基于无人机可见光影像的高原丘陵盆地区山药植株识别
基于无人机遥感的作物表型参数获取和应用研究进展
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。
一种基于深度学习和无人机航拍的湖泊湿地作物面积测绘方法及相关算法[发明专利]
![一种基于深度学习和无人机航拍的湖泊湿地作物面积测绘方法及相关算法[发明专利]](https://img.taocdn.com/s3/m/72c2eb08cec789eb172ded630b1c59eef8c79ab4.png)
专利名称：一种基于深度学习和无人机航拍的湖泊湿地作物面积测绘方法及相关算法
专利类型：发明专利
发明人：不公告发明人
申请号：CN202011315956.2
申请日：20201122
公开号：CN114529599A
公开日：
20220524
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于深度学习和无人机航拍的湖泊湿地作物面积测绘方法及相关算法，本测绘方法涉及航拍图像采集方案、平面正视投影图像生成算法、湿地作物区域识别和分割算法以及面积统计方法。
航拍图像采集方案规定了无人机采集图像的要求；平面正视投影图像生成算法描述了基于无人机采集的图像，生成拍摄区域平面正视投影图像的算法；湿地作物识别和分割算法描述了基于深度学习算法，对湖泊湿地区域的芦苇、蒿草等水生植物区域进行识别和分割的算法；面积统计方法描述了基于平面正视投影图像和识别的芦苇、蒿草等作物，统计芦苇、蒿草等作物面积的方法。
本发明所述的方法最终要实现识别芦苇、蒿草等水生作物并分别计算其面积的功能。
申请人：苏州品智信息科技有限公司
地址：215000 江苏省苏州市苏州工业园区新平街388号腾飞创业园塔楼A2-2F-202
国籍：CN
更多信息请下载全文后查看。
遥感测绘论文题目GIS测绘学论文题目测绘工程论文题目选题大全毕业论文开题报告参考文献
耕地土壤有机质与速效氮磷钾含量高光谱遥感反演研究 经验模态分解在高光谱遥感数据处理中的应用 面向对象的高分辨率遥感影像的分割与分类研究 多极化星载 SAR 森林覆盖变化检测方法研究 多特征融合的遥感影像变化检测方法研究 近 30 年上海海岸带土地利用变化分析与建模预测 基于矩阵对数累积量和非局部均值方法的极化 SAR 噪声抑制 基于高光谱数据的最大羧化速率遥感定量反演 高分辨率遥感影像道路网提取及变化检测 基于高分辨率遥感影像的城区建筑物提取方法研究 基于高分辨率遥感影像的团场小城镇土地利用变化分析与预测研究 面向对象的草原植被参数反演方法及应用 基于多特征的面向对象高分辨率遥感图像分类 定标缺失情况下的高光谱图像分类研究 基于多波段多极化 SAR 数据的草原地表土壤水分反演方法研究 粒子群优化算法在多时相遥感影像变化检测中的应用研究 基于 Sentinel-1 和 Landsat 8 数据的潮间带盐沼湿地分类研究 高分辨率遥感影像面向对象的绿地信息提取方法研究 基于 HJ-1A HSI 高光谱遥感数据的湟水流域典型植被分类 多源遥感图像融合技术研究 基于 CVA 与光谱解混的高光谱图像变化检测研究 小麦茎基腐与全蚀病高光谱遥感识别研究 基于 Sentinel-1 的近岸海表风场反演研究 雷达卫星 TerraSAR-X 精准测距高原湿地水位反演研究 基于数据挖掘技术的航摄影像土地利用变化检测研究 基于深度神经网络的遥感图像变化检测 基于多空间分辨率遥感数据的山区土地利用/土地覆被分类及变化检测 基于图谱理论的遥感图像分类方法研究 高光谱遥感协同处理黑刺沟岩矿蚀变信息方法研究 基于多核学习的高光谱遥感影像分类方法研究
遥感测绘论文题目 GIS 测绘学论文题目测绘工程论文题目选
题大全毕业论文开题报告参考文献 目录
一、选题技巧............................................................................................................................................1 二、热词分布............................................................................................................................................2 三、测绘学论文题目大全....................................................................................................................... 2 四、知网万方等如何利用................................................................................................................... 104
基于无人机遥感技术的农作物生长监测与评估研究
基于无人机遥感技术的农作物生长监测与评估研究随着科技的不断发展，无人机遥感技术在农业领域的应用日益广泛。
其高分辨率和快速获取数据的特点，为农作物生长监测与评估提供了全新的解决方案。
本文将探讨如何利用无人机遥感技术对农作物的生长状态进行实时监测与评估，并分析其在农业生产中的应用价值。
一、无人机遥感技术的特点无人机遥感技术是一种通过搭载在无人机上的遥感传感器，获取地表信息的技术手段。
相较于传统的遥感技术，无人机遥感具有以下特点：1. 高分辨率影像：无人机搭载的遥感传感器可以获取高分辨率的影像数据，揭示农作物生长状态的细微变化。
2. 快速获取数据：无人机可以在较短时间内覆盖较大的区域，迅速获取农作物生长情况的数据。
3. 实时监测与评估：无人机遥感技术可以实时获取农田的影像数据，及时监测和评估农作物的生长状态，为决策提供科学依据。
二、农作物生长监测方法1. 影像获取与处理：利用无人机遥感技术获取农田的高分辨率影像，并进行预处理，如去噪、几何校正等，以提高影像质量。
2. 特征提取与分析：通过对农田影像进行特征提取和分析，如植被指数计算、颜色分析等，以判断农作物的生长状态。
3. 数据融合与模型建立：将无人机遥感数据与其他农田监测数据（如气象数据、土壤数据等）进行融合，并建立相应的农作物生长预测模型。
4. 监测与评估报告生成：根据实时监测数据和模型预测结果，生成农作物生长监测与评估报告，为农业生产提供科学依据。
三、无人机遥感技术在农业生产中的应用1. 灌溉管理：通过无人机遥感技术，可以及时监测到农田中植被的水分状况，提供给农民合理的灌溉建议，以减少水资源的浪费。
2. 病虫害监测：利用无人机遥感技术，可以对农田中的病虫害进行实时监测，有效预防和控制病虫害的发生，减少农药的使用。
3. 产量评估：通过无人机遥感技术所获取的高分辨率影像数据，可以对农田进行精准的产量评估，为农民的种植决策和市场供应提供参考。
4. 农业精准化管理：利用无人机遥感技术，可以对农田进行细粒度、个体化的管理，如调整施肥量、优化种植结构等，提高农业生产效益。
基于无人机影像的山核桃单木检测及冠幅与树高的提取
林业工程学报，２０２３，８（４）：１５９－１６６ＪｏｕｒｎａｌｏｆＦｏｒｅｓｔｒｙＥｎｇｉｎｅｅｒｉｎｇＤＯＩ：１０．１３３６０／ｊ．ｉｓｓｎ．２０９６－１３５９．２０２２１００１７收稿日期：２０２２－１０－１６㊀㊀㊀㊀修回日期：２０２３－０３－０５基金项目：浙江省自然科学基金联合基金（ＬＱＹ１８Ｃ１６０００２）；浙江省自然科学基金（ＬＱ２０Ｆ０２０００５）；浙江省 尖兵 计划择优委托项目（２０２２Ｃ０２００９）；国家自然科学基金（３２２７１８６９）㊂作者简介：郭阳光，男，研究方向为林业信息化㊂通信作者：夏凯，男，副教授㊂Ｅ⁃ｍａｉｌ：ｘｉａｋａｉ＠ｚａｆｕ．ｅｄｕ．ｃｎ基于无人机影像的山核桃单木检测及冠幅与树高的提取郭阳光，夏凯∗，杨垠辉，冯海林（浙江农林大学数学与计算机科学学院，浙江省林业智能监测与信息技术研究重点实验室，林业感知技术与智能装备国家林业和草原局重点实验室，杭州３１１３００）摘㊀要：针对经济林中树木的生长状况进行调查，有助于农户制定针对性的经营策略，提高经营效率㊂然而，由于山核桃树通常生长在山地环境下，使用传统的林业调查方法获取树木参数需要的人力资源和时间成本较高，而且在陡峭的山地环境中容易受到地形㊁植被和气象等因素的干扰㊂为了解决这一问题，提出了一种新的自动化方法 检测框投影法㊂该方法基于深度学习的目标检测算法对遥感图像中的树冠进行检测并生成检测框，再依据所得到的检测框获取树木位置和数量，并进一步提取单木的冠幅与树高等参数㊂在不同环境的山核桃种植林场进行的树冠检测实验结果表明，该方法使用的目标检测算法对山核桃树冠检测的总体平均精度和Ｆ１⁃ｓｃｏｒｅ分别达到了８５．５％与０．８４；参数提取方面，在两处不同的山核桃种植林场选取了３处研究样地，并在每处样地选取并实地测量了５０棵样本树木的冠幅和树高以验证参数提取精度，结果表明，使用检测框投影法预测冠幅与实测值的均方根误差㊁平均绝对误差和平均相对误差分别为０．４６９ｍ㊁０．３１３ｍ和５．７％，预测树高与实测值的均方根误差㊁平均绝对误差和平均相对误差分别为０．４２７ｍ㊁０．３３１ｍ和６．