博文

Topics 以遥感为核心的智慧农业研究进展及其在作物领域的应用精选

已有 5475 次阅读 2024-9-23 17:09 |个人分类:Topics|系统分类:博客资讯

Advances in Smart Agriculture with Remote Sensing as the Core and Its Applications in Crops Field

以遥感为核心的智慧农业研究进展及其在作物领域的应用

近年来，利用遥感和建模技术的智慧农业给农作物生产带来了显着效益，也改变了我们对作物的认知和管理。遥感可以在“地面-低空-卫星”等不同尺度上监测作物生长，而作物建模则可以根据各种环境参数提供对作物生长和产量的预测性见解。遥感和建模广泛应用于作物生长、营养需求、灌溉管理、病虫害防治等方面，对优化农业实践，提高资源效率，为农业可持续发展做出重大贡献。鉴于此，特邀奥胡斯大学Dr. Syed Tahir Ata-Ul-Karim，德州理工大学/德州农工大学Dr. Wenxuan Guo，石河子大学刘扬副教授，华南农业大学张雷副教授和中国农业科学院赵犇副研究员联合Agriculture，Agronomy，Crops，Plants，Remote Sensing 期刊创建了Topic “Advances in Smart Agriculture with Remote Sensing as the Core and Its Applications in Crops Field (以遥感为核心的智慧农业研究进展及其在作物领域的应用)”。

本专题旨在无缝集成智慧农业的两个重要组成部分：遥感和建模，以应对农业中存在的挑战 (例如优化资源利用率和可持续农业发展)，提高农作物产量。

专题关键词

作物、遥感、作物建模、智慧农业、机器学习

进入专题主页：https://www.mdpi.com/topics/BA5C0WKTZ8

学术编辑团队

Dr. Syed Tahir Ata-Ul-Karim

丹麦奥胡斯大学

研究领域：水稻、植物营养、精准农业、土壤科学

Dr. Wenxuan Guo

美国德州理工大学/德州农工大学

研究领域：作物生态生理学、精准农业

刘扬副教授

石河子大学

研究领域：作物水肥监测与诊断、作物生理生态。

张雷副教授

华南农业大学

研究领域：作物生理生态、信息技术研究。

赵犇副研究员

中国农业科学院

研究领域：作物水肥管理。

精彩文章

1. LettuceNet: A Novel Deep Learning Approach for Efficient Lettuce Localization and Counting

LettuceNet：一种用于高效生菜定位和计数的新型深度学习方法

Aowei Ruan et al.

https://www.mdpi.com/2920470

本研究提出了一种简单有效的生菜定位和计数方法，该方法仅基于配备RGB相机的无人机 (UAV) 获取的生菜田间图像。在该方法中，开发了一种基于弱监督深度学习 (DL) 方法的新型生菜计数模型，称为LettuceNet。LettuceNet采用更轻量级的设计，仅依靠点级标记图像来训练并准确预测高密度生菜 (即种植间距小、叶片重叠度高、边界不清晰的生菜簇) 的数量和位置信息。使用上海农业科学院生菜 (SAAS-L) 和全球小麦头检测 (GWHD) 数据集，对提出的LettuceNet的定位和计数的准确性、模型效率和通用性进行了全面评估。结果表明，在使用增强型MobileNetV2作为骨干网络时，LettuceNet实现了出色的计数准确度、定位和效率。具体而言，计数准确度指标，包括平均绝对误差 (MAE)、均方根误差 (RMSE)、归一化均方根误差 (nRMSE) 和判定系数 (R²)，分别达到2.4486、4.0247、0.0276和0.9933，定位准确度的F-Score高达0.9791。此外，LettuceNet与其他现有广泛使用的植物计数方法进行了比较，包括多列卷积神经网络 (MCNN)、扩张卷积神经网络 (CSRNets)、尺度聚合网络 (SANet)、TasselNet版本2 (TasselNetV2) 和焦点反距离变换图 (FIDTM)。结果表明，我们提出的LettuceNet在所有评估优点中表现最佳，与计数准确度排名第二的SANet相比，R²高13.27%，nRMSE低72.83%。总之，提出的LettuceNet在高密度生菜的定位和计数任务中表现出色，具有巨大的现场应用潜力。

