基于无人机遥感多光谱影像的棉花倒伏信息提取

为在棉花发生倒伏灾害后快速获取田块尺度下的受灾信息,该文以2017年8月21日强风暴雨导致大面积棉花倒伏的新疆生产建设兵团第八师135团的部分田块作为研究区,由无人机遥感试验获取倒伏后的多光谱影像,通过分析倒伏和正常棉花的光谱反射率差异提取了多种植被指数和主成分纹理特征,结合地面调查样本建立了3种花铃期倒伏棉花的Logistic二分类模型并进行了精度评价和验证。结果表明:棉花倒伏前后在可见光波段的反射率差异微小,而在红边和近红外波段的反射率明显降低0.12～0.20;以第一主成分均值(PCA1_mean)建立的Logistic二分类纹理模型效果最优,在测试集上分类结果的准确率为91.30%,ROC(receiver operating characteristic)曲线距左上角点最近,AUC(area under the roc curve)值为0.80。通过将该模型应用于试验区影像,分类制图效果良好且符合棉田倒伏症状特点。该研究可为无人机多光谱遥感棉花灾损评估提供参考。     

基于无人机多光谱遥感的台风灾后玉米倒伏信息提取

为快速获取台风过后玉米倒伏信息,该研究以生态无人农场大田玉米作为研究对象,利用无人机搭载多光谱相机获取玉米田块图像。采用主成分分析（Principal Component Analysis,PCA）变换多光谱图像,保留信息量最多的前3 个主成分波段;应用最小噪声分离变换（Minimum Noise Fraction Rotation,MNF）对48项纹理特征降维,保留信息量最多的前6项特征;计算选择10种植被指数;对多光谱图像进行低通、高通滤波,将以上特征作为全特征集。使用支持向量机递归（Support Vector Machines-Recursive Feature Elimination,SVM-RFE）、 ReliefF和套索算法（Least Absolute Shrinkage and Selection Operator,Lasso）筛选出3种特征子集,建立5种监督分类模型,对4种数据集进行训练。ReliefF特征子集训练的5种监督分类模型测试集最低分类准确率为89.02%,SVM-RFE和Lasso特征子集训练的5种监督分类模型测试集最低分类准确率均为95.38%,与全特征相比仅相差0.58%,表明通过特征筛选方法可在取得较高分类精度同时大幅减少特征输入数量;运用3种特征筛选方法与不同分类模型的最佳组合提取验证区域玉米倒伏信息,通过混淆矩阵验证结果可知,K最邻近模型结合SVM-RFE特征筛选方法分类精度最高,达93.49%,Kappa系数为0.9,表明了分类模型普适性较强。该研究使用最少特征数量参与分类,且获得最高分类识别精度,可为无人机多光谱技术快速、准确提取台风灾后玉米倒伏信息提供技术支持。     

基于无人机遥感可见光影像的北疆主要农作物分类方法

作物类型准确分类是大田作业和管理的基础。该文通过无人机遥感试验获取的可见光影像,利用色彩空间转换和纹理滤波构建了色调、饱和度和亮度的27项纹理和低通滤波特征;然后采用Relief F-Pearson特征降维方法,剔除分类能力弱且相关性高的冗余特征;最后,基于优选特征训练分类模型,并结合人工分类结果对各模型进行精度比较和效果验证。结果表明:特征选择得到的H-CLP、H-Ent、I-Cor、I-CLP、I-Ent、S-CLP和I-Var是利用可见光影像进行北疆主要农作物分类的最佳特征,可在充分表征影像特征的同时降低数据冗余。支持向量机(support vector machine,SVM)分类方法精度最高,整体分类准确率达83.77%,ANN和KNN分类精度次之。通过在验证区进行像素级别作物分类,发现SVM分类方法效果最好,棉花、玉米、苜蓿和西葫芦作物分类精度均达到了80%以上。该研究可为基于无人机可见光影像的农作物种植信息普查提供参考。     

