基于无人机可见光图像的夏季玉米植被覆盖度提取方法

为准确快速获取夏季玉米四叶期、拔节期、抽穗期和花粒期的植被覆盖度信息,利用无人机获取玉米田间可见光图像,对图像可见光波段提取的多种植被指数进行分析和比较,选择差异植被指数(Visible-band difference vegetation index,VDVI)、过绿指数(Excess green,EXG)和归一化绿蓝差异指数(Normalized green-blue difference index,NGBDI),结合监督分类提取了玉米4个时期的植被覆盖度信息。通过对试验田4个阶段的单幅图像监督分类处理,将其目标物分为土壤和玉米植被两类;分别统计监督分类后图像中土壤和玉米的VDVI像元直方图,将两者的像元直方图交点作为植被覆盖度提取阈值,同理获得EXG和NGBDI对应的玉米植被覆盖度提取阈值;利用获取的玉米植被3种覆盖度提取阈值,对玉米4个时期的植被覆盖度进行提取,并对提取精度进行了验证。结果表明,VDVI对应4个生长时期的植被覆盖度提取误差分别为1. 21%、4. 88%、2. 31%和3. 61%; EXG对应的植被覆盖度提取误差分别为1. 38%、1. 25%、0. 89%和0. 33%; NGBDI提取误差为1. 61%、3. 31%、1. 99%和3. 25%,EXG在夏季玉米4个生长时期的植被覆盖度提取效果最好。将玉米4个生长时期单幅图像确定的阈值作为固定阈值,对剔除确定阈值的单幅图像的试验田全景图像进行植被覆盖度提取,并对提取效果进行验证。结果表明,采用监督分类与可见光植被指数统计直方图相结合确定阈值的方法提取玉米植被覆盖度效果较好。

基于无人机多光谱遥感图像的玉米田间杂草识别

【目的】为了精确高效识别玉米田间杂草,减少除草剂施用,提高玉米种植管理精准性。【方法】通过六旋翼无人机搭载多光谱相机获取玉米田块多光谱图像。为分离图像中植被与非植被像元,计算了7种植被指数,采用最大类间方差法提取植被指数图像中非植被区域,制作掩膜文件并对多光谱图像掩膜。通过主成分分析对多光谱图像进行变换,保留信息量最多的前3个主成分波段。将试验区域分为训练区域和验证区域,在训练区域中分别选取了675处玉米和525处杂草样本对监督分类模型进行训练,在验证区域选取了240处玉米样本及160处杂草样本评价模型分类精度。将7种植被指数、3个主成分波段的24个纹理特征及经过滤波的10个反射率,共计41项特征作为样本特征参数。利用支持向量机-特征递归消除算法(support vector machines-feature recursive elimination,SVM-RFE)和Relief算法从41项特征中各筛选14项特征构成特征子集,采用支持向量机、K-最近邻、Cart决策树、随机森林和人工神经网络对特征子集进行监督分类。【结果】支持向量机与随机森林对全部特征及2个特征子集分类效果较好,支持向量机总体精度为89.13%-91.94%,Kappa>0.79,随机森林总体精度为89.27%-90.95%,Kappa>0.79。【结论】SVM-RFE算法对数据降维效果优于Relief算法,支持向量机(SVM)模型对区域冠层尺度下玉米与杂草的分类效果最好。

基于无人机可见光遥感和阈值法的玉米植被覆盖度提取

为了快速获取夏季玉米四叶期、拔节期和抽穗期的植被覆盖度信息,以无人机拍摄的夏季玉米3个时期的可见光图像为研究对象,通过计算获取可见光波段的差异植被指数、过绿指数和归一化绿蓝差异指数.利用上述3种植被指数,通过时序交点阈值法和最大熵阈值法提取玉米3个生长时期的植被覆盖度信息,将监督分类结果作为真值对上述两种方法的提取效果进行评价.结果表明,与时序交点阈值法相比,利用最大熵阈值法确定的阈值提取玉米植被覆盖度精度较高,玉米3个生长时期的可见光波段差异(VDVI)植被指数的提取误差分别为4.66%、3.42%和5.81%.