０％㊂提出的检测框投影法在山核桃林地环境下可以获得较为准确的树冠检测与参数提取结果，帮助农户制定更加合理和科学的经营策略，提高经营效率，同时也为林业生产的可持续发展提供了参考㊂关键词：山核桃；无人机影像；ＹＯＬＯｖ５；树冠检测；参数提取；检测框投影法中图分类号：ＴＰ７０１㊀㊀㊀㊀㊀文献标志码：Ａ㊀㊀㊀㊀㊀文章编号：２０９６－１３５９（２０２３）０４－０１５９－０８ＲｅｓｅａｒｃｈｏｎｓｉｎｇｌｅｔｒｅｅｄｅｔｅｃｔｉｏｎａｎｄｃｒｏｗｎｄｉａｍｅｔｅｒａｎｄｔｒｅｅｈｅｉｇｈｔｅｘｔｒａｃｔｉｏｎｏｆｐｅｃａｎｆｏｒｅｓｔｂａｓｅｄｏｎＵＡＶｉｍａｇｅｓＧＵＯＹａｎｇｇｕａｎｇ，ＸＩＡＫａｉ∗，ＹＡＮＧＹｉｎｈｕｉ，ＦＥＮＧＨａｉｌｉｎ（ＣｏｌｌｅｇｅｏｆＭａｔｈｅｍａｔｉｃｓａｎｄＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，ＺｈｅｊｉａｎｇＡ＆ＦＵｎｉｖｅｒｓｉｔｙ；ＺｈｅｊｉａｎｇＰｒｏｖｉｎｃｉａｌＫｅｙＬａｂｏｒａｔｏｒｙｏｆＦｏｒｅｓｔｒｙＩｎｔｅｌｌｉｇｅｎｔＭｏｎｉｔｏｒｉｎｇａｎｄＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ；ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＦｏｒｅｓｔｒｙＰｅｒｃｅｐｔｉｏｎＴｅｃｈｎｏｌｏｇｙａｎｄＩｎｔｅｌｌｉｇｅｎｔＥｑｕｉｐｍｅｎｔ，ＮａｔｉｏｎａｌＦｏｒｅｓｔｒｙａｎｄＧｒａｓｓｌａｎｄＡｄｍｉｎｉｓｔｒａｔｉｏｎ，Ｈａｎｇｚｈｏｕ３１１３００，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ａｓａｆｏｒｅｓｔｒｙｅｃｏｎｏｍｉｃｍｏｄｅｌ，ｅｃｏｎｏｍｉｃｆｏｒｅｓｔｓａｒｅｔｒｅｅｓｐｌａｎｔｅｄｔｏｏｂｔａｉｎｅｃｏｎｏｍｉｃｂｅｎｅｆｉｔｓ．Ｉｎｖｅｓｔｉｇａｔｉｏｎｏｆｔｈｅｇｒｏｗｔｈｓｔａｔｕｓｏｆｔｒｅｅｓｉｎｅｃｏｎｏｍｉｃｆｏｒｅｓｔｓｃａｎｈｅｌｐｆａｒｍｅｒｓｆｏｒｍｕｌａｔｅｔａｒｇｅｔｅｄｍａｎａｇｅｍｅｎｔｓｔｒａｔｅｇｉｅｓａｎｄｉｍ⁃ｐｒｏｖｅｍａｎａｇｅｍｅｎｔｅｆｆｉｃｉｅｎｃｙ．Ｈｏｗｅｖｅｒ，ｓｉｎｃｅｔｈｅｐｅｃａｎ（Ｃａｒｙａｃａｔｈａｙｅｎｓｉｓ）ｔｒｅｅｓｔｙｐｉｃａｌｌｙｇｒｏｗｉｎｍｏｕｎｔａｉｎｏｕｓｅｎ⁃ｖｉｒｏｎｍｅｎｔｓ，ｔｒｅｅｐａｒａｍｅｔｅｒｓａｒｅｕｓｕａｌｌｙｏｂｔａｉｎｅｄｕｓｉｎｇｔｒａｄｉｔｉｏｎａｌｆｏｒｅｓｔｒｙｓｕｒｖｅｙｍｅｔｈｏｄｓ，ｗｈｉｃｈｒｅｑｕｉｒｅｈｉｇｈｈｕｍａｎｒｅｓｏｕｒｃｅｓａｎｄｔｉｍｅｃｏｓｔｓ，ａｎｄａｒｅｐｒｏｎｅｔｏｉｎｔｅｒｆｅｒｅｎｃｅｆｒｏｍｆａｃｔｏｒｓｓｕｃｈａｓｔｅｒｒａｉｎ，ｖｅｇｅｔａｔｉｏｎ，ａｎｄｍｅｔｅｏｒｏｌｏｇｙｉｎｓｔｅｅｐｍｏｕｎｔａｉｎｅｎｖｉｒｏｎｍｅｎｔｓ．Ｔｏｓｏｌｖｅｔｈｅｓｅｐｒｏｂｌｅｍｓ，ｔｈｉｓｓｔｕｄｙｐｒｏｐｏｓｅｄａｎｅｗａｕｔｏｍａｔｉｃｍｅｔｈｏｄ，ｉ．ｅ．，ｔｈｅｄｅｔｅｃ⁃ｔｉｏｎｆｒａｍｅｐｒｏｊｅｃｔｉｏｎｍｅｔｈｏｄ．Ｔｈｉｓｍｅｔｈｏｄｉｓｂａｓｅｄｏｎａｄｅｅｐｌｅａｒｎｉｎｇｔａｒｇｅｔｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｔｏｄｅｔｅｃｔｔｈｅｔｒｅｅｃｒｏｗｎｉｎｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓａｎｄｇｅｎｅｒａｔｅａｄｅｔｅｃｔｉｏｎｆｒａｍｅ．Ｂａｓｅｄｏｎｔｈｅｏｂｔａｉｎｅｄｄｅｔｅｃｔｉｏｎｆｒａｍｅ，ｔｈｅｐｏｓｉｔｉｏｎａｎｄｎｕｍｂｅｒｏｆｔｒｅｅｓａｒｅｏｂｔａｉｎｅｄ，ａｎｄｔｈｅｃｒｏｗｎｗｉｄｔｈａｎｄｔｒｅｅｈｅｉｇｈｔｐａｒａｍｅｔｅｒｓｏｆａｓｉｎｇｌｅｔｒｅｅａｒｅｆｕｒｔｈｅｒｅｘｔｒａｃｔｅｄ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｏｆｃｒｏｗｎｄｅｔｅｃｔｉｏｎｉｎｐｅｃａｎｐｌａｎｔａｔｉｏｎｆｏｒｅｓｔｓｉｎｄｉｆｆｅｒｅｎｔｅｎｖｉｒｏｎｍｅｎｔｓｓｈｏｗｅｄｔｈａｔｔｈｅｏｖｅｒ⁃ａｌｌａｖｅｒａｇｅａｃｃｕｒａｃｙａｎｄＦ１ｓｃｏｒｅｏｆｔｈｅｔａｒｇｅｔｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｕｓｅｄｉｎｔｈｉｓｍｅｔｈｏｄｆｏｒｔｈｅｐｅｃａｎｃｒｏｗｎｄｅｔｅｃｔｉｏｎｒｅａｃｈｅｄ８５．５％ａｎｄ０．８４，ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｉｎｔｅｒｍｓｏｆｐａｒａｍｅｔｅｒｅｘｔｒａｃｔｉｏｎ，ｔｈｉｓｓｔｕｄｙｓｅｌｅｃｔｅｄｔｈｒｅｅｒｅｓｅａｒｃｈｓａｍｐｌｅｐｌｏｔｓｆｒｏｍｔｗｏｄｉｆｆｅｒｅｎｔｐｅｃａｎｐｌａｎｔａｔｉｏｎｆｏｒｅｓｔｓ，ａｎｄｓｅｌｅｃｔｅｄａｎｄｍｅａｓｕｒｅｄｔｈｅｃｒｏｗｎｄｉａｍｅｔｅｒｓａｎｄｔｒｅｅｈｅｉｇｈｔｓｏｆ５０ｓａｍｐｌｅｔｒｅｅｓｉｎｅａｃｈｓａｍｐｌｅｐｌｏｔｔｏｖｅｒｉｆｙｔｈｅａｃｃｕｒａｃｙｏｆｐａｒａｍｅｔｅｒｅｘｔｒａｃｔｉｏｎ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔ，ｕｓｉｎｇｔｈｅｄｅ⁃ｔｅｃｔｉｏｎｆｒａｍｅｐｒｏｊｅｃｔｉｏｎｍｅｔｈｏｄ，ｔｈｅｒｏｏｔｍｅａｎｓｑｕａｒｅｅｒｒｏｒ，ａｖｅｒａｇｅａｂｓｏｌｕｔｅｅｒｒｏｒ，ａｎｄａｖｅｒａｇｅｒｅｌａｔｉｖｅｅｒｒｏｒｏｆｔｈｅ林业工程学报第８卷ｐｒｅｄｉｃｔｅｄｃｒｏｗｎｄｉａｍｅｔｅｒｓａｎｄｍｅａｓｕｒｅｄｖａｌｕｅｓｗｅｒｅ０．４６９ｍ，０．３１３ｍ，ａｎｄ５．７％，ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈｅｒｏｏｔｍｅａｎｓｑｕａｒｅｅｒｒｏｒ，ａｖｅｒａｇｅａｂｓｏｌｕｔｅｅｒｒｏｒ，ａｎｄａｖｅｒａｇｅｒｅｌａｔｉｖｅｅｒｒｏｒｏｆｔｈｅｐｒｅｄｉｃｔｅｄｔｒｅｅｈｅｉｇｈｔａｎｄｔｈｅｍｅａｓｕｒｅｄｖａｌｕｅｗｅｒｅ０．４２７ｍ，０．３３１ｍ，ａｎｄ６．０％，ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｉｔｗａｓｉｎｄｉｃａｔｅｄｔｈａｔｔｈｅｄｅｔｅｃｔｉｏｎｆｒａｍｅｐｒｏｊｅｃｔｉｏｎｍｅｔｈｏｄｐｒｏｐｏｓｅｄｉｎｔｈｉｓｐａｐｅｒｃａｎｏｂｔａｉｎｍｏｒｅａｃｃｕｒａｔｅｃｒｏｗｎｄｅｔｅｃｔｉｏｎａｎｄｐａｒａｍｅｔｅｒｅｘｔｒａｃｔｉｏｎｒｅｓｕｌｔｓｉｎｔｈｅｐｅｃａｎｆｏｒｅｓｔｅｎｖｉｒｏｎ⁃ｍｅｎｔ，ｗｈｉｃｈｃａｎｈｅｌｐｆａｒｍｅｒｓｆｏｒｍｕｌａｔｅｍｏｒｅｒｅａｓｏｎａｂｌｅａｎｄｓｃｉｅｎｔｉｆｉｃｍａｎａｇｅｍｅｎｔｓｔｒａｔｅｇｉｅｓ，ｉｍｐｒｏｖｅｍａｎａｇｅｍｅｎｔｅｆｆｉｃｉｅｎｃｙ，ａｎｄｐｒｏｖｉｄｅａｒｅｆｅｒｅｎｃｅｆｏｒｔｈｅｓｕｓｔａｉｎａｂｌｅｄｅｖｅｌｏｐｍｅｎｔｏｆｆｏｒｅｓｔｒｙｐｒｏｄｕｃｔｉｏｎ．Ｋｅｙｗｏｒｄｓ：ｐｅｃａｎ（Ｃａｒｙａｃａｔｈａｙｅｎｓｉｓ）；ｕｎｍａｎｎｅｄａｅｒｉａｌｖｅｈｉｃｌｅｉｍａｇｅｒｙ（ＵＡＶ）；ＹＯＬＯｖ５；ｔｒｅｅｃｒｏｗｎｄｅｔｅｃｔｉｏｎ；ｐａｒａｍｅｔｅｒｅｘｔｒａｃｔｉｏｎ；ｄｅｔｅｃｔｉｏｎｆｒａｍｅｐｒｏｊｅｃｔｉｏｎｍｅｔｈｏｄ㊀㊀山核桃树是我国特有的经济树种，适宜种植海拔为２００ ６００ｍ地区，主要分布于浙皖交界处以临安为中心的天目山区周围［１］，是当地农户的主要经济来源之一㊂伴随着山核桃市场的扩大，农户对于种植山核桃树的积极性也不断升高㊂然而，受限于山核桃树复杂的生长环境，人工实地调查树木的生长状况效率低下，农户缺乏制定经营方案的参考依据，导致林业经济效益提升缓慢，难以满足山核桃产业快速发展的需求㊂对树木生长状况的调查内容主要包括树木位置㊁数量㊁树高㊁冠幅等［２］㊂相关研究表明，冠幅和树高是影响树木产量的重要因素，冠幅的大小通常与产量呈正相关，但是过高的树高可能会降低产量㊂合适的冠幅和树高有利于提供足够的光合作用区域及养分吸收能力，从而提高产量㊂因此，果树的树高㊁冠幅等参数在反映树木长势的同时，也是制定管理策略㊁预估产量以及经济效益的主要依据［３－４］㊂但传统的林业调查工作往往采用实地测量，在山地环境下作业不仅周期长㊁效率低，同时需要消耗大量人力㊁物力，成本较高，农户难以承担㊂而无人机遥感平台可以在各种地形条件下进行数据采集，并具有成本低㊁数据采集快㊁及时性高等优点［５］，结合深度学习算法，可以识别并提取立木参数，这适用于小范围的林业调查任务［６］，是帮助农户实时掌握林区内树木生长状况的理想解决方案㊂目前，主流的树冠提取方面的研究主要以无人机遥感影像作为数据源，其主要目标是确定树冠的轮廓和位置［７－８］，并在此基础上实现树木参数的提取［９］㊂近年来，基于深度学习的树冠检测算法在林业资源调查领域取得了较好的使用效果，在大多数情况下，能够满足对树冠图像的检测㊁分割和分类任务［１０－１１］㊂例如，李越帅等［１２］结合深度学习和标记分水岭方法对胡杨林进行监测并计数，取得了较好的精度，表明深度学习算法适用于森林资源监测中；Ｍｏ等［１３］提出了一种基于深度学习的实例分割方法，提取图像中的荔枝树冠，取得了较为准确的果树冠层边界和位置信息；Ａｐｏｌｏ⁃Ａｐｏｌｏ等［１４］基于迁移学习的预训练神经网络，结合无人机图像实现了自动化检测，并估计柑橘的大小以及数量的目标，为预测果园的总产量提供了参考依据㊂以上研究在帮助农户预估经济收益方面具有一定的意义㊂目前，研究人员在比较不同的经营方案对山核桃树木生长产生的影响时主要依赖人工实地测量［１５－１７］，如何能够快速且高效地获取山核桃树的立木参数，依旧未见可行的解决方案㊂针对这个问题，本研究基于无人机遥感技术㊁图像处理技术和深度学习算法，提出一种检测框投影法，该方法在目标检测的基础上，可以并行地从正射影像图和冠层高度模型中提取山核桃林区内树木的株数㊁位置㊁树高及冠幅的准确信息，帮助林业人员与农户及时掌握林区内山核桃树的生长状况㊂１㊀试验材料１．