基于空地协同和边缘计算的松材线虫病树遥感监测方法研究
这是一篇关于空地协同,边缘计算,松材线虫病树,轻量化,遥感监测的论文, 主要内容为近年来,松材线虫病的肆虐给我国松林资源带来了巨大的威胁。松材线虫病的防治是一项极其复杂且需要长期跟踪的工作。及时发现染病树是松材线虫病防治的重要前提,因此针对松材线虫病树的高效监测方法对疫情防控意义重大。无人机以其高监测精度的优势逐渐成为主要监测手段,但无人机监测时间分辨率低,易受天气和续航限制。高点平台监测可实现广域、长时持续监测,可有效弥补无人机监测的不足。为此,本文将无人机和高点平台监测相融合,构建松材线虫病树空地协同遥感监测系统,进一步结合边缘计算和轻量化目标检测技术,实现松材线虫病树的实时、高时空分辨率监测。主要研究内容与结果为:(1)构建松材线虫病树空地协同遥感监测系统。通过在林区地面高点和无人机上架设云台相机和边缘计算设备,分别构建松材线虫病树地面高点监测平台和无人机空中监测平台。采用空地协同的两阶段监测方式,一阶段由地面高点监测平台长时间、大范围监测,得到疑似包含病树区域信息;二阶段由无人机监测平台根据疑似包含病树区域信息进行近距离、高精度监测,得到精准监测信息。基于Py QT5、DJI MSDK、OSDK和Android分别为地面高点监测平台和无人机监测平台开发用户程序。最终,通过融合地面高点监测平台和无人机空中监测平台构成松材线虫病树空地协同遥感监测系统。(2)基于YOLO v5改进松材线虫病树轻量化目标检测方法。边缘计算技术的发展为实现病树实时监测提供了有利基础,但边缘计算设备计算资源有限,需要简化模型以实现有效部署。因此,必须对模型进行轻量化处理,使其满足边缘计算设备要求。本文针对YOLO v5模型的骨干网络,采用Mobile Net v3、Shuffle Net v2、Ghost Net三种网络进行替换;针对YOLO v5的头部网络,采用深度可分离卷积与标准卷积融合并引入通道混洗的方式,替换头部网络中的标准卷积。共得到五种轻量化改进模型,改进模型在本文的松材线虫病树无人机、高点平台图像数据集上的训练结果表明,YOLO v5s+G模型在两种数据集上m AP@.5均最高,达到97.6%和84.9%,模型体积仅为YOLO v5s模型的54%。改进模型YOLO v5s+S-GSConv的模型体积最小,为YOLO v5s模型体积的12%,在两种数据集上的准确率较YOLO v5s仅下降2%和1.9%。其余几种改进模型在准确率和模型体积方面各有优势。(3)研究面向边缘计算终端的松材线虫病树检测模型推理部署及加速推理方案。针对五种常见的边缘计算硬件设备,采用本文改进的轻量化模型进行部署和推理实验,探索了不同边缘计算设备下松材线虫病树图像数据检测速度和检测准确度的平衡方案。采用Pytorch模型转ONNX再转Engine的方案,基于Tensor RT对模型进行推理加速。通过在elementwise算子和contant之间添加一个Identity算子,解决了模型加速后锚点框异常重复堆叠问题。推理加速前后模型单张检测时间表明,经加速后不同模型在相同设备上推理速度的平均提升超过30%。
基于机器学习的鄱阳湖湿地受淹植被遥感监测方法研究
这是一篇关于鄱阳湖,受淹植被,特征优选,机器学习,深度学习,模型改进,遥感监测的论文, 主要内容为湿地是对人类和自然都至关重要的生态系统,提供了许多有益的生态系统服务。然而,气候变化和人类活动等都以不同方式影响着湿地的水文系统和生态功能,导致了湖泊湿地面积减少,植被衰退等巨大生态挑战。《全国湿地保护规划(2022—2030年)》指出,提升湿地监测监管能力水平,对于保护湿地的生态系统质量和稳定性尤为重要。在诸多湿地景观类型中,受淹植被(Flooded Vegetation,FV)因季节性的洪水淹没而广泛分布在河流、湖泊洪泛湿地系统,对湿地生态系统结构稳定和功能完整具有重要影响。