一种基于无人机多光谱影像的水稻地上部生物量估测方法技术

本发明专利技术提出一种基于无人机多光谱影像的水稻地上部生物量估测方法，步骤如下：规范采集水稻冠层无人机多光谱影像数据和地面实测生物量数据；获取后进行影像预处理，提取反射率和纹理特征参数，计算植被指数，并构建新的纹理指数；利用逐步多元回归分析法，综合植被指数和纹理指数估测水稻生物量，并以此建立估测生物量的多元线性模型。采用交叉验证方法对该新估测模型进行精度验证。本发明专利技术的方法估测精度高、对输入数据要求少，适用于水稻全生育期，同时也是目前第一次提出综合无人机光谱和纹理信息估测水稻生物量的方法，可广泛用于无人机遥感监测作物长势。

A Method of Rice Above-ground Biomass Estimation Based on UAV Multispectral Image

The invention proposes a method for estimating rice aboveground biomass based on UAV multi-spectral image, the steps are as follows: standardizing the collection of rice canopy UAV multi-spectral image data and ground measured biomass data; after acquisition, image preprocessing, extracting reflectance and texture characteristic parameters, calculating vegetation index, and constructing a new texture index; and using stepwise multiple regression analysis. The rice biomass was estimated by vegetation index and texture index, and a multivariate linear model for estimating rice biomass was established. The cross validation method is used to verify the accuracy of the new estimation model. The method of the invention has high estimation accuracy and less requirement for input data, and is suitable for the whole growth period of rice. At the same time, it is the first time to put forward a method for estimating rice biomass by synthesizing UAV spectral and texture information, and can be widely used for UAV remote sensing monitoring crop growth.

