基于GF遥感数据纹理分析识别制种玉米

仅利用多时相遥感数据识别作物,其精度难以满足制种玉米识别的实际需求。该文针对制种玉米种植特点,利用国产GF遥感数据,构建了制种玉米遥感识别方法。首先利用多时相国产卫星GF-1 WFV数据,依据研究区作物的物候历,构建各地类EVI时序曲线,提取玉米种植区域;进一步利用抽雄期的GF-2 PAN数据,以田块为对象,通过Sobel边缘检测算子,提取作物纹理信息,并利用Hough变换检测制种玉米田块中的条带状纹理信息,最终提取出制种玉米。该文以新疆维吾尔自治区奇台县坎尔孜乡为研究区,对该文构建的方法进行试验验证,试验结果显示,制种玉米识别精度为90.0%,Kappa系数为0.80。该文不但拓宽了中国国产遥感数据的应用领域,同时也为中国玉米制种监管提供了新的技术支撑。     

基于小波包变换的农作物分类无人机遥感影像适宜尺度筛选

为寻找适宜分类的空间尺度,该文提出一种基于小波包的空间尺度选择方法。该文以无人机航拍农作物影像为数据源,针对高空间分辨率遥感影像农作物分类问题,基于小波包变换对影像分类特征进行多尺度定量分析。将七种农作物影像样本进行小波包分解,从高频部分获取均值,方差,能量,能量差四种纹理信息,从低频部分获取光谱信息,构建分类特征矢量,通过作物样本之间的J-M距离,分析在不同小波包分解层样本之间的可分性,并进一步通过农作物面向对象分类精度和分割耗时评价适宜尺度。该文选择位于河北的涿州农场为研究区,利用无人机航空影像,对提出的方法进行试验验证,结果显示:小波包分解到第三、四层级时,即空间分辨率为0.32~0.64 m时,适宜农作物面向对象分类;在适宜尺度下,基于小波包分解的面向对象分类总体分类精度可达到89%,Kappa系数可达到0.85。研究结果可为高空间分辨率遥感农作物精细识别提供支撑。     

基于主被动遥感数据和面向对象的大蒜识别

针对开封市大蒜种植破碎化程度高,光学数据难以高精度、快速提取问题。该研究基于谷歌地球引擎（Google Earth Engine,GEE）云平台、随机森林算法（Random Forest,RF）和面向对象方法,选择融合Sentinel-1卫星的后向散射系数与Sentinel-2卫星的光谱、光谱指数及纹理特征,分别应用10 m与加入植被红边波段的20 m空间分辨率遥感数据,探究不同特征组合对改善大蒜识别精度的性能。试验结果表明：应用10 m空间分辨率的Sentinel主被动遥感数据,在简单非迭代聚类（Simple Non-iterative Clustering,SNIC）分割尺度为5,灰度共生矩阵（Gray-level Co-occurrence Matrix,GLCM）邻域值为4,7个纹理特征选择第一、二主成分时,分类总体精度和Kappa系数最高,为94.54%、0.93,大蒜的制图精度和用户精度为97.83%、96.38%。应用加入植被红边波段的20m空间分辨率Sentinel主被动遥感数据,在SNIC分割尺度为3,GLCM邻域值为4,7个纹理特征选择第一、二主成分时,分类总体精度和Kappa系数最高,为94.14%、0.92,大蒜的制图精度和用户精度为95.72%、98.81%。单独使用Sentinel-2光学数据,加入植被红边波段的20m分辨率数据相对10 m分辨率数据,大蒜制图精度和用户精度分别提高0.49%和4.38%。单独使用时序Sentinel-1 SAR数据,10 m空间分辨率数据的大蒜制图精度和用户精度优于20 m分辨率数据0.66%和2.07%。本研究为遥感数据识别生长周期相同或重叠的大宗、小宗经济作物提供技术参考。     

