基于特征工程的大田作物行中心线识别方法

针对大田作物行特征复杂多样,传统作物行识别方法鲁棒性不足、参数调节困难等问题,该研究提出一种基于特征工程的大田作物行识别方法。以苗期棉花作物行冠层为识别对象,分析作物行冠层特点,以RGB图像和深度图像为数据来源,建立作物行冠层特征表达模型。运用特征降维方法提取作物行冠层的关键特征参数,降低运算量。基于支持向量机技术建立作物行冠层特征分割模型,提取作物行特征点。结合随机抽样一致算法和主成分分析技术建立作物行中心线检测方法。以包含不同光照、杂草、相机位姿的棉花作物行图像为测试数据,运用线性核、径向基核和多项式核的支持向量机分类器开展作物行冠层分割试验;对比分析典型Hough变换、最小二乘法和所建作物行中心线检测方法的性能。结果表明,径向基核分类器的分割精度和鲁棒性最优;所建作物行中心线检测方法的精度和速度最优,航向角偏差平均值为0.80°、标准差为0.73°;横向位置偏差平均值为0.90像素,标准差为0.76像素;中心线拟合时间平均值为55.74ms/f,标准差为4.31ms/f。研究成果可提高作物行识别模型的适应性,减少参数调节工作量,为导航系统提供准确的导航参数。     

融合无人机光谱信息与纹理特征的棉花叶面积指数估测

农田尺度下作物叶面积指数(Leaf area index, LAI)的精准监测,对于研究群体结构对产量和管理措施的响应具有重要意义。目前普遍采用无人机光谱特征反演作物的LAI指数,作为长势和冠层结构诊断的重要依据,其估测精度的准确性是否可以提高仍有待研究。作物表面特征,如灰度和颜色,在不同生育阶段会发生变化。为此,本研究考虑到LAI的影响因素,设置不同的种植密度和氮素水平营造差异化的冠层结构,利用搭载多光谱传感器的无人机获取主要生育时期棉花的冠层图像得到植被指数(Vegetation indexs, VIs),基于二阶概率统计滤波(Co-occurrence measures)方法获取均值(MEA)、方差(VAR)、协同性(HOM)、对比度(CON)、相异性(DIS)、信息熵(ENT)、二阶矩(SEM)和相关性(COR)等8个纹理特征值(Texture features, TFs)。最后,采用支持向量机回归(SVR)、偏最小二乘法(PLSR)、深度神经网络(DNN)分别建立基于光谱特征、纹理特征以及二者结合的棉花LAI的估算模型,并比较差异。试验结果表明：VI₍(...     

基于机器学习的鸡、牛骨颗粒Micro-CT原位可视化鉴别

不同种属动物源肉骨粉的快速鉴别分析技术是加强饲料监管、防范疯牛病传播的重要保障。为了探索使用显微X射线计算机断层成像技术(Micro-computed tomography, Micro-CT)快速鉴别分析不同种属动物源肉骨粉的可行性,本研究以制备的哺乳动物源牛骨颗粒和非哺乳动物源鸡骨颗粒各100个作为样品集,以不同相对位置鸡、牛骨颗粒以及鸡骨颗粒中牛骨颗粒质量分数约0.97%分别制备验证集,使用Bruker Skyscan 1275 Micro-CT对所有样品进行扫描和图像重构(管电压80 kV、管电流125μA,图像分辨率10μm,重构灰度图像灰度阶为0～255,对应X射线吸收系数为0～0.035);提取不同骨颗粒样品的感兴趣区域进行图像分割,并结合PLS-DA和SVM-DA机器学习算法分别构建鸡和牛骨颗粒分割模型。研究结果表明,鸡、牛骨颗粒图像分割感兴趣区域灰度区间为165～255,基于PLS-DA和SVM-DA模型的鸡、牛骨颗粒鉴别交互验证总准确率均为94%,验证集样品的Micro-CT三维原位可视化表征结果经验证与样品实际结果一致。结果表明,Micro-CT结合PLS-DA和...     