2. Improving Radiometric Block Adjustment for UAV Multispectral Imagery under Variable Illumination Conditions

改进可变照明条件下无人机多光谱影像的辐射块平差

Yuxiang Wang et al.

https://www.mdpi.com/2916786

在本研究中，我们优化了辐射块平差 (RBA) 方法，该方法通过比较相邻图像和参考面板的偶然观察来校正变化的光照，以生成准确且均匀的反射正射影像，而不受光照变化的影响。通过提高参考面板信息的权重并减少相邻图像之间的连接点数量，可以提高生成的正射影像的辐射精度和均匀性。此外，特别是对于作物监测，我们提出了RBA-Plant方法，该方法仅从植被区域提取连接点，以进一步提高植被区域正射影像的精度和均匀性。为了验证优化技术和所提出的RBA-Plant方法的有效性，对在太阳辐照度波动下收集的无人机图像数据集进行了视觉和定量评估。结果表明，优化的RBA和RBA-Plant方法优于当前的经验线性法 (ELM) 和传感器校正法，在辐射精度和均匀性方面均有显著改善。具体而言，平均均方根误差 (RMSE) 从0.084降至0.047，平均变异系数 (CV) 从24%降至10.6%。此外，RBA-Plant方法生成的正射影像实现了最低的RMSE和CV值，分别为0.039和6.8%，表明精度最高，均匀性最好。总之，尽管无人机通常结合照明传感器进行照明校正，但本研究提供了不同的方法来提高均匀性并从正射影像中获得更准确的反射率值。

3. Oilseed Rape Yield Prediction from UAVs Using Vegetation Index and Machine Learning: A Case Study in East China

利用植被指数和机器学习通过无人机预测油菜产量：以华东地区为例

Hao Hu et al.

https://www.mdpi.com/2905278

本研究旨在评估配备光谱传感器的无人机预测油菜产量的能力。在一项实验中，使用无人机在油菜幼苗期 (S1)、萌芽期 (S2)、开花期 (S3)、结荚期 (S4) 拍摄RGB和高光谱图像。从高光谱图像中提取并计算油菜冠层反射率和光谱指数。经过相关性分析和主成分分析 (PCA)，筛选输入光谱指数，使用随机森林回归 (RF)、多元线性回归 (MLR) 和支持向量机回归 (SVM) 建立产量预测模型。结果表明，配备光谱传感器的无人机在大规模预测作物产量方面具有巨大潜力。与传统方法 (例如MLR) 相比，RF等机器学习方法可以提高产量模型的准确性。基于RF的训练模型具有最高的判定系数 (R²) (0.925) 和最低的相对均方根误差 (RRMSE) (5.91%)。在测试中，基于MLR的模型具有最高的R² (0.732) 和最低的RRMSE (11.26%)。此外，我们发现与其他生长阶段相比，S2是预测油菜产量的最佳阶段。这项研究证明了对作物产量的相对准确预测，并为大田作物管理提供了有价值的见解。

相关期刊

Agriculture 期刊介绍：https://www.mdpi.com/journal/agriculture

主编：Les Copeland, The University of Sydney, Australia

期刊主题涵盖作物科学与技术、畜牧生产、农产品质量与安全、农业经济与管理、农业工程与技术等农学领域各个方面。

Agronomy 期刊介绍：https://www.mdpi.com/journal/agronomy

主编：Leslie A. Weston, Charles Sturt University, Australia

文章类型包括农学及农业生态学领域的研究型文章及综述，目前已被Science Citation Index Expanded (SCIE) 和Scopus等多个数据库收录。

Crops 期刊介绍：https://www.mdpi.com/journal/crops

主编：Kenneth J. Moore, Iowa State University, USA

期刊发表与作物科学相关的原创文章和高质量评论。主题领域包括但不限于：作物管理、作物保护、作物生态、作物生理、作物代谢、作物与土壤的相互作用、作物种子科学、作物育种和遗传学、作物分子生物学、作物生物技术和生物信息学、种质资源、作物质量和利用、谷物化学、作物储存和加工等。

Plants 期刊介绍：https://www.mdpi.com/journal/plants

主编：Dilantha Fernando, University of Manitoba, Canada