تشخیص و تجزیه و تحلیل درجه سکونت ذرت با استفاده از فاکتورهای چند ویژگی تصویر پهپاد-RGB و روش‌های مختلف طبقه‌بندی

چکیده

ذرت ( Zea maysL.) یکی از مهم ترین محصولات کشاورزی در جهان است که می تواند با اسکان ویران شود که می تواند در طول فصل رشد به ذرت ضربه بزند. اسکان ذرت نه تنها بر عملکرد بلکه بر کیفیت دانه های آن نیز تأثیر می گذارد. شناسایی محل سکونت برای ارزیابی تلفات ناشی از بلایای طبیعی، غربالگری گونه های محصول مقاوم در برابر مسکن و بهینه سازی استراتژی های مدیریت مزرعه مفید است. تشخیص دقیق محل سکونت محصول جدایی ناپذیر از تعیین دقیق درجه سکونت است که به بهبود مدیریت مزرعه در فرآیند تولید محصول کمک می کند. رویکردی توسعه داده شد که طبقه‌بندی‌های نظارت شده و شی‌گرا را بر روی داده‌های طیف، بافت، و ساختار سایه‌بان ترکیب می‌کند تا درجه سکونت را با دقت بالا تعیین کند. نتایج نشان داد که در ترکیب با تصویر اصلی، با تغییر مدل سطح دیجیتال و ویژگی‌های بافت، دقت کلی روش طبقه‌بندی شی‌گرا با استفاده از طبقه‌بندی‌کننده جنگل تصادفی بهترین بود که 86.96% بود (ضریب کاپا 0.79 بود). بهترین طبقه‌بندی نظارت شده در سطح پیکسل برای درجه اقامت ذرت 78.26٪ بود (ضریب کاپا 0.6 بود). بر اساس توزیع مکانی درجه اسکان به عنوان تابعی از تنوع محصول، تاریخ کاشت، تراکم، و تیمارهای مختلف نیتروژن، این کار تعیین می کند که چگونه عوامل ویژگی بر درجه اسکان تأثیر می گذارد. این نتایج به ما اجازه می‌دهد تا به سرعت درجه سکونت ذرت مزرعه را تعیین کنیم، تاریخ کاشت بهینه، تراکم مطلوب و روش کوددهی بهینه را در تولید مزرعه تعیین کنیم. دقت کلی روش طبقه‌بندی شی گرا با استفاده از طبقه‌بندی‌کننده جنگل تصادفی بهترین بود که 96/86 درصد بود (ضریب کاپا 79/0 بود). بهترین طبقه‌بندی نظارت شده در سطح پیکسل برای درجه اقامت ذرت 78.26٪ بود (ضریب کاپا 0.6 بود). بر اساس توزیع مکانی درجه اسکان به عنوان تابعی از تنوع محصول، تاریخ کاشت، تراکم، و تیمارهای مختلف نیتروژن، این کار تعیین می کند که چگونه عوامل ویژگی بر درجه اسکان تأثیر می گذارد. این نتایج به ما اجازه می‌دهد تا به سرعت درجه سکونت ذرت مزرعه را تعیین کنیم، تاریخ کاشت بهینه، تراکم مطلوب و روش کوددهی بهینه را در تولید مزرعه تعیین کنیم. دقت کلی روش طبقه‌بندی شی گرا با استفاده از طبقه‌بندی‌کننده جنگل تصادفی بهترین بود که 96/86 درصد بود (ضریب کاپا 79/0 بود). بهترین طبقه‌بندی نظارت شده در سطح پیکسل برای درجه اقامت ذرت 78.26٪ بود (ضریب کاپا 0.6 بود). بر اساس توزیع مکانی درجه اسکان به عنوان تابعی از تنوع محصول، تاریخ کاشت، تراکم، و تیمارهای مختلف نیتروژن، این کار تعیین می کند که چگونه عوامل ویژگی بر درجه اسکان تأثیر می گذارد. این نتایج به ما اجازه می‌دهد تا به سرعت درجه سکونت ذرت مزرعه را تعیین کنیم، تاریخ کاشت بهینه، تراکم مطلوب و روش کوددهی بهینه را در تولید مزرعه تعیین کنیم. بهترین طبقه‌بندی نظارت شده در سطح پیکسل برای درجه اقامت ذرت 78.26٪ بود (ضریب کاپا 0.6 بود). بر اساس توزیع مکانی درجه اسکان به عنوان تابعی از تنوع محصول، تاریخ کاشت، تراکم، و تیمارهای مختلف نیتروژن، این کار تعیین می کند که چگونه عوامل ویژگی بر درجه اسکان تأثیر می گذارد. این نتایج به ما اجازه می‌دهد تا به سرعت درجه سکونت ذرت مزرعه را تعیین کنیم، تاریخ کاشت بهینه، تراکم مطلوب و روش کوددهی بهینه را در تولید مزرعه تعیین کنیم. بهترین طبقه‌بندی نظارت شده در سطح پیکسل برای درجه اقامت ذرت 78.26٪ بود (ضریب کاپا 0.6 بود). بر اساس توزیع مکانی درجه اسکان به عنوان تابعی از تنوع محصول، تاریخ کاشت، تراکم، و تیمارهای مختلف نیتروژن، این کار تعیین می کند که چگونه عوامل ویژگی بر درجه اسکان تأثیر می گذارد. این نتایج به ما اجازه می‌دهد تا به سرعت درجه سکونت ذرت مزرعه را تعیین کنیم، تاریخ کاشت بهینه، تراکم مطلوب و روش کوددهی بهینه را در تولید مزرعه تعیین کنیم.

کلید واژه ها:

وسایل نقلیه هوایی بدون سرنشین (UAVs) ؛ مدل سطح دیجیتال ; سطح اسکان ؛ طبقه بندی شی گرا ; ویژگی های رنگ و بافت

