• <cite id="6z6ez"><noscript id="6z6ez"><delect id="6z6ez"></delect></noscript></cite>
    <xmp id="6z6ez"></xmp>

  • <tt id="6z6ez"></tt>
    1. <font id="6z6ez"></font>
      1. 北京总公司 010-82611269,13671083121
        青岛分公司 0532-82861228,15563963062
        西安易科泰光谱成像与无人机遥感技术研究中心 029-81124223
        海南办事处(华南区) 13911203439
        / En

        Ecodrone?高光谱-红外热成像无人机遥感技术——作物表型研究

        Ecodrone?高光谱-红外热成像无人机遥感技术——作物表型研究

        易科泰推出无人机遥感作物表型研究监测技术方案——Ecodrone??UAS-8高分辨率高光谱-红外热成像无人机遥感平台:

        l?8旋翼专业无人机遥感平台,搭载AFX高光谱成像、机载PC及红外热成像可飞行作业30分钟以上,有效覆盖面积超10公顷

        l?厘米级地面分辨率,50m高度地面分辨率达3.5cm,30m高度(用于田间高通量作物表型分析)地面分辨率可达2cm

        l?50m高单样线飞行作业可自动采集形成宽度36m的样带高光谱成像大数据

        l?科研级Thermo-RGB成像:640×512像素,多点黑体校准,灵敏度50或30mK,测温范围-25℃-150℃/-40℃-550℃,在线实时温度测量分析,10倍光学变焦RGB镜头,全高清画质,磁编码自稳云台,实时姿态调整,可选配CWSI成像,实时测量作物水分胁迫指数

        l?专业无人机遥感技术方案,同步获取高光谱与红外热成像数据,应用软件可直接得出90多个VI(植物光谱反射指数)、F(叶绿素荧光)、标准化冠层温度、CWSI(水分胁迫指数)等

        l?荣获2020年检验检测认证认可行业年度风云榜“仪器设备十大新锐产品”

        l?应用于精准农业研究、作物表型遥感、病虫害监测、农作物产量评估、生物多样性监测等

        微信截图_20210916111957.png?

        主要技术指标:


        高光谱成像

        红外热成像

        AFX10

        AFX17

        Thermo-RGB

        波段范围

        400-1000nm

        900-1700nm

        7.5-14μm

        光谱通道数

        224

        224

        1热成像+1 RGB

        空间像素数

        1024像素

        640像素

        640×512像素

        地面分辨率

        3.5cm@50m AGL

        5.5cm@50m AGL

        6.5cm@50m AGL

        探测器

        CMOS

        InGaAs

        非制冷VOx微幅射探测器

        FWHM

        5.5nm

        8.0nm

        -

        光谱采样率

        2.68nm

        3.5nm

        -

        帧频

        330FPS

        670FPS

        30Hz/9Hz

        信噪比(峰值)

        400:1

        1200:1

        -

        光圈值

        F/1.7

        -

        视场角

        38°

        45°或其他

        数据接口

        GigE

        USB或SSD或 SD卡

        主要功能参数:可分析近百个高光谱-红外热成像参数

        ü?热成像参数:CWSI、Tc-Ta等

        ü?冠层结构参数:NDVI、RDVI、OSAVI、MCARI、MSAVI等

        ü?叶绿素荧光参数:CUR、DPi、叶绿素荧光指数等

        ü?叶绿素等植物色素指数:TCARI、TVI、SIPI、VOG、CI、NPQI、CAR、PSRI等

        ü?叶黄素指数:PRI、PRIn、PRIm等

        ü?R/G/B指数,如绿度指数等

        ü?植物健康指数HI等

        微信截图_20210916112012.png

        水稻生长期表型监测(西安易科泰光谱成像与无人机遥感技术研究中心供图)

        研究案例1:大田高通量小麦生理性状表型分析

        小麦为全球人口提供了20%的卡路里和每日蛋白质摄入量,全球小麦平均增产率为0.9%,而需求增长预测为2.4%,这意味着在不久的将来通过基因改良提高小麦产量的需求日益迫切。高通量的田间表型(Field-based phenotyping, FBP)研究对开发遗传基因改良的新途径至关重要,被认为是唯一能够在现实种植系统中提供所需产量和准确描述性状表现的方法。

        西班牙高等学术研究委员会现代农业研究所GD?Victoria等使用机载高光谱成像和红外热成像系统,分别在拔节早期和灌浆期,同时对包括两个物种(普通小麦和硬粒小麦)、50个品种在内的共150个小麦试验样地,采集了两组航空遥感数据集:

        微信截图_20210916112022.png

        左图:(a)研究区红外热成像图;(b)单样方热成像图;右图:(a)研究区高光谱伪彩图;(b)单样方高光谱伪彩图;飞行高度345m,地面分辨率分别为30cm(红外热成像)和20cm(高光谱成像)

        热成像和高光谱数据能够对每个地块提取热辐射信息、光谱信息、辐射亮度和反射率,用于计算与可见光和红边区域光合色素吸收相关的指数,叶绿素荧光发射的量化,以及与冠层结构相关的结构指标。与飞行作业同步获取的地面生理指标数据表明,第二次遥感监测时,小麦在生长晚期受到胁迫,而这种情况将极大程度的影响雨养条件下小麦的最终产量。

        微信截图_20210916112032.png?

