0
  • 聊天消息
  • 系統(tǒng)消息
  • 評論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會員中心
电子发烧友
开通电子发烧友VIP会员 尊享10大特权
海量资料免费下载
精品直播免费看
优质内容免费畅学
课程9折专享价
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

基于無人機(jī)高光譜影像的黑土區(qū)玉米農(nóng)田土壤有機(jī)質(zhì)估算

萊森光學(xué) ? 來源:萊森光學(xué) ? 作者:萊森光學(xué) ? 2024-01-23 17:47 ? 次閱讀
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

基于無人機(jī)高光譜影像的黑土區(qū)玉米農(nóng)田土壤有機(jī)質(zhì)估算

引言

東北黑土區(qū)作為我國重要的糧食生產(chǎn)優(yōu)勢區(qū)及商品糧供給地,玉米作為其主要作物之一,每年的產(chǎn)量占全國總產(chǎn)量的30%以上。長期以來對黑土的過度開發(fā)利用導(dǎo)致土地退化嚴(yán)重,土壤有機(jī)質(zhì)(SOM)含量作為土壤的重要組成部分,是反映土壤的肥力和質(zhì)量的主要標(biāo)志之一,對作物的生長發(fā)育有著顯著影響。因此,快速、精確地監(jiān)測黑土區(qū)玉米關(guān)鍵生育期的SOM含量及其空間差異,在農(nóng)田精準(zhǔn)施肥、玉米長勢監(jiān)測、東北黑土地保護(hù)及可持續(xù)利用等方面具有重要意義。

北黑土區(qū)長期被作物和積雪所覆蓋,為快速、精確地監(jiān)測黑土區(qū)的SOM帶來了挑戰(zhàn),已有學(xué)者針對東北黑土區(qū)SOM的遙感估算開展了大量研究。無人機(jī)遙感兼具時效快、低成本、高空間分辨率、不受云層影響等優(yōu)點(diǎn),在中小尺度的SOM估算方面受到了部分研究者的青睞。

實(shí)驗(yàn)部分

2.1 研究區(qū)概況

研究區(qū)位于吉林省梨樹縣境內(nèi)(圖1)四棵樹鄉(xiāng)的三棵樹村,地理位置43°20′17.4″N,124°0′29.1″E,屬北溫帶半濕潤大陸性季風(fēng)氣候,土壤類型主要為黑土(黏化濕潤均腐土),四季分明。年均氣溫6.5℃,年日照時數(shù)2541h,作物生長期(5月—9月)內(nèi)為1192h。年積溫>0℃積溫3244℃,>10℃積溫3030℃;無霜期155d。

wKgZomWviyaAP42_AARlCVMb7NA624.png

圖1研究區(qū)的地理位置

如圖1所示,試驗(yàn)田為已經(jīng)進(jìn)行多年的長期定位施肥試驗(yàn),設(shè)置為玉米連作區(qū)的單因子裂區(qū)試驗(yàn)。裂區(qū)分別設(shè)置為傳統(tǒng)耕作和條耕秸稈覆蓋兩種耕作方式,每種耕作方式下包含3種施肥處理,分別為氮梯度、磷梯度和鉀梯度,每種處理設(shè)置4次重復(fù)。氮梯度為尿素(46%N)控制,其中磷肥和鉀肥施用量分別為75和90kg·hm-2,氮肥施用設(shè)置5個水平:N1(0kg·hm-2)、N2(60kg·hm-2)、N3(120kg·hm-2)、N4(180kg·hm-2)、N5(240kg·hm-2);磷肥為過磷酸鈣(18%P2O5)控制,其中氮肥和鉀肥施用量分別為180和90kg·hm-2,磷肥施用設(shè)置5個水平:P1(0kg·hm-2)、P2(25kg·hm-2)、P3(50kg·hm-2)、P4(75kg·hm-2)、P5(100kg·hm-2);鉀肥為氯化鉀(50%K2O)控制,其中氮肥和磷肥施用量分別為180和75kg·hm-2,鉀肥施用設(shè)置5個水平:K1(0kg·hm-2)、K2(30kg·hm-2)、K3(60kg·hm-2)、K4(90kg·hm-2)、K5(120kg·hm-2)。共計(jì)120個小區(qū),小區(qū)面積為133m2,行距設(shè)置為70cm,種植密度62000株·hm-2。

2.2土壤數(shù)據(jù)的采集和分析

根據(jù)玉米的生長狀況及天氣情況,采樣時間分別為2019年玉米的拔節(jié)期(6月23日)和吐絲期(8月1日)。根據(jù)五點(diǎn)采樣法,在每個小區(qū)進(jìn)行樣品采集,每個生育期采集120個樣本,兩生育期共計(jì)采集240個樣本,樣本采集的同時利用GPS記錄每個樣本的坐標(biāo),以便之后在高光譜數(shù)據(jù)中獲取與采樣點(diǎn)對應(yīng)的植被冠層光譜反射率值(R)。然后在室內(nèi)進(jìn)行土壤樣品的稱量后磨、風(fēng)干,過2mm篩,用重鉻酸鉀容量法測定SOM含量。為增加建模結(jié)果的代表性,分別進(jìn)行了單生育期和兩生育期的數(shù)據(jù)分析及建模。將不同數(shù)據(jù)集按照7:3的比例進(jìn)行5次隨機(jī)劃分,其中70%作為估算模型的建模集(單生育期為84個樣本,兩生育期為168個樣本),其余30%則作為驗(yàn)證集(單生育期為36個樣本,兩生育期為72個樣本)。然后求?。荡谓=Y(jié)果的平均值,使其結(jié)果更可靠。通過軟件對各生育期采樣點(diǎn)的SOM含量進(jìn)行統(tǒng)計(jì)分析,結(jié)果見表1。

表1 土壤樣本有機(jī)質(zhì)含量的統(tǒng)計(jì)特征

wKgaomWviyaATz55AAIb2mF6dyA999.png

2.3無人機(jī)高光譜影像的采集

選擇晴朗無云,光照充足的無風(fēng)或微風(fēng)天氣,于北京時間10:00—15:00進(jìn)行高光譜影像的采集(太陽高度角大于45°)。利用無人機(jī)搭載相機(jī),獲取影像數(shù)據(jù)。在影像上均勻選取若干個參考點(diǎn),并以此為依據(jù)進(jìn)行幾何校正,確保影像誤差不超過0.5個像元,最終得到影像中各像元的光譜反射率值。

wKgZomWviyaAfmHzAAAZF5JFtvg583.png

式(1)中,R目標(biāo)為目標(biāo)地物的反射率,DN目標(biāo)為目標(biāo)地物的DN均值,DN參考板為白色參考板的DN均值,R參考板為白色參考板的反射率值。

2.4無人機(jī)高光譜影像的采集

高光譜影像數(shù)據(jù)的波段數(shù)較多,其變量之間存在較為嚴(yán) 重的多重共線性。而由于作物的覆蓋使得我們無法直接獲取 土壤的光譜反射率。但土壤條件的差異會造成植被長勢的不同,最終體現(xiàn)在植被冠層的光譜特征上。因此利用作物冠層 的光譜指數(shù)以監(jiān)測作物在不同生育期的生長特征。選取了增 強(qiáng)植被指 數(shù)(EVI)、可 見 光 耐 大 氣指 數(shù)(VARI)和 近 紅外/近紅外(NIR/NIR)等20種 植被指數(shù)。

SOM估算模型的構(gòu)建與驗(yàn)證

本文采用以下幾種模型構(gòu)建并驗(yàn)證結(jié)果

(1)多元逐步線性回歸模型

SMLR的基本思想是按變量的方差貢獻(xiàn)度,從21種協(xié)變量中逐一挑選重要變量并引入回歸模型,每次引入后都會對未選入的所有變量重新進(jìn)行預(yù)測誤差判斷,使得先前剔除的變量在新變量引入后對模型在具有貢獻(xiàn)時又被重新選入。直至篩選出最優(yōu)參數(shù)、建立最優(yōu)反演模型為止,回歸方程中始終只保留重要的變量。

(2)隨機(jī)森林模型

RF是將Bagging與決策樹算法進(jìn)行結(jié)合所得到的集成學(xué)習(xí)算法。該算法可以有效避免模型訓(xùn)練時的過擬合現(xiàn)象,同時有效抑制噪聲的負(fù)面影響,有利于地物高光譜特征的綜合利用。為防止過度擬合,初始的ntree(樹的數(shù)量)設(shè)置為500,mtry(每個拆分中可供選擇的變量數(shù)量)則設(shè)置為所有自變量的個數(shù)。

(3)支持向量機(jī)模型

SVM是一種二分類模型的機(jī)器學(xué)習(xí)方法,它在高維或無限維空間中構(gòu)造一個或一組超平面對樣本進(jìn)行分割,可用于分類或回歸。通過不同類型的核函數(shù)(如線性、徑向、Sig-moid和多項(xiàng)式)實(shí)現(xiàn)超平面之間的良好分離。本研究選擇了線性核函數(shù),基于帶寬代價參數(shù)和不敏感損失函數(shù)對支持向量機(jī)模型進(jìn)行了調(diào)整。

(4)XGBoost模型

XGBoost是在梯度下降樹(GBDT)的基礎(chǔ)上對boosting算法進(jìn)行改進(jìn)的樹結(jié)構(gòu)增強(qiáng)模型。其基本思想是:首先構(gòu)建多個CART模型對數(shù)據(jù)集進(jìn)行預(yù)測,隨后將這些樹集成為一個新的樹模型,通過不斷地迭代提升,每次迭代生成的新樹模型都會擬合前一棵樹的殘差,直到達(dá)到最佳訓(xùn)練效果。

最后,選用決定系數(shù)(R2)、均方根誤差(RMSE)和歸一化均方根誤差(nRMSE)3個參數(shù)進(jìn)行上述4種估算模型的精度評價。其中,R2用來評價模型的擬合優(yōu)度,取值范圍在0~1之間,越接近1,說明擬合程度越好。RMSE和nRMSE用來衡量SOM預(yù)測值與觀測值之間的偏差,其值越小,說明預(yù)測效果越好。其公式如式(3)、式(4)和式(5)所示

wKgaomWviyeAF7_gAABbD4uOZPM323.png

式中:Xi和Yi分別為SOM實(shí)測值和SOM預(yù)測值;為SOM實(shí)測值的均值;為SOM預(yù)測值的均值;n為樣本數(shù)。

討論

無人機(jī)技術(shù)作為一種新型的遙感手段,兼具時效快、成本低、空間分辨率高、不受云層影響等優(yōu)點(diǎn),在開展精準(zhǔn)農(nóng)業(yè)研究中具有重要意義。無人機(jī)高光譜影像含有豐富的光譜信息,有研究表明其在SOM估算方面具有切實(shí)可行性,而本研究也發(fā)現(xiàn)在田塊尺度上進(jìn)行SOM的估算可以充分發(fā)揮其作用。然而,SOM的估算研究大多集中在地形變化明顯的大范圍區(qū)域,其生物或氣候因素差異較大。本研究區(qū)尺度較小,其氣候、地形、坡度和母質(zhì)等均無明顯差異,增加了SOM含量估算的難度。長期施對土壤有機(jī)質(zhì)含量有著顯著影響,施用化肥(NPK)會加速SOM的分解,其SOM含量從第3年開始便下降明顯。而施用鉀肥可以提高土壤鉀,SOM對土壤鉀具有“稀釋效應(yīng)”,兩者之間存在顯著的負(fù)相關(guān)關(guān)系。因此,本研究選用施肥量作為協(xié)變量參與建模,同時通過SOM與施肥量的相關(guān)分析同樣也發(fā)現(xiàn)SOM與施肥量具有非常顯著的負(fù)相關(guān)關(guān)系。

wKgZomWviyeADi4kAAGTj-ps9vA195.png

圖2 SOM與各波段光譜反射率的相關(guān)系數(shù)

SOM與可見光及近紅外波段之間的響應(yīng)關(guān)系密切,而黑土有機(jī)質(zhì)響應(yīng)波段則在415~1380nm。本研究通過SOM與試驗(yàn)區(qū)高光譜數(shù)據(jù)的相關(guān)分析發(fā)現(xiàn),其響應(yīng)波段在450~640nm處,與上述裸土的響應(yīng)波段存在一定差異。由于地表植被覆蓋使得獲取地表動態(tài)反饋?zhàn)兊酶永щy,土壤有機(jī)質(zhì)與光譜反射率的關(guān)系也隨之減弱,而玉米冠層葉綠素含量較高,使得其與綠波段的相關(guān)性更強(qiáng)。吐絲期的SOM與光譜反射率的相關(guān)性相較于拔節(jié)期在550~640nm處的相關(guān)關(guān)系更弱,這可能是由于吐絲期相較于拔節(jié)期裸露土壤面積減少的原因。土壤有機(jī)質(zhì)與光譜指數(shù)的相關(guān)性并不太顯著,可能是因?yàn)橄嚓P(guān)系數(shù)只能衡量兩個分布之間的線性相關(guān)關(guān)系,多元變量間線性或非線性的相關(guān)關(guān)系則不能完全通過相關(guān)系數(shù)來體現(xiàn)。但通過引入施肥量作為協(xié)變量后,發(fā)現(xiàn)施肥量和部分光譜指數(shù)與SOM的相關(guān)性相較于光譜指數(shù)與SOM的相關(guān)性更高。

表2 不同SOM估算模型的精度評價

wKgaomWviyeAZBonAAG-J7LrI5Q996.png

同時,如表2所示,在田塊尺度下將施肥量作為協(xié)變量引入可以提高模型的R2,并降低RSME。同時,通過特征重要性評分發(fā)現(xiàn),施肥量作為協(xié)變量對SOM估算的貢獻(xiàn)率最大,而各光譜指數(shù)的貢獻(xiàn)率則相對較小。

wKgaomWviyiAQRKaAAYU3Z8lOOQ177.png

圖3 SOM與各協(xié)變量的相關(guān)系數(shù)

經(jīng)過特征變量篩選后所建立的RF、SVM和XGBoost模型,根據(jù)驗(yàn)證集的驗(yàn)證結(jié)果發(fā)現(xiàn)XGBoost模型在拔節(jié)期精度(R2=0.590,RMSE=0.222,nRMSE=0.126)、吐絲期精度(R2=0.380,RMSE=0.357,nRMSE=0.197)和兩生育期組合精度(R2=0.453,RMSE=0.277,nRMSE=0.155),其估算效果均較好。有研究者利用地物光譜儀建立的蘋果果園土壤有機(jī)質(zhì)估算模型,發(fā)現(xiàn)RF模型反演效果較好(R2為0.880,RMSE為0.142)。

wKgZomWviyiAduP3AALl4QmnHdU393.png

圖4特征變量在不同生育期的重要性

本研究與其他研究結(jié)果相比精度較低,原因可能是由于本研究選取了不同耕作處理和不同施肥處理兩種不同處理?xiàng)l件相結(jié)合,且以整個小區(qū)地塊為研究基礎(chǔ),增加了數(shù)據(jù)的復(fù)雜性;而本研究建立了作物覆蓋下土壤有機(jī)質(zhì)的估算模型,雖然模型的精度有所降低,但是驗(yàn)證了田塊尺度下以施肥量和光譜指數(shù)作為協(xié)變量所構(gòu)建模型在植被覆蓋下、不同條件田塊間的適用性。

XGBoost是一種兼具線性模型求解器和樹的學(xué)習(xí)算法,同時支持列抽樣,內(nèi)置了交叉驗(yàn)證,相比于RF來說更具優(yōu)勢。但是在優(yōu)化模型時,RF模型只需要調(diào)整決策樹的數(shù)量ntree和節(jié)點(diǎn)數(shù)mtry兩個關(guān)鍵參數(shù)即可,XGBoost需要調(diào)整的參數(shù)則更多。為提高模型的估算精度,今后還需針對模型參數(shù)的調(diào)整進(jìn)行嘗試和優(yōu)化,針對田塊尺度的SOM估算還需尋找更有價值的輔助變量,建立更具代表性的SOM估算模型。同時,通過原始波段變換和不同植被指數(shù)的選取,可能會提高有機(jī)質(zhì)含量與光譜特征的相關(guān)性,對模型的精度也會有所影響。此外,本工作利用高光譜影像數(shù)據(jù)估算SOM含量,僅利用了同一類型土壤的一年田間采樣數(shù)據(jù)。今后為提高估算模型的精度和適用性,需要選擇不同的黑土類

型試驗(yàn)區(qū)域并累計(jì)多年試驗(yàn)數(shù)據(jù)進(jìn)行深入分析。

結(jié)論

(1)利用無人機(jī)高光譜影像在對SOM的估算方面具有較大潛力。在植被覆蓋條件下,當(dāng)波長為450~640nm時,SOM含量與光譜反射率呈顯著相關(guān)關(guān)系。利用植被冠層的光譜特征間接估算SOM含量具有可行性。

(2)在田塊尺度下,研究區(qū)域的氣候、地形、坡度和母質(zhì)等因素均無明顯差異,以施肥量和光譜指數(shù)作為協(xié)變量參與建模可實(shí)現(xiàn)SOM含量的精準(zhǔn)估算。而且,將施肥量作為協(xié)變量可以提高模型的估算精度。

(3)對比4種SOM估算模型,XGBoost相較于SMLR、SVM和RF模型的精度更高,且針對拔節(jié)期SOM含量的估算能力最好。本研究可用于耕地質(zhì)量評價、土壤有機(jī)碳庫估算,為農(nóng)田精準(zhǔn)施肥和東北黑土地保護(hù)及可持續(xù)利用提供理論依據(jù)與科學(xué)參考。

推薦

便攜式高光譜成像系統(tǒng) iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫(yī)學(xué)醫(yī)療、精準(zhǔn)農(nóng)業(yè)、礦物地質(zhì)勘探等領(lǐng)域的最新產(chǎn)品,主要優(yōu)勢具有體積小、幀率高、高光譜分辨率高、高像質(zhì)等性價比特點(diǎn)采用了透射光柵內(nèi)推掃原理高光譜成像,系統(tǒng)集成高性能數(shù)據(jù)采集與分析處理系統(tǒng),高速USB3.0接口傳輸,全靶面高成像質(zhì)量光學(xué)設(shè)計(jì),物鏡接口為標(biāo)準(zhǔn)C-Mount,可根據(jù)用戶需求更換物鏡。

wKgaomWviymAF2tTAAG-q9GWvYo801.png


審核編輯 黃宇

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請聯(lián)系本站處理。 舉報(bào)投訴
  • 無人機(jī)
    +關(guān)注

    關(guān)注

    231

    文章

    10812

    瀏覽量

    186477
  • 高光譜
    +關(guān)注

    關(guān)注

    0

    文章

    414

    瀏覽量

    10294
收藏 0人收藏
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

    評論

    相關(guān)推薦
    熱點(diǎn)推薦

    土壤有機(jī)質(zhì)含量檢測儀的自身特點(diǎn)是什么

    土壤有機(jī)質(zhì)含量檢測儀恒美HM-YJA快速測量土壤中的有機(jī)質(zhì)成分,土壤中的氮磷等營養(yǎng)元素來源于土壤中的有機(jī)
    發(fā)表于 04-30 14:06 ?527次閱讀

    土壤有機(jī)質(zhì)含量檢測儀可以檢測哪些項(xiàng)目

    【霍爾德儀器HED-FYJ】土壤有機(jī)質(zhì)含量檢測儀檢測土壤肥力狀態(tài)。土壤有機(jī)質(zhì)含量檢測儀由霍爾德測土儀器廠家專業(yè)生產(chǎn)提供土壤有機(jī)質(zhì)含量檢測儀檢測服務(wù),致力于
    發(fā)表于 06-24 10:34 ?762次閱讀

