基于無(wú)人機(jī)遙感的玉米表型信息提取技術(shù)研究.pdf

1、表型信息是農(nóng)作物品種、生長(zhǎng)狀況的直觀表現(xiàn)，也是影響農(nóng)作物產(chǎn)量的重要因素。隨著全球人口基數(shù)不斷增大，糧食需求量與日俱增，糧食供給問(wèn)題日益嚴(yán)峻?？焖倬_提取大尺度農(nóng)田中農(nóng)作物的表型信息，監(jiān)測(cè)作物的生長(zhǎng)狀況，并及時(shí)采取有效的管理措施，對(duì)選育高產(chǎn)優(yōu)質(zhì)的作物品種，維護(hù)我國(guó)糧食安全具有深遠(yuǎn)意義。然而，目前多采用人工實(shí)地測(cè)量的方法獲取表型信息，雖準(zhǔn)確性高，但區(qū)域覆蓋度低，不適合大區(qū)域尺度育種試驗(yàn)田。隨著遙感技術(shù)的飛速發(fā)展，使實(shí)時(shí)、快速、無(wú)損的獲取大區(qū)

2、域尺度的地表信息成為可能。
　　本研究旨在為基于微小型無(wú)人機(jī)高通量遙感平臺(tái)獲取作物表型信息提供一定的理論依據(jù)，為研究玉米品種基因型與表型信息關(guān)聯(lián)規(guī)律提供輔助支持。于2015年6月至9月在“國(guó)家精準(zhǔn)農(nóng)業(yè)示范研究基地”玉米育種研究區(qū)開展了關(guān)于微小型無(wú)人機(jī)高通量表型信息獲取試驗(yàn)，進(jìn)行了圖像特征提?。ㄓ衩字旮?、抽雄時(shí)間、植被覆蓋度、葉色變化）及LAI反演研究。主要研究工作及研究結(jié)果如下:
　　(1)利用無(wú)人機(jī)高通量遙感平臺(tái)獲取的高清

3、數(shù)碼照片數(shù)據(jù)，采用ISODATA方法、SVM方法、基于HSV色彩空間變換的決策樹分類三種方法進(jìn)行冠層覆蓋度提取，總精度和Kappa系數(shù)分別為59.06％、0.26，92.70％、0.96，98.32％、0.96?？梢娀贖SV色彩空間變換的決策樹分類精度最高，可利用該方法進(jìn)行多生育期影像冠層覆蓋度提取。
　　(2)利用基于HSV色彩空間變換的決策樹分類和面向?qū)ο蠓诸悾ńY(jié)合紋理、HSV色彩空間變換、NDI植被指數(shù)、幾何信息）兩種方法

4、進(jìn)行玉米雄穗提取，分類總精度分別為83.79％、85.91％，相比于基于HSV色彩空間變換的決策樹分類方法，面向?qū)ο蠓诸惙椒ň容^高。因此，利用面向?qū)ο蠓诸惙椒ㄌ崛∮衩仔鬯耄M(jìn)而提取玉米的抽雄時(shí)間，提取精度為65.62％，可見利用該方法進(jìn)行玉米抽雄時(shí)間的提取、監(jiān)測(cè)是可行的。
　　(3)利用基于HSV色彩空間變換的決策樹分類進(jìn)行多生育期玉米葉色變化提取。利用影像的色調(diào)值可以顯著區(qū)分葉片的顏色，從而達(dá)到提取玉米葉色的需求。
　　

5、(4)利用多光譜影像提取的8種植被指數(shù)反演LAI時(shí)，對(duì)單變量模型而言，NDVI反演的多生育期LAI效果好于其他植被指數(shù)，其中線性模型和冪模型反演結(jié)果的R2和RMSE分別為0.525、0.711，0.530、0.717，可以用NDVI來(lái)監(jiān)測(cè)多生育期玉米LAI的變化情況;在多變量反演過(guò)程中，首先對(duì)8種植被指數(shù)進(jìn)行主成分分析得到主成分變量，然后對(duì)主成分變量進(jìn)行多元線性回歸和BP神經(jīng)網(wǎng)絡(luò)分析。結(jié)果顯示，BP神經(jīng)網(wǎng)絡(luò)對(duì)玉米LAI具有較好的反演能力