【技术实现步骤摘要】
本专利技术属于无人机遥感反演及图像处理，尤其涉及一种基于多光谱无人机的田间花生生物量反演方法。
技术介绍
1、花生是我国重要的油料作物，其高产稳产对于保障国家油料安全、促进农业可持续发展至关重要。生物量(above-ground biomass，agb)是评估植物群体生长状况的关键参数，通常通过植被的总质量或生物体积来表示。作为反映植物群体健康状况和养分利用效率的重要指标，生物量在农业生产和生态系统监测中具有重要作用。它能够准确反映植物的生长活力、养分吸收情况以及植物群体的总体生产力水平，为农业资源管理和决策提供了基础数据。虽然目前已经有小麦、玉米、马铃薯等作物的生物量反演模型，但是花生冠层结构与这些作物不同，且不同品种的花生生物量具有差异。因此，对花生生物量进行高效、无损、准确监测对于指导花生田间管理和估产等均具有重要意义，具有研究的必要性。
2、目前，测定花生生物量的方法为地面测量法。地面测量法则通过人工采集植株，计算植株干重，从而得到单个地块上的花生生物量。这种方法只能获取离散点上的生物量信息，在获取大尺度数据的情况下耗时耗力，其数据的可靠性难以保障，并且在一定程度上破坏了作物，不适用于大田作物的监测中。
技术实现思路
1、为解决上述技术问题，本专利技术提出了一种基于多光谱无人机的田间花生生物量反演方法，以解决上述现有技术存在的问题。
2、为实现上述目的，本专利技术提供了一种基于多光谱无人机的田间花生生物量反演方法，包括：
3、基于目标监测
4、无人机通过所述无人机飞行航线进行数据采集，获得田间花生各生育时期的多光谱影像；
5、对所述田间花生各生育时期的多光谱影像进行配准，实现各生育期数据空间基准统一；
6、获取不同品种花生地块面积值，基于所述不同品种花生地块面积值和田间采样花生植株干重计算单个花生地块生物量实测值；
7、基于配准后的多光谱影像获取平均植被指数，基于所述平均植被指数和所述单个花生地块生物量实测值建立线性支持回归模型，基于所述线性支持回归模型进行田间花生生物量反演。
8、优选的，所述基于目标监测区域的环境信息规划无人机飞行航线的过程包括：
9、获取目标监测区域的环境信息、无人机上多光谱相机的参数信息、天气信息、航带重叠度和航带宽度；
10、基于所述目标监测区域的环境信息、无人机上多光谱相机的参数信息、天气信息、航带重叠度和航带宽度构建无人机飞行航线；
11、所述无人机上多光谱相机的参数信息包括波段信息和分辨率信息；
12、所述天气信息包括雾信息、云信息、烟尘信息和降雨信息。
13、优选的，所述无人机通过所述无人机飞行航线进行数据采集，获得田间花生各生育时期的多光谱影像的过程包括：
14、所述无人机在田间花生的各生育时期通过所述无人机飞行航线进行数据采集，获得各生育时期的拍摄影像；
15、对所述各生育时期的拍摄影像进行拼接，获得所述田间花生各生育时期的多光谱影像。
16、优选的，对所述田间花生各生育时期的多光谱影像进行配准，实现各生育期影像数据空间基准统一的过程包括：
17、将所述田间花生各生育时期的多光谱影像的坐标系转化至同一坐标系，获得坐标转换影像；
18、选择所述坐标转换影像中位置固定，清晰的地物作为配准依据，基于地理配准工具对所述田间花生各生育时期的多光谱影像进行配准，获得配准影像数据。
19、优选的，将所述田间花生各生育时期的多光谱影像的坐标系转化至同一坐标系的过程包括：将所述田间花生各生育时期的多光谱影像的当前坐标系转换至xian1980投影坐标系中，生成所述坐标转换影像。
20、优选的，所述获取不同品种花生地块面积值的过程包括：
21、对所述配准影像数据的田间花生地块划分为不同的小区域，获得小地块图像数据；
22、对所述小地块图像数据建立矢量点，获得矢量点数据；
23、将所述矢量点数据转化为面shapefile数据，基于polyarea函数对所述面shapefile数据进行计算，获得所述不同品种花生地块面积值。
24、优选的，基于所述不同品种花生地块面积值和田间采样花生植株干重计算单个花生地块生物量实测值的过程包括：
25、确认不同品种花生地块植株苗数并采集不同时期各品种花生地块植株；
26、测量所述不同时期各品种花生地块植株的干重，将各品种花生地块植株的干重相加获得植株总干重；
27、基于所述不同品种花生地块面积值、所述植株总干重和各品种花生地块植株的苗数计算所述单个花生地块生物量。
28、优选的，所述获取平均植被指数的过程包括：
29、确定植被指数并收集植被指数计算公式；
30、将所述面shapefile数据中的花生地块的地理坐标转化为图像坐标，然后在所述田间花生各生育时期的多光谱影像中提取相应区域的数据；
