Un. Préface

Le blé, l'une des trois principales cultures vivrières du monde, est mondial40Source alimentaire de base de la population. Le blé, l'une des principales cultures vivrières de notre pays, est cultivé dans un large éventail de cultures.L'état de croissance de la variété spéciale de blé a un rôle important dans le développement de notre économie nationale, donc pourLe potentiel de croissance du blé est surveillé de manière efficace et non destructive, et il devient particulièrement important de prévoir le rendement du blé en temps opportun et avec précision.

Idées techniques et principaux éléments

AurélienUtilisation de la production nationaleImageur multispectral,En utilisant dix variétés différentes de blé comme sujet d'étude, d'une part, en utilisant des données d'imagerie de la floraison précoce et tardive du blé recueillies par des caméras multispectrales, en utilisant des indices de végétation calculés par imagerie pour construire des modèles d'inversion de la chlorophylle de la floraison précoce et tardive du blé sous différentes Caméras; D'autre part, l'acquisition d'images à haute résolution à moyen terme de coulis de blé à l'aide de drones multispectraux a permis de construire des modèles d'inversion de la chlorophylle et du rendement du blé à moyen terme de coulis de blé basés sur les caractéristiques colorimétriques et les indices de végétation.

Figure1 Route technique générale

Contenu à mettre en œuvre:

1) etPré - traitement d'images multispectrales: lors de l'acquisition d'images multispectrales visibles et multispectrales de champs de blé, afin de garantir l'uniformité du traitement d'image ultérieur, il est nécessaire de régler artificiellement le temps d'exposition, l'ouverture et d'autres paramètres à l'avance. Pour faciliter l'utilisation de la quantification expérimentale ultérieure, l'acquisition des données d'image nécessite des opérations de prétraitement telles que la correction de rayonnement, l'épissage d'impact, l'orthocorrection, la correction géométrique et le recadrage de l'image.

2) etInversion de la teneur en chlorophylle du blé sur la base d'images visibles et multispectrales: en10Différentes variétés de blé ont fait l'objet d'une étude utilisant des caméras visibles et multispectrales pour obtenir des images de la floraison précoce et tardive du blé. L'analyse de la corrélation entre la teneur en chlorophylle du blé mesurée et l'indice Multi - semis calculé à partir de deux images a été sélectionnée pour l'indice de végétation inversant la teneur en chlorophylle * * du blé. Enfin, des modèles d'inversion de la teneur en chlorophylle de la floraison et de la fin de la période de floraison de l'orgelet sous différentes caméras ont été établis sur la base d'indices de végétation sélectionnés.

3) etChlorophylle du blé et inversion de rendement basée sur des images de drones haute résolution: acquisition avec une caméra multispectrale embarquée dans un droneDonnées d'imagerie à mi - parcours du coulis de blé. L'algorithme des moindres carrés partiels a été introduit et les caractéristiques multiples les plus corrélées aux paramètres mesurés ont été examinées comme variables indépendantes pour construire des modèles d'inversion de la chlorophylle et du rendement du blé à moyen terme pour le coulis de blé, respectivement.

4) personnePhase multispectrale embarquéeL'avion vole une fois par mois sur la base de longues séries de données d'images de surveillance, fournissant ainsi une base de référence pour une surveillance de précision.

Points techniques

Prétraitement d'images multispectrales

En raison de la limitation de divers facteurs tels que les caractéristiques du capteur, la météo, etc., il est inévitable que des erreurs se produisent lors de l'acquisition des données, qui non seulement réduisent la qualité des données d'image, mais affectent également la précision de l'analyse d'impact ultérieure. Par conséquent, les images brutes doivent être prises avant d'effectuer une analyse multispectrale des images de télédétection.Opérations de prétraitement. Diagramme de processus de prétraitement des données d'image2Montré- Oui.

Figure2 Diagramme de processus de prétraitement des données d'image

（1）Correction de rayonnement:Drone pendant le vol，En fonction de la lumière et des conditions météorologiques，Les images acquises sontDimensions spectralesProduire une distorsion- Oui.pourGardeVérifiez que la tâche suivante d'assemblage d'images s'est bien déroulée, Une correction radiologique des données est nécessaire. La correction de rayonnement d'image visible dans cet article est pseudo Méthode terrestre standard– –Méthode du tableau blanc，Convertit la valeur de l'image en réflectivité de l'image mesurée par la cible au sol，Assez réelRéflectivité de surface réfléchie，Répondant ainsi aux exigences et aux objectifs de l'essai- Oui.Correction de rayonnement d'image multispectrale estutiliserAurélienL'imageur multispectral est livré avec son propre logiciel de traitement de données pour le faire.

（2）Correction orthométrique:Les drones lors de la collecte de données d'image，Corps affecté par le vent naturelNonTremblement évitable、Inclinaison, etc.、Pendant ce temps, l'objectif de la caméra provoque également une déformation de la projection en raison du changement d'attitude de vol，Il est donc nécessaire d'effectuer une correction orthographique de l'image- Oui.L'orthocorrection est la transformation des éléments de l'image d'origine un par un dans le système de coordonnées de l'image corrigée, basée sur la fonction de transformation de correction.. son processus de traitement est illustré3Montré.