１㊀研究区概况研究区位于浙江省杭州市临安区（１１８ʎ５１ᶄ １１９ʎ５２ᶄＥ，２９ʎ５６ᶄ ３０ʎ２３ᶄＮ），季风性气候，常年光照充足，雨量充沛㊂本研究选取白果山核桃种植基地和西谷坪经济林场作为数据采集区域，两处区域均分布于天目山区附近，地理条件多为丘陵山地，是山核桃树的主要产区㊂白果山核桃种植基地最高海拔约６１０ｍ，林场内包含２处种植区域，１号种植区域作为训练数据，２号种植区域用以测试网络检测效果，种植密度约为７５棵／ｈｍ２；西谷坪经济林场最高海拔约５２０ｍ，包含４块种植区域，其中３㊁４号种植区域用于测试实验效果，种植密度分别约为１９５和２７０棵／ｈｍ２，５㊁６号区域采集的无人机影像作为神经网络的训练数据㊂研究区概况如图１所示，图１中红色边缘线区域为训练集数据采集区域，黄色边缘线区域为测试集数据集采集区域㊂１．２㊀数据准备本研究采用大疆创新科技有限公司的精灵Ｐｈａｎｔｏｍ４ＲＴＫ无人机作为数据采集工具，无人机参数如表１所示㊂图像拍摄于２０２１年１０月９日 ２１日，选择天气晴朗或多云㊁光照充足的环境下，设置相对飞行高度为５０ｍ，航向重叠和旁向重０６１㊀第４期郭阳光，等：基于无人机影像的山核桃单木检测及冠幅与树高的提取叠均设为８５％，共进行６次飞行任务㊂在白果山核桃种植基地和西谷坪经济林场分别采集了１５３３和１３９９张无人机原始图像㊂得到无人机原始图像后，使用３Ｄ建模软件ＡｇｉｓｏｆｔＭｅｔａｓｈａｐｅＰｒｏｆｅｓ⁃ｓｉｏｎａｌ对图像进行拼接并校正相机畸变，生成正射影像图㊂通过将正射影像图裁剪至合适大小后使用ＬａｂｅｌＩｍｇ数据集标注工具标注出山核桃树冠图像㊂在２㊁５㊁６号种植区域中，共制作了包含１２１３棵山核桃树冠的训练数据集，用于目标检测网络进行训练㊂１㊁３㊁４号种植区域对应研究区样地１㊁样地２和样地３，分别筛选了１５７，２４６和１２６棵山核桃树用以制作测试集数据㊂图１㊀研究区域示意图Ｆｉｇ．１㊀Ｓｃｈｅｍａｔｉｃｄｉａｇｒａｍｏｆｓｔｕｄｙａｒｅａｓ表１㊀无人机图像采集系统参数Ｔａｂｌｅ１㊀ＵＡＶｉｍａｇｅａｃｑｕｉｓｉｔｉｏｎｓｙｓｔｅｍｐａｒａｍｅｔｅｒｓ设备参数数值无人机质量（含桨和电池）／ｇ１３９１最大水平飞行速度／（ｋｍ㊃ｈ－１）５０最大上升速度／（ｍ㊃ｓ－１）６最大下降速度／（ｍ㊃ｓ－１）３最大可倾斜角度／（ʎ）２５８飞行时间／ｍｉｎ约３０影像传感器１英寸（２．５４ｃｍ）ＣＭＯＳ像素２０００万相机图像分辨率５４７２ˑ３６４８ｐｉｘｅｌｓ照片格式ＪＰＥＧ视场角／（ʎ）８４１．３㊀实测数据统计为了验证本研究参数提取的准确性，通过实地测量得到冠幅和树高的实测值㊂受地形条件的影响，实地测量所有山核桃树的树高和冠幅具有较大的难度，因此本研究在３处林地随机抽取了共１５０棵（各５０棵）山核桃树作为研究样本用以验证提取精度㊂其中，山核桃树的树高使用激光测距仪通过三角测量法获取，冠幅则通过实地测量树冠地面投影的东西宽度与南北宽度后，取其平均值得到㊂样本详细信息如表２所示㊂表２㊀实测立木参数Ｔａｂｌｅ２㊀Ｓｔａｔｉｓｔｉｃｓｏｆｍｅａｓｕｒｅｄｓｔａｎｄｉｎｇｐａｒａｍｅｔｅｒｓ参数最大值最小值均值方差标准差冠幅／ｍ８．４９２．６５５．３５０．７９０．８９树高／ｍ８．４４３．３６５．４９１．２５１．１２２㊀研究方法２．１㊀实验方法检测框投影法基于相同空间分辨率的数字正射影像图（ｄｉｇｉｔａｌｏｒｔｈｏｐｈｏｔｏｍａｐ，ＤＯＭ）和冠层高度模型（ｃａｎｏｐｙｈｅｉｇｈｔｍｏｄｅｌ，ＣＨＭ）来获取树木位置并提取结构参数（冠幅和树高）㊂本研究使用ＹＯＬＯｖ５目标检测算法，通过使神经网络学习立地环境㊁生长状况和分布情况均存在差异的山核桃树冠样本，得到具有较高识别精度的网络模型后，再对实验样地的数字正射影像图进行检测，得到每棵树木的检测框坐标以及数量，之后将检测框投影在冠层高度模型中实现参数提取㊂冠幅的数值是通过统计检测框像素点得到的，计算公式为冠幅＝（东西冠幅＋南北冠幅）ˑ空间分辨率／２；树高的数值是将检测框映射到相同位置的冠层高度模型图，取出对应区域的高程数据矩阵，使用局部最大值法确定树冠顶点值，从而获取树木高度㊂具体实验流程如图２所示㊂数字正射影像图为垂直视角下的图像，能够反映地面的真实情况，具有分辨率高㊁覆盖范围广等优点［１８］，使用数字正射影像图进行树冠参数提取，能够避免遥感图像因视角产生畸变，可以有效保障参数提取的精准性㊂在本次实验中，使用ＡｇｉｓｏｆｔＭｅｔａｓｈａｐｅＰｒｏｆｅｓｓｉｏｎａｌ基于无人机影像拼合并生成实验所需的ＤＯＭ㊁ＤＥＭ以及ＤＳＭ㊂受各个研究区环境因素影响，３处研究区的数字正射影像图空间１６１林业工程学报第８卷图２㊀检测框投影法Ｆｉｇ．２㊀Ｄｅｔｅｃｔｉｏｎｆｒａｍｅｐｒｏｊｅｃｔｉｏｎｍｅｔｈｏｄ分辨率精度有所不同，其中样地１为１．６９ｃｍ，样地２为１．９５ｃｍ，样地３为１．１７ｃｍ㊂本次实验中，每块样地的ＤＳＭ㊁ＤＥＭ㊁ＣＨＭ的空间分辨率与ＤＯＭ一致㊂冠层高度模型是能够反映地上植被与地面距离的表面模型，常用于反演冠幅㊁树高等立木参数［１９－２０］㊂通常ＣＨＭ由数字表面模型（ｄｉｇｉｔａｌｓｕｒｆａｃｅｍｏｄｅｌ，ＤＳＭ）与数字高程模型（ｄｉｇｉｔａｌｅｌｅｖａｔｉｏｎｍｏｄｅｌ，ＤＥＭ）相减后得到㊂在ＣＨＭ中，像素点的值对应冠层高度信息，检测框中的冠层顶点（即冠层最大值）对应树高㊂在本次研究中，ＤＳＭ与ＤＥＭ由ＡｇｉｓｏｆｔＭｅｔａｓｈａｐｅＰｒｏｆｅｓｓｉｏｎａｌ软件基于无人机原始数据生成，ＣＨＭ则在ＡｒｃＭａｐ软件中合成㊂３处样地的ＤＳＭ㊁ＤＥＭ㊁ＣＨＭ如表３所示，其中ＣＨＭ中红色点位标注的树木为本次实验中用以验证参数提取精度的样本树木㊂表３㊀模型生成结果示例Ｔａｂｌｅ３㊀Ｅｘａｍｐｌｅｓｏｆｍｏｄｅｌｇｅｎｅｒａｔｉｏｎｒｅｓｕｌｔｓ样地ＤＳＭＤＥＭＣＨＭ样地１样地２样地３２６１㊀第４期郭阳光，等：基于无人机影像的山核桃单木检测及冠幅与树高的提取２．２㊀ＹＯＬＯｖ５算法ＹＯＬＯ系列算法是典型的单阶段目标检测算法［２１］，与双阶段检测算法不同，ＹＯＬＯ通过卷积神经网络提取特征，直接回归物体的类别概率和位置坐标，大大提升了检测速度㊂而ＹＯＬＯｖ５则是ＹＯＬＯ系列的第５代版本，具有轻量㊁灵活㊁易用等特点，是目前主流的目标检测算法之一㊂在核心结构上，ＹＯＬＯｖ５与上一代的ＹＯＬＯｖ４相似，主要分为输入端㊁Ｂａｃｋｂｏｎｅ㊁Ｎｅｃｋ㊁输出端４个部分；不同的是，ＹＯＬＯｖ５共有ＹＯＬＯｖ５ｓ㊁ＹＯＬＯｖ５ｍ㊁ＹＯＬＯｖ５ｌ㊁ＹＯＬＯｖ５ｘ４个模型，不同网络结构网络的深度和特征图的宽度有所不同㊂其中ＹＯＬＯｖ５ｘ是４个模型中深度与特征图宽度最大的网络，具有更强识别精度，也是本次实验所采用的网络模型㊂３㊀结果与分析３．１㊀实验平台为了得到良好的目标检测网络模型，需要将经过预处理的山核桃树冠数据集送入深度学习网络进行训练㊂同时，本研究在训练过程中使用水平翻转㊁随机旋转㊁颜色抖动等数据增强方法㊂通过将标注后的数据集输入深度学习网络进行训练，初始学习率为０．０００１，输入图像尺寸为１１２０ˑ１１２０，若持续２００个迭代后精度未提升则训练结束，批处理大小１６㊂本次实验的平台以及版本见表４㊂表４㊀实验环境配置Ｔａｂｌｅ４㊀Ｅｘｐｅｒｉｍｅｎｔａｌｅｎｖｉｒｏｎｍｅｎｔｃｏｎｆｉｇｕｒａｔｉｏｎ名称㊀㊀㊀参数及版本操作系统Ｗｉｎｄｏｗｓ１１（６４位，专业版）ＣＰＵ英特尔Ｃｏｒｅｉ９⁃１０９００Ｋ＠３．７０ＧＨｚ内存１２８ＧＢ图形处理器ＮＶＩＤＩＡＧｅＦｏｒｃｅＲＴＸ３０９０深度学习框架Ｐｙｔｏｒｃｈ１．９．０编程语言Ｐｙｔｈｏｎ３．９３．２㊀评价标准本次实验采用精确率（ｐｒｅｃｉｓｉｏｎ，Ｐ）㊁召回率（ｒｅｃａｌｌ，Ｒ）㊁平均精度（ａｖｅｒａｇｅｐｒｅｃｉｓｉｏｎ，ＡＰ）以及Ｆ１⁃ｓｃｏｒｅ（Ｆ１）４个指标评价树冠检测精度㊂精确度是指预测数据集中预测正确的正样本个数除以被模型预测为正样本的个数；召回率是指预测数据集中预测正确的正样本的个数与实际为正样本个数的比例；ＡＰ表示Ｐ⁃Ｒ曲线下面积的平均值；Ｆ１⁃ｓｃｏｒｅ是精确率和召回率的调和平均数，最大为１，最小为０㊂上述各指标计算公式如下：Ｐ＝Ｐｔ／（Ｐｔ＋Ｐｆ）（１）Ｒ＝Ｐｔ／（Ｐｔ＋Ｎｆ）（２）Ｆ１＝（２ＰˑＲ）／（Ｐ＋Ｒ）（３）式中：Ｐｔ表示被模型正确检测为山核桃树冠的数量；Ｐｆ表示被模型错误识别为山核桃树冠的数量；Ｎｆ表示没有被判定为山核桃树冠，但实际上是山核桃树冠的数量㊂山核桃冠幅与树高的提取精度通过比较地面实测值与提取值来验证可靠性㊂本研究使用３个指标，分别是均方根误差（ｒｏｏｔｍｅａｎｓｑｕａｒｅｅｒｒｏｒ，ＲＭＳＥ，式中记为ＥＲＭＳ）㊁平均绝对误差（ｍｅａｎａｂｓｏｌｕｔｅｅｒｒｏｒ，ＭＡＥ，式中记为ＥＭＡ）和平均相对误差（ａｖｅｒａｇｅｒｅｌａｔｉｖｅｅｒｒｏｒ，ＡＲＥ，式中记为ＥＡＲ）㊂均方根误差㊁平均绝对误差和平均相对误差越小，说明提取精度越高㊂计算公式如下：ＥＲＭＳ＝ðｎｉ＝１（ｙｉ－＾ｙｉ）２／ｎ（４）ＥＭＡ＝ðｎｉ＝１ｙｉ－＾ｙｉ／ｎ（５）ＥＡＲ＝ðｎｉ＝１ｙ(ｉ－＾ｙｉ）／ｙｉ／ｎ（６）式中：ｙｉ表示编号为ｉ的实测树冠参数值；＾ｙｉ表示编号为ｉ的预测树冠参数值；ｎ表示测试样本数㊂３．３㊀检测结果分析使用目标检测网络识别图像中山核桃树木的位置并统计数量是本次实验的主要内容之一，也是提取树木参数的前置任务㊂为了验证网络模型的普适性以及对于林业资源调查的实际意义，本次研究所选３处研究区域在地理位置㊁地形㊁分布密度存在一定区别㊂通过分别对３块样地进行测试，得到的部分检测效果样例如图３所示㊂由于样地特征有所不同，因此ＹＯＬＯｖ５算法在不同样地上的识别精度也存在差异㊂样地１的山核桃树在分布密度上无明显规律，多数树冠之间有明显间距，但部分树冠丰度较低㊁树木长势较弱，且林下背景与树冠颜色接近㊂样地２在分布上密度较低，树冠相互重叠的情况极少，除少量后期补种的幼年木的清晰度较低外，多数树冠特征明显，树冠与背景有较高对比度㊂而样地３的山核桃树木分布密度较高，树冠重叠较多，虽然树冠与林下背景可以明显区分，但树冠相互遮盖较多，实现单木树冠提取工作具有一定难度㊂在地形方面，样地１位于山地，整体起伏较大，但种植区域经过改良，采用梯田种植，林下地形较为平坦；而样地２㊁样地３均种植于坡面上，未经过后期改良，样地３地形相较于样地２更加陡峭㊂具体的ＹＯＬＯｖ５算法对山３６１林业工程学报第８卷核桃树冠的检测评估结果如表５所示㊂图３㊀部分检测结果Ｆｉｇ．