基于XGBoost-ANN的城市绿地净碳交换模拟与特征响应

为分析城市绿地净生态系统碳交换(Net ecosystem exchange,NEE)对环境因子的响应,利用涡度相关法测量了2013—2016年生长季白天的NEE数据,使用XGBoost以及ANN模型对NEE进行模拟和分析,并通过决定系数(R~2)、平均绝对误差(MAE)、均方根误差(RMSE)和一致性系数(IA) 4个指标评价模拟精度。结果表明,当输入因子为光合有效辐射(PAR)、饱和水汽压差(VPD)、空气温度(Ta)、相对湿度(RH)、土壤温度(Ts)、风速(WS)、10 cm处土壤含水率(VWC10)时,模拟效果达到最优。其训练集精度R~2为0. 712,RMSE为4. 394μmol/(m~2·s),MAE为3. 129μmol/(m~2·s),IA为0. 911;测试集精度R~2为0. 748,RMSE为4. 253μmol/(m~2·s),MAE为2. 971μmol/(m~2·s),IA为0. 920。在考虑因子间相互作用后,环境因子对NEE的重要性排序从大到小依次为PAR、VPD、Ta、RH、Ts、WS、VWC10;就单环境因子而言,对NEE的重要性由大到小依次为Ta、Ts、RH。通过计算生态系统净生产力(Net ecosystem productivity,NEP,即-NEE)对主要环境因子(PAR、VPD、Ta)的偏导数可知,生态系统光合作用表观量子效率最大值为0. 087,并且当PAR大于1 200μmol/(m~2·s)时,其不再是影响光合作用的主要因素; VPD偏导数的变化趋势表明,VPD对植物光合作用的影响以抑制性为主,当VPD过大时,偏导数趋近于0,此时植物叶片气孔闭合,抑制光合作用; Ta偏导数的变化趋势说明,随着温度的升高,光合作用速率逐渐大于呼吸作用的速率。研究表明,基于XGBoost与ANN模型能够更为精确地模拟NEE动态,在相关环境因子中,PAR、VPD、Ta是影响NEE变化的主导因子,NEE对主要影响因子的生态特征响应趋势可为理解碳循环关键过程提供参考。     

基于深度学习与特征可视化方法的草地贪夜蛾及其近缘种成虫识别

草地贪夜蛾是对粮食安全具有巨大威胁的害虫,早发现、早防治对虫情控制具有重要意义。目前,利用深度学习方法进行草地贪夜蛾及其近缘种成虫识别的相关研究存在数据量严重偏小的情况,有可能造成模型未能真正学习到草地贪夜蛾及其近缘种成虫的环形纹、肾形纹等关键视觉特征。针对上述问题,本研究在建立包含草地贪夜蛾在内的7种夜蛾科成虫,10,177幅图像组成的数据库基础上,采用迁移学习方式建立了VGG-16、ResNet-50和DenseNet-121,3种夜蛾成虫识别深度学习模型,并用相同的测试集测试了所有模型。结果表明,构建的模型识别准确率均超过了98%。此外,本研究用特征可视化技术展现了模型习得的特征,并验证了这些特征和专家进行人工识别的关键视觉特征的一致性——ResNet-50和DenseNet-121的平均特征识别率在85%左右,进一步支持了用深度学习进行草地贪夜蛾成虫实时识别的可行性。研究发现,不同模型对夜蛾科成虫视觉特征的学习能力不一样,在评价模型时不能仅看识别率,还需要加入视觉特征识别率指标对模型的学习内容进行评价。本研究通过试验证明可视化分析可以直观认识模型的特征学习情况,可为行业内或其他领域的研究人员提供参考。     

