【技术实现步骤摘要】
本专利技术涉及作物表型参数遥感监测，具体地说，涉及一种利用无人机方向性纹理获取水稻agb的方法。
技术介绍
1、水稻(oryza sativa)作为世界最主要的粮食作物之一，是全球近一半人口的主粮。及时可靠的水稻产量预测对于稳定稻米价格和保障全球粮食安全意义重大，而且对决策者及时制定粮食政策和水稻进出口战略也至关重要。地上生物量(above groundbiomass,agb)作为作物生长的关键生理参数，定义为给定时间内单位土地面积上作物的地上部干物质之和，是表征作物生长，发育和营养状态的重要农学参数，对作物长势、产量预测具有重要意义。因此，快速、无损、准确地掌握作物agb的时空动态变化，对于制定和实施田间决策管理和产量预测十分重要。
2、目前，已有大量研究利用来自无人机图像的光谱信息监测作物agb，并取得了可接受的监测精度。但光谱信息前期易受土壤(杂草)背景噪声干扰，后期冠层覆盖密集光谱易饱和导致监测模型精度低。为了解决基于光谱信息监测agb精度低的问题，越来越多的研究者倾向于选择纹理特征来改善作物agb的监测精度。
3、纹理特征描述特定窗口内相邻像素间属性值的变化频率，可以表征因作物品种、土壤养分等不同产生的叶片颜色差异。此外，随着作物的生长发育，冠层结构的变化也将产生纹理差异，如稻穗从叶鞘中出现、稻穗颖花展开、稻穗逐渐成熟下垂以及水稻植株与背景或阴影比例变化等，这些冠层形态的细微变化，必然导致冠层纹理特征发生变化。因此，纹理特征对于监测作物生长信息具有重要意义。
4、提取纹理特征的方法有
5、考虑到glcm纹理特征在作物生长信息监测中越来越普及，必须更好地理解方向性效应对agb监测的影响，具体来说：(1)垂直于种植行方向纹理特征的性能是否与沿行纹理特征的性能相同，以及这两个方向的性能是否优于默认的对角线方向纹理？(2)在水稻生长发育的全生育期是否存在一个优势纹理方向，从而更有效地利用glcm纹理特征对agb进行监测？
6、集成学习算法已经成为传统参数学习算法或机器学习算法(如决策树、支持向量机)更准确、鲁棒的代替。集成算法中又以随机森林算法(randomforest,rf)应用最为广泛。一个rf可以处理数千个输入变量而不删除变量，并估计变量在回归中的重要性。rf在每个节点的划分中使用输入特征或预测变量的随机子集，而不是使用最佳变量，从而减少了泛化误差。此外，为了增加树的多样性，rf使用bootstrap aggregating从原始样本提取多个样本集形成样本子集，并使用每个样本子集构建一个独立的决策树，然后从多个决策树的结果中取均值得到最终的预测结果，这使rf能有效地处理离群数据或噪声信息，以克服过拟合问题。倾向于达到更高的准确性。然而，目前还没有利用rf模型研究方向性纹理对水稻agb的估算方法，鉴于此，本专利技术的目的是利用rf回归模型构建一种无人机方向性纹理获取水稻agb的方法。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术在利用纹理特征时没有考虑水稻种植模式所带来的方向性效应，本专利技术的目的在于提供一种利用无人机方向性纹理获取水稻agb的方法，使用灰度共生矩阵(glcm)方法提取影像方向性纹理特征，窗口移动的方向设置为45°，即斜交于水稻种植行方向；结合随机森林(rf)模型构建水agb的高精度估算方法。相比于传统的野外调查方法，无人机采集数据的过程对水稻植株没有直接的干扰，不会对植株造成损伤。相比于基于光谱特征的遥感反演方法，该方法具有更好的鲁棒性，可以提升水稻生长前期因水土背景、后期因冠层密集光谱饱和导致的估算精度低的局限。总体来说，该方法实现简单，运算速度快，自动化程度高，可适用于不同水稻品种、氮处理、生育时期的agb估算。
3、(二)技术方案
4、本为实现上述目的，本专利技术提供如下技术方案，一种利用无人机方向性纹理获取水稻agb的方法所采用的技术方案是:包括以下步骤：
5、步骤一：选择合适的无人机系统：选择搭载有多光谱传感器的无人机系统，所述无人机系统配备五个cmos传感器包括蓝色b、绿色g、红色r、红边re和近红外nir，所述cmos传感器用于获取多光谱图像；
6、步骤二：飞行计划和数据采集：根据水稻田的形状和大小，规划所述无人机p4m的航线，无人机在离地面30m，航向重叠度90％，旁向重叠度85％，等时间隔拍照，飞行速度3m/s下匀速飞行；所述无人机系统会连续拍摄获取水稻关键生育期图片；
