检索结果-内蒙古大学图书馆

中国农业科学 2018年第5期51卷 855-867页

作者：张春兰杨贵军李贺丽汤伏全刘畅张丽妍西安科技大学测绘科学与技术学院农业部农业信息技术重点实验室国家农业信息化工程技术研究中心北京市农业物联网工程技术研究中心

【目的】通过利用随机森林算法(random forest,RF)反演冬小麦叶面积指数(leaf area index,LAI),及时、准确地监测冬小麦长势状况,为作物田间管理和产量估测等提供科学依据。【方法】本研究依据冬小麦拔节期、挑旗期、开花期及灌浆期地... 详细信息

【目的】通过利用随机森林算法(random forest,RF)反演冬小麦叶面积指数(leaf area index,LAI),及时、准确地监测冬小麦长势状况,为作物田间管理和产量估测等提供科学依据。【方法】本研究依据冬小麦拔节期、挑旗期、开花期及灌浆期地面观测数据,将相关系数分析(correlation coefficient,r)和袋外数据(out-of-bag data,OOB)重要性分析与随机森林算法(random forest,RF)相结合,在优选光谱指数和确定最佳自变量个数的基础上,构建了两种冬小麦LAI反演模型|r|-RF和OOB-RF,并利用独立数据集对两种模型进行验证;然后,将所建LAI反演模型用于无人机高光谱影像,进一步检验所建模型对无人机低空遥感平台的适用性和可靠性。【结果】|r|-RF和OOB-RF反演模型分别采用相关性前5强、重要性前2强的光谱指数作为输入因子时精度最优,验证决定系数(R~2)分别为0.805、0.899,均方根误差(RMSE)分别为0.431、0.307,表明这两个模型均能对作物LAI进行精确反演,其中OOB-RF模型的反演效果更好。利用无人机高光谱影像数据结合OOB-RF估算模型反演得到冬小麦LAI与地面实测值的拟合方程的决定系数R~2为0.761,RMSE为0.320,数值范围(1.02—6.41)与地面实测(1.29—6.81)亦比较吻合。【结论】本文基于地面数据构建的OOB-RF模型不仅具有较高的反演精度,而且适用性强,可用于无人机高光谱遥感平台提取高精度的冬小麦LAI信息。

关键词：无人机高光谱叶面积指数随机森林冬小麦

来源：评论

学校读者我要写书评

暂无评论

基于改进分离阈值特征优选的秋季作物遥感分类

引用

农业机械学报 2021年第2期52卷 199-210页

作者：王庚泽靳海亮顾晓鹤杨贵军冯海宽孙乾河南理工大学测绘与国土信息工程学院焦作454000 北京农业信息技术研究中心农业农村部农业遥感机理与定量遥感重点实验室北京100097 国家农业信息化工程技术研究中心北京100097 北京市农业物联网工程技术研究中心北京100097

为了提高秋季作物分类精度,以多时相的Sentinel 2为数据源,以生育进程相近的秋季作物为分类对象,提出一种基于Relief F算法和信息熵改进分离阈值算法(Modified ISEaTH based entropy,EMISE)的多评价准则融合特征优选算法——改进分离阈... 详细信息

为了提高秋季作物分类精度,以多时相的Sentinel 2为数据源,以生育进程相近的秋季作物为分类对象,提出一种基于Relief F算法和信息熵改进分离阈值算法(Modified ISEaTH based entropy,EMISE)的多评价准则融合特征优选算法——改进分离阈值组合式特征优选算法(Modified EMISE based Relief F,ReEMISE),并分析了不同特征对秋季作物分类的重要性。首先,利用Relief F算法对特征进行初选,结合EMISE算法对2种评价准则进行融合,再优化初选特征集,进而利用随机森林(Random forest,RF)方法提取农作物种植面积,并与单评价准则的Relief F算法和EMISE算法的随机森林分类精度进行比较。同时,利用多时相光谱特征、传统指数特征、红边指数特征、纹理特征、不同时相波段差值特征、不同时相波段比值特征及优选特征,通过7组不同的特征组合提取秋季作物种植面积,分析不同特征组合对秋季作物分类精度的影响。结果表明:ReEMISE特征优选的随机森林法在特征变量为9个时精度最高,总体精度和Kappa系数分别为95.3918%和0.9397;综合多特征是提高农作物分类精度的关键,在多时相光谱特征基础上分别加入传统指数特征和红边特征,总体精度分别提高1.5021、1.5715个百分点,Kappa系数分别提高0.0198、0.0207。因此综合多特征的ReEMISE特征优选的随机森林法可以有效提高秋作物分类精度和效率。

