团体标准 紫花苜蓿种质资源表型超低空无人机遥感监测技术规程

团体标准紫花苜蓿种质资源表型超低空无人机遥感监测技术规程TechnicalSpecificationforUltra-LowAltitudeUAVRemoteSensingMonitoringofPhenotypesofAlfalfaGermplasmResources（征求意见稿）前言本文件按照GB/T1.1—2020《标准化工作导则第1部分：标准化文件的结构和起草规则》的规定起草。请注意本文件的某些内容可能涉及专利。本文件的发布机构不承担识别专利的责任。本文件由__________提出。本文件由__________归口。本文件起草单位：__________、__________、__________、__________。本文件主要起草人：__________、__________、__________、__________、__________。本文件为首次发布。1范围本文件规定了紫花苜蓿种质资源表型超低空无人机遥感监测的术语和定义、规范性引用文件、监测设备要求、作业准备、飞行作业规范、表型指标监测、影像数据处理、表型监测模型构建与验证、成果归档及质量控制等内容。本文件适用于紫花苜蓿种质资源圃、试验田的表型参数高效、无损监测，包括种质资源评价、品种选育、田间管理优化等场景下的超低空无人机遥感监测工作。2规范性引用文件下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文件，仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修改单）适用于本文件。GB/T14950—2009摄影测量与遥感术语GB/T6432饲料中粗蛋白的测定凯氏定法GB20806饲料中中性洗涤纤维（NDF）的测定GB/T35628—2017实景地图数据产品CH/T3005低空航空摄影规范CH/T3003低空数字航空摄影测量内业规范NY/T2127牧草产量测定方法NY/T1459饲料中酸性洗涤纤维（ADF）的测定3术语和定义GB/T14950—2009、GB/T35628—2017界定的以及下列术语和定义适用于本文件。3.1超低空无人机遥感监测ultra-lowaltitudeUAVremotesensingmonitoring指使用飞行高度≤30m的无人机作为搭载平台，配备可见光、多光谱等传感器，获取紫花苜蓿冠层及田间表型信息的遥感监测方式，具有分辨率高、机动性强、无损监测的特点。3.2紫花苜蓿表型alfalfaphenotype指紫花苜蓿在生长发育过程中表现出的可观测性状，包括株高、冠层覆盖度、生物量、营养成分含量等形态及生理生化指标。3.3航向重叠率courseoverlaprate同一条飞行航线内相邻两张影像之间的重叠比例，以百分比表示。3.4旁向重叠率sideoverlaprate相邻两条飞行航线之间影像的重叠比例，以百分比表示。3.5数字表面模型digitalsurfacemodel；DSM以一系列离散点或规则点的三维坐标表达地表物体表面（包括紫花苜蓿冠层、地面障碍物等）起伏形态的数据集。（来源：GB/T14950—2009，6.31）3.6数字高程模型digitalelevationmodel；DEM以规则格网点的高程值表达地面起伏（不含植被、建筑物等表面覆盖物）的数据集。（来源：GB/T14950—2009，6.29）4监测设备要求4.1无人机平台无人机应具备稳定飞行、精准定位及载荷扩展能力，技术参数需满足表1要求。项目技术参数要求核心功能配备一体式云台相机、可选装激光雷达；支持GNSS-RTK定位功能，实现厘米级定位控制系统支持北斗/GPS双模定位；集成气压高度传感器、3轴陀螺仪及加速度计，保障飞行稳定性飞行性能最大飞行高度≤100m，作业高度控制在15m~30m；载重≥500g；抗风能力≤12m/s；续航时间≥20min（悬停续航≥10min）遥控能力遥控距离≥1500m，遥控器续航时间≥3h作业模式支持自动航线规划、定点悬停拍摄、沿边飞行等模式，可精准覆盖监测区域4.2传感器设备传感器需根据监测指标选型，核心技术要求如下：可见光相机：像素≥1500万，支持RAW格式拍摄，焦距可调，光圈≥f/2.8，确保冠层细节清晰成像。