申请/专利权人：江苏大学

申请日：2022-06-08

公开（公告）日：2024-03-19

公开（公告）号：CN115019205B

主分类号：G06V20/17

分类号：G06V20/17;G06V20/10;G06V10/82;G06V10/764;G01N21/25

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2022.09.23#实质审查的生效;2022.09.06#公开

摘要：本发明提供一种基于无人机多光谱影像的油菜花期SPAD和LAI估测方法，包括规范采集油菜花期无人机多光谱影像数据、地面实测油菜花期SPAD和LAI；对获取的影像进行预处理；提取波段反射率，计算植被指数；用植被指数分别与SPAD和LAI进行RBF神经网络训练；进行显著性分析验证；进行逐步多元线性回归分析，综合植被指数分别与SPAD和LAI，建立SPAD和LAI估测的多元线型模型，并评定模型精度；对估测模型的SPAD和LAI的预测值与真实值进行精度验证与模型优化，达到0.01的极显著水平时确定估测模型；用克里金法对研究区油菜遥感影像进行LAI和SPAD可视化填图，获取处方图。本发明的估测方法精度较高，对前期地面采集数据要求较少，可实现油菜花期的SPAD和LAI大面积快速检测。

主权项：1.一种基于无人机多光谱影像的油菜花期SPAD和LAI估测方法，其特征在于，包括以下步骤：步骤S1：数据采集：通过无人机采集获取研究区油菜花期多光谱影像数据，同时采集N个地面样本点坐标数据，采集N个地面样本点对应的油菜花期SPAD值，采集N个地面样本点对应的油菜花期LAI值；步骤S2：数据预处理：对步骤S1中获取的油菜花期多光谱影像进行预处理，得到油菜花期多光谱影像反射率数据；步骤S3：样本划分：依据步骤S1中采集的N个地面样本点坐标数据及其对应的N个SPAD值和N个LAI值，选择n组样本作为训练集样本，选择m组样本作为测试集样本，n+m＝N；步骤S4：对步骤S2中预处理后得到的油菜花期多光谱影像反射率数据进行数据处理，包括提取反射率，对波段的不同反射率值进行算法处理，获取颜色植被指数和多光谱窄波段植被指数；步骤S5：BRF神经网络训练：将步骤S1中获取的油菜花期SPAD值和油菜花期LAI值作为因变量，步骤S4中得到的植被指数作为协变量，选取步骤S3中划分的训练集样本，分别对植被指数和油菜花期SPAD值、植被指数和油菜花期LAI值进行BRF神经网络训练，分别选取训练结果中I10.8和I20.7的植被指数，其中I1为植被指数和油菜花期SPAD值的正态化重要性值，I2为植被指数和油菜花期LAI值的正态化重要性值；步骤S6：显著性分析：将步骤S5中得到的I10.8和I20.7的植被指数和油菜花期SPAD、植被指数和油菜花期LAI分别进行显著性分析，筛选P≤0.01极显著水平的植被指数；步骤S7：利用步骤S6中得到的极显著水平的植被指数与步骤S3中划分训练集样本中的油菜花期SPAD值与油菜花期LAI值分别进行逐步多元线性回归建模，得到油菜花期SPAD估测模型和油菜花期LAI估测模型，计算其决定系数R2和均方根误差RMSE，并评定其精度；步骤S8：将测试集样本中的油菜花期SPAD值和油菜花期LAI值分别输入到步骤S7中的油菜花期SPAD估测模型和油菜花期LAI估测模型，分别计算出油菜花期SPAD和油菜花期LAI预测值，与样本中的油菜花期SPAD和油菜花期LAI真实值进行相关性分析，在0.01的极显著水平计算其决定系数R2和均方根误差RMSE和平均绝对百分比误差MAPE，根据精度等级优化估测模型，当评价指标都达到预设的优秀水平范围时确定油菜花期SPAD估测模型和油菜花期LAI估测模型；步骤S9：利用步骤S8中得到的油菜花期LAI估测模型，计算研究区总体油菜花期的LAI值，并对研究区无人机遥感影像进行油菜花期LAI可视化填图，生成处方图，利用步骤S8中得到的油菜花期SPAD估测模型，计算研究区总体油菜花期的SPAD值，并对研究区无人机遥感影像进行油菜花期SPAD可视化填图，生成处方图。

全文数据：

权利要求：

百度查询： 江苏大学 一种基于无人机多光谱影像的油菜花期SPAD和LAI估测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD