基于SVM的县域冬小麦种植面积遥感提取

冬小麦种植面积的精确提取,对于农业部门进行冬小麦生长监测与产量估测有着重要的支撑作用。本研究在对Landsat-8卫星15 m×15 m空间分辨率遥感影像进行预处理的基础上,基于最佳波段指数(OIF),采用支持向量机(SVM)算法中四种核函数进行影像分类,并比较分类精度,选择精度最高的核函数作为SVM最优核函数对盐城市大丰区冬小麦种植面积进行提取,与最大似然法、最小距离法的结果进行对比。结果表明,四种核函数中,Linear核函数分类精度最高,达到98.56%。将Linear核函数作为SVM最优核函数对大丰区冬小麦种植面积进行提取,提取到的种植面积为71 834.4 hm~2,提取精度、分类精度和Kappa系数分别为91.25%、98.56%和0.98。基于SVM的冬小麦面积提取效果明显好于传统监督分类方法,说明使用支持向量机与影像光谱特征进行影像分类能够准确提取县域冬小麦种植面积。     

基于Radarsat-2的冬小麦种植面积提取方法研究

为探寻基于Radarsat-2的冬小麦种植面积提取方法,以设立在江苏盐城研究区的冬小麦为研究对象,选用2014年3月3日-2014年6月7日期间5期Radarsat-2全极化影像,采用支持向量机法和最大似然法分别对各时相的冬小麦种植面积进行提取,并以地面实测GPS样方进行精度验证。结果表明,以支持向量机法和最大似然法提取冬小麦面积的精度均在4月20日达到最高,分别为66.4%和63.9%。对4月20日支持向量机法的冬小麦面积提取结果进一步进行耕地地块优化和碎小图斑去除处理后,冬小麦面积的提取精度可提高到79.6%。     

基于NDVI密度分割的冬小麦种植面积提取

为解决作物面积遥感监测中常遇的混合像元问题,选用江苏省沭阳县冬小麦扬花期HJ-1A卫星遥感影像,基于不同地物光谱信息的差异性与可分割性,提出基于归一化植被指数(NDVI)密度分割的冬小麦种植面积提取方法。在利用GPS实地取样调查和建立解译标志的基础上,对HJ-1A卫星影像进行了几何与大气校正。利用NDVI灰度影像提取混合像元训练样本的NDVI值和小麦种植面积,计算小麦面积权重,确定混合像元的NDVI阈值。利用NDVI再归一化结果对NDVI灰度影像进行密度分割,依据不同密度分割系数下像元总面积及其所对应的小麦面积权重关系,最终得到沭阳县冬小麦种植面积。结果表明,根据NDVI密度分割法提取冬小麦面积为8.37×104 hm2,面积精度为92.37%,样本精度为93.31%。基于密度分割系数(P0.5)制作沭阳县冬小麦种植分布图,获取了全县冬小麦空间分布特征信息。以上结果说明NDVI密度分割法能较准确地提取研究区内冬小麦种植面积,可有效解决农作物种植面积提取中混合像元问题。     

基于无人机RGB影像的小麦叶面积指数与产量估算研究

为探讨基于无人机RGB影像实现对小麦叶面积指数(leaf area index, LAI)和产量估算的可行性,设置不同生态点、品种和氮素处理的小麦田间试验,应用大疆精灵4 Pro无人机获取小麦拔节期、抽穗期、扬花期和灌浆期4个主要生育时期的RGB高时空分辨率影像,并同测定小麦LAI。采用相关性分析筛选出不同生育时期对LAI敏感的光谱与纹理特征集,并借助随机森林(random forest, RF)、偏最小二乘回归法(partial least squares regression, PLSR)、BP神经网络(back propagation neural network, BPNN)和支持向量机(support vector machine, SVM)分析方法,筛选出小麦不同生育时期最优的LAI估测模型。基于不同生育时期的光谱与纹理特征以及时期特征集,进一步建立产量预测模型,并在不同生态点验证叶面积估算模型与产量预测模型的普适性。结果表明,基于RF的LAI估测模型的验证精度最高,4个生育时期的均方根误差(root mean square error, RMSE)分别为2.26、1.44...     

