期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到3篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
结合变异系数法和机器学习模型的棉花长势监测
1
作者 杨思佳 王仁军 +4 位作者 郑江华 赵鹏玉 韩万强 毛旭芮 范宏 《测绘通报》 CSCD 北大核心 2024年第7期111-116,共6页
为了更加准确地获取棉花关键物候期的长势信息,本文首先通过棉花制图指数提取棉花种植区域;然后利用变异系数法将反映棉花长势的株高、SPAD值、叶片湿重、叶片干重与叶面积5种指标构建为一个综合长势指标,即棉花长势指数(FBCGI);最后选... 为了更加准确地获取棉花关键物候期的长势信息,本文首先通过棉花制图指数提取棉花种植区域;然后利用变异系数法将反映棉花长势的株高、SPAD值、叶片湿重、叶片干重与叶面积5种指标构建为一个综合长势指标,即棉花长势指数(FBCGI);最后选取最优特征变量,结合随机森林模型构建棉花长势反演模型。结果表明:①棉花总体分类精度达到81.65%;②与5种单一长势指标相比,构建的FBCGI与植被指数的相关性更高;③基于最优特征变量和随机森林模型构建的棉花长势监测模型,在建模集和验证集中的R 2和RMSE分别为0.74、0.07和0.51、0.10。研究结果可为棉花长势监测提供重要参考。 展开更多
关键词 棉花 棉花制图指数 综合长势监测 遥感
下载PDF
变异系数法结合优化神经网络的无人机冬小麦长势监测 被引量：20
2
作者 徐云飞 程琦 +4 位作者 魏祥平 杨斌 夏沙沙 芮婷婷 张世文 《农业工程学报》 EI CAS CSCD 北大核心 2021年第20期71-80,共10页
高效、快速、准确获取冬小麦长势信息在农业发展和经营决策中具有重要作用。该研究以冬小麦为对象,开展无人机冬小麦长势监测,获取冬小麦生物量、株高、叶绿素含量和植株含水率数据,基于变异系数法(Coefficient of Variation Method,CV... 高效、快速、准确获取冬小麦长势信息在农业发展和经营决策中具有重要作用。该研究以冬小麦为对象,开展无人机冬小麦长势监测,获取冬小麦生物量、株高、叶绿素含量和植株含水率数据,基于变异系数法(Coefficient of Variation Method,CV)构建综合长势监测指标(Comprehensive Growth Monitoring Indicators,CGMI_(CV)),通过16种植被指数与CGMI_(CV)进行相关性分析,计算植被指数间的方差膨胀因子,筛选最优植被指数作为模型输入变量,采用偏最小二乘(Partial Least Squares Regression,PLSR)、随机森林(Random Forest,RF)、反向传播神经网络(Back Propagation Neural Networks,BPNN)及遗传算法(Genetic Algorithm,GA)优化的BPNN模型建立冬小麦长势反演模型,结合评价指标获得冬小麦最优长势反演模型,最终得到研究区冬小麦长势空间分布信息。研究结果表明:以变异系数法得到的冬小麦CGMI_(CV)相关性比单一指标的相关性有不同程度的提高;利用变异系数法结合BPNN得到的冬小麦长势最佳反演模型CGMICV-BPNN,其决定系数R^(2)可达0.71,模型精度较传统赋权法构建的CGMI_(mean)-BPNN模型提高了26.79%;采用GA优化后的BPNN模型的不稳定显著下降,其平均相对误差中位数下降了22.22%,决定系数R^(2)也有所提高;研究区内半数以上的冬小麦长势集中于第Ⅲ等级,其所占比例为55.83%,其次集中于第Ⅰ等级,其所占比例为36.08%,研究区冬小麦整体长势较为稳定。研究结果可为冬小麦长势监测及区域作物生产监测提供重要参考。 展开更多
关键词 无人机 农作物 遥感 变异系数法 综合长势监测指标 反向传播神经网络
下载PDF
融合无人机光谱信息与纹理特征的冬小麦综合长势监测 被引量：1
3
作者 承达瑜 何伟德 +3 位作者 付春晓 赵伟 王建东 赵安周 《农业机械学报》 EI CAS CSCD 北大核心 2024年第9期249-261,共13页
高效、及时获取作物长势信息对作物生产管理具有重要作用。目前针对小区域农作物长势监测多以无人机光谱信息反演来实现,但综合考虑农作物不同生育期阶段的表面特征信息进行小区域农作物长势监测的方法需进一步研究。本文以冬小麦为研... 高效、及时获取作物长势信息对作物生产管理具有重要作用。目前针对小区域农作物长势监测多以无人机光谱信息反演来实现,但综合考虑农作物不同生育期阶段的表面特征信息进行小区域农作物长势监测的方法需进一步研究。本文以冬小麦为研究对象,基于冬小麦株高和叶面积指数(Leaf area index, LAI)按照变异系数法构建综合长势监测指标(Comprehensive growth monitoring indicators, CGMI),提出一种融合无人机光谱信息与纹理特征的冬小麦综合长势监测方法。以搭载多光谱镜头的无人机获取冬小麦4个生育期影像,得到12种植被指数和各波段的8类纹理特征。采用Person相关性分析方法,筛选出与CGMI相关性较好的植被指数与纹理特征,进而采用随机森林回归(Random forest, RF)、偏最小二乘回归(Partial least squares regression, PLSR)、支持向量机回归(Support vector regression, SVR)3种机器学习方法分别构建基于植被指数和基于植被指数与纹理特征的2个长势监测模型,通过比较得到较优长势监测模型,最终获得研究区冬小麦长势空间分布信息。结果表明:3种机器学习方法中,基于植被指数与纹理特征的SVR长势监测模型精度最高(训练集R^(2)为0.789,MAE为0.03,NRMSE为4.8%,RMSE为0.04),与基于植被指数的SVR长势监测模型相比,该模型决定系数提高5.1%,平均绝对误差降低3.3%,标准均方根误差降低8.3%,均方根误差降低10%。研究结果证明该方法精确、可靠,可为冬小麦长势监测提供参考。 展开更多
关键词 冬小麦 综合长势监测指标 无人机 多光谱 纹理特征
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部