不同农机驾驶方式对玉米播种出苗率的影响——基于无人机多光谱影像的测算

为验证无人驾驶、辅助驾驶和人工驾驶对玉米播种出苗率的影响,以鲜食玉米为试验作物,划分区域进行无人驾驶、辅助驾驶、人工驾驶播种,在保障土壤条件和管理方式基本一致的情况下,使用无人机采集出苗期多光谱影像,利用超绿值(ExG)和最大类间差法相结合的方法提取农田背景中玉米苗特征图像,计算归一化植被指数(NDVI)。基于实测计算的出苗率与区域NDVI,建立对应关系,利用空间分析技术计算无人驾驶、辅助驾驶、人工驾驶方式下出苗率情况。结果表明：基于无人机多光谱影像测算方法的无人驾驶、辅助驾驶、人工驾驶播种出苗率分别为67.47%、66.30%、52.83%,实测出苗率分别为72.19%、66.23%、55.49%,差异度分别为-4.72%、0.07%、-2.66%。出苗率为无人驾驶区>辅助驾驶区>人工驾驶区,无人驾驶区出苗率最高,且出苗率较为均匀,基于无人机多光谱影像的测算方法较为准确。该方法为实时估算玉米出苗率提供理论依据。     

结合注意力机制与YOLOv5的松材线虫病受害木检测

松材线虫病是我国近几十年来最严重的一种森林病害,加强疫情的监测迫在眉睫。本研究在自建数据集的基础上采用3种不同的注意力模块(CBAM、SE和CA)改进YOLOv5算法并结合数字正射影像图自动识别松材线虫病受害木,分别对比了改进模型CBAM-YOLOv5、SE-YOLOv5、CA-YOLOv5与YOLOv5模型的识别效果,实现了对变色松树和枯死疫木检测效果的提升。结果表明：3种注意力改进策略的变色松树查全率、平均精度和F1分数显著提高,查准率不逊色于YOLOv5模型;综合考量查全率和F1分数指标,SE-YOLOv5模型的变色松树和枯死疫木检测效果最好,其F1分数分别达到89.7%和76.9%,比原模型分别提高了5.5%和5.4%,其检测精度分别为91.7%和80.3%,较YOLOv5模型分别提升了4.7%和5.1%;在理想置信度阈值情况下3种注意力改进策略的变色松树和枯死疫木查全率均值分别为85.4%和76.6%,基本满足实际检测需求。对各注意力改进模型检测层的特征图和热力图进行剖析可以看出,嵌入注意力机制有利于提取高贡献度的特征成分,可以提升变色松树特征提取的准确性。因此,改进的YOL...     

基于无人机影像的山核桃单木检测及冠幅与树高的提取

针对经济林中树木的生长状况进行调查,有助于农户制定针对性的经营策略,提高经营效率。然而,由于山核桃树通常生长在山地环境下,使用传统的林业调查方法获取树木参数需要的人力资源和时间成本较高,而且在陡峭的山地环境中容易受到地形、植被和气象等因素的干扰。为了解决这一问题,提出了一种新的自动化方法——检测框投影法。该方法基于深度学习的目标检测算法对遥感图像中的树冠进行检测并生成检测框,再依据所得到的检测框获取树木位置和数量,并进一步提取单木的冠幅与树高等参数。在不同环境的山核桃种植林场进行的树冠检测实验结果表明,该方法使用的目标检测算法对山核桃树冠检测的总体平均精度和F1-score分别达到了85.5%与0.84;参数提取方面,在两处不同的山核桃种植林场选取了3处研究样地,并在每处样地选取并实地测量了50棵样本树木的冠幅和树高以验证参数提取精度,结果表明,使用检测框投影法预测冠幅与实测值的均方根误差、平均绝对误差和平均相对误差分别为0.469 m、0.313 m和5.7%,预测树高与实测值的均方根误差、平均绝对误差和平均相对误差分别为0.427 m、0.331 m和6.0%。提出的检测框投影法在...     

