精準(zhǔn)、快速、智能、引領(lǐng)未來

公司自主研發(fā)航測系統(tǒng)

網(wǎng)站首頁 → 服務(wù)項目 → 遙感數(shù)據(jù)分析服務(wù)

遙感數(shù)據(jù)分析服務(wù)

來源: | 作者:agriculture-1149755 | 發(fā)布時間: 2018-02-03 | 12059 次瀏覽 | 分享到:

技術(shù)簡介：以河套灌區(qū)五原縣塔爾湖鎮(zhèn)可見光圖像為原始數(shù)據(jù)，通過試誤法確定無人機遙感影像數(shù)據(jù)的最佳分割參數(shù)。再對各地物在光譜、形狀、紋理特征參量中表現(xiàn)的特異性，分別建立決策樹、支持向量機、 K-最近鄰分類規(guī)則集進行土地利用類型分類。結(jié)果表明，支持向量機、策樹分類法、K-最近鄰分類法能較準(zhǔn)確地提取各地物的特征

遙感數(shù)據(jù)分析服務(wù)（技術(shù)簡介、模型與結(jié)果）

土地利用與覆被分類

圖1.無人機遙感的土地利用分類流程圖

模型與結(jié)果：

圖2.土地利用分類結(jié)果圖

作物類型與種植面積提取

技術(shù)簡介：以無人機遙感試驗獲取的可見光圖像研究拔節(jié)期玉米種植信息提取方法。分別統(tǒng)計計算地物波段、顏色和紋理特征，比較各類地物特征的種內(nèi)變異系數(shù)和與玉米的相對差異系數(shù)，選出適宜提取玉米種植信息的特征。經(jīng)過分析發(fā)現(xiàn)，需要各特征組合分層分類提取玉米信息。結(jié)果表明:該方法對玉米種植信息提取有較好效果，面積提取誤差在20%以內(nèi)，對用無人機可見光遙感影像進行玉米種植信息提取具有一定的適用性。

圖3.玉米種植信息提取流程圖

模型與結(jié)果：

作物長勢分析

作物覆蓋度

技術(shù)簡介：以2017年1月7日到4月12日之間使用搭載多光譜相機的無人機在陜西楊凌冬小麥試驗田捕獲的地面分辨率2.2cm的影像為原始數(shù)據(jù)，包含紅、綠、近紅外的520nm-920nm波段信息，通過基于支持向量機（SVM）的監(jiān)督分類算法處理第一次獲取的多光譜遙感圖像。分別對分類結(jié)果中的植被和土壤像元的NDVI、SAVI、MSAVI三種植被指數(shù)進行統(tǒng)計，進而獲得相應(yīng)的區(qū)分植被和土壤像元閾值，分別為0.4756、0.7056和0.6350?；谕讲杉牡孛娣直媛士蛇_0.8cm的高清可見光遙感影像提取相應(yīng)時期的冬小麥覆蓋度參考值。提取結(jié)果表明，基于無人機多光譜遙感技術(shù)及植被指數(shù)法可以較好的提取冬小麥越冬期、拔節(jié)期、挑旗期和抽穗期的植被覆蓋度信息；且與SAVI、SAVI相比，基于NDVI指數(shù)的提取效果最好。

圖8.小麥覆蓋度提取流程圖

模型與結(jié)果：

圖9. NDVI、SAVI、MSAVI三種指數(shù)的閾值提取

圖10.冬小麥覆蓋度變化曲線

圖11.冬小麥植被覆蓋度提取結(jié)果

作物高度

技術(shù)簡介：在作物的生長周期內(nèi)，對植株高度的監(jiān)測能夠幫助生產(chǎn)者更好地掌握作物的生長信息，根據(jù)其長勢情況結(jié)合其他作物參數(shù)進行灌水、施肥等調(diào)控。植株高度在一定程度上可以反映作物的產(chǎn)量。作物的桿節(jié)間的粗度和充實度決定了莖稈中干物質(zhì)的累積和貯藏能力，由此間接得到植株的生物積累，從而估算出作物產(chǎn)量?；跓o人機遙感的玉米高度估算，通過對無人機多光譜拍攝的照片進行點云數(shù)據(jù)提取，最終進行玉米高度的估算。

圖12.作物高度提取流程圖

模型與結(jié)果：

圖13.五個區(qū)域玉米株高變化趨勢圖

圖14.植被指數(shù)變化圖圖15.玉米高度提取示意圖

冠層結(jié)構(gòu)

技術(shù)簡介：用單反相機從不同角度拍攝的水稻冠層的圖像為原始數(shù)據(jù)，用監(jiān)督分類的方法，提取冠層穗子面積與葉片面積。

模型與結(jié)果：

圖16.水稻穗子和葉片提取結(jié)果圖

葉面積指數(shù)（LAI）

技術(shù)簡介：基于無人機遙感的玉米葉面積指數(shù)研究，通過對無人機多光譜拍攝的照片進行植被指數(shù)提取，通過LAI-2200C植物冠層分析儀實測出玉米的葉面積指數(shù)，找出玉米植被指數(shù)和葉面積指數(shù)的關(guān)系。建立葉面積指數(shù)和植被指數(shù)的關(guān)系模型，通過驗證，評估植被指數(shù)提取的誤差，并估算葉面積指數(shù)。