新疆绿洲覆膜滴灌棉田碳通量特征研究

基于涡度相关技术,对新疆典型绿洲棉田进行了连续4年的碳通量观测,并探讨覆膜滴灌棉田生育期内碳通量的构成和特征。结果表明:生长盛期(6—9月),棉田的总初级生产力(GPP)和净生态系统碳交换(NEE)日变化明显,峰值约出现在14:00。生态系统呼吸(Res)日变化稳定,与膜下土壤温度日变化稳定有关。日间GPP随太阳净辐射(Rnet)增加而增大,可用直角双曲线方程描述;且最大光合速率的峰值出现在7月。各碳通量的季节变化不同:GPP和NEE与LAI的季节变化一致,峰值出现在7月;而Res的峰值出现在6月。月累积GPP在6—9月间主要分配给NEE;而其余月份则分配给Res。整个生育期内(5—10月),总GPP平均为816.2 g C/m2,其中NEE占58.6%,这表明生育期内覆膜滴灌棉田表现为碳汇。     

气候变化下黑土区陆地生态系统碳储量时空格局与模拟

以典型黑土区——三江平原为研究区,采用最小二乘法揭示1990—2020年气候变化下研究区陆地生态系统碳储量变化趋势,借助重心分析和冷热点分析方法揭示研究区陆地生态系统碳储量时空分异特征,利用地理加权回归法分析气候因子对碳储量的影响,并借助CMIP6数据模拟和预测高强迫情景（SSP585）和中等强迫情景（SSP245）下陆地生态系统碳储量。结果表明：气候变化背景下1990—2020年研究区碳储量呈波动下降趋势,碳储量损失约2.66×107t;碳储量高值区主要分布在西北部和东部地区,碳储量低值区主要分布在北部和东南部地区;1990—2020年研究区碳储量下降速率变化幅度较大,其中鹤岗市碳储量下降速率最大,佳木斯市最小。1990—2020年研究区碳储量重心向东北方向移动1340m,其中2000—2020年向东北方向偏移1680m;碳储量热点区呈片状和块状分布格局,冷点区呈片状和带状分布格局,热点区范围基本保持不变,冷点区范围缩小。1990—2020年研究区年均气温、年降水量与碳储量关系具有显著性,呈正负无规律交错分布的空间格局。气候与土地利用变化决定碳储量的时空格局,其中林地-林地和耕地-耕地碳储量损失最大。在SSP585和SSP245情景下,2030年研究区碳储量分别为2.22×107t和2.26×107t,相比2020年分别减少2.17×107t和2.13×107t,碳储量空间分布格局未发生显著改变,但冷热点区范围均缩小,重心将持续向东北方向偏移6525m和6000m。     

保水剂用量对农田生态系统碳足迹的影响

采用田间试验,对不同保水剂用量条件下冬小麦碳吸收、碳排放、碳成本、碳效率及碳净汇等进行了研究。结果表明:农业生产过程中虽然保水剂和各种农资投入会产生一定的碳足迹,但其同时促进了作物生长,提高了作物的干物质量,从而显著提高碳吸收,降低碳成本,提高碳效率和碳净汇。各处理中60 kg/hm2保水剂用量的碳成本最低,较对照减少了25.6%,而其碳效率和碳净汇最大,较对照分别提高了35.3%和30.6%。施用保水剂提高了冬小麦的水分利用效率,且以60 kg/hm2保水剂用量效果最佳。相关性分析表明水分利用效率与碳吸收、碳效率和碳净汇呈显著正相关,而与碳成本呈极显著负相关。     

基于深度学习的植物病虫害图像识别

植物病虫害的识别是对植物保护和利用的基础,随着计算机图像识别技术的发展,利用计算机图像处理技术获取植物病虫害信息可以大大提高植物病虫害的识别效率。选择SVM工具箱和Matlab的图形用户界面工具箱GUI设计开发了苜蓿植物病虫害识别系统,构建了自然环境下图像数据库和特定环境图像数据库,为今后的植物病虫害图像识别技术的发展奠定了基础。      

