基于热红外遥感影像的作物冠层温度提取

热红外影像较难直接提取作物冠层区域,因而无法获得较精准的作物冠层温度。本文以拔节期的玉米为研究对象,利用六旋翼无人机搭载热红外成像仪和大疆精灵四Pro无人机,获得热红外影像及正射影像。基于高分辨率正射影像,采用改进的Canny边缘检测算子、支持向量机(Support vector machine,SVM)和小波变换3种方法提取玉米冠层区域,将提取结果进行二值化处理后,在热红外影像中以此生成掩膜并提取玉米冠层温度。应用提取的矢量面分析提取效果并对3种提取算法的精度进行评价。实验结果表明,改进的Canny边缘检测算子提取效果最优、SVM算法次之、小波变换最差,提取精度分别为87. 3%、74. 5%、68. 2%。同时,将手持测温仪测得的玉米冠层温度与提取的冠层温度进行误差分析,结果表明,基于改进的Canny边缘检测算子提取的玉米冠层温度与地面实测值相关性最高,决定系数R~2=0. 929 5,SVM算法决定系数R~2=0. 895 7,小波变换决定系数R2=0. 876 0。改进的Canny边缘检测算子能够更好地提取玉米冠层区域,获取更加精确的玉米冠层温度,从而能够更有效地监测玉米生理状况,进行旱情预测,制定合理的灌溉、施肥措施以提高玉米产量。     

融合注意力机制与多尺度信息的葡萄种植区变化检测

为准确获取葡萄空间变化信息,实现产业规划和可持续发展,针对葡萄种植区布局分散、面积不一,地物类型复杂,相应不同时相影像异质性较大,严重影响变化区域检测精度的问题,提出了一种融合注意力机制和多尺度信息的变化检测模型（Multiscale difference feature capture net, MDFCNet）。在ResNet101主干网络的基础上融合SE（Squeeze and excitation）注意力机制,提升网络对遥感影像中变化特征提取的能力,抑制无关像素干扰。并且设计了交叉差异特征捕获（Cross difference feature capture,CDFC）模块,捕获具有密集上下文信息的差异特征来提升地物类型复杂情况下的变化检测精度,同时设计了监督集成注意力（Supervised ensemble attention,SEA）模块,逐层融合低层细节纹理特征和高层抽象语义特征来丰富多尺度特征,以此增强网络对布局分散、面积不一的种植区的检测能力。在构建的宁夏葡萄种植区变化数据集上进行实验,结果表明,相较于目前主流的SNUNet、A2Net、DSIFN和ResNet-CD变化检测模型,本文MDFCNet方法检测结果最优,相较于性能第2的模型,评价指标中交并比、召回率、F1值和精确率分别提高5.42、5.62、3.48、0.95个百分点。通过消融实验也证明了融合各模块的有效性,相较于基础网络,增加3个模块使得交并比、召回率、F1值和精确率分别提高12.9、5.63、8.64、11.75个百分点。本文模型提取出感受野更大的差异特征可为变化检测提供丰富的推断信息,融合的多尺度特征可以有效避免结果中误检测和漏检测问题,提高了变化区域的完整性和边缘细节保留,为背景复杂的大范围葡萄种植区的变化检测任务提供了解决思路。     

反刍家畜典型行为监测与生理状况识别方法研究综述

反刍家畜是人类获得肉、奶等食品的重要来源,随着人们对其产品产量与品质要求的提升,传统耗时耗力且高人工成本的人工监管模式已经难以满足规模化反刍家畜养殖的需要。反刍家畜行为中蕴含着许多身体状况信息,对反刍家畜行为的自动化监测有助于较早地识别其异常行为、评估其健康水平、预警其异常生理状态,辅助养殖人员及时调整养殖策略,实现低成本、高效率和高收益的生产过程。首先对反刍家畜基本运动(躺卧、行走、站立)、反刍、进食饮水、跛行等典型行为的监测方法进行总体阐述,然后详细分析了识别反刍家畜发情、分娩、疾病、疼痛状况的不同特征指标以及基于该特征指标的生理状况识别方法,最后探讨了反刍家畜行为监测方法目前存在的一些问题与难点,并指出未来的研究重点为：优化传感器功耗、融合多传感器数据、降低数据传输延时、减少大规模数据标注、轻量化深度学习模型以及深度解析和应用数据。     

梯田区侵蚀地形因子随DEM分辨率变化的特征分析

通过无人机航空摄影测量,获取高精度DEM,分析提取的坡度、坡长和LS因子,同时通过分辨率的变化,计算并分析了这些参数的变化情况。研究表明:基于无人机获取的DEM能够较好地表达梯田地形特征,梯田地形因子分布特征与地形特征吻合,大值集中于梯田过渡的陡坡处,小值集中于田面。随着分辨率的降低,非梯田区坡度整体呈现衰减趋势,坡长呈现增长趋势,LS先小幅增加,后由于坡度衰减明显,LS呈现衰减趋势,但变化幅度不大;而梯田区随着分辨率的降低,小坡度和超大坡度所占比例均减小,平均坡度降低,但坡长增加显著,因此导致LS增长较显著,在20 m分辨率下,LS因子被高估约1/3。梯田通常作为水保措施因子单独来考虑,由于分辨率对地形因子影响较大,因此梯田区的地形因子估算需要考虑分辨率的影响。     