Figure3 Processus de correction d'image de drone

（3) géométriqueCorrection:En raison de la précision limitée du système de positionnement apporté par le drone, ainsi que de la vulnérabilité aux facteurs extérieurs tels que le flux d'air aérien, la vitesse et la direction du vent pendant le vol, ce qui entraîne une erreur dans l'acquisition des coordonnées géographiques et réelles de l'image, les données de coordonnées du système de positionnement de haute précision par le point de contrôle au sol sont nécessaires pour la photographie aérienne.Sonner pour faire la correction géométrique.

Retour des moindres carrés partiels

Parmi les problèmes pratiques, on rencontre souvent la nécessité d'étudier les interdépendances entre deux ensembles de variables Multi - corrélées et d'étudier la prédiction d'un autre ensemble de variables (dépendantes ou réactives) avec un ensemble de variables (indépendantes ou prédictives), en plus de l'analyse classique de régression linéaire multiple selon le critère des moindres carrés (MLR), analyse de régression en composantes principales pour l'extraction des composantes de composantes indépendantes (PCR), en dehors des méthodes, il existe également des moindres carrés partiels qui se sont développés ces dernières années (PLS) Méthode de retour.

La régression des moindres carrés partiels fournit une méthode de modélisation de régression multilinéaire, en particulier lorsque les deux groupes de variables sont nombreux et présentent des corrélations multiples, et que le nombre de données observées (taille de l ` échantillon) est faible, les modèles établis avec la régression des moindres carrés partiels ont des avantages que les méthodes traditionnelles telles que l ` analyse de régression classique n ` ont pas. Analyse de régression par les moindres carrés partiels au cours de la modélisation se concentre sur l'analyse en composantes principales, les caractéristiques de l'analyse de corrélation typique et les méthodes d'analyse de régression linéaire, de sorte que dans les résultats de l'analyse, en plus de fournir un modèle de régression plus raisonnable, il est possible de Complétez également un certain contenu de recherche similaire à l'analyse en composantes principales et à l'analyse associée typique, offrant une plus grande richesseQuelques informations approfondies.

Formule de calcul des différents indices de végétation

table1 Formule de calcul de l'indice de végétation

Iv. Exécution du programme

4.1plusService de vol par drone spectral

Par imagerie multispectrale, on entend la possibilité d'acquérir simultanément plusieurs bandes spectrales (typiquement supérieures ou égales à3One) et une technologie de détection spectrale qui s'étend dans les deux sens de la lumière infrarouge et ultraviolette sur la base de la lumière visible. Une mise en oeuvre courante consiste à combiner différents filtres ou séparateurs avec un capteur d'image numérique de manière à ce qu'ils reçoivent séparément au même instant la même cible à des instants différents.étroitLes signaux lumineux rayonnés ou réfléchis dans la gamme spectrale de bande, donnant des cibles dans plusieurs images de différentes bandes spectrales.Les images multispectrales sont acquises par un spectromètre imageur, un dispositif capable d'acquérir simultanément des caractéristiques spectrales et des informations d'image spatiale, une direction importante dans le développement de systèmes d'imagerie photoélectrique. Le système d'imagerie multispectrale peut fournir une3à20Images en bandes discontinues et ont été largement utilisées dans les domaines de l'agriculture et de l'alimentation. En termes de principe d'imagerie, la technique d'imagerie multispectrale consiste à diviser un signal optique incident à bande entière ou large en plusieursétroitLes faisceaux de la bande, puis les Imager séparément sur les détecteurs correspondants, ce qui permet d'obtenir des images de différentes bandes spectrales.Par conséquent, l'utilisation de plusieursLes propriétés spectrales peuvent séparer la végétation de la non - végétation et, en combinaison avec le drone, peuvent être réaliséesAnalyse de l'état sanitaire de la végétation- Oui.

Drones plusLe spectre a les caractéristiques suivantes:

Vitesse d'acquisition rapide- Oui.Multispectral parce qu'il acquiert relativement peu de bandes, donc la vitesse d'acquisition est relativement rapide;

Faible complexité- Oui.En raison de la limitation du nombre de bandes, la complexité multispectrale est faible, plus facile à comprendre et à appliquer, et le travail de traitement est relativement faible.

La quantité de données est abondante. Le volume de données augmente exponentiellement à mesure que le nombre de bandes augmente. Des informations de domaine spatial et des informations de domaine spectral peuvent être fournies, à savoir“Atlas en un« etEt les courbes spectrales obtenues par un spectromètre imageur peuvent être assimilées à des courbes spectrales de terrain similaires mesurées au sol.

