多光谱影像混合像元解混的加权变异系数分析法

影像上同物异谱或同谱异物的现象会造成同一混合像元端元在影像上的光谱不唯一。端元差异问题将给端元选择和提取造成困难,并最终影响混合像元分解的精度。为了尽可能减小端元类内差异、扩大类间差异,针对传统算法无法避免端元在不同波段的光谱数值尺度相差很大且定权自动化程度低的缺陷,将变异系数概念引入端元差异问题研究中,提出一种适用于多光谱数据的基于加权理论的加权变异系数分析法(Weighted coefficient of variation analysis,WCVA)。分别从理论和实验两方面论证了WCVA的可行性与优越性。在对比实验中,利用同一地区的TM和Geo Eye多光谱影像,从可视化端元空间分布、算法效率和混合像元最终解混精度比较了WCVA和最佳指数因子(Optimal index factor,OIF)结果。实验证明利用本文提出的WCVA方法获得的波段组合具有更高的解混精度(0.183和0.160)。同时运算效率明显高于OIF。因此WCVA不仅能够有效解决端元差异问题,提高混合像元解混的精度,而且具有较高的运算效率。     

基于多源数据的松嫩平原黑土区亚像元雪盖率算法研究

为了解决积雪反演研究中常用的二值积雪分类法存在误差较大的问题,根据松嫩平原黑土区的独特地理环境,并在充分考虑地表类型的情况下,将中分辨率成像光谱仪(Moderate-resolution imaging spectroradiometer,MODIS)影像作为数据源、陆地成像仪(Operational land imager,OLI)影像视为真值数据,建立松嫩平原黑土区MODIS像元积雪覆盖率与归一化雪盖指数(Normalized difference snow index,NDSI)值之间的线性回归关系模型。结果表明,与MOD10A1积雪面积比例数据(Fractional snow cover,FSC)相比,反演模型雪盖率的误差分析结果得到改善,能够更好地满足当前积雪反演研究的现实要求。亚像元雪盖率估算模型在一定程度上提高了松嫩平原黑土区雪盖面积监测的精度,为该地区春季墒情预报、农业耕种提供了科学依据。     

不同植被覆盖度下无人机多光谱遥感土壤含盐量反演

准确快速获取植被覆盖条件下农田土壤盐分信息,为土壤盐渍化治理提供依据。利用无人机遥感平台,获取2019年7、8、9月内蒙古河套灌区沙壕渠灌域试验地的多光谱遥感图像以及取样点0~10cm、10~20cm、20~40cm、40~60cm深度处土壤含盐量,通过多光谱遥感图像计算得到光谱指数,选择归一化植被指数（NDVI-2）代入像元二分模型计算植被覆盖度,并划分为T1（裸土）、T2（低植被覆盖度）、T3（中植被覆盖度）、T4（高植被覆盖度）4个覆盖度等级;同时,对光谱指数进行全子集变量筛选,并利用偏最小二乘回归算法和极限学习机算法,构建不同覆盖度下各深度土壤含盐量反演模型。研究结果表明,裸土和高植被覆盖度下的反演模型精度高于低植被覆盖度和中植被覆盖度下的反演模型精度;对比PLSR和ELM 2种SSC反演模型精度,ELM模型的反演精度比PLSR模型高;覆盖度T1、T2、T3和T4的最佳反演深度分别为0~10cm、10~20cm、20~40cm、20~40cm。研究结果为无人机多光谱遥感监测农田土壤盐渍化提供了思路。     

叶面施硒下荞麦LNC的遥感估测研究

氮作为植物生长发育过程中的大量元素之一,其含量的快速准确性获取对大田农作物监测和管理有着重要意义,本研究采用无人机（UAV）搭载多光谱传感器对田间荞麦冠层叶片氮含量（Leaf Nitrogen Content,LNC）进行定量化估测,为荞麦叶片的信息化管理提供理论依据。试验选用“晋荞6号”、“晋荞9号”为研究对象,通过无人机于荞麦开花期和灌浆期获取多光谱影像并同步采集荞麦冠层叶片的氮含量,然后分别提取了五个波段下的反射率,选用与叶片LNC相关的12个植被指数进行皮尔逊（person）相关性分析,选取17个光谱变量中相关性较高的特征变量与实测LNC进行PLSR、SVM和BPNN回归建模,结果表明：适量施用叶面硒肥可促进叶片吸收氮素从而增加LNC,过量硒肥不能持续提高LNC。G、R、NIR、NDVI、RDVI、RVI、SAVI、NLI、OSAVI、GRVI与LNC相关性较高,最高为GRVI,达到了0.824。采用BP神经网络建立的回归模型表现最优,盛花-灌浆期预测集决定系数（R2）为0.828,均方根误差为（RMSE）为2.172,验证集R2为0.939,RMSE为1.100,RPD为4.587。因此,无人机多光谱遥感技术可实现大田尺度的荞麦冠层叶片LNC估测。     

