玉米种植环境小斑病定量表达与验证

小斑病是玉米的重要胁迫之一,在中国频繁发生,尤以夏玉米产区为主。通过对黄淮海、东华北玉米产区国家区试点发病情况与气象因素的相关性分析,筛选出影响小斑病的气象因子,即6、7、8月的日均温度为25～27℃的天数DT及日降雨量为1～25?mm的天数DR。然后用多元回归方法建立玉米种植环境小斑病Y的定量表达式,初步研究结果为Y=0.05103DT+0.04333DR。运用该式计算气象站点的小斑病值,利用ArcGIS中的地理统计分析工具,插值估计整个研究区域的发病情况,并做县级区域统计,比较黄淮海、东华北两大玉米产区的小斑病分布情况,发现黄淮海发病严重,与统计结果和实际调查吻合。该研究提出的玉米种植环境小斑病定量表达方法,能提供精确到县级的环境胁迫模拟数据,可作为品种精准推广、试验环境筛选、环境评价等所需量化信息的一种来源。     

用搜索法集成耕地分等与环境评估成果的研究

在“耕地分等和地化评估成果应该集成”的前提下,针对集成过程中的权重确定问题,该文提出权重搜索法,以最小二乘法计算集成结果的误差,并通过分析误差的变化趋势,确定耕地利用等和耕地环境健康等的权重取值范围。其中,考虑到等级数量对误差变化的影响,在数据基础不变的前提下,改变等间距,设计了3种等级划分方案,进行集成和误差分析。最后,该文以吉林西部某县为研究区,对提出的方法进行了实地验证。结果表明,研究区域内耕地质量综合等级评价中,耕地利用等权重的合理取值范围为[0.7,0.9],采用不同的等级划分方案进行集成,集成成果能够反映区域耕地质量的分布状况。     

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。     

基于加权马尔可夫模型的条件植被温度指数预测研究

条件植被温度指数(VTCI)是一种近实时的干旱监测指标。利用加权马尔可夫模型对陕西关中平原的条件植被温度指数(VTCI)时空变化序列进行了2步预测,并将预测结果与实际监测结果进行对比分析,结果表明,预测的干旱监测结果与实际的干旱监测结果空间分布特征基本一致,进一步的误差分析显示,2步预测的误差平均值分别为0.042和0.152。     

基于unity3d的交互式虚拟农业仿真平台研究

传统的农作物种植试验需要反复设计和改进,且受季节、农时和天气的限制,种植周期长、成本高。基于虚拟现实技术的农作物种植虚拟仿真平台能够缩短作物品种试验周期,降低成本,是实现农业生产现代化的关键。为此,重点研究了基于三网融合技术,以三维虚拟世界为载体,以农业仿真模型为科学计算依据,以任务驱动为特色的虚拟农业仿真平台架构,并基于unity3d实现了交互式虚拟农业仿真平台。     

基于Sentinel-1A的东北地区作物留茬区监测研究

以吉林省四平市为研究区，利用Sentinel-1A上搭载的全天时、全天候、高分辨的双极化合成孔径雷达（Synthetic aperture radar， SAR）对玉米留茬区进行监测。对比分析了玉米作物留茬区和非留茬区C波段微波信号的后向散射特性，并探讨了不同极化组合下的差异,确定留茬区可分离性相对较高的模式。运用支持向量机(Support vector machine，SVM)方法对研究区主要地物进行识别，获取留茬区的地理分布及其覆盖面积和比例。实验结果表明不同极化组合均能得到比较理想的结果，证明了实验方案的有效性。特别是对于VH和VV双极化组合模式下，总识别精度为86.15%，留茬区识别精度达90.26%。     

