基于改进ConvNeXt模型的农作物害虫细粒度识别

精确分类不同时期的农业害虫对控制其发生和发展至关重要。针对目前不同生长时期农作物害虫分类不准确的问题,该研究创建了一个关注虫态的害虫数据集并提出了一种基于改进ConvNeXt网络的农作物害虫识别模型。通过引入多种虫态共同监督来重构网络主干,以便模型学习不同虫态的特征,引入空间注意力（spatial attention,SA）来改进模型结构,增强对害虫位置信息的提取能力。在大型公开数据集IP102上进行试验,与现有的同类最优基于Vision Transformer的方法相比,在保持模型参数量基本没有增加的前提下,准确率提高3.67个百分点,F1值提高2.49个百分点。试验证明,该研究提出的模型针对不同虫态害虫具备较强的识别准确率,可为精准农业害虫识别提供一定的参考。     

基于改进ShuffleNet V2的轻量化农作物害虫识别模型

及时准确地识别害虫是有效防治的重要前提。针对现有基于卷积神经网络的害虫识别模型实时性差、识别率低、结构复杂不易部署等问题,提出基于改进ShuffleNet V2的农作物害虫识别模型。首先,在ShuffleNet V2中引入多尺度特征融合模块LMFF（Lightweight Multi-scale Feature Fusion）,加强模型对不同尺度害虫的特征提取能力;其次,在ECA（Efficient Channel Attention）注意力机制中增加并行路径,并通过可学习参数自适应更新不同路径的权重,提出AECA（Adaptive and Efficient Channel Attention）注意力机制,将AECA注意力机制嵌入到ShuffleNet V2中,提高模型的跨通道交互能力;然后,使用SiLU（Sigmoid Weighted Liner Unit）替换ReLU激活函数,增强模型的泛化能力;最后,通过调整输出通道数和核心模块的堆叠次数重新设计ShuffleNet V2的整体架构,降低模型的计算量和参数量,从而提出轻量化的农作物害虫识别模型SNPF（ShuffleNet for Pest Field）。试验结果表明,SNPF模型在自建害虫数据集上的平均识别准确率和F1分数为79.49%和78.54%,较改进前分别提高了4.00个百分点和3.09个百分点,而参数量和浮点运算量为3.74 M和0.48 G,较改进前分别下降了30.60%和18.60%。SNPF模型对单张害虫图像的平均推理时间为11.9 ms,与ResNet 50、GoogLeNet、EfficientNet B1等模型相比,SNPF模型的识别精度更高,并且识别时间分别减少了57.04%、50.21%和40.50%。该研究提出的SNPF模型能够较好地识别农作物害虫、并且具有识别速度快和轻量化的特点,可以为农作物害虫的防治提供帮助。     

基于MODIS NDVI多年时序数据的农作物种植识别

为了获取陕西省农作物种植模式和类型分布信息,实现对于多年农作物长势分析及精确的估产和耕地生产力的估算,该文以2003-2012年的MOD09Q1时间序列遥感数据集为数据源,以陕西省主要农作物冬小麦、夏玉米、春玉米、水稻和油菜为研究对象,利用Savitzky-Golay滤波方法重建NDVI长时间序列数据集,充分利用农作物的物候信息,构建农作物年际间动态阈值方法,实现了农作物种植模式和类型的识别。通过对混合像元进行分解,更精确地提取农作物种植面积信息。利用空间和定量2种方式对农作物类型识别结果进行分析验证,空间对比分析得到分类的总体精度和Kappa系数为88.18%和59.64%,定量对比分析得到分类的总体一致性为87.56%。研究结果表明,结合物候信息与时间序列数据利用该文的分类方法可以有效的识别大尺度农作物信息。     

基于合成孔径雷达的农作物后向散射特性及纹理信息分析——以吉林省农安县为例

及时掌握农作物类型、时空分布和结构信息,是合理调整农业结构的重要科学依据。针对光学遥感依赖于太阳辐射,在农作物生长周期内常受制于云雾的影响而无法获取到光学遥感数据的问题,本文采用全天时全天候、不受云雾等天气影响的合成孔径雷达（synthetic aperture radar,SAR）影像,探讨典型农作物的后向散射特性和纹理特征,为采用合成孔径雷达影像实现高精度农作物大面积监测提供科学依据。以吉林省农安县为例,利用12景Sentinel-1B双极化SAR影像数据,经影像预处理和统计分析,研究不同极化的农作物后向散射特性和纹理信息。结果表明：3种作物（大豆、玉米、水稻1和水稻2）同极化（VV）的SAR后向散射系数在生长周期内均高于交叉极化（VH）,农作物植株形态改变极化方式的能力为-25~-15 dB。3种作物在整个生长期内,后向散射系数呈现较大波动,各阶段后向散射特征差异明显。在生长初期,土壤对后向散射特征起主要作用,在SAR图像上表现为暗色调;随着作物生长,冠层散射叠加土壤散射作用占据主要位置,散射值随作物生长呈现逐渐增加的趋势,在SAR图像上表现为亮色调;拔节（分枝）后（7月10日后）作物的后向散射信号除冠层散射作用外,还主要受到土壤含水量及其与作物相互作用的影响,因此拔节后两种水稻后向散射系数下降幅度较大。水稻对雷达波的吸收强于玉米和大豆,整体上后向散射系数第2种水稻<第1种水稻<玉米<大豆,尤其在VH极化方式下表现更明显。对作物SAR纹理信息的研究表明纹理信息的均值、方差和协同性对于农作物的SAR识别更有效,最佳纹理信息为VH极化均值,有利于识别3种作物;VV极化方差和VV协同性有助于区分两种水稻;SAR影像识别作物的最佳时相为5月23日至7月10日。     

时序滤波对农作物遥感识别的影响

获取长时序且高质量遥感观测数据是捕捉不同农作物关键物候节律信息,进而获取高精度农作物空间分布信息的关键.受云雨天气影响,卫星遥感易产生低质量观测,其往往不参与或采用时序滤波处理后再用于农作物遥感识别.然而,时序滤波对于农作物遥感识别的影响机制尚未摸清,为高效且高精度农作物遥感制图带来了较大挑战.该研究基于HLS(Har...     

基于注意力机制和多尺度轻量型网络的农作物病害识别

准确识别农作物病害并及时防护是保障农作物产量的重要措施。针对传统农作物病害识别模型体积大、准确率不高的问题,该研究提出一种基于注意力机制和多尺度特征融合的轻量型神经网络模型（Lightweight Multi-scale Attention Convolutional Neural Networks,LMA-CNNs）。首先,为减少参数量,使模型轻量化,网络主体结构采用深度可分离卷积;其次,在深度可分离卷积基础上设计出残差注意力模块和多尺度特征融合模块;同时引入Leaky ReLU激活函数增强负值特征的提取。残差注意力模块通过嵌入通道和空间注意力机制,增强有用特征信息的权重并减弱噪声等干扰信息的权重,残差连接能够有效防止网络退化。多尺度特征融合模块利用其不同尺度的卷积核提取多种尺度的病害特征,提高特征的丰富度。试验结果表明,LMA-CNNs模型在59类公开农作物病害图像测试集上的准确率为88.08%,参数量仅为0.14×107,优于ResNet34、ResNeXt、ShuffleNetV2等经典神经网络模型。通过比较不同研究者在同一数据集下所设计的网络模型,进一步验证LMA-CNNs模型不仅拥有更高的识别精度,还具有更少的参数。该研究提出的LMA-CNNs模型较好地平衡模型复杂程度和识别准确率,为移动端农作物病害检测提供参考。     

