遥感数据分析服务（技术简介、模型与结果）

土地利用与覆被分类

技术简介：以河套灌区五原县塔尔湖镇可见光图像为原始数据，通过试误法确定无人机遥感影像数据的最佳分割参数。再对各地物在光谱、形状、纹理特征参量中表现的特异性，分别建立决策树、支持向量机、 K-最近邻分类规则集进行土地利用类型分类。结果表明，支持向量机、策树分类法、K-最近邻分类法能较准确地提取各地物的特征，总体精度分别为82. 20%、74.00%、71.40%， Kappa系数分别为0.7659、0.6675、0.6107。

图1.无人机遥感的土地利用分类流程图

模型与结果：

图2.土地利用分类结果图

作物类型与种植面积提取

技术简介：以无人机遥感试验获取的可见光图像研究拔节期玉米种植信息提取方法。分别统计计算地物波段、颜色和纹理特征，比较各类地物特征的种内变异系数和与玉米的相对差异系数，选出适宜提取玉米种植信息的特征。经过分析发现，需要各特征组合分层分类提取玉米信息。结果表明:该方法对玉米种植信息提取有较好效果，面积提取误差在20%以内，对用无人机可见光遥感影像进行玉米种植信息提取具有一定的适用性。

图3.玉米种植信息提取流程图

模型与结果：

作物长势分析

作物覆盖度

       技术简介：以2017年1月7日到4月12日之间使用搭载多光谱相机的无人机在陕西杨凌冬小麦试验田捕获的地面分辨率2.2cm的影像为原始数据，包含红、绿、近红外的520nm-920nm波段信息，通过基于支持向量机（SVM）的监督分类算法处理第一次获取的多光谱遥感图像。分别对分类结果中的植被和土壤像元的NDVI、SAVI、MSAVI三种植被指数进行统计，进而获得相应的区分植被和土壤像元阈值，分别为0.4756、0.7056和0.6350。基于同步采集的地面分辨率可达0.8cm的高清可见光遥感影像提取相应时期的冬小麦覆盖度参考值。提取结果表明，基于无人机多光谱遥感技术及植被指数法可以较好的提取冬小麦越冬期、拔节期、挑旗期和抽穗期的植被覆盖度信息；且与SAVI、SAVI相比，基于NDVI指数的提取效果最好。

图8.小麦覆盖度提取流程图

        模型与结果：

图9. NDVI、SAVI、MSAVI三种指数的阈值提取

图10.冬小麦覆盖度变化曲线

图11.冬小麦植被覆盖度提取结果

作物高度

       技术简介：在作物的生长周期内，对植株高度的监测能够帮助生产者更好地掌握作物的生长信息，根据其长势情况结合其他作物参数进行灌水、施肥等调控。植株高度在一定程度上可以反映作物的产量。作物的杆节间的粗度和充实度决定了茎秆中干物质的累积和贮藏能力，由此间接得到植株的生物积累，从而估算出作物产量。基于无人机遥感的玉米高度估算，通过对无人机多光谱拍摄的照片进行点云数据提取，最终进行玉米高度的估算。

图12.作物高度提取流程图

    模型与结果：

图13.五个区域玉米株高变化趋势图

图14.植被指数变化图                                                                                                   图15.玉米高度提取示意图

冠层结构

       技术简介：用单反相机从不同角度拍摄的水稻冠层的图像为原始数据，用监督分类的方法，提取冠层穗子面积与叶片面积。

       模型与结果：

图16.水稻穗子和叶片提取结果图

叶面积指数（LAI）

   技术简介：基于无人机遥感的玉米叶面积指数研究，通过对无人机多光谱拍摄的照片进行植被指数提取，通过LAI-2200C植物冠层分析仪实测出玉米的叶面积指数，找出玉米植被指数和叶面积指数的关系。建立叶面积指数和植被指数的关系模型，通过验证，评估植被指数提取的误差，并估算叶面积指数。

图17.LAI提取技术路线图

    模型与结果：

图18.植被指数与LAI的拟合结果图

作物水肥亏缺与病虫害诊断

水分诊断

   技术简介：作物蒸散量（Evapotranspiration，ET）主要由土壤蒸发（Evaporation）和作物蒸腾（Transpiration）两部分组成，是连接生态与水文过程的重要纽带，其快速监测对准确制定和管理大田灌溉制度及提高大田灌溉用水效率有着非常关键的作用。联合国粮农组织（Food and Agricultural Organization，FAO）提出了参考作物蒸散量（Reference Evapotranspiration，ET0），由ET0和作物系数估算ET。FAO-56作物系数法是世界公认的估算作物蒸散量方法，具有操作简便，精度可靠、实用性强等特点，在世界范围内被广泛地应用。无人机遥感技术由于其平台构建容易、运行维护简便、分辨率高、作业周期短等特点，为估算大田作物系数提供了新的解决方案。

图19.水分诊断技术路线图

    模型与结果：

图20.快速生长期玉米植被指数与作物系数Kc关系图

作物水分胁迫指数（Crop Water Stress Index，CWSI）

   技术简介：众所周知，作物蒸腾作用具有降温效应，不同水分胁迫状态下作物实际蒸腾速率不同，相比于无水分胁迫的作物，其具有较高的冠层温度。基于这种现象以及红外测温技术的发展，以冠层温度为基础建立的作物水分胁迫监测指数得到了广泛的应用。目前，应用最为广泛的为作物水分胁迫指数（Crop water stress index，CWSI）模型，可以有效的监测多种作物的水分胁迫状况。为了得到作物水分胁迫状况的面状分布信息，我公司结合无人机多光谱遥感技术建立了CWSI和多光谱植被指数之间的关系模型。

模型与结果：

图21.大田玉米CWSI分布图

作物水肥无人机遥感诊断模型开发

技术简介：在陕西省杨凌示范区，巨良基地、杏林基地、汇承果业基地、揉谷基地，建立基于无人机多光谱遥感技术的土壤水肥诊断模型。

多光谱无人机水诊断模型如下：

   （1）

其中：CDN1、CDN2、CDN3为无人机遥感多光谱三波段（绿、红和近红外波段）；a、b为生长期调整系数。

多光谱无人机肥诊断模型如下：

(2)

其中：CDN1、CDN2、CDN3为无人机遥感多光谱三波段（绿、红和近红外波段）；a、b为生长期调整系数。

   模型与结果：

图22.汇承果业、揉谷基地水肥检测结果

图23. 四监测点旱情监测情况

图24.四监测点肥力（P）监测情况

作物不同生长期水肥诊断知识库、模型库系统开发

技术简介：系统工作模型如图所示，包括了作物水肥模型相关资源进行分类和维护，支持作物模型的存储、管理、查询、分析、调用的计算机操作应用系统。系统由作物模型库、模型库管理系统、系统接口、系统用户4个部分组成。

系统将陈述型知识、过程型知识、结构型知识，如水分管理知识规则、土壤管理知识规则、叶片养分知识、定量遥感知识规则按照类别，选择合理的知识表示方式，分别入库。

作物模型的存储功能采用程序+数据库的表示方法；模型主体采用程序文件形式存储，程序输入输出接口用XML格式，存储用DLL格式。为实现作物类别库和模型的树型结构，采用关系数据库进行表示，采用深度优先算法进行模型映射。

 图25.系统工作模型图

模型与结果

图26.系统初始界面图

                                                              图27.多光谱诊断结果界面                                          图28 苹果缺素知识库界面