um• Preface

O trigo é uma das três principais culturas alimentares do mundo.40%fonte alimentar da população. O trigo, como uma das principais culturas alimentares do nosso país, é cultivado em grande escala.A condição de crescimento das variedades especiais de trigo tem um papel importante no desenvolvimento econômico nacional do nosso país, por issoO monitoramento eficiente e sem danos do crescimento do trigo torna-se especialmente importante para previsões oportunas e precisas do rendimento do trigo.

Ideias técnicas e principais conteúdos

Espectro naturalUtilizando a produção nacionalimagem multiespectral,Utilizando dez variedades diferentes de trigo como objeto de estudo, por um lado, usando os dados de imagem de florescimento de trigo precoce e tardio coletados por câmeras multiespectrais, usando o índice de vegetação calculado por imagens para construir modelos de inversão de clorofila precoce e tardio de florescimento de trigo sob diferentes câmeras; Por outro lado, o uso de drones multi-espectro para obter imagens de alta resolução a médio prazo do cereal de trigo, construindo modelos inversos de clorofila e produção de trigo a médio prazo do cereal de trigo com base em características de cor e índice de vegetação.

imagem1 Rota técnica geral

Conteúdo necessário:

1）Pré-processamento de imagens multiespectrais: ao usar a coleta multiespectral de luz visível e imagens multiespectrais em campos de trigo, para garantir a uniformidade do processamento de imagens subsequentes, é necessário definir com antecedência o tempo de exposição, a abertura e outros parâmetros. Para facilitar a quantificação dos dados de imagem após a captura, as operações de pré-processamento necessárias para a obtenção de dados de imagem incluem correção de radiação, junção de impacto, correção de raio positivo, correção geométrica e corte de imagem.

2）Inversão do teor de clorofila de trigo com base na luz visível e imagens multiespectrais:10As diferentes variedades de trigo foram estudadas usando a luz visível e câmeras multiespectrais para obter dados de imagem da floração precoce e tardia do trigo. Selecione o índice de vegetação que inverte o teor de clorofila do trigo *, calculando a análise de correlação entre o teor de clorofila do trigo medido e duas imagens. Finalmente, com base no índice de vegetação selecionado, foi estabelecido um modelo de inversão do teor de clorofila no período de floração do trigo e no final sob diferentes câmeras.

3）Clorofila de trigo com base em imagens de drones de alta resolução e reflexão do rendimento: obtenção com câmeras multiespectrais equipadas com dronesDados de imagem de meio prazo de cereal de trigo. Introduzir o algoritmo de duplicação mínima, selecionar as características mais relevantes para os parâmetros experimentais como auto-variáveis ​​para construir modelos de inversão de clorofila de médio prazo e produção de trigo, respectivamente.

4NinguémFase multiespectral equipadaO avião voa uma vez por mês, com base em imagens de monitoramento de longas sequências de tempo, fornecendo assim uma base de referência para o monitoramento preciso.

Pontos técnicos

Pré-processamento de imagem multiespectral

Devido à limitação de vários fatores como as propriedades dos próprios sensores, o tempo e outros, inevitavelmente ocorrem erros no processo de aquisição de dados, que não só reduzem a qualidade dos dados de imagem, mas também afetam a precisão da análise de impacto subsequente. Portanto, antes de realizar a análise de imagens de teleobservação multiespectral, é necessário realizar a imagem original.Operação de pré-tratamento. Diagrama de fluxo de pré-processamento de dados de imagem2mostrado。

imagem2 Diagrama de fluxo de pré-processamento de dados de imagem

（1）Correção de radiação:O drone em voo，Diferentes em função da luz e das condições meteorológicas.，Imagens obtidas emReunião de manutenção espectralGerar distorções。paraPauloCertifique que a tarefa de montagem de imagem posterior foi concluída com sucesso, É necessária uma correção de radiação dos dados. Neste artigo, a correção de radiação da imagem de luz visível é falsa. Lei padrão do terrenoLei do quadro branco，Reflexividade medida por alvos no solo Converte o valor da imagem em refletidor da imagem，Mais real o suficiente.Reflexividade da superfície refletida，Para cumprir os requisitos e objetivos do teste。A correção de radiação de imagem multiespectral éusarEspectro naturalO imager multiespectral vem com um software de processamento de dados para ser feito.