关键词：秋季作物遥感分类特征优选改进分离阈值组合式特征优选算法随机森林

来源：评论

学校读者我要写书评

暂无评论

基于无人机成像高光谱影像的冬小麦LAI估测

引用

农业机械学报 2020年第1期51卷 176-187页

作者：陶惠林冯海宽杨贵军杨小冬刘明星刘帅兵北京农业信息技术研究中心农业农村部农业遥感机理与定量遥感重点实验室北京100097 国家农业信息化工程技术研究中心北京100097 北京市农业物联网工程技术研究中心北京100097 河南理工大学测绘与国土信息工程学院焦作454000

利用无人机Cubert UHD185 Firefly成像光谱仪和ASD光谱仪获取了冬小麦挑旗期、开花期和灌浆期的成像和非成像高光谱以及LAI数据。首先,对比ASD与UHD185光谱仪数据光谱反射率,评价两者精度;然后,选取7个光谱参数,分析其与冬小麦3个生育期... 详细信息

利用无人机Cubert UHD185 Firefly成像光谱仪和ASD光谱仪获取了冬小麦挑旗期、开花期和灌浆期的成像和非成像高光谱以及LAI数据。首先,对比ASD与UHD185光谱仪数据光谱反射率,评价两者精度;然后,选取7个光谱参数,分析其与冬小麦3个生育期LAI的相关性,并使用线性回归和指数回归挑选出最佳估测参数;最后利用多元线性回归、偏最小二乘、随机森林、人工神经网络和支持向量机构建了冬小麦3个不同生育期LAI的估测模型。结果表明:UHD185光谱仪光谱反射率在红边区域与ASD光谱仪趋势一致性很高,反射率在挑旗期、开花期、灌浆期的R^2分别为0.9959、0.9990和0.9968,UHD185光谱仪数据精度较高;7种光谱参数在挑旗期、开花期、灌浆期与LAI相关性最高的参数分别是NDVI(r=0.738)、SR(r=0.819)、NDVI×SR(r=0.835);LAI-MLR为冬小麦LAI的最佳估测模型,其中开花期拟合性最好,精度最高(建模R^2=0.6788、RMSE为0.69、NRMSE为19.79%,验证R^2=0.8462、RMSE为0.47、NRMSE为16.04%)。

关键词：冬小麦叶面积指数无人机成像光谱估测光谱参数

来源：评论

学校读者我要写书评

暂无评论

最优权重组合模型和高光谱估算苹果叶片全磷含量

引用

农业工程学报 2016年第7期32卷 173-180页

作者：冯海宽杨福芹李振海杨贵军郭建华贺鹏王衍安北京农业信息技术研究中心北京100097 国家农业信息化工程技术研究中心北京100097 农业部农业信息技术重点实验室北京100097 北京市农业物联网工程技术研究中心北京100097 河南工程学院土木工程学院郑州451191 山东农业大学生命科学学院泰安271018

为了估算苹果叶片全磷含量,该文使用2012年和2013年在山东省肥城市潮泉镇下寨村的2个苹果示范园获取的整个生育期苹果叶片全磷含量和对应的叶片光谱数据,建立了预测苹果叶片全磷含量的最优权重组合模型。首先分析了苹果叶片全磷含量和... 详细信息

