利用多光谱场成像获得的植被指数预测玉米最佳收获期
摘要
1.简介
1.1. 遥感
1.2. 野外图像数据采集
1.3. 作物产量预测
2.材料和方法
2.1. 感应周期和位置
2.2. 无人机数据收集与分析
2.2.1. 归一化植被指数
2.2.2. NDRE(归一化差值红边指数)
2.2.3. GNDVI(绿色归一化植被指数)
2.3. 田间烤玉米植株样品的化学分析
2.4。 数据相关性
2.5. 验证结果方程的方法:单独的玉米田
3.结果
3.1. 化学分析
3.2. 数据关联结果
3.3. 回归模型结果
3.4. 验证回归模型
3.5. 绘制植被指数
4.讨论
4.1. 讨论化学分析结果
4.2. 讨论化学分析的结果
4.3. 讨论通过验证方程获得的结果
4.4. 讨论通过验证方程获得的结果
4.5. 比较结果
4.6. 该方法的局限性
5.结论
作者贡献
基金
数据可用性声明
利益冲突
参考文献
Janoušek,J。; Jambor,V。; 马可·P·。; 多纳尔,P。; 辛科娃,H。; Fiala,P.使用基于无人机的摄影测量获得植被指数与农业作物化学分析之间的相关性。 远程传感器。 2021 , 13 , 1878. [ 谷歌学者 ][ 交叉参考 ] 米纳西克,R。; Langhammer,J。; Lendzioch,T.使用UAS多光谱图像和深度学习在树级检测树皮甲虫干扰。 远程传感器。 2021 , 13 , 4768. [ 谷歌学者 ][ 交叉参考 ] 新墨西哥州韦特雷卡。; 加德,R.S。; 费尔南德斯,I。; Parab,J.S。; 德赛,A.R。; 帕瓦尔,J.D。; G.M.奈克。; Umapathy,S.水果质量控制应用和分类的非侵入性高光谱成像方法:苹果、奇库、番石榴果实的案例研究。 食品科学杂志。 Technol公司。 2015 , 52 , 6978–6989. [ 谷歌学者 ][ 交叉参考 ] Park,B。; 劳伦斯,K.C。; W.R.温德姆。; Smith,D.P.家禽尸体粪便和igesta检测的多光谱成像系统。 食品加工工程杂志。 2004 , 27 , 311–327. [ 谷歌学者 ][ 交叉参考 ] 岑,H。; 鲁·R。; 朱,Q。; Mendoza,F.利用特征选择和监督分类的高光谱成像对黄瓜果实冷害进行无损检测。 收获后生物学。 Technol公司。 2016 , 111 , 352–361. [ 谷歌学者 ][ 交叉参考 ] 莱奥,L。; 巴雷罗,P。; Ruiz-Altisent,M。; Herrero,A.桃子的多光谱图像与采收时的硬度和成熟度有关。 食品工程杂志。 2009 , 93 , 229–235. [ 谷歌学者 ][ 交叉参考 ][ 绿色版本 ] 张,H。; Paliwal,J。; 贾亚斯,D.S。; White,N.D.G.使用近红外反射高光谱成像和支持向量机对真菌感染的小麦籽粒进行分类。 事务处理。 ASABE美国农业协会。 生物工程。 2007 , 50 , 1779–1785. [ 谷歌学者 ][ 交叉参考 ] 卢卡斯,V。; 胡阿迪,我。; Kintl,A。; 梅泽拉,J。; Hammerschmiedt,T。; 索博特科娃,J。; 布特尼克,M。; Elbl,J.使用无人机确定油菜籽产量预测的最佳植被指数( 甘蓝型油菜 L.)开花期。 远程传感器。 2022 , 14 , 4953. [ 谷歌学者 ][ 交叉参考 ] 杜夫科娃,R。; 波兰科娃,L。; 卢卡斯,V。; Fuík,P.通过无人机图像、产量图和土壤水分含量检测到的控制瓷砖排水对春大麦生长和产量的影响。 远程传感器。 2022 , 14 , 4959. [ 谷歌学者 ][ 交叉参考 ] Gracia-Romero,A。; O.维加拉·迪亚斯。; 蒂尔费尔德,C。; 凯恩斯,J.E。; Kefauver,S.C.公司。; Araus,J.L.表型保护农业管理对津巴布韦玉米杂交表现的地面和空中遥感评估的影响。 诉讼 2018 , 2 , 7. [ 谷歌学者 ][ 交叉参考 ][ 绿色版本 ] 杨,B。; 朱伟。; 雷扎伊,E.E。; 李,J。; 孙,Z。; Zhang,J.利用高频无人机遥感预测玉米产量的最佳表型阶段。 远程传感器。 2022 , 14 , 1559. [ 谷歌学者 ][ 交叉参考 ] Matese,A。; 托斯卡诺,P。; Gennaro,S.F.公司。; Genesio,L。; Vaccari,F.P。