基于Google Earth Engine平台的关中冬小麦面积时空变化监测

以关中地区为研究区,基于Google Earth Engine(GEE)平台,根据冬小麦生育期内归一化植被指数(NDVI)时序曲线和物候特征,采用NDVI重构增幅算法和光谱突变斜率,构建了关中地区冬小麦提取模型并实现了冬小麦种植面积的提取。用农业统计面积验证提取结果表明:在市级和县级尺度上,决定系数R~2分别为0.82和0.62,一致性指标d分别为0.95和0.84,提取结果与实地调查数据的空间一致性精度为93.4%。结果显示:关中地区冬小麦主要分布在中部关中平原,冬小麦种植面积在2011—2017年呈下降趋势,减少了83.22×10~3 hm~2(8.47%)。综合考虑冬小麦NDVI时序曲线的"峰""谷"特征,具有一定的普适性,可为大面积连续年份冬小麦种植面积时空监测提供参考。     

基于MODIS TVDI和模糊数学方法的藏北地区旱情等级遥感监测

为了实现对藏北区域范围内春夏旱情的动态连续监测,基于温度植被干旱指数(TVDI)和模糊数学方法建立了遥感干旱的划分标准,研究时段为1980-2017年。首先利用MODIS产品数据计算TVDI,然后根据气象干旱等级监测结果,采用模糊数学法建立基于MODIS TVDI的干旱等级划分标准,并对监测结果进行精度验证,最后分析了近年来藏北地区旱情的时空变化特征。得到的主要结论:①基于归一化植被指数(NDVI)和增强植被指数(EVI)计算得到的温度植被干旱指数TVDIN和TVDIE,均与20 cm实测土壤水分含量在0.05的水平达到显著相关,TVDIE的决定系数更高;②基于TVDIE将旱情划分为无旱、轻旱、中旱、重旱、特旱5个等级,其中,据此标准获得的藏北地区旱情等级与气象干旱等级监测结果大体一致;③近年来藏北地区旱情整体不太严重,且总体趋缓,其中,2009年最严重,发生中旱及以上旱情的区域面积达24%,年内旱情在6月最严重。就旱情的空间分布特征而言,研究区西南部和中部干旱比较严重,北部和东南部相对较轻。研究成果可为藏北地区干旱监测提供数据支撑,遥感干旱等级的划分方法可为其他地区的干旱研究提供参考。     

一种基于无人机遥感和卷积神经网络的梨树树龄梯度识别方法

梨树的树龄测定是古梨树保护监管以及开发其经济价值工作中最初也是最重要的一步,现有的古树树龄测定方法主要都是针对单棵古树,不适合对大量(超过上千棵)的梨树进行树龄测定。针对上述问题,提出了一种基于卷积神经网络的梨树树龄梯度识别方法,在确定梨树树龄梯度后,通过无人机获取梨树遥感图像,合成梨树图像后,进行分割,得到单棵梨树的图像,利用RESNET模型自动获取图像深层特征,从而实现对梨树树龄梯度的识别。实验结果表明:该方法目标识别准确率为85.56%,优于其他方法,时间效率则远胜传统树龄测定方法。因此,该方法具有较高的使用价值,可以大幅度降低梨树树龄测定成本开支,具有实际意义。     

基于灰色-BP神经网络模型的多情景交通用地需求预测——以长江中游城市群为例

为探索科学预测区域交通用地需求的合理途径,指导国土空间规划编制中交通用地规模的划定,拟通过灰色-BP神经网络模型识别主要社会经济影响因素,以长江中游城市群为例,在预测其远景交通用地需求规模的同时,基于城市群发展的阶段特征选取典型城市群样本设置3类情景,对不同情景下的交通用地需求分别进行预测。结果表明:1)城镇化水平、产业结构高度化程度和劳动力资源禀赋是当前影响长江中游城市群交通用地需求的主要社会经济因素。2)通过系统仿真试验对比不同方法的交通用地需求预测结果,可以发现基于灰色-BP神经网络模型的预测方法精度较高,误差较小,该预测方法对于区域交通用地规模的预测具有一定的适用性。预测得到的长江中游城市群2020和2030年交通用地需求分别为31.22万和49.07万hm2。3)不同情景下长江中游城市群交通用地需求预测结果存在明显差异,底线情景可作为划定交通用地规模的底限,一般情景可作为基准,极限情景可作为红线,长江中游城市群交通用地合理规模应以基准为参考,介于底线和红线之间。     

