基于深度学习特征提取的大田小麦关键生长参数遥感估算研究
文献类型：学位论文
| 作者 | 彭金榜 |
| 答辩日期 | 2023-06 |
| 文献子类 | 学术型学位 |
| 授予单位 | 中国科学院大学 |
| 授予地点 | 中国科学院地理科学与资源研究所 |
| 导师 | 孙志刚 |
| 关键词 | 大田观测 特征提取 遥感 深度学习 神经网络 |
| 学位名称 | 博士 |
| 学位专业 | 生态学 |
| 英文摘要 | 随着农业遥感观测的发展，产生的影像数据也越来越多，而传统的人造的特征提取器，如光谱指数和纹理矩阵等已不能完全满足数据特征提取的要求。当前深度学习在各个领域的应用正不断发展，并被证明是一种有效的“大数据”特征提取方法。为了促进农业大田观测的发展，本研究发展或开发了农业遥感观测中三个典型特征（空间、时序和光谱特征）的提取算法，并将特征提取算法落地到了大田小麦的关键生长参数估算中，具体包括小麦麦苗密度、生物量、叶面积指数、株高和籽粒常量五个生长参数。主要工作及结论如下：（1）基于空间特征提取，从低空无人机可见光影像中预测小麦密度热力图，对麦苗密度进行估算。不同于传统算法仅对分蘖前稀疏的麦苗进行密度估算，本研究对分蘖后的密集麦苗的密度进行了估算。对比实测数据表明该方法能有效估算分蘖后期的小麦密度，验证结果的R2 达到0.82。（2）基于光谱特征和空间特征提取，从无人机多光谱影像数据中估算了不同农业处理措施试验田中的小麦生物量和株高。试验结果表明设计的双通道网络结构BiNet 能有效实现光谱和空间特征的提取，进而实现生物量和株高较高精度的估算（R2 分别为0.87 和0.90），高出基于传统支持向量机方法的结果（R2 分别为0.63 和0.72）。（3）基于空间特征和时序特征提取，利用物候相机的时序影像数据，对长时间序列的小麦株高、叶面积指数和生物量进行了估算。结果表明虽然卷积神经网络结构提取的空间特征已经能较好的估算株高、叶面积指数和生物量，但是长短期神经网络结构仍能通过对时序特征的提取达到优化估算结果的目的，将整体结果的R2 从0.95 提高到0.98。（4）基于空间特征提取，从低空无人机可见光影像中分割了麦穗，并利用三个麦穗表型特征（麦穗数目、麦穗尺寸和麦穗光谱异常指数）预测了小麦的籽粒产量。与传统的基于冠层的籽粒产量方法对比，本研究使用的基于表型的估算方法具有明显的精度优势。本研究发展或开发了空间、光谱和时序三种典型特征提取的算法，并将特征提取算法应用在大田小麦关键生长参数估算中提高了精度或者开发了新的场景。同时由于特征提取算法在各个应用场景中具有一定的通用性，本研究使用的空间、光谱和时序特征提取方法，将为大田农业观测提供基础算法和思路，最终促进农业智能化和自动化的发展和进步。 |
| 语种 | 中文 |
| 页码 | 150 |
| 源URL | [http://ir.igsnrr.ac.cn/handle/311030/199844]  |
| 专题 | 地理科学与资源研究所_研究生部 |
| 推荐引用方式 GB/T 7714 | 彭金榜. 基于深度学习特征提取的大田小麦关键生长参数遥感估算研究[D]. 中国科学院地理科学与资源研究所. 中国科学院大学. 2023. |
入库方式： OAI收割
来源：地理科学与资源研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。