; Primicerio,J。; Belli,C。; 扎尔迪,A。; Bianconi,R。; Gioli,B.无人机、飞机和卫星遥感平台用于精确葡萄栽培的相互比较。 远程传感器。 2015 , 7 , 2971–2990. [ 谷歌学者 ][ 交叉参考 ][ 绿色版本 ] 库马尔,A。; 德赛公司。; Balasubramanian,V.N。; Rajalakshmi,P。; 郭伟。; 奈克,B.B。; Balram,M。; 利用无人机遥感的高效玉米穗探测方法。 远程传感器应用。 Soc.环境。 2021 , 23 , 100549. [ 谷歌学者 ][ 交叉参考 ] 姚,H。; 秦,R。; Chen,X.遥感应用的无人飞行器——综述。 远程传感器。 2019 , 11 , 1443. [ 谷歌学者 ][ 交叉参考 ][ 绿色版本 ] 苏·W。; 张,M。; Bian博士。; 刘,Z。; 黄,J。; 王,W。; 吴杰。; Guo,H.利用无人机(UAV)图像对玉米植株进行表型分析。 远程传感器。 2019 , 11 , 2021. [ 谷歌学者 ][ 交叉参考 ][ 绿色版本 ] Lei,L。; 邱,C。; 李,Z。; Han,D。; Han,L。; Zhu,Y。; 吴杰。; 徐,B。; 冯·H。; Yang,H。; 等。利用UAV–LiDAR数据反演玉米叶面积指数时叶片遮挡的影响。 远程传感器。 2019 , 11 , 1067. [ 谷歌学者 ][ 交叉参考 ][ 绿色版本 ] 路易斯·J。; Pflug,B。; 梅恩·克诺恩,M。; Debaecker,V。; 美国米勒-威尔姆。; 兰农(Iannone),R.Q。; 卡多,E.G。; 博恰,V。; Gascon,F.Sentinel-2全球表面反射率水平-2a使用Sen2Cor生成的产品。 2019年7月28日至8月2日在日本横滨举行的IGARSS 2019-2019 IEEE国际地球科学和遥感研讨会论文集; 第8522–8525页。 [ 谷歌学者 ][ 交叉参考 ][ 绿色版本 ] Drusch,M。; 美国德尔·贝洛。; Carlier,S。; 科林,O。; 费尔南德斯,V。; Gascon,F。; Hoersch,B。; Isola,C。; 拉贝里尼蒂,P。; Martimort,P。; 等。哨兵-2:欧空局的GMES操作服务光学高分辨率任务。 遥感环境。 2012 , 120 , 25–36. [ 谷歌学者 ][ 交叉参考 ] 伊斯兰,M.R。; Garcia,S.C.青贮用杂交饲用玉米干物质产量预测。 作物科学。 2014 , 54 , 2362–2372. [ 谷歌学者 ][ 交叉参考 ] 黄,J。; Wang,H。; 戴奇。; Han,D.作物识别和产量估算的NDVI数据分析。 IEEE J.选择。 顶部。 申请。 地球观测遥感器。 2014 , 7 , 4374–4384. [ 谷歌学者 ][ 交叉参考 ] Wang,J。; Rich,P.M。; 价格,K.P。; 中部大平原NDVI、草地产量和作物产量之间的关系。 Geocarto国际。 2005 , 20 , 5–11. [ 谷歌学者 ][ 交叉参考 ] Cabrera-Bosquet,L。; 莫莱罗,G。; 斯特拉奇,A。; Bort,J。; 诺盖斯,s。; Araus,J.NDVI作为预测不同水分和氮条件下小麦基因型的生物量、植物氮含量和生长的潜在工具。 谷物资源公社。 2011 , 39 , 147–159. [ 谷歌学者 ][ 交叉参考 ] Sakamoto,T。; Gitelson,A.A。; T.J.Arkebauer,基于时间序列MODIS数据的美国玉米产量近实时预测。 遥感环境。 2014 , 147 , 219–231. [ 谷歌学者 ][ 交叉参考 ] Ines,A.V.公司。; Das,N.N。; Hansen,J.W。; Njoku,E.G.利用玉米产量预测的作物模拟模型对遥感土壤水分和植被进行同化。 遥感环境。 2013 , 138 , 149–164. [ 谷歌学者 ][ 交叉参考 ][ 绿色版本 ] Johnson,D.M.对预测美国玉米和大豆产量的季前和季中遥感变量的评估。 遥感环境。 2014 , 141 , 116–128. [ 谷歌学者 ][ 交叉参考 ] 马云(Ma,Y.)。; 张,Z。; Kang,Y。; 奥兹多安,M.利用贝叶斯神经网络方法,基于遥感变量的玉米产量预测和不确定性分析。 遥感环境。 