共查询到20条相似文献，搜索用时 78 毫秒
1.
冬小麦是我国主要的粮食作物之一,及时准确地获取冬小麦种植面积对农业政策的制定具有重要意义。以河南省扶沟县为研究区域,以多生育期Sentinel-1A和Sentinel-2A/B遥感影像为数据源,构建光谱特征、植被特征和极化特征的多生育期数据集,分析各类地物的特征曲线,采用随机森林算法对单生育期单传感器、单生育期多传感器、多生育期单传感器和多生育期多传感器的遥感影像进行精细分类,实现县域冬小麦制图。结果显示：单生育期的雷达影像无法满足制图要求,拔节期的总体精度最高,仅为62.9%,多生育期雷达影像分类精度达到81.9%,基本满足制图要求;单生育期的光学影像和融合影像在成熟期的精度最高,总体精度分别为93.4%和95.1%,Kappa系数分别为92.4%和94.8%,可以绘制较为精准的冬小麦分布图;多生育期融合影像绘制的扶沟县2019年冬小麦空间分布图,总体精度为96.8%,结果最优。研究结果表明融合的多生育期遥感影像可以为县域冬小麦种植面积的提取提供技术依据。 相似文献
2.
快速、准确地获取作物种植面积信息是长势监测、产量估算、病虫害监测和预警的基础。针对我国江南区域多云雾的特点,以Sentinel-1/2为数据源,综合采用光学遥感影像和合成孔径雷达(Synthetic aperture radar, SAR)影像等多源数据,针对研究区作物早春覆膜的特点,构建地膜植被指数(SAR plastic-film vegetation index, SPVI);利用时序光谱和植被指数特征,研究基于XGBoost算法的作物识别方法。以安徽省宣城市宣州区为研究区,开展实例验证研究。在作物生育期内,云雾影响较大,光学遥感覆盖稀疏区域以Sentinel-2影像为主,获取时序指数数据集,增加4期Sentinel-1雷达影像,用以补充云雾时期(5—7月)光学影像的缺失。以本文设计的方法,得到作物识别总体精度为84.87%,优于随机森林的83.93%,主要作物烟草制图精度88.69%,用户精度95.51%。仅使用生育期Sentinel-2影像的作物识别总体精度79.01%,主要作物烟草制图精度82.30%,用户精度93.49%。研究结果表明,本文构建的基于XGBoost算法多源... 相似文献
3.
GEE环境下融合主被动遥感数据的冬小麦识别技术 总被引：2，自引：0，他引：2
遥感技术已成为大宗作物种植面积提取的有效手段。为避免冬小麦提取中受光学数据缺乏的影响,基于随机森林算法（RF）和Google Earth Engine（GEE）云平台,探索时间序列Sentinel-1合成孔径雷达（SAR）数据后向散射系数对冬小麦提取效果,并融合Sentinel-1、2主被动遥感数据,研究后向散射系数、光谱特征、植被指数特征与纹理特征的不同组合对冬小麦识别精度的改善情况。结果表明：仅融合多时相Sentinel-1 SAR数据时,分类总体精度为85.93%,Kappa系数为0.75,冬小麦识别精度达到95%以上。融合多时相SAR数据与单时相光学数据,在充分利用极化信息和光谱信息进行分类后,分类总体精度为95.78%,Kappa系数为0.92,比多时相SAR分类结果分别提高9.85个百分点和约22.67%,对冬小麦的识别精度提高约2个百分点。通过分析不同特征组合情况下纹理特征对分类的影响,发现纹理特征对冬小麦的识别精度影响程度较小。 相似文献
4.
为了提高冬小麦种植区识别精度,本文基于谷歌地球引擎(Google Earth Engine, GEE)平台和随机森林算法,对比雷达和光学遥感数据对冬小麦提取效果的差异,并对多类特征变量进行重要性分析,研究特征优选对冬小麦识别精度的影响。选取2019年3—5月冬小麦关键生育期的Sentinel-1和Sentinel-2影像为数据源,构建Sentinel-1的极化特征和纹理特征以及Sentinel-2的光谱特征、植被指数特征、植被指数变化率特征共5类特征变量;设置不同数据源和不同特征组合的冬小麦种植区提取方案;对方案中特征变量进行优选,得出最优特征组合,利用最优特征组合对河南省驻马店市冬小麦种植区进行提取。结果表明,无论是否进行特征优选,基于多源遥感数据的冬小麦识别精度均优于仅采用光学或雷达数据的精度;经过特征优选后,各方案的分类精度均有不同程度的提升,说明多源数据特征变量组合和特征优选均能够提高分类精度。不同月份和类型的特征变量对分类精度的贡献率不同,贡献率由大到小为4月、3月和5月;贡献率由大到小的特征类型为极化特征、植被指数变化率特征、植被指数特征、光谱特征和纹理特征。基于多源数据特... 相似文献
5.
根据制种玉米与其他作物在中高分辨率遥感影像上的光谱和纹理差异,利用多源遥感数据,以提取制种玉米种植田为研究目标,提出了作物多时相光谱特征分析的植被指数体系,多维度反映了作物不同光谱差异;在纹理检测前加入图像旋转不变处理,解决了遥感影像中作物田纹理方向问题;最后构建了多时相光谱特征和高空间分辨率遥感影像LBP-GLCM纹理特征的制种玉米田识别方法体系。以新疆霍城县为研究区,利用上述方法体系结合随机森林分类器,通过实验得到分类总体精度为90.57%,Kappa系数为0.79,制种玉米田分类结果用户精度为99.20%,制图精度为86.68%,基本满足对制种玉米田的识别需求。 相似文献
6.
【目的】探究基于Sentinel-2遥感影像的决策树分类模型提取破碎化地块灌区作物种植结构的适用性。【方法】选取新疆阿拉沟灌区为研究区,以2021年覆盖作物全生育期的Sentinel-2遥感影像为数据源,结合田间调查和Google高清影像目视解译采样,基于主要作物物候信息、NDVI时序特征等分析确定作物识别的关键期阈值,构建决策树模型进行灌区主要作物分类,并对分类结果精度验证。【结果】基于Sentinel-2提取的灌区种植结构分布图地块纹理清晰,能够满足灌区用水管理需要;构建的决策树分类模型可在灌区尺度实现作物分类,方法简便易行,总体精度达到81.56%,Kappa系数为0.716 6。【结论】采用Sentinel-2遥感影像和决策树分类方法识别破碎化地块灌区复杂作物分类是可行的,可为灌区输配水决策和农业用水精细化管理提供基础信息。 相似文献
7.
基于哨兵-2A模拟反射率及其影像的冬小麦收获指数估算 总被引：1，自引：0，他引：1
为验证基于花后累积地上生物量比例动态参数（D-fG）的作物动态收获指数（D-HI）遥感估算方法在大范围获取作物收获指数空间信息的可行性和有效性,以我国黄淮海平原河北省衡水市为研究区,以冬小麦为研究对象,在前期田间冠层尺度确定作物收获指数估算敏感波段中心和最大波段宽度基础上,利用哨兵-2A(Sentinel-2A)遥感模拟反射率数据及其真实遥感数据开展基于花后累积地上生物量比例的区域冬小麦收获指数遥感估算研究。在基于不同波段组合Sentinel-2A遥感模拟数据筛选出的冬小麦动态收获指数估算最优波段信息基础上,利用Sentinel-2A影像数据实现区域作物收获指数空间信息准确获取。结果表明,在Sentinel-2A多光谱遥感模拟反射率波段λ1（672~680nm）和λ2（855~875nm）条件下,基于D-fG遥感参数信息的D-HI估测精度最高,其中,均方根误差（RMSE）、归一化均方根误差（NRMSE）和平均相对误差（MRE）分别为0.0404、10.83%、9.56%,证明Sentinel-2A卫星遥感数据在冬小麦收获指数估算中具有一定应用潜力。同时,在估测D-HI精度最高的模拟遥感数据波段信息基础上,基于Sentinel-2A卫星遥感红光和窄近红外波段组合的灌浆期不同阶段和成熟期D-HI估测区域总体验证精度指标RMSE、NRMSE和MRE分别为0.0502、13.81%、12.00%。上述结果表明基于Sentinel-2A卫星数据和花后累积地上生物量比例的作物动态收获指数遥感估算方法在大范围D-HI空间信息获取中具有一定可行性和有效性,为基于宽波段多光谱卫星遥感数据的大范围作物动态收获指数空间信息准确获取提供一定技术方法借鉴。 相似文献
8.
