基于多植被指数组合的棉花叶片叶绿素含量估算

叶绿素含量是表征植被生长状况的重要参考指标,利用高光谱技术快速,精确地监测棉花叶片叶绿素含量,以新疆125个苗期棉花叶片样本为研究对象,通过测定其叶绿素含量与光谱数据,采用多种光谱预处理和多植被指数相结合的方法,构建了WOA-RFR棉花叶片叶绿素含量定量反演模型,并与SVR和RFR模型结果进行对比分析。结果表明:(1)光谱变换方法中对数变换、分数阶微分和连续小波变换均能有效地提高植被指数与叶绿素含量的相关性。(2)基于分数阶微分0.9阶变换的Vogelmann3、RVI、DVI、SR_([675-700])、Mndvi_(705)、ND、VOG1、NVI、TVI和VOG2植被指数组合的WOA-RFR模型反演效果最佳,其建模集和验证集模型R~2分别为0.920和0.955,RMSE分别为0.987和0.986,MRE分别为0.013和0.014,与RFR和SVR模型相比,预测精度有所提高,WOA算法优化模型效果明显。研究结果可为棉花叶片叶绿素含量定量反演提供决策依据。

改进YOLOv5的无人机影像果树检测方法研究

在果树密集种植区,果树冠层间相互遮挡以及背景噪声限制了检测果树的准确性,为提高自然环境中果树冠层的检测精度,以新疆渭干河-库车河三角洲绿洲果园无人机遥感影像为基础,提出了一种基于改进YOLOv5的无人机影像果树检测方法。YOLOv5被用作基线网络,使用注意力机制CBAM模块关注果树整体,并根据果树冠层的大小和形状自适应地调整感受野,增强果树的特征提取,以减少由于目标的大小和形状不同而导致的漏检;使用Alpha损失函数加大收敛效果,从而在不增加计算量的情况下减少复杂背景对果树检测结果的干扰。试验结果表明,改进的YOLOv5模型能够有效提高果树检测精度,与其他经典目标检测模型相比,平均精度均值mAP分别提高了0.52%、48.33%、13.44%、4.71%、26.71%和2.1%,具有较高的鲁棒性和泛化性。本文改进的YOLOv5模型能够准确检测出无人机影像中的果树冠层,可以为自动化果园监测、智能识别和工程应用提供参考。