基于时序EVI决策树分类与高分纹理的制种玉米识别

针对遥感技术区分制种玉米与大田玉米的技术难题,以不同源、不同时相遥感数据,构建了多时相OLI/Landsat-8结合Geo Eye-1高分纹理制种玉米识别方法。首先以多时相OLI/Landsat-8构建各地类EVI时序曲线,利用地类的物候差异,以C5.0决策树算法识别玉米,然后针对制种玉米与大田玉米田块的纹理差异,利用Geo Eye-1高分影像纹理信息进一步以阈值法识别制种玉米。最后,以甘肃省张掖市临泽县为研究区,对提出的方法进行了试验验证,结果显示,多时相OLI/Landsat-8总体分类精度为86.31%,Kappa系数为0.81。玉米识别的用户精度为88.39%,制图精度为95.35%,可满足进一步对制种玉米的识别。依据Geo Eye-1高分遥感影像的纹理差异,识别制种玉米,用户精度为86.37%,制图精度为83.02%,高于只利用单一OLI/Landsat-8数据源的分类精度。     

基于机器视觉的玉米异常果穗筛分方法

针对玉米品种制种过程中病害果穗的表型识别问题,以玉米果穗整体为研究对象,基于二维快速成像技术实现了霉变、虫蛀和机械损伤3种异常果穗的快速分选。构建了单目视觉便携式图像采集装置,采集了任意摆放的粘连果穗目标图像,分别在RGB模型和HIS模型中提取了玉米果穗的6个颜色特征和5个纹理特征,并实现特征参数的归一化。构建了病害果穗分类模型,并采用已知样本特征向量对支持向量机和BP神经网络方法进行训练和对比分析,最后采用支持向量机方法实现了3种异常果穗的快速分选。实验结果表明,该方法对霉变异常果穗筛分的正确率可达96.0%,虫蛀果穗筛分的正确率可达93.3%,机械损伤果穗筛分的正确率可达90.0%。     

基于决策树和混合像元分解的玉米种植面积提取方法

Landsat 8影像具有较高空间分辨率和时间分辨率,长时间序列Landsat 8-NDVI曲线反映农作物的物候历、种植模式和种植结构信息,是精确提取玉米种植面积的理想数据源。基于时序Landsat 8-NDVI影像提取玉米种植面积的方法中,决策树方法快速、高效,可通过多阈值限定进行分类,但由于混合像元问题,如果阈值设置过宽,提取面积偏大;阈值设置过窄,提取面积偏小;混合像元分解通过计算端元组分丰度可以排除异质地类干扰。因此,以时序NDVI为数据源、耦合使用2种算法是精确提取作物种植面积的有效方法。本研究基于时序Landsat 8-NDVI,提取河北省保定市大田玉米的种植面积。首先,分析典型作物区的NDVI曲线特征,并构建决策树从而初步提取早播夏玉米、小麦夏玉米和春玉米的分布范围。然后,根据端元平均NDVI波谱曲线,进行3种玉米混合度分解,进而根据玉米丰度比例精确提取玉米种植面积。精度评价结果表明:利用本方法提取的玉米种植区总分类精度在98%以上,Kappa系数在0.97以上;所提取的玉米种植类型主要是夏玉米,春玉米种植主要集中在涿州市中部,这与实地调查结果一致。上述定量和定性的评价结果表明该方法可用于快速、精确提取玉米种植面积。     

面向高分一号遥感影像的自动几何配准算法对比

遥感影像的几何配准是影像后续处理的重要前提和遥感农情监测等应用的重要保障。不同的自动几何配准算法在配准效果上存在差异,单一配准算法难以满足所有类型数据的配准要求。根据不同地形特征和不同时相特征,选择了平原和山地、夏季和冬季4个实验区,以现有的基于区域的互相关法、互信息法和基于特征的SIFT算法为基础,分别对上述4个实验区的高分一号影像数据进行自动配准实验,对比3种算法的配准精度、配准效率和稳定性。实验结果表明：应用SIFT算法进行配准,4组实验结果均目视接边效果良好且均方根误差达到10 -5 数量级,满足精度要求。该方法简单、高效,可以应用于农情遥感监测等日常业务。