排序方式: 共有2条查询结果,搜索用时 15 毫秒
1
1.
为解决无人机遥感领域根据冠层光谱信息对猕猴桃果树根系土壤含水率(root soil water content, RSWC)进行反演时,现有算法对冠层图像信息分析不足的问题,该研究对传统卷积神经网络模型进行改进,提出一种复合视觉卷积回归神经网络(compound visual convolutional regression network, CVCRNet),该网络复合两种不同尺寸卷积层对图像数据进行卷积特征提取,并使用全连接层对卷积特征值进行降维,从而直接以多光谱图像为分析对象对RSWC进行反演,充分利用多光谱图像内所有数据,提升反演精度。研究采集徐香猕猴桃果树果实膨大期(5—9月)冠层多光谱信息和深度40 cm处的RSWC,把基于图像的CVCRNet网络反演方法与基于植被指数的传统反演方法进行对比,CVCRNet训练结果在验证集R2为0.827,RMSE为0.787%,相较于传统方法在验证集R2为0.759,RMSE为0.983%,反演结果相关性有了明显提升,准确率也有得到一定提高。结果表明,改进后的CNN网络能够作为冠层信息反演的重要工具,在冠层复杂的场景下达成良好的土壤数据反演效果。 相似文献
2.
针对现有监测方式难以大面积准确监测植株个体水分状况,且猕猴桃果园的郁闭性导致根域土壤含水率(Root domain soil water content,RSWC)监测方法匮乏的问题,使用多层感知机(Multi-layer perceptron,MLP)和冠层植被指数来预测果实膨大期(5—9月)徐香猕猴桃植株40cm深度的RSWC。在MLP训练数据的预处理中,采用Pearson相关系数作为输入(植被指数)与输出(RSWC)的相关性评价指标,采用单因素方差分析作为输入与输出的显著性评价指标。进一步考虑冠层采集范围可能对模型精度造成的影响,将数据分割为不同尺度对MLP进行训练评估。结果表明,重归一化植被指数(Renormalized difference vegetation index,RDVI)与RSWC具有最高的相关性与显著性,相关系数和P分别为0.744和0.007,该指数可以作为RSWC反演的输入量。对不同尺度RDVI的建模数据表明,模型精度与RDVI采样面积A及对角线长度L有着较强的相关性(R2分别为0.991和0.993),为了使模型精度最大化,采样面积应在2.540~3.038m2之间。通过使用该尺度的RDVI建立的MLP模型达到最大精度(R2为0.638,RMSE为0.016)。本研究可为建立非接触性猕猴桃果园土壤含水率估算方法与果园灌溉系统设计提供依据。 相似文献
1