基于深度学习的水果图像识别系统

随着模式识别领域不断的发展,图像识别作为该领域中的典型应用,受到了众多学者的关注,尤其是在图像快速识别方面。对此,该文将从深度学习的概述入手,选择卷积神经网络算法应用于水果图像识别中。通过对卷积神经网络算法的网络结构以及卷积神经网络训练过程的详细分析,采用卷积神经网络架构设计、分类器设计建构了基于卷积神经网络的水果图像识别系统。并将识别结果与传统水果图像识别结果进行对比验证,为水果图像识别领域提供参考。      

基于深度学习的害虫识别技术综述

在虫情监测和害虫防范治理过程中,准确识别害虫是有效解决农业领域虫害问题的重要前提。依靠专家知识和人工经验进行虫情诊断的方式效率较为低下,自动化和智能化水平较差,而采用深度学习、计算机视觉等智能化技术手段可以大幅度提升害虫识别过程的效率、准确度,并降低人工成本。概述了基于深度学习的害虫识别技术发展现状,分析深度学习技术在害虫图像识别领域的实现原理和优势,阐述国内外专家学者在基于深度学习的害虫识别技术领域的最新研究进展,提出该技术领域面临的挑战,并对发展方向进行预测。该文可为深入开展害虫识别和分类技术在智慧农业上的应用研究提供参考。      

基于深度学习的农机机器英语语料库的设计

随着农业机械的智能发展,语言逐渐成为人机交互的重要方式,故建立有效的机器语言翻译模型对于提高智能农业装备的使用性能具有重要的推动作用。随着深度学习及神经网络技术的快速发展,目前已经形成了多元化机器语言翻译模型,并取得了良好的应用效果。为此,以智慧农业和自然语言处理为研究基础,构建了智能农业机械英汉双语语料库。研究结果表明：提出的模型具有良好的应用效果,且在准确率和机器翻译的效率方面都明显优于传统翻译方法,可为智慧农业的发展提供可靠的双语模型。     

水氮耦合下黑土区稻田生态系统碳源汇效应分析

为探寻不同水氮耦合方式对黑土区稻田生态系统碳平衡的影响,于2022年开展田间试验,试验设置常规淹灌(F)和稻作控制灌溉(C)两种灌溉模式,同时设置常规施氮水平(N,110 kg/hm²)、减氮10%水平(N1,99 kg/hm²)、减氮20%水平(N2,88 kg/hm²)3种施氮水平,分析不同水氮耦合方式对水稻各器官干物质量、碳含量、稻田土壤呼吸CO₂排放通量和CH₄排放通量及两者排放总量的影响,并采用净生态系统碳收支(NECB)评价体系对黑土区稻田生态系统碳源汇效应进行分析。结果表明：不同水氮耦合方式下,各处理水稻穗固碳量与根固碳量分别占其总固碳量的26.61%～40.92%、24.63%～31.95%。相同施氮量下,稻作控制灌溉相较于常规灌溉能提高水稻各器官碳含量、干物质量。在水稻全生育期内,各处理CH₄排放通量呈现先增加后减小再增加的变化趋势,均在分蘖期与拔节孕穗期出现峰值;各处理土壤呼吸CO₂排放通量呈现单峰变化,在分蘖期出...     

基于深度学习的大豆生长期叶片缺素症状检测方法

为了检测作物叶片缺素,提出了一种基于神经网络的大豆叶片缺素视觉检测方法。在对大豆缺素叶片进行特征分析后,采用深度学习技术,利用Mask R-CNN模型对固定摄像头采集的叶片图像进行分割,以去除背景特征,并利用VGG16模型进行缺素分类。首先通过摄像头采集水培大豆叶片图像,对大豆叶片图像进行人工标记,建立大豆叶片图像分割任务的训练集和测试集,通过预训练确定模型的初始参数,并使用较低的学习率训练Mask RCNN模型,训练后的模型在测试集上对背景遮挡的大豆单叶片和多叶片分割的马修斯相关系数分别达到了0.847和0.788。通过预训练确定模型的初始参数,使用训练全连接层的方法训练VGG16模型,训练的模型在测试集上的分类准确率为89.42%。通过将特征明显的叶片归类为两类缺氮特征和4类缺磷特征,分析讨论了模型的不足之处。本文算法检测一幅100万像素的图像平均运行时间为0.8 s,且对复杂背景下大豆叶片缺素分类有较好的检测效果,可为农业自动化生产中植株缺素情况估计提供技术支持。     

