军等[６７]使用无人机搭载多光谱相机在苜蓿的分枝期㊁现蕾期和初花期进行遥感监测ꎬ将植被指数与株高组合作为输入变量并采用支持向量回归算法构建模型ꎬ产量估测精度最高(Ｒ２＝０.９０ꎬＲＭＳＥ＝５００ｋｇ/ｈｍ２ꎬＮＲＭＳＥ＝１４.３％)ꎮ可见ꎬ选用多源数据融合构建模型的效果较好ꎮ另外ꎬ在构建模型时ꎬ使用的算法不同也会影响作物产量估测的精度ꎮ张少华等[６８]利用低空无人机遥感平台搭载多光谱相机㊁热红外相机和ＲＧＢ相机ꎬ同步获取小麦关键生育时期的无人机遥感影像ꎬ并提取光谱反射率㊁热红外温度和数字高程信息ꎬ选取并计算出相应的特征集ꎬ然后利用支持向量回归(ＳＶＲ)㊁多元线性回归(ＭＬＲ)㊁随机森林回归(ＲＦＲ)㊁偏最小二乘回归(ＰＬＳＲ)等机器学习算法建立小麦产量的估测模型ꎬ最终结果表明采用ＲＦＲ算法建立的模型效果最好(Ｒ２＝０.７２４ꎬＲＭＳＥ＝６１４.７２ｋｇ/ｈｍ２ꎬＭＡＥ＝４７８.０８ｋｇ/ｈｍ２)ꎮ申洋洋等[６９]采集冬小麦多光谱数据ꎬ选取多光谱相机的５个特征波段计算各生育时期的７２个植被指数ꎬ分别通过逐步多元线性回归㊁偏最小二乘回归㊁ＢＰ神经网络㊁支持向量机㊁随机森林构建不同生育时期的产量估算模型ꎬ其中基于随机森林算法建立的模型估算效果最优(Ｒ２＝０.９４ꎬＲＭＳＥ＝０.３２ꎬＲＥ＝９％)ꎮ赵鑫[７０]利用多旋翼无人机搭载数码相机拍摄小麦的可见光图像ꎬ经预处理后计算出植被指数和颜色特征ꎬ然后结合多种机器学习算法建立产量估测模型ꎬ其中随机森林算法模型精度最高(Ｒ２＝０.７４)ꎮ作物发育时期也会影响模型精度ꎮ刘昌华等[７１]以无人机多光谱影像为基础ꎬ提取冬小麦在几个生长阶段下的冠层多光谱数据并建立产量估算模型ꎬ其中返青期估算效果较差ꎬ拔节期㊁孕穗期㊁扬花期估算效果相近且较好(Ｒ２分别为０.９３㊁７７１㊀第４期㊀㊀㊀㊀㊀㊀曾世伟ꎬ等:基于无人机遥感的作物表型参数获取和应用研究进展０.９６㊁０.９４)ꎮ申洋洋等[６９]以冬小麦拔节期㊁孕穗期㊁抽穗期㊁灌浆期㊁成熟期的无人机多光谱影像为数据源ꎬ利用随机森林算法构建模型的Ｒ２㊁ＲＭＳＥ㊁ＲＥ分别为拔节期０.９２㊁０.３５㊁１１％ꎬ孕穗期０.９３㊁０.３３㊁１０％ꎬ抽穗期０.９４㊁０.３２㊁９％ꎬ灌浆期０.９２㊁０.３６㊁９％ꎬ成熟期０.７７㊁０.６７㊁３３％ꎬ可见ꎬ抽穗期的估算效果最好ꎬ拔节期㊁孕穗期㊁灌浆期估算效果接近㊁也较好ꎬ成熟期的估算精度最差ꎮ３㊀总结与展望本文综述了基于无人机遥感开展作物表型参数研究的过程和方法㊁无人机遥感平台及其在作物表型参数估测上的应用研究进展ꎮ无人机遥感平台凭借着工作效率高㊁灵活性好㊁成本低㊁分辨率高㊁适用于复杂野外环境等优点ꎬ成为研究作物表型参数的有利工具ꎬ为农业精细化管理及农田生态系统建模提供了技术支持ꎮ由于外界环境和作物自身因素影响以及研究方法的局限性ꎬ目前多数研究构建的表型参数模型的精确性㊁鲁棒性㊁泛化性等性能较差ꎬ缺乏能够较好估测不同作物类型的表型参数的通用模型和方法ꎬ而且目前无人机遥感监测表型参数信息的研究多集中于玉米㊁小麦㊁水稻㊁大豆等少数作物ꎬ其他作物类型鲜有研究ꎬ因此该技术研究在深度与广度上还有很大的发展空间ꎮ参㊀考㊀文㊀献:[１]㊀仇瑞承ꎬ魏爽ꎬ张漫ꎬ等.作物表型组学测量方法综述[Ｊ].中国农业文摘－农业工程ꎬ２０１９ꎬ３１(１):２３－３６ꎬ５５. [２]㊀周济ꎬＴａｒｄｉｅｕＦꎬＰｒｉｄｍｏｒｅＴꎬ等.植物表型组学:发展㊁现状与挑战[Ｊ].南京农业大学学报ꎬ２０１８ꎬ４１(４):５８０－５８８. [３]㊀ＴｏｔｈＣꎬＪóｚ'ｋóｗＧ.Ｒｅｍｏｔｅｓｅｎｓｉｎｇｐｌａｔｆｏｒｍｓａｎｄｓｅｎｓｏｒｓ:ａｓｕｒ￣ｖｅｙ[Ｊ].ＩＳＰＲＳＪｏｕｒｎａｌｏｆＰｈｏｔｏｇｒａｍｍｅｔｒｙａｎｄＲｅｍｏｔｅＳｅｎｓ￣ｉｎｇꎬ２０１６ꎬ１１５:２２－３６.[４]㊀ＷｅｉＸＪꎬＸｕＪＦꎬＧｕｏＨＮꎬｅｔａｌ.ＤＴＨ８ｓｕｐｐｒｅｓｓｅｓｆｌｏｗｅｒｉｎｇｉｎｒｉｃｅꎬｉｎｆｌｕｅｎｃｉｎｇｐｌａｎｔｈｅｉｇｈｔａｎｄｙｉｅｌｄｐｏｔｅｎｔｉａｌｓｉｍｕｌｔａｎｅｏｕｓｌｙ[Ｊ].ＰｌａｎｔＰｈｙｓｉｏｌｏｇｙꎬ２０１０ꎬ１５３(４):１７４７－１７５８. [５]㊀ＡｌｈｅｉｔＫＶꎬＢｕｓｅｍｅｙｅｒＬꎬＬｉｕＷＸꎬｅｔａｌ.Ｍｕｌｔｉｐｌｅ￣ｌｉｎｅｃｒｏｓｓＱＴＬｍａｐｐｉｎｇｆｏｒｂｉｏｍａｓｓｙｉｅｌｄａｎｄｐｌａｎｔｈｅｉｇｈｔｉｎｔｒｉｔｉｃａｌｅ(ˑＴｒｉｔｉｃｏｓｅｃａｌｅＷｉｔｔｍａｃｋ)[Ｊ].ＴｈｅｏｒｅｔｉｃａｌａｎｄＡｐｐｌｉｅｄＧｅｎｅｔ￣ｉｃｓꎬ２０１４ꎬ１２７:２５１－２６０.[６]㊀ＧｕｏＷꎬＦｕｋａｔｓｕＴꎬＮｉｎｏｍｉｙａＳ.