中低分辨率小波融合的玉米种植面积遥感估算

采用中分辨率与低分辨率数据相结合的遥感估算方法是获取大范围作物种植面积的主要趋势之一。在MODIS时序影像和TM影像支持下,采用小波变换融合方法获取30m分辨率的NDVI时间序列信息,构建主要秋季作物的NDVI标准生长曲线,以最小距离分类器进行分层分类,获得河南原阳县玉米种植面积总量信息和空间分布,并以野外实测地块样本进行精度评价。由于充分利用MODIS影像的时间序列优势和TM影像的空间分辨率优势,通过秋季作物之间的物候差异,有效地区分出各种秋季作物的空间分布,基于融合NDVI时间序列信息玉米种植面积遥感估算的位置和面积精度分别达到79%和89%,远高于常规的监督分类,为大范围玉米种植面积遥感估算提供了一种可行的方法。     

基于无人机遥感影像监测土地整治项目道路沟渠利用情况

为客观监测和有效评价土地整治项目基础设施建后利用情况,初步探讨利用无人机航拍影像结合智能算法识别设施利用状态的可能性,该文选取典型项目,利用多旋翼无人机航拍获取高分辨率影像,提取田间道路和骨干沟渠影像网格切片,通过BoW模型构建典型地物样本特征库基于样本纹理特征进行分类,利用支持向量机模型对研究区骨干线状基础设施利用状况进行识别,并依据目视解译和实地勘察对识别结果进行了精度验证。结果显示无人机遥感方法可以初步识别研究区基础设施建后利用情况;研究区田间道路病害和骨干沟渠淤塞情况识别总体分类精度达到80%和70%;田间道路分类误差主要来自通行不畅与路面裂缝,骨干沟渠分类误差主要来自轻度淤塞;提高影像精度情况下,田间道路利用状况识别精度有所提升但不显著,骨干沟渠通畅状况识别精度无明显变化,模型对宽度2 m以下沟渠识别结果精度较差。研究表明,基于无人机遥感对土地整治项目基础设施利用情况进行自动分类识别具有可行性且效率较高,而监测精度有待于后期进一步提升。     

基于Landsat 8 OLI影像纹理特征的面向对象土地利用/覆盖分类

针对如何提高中低分辨率遥感影像分类精度,该研究以河北省石家庄市Landsat 8 OLI遥感影像为研究对象,对灰度共生矩阵(gray-level co-occurrence matrix,GLCM)纹理与伽博(Gabor)滤波器下的Gist纹理特征进行对比,应用J-M(Jeffries-Matusita)距离可分离性分析GLCM最优纹理特征,并利用最佳指数法(optimum index factor,OIF)获取GLCM与Gist纹理特征的最佳特征组合;其次对面向对象分类的分割尺度进行研究,提出整体最优分割尺度计算方法;最后进行基于纹理特征的面向对象分类识别与精度评价,并与基于原始数据的面向对象分类结果进行对比。研究表明:Gist纹理特征使分类精度有了一定的提高,基于纹理数据的面向对象支持向量机(support vector machine,SVM)分类及面向对象K邻近法(K-nearest neighbor,KNN)分类的总体分类精度(overall accuracy,OA)分别比基于原始数据的2种方法分类精度提高3.67和3.33个百分点,基于纹理的面向对象SVM方法具有最高的精度,OA达到85.67%。不管是基于原始数据还是纹理数据,面向对象分类精度远高于最大似然分类(maximum likelihood classification,MLC)、马氏距离分类(mahalanobis distance classification,MDC)和SVM分类精度,且面向对象分类方法对纹理数据更为敏感。该文提出的基于纹理的面向对象分类方法有效提高了遥感影像分类精度,为区域土地利用/覆盖信息提取提供了有效的途径。     

