资讯

科研资讯 | 无人机载多光谱遥感在玉米倒伏信息提取方面取得重要进展

转载 2022-03-25 11:23 长光禹辰 来源:长光禹辰
长光禹辰信息技术与装备(青岛)有限公司

山东理工大学农业工程与食品科学学院兰玉彬团队在《农业工程学报》发表了题为“基于无人机多光谱遥感的台风灾后玉米倒伏信息提取”的研究论文,此研究采用搭载长光禹辰公司自主研发的MS600 Pro多光谱相机的四旋翼无人机,获取了台风灾后玉米倒伏田块的多光谱图像,利用特征筛选和机器学习对玉米倒伏信息进行了提取。

图1 论文首页截图

近年来,台风天气偏多,暴风雨不时发生,对玉米产量影响极大,轻则会对玉米造成15%~20%的减产,严重时可能造成一半以上的减产,随着无人机技术的发展,具有高分辨率、实时性能优越的无人机遥感能够及时、准确提取玉米倒伏信息,能够为灾后农业生产、政府决策及保险理赔提供数据和技术支持。

图2 研究区目标区域和验证区域划分示意

通过利用四旋翼无人机搭载MS600 Pro多光谱相机采集台风灾后的玉米地块尺度多光谱影像,提取影像的多光谱植被指数、反射率和纹理等特征。将提取的所有特征作为全特征集,利用 ReliefF、支持向量机递归(Support Vector Machines-Recursive Feature Elimination ,SVM-RFE)和套索算法(Least Absolute Shrinkage and Selection Operator,Lasso)三种特征筛选方法创建数据子集,采用5种监督分类模型对4种特征集进行分类提取研究区内玉米倒伏信息。通过特征筛选方法可大幅减少参与分类的特征数量,且可取得较高分类精度。采用KNN和ANN模型能有效识别土壤背景、正常玉米和倒伏玉米,K最邻近模型结合 SVM-RFE特征筛选方法分类精度最高,达93.49%,Kappa系数为0.9,并得到采用KNN模型结合SVM-RFE特征筛选方法分类结果最好。

表1 验证区域不同特征子集的混淆矩阵、总体分类精度及 Kappa 系数

图3 验证区域支持向量机、K 最近邻、人工神经网络分类结果及真值

研究表明,采用无人机多光谱影像数据,利用特征筛选和机器学习能够及时、准确提取灾后玉米倒伏信息,为台风灾后农作物倒伏信息提供了一种有效的技术手段。

附:

[1] 论文信息:赵静,闫春雨,杨东建,温昱婷,黎文华,鲁力群,兰玉彬.基于无人机多光谱遥感的台风灾后玉米倒伏信息提取[J].农业工程学报,2021,37(24):56-64.

[2] 论文下载(PDF格式):

http://www.tcsae.org/nygcxb/article/pdf/20212407?st=article_issue

关于我们

长光禹辰成立于2017年,是一家由中国科学院长春光机所和青岛高新区联合成立的高新技术企业,公司核心团队来自长春光机所,形成了以MS600多光谱相机为代表的无人机载光谱遥感硬件产品线、以Yusense Map/Map Plus为依托的光谱数据预处理及分析软件和以Yusense Cloud为依托的端云一体化服务平台,并在农业、林业、生态、环保、警用等领域开展了深入的行业应用。公司专注于无人机航空遥感与光电探测领域,持续推出革新的软硬件产品,落地更丰富的行业应用场景,致力于用技术和产品推动行业进步。

0 0

网友评论

取消