【目的】叶片叶绿素含量(leaf chlorophyll content,LCC)是表征金沙柚(Citrus grandis(L.)Osbeck)长势状况的重要指标。利用无人机RGB图像可实现植被长势参数实时、无损监测。然而,当前人们对无人机RGB图像监测蜜柚LCC时的敏感图像特征...【目的】叶片叶绿素含量(leaf chlorophyll content,LCC)是表征金沙柚(Citrus grandis(L.)Osbeck)长势状况的重要指标。利用无人机RGB图像可实现植被长势参数实时、无损监测。然而,当前人们对无人机RGB图像监测蜜柚LCC时的敏感图像特征及适宜感兴趣区(region of interest,ROI)选取模式尚不明确。为构建基于无人机RGB图像的蜜柚LCC监测模型,实现利用无人机RGB图像快速监测金沙柚LCC。【方法】本研究基于不同氮肥水平的金沙柚田间试验,于开花期、幼果期和果实膨大期测定蜜柚LCC,同步使用无人机采集蜜柚RGB图像,并提取不同类型图像特征(6个颜色特征、9个植被指数、9个纹理特征);分别在叶片ROI和冠层ROI两种模式下,分析不同图像特征与蜜柚LCC之间的相关性,确定最优ROI选取模式及敏感图像特征,并构建定量监测模型。【结果】包含有丰富红光信息的红光值(redness intensity,R)、超红植被指数(excess red vegetation index,ExR)和基于红光波段提取的均值(mean texture based on the red band,MEA-R)对蜜柚LCC敏感,在叶片ROI模式下利用其构建的监测模型精度高于在冠层ROI模式下构建的监测模型精度。3个图像特征中,ExR与蜜柚LCC之间相关性最高,在叶片ROI模式下构建的全生育期监测模型建模决定系数(determination coefficient,R^(2))达到0.83,模型检验时归一化均方根误差(normalized root mean square error,nRMSE)和偏差(bias)分别为0.24和0.01 mg/g。R和MEA-R表现相似,叶片ROI模式下其建模R^(2)为0.72,检验nRMSE为0.33。【结论】考虑到监测模型的准确性和图像特征提取的方便性,本研究确定可基于叶片ROI模式提取图像特征ExR并构建全生育期蜜柚LCC监测模型:LCC=-0.01×ExR+2.83,实现利用无人机搭载数码相机快速、准确监测园区尺度金沙柚LCC,在金沙柚生长无损监测诊断和精确管理中具有应用价值。展开更多
【目的】为探究无人机数码影像监测水稻叶面积指数(Leaf area index,LAI)的可行性,明确利用无人机数码影像监测水稻LAI的最佳时期,构建基于无人机数码影像的水稻LAI监测模型。【方法】本研究基于不同品种和施氮量的水稻田间试验,于分蘖...【目的】为探究无人机数码影像监测水稻叶面积指数(Leaf area index,LAI)的可行性,明确利用无人机数码影像监测水稻LAI的最佳时期,构建基于无人机数码影像的水稻LAI监测模型。【方法】本研究基于不同品种和施氮量的水稻田间试验,于分蘖期、拔节期、孕穗期、抽穗期和灌浆期测定水稻LAI,同步使用无人机搭载数码相机获取水稻无人机数码影像并提取颜色指数及纹理特征,分析其在不同生育时期与水稻LAI之间的相关性,构建定量监测模型,并用独立试验数据对所建模型进行检验。【结果】无人机数码影像中颜色指数及纹理特征与水稻LAI之间的相关性在生育前期(分蘖期+拔节期)最高,高于所有单生育期、生育后期(孕穗期+抽穗期+灌浆期)和全生育期,可确定为监测的最佳时期;在颜色指数和纹理特征当中,纹理特征方差(Variance,VAR)在监测水稻生育前期LAI时表现最优,可构建监测模型LAI=1.1656×exp^((0.0174×VAR))实现监测,模型构建时的决定系数(Determination coefficient,R^(2))为0.7980,模型检验时的相对均方根误差(Relative root mean square error,RRMSE)和偏差(bias,θ)分别为0.1658和0.1306。【结论】与人工测量LAI相比,基于无人机数码影像的水稻LAI监测方法可提高作业效率,降低成本,在水稻长势快速准确监测和丰产高效栽培中具有应用价值。展开更多
