公共文化服务平台

冯海宽: 作品数：156 被引量：948H指数：21; 供职机构：国家农业信息化工程技术研究中心更多>>; 发文基金：国家自然科学基金北京市自然科学基金河南省科技攻关计划更多>>; 相关领域：农业科学自动化与计算机技术天文地球理学更多>>

合作作者

基于卫星影像的茶园识别方法及装置: 本发明提供一种基于卫星影像的茶园识别方法及装置，该方法包括：基于待识别区域的Sentinel‑2图像数据和Landsat图像数据，确定出待识别区域的常绿植被区域；通过决策树模型从所述常绿植被区域识别出茶园区域；其中，所述...; 徐波祁宁杨贵军段丹丹胡海棠杨浩冯海宽孟炀汪斌斌

基于无人机遥感影像的大豆叶面积指数反演研究被引量：81: 2015年; 作物叶面积指数的遥感反演是农业定量遥感研究热点之一,利用无人机遥感监测系统获取农作物光谱信息精确反演叶面积指数对精准农业生产与管理意义重大。本研究以山东省嘉祥县一带的大豆种植区为试验区,设计以多旋翼无人机为平台同步搭载Canon Power Shot G16数码相机和ADC-Lite多光谱传感器组成的无人机农情监测系统开展试验,分别获取大豆结荚期和鼓粒期的遥感影像。使用比值植被指数(RVI)、归一化植被指数(NDVI)、土壤调整植被指数(SAVI)、差值植被指数(DVI)、三角植被指数(TVI)5种植被指数,结合田间同步实测叶面积指数(leaf area index,LAI)数据,采用经验模型法分别构建了单变量和多变量LAI反演模型,通过决定系数(R2)、均方根误差(RMSE)和估测精度(EA)3个指标筛选出最佳模型。研究表明,有选择性地分时期进行农作物的叶面积指数反演是必要的,鼓粒期作为2个生育期中大豆LAI反演的最佳时期,其NDVI线性回归模型对大豆LAI的解释能力最强,R2=0.829,RMSE=0.301,反演大豆LAI最准确,EA=85.4%,生成的鼓粒期大豆LAI分布图反映了当地当时大豆真实长势情况。因此,以多旋翼无人机为平台同步搭载高清数码相机和多光谱传感器组成的无人机农情监测系统对研究大豆叶面积指数反演是可行性,可作为指导精准农业研究的一种新方法。; 高林杨贵军王宝山于海洋徐波冯海宽; 关键词：多光谱传感器植被指数叶面积指数大豆鼓粒期

一种籽粒蛋白质含量的预测方法及装置: 本发明实施例提供了一种籽粒蛋白质含量的预测方法及装置，包括获取待测作物的植被指数和关键环境因子；将任一植被指数和关键环境因子输入至籽粒蛋白质含量预测分层线性模型，输出待测作物的籽粒蛋白质含量；籽粒蛋白质含量预测分层线性模...; 李振海赵春江宋晓宇徐新刚杨贵军杨小冬冯海宽; 文献传递

基于高光谱的苹果叶片叶绿素含量估算被引量：4: 2017年; 以2012、2013年山东省肥城市潮泉镇下寨村的苹果叶片为研究对象,分析叶片叶绿素含量与原始光谱反射率、连续统去除光谱之间的相关性,探索苹果叶片叶绿素含量的估算模型。结果显示:苹果叶片叶绿素含量与原始光谱相关性最好的波段在553、711和1 301 nm处,其中,以711 nm处的光谱所建立的模型最佳(R2=0.88);与连续统去除光谱相关性最好的波段在553、738和801 nm处,其中,以738 nm处的光谱所建立的模型最佳(R2=0.94)。根据相关性所选的敏感波段,利用随机森林(random forest,RF)建立基于以上6个波段的叶绿素含量预测模型(R2=0.94)。对所建立的711 nm、738 nm、RF算法估算模型进行检验,结果表明,利用RF建立的苹果叶片叶绿素含量模型最佳(R2=0.54)。; 杨福芹杨福芹冯海宽李振海杨贵军; 关键词：苹果叶片叶绿素含量