（2）Correção de tiro:Drones capturando dados de imagem，Corpo afetado pelo vento naturalnãoÉ inevitável ter tremores.、Inclinação etc.、As lentes da câmera também podem causar deformações de projeção devido a mudanças de postura de voo.，Portanto, é necessário fazer uma correção positiva da imagem.。A correção de raio positivo é baseada na função de transformação corretiva que transforma uma imagem de imagem original em um sistema de coordenadas da imagem corrigida.Seu processo de processamento é mostrado3mostrado.

imagem3 Processo de correção de imagem de drones

（3GeometriaCorreção:Devido à precisão limitada do sistema de posicionamento do drone, juntamente com a vulnerabilidade ao fluxo de ar, velocidade do vento e direção do vento durante o voo, as coordenadas geográficas e as coordenadas reais da imagem são erradas, portanto, os dados de coordenadas do sistema de posicionamento de alta precisão do ponto de controle terrestre são necessários para capturar imagens aéreas.Correção geométrica.

Retorno mínimo duplo

Em problemas práticos, é frequentemente encontrado a necessidade de estudar a interdependência entre dois conjuntos de variáveis ​​múltiplas relacionadas e estudar a utilização de um conjunto de variáveis (autovariáveis ​​ou variáveis ​​preditivas) para prever outro conjunto de variáveis (devido a variáveis ​​ou variáveis ​​de resposta), além da análise clássica de regressão linear múltipla sob a critério do mínimo duplicado.MLRAnálise de Regressão Principal dos Componentes Variables (PCRAlém de outros métodos, há também o menor duplo desenvolvido nos últimos anos (PLS(Métodos de retorno.

A regressão dupla mínima fornece um método de modelagem de regressão multi-par-multi-linear, especialmente quando dois conjuntos de variáveis ​​têm um grande número de correlações múltiplas e o número de dados observados (volume de amostra) é menor, o modelo construído com a regressão dupla mínima tem vantagens que não existem em métodos tradicionais como a análise de regressão clássica. A análise de regressão mínima dupla concentra as características da análise do componente principal, análise típica de correlação e métodos de análise de regressão linear durante o processo de modelagem, portanto, nos resultados da análise, além de fornecer um modelo de regressão mais racional, você também pode Ao mesmo tempo, concluir alguns conteúdos de pesquisa semelhantes à análise dos componentes principais e análises típicas relacionadas, oferecendo mais enriquecimentoAlgumas informações profundas.

Fórmula de cálculo de índices de vegetação

mesa1 Fórmula de cálculo do índice de vegetação

IV. Execução do Programa

4.1muitoServiços de voo de drones espectrais

Imagem multiespectral é a capacidade de obter várias bandas espectrais ao mesmo tempo (geralmente maior do que igual a3a) e a tecnologia de detecção espectral com base na luz visível que se estende em ambas as direções da luz infravermelha e ultravioleta. A implementação comum é através da combinação de vários filtros ou espectrômetros com sensores de imagem digitais para que recebam o mesmo alvo em diferentes locais ao mesmo tempo.estreitoO sinal de luz que irradia ou reflete dentro da faixa espectral é obtido em fotos de alvos em várias faixas espectrais diferentes.A imagem multiespectral é obtida pelo espectrómetro de imagem, o espectrómetro multiespectral é um dispositivo capaz de obter simultaneamente características espectrais e informações de imagem espacial, que é uma direção importante do desenvolvimento do sistema de imagem fotoeletrônica. O sistema de imagem multiespectral oferece3para20As imagens de banda não contínua têm sido amplamente usadas nas áreas agrícola e alimentar. Em princípio de imagem, a tecnologia de imagem multiespectral é dividir o sinal óptico de banda completa ou banda larga de entrada em váriosestreitoOs feixes das bandas, em seguida, são imagens separadas no detector correspondente para obter imagens de diferentes bandas espectrais.Portanto, mais utilizaçãoAs propriedades espectrais podem separar a vegetação da não-vegetação e, combinadas com drones, podem ser realizadas.Análise do estado de saúde da vegetação。

Muitos dronesO espectro tem as seguintes características:

Recolha rápida。Multi-espectro é relativamente rápido por causa de sua faixa de captura relativamente baixa；

Baixa complexidade。Devido à limitação do número de bandas, a complexidade multiespectral é menor, mais fácil de entender e aplicar, com relativamente menos trabalho de processamento.

Os dados são ricos. À medida que o número de bandas aumenta, o volume de dados aumenta exponencialmente. Informações do domínio espacial e do domínio espectral podem ser fornecidas:“Gráfico unificado”E as curvas espectrais obtidas pelo espectrómetro de imagem podem ser comparadas às curvas espectrais de terrenos semelhantes medidas no solo.