尽管遥感技术广泛用于FV的监测研究中,但由于FV所处地理环境复杂多变,传统方法处理流程复杂繁琐,限制了FV精准监测和湿地生态有效保护。机器学习被广泛应用于遥感图像分析任务,基于机器学习的FV监测方法研究有助于拓展湿地监测方法技术,提高湿地资源评估、监测和管理水平,为湿地生态系统的研究和保护提供重要参考。本文针对FV构建鄱阳湖土地覆盖分类体系,基于Sentinel-1A、Landsat8和DEM等多源遥感数据构建光谱波段特征、植被指数、水体指数、雷达特征、地形特征,采用随机森林分类器对鄱阳湖参与分类的不同特征变量重要性进行评价及优选,构建4种特征变量集组合方案。基于支持向量机、随机森林、梯度提升树3种机器学习方法对4种特征变量集组合方案进行训练及精度评价。选取最优的组合方案及机器学习算法的分类结果进行地物修正,制作深度学习数据集的同时对数据集进行增广。将构建的数据集在Deep Lab V3+、U-Net、Swin-Unet、改进的Deep Lab V3+网络上进行训练、评价与分析,探究面向湿地FV的机器学习有效监测方法,深化和拓展鄱阳湖湿地和洪水监测研究,为湿地生态管理和保护提供决策支撑。本文的主要研究结果如下:(1)FV特征指数优选及方案组合。为了探究光学影像、雷达影像以及多源遥感数据对鄱阳湖FV信息提取的影响,本文针对FV构建鄱阳湖地表覆盖分类体系,构建光谱波段特征、植被指数、水体指数、雷达特征指数及地形特征等多个特征变量集,通过随机森林袋外误差对特征变量进行优选及排序,构建了4种特征变量集组合方案(方案1:光谱特征+植被指数+水体指数;方案2:雷达特征;方案3:光谱特征+植被指数+水体指数+雷达特征;方案4:优选的特征变量集)。在鄱阳湖地表分类过程中,特征变量集的重要性评分排序为植被指数>水体指数>光谱波段特征>雷达特征指数>地形特征。鄱阳湖地物分类中的特征重要性评分与地物间的可分离性相关,地物之间的可分离性越好,得分越高。优选的特征变量集为NDWI、SAVI、NDVI、B4、VH、SDWI、EVI、FAI、B1、B2、RV、B3、VV。(2)基于机器学习算法的FV特征组合方案优选及深度学习数据集构建。为了选取最佳的特征组合方案及分类器构建深度学习方法分类标签数据集并对原始数据集进行增广。本文基于随机森林、支持向量机、梯度提升树3种机器学习模型对4种特征变量集组合方案进行精度评价,总体精度及Kappa系数排序为方案3>方案4>方案1>方案2,综合来看方案4分类性能更为优秀。机器学习分类器性能排序为随机森林>梯度提升树>支持向量机,各类地物的F1-Score排序为水体>FV>其他地物>植被。研究发现仅使用光谱特征或雷达特征的机器学习方法均难以实现鄱阳湖湿地的高效、精准分类;融合两者信息则可以有效提升地物的提取精度,显著提高湿地FV监测效率。更为重要的是,经过特征指数优选后的机器学习算法既减少了特征冗余,又增强了地物的识别能力。(3)基于DeepLabV3+的神经网络模型改进及精度评价。为了提高FV提取精度,本文使用Mobile Net V2、Seg Former、卷积注意力和全局注意力模块对Deep Lab V3+模型改进。本文构建2分类优选特征变量A数据集、多分类优选特征变量B数据集、2分类雷达特征变量(VV、VH、SDWI、NDI、CR)C数据集、多分类雷达特征变量D数据集(VV、VH、SDWI、NDI、CR)4个深度学习数据集。通过U-Net、Deep Lab V3+、SwinUnet、改进的Deep Lab V3+模型对相同的数据集进行训练、验证、测试,并定性定量对比分析不同模型对FV的提取效果。在A、B、D数据集上本文改进的Deep Lab V3+模型在总体精度、准确度、召回率、F1-Score、MIOU均优于U-Net、Deep Lab V3+、Swin-Unet模型。