近日,湖南农大的崔国贤团队在Agronomy上发表了题为“Influence of Structure and Texture Feature on Retrieval of Ramie Leaf Area Index”的文章,根据冠层结构的差异对苎麻进行分类,利用PhenoAI air系统采集的多特征遥感指标构建了苎麻叶面积指数(LAI)的最优估计模型。
doi : 10.3390/agronomy13071690
01
试验步骤
确定研究区域
确定图像采集时间LAI-2200冠层分析仪
LAI-2200冠层分析仪采集地面叶面积指数
多光谱无人机获取苎麻顶篷图像
采用PhenoAI air系统提取各样块的多光谱数据
构建模型并评估精度
拟解决的问题
确定了结构特征和纹理特征对苎麻LAI估计的贡献
通过多特征数据融合构建了最优苎麻LAI估计模型
图1.研究区域概述
02
该研究将360个苎麻样本按冠层覆盖率(CC)分为稀疏冠层结构数据集(“稀疏数据集”)和闭合冠层结构数据集(“闭合数据集”),研究不同CC对苎麻LAI反演性能的影响。
图2.不同冠层覆盖数据集中苎麻LAI的差异
图3.不同数据集中CC和LAI之间的皮尔逊相关系数
03
为了解释CC对苎麻LAI反演的影响,分别使用两个数据集来测试LAI估计模型的性能。
图4.全数据集、封闭数据集和稀疏数据集的反演性能
04
将苎麻品种根据株高(PH)分为短柄(100 cm以下)、中柄(100~200 cm之间)和长柄(200 cm以上)。最终得出短柄苎麻PH与LAI相关性极显著,相关系数为0.789。然而,PH与中长柄苎麻LAI的相关性较弱。
图5.不同株高数据集中的苎麻LAI差异
图6.不同数据集中植物高度与LAI之间的皮尔逊相关性
05
为探究纹理特征(TF)对苎麻LAI反演的影响,提取了8个纹理特征值。
图7.整个数据集、短柄、中柄和长柄数据集的反演性能
通过整合遥感影像中提取的多种特征参数,提高了苎麻LAI估计的准确性,阐明了结构纹理特征(植被盖度、株高、纹理)差异对作物LAI估计的影响。通过整合光谱特征和TF进行LAI反演。TF的引入对LAI反演产生了积极影响。与光谱特征的反演效应相比,融合光谱和TF的SVR反演模型的性能略有提高,R²达到0.763,RMSE达到0.760。
图8.纹理特征与LAI之间的皮尔逊相关性
图9.通过集成光谱特征和纹理特征进行苎麻LAI反演
本研究利用PhenoAI air系统提取了高精度图像数据整合遥感影像中提取的多种特征参数,提高了苎麻LAI估算模型的准确性,阐明了结构纹理特征(植被盖度、株高、纹理)差异对作物LAI估计的影响,实现了无人机遥感技术与机器学习技术的结合。