基于数据平衡和深度学习的开心果品质视觉检测方法

为探究数据集中分类数量的平衡性对开心果品质检测的影响,将开心果图像与深度学习网络相结合,提出一种数据自动平衡的检测方法.根据行业标准将开心果数据集分为开口、闭口和缺陷3类,在此基础上再分为未经数据平衡和经过数据平衡2个数据集,分别使用AlexNet、GoogLeNet、ResNet50、SqueezeNet、Shuff...     

基于DXNet模型的富士苹果外部品质分级方法研究

针对传统计算机视觉技术在苹果外部品质分级中准确率较低、鲁棒性较差等问题,提出了基于深度学习的苹果外观分级方法(多卷积神经网络融合DXNet模型).首先,在延安市超市、果园等场所实地拍摄不同外观等级的苹果图像15 000幅,并进行人工标记,建立了外部品质信息覆盖度广、样本量大的苹果图像数据库;然后,在对比分析经典卷积网络...     

基于深度学习和图像处理的水果收获机器人抓取系统

首先,介绍了水果收获机器人抓取系统的总体架构;然后,利用深度学习对水果目标识别进行了研究,实现了一套基于卷积神经网络的目标检测算法;接着,利用图像处理技术实现了对目标物体定位的功能,可以引导水果收获机器人完成对目标水果的采摘.实验结果表明:水果收获机器人抓取系统对水果坐标的计算误差较小,且具备较强的水果识别和定位能力.     

基于深度学习的种鸭蛋孵化早期受精信息无损检测

针对我国鸭蛋孵化行业剔除无精蛋的方法效率低、剔除的无精蛋已丧失食用价值、造成资源巨大浪费的问题,运用机器视觉技术,以孵化至第3天的种鸭蛋为研究对象,运用深度卷积神经网络(Convolutional neural networks,CNN)端对端的特点,在Alexnet神经网络基础上进行改进,将孵化第3天的种鸭蛋透射图像直接输入到深度卷积神经网络。用卷积层代替全连接层,改变卷积核的尺寸,搭建了种鸭蛋受精信息识别网络(Eggnet)模型,实现了对种鸭蛋孵化早期受精信息的无损判别。试验结果表明,该方法对孵化第3天的种鸭蛋图像测试集分类准确率高达98.87%,验证集分类准确率为97.97%,平均单枚蛋检测时间仅为0.24 s。     

基于深度学习特征的铸件缺陷射线图像动态检测方法

针对X射线检测中铸件微弱缺陷误检率和漏检率高的问题,提出一种基于选择性注意机制和深度学习特征匹配的缺陷动态跟踪检测方法。基于射线图像序列,采取帧内注意区域检测消除漏检、帧间深度学习特征匹配跟踪排除误检的策略。在帧内检测阶段,提出通过中央-周边梯度搜索方法模拟生物视觉的中央-周边差运算,根据梯度阈值直接检测各可疑缺陷区域,无需分割出缺陷本身。在帧间跟踪阶段,借鉴人类大脑视觉感知系统的深度学习层次结构,建立基于卷积神经的深度学习网络,可疑缺陷区域灰度信号直接作为输入,自动抽取表征可疑缺陷区域的本质特征信息,组成深度学习特征矢量。定义基于欧氏距离的特征矢量相似度,通过连续图像中可疑缺陷区域的相似度匹配实现缺陷跟踪,以消除噪声等伪缺陷。实验结果表明,基于深度学习特征匹配方法的铸件缺陷图像动态检测,误检率和漏检率均低于3%,缺陷检测准确率超过97%,证明了所提方法的有效性。     