1. مقدمه

ذرت ( Zea mays L.) کاشته شده ترین محصول در جهان است و نقش مهمی در تضمین امنیت غذایی ملی چین دارد [ 1 ]. اسکان، که می تواند محصولات ذرت را در هر زمانی در فصل رشد از بین ببرد، بیشتر از مرحله تاسلینگ تا مرحله پر شدن رخ می دهد [ 2 ]. پیگیری بی‌وقفه محصول کشاورزی مدرن منجر به رشد شدید ذرت و کاشت متراکم می‌شود، که باعث ایجاد ساقه‌های بلند و نازک ذرت می‌شود که به راحتی می‌توانند قربانی سکونت ذرت در طوفان‌ها و باران‌های شدید در چین شوند که عمدتاً در طول مراحل رشد از رگه‌دهی رخ می‌دهند. برای پر کردن [ 2]. سکونت ذرت باعث آسیب مکانیکی به ساقه ذرت می شود و منجر به درجات مختلف خمش می شود که جذب و انتقال مواد مغذی را کاهش می دهد، سنتز مواد آلی و رشد طبیعی ذرت را تحت تاثیر قرار می دهد و در نهایت ساختار تاج را از بین می برد و در نتیجه عملکرد دانه را از بین می برد. کیفیت [ 3 ]. بنابراین، به دست آوردن اطلاعات به موقع و دقیق در مورد اسکان ذرت پس از چنین بلایایی، نه تنها برای کمک به مقامات تولید کشاورزی در انجام سریع اقدامات اصلاحی و کاهش خسارات، بلکه برای کمک به شرکت های بیمه برای برآورد سریع و دقیق زیان و در نتیجه ارائه غرامت معقول پس از چنین بلایایی، حیاتی است. علاوه بر این، چنین رویکردی به ما امکان می‌دهد تا گونه‌های محصول مقاوم در برابر اسکان را انتخاب کنیم و استراتژی‌های مدیریت مزرعه را بهبود ببخشیم.
به دست آوردن داده ها در مورد اسکان ذرت از طریق بررسی زمینی و اندازه گیری واقعی زمان بر و ناکارآمد است. با این حال، توسعه اخیر فناوری سنجش از دور اکنون یک راه مناسب برای به دست آوردن سریع داده‌های اسکان محصولات کشاورزی ارائه می‌کند [ 4 ، 5 ]. سال‌های اخیر شاهد توسعه فناوری سنجش از راه دور مبتنی بر وسایل نقلیه هوایی بدون سرنشین (UAV) بوده‌ایم که قادر به گرفتن تصاویر RGB با وضوح مکانی و زمانی بالاتر نسبت به فناوری سنجش از راه دور ماهواره‌ای هستند [ 6 ]. علاوه بر این، پهپادها مقیاس پذیری بالایی را ارائه می دهند و می توانند انواع حسگرهای نوری را حمل کنند که همگی با هزینه های عملیاتی و پیچیدگی کمتری نسبت به قبل ممکن بود [ 7 ]]. در نتیجه، سنجش از دور پهپاد برای به دست آوردن داده های طیفی و ساختاری محصول محبوبیت بیشتری پیدا می کند [ 8 ].
هنگامی که محصولات به طور معمول رشد می کنند، برگ های تاج پوشش نقش عمده ای در بازتاب دارند. با این حال، هنگامی که محل اقامت رخ می دهد، اطلاعات طیفی عمدتا از ساقه های محصول می آید [ 9 ]، بنابراین درجات مختلف اقامت منجر به طیف های بازتابی متفاوتی می شود. از آنجایی که با افزایش درجه سکونت، جدایی بین گیاهان کاهش می‌یابد، ساقه‌های ذرت بیشتر به بازتاب تاج پوشش کمک می‌کنند . در یک آزمایش سنجش از دور پهپاد، لی و همکاران. [ 8] تصاویر RGB از محل اقامت ذرت در مرحله پر شدن، ویژگی های رنگ و بافت ذرت معمولی و ذخیره شده را انتخاب کرد و سپس داده ها را در منطقه اقامتی ذرت استخراج کرد. نتایج نشان می‌دهد دقیق‌ترین طبقه‌بندی بر اساس میانگین ویژگی‌های بافت (حداقل خطا 0.3٪، حداکثر خطا 6.9٪) است. این روش کمترین خطای آزمایشی را ایجاد می‌کند، بنابراین منطقه استخراج‌شده با دقت نسبتاً طبقه‌بندی می‌شود، در نتیجه مبنایی برای تخمین اسکان محصول بر اساس سنجش از راه دور پهپاد فراهم می‌کند. در کارهای قبلی در مورد این موضوع، لیو و همکاران. [ 11] تصویربرداری RGB و حرارتی مادون قرمز را برای ایجاد یک مدل تشخیص جامع برای محل اقامت برنج بر اساس بهینه‌سازی ازدحام ذرات و الگوریتم SVM ترکیب کرد. مدل آنها تفاوت دما را بین برنج مستقر و غیرمسکونی افزایش داد که دقت شناسایی مسکن را بهبود می بخشد. هان و همکاران [ 12 ] تصاویر RGB و چند طیفی را برای استخراج عوامل مشخصه بالقوه و در نتیجه پیش‌بینی محل اقامت ذرت تجزیه و تحلیل کرد. آنها همچنین یک نوموگرام تشکیل دادند، عوامل خطر و حفاظت مربوط به اسکان ذرت را محاسبه کردند، و با توجه به متغیرهای پیش بینی مختلف، احتمال اسکان ذرت را محاسبه کردند. نتایج نشان می دهد که ساختار تاج پوشش عامل اصلی موثر بر اسکان ذرت است. چو و همکاران [ 13] از یک سیستم پهپاد مجهز به دوربین‌های RGB و مادون قرمز نزدیک برای به دست آوردن تصاویر RGB از ذرت در مراحل مختلف رشد استفاده کرد که وقتی با فناوری‌های ساختار از حرکت ترکیب شد، برای ساخت یک ساختار سایه‌بان سه‌بعدی و مدل سطح دیجیتال استفاده کرد. DSM) که از آن تغییر ارتفاع قبل و بعد از اسکان بدست می آید. برآوردهای ارتفاع از این روش با اندازه‌گیری‌های زمین سازگار است. سان و همکاران [ 14 ] ویژگی‌های بافت را با شاخص پوشش گیاهی ترکیب کرد تا تصاویر ویژگی‌های مختلف را بر اساس طبقه‌بندی حداکثر احتمال طبقه‌بندی کند و چهار درجه اقامت را استخراج کرد. دقت جامع روش ترکیب ویژگی های بافت با شاخص پوشش گیاهی 61/86 درصد با ضریب کاپا 8327/0 است.
در حال حاضر، تشخیص محل سکونت محصول بر اساس سنجش از دور عمدتاً از ویژگی‌های تک عنصری یک حسگر برای به دست آوردن طبقه‌بندی نظارت شده در سطح پیکسل استفاده می‌کند. مطالعات کمی در مورد طبقه‌بندی با دقت بالا بر اساس ترکیب طیف‌ها، بافت، ساختار تاج پوشش و سایر اطلاعات موجود است و نتایج طبقه‌بندی به ندرت درجه اقامت را ارائه می‌کند. به عنوان مثال، گوو و همکاران. [ 15 ] از تصاویر RGB پهپادها برای ساختن شاخص‌های پوشش گیاهی استفاده کردند، که آن‌ها را با ویژگی‌های بافت ترکیب کردند تا محصولات را طبقه‌بندی کنند. تحقیقات نشان می دهد که طبقه بندی بر اساس شاخص پوشش گیاهی و بافت به وضوح نسبت به طبقه بندی تک عاملی برتری دارد. وانگ و همکاران [ 16] یک شاخص پوشش گیاهی نرمال شده را بر اساس تصاویر سنجش از دور پهپاد در محدوده مرئی که به نوارهای قرمز، سبز و آبی جدا شده است، ساخت. با آستانه مناسب، پوشش گیاهی سبز سالم را با دقت بالای 90 درصد استخراج کردند.
تصور می‌شود که تشخیص دقیق محل سکونت محصول از توصیف دقیق درجه اقامت جدایی ناپذیر است، که برای مدیریت هدفمند مزرعه در مراحل بعدی رشد ذرت مفید است. علاوه بر این، اگرچه روش‌های سنتی طبقه‌بندی مبتنی بر پیکسل برای تصاویر سنجش از راه دور ماهواره‌ای با وضوح پایین و متوسط ​​مناسب هستند، سردرگمی با تصاویر با وضوح بالا ایجاد می‌شود [ 17 ]]. برای غلبه بر این مشکل، طبقه‌بندی شی‌گرا، که به عنوان آنالیز تصویر مبتنی بر شی (OBIA) نیز شناخته می‌شود، برای تصویربرداری سنجش از دور با وضوح فضایی بالا استفاده شد. این روش تصویر را به مناطق همگن و مجاور تقسیم می کند و سپس اشیاء زمین را از طریق تجزیه و تحلیل جامع از ویژگی های مختلف تصویر (طیف ها، هندسه، بافت ها و زمینه) شناسایی می کند تا دقت طبقه بندی را بهبود بخشد. این روش دقت و کارایی بالایی را ارائه می دهد، بنابراین در حال حاضر سهم زیادی از توجه را در بین روش های استخراج اطلاعات سنجش از دور دریافت کرده است [ 18 ]]. با این حال، با این رویکرد، حذف نویز تولید شده توسط طبقه‌بندی نظارت شده در سطح پیکسل از طریق الگوریتم‌های فیلتر دشوار است، که به طور جدی بر دقت نتایج طبقه‌بندی تصویر تأثیر می‌گذارد. با توجه به کاستی‌های تحقیقات قبلی، یکی از تمرکزهای پژوهش حاضر، طبقه‌بندی درجه‌های اقامتی ذرت و با دقت بهتر با ترکیب عوامل ویژگی‌های متعدد و روش‌های طبقه‌بندی شی‌گرا است. رویکرد مشابهی توسط جینگ و همکاران استفاده شد. [ 19]، که با استفاده از شاخص پوشش گیاهی RGB و طبقه بندی شی گرا، داده هایی را در مورد پوشش گیاهی آبزی در تالاب ساخته شده استخراج کرد و دقت طبقه بندی را از 53.7٪ برای روش سنتی به 91.7٪ ارتقا داد. نتایج نشان می دهد که روش طبقه بندی شی گرا به طور قابل توجهی نویز را کاهش می دهد و دقت طبقه بندی را بهبود می بخشد.
مطالعه حاضر چندین عامل ویژگی را در لایه تصویر – شی ادغام می کند و از طبقه بندی شی گرا برای طبقه بندی مزارع ذرت تجربی از طریق فرآیندهای آزمایشی مختلف استفاده می کند. هدف کاهش نویز نمک و فلفل در روش طبقه‌بندی سنتی نظارت شده در سطح پیکسل و در نتیجه بهبود طبقه‌بندی است. علاوه بر این، عواملی که درجه اسکان را تعیین می‌کنند بر اساس طبقه‌بندی با دقت بالا از فرآیندهای آزمایشی مختلف تجزیه و تحلیل می‌شوند. نتایج تحقیق برای غربالگری واریته‌های مقاوم به اقامت، تعیین دوره رشد بحرانی برای اقامت و بهبود سطح مدیریت مزرعه مفید است.

