小麦分蘖数是作物非常重要的生长结构参数，对于小麦的成穗率和最终产量有着极大的影响，合理的小麦分蘖数是作物高产稳产的基础。分蘖数的获取目前大多依赖于传统手工计数，不仅效率低、工作量大，并且缺乏准确性和客观性。地面激光雷达（LiDAR）作为主动遥感方式，能够实现高通量、无损、高效地获取小麦分蘖数。利用LiDAR扫描得到的田间小麦三维点云数据，结合三维点云聚类算法计算小麦分蘖数。此算法为准确无损获取田间小麦分蘖数提供了新的思路和方法。
目录
摘要3
关键词3
Abstract3
Key words3
引言3
1 材料与方法5
1.1 试验设计 5
1.2 数据测定 5
1.2.1 地面激光雷达数据获取 5
1.2.2 田间分蘖数的获取6
1.3 自适应分层和聚类算法6
1.3.1 点云数据预处理6
1.3.2 自适应分层7
1.3.3 空间聚类分析8
2 结果与分析 9
2.1 基于地面激光雷达的小麦分蘖数的预测结果9
2.2 不同生育期小麦分蘖数预测精度10
2.3 不同密度小麦分蘖数预测精度10
2.4 不同品种小麦分蘖数预测精度11
3 结论与讨论 11
3.1 生育时期对小麦分蘖数预测精度的影响分析11
3.2 密度对小麦分蘖数预测精度的影响分析11
3.3 品种对小麦分蘖数预测精度的影响分析11
3.4 结论11
致谢12
参考文献12
基于LiDAR的小麦分蘖数监测研究
引言
小麦是中国三大粮食作物之一，其面积与产量都仅次于水稻，在当前国内口粮消费中占到了40%左右。因此小麦的高产稳产是保障国家粮食安全的关键因素。此外，小麦还作为主要的商品粮之一在国际国内粮食贸易中占有很大份额，在国民经济中发挥着越来越重要的作用[1]。
冬小麦分蘖是植物腋芽外侧枝所形成的。在12月开始的休眠期之前，及时种植的冬小麦将 *景先生毕设|www.jxszl.com +Q: ^351916072^ 
会开始发芽、出苗和分蘖。小麦分蘖的形成是非常重要的，在春季新形成的分蘖将开始生长，小麦的穗部会产生更多的籽粒。在小麦的茎伸长之前，在冬末和早春时期将会产生更多的分蘖。小麦分蘖数是作物田间表型的关键参数，小麦分蘖数对于个体发育具有非常重要的意义，单株有效分蘖数与穗长、穗粒数、小穗数、穗粒重之间存在着极显著的正相关关系，它们决定了个体发育的健壮程度，进而可以影响最终的产量。因此，保持足够多的分蘖密度是小麦田间管理的一个关键组成部分。目前国内外已经针对小麦分蘖规律展开了大量研究，表明在冬小麦返青期至拔节前期，小麦分蘖旺盛，此期间进行良好的田间管理对后期小麦营养生长和生殖生长具有极其重要的意义[2]。
在田间获取茎蘖数这一环节上，目前还依赖于耗时费力的人工测量，在小麦分蘖的不同阶段都需要进行测量，主要采用以下两种计数方法。将方框随机地扔到地面的作物上并计算框内的分蘖，或者计算沿测量行的分蘖，并且假定固定行宽计算分蘖数密度。然而，这两种方法都需要花费大量的时间和人力，并且存在与选择采样位置相关的误差，无法实现自动化，也无法在大面积的农田中使用[3]。
遥感为此提供了解决方法。遥感技术在农业中的应用开始于上世纪七十年代。初期农业遥感的重点是大面积农田的生长监控和产量估计，主要以遥感影像中提取的植被指数信息为基础，对作物长势进行分析和评价。
现阶段，利用遥感手段获取作物的冠层结构和分蘖数取得一定的研究进展。
Flowers[4]等对小麦拍摄彩色或假彩色红外航空田间照片，得到了近红外(NIR)、红(R)、绿(G)、蓝(B)波段的光谱信息，计算单波段与小麦植被系数、小麦分蘖密度之间的相关系数，并依此预测小麦分蘖密度，结果表明植被指数是预测小麦分蘖密度的可靠指标。此外，植被系数的应用引起了国内外学者的广泛关注。Phillips [5]绘制的NDVI与分蘖密度的线性回归图中，在22个测试站点中有18个站点的斜率和截距相互之间没有差异，这说明使用NDVI可以对小麦分蘖进行可靠的预测。张猛（2016）等[6]对泰农18型冬小麦分蘖状态，使用4波段（550 nm、650nm、766nm和850nm）便携式作物反射光谱测量仪进行自动监测与建模，分析9种植被指数OSAVI、MSAVI、NDVI、EVI2、 NDGI、DVI、SAVI、TVI、RVI与分蘖数之间的相关关系，为冬小麦分蘖数在线监测提供了一定的依据。这进一步说明利用植被指数NDVI对小麦分蘖状态进行监测是非常可靠的。
