[发明专利]基于无人机影像光谱与纹理特征的小麦氮浓度反演方法

说明书

本发明公开了一种基于无人机影像光谱与纹理特征的小麦氮浓度反演方法，方法包括：无人机观测系统搭建与影像获取、影像中土壤信息的自动剔除、诊断植株氮浓度的纹理指数构建以及耦合纹理指数与光谱指数的植株氮浓度诊断模型构建。本发明提出可基于无人机高空间分辨率影像纹理特征来诊断植株氮浓度，并结合已有诊断植株氮浓度的光谱指数，提出用于诊断植株氮浓度的纹理指数；本发明提出了耦合影像光谱、纹理特征开展小麦植株氮浓度反演的技术方法。本发明充分利用了低空无人机影像具有高空间分辨率的特征，引入影像纹理特征，减弱“同物异谱，异物同谱”、“饱和”等现象带来的反演误差，提高植株氮浓度反演精度。

技术领域

本发明涉及一种小麦氮浓度反演方法，尤其涉及一种基于无人机影像光谱与纹理特征的小麦氮浓度反演方法，属于遥感反演技术领域。

背景技术

遥感技术常用来实现小麦植株氮浓度的快速、无损探测。长期以来遥感信息的获取手段主要依托地面设备、有人机、卫星三种平台。基于它们获得的数据，学者们开展了大量的研究，具体可分为经验方法、半经验方法和机理模型法三类。

经验方法指基于植被原始光谱或其导数光谱，利用偏最小二乘回归分析、人工神经网络分析及支持向量机分析等提取信息能力强的数学方法，直接建立光谱信息与目标参数的关系模型，利用模型对目标参数进行预测的方法。这种方法往往在建模时能获得较好的结果，但是由于缺乏机理性，经常只适合研究者当时的研究情况，很难在不同地点甚至同一地点不同年份推广应用。

半经验方法指光谱指数法，它通过光谱指数来建立对目标参数的定量关系模型，然后利用模型来对目标参数进行预测，是目前使用最多的方法。光谱指数由植被反射光谱曲线上某些特定波段反射率组合而成，波段组合的选取参照一定的物理基础，能部分消除环境背景的影响，提高对目标参数的敏感性，具有一定的机理性解释。

机理模型法借助叶片光学模型与冠层结构模拟模型的结合来实现作物生理、生化参数的反演。但实际上，目前并没有以植株氮浓度为输入的机理模型，研究者只是基于氮与叶绿素之间的经验关系，将叶绿素对光的吸收转化为氮对光的吸收，从而对机理模型进行改进，来实现对氮素的反演。

在过去的研究中，由于相对于作物个体大小，获得的大部分遥感数据存在着空间分辨率不足的问题，因此，以上三种方法都是只基于遥感影像的光谱信息来反演植株氮浓度的。单一依赖光谱特征的方法，容易受“同物异谱、异物同谱”现象的影响；并且，在小麦生长后期，田间覆盖较高、茂密较大情况下，容易出现“饱和”现象。

低空无人机获得的影像具有超高的空间分辨率，其分辨率能达到厘米乃至毫米级，富含丰富的纹理信息。但是目前，学者们在基于无人机影像反演小麦植株氮浓度时，还主要应用光谱信息，罕有关于纹理信息应用于小麦植株氮浓度反演的报道。

发明内容

为了解决上述技术所存在的不足之处，本发明提供了一种基于无人机影像光谱与纹理特征的小麦氮浓度反演方法。

为了解决以上技术问题，本发明采用的技术方案是：一种基于无人机影像光谱与纹理特征的小麦氮浓度反演方法，方法包括以下步骤：

Ⅰ、无人机观测系统搭建与影像获取；无人机影像在10:00～14:00之间晴朗无云时进行获取；影像至少具有722nm、702nm、670nm、550nm、450nm五个波段光谱信息；影像地面分辨率为0.8cm；

Ⅱ、影像中土壤信息的自动剔除；利用影像的670nm、550nm、450nm三个波段来计算过绿指数ExG和过红指数ExR的差值ExG-ExR；其中，ExG、ExR的计算公式，如公式①和公式②所示；分析ExG-ExR的灰度影像，基于Otsu方法自动确定影像分割阙值，取大于阙值的像元作为小麦区域，小于阙值的像元作为非小麦区域；去除非小麦区域的影像，仅保留小麦区域影像；

ExG＝2×R₅₅₀-R₆₇₀-R₄₅₀ 公式①