基于无人机遥感的盛花期薇甘菊监测技术

薇甘菊是世界十大有害杂草之一,其泛滥会对生态系统造成重大影响。建立一个高空间分辨率全域尺度的薇甘菊预警评估方法,是防治薇甘菊的关键手段之一。目前对薇甘菊的监测主要有人工踏查、卫星遥感监测,但前者效率低下而后者识别精度不够。以无人机为载体,通过采集待监测区域的薇甘菊彩色图像,应用Otsu-K-means、RGB、HSV色彩空间阈值分割算法以及K-means-RGB、K-means-HSV、K-means-RGB-HSV融合算法和MobileNetV3深度学习算法进行识别,采用召回率、精确率和均衡平均数F1值共3个评价指标对识别结果进行评价。实验结果表明K-means-RGB-HSV算法对盛花期薇甘菊的整体识别效果最佳。在此基础上,基于识别结果应用模糊层次分析法以及盖度公式,初步建立了薇甘菊的预警评估方法,划分了5个薇甘菊入侵危害等级,可根据所需监测精度的不同,设置不同尺寸的网格和辐射半径,绘制出薇甘菊入侵的精准分布热力图,能够清晰准确地体现不同区域的入侵薇甘菊的危害程度。在厘米级分辨率精度下,实现了基于无人机遥感的盛花期薇甘菊精准监测,为薇甘菊入侵的监测、预警和精准防治提供了有力支撑。     

不同覆膜处理下春玉米叶面积指数高光谱估算

为实现快速、无损、实时监测不同覆膜处理下春玉米的叶面积指数（Leaf area index,LAI）,研究覆膜因子对LAI及冠层反射率的影响,借助高光谱遥感技术获取了各生育期春玉米的冠层反射率,在对光谱数据进行预处理后,经相关性分析提取各覆膜处理LAI的敏感单波段、敏感植被指数和特征指数,据此构建了全生育期各覆膜处理下LAI的高光谱估算模型。结果表明,覆膜对LAI的影响主要在抽雄期之前,相同施肥水平下覆膜与无覆膜处理之间LAI的差异随生育期的推进呈先减小、后增大的趋势,其中苗期差异最大,覆膜比无覆膜处理LAI增加78%以上;各覆膜处理冠层反射率之间的差异由大到小为生育中期、生育末期、生育初期,覆膜主要影响玉米对绿光和红光的吸收。基于3个指标构建各覆膜处理下LAI的估算模型,以特征指数为因变量建立的模型对LAI的反演结果精度较高,其拟合和验证决定系数R2均在0.8以上,均方根误差RMSE为0.45~0.65cm2/cm2,剩余预测偏差RPD均大于2,由于覆膜的影响,无覆膜处理LAI反演精度高于覆膜处理。以特征指数NI(722,731)为自变量建立的所有处理的混合LAI估算模型表现了反演的优越性,能降低覆膜对LAI反演的影响。     

基于卷积注意力的无人机多光谱遥感影像地膜农田识别

监测地膜覆盖农田的分布对准确评估由其导致的区域气候和生态环境变化有着重要作用,基于DeepLabv3+网络,通过学习面向地膜语义分割的通道注意力和空间注意力特征,提出一种适用于判断农田是否覆膜的改进深度语义分割模型,实现对无人机多光谱遥感影像中地膜农田的有效分割。以内蒙古自治区河套灌区西部解放闸灌区中沙壕渠灌域2018—2019年4块实验田的无人机多光谱遥感影像为研究数据,与可见光遥感影像的识别结果进行对比,同时考虑不同年份地膜农田表观的变化,设计了2组实验方案,分别用于验证模型的泛化性能和增强模型的分类精度。结果表明,改进的DeepLabv3+语义分割模型对多光谱遥感影像的识别效果比可见光高7.1个百分点。同时考虑地膜农田表观变化的深度语义分割模型具有更高的分类精度,其平均像素精度超出未考虑地膜农田表观变化时7.7个百分点,表明训练数据的多样性有助于提高地膜农田的识别精度。其次,改进的DeepLabv3+语义分割模型能够自适应学习地膜注意力,在2组实验中,分类精度均优于原始的DeepLabv3+模型,表明注意力机制能够增加深度语义分割模型的自适应性,从而提升分类精度。本文提出的方法能够从复杂的场景中精准识别地膜农田。     

