基于XGBoost的山核桃干腐病多分类预测模型研究

【目的】通过分析影响山核桃短期内干腐病发病程度的因素,对比不同机器学习算法,得到发病程度预测效果较好的模型,为科学、绿色防治工作提供思路。【方法】采用机器学习算法XGBoost、逻辑回归和BP神经网络作为构建预测模型的基础,以五折交叉验证方法验证模型。【结果】对山核桃干腐病发病程度的影响因素排名,由高到低分别是候平均温度、候平均湿度、病斑数目、候降水量;集成机器学习算法XGBoost构建的预测模型各评价指标都高于逻辑回归和BP神经网络;集成机器学习算法XGBoost在山核桃干腐病发病程度多分类预测问题上得到的效果优于传统机器学习算法。     

作物遥感精细识别与自动制图研究进展与展望

作物识别与制图产品数据是作物长势、风险胁迫、产量等生产参量监测预测,种植结构调整与供需决策分析,以及耕地资源安全与生态效应评估等工作的基础数据,遥感数据成为作物类型识别与制图的最主要数据源,新兴数字技术则为遥感作物识别与制图提供了新的方法手段。本文通过综述近年基于遥感的作物识别与制图相关研究成果,探究当前技术趋势、关键问题,以及需求差距。分别从小尺度作物精细识别、大尺度作物自动化制图,以及作物识别与制图模式变化3个视角总结归纳面临的主要问题和主要研究工作。作物识别与制图产品在小尺度上需要更加精细、近实时和更高的识别精度,主要使用超高空间分辨率（如米级、亚米级）的影像数据,在提高作物识别精度（95%以上）进而提取满足应用需求的高精度作物表型等信息方面依旧面临巨大挑战。而在大尺度上需要更加自动化、满足可靠识别精度（90%左右）,主要使用高时空分辨率（2~5d,10~30m）的影像数据,面临着如何处理海量数据的存储管理、分析计算,发展大范围上具有鲁棒性的分类识别方法,寻找科学高效的地面样本获取途径的难题。同时,作物识别与制图的模式也将从确认监测向提前预判和特定作物探测转变。最后从加强科学研究与加快应用落地2个角度提出展望,为发展满足智慧农业与国土监管不同需求的遥感作物识别与制图产品提供参考与借鉴。     

基于无人机多光谱影像和XGBoost模型的城市河流水质参数反演

为建立针对城市河流水质参数稳定且准确的无人机遥感反演模型,以邯郸市境内滏阳河5个河段为研究样区,基于三期无人机多光谱影像和水体氨氮浓度实测数据,构建了4种数学统计模型与XGBoost模型,并在模型验证和评价的基础上选取最优模型对研究区氨氮浓度进行时空分布反演及分析。结果表明：(1)XGBoost模型反演效果优于数学统计模型,决定系数、均方根误差、平均绝对百分比误差整体优于数学统计模型,表现出较强的拟合能力和较高的预测精度;(2)无人机遥感反演技术适用于城市河流氨氮浓度反演,多光谱数据B1波段在建模中起关键作用;(3)邯郸市滏阳河流域各河段的整体氨氮浓度依次为2020年12月>2020年8月>2021年5月,呈现出一定的季节性差异特征。     

基于多源遥感数据的夏玉米冠层氮素遥感监测研究

氮素是玉米生长发育过程中必不可少的关键性因素,能够直接影响到玉米作物的生长情况。过去传统的玉米种植信息采集工作大多由人工作业完成,在实际工作中具有费时费力的缺点,难以大范围快速开展,且人工采集的信息数据质量无法得到有效保障,还会对玉米田地造成一定程度的影响和破坏。随着现代化技术的快速发展,无人机和计算机等技术的普及应用促使农业监测方法日新月异。基于此,笔者以实际案例为例并进行深入分析,探究多源遥感技术在夏玉米冠层氮素监测中的应用情况。结果表明,多源遥感技术在实际应用中能够实现高效精准的空间数据监测,实现了多角度的信息采集分析。本研究具有良好的发展前景,能够为其他农业监测研究提供参考。     

基于多源遥感数据的黄岛区农业用水量动态监测系统研究

本研究利用多源遥感数据的农业生态环境信息快速提取技术,开发基于多源遥感数据的黄岛区农业用水量动态监测系统,进行农作物的长势及灌溉需水量、用水量的动态监测,为黄岛区农业生产和区域用水总量监测工作提供及时准确的监测与评估信息,为落实最严格的水资源管理制度,提高黄岛区农业灌溉用水效率提供技术支持.     

