科研产出
联合多源多时相卫星影像和支持向量机的小麦白粉病监测方法(英文)
《智慧农业(中英文) 》 2022
摘要：白粉病主要侵染小麦叶部，可利用卫星遥感技术进行大范围监测和评估。本研究利用多源多时相卫星遥感影像监测小麦白粉病并提升分类精度。使用四景Landat-8的热红外传感器数据（Thermal Infrared Sensor,TIRS）和20景MODIS影像的MOD11A1温度产品反演地表温度（Land Surface Temperature,LST），使用4景国产高分一号（GF-1）宽幅相机数据（Wide Field of View,WFV）提取小麦种植区和计算植被指数。首先，利用ReliefF算法优选对小麦白粉病敏感的植被指数，然后利用时空自适应反射率融合模型（Spatial and Temporal Adaptive Reflectance Fusion Model,STARFM）对Landsat-8 LST和MOD11A1数据进行时空融合。利用Z-score标准化方法对植被指数和温度数据统一量度。最后，将处理和融合后的单一时项Landsat-8LST、多时相Landsat-8 LST、累加MODIS LST和多时相Landsat-8 LST与累加MODIS LST结合的数据分别输入支持向量机（Support Vector Machine,SVM）构建了四个分类模型，即LST-SVM、SLST-SVM、MLSTSVM和SMLST-SVM，利用用户精度、生产者精度、总体精度和Kappa系数对比四个模型的分类精度。结果显示，本研究构建的SMLST-SVM取得了最高分类精度，总体精度和Kappa系数分别为81.2%和0.67，而SLST-SVM则为76.8%和0.59。表明多源多时相的LST联合SVM能够提升小麦白粉病的识别精度。
关键词： 小麦白粉病 高分一号 MODIS Landsat-8 地表温度 支持向量机
全文链接
请求原文
基于机器视觉的稻谷品种鉴别方法比较
《电子技术与软件工程 》 2019
摘要：本文为了寻求稻谷品种鉴别方法与应用场合的最佳匹配,利用机器视觉技术提取5个稻谷品种的光谱信息和图像特征。利用基于支持向量机(SVM)以及BP神经网络(BP-ANN)两类模型,在有无主成分分析的两种情况下,对稻谷的鉴别效果进行全面分析和对比。结果表明:事先进行主成分分析将使得处理过程更加高效,但也带来信息损失;线性和径向基核函数分别在处理高维和低维特征变量时有优势;对于这5个稻谷品种,基于BP-ANN的分类效果要优于基于SVM的。
关键词： 机器视觉 支持向量机 核函数 误差反传神经网络 主成分分析
全文链接
请求原文
首页上一页1下一页尾页
