【论文笔记】无人机结合纹理，颜色，光谱特征反演冬小麦LAI和LDM

本文主要是介绍【论文笔记】无人机结合纹理，颜色，光谱特征反演冬小麦LAI和LDM，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

Combining texture, color, and vegetation indices from fixed-wing UAS imagery to estimate wheat growth parameters using multivariate regression methods
无人机结合纹理，颜色，光谱特征反演冬小麦LAI和LDM（叶干生物量）
在这里插入图片描述

1.摘要：
近年来，无人机系统(UASs)发展迅速，广泛应用于作物遥感(RS)。植被指数(VI)和颜色指数(CI)是监测作物中常用的RS方法。纹理是图像的内在信息，可以反映作物的冠层结构，可用于植被分类。本研究的目的是探讨结合VI、CI和纹理来提高基于固定翼UAS图像的小麦生长参数估计精度的潜力。2017-2019年，在兴华试验站连续两年对3个小麦品种在5氮施肥下进行小麦田试验。在关键生长阶段，获得了两个常用的小麦生长参数，叶面积指数(Lai)和叶干物质(LDM)，与麦田UAS图像同步。采用简单回归(SR)来确定RS变量(VI、CI和纹理)与Lai、LDM之间的定量关系。

2.主要问题：
目前研究中有利用纹理信息进行分类的，大多是针对基于卫星平台的森林监测，而很少有研究全面评估了原始的高分辨率UAS多光谱图像用于小麦生长监测的固有纹理信息的性能。

3.本研究的主要目的是：
（1）检验固定翼UAS在小麦生长监测中的潜力；
（2）确定小麦生长参数(即Lai、LDM)与VI、CI和纹理的定量关系；
（3）评价使用不同回归方法(即MLR、RF)估算小麦生长参数的VI、CI和纹理组合。
为基于UAS图像的大规模农田上的传感器型作物监测提供技术支持。

4.实验设置：
品种和施氮实验
在这里插入图片描述

5.植被指数的计算和纹理特征的提取：
基于5个波段计算植被指数，基于GLCM （灰度共生矩阵）的8个纹理特征提取，此外还计算了一个基于NDVI形式的基于纹理的索引，即归一化差分纹理索引(NDTI)，以结合不同的纹理，根据前6个纹理组合，共计算出6个NDTIs。

6.模型构建与验证：
采用简单回归(SR)、MLR和RF三种回归方法对模型进行训练。数据预分析表明，大部分RS变量与小麦生长参数呈指数关系，因此SR模型采用指数函数。
数据集划分时，采用均值，标准差和变异系数来衡量数据划分结果。
在这里插入图片描述
7.结果：
基于独立数据集的验证结果表明，来自UAS图像的纹理可以提高小麦Lai和LDM的估计精度。利用RF的机器学习方法，它在结合VIs、CIs和TIs的不同RS指数方面具有比MLR更强大的能力，在Lai和LDM估计中进一步降低RRMSE2.74%−5.11%。此外，在不同的图像分辨率下，图像纹理的灵敏度也有所不同，相应的结果将有助于后来者进行类似的研究，以确定合适的UAS飞行高度。图像纹理作为反映作物冠层结构的有效指标，在现代作物育种和表型研究中具有很大的潜力。