当前位置：
X-MOL 学术
›
Biosyst. Eng.
›
论文详情
Our official English website, www.x-mol.net, welcomes your
feedback! (Note: you will need to create a separate account there.)
Combining plant height, canopy coverage and vegetation index from UAV-based RGB images to estimate leaf nitrogen concentration of summer maize
Biosystems Engineering ( IF 4.4 ) Pub Date : 2021-02-01 , DOI: 10.1016/j.biosystemseng.2020.11.010 Junsheng Lu , Dongling Cheng , Chenming Geng , Zhitao Zhang , Youzhen Xiang , Tiantian Hu
Biosystems Engineering ( IF 4.4 ) Pub Date : 2021-02-01 , DOI: 10.1016/j.biosystemseng.2020.11.010 Junsheng Lu , Dongling Cheng , Chenming Geng , Zhitao Zhang , Youzhen Xiang , Tiantian Hu
Rapid and accurate monitoring of crop plant height (PH), canopy coverage (CC), and leaf nitrogen concentration (LNC) is essential for precision management of irrigation and fertilisation. The objectives of this study were to estimate summer maize PH by selecting optimal percentile height of point cloud; extract CC from images by using point cloud method; and determine if the combination of PH and CC with visible vegetation index (VI) could improve estimation accuracy of LNC. Images of maize field with three irrigation and four nitrogen fertiliser levels were captured using an unmanned aerial vehicle (UAV) platform with an RGB camera at summer maize grain filling stage in 2018, 2019 and 2020. The result showed that the 99.9th percentile height of point cloud was optimal for PH estimation. Image-based point cloud method could accurately estimate CC. Normalised redness intensity (NRI) had a potential for estimating LNC (R2 = 0.474) compared with the green red ratio VI, green red VI, and atmospherically resistant VI. The relationships between four integrated VIs (PH, CC and NRI combination of two or three: NRICC, NRIH, CC∗H and NRICCH) and LNC were established based on gathered dataset of 2018 and 2019, and NRICCH exhibited the highest correlation with maize LNC (R2 = 0.716). An independent dataset from 2020 was used to evaluate the feasibility of LNC estimation model. The result showed that the model could accurately estimate LNC (R2 = 0.758, RMSE = 0.147%). Therefore, combining crop agronomy variables and visible VIs from UAV-based RGB images possesses the potential for estimating LNC.
中文翻译：
结合无人机RGB图像的株高、冠层覆盖度和植被指数估算夏玉米叶片氮浓度