３㊀Ｐａｒｔｉａｌｔｅｓｔｒｅｓｕｌｔｓ表５㊀不同立地环境下树冠检测结果Ｔａｂｌｅ５㊀Ａｓｓｅｓｓｍｅｎｔｏｆｔｒｅｅｃｒｏｗｎｔｅｓｔｒｅｓｕｌｔｓｉｎｄｉｆｆｅｒｅｎｔｓｉｔｅｅｎｖｉｒｏｎｍｅｎｔｓ样地目标数量／棵ＰＲＡＰＰｔＰｆＦ１样地１１６００．８４００．８１９０．８４６１３１２５０．８２９样地２３１２０．９０９０．８３３０．８９０２６０２６０．８６９样地３２３６０．８２２０．８０１０．８３７１８９４１０．８２９综合㊀７０８０．８６３０．８１９０．８５５５８０９２０．８４０图４㊀树木位置提取与数量统计效果Ｆｉｇ．４㊀Ｒｅｎｄｅｒｉｎｇｏｆｔｒｅｅｌｏｃａｔｉｏｎｅｘｔｒａｃｔｉｏｎａｎｄｑｕａｎｔｉｔｙｓｔａｔｉｓｔｉｃｓ３．４㊀树木位置识别与数量统计使用ＹＯＬＯｖ５算法对裁剪后的正射影像图进行检测的结果见图４㊂从图４可以看出，由于范围更广的正射影像图避免了树冠因裁剪导致的残缺，保留了树冠结构的完整性，算法取得了不错的结果，表明使用深度学习方法在经济林环境下进行树冠检测具有一定的可行性㊂但由于样地本身的复杂性，在检测过程中仍存在错检㊁漏检㊁过检等情况㊂首先，样地背景与树木本身的生长状况是影响识别精度的主要原因，尤其在样地１与样地２中，目标检测算法对弱势树木和幼年树木的识别精度较低；其次，树冠相互遮盖也是影响树冠识别精度的另一个原因，例如在样地３中，由于树木分布较为密集，多数山核桃树冠之间没有明显边界，算法难以勾绘出精准检测框㊂而在样地２和样地３中，由于部分树木之间分布过于紧密，粘连的相邻树冠被算法识别为单独的树冠，导致过检㊂在样地１和样地２中，由于样地中的杂草和部分杂木与山核桃的树冠颜色较为接近，容易出现错检㊂受限于样地范围较大和所处环境的复杂性，算法在检测效果上存在一定不足㊂经统计，样地１共包含树木１７７棵，识别出１６５棵，正确识别１５８棵；样地２共包含树木２５５棵，识别出２５２棵，正确识别２４６棵；样地３包含树木１４６棵，识别出１４５棵，正确识别１３９棵㊂图４中绿色虚线框为漏检的山核桃树冠，红色框为算法的检测框，黄色数字为计数编号㊂４６１㊀第４期郭阳光，等：基于无人机影像的山核桃单木检测及冠幅与树高的提取３．５㊀参数提取精度评价检测框投影法根据ＹＯＬＯｖ５目标检测网络得到检测框坐标投影到ＣＨＭ图中，得到冠幅和树高预测值，通过将预测值与实测的真实冠幅值与树高值进行比较，计算出各项平均精度值，如表６所示㊂可以看出，３块样地的冠幅（Ｐ）平均相对误差均在９％以内，树高（Ｈ）的平均相对误差均在８％以内，能够满足农户精确掌握树木生长状况的要求㊂从冠幅的提取结果来看，不同样地下冠幅的提取精度与生长密度㊁长势呈现一定关联㊂样地１的树木分布密度较低，树木长势较差，部分树冠边缘模糊，算法能较好地识别出单木树冠，但对边缘部分的勾绘不够精准；样地２中的树木分布和长势均较为良好，树冠边缘清晰，算法能够较好地识别并精准地勾绘出单木树冠；样地３中的树木长势良好，但树木分布密集，多数树冠相互拼接，算法精确勾绘树冠边缘有一定困难，导致冠幅提取精度下降㊂从树高的提取结果来看，表现出不同样地下树高的提取精度与地形的陡峭程度存在一定关联㊂在地形上，样地１树木多种植于改良后的梯田中，林下地形较为平坦，生成的高程模型的误差较小；样地２与样地３的林下地形则具有一定坡度，但样地３的起伏较为缓和，对高程模型生成精度的影响不大；样地３的像素值可能会被遮盖，这会影响高程模型的精度和树高的提取精度㊂表６㊀提取精度对比Ｔａｂｌｅ６㊀Ｃｏｍｐａｒｉｓｏｎｏｆｅｘｔｒａｃｔｉｏｎａｃｃｕｒａｃｙ样地冠辐树高ＲＭＳＥ／ｍＭＡＥ／ｍＡＲＥ／％ＲＭＳＥ／ｍＭＡＥ／ｍＡＲＥ／％样地１０．３４２０．２６１４．９０．３２９０．２１７４．１样地２０．２４１０．１９５３．９０．４１３０．３３６６．７样地３０．６９５０．４８４８．３０．５１７０．４４０７．３综合０．４６９０．３１３５．７０．４２７０．３３１６．０㊀㊀根据实测与预测的冠幅值与树高值，制作冠幅值与树高值的分布图如图５所示㊂可以看出，绝大部分的冠幅值与树高值都分布在１ʒ１线段附近，总体看误差较小，但仍存在个别冠幅的预测值与实测值误差较大，主要由于冠幅值的精度对检测框精度存在直接依赖㊂在山核桃树分布较为密集的区域，检测框的精度较差，影响了冠幅的提取精度，虽然同样是根据检测框得到立木的位置进而从ＣＨＭ中取到树高值，但检测框只需包含果树的顶点即可得到较为精准的树高；因而树高的预测值出现较大误差的情况较少，树高存在的误差主要是由地形导致的，地形起伏会对ＣＨＭ生成精度产生一定影响，从而影响树高提取精度㊂图５㊀实测值与预测值对比Ｆｉｇ．５㊀Ｃｏｍｐａｒｉｓｏｎｏｆｍｅａｓｕｒｅｄｖａｌｕｅｓａｎｄｐｒｅｄｉｃｔｅｄｖａｌｕｅｓ４㊀结㊀论本研究基于ＤＯＭ和ＣＨＭ结合目标检测算法，通过将检测框投影到不同模型中，来获取山核桃树木参数，经过实验，该方法复杂程度较小，适用于多参数提取场景，并且能够高效㊁准确地获取树木的位置㊁数量㊁冠幅和树高等参数㊂通过对３处样地的目标检测网络进行测试，总体ＡＰ和Ｆ１⁃ｓｃｏｒｅ分别达到了８５．５％与０．８４，取得了较好的检测与计数结果㊂在参数提取上，经过误差分析，本方法提取的冠幅㊁树高值与实测值的平均相对误差分别为５．７％和６．０％，表明该方法可以作为一种帮助农户掌握山核桃树木生长状态的解决方法㊂在环境多变㊁地形复杂的经济林场景中，该方法仍具备一定的适用性，尤其是在树冠丰度高㊁林下背景简单的情况下有很好的检测效果㊂然而，对于使用无人机技术对山地条件下的经济林树冠进行检测并提取冠幅与树高的研究，目前仍旧处于探索阶段㊂在实验中，树冠检测结果仍旧存在错检和漏检，而且受地形和种植密度的影响，在立木参数提取阶段部分山核桃树的冠幅和树高与实测值存在一定误差㊂此外，本研究所选样地山５６１林业工程学报第８卷核桃树木虽然有种植密度较高的场景，但还未到完全重叠的状态，因此无法对此类样地展开研究㊂有研究显示，海拔㊁坡度㊁坡向等因素与山核桃的产量有很强的相关性，借助地理信息技术，基于本研究所采用的无人机，可简单实现地形重构，精确提取海拔㊁坡度㊁坡向等地形因子㊂如果加上这些地形信息，则一次无人机飞行，可以获取与产量相关的单木因子有：株数㊁位置㊁树高㊁冠幅㊁海拔㊁坡度㊁坡向等㊂这对于产量预测和经营管理有重大意义㊂针对以上情况，可考虑对目标检测算法的网络模型进行优化，提升检测效果，同时借助地理信息技术实现对林地环境因子的提取，以帮助农户达到预测林区收益的目的㊂参考文献（Ｒｅｆｅｒｅｎｃｅｓ）：［１］董建华，赵伟明，赵科理，等．基于地质背景的山核桃林地土壤肥力因子分析［Ｊ］．经济林研究，２０１８，３６（４）：５２－５８．ＤＯＩ：１０．１４０６７／ｊ．ｃｎｋｉ．１００３－８９８１．２０１８．０４．００８．ＤＯＮＧＪＨ，ＺＨＡＯＷＭ，ＺＨＡＯＫＬ，ｅｔａｌ．ＦａｃｔｏｒａｎａｌｙｓｉｓｏｆｓｏｉｌｆｅｒｔｉｌｉｔｙｕｎｄｅｒｄｉｆｆｅｒｅｎｔｇｅｏｌｏｇｉｃａｌｂａｃｋｇｒｏｕｎｄｃｏｎｄｉｔｉｏｎｓｉｎＣａｒｙａｃａｔｈａｙｅｎｓｉｓｐｌａｎｔａｔｉｏｎ［Ｊ］．Ｎｏｎ⁃ＷｏｏｄＦｏｒｅｓｔＲｅｓｅａｒｃｈ，２０１８，３６（４）：５２－５８．［２］ＬＵＺＧ，ＱＩＬＪ，ＺＨＡＮＧＨ，ｅｔａｌ．ＩｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎｏｆＵＡＶｆｒｕｉｔｔｒｅｅｃａｎｏｐｙｉｎａｎａｔｕｒａｌｉｌｌｕｍｉｎａｔｉｏｎｅｎｖｉｒｏｎｍｅｎｔ［Ｊ］．Ａｇｒｉ⁃ｃｕｌｔｕｒｅ，２０２２，１２（７）：１０３９．ＤＯＩ：１０．３３９０／ａｇｒｉｃｕｌ⁃ｔｕｒｅ１２０７１０３９．［３］ＳＡＲＲＯＮＪ，ＭＡＬÉＺＩＥＵＸÉ，ＳＡＮÉＣ，ｅｔａｌ．Ｍａｎｇｏｙｉｅｌｄｍａｐ⁃ｐｉｎｇａｔｔｈｅｏｒｃｈａｒｄｓｃａｌｅｂａｓｅｄｏｎｔｒｅｅｓｔｒｕｃｔｕｒｅａｎｄｌａｎｄｃｏｖｅｒａｓｓｅｓｓｅｄｂｙＵＡＶ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０１８，１０（１２）：１９００．ＤＯＩ：１０．３３９０／ｒｓ１０１２１９００．［４］钱孝炎，黄坚钦，帅小白，等．临安市不同乡镇山核桃林地土壤理化性质比较［Ｊ］．浙江林业科技，２０１３，３３（１）：７－１１．ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００１－３７７６．２０１３．０１．００２．ＱＩＡＮＸＹ，ＨＵＡＮＧＪＱ，ＳＨＵＡＩＸＢ，ｅｔａｌ．ＣｏｍｐａｒｉｓｏｎｏｆｓｏｉｌｐｈｙｓｉｏｃｈｅｍｉｃａｌｐｒｏｐｅｒｔｉｅｓａｔＣａｒｙａｃａｔｈａｙｅｎｓｉｓｓｔａｎｄｓｉｎＬｉｎ ａｎ［Ｊ］．ＪｏｕｒｎａｌｏｆＺｈｅｊｉａｎｇＦｏｒｅｓｔｒｙＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，２０１３，３３（１）：７－１１．［５］ＴＯＮＧＦ，ＴＯＮＧＨＪ，ＭＩＳＨＲＡＲ，ｅｔａｌ．ＤｅｌｉｎｅａｔｉｏｎｏｆｉｎｄｉｖｉｄｕａｌｔｒｅｅｃｒｏｗｎｓｕｓｉｎｇｈｉｇｈｓｐａｔｉａｌｒｅｓｏｌｕｔｉｏｎｍｕｌｔｉｓｐｅｃｔｒａｌＷｏｒｌｄＶｉｅｗ⁃３ｓａｔｅｌｌｉｔｅｉｍａｇｅｒｙ［Ｊ］．ＩＥＥＥＪｏｕｒｎａｌｏｆＳｅｌｅｃｔｅｄＴｏｐｉｃｓｉｎＡｐｐｌｉｅｄＥａｒｔｈＯｂｓｅｒｖａｔｉｏｎｓａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０２１，１４：７７５１－７７６１．ＤＯＩ：１０．１１０９／ＪＳＴＡＲＳ．２０２１．３１００７４８．［６］ＳＨＵＩＷ，ＬＩＨ，ＺＨＡＮＧＹＹ，ｅｔａｌ．Ｉｓａｎｕｎｍａｎｎｅｄａｅｒｉａｌｖｅｈｉ⁃ｃｌｅ（ＵＡＶ）ｓｕｉｔａｂｌｅｆｏｒｅｘｔｒａｃｔｉｎｇｔｈｅｓｔａｎｄｐａｒａｍｅｔｅｒｓｏｆｉｎａｃ⁃ｃｅｓｓｉｂｌｅｕｎｄｅｒｇｒｏｕｎｄｆｏｒｅｓｔｓｏｆＫａｒｓｔＴｉａｎｋｅｎｇ？［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０２２，１４（１７）：４１２８．ＤＯＩ：１０．３３９０／ｒｓ１４１７４１２８．［７］周艳飞，张绘芳，李霞，等．