基于无人机遥感影像的玉米苗期株数信息提取

准确、快速地获取玉米苗期株数对于育种早期决策起着至关重要的作用。该文利用2017年6月于北京市小汤山镇采集的无人机影像,首先对比分析RGB、HSV、YCbCr及L*A*B 4种色彩空间,变换优选HSV颜色模型对无人机影像前景(作物)与后景(土壤背景)进行分割,得到分类二值图。然后利用骨架提取算法及多次去毛刺处理等数学形态学流程提取玉米苗形态,得到高精度作物形态骨架,结合影像尺度变换剔除噪声影像,将影像分为多叶、少叶2类,经Harris、Moravec和Fast角点检测识别结果对比,Harris角点检测算法可以较好地提取玉米苗期影像的株数信息。结果表明,少叶类型识别率达到96.3%,多叶类型识别率达到99%,总体识别率为97.8%,将目前传统影像识别精度提高了约3%。同时在多个植株叶片交叉重叠覆盖的情况下,该文的研究方法有良好的适用性。通过无人机影像提取玉米苗期作物准确数目是可行的。该文采用了数学形态学的原理,通过HSV色彩空间变换得到的二值图,从无人机影像中识别提取玉米苗期形态信息,利用影像尺度缩放变换去除噪点,优化骨架识别算法使得识别精度大大提高,最后采用角点检测从无人机影像中直接读取玉米材料小区内的具体数目,该方法节省了人力物力,为田间大面积测定出苗率及最终估产提供了参考。     

无人机遥感影像面向对象分类方法估算市域水稻面积

针对如何高效地从无人机遥感影像中提取农作物样方数据,用于农作物面积遥感估算,该文以浙江省平湖市为例,利用面向对象分类方法对无人机影像进行水稻自动化识别,作为样方数据与卫星遥感全覆盖空间分布分类结果结合,采用分层联合比估计进行2014年单季晚稻面积估算。然后,与人工目视解译识别方法获取的水稻样方数据推断的区域水稻面积估算的结果进行精度、效率对比分析。研究结果表明:1)利用面向对象分类方法对无人机影像进行分类,总体分类精度达到93%以上,满足构建样本的要求;2)通过区域作物估算对比分析发现,面向对象分类方法对无人机影像进行水稻识别,构建平湖市单季晚稻的样方数据,能够替代人工目视解译样方准确推断区域作物种植面积,有效地提高了无人机影像在遥感面积估算中的应用效率。     

基于无人机遥感可见光影像的北疆主要农作物分类方法

作物类型准确分类是大田作业和管理的基础。该文通过无人机遥感试验获取的可见光影像,利用色彩空间转换和纹理滤波构建了色调、饱和度和亮度的27项纹理和低通滤波特征;然后采用Relief F-Pearson特征降维方法,剔除分类能力弱且相关性高的冗余特征;最后,基于优选特征训练分类模型,并结合人工分类结果对各模型进行精度比较和效果验证。结果表明:特征选择得到的H-CLP、H-Ent、I-Cor、I-CLP、I-Ent、S-CLP和I-Var是利用可见光影像进行北疆主要农作物分类的最佳特征,可在充分表征影像特征的同时降低数据冗余。支持向量机(support vector machine,SVM)分类方法精度最高,整体分类准确率达83.77%,ANN和KNN分类精度次之。通过在验证区进行像素级别作物分类,发现SVM分类方法效果最好,棉花、玉米、苜蓿和西葫芦作物分类精度均达到了80%以上。该研究可为基于无人机可见光影像的农作物种植信息普查提供参考。     