棉花是我国重要的经济作物和战略储备物资,及时、准确地获取棉花空间分布信息对于棉花产量预测、农业政策的制定与调整具有重要意义。针对高分辨率遥感影像获取难度大以及传统机器学习对特征信息利用不足的问题,本文以新疆南部地区图木舒克市为目标区域,提出一种以U-HRNet为基本框架,融合CBAM注意力机制的CBAM-U-HRNet棉花种植地块提取模型。选择U-Net、HRNet和U-HRNet作为对比模型,评估CBAM-U-HRNet模型在Sentinel-2(10 m)和GF-2(1 m)2种空间分辨率数据集上的表现以及在棉花地块提取的优势。结果表明,基于Sentinel-2遥感影像的CBAM-U-HRNet组合模型对棉花地块的提取精度最优,mIoU和mPA分别达到92.78%和95.32%。与Sentinel-2数据集相比,空间分辨率更高的GF-2数据在HRNet、U-Net和U-HRNet网络上取得了更高的精度。对于两种不同空间分辨率的数据集,基于CBAM-U-HRNet模型的棉花地块提取精度较为接近,表明CBAM-U-HRNet模型能够减少由于数据集空间分辨率不同导致的错分。与随机森林算法... 相似文献
9.
地表覆盖产品是地理国情监测、生态系统评估、国土空间规划等活动的重要基础数据。GEE、PIE、微软行星云等遥感计算云平台具备丰富的数据源和强大算力。利用GEE云平台融合多套公开产品制作训练样本,可以显著降低产品更新的成本和周期,具有重要研究价值。本文以淮河流域为例,将欧洲航天局(ESA)和美国环境系统研究所(ESRI)存储在GEE平台上的2020年分辨率10 m地表覆盖产品作为训练样本数据源,选用Sentinel-1雷达和Sentinel-2多光谱影像构建特征空间,利用随机森林分类方法制作分辨率10 m的地表覆盖产品。为验证方法效果,进行了2组对比实验。实验1随机抽取1 116个公开产品类别一致的样点作为训练样本,并通过目视解译方式验证本文产品与多套公开产品的精度。结果显示,本文产品总体精度为80.35%,相较于公开产品的总体精度提升2.89～8.94个百分点,局部刻画也更加精细;在Sentinel-2基础上加入雷达影像,总体精度提高3.52个百分点,雷达影像辅助效果明显。实验2设置8组不同数量的训练样本,并分别以人工判读、ESA、ESRI、DW、GlobeLand30为参考数据源,研究... 相似文献
10.
