李宗南
- 作品数：46 被引量：245H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
- 基于小型无人机遥感的玉米倒伏面积提取被引量：98
- 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
- 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
- 一种测量土壤表面粗糙度的系统
- 本实用新型提供一种测量土壤表面粗糙度的系统，包括：支架；水平基准面板，用于覆盖所述样方土；结构光投射-图像采集部件，位于支架上，用于采集样方土上的目标采样点以及水平基准面板上与目标采样点相应点的坐标参数信息，并将上述坐标...
- 李宗南陈仲新王利民任建强
- 文献传递
- 四川省水产养殖业空间格局及影响因素被引量：3
- 2022年
- 【目的】探究四川省水产养殖业空间分布格局及驱动因素,为优化该省水产养殖业布局、促进产业提质增量提供参考。【方法】以四川省各县域(市辖区)为基本空间单元,借助该省渔业统计年鉴和地方统计年鉴,采用空间自相关分析方法、地理探测器及地理加权回归模型,分析该省水产养殖业的空间分布格局、影响因素及主导因子作用强度的空间异质性。【结果】(1)四川省水产养殖面积和养殖产量都存在显著的空间正相关性,川东岷江和沱江沿岸平原丘陵地区(包括荣县、威远县、资中县、井研县、仁寿县、雁江区、简阳市等)为该省的主要水产养殖业集聚区;(2)养殖面积、平均单产水平、淡水鱼苗数量和养殖劳动力为养殖产量的主导因子;(3)主导因子正向回归系数影响效应中,养殖面积由中部向南北两边递减,平均单产水平由东北部向西南部递减,淡水鱼苗数量由北部向南部递减。而养殖劳动力由东南部向西部从负值向正值过渡且逐渐增加。【结论】四川省水产养殖业空间格局及影响因素研究为该省水产养殖业集约化发展、因地制宜差异化发展提供科学依据,是优化该省水产养殖业布局、促进产业可持续发展的有效手段之一。
- 苟杰松李宗南吴柏清蒋怡董秀春
- 关键词：水产养殖业影响因素地理加权回归模型
- 基于语义分割模型和遥感的柑橘园空间信息提取被引量：3
- 2023年
- 为应用高分辨率遥感影像和卷积神经网络模型快速提取柑橘园空间信息,选择四川省柑橘重点产区蒲江县为研究区,以高分辨率Google earth图像为数据源,构建3类不同树龄的柑橘园样本数据集,训练U-net和DeepLabv3+语义分割模型,提取柑橘园空间信息。通过验证,具有不同神经网络结构的U-net和DeepLabv3+模型提取柑橘园信息总体精度分别为88.30%和86.79%,Kappa系数为0.75和0.72,二者精度相当;通过分析小地块的果园遥感识别精度,测试区最小识别图斑面积约为120 m2,大于该面积的果园遥感面积平均精度在85%以上。该研究可为经营者、农业部门使用高分辨率遥感影像和开源的深度学习分类工具快速获取果园空间信息提供参考。
- 董秀春蒋怡杨玉婷郭涛李宗南李章成
- 关键词：果园柑橘遥感空间信息