基于高光谱图像技术的小麦种子分类识别研究

为了探讨高光谱图像技术在小麦种子分类识别中应用的可行性,采集了河南地区主要种植的7个小麦品种的种子高光谱图像及900～1 700nm范围的光谱信息,建立了主成分分析法(PCA)-支持向量机(SVM)分类模型。运用PCA对光谱数据进行降维处理,结合SVM模型比较了不同实验条件下小麦种子分类准确率以及在最佳条件下3个、4个和6个品种种子的分类准确率。结果显示,3个品种间种子分类准确率除个别外平均达到95%以上,4个品种间种子分类准确率在80%左右,6个品种间种子分类准确率在66%左右。这说明充分利用光谱信息可以对3个或4个小麦品种进行多籽粒分类。     

基于多核支持向量机的小麦条锈病遥感监测研究

为提高小麦条锈病的遥感探测精度,依据日光诱导叶绿素荧光和冠层反射光谱数据在小麦条锈病遥感探测中的优势及其与病情严重度之间的映射关系,在运用独立分量分析法对光谱数据降维的基础上,利用核学习算法分别确定冠层光谱特征和日光诱导叶绿素荧光特征反映小麦条锈病病情严重度的最优核,同时针对冠层光谱与叶绿素荧光特征组,建立基于不同特征最优核映射的多核学习支持向量机模型,并与基于特征直接拼接的模型结果进行对比。结果表明,对于冠层光谱而言,采用高斯核构建的支持向量机模型可较好估测小麦条锈病病情指数,而日光诱导叶绿素荧光指数则是采用多项式核的效果更优;采用直接拼接法融合叶绿素荧光指数和冠层光谱特征能够在一定程度上改善小麦条锈病病情指数估测精度,决定系数(r~2)最高为0.847,而单独利用冠层光谱信息或者叶绿素荧光信息时,r~2最高仅为0.802;对日光诱导叶绿素荧光和反射光谱特征分别利用其最优核进行映射构建的多核学习支持向量机模型精度最高,r~2为0.915,RMSE为0.090,优于基于特征直接拼接构建的支持向量机模型精度。     

基于线性光谱混合模型的棉花遥感识别混合像元分解

 遥感图像中普通存在着混合像元,对这部分像元进行分类(即混合像元分解)是遥感图像处理中的难点。以新疆玛纳斯县为研究区,运用线性光谱混合模型,估算端元丰度值,进行空间建模,将棉花、玉米、番茄和土壤4类典型的端元组分光谱值代入线性模型,在非约束条件下用最小二乘法估计混合系数,得到每种地物类型的丰度及均方根误差图,以实地测量的棉花种植面积对模型分解效果进行评估,结果表明：线性光谱混合模型构模简单、计算量小,棉花线性光谱混合像元分解精度达到90%以上,可用于新疆棉花的遥感识别。     

基于机器学习和无人机图像的棉花密度识别研究

随着人工智能的发展，机器学习正逐渐应用于大田信息化管理，可以节约时间、减少劳动用工。利用无人机获取6个密度（1.5万株·hm^－2、3.3万株·hm^－2、5.1万株·hm^－2、6.9万株·hm^－2、8.7万株·hm^－2、10.5万株·hm^－2）棉田的RGB图像，以数据增强技术扩大数据集，通过机器学习算法的不同模型（支持向量机、VGGNet16、GoogleNet、MobileNetV2）实现不同密度棉田图像的识别分类，并对比了不同模型的图像识别效果。基于支持向量机模型的方法是利用尺度不变特征变换对数据集进行特征提取，将其作为分类器的输入向量进行图像分类；该模型的平均分类识别准确率为74.18%。基于3种卷积神经网络模型（VGGNet16、GoogleNet、MobileNetV2）的方法是结合迁移学习并搭配Adam优化算法对模型进行微调，自动提取数据集特征并重新训练；其分类识别准确率均在90%以上。结果表明，相较于传统机器学习，3种卷积神经网络模型训练对不同密度棉田图像的分类识别准确率更高。比较4种神经网络模型的测试集验证结果，GoogleNet和MobileNetV2模型的平均分类识别准确率达到98%；结合模型评估指标精确率、召回率、F1分数可知，这2种模型的性能较好。该研究表明了深度学习算法对不同密度棉田图像分类的有效性，探索的图像识别方法和优选模型可为棉花大田信息化管理提供技术支持。     

基于递归特征消除和随机森林融合算法的大豆前体MicroRNA预测模型研究

随着大豆RNA基因的生物调控作用研究的不断深入,利用数据挖掘技术对大豆前体MicroRNA(pre-microRNA)进行有效的预测已成为该领域的重要发展方向。针对常规的随机森林算法在pre-microRNA预测模型中存在识别精度较低的问题,研究提出并构建基于递归特征消除(recursive feature elimination, RFE)与随机森林(random forest, RF)融合算法的大豆pre-microRNA预测模型。首先利用递归特征消除法筛选大豆pre-microRNA序列的最优特征子集;然后结合随机森林算法构建大豆pre-microRNA的预测模型;最后利用十折交叉验证法,将递归特征消除与随机森林(RFE-RF)融合模型的预测结果与单一随机森林和支持向量机分类模型的预测结果对比。研究结果表明:融合后构建的大豆pre-microRNA预测模型精度有明显提高,达到84.62%,相比于支持向量机算法(support vector machine, SVM)构建的模型精度提高了17.02%,相比于单独使用随机森林算法构建的模型精度提高了14.58%。该研究方法为大豆的pre-microRNA基因预测提供了新思路。     