基于时序植被指数的县域作物遥感分类方法研究 总被引：3，自引：0，他引：3
准确地获取农作物种植面积信息是农业管理部门及时掌握农作物生产信息的基础。基于时序植被指数的作物遥感分类方法,可以充分发挥遥感技术周期短、速度快和宏观性强的特点,克服单时相遥感数据的“同物异谱”和“异物同谱”导致的混分问题。以河北省曲周县作物遥感分类为例,在研究待分类作物的最佳NDVI阈值区间的基础上,探讨了基于时序植被指数的农作物分类知识规则建立方法。分类结果显示研究区2014年各类作物的种植面积分别为：冬小麦27 776.61 hm 2、夏玉米27 776.61 hm 2、春玉米2 582.73 hm 2、棉花6 485.94 hm 2、谷子 277.65 hm 2。 用总体分类精度、Kappa系数和统计数据对分类精度进行了验证,总体分类精度为89.166 7%,Kappa系数为0.857 4,与统计数据的相对误差分别为冬小麦-0.80%、夏玉米-0.32%、春玉米-3.15%、棉花-2.71%、谷子4.12%。研究结果表明该方法可为县域农作物种植面积遥感调查提供技术依据。 相似文献
11.
表示学习技术研究进展及其在植物表型中应用分析 总被引：2，自引：0，他引：2
表示学习是一种将研究对象的内在信息表示为稠密低维实值向量的方法,其基本思路是找到对原始数据更好的表达。表示学习凭借其自动提取特征的能力,在处理大量人为先验理解有限的数据时表现出高效性。有监督以及无监督的表示学习模型在文本、图像、三维点云等植物表型数据的分析研究中获得了运用。随着近年来数据量的迅速增长以及基因组学研究的快速发展,植物表型研究数据具有高通量、高精度等特征,表示学习模型在海量高维植物表型数据的分析任务中获得了关注。本文简述了表示学习的相关概念和表示学习技术研究进展,对有监督和无监督的表示学习模型进行对比分析,阐述了植物表型数据概念及其处理方法,重点从植物种类识别、病虫害检测分析、产量预测、基因研究和形态结构表型数据计算等方面,探讨了表示学习在植物表型中的研究应用意义及其存在的问题。最后,指出表示学习在植物表型应用中的发展方向:开发能够适用于分析不同种植物表型数据的表示学习模型,实现高整合度、高通用性的目标;提高表示学习模型的实时性及准确度,以增强其实用性;多模态表型数据的表示学习可为学科的交叉数据分析研究提供统一的数据视图。 相似文献
12.
基于树木整体图像和集成迁移学习的树种识别 总被引：2，自引：0，他引：2
为解决自然场景中拥有复杂背景的树木整体图像识别问题,提出了一种基于树木整体图像和集成迁移学习的树种识别方法。首先使用Alex Net、Vgg Net-16、Inception-V3及ResNet-50这4种在Image Net大规模数据集上预训练的模型对图像进行特征提取,然后迁移到目标树种数据集上,训练出4个不同的分类模型,最后通过相对多数投票法和加权平均法建立集成模型。构建了一个新的树种图像数据集——Trees Net,基于该数据集,设计了多类实验,并将该方法与传统的图像识别方法进行了分析比较。实验结果表明:该方法对复杂背景下树种图像识别准确率达到99. 15%,对于树木整体图像识别具有较好的效果。 相似文献
13.
数量计量是动物养殖管理的基础工作,其结果对于动物养殖的生产效率、养殖成本管控及经济效益评估等具有重要意义。基于计算机视觉的计数方法解决了传统人工计数存在的测量误差大、耗时费力等问题,减轻了养殖人员的工作负担。本文统计分析了近十年的养殖动物视觉计数相关研究,从传统机器学习与深度学习两方面对养殖动物计数算法进行分析与讨论。此外,对水产养殖、畜禽养殖与特种动物养殖领域的养殖动物计数应用进行梳理与总结。同时,对目前公开发布的养殖动物计数数据集进行概述。最后,从数据集、应用场景、计数方法3方面分析讨论养殖动物计数研究面临的主要挑战,并对未来研究进行展望。 相似文献
14.
15.
阐述学习动力系统各要素的作用及相互关系,介绍促进学生产生学习动力的内部因素和外部因素,针对学生学习动力不足时的表现,提出激发学生产生学习动力的可行性建议,为推动教学质量的全面提高提供参考。 相似文献
16.
