利用遥感高光谱数据估算叶片含水量
通过使用无人机飞行的高分辨率多光谱遥感图像和天气数据,结合随机森林(RF)模型的机器学习方法来绘制茎部水势(SWP),根据同时进行的样本核桃树的地面测量,有效估计核桃树 SWP 水分,该方法还通过结合热数据、NDVI、红边指数和天气数据进行核桃水分压力估计和评估,为核桃园中以个体植株为单位的数据驱动的精确灌溉管理提供可扩展、经济高效的工具。
Dec, 2023
大豆生产对生物和非生物胁迫非常敏感,极端天气事件加剧了这种胁迫。水限制胁迫,即干旱,成为大豆生产的一项重大风险,凸显了育种和生产中对压力监测的需求。本项目通过多模态信息的结合,以识别最有效和高效的自动化方法,探讨干旱响应的研究。我们以高通量时间序列表型分型的方式,通过使用无人机和传感器进行高通量时间序列表型分型,并结合机器学习分析,开发了快速分类大豆干旱胁迫症状的流程,并研究了早期干旱胁迫检测方法。我们发现红边和绿色波段对于分类植被枯萎胁迫是最有效的。在目视症状发展之前,红边叶绿素植被指数(RECI)成功区分了易感和耐旱的大豆资源。我们采用不同的植被指数的组合实现了早期检测大豆枯萎。这些结果可以为早期胁迫检测方法和育种和生产应用中的筛选苗圃快速分类干旱响应做出贡献。
Feb, 2024
本文提出了一种新颖的端到端 pipeline,利用深度神经网络,在 3D 重构、分割和特征提取等不同阶段实现植物干旱胁迫的研究和表征,使用基于 deep siamese network 提取的特征知识构建了准确的植物冠层 3D 模型,并利用深度学习方法进行特征聚合,实现对植物干旱胁迫的表征和研究。结果表明,与传统方法相比,该方法具有更优异的性能。
Sep, 2017
这篇论文介绍了一个模块化的处理链,结合机器学习和遥感数据,推导出全球高分辨率的叶片特征图,包括比叶面积,叶干物质含量,叶干物质中的氮和磷含量,以及叶中氮磷含量比。该处理链易于扩展,能够理解数据输入的信息增益,并提供植物和生态系统范围内的特征环境关系的机会。
Dec, 2020
本研究使用多模态数据,比如 RGB 和热成像数据,基于香蕉幼苗研究了非生物胁迫的预测方法,神经网络可以高达 90%的准确率预测不同处理组中的植物状态。
Nov, 2020
用一种高效和定量的方法来研究农药 - 表面活性剂配方在水溶液中对植物叶片的传递,通过测量叶片湿润区域的表面积作为关键参数,并应用深度学习模型对青瓜叶片上的水溶液湿润区域进行自动测量,进而报道农药溶液中表面活性剂浓度与湿润区域表面积之间的关系。
Nov, 2023
本研究对机械光合模型和卫星遥感数据进行了结合,运用光谱模型 SCOPE 以及机器学习方法成功地估计了光合生产力,表明该方法可以在当前的遥感云计算平台上实现全球范围的作物生产力监测。
Dec, 2020
我们提出了一种深度学习框架,通过结合预训练网络和自定义层,实现了在自然环境下由无人机捕获的土豆作物的干旱胁迫分类。这一创新性工作的关键在于整合了 Grad-CAM 解释技术,通过可视化模型在图像中的焦点区域,提高了模型的解释性和决策过程的可信度。相较于现有的物体检测算法,我们的方法在精确度和准确度上表现出明显的优势。
Apr, 2024
使用卷积神经网络估计无人机遥感获取影像的水域表面高程,并进行了改进,使用线性回归进一步提高准确度,将结果与现有方法进行了比较,得出了具有竞争力的结果。
Jun, 2023
使用高光谱成像技术研究小麦储存质量的评估方法,以实现在澳大利亚供应链的不同阶段实施实时数字质量评估方法所需的信息的单一和紧凑的文档。
Sep, 2022