无人机上使用SWIR相机进行植被遥感

牧草质量监测（FFM）分析传统上使用生物量取样来计算每公顷生物量产量（t ha-1）。目前的研究项目正在研究使用基于无人机（uav）的遥感系统的反射光谱学方法。近年来有结果证明，这种系统主要适用于精准农业，如作物和草地的生物量。

多光谱多摄像机系统形式的成像系统通常用于有效地导出公认的植被指数（VI）。然而，由于硅基传感器的使用，这种多相机系统的光谱应用范围局限于可见光（VIS）和近红外（NIR）波长范围（400-1000nm）。因此，短波红外中与生物量相关的更稳健的指标（如纤维素或水分含量）不能被视为估计量。

图1：原理图系统概述

在一个联合研究项目中，科布伦茨应用科学大学和科隆大学遥感和地理信息系统小组的一个团队开发了一个基于无人机的多摄像头系统，用于收集近红外/SWIR数据，以证明生物量监测的估计器更稳健、性能更好。图1中显示的系统显示了一个光谱摄像头单元（SCU）和一个传感器管理单元（SMU），两者都安装在无人机解决方案上。SCU部署了两台猛禽猫头鹰640 M Vis SWIR相机，可覆盖600至1700 nm的电磁光谱。选择这些相机模块是因为它们优化了“尺寸、重量和功率”参数。由于体积小、节能的非制冷（无TEC）设计和高灵敏度，这些模块是将多个相机模块集成到轻型无人机遥感系统中的理想选择，用于日光作业。另一个优点是用于定制滤波器法兰解决方案的可互换透镜支架，以适应光路中特定应用的窄带滤波器。

图2：实验场地的位置和布局

该研究旨在验证新开发的用于牧草质量监测的VNIR/SWR多摄像机原型的光谱性能并研究其光谱图像数据。为此，该系统于2019年7月在德国科隆附近的一个永久性实验草地上（棋盘试验），在晴朗的天空条件下获取了航空图像数据。光谱地面实况数据是用ASD Fieldspec3（FS3）光谱辐射计在12个选定的图中获得的。通过在飞行日期后14天从所有156个试验地块中进行破坏性生物量采样，获得以干物质产量（DMY）表示的饲料质量。

图3：图像数据处理工作流程。

为了评估VNIR/SWIR相机系统的光谱特性，将各个光谱带的反射率值以及两个导出的VI NRI（Koppe等人，2010）3和GnyLi（Gnyp等人，2014）4与相应的FS3值直接进行比较。此外，在简单的线性回归模型中进一步分析了基于相机和FS3的VI，作为DMY的估计量。基于相机的单反相机的R2为0.71到0.75。对于单个飞行日期数据集来说，这些都是有希望的结果。然而，必须用先进的评估方法进行进一步的多时相研究来证实这些结果。此外，还需要对氮浓度和粗蛋白质含量的进一步估计模型进行评估。目前正在调查对谷物作物的评价。

最终，这些第一个有希望的评估结果证明了这些新型InGaAs传感器的适用性

用于基于无人机的植被监测的多摄像头系统。它们在600-1700纳米的整个光谱范围内，在选定的波段提供易于使用的数据，具有出色的空间分辨率。

相关产品推荐

Owl 640 S紧凑型红外InGaAs相机产品特性：

• InGaAs芯片，响应波长0.9-1.7um

• 体积小，重量轻，无风扇设计

• TEC制冷，有效降低暗电流噪声

• 满分辨率帧频300fps

• 实时3点NUC图像矫正，无需载入校准文件

• 可扩展工作温度范围