快速准确地监测作物株高 (PH)、冠层覆盖率 (CC) 和叶氮浓度 (LNC) 对于灌溉和施肥的精确管理至关重要。本研究的目的是通过选择点云的最佳百分位高度来估计夏玉米的PH值；使用点云方法从图像中提取CC；并确定PH和CC与可见植被指数（VI）的组合是否可以提高LNC的估计精度。2018年、2019年和2020年夏玉米灌浆期，利用无人机（UAV）平台和RGB相机拍摄的3灌4氮肥玉米田图像。结果表明，99.9th百分位高度为点云是 PH 估计的最佳选择。基于图像的点云方法可以准确估计CC。与绿红比 VI、绿红 VI 和耐大气 VI 相比，归一化红度强度 (NRI) 具有估计 LNC (R2 = 0.474) 的潜力。基于 2018 年和 2019 年收集的数据集，建立了 4 个集成 VI（PH、CC 和 NRI 两个或三个组合：NRICC、NRIH、CC∗H 和 NRICCH）与 LNC 之间的关系，其中 NRICCH 与玉米 LNC 的相关性最高（R2 = 0.716）。使用 2020 年的独立数据集来评估 LNC 估计模型的可行性。结果表明，该模型能够准确估计 LNC（R2 = 0.758，RMSE = 0.147%）。因此，结合作物农学变量和来自基于无人机的 RGB 图像的可见 VI 具有估计 LNC 的潜力。474）与绿红比VI、绿红VI和耐大气VI相比。基于 2018 年和 2019 年收集的数据集，建立了 4 个集成 VI（PH、CC 和 NRI 两个或三个组合：NRICC、NRIH、CC∗H 和 NRICCH）与 LNC 之间的关系，其中 NRICCH 与玉米 LNC 的相关性最高（R2 = 0.716）。使用 2020 年的独立数据集来评估 LNC 估计模型的可行性。结果表明，该模型能够准确估计 LNC（R2 = 0.758，RMSE = 0.147%）。因此，结合作物农学变量和来自基于无人机的 RGB 图像的可见 VI 具有估计 LNC 的潜力。474）与绿红比VI、绿红VI和耐大气VI相比。基于 2018 年和 2019 年收集的数据集，建立了 4 个集成 VI（PH、CC 和 NRI 两个或三个组合：NRICC、NRIH、CC∗H 和 NRICCH）与 LNC 之间的关系，其中 NRICCH 与玉米 LNC 的相关性最高（R2 = 0.716）。使用 2020 年的独立数据集来评估 LNC 估计模型的可行性。结果表明，该模型能够准确估计 LNC（R2 = 0.758，RMSE = 0.147%）。因此，结合作物农学变量和来自基于无人机的 RGB 图像的可见 VI 具有估计 LNC 的潜力。CC∗H 和 NRICCH) 和 LNC 是基于 2018 年和 2019 年收集的数据集建立的，NRICCH 与玉米 LNC 的相关性最高（R2 = 0.716）。使用 2020 年的独立数据集来评估 LNC 估计模型的可行性。结果表明，该模型能够准确估计 LNC（R2 = 0.758，RMSE = 0.147%）。因此，结合作物农学变量和来自基于无人机的 RGB 图像的可见 VI 具有估计 LNC 的潜力。CC∗H 和 NRICCH) 和 LNC 是基于 2018 年和 2019 年收集的数据集建立的，NRICCH 与玉米 LNC 的相关性最高（R2 = 0.716）。使用 2020 年的独立数据集来评估 LNC 估计模型的可行性。结果表明，该模型能够准确估计 LNC（R2 = 0.758，RMSE = 0.147%）。因此，结合作物农学变量和来自基于无人机的 RGB 图像的可见 VI 具有估计 LNC 的潜力。
更新日期：2021-02-01
中文翻译：
结合无人机RGB图像的株高、冠层覆盖度和植被指数估算夏玉米叶片氮浓度
快速准确地监测作物株高 (PH)、冠层覆盖率 (CC) 和叶氮浓度 (LNC) 对于灌溉和施肥的精确管理至关重要。本研究的目的是通过选择点云的最佳百分位高度来估计夏玉米的PH值；使用点云方法从图像中提取CC；并确定PH和CC与可见植被指数（VI）的组合是否可以提高LNC的估计精度。2018年、2019年和2020年夏玉米灌浆期，利用无人机（UAV）平台和RGB相机拍摄的3灌4氮肥玉米田图像。结果表明，99.9th百分位高度为点云是 PH 估计的最佳选择。基于图像的点云方法可以准确估计CC。与绿红比 VI、绿红 VI 和耐大气 VI 相比，归一化红度强度 (NRI) 具有估计 LNC (R2 = 0.474) 的潜力。基于 2018 年和 2019 年收集的数据集，建立了 4 个集成 VI（PH、CC 和 NRI 两个或三个组合：NRICC、NRIH、CC∗H 和 NRICCH）与 LNC 之间的关系，其中 NRICCH 与玉米 LNC 的相关性最高（R2 = 0.716）。使用 2020 年的独立数据集来评估 LNC 估计模型的可行性。结果表明，该模型能够准确估计 LNC（R2 = 0.758，RMSE = 0.147%）。因此，结合作物农学变量和来自基于无人机的 RGB 图像的可见 VI 具有估计 LNC 的潜力。474）与绿红比VI、绿红VI和耐大气VI相比。基于 2018 年和 2019 年收集的数据集，建立了 4 个集成 VI（PH、CC 和 NRI 两个或三个组合：NRICC、NRIH、CC∗H 和 NRICCH）与 LNC 之间的关系，其中 NRICCH 与玉米 LNC 的相关性最高（R2 = 0.716）。使用 2020 年的独立数据集来评估 LNC 估计模型的可行性。结果表明，该模型能够准确估计 LNC（R2 = 0.758，RMSE = 0.147%）。因此，结合作物农学变量和来自基于无人机的 RGB 图像的可见 VI 具有估计 LNC 的潜力。474）与绿红比VI、绿红VI和耐大气VI相比。基于 2018 年和 2019 年收集的数据集，建立了 4 个集成 VI（PH、CC 和 NRI 两个或三个组合：NRICC、NRIH、CC∗H 和 NRICCH）与 LNC 之间的关系，其中 NRICCH 与玉米 LNC 的相关性最高（R2 = 0.716）。使用 2020 年的独立数据集来评估 LNC 估计模型的可行性。结果表明，该模型能够准确估计 LNC（R2 = 0.758，RMSE = 0.147%）。因此，结合作物农学变量和来自基于无人机的 RGB 图像的可见 VI 具有估计 LNC 的潜力。CC∗H 和 NRICCH) 和 LNC 是基于 2018 年和 2019 年收集的数据集建立的，NRICCH 与玉米 LNC 的相关性最高（R2 = 0.716）。使用 2020 年的独立数据集来评估 LNC 估计模型的可行性。结果表明，该模型能够准确估计 LNC（R2 = 0.758，RMSE = 0.147%）。因此，结合作物农学变量和来自基于无人机的 RGB 图像的可见 VI 具有估计 LNC 的潜力。CC∗H 和 NRICCH) 和 LNC 是基于 2018 年和 2019 年收集的数据集建立的，NRICCH 与玉米 LNC 的相关性最高（R2 = 0.716）。使用 2020 年的独立数据集来评估 LNC 估计模型的可行性。结果表明，该模型能够准确估计 LNC（R2 = 0.758，RMSE = 0.147%）。因此，结合作物农学变量和来自基于无人机的 RGB 图像的可见 VI 具有估计 LNC 的潜力。
京公网安备 11010802027423号