    高精度農(nóng)業(yè)土壤肥料養(yǎng)分檢測儀的特點(diǎn)

    土壤是農(nóng)業(yè)生產(chǎn)不可替代的生產(chǎn)資料,只有提高土壤有機(jī)質(zhì)增強(qiáng)土壤.肥力,才能滿足隨人口增長而上升的糧食需求。要增加土壤有機(jī)質(zhì)含量,就要增加土壤有機(jī)質(zhì)
    發(fā)表于 07-06 11:14 ?239次閱讀

    土壤有機(jī)質(zhì)檢測儀產(chǎn)品簡介

    土壤有機(jī)質(zhì)檢測儀【恒美 HM-YJA】由恒美土壤肥料養(yǎng)分速測儀廠家專業(yè)生產(chǎn)提供土壤肥力檢測儀【恒美】技術(shù)服務(wù),致力于土壤有機(jī)質(zhì)檢測儀【恒美 HM-YJA】的研發(fā)與生產(chǎn),檢測儀器性能穩(wěn)定
    發(fā)表于 08-04 11:11 ?383次閱讀

    有機(jī)肥含量檢測設(shè)備的功能特點(diǎn)說明

    有機(jī)肥含量檢測設(shè)備的功能特點(diǎn)說明【霍爾德儀器HED-FC】土壤是農(nóng)業(yè)生產(chǎn)不可替代的生產(chǎn)資料,只有提高土壤有機(jī)質(zhì)增強(qiáng)土壤.肥力,才能滿足隨人口增長而上升的糧食需求。要增加
    發(fā)表于 09-16 11:48 ?300次閱讀

    土壤有機(jī)質(zhì)檢測儀的特點(diǎn)及技術(shù)指標(biāo)

    土壤有機(jī)質(zhì)檢測儀【恒美HM-YJA】實(shí)現(xiàn)土壤有機(jī)質(zhì)定量檢測,儀器性能可靠。土壤有機(jī)質(zhì)檢測儀由恒美電子土壤養(yǎng)分檢測儀器廠家專業(yè)生產(chǎn)提供土壤有機(jī)質(zhì)
    發(fā)表于 09-23 10:27 ?430次閱讀

    有機(jī)肥含量檢測設(shè)備儀器特點(diǎn)有哪些

    有機(jī)肥含量檢測設(shè)備儀器特點(diǎn)有哪些【霍爾德儀器HED-FC】土壤是農(nóng)業(yè)生產(chǎn)不可替代的生產(chǎn)資料,只有提高土壤有機(jī)質(zhì)增強(qiáng)土壤.肥力,才能滿足隨人口增長而上升的糧食需求。要增加
    發(fā)表于 09-28 09:49 ?350次閱讀

    測定土壤有機(jī)質(zhì)的方法有哪些?

    測定測定土壤有機(jī)質(zhì)含量,一般是采用專業(yè)的儀器設(shè)備來進(jìn)行檢測的。土壤養(yǎng)分檢測儀【萊恩德】可以快速測定土壤中的有機(jī)質(zhì)、氮、磷、鉀等等。是現(xiàn)代農(nóng)業(yè)土壤
    發(fā)表于 10-12 17:11 ?2692次閱讀

    東北地理所在土壤有機(jī)質(zhì)光譜預(yù)測研究中取得進(jìn)展

    光譜特征參數(shù)是對光譜曲線吸收特征的描述,在土壤屬性預(yù)測和土壤分類中被廣泛使用。因不同土壤的理化性質(zhì)差異會引起
    的頭像 發(fā)表于 04-19 14:24 ?1117次閱讀

    無人機(jī)光譜農(nóng)田信息監(jiān)測中的應(yīng)用

    今天,我們講講無人機(jī)光譜是如何在農(nóng)田信息監(jiān)測中應(yīng)用的??焖賹?shí)時地掌握農(nóng)田信息是實(shí)施精準(zhǔn)農(nóng)作的基礎(chǔ)。以
    的頭像 發(fā)表于 04-24 10:11 ?3070次閱讀