Ａｕｔｏｍａｔｅｄｃｈａｒａｃｔｅｒｉｚａｔｉｏｎｏｆｆｌｏｗｅｒｉｎｇｄｙｎａｍｉｃｓｉｎｒｉｃｅｕｓｉｎｇｆｉｅｌｄ￣ａｃｑｕｉｒｅｄｔｉｍｅ￣ｓｅｒｉｅｓＲＧＢｉｍａｇｅｓ[Ｊ].ＰｌａｎｔＭｅｔｈｏｄｓꎬ２０１５ꎬ１１:１－１５.[７]㊀ＳｉｅｂｅｒｔＳꎬＥｗｅｒｔＦꎬＲｅｚａｅｉＥＥꎬｅｔａｌ.Ｉｍｐａｃｔｏｆｈｅａｔｓｔｒｅｓｓｏｎｃｒｏｐｙｉｅｌｄ ｏｎｔｈｅｉｍｐｏｒｔａｎｃｅｏｆｃｏｎｓｉｄｅｒｉｎｇｃａｎｏｐｙｔｅｍｐｅｒａ￣ｔｕｒｅ[Ｊ].ＥｎｖｉｒｏｎｍｅｎｔａｌＲｅｓｅａｒｃｈＬｅｔｔｅｒｓꎬ２０１４ꎬ９(４):０４４０１２. [８]㊀张芳毓ꎬ谭永毅ꎬ聂婧ꎬ等.无人机多光谱在农业中的应用[Ｊ].智慧农业导刊ꎬ２０２２ꎬ２(２４):１１－１３.[９]㊀ＨｕｓｓａｉｎＳ.基于无人机载多光谱相机的油菜表观参数反演及早期草害检测[Ｄ].武汉:华中农业大学ꎬ２０２１. [１０]ＣｏｌｏｍｉｎａＩꎬＭｏｌｉｎａＰ.Ｕｎｍａｎｎｅｄａｅｒｉａｌｓｙｓｔｅｍｓｆｏｒｐｈｏｔｏｇｒａｍ￣ｍｅｔｒｙａｎｄｒｅｍｏｔｅｓｅｎｓｉｎｇ:ａｒｅｖｉｅｗ[Ｊ].ＩＳＰＲＳＪｏｕｒｎａｌｏｆＰｈｏ￣ｔｏｇｒａｍｍｅｔｒｙａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇꎬ２０１４ꎬ９２:７９－９７. [１１]ＺｈｏｎｇＹＦꎬＷａｎｇＸＹꎬＸｕＹꎬｅｔａｌ.Ｍｉｎｉ￣ＵＡＶ￣ｂｏｒｎｅｈｙｐｅｒ￣ｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇ:ｆｒｏｍｏｂｓｅｒｖａｔｉｏｎａｎｄｐｒｏｃｅｓｓｉｎｇｔｏａｐ￣ｐｌｉｃａｔｉｏｎｓ[Ｊ].ＩＥＥＥＧｅｏｓｃｉｅｎｃｅａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇＭａｇａ￣ｚｉｎｅꎬ２０１８ꎬ６(４):４６－６２.[１２]ＷａｎｇＴＨꎬＬｉｕＹＤꎬＷａｎｇＭＨꎬｅｔａｌ.ＡｐｐｌｉｃａｔｉｏｎｓｏｆＵＡＳｉｎｃｒｏｐｂｉｏｍａｓｓｍｏｎｉｔｏｒｉｎｇ:ａｒｅｖｉｅｗ[Ｊ].ＦｒｏｎｔｉｅｒｓｉｎＰｌａｎｔＳｃｉ￣ｅｎｃｅꎬ２０２１ꎬ１２:６１６６８９.[１３]ＸｕＲꎬＬｉＣＹꎬＰａｔｅｒｓｏｎＡＨ.Ｍｕｌｔｉｓｐｅｃｔｒａｌｉｍａｇｉｎｇａｎｄｕｎ￣ｍａｎｎｅｄａｅｒｉａｌｓｙｓｔｅｍｓｆｏｒｃｏｔｔｏｎｐｌａｎｔｐｈｅｎｏｔｙｐｉｎｇ[Ｊ].ＰＬｏＳＯＮＥꎬ２０１９ꎬ１４(２):ｅ０２０５０８３.[１４]李晶ꎬ车英ꎬ王加安ꎬ等.折反射共光路多谱段激光雷达光学系统设计[Ｊ].中国激光ꎬ２０１８ꎬ４５(５):２７３－２７８. [１５]ＹａｎｇＧＪꎬＬｉｕＪＧꎬＺｈａｏＣＪꎬｅｔａｌ.Ｕｎｍａｎｎｅｄａｅｒｉａｌｖｅｈｉｃｌｅｒｅ￣ｍｏｔｅｓｅｎｓｉｎｇｆｏｒｆｉｅｌｄ￣ｂａｓｅｄｃｒｏｐｐｈｅｎｏｔｙｐｉｎｇ:ｃｕｒｒｅｎｔｓｔａｔｕｓａｎｄｐｅｒｓｐｅｃｔｉｖｅｓ[Ｊ].ＦｒｏｎｔｉｅｒｓｉｎＰｌａｎｔＳｃｉｅｎｃｅꎬ２０１７ꎬ８:１１１１. [１６]朱秀芳ꎬ李石波ꎬ肖国峰.基于无人机遥感影像的覆膜农田面积及分布提取方法[Ｊ].农业工程学报ꎬ２０１９ꎬ３５(４):１０６－１１３.[１７]戴建国ꎬ张国顺ꎬ郭鹏ꎬ等.基于无人机遥感可见光影像的北疆主要农作物分类方法[Ｊ].农业工程学报ꎬ２０１８ꎬ３４(１８):１２２－１２９.[１８]程雪ꎬ贺炳彦ꎬ黄耀欢ꎬ等.基于无人机高光谱数据的玉米叶面积指数估算[Ｊ].遥感技术与应用ꎬ２０１９ꎬ３４(４):７７５－７８４.[１９]ＮäｓｉＲꎬＨｏｎｋａｖａａｒａＥꎬＬｙｙｔｉｋäｉｎｅｎ￣ＳａａｒｅｎｍａａＰꎬｅｔａｌ.ＵｓｉｎｇＵＡＶ￣ｂａｓｅｄｐｈｏｔｏｇｒａｍｍｅｔｒｙａｎｄｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｉｎｇｆｏｒｍａｐｐｉｎｇｂａｒｋｂｅｅｔｌｅｄａｍａｇｅａｔｔｒｅｅ￣ｌｅｖｅｌ[Ｊ].ＲｅｍｏｔｅＳｅｎｓｉｎｇꎬ２０１５ꎬ７(１１):１５４６７－１５４９３.[２０]姚雄ꎬ余坤勇ꎬ刘健.基于无人机多光谱遥感的马尾松林叶面积指数估测[Ｊ].农业机械学报ꎬ２０２１ꎬ５２(７):２１３－２２１. [２１]朱红艳.基于无人机低空遥感的油菜表型信息获取方法研究[Ｄ].杭州:浙江大学ꎬ２０１９.[２２]刘建刚ꎬ赵春江ꎬ杨贵军ꎬ等.无人机遥感解析田间作物表型信息研究进展[Ｊ].农业工程学报ꎬ２０１６ꎬ３２(２４):９８－１０６.[２３]赵静ꎬ杨焕波ꎬ兰玉彬ꎬ等.基于无人机可见光图像的夏季玉米植被覆盖度提取方法[Ｊ].农业机械学报ꎬ２０１９ꎬ５０８７１山东农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５６卷㊀。