基于深度学习的大豆生长期叶片缺素症状检测方法 总被引：5，自引：0，他引：5
为了检测作物叶片缺素,提出了一种基于神经网络的大豆叶片缺素视觉检测方法。在对大豆缺素叶片进行特征分析后,采用深度学习技术,利用Mask R-CNN模型对固定摄像头采集的叶片图像进行分割,以去除背景特征,并利用VGG16模型进行缺素分类。首先通过摄像头采集水培大豆叶片图像,对大豆叶片图像进行人工标记,建立大豆叶片图像分割任务的训练集和测试集,通过预训练确定模型的初始参数,并使用较低的学习率训练Mask RCNN模型,训练后的模型在测试集上对背景遮挡的大豆单叶片和多叶片分割的马修斯相关系数分别达到了0.847和0.788。通过预训练确定模型的初始参数,使用训练全连接层的方法训练VGG16模型,训练的模型在测试集上的分类准确率为89.42%。通过将特征明显的叶片归类为两类缺氮特征和4类缺磷特征,分析讨论了模型的不足之处。本文算法检测一幅100万像素的图像平均运行时间为0.8 s,且对复杂背景下大豆叶片缺素分类有较好的检测效果,可为农业自动化生产中植株缺素情况估计提供技术支持。 相似文献
17.
基于迁移学习的卷积神经网络玉米病害图像识别 总被引：17，自引：0，他引：17
为实现小数据样本复杂田间背景下的玉米病害图像识别,提出了一种基于迁移学习的卷积神经网络玉米病害图像识别模型。在VGG-16模型的基础上,设计了全新的全连接层模块,并将VGG-16模型在Image Net图像数据集训练好的卷积层迁移到本模型中。将收集到的玉米病害图像数据集按3∶1的比例分为训练集与测试集。为扩充图像数据,对训练集原图进行了旋转、翻转等操作。基于扩充前后的训练集,对只训练模型的全连接层和训练模型的全部层(卷积层+全连接层)两种迁移学习方式进行了试验,结果表明,数据扩充和训练模型的全部层能够提高模型的识别能力。在训练模型全部层和训练集数据扩充的条件下,对玉米健康叶、大斑病叶、锈病叶图像的平均识别准确率为95. 33%。与全新学习相比,迁移学习能够明显提高模型的收敛速度与识别能力。将训练好的模型用Python开发为图形用户界面,可实现田间复杂背景下玉米大斑病与锈病图像的智能识别。 相似文献
18.
文章结合《农民专业合作社法》的学习,探索了如何利用《农民专业合作社法》组建农机农民专业合作社及农机合作社的成立对我国农村经济发展的意义。 相似文献
19.
植物病害对食品安全具有灾难性的影响,它可以直接导致农作物的质量和产量显著下降,因此对植物病害的早期鉴定非常重要。传统的农作物病害诊断需要非常高的专业知识,不仅费时费力,还效率低下。针对这些问题,利用深度学习的方法,以马铃薯叶片为研究样本,基于TensorFlow开发Faster R-CNN网络模型。采用本地增强的方式对带有早疫病、晚疫病和健康的马铃薯叶片进行图像扩充,应用COCO初始权重进行迁移学习,探究了数据类别对模型检测结果的影响。结果表明,随着训练数据类别的增多模型性能会有略微的降低。同时还训练YOLOv3,YOLOv4网络与该模型进行对比,测试结果表明,所提出的Fater R-CNN模型优于其他网络模型。经检测该模型最佳精度达到99.5%,该研究为马铃薯病害检测提供了技术支持。 相似文献
20.
小麦在生长过程中发生倒伏会严重影响其产量,因此实时且准确地对小麦倒伏状况监测有很重要的意义.传统的方法采用手工方式生成数据集,不仅效率低、易出错,而且生成的数据集不准确.针对这一问题,本研究提出了一种基于图像处理的自动数据集生成方法.首先利用无人机在15、46和91 m三个高度采集图像数据;采集完数据后,根据无倒伏、倒... 相似文献