基于无人机高光谱技术的竹林冠层叶绿素含量估算方法

本发明涉及竹林冠层叶绿素含量估算，具体涉及基于无人机高光谱技术的竹林冠层叶绿素含量估算方法。

背景技术：

1、林冠是森林与外界环境相互作用最直接和最活跃的界面层，是当今生物多样性和全球气候变化研究的焦点，叶绿素是植物进行光合作用的主要色素，叶绿素含量决定了植物吸收太阳辐射量的多少，冠层叶绿素含量ccc(canopy chlorophyllcontent)是竹林重要的生物物理参量，并且对判断植物生理状况有着重要意义；无人机与搭载的多光谱相机结合实现对地面进行遥感探测的技术称为无人机多光谱技术，目前，遥感技术能够快速、高效、无损探测及评价植物健康生长状况，并且对指导精准农业、林业的发展具有重要意义。

2、现有技术中，研究者利用无人机获取rgb图像，通过构建多种颜色特征以及纹理特征，利用神经网络或支持向量机等多种机器学习算法构建叶绿素检测模型，实现了基于rgb图像植被叶绿素含量检测和估算；但是运用rgb相机获取到的信息量较少，环境背景对光谱参数影响较大，同时机器学习算法对数据集的大小和结构要求较高，面临结构复杂，中间变量过多，难以获取真实值等问题，针对竹林冠层叶绿素含量的估算，缺乏简便、高效的监测及估算方法。

3、综上所述，研发基于无人机高光谱技术的竹林冠层叶绿素含量估算方法，仍是竹林冠层叶绿素含量估算技术领域中急需解决的关键问题。

技术实现思路

1、针对现有技术所存在的问题，本发明的目的在于提供基于无人机高光谱技术的竹林冠层叶绿素含量估算方法。

2、为实现上述目的，本发明提供了如下技术方案：

3、基于无人机高光谱技术的竹林冠层叶绿素含量估算方法，包括以下步骤：

4、s1、对地面竹林进行数据采集与处理；

5、s2、采用无人机高光谱技术获取影像数据，并进行预处理；

6、s3、植被指数的选取与计算；

7、s4、统计分析；

8、s5、构建叶绿素含量估算模型。

9、本发明进一步设置为：在步骤s1中，所述对地面竹林进行数据采集与处理，包括以下步骤：

10、s11、随机剪下竹林研究区的多片竹叶，且每一片竹叶采下后立即使用地物光谱仪进行反射光谱测定，然后编号放入自封袋以保持新鲜；

11、s12、取样完成后将其置于阴暗条件下，并立即带回实验室进行叶绿素含量的测定；

12、s13、采用丙酮-乙醇混合液浸提竹叶片24h，对叶片进行萃取；

13、s14、萃取完成后，通过分光光度计在663nm与845nm处进行比色测定，用96％的乙醇溶液作为空白对照；

14、s15、计算叶绿素总含量，计算公式如下：

15、

16、其中，cc为叶绿素总含量，mg/g；ct为叶绿素总浓度，mg/l；vt为提取液总体积，ml；wf为鲜质量，g；n为稀释倍数；ca为叶绿素a浓度，mg/l；cb为叶绿素b浓度，mg/l；a663，a845分别为663nm和845nm波长的吸光度；

17、s16、对实测所得的100个样本，按照5∶4的分配比例，随机抽取80个作为建模样本，剩余20个作为验证样本。

18、本发明进一步设置为：在步骤s11中，所述使用地物光谱仪进行反射光谱测定，利用仪器内置光源及自带的叶片夹与探头进行测定，每组数据测量前进行标准白板校正，每一片竹叶测定四次，取平均值，光谱测量的波长范围为400nm-1000nm，分辨率为1nm。