高光谱技术在农业遥感中的应用研究进展茅恒昌（北京师范大学资源与环境学院，北京 100875）摘　要：随着生活质量要求的逐渐提升，高光谱技术在现代农业的发展中起到重要的作用。

文章通过对高光谱技术在农业遥感中的应用现状进行分析，以此深入研究高光谱技术在农业遥感中应用。

通过农业作物产量品质、生长情况以及生长性状进行全面的发展。

通过对现阶段研究情况的总结和分析，推动高光谱技术在农业遥感中的应用，从根本上提升国家农业种植的综合能力。

关键词：高光谱技术；农业遥感；生长性状中图分类号：S127 文献标志码：A 文章编号：1672-3872（2017）22-0088-01——————————————作者简介： 茅恒昌（1983-），男，安徽阜阳人，硕士在读，研究方向：农业遥感。

1 高光谱技术在农业遥感中的发展方向现阶段，精细农业成为国家农业现代化发展的主要目标和方向，而高光谱遥感技术在农业监测方面展现出来的快速高效、精准无损的特点，让其成为农业遥感监测中的重要应用手段。

精细农业是一种结合信息、生物以及工程等多种高新技术为一体的现代化农业管理手段，通过科学系统的管理方法提高农业资源的利用效率，在保证环境无污染的情况下，提升农产品的产量和质量。

