排序方式： 共有5条查询结果，搜索用时 199 毫秒
1
2.
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
3.
基于无人机多光谱数据的水稻LAI反演与应用 总被引：1，自引：0，他引：1
为比较和验证不同叶面积指数(LAI)机器学习模型迁移后的稳定性,以无人机获取的湖北鄂州与海南水稻田的多光谱影像数据为研究对象,使用8 种植被指数经验模型与3 种机器学习方法对鄂州试验田的水稻LAI进行反演,并推广至海南试验区。结果表明:1)非线性模型在鄂州试验数据的建模集测试中精确度较优,其中归一化红边差值(NDRE)非线性模型验证的变异系数(CV)=31.05%,但推广至海南试验区后精确度下降严重(验证集CV=74.90%),可移植性差;2)线性模型和机器学习模型在模型移植后表现出较优的稳定性,其中梯度提升回归(GBR)二波段模型在鄂州数据建模集CV=28.91%,在海南数据验证集CV=26.58%;3)增强植被指数(EVI2)线性拟合模型在鄂州数据建模集CV=33.78%,在海南数据验证集CV=27.90%。最后使用EVI2构建的经验模型,对各生育时期2 种不同水稻(珞优9348和丰两优4号)的LAI进行预测,结果表明在相同氮水平下,珞优9348表现为氮高效品种。 相似文献
4.
为从重金属污染的土壤中筛选出耐铅微生物,为土壤重金属生物修复提供参考,用Pb~(2+)浓度梯度筛选培养法得到耐铅菌株,16S rRNA测序以及系统发育树初步鉴定菌株。在不同温度、盐浓度、pH梯度下研究耐铅菌株的耐受性。多个Pb~(2+)浓度探究菌株在不同Pb~(2+)浓度下的吸附性。结果表明,通过牛肉膏蛋白胨培养基培养,得到一株能够耐铅离子浓度在1 200 mg·L~(-1)的菌株。16S rRNA基因序列系统发育树显示,菌株P15属于大肠杆菌属(Escherichia)。该菌株在铅离子浓度为200 mg·L~(-1)下的去除铅离子能力最强,达到80%。经过测定菌株P15的各项生理指标表明,菌株适宜的环境条件分别为温度30℃,pH6,盐浓度0.005 mg·L~(-1)。该铅耐受性菌株P15在生物修复重金属污染的土壤上有较高的潜在应用价值。 相似文献
5.
以水稻叶片光谱和光合入射有效辐射(PARin)为数据源,分别使用8种叶绿素相关植被指数和其与PARin的乘积对珞优9348和丰两优4号品种水稻叶片在3种氮肥浓度下的净光合速率进行反演,建立不同氮肥水平下,品种无关的水稻叶片净光合速率估算模型,并验证精度。结果表明:1)仅基于叶绿素相关植被指数反演叶片净光合速率是不可行的,模型R~2均0.48;2)考虑区分品种与氮浓度,使用叶绿素相关植被指数与PARin的乘积来反演叶片净光合速率可以显著提高模型精度,植被指数CI(Chlorophyll Index, CI)反演效果最好,R~2均0.75,RMSE不超过1.85μmol/(m~2·s);3)区分高、低氮水平进行反演,基于CI的模型R~2分别为0.80和0.89,RMSE分别为1.25和1.37μmol/(m~2·s),可满足反演需求。因此,基于叶绿素植被指数CI的模型可适用于不同品种的水稻叶片净光合速率统一反演。 相似文献
1