基于小型无人机遥感的玉米倒伏面积提取

该文使用2012年小型无人机遥感试验获取的红、绿、蓝彩色图像研究灌浆期玉米倒伏的图像特征和面积提取方法。研究首先计算和统计正常、倒伏玉米的30项色彩、纹理特征,然后比较特征的变异系数和相对差异评选出适宜区分正常、倒伏玉米的特征;通过分析发现,与红、绿、蓝色灰度比较,多项色彩、纹理特征的变异系数更大或不同类别间的相对差异更小,不适用于准确区分正常、倒伏玉米,最适于区分正常和倒伏玉米的特征是3项基于灰度共生矩阵的红、绿、蓝色均值纹理特征。分别基于色彩特征和评选出的纹理特征提取倒伏玉米面积,对比2种方法的误差发现,基于红、绿、蓝色均值纹理特征提取倒伏玉米面积的误差最小为0.3%,最大为6.9%,显著低于基于色彩特征提取方法的。该研究结果为应用无人机彩色遥感图像准确提取倒伏玉米面积提供了依据和方法。     

基于无人机多光谱影像的完熟期玉米倒伏面积提取

由于土壤、地形、水分以及耕作方式等存在的时空变异性,致使灾后完熟期玉米地块存在4类作物形态,包括叶片呈绿色的未倒伏玉米、叶片淡黄的未倒伏玉米、叶片淡黄的倒伏玉米、黑色阴影区域。为进一步提高现有倒伏玉米面积提取方法的精度,该文以黑龙江省国营农场典型玉米倒伏地块为研究区,获取无人机多光谱数据,对比4类作物形态的光谱、植被指数以及纹理特征差异,经特征筛选后,首先面向倒伏玉米提取构建了5种典型特征组合。然后针对植被指数特征、光谱和纹理特征组合采用最大似然法分类,最后对提取结果的精度进行评价和分析。结果表明:反射光谱特征或植被指数特征无法准确区分4类作物形态,提取的倒伏玉米面积偏差较大;多类纹理特征法所得结果最优,4类典型作物形态的识别平均误差为9.82%,倒伏面积提取的误差为3.40%,Kappa系数为0.84。该研究延展了纹理特征在倒伏玉米面积提取中的应用并对完熟期倒伏玉米识别具有重要的借鉴意义。     

The airborne pollen flow of maize (Zea mays L.) in a multi-crop designed field plot

Previous studies on pollen dispersal helped to identify objective parameters of coexistence of genetically modified (GM) and conventional maize. Nevertheless, data on the quantity and dynamics of airborne pollen flow (APF) in air layers above and around a maize field, and its contribution to the rate of cross-pollination, are still missing. In 2004 and 2005, 690 pollen traps were arranged at different locations relative to three maize fields: in the maize fields itself, and in fields adjacent to the maize fields, consisting either of grassland or wheat stubble. The traps were positioned along strings over maize, wheat stubble and grassland at two fixed heights relative to the maize plants: immediately above (0 m) and 1 m above tassel height (1 m). Whereas the traps positioned at 0 m over maize indicated the amount of pollen shed, those located at 1 m above tassel height indicated airborne pollen flow to this upper air layer. The amount of pollen at 1 m relative to the amount of pollen just above the tassel, ranged from 4% to 40%; very high values correlated with strong winds during flowering. These winds were not strong enough to transport significant amounts of pollen farther than a few meters away from the pollen source because above both adjacent grass and wheat stubble environments, the amount of pollen at 1 m above tassel height was similarly low. In one single experiment and at 0 m above tassel height, a significantly higher amount of pollen was found over wheat stubble than over grassland. During this experiment, high temperatures and low wind speeds coincided with pollen shed, which may have favored the generation of thermals over hot surfaces, capable of lifting pollen grains.     