考虑到精细农业对数据和信息的需求，传统的分析方法无法满足现代化农业发展，因此将遥感技术、地理信息系统、全球定位系统都应用到农业监测中。

农业遥感属于这三种技术其中之一，根据监测的不同类型分为农作物的土壤成分遥感信息模型、作物灾害估计遥感分析模型等。

而高光谱技术作为遥感技术中的重要手段，在国家现代化精细农业的发展中得到了广泛的应用。

利用高光谱技术获取相比传统分析技术中更加完整准确的农业作物参数，为农业作物的管理和种植提供保障。

2 高光谱技术在农业遥感中的具体应用2.1 农业作物生长长势监测1）叶面积指数。

高光谱遥感技术因为不会对作物造成破坏的特点，因而被应用到监测作物的叶面积上，弥补传统获取农业作物叶面积指数的耗时过长等缺点，以最小的破坏，获取最精准的叶面积指数。

基于高光谱特征提取的甜瓜白粉病早期识别第一篇范文甜瓜白粉病是一种严重影响甜瓜生长的病害，对农业生产造成了巨大的经济损失。

及早识别甜瓜白粉病对于防止病害扩散和降低经济损失具有重要意义。

基于高光谱特征提取的甜瓜白粉病早期识别技术为这一问题提供了一种有效的解决方案。

高光谱技术是一种能够获取物体反射光谱信息的技术，通过分析光谱信息可以得到物体的生理和病理特征。

在甜瓜白粉病识别中，高光谱技术可以用于获取甜瓜叶片的光谱信息，通过分析光谱信息可以得到甜瓜叶片的健康状况。

基于高光谱特征提取的甜瓜白粉病早期识别技术主要包括以下几个步骤：首先，获取甜瓜叶片的高光谱反射率数据；其次，对高光谱数据进行预处理，包括去除噪声、校正反射率等；然后，提取高光谱特征，可以采用主成分分析、独立成分分析等方法；最后，利用提取的特征建立甜瓜白粉病的识别模型，可以采用支持向量机、神经网络等方法。

基于高光谱特征提取的甜瓜白粉病早期识别技术具有较高的识别准确率，可以在甜瓜白粉病发病初期就进行识别，为农业生产提供及时的防治信息。

然而，该技术也存在一些挑战，如光谱数据的获取需要专业的设备和技术，识别模型的建立需要大量的样本数据和复杂的算法等。

第二篇范文想象一下，你是一名农业科学家，正在寻找一种方法来提前发现甜瓜白粉病，这样你就可以在疾病造成严重损失之前采取行动。

你可能会想：“如果我能利用甜瓜叶子反射的光谱信息来识别病害，那该多好啊！”这时，基于高光谱特征提取的甜瓜白粉病早期识别技术就闪亮登场了。

首先，让我们来了解一下高光谱技术。

你可以把它想象成一种特殊的相机，能够捕捉到甜瓜叶子反射的光谱信息。

这些信息就像叶子的小秘密，可以告诉我们叶子是否健康。

然后，我们需要从这些光泽中提取有用的特征，这就像是从珠宝中挑选出最闪耀的宝石。

我们可以使用主成分分析、独立成分分析等方法，就像是用特定的工具来挑选宝石。

最后，我们需要建立一个识别模型，这就像是为珠宝打造一个展示柜。

麦类作物学报2009,29(1):174-178Jo ur na l of T rit iceae Cr ops高光谱遥感技术在作物生长监测中的应用研究进展李映雪,谢晓金,徐德福(南京信息工程大学应用气象学院,江苏南京210044)摘要:精准农业是现代化农业生产中实现低耗、高效、优质与安全的重要途径,高光谱遥感技术可以快速准确地获取农田作物生长状态的实时信息,为实施精准农业提供重要的技术支撑。

本文综述了以高光谱遥感技术监测作物长势(包括叶面积指数和生物量)、作物生物化学参数(包括植物的氮素营养、叶绿素含量、叶片碳氮比等)和籽粒品质(包括籽粒蛋白质含量、面筋含量、淀粉积累量等)的国内外研究进展,并提出了一些今后研究的设想,以期为未来精确农业快速发展提供参考。

关键词:作物;高光谱遥感;生长监测中图分类号:S24;S311文献标识码:A文章编号:1009-1041(2009)01-0174-05Application of Hyperspectral Remote Sensing Technologyin Monitoring Crop GrowthLI Ying-xue,XIE Xiao-jin,XU De-fu(College of Applied M eteorology,Nanjin g U nivers ity of Information T echnology,Nan jing,Jiangsu210044,China)Abstract:Precision farming is an im por tant appr oach to realizing low consumption,high yield,goo d qual-i ty and safety in m odern agricultural production.H yperspectral remo te sensing can rapidly and precisely de-termine the g row th status of cro p in the field,w hich offers im por tant technical suppo rt for im plementation of precision farming.On the basis of hyper spectral remo te sensing,m onitoring character of crop g row th, bio-chemical parameter s and grain quality of crop w ere summarized and som e ideas for further resear ch w ere discussed in this paper,w hich could supply an im por tant reference and guideline for quickly develop-m ent o f precision farm ing in the futur e.Key words:Crop;H yperspetral remo te sensing;Grow th;Monitoring精准农业是在现代信息技术、生物技术与工程技术等一系列高新技术最新成就的基础上发展起来的一种重要的现代农业生产形式,它是实现农业低耗、高效、优质与安全的重要途径,目前,已成为世界农业技术的研究重点,其中遥感技术是实施精准农业的重要工具之一。