不同方法提取无人机影像树冠信息效果分析［Ｊ］．新疆农业大学学报，２０１４，３７（３）：２３１－２３５．ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００７－８６１４．２０１４．０３．０１２．ＺＨＯＵＹＦ，ＺＨＡＮＧＨＦ，ＬＩＸ，ｅｔａｌ．Ａｎａｌｙｓｉｓｏｎｅｆｆｅｃｔｓｏｆｔｒｅｅｃｒｏｗｎｉｎｆｏｒｍａｔｉｏｎｆｒｏｍｕｎｍａｎｎｅｄａｅｒｉａｌｖｅｈｉｃｌｅｉｍａｇｅｅｘｔｒａｃｔｉｏｎｂｙｄｉｆｆｅｒｅｎｔｍｅｔｈｏｄｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＸｉｎｊｉａｎｇＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒ⁃ｓｉｔｙ，２０１４，３７（３）：２３１－２３５．［８］ＧＵＯＸＺ，ＬＩＵＱＷ，ＳＨＡＲＭＡＲＰ，ｅｔａｌ．ＴｒｅｅｒｅｃｏｇｎｉｔｉｏｎｏｎｔｈｅｐｌａｎｔａｔｉｏｎｕｓｉｎｇＵＡＶｉｍａｇｅｓｗｉｔｈｕｌｔｒａｈｉｇｈｓｐａｔｉａｌｒｅｓｏｌｕｔｉｏｎｉｎａｃｏｍｐｌｅｘｅｎｖｉｒｏｎｍｅｎｔ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０２１，１３（２０）：４１２２．ＤＯＩ：１０．３３９０／ｒｓ１３２０４１２２．［９］李丹，张俊杰，赵梦溪．基于ＦＣＭ和分水岭算法的无人机影像中林分因子提取［Ｊ］．林业科学，２０１９，５５（５）：１８０－１８７．ＤＯＩ：１０．１１７０７／ｊ．１００１－７４８８．２０１９０５２０．ＬＩＤ，ＺＨＡＮＧＪＪ，ＺＨＡＯＭＸ．ＥｘｔｒａｃｔｉｏｎｏｆｓｔａｎｄｆａｃｔｏｒｓｉｎＵＡＶｉｍａｇｅｂａｓｅｄｏｎＦＣＭａｎｄｗａｔｅｒｓｈｅｄａｌｇｏｒｉｔｈｍ［Ｊ］．ＳｃｉｅｎｔｉａＳｉｌｖａｅＳｉｎｉｃａｅ，２０１９，５５（５）：１８０－１８７．［１０］ＭＡＲＴＩＮＳＪＡＣ，ＮＯＧＵＥＩＲＡＫ，ＯＳＣＯＬＰ，ｅｔａｌ．Ｓｅｍａｎｔｉｃｓｅｇｍｅｎｔａｔｉｏｎｏｆｔｒｅｅ⁃ｃａｎｏｐｙｉｎｕｒｂａｎｅｎｖｉｒｏｎｍｅｎｔｗｉｔｈｐｉｘｅｌ⁃ｗｉｓｅｄｅｅｐｌｅａｒｎｉｎｇ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０２１，１３（１６）：３０５４．ＤＯＩ：１０．３３９０／ｒｓ１３１６３０５４．［１１］ＬＯＵＸＷ，ＨＵＡＮＧＹＸ，ＦＡＮＧＬＭ，ｅｔａｌ．Ｍｅａｓｕｒｉｎｇｌｏｂｌｏｌｌｙｐｉｎｅｃｒｏｗｎｓｗｉｔｈｄｒｏｎｅｉｍａｇｅｒｙｔｈｒｏｕｇｈｄｅｅｐｌｅａｒｎｉｎｇ［Ｊ］．ＪｏｕｒｎａｌｏｆＦｏｒｅｓｔｒｙＲｅｓｅａｒｃｈ，２０２２，３３（１）：２２７－２３８．ＤＯＩ：１０．１００７／ｓ１１６７６－０２１－０１３２８－６．［１２］李越帅，郑宏伟，罗格平，等．集成Ｕ⁃Ｎｅｔ方法的无人机影像胡杨树冠提取和计数［Ｊ］．遥感技术与应用，２０１９，３４（５）：９３９－９４９．ＤＯＩ：１０．１１８７３／ｊ．ｉｓｓｎ．１００４－０３２３．２０１９．５．０９３９．ＬＩＹＳ，ＺＨＥＮＧＨＷ，ＬＵＯＧＰ，ｅｔａｌ．ＥｘｔｒａｃｔｉｏｎａｎｄｃｏｕｎｔｉｎｇｏｆＰｏｐｕｌｕｓｅｕｐｈｒａｔｉｃａｃｒｏｗｎｕｓｉｎｇＵＡＶｉｍａｇｅｓｉｎｔｅｇｒａｔｅｄｗｉｔｈＵ⁃Ｎｅｔｍｅｔｈｏｄ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇＴｅｃｈｎｏｌｏｇｙａｎｄＡｐｐｌｉｃａｔｉｏｎ，２０１９，３４（５）：９３９－９４９．［１３］ＭＯＪＷ，ＬＡＮＹＢ，ＹＡＮＧＤＺ，ｅｔａｌ．Ｄｅｅｐｌｅａｒｎｉｎｇ⁃ｂａｓｅｄｉｎ⁃ｓｔａｎｃｅｓｅｇｍｅｎｔａｔｉｏｎｍｅｔｈｏｄｏｆｌｉｔｃｈｉｃａｎｏｐｙｆｒｏｍＵＡＶ⁃ａｃｑｕｉｒｅｄｉｍａｇｅｓ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０２１，１３（１９）：３９１９．ＤＯＩ：１０．３３９０／ｒｓ１３１９３９１９．［１４］ＡＰＯＬＯ⁃ＡＰＯＬＯＯＥ，ＭＡＲＴÍＮＥＺ⁃ＧＵＡＮＴＥＲＪ，ＥＧＥＡＧ，ｅｔａｌ．ＤｅｅｐｌｅａｒｎｉｎｇｔｅｃｈｎｉｑｕｅｓｆｏｒｅｓｔｉｍａｔｉｏｎｏｆｔｈｅｙｉｅｌｄａｎｄｓｉｚｅｏｆｃｉｔｒｕｓｆｒｕｉｔｓｕｓｉｎｇａＵＡＶ［Ｊ］．ＥｕｒｏｐｅａｎＪｏｕｒｎａｌｏｆＡｇｒｏｎｏｍｙ，２０２０，１１５：１２６０３０．ＤＯＩ：１０．１０１６／ｊ．ｅｊａ．２０２０．１２６０３０．［１５］季琳琳，陈素传，吴志辉，等．生草对山核桃林地土壤养分及土壤酶活性的影响［Ｊ］．经济林研究，２０２２，４０（１）：１９－２５，４４．ＤＯＩ：１０．１４０６７／ｊ．ｃｎｋｉ．１００３－８９８１．２０２２．０１．００３．ＪＩＬＬ，ＣＨＥＮＳＣ，ＷＵＺＨ，ｅｔａｌ．ＥｆｆｅｃｔｓｏｆｐｌａｎｔｅｄｇｒａｓｓｅｓｏｎｓｏｉｌｎｕｔｒｉｅｎｔｓａｎｄｓｏｉｌｅｎｚｙｍｅａｃｔｉｖｉｔｉｅｓｉｎＣａｒｙａｃａｔｈａｙｅｎｓｉｓｆｏｒｅｓｔ［Ｊ］．Ｎｏｎ⁃ＷｏｏｄＦｏｒｅｓｔＲｅｓｅａｒｃｈ，２０２２，４０（１）：１９－２５，４４．［１６］ＰＡＴＴＥＲＳＯＮＭＧ，ＧＯＦＦＷＤ．Ｅｆｆｅｃｔｓｏｆｗｅｅｄｃｏｎｔｒｏｌａｎｄｉｒｒｉ⁃ｇａｔｉｏｎｏｎｐｅｃａｎ（Ｃａｒｙａｉｌｌｉｎｏｉｎｅｎｓｉｓ）ｇｒｏｗｔｈａｎｄｙｉｅｌｄ［Ｊ］．ＷｅｅｄＴｅｃｈｎｏｌｏｇｙ，１９９４，８（４）：７１７－７１９．ＤＯＩ：１０．１０１７／ｓ０８９００３７ｘ０００２８５７８．［１７］丁立忠，潘伟华，马闪闪，等．测土配方施肥对临安山核桃生长和产量的影响［Ｊ］．经济林研究，２０１８，３６（４）：３３－３９．ＤＯＩ：１０．１４０６７／ｊ．ｃｎｋｉ．１００３－８９８１．２０１８．０４．００５．ＤＩＮＧＬＺ，ＰＡＮＷＨ，ＭＡＳＳ，ｅｔａｌ．ＥｆｆｅｃｔｓｏｆｔｅｓｔｉｎｇｓｏｉｌｆｏｒｆｏｒｍｕｌａｔｅｄｆｅｒｔｉｌｉｚａｔｉｏｎｏｎｇｒｏｗｔｈａｎｄｙｉｅｌｄｉｎＣａｒｙａｃａｔｈａｙｅｎｓｉｓ［Ｊ］．Ｎｏｎ⁃ＷｏｏｄＦｏｒｅｓｔＲｅｓｅａｒｃｈ，２０１８，３６（４）：３３－３９．［１８］张纯斌，杨胜天，赵长森，等．小型消费级无人机地形数据精度验证［Ｊ］．遥感学报，２０１８，２２（１）：１８５－１９５．ＤＯＩ：１０．１１８３４／ｊｒｓ．２０１８６４８３．ＺＨＡＮＧＣＢ，ＹＡＮＧＳＴ，ＺＨＡＯＣＳ，ｅｔａｌ．ＴｏｐｏｇｒａｐｈｉｃｄａｔａａｃｃｕｒａｃｙｖｅｒｉｆｉｃａｔｉｏｎｏｆｓｍａｌｌｃｏｎｓｕｍｅｒＵＡＶ［Ｊ］．ＪｏｕｒｎａｌｏｆＲｅ⁃ｍｏｔｅＳｅｎｓｉｎｇ，２０１８，２２（１）：１８５－１９５．［１９］ＧＵＪＹ，ＧＲＹＢＡＳＨ，ＣＯＮＧＡＬＴＯＮＲＧ．Ａｃｏｍｐａｒｉｓｏｎｏｆｆｏｒｅｓｔｔｒｅｅｃｒｏｗｎｄｅｌｉｎｅａｔｉｏｎｆｒｏｍｕｎｍａｎｎｅｄａｅｒｉａｌｉｍａｇｅｒｙｕｓｉｎｇｃａｎｏｐｙｈｅｉｇｈｔｍｏｄｅｌｓｖｓ．ｓｐｅｃｔｒａｌｌｉｇｈｔｎｅｓｓ［Ｊ］．Ｆｏｒｅｓｔｓ，２０２０，１１（６）：６０５．ＤＯＩ：１０．３３９０／ｆ１１０６０６０５．［２０］李晨，李佳，王明果，等．无人机ＲＧＢ影像中人工林单木位置的提取［Ｊ］．林业工程学报，２０２１，６（２）：１４１－１４７．ＤＯＩ：１０．１３３６０／ｊ．ｉｓｓｎ．２０９６－１３５９．２０２００８０１８．ＬＩＣ，ＬＩＪ，ＷＡＮＧＭＧ，ｅｔａｌ．ＩｎｄｉｖｉｄｕａｌｔｒｅｅｐｏｓｉｔｉｏｎｅｘｔｒａｃｔｉｏｎｏｆａｎａｒｔｉｆｉｃｉａｌｆｏｒｅｓｔａｒｅａｉｎＵＡＶＲＧＢｉｍａｇｅ［Ｊ］．ＪｏｕｒｎａｌｏｆＦｏｒ⁃ｅｓｔｒｙＥｎｇｉｎｅｅｒｉｎｇ，２０２１，６（２）：１４１－１４７．［２１］ＲＥＤＭＯＮＪ，ＤＩＶＶＡＬＡＳ，ＧＩＲＳＨＩＣＫＲ，ｅｔａｌ．Ｙｏｕｏｎｌｙｌｏｏｋｏｎｃｅ：ｕｎｉｆｉｅｄ，ｒｅａｌ⁃ｔｉｍｅｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎ［Ｃ］／／２０１６ＩＥＥＥＣｏｎ⁃ｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ（ＣＶＰＲ）．Ｊｕｎｅ２７－３０，２０１６，ＬａｓＶｅｇａｓ，ＮＶ，ＵＳＡ：ＩＥＥＥ，２０１６：７７９－７８８．ＤＯＩ：１０．１１０９／ＣＶＰＲ．２０１６．９１．（责任编辑㊀田亚玲）６６１。
一种基于ai技术应用于无人机巡查罂粟识别的方法与流程
一种基于ai技术应用于无人机巡查罂粟识别的方法与流程无人机巡查是当今领域中广泛使用的监测和巡查手段。
然而，识别罂粟这种非法植物一直是一项棘手的任务，因为其茂密的生长环境和形态与其他植物类似而难以区分。
为了解决这个问题，近年来，基于人工智能（AI）的技术应用于无人机巡查罂粟识别上取得了显著进展。
首先，对于基于AI的无人机巡查罂粟识别方法，首要的步骤是数据采集。
无人机需要飞越目标区域，通过搭载的高清摄像头对植物进行广泛拍摄，获取大量的图像数据作为识别的依据。
这些数据将被用于训练和验证模型。
接下来，数据预处理是关键环节。
通过将采集到的图像数据进行去噪、调整亮度和对比度，以及区域裁剪和特征提取等处理，可以提高后续识别算法的准确性。
此外，需要对数据进行标注，即将罂粟和其他植物进行标记，以供机器学习算法学习和识别。
然后，使用深度学习算法进行罂粟识别。
常用的深度学习算法包括卷积神经网络（CNN）和循环神经网络（RNN）。
通过将训练数据输入到这些神经网络中进行训练，模型可以学习到罂粟和其他植物的不同特征，从而实现对罂粟的准确识别。
随着训练的进行，模型的准确性将不断提高。
对于无人机巡查罂粟识别的流程，首先是任务规划和预设区域设定，确定巡查的具体区域和时间，选择无人机型号和相应的摄像设备。
然后，无人机起飞并飞行到目标区域，进行图像采集，并在巡查过程中将实时数据传输到后台处理系统。
处理系统接收到数据后，经过预处理和识别算法的运算，即可得出有关罂粟的信息，包括可能的区域和数量。
最后，根据识别结果进行进一步的分析和处理。
根据无人机上搭载的传感器，可以获取罂粟的生长环境数据和相关信息。
