积层混合云人工增雨作业条件分析

利用沈阳棋盘山新一代天气雷达探测资料和常规气象资料,分析了2004～2006年在辽宁中西部地区进行的人工增雨作业及降水的雷达回波特征,并总结出对积层混合云实施人工增雨作业的条件、部位、时机和方法等新一代天气雷达判别指标。     

浊点萃取—火焰原子吸收光谱法测定水样中的痕量锌

研究了以1-(2-吡啶偶氮)-2-萘酚为配位剂,Triton X-114为非离子表面活性剂,硝酸-甲醇为黏度调节剂,浊点萃取-火焰原子吸收光谱法测定锌的方法,对试验条件进行了优化。在最佳条件下,锌的检测限为0.687μg/L,富集倍数为66。对水样中锌的含量进行了测定,加标回收率为95%~102%。     

基于云模型推理的施肥机营养液pH值调节过程控制

针对精准施肥机营养液的pH值调节过程控制本质非线性、时滞性、时变性、不确定性等特点,建立了描述该过程的数学模型。利用云模型能够处理定性概念和定量描述之间不确定转换的特点,提出了一种基于云模型推理的变论域模糊PI控制(CVFPI)算法。该算法采用正态云模型描述系统误差和误差变化率的语言值,通过X条件隶属云和Y条件隶属云分别实现规则前件和规则后件的推理,利用伸缩因子实时调整输入输出变量论域,由二维云推理机实现控制参数的在线修正。为验证该算法的有效性和优越性,分别对CVFPI、VFPI、PI等3种控制算法进行了仿真测试和田间试验。试验结果表明,提出的CVFPI控制算法能够适应精准施肥pH值调节过程的控制要求,相比于常规PI控制算法和VFPI控制算法,在不同工作点条件下超调量分别减小45.3%、21.2%,均方根误差分别减小54.9%、52.9%,在不同流量条件下超调量分别减小59.0%、48.4%,均方根误差分别减小54.1%、37.9%,具有较好的动态特性和稳态特性。     

基于梯田信息的地形湿度指数表达研究

[目的]研究基于梯田DEM的地形湿度指数,为深化黄土高原地区土壤水分的研究提供依据。[方法]以黄土高原地区梯田为研究对象,选择5mDEM、基于真实田坎方法构建的1m梯田DEM和基于激光点云数据构建的高精度1 m DEM数据分别对研究样区的地形湿度指数进行表达并作对比分析。[结果]3种不同梯田DEM数据对地形湿度指数的表达有显著差异。(1)5m DEM数据仅能表现出地形湿度指数的宏观分布特征,不具备梯田地形特征信息;(2)基于真实田坎方法构建的1m梯田DEM能较准确细致地实现对梯田样区地形湿度指数的表达,梯田田面和田坎特征分布明显。但与高精度1 m DEM相比,在单个田面和田坎内部地形湿度指数定量表达有所偏差。[结论]基于真实田坎方法构建出的梯田DEM可以更加准确地表达出梯田区域的地形湿度指数分布特征,但与真实地形相比,在田面和田坎内部的表达上仍然有所偏差,其构建方法需要进一步改进。     

基于无人机影像匹配点云的苗圃单木冠层三维分割

近年来较多的树冠提取算法以激光雷达数据为基础,然而激光点云数据量大、冗余多而且采集成本高。本文基于无人机影像匹配点云提取单木树冠轮廓,研究一种成本可控、能够补充甚至部分替代激光雷达的小范围森林制图方案。以福建省三明市某林场内苗圃地作为研究对象,在稠密的无人机影像匹配点云中截取2个25 m×25 m的样地作为测试样本。预处理后,首先构建植被冠层高度模型,以局部最大值法探测树冠位置并标记为种子点;从这些种子点形成的初始区域开始生长,迭代计算直到全部的影像匹配点云归并完毕;最后,将算法提取的树冠轮廓导入Arc GIS中获取树冠轮廓矢量边界,并与手绘参考树冠叠加,利用F测度实现精度的评定。依此方案,在2个林分范围内的树冠提取F测度均达到了89%以上,单木冠幅提取的误差在0.14 m以内。结果表明,该方案简单有效、精度可靠,适用于小范围、高精度的植被制图。     

区域农用GNSS基准站云端管理方法与系统研究

针对区域农用卫星导航定位基准站规模化应用中存在无效冗余、频率干扰和基准不统一问题,提出基于云端管理构架实现区域基准站管理与信息共享的初步解决方案。选择石河子市作为研究区,获得3个企业总计84个固定基准站的备案数据,计算任意2个基准站的站间距ΔD和频率差ΔF形成数据集E。在此基础上,利用GIS空间分析和数值统计方法,分析基准站无效冗余和同近频干扰,开展基准站坐标平差与精度验证,开发基准站管理服务系统原型。研究表明,由于缺乏技术和管理协调,区域农用GNSS基准站无效冗余、频率干扰和频率浪费难以避免,所统计的84个基准站占用了26.7 MHz频带,使用了47个频点,其中30个基准站使用单独频点,站间距40 km以内时多达18对基准站频率相同,29对基准站频率相近(ΔF≤25 k Hz)。石河子东北18个基准站,平均冗余率达263.2%,中心区冗余率更高。固定基准站通过坐标平差可以提高站址精度,有利于发挥基准站冗余的有效性和提高差分信号接入的可靠性,3个验证点的经度坐标差最大为0.011 m,纬度坐标差最大为0.023 m,精度分别达到毫米级和厘米级。管理服务系统原型和手机端APP原型的初步测试表明,系统可以实现基准站备案、建站辅助、基准站查询和频率推荐等功能,可以提高基准站管理效率和减少干扰现象。     