基于无人机数码影像的冬小麦株高和生物量估算被引量：38: 2019年; 高效、快速地获取作物的株高和生物量信息,对农业生产有重要意义。该文利用2015年4月-6月获得了冬小麦拔节期、挑旗期和开花期的高清数码影像。首先基于无人机高清数码影像生成冬小麦的作物表面模型(crop surface model,CSM),利用CSM提取出冬小麦的株高(Hcsm),然后利用提取的21种数码影像图像指数,构建了拔节期、挑旗期和开花期混合的多生育期生物量估算模型,并进行单生育期和多生育期模型对比分析;最后选择逐步回归(stepwise regression,SWR)、偏最小二乘(partial least square,PLSR)、随机森林(random forest,RF)3种建模方法对多生育期估算模型进行对比,挑选出冬小麦生物量估算的最优模型。结果表明,提取的Hcsm和实测株高(H)具有高度拟合性(R^2=0.87,RMSE=6.45 cm,NRMSE=11.48%);与仅用数码影像图像指数构建的生物量估算模型相比(R^2=0.7212,RMSE=0.1372 kg/m^2,NRMSE=26.25%),数码影像图像指数融入H和Hcsm所得模型效果更佳,其中融入Hcsm的模型精度和稳定性(R^2=0.8191,RMSE=0.1106 kg/m^2,NRMSE=21.15%)要优于加入株高H所构建的估算模型(R^2=0.7941,RMSE=0.1179 kg/m^2,NRMSE=22.56%);SWR生物量估算模型(R^2=0.7212)效果优于PLSR(R^2=0.6774)和RF(R^2=0.6571)生物量估算模型。该研究为冬小麦生长状况高效、快速监测提供参考。; 陶惠林徐良骥冯海宽杨贵军杨贵军苗梦珂杨小冬; 关键词：无人机数码影像冬小麦株高生物量

应用波段深度分析和偏最小二乘回归的冬小麦生物量高光谱估算被引量：43: 2013年; 当作物生物量较大时,现有植被指数由于受饱和问题限制,不能较好的估算作物生物量。针对此问题,尝试将波段深度分析与偏最小二乘回归(partial least square regression,PLSR)结合,提高对大田冬小麦生物量的估算精度,并将两者结合建立的模型与应用代表性植被指数建立的模型进行生物量估算精度比较。波段深度分析主要对冬小麦冠层光谱550～750nm范围进行,采用波段深度、波段深度比(band depth ratio,BDR)、归一化波段深度指数和归一化面积波段深度对波段深度信息进行表征。在建立的模型中,波段深度分析和PLSR结合的估算精度比应用植被指数模型的精度高,其中BDR与PLSR结合的估算精度最高(R2=0.792,RMSE=0.164kg.m-2)。研究结果表明波段深度分析与PLSR结合能较好的克服生物量较大时存在的饱和问题,提高冬小麦生物量的估算精度。; 付元元王纪华杨贵军宋晓宇徐新刚冯海宽; 关键词：高光谱遥感冬小麦生物量偏最小二乘回归

基于无人机数码影像的冬小麦生物量估算: 2022年; 获取冬小麦挑旗期的无人机数码影像数据及生物量数据,利用相关系数与灰色关联度分析了植被指数与生物量的关联程度,利用方差膨胀因子结合相关系数及灰色关联分析筛选出最佳植被指数,最后利用多元线性回归和主成分分析对冬小麦生物量进行遥感估算反演及可视化分析。结果表明:利用方差膨胀因子结合相关系数分析筛选出的最佳数码影像指数为b、(r-g-b)/(r+g)、EXGR和g/b;利用灰色关联分析筛选出的最佳数码影像指数为(r-g-b)/(r+g)、EXG、b和RGBVI。利用无人机数码影像数据进行生物量估算时,结合灰色关联分析的多元线性回归建模方法精度最高,建模的R~2和验证的RMSE分别为0.57和1.773 t/hm~2。该方法可以有效提高冬小麦生物量的反演精度,为监测冬小麦长势提供了一种有效的思路。; 杨福芹杨佳琪陈旭阳冯海宽石帅杰黄倩倩; 关键词：冬小麦生物量灰色关联分析多元线性回归分析