基于深度学习的甜味剂分类模型

针对开发甜味剂过程中筛选百万级别甚至千万级别的天然或合成分子需要大量时间和资金的问题,该研究提出了一种基于深度学习的甜味剂分类模型。首先对数据集进行了扩增和优化,生成分子指纹以及分子图片,然后将注意力机制加入到DenseNet结构中,对分子特征和提取的特征进行融合。在20 029个分子图像和分子指纹数据集上进行训练,并在独立测试集上进行模型检验。试验结果表明,分类准确率为0.934,准确率波动幅度小于0.005,4类物质(强甜味、弱甜味、无味、苦味)的分类精度均超过0.91,优于传统机器学习模型和常用的卷积神经网络模型,可以从大量分子中筛选并识别目标分子,能使相关研究人员更容易地筛选出潜在甜味剂,并为将来甜味剂的筛选提供了一种思路与方法。     

多尺度特征融合的柑橘冠层施药沉积量分类模型

针对传统农作物冠层施药沉积量分类模型分类准确率低、网络模型参数量大且运算速度慢的问题，该研究提出一种改进的SPP-Net-Inception-v4模型。该模型通过构建稀疏网络结构平衡各个模型子网间的计算量，利用3个Inception模块生成施药沉积量在柑橘冠层热红外图像的稠密有效特征数据；在模型的卷积层与全连接层间创新性接入空间金字塔池化网络（Spatial Pyramid Pooling Network, SPP-Net），进行一次历遍提取热红外图像特征信息，再通过空间池化操作融合3种池化方式提取的多尺度特征，实现柑橘冠层热红外图像施药沉积量表现特征的提取与融合。搭建多环境因素自主控制试验环境，模拟无人机低空采集柑橘冠层热红外图像，应用3个分类模型进行对比试验，试验结果表明，SPP-Net-Inception-v4模型与Inception-v4和ResNet-152两种模型相比，准确率分别提高1.58%和3.26%，模型大小分别降低13%和24%，表明SPP-Net-Inception-v4模型在降低模型规模的基础上，提高了柑橘树冠层施药沉积量分类的准确率，可为精准农业航空中无人机植保技术的进一步发展提供参考。     

面向对象分类技术在开发建设项目水土保持监测中的应用

[目的]研究基于无人机低空遥感影像的面向对象分类技术在开发建设项目水土保持监测中的应用,为水土保持监测工作的信息化能力提升提供技术支撑。[方法]利用旋翼无人机获取水土保持监测目标区域的低空遥感影像,通过倾斜摄影技术构建数字表面模型,结合ESP分割尺度评价工具获取最优分割尺度参数,采用多元特征空间指标参与最邻近分类法的监督分类,并依据位置信息的评价方法和误差矩阵对分类解译精度进行验证。[结果]本研究的水土保持监测目标区域的地物分类总体精度达到了86.10%,Kappa系数为0.841,有较好的一致性,能够满足精度需求。[结论]利用无人机低空遥感影像的面向对象分类技术实现了开发建设项目水土保持监测区域地物的快速、精确识别和分类。     

基于Worldview-2影像的玉米倒伏面积估算

为应用高分辨率遥感影像准确调查玉米倒伏面积,该文使用2012年9月14日获取的Worldview-2多光谱影像研究灌浆期倒伏玉米的光谱、纹理特征及其最优的面积估算方法。通过对影像进行大气校正后得到正常玉米和倒伏玉米的反射率,结果显示玉米倒伏后8个波段的反射率均升高,其中红边、近红外1和近红外2等3个波段的上升数值超过0.1。通过对反射率数据进行滤波得到正常、倒伏玉米的均值纹理特征,统计结果显示各波段纹理特征有差异,其中绿色、红边、近红外1及近红外2等4波段的均值纹理特征数值差距更明显。比较使用不同波段数量、特征及分类方法的倒伏面积估算值,结果表明基于最大似然分类法使用红边、近红外1和近红外2等3波段光谱反射率的倒伏面积估算方法最优,其最小误差为2.2%,最大误差为8.9%,平均误差为4.7%。该研究结果为应用高分辨率多光谱遥感数据调查玉米倒伏面积提供了相关依据。     