基于无人机多光谱遥感的土壤含水率反演研究

为研究无人机多光谱遥感技术对裸土土壤含水率的大范围快速测定和最佳监测深度的确定,以杨凌地区粘壤土为试验材料,分别配制成2种不同深度(5 cm和10 cm)、含水率为3%~30%的土壤样本。用无人机搭载多光谱相机对土样连续监测3 d,监测时刻均为15:00。采集6个波段(490、550、680、720、800、900 nm)处的土壤光谱反射率,同时对2种不同深度的土壤样本表层(约1 cm)含水率和整体含水率进行测定。分别采用偏最小二乘回归法、逐步回归法和岭回归法,建立不同波段光谱反射率因素反演土壤含水率的回归模型,并分析其定量关系。试验结果表明,逐步回归预测精度最佳,决定系数(R2)分别为0.775、0.764、0.798、0.694,而预测均方根误差(RMSE)分别为0.028、0.042、0.037、0.038;其次为岭回归法;偏最小二乘法的预测精度最低。综合比较得最佳回归方法为逐步回归法,最佳监测深度为土壤表层(约1 cm),其次为5 cm深度,最后为10 cm深度。     

基于无人机高光谱遥感影像的农作物分类研究

为快速、精准地对农作物信息进行分类和提取,笔者以某研究区农作物作为研究对象,对农作物分类展开研究。利用SVM和RF分类方法,对降维和一阶导数处理后的无人机高光谱遥感影像中的农作物进行分类,并比较了SVM和RF分类结果的精准性。研究结果表明,通过对高光谱影像农作物进行分类,利用RF分类法获得的分类结果精度较高,可以实现对农作物的有效提取,能够为我国农作物生长情况监测、产量估计和病虫害防治提供参考。     

基于卷积注意力的无人机多光谱遥感影像地膜农田识别

监测地膜覆盖农田的分布对准确评估由其导致的区域气候和生态环境变化有着重要作用,基于DeepLabv3+网络,通过学习面向地膜语义分割的通道注意力和空间注意力特征,提出一种适用于判断农田是否覆膜的改进深度语义分割模型,实现对无人机多光谱遥感影像中地膜农田的有效分割。以内蒙古自治区河套灌区西部解放闸灌区中沙壕渠灌域2018—2019年4块实验田的无人机多光谱遥感影像为研究数据,与可见光遥感影像的识别结果进行对比,同时考虑不同年份地膜农田表观的变化,设计了2组实验方案,分别用于验证模型的泛化性能和增强模型的分类精度。结果表明,改进的DeepLabv3+语义分割模型对多光谱遥感影像的识别效果比可见光高7.1个百分点。同时考虑地膜农田表观变化的深度语义分割模型具有更高的分类精度,其平均像素精度超出未考虑地膜农田表观变化时7.7个百分点,表明训练数据的多样性有助于提高地膜农田的识别精度。其次,改进的DeepLabv3+语义分割模型能够自适应学习地膜注意力,在2组实验中,分类精度均优于原始的DeepLabv3+模型,表明注意力机制能够增加深度语义分割模型的自适应性,从而提升分类精度。本文提出的方法能够从复杂的场景中精准识别地膜农田。     