改进的Deep Lab V3+模型在A数据集上模型精度最优,总体精度为93.58%、准确度为87.18%、召回率为84.79%、F1-Score及MIOU分别为85.77%、76.96%。其MIOU与UNet、Deep Lab V3+、Swin-Unet模型相比,分别上涨了5.36%、12.93%、10.21%。从模型尺寸上来看改进的Deep Lab V3+模型仅为75.8 M,与原始的Deep Lab V3+、U-Net及SwinUnet模型相比分别下降了135.9 M、42.7 M、31 M。综上所述,改进的Deep Lab V3+模型在轻量化网络的同时,也提高了模型对地物的识别能力。论文的主要创新点:本文针对鄱阳湖湿地FV有效监测问题,主要开展了特征变量优选、机器学习应用、深度学习算法改进等3方面工作。(1)研究筛选出了适用于鄱阳湖湿地FV提取的特征变量,发现常见机器学习算法中随机森林算法可有效监测湿地FV。(2)改进的Deep Lab V3+在提升湿地FV监测效率的基础上,减少了模型尺寸,可为鄱阳湖湿地FV监测提供支撑。
基于机器学习的鄱阳湖湿地受淹植被遥感监测方法研究
这是一篇关于鄱阳湖,受淹植被,特征优选,机器学习,深度学习,模型改进,遥感监测的论文, 主要内容为湿地是对人类和自然都至关重要的生态系统,提供了许多有益的生态系统服务。然而,气候变化和人类活动等都以不同方式影响着湿地的水文系统和生态功能,导致了湖泊湿地面积减少,植被衰退等巨大生态挑战。《全国湿地保护规划(2022—2030年)》指出,提升湿地监测监管能力水平,对于保护湿地的生态系统质量和稳定性尤为重要。在诸多湿地景观类型中,受淹植被(Flooded Vegetation,FV)因季节性的洪水淹没而广泛分布在河流、湖泊洪泛湿地系统,对湿地生态系统结构稳定和功能完整具有重要影响。尽管遥感技术广泛用于FV的监测研究中,但由于FV所处地理环境复杂多变,传统方法处理流程复杂繁琐,限制了FV精准监测和湿地生态有效保护。机器学习被广泛应用于遥感图像分析任务,基于机器学习的FV监测方法研究有助于拓展湿地监测方法技术,提高湿地资源评估、监测和管理水平,为湿地生态系统的研究和保护提供重要参考。本文针对FV构建鄱阳湖土地覆盖分类体系,基于Sentinel-1A、Landsat8和DEM等多源遥感数据构建光谱波段特征、植被指数、水体指数、雷达特征、地形特征,采用随机森林分类器对鄱阳湖参与分类的不同特征变量重要性进行评价及优选,构建4种特征变量集组合方案。基于支持向量机、随机森林、梯度提升树3种机器学习方法对4种特征变量集组合方案进行训练及精度评价。选取最优的组合方案及机器学习算法的分类结果进行地物修正,制作深度学习数据集的同时对数据集进行增广。将构建的数据集在Deep Lab V3+、U-Net、Swin-Unet、改进的Deep Lab V3+网络上进行训练、评价与分析,探究面向湿地FV的机器学习有效监测方法,深化和拓展鄱阳湖湿地和洪水监测研究,为湿地生态管理和保护提供决策支撑。本文的主要研究结果如下:(1)FV特征指数优选及方案组合。为了探究光学影像、雷达影像以及多源遥感数据对鄱阳湖FV信息提取的影响,本文针对FV构建鄱阳湖地表覆盖分类体系,构建光谱波段特征、植被指数、水体指数、雷达特征指数及地形特征等多个特征变量集,通过随机森林袋外误差对特征变量进行优选及排序,构建了4种特征变量集组合方案(方案1:光谱特征+植被指数+水体指数;方案2:雷达特征;方案3:光谱特征+植被指数+水体指数+雷达特征;方案4:优选的特征变量集)。在鄱阳湖地表分类过程中,特征变量集的重要性评分排序为植被指数>水体指数>光谱波段特征>雷达特征指数>地形特征。鄱阳湖地物分类中的特征重要性评分与地物间的可分离性相关,地物之间的可分离性越好,得分越高。