基于GEE的天山野果林分布区土地利用变化分析

基于谷歌地球引擎(Google earth engine,GEE)遥感大数据云平台,通过Landsat系列影像,运用随机森林算法,结合光谱指数、地形特征进行土地利用分类,通过地学信息图谱、土地利用动态度分析天山野果林分布区1997—2021年土地利用时空变化特征。结果表明,通过GEE平台,利用随机森林算法,可以快速实现土地利用分类,总体分类精度均大于90.00%,Kappa系数均高于0.85;1997—2021年天山野果林分布区主要为耕地、林地和草地,三者占总面积的90%以上;土地利用变化以草地向耕地的转变以及林地向草地的转变为主;建设用地、耕地、水域面积持续增加,变化呈聚集分布,林地先减后增,总体占地面积减少严重;建设用地增长速度最大,变化最为剧烈,未利用地、林地总体减少速度较大,变化较为剧烈。

基于知识蒸馏与EssNet的田间农作物病害识别

农作物病害的快捷精准识别对我国粮食安全与农业发展提质增效具有重要意义。针对现有病害识别模型参数量大、泛化能力弱、不适用于田间实际场景且不易搭载至移动端等问题,本文提出了EssNet农作物病害识别网络,该网络以ShuffleNetV2_0.5为基础网络,引入高效通道注意力(ECA)机制与SiLU激活函数进行结构改进,同时结合知识蒸馏技术使用EfficientNetB0网络对EssNet进行学习指导,最后使用余弦退火衰减策略对学习率进行动态调整使网络表现达到最优。结果表明,本文提出的EssNet农作物病害识别网络对复杂环境下2种作物(玉米、苹果)的11种病害在测试集上的准确率达到95.21%,比基础网络提高2.11个百分点,参数量为0.35 M,权重文件为1.49 MB。该网络的整体性能优于其他现有模型,为建立田间轻量级农作物病害识别方法提供了参考。

基于轻量级MIE_Net的田间农作物病害识别

为实现农作物病害的快速精准识别,降低病害对农业安全生产的影响,本研究针对现有病害识别模型参数量大、鲁棒性低、泛化性弱等问题提出了轻量级MIE_Net农作物病害识别网络。该网络以MobileNetV2为基础网络结构,首先使用多尺度特征提取模块替换原网络的初始卷积层,提高网络对不同面积病斑的特征提取能力,增加网络中的特征复杂度;其次在主模块中添加ECA注意力机制,提高网络对叶片病害区域的关注程度,降低复杂背景对小病斑特征提取过程的影响;最后使用Swish激活函数增加网络的表达能力,使网络性能达到最优。结果表明,多尺度特征提取模块提高了模型对不同病斑大小的识别准确率,ECA注意力模块提高了网络对小病斑的识别准确率,最终网络模型对复杂环境中2种作物11种病害类别的最低识别精确率达到91.2%,总体病害识别准确率达到95.79%,比原网络提高1.84百分点,参数量为2.24 M,权重文件大小为8.78 MB。MIE_Net网络在保证模型轻量化的同时提高了模型的准确性、泛化性以及鲁棒性,整体性能优于其他现有网络模型,为以后的轻量级作物病害识别方法提供了参考。

单参数通道注意力模块

随着深度学习的发展,通道注意力在卷积神经网络上的表征能力上发挥了巨大的作用。为了进一步加强通道注意力模块在深度神经网络中的作用,针对通道注意力的参数量方面,提出了一种单参数通道注意力(APA)模块。首先,APA模块在图像通道特征的求和向量上加单参数。然后,通过度量通道向量和求和向量在方向上的关系,求取通道注意力权重。最后,经过激活函数(Sigmoid)激活注意力权重,使其分布更平稳。与其他通道注意力模块相比,该模块只有微量参数,且该模块的代码实现非常简单。在数据集CIFAR-10与CIFAR-100上,使用APA模块嵌入到MobileNet, ResNet系列主干,与同类方法压缩激励模块(SE)、有效的通道注意力模块(ECA)进行了实验对比,验证了APA模块的有效性。

基于YOLOX的作物种子自动计数方法

种子计数是获取作物种子千粒质量指标时关键而又烦琐的步骤。目前种子计数一般通过人工和千粒质量测量仪器实现,然而人工计数效率低,千粒质量测量仪器成本高、不易携带。以手机拍摄的6种常见作物种子图像构建数据集,在YOLOX模型的基础上引入注意力机制改进损失函数提出YOLOX-P模型,实现种子自动计数。结果表明,YOLOX-P相比YOLOX模型参数量仅增加0.09 M,m AP改进0.74个百分点,达到99.38%;模型在显存6 GB的NVIDIA GeForce RTX2060显卡上的推理时间为18.68 ms,适宜部署在移动端。提出的模型显著改善千粒质量测定工作的效率和效果。

基于Google Earth Engine的塔里木河下游土地利用变化

在谷歌地球引擎(Google Earth Engine,GEE)遥感大数据云平台的支持下,基于随机森林算法,结合Landsat系列遥感影像、光谱指数和地形特征,解译塔里木河下游土地利用类型,分析2000-2020年塔里木河下游土地利用时空变化特征。结果表明GEE环境下,选用随机森林算法,能快速实现区域尺度土地利用分类,总体分类精度均大于85%,Kappa系数高于0.82,较难区分的林地、草地的生产者精度超过82%;2000-2020年塔里木河下游土地利用结构稳定,草地、未利用地和林地为主要土地利用类型,土地利用变化以草地和未利用地转出为主,变化区域呈分散分布,其次是水体连续扩增,增长区集中于大西海子水库以下的旧河道及台特玛湖,林地面积变化不稳定,先减少后增加,耕地、建设用地面积变化不明显。