文摘【目的】叶片叶绿素含量(leaf chlorophyll content,LCC)是表征金沙柚(Citrus grandis(L.)Osbeck)长势状况的重要指标。利用无人机RGB图像可实现植被长势参数实时、无损监测。然而,当前人们对无人机RGB图像监测蜜柚LCC时的敏感图像特征及适宜感兴趣区(region of interest,ROI)选取模式尚不明确。为构建基于无人机RGB图像的蜜柚LCC监测模型,实现利用无人机RGB图像快速监测金沙柚LCC。【方法】本研究基于不同氮肥水平的金沙柚田间试验,于开花期、幼果期和果实膨大期测定蜜柚LCC,同步使用无人机采集蜜柚RGB图像,并提取不同类型图像特征(6个颜色特征、9个植被指数、9个纹理特征);分别在叶片ROI和冠层ROI两种模式下,分析不同图像特征与蜜柚LCC之间的相关性,确定最优ROI选取模式及敏感图像特征,并构建定量监测模型。【结果】包含有丰富红光信息的红光值(redness intensity,R)、超红植被指数(excess red vegetation index,ExR)和基于红光波段提取的均值(mean texture based on the red band,MEA-R)对蜜柚LCC敏感,在叶片ROI模式下利用其构建的监测模型精度高于在冠层ROI模式下构建的监测模型精度。3个图像特征中,ExR与蜜柚LCC之间相关性最高,在叶片ROI模式下构建的全生育期监测模型建模决定系数(determination coefficient,R^(2))达到0.83,模型检验时归一化均方根误差(normalized root mean square error,nRMSE)和偏差(bias)分别为0.24和0.01 mg/g。R和MEA-R表现相似,叶片ROI模式下其建模R^(2)为0.72,检验nRMSE为0.33。【结论】考虑到监测模型的准确性和图像特征提取的方便性,本研究确定可基于叶片ROI模式提取图像特征ExR并构建全生育期蜜柚LCC监测模型:LCC=-0.01×ExR+2.83,实现利用无人机搭载数码相机快速、准确监测园区尺度金沙柚LCC,在金沙柚生长无损监测诊断和精确管理中具有应用价值。
文摘【目的】为探究无人机数码影像监测水稻叶面积指数(Leaf area index,LAI)的可行性,明确利用无人机数码影像监测水稻LAI的最佳时期,构建基于无人机数码影像的水稻LAI监测模型。【方法】本研究基于不同品种和施氮量的水稻田间试验,于分蘖期、拔节期、孕穗期、抽穗期和灌浆期测定水稻LAI,同步使用无人机搭载数码相机获取水稻无人机数码影像并提取颜色指数及纹理特征,分析其在不同生育时期与水稻LAI之间的相关性,构建定量监测模型,并用独立试验数据对所建模型进行检验。【结果】无人机数码影像中颜色指数及纹理特征与水稻LAI之间的相关性在生育前期(分蘖期+拔节期)最高,高于所有单生育期、生育后期(孕穗期+抽穗期+灌浆期)和全生育期,可确定为监测的最佳时期;在颜色指数和纹理特征当中,纹理特征方差(Variance,VAR)在监测水稻生育前期LAI时表现最优,可构建监测模型LAI=1.1656×exp^((0.0174×VAR))实现监测,模型构建时的决定系数(Determination coefficient,R^(2))为0.7980,模型检验时的相对均方根误差(Relative root mean square error,RRMSE)和偏差(bias,θ)分别为0.1658和0.1306。【结论】与人工测量LAI相比,基于无人机数码影像的水稻LAI监测方法可提高作业效率,降低成本,在水稻长势快速准确监测和丰产高效栽培中具有应用价值。
