<form id="br9j7"><form id="br9j7"><nobr id="br9j7"></nobr></form></form>

      
      

                      <sub id="br9j7"></sub>

                      <form id="br9j7"></form>

                       

                      精準、快速、智能、引領未來

                      公司自主研發航測系統

                      遙感數據分析服務
                      來源: | 作者:agriculture-1149755 | 發布時間: 2018-02-03 | 5756 次瀏覽 | 分享到:
                      技術簡介:以河套灌區五原縣塔爾湖鎮可見光圖像為原始數據,通過試誤法確定無人機遙感影像數據的最佳分割參數。再對各地物在光譜、形狀、紋理特征參量中表現的特異性,分別建立決策樹、支持向量機、 K-最近鄰分類規則集進行土地利用類型分類。結果表明,支持向量機、策樹分類法、K-最近鄰分類法能較準確地提取各地物的特征

                      遙感數據分析服務(技術簡介、模型與結果)

                      土地利用與覆被分類

                      技術簡介:以河套灌區五原縣塔爾湖鎮可見光圖像為原始數據,通過試誤法確定無人機遙感影像數據的最佳分割參數。再對各地物在光譜、形狀、紋理特征參量中表現的特異性,分別建立決策樹、支持向量機、 K-最近鄰分類規則集進行土地利用類型分類。結果表明,支持向量機、策樹分類法、K-最近鄰分類法能較準確地提取各地物的特征,總體精度分別為82. 20%、74.00%、71.40%, Kappa系數分別為0.7659、0.6675、0.6107。

                      圖1.無人機遙感的土地利用分類流程圖

                      模型與結果:

                       

                      圖2.土地利用分類結果圖

                      作物類型與種植面積提取

                      技術簡介:以無人機遙感試驗獲取的可見光圖像研究拔節期玉米種植信息提取方法。分別統計計算地物波段、顏色和紋理特征,比較各類地物特征的種內變異系數和與玉米的相對差異系數,選出適宜提取玉米種植信息的特征。經過分析發現,需要各特征組合分層分類提取玉米信息。結果表明:該方法對玉米種植信息提取有較好效果,面積提取誤差在20%以內,對用無人機可見光遙感影像進行玉米種植信息提取具有一定的適用性。

                      圖3.玉米種植信息提取流程圖

                      模型與結果:

                        

                      作物長勢分析

                      作物覆蓋度

                             技術簡介:以2017年1月7日到4月12日之間使用搭載多光譜相機的無人機在陜西楊凌冬小麥試驗田捕獲的地面分辨率2.2cm的影像為原始數據,包含紅、綠、近紅外的520nm-920nm波段信息,通過基于支持向量機(SVM)的監督分類算法處理第一次獲取的多光譜遙感圖像。分別對分類結果中的植被和土壤像元的NDVI、SAVI、MSAVI三種植被指數進行統計,進而獲得相應的區分植被和土壤像元閾值,分別為0.4756、0.7056和0.6350?;谕讲杉牡孛娣直媛士蛇_0.8cm的高清可見光遙感影像提取相應時期的冬小麥覆蓋度參考值。提取結果表明,基于無人機多光譜遙感技術及植被指數法可以較好的提取冬小麥越冬期、拔節期、挑旗期和抽穗期的植被覆蓋度信息;且與SAVI、SAVI相比,基于NDVI指數的提取效果最好。

                      圖8.小麥覆蓋度提取流程圖

                              模型與結果:

                      圖9. NDVI、SAVI、MSAVI三種指數的閾值提取

                      圖10.冬小麥覆蓋度變化曲線

                      圖11.冬小麥植被覆蓋度提取結果

                      作物高度

                             技術簡介:在作物的生長周期內,對植株高度的監測能夠幫助生產者更好地掌握作物的生長信息,根據其長勢情況結合其他作物參數進行灌水、施肥等調控。植株高度在一定程度上可以反映作物的產量。作物的桿節間的粗度和充實度決定了莖稈中干物質的累積和貯藏能力,由此間接得到植株的生物積累,從而估算出作物產量?;跓o人機遙感的玉米高度估算,通過對無人機多光譜拍攝的照片進行點云數據提取,最終進行玉米高度的估算。

                      圖12.作物高度提取流程圖

                          模型與結果:

                      圖13.五個區域玉米株高變化趨勢圖

                       

                      圖14.植被指數變化圖                                                                                                   圖15.玉米高度提取示意圖

                      冠層結構

                             技術簡介:用單反相機從不同角度拍攝的水稻冠層的圖像為原始數據,用監督分類的方法,提取冠層穗子面積與葉片面積。

                             模型與結果:

                      圖16.水稻穗子和葉片提取結果圖


                      葉面積指數(LAI)