基于全子集-分位数回归的土壤含盐量反演研究

为提高植被覆盖条件下卫星遥感对土壤含盐量的估测精度,以河套灌区解放闸灌域为研究区,以高分一号卫星影像为数据源,同步采集不同深度土壤含盐量,通过全子集筛选法(Best subset selection)分析不同波段和光谱指数对于不同深度土壤含盐量的敏感性,并采用人工神经网络(Artificial neural network,ANN)、支持向量机(Support vector machine,SVM)和分位数回归(Quantile regression,QR) 3种方法,构建全子集筛选前后0～20 cm、20～40 cm、0～40 cm、40～60 cm、0～60 cm等不同深度下的土壤含盐量反演模型。结果表明,B4、BI、SI1、SI3是0～20 cm、0～40 cm处土壤含盐量的敏感变量组合,B4、BI、NDVI为20～40 cm、40～60 cm、0～60 cm处土壤含盐量的敏感变量组合;在各深度下,分位数回归模型的精度最高,模型的决定系数R2c1、R2v1均在0. 4以上,均方根误差RMSEc1、RMSEv1均小于0. 4%,SVM次之,ANN最差;在20～40 cm深度下QR反演模型效果优于其他深度,为本文土壤含盐量估算的最优模型,其建模和验证的决定系数R2c1、R2v1分别为0. 611和0. 671,建模和验证均方根误差RMSEc1、RMSEv1分别为0. 177%和0. 160%。本研究可为卫星遥感大范围监测植被覆盖条件下土壤盐渍化程度提供参考。     

基于无人机遥感与卷积神经网络的草原物种分类方法

基于无人机高光谱成像遥感系统,在400～1 000 nm波段内采集低矮、混杂生长的荒漠草原退化指示物种的高光谱图像信息。分别在退化指示物种的开花期、结实期和黄枯期进行飞行实验,飞行高度30 m,高光谱图像地面分辨率2. 3 cm。采用特征波段提取与深度学习卷积神经网络相结合的方式,提出一种荒漠草原物种水平分类的方法,结合植物物候给出了中国内蒙古中部荒漠草原物种分类的推荐时相,总体分类精度和Kappa系数平均值分别达到94%和0. 91。研究结果表明,无人机高光谱成像遥感技术及深度卷积神经网络可以较好地实现荒漠草原退化指示物种的分类,与基于径向基核函数的支持向量机、基于主成分分析的深度卷积神经网络分类法相比,基于特征波段选择的深度卷积神经网络分类法效果最好,分类精度最高。无人机搭载高光谱成像仪低空遥感和卷积神经网络法提供了一种草原物种水平分类的途径。     

小麦倒伏信息无人机多时相遥感提取方法

采用两期无人机可见光遥感图像,对灌浆期冬小麦倒伏图像特征及倒伏信息提取方法进行研究。从增强图像空间域方面,对图像进行二次低通滤波,获取地物散点图,以散点存在明显分界线为判定标准,选出小麦倒伏信息提取的单特征,对两单特征线性拟合构建倒伏小麦两时期提取特征参数F_1和F_2,再以两特征参数相似性构建综合特征参数F_3。将特征参数结合K-means算法提取冬小麦倒伏信息,整体精度(OA)达86. 44%以上,Kappa系数达0. 73以上,倒伏信息提取精度(F)为81. 07%以上,因此综合特征参数可作为两个时期冬小麦倒伏信息提取特征参数。分别用本文方法、支持向量机、神经网络法和最大似然法提取验证区域倒伏小麦信息,经验证,本文方法提取小麦倒伏信息整体精度(OA)达86. 29%以上,Kappa系数达0. 71以上,倒伏信息提取精度(F)达80. 60%以上;其他3种常用方法提取的整体精度(OA)为69. 68%～87. 44%,Kappa系数为0. 49～0. 72,倒伏信息提取精度(F)为65. 33%～79. 76%。结果表明,本文方法整体精度和倒伏信息提取精度均高于目前常用分类方法。因此,综合特征参数与K-means算法对冬小麦在灌浆期倒伏信息提取具有一定的准确性和适用性。     