遥感多光谱成像在解析土壤成分方面的研究进展

土壤中营养成分的变化关乎农业的生产质量,其中水分、有机质、氮、磷、钾等养分信息是土壤肥力的关键,因此获取农田土壤成分信息对农田管理有重要意义。传统土壤检测方法烦琐复杂、费时费力、效率低下,难以满足现代农业发展的需要。随着遥感技术的不断发展与成熟,基于低空尺度的农业无人机和基于高空尺度的卫星平台弥补了地面监测的空缺与不足,飞行器搭载的多光谱传感器在土壤信息的快速、无损、实时获取领域表现出巨大潜力。介绍了多光谱技术特点,概括了遥感多光谱成像技术检测土壤成分的一般步骤,重点阐述了多光谱技术在检测土壤有机质、水分、盐分等方面的研究进展,探讨了遥感多光谱技术在解析土壤成分中涉及的主要方法,最后对农业遥感多光谱成像解析土壤成分进行了思考与展望。      

基于像元尺度耕地质量局部空间自相关的基本农田划定

划定永久基本农田保护区是我国农业可持续发展的战略要求,耕地质量是保护区位置选择的重要依据。以湖北省嘉鱼县为例,引入植被指数信息,完善耕地质量综合评价指标体系,通过网络层次分析法确定指标权重,结合局部空间自相关分析结果,分别对基于耕地质量与莫兰指数的基本农田逐像元补划结果进行了分析。研究结果表明,嘉鱼县耕地综合质量在空间上表现出较强的相关性,全域和耕地范围的局部自相关系数分别为0. 864 5和0. 991 6;基于耕地质量和莫兰指数的划定结果在空间上保持高度的一致性,两种方法均优先将空间上呈HH型聚集的99. 97%的像元划入了基本农田保护区;两种方法互为补充,可以为最终决策提供参考。     

基于采样点光谱信息窗口尺度优化的土壤含水率无人机多光谱遥感反演

针对空间异质性导致的土壤含水率反演误差较大的问题,分别以玉米灌浆期和小麦苗期的土壤含水率反演为例,利用无人机多光谱遥感技术获取喷灌和畦灌灌溉方式下的正射影像。将34组光谱特征变量按照滑动窗口法提取不同空间尺度的光谱信息平均值,通过极端梯度提升（Extreme gradient boosting,XGBoost）、支持向量机回归（Support vector machine regression,SVR）以及偏最小二乘回归（Partial least squares regression,PLSR）3种机器学习模型确定采样点光谱信息最优窗口尺度;然后,采用皮尔逊相关系数特征变量筛选法（Pearson correlation coefficient feature variable screening method,R）结合XGBoost和SVR模型对提取的34组光谱特征变量进行筛选,选取与土壤含水率敏感的特征变量;最后,估算土壤含水率。结果表明：喷灌方式下所选择的采样点最优光谱信息窗口尺度比畦灌小,其最优窗口尺度范围分别为11×11~21×21和15×15~29×29;采用皮尔逊相关系数特征变量筛选方法结合机器学习模型可有效提高土壤含水率反演精度;5种机器学习模型（R_XGBoost、R_SVR、XGBoost、SVR、PLSR）中R_XGBoost模型估算土壤含水率精度最优,在喷灌和畦灌方式下玉米灌浆期R_XGBoost模型的测试集决定系数R2分别为0.80、0.83,均方根误差（Root mean square error,RMSE）分别为1.27%和0.98%,小麦苗期R2分别为0.76、0.79,RMSE分别为1.68%和0.85%;土壤含水率反演模型在畦灌条件下的精度优于喷灌条件下。该研究可为基于无人机多光谱影像分析的信息挖掘和土壤水分监测提供参考。     

基于无人机多光谱影像的柑橘冠层叶绿素含量反演

叶绿素是一种反映植物生长水平和健康状况的重要生理生化指标,为快速、无损地大规模获取柑橘冠层的叶绿素含量以精确指导果园管理,利用多旋翼无人机搭载多光谱传感器获取多波段反射率数据,使用多光谱阴影指数对冠层阴影和土壤背景进行剔除,计算得到植被指数与纹理特征,将地面实测的叶绿素含量作为验证,综合对比了全子集回归、偏最小二乘回归和深层神经网络的反演精度以选取最优模型。结果表明,植被指数与叶绿素含量的相关性良好;将仅使用植被指数与仅使用纹理特征的建模结果进行对比,仅使用纹理特征的模型在全子集回归和偏最小二乘回归的反演精度均有明显提升;结合植被指数与纹理特征共同建模后,全子集回归和偏最小二乘回归的反演精度相比仅使用纹理特征的模型均能获得提升;深层神经网络因其良好的非线性拟合能力,获得了最高的反演精度,R²、MAE、RMSE分别为0.665、7.69 mg/m²、9.49 mg/m²,成为本文最优模型。本研究利用无人机多光谱影像反演得到柑橘冠层叶绿素含量,为实现柑橘生长监测提供指导作用。     