基于无人机高光谱长势指标的冬小麦长势监测被引量：32: 2020年; 为快速准确监测作物长势,以冬小麦为研究对象,获取了不同生育期的无人机高光谱影像。利用无人机高光谱数据构建光谱指数,并分析4个生育期的指数与生物量、叶面积指数以及由生物量和叶面积2个生理参数构建的长势监测指标(Growth monitoring indicator,GMI)的相关性;建立与GMI相关性较强的4个光谱指数的单指数回归模型,利用多元线性回归、偏最小二乘和随机森林3种机器学习方法分别建立冬小麦各生育期的GMI反演模型;将最佳模型应用于无人机高光谱影像,得到冬小麦长势监测图。结果表明:各生育期光谱指数与冬小麦GMI相关性较高,大部分指数都达到了显著水平,其中NDVI、SR、MSR和NDVI×SR与GMI的相关性高于生物量、叶面积指数与GMI的相关性;拔节期、挑旗期、开花期、灌浆期、全生育期,表现最好的回归模型对应光谱指数分别是NDVI×SR、NDVI、SR、NDVI和NDVI×SR;对比3种方法构建的GMI反演模型,开花期模型MLR-GMI效果最佳,此时期的模型建模R^2、RMSE和NRMSE分别是0.7164、0.0963、15.90%。; 陶惠林徐良骥冯海宽杨贵军苗梦珂林博文; 关键词：无人机遥感多元线性回归偏最小二乘

基于无人机RGB影像的马铃薯植株钾含量估算: 2023年; 马铃薯植株钾含量(Plant potassium content,PKC)是监测马铃薯营养状况的重要指标,快速准确地获取马铃薯植株钾含量对田间施肥和生产管理具有指导意义。基于无人机遥感平台搭载RGB传感器分别获取马铃薯块茎形成期、块茎增长期和淀粉积累期的RGB影像,并实测马铃薯植株钾含量。首先利用各个生育期的RGB影像提取每个小区冠层平均光谱和纹理特征。然后分别基于冠层光谱和纹理特征构建植被指数和纹理指数(NDTI、RTI和DTI),并与实测PKC进行相关性分析。最后利用多元线性回归(Multiple linear regression,MLR)、偏最小二乘(Partial least squares regression,PLSR)和人工神经网络(Artificial neural networks,ANN)构建马铃薯PKC估算模型。结果表明:各生育期NDTI、RTI和DTI与马铃薯PKC相关性均高于单一纹理特征,植被指数结合纹理指数均能提高模型的可靠性和稳定性,MLR和PLSR构建的估算模型精度均优于ANN。本研究可为马铃薯PKC监测提供科学参考。; 马彦鹏边明博樊意广陈志超杨贵军冯海宽; 关键词：马铃薯

基于无人机高光谱遥感数据的冬小麦生物量估算被引量：16: 2020年; 以植被指数和红边参数为模型因子,利用多元线性回归(MLR),构建冬小麦不同生育期的生物量估算模型,从而有效和更好地监测冬小麦的长势情况,为精准农业中作物的快速监测提供技术手段。首先分析植被指数(VI)和红边参数(REPS)与冬小麦生物量的相关性,然后运用MLR分别建立模型MLR+VI、MLR+REPS和MLR+VI+REPS,最后将优选的冬小麦生物量估算模型应用于无人机高光谱影像中,验证模型的可行性。结果表明,利用单个植被指数或红边参数构建的估算模型在孕穗期、开花期和灌浆期估算精度最高的植被指数分别是归一化植被指数(NDVI)、简单比值指数(SR)和增强型土壤调节植被指数(MSAVI),精度最高的红边参数分别为红边振幅/最小振幅、红边振幅和红边振幅;通过MLR分别以植被指数、红边参数和植被指数结合红边参数为因子构建的模型MLR+VI、MLR+REPS与MLR+VI+REPS效果优于单个植被指数或红边参数建立的模型,3种模型在不同生育期的验证结果也较好,其中MLR+VI+REPS模型精度最高,模型决定系数(R 2)、标准均方根误差(NRMSE)分别为0.7832与12.13%。; 陶惠林冯海宽徐良骥杨贵军杨贵军苗梦珂杨小冬; 关键词：无人机冬小麦植被指数红边参数

冯海宽

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户反馈

冯海宽

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户登录

用户反馈