无人机遥感与智慧农业信息提取

在新一轮互联网信息技术大发展的现今，无人机、大数据、人工智能、物联网等新兴技术在各行各业都处于大爆发的前夜。在党的十九大会议上，习近平总书记提出的“推动互联网、大数据、人工智能和实体经济深度融合”的精神，指明了我国农林领域建设智慧农业的发展方向。智慧农业方面的研究，不仅符合国家政策的引导，而且越来越多的研究机构也更加积极主动地参与到智慧农业的建设当中，以具体农业应用和云计算为切入点，通过开放的合作模式来推动智慧农业的建设。
未来智慧农业的研究将呈现三大趋势：第一，大数据为王。未来的智慧农业需要实现数据收集、传递、计算和分享一体化操作。无人机遥感是重要的数据获取源之一，为智慧农业提供基础的作物大数据。通过在海量数据中瞬时抓取有价值的信息，提高精准农业的决策效率。第二，移动互联融入农业生产。未来的智慧农业通过远程协作，可一键实现施肥、灌溉、驱虫和收获等操作，这些技术的后台支持，是在大量的包括无人机遥感在内的多传感器数据分析基础上训练得出的智慧模型，加快农业全面进入移动互联时代。第三，更加智能化。随着智慧农业各个子系统进程的推进，建设“智能、集约、节能、绿色”的智慧农业，将成为提升农作物生产力和竞争力的有效途径，可促进农业生产活动在人类智慧的驱动下优化运行，最大限度地提高作物产量和质量。
我国各地结合实际情况，都正在或者初步建立起一系列涵盖农业、林业、畜牧、水产的智慧农业大数据应用示范工程。这些示范工程与特色农业智慧小镇、农业智慧物流基地以及农产品智慧市场等技术，对生产力的提升和生产关系的改进均已发挥了很好的作用。而无人机遥感技术作为一种空间大数据获取手段，能够从多时、多维、多地等角度，获取大量的农情数据。数据具有面状、实时、非接触、无伤检测等显著优势，是智慧农业必须采用的重要技术之一。
本书梳理了目前我国无人机遥感在智慧农业信息提取领域的综合态势，对无人机平台的性能、机载传感器指标、地面传感器应用、农林遥感光谱指数、农林光谱建模方法进行了大量的分析。在此基础上，按照形态、生理生化、胁迫、产量等4大类信息提取目标，从理论和实践两方面进行了详细的分析。并对4大类信息中的14个子信息，即株数和株高、冠层覆盖度、作物倒伏、不同生育期状况、叶面积指数、作物系数、叶绿素含量、营养元素含量、异常因素胁迫、病虫害、作物衰老、净同化率、蛋白质含量、生物量，都进行了智慧信息提取的试验。
本书将遥感技术、数学建模、制图方法和机器学习方法进行了融会贯通，涉及的技术包括：阈值分割技术、属性计算技术、数字表面模型技术、变化检测技术、多元线性回归技术、多项式回归技术、相关性分析技术、间接提取技术、异常信息提取技术、农作物胁迫信息提取技术、森林健康提取技术、面向对象图谱合一提取技术、多指数决策树技术、人工智能信息提取技术等。单独运用这些技术，可以提取有价值的信息，若组合各技术，将会提取出更加有研究价值的新信息。本书为每种方法和技术均提供了样例数据，并附详细的操作步骤，有助于相关领域研究人员快速掌握每一项技术。
智慧农业的提出和发展，对保障国家粮食安全、加快乡村振兴和建设绿色生态中国都具有重要作用。希望本书提出的一些基于无人机实现的空间信息计算思路，能够达到抛砖引玉的效果，为将来云计算、万物互联、无人值守农业等多种应用场景提供更多有价值的启发。
本书有偿提供试验数据和配套视频教程（联系人微信号：LYM523111）。作者的知乎账号为遥感张东辉，欢迎在线交流。

著者
2022年3月

本书以小麦、果树、玉米、水稻和林木等无人机遥感作物信息数据为例，介绍了可见光、多光谱、高光谱和激光雷达等传感器的数据获取、预处理和信息提取技术。并按照形态、生理生化、胁迫和产量4类信息，详细阐述了株数和株高、冠层覆盖度、作物倒伏、不同生育期状况、叶面积指数、作物系数、叶绿素含量、营养元素含量、异常因素胁迫、病虫害、作物衰老、净同化率、蛋白质含量、生物量等14项子信息提取技术，并提出了一套实现“无人机遥感+智慧农业”的解决方案。
本书可供高等院校农业、林业、遥感、GIS和无人机应用等相关专业师生参考阅读，也可作为智能智造、大数据、图像处理技术和高新技术应用等相关领域研究人员的参考用书。

第1章 绪论 001
1.1　智慧农业+ 遥感信息 001
1.2　研究区及作物品种 002
1.2.1　形态指标 002
1.2.2　生理生化指标 003
1.2.3　胁迫指标 003
1.2.4　产量指标 003
1.2.5　综合分析 004
1.3　无人机平台 005
1.4　无人机机载传感器 007
1.5　地面传感器 010
1.6　农林遥感光谱指数 012
1.7　农林业建模方法 014

