无人机低空遥感技术在农作物监测和诊断与评估中的应用研究

无人机低空遥感技术在农作物监测和诊断与评估中的应用研究

1精准农业技术

精准农业是农业发展模式中新型发展模式,主要将信息技术与各类高新技术相结合,根据空间、地理、时间和环境的变化进行现代化农业管理与操作,形成的一种适用于大面积作物种植的现代农业生产模式。3S技术(地理信息系统GIS、全球卫星定位系统GPS以及遥感技术RS技术)是精准农业技术的核心技术,其可对大田农业采集的信息处理、管理、分析、表达、传播和应用,对我国农业建设发展起到了显著的推动作用。作物生产管理决策支持系统、作物长势和传感器技术、变量喷雾控制技术和装备等相关技术促进精准农业技术快速发展。2018年数据,美国30%~50%大型农场应用了精准农业技术,农场越大,精准农业技术提供的利润也就越高,成本回收周期越短。目前,在精准农业技术领域,土壤地图,产量地图、导航系统与变量技术应用最为广泛。在当前我国农业机械化工作水平不断发展的背景下,精准农业在提高农业生产管理水平、合理利用资源和环保效益上具有重要意义。

2遥感技术

作为精准农业技术的支撑技术之一,遥感技术一种用于大面积、远距离信息采集与监测的一

种无损、穿透性的新型探测技术,其可在大范围内、不同时间获取实时数据,通过遥感影像详细的反映物体的各方面的性质,能让人们在短时间内获得自然与非自然环境基本信息。在高空远距离处,通过遥感技术接收物体辐射或反射的电磁波信息,应用信息处理技术,加工处理成能识别的图像,经分析揭示出物体的性质、形态和动态变化。目前,遥感技术广泛的应用在矿物勘探、环境监测、农牧业等多个领域。

从开始研究对地遥感技术,农业遥感技术一直是星载遥感和机载遥感的重点研究方向。通过星载遥感和机载遥感对农田作业,获得大面积作物种植生物、物理等信息,有助于对大面积农作物管理。随着高光谱技术的进步,以及对地探测专业小卫星的发展,遥感技术将成为推进我国数字农业和精准农业以及生态农业的快速发展的动力。卫星遥感的观测范围较大,观测信息较为宏观和综合,能够实现长期连续监测,但图像分辨率不是很高。

近年来逐渐发展壮大的无人机遥感(Unmanned Aerial Vehicle Remote Sensing),利用先进的无人机平台,实现自动化、智能化、专用快速获取空间遥感信息,完成遥感数据处理、建模和应用分析。相比于卫星遥感,无人机因为近地面,观测范围相对较小,但图像分辨率高,灵活易部署,时效性好,且可以拍摄视频影像。

3无人机低空遥感技术

植物具有光谱特性,可吸收、反射、辐射不同的光谱。无人机低空遥感技术以植物的光谱特性为基础,不同波长的光对植物生长有不同的影响,利用无人机搭载图像传感器,如可见光相机、多光谱相机、高光谱相机与热成像相机,用于采集作物在不同波段下的图像,提取不同的特征。

在整个可利用的电磁波谱中,不同波段的图像数据用于提取作物不同的特征参数:

(1)400~700 nm的可见光波段(VIS)用于测量植物的形态、几何特征和颜色特征;

(2)700~1 000 nm的近红外波段(NIR)常用于检测叶片含水量;

(3)7 500~13 000nm的热红外波段(TIR)常用于检测不同温度条件下叶片的光谱反射,也可以反映含水量;

(4)高光谱相机采集350~2 500 nm的上百个光谱带用于测量反映植物胁迫状况;

(5)激发光下测量的叶绿素荧光图像可用于研究植物的光合作用。

无人机低空遥感探测农作物生物、物理等信息,可快速有效针对农作物生物量做出评估,为大面积农作物种植提供一种高效的低空管理工具。无人机低空遥感技术在农业领域中的应用包括作物种类识别、长势与墒情监测、病虫害监测、植株数量和成苗率统计分析、土壤属性分析、自然灾害后的作物受损评估、作物产量预测等。如Filippo SanTIni等利用无人机多光谱、RGB和热成像技术测试黑松种群中植被指数和冠层温度的遗传变异,并评估了植被特性与地上生长的种群间关联性。MaimaiTIjiang M等在美国密苏里州哥伦比亚市附近的一个田地里,利用无人机收集整个大豆生长季节的RGB图像成像,对RGB图像衍生的光谱、结构和体积信息获取植被指数加权冠层体积模型,进而估算大豆生物量。朱婉雪等在山东省滨州市典型规模化农田,利用固定翼无人机遥感平台对冬小麦拔节期、抽穗灌浆期和成熟期遥感影像数据集,采用最小二乘法建立不同植被指数与冬小麦实测产量的线性模型,进而诊断和评估作物长势和产量。

下面以一个实例介绍无人机低空遥感集输在棉花产量预测应用中的技术流程与系统研究过程中值得注意的关键点。

(1)田间试验与田间数据采集,确定研究目标与对象之后,记录田间试验条件如作物品种,地理位置,播种、施肥、灌溉等作物管理方式,同时准确收集田间的大地数据,如土壤电导率值、产量值等。

(2)利用无人机采集低空遥感图像。确定无人机搭载的图像传感器种类,在有条件的前提下,建议搭载常用的RGB可见光相机、包括近红外波段在内的多光谱相机,以及热成像相机。同时,可在作物生长的多个时期采集大田图像,实现作物生长过程检测。

(3)利用商用软件进行数据预处理,如文献中应用的Yield Editor产量数据处理软件,去除那些不合理的产量数据。专为无人机提供云服务的软件供应商以及DroneDeploy软件将大量的农田局部图像拼接为全景图像。

(4)得到全景图像之后,需要将大地数据与图像数据匹配起来,即通过几何运算将收获时记录的GPS数据对应注册到图像中;这个过程也非常简单,在大田中找到标志性的特征点,在Google地图中能够确认其经纬度坐标,再在图像中找到这几个特征点的像素值,通过比例转换就能够实现了。

(5)将整个图像按GPS数据分割为若干个采样单元,对应每一个小单元都有其GPS数据、图像数据和产量数据,这就形成了一个数据集合。

(6)特征参数的提取,特征参数要能够明显、充分地体现作物差异性的参数。可利用RGB、HSV、Lab等颜色模型进行分析,还可利用NDVI植株覆盖率与归一化植被指数(normalized difference vegetaTIon index,NDVI)进行分析。

(7)最后,就是数据统计分析建模的部分了。一般将整个数据集分为90%的训练集和10%的测试集,训练集用于建模,测试集用来评估预测模型的精度。基于多个特征参数可以构建多元线性回归模型进行产量预测,然后利用假设检验的P值、决定系数R2、预测值和真实值之间平均绝对误差百分比MAPE(0.4 hm2)进行预测模型的评价。

通过上述7个主要步骤能够完成基于无人机低空遥感平台的作物产量预测应用,类似的,在其他应用中也可参考上述技术流程。

12月6日 10:10
浏览量:0