基于MODIS数据的河套灌区遥感干旱监测

基于MODIS数据,以河套灌区为研究对象,计算灌区2000—2018年作物主要生育期内(5—8月)4种遥感干旱指数、温度植被干旱指数(TVDI)、植被供水指数(VSWI)、植被状态指数(VCI)、温度状态指数(TCI),并分析了4种干旱指数与0～20cm土壤相对含水量、降水量、灌区引水量相关性以及4种干旱指数之间的相互关系。结果表明:经过相关分析,TVDI与土壤相对含水量的相关性优于其他3种遥感干旱指数;在灌溉水量较多的灌区,遥感干旱指数与降雨量相关性较小而与灌区引水量呈现一定的相关关系。本研究发现TVDI在河套灌区有着良好的适用性。此外,在干旱监测中综合利用多种干旱指数进行分析对提高监测精度,科学合理地预报旱情具有重要意义。     

GF6卫星红边波段对春季作物分类精度的影响

为探究高分六号(GF6)宽幅遥感影像红边波段在春季作物识别中的应用,以河南省杞县为研究区,通过分析2019年3月25日单时相影像及其光谱特征,利用随机森林算法完成4种不同红边波段方案下冬小麦、大蒜和其他作物(油菜、蔬菜等)的分类提取,并基于地面采样数据实现不同方案分类精度评价、样本间可分性测度以及光谱反射率计算分析。结果表明,有红边波段参与下,较无红边波段参与时作物总体分类精度和不同作物可分性测度值均有所提高;单红边波段参与下,红边波段2作物总体分类精度较红边波段1提高了1.98个百分点;引入全部红边波段较无红边参与方案的作物总体分类精度由81.56%提高到86.19%,提高了4.63个百分点,Kappa系数由0.72提高到0.79,冬小麦-大蒜、冬小麦-其他作物、大蒜-其他作物的J-M(Jeffries-Matusita)可分性测度也分别增加了0.085 6、0.076 1和0.025 1。研究表明,红边波段的引入不仅增加了作物间的可分性测度,降低了分类结果中作物误分、漏分情况,也在一定程度上降低了结果中的"椒盐现象",为国产红边卫星数据在农业上的应用提供参考。     

葡萄酒中生物胺分析方法研究进展

生物胺是一类低分子量含氮有机化合物,广泛存在于各类食品中,尤其是富含糖和酒精的葡萄酒产品中。葡萄酒风味独特,营养丰富,备受消费者喜爱,生物胺的存在不仅会影响其品质,还会危害人类的健康,引起过敏性反应。本文介绍了葡萄酒中生物胺的来源、分类以及常见检测方法,检测方法包括液相色谱法、气相色谱法、薄层色谱法、毛细管电泳法以及传感器分析法。     

基于快速卷积神经网络的果园果实检测试验研究

近年来,基于数字图像处理和机器学习算法的果实自动识别检测研究已经越来越成熟。针对传统检测方法检测过程中难以满足实时性要求的缺点,采用了基于Faster-RCNN的果实快速检测模型。模型由卷积神经网络(CNN)和区域提议网络(RPN)组成,首先由CNN进行卷积和池化操作提取特征,然后由RPN选取候选区域,通过网络全连接层参数共享,由目标识别分类器和边界框预测回归器得到多个可能包含目标的预测框,最后通过非极大值抑制挑选出精度最高的预测框完成目标检测。分别对桃子、苹果和橙子的三种果实进行检测,采用迁移学习方法,使用已经预训练好的两种深度神经网络模型ZFnet和VGG16,通过数据集的训练对Dropout及候选区域数量进行参数调整完成网络调优。检测并分析果实不同布局形态下模型的检测效果。试验结果表明,当Dropout取值为0.5或0.6,候选区域数量为300时网络模型最佳,ZFnet网络中,苹果平均精确度为92.70%,桃子为90.00%,而橙子为89.72%。VGG16网络中,苹果平均精度为94.17%,桃子为91.46%,橙子为90.22%。且ZFnet和VGG16的图像处理速度分别达到17 fps和7 fps,能够达到果实实时检测的目的。     

基于YOLO v3与图结构模型的群养猪只头尾辨别方法

在利用视频监控技术对群养猪只进行自动行为监测时,对猪只准确定位并辨别其头尾位置对提高监测水平至关重要,基于此提出一种基于YOLO v3(You only look once v3)模型与图结构模型(Pictorial structure models)的猪只头尾辨别方法。首先,利用基于深度卷积神经网络的YOLO v3目标检测模型,训练猪只整体及其头部和尾部3类目标的检测器,从而在输入图像中获得猪只整体及头尾部所有的检测结果;然后,引入图结构模型,描述猪只的头尾结构特征,对每个猪只整体检测矩形框内的头尾部位组合计算匹配得分,选择最优的部位组合方式;对部分部位漏检的情况,采取阈值分割与前景椭圆拟合的方法,根据椭圆长轴推理出缺失部位。在实际猪场环境下,通过俯拍获得猪舍监控视频,建立了图像数据集,并进行了检测实验。实验结果表明,与直接利用YOLO v3模型相比,本文方法对头尾定位的精确率和召回率均有一定提高。本文方法对猪只头尾辨别精确率达到96.22%,与其他方法相比具有明显优势。