数字农业田间信息获取技术研究现状和发展趋势姚建松;刘飞【摘要】对土壤水分与养分的测量方法、作物长势及其背景的监测、营养状况监测、作物冠层监测、作物病虫害诊断、杂草识别等田间信息获取技术在数字农业中的开发、应用现状以及发展概况做了简要综述,并指出将遥感技术和光谱技术结合应用是我国实现田间信息获取技术的关键.【期刊名称】《农机化研究》【年(卷),期】2009(031)008【总页数】6页(P215-220)【关键词】数字农业;田间信息获取;遥感;光谱【作者】姚建松;刘飞【作者单位】浙江省海宁市农业机械管理站,浙江,海宁,314400;浙江大学,生物系统工程与食品科学学院,杭州,310029【正文语种】中文【中图分类】S1260 引言数字农业技术是将现代信息技术、生物技术、农业科学技术与农机工程装备技术相结合的新型农业技术。

数字农业技术体系由3个部分组成，即信息获取系统、信息处理系统和智能化农业机械。

其中，田间的信息获取技术是数字农业的关键技术。

目前，田间信息获取方法主要有传统的田间采样、田间GPS采集、智能农机作业和多平台遥感获取等4种方式。

通常所说的“3S”技术中的全球定位系统(GPS)和遥感技术(RS)是田间信息获取的重要手段，它是实现数字农业的重要支撑技术[1-3]。

1 全球定位系统全球定位系统(GPS,Global Positioning System)是由地球导航卫星、地面监控系统和用户GPS接收机等3个主要部分组成。

现在最常用的是美国GPS系统，它包括在离地球约20 000km 高空近似圆形轨道上运行的24颗地球导航卫星，其轨道参数和时钟由设于世界各大洲的5个地面监测站与设于其本土的一个地面控制站进行监测和控制，使得在近地旷野的GPS接收机在昼夜任何时间、任何气象条件下最少能接受到4颗以上卫星的信号。

通过测量每一卫星发出的信号到达接收机的传输时间，即可计算出接收机所在的地理空间位置。

农田养分信息具有显著的空间属性，其空间变异性很大。

第1篇一、报告概述随着遥感技术的快速发展，农作物影像数据在农业生产中的应用越来越广泛。

通过对农作物影像数据的分析，可以实时监测农作物生长状况，为农业生产提供科学依据。

本报告旨在分析农作物影像数据，探讨其在农业生产中的应用，并提出相应的建议。

二、农作物影像数据概述农作物影像数据是指利用遥感技术获取的，反映农作物生长状况的图像数据。

这些数据包括可见光影像、多光谱影像、高光谱影像等。

农作物影像数据具有以下特点：1. 时效性强：农作物影像数据可以实时反映农作物生长状况，为农业生产提供实时信息。

2. 空间分辨率高：高分辨率影像数据可以提供更精细的农作物生长信息。

3. 信息丰富：农作物影像数据包含了丰富的信息，如植被指数、叶面积指数、产量等。

三、农作物影像数据分析方法1. 预处理预处理是农作物影像数据分析的第一步，主要包括以下内容：（1）图像增强：通过对图像进行对比度、亮度等调整，提高图像质量。

（2）图像校正：对图像进行几何校正、辐射校正等，消除误差。

（3）图像分割：将图像划分为若干区域，提取感兴趣区域。

2. 植被指数计算植被指数是反映植被生长状况的重要指标，常用的植被指数有：（1）归一化植被指数（NDVI）：NDVI反映了植被的绿色程度，与植被生长状况密切相关。

（2）增强型植被指数（EVI）：EVI能够更好地反映植被覆盖度，尤其在低光照条件下。

3. 叶面积指数计算叶面积指数（LAI）是反映农作物冠层结构的重要指标，其计算方法如下：（1）建立冠层模型：根据遥感影像数据和地面实测数据，建立冠层模型。

（2）模型反演：利用冠层模型反演LAI。

4. 产量估算产量估算是农作物影像数据分析的重要应用，常用的方法有：（1）遥感估产模型：根据遥感影像数据和地面实测数据，建立遥感估产模型。

（2）模型反演：利用遥感估产模型反演产量。

四、农作物影像数据在农业生产中的应用1. 农作物长势监测通过对农作物影像数据的分析，可以实时监测农作物生长状况，为农业生产提供决策依据。

基于冠层高光谱的水稻长势估测的研究摘要：为了定量分析不同生育期冠层反射光谱参数与水稻长势的相互关系，确定能够准确预测高温胁迫下水稻长势的敏感光谱参数，通过大田小区试验，测定了抽穗期 4 种温度胁迫处理后的两个水稻品种不同生育期冠层高光谱反射率、叶绿素指数和叶面积指数。

光谱参数R808和SD755同时与淮稻5号抽穗期和灌浆期的SPAD相关性最好，R808、SD764和SD484与镇稻9424的两个时期的SPAD相关性最好。

淮稻5号两个时期的LAI与其光谱相关性以R808、SD988和SD875为最好，镇稻9424的两个时期的LAI与其光谱相关性以R808、SD934和SD860为最好。