为了估算苹果叶片全磷含量,该文使用2012年和2013年在山东省肥城市潮泉镇下寨村的2个苹果示范园获取的整个生育期苹果叶片全磷含量和对应的叶片光谱数据,建立了预测苹果叶片全磷含量的最优权重组合模型。首先分析了苹果叶片全磷含量和原始光谱的相关关系,确定了以553和722 nm为苹果叶片全磷含量的诊断波段;根据叶片全磷含量与400~2 500 nm范围两两组合的决定系数等值线图,确立了对苹果叶片全磷含量敏感的546和521 nm、553和518 nm组合的归一化差值指数和543和525 nm、1 394和718 nm组合的比值指数;最后以553和722 nm的反射率以及546和521 nm、553和518 nm组合的归一化差值指数和543和525 nm、1 394和718 nm组合的比值指数为自变量,构建了基于苹果叶片全磷含量的最优权重组合模型,实现了对苹果叶片全磷含量的高光谱估算。结果表明,最优权重组合模型无论是建模集还是验证集,其预测能力(R2=0.94)要优于该文中的6种统计方法(平均R2=0.82),研究结果为快速无损诊断苹果叶片的磷素状况提供新的技术途径。

关键词：光谱分析磷模型苹果叶片最优权重 RBF神经网络

来源：评论

学校读者我要写书评

暂无评论

基于高光谱遥感与SAFY模型的冬小麦地上生物量估算

引用

农业机械学报 2020年第2期51卷 192-202,220页

作者：刘明星李长春李振海冯海宽杨贵军陶惠林河南理工大学测绘与国土信息工程学院焦作454000 北京农业信息技术研究中心农业农村部农业遥感机理与定量遥感重点实验室北京100097 国家农业信息化工程技术研究中心北京100097 北京市农业物联网工程技术研究中心北京100097

为了探索准确、高效地估算冬小麦地上生物量(Dry aerial mass,DAM)的方法,获取了2013—2014年和2014—2015年2个生长季的冬小麦试验数据,采用植被指数反演叶面积指数(LAI),以遥感反演LAI作为遥感与SAFY(Simple algorithm for yield esti... 详细信息

为了探索准确、高效地估算冬小麦地上生物量(Dry aerial mass,DAM)的方法,获取了2013—2014年和2014—2015年2个生长季的冬小麦试验数据,采用植被指数反演叶面积指数(LAI),以遥感反演LAI作为遥感与SAFY(Simple algorithm for yield estimates)模型之间的耦合变量,利用主成分分析的复合型混合演化(Shuffled complex evolution with PCA,SP-UCI)算法优化出苗日期(D0)、有效光能利用率(ELUE)和衰老温度(STT)3个敏感参数,对冬小麦全生育期进行动态生长模拟。结果表明,2014—2015年和2013—2014年冬小麦全生育期模型模拟地上生物量R^2、RMSE和NRMSE分别为0.887、1.001 t/hm^2、19.41%和0.856、1.033 t/hm^2、19.86%。研究表明,耦合高光谱遥感与SAFY作物生长模型能够准确地模拟冬小麦长势的动态变化,对冬小麦地上生物量估算精度较高,可为遥感监测冬小麦长势提供参考。

关键词：冬小麦地上生物量高光谱 SAFY模型叶面积指数

来源：评论

学校读者我要写书评

暂无评论

倒伏胁迫下玉米抽雄期叶面积密度光谱诊断

引用

中国农业科学 2019年第9期52卷 1518-1528页

作者：周龙飞顾晓鹤成枢杨贵军孙乾束美艳山东科技大学测绘科学与工程学院农业部农业遥感机理与定量遥感重点实验室/北京农业信息技术研究中心国家农业信息化工程技术研究中心北京市农业物联网工程技术研究中心

【目的】叶面积密度(leaf area density,LAD)反映作物在垂直方向上体积内叶面积总量的差异,体现作物冠层内叶面积随着高度变化的分布状况。本文旨在探索玉米叶面积密度对于倒伏胁迫强度的表征能力及其光谱响应规律。【方法】以抽雄期倒... 详细信息

