方案摘要
方案下载应用领域 | 农/林/牧/渔 |
检测样本 | 其他 |
检测项目 | |
参考标准 | 行业标准 |
紫花苜蓿是一种优质牧草, 使用无人机载多光谱相机采集数据, 采用SVM以及其优化模型对紫花苜蓿的叶绿素含量和地上生物量的数据进行采集, 训练、测试以及预估,旨在建立一种快速且准确的估算方法,为紫花苜蓿生长过程提供有效的动态管理与监测。
紫花苜蓿是一种营养价值很高的植物,被称为“牧草之王”。我国当前对紫花苜蓿的需求量无法做到自给自足,大力发展苜蓿是未来农业发展的方向。
地上生物量主要反映植物生产力水平以及物质积累,叶绿素是植物进行光合作用不可或缺的色素。测量并得到准确的地上生物量和叶绿色含量是评价作物产量和生长情况的重要一环。多光谱数据和SVM优化模型的结合,可以帮助我们估测紫花苜蓿的地上生物量和叶绿素含量。
二、实验部分
2.1无人机多光谱影像的获取
本试验采用多旋翼无人机搭载美国MicaSense的五通道多光谱相机RedEdge-MX进行紫花苜蓿多光谱影像的采集。试验地为江苏省扬州市扬州大学扬子津校区选择适宜在南方种植的紫花苜蓿不同品种21个, 每个品种4个小区, 每个小区面积3 m× 2 m, 播种量为2g· m-2, 行距20 cm, 每个小区9行。
2.2 地上生物量(AGB)的测定
采集紫花苜蓿的地上部分, 放置65 ℃烘箱内烘干。等待其完全干燥后, 取其地上部分重量的平均数, 再乘以试验地的种植密度, 得到该小区的紫花苜蓿地上生物量。
2.3叶绿素的提取
选取叶片, 用二甲基亚砜(DMSO, 分析纯)于60 ℃避光条件下恒温水浴约2 h, 直到叶片呈白色为止, 取出上清液待测。分别检测上清液于665和649 nm处的吸光度, 计算叶绿素含量。
2.4波段选取
21个不同品种紫花苜蓿的波段反射率
多光谱相机自带5个波段 蓝光(475 nm)、 绿光(560 nm)、 红光(670 nm)、 红边(720 nm)和近红外(840 nm)。通过查看多光谱相机收集到的多光谱影像,观察到不同品种的紫花苜蓿在band3(红光)和band5(近红外)反射率差异较大,因为选取这两个波段进行紫花苜蓿的筛选以及植被相关指数的计算。
2.5模型选择
在预估模型的选择上, 采用支持向量机(support vector machine, SVM)及其经过智能算法优化后的模型进行不同品种紫花苜蓿品种的叶绿素含量和地上生物量值的数据训练和测试,旨在构建准确率较高的预估模型快速且有效估算不同品种紫花苜蓿的地上生物量和叶绿素含量。
不同预估模型的建立:
本试验共采集到地上生物量和叶锰素含量各63个数据样本, 其中选取42个数据样本为训练集, 其余21个数据样本为测试集,采用SVM进行21个不同品种的紫花苜蓿的地上生物量进行预估。在基于SVM构建预估模型的过程中, 也采用智能算法: 鲸鱼优化算法(whale optimization algorithm, WOA)和灰狼优化算法(grey wolf optimizer, GWO)对SVM构建的预估模型进行优化, 再将三者进行对比, 以筛选出估算值更为准确的预估模型。
3.1不同品种紫花苜蓿地上生物量预估算
在对不同品种紫花苜蓿的地上生物量建立好预估模型后,不同预估模型的的结果如下:
不同预估模型的21个品种紫花苜蓿的地上生物量的预估值与实测值
不同模型的地上生物量的估算对比
不同预估模型测试集对紫花苜蓿地上生物量的估算结果线性相关性程度为: WOA最优, GWO其次, SVM较差
3.2 不同品种紫花苜蓿叶绿素含量预估算
在对不同品种紫花苜蓿的叶绿素含量建立好预估模型后, 不同预估模型的的结果如下:
不同预估模型的21个品种紫花苜蓿的叶绿素含量的预估值与实测值
不同模型的叶绿素含量的估算对比
不同预估模型测试集对紫花苜蓿叶绿素含量的估算结果线性相关性程度为: WOA最优, GWO其次, SVM较差
试验结果显示, 通过植被指数结合红边和近红外等多光谱参数, 使用SVM及其优化算法构建叶绿素和地上生物量的估算模型, 证明了植被指数与多光谱数据可以正确地预估不同品种紫花苜蓿的叶绿素和地上生物量, 通过多光谱数据成功建立预估模型后, 可以继续使用无人机携带高光谱传感器估算叶绿素和地上生物量, 探究在不同传感器下估算叶绿素和地上生物量能力的差异性。
【创新装置】使用地物光谱仪手动测量双向反射分布函数(BRDF)的分光测角仪
【无人机高光谱】检测水质的机器学习算法的比较
【无人机高光谱遥感】——河湖水环境探测的新神器
相关产品
关注
拨打电话
留言咨询