第2章 农作物形态信息提取 017
2.1　株数和株高——阈值分割技术 017
2.1.1　原理 017
2.1.2　无人机数据 019
2.1.3　波段指数计算 019
2.1.4　阈值分割 020
2.1.5　后处理 023
2.1.6　株数统计、查询和制图 023
2.2　冠层覆盖度——属性计算技术 026
2.2.1　原理 026
2.2.2　无人机数据 027
2.2.3　导出面积数据 028
2.2.4　计算冠层覆盖度 028
2.3　作物倒伏——数字表面模型技术 030
2.3.1　原理 030
2.3.2　无人机数据 032
2.3.3　对齐照片 033
2.3.4　建立密集点云 033
2.3.5　生成网格 034
2.3.6　生成纹理 034
2.3.7　生成数字表面模型 036
2.3.8　导出DEM 数据和正射数据 038
2.3.9　分析株高和作物倒伏 038
2.4　不同生育期状况——变化检测技术 040
2.4.1　理论和方法 040
2.4.2　无人机数据 042
2.4.3　变化检测工作流 042
2.4.4　不同生育期结果分析 045

第3章 农作物生理生化信息提取 046
3.1　叶面积指数——多元线性回归技术 046
3.1.1　原理 046
3.1.2　无人机数据 048
3.1.3　地面实测数据 049
3.1.4　假设条件 049
3.1.5　植被指数提取 050
3.1.6　数据整理 051
3.1.7　建立反演模型 053
3.1.8　数字制图 055
3.2　作物系数——多项式回归技术 056
3.2.1　原理 056
3.2.2　无人机数据 057
3.2.3　地面实测数据 057
3.2.4　假设条件 057
3.2.5　归一化水分指数提取 058
3.2.6　数据整理 058
3.2.7　建立反演模型 060
3.2.8　数字制图 061
3.3　叶绿素含量——相关性分析技术 062
3.3.1　原理 062
3.3.2　无人机数据 064
3.3.3　地面实测数据 064
3.3.4　假设条件 065
3.3.5　数据采集与整理 065
3.3.6　相关性分析 067
3.3.7　建立回归方程 071
3.3.8　数字制图 071
3.4　营养元素含量——间接提取技术 072
3.4.1　原理 072
3.4.2　无人机数据 074
3.4.3　地面实测数据 075
3.4.4　假设条件 076
3.4.5　回归分析 076
3.4.6　数字制图 077

第4章 农作物胁迫信息提取 078
4.1　异常因素胁迫——异常信息提取技术 078
4.1.1　原理 078
4.1.2　无人机数据 080
4.1.3　建立遮掩层 080
4.1.4　异常信息提取流程 082
4.1.5　数字制图 084
4.2　病虫害——农作物胁迫信息提取技术 085
4.2.1　原理 085
4.2.2　无人机数据 087
4.2.3　胁迫提取 088
4.2.4　数字制图 088
4.3　作物衰老——森林健康提取技术 089
4.3.1　原理 089
4.3.2　无人机数据 090
4.3.3　衰老信息提取 090
4.3.4　数字制图 091

第5章 农作物产量信息提取 092
5.1　净同化率——面向对象图谱合一提取技术 092
5.1.1　原理 092
5.1.2　无人机数据 093
5.1.3　地面实测数据 094
5.1.4　建立基于样本的规则 095
5.1.5　农田分割与合并 096
5.1.6　特征提取 096
5.1.7　数字制图 100
5.2　蛋白质含量——多指数决策树技术 101
5.2.1　原理 101
5.2.2　无人机数据 102
5.2.3　地面实测数据 102
5.2.4　作物多种指数计算 103
5.2.5　采集指数数据 109
5.2.6　建立决策树 110
5.2.7　运行决策树 113
5.3　生物量——人工智能信息提取技术 114
5.3.1　原理 114
5.3.2　数据集说明 116
5.3.3　上传数据 117
5.3.4　图片标注 119
5.3.5　模型训练 121
5.3.6　校验模型 121
5.3.7　识别未知生物量图片 123

第6章 应用实例 125
6.1　无人机获取数据的前期准备工作 125
6.1.1　项目需求设计 125
6.1.2　传感器定标 126
6.1.3　无人机机载飞行作业 127
6.1.4　地面测量 127
6.2　提取反射率均值 128
6.2.1　提取树冠 129
6.2.2　提取每棵树的反射率均值 133
6.3　制作田块状遥感信息结果图 135
6.3.1　勾画或者生成田块边界信息 136
6.3.2　选择算法提取边界内部信息数据 142
6.3.3　设置级别进行制图 144
6.4　通过光谱数据比对实现陌生作物的鉴别 147
6.4.1　获取一条未知光谱 148
6.4.2　打开光谱库 150
6.4.3　鉴别未知农作物 152
6.5　“空-地” 高光谱数据协同下的农作物品种精细分类 155
6.5.1　“空-地” 数据情况 155
6.5.2　基于地面数据的农作物品种分类 160
6.5.3　结果分析 164

参考文献 166