基于Sentinel-2数据的青海门源县天然草地生物量遥感反演研究

草地地上物生物量(AGB)是评价草地生产力的重要指标，精准反演天然草地的AGB，对草地长势监测和草畜平衡评估具有重要的意义。由于常用的遥感数据(如Landsat和MODIS等)受较低时间或空间分辨率引发的诸多问题的影响，因此探索具有更高时空分辨率及更多光谱波段的Sentinel-2卫星数据在县域尺度的草地植被监测状况具有极其重要的作用。利用Sentinel-2卫星遥感影像和青海门源县实测草地AGB数据，构建了基于随机森林(RF)、支持向量机(SVM)和人工神经网络(ANN)3种机器学习方法的草地生物量估算模型，研究了2019-2021年门源县天然草地生物量时空分布特征。结果表明：1)Sentinel-2卫星影像的3个原始波段(B2、B6、B11)和2种植被指数[反红边叶绿素指数(IRECI)和特定色素简单比值植被指数(PSSRa)]，是草地AGB敏感的特征变量。其中，红边波段(B5、B6、B7)对天然草地AGB遥感反演具有重要作用。2)基于RF算法的草地AGB估测模型是门源县天然草地生物量估测的最优模型(验证集R2为0.72,RMSE为622.616 kg·hm-2)，优于SVM模型(...     

基于机器学习的模拟电路故障诊断研究

本次研究将对神经网络方法做简单介绍,在此基础上提出小波神经网络法、优化神经网络法以及支持向量机法等在模拟电路故障诊断中的应用。     

基于人工智能的木材缺陷检测研究进展

木材缺陷检测是木制品加工前的重要步骤,为了提高检测效率和经济效益,木材缺陷检测也从传统的人工方法向智能化方向转变。随着计算机技术的不断提高,人工智能得到快速发展,人工智能在木材缺陷检测中的应用也进一步增加。目前,人工智能主要通过机器学习、人工神经网络、深度学习等算法实现对木材缺陷的预处理和检测。文中阐述部分常用人工智能算法在木材缺陷检测中的应用,包括相关算法的原理、特点;综合分析算法优缺点,并对人工智能技术在木材缺陷检测中的研究进行了展望。     

基于两点机器学习方法的土壤有机质空间分布预测

准确预测土壤有机质(Soil Organic Matter,SOM)空间分布对精细农业、耕地质量建设、生态环境保护以及固碳减排等均具有重要的意义。该研究探讨了基于两点机器学习方法(Two-pointMachineLearning,TPML)提高SOM空间分布预测的可行性。以黑龙江省海伦市为研究区,以气候、地形地貌、社会经济和空间位置信息等因素作为辅助变量,充分利用空间位置信息和属性相似关系,有效处理SOM空间分布异质性及其与辅助变量间关系异质性,以提高TPML方法进行SOM空间分布预测的精度。采用随机森林、基于随机森林的回归克里格、反距离权重法和普通克里格(Ordinary Kriging,OK)方法作为对比,以平均绝对误差(Mean Absolute Error,MAE)、均方根误差(Root Mean Square Error,RMSE)、预测值与真实值相关系数(r)和决定系数(R²)作为评价指标,进行不同样本量下的多组对比试验,评价不同方法的预测精度。结果表明：1)研究区SOM含量在1.775～7.188 g/kg之间,平均值为3.179 g/kg,空间分布...     

基于机器学习的棉花叶面积指数监测

为实现基于机器学习和无人机高光谱影像进行棉花全生育期叶面积指数(Leaf Area Index, LAI)监测,该研究基于大田种植滴灌棉花,在不同品种及不同施氮处理的小区试验基础上,对无人机获取的高光谱数据分别采用一阶导(First Derivative, FDR)、二阶导(Second Derivative, SDR)、SG(Savitzky-Golay)平滑和多元散射校正(Multiplicative Scatter Correction, MSC)进行预处理,并结合Pearson相关系数法、连续投影(Successive Projections Algorithm, SPA)、随机蛙跳(Shuffled Frog Leaping Algorithm, SFLA)和竞争性自适应重加权(Competitive Adaptive Reweighting, CARS)筛选敏感波段,将筛选出的波段,使用偏最小二乘回归(Partial Least Squares Regression, PLSR)、支持向量回归(Support Vector Regression, SVR)和随机森林回归(Random Forest Regression, RFR)3种机器学习算法构建棉花LAI监测模型。结果表明:棉花冠层LAI敏感响应波段集中在可见光(400～780 nm)和近红外(900 nm之后)波段;对比3种机器学习算法,各预处理下RFR建立的LAI监测模型精度最高,稳定性最好,其中以FDR-SFLA-RFR模型最佳,在建模集的决定系数为0.74,均方根误差为1.648 3,相对均方根误差为26.39%;验证集的决定系数、均方根误差分别为0.67和1.622 0,相对均方根误差为25.97%。该研究基于无人机获取的棉花冠层光谱反射率,从不同光谱预处理、波段筛选及建模方法建立的模型中筛选出最佳估算模型用于棉花全生育期LAI监测,研究结果可为棉花大田精准管理及变量施肥提供依据。     

