排序方式： 共有6条查询结果，搜索用时 15 毫秒
1
1.
【目的 】理清长三角区域农业遥感发展现状,剖析现阶段农业遥感应用关键问题及挑战,有助于推进区域农业遥感关键技术创新发展,促进农业遥感产业化瓶颈问题解决,提升遥感技术在区域农业农村现代化转型发展中的服务能力。【方法 】文章梳理了农业遥感研究现状及区域内遥感应用实践情况,归纳总结了农业遥感应用面临的困难与挑战,给出了区域内农业遥感产业化落地应用发展的建议。【结果 】现阶段长三角区域农业遥感研究应用虽然取得了一定成效,但区域内地物类型复杂多变、农业用地斑块破碎、有效遥感数据缺失、淡水养殖解译困难是现阶段农业遥感应用面临的重要挑战。【结论 】长三角地区需要聚焦农业遥感科学问题,深入关键技术创新,将遥感技术的优势进一步扩大。同时面向区域内产业特色需求,着力解决农业生产管理实际问题,以推动区域农业遥感快速发展。 相似文献
2.
拖拉机是大家非常熟悉的农用机械,我国也是拖拉机的使用大国.然而近几年来,拖拉机使用故障频繁发生,严重影响了拖拉机的寿命,阻碍了农村经济的发展为使拖拉机经常处于良好的技术状态,必须设法防止和减少故障的发生.除坚持按照使用说明书的规定维护保养外,在农闲时期的保养与维护也是预防拖拉机发生故障的重要措施之一. 相似文献
3.
农业机械化使农业生产逐步告别了"刀耕火种",走上了快速发展的道路.使大量的农村劳动力从繁忙的农业劳动中解脱出来,走向了工业服务业、建筑业等.为国民经济协调发展和社会主义现代化建设,发挥了重要作用.但是,农业机械化的发展也为我们带来了一项新的课题--农机安全生产问题.党和国家把农机安全生产的重任交给了农机监理部门,农机安全监理部门责任重大.农业机械安全生产事关广大农民群众生命财产不受损害,事关农业机械化健康发展,事关农机社会秩序稳定,事关和谐社会的构建.责任重于泰山.各级农机监理部门都在积极探索,努力实践,寻找农机安全生产的各种办法.作为最基层的农机监理部门,我们有如下看法: 相似文献
4.
高光谱遥感可以捕获地表近乎连续的光谱曲线,以较高的光谱诊断能力对地表农作物进行精细分类与识别。传统基于深度学习的高光谱分类算法中空间、光谱特征捕捉利用困难、冗余特征筛选能力不足、模型约束过于单一等问题,导致农作物类型复杂且样本分布不均区域分类模型性能下降。该研究提出一种基于空间-光谱双分支动态特征选择的高光谱分类算法,在结合通道注意力机制和空间注意力机制进行空间-光谱特征提取的基础上,通过门控卷积层对提取到的特征进行相关性的计算和处理,实现空间维度和通道维度上的特征动态选择,并分别从空间、光谱和联合特征3个角度对分类结果约束,结合分类损失函数实现高光谱影像的分类任务。结果表明,在JAAS(Jiangsu academy of agricultural sciences,江苏省农业科学院)高光谱农作物分类数据集上,该研究算法总体精度、Kappa系数分别为99.35%和99.20%,相较于专为高光谱分类设计的算法CDCNN(contextual deep convolution network,上下文深层卷积网络)、 WCRN(wide contextual residual networ... 相似文献
5.
针对实际遥感耕地信息提取工作中，多源数据特征复杂、样本标注工作繁重等导致高空间分辨率影像解译精度不高、自动化程度不够的问题，本研究基于DeepLab v3+模型，提出一种融合邻域边缘加权模块(NEWM)和轴向注意力机制模块(CBAM-s)的卷积网络模型DEA-Net,结合迁移学习方法进行高分辨率遥感影像耕地信息提取。首先，在浅层网络结构中加入邻域边缘加权模块，提升高分辨率下地物的连续性，细化边缘分割粒度；其次，在深层网络结构中添加轴向注意力机制模块，增加细小地物的关注权重，减少深度卷积导致地物丢失的情况；最后，采用迁移学习的思想，降低样本标注工作量，提高模型学习能力。利用高分卫星土地覆盖数据集(GID)数据构建源域数据集进行模型预训练，将获取的模型参数及权重信息迁移至大数据与计算智能大赛(BDCI)遥感影像地块分割竞赛数据集和全国人工智能大赛(NAIC)遥感影像数据集制作的2种不同目标域数据集中，微调训练后应用于耕地信息提取研究。结果表明，本研究构建方法能够增强模型的空间细节学习能力，提高耕地语义分割精度的同时，降低2/3以上的训练样本数量，为遥感耕地信息提取及农业数据智能化利用提供新... 相似文献
6.
针对淡水养殖区空间分布零碎以及样本数量不均衡等因素造成淡水养殖区提取不准确的问题，该研究提出了一种基于U-Net（U-shaped Network）的改进模型，制作了Landsat淡水养殖区动态监测的数据集，增加高、低维特征融合的坐标注意力机制提高模型的提取精度，构建多尺度特征学习更多位置信息，引入focal tversky loss损失函数提升零碎养殖区的识别率，实现1985—2021年研究区淡水养殖区的精确提取，分析近36 a年研究区淡水养殖区时空变化情况。结果表明：1）2021年淡水养殖区提取效果良好，改进后的模型总体分类精度为0.947，准确率为0.926、召回率0.966、F1分数0.946，均交并比0.899、Kappa系数为0.894，与其他模型相比，总体分类精度、Kappa系数大幅提升。2）1985—2021年，研究区淡水养殖区大致经历起步扩张、急速扩张、轻微萎缩3个阶段：1985—2000年研究区淡水养殖面积持续增加，总面积由1985年0.48 km2增长至2000年36.92 km2，年度增加量大于1 km2且小于5 km2；2000—2017年淡水养殖区面积急速增加至234.47 km2，年度增加量大于5 km2；2021养殖区面积209.58 km2，2017—2021年养殖区面积减少了24.89 km2，转出的淡水养殖区多为建设用地所取代。综上，改进的模型具有较高的识别精度，该研究可以为淡水养殖区的提取提供参考，为水产养殖业的科学化管理提供信息依据。 相似文献
1