作物分布制图是现代农业管理的关键,可为作物产量预测和精准农业决策提供科学依据。尽管深度学习在作物分类中展现出巨大潜力,但其实际应用仍受限于样本获取成本和分类精度。本研究提出了一种基于集成学习和置信学习的半监督分类框架(En...作物分布制图是现代农业管理的关键,可为作物产量预测和精准农业决策提供科学依据。尽管深度学习在作物分类中展现出巨大潜力,但其实际应用仍受限于样本获取成本和分类精度。本研究提出了一种基于集成学习和置信学习的半监督分类框架(Ensemble and confident learning based semi-supervised classification framework,ECL-SSCF),旨在利用有限的地面标记样本实现高精度的作物分类。ECL-SSCF框架包含集成学习和置信学习2个模块。集成学习模块通过并行训练多个深度学习模型,并采用相对众数投票法整合多个深度学习模型的分类结果,从而提升分类精度。而置信学习模块则基于模型的预测概率评估伪标签的置信度,筛选出高置信度的伪样本以扩充训练集,克服小样本导致的过拟合现象。在湖北省枝江市和山东省桓台县2个研究区的作物分类结果显示:ECL-SSCF通过引入置信学习策略,在2个研究区的伪样本的总体精度分别提升17.29.3个百分点,超越单一深度学习模型(如LSTM、Conv1DConvLSTM和TempCNN),利用提纯的伪样本训练4种深度学习模型并集成得到ECL-SSCF的分类结果,ECL-SSCF在2个研究区的总体分类精度分别达到了90.4%和86.3%,明显优于任何单一深度学习模型。为了更全面地评估ECL-SSCF的性能,进一步探讨了其生成的伪样本数量和质量对5种模型预测性能的影响。实验结果表明,当样本数量达到标准样本集30%左右,噪声样本比例低于标准样本集30%时,ECL-SSCF均表现出稳健的性能。说明集成学习和置信学习策略的结合使ECL-SSCF获得了高质量的样本和稳定的分类性能,缓解了深度学习模型对大量人工标记样本的依赖,为进行大尺度的作物遥感分类制图提供了新的技术方案。展开更多
钻头的压入深度和下探阻力是制约土壤钻机工作性能的重要因素,但由于土壤本身性态错综复杂且存在较大的地区性差异,很难建立统一的土壤本构方程以研究土壤与部件的接触关系。为获取土壤离散元仿真模型的土壤颗粒物理参数及接触参数及其...钻头的压入深度和下探阻力是制约土壤钻机工作性能的重要因素,但由于土壤本身性态错综复杂且存在较大的地区性差异,很难建立统一的土壤本构方程以研究土壤与部件的接触关系。为获取土壤离散元仿真模型的土壤颗粒物理参数及接触参数及其与钻进部件的接触模型,采用仿真与试验结合的方法,对土壤颗粒与钻进部件的接触模型进行标定。引入离散元理论将土壤简化为颗粒聚散物,基于EDEM颗粒Hertz-Mindlin with JKR(Johnson-Kendall-Roberts)模型模拟西咸新区土壤的钻头直推压入过程,并测定其本征参数及其与部件的接触参数,进行离散元仿真模拟。在材料试验机上开展钻头下压实验,获得下压位移-阻力曲线,得到土-钢JKR表面能为3.2 J/m^(2)。提出的土壤颗粒建模方法、标定方法及其所标定的参数值可用于粉壤土钻进探测机械触土部件与土壤相互作用的离散元仿真分析及其结构优化,为土壤钻机与钻头的设计提供一定的指导。展开更多
文摘作物分布制图是现代农业管理的关键,可为作物产量预测和精准农业决策提供科学依据。尽管深度学习在作物分类中展现出巨大潜力,但其实际应用仍受限于样本获取成本和分类精度。本研究提出了一种基于集成学习和置信学习的半监督分类框架(Ensemble and confident learning based semi-supervised classification framework,ECL-SSCF),旨在利用有限的地面标记样本实现高精度的作物分类。ECL-SSCF框架包含集成学习和置信学习2个模块。集成学习模块通过并行训练多个深度学习模型,并采用相对众数投票法整合多个深度学习模型的分类结果,从而提升分类精度。而置信学习模块则基于模型的预测概率评估伪标签的置信度,筛选出高置信度的伪样本以扩充训练集,克服小样本导致的过拟合现象。在湖北省枝江市和山东省桓台县2个研究区的作物分类结果显示:ECL-SSCF通过引入置信学习策略,在2个研究区的伪样本的总体精度分别提升17.29.3个百分点,超越单一深度学习模型(如LSTM、Conv1DConvLSTM和TempCNN),利用提纯的伪样本训练4种深度学习模型并集成得到ECL-SSCF的分类结果,ECL-SSCF在2个研究区的总体分类精度分别达到了90.4%和86.3%,明显优于任何单一深度学习模型。为了更全面地评估ECL-SSCF的性能,进一步探讨了其生成的伪样本数量和质量对5种模型预测性能的影响。实验结果表明,当样本数量达到标准样本集30%左右,噪声样本比例低于标准样本集30%时,ECL-SSCF均表现出稳健的性能。说明集成学习和置信学习策略的结合使ECL-SSCF获得了高质量的样本和稳定的分类性能,缓解了深度学习模型对大量人工标记样本的依赖,为进行大尺度的作物遥感分类制图提供了新的技术方案。
文摘钻头的压入深度和下探阻力是制约土壤钻机工作性能的重要因素,但由于土壤本身性态错综复杂且存在较大的地区性差异,很难建立统一的土壤本构方程以研究土壤与部件的接触关系。为获取土壤离散元仿真模型的土壤颗粒物理参数及接触参数及其与钻进部件的接触模型,采用仿真与试验结合的方法,对土壤颗粒与钻进部件的接触模型进行标定。引入离散元理论将土壤简化为颗粒聚散物,基于EDEM颗粒Hertz-Mindlin with JKR(Johnson-Kendall-Roberts)模型模拟西咸新区土壤的钻头直推压入过程,并测定其本征参数及其与部件的接触参数,进行离散元仿真模拟。在材料试验机上开展钻头下压实验,获得下压位移-阻力曲线,得到土-钢JKR表面能为3.2 J/m^(2)。提出的土壤颗粒建模方法、标定方法及其所标定的参数值可用于粉壤土钻进探测机械触土部件与土壤相互作用的离散元仿真分析及其结构优化,为土壤钻机与钻头的设计提供一定的指导。
