赛斯拜克中国核心技术品牌 博士专业研发团队   18年专注高光谱

咨询热线:400-888-5135

高光谱图像分析在农业领域的应用:助力精准农业发展

来源:赛斯拜克 发表时间:2023-07-04 浏览量:1028 作者:awei

高光谱图像分析是一种先进的遥感技术,可以获取地物表面的详细光谱信息。在农业领域,高光谱图像分析被广泛应用于作物生长状况监测、病虫害检测、土壤质量评估等方面。本文将探讨高光谱图像分析在农业领域的应用,以帮助读者更好地了解其在精准农业发展中的作用。

一、作物生长状况监测

高光谱图像分析可以获取作物在不同生长阶段的光谱特征,通过分析这些特征,可以实时监测作物的生长状况,如叶片营养含量、叶面积、植株高度等。这对于实施精准施肥、浇水和调整种植策略具有重要意义。

image.png

农作物高光谱遥感识别和分类

农作物遥感识别是遥感技术在农业领域应用的重要内容,也是资源遥感的重要组成部分。植被光谱不仅具有高度相似性和空间变异性,而且具有时间动态性强等特点。不同植被的光谱随时间的变化规律也具有明显的区别,因此充分 发挥高光谱遥感的独特性能,特别是其在区分地表细微差别方面的优势,同时结合植被的时间动态特征,将大大提高土地覆盖类型的识别与分类精度。

基于常州水稻生长期80波段PHI航空高光谱图像,利用混合决策树方法对水稻品种进行了高光谱图像精细分类,完成了对 11种地物(其中6个水稻品种)的划分,测试样本的分类精度达到 94.9%。

以中国华北地区冬小麦识别为例,利用MODIS自身光谱信息,即可 实现作物遥感全覆盖自动识别,并可达到较高的精度,比传统方法认为的冬小麦遥感识别的最佳时间(返青期的3月份)提前约一个季度。

以上研究结果表明,高光谱遥感技术能有效地对作物进行分类和识别,且分类精度较高,这对于大比例尺尺度上研究地表作物覆盖,提取更加细致的信息提供了有力保障。

高光谱遥感监测作物叶面积指数、生物量和叶绿素含量

叶面积指数(LAI)通常是指单位面积土地上所有叶片表面积的总和,或单位面积上植物叶片的垂直投影面积总和。它是生态系统的一个重要结构参数,可用来反映植物叶面数量、冠层结构变化、植物群落生命活力及其环境效应,为植物冠层表面物质和能量交换的描述提供结构化的定量信息。叶面积指数与生物量(干重、鲜重)和叶绿素是衡量作物生长状况的重要指标。如何利用遥感技术实时监测植株叶面积、生物量和叶绿素,对于作物的管理调控及估产具有重要意义。

采用单变量线性与非线性拟合模型和逐步回归分析,建立水稻LAI的高光谱遥感估算模型,提出高光谱变量与LAI之间的拟合分析中,蓝边内一阶微分的总和与红边内一阶微分总和的比值和归一化差植被指数是最佳变量。

利用棉花不同品种、不同密度冠层关键生育时期的反射光谱数据,应用光谱多元统计分析技术与光谱微分处理技术,建立了基于植被指数和归一化植被指数的5种函数形式的棉花干物质积累估测模型。

由以上研究结果可知,利用高光谱数据可以及时估算及预测作物的生物量、叶面积指数、叶绿素等生理参数。目前,光谱特征正成为实时、快速监测作物长势的有效手段。

农作物长势监测和估产

高光谱遥感的超多波段(几十、上百个 )和高分辨率(3 ~20nm)使其可用于探测植被的精细光谱信息(特别是植被各种生化组分的吸收光谱信息 ),反演植被各生化组分的含量,监测植被的生长状况。

另外,还可通过高光谱信息监测植物病虫害。植物病虫害监测是通过监测叶片的生物化学成分来实现的,病虫害感染导致叶片叶肉细胞的结构发生变化,进而使叶片的光谱反射率发生变化。