        左图:产量与CWSI(a)、FLD(b)、PRI(c)及NDVI(d)之间的相关性。图中实心符号代表硬粒小麦,空心符号代表普通小麦,每个点代表每个品种三个重复的平均值。

        右图:以CWSI、FLD和PRI为自变量建立多元回归得到的预测值跟实测产量的对比。调整后的回归和RMSE的计算包括硬粒小麦(实心符号)和普通小麦(空心符号)。

        在本研究设置下,水分胁迫指数CWSI、叶绿素荧光指数(FLD法算得)以及类胡萝卜素相关指数(PRICAR)均与产量表现出了较好的相关关系?;谝陨先鲋副杲⒌亩嘣毓槟P徒馐土俗懿勘湟斓?/span>77%,具有显著的统计学意义(p < 0.001),被证明更适合于反演作物产量等复杂性状。而被广泛使用的归一化指数NDVI在预测产量方面表现不佳,这可能是由于作物生长晚期受到胁迫的现象通常出现在特定的半干旱地区,这些地区的作物在营养生长期累积了充足的生物量表现出较高的NDVI,但在生殖生长期受胁迫影响使产量降低,NDVI无法有效地反应这个时期植被的变化。

        该研究表明,在实际田间育种试验条件下,使用高分辨率热成像和高光谱遥感图像数据,能够在更复杂的环境变化条件下评估作物生长、监测作物性状,为农作物产量预测和表型分析提供了可靠的数据依据。

        研究案例2冬小麦氮素和水分状况评估

        根据国际粮农组织的数据,2018年,小麦占世界主要作物总收获面积的15%,占世界氮肥总消耗量的17% (FAOstat, 2020年)。根据实际需求量调整施肥和灌溉是提高冬小麦氮素利用效率(NUE)和水分利用效率(WUE),同时降低水和土壤污染,减少温室气体排放的重要策略。遥感作为一种有效工具,常用于通过监测作物氮(N)和水分状况来进行定点施氮和灌溉,以减少农业实践对环境的影响。但作物的生长受氮素和水分情况共同作业会产生混杂效应,使得从光谱数据区分不同缺素症状成为应用上的难题。

        西班牙马德里政治大学J.L.Pancorbo等人使用机载可见光-近红外高光谱和热成像遥感监测氮素和水分状况,评估该方法用于降低混杂效应的潜力。研究人员在西班牙中部进行了为期两年的冬小麦(Triticum aestivum L.) 大田实验,并设置了在4种施氮梯度和2种灌溉水平。分别在开花期采用叶片气孔计测定作物水分状况,在拔节中期、后期以及开花期测定植株氮素营养指数(NNI)。同时使用无人机搭载覆盖可见光-近红外区域(400-850nm)和部分短波红外(950-1750nm)的高光谱成像和热成像相机,在300m高度获取实验样地的光谱图像。

        在该实验中,研究人员选取了冠层叶绿素含量指数CCCI来评估氮素水平,该指数可以减少土壤背景噪声的影响,并与所有梯度下的NNI表现出了相关性(R2 > 0.44; P < 0.001);同时使用地表温度数据和植被指数梯形空间关系计算得到水分亏损指数WDI,能够可靠的反应植被水分状态。实验结果表明,使用CCCI能够有效区分因缺氮带来的植物水分状态的改变,而WDI更大程度上受水分状态直接影响,结合CCCI和WDI评估作物NNI,相关系数提高到0.65,均方根误差降低至0.109,表明高光谱和热成像数据的结合可以有效反映植被氮素和水分水平,降低混杂效应的影响,可用于指导施肥和灌溉并做出及时、准确的调整,以满足作物对氮素和水分的需求。

        微信截图_20210916112047.png?

        左图:基于高光谱数据计算的样地CCCI和基于红外热成像计算的WDI

        右图:红外热成像计算得出的WDI结合CCCI可以提高氮素营养指数(NNI)的拟合优度

        参考文献:

        [1] Victoria G D , Pilar H , Ignacio S , et al. Using High-Resolution Hyperspectral and Thermal Airborne Imagery to Assess Physiological Condition in the Context of Wheat Phenotyping[J]. Remote Sensing, 2015, 7(10):13586-13605.

        [2] Pancorbo J L , Camino C , Alonso-Ayuso M , et al. Simultaneous assessment of nitrogen and water status in winter wheat using hyperspectral and thermal sensors[J]. European Journal of Agronomy, 2021, 127(3):126287.

        注:本文转载自易科泰,转载目的在于传递更多信息,并不代表本网赞同其观点和对其真实性负责。如有侵权行为,请联系我们,我们会及时删除。
        在线购彩