2. مواد و روشها

2.1. منطقه مطالعاتی و طراحی آزمایشات میدانی

سایت آزمایشی در گوشه جنوب غربی پایگاه آزمایشی جامع شین شیانگ آکادمی علوم کشاورزی چین در شمال استان هنان (35 درجه 7’51.6 اینچ شمالی، 113 درجه 45’58 اینچ شرقی، ارتفاع 75 متر) بود. شهرستان سین شیانگ در غرب بخش مرکزی دشت شمال چین قرار دارد و دارای آب و هوای معتدل قاره ای موسمی با چهار فصل مجزا است. میانگین سالانه دما، اختلاف دما، پتانسیل تابش خورشیدی، دوره بدون یخبندان و بارندگی به ترتیب 14.3 درجه سانتی گراد، 16.5 درجه سانتی گراد، 2407 ساعت، 191 روز و 560.6 میلی متر است. هفتاد و پنج درصد از بارندگی سالانه بین ژوئن و سپتامبر متمرکز است.
کل سطح کاشت ذرت تابستانی 3.43 هکتار بود که به پنج منطقه آزمایشی تقسیم شد: آزمایش کاشت (A-1)، آزمایش واریته (A-2)، آزمایش تراکم (A-3)، آزمایش نیتروژن (تحقیق در عملیات) A-4) و آزمایشات نیتروژن (تحقیق شیب) (A-5). ارقام ذرت FK139، JNK728 و ZD958 که به طور گسترده در شمال چین کاشته می شوند، در آزمایش های کاشت مورد استفاده قرار گرفتند (A-1). این سه رقم در فواصل زمانی کاشته شدند که تاریخ کاشت اول تا تاریخ کاشت هشتم از شمال به جنوب با گذرگاه‌هایی بین هر کرت، همانطور که در شکل 1 نشان داده شده است، کاشته شد.. اولین کاشت در 24 آوریل 2020 و کاشت بعدی در فواصل 10 روزه بعدی انجام شد. تاریخ کاشت ششم (24 ژوئن 2020) با تاریخ کاشت سایر آزمایش‌ها در مناطق A-2-A-5 یکسان بود. برای آزمایش‌های واریته (A-2)، 98 رقم ذرت در زمینی به ابعاد 3 متر × 10 متر با ژنوتیپ‌های مختلف و مقاومت در برابر خواب‌گاه کاشته شد. آزمایش های تراکم A-3 در ضلع های غربی، شمالی و جنوبی منطقه A-2 توزیع شد ( شکل 1 را ببینید ). در ضلع شمالی و غربی ارقام XY335، ZD958، و ND108 در تراکم های 105000، 90000، 75000، 60000 و 45000 هکتار در هکتار کاشته شدند. ارقام JNK359 ، ZNK359، و JNK359، JNK359، و XY از منطقه جنوبی ZNK359، XY و ZNK359، و XY. A-2 در تراکم های 75000، 75000 و 105000 هکتار در هکتار .شکل 1 توزیع فضایی را نشان می دهد. برای آزمایش تراکم، از کاشت گسترده استفاده شد. تراکم کاشت 75000 هکتار در هکتار برای مناطق آزمایشی A- 1 ، A-2، A-4 و A-5، با فاصله ردیف 60 سانتی متر و فاصله بوته 23 سانتی متر استفاده شد. در جنوب میدان آزمایش، عملیات نیتروژن و آزمایش‌های گرادیان (A-4 و A-5) قرار داشت. در آزمایش عملیات از ارقام ذرت JNK728 و ZD958 با مجموع 11 روش استفاده از نیتروژن استفاده شد. شکل 1 توزیع فضایی حالت های کاربرد نیتروژن را نشان می دهد. آزمایش گرادیان با استفاده از رقم JNK728 ذرت و شامل چهار تیمار نیتروژن N100، N200، N300 و N400 بود. اوره (CH4N2O ) به عنوان منبع نیتروژن استفاده شد . شکل 1توزیع فضایی حالت های کاربرد نیتروژن در منطقه A-5 را نشان می دهد. برای تیمار نیتروژن، اوره (CH4N2O ) ، سوپر فسفات (P2O5 ) ، و اکسید پتاسیم ( K2O ) قبل از تاریخ کاشت آزمایشی برای مناطق A- 1 ، A -2 در خاک مخلوط شدند. و A-3، و کود پایه یک بار طبق مدیریت معمولی مزرعه محلی اعمال شد. جدول 1 روش های کاربرد نیتروژن را برای مناطق A-4 و A-5 فهرست می کند.

2.2. دریافت تصویر UAV-RGB

قبل و بعد از 3 آگوست 2020، باران شدید همراه با بادهای قوی (سطح نیرو 5 تا 6، سرعت 8 تا 13.8 متر بر ثانیه) شهرستان شین شیانگ را درنوردید و منجر به درجات مختلف اقامت در مناطق مختلف آزمایش ذرت شد. مراحل رشد هر آزمون در این تاریخ با بررسی میدانی به دست آمد ( جدول 2 را ببینید ). اکثر کرت ها به جز آزمایش تاریخ کاشت (منطقه A-1) در مرحله رشد VT (تاسلینگ) یا V14 بودند. تصاویر پهپاد-RGB در ساعت 12:00 3 تا 4 اوت 2020، یک روز پس از مرحله اقامت به دست آمد. هوای صاف و بدون باد تاثیر سایه های ناشی از زاویه ارتفاع خورشیدی را بر کیفیت تصویر RGB به حداقل رساند.
پهپاد با سنسور CMOS برای به دست آوردن تصاویر RGB با وضوح بالا در ماتریس DJI 210 RTK V2 (DJI Innovations Co., Ltd., Shenzhen, China) بارگذاری شد. از آنجایی که حالت RTK از روش اختلاف زمان واقعی پویا فاز حامل استفاده می کند، ارتفاع با دقت در سطح سانتی متر تعیین شد که به ما کمک می کند سطح تاج ذرت را بازسازی کنیم. پارامترهای خاص پهپاد، برنامه ریزی مسیر و دوربین در جدول 3 آورده شده است. دوربین طوری تنظیم شده بود که با تنظیم خودکار ISO سرعت شاتر را اولویت بندی کند. تصاویر RGB با فرکانس 1 هرتز با استفاده از فاصله سنج برای کنترل دوربین به دست آمد. برای به دست آوردن اطلاعات دقیق تر در مورد ارتفاع گیاه و اعمال اصلاحات هندسی تصویر، 26 نشانگر قرمز ثابت در امتداد جاده خارج از مناطق آزمایش به عنوان نقاط کنترل زمینی (GCPs) استفاده شد و موقعیت آنها توسط گیرنده GPS تعیین شد. GCPها با تصاویر RGB به دست آمده توسط دوربین ترکیب شدند تا یک رابطه ساده بین دوربین (حسگر)، تصویر و سکوی زمین را تعیین کنند و فرمول تصحیح را استخراج کنند و عکس‌های ارتوفوتوی دقیقی تولید کنند. جابجایی هندسی پیکسل ها در موقعیت های مختلف درون تصویر را می توان با توجه به موقعیت پلت فرم سنجش از راه دور، محدوده اسکن سنسور از راه دور محاسبه کرد. و نوع پروجکشن مورد استفاده هدف از تصحیح هندسی تصحیح تغییر شکل تصویر ناشی از عوامل سیستماتیک و غیرسیستماتیک به منظور تحقق یکپارچگی هندسی با تصویر یا تصویر استاندارد است. همراه با تحقیقات ما، تصاویر بدون تصحیح ارتو، ویژگی‌های تغییر شکل متفاوتی را در موقعیت‌های مختلف نشان می‌دهند، که به نوبه خود بر دقت سطح مسکن استخراج‌شده تأثیر می‌گذارد. بنابراین، orthorectification برای کاهش خطای هندسی تا حد ممکن استفاده می شود. تصاویر بدون تصحیح ارتو، ویژگی‌های تغییر شکل متفاوتی را در موقعیت‌های مختلف نشان می‌دهند، که به نوبه خود بر دقت سطح اقامت استخراج‌شده تأثیر می‌گذارد. بنابراین، orthorectification برای کاهش خطای هندسی تا حد ممکن استفاده می شود. تصاویر بدون تصحیح ارتو، ویژگی‌های تغییر شکل متفاوتی را در موقعیت‌های مختلف نشان می‌دهند، که به نوبه خود بر دقت سطح اقامت استخراج‌شده تأثیر می‌گذارد. بنابراین، orthorectification برای کاهش خطای هندسی تا حد ممکن استفاده می شود.

2.3. اکتساب داده های نظرسنجی میدانی و نوع اقامت

طبقه بندی دقیق درجات مختلف اقامت برای ارزیابی تلفات ناشی از اسکان و مقاومت در برابر سکونت گونه های مختلف ذرت حیاتی است. تصویر در مقیاس سانتی متر برای تشخیص درجات مختلف اقامت ذرت مفید است. مطالعات قبلی روش های مختلفی را برای طبقه بندی درجه اسکان ذرت پیشنهاد کرده اند. به عنوان مثال، تیان و همکاران. [ 20 ] یک سیستم طبقه بندی سه لایه را بر اساس زاویه بین ساقه فوقانی و ساقه اصلی پیشنهاد کرد که طبقات آن محل قرارگیری ساقه، محل سکونت ریشه و خوابگاه مرکب ریزوم است. در ترکیب با تحقیقات قبلی و تحقیقات زمینی، اسکان ذرت در منطقه مورد مطالعه حاضر به سه درجه تقسیم شد: غیر اسکان (NL)، اسکان سبک (LL) و مسکن شدید (SL)، همانطور که در نشان داده شده است.شکل 2 در نمودار NL، ذرت عمودی باقی می ماند، به این معنی که زاویه بین گیاه ذرت و محل اقامت آن از 60 درجه تا 90 درجه متغیر است. برای LL، زاویه بین بوته های ذرت قبل و بعد از اقامت 30 تا 60 درجه است. در نهایت، برای SL، گیاه نزدیک یا کاملاً روی زمین است، ساقه کاملاً در معرض دید قرار دارد اما کاملاً شکسته نشده است. پس از اقامت، برخی از برگ ها پژمرده می شوند.
یک شبکه 2.5 متر × 2.5 متر در مزرعه آزمایشی ذرت کشیده شد و 116 شبکه را انتخاب کرد که همه دسته های آزمایشی را به طور مساوی به عنوان ربع (45 ربع NL، 49 ربع LL، و 22 ربع SL) پوشش می داد. تعداد کوادرات ها، مختصات GPS نقطه مرکزی هر کوادرات و درجه سکونت هر کوادرات ( شکل 3 ) ثبت شد. همه کوادرات ها برای تجزیه و تحلیل عوامل مشخصه مرتبط با درجات مختلف اقامت و ارزیابی دقت پس از طبقه بندی مسکن مورد استفاده قرار گرفتند. در فرآیند طبقه بندی، 60 درصد نمونه ها به عنوان نمونه آموزشی و 40 درصد نمونه ها به عنوان نمونه اعتبار سنجی استفاده شدند.