Dans la zone d'étude planifiée, selon la demandeAcquisition hauteImages spectrales. Les étapes spécifiques sont les suivantes:

Configuration de l'extrémité du drone: Assemblez l'équipement Hyperspectral du drone, réglez l'altitude, la vitesse, en fonction des paramètres de la caméra et du chevauchement des imagesDegré besoinsDéfinir l'espacement des routes d'images;

Réglage de l'extrémité de la caméra: réglez la fréquence d'images de la caméra en fonction de la vitesse à haute altitude, réglez le temps d'intégration (temps d'exposition) en fonction des mesures du tableau blanc;

Tableau blanc à réflectivité Standard: Placez un tableau blanc à réflectivité standard dans la zone de parcours, prenez des photos sur le tableau blanc lors de l'acquisition d'images.

Figure8 Diagramme d'acquisition de données hyperspectrales par drone

4.2Traitement d'image hyperspectrale par drone

Après l'acquisition des données d'imagerie hyperspectrale du drone, le prétraitement suivant est nécessaire:

Échelle de longueur d'onde: l'image d'origine acquise n'a aucune information de longueur d'onde, il est nécessaire d'ajouter un fichier d'échelle de longueur d'onde;

Recadrage d'image: adoption hyperspectralePush - Sweep styleImagerie, nécessitant un recadrage de l'image de la zone de mesure acquise;

Assemblage d'enregistrement: enregistrement géographique ou relatif de l'image recadrée de la zone d'essai, puis assemblage complet de l'image enregistrée;

Correction de rayonnement: les valeurs dans l'image d'origine représentent l'intensité de réflexion et nécessitent l'utilisation des valeurs de réflexion du tableau blanc et de l'échelleLa quasi - réflectivité est corrigée pour calculer la réflectivité de toute l'image.

Décomposition spectrale mixte: les données spectrales acquises par le drone sont soumises à des images à résolution spatiale, ce qui permet de faire la moyenne d'un pixel à partir d'un mélange de différents sites ou de végétation, ce qui nécessite une décomposition spectrale mixte de l'image pour améliorer la précision;

（6Filtrage spectral (lissage): il y a un certain bruit dans les informations spectrales de l'image originale et un filtrage Spectral est nécessaire avant l'application.

Interface logicielle de traitement d'images spectrales:

Figure9 Schéma de l'interface du logiciel de traitement d'image hyperspectrale pour drones

4.3Acquisition de données d'échantillons de sol

AurélienDes études de terrain ont été menées sur le terrain à l'aide d'imageurs hyperspectraux et de spectromètres terrestres produits à l'échelle nationale, dans le but de fournir des échantillons réels de formation au modèle de classification sur le terrain et des échantillons d'inspection des résultats de classification pour la classification des images de télédétection des drones. Le principal élément de l'enquête sur le terrain est la mesure du col de l'épi infectéPeste classiqueDonnées spectrales du riz, acquises par le spectromètre de terrainToutes les pestes épi - cervicalesLes données spectrales du riz ont été classées selon le degré d'infection, en tant qu'ensemble standard de données d'échantillon de formation pour le traitement des données d'imagerie hyperspectrale des drones.

4.4Analyse des résultats

Figure12 Résultats de l'inversion de la teneur en eau de la végétation

4.4.1Fiabilité des résultats estimés

L'inspection de précision du modèle peut être basée sur l'erreur quadratique moyenne (Erreur carrée moyenne de la racine, RMSE), et les coefficients de corrélation (r), deux indicateurs à analyser.

Dans la formule,nLe nombre d'échantillons,Pour l'échantilloniLa valeur déterminée en laboratoire,La moyenne de tous les échantillons vérifiés;Prédire les valeurs pour l'utilisation du modèle,Vérifier la moyenne des valeurs prédites pour tous les échantillons correspondants.RMSEPlus la valeur est petite,RPlus la valeur du coefficient de corrélation est grande, plus la précision du modèle est élevée.

4.4.2Estimation des facteurs influençant la précision

Les facteurs qui influent sur la précision des résultats d'inversion comprennent principalement les aspects suivants:

1. Données spectrales: influence anthropique des opérations influencées par l'impact environnemental et l'incertitude lors de l'acquisition de données industrielles externes, GuideIl existe certaines différences dans la qualité des images hyperspectrales prises. Mais ce facteur n'est pas le principal.

2. Données mesurées: les données mesurées contiennent des données spectrales de la lame et des mesures quantitatives paramétriques. Influencés par l'équipement de l'instrument et les facteurs opérationnels humains, etc., ces deux données de mesure peuvent présenter une certaine erreur, mais ont un impact moindre sur les résultats de l'inversion. Fait important, la différence de temps lors de la mesure de ces deux mesures est l'un des principaux facteurs du modèle d'inversion d'image. Essayez d'éviter de longues mesures après la cueillette des feuilles et de garantir que les mesures spectrales et les mesures quantitatives des paramètres sont effectuées simultanément.

3. Modèle d'inversion: la construction d'un modèle d'inversion est un facteur majeur qui affecte la précision de l'inversion. Influencé par le choix des spectres caractéristiques, la forme des variables, ainsi que la forme du modèle d'inversion, etc., conduit à une grande incertitude dans le résultat de l'inversion.