论文部分内容阅读
作物覆盖度是备受农业领域关注的一个重要参数,作物覆盖度体现为作物疏密程度,可反映各类作物生长状况,一方面参与作物灌溉决策与追肥,另一方面可辅助调查作物分布与整体评估,有助于作物估产、价格预测与大宗作物评价。由于卫星数据的获取受周期制约,并存在分辨率不高的问题,卫星遥感对农田信息的监测存在一定局限性。随着无人机低空遥感平台的研制与发展,该平台具有的灵活性与精准性改进了卫星遥感存在的不足,因此本文对基于无人机遥感的作物覆盖度估算方法进行研究,并选取内蒙古巴彦淖尔市五原县海丰村作为研究区域,利用农业低空无人机光谱信息感知系统,以玉米、向日葵为研究对象,采集作物地块多光谱图像数据,并通过对图像进行处理分析,研究光谱特征分类方法完成地物分类并求取覆盖度,从而达到评价作物覆盖度的目的。研究基于向日葵作物地块覆盖度估算与混合作物地块覆盖度估算两方面展开,主要研究内容与结论如下:(1)选取向日葵作物地块影像,基于监督分类中的支持向量机(Support Vector Machines,SVM)、最小距离(Minimum Distance,MD)、神经网络(Neural Network,NN)、最大似然(Maximum Likelihood,ML)方法分类提取作物与土壤,计算出作物的覆盖度。通过运用含混矩阵开展精度验证,可知SVM方法对多光谱图像数据的分类效果最好,整体精度达到98.71%,Kappa系数达到0.97。结合总体精度与向日葵的提取精度都可得出SVM方法的估算结果最接近实际覆盖情况,向日葵覆盖度值为17.86%。(2)根据所选取的向日葵作物地块图像数据,采用非监督分类中的自动迭代法(ISODATA)与K-Means方法进行地物分类,并评价结果精度。通过对比监督分类与非监督分类的实验结果,综合分析可知,监督分类方法对多光谱图像数据的分类精度均在95%以上,效果优于非监督分类法。由此,研究采用监督分类方法为手段,评估复杂地物的覆盖程度,进而估算作物覆盖度。(3)选取含有向日葵与玉米的混合作物地块进行处理分析,建立基于专家知识的决策树模型将地物分为玉米、向日葵、光照土壤、阴影土壤、与地膜五个类别,通过精度评价可知,该方法总分类精度为81.64%,Kappa系数达到0.73,运用决策树算法获得的向日葵作物覆盖度为34.91%,玉米作物覆盖度为20.79%。(4)运用SVM建立模型实现混合作物地块地物归类,从而计算各类地物的覆盖情况,并进行精度评价。结果表明SVM模型的整体精度达到89.11%,Kappa系数0.85;通过精度对比可知SVM模型较决策树模型分类更为精确,覆盖度估算更加接近真实情况,并计算出向日葵的覆盖度为22.23%,玉米的覆盖度为24.46%。通过随机选取地块进行普适性验证,得到SVM模型的总精度达到91.46%,Kappa系数为0.89,由此可知该模型的适用推广性较强。研究结果表明,应用低空无人机遥感技术估算作物地块覆盖度的方法可行性较高,并获得较优的估算精度。采用该平台及时快速的监测作物覆盖程度,对于种植决策、产量预估、作物需水量计算等方面具有意义。