Na área de estudo planejada, de acordo com a demandaColeta altaImagem espectral. As etapas específicas são as seguintes:

Configuração do lado do drone: montar equipamentos de alto espectro do drone, configurar altitude, velocidade, sobreposição de acordo com os parâmetros da câmera e imagemNecessidades de grauDefina a distância da rota da imagem;

Configuração do lado da câmera: definir a taxa de quadros da câmera de acordo com a velocidade de voo, definir o tempo de integração (tempo de exposição) de acordo com os valores de medição da placa branca;

Placa de reflexão padrão: Coloque a placa de reflexão padrão na área da rota para capturar imagens.

imagem8 Esquema de captura de dados de alto espectro de drones

4.2Processamento de imagem de alto espectro de drones

Após a coleta de dados de imagem de alto espectro do drone, os seguintes trabalhos de pré-processamento são necessários:

Localização de comprimento de onda: a imagem original coletada não tem informações de comprimento de onda, é necessário adicionar um arquivo de localização de comprimento de onda;

recorte de imagem: adoção de alto espectroTipo de empurramentoImagem, que requer corte das imagens de área coletadas;

Alineação geográfica ou relativa para a imagem de área recortada, e depois a imagem combinada para a imagem completa;

Correção de radiação: os valores na imagem original representam a intensidade de reflexão e requerem o uso de valores de reflexão e marcadores de quadro brancoA taxa de quasi-reflexão é corrigida para calcular a taxa de reflexão de toda a imagem.

Disgregação espectral mista: os dados espectrais coletados por drones são capturados por imagens de resolução espacial, o que resulta em uma imagem que pode ser formada por uma média misturada de diferentes objetos ou vegetação, para melhorar a precisão, é necessário realizar operações de decomposição espectral mista da imagem;

（6Filtração espectral (suavização): a informação espectral da imagem original apresenta um certo ruído e precisa ser filtrada espectralmente antes da aplicação.

Interface do software de processamento de imagem espectral:

imagem9 Diagrama de interface de software de processamento de imagem de alto espectro de drones

4.3Coleta de dados de amostras geográficas

Espectro naturalUtilizando imagens de alto espectro e espectrômetros geográficos produzidos a nível nacional para realizar pesquisas de campo, o objetivo é fornecer amostras reais de treinamento do modelo de classificação de campo e amostras de teste dos resultados da classificação para a classificação de imagens de teleobservação de drones. O principal aspecto da pesquisa de campo é medir a infecção no espinal.PesteDados do espectro do arroz recolhidos pelo espectrômetro geográficoTodas as PestesOs dados espectrais do arroz são hierarquizados em diferentes graus de infecção como um conjunto de dados de amostra de treinamento padrão para o processamento de dados de imagem de alto espectro de drones.

4.4Análise de resultados

imagem12 Desenvolvimento do teor de água da vegetação

4.4.1Estima a confiabilidade dos resultados

A precisão do modelo pode ser verificada de acordo com a média e o erro (Erro quadrado médio da raiz, RMSE(e fatores relacionados)rDois indicadores para análise.

no estilo,npara o número de amostras,Como amostraivalores de laboratório,A média de todas as amostras verificadas;Para aproveitar a previsão do modelo,A média de todas as previsões correspondentes à amostra verificada.RMSEQuanto menor o valor,RQuanto maior o valor do coeficiente de correlação, maior a precisão do modelo.

4.4.2Estima os fatores de precisão

Os fatores que afetam a precisão dos resultados de inversão incluem principalmente os seguintes aspectos:

1. Dados espectrais: efeitos operacionais humanos causados ​​pelo impacto ambiental e incertezas na coleta de dados externosExistem diferenças na qualidade de imagem de alto espectro. Mas esse fator não é o principal.

2. Dados experimentais: os dados experimentais contêm dados espectrais da lâmina e dados de medição quantitativa de parâmetros. Dependendo do equipamento do instrumento e do fator de operação humana, esses dois dados experimentais podem ter algum erro, mas o efeito sobre os resultados de reversão é menor. É importante notar que a diferença de tempo na medição desses dois valores é um dos principais fatores do modelo de reflexão de imagem. Tente evitar medições prolongadas após a coleta da lâmina e assegure que a medição espectral e a medição quantitativa de parâmetros sejam realizadas simultaneamente.

3. Modelo de Inversão: A construção do modelo de Inversão é o principal fator que afeta a precisão da Inversão. A escolha do espectro característico, a forma das variáveis e a forma do modelo de inversão, etc., levam a uma grande incerteza sobre os resultados da inversão.