优选的特征变量集为NDWI、SAVI、NDVI、B4、VH、SDWI、EVI、FAI、B1、B2、RV、B3、VV。(2)基于机器学习算法的FV特征组合方案优选及深度学习数据集构建。为了选取最佳的特征组合方案及分类器构建深度学习方法分类标签数据集并对原始数据集进行增广。本文基于随机森林、支持向量机、梯度提升树3种机器学习模型对4种特征变量集组合方案进行精度评价,总体精度及Kappa系数排序为方案3>方案4>方案1>方案2,综合来看方案4分类性能更为优秀。机器学习分类器性能排序为随机森林>梯度提升树>支持向量机,各类地物的F1-Score排序为水体>FV>其他地物>植被。研究发现仅使用光谱特征或雷达特征的机器学习方法均难以实现鄱阳湖湿地的高效、精准分类;融合两者信息则可以有效提升地物的提取精度,显著提高湿地FV监测效率。更为重要的是,经过特征指数优选后的机器学习算法既减少了特征冗余,又增强了地物的识别能力。(3)基于DeepLabV3+的神经网络模型改进及精度评价。为了提高FV提取精度,本文使用Mobile Net V2、Seg Former、卷积注意力和全局注意力模块对Deep Lab V3+模型改进。本文构建2分类优选特征变量A数据集、多分类优选特征变量B数据集、2分类雷达特征变量(VV、VH、SDWI、NDI、CR)C数据集、多分类雷达特征变量D数据集(VV、VH、SDWI、NDI、CR)4个深度学习数据集。通过U-Net、Deep Lab V3+、SwinUnet、改进的Deep Lab V3+模型对相同的数据集进行训练、验证、测试,并定性定量对比分析不同模型对FV的提取效果。在A、B、D数据集上本文改进的Deep Lab V3+模型在总体精度、准确度、召回率、F1-Score、MIOU均优于U-Net、Deep Lab V3+、Swin-Unet模型。改进的Deep Lab V3+模型在A数据集上模型精度最优,总体精度为93.58%、准确度为87.18%、召回率为84.79%、F1-Score及MIOU分别为85.77%、76.96%。其MIOU与UNet、Deep Lab V3+、Swin-Unet模型相比,分别上涨了5.36%、12.93%、10.21%。从模型尺寸上来看改进的Deep Lab V3+模型仅为75.8 M,与原始的Deep Lab V3+、U-Net及SwinUnet模型相比分别下降了135.9 M、42.7 M、31 M。综上所述,改进的Deep Lab V3+模型在轻量化网络的同时,也提高了模型对地物的识别能力。论文的主要创新点:本文针对鄱阳湖湿地FV有效监测问题,主要开展了特征变量优选、机器学习应用、深度学习算法改进等3方面工作。(1)研究筛选出了适用于鄱阳湖湿地FV提取的特征变量,发现常见机器学习算法中随机森林算法可有效监测湿地FV。(2)改进的Deep Lab V3+在提升湿地FV监测效率的基础上,减少了模型尺寸,可为鄱阳湖湿地FV监测提供支撑。
可扩展的遥感监测图斑属性数据在线审核系统构建方法研究
这是一篇关于遥感监测,图斑属性数据,数据审核,系统构建的论文, 主要内容为矿产资源是提高国民经济、推动社会发展的重要物质基础。随着我国社会经济的发展,人们对矿产资源的需求日益增多,而矿产资源的过度开采,带来了一系列的环境问题。为了提高矿产资源开发的监测和管理水平,相关部门采用遥感技术对矿山开发状况、矿山地质环境等进行监测,从而获得大量的遥感监测成果数据,这些数据为相关部门矿产资源规划、维护矿业秩序及矿区环境综合整治等提供了技术支持与决策依据。在遥感监测图斑属性数据审核过程中,工作人员要结合实地勘察结果对图斑数据进行客观评判,通过审核的图斑数据可以有效验证我国矿山恢复治理工作取得的成果,也为下一步的矿山恢复治理工作的方案制定提供数据基础。