1 安徽大学 农业生态大数据分析与应用技术国家地方联合工程技术研究中心，安徽 合肥 230601
2 北京农业信息技术研究中心，北京 100097
3 宿州学院 信息工程学院，安徽 宿州 234000
快速、准确地掌握作物空间分布，估算不同作物种植面积及范围，这对制定宏观农业政策并指导农民进行农业生产具有重要意义。以我国内蒙古自治区扎赉特旗现代农业示范园区为研究区域，基于2019年5月至10月共9景多时相Sentinel-2卫星遥感影像，通过计算并分析不同作物归一化差值植被指数（NDVI）、比值植被指数（RVI）、增强型植被指数（EVI）等多种典型植被指数和近红外波段Ref(NIR)的时序变化特征，采用随机森林（Random Forest, RF）、决策树（Decision Tree, DT）、支持向量机（Support Vector Machine, SVM）和最大似然法（Maximum Likelihood, ML）4种分类方法对研究区多种作物进行分类识别，成功提取园区内主要作物（水稻、玉米、甜叶菊、旱稻和大豆等）空间分布情况。将RF结果与DT、SVM和ML分类结果对比，结果显示，RF总体分类精度最高，达到95.8%，Kappa系数为0.944；DT、SVM和ML分类精度分别为92.2%、91.6%和86.5%。上述研究结果表明，多时相Sentinel-2遥感影像经过光谱指数时序变化特征提取后，利用随机森林算法进行作物分类可得到精度较高的结果，这为精细指导规模化园区农业生产提供了有效的技术支持。
随机森林算法 近红外波段 时间序列 Sentinel-2 作物分类 random forest Ref (NIR) time-series Sentinel-2 crop classification 红外与激光工程
2021, 50(5): 20200318
1 华中农业大学工学院, 湖北 武汉 430070
2 农业部长江中下游农业装备重点实验室, 湖北 武汉 430070
3 华中农业大学食品科学技术学院, 湖北 武汉 430070
为了对鸡种蛋胚胎进行雌雄识别, 探究利用紫外-可见-近红外透射光谱进行鸡胚雌雄识别的可行性, 搭建了鸡种蛋透射光谱检测系统, 采用横向和竖向大头朝上2种放置方式获取210枚鸡种蛋孵化0~15 d的光谱, 光谱范围为360~1 000 nm。 构建极限学习机（ELM）鸡胚雌雄识别模型, 通过比较不同放置方式和孵化天数下模型的识别准确率, 发现竖向放置且孵化第7 d的识别效果最好; 将竖向放置孵化第7 d的光谱初步分为紫外（360~380 nm）、 可见光（380~780 nm）、 近红外（780~1 000 nm）、 紫外-可见光（360~780 nm）和全波段（360~1 000 nm）5个不同的波段范围来分析, 预测集准确率分别为8286%, 7714%, 7571%, 8429%和8143%, 筛选出360~780 nm的紫外-可见光波段为有效波段; 在紫外-可见光（360~780 nm）波段, 采用多元散射校正（MSC）去噪, 并用竞争性自适应重加权采样算法（CARS）和连续投影算法（SPA）筛选特征波长降维, 建立不经筛选特征波长、 CARS筛选特征波长和SPA筛选特征波长的3种ELM模型。 其中不经筛选特征波长的ELM模型识别效果最好, 但输入变量最多, 隐含层神经元为680且激活函数为sig时, 预测集准确率为8429%。 SPA筛选特征波长的ELM模型识别效果次之, 输入变量有9个, 隐含层神经元为840且激活函数为hardlim时, 预测集准确率为8143%。 CARS筛选特征波长的ELM模型识别效果最差, 输入变量有27个, 隐含层神经元为100且激活函数为sig时, 预测集准确率为7857%; 用遗传算法（GA）优化ELM模型的权值变量和隐含层阈值, 不经筛选特征波长建立的GA-ELM模型, 预测集准确率为8714%, SPA筛选特征波长建立的GA-ELM模型, 预测集准确率为8714%, CARS筛选特征波长建立的GA-ELM模型, 预测集准确率为8143%。 紫外-可见光波段不经筛选特征波长的GA-ELM模型识别效果和经SPA筛选特征波长的GA-ELM模型相同, 表明SPA筛选的特征波长变量能够有效反映360~780 nm波段的信息, SPA使用的变量数仅占紫外-可见光波段的214%, 因此, 雌雄识别最佳模型为紫外-可见光波段经SPA筛选特征波长的GA-ELM模型, 预测集准确率为8714%, 其中, 雌性识别率为8857%, 雄性识别率为8571%, 单个样本平均判别时间0080 ms。 结果表明紫外-可见透射光谱技术和ELM模型为孵化早期鸡胚蛋雌雄识别提供了一种可行方法。
种蛋 鸡胚 雌雄 识别 紫外-可见-近红外光谱 极限学习机 Egg Chicken embryo Male and female Recognition UV 光谱学与光谱分析
2019, 39(9): 2780
