基于像素块和机器学习的播前棉田地表残膜覆盖率检测

由于农用地膜的长期使用,棉田残留地膜造成了严重的耕地环境污染。为了快速准确地检测播前棉田地表残膜污染,该研究提出一种基于像素块和机器学习的播前棉田地表残膜覆盖率检测方法。将原始图像通过不同尺寸分割的方法得到像素块,提取像素块的一阶、二阶、三阶颜色矩和灰度共生矩阵（Gray-level Co-occurrence Matrix,GLCM）纹理特征,通过像素占比判别方法提取标签。采用随机森林（Random Forests,RF）、极端梯度提升（Xtreme Gradient Boosting,XGBoost）、支持向量机（Support Vector Machine,SVM）和人工神经网络（Artificial Neural Network,ANN）4种算法构建残膜识别模型,计算棉田地表的残膜覆盖率。结果表明,20×20像素块下采用人工神经网络算法,残膜覆盖率检测值与真实值的相对误差最小,为0.51%,检测时间最短,为0.29 s。相比于像素点,像素块识别方法减小了样本数量,增加了像素点之间的相互特征,可快速准确检测残膜覆盖率,对农田残膜污染监测具有一定借鉴意义。     

用基于IHS变换的SPOT-5遥感图像融合进行作物识别

遥感图像融合可以发挥多源遥感数据的优势。但是由于遥感数据和融合模型的多样性,目前仍难以找到一种适合于各种类型数据之间、各种应用需要的“万能”的融合算法,而是根据特定图像,特定地表覆盖状况和特定应用的需要选择适合的融合模型。SPOT-5图像是一种较新的高空间分辨率遥感图像,目前已用于运行化农情遥感监测,以弥补传统低空间分辨率遥感图像应用的不足。该文将SPOT-5多光谱和超模式全色图像进行融合,以进行中国东北地区大豆识别。对实验数据分别做基于IHS变换和PCA变换的融合处理,通过比较得出,基于IHS变换的融合     

基于RS与像元二分模型的近20 a宁夏植被覆盖研究

[目的]探讨近20a宁夏植被变化特征及其对气候的响应情况,为了解区域生态变化态势,评估生态工程成效提供理论基础和科学依据。[方法]利用1992,2000,2006和2012年的TM数据,基于植被指数估算植被覆盖度的原理,运用像元二分模型,对宁夏植被覆盖度进行遥感估算和动态监测。[结果]宁夏植被覆盖呈现南北好,中部差的空间分布特点;近20a来宁夏的植被覆盖度表现出明显的增加趋势,即低植被覆盖区的面积在逐渐减少,中、高植被覆盖区的面积增加了6 434km2,全区平均植被覆盖度提高6%,其中扬黄灌区及南部山区植被覆盖增加幅度较大。[结论]宁夏植被覆盖度的增加主要得益于近年来实施的一系列植被保护和生态恢复工程,而降水量的变化则是引起植被覆盖度年际波动的主要因素。     

Assessment of bagging GBLUP for whole‐genome prediction of broiler chicken traits

Bootstrap aggregation (bagging) is a resampling method known to produce more accurate predictions when predictors are unstable or when the number of markers is much larger than sample size, because of variance reduction capabilities. The purpose of this study was to compare genomic best linear unbiased prediction (GBLUP) with bootstrap aggregated sampling GBLUP (Bagged GBLUP, or BGBLUP) in terms of prediction accuracy. We used a 600 K Affymetrix platform with 1351 birds genotyped and phenotyped for three traits in broiler chickens; body weight, ultrasound measurement of breast muscle and hen house egg production. The predictive performance of GBLUP versus BGBLUP was evaluated in different scenarios consisting of including or excluding the TOP 20 markers from a standard genome‐wide association study (GWAS) as fixed effects in the GBLUP model, and varying training sample sizes and allelic frequency bins. Predictive performance was assessed via five replications of a threefold cross‐validation using the correlation between observed and predicted values, and prediction mean‐squared error. GBLUP overfitted the training set data, and BGBLUP delivered a better predictive ability in testing sets. Treating the TOP 20 markers from the GWAS into the model as fixed effects improved prediction accuracy and added advantages to BGBLUP over GBLUP. The performance of GBLUP and BGBLUP at different allele frequency bins and training sample sizes was similar. In general, results of this study confirm that BGBLUP can be valuable for enhancing genome‐enabled prediction of complex traits.     

基于计算机视觉的鸡蛋表面积估算方法

鸡蛋表面积参数已广泛应用于蛋品加工业以及生物学的研究上,但其传统手工检测方法存在着效率低的缺点.基于计算机视觉技术,提出了一种像素面积投影法来计算三维目标的表面积,该方法简单易于实现,且对任意不规则目标表面积的估算都适用.以3种特殊曲面的表面积为例,验证了该估算方法的精确度.通过对鸡蛋建立旋转椭球数学模型采用像素面积投影法进行了计算,并与实验数据对比,二者相对误差小于10%,满足实际工程需求.     

基于无人机多光谱影像的荒漠草原典型物种识别

【目的】准确获取草原植物物种空间分布信息是草原生态系统生物多样性监测、群落重构与生态功能维持的重要基础。及时准确获取植物物种空间分布可以为草原植物物种信息提取提供有效技术手段。【方法】文章以无人机多光谱影像为基础,分别在像元尺度和对象尺度上开展了荒漠草原典型物种的信息提取方法研究。像元尺度上先定义样本计算样本可分离性,在选择不同分类器进行分类。而对象尺度上首先进行遥感影像尺度分割研究,选出最佳分割尺度。在此基础上,提取最优特征变量,并采用阈值分类法提取植被信息。【结果】高分辨率无人机多光谱数据能够为荒漠草原物种信息提取提供有效数据基础。面向对象影像分析技术的表现最好,总体精度85.16%,Kappa系数0.71,其中短花针茅的制图精度和用户精度分别为97.6%和86%;其次是支持向量机机器学习算法,其总体精度80.40%,Kappa系数0.70,短花针茅的制图精度和用户精度分别为90.08%和76.46%;而传统最大似然分类法的识别精度较低,总体精度为74.68%,Kappa系数0.64,短花针茅的制图精度和用户精度分别为72.40和81.96。【结论】无人机多光谱数据对于集中连片分布...