现有的图斑属性数据审核工作是以人工审核Excel文件的方式展开,由于图斑属性数据量大、种类繁杂、图斑属性众多且约束复杂,存在审核人员工作强度大且容易出错的问题;为确保图斑数据的质量,图斑属性审核工作需要多级工作人员反复审核才能提交,工作效率也十分低下;审核人员手持Excel文件,对图斑数据可以进行随意更改,难以保证数据的安全性与一致性。因此,提供一个遥感监测图斑属性数据信息化平台十分必要。遥感监测图斑属性数据在线审核系统面临的问题主要有:如何描述图斑数据以确保符合工作要求规范;如何构建系统安全控制框架和角色权限模型使得工作人员各司其职;如何构建一个审核系统使其具有较好的扩展性。为此,本文进行了以下研究,首先对遥感监测图斑数据特征进行分析,并针对图斑属性数据和图斑切图数据两大类数据在多个方面进行了规范化描述;然后针对图斑属性数据审核工作流程进行抽象,归纳为管理员数据准备、地方用户数据初审、技术人员数据确认、地方用户数据复审、专家组数据终审、管理员报表生成六个阶段;结合图斑属性数据审核的工作要求和系统安全需求,采用Shiro框架对登录用户身份进行验证、采用日志机制记录用户对数据的详细操作,对审核人员按照地域和级别划分,基于RBAC(Role-Based Access Control,“基于角色的访问控制”)模型,提出一套基于用户分组的角色权限控制模型,为系统用户配置相应的操作权限;最后采用Spring Boot框架作为系统后端的总体框架,使用MyBatis框架进行数据库访问,前端采用Layui并搭配多种前端组件进行搭建,通过体系结构分析与确定,细化系统的构件、连接件,设计系统整体架构,再进行系统详细设计和数据库设计,完成系统的构建。最后将这种系统构建方法应用到实际的系统开发中,根据实际应用说明研究目的和意义。
基于机器学习的鄱阳湖湿地受淹植被遥感监测方法研究
这是一篇关于鄱阳湖,受淹植被,特征优选,机器学习,深度学习,模型改进,遥感监测的论文, 主要内容为湿地是对人类和自然都至关重要的生态系统,提供了许多有益的生态系统服务。然而,气候变化和人类活动等都以不同方式影响着湿地的水文系统和生态功能,导致了湖泊湿地面积减少,植被衰退等巨大生态挑战。《全国湿地保护规划(2022—2030年)》指出,提升湿地监测监管能力水平,对于保护湿地的生态系统质量和稳定性尤为重要。在诸多湿地景观类型中,受淹植被(Flooded Vegetation,FV)因季节性的洪水淹没而广泛分布在河流、湖泊洪泛湿地系统,对湿地生态系统结构稳定和功能完整具有重要影响。尽管遥感技术广泛用于FV的监测研究中,但由于FV所处地理环境复杂多变,传统方法处理流程复杂繁琐,限制了FV精准监测和湿地生态有效保护。机器学习被广泛应用于遥感图像分析任务,基于机器学习的FV监测方法研究有助于拓展湿地监测方法技术,提高湿地资源评估、监测和管理水平,为湿地生态系统的研究和保护提供重要参考。本文针对FV构建鄱阳湖土地覆盖分类体系,基于Sentinel-1A、Landsat8和DEM等多源遥感数据构建光谱波段特征、植被指数、水体指数、雷达特征、地形特征,采用随机森林分类器对鄱阳湖参与分类的不同特征变量重要性进行评价及优选,构建4种特征变量集组合方案。基于支持向量机、随机森林、梯度提升树3种机器学习方法对4种特征变量集组合方案进行训练及精度评价。选取最优的组合方案及机器学习算法的分类结果进行地物修正,制作深度学习数据集的同时对数据集进行增广。将构建的数据集在Deep Lab V3+、U-Net、Swin-Unet、改进的Deep Lab V3+网络上进行训练、评价与分析,探究面向湿地FV的机器学习有效监测方法,深化和拓展鄱阳湖湿地和洪水监测研究,为湿地生态管理和保护提供决策支撑。本文的主要研究结果如下:(1)FV特征指数优选及方案组合。