1 引言
2 试验设计与数据收集
2.1 试验设计
2.2 无人机图像获取
表1 飞行时间统计Table 1 The statistics of flight time |
时间 | 生长时期 | 时间 | 生长时期 |
---|---|---|---|
2018/06/30 | 分蘖初期 | 2018/08/27 | 抽穗初期 |
2018/07/14 | 分蘖期 | 2018/09/09 | 抽穗期 |
2018/07/21 | 拔节初期 | 2018/09/19 | 灌浆初期 |
2018/08/08 | 拔节期 | 2018/10/13 | 灌浆后期 |
2018/08/18 | 孕穗期 |
2.3 田间数据收集
3 研究方法
3.1 图像预处理及特征提取
表 2 本研究使用的图像特征Table 2 Image features used in this research |
特征类型 | 特征 | 特征数目 |
---|---|---|
植被指数 | GRVI、PPR、GRRI、MGRVI、 NDSI1、NDSI2、NDSI3 | 7 |
纹理特征 | R_CON、R_COR、R_EN、R_HO、G_CON、G_COR、G_EN、G_HO、B_CON、B_COR、B_EN、B_HO | 12 |
|
3.2 模型建立与评估
4 结果与分析
4.1 水稻生长动态分析
4.2 基于植被指数的含水量预测
表3 不同植被指数含水量预测精度的比较Table 3 Comparison of prediction accuracy of water concentration from different vegetation indices |
植被指数 | R2 | RMSEP | rRMSE(%) |
---|---|---|---|
GRVI | 0.64 | 0.042 | 5.54 |
PPR | 0.59 | 0.045 | 5.95 |
GRRI | 0.64 | 0.042 | 5.54 |
MGRVI | 0.64 | 0.042 | 5.54 |
4.3 基于图像纹理特征的含水量预测
表4 不同纹理特征含水量预测精度的比较Table 4 Comparison of prediction accuracy of water concentration from different texture features |
植被指数 | R2 | RMSEP | rRMSE |
---|---|---|---|
R_CON | 0.18 | 0.065 | 8.64% |
R_COR | 0.40 | 0.054 | 7.18% |
R_EN | 0.27 | 0.060 | 8.06% |
R_HO | 0.22 | 0.063 | 8.35% |
G_CON | 0.17 | 0.065 | 8.65% |
G_COR | 0.20 | 0.064 | 8.54% |
G_EN | 0.19 | 0.065 | 8.62% |
G_HO | 0.16 | 0.065 | 8.68% |
B_CON | 0.16 | 0.066 | 8.85% |
B_COR | 0.29 | 0.059 | 7.80% |
B_EN | 0.18 | 0.065 | 8.62% |
B_HO | 0.21 | 0.063 | 8.40% |
4.4 特征融合改善含水量预测精度
图6 基于植被指数和纹理特征融合的含水量预测结果Fig. 6 Water concentration prediction results based on fusion of vegetation indices and texture features |
图7 基于特征融合的含水量预测结果Fig.7 Water concentration prediction results based on feature fusion |