19、本发明进一步设置为：在步骤s2中，所述采用无人机高光谱技术获取影像数据，并进行预处理，包括以下步骤：

20、s21、在晴朗无云天气下，并选择12：00～15：00的时间段展开作业，采用多光谱无人机搭载多光谱传感器组成信息采集系统，调整好无人机的主要参数；

21、s22、在竹林研究区布设五个地面控制点，并使用gps-rtk测量仪测量各控制点坐标，无人机在竹林研究区顶部飞行，从而获取影像数据；

22、s23、影像采集完成后，利用pix4dmapper软件进行处理，将影像导入软件中后，检查地理坐标系是否正确；

23、s24、之后在多幅图像中刺出地面控制点位置，软件精确地匹配不同图像中的同名像元，完成稀疏点云的建立；

24、s25、基于关键匹配特征点进行点云加密，生成稠密点云、正射拼接影像、数字表面模型和包含各个波段反射率的反射图。

25、本发明进一步设置为：在步骤s21中，所述无人机的主要参数包括飞行高度180m、航向重叠度80％、旁向重叠度75％、航行速度5m/s，且所述无人机配备了光强传感器和一块灰板。

26、本发明进一步设置为：在步骤s3中，所述植被指数的选取与计算，包括以下步骤：

27、s31、通过目视解译的方式，统计每个植被指数影像中的背景环境数值确定固定阈值，通过arcgis10.2栅格计算器实现对植被指数影像环境背景的剔除；

28、s32、统计竹林研究区的植被指数均值，并作为竹林研究区的植被指数值；

29、s33、根据叶绿素吸收光谱的特点，同时考虑植被指数的广泛性和实用性，选择常用的十种植被指数进行建模。

30、本发明进一步设置为：在步骤s4中，所述统计分析，采用spss26.0统计分析软件对数据进行单因素方差分析和相关分析，采用lsd法检验差异显著性，用实测值和预测值的线形拟合决定系数(r2)、均方根误差(rmse)以及相对误差(re)进行精度验证，其中决定系数越大，均方根误差和相对误差越小模型精度越高。

31、本发明进一步设置为：在步骤s5中，所述构建叶绿素含量估算模型，包括以下步骤：

32、s51、对研究区竹林冠层叶绿素含量变化进行分析；

33、s52、叶绿素含量与植被指数相关性分析；

34、s53、根据以上相关性分析结果，选择多种植被指数作为自变量，叶绿素含量cc作为因变量，两者建立多个一元线性回归模型，最后采用逐步回归分析法，建立叶绿素含量估算模型；

35、s54、使用剩余20个验证样本的叶绿素含量值和预测值进行方程拟合，确定采用逐步回归分析方法建立的叶绿素含量估算模型表现最优，实现竹林冠层叶绿素含量的估算及监测。

36、有益效果

37、采用本发明提供的技术方案，与已知的公有技术相比，具有如下有益效果：

38、(1)本发明中，该方法采用无人机高光谱技术获取影像数据，同时无人机配备了光强传感器和一块灰板，另外通过目视解译的方式，统计每个植被指数影像中的背景环境数值确定固定阈值，通过arcgis10.2栅格计算器实现对植被指数影像环境背景的剔除，解决了传统运用rgb相机获取到的信息量较少且环境背景对光谱参数影响较大的问题。

39、(2)本发明中，该方法利用无人机获取影像数据构建多种植被指数与竹林实测的叶绿素含量进行相关性分析，然后基于线性回归和逐步回归的方法，建立竹林冠层叶绿素含量优化估算模型，模型具有最高的预测精度，实现竹林冠层叶绿素含量的实时监测和估算，基于无人机高光谱技术对竹林冠层叶绿素含量估算技术，具有低成本、灵活性高、方便快捷的特点，可以作为监测竹林冠层叶绿素含量的有效手段，为竹林管理提供数据支撑；同时无人机多光谱遥感具有时效性强、空间分辨率高、方便快捷等诸多优势，能够作为竹林冠层叶绿素含量监测的有效手段，有着较好的应用前景。