注意力与多尺度特征融合的水培芥蓝花蕾检测

准确辨识水培芥蓝花蕾特征是区分其成熟度,实现及时采收的关键。该研究针对自然环境下不同品种与成熟度的水培芥蓝花蕾外形与尺度差异大、花蕾颜色与茎叶相近等问题,提出一种注意力与多尺度特征融合的Faster R-CNN水培芥蓝花蕾分类检测模型。采用InceptionV3的前37层作为基础特征提取网络,在其ReductionA、InceptionA和InceptionB模块后分别嵌入SENet模块,将基础特征提取网络的第2组至第4组卷积特征图通过FPN特征金字塔网络层分别进行叠加后作为特征图输出,依据花蕾目标框尺寸统计结果在各FPN特征图上设计不同锚点尺寸。对绿宝芥蓝、香港白花芥蓝及两个品种的混合数据集测试的平均精度均值mAP最高为96.5%,最低为95.9%,表明模型能实现不同品种水培芥蓝高准确率检测。消融试验结果表明,基础特征提取网络引入SENet或FPN模块对不同成熟度花蕾的检测准确率均有提升作用,同时融合SENet模块和FPN模块对未成熟花蕾检测的平均准确率AP为92.3%,对成熟花蕾检测的AP为98.2%,对过成熟花蕾检测的AP为97.9%,不同成熟度花蕾检测的mAP为96.1%,表明模型设计合理,能充分发挥各模块的优势。相比VGG16、ResNet50、ResNet101和InceptionV3网络,模型对不同成熟度花蕾检测的mAP分别提高了10.8%、8.3%、 6.9%和12.7%,检测性能具有较大提升。在召回率为80%时,模型对不同成熟度水培芥蓝花蕾检测的准确率均能保持在90%以上,具有较高的鲁棒性。该研究结果可为确定水培芥蓝采收期提供依据。     

基于低空无人机遥感技术的油菜机械直播苗期株数识别

植株数量识别是油菜机械直播效果和质量评估的关键.该文针对油菜机械直播田间植株数量检测中人工统计耗时、费工、效率低下的现实,通过自主搭建的低空无人机遥感平台采集油菜机械直播区域的遥感影像,基于超高分辨率(0.18 cm/pixel)遥感影像计算的颜色植被指数进行油菜目标识别及其形态特征信息提取.结合田间调查数据,采用逐步回归分析方法,建立了机械直播油菜在苗期的株数与遥感特征信息之间的关系.结果显示,油菜目标的株数与其外接矩形的长宽比、像素分布密度和周长栅格数具有较好的线性关系,回归模型的决定系数R2为0.803,并通过显著性检验,其标准估计误差为0.699.模型检验结果显示,观测值与预测值之间的R2为0.809,均方根误差RMSE为0.728.研究结果表明,利用集成超高分辨率传感器的低空无人机遥感平台,通过计算颜色植被指数并分析油菜目标数量与形态特征的相关性,能有效识别油菜机械直播的出苗株数,可为后续油菜机械直播效果的快速、准确评估提供技术支持.     

基于无人机载高光谱空间尺度优化的大豆育种产量估算

为探讨无人机载高光谱空间尺度对大豆产量预测精度的影响,该文以山东嘉祥圣丰大豆为研究对象,设计以多旋翼无人机为平台搭载Cubert UHD185成像高光谱传感器的无人机遥感农情监测系统,获取了大豆多个生育期的无人机高光谱数据。首先,该研究利用盛荚期-始粒期(R4-R5期)的高光谱影像,由21个不同光谱空间尺度提取的高光谱数据构建植被指数,通过植被指数方差分析结果可知所选冠层植被指数与不同品种大豆植株的生长状况密切相关,但是不同空间尺度下的F值仍存在较为明显的差异;其次,采用偏最小二乘回归建立产量与不同空间尺度的植被指数之间的回归模型,通过模型方程估算精度的曲线变化趋势进一步将最优空间尺度面积确认至9.03~10.13 m2,即当采样空间尺度区域长、宽与小区总长、宽比例介于4.25:5和4.5:5时,所得到的冠层光谱能够尽可能准确地估测大豆产量,此时估算产量和实测产量呈极显著相关(相关系数r=0.811 7,参与建模的样本个数270)。该研究可为使用高、低空高光谱影像进行作物表型信息解析和估产提供参考。     