【目的】叶面积密度(leaf area density,LAD)反映作物在垂直方向上体积内叶面积总量的差异,体现作物冠层内叶面积随着高度变化的分布状况。本文旨在探索玉米叶面积密度对于倒伏胁迫强度的表征能力及其光谱响应规律。【方法】以抽雄期倒伏夏玉米为研究对象,获取倒伏后玉米多期LAD及冠层光谱数据,对倒伏玉米冠层光谱进行一阶微分和小波变换处理,根据LAD与冠层光谱一阶微分及小波分解系数的相关性分析,筛选LAD敏感波段和最佳小波分解尺度,采用偏最小二乘法构建倒伏玉米LAD光谱诊断模型,并利用实测样本验证模型精度。【结果】玉米LAD随着倒伏胁迫程度的增强而增大,LAD可有效表征玉米倒伏胁迫强度及其自身恢复能力;玉米倒伏后冠层结构发生较大变化,倒伏玉米冠层光谱反射率较正常玉米整体增高,近红外波段的增幅相比可见光波段更高,倒伏强度越强则光谱反射率越高;LAD敏感波段主要分布在蓝光波段354—442、472—495 nm和红光波段649—829 nm以及近红外波段903—1 195 nm和1 564—1 581 nm;同一阶微分处理相比,基于连续小波变换的玉米倒伏LAD诊断模型的验证R2提高6.08%—9.11%,RMSE降低23.08%—31.63%;小波分解尺度对LAD诊断精度有一定的影响,中低尺度模型精度优于高尺度模型,其中第5尺度构建的模型对LAD的拟合效果最优(R2=0.898,RMSE=1.016)。【结论】利用连续小波变换技术对玉米冠层高光谱解析,可有效诊断倒伏胁迫下的玉米叶面积密度,可以为玉米倒伏胁迫灾情遥感监测提供必要的先验知识。

关键词：抽雄期倒伏胁迫连续小波变换 LAD 玉米高光谱

来源：评论

学校读者我要写书评

暂无评论

基于无人机高光谱特征参数和株高估算马铃薯地上生物量

引用

光谱学与光谱分析 2021年第3期41卷 903-911页

作者：刘杨冯海宽黄珏杨福芹吴智超孙乾杨贵军农业部农业遥感机理与定量遥感重点实验室北京农业信息技术研究中心北京100097 山东科技大学测绘科学与工程学院山东青岛266590 国家农业信息化工程技术研究中心北京100097 北京市农业物联网工程技术研究中心北京100097 河南工程学院土木工程学院河南郑州451191

地上生物量(above-ground biomass,AGB)是评价作物长势及其产量估测的重要指标,对指导农业管理具有重要的作用。因此,快速准确地获取生物量信息,对于监测马铃薯生长状况,提高产量具有重要的意义。于马铃薯现蕾期、块茎形成期、块茎增长... 详细信息

地上生物量(above-ground biomass,AGB)是评价作物长势及其产量估测的重要指标,对指导农业管理具有重要的作用。因此,快速准确地获取生物量信息,对于监测马铃薯生长状况,提高产量具有重要的意义。于马铃薯现蕾期、块茎形成期、块茎增长期、淀粉积累期、成熟期获取成像高光谱影像、实测株高(heigh,H)、地上生物量和地面控制点(ground control point,GCP)的三维空间坐标。首先基于无人机高光谱灰度影像结合GCP生成试验田的DSM(digital surface model,DSM),利用DSM提取马铃薯的株高(H_(dsm));然后利用无人机高光谱影像计算一阶微分光谱、植被指数和绿边参数,进而分析高光谱特征参数(hyperspectral characteristic parameters,HCPs)和绿边参数(green edge parameters,GEPs)与马铃薯AGB的相关性,每个生育期筛选出相关性较高的前7个高光谱特征参数和最优绿边参数(optimal green edge parameters,OGEPs);最后基于HCPs,HCPs加入OGEPs,HCPs加入OGEPs和H dsm的组合利用偏最小二乘回归(partial least square regression,PLSR)和随机森林(random forest,RF)估算不同生育期的AGB。结果表明:(1)提取的H_(dsm)与实测株高H高度拟合(R^(2)=0.84,RMSE=6.85 cm,NRMSE=15.67%);(2)每个生育期得到的最优绿边参数不完全相同,现蕾期、块茎增长期和淀粉积累期OGEPs为R_(sum),块茎形成期和成熟期OGEPs分别为Dr_(min)和SDr;(3)与仅使用HCPs估算AGB相比,使用HCPs加入OGE Ps,HCPs加入OGEPs和H dsm在马铃薯不同生育期可以提高AGB估算精度,且以后者为自变量提高精度的幅度更大;(4)每个生育期利用PLSR和RF估算AGB的建模和验证R^(2)从现蕾期到块茎增长期呈上升趋势,随后开始降低,整体上R^(2)呈先上升后下降的趋势,通过PLSR方法构建的估算AGB模型效果优于RF方法,其中块茎增长期表现效果最好。因此,高光谱特征参数中结合最优绿边参数和株高,并使用PLSR方法可以改善马铃薯AGB的估算效果。