    煤炭礦區(qū)耕地土壤有機(jī)質(zhì)無人機(jī)光譜遙感估測

    進(jìn)行預(yù)測,并對模型預(yù)測結(jié)果進(jìn)行精度評價,將優(yōu)選模型代入無人機(jī)光譜影像進(jìn)行有機(jī)質(zhì)填圖,得到耕地范圍內(nèi)的
    的頭像 發(fā)表于 09-20 11:54 ?1091次閱讀
    煤炭礦區(qū)耕地<b class='flag-5'>土壤有機(jī)質(zhì)</b><b class='flag-5'>無人機(jī)</b><b class='flag-5'>高</b><b class='flag-5'>光譜</b>遙感估測

    無人機(jī)光譜影像是否真的可以提升農(nóng)業(yè)生產(chǎn)效率?

    農(nóng)業(yè)是全球經(jīng)濟(jì)中的重要組成部分,而提高農(nóng)業(yè)生產(chǎn)效率一直是農(nóng)業(yè)領(lǐng)域的重要挑戰(zhàn)之一。隨著科技的不斷發(fā)展,無人機(jī)光譜影像技術(shù)逐漸引起了廣泛關(guān)注。這項(xiàng)技術(shù)利用
    的頭像 發(fā)表于 01-30 11:53 ?881次閱讀
    <b class='flag-5'>無人機(jī)</b><b class='flag-5'>高</b><b class='flag-5'>光譜</b><b class='flag-5'>影像</b>是否真的可以提升農(nóng)業(yè)生產(chǎn)效率?

    比較基于無人機(jī)光譜影像和傳統(tǒng)方法的土壤類型分類精度

    遙感技術(shù)的應(yīng)用為土壤分類提供了新的可能性。光譜影像技術(shù)是無人機(jī)遙感中的重要組成部分,其能夠提供大量的土地表面
    的頭像 發(fā)表于 02-19 16:55 ?769次閱讀
    比較基于<b class='flag-5'>無人機(jī)</b><b class='flag-5'>高</b><b class='flag-5'>光譜</b><b class='flag-5'>影像</b>和傳統(tǒng)方法的<b class='flag-5'>土壤</b>類型分類精度

    基于光譜遙感的山區(qū)耕地土壤有機(jī)質(zhì)反演研究V1.0

    貴州省地形復(fù)雜且氣候多變,土壤干旱和侵蝕較為嚴(yán)重,耕地分布零碎同時土壤類型多樣,使得部分地區(qū)農(nóng)田耕作化程度低,造成土壤資源浪費(fèi)。合理的方法定量監(jiān)測出山區(qū)耕地SOM含量從微觀角度來說能提
    的頭像 發(fā)表于 05-31 15:50 ?712次閱讀
    基于<b class='flag-5'>高</b><b class='flag-5'>光譜</b>遙感的山區(qū)耕地<b class='flag-5'>土壤有機(jī)質(zhì)</b>反演研究V1.0

    基于光譜遙感的山區(qū)耕地土壤有機(jī)質(zhì)反演研究2.0

    貴州省地形復(fù)雜且氣候多變,土壤干旱和侵蝕較為嚴(yán)重,耕地分布零碎同時土壤類型多樣,使得部分地區(qū)農(nóng)田耕作化程度低,造成土壤資源浪費(fèi)。合理的方法定量監(jiān)測出山區(qū)耕地SOM含量從微觀角度來說能提
    的頭像 發(fā)表于 06-11 11:45 ?1574次閱讀
    基于<b class='flag-5'>高</b><b class='flag-5'>光譜</b>遙感的山區(qū)耕地<b class='flag-5'>土壤有機(jī)質(zhì)</b>反演研究2.0

    電子發(fā)燒友

    中國電子工程師最喜歡的網(wǎng)站

    • 2931785位工程師會員交流學(xué)習(xí)
    • 獲取您個性化的科技前沿技術(shù)信息
    • 參加活動獲取豐厚的禮品