欢迎您来到博普特科技官方网站!

土壤仪器电话

010-82794912

国内最优质的服务

专业品质 值得信赖

品质至上,客户至上,您的满意就是我们的目标

技术文章

当前位置:  首页 > 技术文章

Plant Phenomics | 基于无人机多光谱影像的玉米倒伏等级监测

发表时间:2020-05-07 10:22:35点击:130

来源:植物表型组学

分享:

blob.png

blob.png

→查看原文   →查看PDF

玉米是我国第一大粮食作物。由于栽培方式不合理(如种植过密、施肥灌溉不当等)或品种抗倒伏能力弱,以及近年来强风暴雨等天气有所增加,玉米在生育中后期经常会受到倒伏胁迫,严重影响了玉米产量、籽粒品质和机械收获能力。及时准确地监测倒伏范围和灾情等级,有助于提高保险理赔和救灾补偿的客观性和科学性,降低种植户受灾损失,推动我国农业保险体系的合理有序扩展。

2019年12月,Plant Phenomics刊发了题为Monitoring Maize Lodging Grades via Unmanned Aerial Vehicle Multispectral Image的研究论文,介绍了一种基于无人机多光谱影像的玉米倒伏等级监测的方法。

blob.png

Fig.: The workflow of maize lodging grade classification.

本研究旨在分析无人机(UAV)多光谱影像在玉米倒伏等级监测方面的应用能力。多光谱Parrot Sequoia相机具有近红外、红边、红光、绿光四个同道,其中肉眼无法看到的近红外、红边波段可以对植被状况做出高精度的诊断,是分析植物健康的高效工具。在玉米倒伏野外样本的支持下,针对无人机多光谱影像提取各类训练样本的光谱反射率、纹理特征参数和植被指数,通过不同的特征参量组合,利用最大似然分类(MLC)法对各种特征组合图像进行分类,提取4类玉米倒伏等级区域。利用混淆矩阵进行分类精度评价,筛选适用于玉米倒伏等级监测的最优特征组合。结果表明,仅利用原始多光谱特征的精度达到83.58%;主成分、纹理特征以及纹理-植被指数组合的分类精度均有不同程度的提高;纹理-植被指数组合的分类效果最佳,总体精度达86.61%,Kappa系数为0.8327。该研究成果有助于提升无人机技术在玉米倒伏灾情快速监测方面的应用能力。

blob.png

Fig. : (a–d) are field survey photos of maize lodging.(f) is an enlarged view of a part of the UAV multispectral image with different lodging grades.

本文第一作者为孙乾(山东科技大学,硕士研究生,主要研究方向为资源环境遥感),通讯作者为北京农业信息技术研究中心顾晓鹤研究员(博士,主要从事农业定量遥感研究)。该研究得到国家自然科学基金(41571323)、北京自然科学基金(6172011)、北京市农林科学院技术创新能力建设专项基金[KJCX20170705]的资助。

文章第一单位北京农业信息技术研究中心长期从事农业信息技术研究,在农作物灾情遥感监测、长势胁迫诊断、产量品质预测、作物辐射传输模型等方面具有很好的研究基础。依托国家农业信息化工程技术研究中心,在北京小汤山建有2500亩的国家精准农业示范基地,已建成运营了近20年,依托实验基地建有“农业部小汤山精准农业与生态环境重点野外科学观测实验站”(农业部首批58个重点野外科学观测实验站之一),具有先进的光谱学、无人机观测平台、遥感、地理信息系统、全球定位系统软硬件设备,具备各种田间农学速测仪器和室内分析仪器。过去和正在承担的多个国家级科研项目,积累了大量的实验方法和理论基础、农学知识模型、作物胁迫机理模型等资料。目前已获得省部级以上科研奖励18项,拥有自主知识产权的国家发明专利和实用新型专利100余项,发表农业定量遥感方面的高水平论文500余篇。

How to Cite this Article

Qian Sun, Lin Sun, Meiyan Shu, Xiaohe Gu, Guijun Yang, and Longfei Zhou, “Monitoring Maize Lodging Grades via Unmanned Aerial Vehicle Multispectral Image,” Plant Phenomics, vol. 2019, Article ID 5704154, 16 pages, 2019.https://doi.org/10.34133/2019/5704154.

blob.png

专刊征稿:智慧农业系统的图像分析与机器学习

相关阅读

A weakly Supervised Deep Learning Framework for Sorghum Head Detection and Counting

原文介绍请点击:Plant Phenomics | 一种用于高粱头状花序检测和计数的弱监督深度学习框架


High-Throughput UAV Image-Based Method Is More Precise Than Manual Rating of Herbicide Tolerance

原文介绍请点击:

Plant Phenomics | 基于无人机图像的高通量除草剂耐受性评价方法更精准

Easy MPE: Extraction of Quality Microplot Images for UAV-Based High-Throughput Field Phenotyping

原文介绍请点击:

Plant Phenomics | Easy MPE:基于无人机高通量表型技术提取高质量田间小区图像

About Plant Phenomics

《植物表型组学》(Plant Phenomics)是由南京农业大学和美国科学促进会(AAAS)合作创办的英文学术期刊,于2019年1月正式上线发行,是Science合作出版的第二本期刊。采用开放获取形式,刊载植物表型组学交叉学科热点领域具有突破性科研进展的原创性研究论文、综述、数据集和观点。具体范围涵盖高通量表型分析的最新技术,基于图像分析和机器学习的表型分析研究,提取表型信息的新算法,作物栽培、植物育种和农业实践中的表型组学新应用,与植物表型相结合的分子生物学、植物生理学、统计学、作物模型和其他组学研究,表型组学相关的植物生物学等。2019年8月,已正式被DOAJ数据库收录。

编辑:孔敏

审核:尹欢

blob.png


  • 土壤仪器品牌德国steps
  • 土壤仪器品牌奥地利PESSL
  • 土壤仪器品牌荷兰MACView
  • 土壤仪器品牌德国INNO_Concept
  • 土壤仪器品牌比利时WIWAM
  • 土壤仪器品牌德国HACH LANGE
  • 土壤仪器品牌德国Emclab
  • 土壤仪器品牌美国Biospec
  • 土壤仪器品牌德国GEFOMA
  • 土壤仪器品牌加拿大Torontech
  • 土壤仪器品牌奥地利schaller
  • 土壤仪器品牌荷兰PhenoVation
  • 土壤仪器品牌法国Hi-phen系统
  • 土壤仪器品牌美国Bemis(ALCAN)
  • 土壤仪器品牌美国3M(CUNO)
  • 土壤仪器品牌布鲁克
  • 土壤仪器品牌北京博普特
  • 土壤仪器品牌Videometer
  • 土壤仪器品牌比利时INDUCT(OCTINION)
  • 土壤仪器品牌美国EGC
  • 土壤仪器品牌德国multirotor
  • 土壤仪器品牌博普特老网站