关键词：马铃薯地上生物量高光谱特征参数绿边参数株高

来源：评论

学校读者我要写书评

暂无评论

不同分辨率无人机数码影像的马铃薯地上生物量估算研究

引用

光谱学与光谱分析 2021年第5期41卷 1470-1476页

作者：刘杨冯海宽孙乾杨福芹杨贵军农业部农业遥感机理与定量遥感重点实验室北京农业信息技术研究中心北京100097 山东科技大学测绘科学与工程学院山东青岛266590 国家农业信息化工程技术研究中心北京100097 北京市农业物联网工程技术研究中心北京100097 河南工程学院土木工程学院河南郑州451191

地上生物量(AGB)是表征作物生命活动的重要参数,对作物长势监测和产量预测尤为关键。因此,快速准确地获取AGB信息,对于监测作物生长状况、指导农业管理和提高产量具有重要的意义。以无人机为平台搭载数码相机传感器,因机动性强、价格低... 详细信息

地上生物量(AGB)是表征作物生命活动的重要参数,对作物长势监测和产量预测尤为关键。因此,快速准确地获取AGB信息,对于监测作物生长状况、指导农业管理和提高产量具有重要的意义。以无人机为平台搭载数码相机传感器,因机动性强、价格低、空间分辨率高的优势,能够及时准确的估算作物AGB,已成为遥感估算研究的热点之一。由于无人机不同飞行高度及其对应不同分辨率数码影像的AGB估算模型精度不同,因此,尝试在马铃薯的块茎增长期,通过设置10,20,30,40和50 m共5种无人机飞行高度,获取不同分辨率的数码影像,探究其对以光谱信息、纹理特征和光谱信息+纹理特征构建A GB模型精度的影响。首先,基于无人机数码影像,分别提取光谱信息和纹理特征,通过光谱信息构建的植被指数和纹理特征,分别结合地面试验获取的实测地上部生物量数据进行相关性分析,分别筛选了相关系数绝对值较大的前10个影像指数和前8个纹理特征。然后,分别以3种输入变量整合方差膨胀因子(VIF)进行主成分分析(PCA)降维处理,获得最佳主成分后以多元线性回归(MLR)构建AGB估算模型。最后,对比不同分辨率的数码影像以3种变量和同种分辨率下以同种变量构建的AGB估测模型效果。结果发现:(1)获得的影像分辨率在0.43~2.05 cm之间变化时,纹理特征与马铃薯AGB相关性弱于植被指数,但都达到极显著相关水平(p<0.01),随着数码影像分辨率降低,二者相关性差异明显。(2)同种分辨率影像下,光谱信息+纹理特征估算AGB的效果最优,其次为单一纹理特征模型,而单一光谱模型表现效果最差。(3)随着数码影像分辨率提高,光谱信息、纹理信息以及光谱+纹理信息估算AGB的精度逐渐变好。

