陕西省农机化发展阶段评价研究——基于模糊综合评判

我国农业机械化发展显现出阶段性特征,对陕西农机化发展所处阶段进行研究,可为相关部门决策提供参考依据。为此,选用三角分布和半梯形分布隶属函数,采用专家调查法确定各评价指标的权重,采用平均加权型模糊合成算子,构建了基于模糊综合评判的发展阶段评判模型,对陕西省农业机械化所处发展阶段进行评判。结果表明:陕西省农机化发展2011-2013年总体上已处于中级阶段。评判结果与实际相符,表明该方法在对陕西省农机化所处发展阶段进行综合评判具有实用性。     

基于MODIS数据的土壤水分预测方法研究

针对目前应用MODIS数据进行土壤水分预测研究现状,综合分析现有文献,依据使用遥感光谱波段的不同,分别讨论了基于热红外遥感的温度法、基于可见光-近红外遥感的植被指数法以及综合温度和植被指数的特征空间法,分析了几种主要方法在精度、适用范围、实时性等方面的优缺点,认为在裸土或低植被情况下使用热惯量法,而在植被覆盖地区应选择特征空间法来预测土壤水分。在此基础上,提出了未来基于MODIS的土壤水分监测的发展趋势,即多源遥感数据融合技术是提高反演精度的主要手段,MODIS数据与GIS和高光谱数据的结合是今后的研究重点。     

基于小波纹理和随机森林的猕猴桃果园遥感提取

为快速、准确地从高分影像中获取猕猴桃种植分布信息,提出了一种结合小波变换纹理分析和随机森林分类的QuickBird影像猕猴桃果园自动提取方法。首先,采用coif5小波对QuickBird全色影像进行多尺度小波分解,计算各子频带小波系数的能量特征作为纹理特征;然后,将小波纹理与光谱特征组合构建分类特征;最后,利用随机森林分类实现土地利用分类和猕猴桃果园空间分布提取。结果表明,小波纹理识别猕猴桃果园的效果明显优于光谱特征和其他2种纹理特征;光谱+小波纹理特征的分类精度最高,猕猴桃果园提取精度(Fk)和总体分类精度(OA)分别为95.30%和94.46%,比光谱+灰度共生矩阵纹理分类分别提高6.70%和2.88%,比光谱+分形纹理分类显著提高13.43%和6.98%;随机森林分类结果优于相同特征下的支持向量机、最大似然分类。本文提取的猕猴桃果园面积与目视解译结果的相对误差小于7%。此外,利用本文方法对同期QuickBird影像另一研究区的苹果园分布进行提取,结果表明,该方法对苹果园提取有较好的适用性。     

多目标肉牛进食行为识别方法研究

基于计算机视觉技术，借助已有系统获得肉牛进食行为数据，并与体重变化、健康状况等进行关联分析，对肉牛科学养殖具有重要意义。为此提出了一种基于机器视觉的肉牛进食行为识别方法。该方法采用YOLOv3模型对观测范围内的肉牛目标进行检测，利用卷积神经网络识别单个目标的进食行为，进而实现对多目标肉牛进食行为的识别。卷积操作时，利用填充（padding）增强网络对目标边缘特征的提取能力；使用修正线性单元（ReLU）为激活函数，防止梯度消失；采用丢弃（dropout）方法提高网络的泛化能力。获取实际肉牛养殖场的监控视频，构建数据集，分别在8组测试集上进行试验，本文方法对观测范围内肉牛目标检测的平均精确度为83.8%，进食行为识别的平均精确度为79.7%、平均召回率为73.0%、平均准确率为74.3%，能够满足肉牛进食行为的监测需求。基于YOLOv3模型和卷积神经网络的多目标肉牛进食行为识别方法具有较高的准确性，为肉牛行为非接触式监测提供了新的途径。     

黄绵土风干过程中土壤含水率的光谱预测

以2014年两次在陕西省乾县田间采集的129个黄绵土土壤样本为研究对象,建立土壤含水率定量反演模型。在土壤风干过程中测量光谱反射率及含水率,分析土壤含水率与光谱反射率之间的关系,并利用一元线性及指数回归建立土壤含水率光谱预测模型。结果表明在400~1 340、1 460~1 790、1 960~2 390 nm波长范围内,与含水率相关性最大的反射率对应的波长分别为570、1 460、1 960 nm;吸收深度最大的波长位于490、1 460、1 960 nm。土壤光谱特征指标与含水率之间的线性相关关系优于指数相关关系。以特征波长1 980 nm(C1980)、1 980 nm的吸收深度(D1980)和1 480 nm的吸收深度(D1480)为自变量建立的线性模型为土壤含水率预测的最优模型,校正和验证的决定系数R2大于0.92,相对预测偏差(RPD)大于2.5,均方根误差(RMSE)小于2.5%。研究表明利用自然土样,在风干过程中进行土壤含水率光谱快速预测是完全可行的,从而为遥感实时、快速监测土壤水分含量及大面积土壤水分反演提供了参考。     

基于梯度提升树算法的夏玉米叶面积指数反演

为了快速、准确、大范围获取大田夏玉米的叶面积指数(Leaf area index,LAI),基于实地采集的夏玉米LAI和株高,结合同时期的无人机多光谱影像,选择与夏玉米LAI相关性较强的8种植被指数以及株高作为反演LAI的输入变量,采用梯度提升树(Gradient boosting decision tree,GBDT)算法建立植被指数及株高与叶面积指数之间的预测模型,并与支持向量机(Support vector machine,SVM)和随机森林(Random forest,RF)算法建立的模型进行预测精度对比。结果表明,GBDT算法在3个样本组中的LAI预测值与实测值R~2分别为0. 571 0、0. 755 8、0. 644 1,均高于SVM算法(0. 547 2、0. 679 1、0. 616 8)和RF算法(0. 550 5、0. 697 3、0. 629 5);对应的RMSE分别为0. 002 7、0. 001 5、0. 001 6,均低于SVM算法(0. 211 7、0. 152 3、0. 159 7)和RF算法(0. 244 7、0. 214 7、0. 208 0)。该研究为快速准确的大田夏玉米LAI遥感监测提供了技术和方法。     

基于纹理特征和SVM的QuickBird影像苹果园提取

为提高高空间分辨率遥感影像(高分影像)中苹果园提取精度,基于Quick Bird遥感数据,研究综合光谱特征和纹理特征的苹果园自动提取方法。该方法首先采用最佳指数因子(OIF)获取多光谱波段最佳组合,然后采用不同大小滑动窗口(从3像素×3像素到13像素×13像素)提取全色波段的灰度共生矩阵(GLCM)、分形和空间自相关3种纹理特征并分别与光谱特征组合,最后通过支持向量机(SVM)分类进行苹果园分类识别。研究表明:在分类特征上,与单一光谱或纹理特征相比,光谱特征结合纹理特征能有效提高苹果园提取精度(Fa)和总体分类精度(OA),其中光谱+GLCM纹理(9像素×9像素)分类精度最高,Fa和OA分别为96.99%和96.16%,比光谱+分形纹理分别提高0.63个百分点和1.56个百分点,比光谱+空间自相关纹理显著提高11.92个百分点和9.20个百分点。在分类方法上,通过对比分析SVM、最大似然和神经网络3种方法的分类结果,探明SVM分类识别苹果园精度最高。最后对苹果园提取结果进行面积统计,结果表明GLCM纹理结合SVM分类的苹果园面积估算与目视解译结果的一致性超过98%。