基于无人机多光谱影像的夏玉米SPAD估算模型研究

快速获取作物叶片叶绿素含量对及时诊断作物健康状况、指导田间管理具有重要意义。本研究以关中地区2020年夏玉米为研究对象,获取试验区无人机多光谱影像,提取植被指数,分析所选植被指数与SPAD的相关性,筛选得到模型的输入变量,利用偏最小二乘法(PLS)、随机森林回归(RF)和分层线性模型(HLM)分别构建拔节期、抽雄期、灌浆期以及全生育期的SPAD估算模型,最终选出最优估算模型,以期为快速获取夏玉米SPAD提供参考。研究发现：除NRI之外,NDVI、OSAVI、GNDVI、RVI、MCARI、MSR、CIre与SPAD均显著相关,其中,OSAVI、NDVI与SPAD呈现出较强且稳定的相关性;各个生育期的最优模型均是RF模型,在拔节期、抽雄期、灌浆期和全生育期,验证集R²分别为0.81、0.81、0.73、0.61,RMSE分别为1.24、2.32、3.13、3.20;对于SPAD估算模型,将降雨量、最高气温这两个气象因子与植被指数耦合的HLM模型可以一定程度提升线性模型的估算精度,但其精度低于RF模型。因此,基于无人机多光谱影像的RF模型可以实现夏玉米SPAD的快速准...     

基于无人机多光谱影像特征的最佳波段组合研究

针对卫星遥感影像分辨率低、时间周期长、波段冗余信息多等问题,利用无人机多光谱数据获取便捷、成本低、周期短的优势,以玛纳斯河畔为研究区,使用固定翼无人机搭载Micro MCA12 Snap多光谱传感器获取高分辨率多光谱影像。通过对多光谱影像数据标准差及相关性进行分析排序,结合OIF方法得到原始波段最佳组合,使用多种植被及水体指数、主成分分析、灰度共生矩阵确定信息量最大的光谱特征与纹理特征波段,提出将光谱特征、纹理特征信息与最佳波段指数结合的方法来确定地物分类最佳波段组合。实验结果表明,针对Micro MCA12 Snap多光谱传感器,可选择波段1、6、11、NDVI、NDWI以及灰度共生矩阵中的Mean参量作为其地物分类的最佳波段组合。感兴趣区域内非监督IsoData分类精度从83.57%提升到89.80%,监督的SVM分类精度从95.58%提升到99.76%。研究结果可为无人机多光谱遥感最佳波段组合选择提供借鉴和参考。     

基于无人机多光谱图像的云南松虫害区域识别方法

针对云南省祥云县林区云南松虫害区域高效识别的需求,为更加高效准确地对虫害信息进行监测,本文搭建了林区八旋翼多光谱图像采集平台,基于无人机多光谱图像提出了一种Jeffries-Matusita(J-M)距离优化的反向传播神经网络(BP)分类方法。该方法首先引入J-M距离实现了对训练样本的优化,有效降低了同谱异物和同物异谱现象的影响,然后基于颜色矩和灰度共生矩阵提取了图像的颜色和纹理特征,并提取了580、680、800 nm共3个波段的相对光谱反射率作为光谱值特征,建立了5个植被指数模型,最后利用BP神经网络算法对颜色、纹理、光谱值和植被指数4种特征向量进行训练识别,实现了对虫害区域的分类识别。利用所提算法从总体分类精度和Kappa指数两方面与传统BP神经网络和支持向量机(SVM)算法进行对比试验。试验结果表明,本文算法总体分类精度和Kappa指数分别达到了94.01%和0.92,建模时间相对于传统BP神经网络缩短了38%,总体分类效果优于传统BP神经网络和SVM算法。     