匹配点云结合HSI色彩分量的无人机RGB影像信息提取方法

无人机通常搭载可见光波段传感器获取红-绿-蓝（Red-Green-Blue,RGB）影像,由于无人机RGB影像波段较少,影像的地物信息提取存在一定难度。该研究提出了一种匹配点云结合色调-饱和度-亮度（Hue-Saturation-Intensity,HSI）空间色彩分量的无人机RGB影像信息提取方法。首先以饱和度分量和红光波段构造了饱和度与红光比值指数,再结合可见光波段差异植被指数以及由匹配点云获得的地形特征对研究区正射影像进行分类。试验结果表明,本文方法的总体分类精度达到了91.11%,Kappa系数为0.895,证明匹配点云结合HSI空间色彩分量的方法提取无人机RGB影像信息是可行的,提取结果具有较高精度。相较于基于光谱特征的传统方法,本文方法引入匹配点云可以简单高效地提取影像中高程差异明显的地物,同时,结合HSI色彩分量能够有效弥补无人机RGB影像光谱特征较少的不足。     

面向对象多层次多尺度分割的农用大棚类型信息提取

为对不同农用大棚类型信息进行识别分类和精细化提取,以内蒙古河套灌区不同大棚类型为研究对象,基于Sentinel-2A卫星数据,采用面向对象结合多层多尺度分割技术和阈值分类方法,对大棚类型信息进行提取并对最终提取结果展开精度评价和分析研究。首先利用尺度参数估计（Estimation of Scale Parameter2, ESP2）方法进行了分层分割并优选出最佳分割尺度,在各层最优分割尺度上进行光谱、指数、几何、纹理等特征的提取与优化,获取最优特征组合;然后运用多层多尺度分割阈值分类方法提取不同大棚类型信息。结果表明不同大棚类型信息总体精度达94.8%,kappa系数达0.93。其中：塑料大棚的制图精度和用户精度分别为95.3%和96.6%;单屋面温室大棚制图精度和用户精度分别为88.5%和92.6%。基于多层多尺度分割分类的信息提取方法分别考虑了不同地物最优分割尺度,在不同地物各自的最优分割尺度上提取其信息,以抑制过度分割或亚分割现象,从而降低错分或漏分。因此,高分辨率卫星数据与面向对象多层多尺度分割分类的信息提取方法能够有效提高大棚类型信息提取精度,且能为地物信息精细提取技术体系提供一定参考思路。     

多源高分辨率卫星遥感影像监测林地动态变化研究

以内蒙古大兴安岭克一河林业局、吉文林业局林地动态变化监测为目标,应用多期国产高分辨率卫星遥感数据,辅以德国Rapid Eye、法国SPOT5和SPOT6、美国TM遥感影像;叠加占用征收林地资料、伐区作业设计、林木采伐许可证、林政案件资料、森林资源二类调查以及林地保护利用规划等专题数据资料。通过目视解译与提取识别,检测林地和林木的变化情况,结果表明:卫星遥感影像对林木采伐、占地、毁林开垦和森林灾害监测效果明显。     

OIA技术支持的高分辨率影像乡村居民地本体建模方法

地理本体建模是遥感影像自动/半自动识别地物类型的重要途径,对高分辨率遥感影像的复合地物类型信息提取具有重要的作用。首先采用Methontology本体建模方法,通过protégé平台建立高分辨率影像乡村居民地本体概念模型。利用基于对象影像分析(OIA)技术,形式化概念模型,完善乡村居民地本体模型。最后将建立的本体模型运用于乡村居民地信息提取,通过甘肃张掖刘家庄航空遥感影像提取试验,验证了乡村居民地本体模型的有效合理性。     

基于多源Sentinel数据的县域冬小麦种植面积提取

冬小麦是我国主要的粮食作物之一,及时准确地获取冬小麦种植面积对农业政策的制定具有重要意义。以河南省扶沟县为研究区域,以多生育期Sentinel-1A和Sentinel-2A/B遥感影像为数据源,构建光谱特征、植被特征和极化特征的多生育期数据集,分析各类地物的特征曲线,采用随机森林算法对单生育期单传感器、单生育期多传感器、多生育期单传感器和多生育期多传感器的遥感影像进行精细分类,实现县域冬小麦制图。结果显示：单生育期的雷达影像无法满足制图要求,拔节期的总体精度最高,仅为62.9%,多生育期雷达影像分类精度达到81.9%,基本满足制图要求;单生育期的光学影像和融合影像在成熟期的精度最高,总体精度分别为93.4%和95.1%,Kappa系数分别为92.4%和94.8%,可以绘制较为精准的冬小麦分布图;多生育期融合影像绘制的扶沟县2019年冬小麦空间分布图,总体精度为96.8%,结果最优。研究结果表明融合的多生育期遥感影像可以为县域冬小麦种植面积的提取提供技术依据。