期刊文献+
共找到2篇文章
< 1 >
每页显示 20 50 100
基于VSURF-CA的小麦条锈病高光谱病情指数估测模型 被引量:2
1
作者 梅广源 李荣 +8 位作者 梅新 陈日强 樊意广 程金鹏 冯子恒 陶婷 赵倩 赵培钦 杨小冬 《中国农业科学》 CAS CSCD 北大核心 2024年第3期484-499,共16页
【目的】条锈病对小麦生长和产量造成严重威胁,为确保有效防控,精准监测尤为关键。利用遥感技术构建小麦条锈病估测模型,能快速、准确地估测病情指数(DI),为精准防控提供技术支持。【方法】利用ASD光谱仪获取小麦不同生育期(抽穗期、灌... 【目的】条锈病对小麦生长和产量造成严重威胁,为确保有效防控,精准监测尤为关键。利用遥感技术构建小麦条锈病估测模型,能快速、准确地估测病情指数(DI),为精准防控提供技术支持。【方法】利用ASD光谱仪获取小麦不同生育期(抽穗期、灌浆期和成熟期)高光谱数据,采用随机森林变量选择(VSURF)方法结合相关性分析(CA)对原始光谱(OR)和一阶微分光谱(FD)进行特征波段筛选。使用随机森林(RF)对比不同数据集的特征波段建模结果,确定模型效果最佳的特征集。随后借助偏最小二乘回归(PLSR)、极致梯度提升(XGBoost)以及反向传播神经网络(BPNN),对比特征集在不同算法中的建模效果。通过对比建模效果,确定针对全生育期小麦条锈病病情指数的最佳估测模型。为了验证特征集在不同生育期中的效果,利用特征集在3个生育期重新构建模型,并对比模型效果。【结果】对不同数据集进行特征筛选,并使用RF构建条锈病DI估测模型,通过比较模型效果,确定VSURF-CA-FD特征集(绿光范围的537 nm以及近红外范围的821和846nm)在RF模型中的估测效果最好。采用RF算法构建的模型表现出优异的精度,R^(2)为0.89,RMSE为12.34。这些特征波段在其他算法构建的模型中也展现出良好的精度:XGBoost模型的R^(2)为0.87,RMSE为13.15;BPNN模型的R^(2)为0.84,RMSE为15.19;PLSR模型的R^(2)为0.69,RMSE为20.92。使用不同生育期的冠层微分高光谱数据进行验证,利用VSURF-CA-FD特征集构建RF模型,对比模型发现在小麦生长的早期(抽穗期)R^(2)为0.54,RMSE为1.29,NRMSE为0.21,能满足估测病害的要求;小麦生长的中期(灌浆期),模型的R^(2)表现较好,R^(2)为0.66,RMSE为12.24,NRMSE为0.21;小麦生长晚期(成熟期),模型效果好于前两个时期,R^(2)为0.75,RMSE为10.77,NRMSE为0.15。【结论】使用VSURF-CA方法筛选出的特征波段,能构建出对小麦条锈病病情指数具有出色估测效果的RF模型。研究结果可为预测早期和中期条锈病病情指数提供有价值的思路和方法。 展开更多
关键词 高光谱估测模型 小麦条锈病 病情指数 vsurf 特征选择
在线阅读 下载PDF
基于深度学习的多时相GF-1影像林分类型分类研究 被引量:7
2
作者 杨丹 李崇贵 张家政 《林业资源管理》 北大核心 2022年第1期142-149,共8页
为了探究深度学习方法基于多时相高分1号影像的森林植被分类效果。以黑龙江省孟家岗林场为研究区,以多时相GF-1影像和数字高程模型(DEM)为数据源,通过提取光谱特征、植被指数、纹理特征以及地形特征构建多特征数据集,并结合VSURF算法进... 为了探究深度学习方法基于多时相高分1号影像的森林植被分类效果。以黑龙江省孟家岗林场为研究区,以多时相GF-1影像和数字高程模型(DEM)为数据源,通过提取光谱特征、植被指数、纹理特征以及地形特征构建多特征数据集,并结合VSURF算法进行特征优选。同时,分别采用优化后的U-Net,SegNet,DeepLab V3+模型对森林林分类型进行分类,并与最大似然法、随机森林方法进行对比分析。结果表明:1)利用多时相影像分类精度明显优于单时相影像;2)基于VSURF算法从构建的97个特征中优选出16个特征变量,其中NDVI、RVI、均值、同质性、对比度、相关性以及DEM特征具有较高的贡献性均被保留,其余变量被消除,从而在一定程度上避免“维数灾难”,提高模型效率;3)3种深度学习方法中U-Net模型的分类精度最高,总体精度为86.04%,Kappa系数为0.742,DeepLab V3+模型次之,SegNet模型精度最低。同时,深度学习方法的精度均优于随机森林和最大似然法。基于多时相GF-1影像构建最优特征组合,并结合深度学习方法对森林林分类型分类具有一定的参考价值。 展开更多
关键词 多时相GF-1影像 植被指数 纹理特征 vsurf U-Net SegNet DeepLab V3+
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部