基于多源遥感协同反演的区域性土壤盐渍化监测

为进一步推动多源遥感技术在农业生产与管理中的应用,以内蒙古河套灌区解放闸灌域为试验区,利用地面实测光谱和地表组合粗糙度数据,联合C波段微波雷达SAR四极化后向散射系数数据,分别利用主成分回归(PCR)、多元逐步回归(MSR)和偏最小二乘回归(PLSR)选取盐分特征波段,并建模评价土壤盐渍化分布。首先,对光谱反射率及其对数、一阶与二阶导数4种光谱数据进行相关性分析,发现相较于原始光谱和对数变换,光谱的一、二阶导数具有更好的相关性,二阶导数变换的618~622 nm、1 802~1 806 nm、2 169~2 173 nm、2 344~2 348 nm这4个特征波段的相关系数分别为0.37、0.28、0.39和0.27;PLSR筛选的波段相较MSR选取的波段延后,但其二阶导数变换模型拟合度小于MSR。其次,在对比二阶导数变换的PCR、MSR和PLSR土壤盐分模型基础上,最终确定了协同光谱特征波段中心反射率二阶导数和雷达后向散射特性、地表组合粗糙度的BP人工神经网络(BPANN)模型为最佳预测模型,其预测模型的R~2为0.890 8,稳定性和预测精度均优于前述经验回归模型。融合多源遥感数据的神经网络模型可快速精准监测土壤盐渍化分布,为灌区土壤退化防治提供基础信息指导。     

基于多源遥感数据的淮河流域城镇扩张研究

城镇是人类社会发展过程在空间上的重要表现形式,其空间格局与演变是城镇研究的热点问题。淮河流域是中国城镇体系的南北过渡地区,研究这一自然地理单元内城镇扩张过程,视角独特。为客观、快速、准确地重建不同时间序列上淮河流域城镇扩张过程,在DMSP/OLS数据、SPOT-VGT数据、Landsat ETM+数据等多源遥感数据的基础上,提出DMSP/OLS夜间灯光数据相互校正—NDVI数据重建—流域城镇信息提取—流域城镇扩张分析的研究思路,并运用该思路分析淮河流域从1998年至2013年16年间的城镇扩张过程。从城市面积、扩张强度、扩张动态度、扩张形态4方面分析了城市扩张规律。研究发现:淮河流域整体与各省扩张基本属于低速扩张型与中速扩张型;淮河流域城镇分布仍较为分散,未形成完整的城市群或城镇体系;这一时期城市扩张时空发展不均衡。     

基于多源遥感数据的居延泽地区土壤盐分估算模型

针对土壤盐分遥感反演中众多盐分指示变量在反演效率与相互比较优势方面存在的不确定性和易混淆性问题,以内蒙古额济纳旗的居延泽为例,基于Sentinel-2、Radarsat-2、Landsat-8和SRTM DEM数据提取波段反射率、植被指数、盐分指数、极化雷达参数以及地表温度和地形因子共6类变量,采用变量优选策略筛选各类变量及其组合的最优变量,构建土壤盐分随机森林(Random forest, RF)与支持向量机(Support vector machine, SVM)预测模型,并选择最优模型实现居延泽地区土壤盐分预测,为干旱区土壤盐分监测提供参考。结果表明,短波红外波段(B₁₁)、冠层盐度响应植被指数(CRSI)、扩展比值植被指数(ERVI)、红边盐分指数(S2re3)、单次散射(F_Odd)、地表温度(LST)与汇水面积(CA)等变量对土壤盐分监测具有较强的普适性;单一变量模型的盐分预测精度从高到低依次为地形因子、极化雷达参数、地表温度、盐分指数、植被指数和波段反射率;多变量联合可有效提升模型精度与稳定性,随着环境变量的加入,当6类变量均参与...     

基于深度学习的多源遥感反演麦田土壤墒情研究

土壤墒情是影响农作物生长发育的主要因素和干旱监测的重要指标。为提高农作物覆盖下地表土壤墒情反演精度,基于Sentinel-1雷达数据和Sentinel-2光学数据,基于深度学习理论,采用全连接深度神经网络的监督学习模型反演研究区麦田的土壤墒情。结果表明：当隐含层层数为6,隐含层节点数为80,迭代次数为450时,获得模型的最优解。反演结果与实测数据的决定系数为0.925 2,均方误差为0.000 8,为利用多源遥感数据反演农田地表土壤水分提供了参考。     

基于深度语义分割的无人机多光谱遥感作物分类方法

为精准获取农田作物种植分布信息以满足农业精细化管理需求,基于DeepLab V3+深度语义分割网络提出了一种面向无人机多光谱遥感影像的农田作物分类方法.通过修改输入层结构、融合多光谱信息和植被指数先验信息、并采用Swish激活函数优化模型,使网络在响应值为负时仍能反向传播.基于2018-2019年连续2年内蒙古自治区河...     

