準(zhǔn)確快速的獲取農(nóng)作物分類信息在農(nóng)作物種植面積監(jiān)測與制圖、作物長勢監(jiān)測與產(chǎn)量估算、農(nóng)業(yè)災(zāi)害監(jiān)測及生態(tài)環(huán)境信息監(jiān)測等方面有重要應(yīng)用,對于政府了解農(nóng)作物種植信息,調(diào)整農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu),確保國家糧食安全等均有重要意義。隨著無人機平臺及攝影測量技術(shù)的發(fā)展,無人機遙感為農(nóng)作物分類調(diào)查提供了新思路,無人機具有作業(yè)靈活、操作簡單、節(jié)省人力物力等特點,可以獲得超高分辨率遙感影像,在中小尺度上,無人機能充分發(fā)揮優(yōu)勢,還可以為大面積衛(wèi)星遙感提供地面驗證,對作物監(jiān)測技術(shù)的發(fā)展和應(yīng)用具有重大意義。因此,通過無人機遙感影像獲得農(nóng)作物分類信息十分必要。本文研究了一種利用無人機影像光譜、紋理、空間特征組合提取農(nóng)作物分類信息的方法,并初步分析了無人機影像分辨率對農(nóng)作物分類精度及效率的影響。首先,我們進(jìn)行研究區(qū)域選擇和地面實際情況調(diào)查,用無人機遙感系統(tǒng)進(jìn)行可見光影像采集;其次,基于可見光影像及數(shù)字表面模型提取農(nóng)作物光譜、紋理、空間組合最優(yōu)分類特征,采用支持向量機進(jìn)行農(nóng)作物無人機遙感影像的分類研究;最后基于支持向量機分類方法獲取不同分辨率影像的農(nóng)作物信息,統(tǒng)計分類精度及分類速度,分析無人機遙感影像分辨率對農(nóng)作物分類精度的影響,... 

【文章來源】：中國農(nóng)業(yè)科學(xué)院北京市

【文章頁數(shù)】：60 頁

【學(xué)位級別】：碩士

【部分圖文】：

技術(shù)路線圖

據(jù)的選擇上爭取具有典型性，可為無人機遙感農(nóng)作物分類研究提供參考，擴大無人機遙感應(yīng)用的范圍。首先，在研究區(qū)域方面，選擇黑龍江省農(nóng)業(yè)科學(xué)院民主研究基地，此基地具有豐富的監(jiān)測數(shù)據(jù)和農(nóng)業(yè)基礎(chǔ)數(shù)據(jù)，為探究無人機遙感影像農(nóng)作物分類提供了有利條件。其次，在數(shù)據(jù)方面，以無人機遙感平臺于 2017 年和 2018 年在黑龍江省農(nóng)業(yè)科學(xué)院民主研究基地獲取的可見光遙感影像為基礎(chǔ)數(shù)據(jù)，此外還根據(jù)目視解譯以及實地調(diào)查數(shù)據(jù)作為輔助數(shù)據(jù)，并分別對影像數(shù)據(jù)及輔助數(shù)據(jù)進(jìn)行預(yù)處理工作，保障研究結(jié)論的真實可靠性和研究方法的可重復(fù)性。2.1 研究區(qū)域概況研究區(qū)位于黑龍江省，黑龍江省位于東經(jīng) 121°13′到 135°06′，北緯 43°25′到 53°34′之間，是我國經(jīng)度最東的和緯度最高的省份，黑龍江省地勢復(fù)雜多樣，其走勢為交叉狀，即西北、北部、東南部高，東部和西南部低。黑龍江省農(nóng)業(yè)科學(xué)院民主研究基地，是國家級農(nóng)業(yè)示范研究基地，基地位于黑龍江省哈爾濱市西北方向，處于北緯 45°20′～46°20′，東經(jīng) 126°15′～127°30′之間，屬于中溫帶大陸性季風(fēng)氣候，在一年之間四季分明，冬季多雪，春、秋過度時間較短，夏季氣涼爽，年降水量約為 523 毫米，年平均氣溫為 4.2°C。基地面積約為 3.0km×2.5km，地形有較大起伏，測區(qū)內(nèi)包含水稻、玉米、大豆及馬鈴薯等多類農(nóng)作物。測區(qū)面積適中，作物類型多樣，種植結(jié)構(gòu)復(fù)雜度高，是檢驗作物分類算法的理想實驗區(qū)域。