基于重参数化MobileNetV2的农作物叶片病害识别模型

针对基于卷积神经网络识别农作物叶片病害存在参数众多,计算量大且实时性差的问题,提出一种轻量级农作物叶片病害识别模型RLDNet(reparameterized leaf diseases identification network)。首先,基于MobileNetV2利用重参数化倒残差模块提升推理速度,并设计浅而窄的网络结构增强对浅层特征的提取,降低模型参数量。其次,使用轻量级ULSAM(ultra-lightweight subspace attention module)注意力机制,结合叶片病害特征,强化模型对病害区域的关注能力。最后,利用DepthShrinker剪枝方法对模型进行剪枝进一步减小空间占用。RLDNet在PlantVillage数据集上识别准确率达99.53%,参数量为0.65 M,对单张叶片病害图像的推理时间为2.51 ms。在自建叶片病害数据集上获得了98.49%识别准确率,比MobileNetV3、ShuffleNetV2等轻量级模型识别准确率更高,更为轻量。     

基于GF-6时序数据的农作物识别深度学习算法评估

农作物类型制图是农情遥感的重要内容。该研究利用GF-6时序数据,在黑龙江省对基于卷积、递归和注意力3种机制的6个深度学习模型在农作物类型制图中的性能进行了定性和定量的评估。结果表明：所有模型对大豆、玉米和水稻3类主要农作物的F1值不低于89%、84%和97%,总体分类精度达到了93%～95%。将模型异地迁移后,各模型的总体分类精度下降7.2%～41.0%,基于卷积或递归的深度学习模型仍保持了较强的农作物识别能力,优于基于注意力的深度学习模型和随机森林模型。在时间消耗上,各深度学习模型相比于随机森林模型,训练与推理时间不超过6.2倍。GF-6时序数据结合深度学习模型在分类精度和运行效率上满足高精度大范围农作物制图的需要,且迁移性优于传统模型。研究结果可为深度学习在黑龙江农作物遥感分类任务中的应用提供参考。     

基于无人机低空遥感的农作物快速分类方法

无人机以其高时效、高分辨率、低成本、低风险及可重复使用的优势,给遥感技术在各领域的应用提供了新的平台。为了提高无人机遥感中农田信息获取的时效性和精度,该文分析了无人机低空航飞获得的高空间分辨率农作物遥感影像特征,以冬小麦为研究对象,基于农作物波谱特征和NDVI变化阈值,提出了一种农作物快速分类提取方法,并与其他几种常用的遥感分类方法进行比较,探讨了其普适性。结果表明,该方法从无人机高分辨率影像中提取不同种类的农作物分类信息具有较高的正确率和普适性,兼具快速和低成本的特点,在海量农作物无人机航拍数据的信息提取上具有较广的应用。     

基于 Sentinel-2 影像的西南山区不同生长期水稻识别

为了提高协同光学和雷达影像提取水稻的精度,该研究通过改进深度学习网络HRNet,提出一种多级特征融合的框架方法,改进后的MSATT-HRNet模型综合利用欧空局哥白尼项目哨兵1号（Sentinel-1）的双极化合成孔径雷达(synthetic aperture radar,SAR)影像和哨兵2号（Sentinel-2）多光谱光学影像,提取了湖南省长沙市望城区水稻种植区域。针对HRNet网络的改进主要包括两部分：1）设计了通道注意力机制与最大池化组成的卷积组用于提取SAR特征,同时将自注意力模块嵌入HRNet基础特征提取模块中用于提取多光谱光学影像的特征;2）为了探索双模态特征之间的内在互补关系,设计了由通道注意力与空间注意力组成的特征融合模块。研究针对改进模型进行了消融试验,并将MSATT-HRNet与其他常用深度学习方法（MCANet、Deeplabv3、Unet）进行了比较。结果表明,该研究提出的多源数据融合方法能够利用不同数据源的互补优势。水稻种植区域提取结果的总体精度、Kappa系数分别达到97.04%和0.961,与MCANet、Deeplabv3、Unet相比,总体精度分别提高6.90、2.67和2.98个百分点,Kappa系数分别提高0.055、0.025和0.030。证实了该方法可以有效提高水稻的判别精度。研究通过深度学习技术与遥感影像的耦合,为南方多云雨地区水稻制图提供了一种可行的选择。

     