多光谱相机：像素≥100万，至少包含蓝、绿、红、近红外波段，波段宽度≤10nm，光谱分辨率≥1nm，支持同步获取多波段影像。辅助设备：配备反射率校正板（尺寸≥50cm×50cm），用于影像辐射校正；可选装热成像相机，用于冠层温度监测。4.3数据处理设备计算机配置需满足影像处理及模型构建需求：CPU≥IntelCorei7或同等性能；内存≥32GB；显卡显存≥8GB；硬盘容量≥1TB（SSD优先）；操作系统支持Windows10及以上版本或macOS12及以上版本。数据处理软件需包含：无人机影像拼接软件（如DjiTerra4.3.0及以上版本）、遥感影像分析软件（如ENVI、ArcGIS）、数据统计及建模软件（如R、Python、SPSS）。5作业准备5.1监测区域准备明确监测范围，划定边界线，清理区域内影响飞行的障碍物（如高大树木、电线杆、石块等），确保飞行安全。在监测区域四角及中心位置布设地面像控点，像控点标识尺寸≥80cm×80cm，颜色选用高对比度色（如白色底黑色十字），间距≤300m，记录像控点精准坐标（采用WGS84坐标系）。划分种质资源小区，标注小区编号、品种名称、种植密度等基础信息，建立监测区域档案。5.2环境条件确认作业环境需符合以下要求，否则暂停作业：天气条件：晴朗无云或多云（云量≤20%），无降雨、大雾、沙尘天气；风力≤4级（风速≤6m/s），按CH/Z3005执行。光照条件：选择晴天上午9:00~11:30或下午14:30~17:00时段作业，避免强光直射导致冠层反光过度，或光照不足影响影像质量。其他：避开禁飞区、航线管制区域；远离人群密集区，设置作业警戒范围。5.3设备检查与调试无人机检查：检查机身结构完整性、电池电量（确保满电）、螺旋桨安装牢固性；测试遥控器与无人机通讯稳定性、定位系统精度。传感器调试：校准相机参数，清理镜头污渍；测试多光谱相机波段一致性，确保各波段影像同步采集；放置反射率校正板于监测区域开阔处，便于后期校正。软件设置：提前规划飞行航线，设置航向重叠率≥70%、旁向重叠率≥70%；调整云台倾角为-90°（垂直于冠层平面），确保影像覆盖完整。6飞行作业规范6.1飞行参数设置飞行高度：根据紫花苜蓿生长高度调整，苗期飞行高度控制在15m~20m，生长期、花期控制在20m~30m，确保冠层细节清晰且覆盖完整监测区域。飞行速度：可见光拍摄飞行速度≤5m/s，多光谱拍摄≤3m/s，避免因速度过快导致影像模糊。航线规划：采用网格状航线覆盖监测区域，确保航线与监测区域边界平行；避开像控点上方，防止遮挡影响坐标识别。6.2作业流程无人机起飞前再次确认环境条件、设备状态及航线参数，无误后启动自动飞行模式。作业过程中安排专人值守，实时监控飞行状态、影像采集质量，发现异常（如信号中断、影像模糊）立即暂停飞行，排查问题后重新作业。完成航线飞行后，操控无人机返航降落，检查影像数据完整性，确认无漏拍、虚焦影像后，整理设备及像控点。同一监测区域需进行多时段监测时，保持飞行参数、传感器设置一致，确保数据可比性。6.3安全与应急处理作业人员需具备无人机操作资质，熟悉设备操作流程及应急处置方法，佩戴安全防护装备。飞行中遭遇突发天气（如阵风、降雨）或设备故障，立即启动返航程序；若无法返航，操控无人机迫降于开阔、无人员及障碍物区域，保障设备及人员安全。作业结束后及时备份影像数据，避免数据丢失。7表型指标监测7.1监测时期根据紫花苜蓿生长周期及监测目的，确定关键监测时期，核心时期如下：苗期：播种后30d~40d，监测株高、冠层覆盖度。分枝期：植株分枝数稳定后，监测株高、冠层结构、分枝密度。初花期：开花率达10%~20%时，监测株高、地上部鲜重、冠层粗蛋白含量、中性洗涤纤维含量、酸性洗涤纤维含量。盛花期：开花率达50%~70%时，复测上述指标，评估生长动态。7.2指标监测方法结合无人机遥感数据与地面验证，实现表型指标精准监测，具体要求见表2。