排序方式: 共有29条查询结果,搜索用时 15 毫秒
21.
为探究小麦条锈病病情状况与冠层光谱的关系,通过田间人工接种条锈病菌,在不同生育期测定各个种植小区的冠层光谱、病情指数,对测定的光谱进行了连续统去除,提取光谱吸收深度、吸收峰总面积、吸收峰左端面积、对称度等吸收特征参数,计算光谱敏感度值,以病害区光谱吸收特征参数和光谱敏感度两个指标定量分析了小麦病害随生育期推进的变化程度,并且以不同生育期的光谱敏感度值和全生育期吸收特征参数为自变量建立回归模型,精确反演了小麦全生育期的病情指数。结果表明,以光谱敏感度值为自变量的组合模型预测值拟合度为0.97,以光谱吸收特征参数为自变量的模型预测值拟合度为0.95,均达到显著水平。 相似文献
22.
基于无人机数码影像的冬小麦株高和生物量估算 总被引:4,自引:4,他引:0
高效、快速地获取作物的株高和生物量信息,对农业生产有重要意义。该文利用2015年4月-6月获得了冬小麦拔节期、挑旗期和开花期的高清数码影像。首先基于无人机高清数码影像生成冬小麦的作物表面模型(crop surface model,CSM),利用CSM提取出冬小麦的株高(Hcsm),然后利用提取的21种数码影像图像指数,构建了拔节期、挑旗期和开花期混合的多生育期生物量估算模型,并进行单生育期和多生育期模型对比分析;最后选择逐步回归(stepwise regression,SWR)、偏最小二乘(partial least square,PLSR)、随机森林(random forest,RF)3种建模方法对多生育期估算模型进行对比,挑选出冬小麦生物量估算的最优模型。结果表明,提取的Hcsm和实测株高(H)具有高度拟合性(R2=0.87,RMSE=6.45 cm,NRMSE=11.48%);与仅用数码影像图像指数构建的生物量估算模型相比(R2=0.721 2,RMSE=0.137 2 kg/m2,NRMSE=26.25%),数码影像图像指数融入H和Hcsm所得模型效果更佳,其中融入Hcsm的模型精度和稳定性(R2=0.819 1,RMSE=0.110 6 kg/m2,NRMSE=21.15%)要优于加入株高H所构建的估算模型(R2=0.794 1,RMSE=0.117 9 kg/m2,NRMSE=22.56%);SWR生物量估算模型(R2=0.7212)效果优于PLSR(R2=0.677 4)和RF(R2=0.657 1)生物量估算模型。该研究为冬小麦生长状况高效、快速监测提供参考。 相似文献
23.
WebGIS在农业环境物联网监测系统中的设计与实现 总被引:6,自引:8,他引:6
近年来物联网技术在农业环境监测领域得到了广泛的应用。物联网能够及时获取监测点上时间连续的数据,但在进行较大尺度的区域监测时,因空间变异性影响,基于节点的物联网监测技术面临着监测点分布设计、数据空间连续表达等诸多难题。针对农业环境监测对象的特点,提出了由点到面的区域模拟与评估方法,设计了一套将物联网基于"点"的监测数据与WebGIS基于"面"的空间数据融合分析的解决方案。在已建立的物联网监控中心系统平台基础上,优化集成WebGIS图形化空间分析技术,建立了物联网监测数据与WebGIS空间数据点面融合的农业环境监测系统。系统实现了数据位置地图显示、由点到面的区域模拟与评估、区域监测专题图管理3个功能。以河南省小麦灾情监测为案例对系统进行了应用分析,结果表明系统能有效地实现农业环境由点到面的区域动态监测,提高了作物长势与灾害的综合诊断能力,并能够为农业生产管理提供更为便捷的应用服务。 相似文献
24.
针对快速检测农药喷洒效果和农药利用率问题,通过设计1组喷药对比试验,分析不同区域杂草的颜色特征(RGB)、颜色空间转换特征(HLS、HSV)、纹理特征(mean、variance等)、可见光波段植被指数(EXG、EXR、VDVI等),比较各个特征及指数在喷药和对照区的差异,筛选出最优特征或指数进行阈值分割;在此基础上,计算喷药前后杂草像元数评估无人机喷药的除草效果。试验结果表明,利用归一化过红、过绿植被指数之差(EXG-EXR)可有效检测喷药除草效果,该方法能够为提高农田喷药效果提供技术支持。 相似文献
25.
26.