基于YOLO_X和迁移学习的无人机影像玉米雄穗检测

玉米雄穗表型信息的获取对研究玉米长势及产量起着非常重要的作用,为实现复杂田间环境玉米雄穗的精确识别和计数,该研究使用无人机采集试验田的玉米雄穗影像,基于Faster R-CNN、SSD、YOLO_X目标检测模型,使用迁移学习方法实现玉米雄穗的高精度识别,并分析了模型对不同品种和不同种植密度的玉米雄穗检测效果。试验结果表明,基于迁移学习的Faster R-CNN、SSD、YOLO_X的目标检测效果相比于未使用迁移学习的模型有明显提升,其中,迁移学习后YOLO_X的识别精确度为97.16%,平均精度为93.6%,准确度为99.84%,对数平均误检率为0.22,识别效果最好;不同玉米品种对模型的适应性有所差异,其中郑单958对模型适应性最好,Faster R-CNN、SSD、YOLO_X的决定系数R2分别为0.9474、0.9636、0.9712;不同种植密度下玉米雄穗的检测效果有所差异,在29 985,44 978,67 466,89 955株/hm2种植密度下,模型对郑单958检测的平均绝对误差分别为0.19、0.31、0.37、0.75,随着种植密度的增加,检测误差逐渐变大。本研究为农田玉米雄穗高精度识别提供了一种新方法,对玉米表型性状高通量调查具有一定的应用价值。     

基于Worldview-2影像的玉米倒伏面积估算

为应用高分辨率遥感影像准确调查玉米倒伏面积,该文使用2012年9月14日获取的Worldview-2多光谱影像研究灌浆期倒伏玉米的光谱、纹理特征及其最优的面积估算方法。通过对影像进行大气校正后得到正常玉米和倒伏玉米的反射率,结果显示玉米倒伏后8个波段的反射率均升高,其中红边、近红外1和近红外2等3个波段的上升数值超过0.1。通过对反射率数据进行滤波得到正常、倒伏玉米的均值纹理特征,统计结果显示各波段纹理特征有差异,其中绿色、红边、近红外1及近红外2等4波段的均值纹理特征数值差距更明显。比较使用不同波段数量、特征及分类方法的倒伏面积估算值,结果表明基于最大似然分类法使用红边、近红外1和近红外2等3波段光谱反射率的倒伏面积估算方法最优,其最小误差为2.2%,最大误差为8.9%,平均误差为4.7%。该研究结果为应用高分辨率多光谱遥感数据调查玉米倒伏面积提供了相关依据。     

基于稀疏表示算法的高通量玉米果穗粒型识别系统

玉米籽粒粒型是评估玉米产量和品质的重要表型参数之一,为了提高籽粒粒型的识别率,同时满足高通量以及无损测量的要求,该文以果穗整体为研究对象,基于稀疏表示的方法构建了高通量玉米果穗籽粒粒型识别系统(果穗未脱粒)。以掉落抓拍法硬件采集平台采集3种不同粒型(硬粒型、马齿型、半马齿型)的玉米穗图像,首先使用帧差法获取果穗轮廓,再通过G通道分离、OTSU算法(最大类间方差法)得到籽粒轮廓信息,提取籽粒部分颜色、形状、纹理特征作为分类依据,每种粒型取200粒作为训练样本构成稀疏表示算法的判别字典,对每一个测试样本计算稀疏表示系数,根据最小重构误差判定籽粒粒型类别。结果表明,该方法不需要传统的果穗脱粒再进行籽粒类型统计,识别正确率达到94.8%,测量速度达到28穗/min,大大提高了玉米粒型统计的效率。     

高分辨率遥感影像中冬小麦长势空间异质性特征分析

遥感影像可以同时获取地物波谱及空间位置信息,为作物长势的空间变异研究提供新的技术手段,该文利用高空间分辨率遥感影像开展了冬小麦地块内长势空间异质性特征的提取及分析。研究基于小麦挑旗期QuickBird遥感影像,选取不同长势冬小麦地块,计算地块内冬小麦归一化植被指数(normalized difference vegetation index,NDVI)的经验半方差函数,采用最小二乘算法进行模型拟合,得到冬小麦地块NDVI最优半方差模型及参数(基台值、变程、块金值)。结果表明,不同冬小麦地块NDVI经验半方差图呈现明显的有基台模式,冬小麦NDVI表现出明显的带状异向性特征。在垂直及平行垄向上,基台值与地块内NDVI纹理值域范围、纹理方差均极显著正相关(P0.01),且受方向影响不大;变程在垂直垄向上与地块内部作物NDVI均值呈极显著负相关(P0.01),与变异系数及NDVI小于0.40的像元覆盖度极显著正相关(P0.01);块金值垂直垄向上与作物NDVI均值、变异系数、小于0.40的像元覆盖度有极显著关系(P0.01),变程、块金值在平行垄向与各个因子无相关性。该研究为利用遥感影像揭示作物长势的空间变异提供了参考。     