2021 , 259 , 112408. [ 谷歌学者 ][ 交叉参考 ] de Oliveira,医学博士。; Ortiz公司。; 莫拉塔,G.T。; Jiménez,A.-F。; 罗利姆,G.D.S。; da Silva,R.P.使用遥感和地形指数进行玉米产量预测的机器学习算法训练。 远程传感器。 2022 , 14 , 6171. [ 谷歌学者 ][ 交叉参考 ] 唐,Z。; 郭杰。; Xiang,Y。; 卢,X。; 王,Q。; Wang,H。; 程,M。; Wang,H。; 王,X。; An,J。; 等。基于最优光谱指数的冬小麦叶面积指数和地上生物量估算。 农学 2022 , 12 , 1729. [ 谷歌学者 ][ 交叉参考 ] Muruganantham,P。; Wibowo,S。; Grandhi,S。; 新罕布什尔州萨姆拉特。; Islam,N.《利用深度学习和遥感进行作物产量预测的系统文献综述》。 远程传感器。 2022 , 14 , 1990. [ 谷歌学者 ][ 交叉参考 ] van Klompenburg,T。; 卡萨洪,A。; Catal,C.使用机器学习进行作物产量预测:系统文献综述。 计算。 电子。 农业。 2020 , 177 ,105709。 [ 谷歌学者 ][ 交叉参考 ] 哈利勒,Z.H。; Abdullaev,S.M.基于多光谱卫星图像的粮食产量预测神经网络:比较研究。 Procedia计算。 科学。 2021 , 186 , 269–278. [ 谷歌学者 ][ 交叉参考 ] 潘特,J。; 裤子,R.P。; Kumar Singh,M。; Pratap Singh,D。; Pant,H.使用机器学习统计技术分析农业作物产量预测。 马特。 今日Proc。 2021 , 46 , 10922–10926. [ 谷歌学者 ][ 交叉参考 ] 伊利亚斯,Q。; 艾哈迈德,M。; Mehmood,A.使用人工智能和遥感技术自动估计作物产量。 生物工程 2023 , 10 , 125. [ 谷歌学者 ][ 交叉参考 ] 王,R。; 切尔考尔,K。; Bowling,L.利用基于卫星的NDVI时间序列检测玉米对气候胁迫的响应。 远程传感器。 2016 , 8 , 269. [ 谷歌学者 ][ 交叉参考 ][ 绿色版本 ] Mkhabela,医学硕士。; Mkhabela,医学硕士。; N.N.Mashinini,利用NOAA的-AVHRR得出的NDVI数据预测斯威士兰四个农业生态区的早期玉米产量。 农业。 对于。 美托洛尔。 2005 , 129 , 1–9. [ 谷歌学者 ][ 交叉参考 ] 科尔霍,A.P。; 罗莎伦,D.L。; Faria,R.T.植被指数预测灌溉水平下白燕麦的生物量和产量。 特罗普。 农业。 物件。 2018 , 48 , 109–117. [ 谷歌学者 ][ 交叉参考 ][ 绿色版本 ] 布雷塔斯,I.L。; 瓦伦特,D.S。; F.F.席尔瓦。; Chizzotti,M.L。; 保利诺,M.F。; D’áurea,A.P。; Paciullo,D.S。; 不列颠哥伦比亚省佩德雷拉。; Chizzotti,F.H.通过结合气象数据和卫星图像预测Brachiaria牧场的地上生物量和干物质含量。 牧草科学。 2021 , 76 , 340–352. [ 谷歌学者 ][ 交叉参考 ] 斯沃特瓦,E。; Masuka,J.A。; Maastorp,B。; Murwira,A.光谱指数:不同种植期和施肥水平下烟烤烟草的季节干物质和产量关系。 内部附表。 Res.不。 2013 , 2013 , 816767. [ 谷歌学者 ][ 交叉参考 ][ 绿色版本 ] Maresma,A。; 张伯伦,L。; Tagarakis,A。; Kharel,T。; 戈德温,G。; Czymmek,K.J。; 护罩E。; Ketterings,Q.M.NDVI-衍生玉米产量预测的准确性受到传感时间的影响。 计算。 电子。 农业。 2020 , 169 , 105236. [ 谷歌学者 ][ 交叉参考 ] Rahetlah,私人有限公司。; 萨尔加多,P。; Andrianarisoa,B。; Tillard,E。; 拉扎芬德拉扎卡,H。; Le Mezo,L。; Ramalanjaona,V.L.马达加斯加瓦基南卡拉特拉地区归一化植被指数(NDVI)与牧草生物量产量之间的关系。 鲜活。 农村研究。 开发。 2014 , 26 ,1-11。 [ 谷歌学者 ] Gerighausen,H。