关键词：水稻；高温胁迫；冠层高光谱反射；长势预测；光谱参数Abstract: In order to relationship between quantitative analysis in different growth periods and the growth of rice canopy spectral reflectance parameters, determined to be able to accurately predict sensitive spectral parameters under high temperature stress, the growth of rice, the field experiment, the heading stage was determined in different growth period of 4 kinds of two rice varieties of temperature stress after the canopy hyperspectral reflectance, chlorophyll index and leaf area index. The best correlation between SPAD 5, heading stage and milking stage spectral parameters of R808 and SD755 at the same time and Huaidao, best SPAD correlation between the two periods of R808, SD764 and SD484 and Zhendao 9424. LAI and its spectral correlation Huaidao No. 5 two period with R808, SD988 and SD875 was the best, LAI and spectral correlation between two periods of Zhendao 9424 with the R808, SD934 and SD860 for the best.Key words: rice; high temperature stress; canopy hyperspectral reflectance; growth prediction; spectral parameters引言：水稻是世界三大粮食作物之一，中国是世界水稻最重要的生产国也是消费国。

基于高光谱技术的棉花冠层反射特征研究+吴春霞1王进1任岗1赵俊荣1白丽2白书军1(1乌兰乌苏农业气象试验站 2 石河子大学生命科学学院 新疆 石河子 832003)摘 要：【研究目的】揭示棉花冠层高光谱特征，为建立棉花高光谱估算模型，促进高光谱技术在棉花长势监测和估产中应用提供依据。

【方法】结合棉花生长发育规律，对棉花各时期冠层进行高光谱反射率测定，基于棉花盛蕾期至吐絮后期7次采样的地面光谱数据，研究不同棉花品种、灌水量及氮素营养对棉花冠层光谱反射特性的影响。

【结果】在可见光区，适度缺氮(N1)条件下的冠层光谱反射率相对较高，而氮过量(N3)条件下的冠层光谱反射率相对较低；随着灌水量的增加，在近红外波段，其冠层光谱反射率呈上升趋势，在盛蕾期和盛花期不同灌水量处理的光谱反射率差异较明显；不同棉花品种冠层光谱反射率存在一定差异，在近红外波段新陆早13与新陆早10只在吐絮后期光谱反射率差异不明显，在前三个生育期差异较明显。

关键词：棉花；冠层；高光谱；反射率；Characteristics of Reflection Spectrum of Cotton Canopy on Hyper Spectrum TechnologyWU Chun-xia1 WANG jin1 Ren Gang1 ZHAO Jun-rong1 BAI Li2 BAI Shu-jun1(1 Wulanwusu Agrometeorological Experiment Station；2 College of Biology，Shihezi University: Xinjiang 832003,China,)Abstract：The effects of different cotton varieties, irrigation levels and nitrogen levels on characteristics of reflection spectrum of cotton canopy were studied. The results of the studying showed that there was a marked difference in the reflection spectrum of the canopy at different growth stages of cotton.The reflection spectrum of the canopy increased before flower and boll stage and decreased after flower,and boll stage with the growth of cotton. The reflection spectrum of the canopy decreased in the near infrared wave lands and increased in the visible wave lands with increasing the irrigation level.There were some difference in the reflection spectrum of the canopy for different cotton varieties. The reflection spectrum of the canopy for the treatments of N0 and N3 had a marked difference in the near infrared wave lands.Key words：cotton；canopy；hyper spectrum；reflection rate；0 引 言新疆独特的自然生态条件和作物种植管理模式是我国最适宜实施农业遥感技术和精准农业的地区之一。

基于无人机高光谱图像的枸杞冠层叶绿素含量反演基于无人机高光谱图像的枸杞冠层叶绿素含量反演摘要：随着无人机技术的发展和高光谱遥感成像技术的成熟，我们可以利用无人机高光谱图像来监测和分析植物的生长状况。