基于支持向量机（SVM）的稻纵卷叶螟危害水稻高光谱遥感识别

 对健康水稻叶片以及受稻纵卷叶螟危害后的水稻叶片进行了室内光谱的测定及分析。对430~530 nm和560~730 nm波段采用连续统去除的方法,分别提取了波深、斜率参量作为径向基核函数支持向量机的输入变量,利用LIBSVM软件包构建叶片高光谱识别模型。当参数γ和惩罚系数C分别取0.25和1时构建的径向基支持向量机模型的分类性能最佳,识别精度达100%。研究结果为实时水稻病虫害的早期监测以及田间管理提供了一定的理论基础。     

基于无人机多时相遥感影像的冬小麦产量估算

为高效准确地预测小麦产量,以浙江省冬小麦为研究对象,利用四旋翼无人机精灵4多光谱相机获取冬小麦5个关键生育时期（拔节期、孕穗期、抽穗期、灌浆期、成熟期）的冠层多光谱数据,选取多光谱相机的五个特征波段计算各生育时期的72个植被指数,分别通过逐步多元线性回归（SMLR）、偏最小二乘回归（PLSR）、BP神经网络（BPNN）、支持向量机（SVM）、随机森林（RF）构建不同生育时期的产量估算模型,最后采用决定系数（R）、均方根误差（RMSE）和相对误差（RE）对估算模型进行评价,筛选出最优估算模型。结果表明,基于随机森林建立的模型估算效果最优,SMLR、PLSR和SVM三种方法建立的模型估算效果接近。利用随机森林算法所建拔节期、孕穗期、抽穗期、灌浆期、成熟期模型的R、RMSE和RE分别为0.92、0.35、11%;0.93、0.33、10%;0.94、0.32、9%;0.92、0.36、9%;0.77、0.67、33%。模型验证时,抽穗期估算效果最好（R、RMSE和RE分别为0.91、0.35和15%）,拔节期、孕穗期、灌浆期估算效果接近且有很好的估算能力,成熟期估算精度最差（R、RMSE和RE分别为0.71、0.47和13%）。由此说明,结合机器学习算法和无人机多光谱提取的植被指数可以提高小麦产量估算效果。     

基于Sentinel-2多光谱数据和机器学习算法的冬小麦LAI遥感估算

为了丰富大田尺度下冬小麦叶面积指数的遥感估算方法并提高估算精度,以关中地区冬小麦为对象,基于Sentinel-2多光谱卫星数据与地面同步观测的冬小麦叶面积指数样点数据,应用偏最小二乘回归(PLSR)、反向传播神经网络(BPNN)和随机森林(RF)法构建冬小麦叶面积指数估算模型,进行区域冬小麦叶面积指数遥感反演。结果表明,Sentinel-2多光谱卫星影像中心842nm近红外B8波段与冬小麦叶面积指数相关性最好,样本总体相关系数为0.778;植被指数中反向差值植被指数(IDVI)与冬小麦叶面积指数相关性最好,样本总体相关系数为0.776。各种估算模型中LAI-RF模型预测效果最佳,r~2为0.72,RMSE为0.53,RE为16.83%。基于LAI-RF估算模型,应用Sentinel-2多光谱卫星数据较好地反演了研究区冬小麦叶面积指数区域分布,其结果总体上与地面真实情况接近,说明以Sentinel-2卫星影像数据建立LAI-RF估算模型,可应用于区域冬小麦LAI反演制图。     

基于GEE和Landsat时间序列数据的海南岛土地利用分类研究

土地利用/覆盖变化（land use/cover change,LUCC）是当前全球变化研究的核心内容之一。土地利用遥感监测是土地利用变化相关研究的重要技术手段,尤其是高分辨率遥感技术和谷歌地球引擎（Google Earth Engine,GEE）云计算平台的出现,为土地利用空间信息的获取提供了新的途径和方法。本研究基于GEE云平台提供的Landsat-8 OLI时间序列卫星影像数据,采用随机森林（random forest,RF）和支持向量机（support vector machines,SVM）分类算法,对海南岛土地利用类型进行了遥感分类研究。结果表明：RF与SVM算法对海南岛土地利用中水体和建筑用地的分类精度均较高,对耕地、园地和林地分类精度较低。与SVM方法相比,RF分类方法能够更准确识别各类地物信息,更适于海南岛土地利用分类的研究。海南岛林地（包括天然林、橡胶林等）所占比例最大,主要分布在海南岛中部;耕地和园地面积接近,相间分布于海南岛大部分区域;水体和建筑用地面积较小,在海南岛均呈零散的分布状态,以沿海地区为主。GEE平台对于开展大区域土地利用分类与遥感动态监测具有重要的意义。     