为了探究光学影像、雷达影像以及多源遥感数据对鄱阳湖FV信息提取的影响,本文针对FV构建鄱阳湖地表覆盖分类体系,构建光谱波段特征、植被指数、水体指数、雷达特征指数及地形特征等多个特征变量集,通过随机森林袋外误差对特征变量进行优选及排序,构建了4种特征变量集组合方案(方案1:光谱特征+植被指数+水体指数;方案2:雷达特征;方案3:光谱特征+植被指数+水体指数+雷达特征;方案4:优选的特征变量集)。在鄱阳湖地表分类过程中,特征变量集的重要性评分排序为植被指数>水体指数>光谱波段特征>雷达特征指数>地形特征。鄱阳湖地物分类中的特征重要性评分与地物间的可分离性相关,地物之间的可分离性越好,得分越高。优选的特征变量集为NDWI、SAVI、NDVI、B4、VH、SDWI、EVI、FAI、B1、B2、RV、B3、VV。(2)基于机器学习算法的FV特征组合方案优选及深度学习数据集构建。为了选取最佳的特征组合方案及分类器构建深度学习方法分类标签数据集并对原始数据集进行增广。本文基于随机森林、支持向量机、梯度提升树3种机器学习模型对4种特征变量集组合方案进行精度评价,总体精度及Kappa系数排序为方案3>方案4>方案1>方案2,综合来看方案4分类性能更为优秀。机器学习分类器性能排序为随机森林>梯度提升树>支持向量机,各类地物的F1-Score排序为水体>FV>其他地物>植被。研究发现仅使用光谱特征或雷达特征的机器学习方法均难以实现鄱阳湖湿地的高效、精准分类;融合两者信息则可以有效提升地物的提取精度,显著提高湿地FV监测效率。更为重要的是,经过特征指数优选后的机器学习算法既减少了特征冗余,又增强了地物的识别能力。(3)基于DeepLabV3+的神经网络模型改进及精度评价。为了提高FV提取精度,本文使用Mobile Net V2、Seg Former、卷积注意力和全局注意力模块对Deep Lab V3+模型改进。本文构建2分类优选特征变量A数据集、多分类优选特征变量B数据集、2分类雷达特征变量(VV、VH、SDWI、NDI、CR)C数据集、多分类雷达特征变量D数据集(VV、VH、SDWI、NDI、CR)4个深度学习数据集。通过U-Net、Deep Lab V3+、SwinUnet、改进的Deep Lab V3+模型对相同的数据集进行训练、验证、测试,并定性定量对比分析不同模型对FV的提取效果。在A、B、D数据集上本文改进的Deep Lab V3+模型在总体精度、准确度、召回率、F1-Score、MIOU均优于U-Net、Deep Lab V3+、Swin-Unet模型。改进的Deep Lab V3+模型在A数据集上模型精度最优,总体精度为93.58%、准确度为87.18%、召回率为84.79%、F1-Score及MIOU分别为85.77%、76.96%。其MIOU与UNet、Deep Lab V3+、Swin-Unet模型相比,分别上涨了5.36%、12.93%、10.21%。从模型尺寸上来看改进的Deep Lab V3+模型仅为75.8 M,与原始的Deep Lab V3+、U-Net及SwinUnet模型相比分别下降了135.9 M、42.7 M、31 M。综上所述,改进的Deep Lab V3+模型在轻量化网络的同时,也提高了模型对地物的识别能力。论文的主要创新点:本文针对鄱阳湖湿地FV有效监测问题,主要开展了特征变量优选、机器学习应用、深度学习算法改进等3方面工作。(1)研究筛选出了适用于鄱阳湖湿地FV提取的特征变量,发现常见机器学习算法中随机森林算法可有效监测湿地FV。(2)改进的Deep Lab V3+在提升湿地FV监测效率的基础上,减少了模型尺寸,可为鄱阳湖湿地FV监测提供支撑。
本文内容包括但不限于文字、数据、图表及超链接等)均来源于该信息及资料的相关主题。发布者:代码货栈 ,原文地址:https://m.bishedaima.com/lunwen/49923.html