融合无人机光谱信息与纹理特征的棉花叶面积指数估测     

邵亚杰  汤秋香  崔建平  李晓娟  王亮  林涛 《农业机械学报》2023,54(6):186-196

农田尺度下作物叶面积指数(Leaf area index, LAI)的精准监测,对于研究群体结构对产量和管理措施的响应具有重要意义。目前普遍采用无人机光谱特征反演作物的LAI指数,作为长势和冠层结构诊断的重要依据,其估测精度的准确性是否可以提高仍有待研究。作物表面特征,如灰度和颜色,在不同生育阶段会发生变化。为此,本研究考虑到LAI的影响因素,设置不同的种植密度和氮素水平营造差异化的冠层结构,利用搭载多光谱传感器的无人机获取主要生育时期棉花的冠层图像得到植被指数(Vegetation indexs, VIs),基于二阶概率统计滤波(Co-occurrence measures)方法获取均值(MEA)、方差(VAR)、协同性(HOM)、对比度(CON)、相异性(DIS)、信息熵(ENT)、二阶矩(SEM)和相关性(COR)等8个纹理特征值(Texture features, TFs)。最后,采用支持向量机回归(SVR)、偏最小二乘法(PLSR)、深度神经网络(DNN)分别建立基于光谱特征、纹理特征以及二者结合的棉花LAI的估算模型,并比较差异。试验结果表明：VI₍(...  相似文献   

基于机器学习联合网络爬虫算法的果汁鉴伪技术的研究进展     

SUN Yong  王译霄  宣晓婷  张熙悦  邓文艺  靳欢  凌建刚 《华中农业大学学报》2022,41(1):269-276

果汁鉴伪技术正成为全球食品营养安全领域的研究热点,其发展对果汁质量与安全控制至关重要.结合机器学习联合网络爬虫算法检索文献技术,本文综述了近年来果汁鉴伪技术的研究进展与应用领域,并着重阐述了非靶向/靶向代谢组学鉴伪技术的研究进展.结合多学科交叉和计算机技术发展趋势,对检测方法耦合发展、监督型机器学习统计工具开发、无人监...  相似文献   

基于机器学习结合植被指数阈值的水稻关键生育期识别     

杨振忠  方圣辉  彭漪  龚龑  王东 《中国农业大学学报》2020,25(1):76-85

为建立不依赖时序数据的水稻生育期识别模型,基于四波段辐射计(SKYE)获取的水稻全生育期每日的冠层光谱反射率数据,利用K近邻(k-nearest neighbors, KNN)、决策树(Decision trees)、支持向量机(Support vector machines, SVM)、随机森林(Random forests, RF)和梯度提升决策树(Gradient boosted decision trees, GBDT)共5种机器学习算法开展水稻生育期识别研究。结果表明:RF算法的识别准确率最高,达93.00%,KNN算法的识别准确率也达到了91.92%,其他3种算法的准确率也都超过90%。在此基础上,将建立的水稻生育期识别模型应用至无人机(UAV)影像数据,KNN算法适用性最好,识别准确率为83.54%,RF算法的适用性一般,识别准确率为74.38%,SVM算法的适用性最差,识别准确率仅为62.92%,但5种机器学习算法都容易错误地将抽穗扬花期识别为拔节孕穗期;而新构建的KNN算法结合可见光大气修正指数(Visible atmospherically resistant index,VARI)的水稻生育期识别模型对无人机数据的识别准确率可达86.04%,与单独应用KNN算法相比,对水稻各个生育期的识别精度更加均衡。  相似文献   

基于深度学习及传统机器学习模型估算山东省参考作物蒸散量     

任传栋  王志真  马钊  张敏 《节水灌溉》2022,(3):67-74

为探寻深度学习模型在区域参考作物蒸散量(Reference crop evapotranspiration,ET0)估算中的适用性,以山东省为研究区域,选取了深度神经网络(DNN)、时间卷积神经网络(TCN)和长短期记忆神经网络(LSTM)3种深度学习模型,极限学习机模型(ELM)、广义回归神经网络模型(GRNN)和随...  相似文献   

基于UAV高光谱遥感的春小麦表型特征提取     

呼斯乐  包玉龙 《农业与技术》2024,(4):1-5

表型特征是评估作物生长状况的关键指标,对作物长势的分析至关重要。本研究利用Cubert S185机载高光谱成像仪采集了春小麦4个生长期的高光谱影像,同时测量了作物高度,叶面积指数和叶绿素含量。采用线性回归和多种机器学习算法,确定不同表型特征的最优反演模型,结果发现：利用播种前和不同生长期的DSM数据估算春小麦高度,实测值与预测值间的R²为0.808,RMSE为0.105,较好地模拟了高度变化;对比3种机器学习回归模型,发现基于光谱指数NDSI₍(710,714))构建的支持向量回归(SVR)模型对LAI具有良好的预测能力,R²为0.723,RMSE为0.267。同样,基于光谱指数NDSI₍(738,710))构建的XGBoost模型在预测CCC方面也表现优异,R²为0.795,RMSE为132.811。本研究结果可为精准农业的高效管理提供有力的技术支撑。  相似文献   