关键词：马铃薯地上生物量影像分辨率光谱信息纹理特征

来源：评论

学校读者我要写书评

暂无评论

我国农业信息化发展的形势与对策

引用

华南农业大学学报（社会科学版） 2015年第4期14卷 9-19页

作者：李瑾冯献郭美荣北京农业信息技术研究中心北京100097 国家农业信息化工程技术研究中心北京100097 农业部农业信息技术重点实验室北京100097 北京市农业物联网工程技术研究中心北京100097

目前我国农业信息技术实现了由单一技术应用向综合集成方向转变,农业信息产业进入由萌芽向成长初期方向转变的历史阶段,同时也面临着农业资源枯竭、农业生态环境恶化、农业比较效益低下等多重约束,存在着技术产品标准与检测缺失、关键... 详细信息

目前我国农业信息技术实现了由单一技术应用向综合集成方向转变,农业信息产业进入由萌芽向成长初期方向转变的历史阶段,同时也面临着农业资源枯竭、农业生态环境恶化、农业比较效益低下等多重约束,存在着技术产品标准与检测缺失、关键技术装备创新滞后、市场化程度低、配套政策不完善等问题与挑战。提出加快农业信息技术产品研发、健全农业信息化工程规范和评测体系、建立农业信息化示范基地群、大力推进电子商务等对策建议。

关键词：农业信息化信息技术精准农业偏离度

来源：评论

学校读者我要写书评

暂无评论

基于无人机高光谱遥感的冬小麦叶面积指数反演

引用

农业工程学报 2016年第22期32卷 113-120页

作者：高林杨贵军于海洋徐波赵晓庆董锦绘马亚斌北京农业信息技术研究中心北京100097 国家农业信息化工程技术研究中心北京100097 农业部农业信息技术重点实验室北京100097 北京市农业物联网工程技术研究中心北京100097 南京大学地理与海洋科学学院南京210023 河南理工大学测绘与国土信息工程学院焦作454000

叶面积指数（leaf area index,LAI）是评价作物长势和预测产量的重要依据。光谱特征信息作为高光谱遥感的突出优势在追踪LAI动态变化方面极其重要;然而,围绕光谱特征信息所开展的无人机高光谱遥感反演作物LAI的相关研究鲜有报道。该文利... 详细信息

叶面积指数（leaf area index,LAI）是评价作物长势和预测产量的重要依据。光谱特征信息作为高光谱遥感的突出优势在追踪LAI动态变化方面极其重要;然而,围绕光谱特征信息所开展的无人机高光谱遥感反演作物LAI的相关研究鲜有报道。该文利用ASD Field Spec FR Pro 2500光谱辐射仪（ASD Field Spec FR Pro 2500 spectroradiometer,ASD）和Cubert UHD185 Firefly成像光谱仪（Cuber UHD185 Firefly imaging spectrometer,UHD185）在冬小麦试验田进行空地联合试验,基于获取的孕穗期、开花期以及灌浆期地面数据和无人机高光谱遥感数据,估测冬小麦LAI。该文选择同步获取的冬小麦冠层ASD光谱反射率数据作为评价无人机UHD185高光谱数据质量的标准,依次从光谱曲线变化趋势、光谱相关性以及目标地物光谱差异三方面展开分析,结果表明458~830 nm（第3~96波段）的UHD185光谱数据可靠,可使用其探测冬小麦LAI,这为今后无人机UHD185高光谱数据的使用提供了参考。该文研究对比分析了UHD185数据计算的红边参数和光谱指数与冬小麦LAI的相关性,结果表明：12种参数中比值型光谱指数RSI（494,610）与LAI高度正相关,是估测LAI的最佳参数;基于比值型光谱指数的对数形式lg（RSI）构建的线性模型展现出lg（RSI）与lg（LAI）较优的线性关系（决定系数R2=0.737,参与建模的样本个数n=103）,且lg（LAI）预测值和lg（LAI）实测值高度拟合性（R2=0.783,均方根误差RMSE=0.127,n=41,P〈0.001）;该研究为利用无人机高光谱遥感数据开展相关研究积累了经验,也为发展无人机高光谱遥感的精准农业应用提供了参考。

关键词：遥感无人机传感器叶面积指数红边参数光谱指数

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：