【技术实现步骤摘要】
一种基于无人机多光谱影像的水稻地上部生物量估测方法
本专利技术属于作物生长监测领域，尤其是一种基于无人机多光谱影像的水稻地上部生物量估测方法。
技术介绍
水稻是世界上主要的粮食作物之一，全球超过半数人口以大米为主食，因此水稻生产在全球食品安全和可持续发展中扮演重要角色。作物精确管理是保证水稻高产的先决条件，地上部生物量是作物长势监测的重要指标，对产量形成影响重大。同时，生物量与氮含量共同决定了氮稀释曲线，从该曲线可以获取临界氮浓度，然后计算氮营养指标用于氮素管理。因此可见，作物群体生物量的准确、无损化监测在精确农业领域起着重要作用。遥感技术已经广泛应用于生物量估测，目前已有许多监测手段。最常用的是几种便携式光谱仪，使用主动传感器(如GreenSeeker和CropCircle)或被动传感器(如ASDFieldSpecspectrometer)。虽然这些传感器操作简便且监测精度较高，但是很难在大面积区域应用，在农业园区应用于大量田块时效率较低。卫星影像可以大范围监测作物生物量，但是影像时空分辨率低且高空间分辨率影像价格昂贵，导致估测精度较低。近年来，无人机为作物生物量估测提供了新手段。国外有学者利用无人机搭载数码相机监测作物生物量，发现归一化绿红指数(NormalizedGreen-RedDifferenceIndex，NGRDI)在封行前与生物量相关性较好。还有学者发现无人机RGB影像提取的红蓝比值指数与冬小麦生物量相关较好。然而，这些估测模型只适用于单一生育期，一个适用于全生育的监测模型亟待构建。此外，一些学者利用无人机RGB影像构建作物表面模型来提取作物株高信息，然后利用株高估测生物量，效果较好。但是作物表面模型的构建需要影像拼接和数字高程模型，这些操作比较费时。相比于冠层结构信息，无人机影像的光谱信息可以直接用来估测生物量，即使只有三个波段。前人研究发现，近红外和红边波段在生物量估测上比数码影像的红绿蓝波段更加有效。此外，大部分已有研究只使用了无人机影像的光谱和结构信息，影像固有的空间信息没有得到利用。因此，充分利用无人机多光谱影像数据，对作物生物量的快速、准确估测具有重大意义。纹理分析是一种测量像素值与相邻像素差异的图像分析技术，广泛应用于图像分类。在本世纪初，有学者利用卫星影像的纹理信息进行森林地上部生物量估测，他们发现不仅纹理特征与成熟森林的生物量存在显著相关性，而且纹理特征在生物量估测上还优于光谱信息。另外，有学者系统比较了简单光谱比值、常用植被指数、纹理特征和比值纹理特征在森林生物量估测上的表现，发现比值纹理特征能够显著提升生物量估测精度。前人主要利用卫星影像的纹理特征进行森林生物量的估测，很少有研究利用超高分辨率的无人机影像来估测水稻生物量。另外，传统光谱指数在高生物量下监测效果较差，尤其是水稻抽穗后的生育时期。考虑到这些限制因素，非常有必要研发能够在高生物量条件下准确监测生物量的技术。
技术实现思路
本专利技术所解决的技术问题在于提供一种基于无人机多光谱影像的水稻地上部生物量估测方法，对输入数据要求低，估测精度高，同时适用于水稻全生育。实现本专利技术目的的技术解决方案为：一种基于无人机多光谱影像的水稻地上部生物量估测方法，包括以下步骤：步骤1：通过无人机采集获取水稻冠层多光谱影像数据，同时对水稻植株进行随机破坏性取样，得到水稻植株样本；步骤2：对水稻冠层多光谱影像数据进行预处理：去除噪声、校正光晕、校正镜头畸变、校正辐射，得到水稻冠层多光谱影像反射率数据；步骤3：对水稻冠层多光谱影像反射率数据进行数据处理：提取反射率、计算纹理特征参数、计算植被指数、计算纹理指数，同时测定水稻植株样本的生物量数据；步骤3-1：根据感兴趣区域ROI提取每个小区的反射率，其中，小区的定义为5m×6m的区域；步骤3-2：根据步骤3-1中的反射率计算与生物量估测相关的植被指数；步骤3-3：在反射率影像上计算基于灰度共生矩阵的8个纹理特征参数；步骤3-4：根据单纹理特征参数构建归一化纹理指数NDTI，NDTI＝(T1-T2)/(T1+T2)，其中，T1、T2分别为任意波段的某一纹理特征参数；步骤3-5：将水稻植株样本去根洗净，在烘箱中进行杀青、烘干，再称重，得到水稻植株样本的地上部生物量数据；步骤4：将光谱指数、单纹理特征参数、纹理指数与地上部生物量进行相关性分析，同时利用数据分析软件SPSS结合光谱指数、纹理指数进行逐步多元线性回归分析得到水稻生物量估测模型，并计算其决定系数R2，通过比较R2评定不同回归分析模型在水稻生物量估测上的表现；步骤5：根据田间试验数据，采用十字交叉验证法对水稻生物量估测模型进行精度验证，并计算相对均方根误差RMSE：其中，Pi和Oi,分别是第i个样本的预测值和实测值，n是样本总数；步骤6：通过比较不同估测模型的RMSE，得到最佳水稻地上部生物量估测模型：AGB(tha-1)＝e(4.179×NDTI(Mean800,Mean550)–2.559×NDTI(Mean800,Mean720)+1.924×MTVI2-0.644)其中，NDTI(Mean800,Mean550)为800nm和550nm两个波段的Mean纹理特征参数构建的纹理指数，NDTI(Mean800,Mean720)为800nm和720nm两个波段的Mean纹理特征参数构建的纹理指数，MTVI2为修正三角植被指数，AGB为水稻地上部生物量。本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：1、本专利技术的基于无人机多光谱影像的水稻地上部生物量估测方法对输入数据要求低，估测精度高；2、本专利技术的基于无人机多光谱影像的水稻地上部生物量估测方法结合无人机影像光谱与纹理信息来估测水稻地上部生物量，适用于水稻全生育期；3、本专利技术的基于无人机多光谱影像的水稻地上部生物量估测方法可以仅用一个模型准确监测全生育期水稻生物量，并且可以为作物长势监测提供有用参考。附图说明图1为地上部生物量(tha-1)与植被指数的关系：NDVI(a)；GNDVI(b)；MTVI2(c)；OSAVI(d)；VARI(e)；NGRDI(f)；CIrededge(g)和DATT(h)，Pre-HD和Post-HD分别代表抽穗前和抽穗后。图2为地上部生物量(tha-1)与纹理指数的关系：(a)NDTI(Mean720,Mean550)；(b)NDTI(Mean800,Mean550)和(c)NDTI(Mean800,Mean720)，Pre-HD和Post-HD分别代表抽穗前和抽穗后。图3全生育期和分时期表现最佳的植被指数、纹理指数和多元线性回归方程检验：全生育期OSAVI(a)，抽穗前CIrededge(b)，抽穗后OSAVI(c)，全生育期NDTI(Mean800,Mean550)(d)，抽穗前NDTI(Mean800,Mean550)(e)，抽穗后NDTI(Mean800,Mean720)(f)，NDTI(Mean800,Mean550)、NDTI(Mean800,Mean720)和MTVI2构建的全生育期模型(g)，抽穗前(h)和抽穗后(i)。图4是最佳估测模型在拔节期和灌浆期的生物量反演图。具体实施方式下面详细描述本专利技术的实施方式，所述实施方式的示例本文档来自技高网...

