论文部分内容阅读
海南州青海湖南岸地区地处青藏高原东北,不仅是藏羊放牧业生产重要基地,而且还具有极为重要的生态屏障作用。近些年来,由于牧民过渡性放牧行为,草场的草蓄平衡遭到破坏,导致适口差的杂草以及毒草大量生长,对草场的载畜能力产生了重大影响,阻碍了畜牧业的可持续发展。地上生物量（Above Ground Biomass,AGB）指在单位面积上进行光合作用累积的有机物质的量,可用于表征生长状况和产量预估。可食牧草生物量作为草场载畜能力的重要指标,是实现草场载畜平衡的重要依据。因此,估算草场可食牧草生物量,有助于提高牧草利用率,实现精准划区轮牧。狼毒草再生能力强,具有极强的抗旱、抗严寒能力,在海南州草场中分布较广。本文首先以狼毒草为对象,使用Parrot Bluegrass无人机搭载相机分别采集草场RGB和多光谱图像数据,利用图像处理技术,实现自动识别毒草分布特征;在此基础上,本文又以芨芨草为对象,研究基于牧草高度及其光谱特征的牧草生物量估算方法。本文主要完成以下工作:（1）无人机近地遥感图像数据的校正。针对RGB图像的颜色偏差问题,提取RGB图像中黑、白、灰三种颜色校正板区域的像素值;再结合标准环境下获得的像素值进行多项式回归分析,从而实现RGB图像的颜色校正。同时针对多光谱图像的光谱反射率偏差问题,提取多光谱图像中光谱校正板区域像素值;再结合真实的反射率信息求出输入光强,从而实现光谱反射率校正。（2）光谱相机不同波段图像的配准。Parrot搭载的是一台阵列式结构多光谱相机。对不同波段的图像进行配准,解决了同一地物在不同波段图像中对应的像素点存在较大位置偏差的问题。首先利用高斯滤波对各波段数据进行平滑预处理,然后采用连通域方法提取各个波段里的感兴趣区域（Region of interest,RoI）即地面控制点及白色校正板,再利用AKAZE算法进行特征点检测和匹配,并求解出近红外波段与其余各波段之间的变换矩阵,从而以较高的精度实现不同波段图像的配准目标。（3）RGB图像与多光谱图像融合图像融合是多源信息融合,将每种类型图像的相关信息合并成一个图像,以突出要分析的特征。进行高分辨率RGB图像与低分辨率多光谱图像的融合,能够将RGB图像的纹理信息与多光谱图像的光谱反射率信息相结合,获得具有更好的毒草辨别特征的融合图像,有效提高毒草识别分类的精度。（4）设计了一种不可食牧草（狼毒草）的分类器。本文使用支持向量机（Support Vector Machine,SVM）和随机森林（Random Forest,RF）分别构建了分类器对RGB图像、多光谱图像和融合图像进行狼毒草识别分类。针对RGB图像利用纹理特征进行狼毒草识别,实验结果表明利用SVM和RF分类器对狼毒草的分类精度分别为72.0%和87.4%。提取多光谱图像中的反射率特征作为模型输入,利用SVM和RF分类器进行狼毒草识别研究,识别准确率分别为84.0%和88.0%,表明狼毒草在光谱特征上与其他牧草有较大差异。融合图像表现出最优识别率,SVM和RF分类器识别率分别为82.8%和93.1%。三种图像数据的识别结果均表明随机森林的识别准确率优于支持向量机。（5）芨芨草生物量估算问题。以芨芨草为对象构建了牧草生物量估算模型。首先利用Pix4DMapper获得草场牧草的点云数据,然后基于点云数据实现牧草高度估算。结果表明地势平整区域的牧草估算精度较高,误差约为3cm,而地势倾斜的牧草区域,牧草高度估算误差明显增大,达到5-7cm。分别以牧草高度数据、牧草光谱数据、高度结合光谱的数据作为模型输入构建牧草生物量估算模型。以采样框测得实际牧草生物量为衡量指标,评价三个模型,估算精度由高到低分别是:基于牧草光谱数据（R2=92.3%）、基于牧草高度数据（R2=89.0%）以及结合高度和光谱数据（R2=88.0%）。毒草识别模型与牧草生物量估算模型两者结合便可用于实现草场可食牧草生物量估算。