论文部分内容阅读
作物地上生物量不仅是反映作物长势状况的重要指标之一,而且是反映土地生产能力的重要指标之一,是实现作物精准产量监测和预报的重要参考。目前基于无人机(Unmanned Aircraft Vehicle,UAV)数据的运动恢复结构(structure from motion,SFM)点云数据的提取与建模是精细农业估产的前沿,而利用作物最直接的高度来反演作物生物量能得到较高的预测精度,为作物生物量的反演提供了新思路,同时也为土地生产能力监测提供了新方法。本文以甘肃省定西市李家堡镇麻子川村旱作农业区小麦试验点为研究对象,利用具有标准数码相机和GPS的UAV平台(Phantom 4)获取高分辨率的RGB图像,运用运动恢复结构(structure from motion,SFM)和多视图立体视觉(multi-view stereopsis,MVS)技术产生密集点云,由此生成数字表面模型(digital surface model,DSM)和正射影像图;从正射影像中获取RGB指数,并提取裸地的地面点云信息以生成数字地形模型(digital terrain model,DTM),构造了作物高度模型(canopy height model,CHM);通过分析基于UAV-SFM点云变量数据、无人机可见光植被指数同小麦生物量鲜重及干重间的关系,选择合适的自变量因子,建立了生物量回归反演模型,进而估算大面积的小麦生物量。据此,本研究提出了一种使用单次UAV调查监测土地生产能力的新方法。主要工作及相关研究成果如下:(1)利用UAV-SFM技术能够进行土地生产能力的监测,该方法低损耗、低风险且能够进行快速监测。(2)根据样方点的实测数据对小麦高度模型进行精度评价,小麦作物的高度模型的决定系数R~2为0.914,均方根误差RMSE为2.94cm。结果表明,基于UAV-SFM方法可以实现研究区春小麦作物高度的估算。(3)利用相关性分析进行变量因子筛选,建立简单的线性回归模型(simple linear regression model,SLR)和逐步线性回归模型(Stepwise linear Regression model,SWL),对春小麦生物量的鲜重和干重进行反演,并进行精度检验与评价。结果发现,SWL生物量鲜重的反演模型精度(R~2=0.794,RMSE=100.64g/m~2)高于SLR生物量鲜重反演模型(R~2=0.622,RMSE=101.76g/m~2)。(4)利用SWL生物量鲜重的反演模型,估算各个小区小麦的鲜重,R~2为0.704,RMSE为1.98kg,估算结果较好。因此,可以利用UAV-SFM监测小麦的生长状况。