冬小麦不同叶位叶片的叶绿素含量高光谱估算模型

科学、高效地获取作物不同叶位叶绿素含量的垂直分布信息,可监测农作物长势状况并进行田间管理。基于冬小麦抽穗期获取的不同叶位叶片的高光谱反射率和叶绿素含量实测数据,将原始光谱、一阶微分光谱、二阶微分光谱、植被指数和连续小波系数与叶绿素含量进行相关性分析,筛选相关性较强的光谱特征参数,然后分别采用偏最小二乘回归、支持向量机、随机森林和反向传播神经网络4种机器学习算法构建冬小麦上1叶、上2叶、上3叶和上4叶的叶绿素含量估算模型,并根据精度评估结果筛选不同叶位叶绿素含量估算的最佳模型。结果表明,上1叶、上2叶和上3叶采用小波系数结合偏最小二乘回归构建的叶绿素含量估算模型精度最高,建模和验证R2分别为0.82和0.75、0.80和0.77、0.71和0.62;上4叶采用植被指数结合支持向量机构建的叶绿素含量估算模型效果最佳,建模和验证R2为0.74和0.79。研究结果可为基于遥感技术精准监测作物营养成分的垂直变化特征提供理论和技术支撑。     

基于Landsat8与Sentinel-1遥感图像融合的土壤含水率反演模型

针对当前运用单一光学卫星反演土壤含水率时易受到云的影响,单一SAR卫星反演土壤含水率时易受到地表粗糙度和植被影响的问题,以内蒙古河套灌区沙壕渠为研究区域,以4个深度的土壤含水率为研究对象,分别采用主成分分析(PCA)、施密特正交变换(GS)融合Landsat8和Sentinel-1图像以减少云、植被、土壤粗糙度的影响,并对融合后的图像质量进行评价,然后用融合图像的灰度构建1 134种遥感指数,基于相关系数分析、变量投影重要性分析、灰色关联分析3种变量筛选方法与BP神经网络(BP)、极限学习机(ELM)、随机森林(RF)、支持向量机(SVM)4种机器学习算法的耦合模型反演沙壕渠土壤含水率。研究结果表明：经PCA、GS融合后的融合图像可同时保持Sentinel-1和Landsat8图像的优势,并成功定量反演土壤含水率。基于融合图像构建的三维指数普遍比二维指数对土壤含水率更敏感。在表层土壤含水率反演中,基于GS融合的VIP-ELM模型精度最高(决定系数R²=0.66,均方根误差(RMSE)为1.35%)。将GS融合的VIP-ELM模型应用于其他土壤深度含水率的反演后发现...     

应用机器学习模型对中国云贵川区域林火风险预测

加强云贵川区域林火管理,预测云贵川地区森林火灾的发生概率,对保护森林资源和森林生态系统结构和功能具有重要意义。利用MCD64A1火灾数据集、气象数据、地形数据和可燃物含水率数据构建模型训练数据集,结合逻辑回归、随机森林与极端梯度提升等机器学习模型,对中国云贵川区域日尺度林火燃烧概率进行预测。结果表明：单独使用气象数据集对林火燃烧概率进行预测时,极端梯度提升模型表现最好,预测精度为88.6%,其次为随机森林模型与逻辑回归模型,预测精度分别为86.0%与76.7%。地形因素及植被水分指数的引入对机器学习模型有一定的优化效果,极端梯度提升模型与随机森林模型的预测精度的提升均超过1%。     

高光谱成像技术在水果品质无损检测中的研究进展

优质水果的生产和销售离不开水果品质检测,传统的水果品质检测手段精度低、成本高、时效性差、破坏性强。近年来,随着科学技术的不断进步,低成本、高效率的水果品质无损检测技术得到飞速发展。其中,高光谱成像技术逐渐成为研究热点。综述了该技术在水果品质无损检测方面的技术原理、应用和发展现状,探讨其在水果品质无损检测领域的应用潜力、存在问题、发展趋势以及应用前景。整体来看,高光谱成像技术能够实现不同水果种类、多个水果品质指标的无损、高效检测,如成熟度、糖度、酸度、红色指数等;受硬件技术限制,其发展侧重于数据挖掘方向,即在硬件发展有限的情况下,通过不断更新和优化的针对性算法获得精准的解析结果;另一方面,设备昂贵、数据处理复杂、模型普适性较差是该技术需要进一步优化和改进的主要问题;其未来发展将基于云计算和人工智能的高效数据处理、适用范围更广的水果品质高光谱检测设备研发、多源综合无损检测等研究方向。随着技术的不断发展,高光谱成像技术在水果品质无损检测方面的应用前景广阔,未来将成为水果品质检测的重要手段之一。     

