李宗南
- 作品数：44 被引量：240H指数：8
- 供职机构：四川省农业科学院更多>>
- 发文基金：四川省应用基础研究计划项目四川省科技计划项目引进国际先进农业科技计划更多>>
- 相关领域：农业科学自动化与计算机技术经济管理更多>>
- 基于多光谱影像的单红边波段叶绿素指数验证被引量：2
- 2019年
- 【目的】应用多光谱影像和光谱指数法准确估算作物叶绿素含量。【方法】使用4个生长期玉米冠层高光谱反射率及叶绿素含量建立单红边波段叶绿素指数(SRCI)的叶绿素含量估算模型:首先由高光谱反射率和光谱响应函数计算得到等效的Worldview-2多光谱反射率,以等效反射率计算SRCI;然后根据SRCI与叶片叶绿素含量(LCC)、冠层叶绿素密度(CCD)的线性关系,分别建立LCC和CCD的一元线性回归模型。使用2012年9月14日获取的Worldview-2多光谱遥感影像计算得到的SRCI作为输入,估算LCC和CCD。【结果】Worldview-2 SRCI估算叶片叶绿素含量的偏差均方根为4.70μg/cm^2,相对误差平均为7.0%;估算冠层叶绿素密度的偏差均方根为1.63 g/m^2,相对误差平均为6.4%。【结论】多光谱卫星遥感的红边光谱指数能准确估算玉米叶绿素含量。
- 李宗南蒋怡黄平董秀春王昕魏来刘忠友
- 关键词：遥感光谱指数叶绿素含量
- 基于Deeplabv3+模型的成都平原水产养殖水体信息提取被引量：10
- 2021年
- 为应用深度学习和遥感影像实现养殖水体信息的快速提取,以成都平原为研究区,以Sentinel 2A和高分6号多光谱影像为数据源,基于国产开源深度学习平台PaddlePaddle训练Deeplabv3+语义分割模型,构建遥感影像的水体语义分割模型,用于提取成都平原养殖水体信息。Deeplabv3+方法的总体精度和Kappa系数分别达到94.14%和0.88,均高于归一化差分水体指数法和最大似然监督分类法;模型对阴影和建筑物等误分为水体的抑制效果较好,而对小面积和细小线状水体信息的提取则受影像分辨率影响,效果无明显改进;成都平原2018年和2020年养殖水体面积分别为22.3 khm^(2)和28.6 khm^(2),其验证区青白江区、新津县和广汉市养殖水体面积的泛化提取结果验证误差均≤±10%。该研究结果可为应用深度学习平台建立遥感影像的水体语义分割模型及提取水产养殖水体信息提供参考。
- 苟杰松蒋怡李宗南董秀春吴柏清刘忠友
- 关键词：遥感水体信息水产养殖成都平原
- 基于ACRM模型不同时期冬小麦LAI和叶绿素反演研究被引量：6
- 2012年
- 通过冬小麦4个生育期不同长势冠层光谱观测数据,模拟HJ小卫星多光谱等效反射率;然后使用双层冠层反射率模型(ACRM)反演各生育期冬小麦LAI和叶绿素含量,分析HJ小卫星多光谱数据定量反演LAI和叶绿素含量的应用潜力以及ACRM模型在不同冬小麦生育期的LAI和叶绿素含量反演误差。将模型反演值与实测值对比分析发现:(1)LAI和叶绿素含量反演值与地面实测值有很高的相关性,应用HJ小卫星多光谱数据定量反演LAI和叶绿素有很大的应用潜力;(2)ACRM模型在不同生育期的冬小麦LAI和叶绿素含量反演误差存在差异。
- 李宗南陈仲新王利民姜志伟
- 关键词：叶面积指数叶绿素含量反演
- 基于小型无人机遥感的玉米倒伏面积提取被引量：96
- 2014年