研究中所涉及的實驗數(shù)據(jù)分兩期在該區(qū)域進(jìn)行采集，分別是 2017 年 8 月及 2018 年 6 月取設(shè)備為 SONYA7R 微單相機，無人機獲取的影像為 RGB 圖像，且在無人機航拍過程中航向上的重疊率均達(dá)到 80%，滿足生成 RGB 正射影像的要求。本文所選用電腦為 Del為 Inte（lR）Cor（eTM）i5-6500Cpu@3.20GHz，內(nèi)存為 16.0GB，操作系統(tǒng)為 64 位 Windows針對無人機采集的單個航片，需要進(jìn)行拼接獲得整個大區(qū)域影像。在對比分析 Bently 公ntextCaptur（eSmart3D），俄羅斯 Agisoft 公司的 PhotoScan 以及瑞士 Pix4D 公司 Pix4Dmap后，選取 Smart3D 作為影像快速拼接工具。首先在 Smart3D 里利用 POS 數(shù)據(jù)，進(jìn)行幾地理信息配準(zhǔn)，通過建立立體模型、賦予紋理，最后獲取整個大區(qū)域圖像。具體過程可下四個步驟完成：）將無人機航拍影像、POS 數(shù)據(jù)導(dǎo)入軟件導(dǎo)入 Smart3D 中。）兩次空中三角測量，首先使用 POS 數(shù)據(jù)平差處理，完成相機校驗及相對定向，再使用據(jù)完成模型的絕對定向。）根據(jù)密集點云生成 3D 模型并賦予紋理）生成 DOM/DSM 數(shù)據(jù)并導(dǎo)出。射圖像空間分辨率為 0.10m，以 TIFF 格式存儲；圖像存儲了地物紅、綠、藍(lán) 3 種色彩的數(shù)值范圍 0-255。

【參考文獻(xiàn)】：
期刊論文
[1]利用無人機遙感提取育種小區(qū)玉米倒伏信息[J]. 毛智慧,鄧?yán)?趙曉明,胡藝凡.  中國農(nóng)學(xué)通報. 2019(03)
[2]基于無人機成像的棉田判別與面積估測[J]. 鄒昆霖,張若宇,江英蘭.  石河子大學(xué)學(xué)報(自然科學(xué)版). 2018(06)
[3]基于條件隨機場的高光譜遙感影像農(nóng)作物精細(xì)分類[J]. 余銘,魏立飛,尹峰,李丹丹,黃慶彬.  中國農(nóng)業(yè)信息. 2018(03)
[4]基于多元HoG及無人機航拍圖像的植被類型識別[J]. 林志瑋,丁啟祿,涂偉豪,林金石,劉金福,黃炎和.  森林與環(huán)境學(xué)報. 2018(04)
[5]基于無人機LiDAR數(shù)據(jù)在公路勘測中的應(yīng)用分析[J]. 鄭長春,梁艷玲.  測繪與空間地理信息. 2018(09)
[6]基于無人機遙感可見光影像的北疆主要農(nóng)作物分類方法[J]. 戴建國,張國順,郭鵬,曾窕俊,崔美娜,薛金利.  農(nóng)業(yè)工程學(xué)報. 2018(18)
[7]基于多源遙感數(shù)據(jù)的復(fù)雜地形區(qū)農(nóng)作物分類[J]. 史飛飛,雷春苗,肖建設(shè),李甫,石明明.  地理與地理信息科學(xué). 2018(05)
[8]無人機影像與地形指數(shù)結(jié)合的梯田信息提取[J]. 薛牡丹,張宏鳴,楊江濤,李星恕.  計算機應(yīng)用研究. 2019(08)
[9]基于無人機遙感的農(nóng)田地物識別實驗研究[J]. 鞠登磊,謝華.  科技創(chuàng)新導(dǎo)報. 2018(14)
[10]我國智慧農(nóng)業(yè)研究和應(yīng)用最新進(jìn)展分析[J]. 申格,吳文斌,史云,楊鵬,周清波.  中國農(nóng)業(yè)信息. 2018(02)

博士論文
[1]基于時序MODIS影像的農(nóng)作物遙感識別方法研究[D]. 胡瓊.中國農(nóng)業(yè)科學(xué)院 2018
[2]農(nóng)情監(jiān)測數(shù)據(jù)獲取及管理技術(shù)研究[D]. 鄒金秋.中國農(nóng)業(yè)科學(xué)院 2012

碩士論文
[1]基于無人機數(shù)碼影像的水稻產(chǎn)量估測研究[D]. 李昂.沈陽農(nóng)業(yè)大學(xué) 2018
[2]基于無人機攝影測量的地質(zhì)災(zāi)害監(jiān)測[D]. 曾躍.吉林大學(xué) 2016
[3]基于無人機遙感技術(shù)的玉米種植分布信息提取方法研究[D]. 李廣.西北農(nóng)林科技大學(xué) 2016
[4]UAV/RS3D像對森林信息提取方法研究[D]. 李蘊雅.北京林業(yè)大學(xué) 2016
[5]基于無人機遙感平臺圖像采集處理系統(tǒng)的研究[D]. 劉小龍.浙江大學(xué) 2013



本文編號：3293130