基于物候特征的时序SAR水稻指数构建及验证

准确获取水稻的种植分布情况对于农业生产管理具有重要意义。针对多云雨地区缺乏有效光学影像影响水稻识别的问题,该研究以多时相Sentinel-1 SAR影像为主要数据源,基于后向散射系数的时序变化提取多个特征构建遥感指数以实现水稻提取。首先采用SG（savitzky-golay）滤波算法对不同地物的后向散射系数时序曲线进行平滑处理;然后计算像元与水稻样本点在水稻生育期内时序曲线的动态时间规整距离、像元时序曲线最小值与水体的差异、像元时序曲线最大值与植被的差异这3个值以量化水稻生育期的不同特征,并将三者相乘作为新的水稻遥感指数NDRI（normalized difference rice index）进行阈值分类后得出水稻空间分布情况。为验证该模型的有效性,该研究选取云南省盈江县为研究区。结果表明：1）基于时序SAR特征能够实现对水稻实现准确提取,模型总体精度达到89.42%,Kappa系数为0.82;2）盈江县2023年水稻种植面积为199.83 km²,且大盈江沿岸种植面积占全县的90%,水稻种植存在着明显的集聚性。该研究为多云雨地区的水稻空间分布的准确提取提供一种方法,并可为相关农业政策制定提供参考。     

基于Sentinel-1A影像和一维CNN的中国南方生长季早期作物种类识别

作物的早期识别对粮食安全至关重要。在以往的研究中,中国南方作物早期识别面临的主要挑战包括:1)云层覆盖时间长、地块尺寸小且作物类型丰富;2)缺少高时空分辨率合成孔径雷达(synthetic aperture radar,SAR)数据。欧洲航天局Sentinel-1A(S1A)卫星提供的SAR图像具有12 d的重访周期,空间分辨率达10 m,为中国南方作物早期识别提供了新的机遇。为在作物早期识别中充分利用S1A影像的时间特征,本研究提出一维卷积神经网络(one-dimensional convolutional neural network,1D CNN)的增量训练方法:首先利用生长季内全时间序列数据来训练1D CNN的超参数,称为分类器;然后从生长季内第一次S1A影像获取开始,在每个数据获取时间点输入该点之前(包括该点)生长季内所有数据训练分类器在该点的其他参数。以中国湛江地区2017年生长季为研究实例,分别基于VV、VH和VH+VV,评估不同极化数据在该地区的作物分类效果。为验证该方法的有效性,本研究同时应用经典的随机森林(random forest,RF)模型对研究区进行试验。结果表明:1)基于VH+VV、VH和VV极化数据的分类精度依次降低,其中,基于VH+VV后向散射系数时间序列1D CNN和RF测试结果的Kappa系数最大值分别为0.924和0.916,说明S1A时间序列数据在该地区作物分类任务中有效;2)在研究区域内2017年生长季早期,基于1D CNN和RF的5种作物的F-measure均达到0.85及以上,说明本文所构建的1D CNN在该地区主要作物早期分类任务中有效。研究结果证明,针对中国南方作物早期分类,本研究提出的1D CNN训练方案可行。研究结果可为深度学习在作物早期分类任务中的应用提供参考。     

星载高分辨率合成孔径雷达影像纠正技术

TERRASAR、COSMO SkyMed、RADARSAT-2等星载高分辨率合成孔径雷达影像为土地利用调查监测提供了重要数据源,但尚未形成业务化应用技术流程。该文根据高分辨率星载合成孔径雷达影像成像机理,在对典型特征地物点定位精度分析的基础上,提出几何纠正控制点选取方法;通过类比法分析了不同纠正模型应用效果。试验表明高分辨率星载合成孔径雷达影像几何纠正需要10～15个控制点,1?m聚束模式纠正中误差约3～5 m,3 m条带模式纠正中误差约5～8 m,分别满足1∶1万和1∶2.5万土地调查监测几何精度要求。     