2.4. پیش پردازش تصویر UAV-RGB

ابتدا، تصاویر هوایی RGB به‌دست‌آمده طبق بخش 2.1 از پیش پردازش شدند که شامل مراحل اصلی زیر بود ( شکل 4 ):
(1)
فیلتر کردن تصویر: برای کاهش تعداد تصاویر و اطمینان از کیفیت تصویر خوب، تصاویر بی کیفیت حذف شدند، مانند تصاویری که در هنگام برخاستن و فرود پهپاد به دست آمده بودند.
(2)
موزاییک تصویر: برای بدست آوردن ابر نقطه ساختاری صحنه پراکنده، مختصات GPS و پارامترهای نگرش سیستم ناوبری اینرسی ثبت شده توسط سیستم کنترل پرواز هواپیمای بدون سرنشین و Agisoft PhotoScan (Agisoft LLC، سنت پترزبورگ، روسیه، نسخه 1.4.5) ترکیب شدند. ) برای تطبیق داده های تصویر ورودی بر اساس ساختار الگوریتم الگوریتم حرکت (SfM) استفاده شد. بازسازی متراکم سپس یک ابر نقطه متراکم ایجاد کرد. سپس، نقاط سه بعدی گسسته با بازسازی سطح به سطح مش چند ضلعی متصل شدند و بافت به سطح نگاشت شد تا یک مدل سه بعدی واقعی ایجاد شود. تصویر دیجیتال نهایی به عنوان DSM عمل کرد [ 21 ، 22 ، 23 ]. در مرحله بعد، نقاط کنترل زمین مطابق با به دست آمده استبخش 2.2 برای انجام اصلاحات هندسی ظریف در تصویر منطقه مورد مطالعه استفاده می شود. GCS_WGS_1984 به عنوان سیستم مختصات جغرافیایی تصویر RGB دوخته شده بود و تصویر از کانال های قرمز، سبز و آبی تشکیل شده بود که هر رنگ حاوی هشت بیت بود (بنابراین مقدار رنگ بین 0 تا 255 بود). وضوح فضایی 0.8 سانتی متر بود و تصویر در فرمت TIFF ذخیره شد.
(3)
برش تصویر: ArcGIS 10.3 (Esri، ایالات متحده آمریکا) با تصاویر و نقشه های کاشت مزرعه ترکیب شد تا انواع آزمایشی روی تصاویر را مشخص کند، و از ابزارهای برش برای حذف قطعاتی که خارج از منطقه مورد مطالعه افتاده بودند، استفاده شد، تنها بخشی از پوشش ذرت است. رزرو شده، مانند نقشه پایه در شکل 3 .

2.5. فرآیند فنی مطالعه

عوامل مشخصه مانند بازتاب طیفی، شاخص های پوشش گیاهی، پوشش تاج پوشش، و مدل سطح دیجیتال به وضعیت اسکان ذرت بستگی دارد. با ترکیب این عوامل مشخصه با روش سنتی طبقه بندی نظارت شده در سطح پیکسل یا روش طبقه بندی شی گرا، می توان اقامتگاه ذرت را طبقه بندی کرد. دقت طبقه‌بندی با استفاده از ماتریس سردرگمی نمونه‌های اعتبارسنجی ارزیابی می‌شود. برای مقایسه بهتر مزایا و معایب روش‌های طبقه‌بندی مختلف، آزمایش از همان نمونه‌های آموزشی و نمونه‌های ارزیابی استفاده می‌کند، صرف نظر از اینکه از طبقه‌بندی سنتی نظارت شده در سطح پیکسل یا طبقه‌بندی شی‌گرا در لایه شی تصویر برای استخراج سطح اقامت استفاده می‌کند.
این کار از روش طبقه‌بندی سنتی در سطح پیکسل استفاده می‌کند و بهترین روش را آزمایش و انتخاب می‌کند تا اطمینان حاصل شود که بهترین طبقه‌بندی کننده در طبقه‌بندی شی‌گرا استفاده می‌شود. در شرایط شی گرا، تنها ترکیبی از عوامل ویژگی های مختلف برای تعیین ترکیب طبقه بندی بهینه انتخاب می شود. ترکیب نقشه‌های طبقه‌بندی در سطح اقامتگاه با بالاترین دقت طبقه‌بندی از مناطق مختلف تحقیقات تجربی، توزیع فضایی مسکن را تولید می‌کند که بر اساس آن می‌توان گونه‌های ذرت مقاوم به اقامت را تعیین کرد. علاوه بر این، این رویکرد به ما امکان می‌دهد تا ریسک اسکان را به عنوان تابعی از تراکم کاشت و شرایط نیتروژن تعیین کنیم. شکل 4 فرآیند طبقه بندی اسکان ذرت را خلاصه می کند.

2.6. استخراج ذرت اقامتگاه

2.6.1. استخراج عوامل مشخصه برای درجات مختلف اقامت ذرت

سه قطعه مختلف اقامتگاه ذرت از درون 116 قطعه در تصویر RGB انتخاب شدند (به بخش 2.3 مراجعه کنید ). ویژگی های طیفی، ویژگی های بافت، و تفاوت در سطح تاج پوشش، تفاوت پوشش گیاهی، و سایر عوامل مشخصه محاسبه و مورد تجزیه و تحلیل آماری قرار گرفت. عوامل مشخصه ای که برای تمایز بین درجات مختلف اقامت ذرت مفید بودند، فیلتر شدند و درجه اقامت بر اساس این عوامل طبقه بندی شد.
(1)
جداسازی زمینه خاک و استخراج پوشش تاج پوشش
اگرچه بیشتر تاج پوشش در مرحله VT (تسلینگ) یا V14 ذرت بود، تصاویر نشان می‌دهند که پوشش تاج پوشش و الگوی توزیع برگ هنوز هم به شدت به درجه سکونت بستگی دارد. برای یک چیز، خاک بر بازتاب طیفی تأثیر می گذارد، بنابراین بر شاخص پوشش گیاهی تأثیر می گذارد. علاوه بر این، الگوی توزیع شکاف‌ها یا برگ‌های خاک می‌تواند نشان‌دهنده درجه سکونت ذرت باشد.

توزیع فضایی رنگ HSV (رنگ، ​​اشباع، مقدار) برای جداسازی پس‌زمینه خاک استفاده می‌شود، و اجزای آن معمولاً به عنوان بردارهای ویژگی برای طبقه‌بندی تصویر و تشخیص تصویر استفاده می‌شوند [ 24 ]. توجه داشته باشید که فضای رنگی HSV یک فضای ذهنی است که در آن H نشان دهنده رنگ، S نشان دهنده اشباع و V نشان دهنده مقدار است. بنابراین، برای این مقاله، تصویر از فضای رنگی RGB به فضای رنگی HSV تبدیل شد. در مقایسه با فضای رنگی RGB، تقسیم بندی رنگی تصویر در فضای HSV، روشنایی و رنگ بصری بیشتری ایجاد می کند، که به چشم غیر مسلح اجازه می دهد تا تفاوت بین رنگ ها را با بازرسی تشخیص دهد. فرمول های تبدیل خاص به شرح زیر است [ 25 ، 26 ]:

اچ1=cos-10.5آر-جی+(آر-ب)آر-جی2+آر-ب،
اچ=اچ1360∘-اچ1  اگرب≤جی  اگرب>جی،
اس=حداکثر(آر،جی،ب)-دقیقه(آر،جی،ب)حداکثر(آر،جی،ب)،
V=حداکثر(آر،جی،ب)255.
هنگامی که تصویر به فضای HSV تبدیل شد، هیستوگرام های رنگی H، S و V استخراج شد و ویژگی های رنگی آنها تجزیه و تحلیل شد. محدوده H، S و V رنگ پیکسل را تعیین می کند. پس از آزمایش‌های متعدد، فواصل سه مولفه H، S و V برای رنگ سبز [26~34]، [43~255] و [46~255] تعیین شد. پیکسل‌ها در این بازه به عنوان پیکسل‌های پوشش گیاهی و پیکسل‌هایی که در این فاصله نیستند به عنوان عناصر شکاف طبقه‌بندی شدند.
لایه پوشش گیاهی استخراج شده برای پوشاندن تصویر اصلی برای به دست آوردن تصاویر RGB با پس‌زمینه خاک حذف شده استفاده شد، مانند شکل 4 و شکل 5 a، که در آن شکل 5 a و شکل 4 قبل از (پس از) اقامت است. تصاویر درجات مختلف اقامت پس از اقامت به طور قابل توجهی با تصاویر قبل از اقامت متفاوت است. شکل 4 و شکل 5 ج نتیجه پوشش گیاهی را قبل از (پس از) اسکان نشان می دهد. ترکیب شکل 5b با نتایج طبقه بندی پس از اسکان نشان می دهد که توزیع پوشش گیاهی در تصاویر SL جهت گیری واضحی را نشان می دهد و پوشش گیاهی به طور قابل توجهی افزایش می یابد. تصاویر بدون محل سکونت، ساختار سایه بان واضح و آشکاری را نشان می دهد و توزیع شکاف پوشش گیاهی نسبتاً یکنواخت است. بنابراین، داده های پوشش گیاهی می تواند به عنوان یک عامل ویژگی برای طبقه بندی مسکن استفاده شود.
(2)
ساخت مدل رقومی ارتفاعی و تولید مدل سطح دیجیتال
در مرحله 2 از بخش 2.4، تولید ارتفتو در منطقه مورد مطالعه به ما این امکان را داد که یک DSM قبل و بعد از خوابیدن بر اساس ابر نقطه سه بعدی بازسازی شده با استفاده از الگوریتم ساختار از حرکت ایجاد کنیم. DSM نشان می دهد که چگونه ارتفاع زمین در منطقه مورد مطالعه نوسان می کند. با این حال، از آنجایی که هیچ مدل رقومی ارتفاعی زمین برهنه (یعنی قبل از کاشت) در دسترس نبود، ارتفاع مطلق گیاه ذرت به دست نیامد، بنابراین از ارتفاع نسبی برای توصیف نوسان ارتفاع تاج پوشش استفاده شد. DSM اصلی با مرز طرح قبل از ترسیم پوشانده شد، به طوری که DSM بعد از ماسک فقط شامل تغییرات در تاج ذرت (یعنی قبل و بعد از اسکان) می شود اما ارتفاع زمین را شامل نمی شود. برای مدل تاج پوشش ذرت تحت شرایط مختلف اسکان بدون ارتفاع خاک، درجه عضویت فازی برای عادی سازی DSM اصلی به (0، 1) استفاده شد. در اینجا از تابع طبقه بندی خطی استفاده شده است. با استفاده از همین روش، مدل‌های سطح دیجیتال 1 آگوست (پیش از اقامت) و 4 آگوست (پس از اقامت) به دست آمد. این تصاویر نشان می دهد که زمین در سمت غرب منطقه مورد مطالعه بالاتر از سمت شرق است که نشان می دهد نوسانات در ارتفاع مطلق به طور جدی طبقه بندی مسکن بر اساس DSM را تحت تاثیر قرار می دهد.شکل 6 الف، ب). بنابراین، برای به دست آوردن تغییرات نسبی در مدل سطح دیجیتال به دلیل اسکان، تفاوت بین داده‌های قبل و بعد از اقامت محاسبه شد. مطابق با عملیات قبلی، ابهام عضویت برای عادی سازی تغییر این ارتفاع به (0، 1)، همانطور که در شکل 6 نشان داده شده است.
(3)
ساخت شاخص های پوشش گیاهی
شاخص‌های پوشش گیاهی می‌توانند تفسیر تصاویر سنجش از دور را با ترکیب خطی یا غیرخطی دو یا چند باند مشخصه افزایش دهند که به آن اجازه می‌دهد نقش مهمی در تشخیص رشد محصول و طبقه‌بندی دقیق داشته باشد. چندین شاخص پوشش گیاهی رایج برای افزایش شکاف بین سطوح مختلف ذرت پس از اقامت انتخاب شدند. نتایج نشان داد که نوارهای سبز و آبی با افزایش درجه سکونت بیشتر افزایش یافتند. بنابراین، یک شاخص پوشش گیاهی ساخته شده از نوارهای آبی و سبز برای تشخیص تفاوت بین درجات اقامت ابداع شد. مطالعات قبلی همچنین نشان داد که نوار سبز با پارامترهای فیزیکی و شیمیایی پوشش گیاهی ارتباط نزدیک تری دارد [ 27 ]]. شاخص سبز اضافی (EXG) و سبز اضافی منهای شاخص قرمز اضافی (EXGR) دو شاخص رایج پوشش گیاهی قابل مشاهده هستند. Woebbecke (1995) [ 28] دریافت که EXG یک تصویر با شدت تقریباً دودویی ارائه می دهد که یک منطقه گیاهی مورد علاقه را مشخص می کند، و اینکه داده های پوشش گیاهی را می توان با تقسیم بندی آستانه استخراج کرد. شاخص رنگ استخراج گیاهی (CIVE) اطلاعات را در نوارهای قرمز، سبز و آبی ادغام می کند تا اطلاعات پوشش گیاهی را افزایش دهد. علاوه بر این، شاخص نسبت سبز-قرمز (GRRI)، شاخص نسبت گیاهی سبز (GRVI)، شاخص گیاهی سبز-قرمز اصلاح شده (MGRVI)، شاخص مقاوم در برابر جوی قابل مشاهده (VARI) و شاخص Woebbecke (WI) شکل نمایی خطی را تغییر دادند. به فرم نسبت برای افزایش تفاوت بین درجات اقامت. شاخص گیاهی تعدیل شده با خاک (SAVI) نسبت به شاخص گیاهی سنتی حساسیت کمتری به خاک دارد و در نتیجه تاثیر خاک را کاهش می دهد. فرمول های این نه شاخص پوشش گیاهی در اینجا آورده شده استجدول 4 .
(4)
آمار و تجزیه و تحلیل ویژگی های بافت
ویژگی‌های زمین در قطعات ذرت با دقت بالا که توسط هواپیماهای بدون سرنشین به دست می‌آیند دارای یک دسته هستند و تفاوت در اطلاعات باند موج و شاخص پوشش گیاهی RGB در سطوح مختلف مسکن محدود است، اما از تغییر در پوشش تاج پوشش، ویژگی‌های بافت کاملاً مشهود است. . ویژگی های بافت اشیاء زمین در تصویر را می توان با پردازش با فیلترهای بافت مختلف به دست آورد. این روش می تواند مشکلی را که به موجب آن اجسام خارجی همان طیف را تولید می کنند، درمان کند و در نتیجه دقت طبقه بندی را بهبود بخشد.
ماتریس همزمانی سطح خاکستری (GLCM) تجزیه و تحلیل جامعی از ویژگی‌های محلی و آرایش مبتنی بر پیکسل ارائه می‌دهد. این توزیع سطح خاکستری تصویر را منعکس می کند و تغییرات قاعده فضایی مکرر، متناوب یا خاص را ارائه می دهد که مبنایی برای به دست آوردن ویژگی های بافت تصویر است [ 38 ]. همچنین این احتمال را توصیف می‌کند که یک جفت پیکسل که با d پیکسل از هم جدا شده‌اند در جهت θ سطح خاکستری i و j داشته باشند، بنابراین عنصر را می‌توان P ( i ، j | d ، θ ) یا زمانی که θ و d نشان داد.به عنوان P i، j انتخاب می شوند.  نوارهای قرمز، سبز و آبی استاندارد شده‌اند، بنابراین شاخص‌های پوشش گیاهی RGB (VARI، MGRVI، SAVI، و GRVI) از بخش 2.6.1 برای انجام فیلتر بافت با محاسبه ماتریس هم‌وقوع سطح خاکستری استفاده شد. این میانگین، واریانس، همسانی، کنتراست، عدم تشابه، آنتروپی، لحظه دوم، همبستگی و غیره را به ما می دهد (در مجموع 56 ویژگی بافت وجود دارد) [ 14 ]. پنجره فیلتر احتمال مرتبه دوم به صورت 7 × 7 تنظیم شده است، اجزای تبدیل ماتریس همبستگی فضایی X و Y 1 و 1 هستند و سطح کیفیت خاکستری 64 است.

برای انتخاب ویژگی‌های بافت با کیفیت بالا، میانگین و واریانس ویژگی‌های بافت 45 نمونه NL، 49 LL، و 22 SL شمارش می‌شود که از آن ضرایب تغییرات مربوطه و ضریب متفاوت LL و SL نسبت به NL را محاسبه کردیم. (محاسبه را در پیوست A ببینید ). محاسبه به شرح زیر است [ 15 ]:

V=Dم×100%،
Dw=اس1-اس2اس2×100%،

که در آن D واریانس، V ضریب تغییرات، M میانگین نمونه، Dw ضریب اختلاف، و S 1 و S 2 به ترتیب مقادیر میانگین نمونه های 1 و 2 هستند. در اینجا استراتژی عامل ویژگی بافت برای انتخاب درجه اقامت با درجه بالایی از تجمع داخلی و پراکندگی بین درجات اقامت استفاده شد. به عبارت دیگر، ضرایب اختلاف بزرگتر و ضرایب تغییرات کوچکتر نتایج بهتری را ارائه می دهند.