基于波段增强的DeepLabv3+多光谱影像葡萄种植区识别

精准获取葡萄种植区分布信息对其精细化管理和优质基地建设具有重要意义,通常大区域种植区识别主要基于遥感影像完成,但葡萄种植区空间位置的分散性和背景环境的复杂性,使得种植区识别的精度不高。该研究基于DeepLabv3+网络,改进网络输入通道数使其能够接受更多的光谱信息,同时构建波段信息增强模块（Band Information Enhancement,BIE）,利用各波段特征图之间的相关性生成综合特征,提出了波段信息增强的葡萄种植区识别方法（BIE-DeepLabv3+）。在2016和2019年高分二号影像葡萄种植区数据集上训练网络,在2020年影像上测试其性能,结果表明,改进模型输出结果的平均像素精度和平均交并比分别为98.58%和90.27%,识别效果好于机器学习SVM算法,在深度学习DeepLabv3+模型的基础上分别提高了0.38和2.01个百分点,比SegNet分别提高了0.71和4.65个百分点。BIE-DeepLabv3+模型拥有更大的感受野和捕获多尺度信息特征的同时放大了地物间的差异,能够解决影像中葡萄种植区存在类间纹理相似性、背景和环境复杂等问题,在减少模型参数的同时预测出的葡萄种植区更加完整,且边缘识别效果良好,为较大区域内背景复杂的遥感图像葡萄种植区识别提供了有效方法。     

基于Stacking集成学习的夏玉米覆盖度估测模型研究

以基于无人机多光谱影像提取的夏玉米植被指数作为特征变量,利用皮尔森相关系数结合随机森林反向验证权重的方法进行特征选择,去除冗余特征.以随机森林、梯度提升树、支持向量机和岭回归作为初级学习器,以岭回归作为次级学习器,建立基于Stacking集成学习的夏玉米覆盖度估测模型,并通过5折交叉验证进一步提升模型泛化能力,采用随机...     

基于无人机DEM的灌区渠系提取方法

大范围灌区渠系的制图对于现代节水灌溉技术以及合理配水、安全输水具有重要意义。但目前所获得的灌区遥感影像分辨率不高,渠系提取较难。本文以无人机航空摄影测量获得的数字高程模型(DEM)为基础,根据渠系特征,使用灌区坡度数据,采用改进的霍夫变换方法,实现了对灌区渠系网络的提取。与面向对象、监督分类方法和手绘结果进行对比,该方法提取的渠系连续、提取完整度可达85.61%。误差主要集中在无衬渠系中土壤沉积较多(坡度变化不明显)的位置以及相交渠系处理时保留渠堤位置而造成。该方法根据灌区地形特征,基于高精度高程数据进行渠系提取,是数字地形分析结合图像处理在精细农业中的一次有益探索。     

基于小波纹理和随机森林的猕猴桃果园遥感提取

为快速、准确地从高分影像中获取猕猴桃种植分布信息,提出了一种结合小波变换纹理分析和随机森林分类的QuickBird影像猕猴桃果园自动提取方法。首先,采用coif5小波对QuickBird全色影像进行多尺度小波分解,计算各子频带小波系数的能量特征作为纹理特征;然后,将小波纹理与光谱特征组合构建分类特征;最后,利用随机森林分类实现土地利用分类和猕猴桃果园空间分布提取。结果表明,小波纹理识别猕猴桃果园的效果明显优于光谱特征和其他2种纹理特征;光谱+小波纹理特征的分类精度最高,猕猴桃果园提取精度(Fk)和总体分类精度(OA)分别为95.30%和94.46%,比光谱+灰度共生矩阵纹理分类分别提高6.70%和2.88%,比光谱+分形纹理分类显著提高13.43%和6.98%;随机森林分类结果优于相同特征下的支持向量机、最大似然分类。本文提取的猕猴桃果园面积与目视解译结果的相对误差小于7%。此外,利用本文方法对同期QuickBird影像另一研究区的苹果园分布进行提取,结果表明,该方法对苹果园提取有较好的适用性。     

基于统计纹理残差学习网络的葡萄叶片分类方法

针对葡萄叶片类间相似度高导致的类内品种分类精度低的问题,构建一种改进的统计纹理残差学习网络（statistical texture residual learning network, STRLNet）的葡萄叶片分类方法。首先在ResNet50骨干网络的基础上添加SE注意力机制,然后构建底层信息的特征增强层,最后将增强后的底层特征与骨干网络提取的高层语义信息相融合,输出连接到用于存储分类特性的全连接层上。利用采集的11种成熟期葡萄叶片数据集进行训练测试,结果显示,STRLNet在提高网络空间性能的同时可充分利用底层特征信息,对构建的葡萄叶片数据集的分类准确率可以达到92.26%,相较于ResNet骨干网络提高了约2.8个百分点,与VGG16、Inception v4和ResNet等主流分类网络相比在葡萄叶片细粒度分类中具有更高的准确性。研究结果表明,在多品种的葡萄叶片分类任务中,改进后的模型相较于骨干网络可以关注到更多的特征信息,相较于主流分类网络模型可以获得更高的分类精度,模型性能得到进一步的提升。     

基于U-Net的葡萄种植区遥感识别方法

为提高葡萄种植区遥感识别精度,基于高分二号卫星遥感影像,对U-Net网络进行改进：从空间和通道维度自适应校准特征映射,以增强有意义的特征,抑制不相关的特征,提升地物边缘分割精度;减少下采样次数,使用混合扩张卷积代替常规卷积操作,以增大卷积核感受野,降低图像分辨率的损失,提高对不同尺寸地物的识别能力。实验结果表明,本文模型在测试集上的像素准确率、平均交并比和频权交并比分别为96.56%、93.11%、93.35%,比FCN-8s网络分别提高了5.17、9.57、9.17个百分点,比U-Net网络提高了2.39、4.59、4.39个百分点。此外,本文通过消融实验和特征可视化证明了注意力模块和混合扩张卷积在精度提升上的可行性。本文模型结构简单、参数量少,能够识别不同面积的葡萄种植区,边缘分割效果良好。