本發明公開了一種基于無人機影像光譜與紋理特征的小麥氮濃度反演方法，方法包括：無人機觀測系統搭建與影像獲取、影像中土壤信息的自動剔除、診斷植株氮濃度的紋理指數構建以及耦合紋理指數與光譜指數的植株氮濃度診斷模型構建。本發明提出可基于無人機高空間分辨率影像紋理特征來診斷植株氮濃度，并結合已有診斷植株氮濃度的光譜指數，提出用于診斷植株氮濃度的紋理指數；本發明提出了耦合影像光譜、紋理特征開展小麥植株氮濃度反演的技術方法。本發明充分利用了低空無人機影像具有高空間分辨率的特征，引入影像紋理特征，減弱“同物異譜，異物同譜”、“飽和”等現象帶來的反演誤差，提高植株氮濃度反演精度。

技術領域

本發明涉及一種小麥氮濃度反演方法，尤其涉及一種基于無人機影像光譜與紋理特征的小麥氮濃度反演方法，屬于遙感反演技術領域。

背景技術

遙感技術常用來實現小麥植株氮濃度的快速、無損探測。長期以來遙感信息的獲取手段主要依托地面設備、有人機、衛星三種平臺。基于它們獲得的數據，學者們開展了大量的研究，具體可分為經驗方法、半經驗方法和機理模型法三類。

經驗方法指基于植被原始光譜或其導數光譜，利用偏最小二乘回歸分析、人工神經網絡分析及支持向量機分析等提取信息能力強的數學方法，直接建立光譜信息與目標參數的關系模型，利用模型對目標參數進行預測的方法。這種方法往往在建模時能獲得較好的結果，但是由于缺乏機理性，經常只適合研究者當時的研究情況，很難在不同地點甚至同一地點不同年份推廣應用。

半經驗方法指光譜指數法，它通過光譜指數來建立對目標參數的定量關系模型，然后利用模型來對目標參數進行預測，是目前使用最多的方法。光譜指數由植被反射光譜曲線上某些特定波段反射率組合而成，波段組合的選取參照一定的物理基礎，能部分消除環境背景的影響，提高對目標參數的敏感性，具有一定的機理性解釋。

機理模型法借助葉片光學模型與冠層結構模擬模型的結合來實現作物生理、生化參數的反演。但實際上，目前并沒有以植株氮濃度為輸入的機理模型，研究者只是基于氮與葉綠素之間的經驗關系，將葉綠素對光的吸收轉化為氮對光的吸收，從而對機理模型進行改進，來實現對氮素的反演。

在過去的研究中，由于相對于作物個體大小，獲得的大部分遙感數據存在著空間分辨率不足的問題，因此，以上三種方法都是只基于遙感影像的光譜信息來反演植株氮濃度的。單一依賴光譜特征的方法，容易受“同物異譜、異物同譜”現象的影響；并且，在小麥生長后期，田間覆蓋較高、茂密較大情況下，容易出現“飽和”現象。

低空無人機獲得的影像具有超高的空間分辨率，其分辨率能達到厘米乃至毫米級，富含豐富的紋理信息。但是目前，學者們在基于無人機影像反演小麥植株氮濃度時，還主要應用光譜信息，罕有關于紋理信息應用于小麥植株氮濃度反演的報道。

發明內容

為了解決上述技術所存在的不足之處，本發明提供了一種基于無人機影像光譜與紋理特征的小麥氮濃度反演方法。

為了解決以上技術問題，本發明采用的技術方案是：一種基于無人機影像光譜與紋理特征的小麥氮濃度反演方法，方法包括以下步驟：

Ⅰ、無人機觀測系統搭建與影像獲取；無人機影像在10:00～14:00之間晴朗無云時進行獲取；影像至少具有722nm、702nm、670nm、550nm、450nm五個波段光譜信息；影像地面分辨率為0.8cm；

Ⅱ、影像中土壤信息的自動剔除；利用影像的670nm、550nm、450nm三個波段來計算過綠指數ExG和過紅指數ExR的差值ExG-ExR；其中，ExG、ExR的計算公式，如公式①和公式②所示；分析ExG-ExR的灰度影像，基于Otsu方法自動確定影像分割闕值，取大于闕值的像元作為小麥區域，小于闕值的像元作為非小麥區域；去除非小麥區域的影像，僅保留小麥區域影像；

ExG＝2×R₅₅₀-R₆₇₀-R₄₅₀ 公式①