31、基于所述植被指数计算公式对所述相应区域的数据进行计算，获得所述平均植被指数。
32、优选的，基于所述平均植被指数和所述单个花生地块生物量建立线性支持回归模型的过程包括：
33、将所述平均植被指数作为模型的特征数据，将所述单个花生地块生物量作为模型的目标变量构建初始线性回归模型；
34、基于standardscaler函数对所述特征数据进行标准化处理，然后打乱数据顺序，生成训练集和验证集；
35、基于所述训练集和gridsearchcv函数对所述初始线性回归模型进行训练，获得训练模型；
36、基于验证集对所述训练模型进行验证后输出，获得所述线性支持回归模型。
37、与现有技术相比，本专利技术具有如下优点和技术效果：
38、低空无人机多光谱遥感技术为花生这一冠层结构复杂的田间作物生物量的提取提供了一种高效、便捷、高精度的技术。这一技术通过多光谱系统获取目标监测区域的多光谱数据、实测数据，进而进行生物量预测模型的建立，完成对不同花生品种生物量的预测，生成各品种花生生物量变化折线图。结合python重采样工具和svr模型回归方法可以自动预测目标监测区域中花生的生物量，并且保证较高的精度，从而可以高效率、高精度地获取全部区域内各品种花生生物量的变化情况，能够解决人工测量耗时耗力、数据精度不一致等问题。本专利技术提出的新的针对不同品种花生生物量预测技术具有采样速度快、采样精度高、采样范围广、无接触测量等显著优势。基于多光谱无人机的低空遥感技术在花生的农情监测中拥有广阔的应用前景。它不仅有助于准确衡量作物的长势、实现精准农业的定量化和实时化，而且还为产量预测、育种筛选等应用领域提供了详实而丰富的数据支持。
本文档来自技高网...【技术保护点】
1.一种基于多光谱无人机的田间花生生物量反演方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多光谱无人机的田间花生生物量反演方法，其特征在于，所述基于目标监测区域的环境信息规划无人机飞行航线的过程包括：
3.根据权利要求1所述的基于多光谱无人机的田间花生生物量反演方法，其特征在于，所述无人机通过所述无人机飞行航线进行数据采集，获得田间花生各生育时期的多光谱影像的过程包括：
4.根据权利要求1所述的基于多光谱无人机的田间花生生物量反演方法，其特征在于，对所述田间花生各生育时期的多光谱影像进行配准，实现各生育期影像数据空间基准统一的过程包括：
5.根据权利要求4所述的基于多光谱无人机的田间花生生物量反演方法，其特征在于，将所述田间花生各生育时期的多光谱影像的坐标系转化至同一坐标系的过程包括：将所述田间花生各生育时期的多光谱影像的当前坐标系转换至XIAN1980投影坐标系中，生成所述坐标转换影像。
6.根据权利要求4所述的基于多光谱无人机的田间花生生物量反演方法，其特征在于，所述获取不同品种花生地块面积值的过程包
7.根据权利要求1所述的基于多光谱无人机的田间花生生物量反演方法，其特征在于，基于所述不同品种花生地块面积值和田间采样花生植株干重计算单个花生地块生物量实测值的过程包括：
8.根据权利要求6所述的基于多光谱无人机的田间花生生物量反演方法，其特征在于，所述获取平均植被指数的过程包括：
9.根据权利要求6所述的基于多光谱无人机的田间花生生物量反演方法，其特征在于，基于所述平均植被指数和所述单个花生地块生物量建立线性支持回归模型的过程包括：
...【技术特征摘要】
1.一种基于多光谱无人机的田间花生生物量反演方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多光谱无人机的田间花生生物量反演方法，其特征在于，所述基于目标监测区域的环境信息规划无人机飞行航线的过程包括：
3.根据权利要求1所述的基于多光谱无人机的田间花生生物量反演方法，其特征在于，所述无人机通过所述无人机飞行航线进行数据采集，获得田间花生各生育时期的多光谱影像的过程包括：
4.根据权利要求1所述的基于多光谱无人机的田间花生生物量反演方法，其特征在于，对所述田间花生各生育时期的多光谱影像进行配准，实现各生育期影像数据空间基准统一的过程包括：
5.根据权利要求4所述的基于多光谱无人机的田间花生生物量反演方法，其特征在于，将所述田间花生各生育时期的多光谱影像的坐标系转化至同...
【专利技术属性】
技术研发人员：杨俊涛，宋明轩，李国卫，白波，李振海，刘依柔，杨吉顺，牛冲，
申请(专利权)人：山东科技大学，
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。