结合Sentinel-2影像和特征优选模型提取大豆种植区

准确获取大豆的空间分布对于产量估计、灾害预警和农业政策调整具有重要意义,目前针对种植结构复杂地区所开展的大豆遥感识别研究鲜有报道。该研究以安徽省北部平原的典型大豆产区——龙山、青疃镇为研究区,基于Sentinel-2数据提出一种分层逐级提取策略的大豆识别方法。该方法首先构建决策树筛选规则,剔除研究区内非农田地物,获得田间植被的总体分布;然后生成19个候选特征因子,包括分辨率小于等于20 m的10个波段反射率以及9个植被指数。在典型地物类型样本的支持下,将ReliefF特征权重评估算法与随机森林(RandomForest,RF),BP神经网络(Back-Propagation Neural Network,BPNN)和支持向量机(Support Vector Machine, SVM)相结合,分别构建ReliefF-RF、ReliefF-BPNN、ReliefF-SVM三种组合模型筛选出对于大豆识别最有效的特征,并基于布设在研究区内6个样方(大小为1 km×1 km)的无人机影像提取得到的大豆分布来评估3种模型在大豆制图中的表现。结果表明,ReliefF-RF模型表现最佳,基于该模型筛选出7个优选特征因子,大豆制图的总体精度介于85.92%～91.91%,Kappa系数在0.72～0.81之间,各个样方的提取效果均优于其他两种模型。此外,基于优选特征达到的提取精度明显高于原始波段反射率,虽然略低于全部19个特征的结果,但是数据量降低了63.16%。该研究可以为农田景观破碎、种植结构复杂地区的大豆种植区提取相关研究提供有价值的参考和借鉴。     

基于改进Faster R-CNN的田间黄板害虫检测算法

针对黄板诱捕的害虫体积小、数量多和分布不均匀,难以进行害虫识别的问题,引入当前主流目标检测模型Faster R-CNN对黄板上的小菜蛾、黄曲条跳甲和烟粉虱等主要害虫进行识别与计数,提出一种基于改进Faster R-CNN的田间黄板害虫检测算法（Mobile terminal pest Faster R-CNN,MPF R-CNN）。该算法将ResNet101网络与FPN网络相结合作为特征提取网络,并在RPN网络设计多种不同尺寸锚点对特征图像进行前景和背景判断,使用ROIAlign替代ROIPooling进行特征映射,以及使用双损失函数进行算法参数控制。对2440幅样本图像的实验分析表明,在真实复杂的自然环境下,MPF R-CNN对烟粉虱、黄曲条跳甲、小菜蛾和其他大型害虫（体长大于5mm）检测的平均精度分别为87.84%、86.94%、87.42%和86.38%;在35cm×25cm黄板上不超过480只的低密度下平均精度均值为93.41%,在480~960只害虫的中等密度下平均精度均值为89.76%。同时实验显示,在中低等密度下晴天和雨天的检测精度无明显差异,本算法计数结果与害虫计数决定系数为0.9255。将该算法置入以“微信小程序+云存储服务器+算法服务器”为架构的小米7手机终端系统中进行应用测试,平均识别时间为1.7s。研究表明,该算法在精度和速度上均可支持当前便携式应用,为利用手机对蔬菜害虫进行快速监测与识别提供了技术支撑。     

基于词袋特征的空心村高分影像建筑物解译模型

如何利用高分影像构建自动解译模型是快速高效获取空心村建筑物的关键,对空心村调查研究具有重要意义。针对传统目视解译需要专业知识,效率低、工作量大的问题,提出一种基于词袋特征的空心村高分影像建筑物解译模型。首先,对比了多种影像特征提取方法;然后,选取词袋特征(Bo W)和支持向量机(SVM)构建建筑物自动解译模型;最后,为检验方法的有效性,选取空心村高分影像构建了建筑物样本库,并基于该样本库进行实验研究。结果表明本文方法的分类准确度可以达到0.86,所提方法可用于空心村内建筑物自动解译,具有较高的实用价值。     

农业大模型：关键技术、应用分析与发展方向

[目的/意义]近年来,人工智能在农业领域的应用取得了显著进展,但仍面临诸如模型数据收集标记困难、模型泛化能力弱等挑战。大模型技术作为近期人工智能领域新的热点技术,已在多个行业的垂直领域中展现出了良好性能,尤其在复杂关联表示、模型泛化、多模态信息处理等方面较传统机器学习方法有着较大优势。[进展]本文首先阐述了大模型的基本概念和核心技术方法,展示了在参数规模扩大与自监督训练下,模型通用能力与下游适应能力的显著提升。随后,分析了大模型在农业领域应用的主要场景;按照语言大模型、视觉大模型和多模态大模型三大类,在阐述模型发展的同时重点介绍在农业领域的应用现状,展示了大模型在农业上取得的研究进展。[结论/展望]对农业大模型数据集少而分散、模型部署难度大、农业应用场景复杂等困难提出见解,展望了农业大模型未来的发展重点方向。预计大模型将在未来提供全面综合的农业决策系统,并为公众提供专业优质的农业服务。