2.6.2. اسکان استخراج از مزرعه ذرت با درجات مختلف اقامت
(1)
طبقه بندی اسکان ذرت بر اساس طبقه بندی نظارت شده در سطح پیکسل
طبقه‌بندی نظارت‌شده در سطح پیکسل، پیکسل‌های نمونه دسته تأیید شده را انتخاب می‌کند، از پیکسل‌های نمونه برای آموزش تابع تفکیک‌کننده استفاده می‌کند، و سپس پیکسل‌های دیگر را با تابع تشخیص‌دهنده آموزش‌دیده مقایسه می‌کند تا آنها را در شبیه‌ترین کلاس نمونه طبق قوانین مختلف طبقه‌بندی کند. ابتدا، سه روش طبقه‌بندی کلاسیک برای طبقه‌بندی تصاویر RGB پس از جداسازی پس‌زمینه خاک انتخاب شدند. طبقه بندی حداکثر احتمال فرض می کند که هر طبقه از آمار در هر باند به طور معمول توزیع شده است. احتمال یک پیکسل معین متعلق به یک نمونه آموزشی مشخص محاسبه شد و سپس پیکسل ها در دسته حداکثر احتمال ادغام شدند [ 39 ]. K _روش -نزدیکترین همسایه تصاویر را بر اساس فاصله اقلیدسی بین داده هایی که باید طبقه بندی شوند و عناصر ناحیه آموزشی در فضای n بعدی طبقه بندی می کند. تعداد ویژگی‌های شی به‌دست‌آمده در طول طبقه‌بندی N نشان داده شد . در مقایسه با روش سنتی نزدیک‌ترین همسایه، روش K -نزدیک‌ترین همسایه، مجموعه‌های داده‌های پرت و نویز حساس‌تر را تولید می‌کند و بنابراین نتایج طبقه‌بندی دقیق‌تری را به دست می‌آورد. به طور خودکار تعیین می کند که پیکسل ها به احتمال زیاد به کدام دسته تعلق دارند [ 40 ]. طبقه بندی جنگل تصادفی (RFC) چندین درخت را با استفاده از یادگیری گروهی ادغام می کند [ 41 ]. واحد اصلی آن درخت تصمیم است و هر درخت تصمیم یک طبقه بندی کننده است. برای نمونه ورودی،n درخت n نتیجه طبقه بندی خواهند داشت. RFC تمام نتایج رای گیری طبقه بندی را ادغام می کند و دسته ای را با بیشترین تعداد رای به عنوان خروجی نهایی مشخص می کند، در نتیجه دقت طبقه بندی را بهبود می بخشد [ 42 ].
برای به دست آوردن طبقه بندی، ابتدا تکه های کوچک را از نتایج طبقه بندی حذف می کنیم و مرز را صاف می کنیم تا طبقه بندی روشن شود. سپس، 70 سلول از 116 نمونه (یعنی 60٪) به عنوان نمونه آموزشی و 46 (40٪) به عنوان نمونه اعتبارسنجی برای ارزیابی نتایج استفاده شد. بیشترین روشی که برای ارزیابی دقت طبقه بندی تصاویر سنجش از دور استفاده می شود، ایجاد ماتریس سردرگمی برای تجزیه و تحلیل آماری است. از این ماتریس می توان برای محاسبه دقت تولید کننده، دقت کاربر، خطای کمیسیون و خطای حذف برای هر دسته و همچنین دقت کلی و ضریب کاپا کل نتیجه طبقه بندی استفاده کرد. این کار از دقت نماینده کلی بالا و ضریب کاپا به عنوان شاخص های ارزیابی استفاده می کند. دقت کلی منعکس کننده احتمال سازگاری بین نتایج طبقه بندی و نتایج زمین واقعی است و ضریب کاپا به عنوان شاخصی برای قضاوت در مورد سازگاری دو تصویر عمل می کند. ضریب کاپا از 1- تا 1 متغیر است، اما معمولاً بین 0 و 1 است. هر چه ضریب کاپا به 1 نزدیک‌تر باشد، دقت طبقه‌بندی بالاتر است.
(2)
طبقه بندی اسکان ذرت بر اساس طبقه بندی شی گرا
بخش 2.6.1استخراج شاخص پوشش گیاهی، ویژگی‌های بافت، مدل سطح دیجیتال (DSM)، و پوشش تاج پوشش گیاهی تحت درجات مختلف مسکن را مورد بحث قرار می‌دهد. این نوارهای مشخصه و روش‌های طبقه‌بندی شی گرا برای طبقه‌بندی درجه اقامت ذرت ترکیب شدند. با توجه به وضوح بالای تصاویر به دست آمده، روش طبقه بندی نظارت شده سنتی، تکه تکه شدن نتیجه طبقه بندی را در سطح پیکسل افزایش می دهد، که مرز را پیچیده می کند. روش طبقه بندی شی گرا می تواند با تقسیم بندی تصویر و ایجاد قوانین طبقه بندی این وضعیت را تا حد زیادی بهبود بخشد. تقسیم بندی تصویر هم تحت تأثیر مقیاس تقسیم بندی و هم الگوریتم تقسیم بندی قرار می گیرد و نتایج تقسیم بندی مستقیماً بر دقت طبقه بندی شی گرا تأثیر می گذارد.