这些数据将被用于制定打击罂粟的方案，并协助执法部门采取相应的行动。
综上所述，基于AI技术应用于无人机巡查罂粟识别是一种高效且准确的方法。
通过数据采集、数据预处理、深度学习算法的应用，以及完善的巡查流程和后续处理，该方法能够提高罂粟识别的准确性，并为打击非法植物提供有力支持。
基于无人机的测绘技术在农作物生长监测中的应用
基于无人机的测绘技术在农作物生长监测中的应用近年来，随着科技的飞速发展，无人机技术以其非接触性、高效性和精确性在不同领域得到了广泛应用。
其中，在农业领域，基于无人机的测绘技术被广泛用于农作物生长监测。
本文将探讨这种技术在农作物生长监测中的应用，并介绍其优势与挑战。
一、背景介绍农作物生长监测对于农业的发展至关重要。
传统的监测方法往往依赖于人工巡视和手动采样，工作量大且效率低下。
无人机技术的出现为农作物生长监测带来了新的解决方案。
通过搭载高分辨率的遥感传感器，无人机可以快速获取大量的农作物生长数据，提高监测精度和效率。
二、无人机测绘技术的优势1.高分辨率数据获取能力：无人机搭载的遥感传感器可以获取高分辨率的影像数据，能够捕捉到农作物生长过程中的微小细节。
这有助于农户了解农作物的健康状况、病虫害情况和农田管理效果。
2.快速高效的监测方式：传统的人工巡视和手动采样需要大量的时间和人力资源，而无人机技术可以在较短的时间内对大面积农田进行监测。
农作物生长监测变得更加高效，农户能够及时了解到农作物的生长情况。
3.无接触式监测方式：无人机通过航拍的方式获取数据，避免了与农田接触的繁琐过程。
这不仅提高了工作效率，也减少了对农田的干扰。
同时，无接触的方式还能够在病虫害发生时减少传播风险。
三、基于无人机的测绘技术在农作物生长监测中的具体应用1.生长状况监测：通过无人机获取的高分辨率数据，可以对农作物的生长状况进行监测。
比如，可以通过图像处理算法对农田中的植物个体数量、大小和生长速度进行测量。
这样的监测能够帮助农户评估其农田的生长情况，及时调整施肥、灌溉等措施。
2.病虫害监测：无人机搭载的遥感传感器可以捕捉到反射特征的变化，从而检测出可能存在的病虫害。
通过无人机快速获取的影像数据，利用图像识别算法，可以对农田的病虫害情况进行实时监测，帮助农户及时采取相应的治理措施。
3.农田环境评估：农田环境因素对农作物的生长起到至关重要的作用。
农业无人机应用中的农作物识别技术研究
农业无人机应用中的农作物识别技术研究随着科技的不断进步，无人机技术在农业应用中的作用日益凸显。
农业无人机的广泛使用可以提高农作物生产的效率和质量，并且减少农药和水源的浪费。
在农业无人机应用中，农作物识别技术起着关键的作用。
本文将深入探讨农业无人机应用中的农作物识别技术的研究现状和发展趋势。
一、农作物识别技术的意义和背景农作物识别技术是指利用无人机遥感技术和图像处理方法，对农田上的农作物进行自动识别和分类。
农作物识别技术的应用可以帮助农民准确掌握农田的种植情况，实现农作物的精准管理。
另外，利用农作物识别技术还可以及时发现农作物病虫害，避免疫情的蔓延，从而有效控制病虫害的发生，减少农作物的损失。
二、农作物识别技术的研究现状1. 数据获取与处理农作物识别技术的第一步是获取农田的图像数据。
无人机搭载高分辨率摄像头对农田进行拍摄，获取农作物的图像信息。
然后，图像处理方法被应用于无人机获取的数据，用于提取农作物的特征信息，并进行分类识别。
2. 特征提取和分类算法农作物识别的核心是对图像数据进行特征提取和分类。
近年来，随着深度学习技术的发展，卷积神经网络（Convolutional Neural Network，CNN）被广泛应用于农作物识别中。
通过训练神经网络，使其具备自动提取农作物特征的能力，并能准确地对农作物进行分类。
3. 应用场景和成果农作物识别技术已经在不同的农业应用场景中取得了显著的成绩。
例如，可以通过识别农作物的种类和形状，准确判断农作物的生长状况和健康状况。
同时，利用农作物识别技术可以精确施药、施肥，提高农作物的产量和品质。
三、农作物识别技术的发展趋势1. 多模态图像识别技术的应用随着农作物识别技术的发展，人们开始探索利用多种不同类型的数据源进行农作物识别，例如利用热红外影像、超光谱影像等进行多模态图像识别。
这方面的研究有望提高农作物识别的精准度和可靠性。
2. 精准农业与农作物识别技术的结合精准农业是指将现代信息技术与农业生产相结合，通过精准的管理措施，实现农田的科学种植和高效利用。
一种无人机拍摄的农作物图像识别方法[发明专利]
![一种无人机拍摄的农作物图像识别方法[发明专利]](https://img.taocdn.com/s3/m/f93ddecd5ff7ba0d4a7302768e9951e79b896981.png)
专利名称：一种无人机拍摄的农作物图像识别方法专利类型：发明专利
发明人：陈小帮,左亚尧,王铭锋
申请号：CN201810709051.X
申请日：20180702
公开号：CN109241817B
公开日：
20220222
专利内容由知识产权出版社提供
摘要：本发明提供一种无人机拍摄的农作物图像识别方法。
一种无人机拍摄的农作物图像识别方法，其特征在于，包括如下步骤：S1.对无人机拍摄的农作物图像构建属性信息并进行预处理，获得农作物图像数据集；S2.采用迁移学习的思想预训练卷积神经网络模型；S3.用步骤S1得到的农作物图像数据集对步骤S2预训练后的卷积神经网络进行微调，提取卷积神经网络模型不同层的特征进行结合，获得图像特征表示；S4.用SVM分类器对步骤S3中得到的图像特征进行分类，完成农作物图像分类，得出分类结果，最后将无人机拍摄的农作物图像输入到步骤S3中的卷积神经网络模型进行识别。
本发明能够在图像数据集有限情况下，利用目标图像已标记的样本辅助目标图像数据进行更有效的识别。
申请人：广东工业大学
地址：510006 广东省广州市越秀区东风东路729号
国籍：CN
代理机构：广州粤高专利商标代理有限公司
代理人：林丽明
更多信息请下载全文后查看。
农业无人机应用中的地块识别算法研究
农业无人机应用中的地块识别算法研究随着科技的不断进步和农业行业的不断发展，农业无人机逐渐成为现代农业生产的重要工具之一。
农业无人机的应用带来了许多便利和效益，其中地块识别算法是农业无人机应用的关键技术之一。
本文将对农业无人机应用中的地块识别算法进行研究。
地块识别算法是农业无人机应用中的重要环节，主要用于识别和划分农田中不同的地块。
通过无人机获取的高空影像数据，结合地块识别算法，可以实现对农田中不同作物、不同植被生长状态的精确判断和定位，从而帮助农民进行精细化管理和农田制度优化。
农业无人机地块识别算法的研究主要包括以下几个方面：1. 影像预处理：地块识别算法的第一步是对无人机获取的高空影像数据进行预处理。
预处理主要包括去噪、图像增强、几何校正等操作，以提高图像质量和准确性。
2. 特征提取：地块识别算法需要提取影像数据中的特征信息，以便进行后续的分类和识别。
常用的特征包括颜色、纹理、形状等。
通过提取不同特征，可以对不同地块进行区分和分类。
3. 地块分类算法：地块分类算法是地块识别算法的核心部分。
常用的算法包括支持向量机（SVM）、神经网络、决策树等。
这些算法可以利用特征数据进行地块的分类和划分，并生成分类结果。
4. 地块识别评估：地块识别算法的有效性需要通过评估进行验证。
评估指标包括准确率、召回率、精确率等。
通过比对算法得到的分类结果与实际情况，可以评估算法的性能和准确性。
此外，地块识别算法的研究还需要考虑以下因素：1. 影像数据的质量：地块识别算法的准确性和鲁棒性与影像数据的质量密切相关。
影像数据的清晰度、分辨率、光照条件等因素都会影响地块识别的效果。
因此，保证高质量的影像数据是地块识别算法研究中的重要前提。
2. 地理环境的变化：农田中的地理环境可能会因气候、季节等因素发生变化，这对地块识别算法的准确性也会产生影响。
因此，地块识别算法需要具备良好的适应性和鲁棒性，能够适应不同的地理环境变化。
3. 算法的实时性：农业生产需要实时掌握农田中的作物生长和变化情况，因此地块识别算法需要具备较高的实时性。
无人机遥感监测作物病虫害胁迫方法与研究进展
3、数据处理和分析：将采集到的光谱数据进行预处理（如去噪、标准化 等），提取与作物病虫害相关的特征信息。再利用机器学习或人工智能算法对特 征信息进行分类和识别，实现作物病虫害胁迫的监测。
参考内容
无人机遥感监测作物病虫害胁迫方法在农业生产中具有重要意义。随着科技 的不断进步，无人机遥感技术日益成熟，为作物病虫害胁迫监测提供了新的解决 方案。本次演示将概述无人机遥感监测作物病虫害胁迫方法的发展历程和最新研 究进展，并详细介绍其技术原理、实验设计与数据分析方法以及应用前景与展望。
2、多光谱与红外成像
除了高分辨率图像获取外，还有研究者利用多光谱和红外成像技术进行无人 机遥感监测作物病虫害胁迫。多光谱成像技术可以获取作物生长过程中的多种信 息，如叶绿素含量、水分分布等。有研究者利用多光谱成像技术对水稻病害进行 了监测，通过建立偏最小二乘回归模型对叶绿素含量进行估算，并取得了较好的 效果。另外，红外成像技术可以对作物内部的热特征进行检测，从而识别出病虫 害发生的部位。
展望未来，无人机遥感监测作物病虫害胁迫方法将不断发展和完善。首先， 需要进一步提高该方法的自动化程度和智能水平，减少人工干预和操作成本。其 次，需要加强多部门和多学科的合作，将无人机遥感监测技术与传统的农学、植 物保护学等领域进行深度融合，共同推进农业现代化进程。
谢谢观看
三、无人机遥感监测作物病虫害 胁迫的技术原理
无人机遥感监测作物病虫害胁迫的技术原理主要包括传感器、数据采集与处 理等方面。传感器是无人机的核心部件之一，可以获取作物的多种信息，如颜色、 纹理、形状等。常用的传感器包括高分辨率相机、多光谱相机、红外相机等。数 据采集是指通过无人机飞行获取大量的遥感图像数据，并对这些数据进行预处理， 如去噪、增强等。数据处理主要包括特征提取和模型建立两个方面，用于自动识 别和分类作物的病虫害类型和胁迫程度。
