基于無人機(jī)平臺的小麥長勢監(jiān)測與產(chǎn)量預(yù)測研究.pdf

1、高效、無損地監(jiān)測作物長勢，并及時、準(zhǔn)確地預(yù)測作物產(chǎn)量是現(xiàn)代精確農(nóng)業(yè)的核心環(huán)節(jié)。無人機(jī)平臺因具有成本低、數(shù)據(jù)獲取效率高、測試高度及測試時間可按需調(diào)節(jié)等優(yōu)點(diǎn)，在監(jiān)測作物長勢和預(yù)測產(chǎn)量中發(fā)揮著地面平臺和高空平臺無與倫比的優(yōu)勢。本研究以小麥為研究對象，基于不同年份、密度、品種和氮素處理下的田間試驗(yàn)，應(yīng)用ARF-MikroKopter無人機(jī)和Mini-MCA6多光譜傳感器獲取主要生育時期的小麥冠層多光譜影像，并同步破壞性取樣測試小麥葉面積指數(shù)、葉

2、片生物量和產(chǎn)量等;進(jìn)一步探索基于無人機(jī)平臺獲取多光譜影像的預(yù)處理方法，提取小麥冠層反射率并篩選出適合作物長勢監(jiān)測和產(chǎn)量預(yù)測的植被指數(shù)，構(gòu)建基于無人機(jī)平臺的小麥長勢監(jiān)測模型和產(chǎn)量預(yù)測模型，為園區(qū)和農(nóng)場尺度小麥長勢的實(shí)時監(jiān)測和產(chǎn)量估測提供有效技術(shù)支撐。
　　利用2個室內(nèi)控制環(huán)境（完全黑暗無光的黑箱環(huán)境下采集噪聲影像和積分球均勻光源系統(tǒng)環(huán)境下采集光暈影像）和1個室外環(huán)境（晴朗少云的天氣下采集輻射校正的光譜數(shù)據(jù)），探索確定基于無人機(jī)平臺獲

3、取的多光譜影像的預(yù)處理流程，通過分析比較不同預(yù)處理方法，研究確定了噪聲消除、光暈校正、鏡頭畸變校正、波段配準(zhǔn)、輻射校正和背景去除6個預(yù)處理流程的方法。其中噪聲、光暈和鏡頭畸變?nèi)齻€流程分別用獲取的噪聲、光暈和鏡頭畸變校正系數(shù)來進(jìn)行校正;波段配準(zhǔn)比較了基于地面控制點(diǎn)和采用Tetracam PixelWrench2(PW2)軟件兩種方法;輻射校正比較了經(jīng)驗(yàn)線性校正法和光強(qiáng)傳感器校正法兩種方法;多光譜影像背景去除比較了最大似然法和支持向量機(jī)兩種

4、方法，以獲取純小麥的光譜信息。最后通過綜合考慮各預(yù)處理環(huán)節(jié)不同校正方法的校正誤差和監(jiān)測精度，篩選出效果較好的方法加入到預(yù)處理流程中。結(jié)果表明，基于地面控制點(diǎn)進(jìn)行波段配準(zhǔn)效果較好，波段誤匹配的均方根誤差可以控制在一個像素以內(nèi)。兩種輻射校正方法校正后的光譜數(shù)據(jù)對小麥生長指標(biāo)的監(jiān)測精度不分上下，相對誤差都在20％之內(nèi)，但是經(jīng)驗(yàn)線性校正法的校正誤差明顯較低。對于背景去除，結(jié)合光譜和紋理信息的最大似然法的總體精度和Kappa系數(shù)最高，優(yōu)于支持向量

5、機(jī)法。
　　利用確定的無人機(jī)多光譜影像預(yù)處理方法，提取了小麥冠層多光譜反射率，進(jìn)一步計(jì)算了含有近紅外波段的11個常用植被指數(shù)，構(gòu)建了小麥葉面積指數(shù)和葉片生物量監(jiān)測模型，并與利用地面平臺獲取的光譜數(shù)據(jù)構(gòu)建的監(jiān)測模型進(jìn)行了對比。最后將不同生育時期的植被指數(shù)與產(chǎn)量進(jìn)行了相關(guān)性分析，并綜合利用抽穗期、開花期和灌漿期的光譜數(shù)據(jù)，建立了預(yù)測產(chǎn)量的多元線性回歸模型。結(jié)果表明，基于低空無人機(jī)平臺獲取的植被指數(shù)MTVI2(800，700，550)(

6、Modified Triangular Vegetation Index)對小麥葉面積指數(shù)和葉片生物量監(jiān)測效果較好，監(jiān)測模型的精度R2c分別為0.79和0.75，檢驗(yàn)?zāi)Ｐ偷木萊2v為0.80和0.80，相對均方根誤差(Relative Root Mean Square Error,RRMSE)分別為24％和20％。與利用地面平臺獲取光譜構(gòu)建的監(jiān)測模型相比，監(jiān)測效果沒有顯著差異。利用比值植被指數(shù)RVI(800，700)(Ratio Ve