本文以枸杞为研究对象，通过获取无人机高光谱图像并运用反射光谱特征提取方法，实现了枸杞冠层叶绿素含量的精确反演，并与传统手段进行了对比。

结果表明，基于无人机高光谱图像的枸杞冠层叶绿素含量反演方法具有较高的准确性和实用性。

1. 引言枸杞是一种重要的药用和经济作物，其叶绿素含量对于枸杞植株的健康生长和产量具有重要意义。

传统上，通过野外调查和实验室分析的方法来测量枸杞植株叶绿素含量，需要大量的人力和时间成本。

而基于无人机高光谱图像的枸杞冠层叶绿素含量反演方法，可以实现大范围、高效率的监测和分析，为农业生产提供了有力的技术支持。

2. 材料与方法2.1 研究区域和样地选择在研究中选择某农场作为观测区域，根据实际情况选择了若干枸杞样地，确保样地的生长状态基本相似。

2.2 采集无人机高光谱图像数据采用多光谱无人机进行航拍，确保获取到大范围的高分辨率高光谱图像。

利用高光谱传感器观察枸杞植株的反射光谱，获取到植株冠层的光谱特征。

2.3 枸杞冠层叶绿素含量反演模型构建通过对采集到的高光谱图像数据进行处理和分析，建立枸杞冠层叶绿素含量反演模型。

选取光谱指数、特征波段等作为输入参数，通过回归分析确定反演模型的回归系数。

3. 结果与分析在枸杞样地分析中，利用无人机高光谱图像反演得到的冠层叶绿素含量与实际测量结果进行对比，结果表明两者具有较高的相关性。

枸杞样地内叶绿素含量高的区域在图像上表现为反射光谱较高的区域，而叶绿素含量低的区域在图像上表现为反射光谱较低的区域。

该结果验证了基于无人机高光谱图像的枸杞冠层叶绿素含量反演方法的可行性和准确性。

4. 对比与讨论与传统的野外调查和实验室分析方法相比，基于无人机高光谱图像的枸杞冠层叶绿素含量反演方法具有多项优势。

基于高光谱的苹果果期冠层光谱特征及其果量估测雷彤;赵庚星;朱西存;董超;孟岩;战冰【摘要】苹果冠层光谱特征是苹果树遥感生理监测和生产管理的重要依据.对栖霞市苹果果期的冠层反射光谱进行实测,结合数码照相技术探明了苹果果期的反射光谱特性和敏感波段,并通过敏感波段与果树比指标建立回归模型,实现了对苹果冠层果量(果树比)的无损估测.结果表明:苹果树果期冠层光谱曲线总体表现为对蓝光和红光的吸收及对绿光的反射,在近红外750-1300nm之间表现为强烈的反射,且在1650nm和2200nm附近呈现两个反射峰.选择435、670、730、940、1140nm 和1480nm等6个波段为苹果果期的敏感波段.利用这些波段分别构建了差值、比值及归一化植被指数,筛选了最佳光谱参数,进而构建了果量(果树比)估测模型,经筛选验证确定苹果果量的最佳估测模型为:y=0.0086[NDVI(940,730)]2-1.0934NDVI(940,730)+0.3209.模型为苹果果期果量的精确估测提供了比较快捷的方法途径.【期刊名称】《生态学报》【年(卷),期】2010(030)009【总页数】10页(P2276-2285)【关键词】高光谱;数码照片;苹果果期;光谱特征;估测模型【作者】雷彤;赵庚星;朱西存;董超;孟岩;战冰【作者单位】山东农业大学资源与环境学院,泰安,271018;山东农业大学资源与环境学院,泰安,271018;山东农业大学资源与环境学院,泰安,271018;山东农业大学资源与环境学院,泰安,271018;山东农业大学资源与环境学院,泰安,271018;栖霞市国土资源局,栖霞,265300【正文语种】中文近年来快速发展的高光谱遥感，以其数据量大、光谱信息和图像信息有机结合、波谱分辨率高等巨大优势，成为遥感发展的一项重大创新。

高光谱遥感技术已成功应用于实时、大范围、无破坏的植物生长状况与趋势探测，为田间管理提供及时的作物信息，并取得了明显的成效[1- 3]。

光谱及高光谱成像技术在作物特征信息提取中的应用研究共3篇光谱及高光谱成像技术在作物特征信息提取中的应用研究1光谱及高光谱成像技术在作物特征信息提取中的应用研究摘要：随着现代农业技术的发展，通过高光谱成像技术获取的数据为作物特征信息提取提供了新的途径。

本文对光谱及高光谱成像技术在作物特征信息提取中的应用进行了综述，同时探讨了这些技术在农业领域的发展前景。

关键词：光谱、高光谱成像、作物特征、信息提取、发展前景引言在现代化的农业生产中，不仅需要依靠高新技术对作物进行精细化管理，还需要对农田中作物的特征信息进行精准提取。

其中，光谱及高光谱成像技术成为作物特征信息提取的主要手段之一，其有效地提升了农业管理的水平。

一、光谱成像技术在作物特征信息提取中的应用光谱成像技术是指在特定波段范围内对微弱光进行有效采集和成像，并根据所获得的光谱信息来确定物体的性质和结构。

该技术可用于获取作物的生理生化信息、生长状态和气候状况等特征信息，进而为农业管理提供多方位数据支持。

1.1 光谱成像技术在农作物品种识别中的应用农作物品种的识别对于区分田间作物、优化作物生产管理和提高作物产量水平具有重要意义。

利用光谱成像技术可获取作物叶片、花朵等有色组织的非接触式图像，通过建立光谱特征库并采用专门的算法进行图像识别，可以快速准确地实现作物品种识别。

1.2 光谱成像技术在作物发育状况监测中的应用作物发育状况的监测对于作物生长动态分析和种植策略调整至关重要。

光谱成像技术可实时地对农作物的生长结构、营养情况和生理代谢活动进行检测。

比如，通过对植物的叶绿素荧光光谱进行监测，可以准确反映作物光合作用的活跃程度，为作物管理提供科学依据。

1.3 光谱成像技术在农业病虫害预测中的应用病虫害是影响作物产量和品质的一大因素，及时预测和防控病虫害对于保证农业生产重要。

利用光谱成像技术可以对病虫害所造成的组织损伤和代谢异常进行检测，比如温度异常和剧烈变化等。

宁南山区冬小麦冠层高光谱特征及其对干旱的响应张磊;刘静;张学艺;韩颖娟;袁海燕【摘要】以中引6号冬小麦为观测对象,大田利用Unispec-SC型单通道便携式光谱仪观测不同灌水处理条件小麦冠层光谱特征,并结合相应遥感指数,筛选对干旱响应敏感的指数.结果表明,宁南山区冬小麦灌浆期与乳熟期的冠层光谱特征存在差异;虽然不同干旱胁迫下的冬小麦冠层光谱反射率曲线形式基本类似,但在大多数波段,反射率值的大小明显不同;在应用各种遥感指数监测宁南山区冬小麦干旱时,根据具体情况可优先在RVI和NDVI中选择,其次可以考虑选用EVI.【期刊名称】《干旱地区农业研究》【年(卷),期】2010(028)002【总页数】5页(P12-16)【关键词】宁南山区;冬小麦;光谱特征;干旱【作者】张磊;刘静;张学艺;韩颖娟;袁海燕【作者单位】宁夏气象防灾减灾重点实验室,宁夏,银川,750002;宁夏气象科学研究所,宁夏,银川,750002;宁夏气象防灾减灾重点实验室,宁夏,银川,750002;宁夏气象科学研究所,宁夏,银川,750002;宁夏气象科学研究所,宁夏,银川,750002;宁夏气象科学研究所,宁夏,银川,750002;宁夏气象科学研究所,宁夏,银川,750002【正文语种】中文【中图分类】S423干旱是宁南山区农作物产量提高最主要的限制因素,冬小麦作为宁南山区的主要农作物,其抗旱保产增产多年来一直受到重视。