                         技術簡介:基于無人機遙感的玉米葉面積指數研究,通過對無人機多光譜拍攝的照片進行植被指數提取,通過LAI-2200C植物冠層分析儀實測出玉米的葉面積指數,找出玉米植被指數和葉面積指數的關系。建立葉面積指數和植被指數的關系模型,通過驗證,評估植被指數提取的誤差,并估算葉面積指數。

                      圖17.LAI提取技術路線圖

                          模型與結果:

                       

                      圖18.植被指數與LAI的擬合結果圖


                      作物水肥虧缺與病蟲害診斷

                      水分診斷

                         技術簡介:作物蒸散量(Evapotranspiration,ET)主要由土壤蒸發(Evaporation)和作物蒸騰(Transpiration)兩部分組成,是連接生態與水文過程的重要紐帶,其快速監測對準確制定和管理大田灌溉制度及提高大田灌溉用水效率有著非常關鍵的作用。聯合國糧農組織(Food and Agricultural Organization,FAO)提出了參考作物蒸散量(Reference Evapotranspiration,ET0),由ET0和作物系數估算ET。FAO-56作物系數法是世界公認的估算作物蒸散量方法,具有操作簡便,精度可靠、實用性強等特點,在世界范圍內被廣泛地應用。無人機遙感技術由于其平臺構建容易、運行維護簡便、分辨率高、作業周期短等特點,為估算大田作物系數提供了新的解決方案。

                      圖19.水分診斷技術路線圖

                          模型與結果:

                        

                      圖20.快速生長期玉米植被指數與作物系數Kc關系圖


                      作物水分脅迫指數(Crop Water Stress Index,CWSI)

                         技術簡介:眾所周知,作物蒸騰作用具有降溫效應,不同水分脅迫狀態下作物實際蒸騰速率不同,相比于無水分脅迫的作物,其具有較高的冠層溫度?;谶@種現象以及紅外測溫技術的發展,以冠層溫度為基礎建立的作物水分脅迫監測指數得到了廣泛的應用。目前,應用最為廣泛的為作物水分脅迫指數(Crop water stress index,CWSI)模型,可以有效的監測多種作物的水分脅迫狀況。為了得到作物水分脅迫狀況的面狀分布信息,我公司結合無人機多光譜遙感技術建立了CWSI和多光譜植被指數之間的關系模型。

                      模型與結果:

                      圖21.大田玉米CWSI分布圖


                      作物水肥無人機遙感診斷模型開發

                      技術簡介:在陜西省楊凌示范區,巨良基地、杏林基地、匯承果業基地、揉谷基地,建立基于無人機多光譜遙感技術的土壤水肥診斷模型。

                      多光譜無人機水診斷模型如下:

                         (1)

                      其中:CDN1、CDN2、CDN3為無人機遙感多光譜三波段(綠、紅和近紅外波段);a、b為生長期調整系數。

                      多光譜無人機肥診斷模型如下:

                      (2)

                      其中:CDN1、CDN2、CDN3為無人機遙感多光譜三波段(綠、紅和近紅外波段);a、b為生長期調整系數。

                         模型與結果:



                       

                      圖22.匯承果業、揉谷基地水肥檢測結果

                       


                      圖23. 四監測點旱情監測情況

                       



                      圖24.四監測點肥力(P)監測情況


                      作物不同生長期水肥診斷知識庫、模型庫系統開發

                      技術簡介:系統工作模型如圖所示,包括了作物水肥模型相關資源進行分類和維護,支持作物模型的存儲、管理、查詢、分析、調用的計算機操作應用系統。系統由作物模型庫、模型庫管理系統、系統接口、系統用戶4個部分組成。

                      系統將陳述型知識、過程型知識、結構型知識,如水分管理知識規則、土壤管理知識規則、葉片養分知識、定量遙感知識規則按照類別,選擇合理的知識表示方式,分別入庫。

                      作物模型的存儲功能采用程序+數據庫的表示方法;模型主體采用程序文件形式存儲,程序輸入輸出接口用XML格式,存儲用DLL格式。為實現作物類別庫和模型的樹型結構,采用關系數據庫進行表示,采用深度優先算法進行模型映射。

                       圖25.系統工作模型圖

                      模型與結果

                      圖26.系統初始界面圖

                                                                                    圖27.多光譜診斷結果界面                                          圖28 蘋果缺素知識庫界面


                      色吊丝永久免费看无码99|西西GG人体大尺大胆44亚洲|美女掀开内衣露出粉嫩奶头在线免费看|中文无码肉感爆乳在线播放|

                      <form id="br9j7"><form id="br9j7"><nobr id="br9j7"></nobr></form></form>

                          
                          

                                          <sub id="br9j7"></sub>

                                          <form id="br9j7"></form>