- 该文使用2012年小型无人机遥感试验获取的红、绿、蓝彩色图像研究灌浆期玉米倒伏的图像特征和面积提取方法。研究首先计算和统计正常、倒伏玉米的30项色彩、纹理特征,然后比较特征的变异系数和相对差异评选出适宜区分正常、倒伏玉米的特征;通过分析发现,与红、绿、蓝色灰度比较,多项色彩、纹理特征的变异系数更大或不同类别间的相对差异更小,不适用于准确区分正常、倒伏玉米,最适于区分正常和倒伏玉米的特征是3项基于灰度共生矩阵的红、绿、蓝色均值纹理特征。分别基于色彩特征和评选出的纹理特征提取倒伏玉米面积,对比2种方法的误差发现,基于红、绿、蓝色均值纹理特征提取倒伏玉米面积的误差最小为0.3%,最大为6.9%,显著低于基于色彩特征提取方法的。该研究结果为应用无人机彩色遥感图像准确提取倒伏玉米面积提供了依据和方法。
- 李宗南陈仲新王利民刘佳周清波
- 关键词：遥感图像处理倒伏玉米
- 基于YOLOv5模型的飞蓬属入侵植物目标检测
- 2023年
- 为应用深度学习模型实现机器快速准确识别农田恶性杂草,以田间常见的2种飞蓬属入侵植物为对象,采集样本图像并标注杂草目标,基于网络结构深度、宽度可调的一阶段目标检测模型YOLOv5搭建训练平台和嵌入式测试平台,训练14组具有不同网络层和卷积核的模型权重,验证模型精度及检测帧率。结果表明:不同网络结构深度、宽度设置的YOLOv5模型识别飞蓬属入侵植物的平均精度为91.8%~95.1%,有8组权重的平均精度优于YOLOv3的,合理增加网络层和卷积核能提高模型精度;YOLOv5在训练平台的帧率为28~109 fps之间,在测试平台的帧率为12~58 fps之间,有12组权重的帧率比YOLOv3的有显著提高,帧率受平台算力限制并随网络层和卷积核增加而下降,在算力较低的嵌入式系统中实现实时检测需平衡模型网络结构的设置。该研究结果可为搭建农田杂草智能感知系统提供参考。
- 李宗南蒋怡王思李源洪黄平魏鹏
- 关键词：目标检测卷积神经网络入侵植物杂草
- 基于Darknet深度学习框架的桃花检测方法被引量：1
- 2021年
- 【目的】为实现果园自然场景下智能农业机器人对桃花的准确、快速、有效检测。【方法】文章采用相机获取桃花图片数据,通过LabelImg软件进行人工标记建立桃花目标识别的检测样本数据集,训练Darknet深度学习框架下的YOLO v4模型对桃花进行识别。【结果】模型精度评估表明,YOLO v4模型的平均准确率MAP值(86%)比Faster RCNN的MAP值(51%)高出35%。【结论】YOLO v4与经典的算法相比,对各种自然环境下的桃花检测具有较好的实时性和鲁棒性,可为精准识别桃花提供重要参考价值,桃花精准识别为疏花疏果作业奠定了基础。
- 郭涛郭家李宗南邱霞王思
- 关键词：DARKNET目标检测自然场景
- 基于MLS LiDAR点云提取桃树结构参数
- 2024年
- 为构建数字化果园并提高智能化管理水平,探索基于MLS LiDAR提取桃树结构参数的方法。使用背包搭载多平台激光雷达采集展叶期桃园点云数据,采用改进K-Means聚类算法分割单棵桃树点云;对部分存在空洞的枝条点云上采样,得到较高密度枝条点云数据;使用不同直径的圆柱拟合重建桃树定量结构模型(QSM),提取桃树5项结构参数。结果表明:该方法能实现桃树精准三维模型重建,重建后提取的冠幅值、株高、主干直径、一二级枝条长度与实测值决定系数分别为0.779、0.939、0.978、0.965、0.986,均方根误差分别为0.280 m、0.076 m、0.003 m、0.066 m、0.068 m;平均相对误差为8.6%、2.5%、3.2%、2.6%、8.4%。研究结果可为桃园智能化管理提供数据支撑。
