ICS 65.020.01 CCS B 05 15 内蒙古自治区 地方 标准 DB15/T 3867—2025 基于无人机 的紫花苜蓿田间 智能监测技术规程 Technical code of practice for intelligent field monitoring of alfalfa germplasm resources based on unmanned aerial vehicle 2025-02-17发布 2025-03-17实施 内蒙古自治区市场监督管理局 发布 DB15/T 3867 —2025 I 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。 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。 本文件由内蒙古大学提出。 本文件由内蒙古自治区畜牧业标准化技术委员会（ SAM/TC 19 ）归口。 本文件起草单位：内蒙古大学、西北农林科技大学、内蒙古草业技术创新中心有限公司、内蒙古自 治区林业和草原种苗总站、内蒙古自治区质量和标准化研究院。 本文件主要起草人：任卫波、张东彦、李梓尧、程 涛、夏红岩、白卓安、米丽、苑峰、刘亚玲、 李昊峰、张丽敏。 DB15/T 3867 —2025 1 基于无人机的紫花苜蓿种质资源田间智能监测技术规程 1 范围 本文件规定了基于无人机的紫花苜蓿田间表型监测技术的相关监测设备、方法及图像处理技术的 要求。 本文件适用于紫花苜蓿种质资源田间评价与利用。 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/T 6432 饲料中粗蛋白的测定 凯氏定氮法 GB 20806 饲料中中性洗涤纤维（ NDF）的测定 CH/T 3005 低空数字航空摄影规范 NY/T 1459 饲料中酸性洗涤纤维的测定 NY/T 2127 牧草种质资源田间评价技术规程 3 术语和定义 下列术语和定义适用于本文件。 航向重叠 navigation overlap 本航线内相邻像片上具有同一地区影像的部分占整个像片的比率，通常以百分比表示。 旁向重叠 lateral overlap 相邻航线的相邻像片上具有同一地区影像的部分占整个像片的比率，通常以百分比表示。 4 无人机设备要求 配备有一体式云台相机、激光雷达、 GNSS-RTK定位功能的无人机。 控制系统为北斗或 GPS，包含定位、气压高度传感、 3轴陀螺仪和 3轴加速度计。 最大飞行高度不高于 100 m，最大载重不小于 500 g。 最大抗风速度小于 12 m/s。 最长飞行时间（无风环境大于 20 min，最长悬停时间（无风环境）大于 10 min。 遥控器最大遥控距离大于 1500 m，续航时间 3 h。 DB15/T 3867 —2025 2 云台可控转动范围： -90°～+35°。 可见光影像传感器像素不小于 1500万，多光谱影像传感器像素不小于 100万。 旁向重叠率、航向重叠率可 根据实际飞行需求进行调节。 5 作业要求 监测时间 晴朗无云或少云且风力小于 4级的天气，监测时间按照 CH/Z 3005执行。 监测角度 云台倾角 -90°，镜头与植株冠层平面垂直。 飞行高度 15 m～30 m。 航线规划 确保航线作业区完整覆盖监测目标区；为保证影像能够完整拼接，航向重叠度、旁向重叠度均≥ 70%；确认飞行作业区内无禁飞区、限高区、建筑物、高压线及其他干扰因素，避免无人机受损或监测 目标影像被遮挡；根据需求选择传感器及其参数。 影像获取 获取方式按照 CH/T 3005 执行。 6 田间监测指标及方法 试验设计 小区面积、重复数、保护行设计、播种方式按照 NY/T 2127执行。 监测时期 株高全生育期监测，鲜重、中性洗涤纤维和酸性洗涤纤维监测在初花期进行。 株高 测量从地面至植株最高部位的自然高度记为株高，并做好标记。 地上部鲜重 初花期刈割，留茬 5 cm，测量面积、测量方法、重复数按照 NY/T 2127执行，并做好标记。 冠层酸性洗涤纤维、中性洗涤纤维 测产前随机选取 10株苜蓿，取冠层（ 10 cm）鲜样， 65 ℃下烘干至恒重，分别按照 NY/T 1459 、GB 20806相关规定进行测定。 冠层粗蛋白含量 DB15/T 3867 —2025 3 测产前随机选取 10株苜蓿，取冠层（ 10 cm）鲜样， 65 ℃下烘干至恒重，按照 GB/T 6432 相关规定 进行测定。 7 无人机影像预处理 设置地面像控点 为确保影像精度，可以在飞行前于研究区四角及中心铺设多个地面像控点（单 个像控点面积不小于 80 cm2），像控点间距不大于 300 m，提取像控点中心坐标，用于几何校正。 图像拼接 无人机拍摄的正射影像通过专业拼图软件 （ Dji Terra 4.3.0 ） 生成覆盖整个研究区的高精度影像。 辐射校正 飞行结束后，在研究区内放置不同反射率的辐射校正板，无人机在距校正板上方 1.2 m～1.5 m处拍 摄校正板，利用辐射校正因子对无人机影像进行校正。 几何校正 根据地面像控点坐标建立几何变换模型，利用该模型对研究区整幅影像进行几何变换。 植被指数计算 分别提取采样区域的 RGB波段、多光谱波段、高光谱波段和激光雷达数据，计算植被指数，参见附 录A中的表A.1。 纹理特征提取 提取影像的纹理特征并计算植被纹理特征指数，参见附录 A中的表A.2。 8 紫花苜蓿表型参数监测模型构建 株高监测模型构建 使用运动恢复结构（ Structure from Motion, SfM ）方法分别生成数字高程模型（ DEM）和数字表 面模型（ DSM），将两者相减得到株高监测模型（ CHM）。 地上部鲜 重监测模型构建 选择与地上部鲜重相关性高的植被指数、纹理指数，结合线性回归模型、机器学习等算法，建立地 上部鲜重反演模型。 冠层中性洗涤纤维监测模型构建 选择与冠层中性洗涤纤维等相关性高的植被指数 RVI、NGRDI，结合线性回归、机器学习等算法，建 立冠层中性洗涤纤维监测模型。 冠层酸性洗涤纤维监测模型构建 DB15/T 3867 —2025 4 选择与冠层酸性洗涤纤维相关性高的植被指数 DVI、MCARI，结合线性回归、机器学习等算法，建立 冠层酸性洗涤纤维监测模型。 冠层粗蛋白含量模型构建 选择与冠层粗蛋白含量相关性高的植被指数、纹理指数，结合线性回 归模型、机器学习等算法，建 立冠层粗蛋白含量反演模型。 9 紫花苜蓿表型监测模型校正 利用实测数据总量的 70%用于模型构建，实测数据总量的 30%对已构建的模型进行精度验证，选择 拟合误差最小的模型，按照附录 B方法进行评价。 当决定系数 R2≥0.70时，该模型方可用于表型指标监测。