基于XGBoost-Shapley的玉米不同生育期LAI遥感估算

针对当前快速准确获取叶面积指数（Leaf area index, LAI）时大部分遥感预测方法将光谱信息作为模型主要特征,忽略时序变化特征的问题,利用无人机搭载五通道多光谱相机获取研究区玉米不同生育期的影像数据,基于该数据计算玉米相应生育期植被指数,然后采用植被指数建立各生育期子模型,采用Shapley理论计算子模型均方根误差对全生育期模型均方根误差的贡献度,从而确定各子模型权重,根据权重组合形成具有LAI时序变化特征的估算模型,分别基于支持向量回归（SVR）、多层感知机（MLP）、随机森林（RF）和极限梯度提升树（XGBoost）算法构建组合估算模型。结果表明：采用Shapley理论构建的组合LAI估算模型估算效果优于直接构建的全生育期LAI估算模型。相较于SVR-Shapley、MLP-Shapley以及RF-Shapley模型,XGBoost-Shapley模型的估算效果最佳（R²为0.97,RMSE为0.021,RPD为6.9）。将最优模型XGBoost-Shapley应用于研究区LAI预测,预测结果符合不同生育期玉米长势。本研究为大田玉米长势遥感监测提供...     

基于遥感的宝鸡峡灌区作物面积信息提取

灌区中不同作物的种植面积是分配灌溉用水的重要依据,遥感方法不仅可以提取各作物种植面积,而且可以获取其空间分布情况。基于2009年Landsat5-TM影像,综合分析宝鸡峡灌区农作物种植特点和光谱特征,运用决策树分类法获取灌区各作物面积。并由地面实际调查数据和高分辨率影像对分类精度进行评价,各地物精度均达85%以上。结果表明该方法适合灌区的作物分类。     

农作物遥感识别与单产估算研究综述

遥感凭借其快速、宏观、无损及客观等特点,在快速获取与解析作物类型、种植面积、产量等信息方面具有独特优势。遥感提取和解译的作物空间分布图、种植面积、产量信息可以服务于农业资源监管、农业信息普查、农业保险、农业投资、精准农业等方面。本文分别就农作物遥感识别与农作物单产遥感估算的研究现状、面临的问题、潜在研究方向进行了总结概述。首先总结了农作物遥感识别特征与分类模型的研究现状,针对遥感识别特征与作物类型缺乏知识关联的核心问题,提出利用深度学习方法协同学习作物生长过程中的“时-空-谱”特征,并构建面向农作物遥感识别的知识图谱,从而解决当前农作物遥感识别在识别精度和识别效率方面的问题。然后,分别从经验统计模型、遥感光合模型、作物生长模型方面对当前作物单产遥感估算进行分析总结,提出随着高空间分辨率、高光谱分辨率、高时间分辨率数据的普及和深度学习技术发展,未来应充分利用作物生长模型机理性强、深度学习对复杂问题建模能力强的特点,使用作物生长模型进行点位尺度模拟以驱动深度学习完成复杂场景下的建模学习,最终实现以机理做约束、以深度学习做空间外推的单产估算模式。     

基于卷积神经网络的无人机遥感农作物分类

针对采用长时间序列卫星影像、结合物候特征进行农作物精细分类识别精度较低的问题,将深度学习用于无人机遥感农作物识别,提出一种基于卷积神经网络的农作物精细分类方法,利用卷积神经网络提取高分辨率遥感影像中的农作物特征,通过调整网络参数及样本光谱组合,进一步优化网络结构,得到农作物识别模型。研究结果表明：卷积神经网络能够有效地提取影像中的农作物信息,实现农作物精细分类。除地块边缘因农作物种植稀疏、混杂而产生少许错分现象外,其他区域均得到较好的分类效果。经训练优化后的模型对3种农作物总体分类精度可达97.75%,优于SVM、BP神经网络等分类算法。     