基于多源遥感数据和机器学习算法的冬小麦产量预测研究

为探讨基于多源遥感数据和机器学习算法预测冬小麦产量的可行性,利用中麦175/轮选987重组自交系F₇代群体中70个家系开展田间试验,通过无人机遥感平台和地面表型车平台及手持式冠层鉴定平台,获取冬小麦灌浆期光谱数据,分别用4种机器学习方法和集成方法建立产量预测模型。结果表明,在61个光谱指数中,除MCARI、DSI、PVI外,其余指数均与产量显著相关或极显著相关,700 nm和800 nm组合的高光谱指数能够比较准确地预测产量。相对于高光谱和多光谱,RGB传感器预测产量精度最高,平均决定系数（r²）为0.74,平均均方根误差（RMSE）为517.78 kg·hm_-2。相对于决策树（DT）、随机森林（RF）、支持向量机（SVM）三种传统机器学习算法,岭回归（RR）算法预测产量的精度最高,平均r²为0.73,平均RMSE为516.1 kg·hm_-2。与单一的传统机器学习算法相比,DT、RF、SVM、RR结合集成算法的预测精度高且稳定,r²高达0.77,RMSE也较低。SVM 、RF、DT、RR四种机器学习算法和RGB、ASD、UAV、UGV四个传感器构成的算法-传感器集成方法的预测精度提升,r²为0.79,RMSE降至469.98 kg·hm_-2。因此,利用Stacking集成方法将不同算法、传感器进行结合,能够有效地提高冬小麦产量预测精度。     

基于等距拆分和随机森林算法的皖北小麦始花期气象预报

为探讨基于等距拆分和随机森林算法用于皖北小麦始花期气象预报的可行性,利用1980-2019年皖北地区7个农业气象观测站的冬小麦始花期原位观测物候数据和平行观测的气象数据,采用相关系数法,筛选影响始花期早迟的特征变量,采用有序等距离抽样法,拆分出训练集和测试集。基于随机森林算法（RF）,从4月10日到4月15日,每日训练1个预报模型,实现小麦始花期逐日滚动气象预报,并与基于类神经网络（ANN）、线性支撑向量机（LSVM）、多元回归（RG）和支持向量机（SVM）4种算法训练的预报模型进行比较。结果表明,由平均气温、最高气温、日照时数3类气象要素构成的40个关键气象因子与小麦始花期早迟密切相关;训练出的6个始花期逐日气象预报模型中,4月10-14日5个模型入选特征变量均为40个,4月15日模型入选特征变量为39个;6个气象预报模型训练集与测试集的平均正确率分别为93.3%和80.4%,平均均方根误差（RMSE）分别为1.860～1.960和2.510～2.709,平均决定系数分别为0.944和0.841;基于RF算法训练的预报模型3项检验指标均优于ANN、LSVM、RG和SVM算法训练的预报模型;利用RF算法模型在2020年和2021年进行预报,提前7～9 d准确预报出当年始花期。由此可见,采用有序等距离抽样拆分出训练集,再基于RF算法构建的皖北地区小麦花期气象预报模型,能够以较高精度对小麦始花期进行预报。     

基于EGCG,ECG和咖啡碱含量的乌龙茶产地鉴定

提出一种量化判定乌龙茶产地的方法。共收集主要乌龙茶产区闽南、闽北、广东和台湾等地的代表性乌龙茶样品130个,用高效液相色谱方法检测其没食子酸、儿茶素、咖啡碱和茶氨酸等理化成分的含量。用遗传算法和连续投影算法筛选出重要的化合物,基于这些化合物指标分别用支持向量机、反向传播人工神经网络及随机森林模型对闽南、闽北、广东和台湾4个产区的乌龙茶进行分类和预测。结果表明,用遗传算法筛选的3个化合物（咖啡碱、EGCG和ECG）结合反向传播人工神经网络模型BPNN能够实现对4个产区乌龙茶的高效判别,且训练集和预测集的判别率分别为97.13%和98.34%。该研究结果能为乌龙茶产地的鉴别提供科学依据。