多极化多角度ASAR数据反演裸露和小麦地表土壤湿度

为了更好地监测地表土壤湿度,利用多极化、多角度ASAR-APP影像数据,研究了裸露和小麦地表土壤湿度反演方法。对裸露地表,基于AIEM（advance integral equation model）模型,建立多项式半经验模型反演土壤湿度;对小麦地表,小入射角HH极化ASAR数据与土壤湿度相关性更好,大入射角HH极化ASAR数据与小麦含水率相关性更好。基于水云模型,首先利用大入射角HH极化ASAR数据去除小麦冠层对雷达后向散射的影响,然后利用多角度ASAR数据推导建立小麦地表土壤湿度反演半经验模型;实测数据验证了裸露和小麦地表土壤湿度反演模型的适用性,利用验证数据反演裸露和小麦地表土壤湿度精度（RMSE）分别为3.55%、3.81%。结果表明,该文半经验模型具有较高的反演精度。     

作物遥感识别中的数据挖掘技术

该文综述了数据挖掘技术应用在图像分类方面的各种方法,介绍了每种方法的优缺点、适用领域及应用情况。介绍了将数据挖掘技术应用于图像分类方面以有效解决当前作物遥感识别中的瓶颈问题。对当前作物遥感识别系统在数据源的使用、识别过程的规范和方法的实用性方面的问题进行了分析,展望了作物遥感识别中的数据挖掘技术研究发展方向。     

协同光学与雷达遥感数据的面向对象土地覆盖变化检测

西南地区受云、雨天气的影响,高质量的光学数据难以获取,合成孔径雷达数据可以全天时全天候地工作,但其重访周期较长,因此在多云多雨地区协同光学与雷达数据开展土地覆盖变化检测,可以弥补单一遥感数据源的不足,对国土资源调查评估及全球变化研究具有重要的意义.该研究基于2019年眉山地区Sentinel-2光学数据对2016年和2...     

利用多时相Sentinel-1 SAR数据反演农田地表土壤水分

土壤水分是陆面生态系统水分和能量循环的重要变量,在农田干旱监测、作物长势监测和作物估产等应用研究中具有重要的作用。该文结合基于变化检测的Alpha近似模型,利用Sentinel-1卫星获取的多时相C波段合成孔径雷达(synthetic aperture radar,SAR)数据,实现了农田地表土壤水分的反演。该文首先利用微波辐射传输模型验证了Alpha近似模型在土壤水分反演中的合理性。研究发现,对于土壤散射占主导的区域,Alpha近似模型对辐射传输模型有较好的近似,能够有效地消除地表粗糙度和植被对雷达后向散射系数的影响。在此基础上,结合怀来研究区多时相Sentinel-1 SAR数据,利用Alpha近似模型构建了土壤水分观测方程组,通过求解方程组得到了农田地表土壤水分。地面验证结果表明,土壤水分反演的均方根误差(root mean square error,RMSE)为0.06 cm3/cm3,平均偏差为0.01 cm3/cm3,精度较好。该文研究为利用高重访周期、多时相的Sentinel-1 SAR数据获取农田地表土壤水分提供了参考。     

基于多时相合成孔径雷达与光学影像的冬小麦种植面积提取

小麦是中国最重要的农作物之一,准确、及时掌握小麦种植面积具有重要意义。以探索合成孔径雷达(synthetic aperture radar,SAR)与光学数据对种植结构复杂地区冬小麦识别的能力,提高识别精度为目的。该研究以多时相SAR(Sentinel-1A)和光学影像(Landsat-8)为数据源,选取种植结构复杂的都市农业区为研究区。构建不同特征向量组合,利用支持向量机(support vector machine,SVM)提取冬小麦种植面积。通过对比分析基于不同特征向量组合的冬小麦识别精度,结果表明:1)使用SAR后向散射数据得到85.7%的制图精度和87.9%的用户精度;2)添加SAR数据纹理信息,总体精度高达90.6%,比单独使用后向散射数据在制图精度和用户精度上分别提高7.6%和6.7%;3)当SAR数据和光学影像结合时,总体精度高达95.3%(制图精度97%,用户精度98.4%),比单独使用SAR数据在制图精度和用户精度上分别提高3.7%和3.8%。因此,基于SAR数据的都市农业区冬小麦分类,有着较高分类精度,纹理信息和光学影像的添加能有效提高识别精度。研究结果可为SAR数据的农作物识别和应用提供理论基础。