大田玉米作物系数无人机多光谱遥感估算方法

作物系数K_c快速获取是大田作物蒸散量(Evapotranspiration,ET)估算的关键,为研究无人机多光谱遥感估算玉米作物系数的可行性和适用性,以2017年内蒙古达拉特旗昭君镇实验站大田玉米、土壤、气象等数据为基础,采用经气象因子和作物覆盖度校正后的双作物系数法计算不同生长时期与不同水分胁迫玉米的作物系数,并使用自主研发的无人机多光谱系统航拍玉米的冠层多光谱(蓝、绿、红、红边、近红外,475~840 nm)影像,研究了不同生长时期(快速生长期、生长中期和生长后期)玉米的6种常用植被指数(Vegetation indices,VIs):归一化差值植被指数(NDVI)、土壤调节植被指数(SAVI)、增强型植被指数(EVI)、比值植被指数(SR)、绿度归一化植被指数(GNDVI)和抗大气指数(VARI),与作物系数K_c的关系模型及水分胁迫对其的影响。结果表明:玉米生长时期和水分胁迫是影响玉米VIs-K_c模型相关性的两个重要因素。不同生长时期玉米植被指数和K_c相关性不同:充分灌溉情况下,快速生长期玉米VIs-K_c模型的相关性(R2为0.731 2~0.940 1,p0.05,n=25)与生长中期至生长后期VIs-K_c模型的相关性(R2为0.276 5~0.373 2,p0.05,n=40)不同;水分胁迫情况下,快速生长期玉米VIs-K_c模型的相关性(R2为0.0002~0.0830,p0.05,n=25)与生长中期至生长后期VIs-K_c模型的相关性(R2为0.366 2~0.848 7,p0.05,n=40)不同。水分胁迫对VIs-K_c模型的相关性影响较大:快速生长期,充分灌溉玉米VIs-K_c模型的相关性(R2最大为0.940 1)比水分胁迫玉米VIs-K_c模型的相关性(R2最大为0.083 0)强;生长中期至生长后期,充分灌溉玉米VIsK_c模型的相关性(R2最大为0.373 2)比水分胁迫玉米VIs-K_c模型的相关性(R2最大为0.848 7)弱。部分植被指数和作物系数相关性较强;快速生长期充分灌溉玉米的VIs-K_c模型的相关性由大到小依次为:SR、EVI、VARI、GNDVI、SAVI、NDVI;生长中期至生长后期水分胁迫玉米的VIs-K_c模型的相关性由大到小依次为:SR、GNDVI、VARI、NDVI、SAVI、EVI;其中比值植被指数SR与作物系数K_c的相关性最好。结果表明采用无人机多光谱技术估算K_c具有一定的可行性。     

无人机遥感在饲草作物生长监测中的应用研究进展

饲草作物生长的动态监测与定量估算对于饲草规模化生产具有重要意义。无人机遥感分辨率高、灵活性强、成本低,近年来在饲草作物生长监测领域发展迅速,应用场景不断拓展。为了掌握无人机在饲草监测的国内外应用现状,确定重点发展方向,本文首先从数据获取、数据处理和饲草作物生长监测关键技术三个方面简述了无人机遥感在饲草作物监测中的基本研究方法。其次按照传感器类型从可见光、多光谱、高光谱、热红外和激光雷达遥感五个方面阐述了无人机遥感饲草作物生长监测的应用现状。最后针对研究应用中尚未解决的关键技术问题展望了未来的发展方向,提出融合饲草作物时空尺度数据和多源遥感数据、进一步拓展数据获取手段、研发智能化数据分析综合平台是未来饲草作物监测领域应用创新的关键所在。     

基于NDVI-NSSI空间与HSV变换的成熟期农作物遥感识别

成熟期农作物的识别在农作物种植面积估算、农业生产及产量统计方面具有重要作用。为提供一种简便的成熟期农作物遥感识别方法,利用Sentinel-2A数据,以安徽省滁州市凤阳县为研究区,通过归一化植被指数(Normalized difference vegetation index, NDVI)与归一化光谱分离指数(Normalized spectral separation index, NSSI)构成的空间,提取光合植被、非光合植被、裸土的纯端元,由像元三分模型,得到非光合植被覆盖度及成熟期农作物的空间分布。为进一步提取研究区内具有相同成熟期的冬小麦与油菜,利用油菜开花期Sentinel-2A数据,由Hue saturation value(HSV)图像变换方法,分别提取出成熟期冬小麦与油菜。与地面观测数据和辅助数据相比,提取的成熟区冬小麦、油菜的总体精度为95.34%,Kappa系数为0.904,高于支持向量机方法(总体精度91.66%,Kappa系数为0.813)与决策树方法(总体精度92.39%,Kappa系数为0.838)的提取精度。结果表明,NDVI-NSSI空间与HSV变换相...