基于无人机多光谱影像和关键点检测的雪茄烟株数提取

为从无人机遥感影像中准确识别烟草,实现植株定位与计数,以雪茄烟草植株为研究对象,提出一种新的深度学习模型。区别于传统的利用检测框识别目标,本文模型利用少量的关键点学习烟草中心形态学特征,并采用轻量级的编、解码器从无人机遥感影像快速识别烟草并定位计数。首先,提出的模型针对烟草植物形态学特点,通过中心关键点标注的方法,使用高斯函数生成概率密度图,引入更多监督信息。其次,对比不同主干网络在模型中的效果,ResNet18作为主干网络时平均精度大于99.5%,精度和置信度都高于测试的其他主干网络。而MobileNetV2在CPU环境下达到运行效率最优,但平均置信度相对较低。使用损失函数Focal Loss与MSE Loss结合的Union Loss时,平均精度大于99.5%。最后,利用不同波段组合作为训练数据,对比结果发现使用红边波段更有助于模型快速收敛且能够很好地区分烟草和杂草。由于红边波段与植株冠层结构相关,使用红边、红、绿波段时平均精度达到99.6%。本文提出的深度学习模型能够准确地检测无人机遥感影像中的烟草,可为烟草的农情监测提供数据支持。     

基于多光谱图像的土壤有机质含量检测系统与APP研究

受到土壤种类、水分等客观因素的干扰,基于图像预测土壤有机质(Soil organic matter, SOM)含量与传统方法在检测精度上仍存在差距,限制了相关技术的推广和普及。为提升基于图像预测SOM含量的精度,本研究提出N＿DenseNet网络模型,在DenseNet169基础上加入多尺度池化模块,通过获取更多的维度特征提升模型的性能,并结合Android端开发SOM实时检测应用程序(APP),通过内网透射实现PC端与手机端数据的及时传输。以黑龙江省友谊县、北京市昌平区、山东省泰安市3地的350份土样为基础,通过手机以及多光谱无人机获取原位土壤的高清图像,R波段、红边波段与近红外波段图像,以丰富数据信息,并通过室内胁迫的方式拍摄土壤样品在不同水分梯度下的图像缓解水分对图像造成的影响。对比不同深度学习模型,基于多光谱图像数据训练的N＿DenseNet表现最好,整体表现优于DenseNet169,测试集R²为0.833,RMSE为3.943 g/kg,R²相比于可见光数据提升0.016,证明了训练过程加入R波段与红边和近红外波段图像后有助于提升...     

温室黄瓜叶片近红外图像消噪算法与含氮量快速检测

在温室基质栽培条件下,研究了温室黄瓜叶片近红外图像的消噪算法以及叶片氮素含量非线性预测.用普通CCD相机加滤光片采集不同生长时期水果型小黄瓜Deitastar的叶片图像,利用小波变换对黄瓜近红外图像进行小波消噪处理,再采用基于邓氏关联度的图像边缘检测法对图像进行分割,得到信噪比较好的目标图像,之后通过计算灰度值得到黄瓜叶片的植被指数.对获得的各种植被指数与黄瓜叶片氮含量之间进行相关分析后得到CNDVI与氮素含量相关系数最高达0.67,同时GNDVI、NDGI、NDVI与氮素相关性显著且相关系数均高于0.50.采用最小二乘支持向量机算法(LS-SVM)对植被指数同黄瓜叶片含氮量进行拟合,拟合模型的决定系数R2为0.825,验证R2为0.728,达到了较为理想的预测精度.     

葫芦岛市农业机械化现状分析

通过广泛深入的调查,在取得详实可靠资料的基础之上,运用EXCEL的统计分析功能,对葫芦岛市近十几年农业机械拥有量、农业机械化投入、农业机械作业量以及农业机械化和农业现代化状况的统计数据进行了深入系统的理论分析.分析结果表明,葫芦岛市农业机械化发展进程缓慢,农业机械化程度较低,持续发展能力较弱.     

广西农业供给侧改革及农业产业集群发展

由于国内产能过剩情况严重,并且随着经济社会的不断发展,人民生活水平不断提高,对于产品和消费的要求越来越高,但是市场不能满足。农业供给侧改革就是要提高产品的质量和种类,给消费者更好的服务,从而满足市场发展需求。在推行农业供给侧改革中,农业产业集群发展的经济模式起到了关键作用。该文针对广西特殊的地理环境和农业资源分布,探讨在农业供给侧改革中农业产业集群发展遇到的问题,并且给出几点建议,希望能有助于农业供给侧改革顺利进行和广西的农业经济发展。