众多研究者就此问题进行过多方面的研究和探索,并取得了很多成果[1～4]。

冬小麦旱情监测及其影响评估是其中的一个重要研究方向,可为政府部门和农户开展农业抗旱自救提供重要依据。

传统的旱情监测方法主要是旱情测量站点测定土壤水分含量,这种方法费时费力,并且不能全面、大范围开展。

从20世纪60年代以来,遥感技术迅速发展,已越来越广泛地应用于农业、资源环境、气象等各个领域[5～11]。

农业遥感方面,大范围快速准确地监测农作物受旱情况、评估干旱对农作物生长(特别是产量)的影响程度是一个重要方面,也是农业遥感研究的重要课题,遥感技术在农业干旱监测方面发挥了巨大作用[12]。

基于光谱和纹理特征综合的农作物种植结构提取方法研究基于光谱和纹理特征综合的农作物种植结构提取方法研究摘要：农作物种植结构提取是农业领域中的一个重要研究课题。

传统的提取方法往往只基于单一特征，如光谱特征或纹理特征，而忽略了这两个特征之间的互补作用。

本文提出了一种基于光谱和纹理特征综合的农作物种植结构提取方法，通过综合利用光谱和纹理特征，可以更准确地提取农作物种植结构信息。

关键词：农作物种植结构提取；光谱特征；纹理特征；特征综合引言：农作物种植结构提取是指从遥感图像中提取出农作物的空间分布和种植结构信息。

在农业领域中，了解农作物的种植结构对于优化农田管理、提高农作物产量和质量具有重要意义。

因此，农作物种植结构提取一直是遥感图像处理研究的热点。

方法：本文提出的农作物种植结构提取方法主要分为以下几个步骤：预处理、特征提取和特征综合。

1. 预处理：首先对原始遥感图像进行预处理，包括去除噪声、增强图像对比度等，以获得更好的图像质量。

2. 特征提取：在本研究中，我们选择了光谱特征和纹理特征作为提取农作物种植结构的主要特征。

光谱特征包括农作物的植被指数（如NDVI）等，用于反映农作物的光谱响应。

纹理特征包括灰度共生矩阵等，用于反映图像纹理的复杂程度。

3. 特征综合：本研究将光谱和纹理特征分别进行归一化处理后，通过加权平均的方式综合得到最终的特征。

权重的确定可根据实际情况进行调整，以获得最佳的提取效果。

实验与结果：为了验证本文提出的方法的有效性，我们选择了某农田的遥感图像进行实验。

实验结果表明，相比于只使用光谱特征或纹理特征的方法，本文提出的基于光谱和纹理特征综合的方法可以更准确地提取出农作物的种植结构，对于农田的管理和农作物的生长状态分析具有更好的效果。

讨论与展望：本文提出了一种基于光谱和纹理特征综合的农作物种植结构提取方法，并在实验中验证了其有效性。

然而，本方法仍然存在一些局限性，例如对于非均匀光照条件下的遥感图像可能效果不佳。

基于吉林一号的梨树县主要农作物提取研究丁春雨;晏明;马冠南;谷金英;袁铁英【期刊名称】《农业与技术》【年(卷),期】2023(43)4【摘要】本文旨在充分利用吉林一号系列卫星数据的高分辨率特征和农作物不同生长期表现出来的不同光谱特征,选择一种合适的分类方法实现梨树县主要农作物的精准分类。

通过建立农作物分类样本库,联合像元谱段信息与空间结构特征,以第三次全国国土调查数据为基准,利用多层感知卷积神经网络对吉林一号多源多时相影像进行农作物分类,获取精细化的梨树县玉米、水稻、大豆和其它作物的分类产品。

经过精度验证表明,梨树县2022年主要农作物遥感监测成果总体精度为96.00%;玉米、水稻、大豆和其它作物的生产者精度均大于90%;玉米、水稻和其它作物的用户精度大于90%,大豆用户精度小于90%,主要是由于大豆与其它作物(花生)易发生混分造成。

通过综合利用吉林一号多光谱数据与亚米级高分辨率数据,实现了精准的农作物品种分类。

经过对比分析,利用亚米级高分辨率数据可以很好的区分玉米、水稻和其它作物,但是大豆影像特征与其它作物(花生)类似,单独运用亚米级高分辨率数据无法区分大豆与花生,要结合具有短波红外波段的吉林一号多光谱数据,可较好地区分大豆与花生,但其精度受到一定影响。

【总页数】5页(P43-47)【作者】丁春雨;晏明;马冠南;谷金英;袁铁英【作者单位】吉林省农业资源与农业区划研究所【正文语种】中文【中图分类】S127【相关文献】1.解决农作物秸秆焚烧的主要途径是秸秆直接还田——吉林省梨树县秸秆覆盖还田10年回顾2.基于遥感的望江县主要农作物种植面积提取研究3.基于GF-1的山地主要农作物种植信息提取研究4.基于遥感地理特征曲线的主要农作物种植面积大尺度提取5.基于GF-1数据的主要农作物种植结构提取SVM算法研究因版权原因，仅展示原文概要，查看原文内容请购买。