农业无人机智能机器学习系统——基于人工智能和深度学习

为了提高农业无人机作业时的自主学习能力,基于人工智能技术将深度学习算法应用到了无人机机器学习系统的设计上,并提出了基于神经网络深度学习的农业无人机智能识别系统,有效提高了无人机的自动学习和识别能力。以采摘机器人的设计为例,对智能机器学习系统的可靠性进行了验证,并对不同学习算法果实识别的准确性进行了测试。测试结果表明：基于神经网络的深度学习算法在果实的成熟度识别方面具有明显的优势,从而验证了算法的可靠性。     

基于高光谱和机器学习模型的冬小麦土壤含水率监测研究

为及时获取大田作物根区土壤含水率(Soil moisture content, SMC),实现精准灌溉,运用高光谱技术,通过连续2年(2019—2020年)田间试验采集了冬小麦拔节期不同土层深度SMC及高光谱数据,构建了3类植被指数(蓝、黄和红边面积等三边光谱参数,与冬小麦根区SMC相关性最高的任意两波段植被指数和前人研究与作物参数相关性较好的经验植被指数)并筛选与各土层深度SMC相关系数最高的植被指数,随后将筛选后的植被指数作为模型输入,分别采用随机森林(Random forest, RF)、反向神经网络(Back propagation neural network, BPNN)和极限学习机(Extreme learning machine, ELM)构建冬小麦拔节期不同土层深度SMC估算模型。结果表明,绝大部分三边参数、任意两波段植被指数和经验植被指数在深度0～20 cm土层的SMC相关系数较20～40 cm和40～60 cm更高,在深度0～20 cm土层两波段组合构建的光谱指数与SMC的相关系数最高,均超过0.8,其中RI与SMC的相关系数最高,为0.851,其波长组合为675...     

基于地面高光谱遥感的大豆产量估算模型研究

为在田间管理中对作物产量进行估测,通过两年大田试验收集了大豆生殖生长期的高光谱数据及产量数据,基于各生育期一阶微分光谱反射率计算了7个光谱指数：比值指数（Ratio index,RI）、差值指数（Difference index,DI）、归一化光谱指数（Normalized difference vegetation index,NDVI）、土壤调整光谱指数（Soil-adjusted iegetation index,SAVI）、三角光谱指数（Triangular vegetation index,TVI）、改进红边归一光谱指数（Modified normalized difference index,mNDI）和改进红边比值光谱指数（Modified simple ratio,mSR）,使用相关矩阵法将光谱指数与大豆产量数据进行相关性分析并提取最佳波长组合,随后将计算结果作为与大豆产量相关的最佳光谱指数,最后将各生育期筛选出的与大豆产量相关系数最高的5个光谱指数作为模型输入变量,利用支持向量机（Support vector machine,SVM）、随机森林（Random forest,RF）和反向神经网络（Back propagation neural network,BPNN）构建大豆产量估算模型并进行验证。结果表明,各生育期（全花期（R2）、全荚期（R4）和鼓粒期（R6））计算的光谱指数与产量的相关系数均高于0.6,相关性较好,其中全荚期的光谱指数FDmSR与大豆产量的相关系数最高,达到0.717;大豆产量最优估算模型的方法是输入变量为全荚期构建的一阶微分光谱指数和RF组合的建模方法,模型验证集R2为0.85,RMSE和MRE分别为272.80kg/hm2和5.12%。本研究成果可为基于高光谱遥感技术的作物产量估测提供理论依据和应用参考。     

基于机器学习的粮食产量预测模型研究

科学统计粮食产量数据并合理预测其发展趋势有助于稳定粮食生产、保障粮食安全。本文基于差分整合移动平均自回归(ARIMA)模型、广义回归神经网络(GRNN)模型以及长短期记忆人工神经网络(LSTM)模型,运用皮尔逊相关性分析方法选出影响粮食产量的主要因素并进行预测。以河北省保定市在1996—2014年粮食产量及16个粮食产量影响因素等历史数据为例,预测2015、2016和2017年粮食产量。试验结果表明,基于ARIMA模型预测的平均相对误差为0.96%,基于LSTM模型预测的平均相对误差为2.20%,基于ARIMAGRNN组合模型预测的的平均相对误差为0.47%。相比于其他预测模型,ARIMA-GRNN组合模型可有效地对粮食产量进行预测,并为粮食产量的预测提供了1种新方法。     

基于Sentinel-2影像的甘蔗种植区遥感提取方法——以广西崇左市为例

为了解决在多云雨天气与复杂地形条件下难以快速精准大面积绘制喀斯特山区甘蔗种植区的问题,亟须探究适用于喀斯特山区甘蔗种植区提取的方法。以广西壮族自治区崇左市为研究区域,利用Sentinel-2数据计算多种植被指数,根据Sentinel-2原始波段、光谱指数和纹理信息特征分析,选取地物训练样本,并引入DEM、土地利用等辅助识别特征变量,采用神经网络、随机森林、支持向量机3种机器学习方法,实现2018—2021年甘蔗种植区遥感提取,再利用Google Earth影像和统计数据进行精度评价。结果表明,基于Sentinel-2的甘蔗种植区遥感提取效果较好,崇左市甘蔗种植区总体分类精度均高于91%,κ系数均大于0.88;3种分类方法提取面积误差均值为-4.84%。2018—2021年,崇左市甘蔗种植面积趋于较平稳状态;主要甘蔗种植区以扶绥县、江州区、龙州县及大新县南部和宁明县北部为主。Sentinel-2数据在识别地类复杂多样、农田极其碎片和多云天气频繁等特点的作物信息方面具有较好潜力。     