3. نتایج

3.1. استخراج فاکتورهای چند ویژگی از تصاویر RGB

پس از حذف پس‌زمینه خاک و علامت‌گذاری پیکسل‌های پوشیده از پوشش گیاهی با یک و پیکسل‌های باقی‌مانده با صفر، تصویر باینری همانطور که در بخش 2.6 توضیح داده شد به دست آمد . سپس، هیستوگرام درصد تجمع نشان داده شده در شکل 7116 قطعه نمونه را با سه سطح اقامتی ترکیب می کند. نسبت مساحت پوشش گیاهی به کل مساحت پوشش گیاهی کسری (FVC) است که به عنوان قسمتی با مقدار یک در تصویر باینری و نسبت مساحت باقیمانده (یعنی مساحتی که تحت پوشش قرار نمی گیرد) در نظر گرفته می شود. با پوشش گیاهی) به مساحت کل، کسر شکاف (GF) است، که بخشی با مقدار صفر در تصویر باینری است. مجموع سطح پوشش گیاهی و میزان پاکسازی در هر منطقه واحد است و با افزایش درجه سکونت، پوشش گیاهی افزایش می یابد. در مقایسه با روز قبل از اقامت، پوشش گیاهی مناطق NL در روز اقامت اندکی کاهش یافت، که ممکن است به دلیل سایه‌های ناشی از ابر باشد که هنگام جمع‌آوری تصویر در روز بعد از اقامت ظاهر می‌شوند.
مانند روش مورد استفاده برای ارزیابی پوشش گیاهی، مدل سایبان دیجیتال 116 قطعه نمونه قبل و بعد از اسکان برای درک تغییرات ناشی از اسکان مورد تجزیه و تحلیل آماری قرار گرفت. شکل 8 هیستوگرام ارتفاع پلات های مختلف مسکن را که توسط DSM تعیین می شود، نشان می دهد، که در آن محور عمودی تعداد پیکسل ها را برای هر ارتفاع در محور افقی نشان می دهد. شکل 8 a نتایج NL، LL و SL و شکل 8 را نشان می دهدb تفاوت بین دو DSM را نشان می‌دهد، که می‌توان آن را به تغییر ناشی از محل اقامت برای NL، LL، و SL نیز تقسیم کرد. عوامل زمین یک توزیع چند قله نامنظم در هیستوگرام خاکستری ایجاد می کنند. کم کردن تفاوت ΔDSM0804 بین دو تصویر (قبل و بعد از قرارگیری) توزیع تک پیک یا توزیع دو قله را در هیستوگرام خاکستری نشان می دهد. با افزایش درجه سکونت، قله به سمت ارتفاعات پایین تر تغییر می کند. ترکیب این نتیجه با تصویر شکل 6c نشان می دهد که ∆DSM همچنین مزایای منحصر به فردی را برای توصیف محل سکونت محصول ارائه می دهد. با این حال، نقطه ضعف آن دقت ضعیف است، که به دلیل تشدید خطا توسط آب و هوای پرواز و نوسانات مطلق زمین به وجود می آید. به طور کلی، تغییر ایجاد شده در DSM به دلیل اسکان نیز می تواند یک عامل مشخصه خوب باشد. یک تقسیم بندی آستانه معقول ΔDSM0804 می تواند نتیجه طبقه بندی را برای درجه اقامت ذرت ارائه دهد. ترکیب پیک و تقسیم‌بندی هیستوگرام خاکستری ΔDSM0804 تحت درجات مختلف محل اقامت، ارتفاعات طبقه‌بندی نهایی 0.35 و 0.52 را ایجاد می‌کند. دقت نتایج طبقه بندی همراه با سایر روش های طبقه بندی ارزیابی می شود.
بازتاب به عنوان تابعی از درجه سکونت ذرت اصلاح می شود. این بخش عوامل مشخصه مربوط به درجه سکونت را از منظر طیف بازتاب مورد بحث قرار می دهد. ابتدا، داده‌های RGB تصحیح‌شده استاندارد شدند: 116 سلول نمونه برای تولید هیستوگرام خاکستری سه باند برای درجات مختلف اقامت استفاده شد ( شکل 9 ). تعداد پیکسل ها در نوارهای قرمز، سبز و آبی از نمودار NL اساساً قبل و بعد از قرارگیری یکسان است ( شکل 9).الف، ب). برای SL، مقدار پیک نوار آبی کمتر از نوار قرمز است و مقدار پیک نوار قرمز بسیار کمتر از نوار سبز است. با افزایش درجه سکونت، قله های سه باند به مقادیر خاکستری بالاتر تغییر می کنند. یعنی بازتاب تغییر می کند و مقدار خاکستری نوار سبز به میزان قابل توجهی افزایش می یابد. با توجه به هیستوگرام تغییر میانگین برای درجات مختلف اقامت ( شکل 10 )، بازتاب هر نوار 8.49-17.95٪ برای اقامت متوسط ​​و 21.91-38.99٪ برای SL افزایش می یابد.
شکل 11 هیستوگرام هر شاخص پوشش گیاهی محاسبه شده برای قطعه نمونه با درجات مختلف سکونت را نشان می دهد. آبسیسا شاخص پوشش گیاهی را نشان می دهد و مختصات تعداد پیکسل ها را نشان می دهد. هیستوگرام خاکستری شاخص های پوشش گیاهی برای درجات مختلف سکونت، توزیع تک قله را نشان می دهد. با افزایش درجه سکونت، پیک هیستوگرام های GRRI، GRVI، MGRVI، SAVI، EXGR و VARI همگی به مقادیر پایین تر تغییر می کنند، در حالی که مقدار پیک WI به مقادیر بالاتر تغییر می کند. ترکیب این نتایج با تغییر در مقدار میانگین پیکسل برای هر درجه اقامت ( شکل 12)) نشان می دهد که CIVE و GRRI با افزایش درجه اقامت نسبتاً بدون تغییر باقی می مانند. همانطور که با تغییر ∆DSM0804 از مدل سطح دیجیتال، روندهای GRVI، MGRVI، SAVI، EXGR و VARI با درجه اقامت همبستگی منفی دارند، در حالی که WI با درجه اقامت همبستگی مثبت دارد. تغییر در EXG ابتدا افزایش می یابد و سپس کاهش می یابد. علاوه بر این، تغییر در ExG با افزایش درجه اقامت ناسازگار است و سطوح مختلف در هیستوگرام WI و EXGR از یکدیگر عبور می کنند به طوری که توزیع این شاخص ها در هیستوگرام آنها متمرکز نیست. بنابراین، GRVI، MGRVI، SAVI و VARI به عنوان عوامل مشخصه برای طبقه‌بندی درجه اقامت انتخاب می‌شوند.
در مورد انتخاب ویژگی های بافت، ابتدا آنها به ترتیب معکوس با توجه به ضرایب اختلاف نسبی LL و SL نسبت به NL مرتب شدند. ویژگی هایی با ضرایب اختلاف بیشتر از 25 درصد انتخاب و سپس بر اساس ضریب تغییرات NL، LL و SL مرتب شدند. نتایج نشان می‌دهد که میانگین_سبز و همگنی_سبز دقیق‌ترین طبقه‌بندی‌ها را ایجاد می‌کنند، به طوری که نتایج mgrvi_variance، vari_variance و vari_contrast طبقه‌بندی‌های کمی دقیق‌تر اما همچنان قابل قبول را تولید می‌کنند. بنابراین، این پنج ویژگی بافت به عنوان عوامل ویژگی بهینه برای طبقه‌بندی درجه اقامت مورد استفاده قرار گرفتند.

3.2. طبقه بندی هر درجه از اقامت با روش های مختلف طبقه بندی

ابزار طبقه بندی نظارت شده ENVI 5.3 (Exelis، Broomfield، CO، USA) برای دستیابی به طبقه بندی در سطح پیکسل استفاده شد. علاوه بر RFC، دو روش طبقه بندی پارامترهای پیش فرض را نیز اتخاذ می کنند. برای روش RFC، ابزار طبقه بندی جنگل تصادفی در ابزار توسعه ENVI برای پیاده سازی [ 42 ] استفاده شد.]. تنظیمات پارامتر خاص به شرح زیر است: تعداد درختان 50 است. تعداد ویژگی‌ها از روش پیش‌فرض «ریشه مربع» استفاده می‌کند، یعنی تعداد ویژگی‌ها = sqrt (NB)، که در آن NB تعداد باندهای تصویر ورودی است که باید طبقه‌بندی شود. حداقل تعداد نمونه برای توقف تقسیم 5 است. حداقل یکپارچگی برای توقف تقسیم 0 است. از بین سه روش طبقه بندی نظارت شده در سطح پیکسل، RFC دقیق ترین است. دقت کلی آن 78.26% و ضریب کاپا 0.6098 است، از RFC برای طبقه بندی تصاویر پس از حذف پس زمینه خاک استفاده شد.
برای طبقه بندی شی گرا، اولاً، مقیاس تقسیم بندی بهینه را می توان با استفاده از الگوریتم پارامترهای تخمین مقیاس [ 43 ] تعیین کرد، که به طور مکرر تصاویر را از پایین به بالا در مقیاس های متعدد تقسیم می کند و واریانس محلی (LV) بین اشیا را محاسبه می کند. برای هر لایه تصویر – شی سپس نرخ تغییر در LV (ROC-LV) برای بزرگنمایی جهش LV استفاده می شود و حداکثر ROC-LV مقادیر نامزد برای بهترین مقیاس تقسیم بندی را منعکس می کند، همانطور که در شکل 13 نشان داده شده است.با استفاده از این مقادیر کاندید، مقیاس تقسیم بندی بهینه تعیین می شود از آنجایی که مدل سطح دیجیتال ΔDSM0804 نرمال شده است، به آن وزن 20 برای مشارکت آن در قطعه بندی می دهیم و باندهای ویژگی دیگر را با در نظر گرفتن صافی و فشرده بودن لبه وزن می کنیم. از شی تقسیم بندی، پارامتر فشرده سازی صاف به عنوان 0.5 تنظیم می شود تا نتیجه تقسیم بندی به دست آید. در فرآیند استخراج شی گرا ذرت با درجات مختلف محل سکونت، واحد طبقه بندی اصلی شی با ویژگی های مختلف تولید شده پس از تقسیم بندی تصویر است. این با پیکسل در طبقه بندی سنتی با نظارت تصویر، که طبقه بندی سطح بالاتری را ارائه می دهد، متفاوت است. RFC، که بهترین روش طبقه بندی نظارت شده در سطح پیکسل است،
سپس، این مطالعه از توسعه دهنده eCognition (Definiens Imaging، آلمان، نسخه 9.0) برای دستیابی به طبقه بندی شی گرا استفاده کرد. انتخاب طبقه بندی کننده RFC، عمق درخت 20، تعداد درختان 50 است و سایر پارامترها از پارامترهای پیش فرض استفاده می کنند. ترکیب‌های باند مختلف برای طبقه‌بندی انتخاب شدند، با نتایج نشان‌داده‌شده در شکل 14 ، RFC بهترین طبقه‌بندی را از سه روش طبقه‌بندی در سطح پیکسل ایجاد می‌کند. طبقه بندی حداکثر احتمال و Kروش نزدیکترین همسایه باعث درجه مشخصی از طبقه بندی اشتباه برای LL و SL شد. اولی کسری از NL را دست کم می گیرد و دومی LL را تشخیص نمی دهد. کسری از LL در توزیع سلسله مراتبی به دست آمده با تقسیم بندی آستانه با استفاده از ∆DSM به طور قابل توجهی افزایش می یابد که به دلیل دقت ضعیف افقی و عمودی ∆DSM است. نتایج طبقه‌بندی شی‌گرا نشان می‌دهد که ترکیبی از ∆DSM، FVC، VI، و بافت، نتایج طبقه‌بندی را بهبود می‌بخشد و تکه تکه شدن و نویز در نتایج طبقه‌بندی را می‌توان به طور قابل توجهی بهبود بخشید. نتایج طبقه بندی مختلف همراه با روش ارزیابی دقت در بخش 2.6.2 ارزیابی می شوند. جدول 5دقت کلی و ضریب کاپا طبقه بندی را فهرست می کند. طبقه بندی جامع تصاویر نشان می دهد که بهترین شاخص پوشش گیاهی VARI و بهترین ویژگی بافت سبز_mean است. علاوه بر این، بالاترین دقت طبقه بندی با تصویر RGB اصلی، ∆DSM، و green_mean است. دقت طبقه بندی کلی 86.96% و ضریب کاپا 0.7931 است.