小麦条锈病发病广、发病率高,严重影响农业生产,造成小麦产量重大损失.病叶严重度是获取小麦条锈病病害信息的主要参数.为更好、更便捷地获取小麦条锈病病害信息实现对小麦条锈病单叶病害严重度分级,讨论一种利用数码图像对小麦条锈病进行分级的方法.首先从拍摄的数码图像中选取发病严重度为1%、5%、10%、20%、40%、60%、80%、100%的小麦叶片(以植保专家目测为标准),对应设置为1、2、3、4、5、6、7、8级,每个级别各30张叶片,共计240张,从每个类别中选取10张做数据分析,20张作验证.利用K-means聚类法、形态学变换等操作将小麦叶片与背景分割开,然后对采集的RGB图像通道分离获取R、G、B分量图进行G、R分量加运算,在小麦叶片染病前期,小麦条锈病严重度为1~4级,G+R图像就能较好地区分出病斑区域与健康区域,随着病害程度加深黄化严重,G+R图像不能很好地区分出病斑区域,通过改变R分量图的权重,对5、6、7、8级40个样本进行数据分析,发现G+1.7R时表现出的拟合性和精度最好,采用最大类间方差法(Otsu)对G+R、G+1.7R图像进行分割,将病斑从小麦叶片中提取出来;最后根据染病面积占叶片总面积的百分比对小麦条锈病病害程度进行分级.160个不同病害等级的小麦叶片验证样本中,24个样本被错误分级,136个样本被正确分级,发病程度较轻的1~4级分级正确率为92.5%,发病程度较重的5~8级分级正确率为77.5%,总体分级正确率为85.0%.基于数码图像对小麦条锈病病害程度分级识别方法操作灵活、方便,相对于传统田间目测分级提高了分级正确率,为识别小麦条锈病叶片病害程度提供了一种操作快速简单、成本低且方便普及的新方法. 相似文献
27.
基于注意力机制和多尺度残差网络的农作物病害识别 总被引:3,自引:0,他引:3
针对传统农作物病害识别方法依靠人工提取特征,步骤复杂且低效,难以实现在田间环境下识别的问题,提出一种多尺度卷积结构与注意力机制结合的农作物病害识别模型。该研究在残差网络(ResNet18)的基础上进行改进,引入Inception模块,利用其多尺度卷积核结构对不同尺度的病害特征进行提取,提高了特征的丰富度。在残差结构的基础上加入注意力机制SE-Net(Squeeze-and-excitation networks),增强了有用特征的权重,减弱了噪声等无用特征的影响,进一步提高特征提取能力并且增强了模型的鲁棒性。实验结果表明,改进后的多尺度注意力残差网络模型(Multi-Scale-SE-ResNet18)在复杂田间环境收集的8种农作物病害数据集上的平均识别准确率达到95.62%,相较于原ResNet18模型准确率提高10.92个百分点,模型占用内存容量仅为44.2MB。改进后的Multi-Scale-SE-ResNet18具有更好的特征提取能力,可以提取到更多的病害特征信息,并且较好地平衡了模型的识别精度与模型复杂度,可为田间环境下农作物病害识别提供参考。 相似文献
28.
【目的】 高效准确监测大田作物病害对作物生产和粮食安全至关重要。文章旨在系统梳理大田作物病害遥感监测技术及模型的研究成果,推动作物病害监测技术发展与应用。【方法】 采用文献检索、归纳总结等方法,系统梳理了国内外大田作物病害遥感监测研究,阐述了大田作物病害遥感监测技术的未来发展趋势。【结果】 (1)阐述大田作物病害遥感监测基本原理,并构建了基本框架;(2)大田作物病害监测遥感数据源主要包括多光谱、高光谱、荧光和热红外遥感;(3)大田作物病害监测遥感模型主要包括统计模型、传统机器学习模型和深度学习模型。【结论】 未来应以病害早期监测、实时监测系统和数据共享为重点突破和研究的方向,为大田作物病害实时或准实时监测预测提供技术支撑。 相似文献
29.
植株计数是农民、育种专家等在整个作物生长季评估作物生长状况和管理实践的最常用方法之一,可用来进行合理的田间规划以及管理。针对高密度种植试验区高通量获取玉米自动株数方法匮乏的问题,本研究利用无人机遥感平台,获取田间314个不同基因型的玉米高密度育种小区的数码影像和激光雷达(light detection and ranging,LiDAR)点云数据,发展了一种结合玉米三维空间信息的固定窗口局部最大值算法,实现了高密度玉米育种小区成株数的自动检测,并对比了基于此两种不同数据源的检测精度。该方法以冠层高度模型(canopy height model,CHM)中包含的株高信息为基础,以玉米种植株距为固定窗口进行单株玉米种子点检测,并将检测到的种子点与目视解译的玉米位置进行空间匹配来进行精度的评估。结果表明,基于无人机数码影像构建3种空间分辨率CHM的综合检测精度分别为81.30%、83.11%和78.93%;基于无人机LiDAR的综合精度分别为82.33%、88.66%和81.46%;基于两种数据源构建的CHM,均在空间分辨率为0.05 m时,获得最佳的检测精度。此外,当空间分辨率相同时,LiDAR数据检测精度略优于无人机数码影像,无人机数码传感器由于其成本低、易于操作等优势,在大面积、高密度育种小区的玉米高通量单株检测中表现出更大的潜力。本研究实现了对密植玉米育种试验区玉米株数的自动计数,为表型筛选、田间管理和精准估产等提供依据。 相似文献