Sowing date influence on winter oilseed rape overwintering in Estonia

Abstract

In 2001–2005 an overwintering investigation of winter oilseed rape (Brassica napus L.) was carried out at the Institute of Agricultural and Environmental Sciences of the Estonian University of Life Sciences. In our trial we used two winter oilseed rape varieties: ‘Wotan’ and ‘Express’. The sowing was performed at four different times, with weekly intervals: 8, 15, 22 and 29 August. The soil type was Stagnic Luvisol by WRB classification; the texture was sandy loam with a humus layer of 20–30 cm. Our research indicated that successful wintering of winter oilseed rape depends directly on sowing date. From the data obtained it may be seen that differences between sowing dates and overwintering were statistically significant. Overwintering depends on numbers of growing-degree-days (GDD) in the autumn vegetative period. Three years’ data showed that in the autumn period plants need 416 GDD for developing a strong root system and to prepare for wintering.     

基于小型无人机遥感的玉米倒伏面积提取

该文使用2012年小型无人机遥感试验获取的红、绿、蓝彩色图像研究灌浆期玉米倒伏的图像特征和面积提取方法。研究首先计算和统计正常、倒伏玉米的30项色彩、纹理特征,然后比较特征的变异系数和相对差异评选出适宜区分正常、倒伏玉米的特征;通过分析发现,与红、绿、蓝色灰度比较,多项色彩、纹理特征的变异系数更大或不同类别间的相对差异更小,不适用于准确区分正常、倒伏玉米,最适于区分正常和倒伏玉米的特征是3项基于灰度共生矩阵的红、绿、蓝色均值纹理特征。分别基于色彩特征和评选出的纹理特征提取倒伏玉米面积,对比2种方法的误差发现,基于红、绿、蓝色均值纹理特征提取倒伏玉米面积的误差最小为0.3%,最大为6.9%,显著低于基于色彩特征提取方法的。该研究结果为应用无人机彩色遥感图像准确提取倒伏玉米面积提供了依据和方法。     

基于红边位置变化特征的油菜种植区域提取

油菜种植区域的准确提取是进行长势监测、估产和灾情评估的前提,遥感手段已成为作物种植区域提取与监测的高效方法,而高光谱遥感具有波段多、波谱分辨率高、信息丰富等特点,因而提供了一种新的技术手段。为了探究高光谱遥感在作物识别与提取中的优势,该文基于2004年4月4日和5月6日2期EO-1 Hyperion影像,依据油菜盛花期到荚果期红边位置"蓝移"特征,区别于其他植被,实现了油菜种植区域的高光谱遥感提取。采用随机点验证方法对提取结果进行验证,总体精度为92.6%,Kappa系数为0.803,漏分和错分误差均处在合理的范围之内。该方法充分利用了高光谱遥感手段可提取植被红边参数的优势,且算法对地物光谱差异性不敏感,为油菜种植区域遥感提取提供了一套全新的思路与解决方案。     