基于点云的谷粒高通量表型信息自动提取技术

在进行水稻的数字化考种、表型与基因关联分析和数字农业仿真模拟时,需要大量的谷粒表型信息作数据支撑。本文提出了一种基于三维点云的谷粒高通量表型信息自动提取方法,能同时自动获取谷粒的三维模型和40个表型参数,实现谷粒形状的定量和定性描述。首先,通过对谷粒点云数据进行聚类分析,完成谷粒点云的分类;其次,实现谷粒的三维重建,对谷粒离散点云进行柱面构网,获取谷粒点云的三维模型数据;最后,根据不同表型参数的特点,实现了谷粒的三维表面积和体积、长、宽、高、3个主成分剖面的周长和面积等11个基本参数与长宽比、长高比和体积比等11个衍生参数以及18个形状因子的自动提取。利用Handyscan 700型手持式激光扫描仪获取的谷粒高精度点云数据进行实验,成功实现了谷粒表型参数的自动提取,测量结果可达毫米级。基于主成分方法分析了各表型参数的权重。以游标卡尺测量值和Geomagic Studio测量值作为真值,长、宽、高的平均相对误差为1.14%、1.15%和1.62%,体积和表面积的相对误差为零,3个主成分剖面面积的平均相对误差为1.82%、2.12%和2.43%。本文方法与人工测量方法及软件测量方法相比,精度相当,且具有批量、自动、人工干预少(仅数据采集阶段需要人工操作)以及效率高的特点。     

基于三维点云数据的花瓣形态及生长过程模拟

目前对于虚拟植物的研究多是通过图形建模来模拟植物的生长变化,计算复杂且操作不灵活。随着三维扫描和点云重建技术的发展,为复杂植物形态可视化提供了新的手段。论文基于三维扫描的植物点云数据模型,研究了植物花瓣的形变和生长过程模拟。利用三维扫描仪获取植物花瓣的生长序列,采用MATLAB根据实测点云数据拟合植物生长函数曲线,最后将传统花卉生长模拟与点云模型的自由变形相融合,提出了依据实测点云数据通过点云模型变形算法模拟花卉植物动态生长的方法。该方法不仅能够保留花卉植物复杂的形态特征,而且使形变控制简单,模拟的花瓣形态及生长真实自然。此外,该方法还与基于物理的模拟方法进行比较,并利用拟合回归分析、实测花瓣数据与重建数据间误差对该方法的准确性进行了分析。结果显示花瓣生长期内决定系数达0.75以上及平均误差控制在2mm以内,研究结果为花卉植物的生长形变模拟提供了参考。     

基于车载三维激光雷达的玉米点云数据滤波算法

为支持表型参数测量和数字植物相关研究,对车载三维激光雷达获取的玉米点云数据进行分析处理,提出了一种基于统计分析的两次滤波算法。以大喇叭口期的京农科728和农大84玉米为研究对象,使用VLP-16型三维激光雷达采集田间玉米点云数据;对点云数据进行直通滤波预处理,去除无关点后,进行第1次点云数据滤波处理,设置精确率和召回率阈值,选取参数组合;再对点云进行第2次滤波处理,确定精确率和召回率最优组合(110,0. 9)、(6,1. 2),边际组合(100,1. 0)、(6,1. 2)和(110,0. 8)、(5,0. 9),共3组参数组合;以3组验证集数据进行测试,结果表明:最优组合性能最优,可在京农科728和农大84玉米点云数据滤波中通用。     

云阴影区机载高光谱影像森林树种分类

[目的]使用窄波段植被指数、纹理信息等特征对影像进行分类,探究植被指数和纹理信息对于云阴影下树种分类的潜力。[方法]使用经过大气校正后的高光谱影像进行窄波段植被指数的计算、纹理分析以及主成分分析,并对计算的结果进行波段组合。用于计算纹理信息的波段通过最佳指示因子进行选择,选取的波段数为31(0.67 nm),51(0.86 nm),55(0.89 nm) 3个波段。结合高分辨率的航空相片进行训练样本的选择,采用Support Vector Machine(SVM)方法对经过大气校正后的反射率影像和重组后的特征影像分别进行分类,使用样地实测的树种信息对分类结果进行验证,使用总体精度和Kappa系数作为分类精度的评价指标。[结果]相对于直接使用反射率影像进行分类,使用窄波段植被指数以及纹理信息可以显著地提高云阴影下地物的分类精度,其分类精度和Kappa系数分别为90.4%和0.88,比直接使用反射率影像的分类精度和Kappa系数分别提高了18%和0.2。[结论]使用重新组合后的影像进行树种分类比直接使用反射率影像进行分类,其分类精度更高,说明窄波段植被指数与纹理特征可以提高云阴影区树种分类的精度。使用波段重组后的影像对云阴影下地物分类,其对于单个地物的分类精度也有明显的提高。