无人机技术在农业作物监测中的应用
无人机技术在农业作物监测中的应用农业作物监测是农业生产中非常重要的一环。
随着科技的不断发展，无人机技术被越来越广泛地应用于农业作物监测中。
无人机的高空俯瞰视角和搭载的各种传感器让它成为了一种非常有价值的工具。
无人机技术在农业作物监测中的应用主要分为几个方面：作物生长监测、病虫害防治、土壤肥力评估以及农作物灌溉等。
首先，无人机可以通过搭载高分辨率的相机对作物的生长进行监测。
传统的监测方法往往需要从地面上逐一观察，耗时耗力且效果受限。
而无人机利用高空俯瞰的视角，可以快速捕捉到大范围的作物状况，实时观察到不同地块之间的差异。
通过无人机拍摄的图像，农民可以准确地了解作物的生长情况，及时采取相应的措施，促进作物的健康成长。
其次，无人机在病虫害防治方面也发挥着重要的作用。
无人机可以搭载红外线和多光谱传感器，通过对农田的扫描和图像处理，可以准确地检测到作物是否受到病虫害的侵袭。
相较于传统的巡视方法，无人机可以快速地覆盖大面积的农田，并且可以在早期发现病虫害的迹象。
这样，农民可以及时采取相应的措施，减少病虫害对作物的损害，提高农作物的产量和品质。
除了对作物生长和病虫害的监测，无人机技术还可以用于土壤肥力评估。
无人机可以通过搭载特殊传感器，对土壤的湿度、肥力等进行实时监测。
通过收集大量的土壤数据，农民可以深入了解每个地块的土壤特性，合理调整施肥方案，以达到节约资源和提高产量的目的。
另外，无人机在农作物灌溉中也发挥着重要的作用。
无人机可以搭载气象传感器，实时监测气象因素如温度、相对湿度、风力等。
结合作物生长状况和土壤水分状况，无人机可以通过算法模型，提供合理的灌溉建议。
这样，农民可以合理利用水资源，提高灌溉的效率和农作物的产量。
总结起来，无人机技术在农业作物监测中的应用非常广泛。
通过无人机的高空俯瞰视角和搭载的各种传感器，农民可以方便地对作物生长、病虫害、土壤肥力以及农作物灌溉等方面进行监测和控制。
这种技术的应用不仅提高了农业生产的效益和品质，还减少了农业生产中对人力和资源的需求。
利用无人机进行农作物遥感监测与生长状态评估
利用无人机进行农作物遥感监测与生长状态评估无人机已经在各个领域展现出巨大的潜力和应用价值。
农业领域也不例外，利用无人机进行农作物遥感监测和生长状态评估已经成为现代农业的一个新兴趋势。
本文将探讨无人机在农作物遥感监测和生长状态评估中的应用，并分析其优势和挑战。
一、无人机的农业应用概述随着无人机技术的飞速发展，其在农业领域的应用也越来越广泛。
利用无人机进行农作物遥感监测和生长状态评估可以提供有效的数据支持和决策依据。
无人机能够对农田进行高分辨率的成像，通过多光谱、高光谱和热红外等传感器，收集大量的农作物信息。
这些信息可以用于监测农作物的生长情况、病虫害的发生和扩散、土壤水分状况等。
同时，利用无人机进行农作物遥感监测和生长状态评估也可以提高劳动效率，减少农民的工作强度。
二、无人机在农作物遥感监测中的应用无人机在农作物遥感监测中的应用主要包括农田勘察、作物生长监测、病虫害监测和农田水分管理等。
1. 农田勘察：利用无人机进行农田勘察可以高效地获取农田的基本信息，包括土地利用状况、土壤质量、地形地貌等。
通过对这些数据的分析和处理，可以为农民提供土地利用规划和农业生产决策的参考依据。
2. 作物生长监测：无人机可以通过搭载多光谱和高光谱传感器，对农田进行成像。
这些传感器能够获取农作物的光谱特征，通过计算植物的叶绿素含量、植被指数等指标，对农作物的生长状态进行评估。
通过无人机的搭载和数据处理，可以实现对农田大面积的快速监测。
3. 病虫害监测：利用无人机进行病虫害监测可以快速准确地发现农作物的病虫害情况。
无人机搭载的热红外传感器可以检测出植物发出的红外辐射，通过分析这些数据，可以判断农作物是否感染病虫害，及时采取措施进行防治。
4. 农田水分管理：水分是农作物生长的关键因素之一，合理的水分管理对于提高农作物产量和质量至关重要。
利用无人机搭载的热红外传感器，可以实现对农田土壤水分的快速评估。
通过无人机获取的数据，农民可以及时调整灌溉策略，节约水资源，提高灌溉效率。
基于无人机可见光影像的农情监测
·79·工 作 研 究农业开发与装备 2017年第9期摘要：农情遥感监测主要以遥感技术为基础对农业生产区全过程进行检测，而遥感技术可以有效的收集农业资源和农业生产信息，并对所收集的信息进行全方面的分析、定量、定位，并将其进行合理应用，促进我国农业快速发展。
近年来，我国农业在发展过程中通过遥感技术的应用可以有效的开展农业资源的调查、灾情监测、预报工作，并对农业环境进行全方面评估，从而使我国农业决策科学化提升到全新的高度。
对此，对基于无人机可见光影像的农情监测进行了简单的研究。
关键词：无人机；遥感技术；农情监测0 引言随着社会不断的发展，我国经济水平逐渐提高，农业得到了快速的发展，现有的农业生产状况也发生全方面的变化，需要指定时间范围的影像。
现阶段，我国现有的星载高空间分辨率的时间分辨率较低，在实际检测过程中也不能保证所得出来检测结果的准确性。
而无人机与遥感技术的结合发展应用可以有效的提升影像的获取效率，并实现高地面分辨率，结合农业发展现状加强对农作物的检测，为农作物的健康生长提供良好的保障基础。
1 研究区概况从20世纪70年代，无人机遥感技术已经出现在社会中，并通过该技术进行农作物资产评估，这对农业的发展来说起到了非常重要的作用。
随着社会不断的发展，无人机遥感技术水平逐渐提升。
现阶段，一些发达国家在发展过程中现有的无人机遥感技术水平逐渐提升，在农情监测的应用已经取得了良好的成绩，使其朝着自动化、智能化的方向发展下去。
遥感技术系统中主要包括了以下几种：平台运载系统、遥感仪器系统、数据传输系统、数据接收系统、数据处理系统、数据应用系统等多部分组成。
在20世纪90年代，我国开始引入无人机遥感技术，通过多年的努力已经取得了良好的成绩。
现阶段，我市农用无人机遥感技术在开展农情监测工作时，主要以多旋翼无人机进行操作，可以有效的提升监测结果的稳定性。
之后再通过航空拍摄农作物高清影像，并在各平台的支持下进行图像处理，加快农作物信息的收集、整理，为我国无人机遥感技术的健康可持续发展提供良好的保障基础。
基于无人机遥感可见光影像的农作物分类
基于无人机遥感可见光影像的农作物分类刘斌;史云;吴文斌;段玉林;赵立成【摘要】[目的]无人机遥感具有高空间、高时间分辨率的优点,并可同时获得光谱和空间信息,因此在农作物分类中备受研究者的青睐.与侧重于从高分辨率RGB图像中提取纹理特征的分类方法不同,文章重点研究如何利用作物在光谱和空间维度上的联合特征尤其是作物高程特征,以实现农作物精细分类.[方法]首先,我们进行研究区域选择和地面实际情况调查,用无人机遥感系统进行可见光影像采集;其次,确定研究区域内农作物分类类别,分别对可见光遥感影像进行可见光植被指数计算及纹理滤波;针对数字表面模型(DSM)数据特点,对两期DSM数据进行差值处理,获得差异数字表面模型数据(DDSM),提取作物高度信息,并根据农作物冠层特性对差异数字表面模型进行滤波处理;最后,进行特征优选及组合,使用SVM方法进行农作物分类.[结果]确定最优分类特征为RGB、红波段对比度、绿波段二阶矩、蓝波段方差、DDSM、DDSM方差、DDSM对比度,分类精度由71.86％提高到92.30％,验证了由DSM影像提取的空间特征可以提高农作物分类精度.[结论]该研究探索了一种基于可见光及空间联合特征的农作物精细分类方法,方法简单可行,设备成本低,在基于无人机低空遥感的样方调查领域中有较大的应用前景.【期刊名称】《中国农业资源与区划》【年(卷),期】2019(040)008【总页数】9页(P55-63)【关键词】无人机遥感;农作物分类;支持向量机;可见光影像;差异数字表面模型;(DDSM)【作者】刘斌;史云;吴文斌;段玉林;赵立成【作者单位】中国农业科学院农业资源与农业区划研究所/农业农村部信息技术重点实验室,北京 100081;中国农业科学院农业资源与农业区划研究所/农业农村部信息技术重点实验室,北京 100081;中国农业科学院农业资源与农业区划研究所/农业农村部信息技术重点实验室,北京 100081;中国农业科学院农业资源与农业区划研究所/农业农村部信息技术重点实验室,北京 100081;中国农业科学院农业资源与农业区划研究所/农业农村部信息技术重点实验室,北京 100081【正文语种】中文【中图分类】S127;S28;S-30 引言无人机遥感具备高分辨率、操作简单、获取数据快及低成本等特点，可以快速针对某一区域进行影像采集工作，获取更精确的作物分布信息，成为卫星遥感和航空遥感的重要补充，对作物监测技术的发展和应用具有重大意义[1-2]。
基于无人机近感的高通量田间作物几何表型研究
基于无人机近感的高通量田间作物几何表型研究作物的基因型、环境因子及两者间的复杂相互作用,使得作物表型具有高度变异性。
现代大型育种项目的育种群体通常包含上千小区,且重复分布在不同育种环境中。
如何快速、准确和无损地获取田间环境下育种群体小区尺度上的表型参数,并将表型参数与基因型、环境因子进行关联分析,加速选育符合特定育种目标的新品种,已成为当前育种研究领域的迫切需求。
高通量田间作物表型测定技术是满足这些需求的关键技术。
利用无人机近感平台获取田间作物图像信息,并结合数字图像处理技术和表型数据分析方法,能够为高通量田间作物表型参数的提取、分析和评估提供有效的解决方案。
本文的主要研究内容和结论如下:1.提出了利用无人机航拍图像高通量地估算作物株高的方法。
分析现有文献中的基于无人机航拍图像估算田间作物株高的方法(点云法和参照地面法)所存在的局限性,基于数据融合的理念,将部分株高实测数据与无人机表型平台获取的航拍图像数据进行融合,提出并实现了新的基于无人机航拍图像高通量提取作物株高的方法(自校准法)。
将此三种方法应用于估算大规模高粱育种群体小区(1440个小区)的株高,并将估算值与实测值比较,对三种方法的估算精度进行评估。