7、步骤三：无人机图像预处理：将采集到的原始多光谱图像进行处理和分析，将连续多张图像拼接成单幅大图，并生成高分辨率的数字正射影像(dom)和数字表面模型(dsm)；对所述影像进行地理配准和辐射校正；
8、步骤四：方向性纹理特征提取：使用灰度共生矩阵(glcm)方法提取影像的纹理特征，窗口移动的方向设置为45°，即斜交于水稻种植行方向；移动窗口大小设置为当时期水稻植株平均大小的1/3；
9、步骤五：水稻agb估计模型：所述方向性纹理特征与agb进行回归建模析，推荐样本划分比例为7：3，70％的样本用于构建agb估算模型，而剩余30％的样本用于模型精度验证；推荐回归模型为随机森林回归模型。
10、作为优选方案，所述无人机影像地面分辨率为0.7cm/pixel，单次飞行耗时约为10分钟，单次获取影像数约为785张；所述无人机相机的快门设置为1/1000s；相机的光圈和iso参数根据拍摄当时的光照情况在航拍前调整，并在整个航拍过程中保持稳定不变；无人机所搭载传感器可以获取多光谱图像，包括但不限于以下波段，蓝色波段(中心波长450nm)、绿色波段(中心波长560nm)、红色波段(中心波长650nm)、红边波段(中心波长730nm)和近红外(中心波长840nm)；
11、作为优选方案，所述的关键生育时期主要包括分蘖期、拔节期、孕穗期、抽穗期和灌浆期。
12、作为优选方案，所述的无人机图像预处理的具体步骤包括：
13、步骤1-1：采用dji terra软件进行农田场景选择、图像对齐、点云生成和数字正射影像生成；
14、步骤1-2：利用均匀分布在研究区内的5个控制点对步骤1-1中无人机多光谱正射影像进行精确本文档来自技高网...
【技术保护点】
1.一种利用无人机方向性纹理获取水稻AGB的方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种利用无人机方向性纹理获取水稻AGB的方法，其特征在于：步骤一中所述无人机为搭载有多光谱传感器的航空系统，所述多光谱传感器以内置或挂载于无人机系统。
3.根据权利要求1所述的一种利用无人机方向性纹理获取水稻AGB的方法，其特征在于：步骤二中所述飞行计划为所述无人机图片地面分辨率为0.7cm/pixel，单次飞行耗时约为10分钟，单次获取影像数约为220张；所述无人机相机的快门设置为1/1000s；相机的光圈和ISO参数根据拍摄当时的光照情况在航拍前调整，并在整个航拍过程中保持稳定不变；无人机所搭载传感器可以获取多光谱图像，包括但不限于以下波段，蓝色波段中心波长450nm、绿色波段中心波长560nm、红色波段中心波长650nm、红边波段中心波长730nm和近红外中心波长840nm。
4.根据权利要求1所述的一种利用无人机方向性纹理获取水稻AGB的方法，其特征在于：步骤二中数据采集覆盖水稻生长发育的关键生育时期，主要包括分蘖期、拔节期、孕穗期、抽
5.根据权利要求1所述的一种利用无人机方向性纹理获取水稻AGB的方法，其特征在于：步骤三中无人机图像预处理的具体步骤包括：
6.根据权利要求1所述的一种利用无人机方向性纹理获取水稻AGB的方法，其特征在于：步骤四中提取的特定方向性纹理特征的具体步骤包括：
7.根据权利要求1所述的一种利用无人机方向性纹理获取水稻AGB的方法，其特征在于：步骤五中构建AGB估算模型及对其精度验证的具体步骤为：
...【技术特征摘要】
1.一种利用无人机方向性纹理获取水稻agb的方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种利用无人机方向性纹理获取水稻agb的方法，其特征在于：步骤一中所述无人机为搭载有多光谱传感器的航空系统，所述多光谱传感器以内置或挂载于无人机系统。
3.根据权利要求1所述的一种利用无人机方向性纹理获取水稻agb的方法，其特征在于：步骤二中所述飞行计划为所述无人机图片地面分辨率为0.7cm/pixel，单次飞行耗时约为10分钟，单次获取影像数约为220张；所述无人机相机的快门设置为1/1000s；相机的光圈和iso参数根据拍摄当时的光照情况在航拍前调整，并在整个航拍过程中保持稳定不变；无人机所搭载传感器可以获取多光谱图像，包括但不限于以下波段，蓝色波段中心波长450nm、绿色波段中心波...
【专利技术属性】
技术研发人员：刘吉凯，马强，黄林生，赵晋陵，岳虎，年颖，李新伟，
申请(专利权)人：安徽科技学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。