基于随机森林的高寒湿地地区土地覆盖遥感分类方法

高寒湿地是青藏高原典型独特的生态系统,是全球气候变化的敏感地带和预警区。利用遥感技术快速、准确地分类提取高寒湿地的土地覆盖信息,对当地生态安全监测和保护具有重要意义。本文以若尔盖湿地国家级自然保护区为研究区,首先,以高分一号(GF-1)遥感影像为数据源,融合光谱特征、水体指数、地形特征、植被指数和纹理信息等26个变量进行随机森林(Random forest,RF)分类实验;然后,根据袋外数据(Out of bag,OOB)的特征变量重要性得分和精度评价结果,选出高寒湿地地区土地覆盖类型的最优分类方案和特征;最后,对特征变量进行降维,并基于相同的变量,采用极大似然法(Maximum likelihood classification,MLC)、支持向量机(Support vector machine,SVM)、人工神经网络(Artificial neural network,ANN)和RF等方法进行分类,比较不同方法的优适性。结果表明:结合GF-1影像光谱、水体、植被、纹理特征和地形信息,使用26个变量的RF模型的分类精度最高,总体精度(Overall accuracy,OA)为90.07%,Kappa系数为0.86;通过RF模型的变量重要性分析可以有效选出重要的特征信息,在降低特征变量维度的同时,还能保证较高的分类精度; 4种分类方法中,RF算法是高寒湿地地区较合适的分类方法,OA比MLC基准方法高17.63个百分点,比SVM和ANN等机器学习算法分别高6.98、6.56个百分点。     

基于无人机多光谱的耐旱苎麻品种筛选方法

高温干旱是影响作物生长及最终生产力的主要胁迫源。当前,无人机遥感技术已在作物倒伏和病虫害的分级监测研究中取得重大进展,但有关利用无人机遥感进行作物抗旱等级监测的研究却鲜有报道。因此,以苎麻种质资源为研究对象,提出了苎麻抗旱性量化标准,并提供了一种利用无人机多光谱遥感鉴定苎麻种质资源抗旱性的方法。首先,由专家对36份苎麻种质资源进行抗旱性分级;然后,结合无人机多光谱遥感获取的植被指数,采用随机森林(Random forest, RF)、支持向量机(Support vector machine, SVM)、决策树(Decision tree, DT)3种机器学习方法分别构建苎麻抗旱性鉴定模型,并通过苎麻在高温干旱胁迫下的表型响应检验鉴定结果;最后,基于无人机获取的遥感表型,筛选高温干旱胁迫下优质苎麻种质资源。结果表明,利用SVM构建的苎麻抗旱性鉴定模型正确率达到0.74,不同抗旱级分类F1得分范围为0.69～0.79,说明该方法能用于苎麻种质资源抗旱性评估。利用无人机遥感数据反演得到的3项苎麻表型性状(叶绿素相对含量、叶面积指数、株高)均与人工测量值具有较强的相关性,在此基础上,研究从高温...     

Combined use of optical and radar satellite data for the detection of tillage and irrigation operations: Case study in Central Morocco

The objective of this study is to present a new application of optical and radar remote sensing with high spatial (∼10 m) and temporal (a few days) resolutions for the detection of tillage and irrigation operations. The analysis was performed for irrigated wheat crops in the semi-arid Tensift/Marrakech plain (Central Morocco) using three FORMOSAT-2 images and two ASAR images acquired within one week at the beginning of the 2005/2006 agricultural season.The approach we developed uses simple mapping algorithms (band thresholding and decision tree) for the characterisation of soil surface states. The first images acquired by FORMOSAT and ASAR were processed to classify fields into three main categories: ploughed (in depth), prepared to be sown (harrowed), and not ploughed-not harrowed. This information was combined with a change detection analysis based on multitemporal images to identify harrowing and irrigation operations which occurred between two satellite observations.The performance of the algorithm was evaluated using data related to land use and agricultural practices collected on 124 fields. The analysis shows that drastic changes of surface states caused by ploughing or irrigation are detected without ambiguity (consistency index of 96%). This study provided evidence that optical and radar data contain complementary information for the detection of agricultural operations at the beginning of agricultural season. This information could be useful in regional decision support systems to refine crop calendars and to improve prediction of crop water needs over large areas.     

负载敏感技术在甘蔗联合收割机上的应用

甘蔗联合收割机由于执行元件的复杂性及液压系统负载的多变性,在作业过程中造成了大量的液压能损失现象.为改善收割机的节能性,在对负载敏感系统的工作原理进行分析的基础上首次提出了将负载敏感技术应用于甘蔗联合收割机的节能观点,并为其负载敏感系统匹配了相关参数.基于AMESim平台的静、动态仿真结果表明,在系统压力达到调压阀设定压力之前,系统的流量仅取决于流量阀的开口而与负载无关,负载敏感阀将根据流量阀的开口自动调节变量泵的排量.在系统压力达到调压阀设定压力之后,系统压力仅取决于调压阀的设定值,而与负载无关,此时负载敏感阀将自动调节变量泵的排量使其恰好与负载的需要相适应,控制过程的压力损失小于1 MPa,从而大大减小了甘蔗联合收割机的液压能损失.