圖17.LAI提取技術(shù)路線圖

模型與結(jié)果：

圖18.植被指數(shù)與LAI的擬合結(jié)果圖

作物水肥虧缺與病蟲害診斷

水分診斷

技術(shù)簡介：作物蒸散量（Evapotranspiration，ET）主要由土壤蒸發(fā)（Evaporation）和作物蒸騰（Transpiration）兩部分組成，是連接生態(tài)與水文過程的重要紐帶，其快速監(jiān)測對準(zhǔn)確制定和管理大田灌溉制度及提高大田灌溉用水效率有著非常關(guān)鍵的作用。聯(lián)合國糧農(nóng)組織（Food and Agricultural Organization，F(xiàn)AO）提出了參考作物蒸散量（Reference Evapotranspiration，ET0），由ET0和作物系數(shù)估算ET。FAO-56作物系數(shù)法是世界公認的估算作物蒸散量方法，具有操作簡便，精度可靠、實用性強等特點，在世界范圍內(nèi)被廣泛地應(yīng)用。無人機遙感技術(shù)由于其平臺構(gòu)建容易、運行維護簡便、分辨率高、作業(yè)周期短等特點，為估算大田作物系數(shù)提供了新的解決方案。

圖19.水分診斷技術(shù)路線圖

模型與結(jié)果：

圖20.快速生長期玉米植被指數(shù)與作物系數(shù)Kc關(guān)系圖

作物水分脅迫指數(shù)（Crop Water Stress Index，CWSI）

技術(shù)簡介：眾所周知，作物蒸騰作用具有降溫效應(yīng)，不同水分脅迫狀態(tài)下作物實際蒸騰速率不同，相比于無水分脅迫的作物，其具有較高的冠層溫度?；谶@種現(xiàn)象以及紅外測溫技術(shù)的發(fā)展，以冠層溫度為基礎(chǔ)建立的作物水分脅迫監(jiān)測指數(shù)得到了廣泛的應(yīng)用。目前，應(yīng)用最為廣泛的為作物水分脅迫指數(shù)（Crop water stress index，CWSI）模型，可以有效的監(jiān)測多種作物的水分脅迫狀況。為了得到作物水分脅迫狀況的面狀分布信息，我公司結(jié)合無人機多光譜遙感技術(shù)建立了CWSI和多光譜植被指數(shù)之間的關(guān)系模型。

模型與結(jié)果：

圖21.大田玉米CWSI分布圖

作物水肥無人機遙感診斷模型開發(fā)

技術(shù)簡介：在陜西省楊凌示范區(qū)，巨良基地、杏林基地、匯承果業(yè)基地、揉谷基地，建立基于無人機多光譜遙感技術(shù)的土壤水肥診斷模型。

多光譜無人機水診斷模型如下：

（1）

其中：CDN1、CDN2、CDN3為無人機遙感多光譜三波段（綠、紅和近紅外波段）；a、b為生長期調(diào)整系數(shù)。

多光譜無人機肥診斷模型如下：

(2)

其中：CDN1、CDN2、CDN3為無人機遙感多光譜三波段（綠、紅和近紅外波段）；a、b為生長期調(diào)整系數(shù)。

模型與結(jié)果：

圖22.匯承果業(yè)、揉谷基地水肥檢測結(jié)果

圖23. 四監(jiān)測點旱情監(jiān)測情況

圖24.四監(jiān)測點肥力（P）監(jiān)測情況

作物不同生長期水肥診斷知識庫、模型庫系統(tǒng)開發(fā)

技術(shù)簡介：系統(tǒng)工作模型如圖所示，包括了作物水肥模型相關(guān)資源進行分類和維護，支持作物模型的存儲、管理、查詢、分析、調(diào)用的計算機操作應(yīng)用系統(tǒng)。系統(tǒng)由作物模型庫、模型庫管理系統(tǒng)、系統(tǒng)接口、系統(tǒng)用戶4個部分組成。

系統(tǒng)將陳述型知識、過程型知識、結(jié)構(gòu)型知識，如水分管理知識規(guī)則、土壤管理知識規(guī)則、葉片養(yǎng)分知識、定量遙感知識規(guī)則按照類別，選擇合理的知識表示方式，分別入庫。

作物模型的存儲功能采用程序+數(shù)據(jù)庫的表示方法；模型主體采用程序文件形式存儲，程序輸入輸出接口用XML格式，存儲用DLL格式。為實現(xiàn)作物類別庫和模型的樹型結(jié)構(gòu)，采用關(guān)系數(shù)據(jù)庫進行表示，采用深度優(yōu)先算法進行模型映射。