基于无人机低空遥感的水稻田间杂草分布图研究

目的 获取水稻田的低空遥感图像并分析得到杂草分布图，为田间杂草精准施药提供参考。方法 使用支持向量机(SVM)、K最近邻算法(KNN)和AdaBoost 3种机器学习算法，对经过颜色特征提取和主成分分析(PCA)降维后的无人机拍摄的水稻田杂草可见光图像进行分类比较；引入一种无需提取特征和降维、可自动获取图像特征的卷积神经网络(CNN)，对水稻田杂草图像进行分类以提升分类精度。结果 SVM、KNN和AdaBoost对测试集的测试运行时间分别为0.500 4、2.209 2和0.411 1 s，分类精度分别达到89.75%、85.58%和90.25%，CNN对图像的分类精度达到92.41%，高于上述3种机器学习算法的分类精度。机器学习算法及CNN均能有效识别水稻和杂草，获取杂草的分布信息，生成水稻田间的杂草分布图。结论 CNN对水稻田杂草的分类精度最高，生成的水稻田杂草分布图效果最好。     

加入WTO与中国农业发展

加入WTO,将从多方面推动我国农业的改革和发展。然而,它可能会加剧我国农产品市场价格波动和农产品供给过剩的矛盾,还会使我国在实施农业支持和保护措施方面受到限制。因此,必须加快农业体制创新、农业结构调整和农业科技进步,全面推动农业“两个转化”的实现。     

基于多时相 Sentinel-2 卫星数据的农作物分类研究

【目的】探究研究区农作物分类最佳时相;结合遥感指数探究一种有效的多时相分类方法,提取主要农作物种植分布情况。【方法】基于多时相Sentinel-2卫星数据,采用支持向量机的分类方法对不同时相进行分类,对比分类精度;融合时间序列的NDVI、MNDWI指数之后采用支持向量机的方法进行分类,之后分别利用MNDWI和CI指数结合决策树的分类方法提取水域和田埂。【结果】7月份的分类效果最好,总体精度达到91.05%,Kappa系数达到0.8518;通过时相数据不同组合的分类精度比较,采用3—10月NDVI数据叠加后分类的效果较好,总体精度达到92.25%,Kappa系数达到0.8736;对比3种不同分类方法,以支持向量机的分类结果精度最高,总体精度达到94.19%,Kappa系数达到0.9024。【结论】7月份是研究区农作物分类的最佳时相;多时相分类精度明显高于单景数据分类;结合多时相NDVI、MNDWI、CI 3种遥感指数进行分类可以有效提取研究区主要农作物的种植分布情况。