低覆盖草地叶面积指数遥感估算方法

有效估算低覆盖草地叶面积指数(LAI),对监测低覆盖草地生长状况、优化完善草地管理具有重要意义。以往针对草地叶面积指数的研究大多集中于中高覆盖度草地,对低覆盖草地的研究相对较少。利用谷歌地球引擎(GEE),基于Landsat-8卫星数据提取所需特征变量,通过特征变量与叶面积指数的相关性及其在模型中的重要性进行特征优选,确定模型最佳变量个数,以此构建机器学习模型,探寻适合在低覆盖区草地估算叶面积指数的方法。结果显示,基于相关性特征优选的梯度提升回归树模型(r-GBRT)在低覆盖草地估算叶面积指数的效果较好,测试集的R²为0.686,均方根误差(RMSE)为0.101。结果表明,基于特征优选构建的机器学习模型在低覆盖条件下估算草地叶面积指数方面具有较好的应用价值。     

基于机器学习的油青菜心水分胁迫研究

目的 以油青菜心Brassica chinensis var. parachinensis为试验对象,基于冠层温度研究其生长过程中的水分胁迫变化规律,并利用机器学习方法,以水分胁迫指数(Crop water stress index, CWSI)和光合有效辐射预测光合作用速率。方法 试验期间,在营养生长阶段(V期)和生殖生长阶段(R期)对油青菜心进行不同田间持水量处理,采集冠层温度、空气温湿度数据,建立无蒸腾作用基线(上限方程)、无水分胁迫基线(下限方程),通过经验公式计算CWSI。利用基于密度的空间聚类方法和空气温度研究油青菜心的冠气温差上限分布情况,选取固定值作为上限;以CWSI经验公式为基础,使用不同温度定值的无蒸腾作用基线计算CWSI,验证聚类效果。为更简便获取光合作用速率,使用4种机器学习方法：最邻近节点算法(k-Nearest neighbor,KNN)、支持向量回归(Support vector regression,SVR)、极端梯度提升法(Extreme gradient boosting,XGBoost)、随机森林(Random forest,RF)进行预测,并对比预测效果。结果 在不同田间持水量处理下,CWSI能较好地监测油青菜心水分胁迫状况。通过聚类分析,将V期和R期冠气温差上限分类到2个簇中,得到簇心分别为3.4和4.2 ℃,与CWSI经验公式计算值显著相关,表明使用固定值作为油青菜心冠气温差上限值具有可行性。KNN、SVM、XGBoost和RF预测模型均取得较好效果,相关系数分别为0.873、0.877、0.887和0.863。结论 机器学习方法可用于油青菜心光合作用速率的预测,可以避免使用大型笨重仪器,降低对油青菜心叶片的损伤,减少测量时间。     

基于机器学习的排涝闸站雨后水位预测

[目的]精准预测排涝闸站雨后水位.[方法]在分析为期1 a的田间实测水位数据的基础上,收集了四湖流域2个典型闸站(习家口站、田关站)为期10 a(2010—2020年)的历史水情资料,利用2种机器学习算法(支持向量机回归算法、回归树算法)对排涝闸站的雨后水位进行预测分析.[结果]支持向量机回归算法和回归树算法均较好地预...     

机器学习在土壤无机碳高光谱反演模型中的应用进展

土壤无机碳库作为陆地生态系统中第二大碳库,在吸收大气中CO2以维持陆地生态系统碳循环稳定方面发挥着重要作用.高光谱数据具有维度大、强冗余性等特点,不利于土壤无机碳快速反演建模,而使用机器学习方法可实现对土壤无机碳的快速、高效测定.该文综述了利用机器学习方法对土壤无机碳高光谱反演建模的研究现状,以期为土壤无机碳在全球碳循环中的研究提供参考.     

计算机视觉技术在水稻氮素营养诊断中应用的研究进展

为探究水稻冠层外观特征与水稻氮素营养状况的关系,综述了应用计算机视觉技术进行水稻氮素营养诊断的基本思路及研究进展。主要分述了常规性水稻氮素营养指标的获取,水稻冠层图像的获取、预处理以及特征的提取与优化,水稻氮素营养诊断模型建立的方法等方面的内容。指出近地面水稻冠层图像的获取方法、水稻图像处理方法、多种综合性特征的优化选择方式都有待进一步研究,应用机器学习进行水稻氮素营养诊断建模的方法需要更加深入探究。今后应加大计算机视觉技术在水稻氮素营养诊断相关研究中的应用,将多种图像处理方法、特征优化选择方法与机器学习建模方法相结合,并探寻更为简便易行的方法进行水稻氮素营养诊断。