- 钟丹陈鸿文王思邱霞蒲长兵李宗南
- 关键词：LIDAR点云桃树结构参数
- 成都郊区农业土地利用空间集聚及斑块变化特征分析被引量：1
- 2022年
- 【目的】应用时空大数据分析近年来成都郊区典型农业乡镇的农业土地利用变化的特征,为开展乡镇农业土地利用评估、农业产业结构调整优化和乡村振兴提供信息支撑。【方法】文章使用Sentinel-2A多光谱影像、Google Earth高分辨率真彩色合成影像和WorldView-2影像相结合的数据源,提取研究区农业空间土地利用信息,通过莫兰指数、热点分析和景观格局指数分析农业土地利用变化特征。【结果】(1)园地较其他类型的聚集效应明显,呈现典型热点和冷点区域,其中热点主要分布于研究区西部的丘陵区域,冷点区域分布于东部的平原区域。(2)土地利用斑块变化指数表明耕地、园地和设施农用地变化明显,耕地平均面积减少,园地和设施大棚平均面积显著增加。【结论】郊区乡村地区农业土地利用及作物用地类型存在显著聚集效应,粮油种植业则随着其他作物、大棚及水产养殖等产业发展,聚集效应逐步下降。农业用地逐步由单一粮油产业主导转为粮油、蔬菜、水果、水产养殖等多元结构,土地斑块特征受农业产业的规模化、专业化程度发展影响明显。
- 蒋怡董秀春李宗南刘忠友任国业李章成
- 关键词：斑块
- 四川盆地莲藕种植遥感提取及热点区域分析被引量：1
- 2023年
- 为准确提取四川省盆地地区莲藕种植空间信息,掌握该作物种植热点区域,采用高分六号遥感影像和地面调查数据,分析藕田光谱特征,提取该地区最佳遥感时期内莲藕种植空间信息;通过Moran’s I指数和Getis-Ord Gi*指数分析四川莲藕空间分布特征及种植热点区域。结果表明:(1)基于极大似然分类法的莲藕空间信息的提取总精度为92.35%,Kappa系数为0.9045。(2)基于遥感的四川盆地莲藕种植面积约为128.57 km^(2),分布于1374个乡镇,部分地区存在聚集现象;73个热点乡镇的莲藕种植面积为54.31 km^(2),占四川盆地莲藕面积的42.24%,空间极化现象明显,主要分布于遂宁安居区、资阳乐至县、成都简阳市等区县。研究结果可为四川省开展乡镇专业化莲藕种植及莲藕产业优化调整提供参考。
- 蒋怡董秀春刘忠友李宗南黄平任国业王小燕
- 关键词：莲藕光谱特征
- 基于OLI影像的四川丘陵地区水稻种植面积监测被引量：5
- 2018年
- 【目的】为使用Landsat8 OLI遥感影像准确监测四川丘陵地区水稻种植面积。【方法】根据丘谷相对高差分别选定浅丘、深丘水稻样方各4个,通过地面样方调查和同生长季Google Earth影像解译获取的样方水稻种植面积作为验证数据,评价基于OLI融合影像的川中丘陵的水稻种植面积监测精度。OLI影像经正射校正后,使用15 m全色波段影像和30 m多光谱影像融合,得到15 m分辨率的融合影像,使用最大似然法进行监督分类,获取监测结果。【结果】与样方验证数据比较,在样方面积相同的情况下基于OLI影像的水稻种植面积监测结果显示,浅丘区的平均精度为93.7%,误差范围为1.0%~8.7%;深丘区的为92.5%,误差范围为1.5%~15.8%。【结论】根据浅丘区、深丘区监测结果的误差范围差异,随着丘谷高差增大,地形趋于复杂、地块趋于狭长与破碎,OLI影像监测结果的不确定性增加,精度有下降的趋势。该研究为改进OLI影像监测四川丘陵地区水稻种植面积精度提供参考。
- 蒋怡李宗南李丹丹李丹丹任国业
- 关键词：遥感图像处理水稻种植面积