【技术保护点】
1.一种基于无人机多光谱影像的水稻地上部生物量估测方法，其特征在于，包括以下步骤：步骤1：通过无人机采集获取水稻冠层多光谱影像数据，同时对水稻植株进行随机破坏性取样，得到水稻植株样本；步骤2：对水稻冠层多光谱影像数据进行预处理：去除噪声、校正光晕、校正镜头畸变、校正辐射，得到水稻冠层多光谱影像反射率数据；步骤3：对水稻冠层多光谱影像反射率数据进行数据处理：提取反射率、计算纹理特征参数、计算植被指数、计算纹理指数，同时测定水稻植株样本的生物量数据；步骤3‑1：根据感兴趣区域ROI提取每个小区的反射率，其中，小区的定义为5m×6m的区域；步骤3‑2：根据步骤3‑1中的反射率计算与生物量估测相关的植被指数；步骤3‑3：在反射率影像上计算基于灰度共生矩阵的8个纹理特征参数；步骤3‑4：根据单纹理特征参数构建归一化纹理指数NDTI，NDTI＝(T1‑T2)/(T1+T2)，其中，T1、T2分别为任意波段的某一纹理特征参数；步骤3‑5：将水稻植株样本去根洗净，在烘箱中进行杀青、烘干，再称重，得到水稻植株样本的地上部生物量数据；步骤4：将光谱指数、单纹理特征参数、纹理指数与地上部生物量进行相关性分析，同时利用数据分析软件SPSS结合光谱指数、纹理指数进行逐步多元线性回归分析得到水稻生物量估测模型，并计算其决定系数R2，通过比较R2评定不同回归分析模型在水稻生物量估测上的表现；步骤5：根据田间试验数据，采用十字交叉验证法对水稻生物量估测模型进行精度验证，并计算相对均方根误差RMSE：...

【技术特征摘要】
1.一种基于无人机多光谱影像的水稻地上部生物量估测方法，其特征在于，包括以下步骤：步骤1：通过无人机采集获取水稻冠层多光谱影像数据，同时对水稻植株进行随机破坏性取样，得到水稻植株样本；步骤2：对水稻冠层多光谱影像数据进行预处理：去除噪声、校正光晕、校正镜头畸变、校正辐射，得到水稻冠层多光谱影像反射率数据；步骤3：对水稻冠层多光谱影像反射率数据进行数据处理：提取反射率、计算纹理特征参数、计算植被指数、计算纹理指数，同时测定水稻植株样本的生物量数据；步骤3-1：根据感兴趣区域ROI提取每个小区的反射率，其中，小区的定义为5m×6m的区域；步骤3-2：根据步骤3-1中的反射率计算与生物量估测相关的植被指数；步骤3-3：在反射率影像上计算基于灰度共生矩阵的8个纹理特征参数；步骤3-4：根据单纹理特征参数构建归一化纹理指数NDTI，NDTI＝(T1-T2)/(T1+T2)，其中，T1、T2分别为任意波段的某一纹理特征参数；步骤3-5：将水稻植株样本去根洗净，在烘箱中进行杀青、烘干，再称重，得到水稻植株样本的地上部生物量数据；步骤4：将光谱指数、单纹理特征参数、纹理指数与地上部生物量进行相关性分析，同时利用数据分析软件SPSS结合光谱指数、纹理指数进行逐步多元线性回归分析得到水稻生物量估测模型，并计算其决定系数R2，通过比较R2评定不同回归分析模型在水稻生物量估测上的表现；步骤5：根据田间试验数据，采用十字交叉验证法对水稻生物量估测模型进行精度验证，并计算相对均方根误差RMSE：其中，Pi和Oi,分别是第i个样本的预测值和实测值，n是样本总数；步骤6：通过比较不同估测模型的RMSE，得到最佳水稻地上部生物量估测模型：AGB(tha-1)＝e(4.179×NDTI(Mean800,Mean550)–2.559×NDTI(Mean800,Mean720)+1.924×MTVI2-0.644)其中，NDTI(Mean800,Mean550)为800nm和550nm两个波段的Mean纹理特征参数构建的纹理指数，NDTI(Mean800,Mean720)为800nm和720nm两个波段的Mean纹理特征参数构建的纹理指数，MTVI2为修正三角植被指数，AGB为水稻地上部生物量。2.根据权利要求1所述的基于无人机多光谱影像的水稻地上部生物量估测方法，其特征在于，步骤1中的水稻冠层多光谱影像数据来自不同生育期、不同施氮水平、不同种植密度处理、不同水稻品种类型的水稻田，其中生育期包括拔节期、孕穗期、抽穗期、灌浆期。3.根据权利要求1所述的基于无人机多光谱影像的水稻地上部生物量估测方法，其特征在于，步骤1中对水稻植株进行随机破坏性取样具体为：在每个小区随机选取三穴水稻植株，连根拔起装入水桶中。4.根据权利要求1所述的基于无人机多光谱影像的水稻地上部生物量估测方...

【专利技术属性】
技术研发人员：朱艳，郑恒彪，程涛，姚霞，田永超，曹卫星，
申请(专利权)人：南京农业大学，
类型：发明
国别省市：江苏,32