结果表明,自校准法的估算精度最高(R2=0.63,RMSE = 0.07 m,可重复度= 0.74),可重复度与手动测量(0.78)相近;点云法和参照地面法的可重复度较低,分别为0.34和0.38。
对于自校准法,测试了不同自校准小区(实测株高的小区)的抽样策略,以平衡株高估算精度和手动测量的工作量。
结果表明,只需30～40个自校准小区就能达到和手动测量相近的精度。
2.利用模拟研究的方法,评估了无人机航拍飞行高度对从航拍图像计算植被覆盖度精度的影响。
在田间环境下,利用手持数码相机拍摄高精度的田间小麦冠层参照图像,进而将参照图像退化到一系列不同像素大小水平(共26个水平)的图像,用以模拟无人机在不同航拍飞行高度上获取的航拍图像。
基于无人机高光谱遥感影像的农作物分类研究
基于无人机高光谱遥感影像的农作物分类研究
梁海红
【期刊名称】《南方农机》
【年(卷),期】2022(53)14
【摘要】为快速、精准地对农作物信息进行分类和提取,笔者以某研究区农作物作为研究对象,对农作物分类展开研究。
利用SVM和RF分类方法,对降维和一阶导数处理后的无人机高光谱遥感影像中的农作物进行分类,并比较了SVM和RF分类结果的精准性。
研究结果表明,通过对高光谱影像农作物进行分类,利用RF分类法获得的分类结果精度较高,可以实现对农作物的有效提取,能够为我国农作物生长情况监测、产量估计和病虫害防治提供参考。
【总页数】4页(P38-41)
【作者】梁海红
【作者单位】三和数码测绘地理信息技术有限公司
【正文语种】中文
【中图分类】S127
【相关文献】
1.基于决策树的无人机高光谱遥感影像地物分类研究
2.基于无人机高光谱影像的典型农作物精细分类研究
3.基于无人机高光谱影像的典型农作物精细分类研究
4.基于不同光谱匹配算法的无人机高光谱遥感影像建筑垃圾分类研究
5.基于无人机遥感影像的农作物分类研究
因版权原因，仅展示原文概要，查看原文内容请购买。
一种利用可见光波段无人机遥感的林下植被覆盖识别方法
一种利用可见光波段无人机遥感的林下植被覆盖识别方法朱雄斌;汪小钦;周小成【期刊名称】《福州大学学报（自然科学版）》【年(卷),期】2018(046)006【摘要】利用可见光无人机遥感数据,通过分析不同地物在像元和对象尺度上的光谱信息,建立一种利用归一化红绿差异指数NGRDI特征并结合面向对象思想的林下植被覆盖识别方法,并对试验区和验证区开展方法应用与适应性分析.分析结果表明:NGRDI在像元尺度可以很好地区分乔木、草地和裸土,在对象尺度也能较好地区分林下有植被覆盖区域和林下无植被覆盖区域,同时该指数能较好地消除地形因素等影响.试验区林下植被识别的总体精度为85.9％,Kappa系数为0.78;验证区林下无植被覆盖区域和林下有植被覆盖区域提取的正确率分别为82.9％和95.1％.故利用可见光无人机影像的NGRDI指数进行林下植被覆盖识别方法是可行的.【总页数】8页(P814-820,838)【作者】朱雄斌;汪小钦;周小成【作者单位】福州大学空间数据挖掘和信息共享教育部重点实验室,福建省空间信息工程研究中心,福建福州 350116;福州大学空间数据挖掘和信息共享教育部重点实验室,福建省空间信息工程研究中心,福建福州 350116;福州大学空间数据挖掘和信息共享教育部重点实验室,福建省空间信息工程研究中心,福建福州 350116【正文语种】中文【中图分类】TP75;S157【相关文献】1.基于可见光波段的无人机超低空遥感图像处理 [J], 邓继忠;任高生;兰玉彬;黄华盛;张亚莉2.基于可见光波段无人机遥感的植被信息提取 [J], 汪小钦;王苗苗;王绍强;吴云东3.一种基于无人机遥感和卷积神经网络的梨树树龄梯度识别方法 [J], 赵冬阳; 范国华; 赵印勇; 陈信; 王文宇; 张友华4.可见光波段无人机遥感图像的小麦茎蘖密度定量反演 [J], 杜蒙蒙;Ali Roshanianfard;刘颖超5.南方丘陵区林下植被覆盖度无人机多角度遥感测量 [J], 王瑞璠;魏倪彬;张仓皓;鲍甜甜;刘健;余坤勇;王帆因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
黄登红12,周忠发12,吴跃12,朱孟1,2,尹林江12,崔亮3
（1.贵州师范大学喀斯特研究院〃地理与环境科学学院，贵阳550001; 2.国家喀斯特石漠化防治工程技术研究中心，贵阳550001; 3.贵州北斗空间信息技术有限公司，贵阳550001）
性仍优于红绿比值指数和过绿减过红指数；3）使用高斯高通滤波能够有效消除杂草、玉米植株的影响，减小山药
植株多株连接生长所产生的干扰；4）高斯高通滤波卷积核大小79x79适用于不同时相和不同生长情况的山药植
株影像处理，针对不同的山药植株生长情况和不同时相的可见光影像，需调整灰度分割的阈值参数r,单株山药植
摘要：采用四旋翼无人机采集特色作物山药种植区影像，针对山药种植时间和管护水平差异导致的植株生长差
异化特征，通过筛选红绿比值指数（RGRI ）、过绿指数（ExG）和过绿减过红指数（ExG-ExR）等颜色指数获取山
药植株最优颜色指数计算方法；以高斯高通滤波（GHPF）增强和保留山药植株高频信息，抑制杂草、玉米植株的
噪声；结合田间测量山药植株数据，通过人机交互解译方法对图像滤波增强后的影像进行灰度分割和提取山药植
株信息。结果表明：1）样区总体提取精度为91.14%,样区A、B、C的提取精度分别为90.94%、91.96%、90.81%,
精度验证完整性为93.16%; 2）随着山药植株多株连体生长复杂程度的增强，过绿指数具有的土壤与植被的分离
微型化、智能化且价格低的特点（牛庆林等,2018）, 可实现快速获取高空间分辨率的农作物图像并提取
信息（Bendig et al., 2014; Guo et al” 2015; Sankaran et al., 2015；牛亚晓等，2018）,为喀斯特高原地区 小区域的特色经济作物监测提供了可能。
第39卷第4期 2019年7月
煞带地理
TROPICAL GEOGRAPHY
Vol.39, No.4 July, 2019
黄登红，周忠发，吴跃，朱孟，尹林江，崔亮.2019.基于无人机可见光影像的高原丘陵盆地区山药植株识别.热带地理，ng, Zhou Zhongfa, Wu Yue, Zhu Meng, Yin Linjiang and Cui Liang. 2019. Identification ofYam Plants in Karst Plateau Hill Basin Based on Visible Light Images of an Unmanned Aerial Vehicle. Tropical Geography, 39 (4): 571-582.
收稿日期：2019-04-16;修回日期：2019-04-22 基金项目：国家重点研发计划项目（2018YFB0505400）;国家自然科学基金地区项目（41661088）;贵州省高层次创新型人才培养计划“百”层次 人才（黔科合平台人才〔2016〕5674） 作者简介：黄登红（1990-）,男，布依族，贵州安龙人，硕士，主要从事无人机山地遥感、时空数据挖掘，（E-mail） hdh0503@； 通信作者：周忠发（1969-）,男，贵州遵义人，教授，博导，主要从事地理信息系统与遥感研究，（E-mail） fa6897@o
诸多研究表明，与卫星遥感影像相比，无人机 影像在精细化农业管理方面更具优势。无人机具有 机动灵活、复杂环境适应性强、数据获取快速、不 接触和不扰动植株、空间分辨率高、周期短、受天 气和云层影响小等优点（Lelong et al., 200& Xiang et al” 2011; Lebourgeois et al” 2012; Rasmussen et al” 2013；廖小罕等，2016；李晓鹏等，2017）,无人 机飞行平台在小区域作物信息快速精准获取和精准
株面积S由田间测量确定。该方法以快速灵活、低成本的方式识别和计算不同生长状态的山药植株数目，适用于喀
斯特山区的精准农业监测研究和现代农业生产活动。
关键词：喀斯特山区；作物识别；无人机遥感；颜色指数；图像滤波；灰度分割
中图分类号：TP79 DOI： 10.13284/ki.rddl.003155
西南喀斯特山区地表破碎，作物种植套种现象 多，地块面积小而分散，中低分辨率卫星影像难以 满足作物监测需求，高分辨率光学遥感技术成为喀 斯特山区农业遥感的优选方式之一。然而，西南喀 斯特山区农作物主要种植季云雾现象频繁，导致卫
星光学遥感数据源获取困难，降低了数据的准确性 和可用性,农作物遥感识别及信息提取的困难较大。 因此，喀斯特山区特色经济作物的生长监测和精准 管理迫切需要_种成本低、农情监测效率高的技术 方法。
572
热带地理
39卷
农业等方面应用前景广阔，适用于喀斯特山区的复 杂地形区域特色农作物表型信息采集。然而，无人 机搭载的红外热成像、多光谱、高光谱和激光雷达 等传感器因其价格昂贵，或对无人机飞行平台载荷 的要求较高导致任务飞行时间较短，加之后续的数 据处理过程相对复杂，限制了无人机遥感技术在田
间作物表型信息监测中的应用（Guo et al., 2017; Potgieter et al., 2017; Yang et al., 2017; Yuan et al., 2017; Yue et al., 2017）,目前尚不能广泛推广应用。 而无人机搭载的可见光传感器具有高空间分辨率、
文献标志码：A
文章编号：1001-5221 （2019）04-0571-12 开放科学（资源服务）标识码（OSID ）： 蠹遂欝
中国西南喀斯特山区具有丰富的农业资源和较 为适宜农业生产的自然环境，同时亦呈现出农业生 态条件差、农业环境支持系统脆弱和农业结构性矛 盾突出等特点（万国江等，2001 ）□特色农作物具 有区域特色显著、资源优势强和经济价值高等特点， 随着中国现代农业的快速发展与农业供给侧结构性 改革的迫切需要，在西南喀斯特山区发展特色农作 物种植，对地方经济发展具有重要支撑作用。