基于像元二分法的冬小麦植被覆盖度提取模型

【目的】快速准确提取冬小麦返青期植被覆盖度信息。【方法】利用无人机获取田间冬小麦可见光图像,提取图像中4种常见可见光植被指数;在像元二分法原理的基础上,分别构建基于差异植被指数(Visible-band difference vegetation index,VDVI)、过绿指数(Excess green,EXG)、归一化绿蓝差异指数(Normalized green-blue difference index,NGBDI)和归一化绿红差异指数(Normalized green-red difference index,NGRDI)的植被覆盖度提取模型,采用支持向量机(Support vector machine,SVM)监督分类结果作为真值对各模型进行精度验证。【结果】4种模型中,利用VDVI植被覆盖度提取模型获取的植被覆盖度精度最高,提取效果较好。与监督分类结果对比,4种植被覆盖度提取模型的提取误差(EF)分别为3.36%、15.68%、8.74%和15.46%,R2分别为0.9461、0.9344、0.6953和0.7460,均方根误差(RMSE)分别为0.0219、0.0595、0.0420和0.0559。【结论】采用可见光植被指数结合像元二分法构建植被覆盖度提取模型实现了冬小麦返青期植被覆盖度准确快速提取,为植被覆盖度提取提供了一种新途径,可为无人机遥感监测提供参考。

基于无人机可见光图像的作物分类研究

【目的】采用无人机遥感技术对作物进行分类识别,为及时获取农田信息、制定农田管理策略及产量估测提供技术支持。【方法】采用无人机遥感平台,获取试验区域玉米、桃树、菜花、大豆的可见光正射影像;利用HSV色彩空间转换和纹理滤波,获取不同地物的24项纹理特征与3项色彩特征。分别通过ReliefF算法及基于支持向量机的递归特征消除算法(support vector machine-recursive feature elimination,SVM-RFE)进行特征选择与分类,建立6种监督分类模型,利用得到的特征子集对其进行训练,对各模型分类效果进行精度评价。【结果】由SVM-RFE特征子集训练的6种监督分类模型测试集的分类精度均高于80%,分类精度平均提高5.023%,优于ReliefF特征子集训练的监督分类模型,其中SVM-RFE特征子集与支持向量机模型组合对作物的监督分类效果最佳,总体精度达83.417%,Kappa系数为78.60。【结论】基于无人机遥感技术的作物分类识别是可行的。

中职物理教学中学生实践能力的培养分析

职业教育是我国技术性人才培养的重要基地,也是我们一线工人主要的培养基地,在国民经济发展中扮演着非常重要的角色。中职教育是我国职业教育的第一个阶段,中职学校是学生学.-j-基础技能的主要场所,也是我国高职院校的生源地之一,因此中职教育的人才培养质量非常重要。中职物理教学是中职课程体系中的重要组成部分,也是学生技能形成的重要部分,按照职业教育的培养目标,中职物理教学应更加注重学生实践能力的培养。本文立足于此,提出中职物理教学中学生实践能力培养的方法。

中国经济周期特征分析

文章选取1992—2016年的经济年度数据构建经济周期指数,采用HP滤波方法,分析政府的投资力度与经济周期波动的相关关系,解剖中国经济周期的波动特征;并根据中国经济特有现象和经济周期的核心驱动因素,分析了经济周期的特征,从而提出相关建议。

谈谈渔船消防检验中值得注意的几个问题

谈谈渔船消防检验中值得注意的几个问题杨焕波（农业部渔船检验局大连检验处１１６０２３）关键词：渔船，消防，检验随着海洋渔业的迅速发展，船只数量逐年增加，相应各类海损事故也呈上升趋势。据统计，其中火灾事故所占的比例占事故总数的３—４％，但重大火灾损失较大...

理论和实验一体化教学在中职物理教学中的应用

在中职物理教学中教师应该改变教学理念,选择理论与实验一体化教学方式来展开教学,加强对物理实验教学的重视程度,实现物理理论知识与物理实验教学的有效结合,从而不仅加强学生对物理知识的理解与记忆,同时也提高学生的实验操作能力。本文主要针对理论和实验一体化教学在中职物理教学中的应用策略进行研究。