基于高光谱图像和光谱信息融合的马铃薯多指标检测方法

针对随机放置的马铃薯缺陷多项指标难以同时检测的问题,提出了一种基于高光谱信息融合的流形学习降维算法与极限学习机(extreme learning machine,ELM)相结合的方法,该方法可同时识别马铃薯的多项缺陷指标。分别采集发芽、绿皮、黑心和合格马铃薯的反射高光谱数据(390~1 040 nm),在光谱维,提取马铃薯样本感兴趣区域(region of interest,ROI)的平均光谱,分别采用扩散映射(diffusion maps,DM)、局部线性嵌入(locally linear embedding,LLE)和海森局部线性嵌入(hessian locally linear embedding,HLLE)3种流形学习降维算法对光谱数据进行降维;在图像维,对马铃薯伪彩色图像进行形态学处理,获取基于灰度共生矩阵(gray level co-occurrence matrix,GLCM)的图像纹理信息,采用连续投影算法(successive projections algorithm,SPA)优选图像纹理特征;融合光谱维信息和图像维信息,分别建立基于极限学习机(ELM)与支持向量机(support vector machine,SVM)的马铃薯多分类识别模型。结果表明,扩散映射结合极限学习机(DM-ELM)模型的预测结果较优,该模型对发芽、绿皮、黑心和合格马铃薯样本的单一识别率分别为97.30%、93.55%、94.44%和100%,混合识别率达到96.58%,时间为0.11 s,可知高光谱信息融合技术结合流形学习降维算法可同时识别随机放置马铃薯的多种缺陷指标。     

基于时间序列图像的玉米植株干旱胁迫表型检测方法

为了快速准确获取植物表型数据,该文提出了一种基于时间序列多图像的玉米植株干旱胁迫表型检测方法。首先,以固定时间间隔获取干旱胁迫条件下玉米植株一天内的图像数据,采用统计学习方法对图像序列进行初始背景分割,非局部均值(non-local mean,NLM)滤波对初始背景分割进一步求精,去除变化光照条件对图像序列分割的影响。在植株器官分割阶段,融合植株形态先验知识,通过逐行扫描和邻域数量判断拆分植株器官像素。最后,提出了叶片角度比值的干旱胁迫表型参数计算方法。结果显示,耐旱植株的叶片角度比值一天内从0.63上升到0.70后再降到0.65,而非耐旱植株的叶片角度比值维持在0.65左右,随时间变化不大。研究结果为阐明玉米植株耐旱表型参数与环境参数的协同变化关系,以及不同基因型玉米植株环境应激反应的细微形态变化提供方法和技术解决方案。     

玉米单倍体种子胚部特征提取及动态识别方法

为了实现基于机器视觉方法的玉米单倍体种子识别,该文研究了一种玉米单倍体种子胚部特征提取及动态识别方法。采用一种基于B通道平均像素值的胚部特征提取方法,提取了具有Navajo标记的玉米种子的胚部图像,基于此在RGB颜色空间内提取了样本的Navajo标记图像,从而得到一套玉米单倍体种子快速识别RGB组合算法。在玉米分选试验台上进行了动态分选试验。试验结果表明,该算法对LC09124-UH400品种玉米单倍体的识别正确率为98.04%,对杂合体的识别正确率为94.44%。该文提出的玉米单倍体种子RGB组合快速识别算法与玉米分选试验台结合形成的动态分选系统,有助于实现玉米单倍体种子的自动化分选。