图像处理技术对于分蘖数的监测也非常有帮助。杨万能[7]等使用CT系统扫描单棵水稻植株得到图像，采用滤波反投影算法重建水稻茎的横断面图像。然后通过图像分割自动提取分蘖数。图像处理技术用于分蘖数的计数，实现了无人干扰、自动化、高通量。同样，彩色相机也被用于小麦分蘖数的监测中。Boyle[8]等开发了一种小麦分蘖数的估算器，使用RGB相机每天采集单棵春小麦不同角度(0°、45°、90°)的彩色侧视图片，利用Frangi滤波器算法计算小麦分蘖数。此外，相机和自动表型系统的结合进行分蘖数的计算也非常有价值。Constantino等[9]使用相机拍摄水稻，并建立了Seight系统，这是一种自动表型C4水稻作物的系统。该系统通过不同的图像处理技术测量水稻的高度并计算分蘖。分蘖计数模块会在图像中设置感兴趣区（Region of Interest , ROI）并检查ROI内的所有像素来进行分蘖的计数。
随着科学技术尤其是信息化技术的不断发展，人们不再满足于二维信息的利用，转而向更高维度（三维）进行研究，以获得更多的空间结构信息满足日渐精细化的信息农业对精度的更高要求。
用于3D成像的方法大致分为两种类型：被动和主动。被动方法包括立体视觉和x的算法（其中x表示焦点、阴影、纹理、轮廓和其他参数）。特别是立体视觉已被广泛用于科学研究和工业应用。对于使用透视几何规则以及从不同位置拍摄的对象的两个或更多个图像，被动方法能够基于图像间的差异进行3D重建。主动方法不限于特定的表面纹理，因为它们能产生适合于特定类型的3D测量的电磁辐射波长（而不依赖于反射或发射的环境辐射）。而LiDAR正是能够用于主动测试植物形状和冠层结构的3D测量的强大的工具[10]。LiDAR(Light detection and ranging)，又称激光扫描技术或激光雷达，是一种主动遥感技术，它由激光扫描测距仪(Laser Scanner)、全球定位系统(GPS)、惯性导航系统(INS)等组成，用GPS(Global Position System)和IMU(Inertial Measurement Unit，惯性测量装置)进行激光扫描[11]，具有与被动光学遥感不同的成像机理，可以穿透茂密的植被，对于获取物理结构相关的农作物高精度的生长参数方面具有远超其他遥感技术的的优势，如植物高度、树冠结构、碳储量和农作物叶面积指数等[12]。LiDAR在白天和夜晚都可以进行扫描，它的运行不会受到时间的限制，能够以非接触方式快速、高精度获取海量点云数据，点云数据包含各点的空间坐标，结合数码相机的使用还可以包含各点的色彩信息[13]。然而直到最近，关于小麦分蘖数的研究都多局限于2D成像、高光谱多光谱成像、热成像、主动荧光等技术，对于LiDAR三维信息的利用还不够深入。Guo等[14]开发了基于LiDAR的高通量作物表型分析平台Crop 3D，该平台可以提取到多种植物表型参数，对于分蘖数采用Kmeans算法结合层次聚类方法对LiDAR点云进行分割取得了良好的效果。该系统在理想情况下，可以在任何生长季节使用，并且不需要直接地面校准。通过LiDAR技术，我们将激光点云进行算法处理即可得到分蘖数。使用LiDAR不仅能够实现同一地点相同土壤类型的分蘖数监测，而且也能够实现不同地点不同土壤类型的作物分蘖数监测。LiDAR结合图像技术、植被参数，建立小麦分蘖数监测系统平台，对于分蘖数的监测可以实现实时监测。

原文链接：http://www.jxszl.com/swgc/smkx/563170.html