[发明专利]一种基于无人机遥感的入侵植物生物量估算方法

权利要求书

1.一种基于无人机遥感的入侵植物生物量估算方法，其特征在于：包括以下步骤：

步骤一：在研究区域采取系统随机取样方法设置地面采样点，样方的设置应尽可能反映整个研究区域的入侵植物生长状况，应根据入侵植物的生长特性以及分布状况选择合适的样方大小，样方框水平放置且尽量避免被叶片遮挡；

步骤二：使用无人机搭载可见光数码相机，在研究区域进行航迹规划，根据入侵植物的所需分辨率大小确定合适的无人机摄影高度，所需精度越高，需设置飞行高度越低，一般设置为10～120米，垂直航线摄影，设置航向、旁向重叠度均高于60％为宜，获取连续的可见光影像数据；

步骤三：地面数据采集，对每个样方边界内所有的入侵植物地上部分进行收集并装袋，记录样本编号，将入侵植物样本带回放入烘干箱，设置合适的烘干温度，烘干一段时间后，每隔若干小时对样本进行三次称重，直至样本重量不再变化，停止烘干并以此作为样本实际的生物量数据；

步骤四：基于步骤二采集的RGB影像数据，利用Agisoft PhotoScan软件获取研究区域的正射影像数据，并根据提取所有对应样方的同像素尺寸的RGB影像，再利用Python将正射影像数据分割成与样方相同像素尺寸的小图，采取滑动窗口的方式进行分割，设置水平、垂直步长均为小图的像素尺寸；

步骤五：基于步骤四分割的小图，随机选取部分图片，根据入侵植物的物种类别进行分类，按照某一类入侵植物在图片中的占比高于80％的分为该类入侵植物，将其余背景类进一步划分为植物类背景和非植物类背景，并且按照8:1:1划分为训练集、验证集和测试集；

步骤六：利用Pytorch搭建深度学习模型，根据步骤五的数据集进行多分类识别任务，对模型进行训练、验证以及优化，将训练好的识别模型，利用Python对步骤四中的正射影像进行遍历识别，获得研究区域的入侵植物分布图；

步骤七：基于步骤四中的样方RGB影像，对图像使用水平翻转、垂直翻转、亮度变化、加入随机噪声等处理方式的组合进行扩充，在没有改变原始图片的视野范围的情况下，可以认为图像扩充前后，其图像所包含的入侵植物地上生物量大小是一致的，在扩充后对生物量数据也加入一个较小的随机噪声；

步骤八：基于步骤七进行扩充后的图片，选取常用的用于生物量估算的特征变量进行提取，其包含入侵植物的各种植被指数以及各种纹理特征；

步骤九：构建若干种回归模型对入侵植物地上生物量进行估算，采用决定系数R²和均方根误差RMSE对模型精度进行评价，选出最优的入侵植物地上生物量估算模型；

步骤十：利用步骤九中选取的入侵植物地上生物量估算模型，对步骤六中的入侵植物分布图进行遍历计算入侵植物地上生物量，获得研究区域的入侵植物地上生物量分布图。

2.根据权利要求1所述的一种基于无人机遥感的入侵植物生物量估算方法，其特征在于：所述步骤六中，所使用的具体的深度学习模型有：restnet101、mobilenet_v3、densenet12、sufflenet_v2，所选取的四种模型均为近年主流的卷积神经网络模型。

3.根据权利要求1所述的一种基于无人机遥感的入侵植物生物量估算方法，其特征在于：所述步骤八中，各植被指数具体计算如下：

RBRI＝DNR/DNB、GBRI＝DNG/DNB、

GRRI＝DNG/DNR、RGRI＝DNR/DNG、EXR＝(1.4DNR-DNG)、

VARI＝(DNG-DNR)/(DNG+DNR-DNB)、GRVI＝(DNG-DNR)/(DNG+DNR)、

NDI＝(DNR-DNG)/(DNR+DNG+0.01)、NGBDI＝(DNG-DNR)/(DNG+DNR)、

VDVI＝(2DNG-DNR-DNB)/(2DNG+DNR+DNB)、NGRDI＝(DNG-DNR)/(DNG+DNR)，

其中DNR＝R/(R+G+B)、DNG＝G/(R+G+B)、DNB＝B/(R+G+B)；

各纹理特征具体计算如下：

。