排序方式： 共有2条查询结果，搜索用时 15 毫秒
1
1.
【目的】 土壤养分含量的整体状况对供给作物的生长有着重要意义,对农田土壤速效养分含量的估算是作物生长发育状况评价过程中的关键环节,高光谱遥感技术的发展为区域有机质和土壤养分的动态监测提供了有效的手段。相比传统方法耗时、耗力及测量复杂等缺点,该文提出了基于遥感影像的大面积土壤速效养分含量的精准估算方法,对促进玉米作物的精准施肥和黑土地肥力保护具有重大理论意义。【方法】 文章以东北黑土区的吉林省农安县玉米农田为研究区,基于Sentinel-2遥感影像和土壤有效磷含量实测数据,利用偏最小二乘回归方法构建土壤有效磷含量的反演模型,最终获取土壤有效磷含量的空间分布图,实现了黑土区土壤有效磷含量的大面积、快速、精准估算。【结果】 Coastal aerosol波段（海岸/气溶胶波段）、可见光波段及红边波段与土壤有效磷含量的相关性较强,模型的决定系数R2为0.649、均方根误差为2.44 mg/kg。【结论】 利用偏最小二乘回归模型估算所得土壤有效磷含量空间分布情况与其空间插值结果相一致,从空间分布情况上看,农安县西北部的土壤有效磷含量最高,东北部的土壤有效磷含量高于中部与南部地区;模型估算的土壤有效磷含量均值为18.08 mg/kg,空间插值的土壤有效磷含量均值为17.63 mg/kg。由此可见,该研究所建立的土壤有效磷估算模型具有一定的准确性与可靠性。 相似文献
2.
大数据背景下产生了海量图像数据,传统的图像识别方法识别玉米植株病害准确率较低,已远远不能满足需求。卷积神经网络作为深度学习中的常用算法被广泛用于处理机器视觉问题,能自动识别和提取图像特征。因此,本研究提出一种基于数据增强与迁移学习相结合的卷积神经网络识别玉米植株病害模型。该算法首先通过数据增强方法增加数据,以提高模型的泛化性和准确率;再构建基于迁移学习的卷积神经网络模型,引入该模型的训练方式,提取病害图片特征,加速卷积神经网络的训练过程,降低网络的过拟合程度;最后将该模型运用到从农田采集的玉米病害图片,进行玉米病害的精确识别。识别试验结果表明：使用数据增强与迁移学习的卷积神经网络优化算法对玉米主要病害（玉米大斑病、小斑病、灰斑病、黑穗病及瘤黑粉病）的平均识别准确度达96.6%,和单一的卷积神经网络相比,精度提高了25.6%,处理每张图片时间为0.28s,比传统神经网络缩短了将近10倍。本算法的精确度和训练速度上比传统卷积神经网络有明显提高,为玉米等农作物植株病害的识别提供了新方法。 相似文献
1