基于深度学习的移动端缺陷蛋检测系统研究

针对缺陷鸡蛋差异性大、人工检测主观性强、实时性差,消费者存在食品安全隐患等问题,提出一种基于深度学习的移动端缺陷蛋无损检测系统,实现对裂纹蛋和血斑蛋的实时检测。首先,建立改进的轻量级卷积神经网络MobileNetV2＿CA模型,以MobileNetV2原网络为基础,通过嵌入坐标注意力机制、调整宽度因子、迁移学习等操作对其进行优化,并进行PC端检测对比试验。试验结果表明：建立的MobileNetV2＿CA模型验证集准确率达93.93%,召回率为94.73%,单个鸡蛋平均检测时间为9.9 ms,对比改进前MobileNetV2模型准确率提升3.60个百分点、召回率提升4.30个百分点、检测时间缩短2.62 ms; MobileNetV2＿CA模型的参数量为2.36×10⁶,较原MobileNetV2网络模型降低31.59%。然后,利用NCNN深度学习框架对MobileNetV2＿CA模型进行训练,并通过格式转换部署至Android移动端,进行NCNN深度学习训练模型的移动端检测验证,及其与TensorFlow Lite深度学习模型的对比分析。试验结果表明：NCNN深度...     

基于深度学习的农用无人机自主避障研究

针对目前农用植保无人机(UAV)自主避障能力弱及避障系统繁琐等问题,提出了一种适用于植保无人机的基于深度学习的端到端自主避障方式。利用植保无人机挂载的双目相机实时采集图像,当检测到障碍物与植保无人机距离≤5m时,自主避障系统启动,将采集图像预处理后输入卷积神经网络,输出姿态角与油门量控制无人机自主飞行与避障,同时卷积神经网络通过手动飞行采集信息进行训练。实验结果表明:该方法能使植保无人机对农田常见障碍物房屋、树木、电线杆等做出自主避障,且模型具有一定的泛化能力,适当训练后,可将此避障方式应用于复杂环境下的植保无人机自主避障。     

基于深度学习的诱捕器内红脂大小蠹检测模型

红脂大小蠹是危害我国北方地区松杉类针叶树种的重大林业入侵害虫,其虫情监测是森林虫害防治的重要环节。传统的人工计数方法已经无法满足现代化红脂大小蠹监测的需求。为自动化识别并统计信息素诱捕器捕获的红脂大小蠹,在传统信息素诱捕器中集成摄像头,自动采集收集杯内图像,建立蠹虫数据集。使用K-means聚类算法优化Faster R-CNN深度学习目标检测模型的默认框,并使用GPU服务器端到端地训练该模型,实现了诱捕器内任意姿态红脂大小蠹的目标检测。采用面向个体的定量评价和面向诱捕器的定性评价两种评价方式。实验结果表明：较原始Faster R-CNN模型,该模型在困难测试集上面向个体和诱捕器的精确率-召回率曲线下面积（Area under the curve,AUC）提升了4.33%和3.28%。在整体测试集上个体和诱捕器AUC分别达0.9350、0.9722。该模型的检测速率为1.6s/幅,准确度优于SSD、Faster R-CNN等目标检测模型,对姿态变化、杂物干扰、酒精蒸发等有较好的鲁棒性。改进后的模型可从被诱芯吸引的6种小蠹科昆虫中区分出危害最大的红脂大小蠹,自动化地统计诱捕器内红脂大小蠹数量。     

基于无人机图像以及不同机器学习和深度学习模型的小麦倒伏率检测

小麦在生长过程中发生倒伏会严重影响其产量,因此实时且准确地对小麦倒伏状况监测有很重要的意义.传统的方法采用手工方式生成数据集,不仅效率低、易出错,而且生成的数据集不准确.针对这一问题,本研究提出了一种基于图像处理的自动数据集生成方法.首先利用无人机在15、46和91 m三个高度采集图像数据;采集完数据后,根据无倒伏、倒...