利用遥感信息进行作物估产是利用某种植被指数在作物生长发育关键期内的和与产量的实测或统计数据间建立的各种形式的相关方程来实现的,如目前单产估算应用较多的是回归分析法,其基本原理为:


式中,y为作物产量;xi为经过平滑的光谱反射率或DNVI指数。


二、病虫害检测

高光谱图像分析可以有效地检测作物表面的病虫害,如叶锈病、蚜虫、草地贪夜蛾等。通过分析病虫害的光谱特征,可以实现对病虫害的早期预警和快速识别,有助于减轻病虫害对作物产量和质量的影响。

image.png

病虫害是病害和虫害的并称,植物病虫害通常会对农业产量造成重大损失,成为日益威胁粮食安全、生态系统完整性的严重问题,越来越受到社会的广泛关注。

对病虫害的早期监测方法目前仍然停留在主要靠人工肉眼来识别、判断,存在效率低、误差大、滞后性严重等弊端;也有提前施药来预防病虫害的发生,但会产生用药不精准、时机不成熟,造成农药浪费,环境污染的问题。而且随着社会老龄化问题的逐渐严重,农户单打独斗作业方式的弊端日益凸显,越来越不符合农业现代化的发展。

赛斯拜克高光谱遥感技术在全波段具备更为丰富的光谱信息,可反映植被不同生物物理特性的细微变化,目前已在农作物营养素诊断、分类识别、品质鉴定、食品加工、病虫害监测等方面有大量研究和不同程度的应用。尤其在粮食作物、经济作物、蔬菜作物、果品等农作物的病虫害监测方面。


无人机高光谱的柑橘黄龙病植株的监测与分类

在柑橘树病虫害方面:高光谱成像仪对柑橘黄龙病进行了早期无损检测及病情分级,快速诊断、快速识别正常、缺素和黄龙病柑桔叶片。


三、土壤质量评估

高光谱图像分析可以获取土壤的光谱特征,通过分析这些特征,可以评估土壤的质量和肥力,如土壤有机质含量、土壤类型、酸碱度等。这对于实施精准施肥、改良土壤和保护耕地具有重要意义。


土壤有机质含量高光谱估测模型构建及精度对比

以山东省烟台市栖霞市苹果园为研究区,采集100个土壤样本,获取其高光谱反射率,利用定量化学方法测定土壤有机质含量。结果表明,可以利用RF方法快速预测苹果果园土壤有机质含量,了解土壤养分分布状况,指导农民合理施肥,从而提高果园生产管理效率。


高光谱遥感监测作物养分及水分状况

在农作物生产中,水肥是影响作物生长的最主要因素之一。氮磷钾肥是作物生长和产量形成所必需的重要元素;水分是作物的主要组成成分,水分亏缺将直接影响作物的生理生化过程和形态结构,从而影响作物生长。因此,及时准确地监测作物的水分状况对提高作物水分管理水平、指导节水农业生产具有重要意义。利用高光谱遥感技术对作物矿质营养和水分胁迫进行监测,进而估算作物的营养和需水状况,从而指导施肥灌溉,是近年来发展起来的一门新技术。

大量研究结果表明,利用高光谱遥感技术可以对作物的营养状况和水分含量进行比较准确的分析和检测,为变量施肥和灌溉提供参考,从而节省农业资源的投入。高光谱养分和水分诊断模型在农业生产中具有较高的应用价值和广阔的应用前景。


四、农业灾害预警

高光谱图像分析可以用于农业灾害预警,如干旱、洪涝、霜冻等。通过分析地物的光谱特征,可以实时监测灾害的发生和发展情况,为农业灾害预警和防灾减灾提供有力支持。

image.png

东北三省地区生长季旱涝对春玉米产量的影响

基于1988—2017年气象站点数据和灾情、产量等统计数据,以中国东北三省为研究区,通过对比多时间尺度指标和标准化降水蒸散指数与旱涝受灾率的关系,选择优势指数表征东北春玉米生长及干湿状况,基于HP滤波构建相对气象产量,利用距离相关分析方法选取合理时间尺度和关键月份的指数,分析这些指数与春玉米相对气象产量的关系以及不同生育阶段水分条件与产量之间的关系。对东北三省地区预估旱涝灾害对春玉米产量影响,和及时采取灾害防御措施具有一定的参考价值。