表型指标监测时期遥感监测方法地面验证方法株高全生育期通过SfM算法生成DSM与DEM，计算两者差值得到冠层高度模型（CHM），提取株高数据采用直尺测量地面至植株最高点自然高度，每小区随机选取10株，取平均值地上部鲜重初花期、盛花期提取植被指数（NDVI、RVI）及纹理特征，结合机器学习模型预测鲜重按NY/T2127执行，留茬5cm刈割小区内植株，称重记录，每小区3次重复冠层粗蛋白含量初花期基于多光谱影像提取植被指数与纹理指数，构建回归或机器学习预测模型采集冠层10cm处鲜样，烘干粉碎后按GB/T6432测定冠层中性洗涤纤维含量初花期利用RVI、NGRDI等植被指数，结合建模算法预测含量同粗蛋白样品处理，按GB20806测定冠层酸性洗涤纤维含量初花期基于DVI、MCARI等植被指数构建预测模型同粗蛋白样品处理，按NY/T1459测定冠层覆盖度苗期、分枝期通过可见光影像二值化处理，计算冠层像素占比采用网格法，每小区随机选取5个点位，目测估算覆盖比例，取平均值8影像数据处理8.1数据预处理影像筛选：剔除虚焦、曝光过度、遮挡、云影等不合格影像，保留清晰、完整的有效影像。几何校正：以地面像控点坐标为基准，通过影像处理软件进行几何校正，校正后影像平面中误差≤0.5像素。辐射校正：利用反射率校正板数据，计算校正因子，对多光谱影像进行辐射校正，消除光照差异影响，将影像灰度值转换为反射率。影像拼接：使用无人机影像拼接软件，基于特征点匹配技术拼接有效影像，生成监测区域正射影像图（DOM），拼接后影像无明显畸变、接缝。8.2特征提取植被指数计算：基于多光谱影像提取NDVI（归一化植被指数）、RVI（比值植被指数）、DVI（差值植被指数）、NGRDI（归一化绿红差异指数）等，具体计算公式见附录A。纹理特征提取：从可见光或多光谱影像中提取方差、均值、对比度、熵等纹理特征，用于表型指标建模。三维数据提取：通过SfM算法生成DSM、DEM及点云数据，提取冠层高度、冠层体积等三维表型参数。9表型监测模型构建与验证9.1模型构建根据不同表型指标特点，选择适宜的建模方法，具体要求如下：株高模型：采用SfM算法构建CHM模型，结合地面实测株高数据优化模型参数，提高估算精度。生物量及营养成分模型：以提取的植被指数、纹理特征为自变量，地面实测数据为因变量，建立线性回归、随机森林、支持向量机等模型，筛选最优建模算法。模型训练：将数据集按7:3比例划分为训练集（70%）和验证集（30%），用于模型训练与精度验证。9.2模型验证采用以下指标验证模型精度，具体计算方法见附录B：决定系数（R²）：反映模型预测值与实测值的拟合程度，R²≥0.70为合格，优先选用R²≥0.80的模型。均方根误差（RMSE）：反映预测值与实测值的平均偏差，值越小精度越高。平均绝对误差（MAE）：反映预测误差的绝对值均值，值越小模型稳定性越好。验证不合格的模型需重新优化特征变量或调整建模算法，直至满足精度要求。10成果归档与质量控制10.1成果归档监测成果需完整归档，包括以下内容：基础资料：监测区域概况、种质资源信息、作业方案、环境条件记录。设备资料：无人机及传感器参数、校准记录、设备运行日志。原始数据：无人机采集的原始影像、像控点坐标数据、地面实测数据。处理成果：校正后影像、正射影像图、DSM/DEM数据、特征提取结果、表型监测模型及参数。分析报告：监测结果汇总表、模型精度验证报告、表型分析结论及建议。归档方式采用电子归档与纸质归档相结合，电子数据需备份存储，保存期限不少于5年。10.2质量控制设备质量控制：无人机及传感器需定期校准，每年至少校准1次，校准合格后方可使用；作业前严格检查设备状态，确保符合技术要求。数据质量控制：原始影像合格率≥95%，几何校正、辐射校正精度需满足本文件要求；地面实测数据需规范记录，重复试验误差≤5%。流程质量控制：作业过程需严格遵循本文件规范，做好每环节记录；监测成果需经2人及以上复核，确保数据准确、报告规范。附录A（规范性）常用植被指数计算公式植被指数名称缩写计算公式备注归一化植被指数NDVINDVI=(NIR-R)/(NIR+R)NIR为近红外波段反射率，R为红波段反射率比值植被指数RVIRVI=NIR/R适用于植被覆盖度中等区域差值植被指数DVIDVI=NIR-R对植被覆盖度