机器学习结合高光谱植被指数与SPAD值估算冬小麦氮含量

冬小麦叶片氮含量与叶片光合作用和营养状况密切相关，直接影响植株生长发育，而茎秆中的氮含量与茎秆中纤维素、半纤维素和木质素的比例和含量密切相关，直接影响茎秆质量及植株的抗倒伏能力。然而，有关对冬小麦茎秆氮含量估算研究较为有限，限制了从氮含量角度判断茎秆质量及对倒伏的预测能力。为精准估算冬小麦不同器官（叶片、茎秆）氮含量，该研究通过2年田间试验，获取冬小麦4个关键生育期（拔节期、抽穗期、开花期、灌浆期）和3种施氮水平条件下（N1、N2和N3）的冠层光谱反射率、叶片、茎秆氮含量及叶片SPAD (soil and plant analyzer development， SPAD)值。分析了不同生育期和施氮水平条件下高光谱植被指数对叶片和茎秆氮含量的敏感性，并结合5种常用的机器学习算法：随机森林回归（random forest regression，RFR）、支持向量回归（support vector regression，SVR）、偏最小二乘回归（partial least squares regression，PLSR）、高斯过程回归（gaussian process regression，GPR）、深度神经网络回归（deep neural networks，DNN）构建冬小麦叶片和茎秆氮含量估算模型。结果表明：高光谱植被指数对叶片和茎秆氮含量的敏感性受到生育期和施氮水平的影响。在灌浆期，最佳植被指数双峰冠层植被指数 DCNI（double-peak canopy nitrogen index）对叶片氮含量的敏感性最高，R²为0.866。对茎秆氮含量，在抽穗期的敏感性最高，最佳植被指数归一化叶绿素比值指数 NPQI（normalized phaeophytinization index）与氮含量相关系数R²＝0.677。施氮水平的提升增加了光谱植被指数对茎秆氮含量的敏感性。结合SPAD值的机器学习算法提升了氮含量的估算精度，对叶片氮含量，在不同生育期和施氮水平条件下估算精度提升了1%～7%，其中在全生育期的归一化均方根误差NRMSE从0.254提升到0.214，抽穗期的NRMSE提升最大，从0.201提升到0.128。对茎秆氮含量，全生育期的NRMSE从0.443提升到0.400，抽穗期的NRMSE提升最大，从0.323提升到0.268。在全生育期，结合SPAD值的DNN模型对叶片（R²=0.782、NRMSE=0.214）和茎秆（R²=0.802、NRMSE=0.400）氮含量的估算精度最佳。研究说明，SPAD值与光谱植被指数结合有利于提升冬小麦不同生育期和施氮水平条件下叶片和茎秆氮含量的估算精度。     

栽培苜蓿草地智能感知系统关键生物物理指标实时监测及分析算法研究

苜蓿作为重要的优质牧草,其产量和品质的监测对草牧业发展具有十分重要的作用。传统大范围栽培苜蓿盖度和产量的地面调查以及卫星遥感反演易受天气、人力和财力等因素的影响,在时空动态监测方面具有一定局限性。近年来随着传感器和人工智能（AI）的快速发展及其在作物监测和分析方面的普遍应用,为栽培苜蓿盖度及产量的精准实时估测提供了新的契机。本研究以新疆、内蒙古、甘肃、宁夏等北方四省区栽培苜蓿为研究对象,结合地面实测资料,利用深度学习算法（DL）、多元线性回归（MLR）和随机森林（RF）方法建立了栽培苜蓿盖度和产量估测模型;并对模型精度进行了评价。研究结果表明：1）总体而言,我国新疆、甘肃河西等地区的栽培苜蓿以灌溉为主,地块集中连片、地势平坦,一年刈割3～4次,苜蓿草地在盛草期的平均产量和盖度达5362.81 kg·hm-2、96.29%;以旱作生产方式为主的甘肃陇东、宁夏南部等地区的栽培苜蓿草地大多种植在山区水平梯田,一年刈割2～3次,其盛草期的平均产量和盖度达3987.57 kg·hm-2、91.55%;2）基于无人机可见光遥感数据的苜蓿草地盖度深度学习模型的R2达0.99,均方根误差（RMSE）为...     

专家系统及其在林业和水土保持研究中的应用进展

回顾了专家系统的定义、产生和发展的历史 ,并对其研究现状及在林业和水土保持研究中的应用作了较为详细的阐述