如何利用高光谱遥感影像数据进行农作物精细分类。

农作物精细分类对于农作物长势监测、产量预估、灾害评估、保障国家粮食安全具有重要意义。同时也是农业生产过程中合理分配资源、精准施肥的重要依据。随着空间技术的发展,利用高光谱遥感卫星实时对地观测,通过分析高光谱遥感影像数据进行农作物精细分类逐渐成为一种主流方式。

本次的案例我们采用“珠海一号”高光谱卫星OHS-2(贵阳一号)的影像——河北雄安新区,作为实验区域。高光谱遥感影像数据经过辐射定标,并在定标结果的基础上进行了FLAASH大气校正。为了实验的准确性,我们还对研究区域进行实地调查,调查样点如图1所示。

图为“珠海一号”卫星星座传回的卫星图片:河北雄安新区图(1)

去云处理

从图1的“珠海一号”高光谱遥感卫星影像中可以看到,研究区域的东南区域存在部分云量,在分类之前需要先将云掩膜去除。云的光谱特征曲线如图2所示,云的反射率在480nm~866nm之间具有较高的值,而在红光范围内640nm附近处于相对较低的反射率。根据这一特点,将云提取出来。结果如图3所示。

图(2)

图(3)

分类过程

我们将实地提取的农作物进行分析得出平均光谱,如下图所示,将农作物分为玉米、红薯、大豆、花生、蔬菜、草地、林地、其他植被和非植被(水体、建筑、裸地和道路)。

影像中不同地物的光谱特征曲线图(4)

分析方法

(1)首先利用归一化植被指数NDVI,进行区分遥感影像中的植被与非植被。

计算公式:

NDVI=(NIR-RED)/(NIR+RED)

NIR为地物在近红外波段的反射值,RED为地物在红光波段的反射值。

-1<=NDVI<=1,负值表示地面覆盖为云、水、雪等,对可见光高反射;NDVI=0表示有岩石或裸土等,NIR和RED近似相等;NDVI为正值,表示有植被覆盖,且随覆盖度增大而增大;

(2)根据图(4)各地物光谱以及NDVI特征构建分类决策树进行农作物分类,决策树如下图(5)所示:

图(5)

结果分析

通过图(5)的分类决策树进行分类法得到图(6)的分类结果。

图(6)

分类精度评价

实验利用“珠海一号”高光谱遥感卫星影像数据,结合实地调查样点,基于决策树分类方法,对研究区土地覆盖类型进行分类,利用验证样点基于混淆矩阵并利用实测点对分类结果进行精度验证Kappa系数为0.95,总体精度达95.94%,精度评价结果如下表1所示,其中花生、玉米、大豆、红薯、蔬菜具有较高的分类精度,花生和玉米存在小部分混分,由于遥感影像不可避免会存在“同谱异物”现象,导致蔬菜和其他植被存在混分现象。

表1 分类结果精度验证(%)

农作物面积统计

根据分类结果对研究区农作物面积进行统计,利用像元数乘以单位像元面积(“珠海一号”高光谱卫星分辨率为10米),即乘以10米×10米。

表2 研究区农作物面积统计

从表2可以看出,研究区中玉米面积占农作物比例最大,达到65.89%,面积为997.64km²。而蔬菜面积所占比例最小,为2.53%,面积为38.32km²。


高光谱图像分析在精准农业领域具有广泛的应用前景。通过高光谱图像分析,农民可以更精确地了解作物生长状况、土壤质量、病虫害发生情况等信息,从而实现精准施肥、浇水、除草和调整种植策略等,为精准农业发展提供了有力的技术支持。


相关产品

高光谱相机技术排行榜top10

高光谱相机技术相关推荐

Baidu
map