; Lilienthal,H。; 贾默,T。; Siegmann,B.基于田间反射率测量的作物生长建模和产量估算的叶面积指数和干物质预测评估。 eARSeL电子流程 2016 , 14 , 71–90. [ 谷歌学者 ] 初级A.S.D.A。; 梅洛,F.D.B。; 巴斯托斯,E.A。; Cardoso,M.J.通过航空图像的植被指数评估玉米的营养状况。 Ciencia农村 2021 , 51 , 1–13. [ 谷歌学者 ][ 交叉参考 ] de Souza,R。; 佩纳-弗利塔斯,麻省理工。; 汤普森,R.B。; Gallardo先生。; Padilla,F.M.评估植被指数对辣椒氮营养指数的影响。 远程传感器。 2020 , 12 , 763. [ 谷歌学者 ][ 交叉参考 ][ 绿色版本 ] 弗洛雷斯,医学博士。; 西马里兰州帕斯科亚莱特。; Baio,F.H.R。; 坎波斯,C.N.S。; 公元前潘塔莱昂。; 特奥多罗,L.P.R。; 朱尼尔,C.A.D.S。; 不同施氮量下玉米品种植被指数与农艺性状的关系。 Biosci公司。 J。 2020 , 36 , 1638–1644. [ 谷歌学者 ][ 交叉参考 ] X.赵。; Wang,S.L。; 温·T。; 徐,J。; 黄,B。; Yan,S。; 高,G。; Zhao,Y。; 李,H。; 乔,J。; 等。不同氮效率玉米品种冠层植被与生长指数的相关性。 开放式生命科学。 2023 , 18 , 1–12. [ 谷歌学者 ][ 交叉参考 ][ 公共医学 ] Janse,P.V。; R.R.Deshmukh。; Randive,P.U.作物管理植被指数:综述。 国际期刊研究分析。 修订版IJRAR 2019 , 6 , 1–4. [ 谷歌学者 ] Price,J.根据可见光和近红外反射率数据估算叶面积指数。 遥感环境。 1995 , 52 , 55–65. [ 谷歌学者 ][ 交叉参考 ] 熊猫,S.S。; 艾姆斯,D.P。; Panigrahi,S.利用神经网络技术将植被指数应用于农业作物产量预测。 远程传感器。 2010 , 2 , 673–696. [ 谷歌学者 ][ 交叉参考 ][ 绿色版本 ] 薛,J。; Su,B.重要遥感植被指数:发展与应用综述。 J.传感器。 2017 , 2017 , 1353691. [ 谷歌学者 ][ 交叉参考 ][ 绿色版本 ] 布马,W.G。; Lee,S.-I.,基于多光谱图像的非洲乍得湖周围干旱模式和强度估计。 远程传感器。 2019 , 11 , 21. [ 谷歌学者 ][ 交叉参考 ][ 绿色版本 ] Corrigan,F.农业中的多光谱成像相机无人机产生了巨大的效益。 无人机区域 ,2020年。 在线可用: https://www.dronezon.com/learn-about-drones-quadcopters/multi-stractal-sensor-drones-in-farming-yield-big-benefits(https://www.dronezon.com/learn-about-drones-quadcopters/multi-stractal-sensor-drones-in-farming-yield-big-benefits)/ (2020年3月22日查阅)。 卡马拉诺,D。; 菲茨杰拉德,G。; 巴索,B。; 奥利里,G。; 陈,D。; 格雷斯·P。; 佛罗伦萨,C.使用冠层叶绿素含量指数(CCCI)远程估算降雨环境中的小麦氮含量。 阿格隆。 J。 2011 , 103 , 1597–1603. [ 谷歌学者 ][ 交叉参考 ] 华盛顿州鲍什。; 哈沃森,公元。; Cipra,J.Quickbird卫星和地面多光谱数据与小地块灌溉玉米的农艺参数相关。 生物晶体。 工程师。 2008 , 101 , 306–315. [ 谷歌学者 ][ 交叉参考 ] Gitelson,A.A。; Merzlyak,M.N.高等植物叶片中叶绿素浓度的遥感。 高级空间资源。 1998 , 22 , 689–692. [ 谷歌学者 ][ 交叉参考 ] u KZ u Z。 植物品种状态测试方法CISTA,根据1999年有效措辞 ; ru KZ au Z:布尔诺,捷克共和国,1999年。 [ 谷歌学者 ] Achen,C.H.“解释的方差”解释了什么? 答复。 政治分析。 1990 , 2 , 173–184. [ 谷歌学者 ][ 交叉参考 ]