基于Sentinel-1雷达影像的玉米倒伏监测模型

在玉米发生倒伏灾害后,为定量监测区域尺度下的玉米倒伏程度,该研究以2017年8月8日因强风和强雨造成大面积玉米倒伏的小汤山国家精准农业研究示范基地作为研究区,提取倒伏前后Sentinel-1A雷达影像的多种强度信息,与实测倒伏样本关联分析,筛选出玉米倒伏前后最佳敏感后向散射系数。采用自然高与植株高的比值作为倒伏程度评价指标并构建比值公式,最终得到倒伏监测模型。结果表明,倒伏前后玉米植株高度的最优敏感后向散射系数分别为σVH和σVV+VH。32个建模点的实测差值结果与模拟差值结果的R~2为0.896(P0.01)。15个检验样本点和总样本点的倒伏程度分类准确度均达到100%。模型求解的自然高与植株高的比值与实测的比值总体相关性达到0.899。其中,中度倒伏类型的相关性最好,严重倒伏次之,轻度倒伏最差。该研究结果表明,在倒伏发生后,基于Sentinel-1A雷达后向散射系数构建的倒伏监测模型能在区域尺度下有效的实现玉米倒伏程度的分级监测。     

Organically grown Brassica napus – use of border strips and Trichoderma

Oilseed rape (Brassica napus L.) is a very difficult crop to cultivate organically. Only few organic methods are effective in reducing damage from insects and diseases. The current investigation assessed the use of the beneficial ascomycete Trichoderma asperellum (Samuels, Lieckf & Nirenberg) and a trap crop of Brassica rapa L. turnip rape cv. “Brachina,” both with and without an application of slurry fertilizer, for pest suppression and yield enhancement of winter oilseed rape cv. “Californium.” The presence of the trap crop significantly increased 1000 grain weight but not total yield or lipid content of the oilseed rape because turnip rape was not attractive enough to prevent colonization of the principal crop. Increase in 1000 grain weight, lipid content, and total seed yield were found in oilseed rape sprayed with three applications of T. asperellum, but the ascomycete had no influence on the insect pests observed. The effects of the fertilizer are about equal to the effects of the fungus on 1000 grain weight and on lipid content.     

长三角地区稻麦轮作土壤养分对秸秆还田响应-Meta分析

研究旨在明确稻麦轮作下秸秆还田对土壤基础养分的影响。以稻麦轮作系统为研究对象,采用Meta分析方法定量研究了土壤基础养分对秸秆还田的响应及其影响因素。结果表明,短期内(<2年)秸秆还田能够显著提升土壤有机碳和活性有机碳的含量,其中活性有机碳对秸秆还田的响应程度要高于总有机碳。低秸秆还田量(RS <3750 kg hm^-2和WS <3000 kg hm^-2)对土壤基础养分的提升效果不显著,而全量秸秆还田(RS 3000~6000 kg hm^-2和WS 3750~7000 kg hm^-2)能够显著提升土壤速效磷、有机碳和活性有机碳的含量。对于不同耕作措施而言,旋耕或翻耕措施均可以显著提升土壤有机碳的含量;此外,旋耕显著提高全氮和活性有机碳的含量,翻耕显著提高土壤速效磷和速效钾的含量。稻麦轮作下秸秆全量还田配合旋耕或者翻耕措施能够增加土壤基础养分含量,达到土壤地力培育的效果。     

油菜内根圈中几类微生物群体量比较的研究

本文报道了2种土壤及其种植的油菜内根圈中几类微生物群体数量的测定结果，提出以好气性细菌总数为参照系的比较方法，分析油菜内根同的根圈效应。油菜内根圈对芽孢杆菌（Spore-formingbacteria）和真菌（Fungus）有强烈的抑制效应，其在2种土壤的E值均小于0.15;相对于好气性细菌总数（Totalaerobacteria）而言，2种土壤中某些微生物类群的数量相差很大。内根圈芽孢细菌和放线菌（Actinomycetes）在灰潮土中的数量分别是砂姜黑土中的1.84和19.20倍。本体土壤中，好气性细菌总数、耐寒细菌（Psychrotrophicbacteria）、芽孢细菌群在灰潮土中数量分别是砂姜黑土中的47.59、14.62和31.42倍。荧光假单胞菌（Fluorecentpseudomonads）在砂姜黑土中的数量都是发潮土中的1.44倍，它不论在总数还是相对数量上都很低。