期刊文献+
共找到3篇文章
< 1 >
每页显示 20 50 100
基于高分六号宽幅影像的油菜种植分布区域提取方法 被引量:13
1
作者 姜楠 张雪红 +1 位作者 汶建龙 葛州徽 《地球信息科学学报》 CSCD 北大核心 2021年第12期2275-2291,共17页
油菜作为我国主要的农业经济作物及食用油的主要来源,及时、准确地获取其种植分布信息,是全面掌握油菜种植状况、加强生产管理、优化作物种植空间格局的重要依据。高分六号(GF-6)的宽视场(Wide Field View,WFV)传感器在可见光-近红外波... 油菜作为我国主要的农业经济作物及食用油的主要来源,及时、准确地获取其种植分布信息,是全面掌握油菜种植状况、加强生产管理、优化作物种植空间格局的重要依据。高分六号(GF-6)的宽视场(Wide Field View,WFV)传感器在可见光-近红外波段基础上增设了2个红边波段、1个黄波段和1个紫波段,为油菜遥感识别提供了更加丰富的光谱信息,进而相较于蓝、绿、红、近红外4个“传统波段”的识别精度有所提升。本文以油菜开花期内两景不同时相GF-6 WFV影像拼接图像作为数据源,选择油菜生产优势区的河南省固始县为研究区,针对油菜同其他地物的“异物同谱”现象以及不同生长阶段油菜的“同物异谱”现象,利用油菜开花期独特的反射光谱特征,结合均值间标准化近距离提出了NDSI_(28)、S_(34)、NDSI_(23)和NDSI_(46)共4个光谱指数,并由此构建油菜种植区域提取的决策树模型。研究结果表明,基于4个指数组合构建的决策树模型对油菜种植分布信息的提取达到了较好的效果,总体精度为96.17%,与随机森林、支持向量机、最大似然法相比分别高出0.31%、0.88%和1.24%;制图精度方面,决策树法为98.15%,比随机森林、支持向量机、最大似然法分别高4.72%、4.21%和5.59%;对于用户精度,决策树法为86.89%,较随机森林、最大似然法分别低2.2%和1.63%,比支持向量机高0.11%。由此说明,GF-6 WFV数据中的新增波段极大地丰富了其光谱信息,使其在包括油菜在内的农作物种植分布信息提取中具有独特的优势和巨大潜力。 展开更多
关键词 高分六号 宽幅影像 油菜 决策树分类 光谱指数 多生育期 种植分布 固始县
原文传递
基于无人机影像多时相的小麦品种氮效率分类识别 被引量:1
2
作者 臧少龙 刘淋茹 +5 位作者 高越之 吴珂 贺利 段剑钊 宋晓 冯伟 《中国农业科学》 CAS CSCD 北大核心 2024年第9期1687-1708,共22页
【目的】探索无人机遥感在氮效率分类识别中的潜力,构建小麦品种氮效率分类方法,为氮高效品种筛选提供理论依据和技术支持。【方法】通过6个成熟期与氮效率密切相关的农学指标(产量、植株氮积累、氮素生理利用效率、植株干生物量、籽粒... 【目的】探索无人机遥感在氮效率分类识别中的潜力,构建小麦品种氮效率分类方法,为氮高效品种筛选提供理论依据和技术支持。【方法】通过6个成熟期与氮效率密切相关的农学指标(产量、植株氮积累、氮素生理利用效率、植株干生物量、籽粒总吸氮量、N收获指数)构建主成分综合值,并对其进行K-Means聚类分析,将121个小麦品种划分为氮高效型、氮中效型和氮低效型3种类型。利用无人机遥感平台搭载多光谱相机,在小麦拔节期、孕穗期和开花期获取无人机遥感影像,并提取34种植被指数,分析植被指数与氮效率综合值的相关性;对比支持向量机(SVM)、随机森林(RF)和K最近邻(KNN)分类方法的氮效率分类模型精度,使用总体分类精度(OA)和Kappa系数比较不同生育时期下小麦品种氮效率分类识别的能力;并使用3种不同的特征集筛选方法(ReliefF算法、Boruta算法和RF-RFE算法)对优化的特征子集进行综合评价,确立适宜的小麦品种氮效率分类识别方法。【结果】随着小麦生育时期的不断推进,植被指数与氮效率综合值的相关性逐渐提高,开花期最高(r=0.502);利用植被指数全特征集对小麦品种氮效率进行分类,对于单生育时期数据而言,以开花期的SVM模型分类效果最好(OA=77.1%,Kappa=0.591),拔节期最差(OA=65.6%,Kappa=0.406);总体而言,多生育时期数据融合的品种氮效率分类精度高于单生育时期,其中以拔节期+孕穗期+开花期3个生育时期数据融合的SVM模型的分类效果最优(OA=80.6%,Kappa=0.669)。为减少多生育时期数据融合的特征集变量数量,比较分析RF-RFE、Boruta和ReliefF 3种算法的特征优化效果,基于RF-RFE算法得到的优化特征子集分类精度最高,其OA和Kappa系数比全特征集分类模型分别提高了4.0%和10.1%,其中,以3个生育时期数据融合的分类效果最好(OA=85.4%,Kappa=0.749)。【结论】确立6个氮效率指标— 展开更多
关键词 冬小麦 无人机 植被指数 生育时期 特征筛选 氮效率分类
下载PDF
基于BP神经网络的夏玉米多生育期叶面积指数反演研究 被引量:13
3
作者 刘俊 孟庆岩 +3 位作者 葛小三 刘顺喜 陈旭 孙云晓 《遥感技术与应用》 CSCD 北大核心 2020年第1期174-184,共11页
叶面积指数(Leaf Area Index,LAI)是生物地球化学循环中重要的植被结构参数。针对目前基于我国GF-1 WFV卫星影像的夏玉米多生育期LAI反演研究较少的问题,基于不同隐含层构建BP神经网络模型(BP1模型和BP2模型),对比分析BP1模型、BP2模型... 叶面积指数(Leaf Area Index,LAI)是生物地球化学循环中重要的植被结构参数。针对目前基于我国GF-1 WFV卫星影像的夏玉米多生育期LAI反演研究较少的问题,基于不同隐含层构建BP神经网络模型(BP1模型和BP2模型),对比分析BP1模型、BP2模型和6种统计模型(NDVI、RVI、DVI、EVI、SAVI、ARVI)反演之间的精度差异,并根据实测数据绘制BP1模型和BP2模型的夏玉米多生育期LAI动态变化图。结果表明:LAI与6种常用的统计模型均有良好相关性,其中NDVI指数方程式回归模型拟合度最优;BP神经网络模型整体R 2略小于统计模型,而RMSE则小于统计模型,取得了与实测值差异更小的结果,统计模型与BP神经网络模型各有优劣之处;BP2模型在R 2和RMSE均优于BP1模型,能获得更为精确的反演值,BP2整体预测精度更高;基于BP神经网络模拟夏玉米生育期反演,LAI值呈现缓慢升高—快速增长—逐渐减小的S型变化过程,基本符合作物生长规律。该研究结合不同隐含层建立的BP神经网络模型,为GF-1卫星在作物叶面积指数多生育期反演的应用推广提供了方法支撑。 展开更多
关键词 夏玉米 叶面积指数 BP神经网络模型 统计模型 多生育期
原文传递
上一页 1 下一页 到第
使用帮助 返回顶部