基于模糊系数规划的模糊支持向量分类机     

杨志民  田英杰 《中国农业大学学报》2007,12(5):79-85

本模糊支持向量分类机的构建特点是,训练点输出的类型和最终的模糊分类函数的函数值均为反映其模糊类别的实数。以模糊系数规划为基础,将模糊分类问题转化为求解模糊系数规划问题,求出模糊系数规划的γ-最优规划,据此给出模糊支持向量分类机(算法);用2个例子说明该算法的合理性;最后给出模糊支持向量分类机中最佳阈值的确定方法。  相似文献   

基于Sentinel-2多时相影像的果树种植区遥感提取     

周欣兴  赵林  张文杰  谭昌伟  李刚波  石梦云  张婷  杨峰 《浙江农业学报》2022,34(12):2767

为提取果树的空间分布信息,以果树生长期内不同月份的Sentinel-2多光谱遥感影像为数据源,以大沙河流域果树为研究对象,通过分析不同月份的光谱信息得出最佳监测时期,并在此基础上,选择不同时期的5种植被指数[归一化植被指数(NDVI)、比值植被指数(RVI)、增强型植被指数(EVI)、结构密集型色素指数(SIPI)和归一化水指数(NDWI)],结合机器学习技术构建决策树提取模型。结果发现,3、4、7、8月份的影像适于果树面积提取。通过Feature_importances_属性筛选出贡献度高的不同时期的植被指数作为输入特征,结合超参数学习曲线和网格搜索技术确定决策树模型的Max_depth和Min_samples_leaf参数分别为5和10时模型的效果最佳。参数调整后绘制决策树模型,模型在训练集和测试集上的精度分别达到了0.919 4和0.875 1。提取结果表明,研究区内的果树主要种植在大沙河两岸,东部与西北部的果树种植地块较为零碎,总的果树种植面积为6 838 hm²。在验证样本的基础上,通过混淆矩阵计算提取结果的精度,结果显示,Kappa系数为0.87,果树种植区提取的用户精度和制图精度分别为92.91%和90.77%。结果说明,本文所提出的方法适用于大区域果树的遥感提取,可为基于中高分辨率遥感影像的果树种植区监测提供有效的技术手段。  相似文献   

基于参数化和非参数化法的棉花生物量高光谱遥感估算     

周萌  韩晓旭  郑恒彪  程涛  田永超  朱艳  曹卫星  姚霞 《中国农业科学》2021,54(20):4299-4311

【目的】利用高光谱遥感数据快速、无损地估算棉花生物量,评估参数化与非参数化方法在棉花上的表现差异。【方法】本研究以4个棉花品种在2个年份(2004和2005年)的试验资料为基础,将2年数据分别进行建模和验证,采用参数化算法(植被指数法、连续小波变换)与非参数化算法(偏最小二乘回归、随机森林、人工神经网络、回归树、袋装树和增强树、支持向量机和高斯过程回归)分别构建吐絮前和吐絮后的生物量估算模型。【结果】近红外与红边波段仍然是棉花生物量遥感监测中最有效的波段区间。参数化方法运算简单,效率高,其中,CI_{red edge}证明是棉花生物量估算上表现最好的植被指数,具有较高的独立验证结果(吐絮前：RMSE=27.23 g·m^-2;吐絮后：RMSE=48.81 g·m^-2)。基于连续小波变换的方法缓解了植被指数的低估现象,尤其是吐絮后(吐絮前：RMSE=31.54 g·m^-2;吐絮后：RMSE=37.57 g·m^-2);在非参数化法中,随机森林是棉花生物量估算的最优算法(吐絮前：RMSE=20.48 g·m^-2;吐絮后：RMSE=30.28 g·m^-2)。吐絮后的估算精度都显著低于吐絮前,表明两类算法的估算精度都受到棉絮的影响。【结论】本研究评估了基于参数化和非参数化算法构建的棉花生物量估算模型,证明了非参数化方法可以作为棉花生物量无损监测的重要研究方法,该结论也为棉花其他生长参数的估测提供了技术支撑。  相似文献   

国内外农业人工智能典型应用案例及启示     

《现代农业装备》2021,42(5):8-16

  相似文献   

机器学习在农作物病虫害识别上的应用综述     

李疆  郝梦洁  任显丞  彭步迅  张晓 《河南农业》2021,(5)

农作物病虫害是发展农业领域所亟待解决的重要问题之一,机器学习的进步加速了识别农作物病虫害的发展趋势。目前,在农作物病虫害识别中存在农作物病虫害种类繁多、农村地区发展落后农业技术人员稀缺、过度依赖杀虫剂等问题,发挥机器学习的优势,对病害图片实现计算机识别,通过不断地学习智能分类,用来判断作物生病与否,从而实现农作物高质高量的目标。首先,介绍了传统病虫害检测缺陷;其次,介绍了目前机器学习在农作物病虫害识别的成果;再次,对机器学习的发展进行了探讨,有望将机器学习和无人机技术也运用到农作物病虫害识别上,更有利于农业进步和经济发展。  相似文献