ICS 67.140.10 CCS X 55 团 体 标 准 T/CTSS 95-2024 茶树树冠表型 参数无人机多源遥感监测技术 规程 Technical regulation for monitoring phenotypic parameters of tea plant crown based on UAV multi-source remote sensing 中国茶叶学会 2024-12-31 发布 2024-12-31 实施 发 布 全国团体标准信息平台 前 言 本文件按照 GB/T 1.1-2020《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。 本文件的发布机构不承担识别专利的责任。 本文件由山东省农业科学院 提出。 本文件由中国茶叶学会 标准化工作委员会 归口。 本文件起草单位 ：山东省农业科学院、青岛农业大学 、山东省农业技术推广中心、威海市农业农 村事务服务中心 。 本文件主要起草人： 丁兆堂、 李赫、王玉、范凯、孙立涛、申加枝、李晓江、王双双、徐秀秀、 李宇晨、王林军、李玉胜。 全国团体标准信息平台 茶树树冠表型 参数无人机多源遥感监测技术规程 1 范围 本文件规定了茶树树冠表型 参数无人机 多源遥感监测技术的术语和定义、无人机多 源遥感数据采 集、表型遥感信息提取 、茶树树冠表型分析 。 本文件适用于茶树树冠表型参数无人机多源遥感 的监测。 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。 CH/T 3014 数字表面模型 机载激光雷达测量技术规程 3 术语和定义 下列术语和定义适用于本文件。 3.1 无人机多源遥感 Unmanned aerial vehicle ( UAV) multi-source remote sensing 是指在无人机平台上搭载多种传感器，通过这些传感器获取不同类型的数据，包括 光学、热红外 和激光雷达 等，从而实现 对地观测 的多源遥感技术 。 3.2 茶树树冠表型 Crown phenotype of tea plant 是指茶树树冠的大小、形状和结构等特征，这些特征直接影响着茶树的产量和品质 。 包括茶树高 度（H）、叶面积指数 （LAI）、叶片含水量 （W）、叶片叶绿素含量 （LCC）、叶片氮 含量（LNC）等 表型。 4 无人机多 源遥感数据采集 4.1 无人机 无人机载荷优于 1.1 kg，应具有精准定位 和定高功能 ，悬停精度 垂直方向优于 0.1 m，水平方向优 于0.3 m，飞行海拔高度可自由调节，可调整拍摄角度，抗风等级应在 7级以上。 4.2 多源数据采集 4.2.1 可见光RGB（Red Green Blue ）数据采集 采集茶树冠层的 可见光RGB图像。RGB相机性能应具备 红色、绿色和蓝色光谱通道 。倾斜拍摄时 相机的航向重叠 度宜在70%～80%之间，旁向重叠度 宜在50%～80%之间。 4.2.2 多光谱（multispectral ，MS）数据采集 采集茶树冠层 的MS图像。多光谱相机 采集波段不少于6个（包括蓝色、绿色、红色、红边 1、 红边2和近红外 ），空间分辨率 宜在1.875 cm 以上，并且 在图像采集过程中， 应具备同时采集 6个 通道对应波长的环境光辐照度，并记录在对应的 TIFF图像中。 4.2.3 热红外（Thermal infrared ,TIR）数据采集 采集茶树冠层 的温度图像。空间分辨率不低 于640 x 512 像素，热像仪测量温度范围测量范围为 -25 ℃～+135 ℃，测量等效噪声温差宜小于 50 mK。 全国团体标准信息平台 4.2.4 激光雷达 （Light Detection and Ranging , LiDAR）数据采集 激光雷达 设备性能 宜具备平面精度 10cm 以上，高程精度 宜大于5cm ，茶树冠层点云密度达到 8000点/m2以上。机载激光雷达的测量按照 CH/T 3014 的规定执行。 4.3 飞行要求 应选择在晴朗无风的天气执行。 宜在10:00～14:00进行监测 ，太阳高度角不低于 30°。监测传 感器镜头方向垂直向下，与茶树 种植地表 呈90°。 5 表型遥感信息提取 5.1 纹理特征 信息 利用可见光 RGB图像提取茶树冠层 纹理信息。 分别提取红色、绿色和蓝色光谱通道 的GLCM （gray-level cooccurrence matrix ）纹理信息，包括均值（ Mean）、方差（ Var）、均匀性（ Hom）、 对比度（ Con）、非相似性（ Dis）、熵（ Ent）、二阶矩（ SM）和相关性（ Cor）。 5.2 光谱信息提取 利用MS图像提取 茶树冠层 蓝色、绿色、红色、红边 1、红边2和近红外 波段平均 光谱反射率 ， 并计算13个植被指数 （NDVI、RVI、DVI、EVI、RDVI、TVI、SAVI、NIR、RECI、MNLI、OSAVI、GNDVI、 RENDVI）。植被指数的全称及计算公式见附录 A表A.1。 5.3 温度信息提取 利用TIR图像提取茶树冠层 0.6 m × 0.4 m 范围内的最高温度、最低温度、平均温度。 5.4 结构信息提取 利用LiDAR数据和倾斜摄影 重建的茶树冠层 三维点云图像提取茶树冠层的 点云密度（ PCD）、激 光穿透指数（ LPI）、孔隙度（ Fgap）、高度平均值（ Hmean）、高度最大值（ Hmax）以及10个高度 百分位变量，即 H5th、H15th、H25th、H35th、H45th、H55th、H65th、H75th、H85th和H95th。结 构信息的全称及计算公式见附录 A表A.2。 6 茶树树冠表型分析 6.1 H表型分析 采用10重交叉验证法， 宜将结构信息 数据集分为 10部分，其中 9部分作为训练集， 1部分作为 测试集， 宜重复100次以上，运用SVM算法建立茶树树冠 H反演模型。 通过确定 R平方（R2）、均方 根误差（ RMSE）和归一化均方根误差（ NRMSE）来评价模型的性能。 R2达到0.8以上，RMSE和NRMSE 不能高于 0.08，表明H-SVM模型的性能较好。 6.2 LAI表型分析 采用10重交叉验证法， 宜将结构信息和光谱信息 数据集分为 10部分，其中 9部分作为训练集， 1部分作为测试集， 宜重复100次以上，运用RF算法建立茶树树冠 LAI反演模型。 通过确定 R平方 （R2）、均方根误差（ RMSE）和归一化均方根误差（ NRMSE）来评价模型的性能。 R2达到0.9以上，RMSE 和NRMSE不能高于 0.4，表明LAI-RF模型的性能较好。 6.3 W表型分析 采用10重交叉验证法， 宜将结构信息、光谱信息、 RGB信息和温度信息 数据集分为 10部分，其 中9部分作为训练集， 1部分作为测试集， 宜重复100次以上，运用SVM算法建立茶 树树冠W反演模 型。通过确定 R平方（R2）、均方根误差（ RMSE）和归一化均方根误差（ NRMSE）来评价模型的性能。 R2达到0.6以上，RMSE不能高于 1.8，NRMSE不能高于 0.03，表明W-SVM模型的性能较好。 6.4 LCC表型分析 采用10重交叉验证法， 宜将RGB信息和多光谱信息 数据集分为 10部分， 其中 9部分作为训练集， 1部分作为测试集， 宜重复100次以上，运用RF算法建立茶树树冠 LCC反演模型。 通过确定 R平方 （R2）、均方根误差（ RMSE）和归一化均方根误差（ NRMSE）来评价模型的性能。 R2达到0.85以上， RMSE不能高于 1.8，NRMSE不能高于 0.03，表明LCC-RF模型的性能较好。 全国团体标准信息平台