3.3. مکانیسم پشت درجه اقامتگاه ذرت

بر اساس نتایج طبقه‌بندی بخش 3.2 ، روش طبقه‌بندی شی‌گرا (طبقه‌بندی کننده RFC) دقیق‌ترین طبقه‌بندی ویژگی‌های ترکیبی تصاویر RGB، ∆DSM و green_mean را ارائه می‌کند. برای تعیین اینکه کدام فاکتورها بیشترین تأثیر را بر اسکان ذرت دارند، کسری از سطحی که تحت اسکان قرار گرفت برای هر رقم مختلف ذرت، و همچنین برای تاریخ های مختلف کاشت، روش های تیمار نیتروژن، و تراکم کاشت در مزرعه آزمایشی محاسبه شد.
شکل 15 درجه سکونت را بر روی قطعات آزمایشی قرار می دهد. نمودارهای سبز، زرد و قرمز به ترتیب با NL، LL و SL مطابقت دارند. توزیع فضایی ذرت با درجات مختلف اقامت، مقدار معینی از تجمع اسکان را نشان می دهد. نواحی LL نشان‌دهنده کوچک‌ترین بخش از نوع مسکن است و در امتداد مرزهای بین مناطق NL و SL توزیع شده‌اند.
ما یک تجزیه و تحلیل آماری منطقه‌ای را روی نقشه شکل 15 همراه با نقشه رقم ذرت اعمال کردیم تا کسری از هر رقم ذرت را محاسبه کنیم که درجاتی از سکونت را پشت سر می‌گذارد. سه گونه برتر که در برابر اقامت مقاوم‌تر بودند Liaodan585، LP68 و Zhongdan909 بودند ( شکل 16 ). شکل 17 20 گونه برتر را از نظر مقاومت در برابر سکونت ترسیم می کند. بسیاری از گونه های ذرت با جایگاه صفر در لبه مزرعه قرار داشتند، اگرچه تعداد کمی از آنها در مرکز توزیع شده بودند، مانند Fuer5152 و Zhengyuenyu432، که نشان می دهد این گونه های ذرت مقاومت برتری نسبت به اقامت دارند.
در آزمایش تاریخ کاشت، راهروها یا شکاف‌های بین کرت‌ها منجر به کسر و درجه سکونت می‌شود که بسیار کمتر از سایر کرت‌های آزمایشی است. این نمودارها تنها مقدار کمی LL و مقدار کمی SL را تجربه کردند. مقاومت در برابر اقامت سه رقم اساساً در طول هشت تاریخ کاشت یکسان باقی می ماند. مراحل پنجم، ششم و هفتم مستعد اقامت هستند (یعنی R1، VT، و V14؛ به شکل 18 مراجعه کنید ).
شکل 19 اسکان ذرت را تحت تیمارهای مختلف نیتروژن مقایسه می کند. نتایج تیمار گرادیان نیتروژن نشان می‌دهد که افزایش مقدار نیتروژن کل، مقاومت ذرت را در خواب بهبود می‌بخشد و کسر SL را کاهش می‌دهد. با این حال، هیچ تغییر قابل توجهی در محدوده NL رخ نمی دهد.
نتایج آزمایش عملیاتی نشان می‌دهد که کسر NL از JNK728 و ZD958 تحت تیمارهای نیتروژن N8-N بیشترین مقدار را داشته است. V11 و V12، و N9 و N10 شامل پوشش رویه در مرحله ابریشمی R1 بودند. نتایج نشان می‌دهد که کوددهی معقول در مراحل میانی و پایانی رشد رویشی ذرت برای بهبود مقاومت خوابیدن ذرت مفید است.
شکل 20 کسر NL، LL و SL را برای گونه های مختلف ذرت در تراکم های مختلف کاشت نشان می دهد. ترکیب این نتایج با نقشه درجه اسکان و نقشه تراکم کاشت نشان می دهد که تراکم کاشت بالاتر کسری از NL را کاهش می دهد. هر دو آزمایش تراکم (شیب) و چگالی (واریته) نشان دادند که ارقام ذرت JNK728 و XY335 بدترین مقاومت در برابر خواب را دارند. واریته‌های JNK728، ZD909، XY335، و ZD958 با تراکم 5K نیز مورد آزمایش قرار گرفتند و نتایج نشان می‌دهد که ZD909 و ZD958 در برابر خوابیدن مقاوم‌تر هستند. نسبت LL و SL به شدت با افزایش تراکم کاشت افزایش می یابد. بنابراین، تحقیقات آینده باید بر چگونگی تعیین تراکم کاشت برای اطمینان از پایداری، عملکرد بالا و مقاومت در برابر سکونت متمرکز شود.

4. بحث

در این مطالعه، ما روشی را برای استخراج درجه اقامت ذرت بر اساس عوامل چند ویژگی به‌دست‌آمده از پهپادهای مصرف‌کننده و با استفاده از یک روش طبقه‌بندی شی‌گرا ایجاد کردیم. در ادامه، اساس انتخاب عوامل مشخصه، ارزیابی نتایج طبقه‌بندی، عواملی که بر درجه اسکان تأثیر می‌گذارند و پیشرفت‌های آزمایش ما نسبت به کارهای قبلی را به تفصیل مورد بحث قرار می‌دهیم.
با توجه به انتخاب ویژگی‌های طبقه‌بندی، استخراج فاکتورهای ویژگی برای طبقه‌بندی در حال حاضر از دقت پایینی در مراحل اولیه و اواخر رشد ذرت رنج می‌برد که ممکن است به دلیل پایین بودن پوشش برگ سبز باشد که طبقه‌بندی را نسبت به خاک، علف‌های هرز و زمینه مزرعه حساس می‌کند. [ 44 ]. با این حال، استخراج رنگ سبز بر اساس فضای رنگی HSV می‌تواند اجسام بالای زمین را از ذرت جدا کند، که دقت طبقه‌بندی خوبی را برای درجه اقامت ایجاد می‌کند. علاوه بر این، برای بهبود دقت طبقه بندی، می توان از شاخص پوشش گیاهی و شاخص بافت تصاویر خاک جدا شده برای افزایش تفاوت بین تصاویر با درجات مختلف اقامت استفاده کرد. مطالعات قبلی از انواع حسگرها مانند مادون قرمز حرارتی [ 11 ]، LiDAR [45 ]، و چند طیفی [ 14 ] برای به دست آوردن انواع مختلف داده ها با حساسیت بالا به درجات مختلف اقامت. علاوه بر این، انواع مختلف داده‌ها، تفاوت‌های بین محصولات زراعی و غیرمسکونی را افزایش می‌دهند. با اعمال الگوریتم‌های طبقه‌بندی که این تفاوت‌ها را تشخیص می‌دهند، می‌توان مناطق اسکان محصولات مختلف را استخراج کرد.
با این حال، استفاده از ویژگی‌های تصویر و طبقه‌بندی شی‌گرا بر اساس باندهای اصلی در تصاویر UAV-RGB، دقت طبقه‌بندی مشابهی را با هزینه‌ی قابل‌توجهی کمتر ایجاد می‌کند. در عین حال، شکل 7 نشان می دهد که افزایش درجه سکونت منجر به افزایش پوشش سایبان می شود. علاوه بر این، تصویر پوشش تاج پوشش گیاهی به‌دست‌آمده پس از جداسازی پس‌زمینه خاک، به‌عنوان لایه مشخصه، همراه با مدل سطح دیجیتال برای طبقه‌بندی درجه سکونت استفاده می‌شود و دقت طبقه‌بندی به 80.43 درصد می‌رسد. این نشان می دهد که تشخیص محل اقامت بیشتر تشخیص تغییرات در ساختار سایبان است و ما می توانیم با به دست آوردن اطلاعات ساختار سایبان به راحتی به این هدف دست یابیم [ 12 ]]. این نتیجه گیری نشان می دهد که مهم نیست که چه نوع سنسوری استفاده می شود (طیف، لیدار و مادون قرمز حرارتی)، هدف اصلی انتخاب ویژگی استخراج عوامل ویژگی حساس به ساختار سایبان است تا درجات مختلف اقامت به طور قابل توجهی برجسته شود. بنابراین، در تحقیقات آینده، ما سعی خواهیم کرد انواع مختلف داده‌ها را ترکیب کنیم تا توانایی خود را برای شناسایی دقیق محصولات با درجه‌های اقامتی مختلف بهبود ببخشیم.
استخراج فاکتورهای کلیدی از تصاویر پس از جداسازی پس‌زمینه خاک برای ساده‌سازی تشخیص محل اقامت ذرت حیاتی است. شکل 11 و شکل 12 نشان می دهد که شاخص های GRVI، MGRVI، SAVI و VARI که بر اساس نوارهای سبز و قرمز ساخته شده اند، مزایای واضحی را در استخراج درجه اقامت ذرت ارائه می دهند. نتایج نشان می‌دهد که ترکیب داده‌های باند سبز و قرمز اجازه می‌دهد تا درجه اقامت با دقت نظارت شود. با افزایش درجه اسکان، نسبت شاخص ساقه و پوشش گیاهی افزایش یافت. این به این دلیل است که بازتاب هر باند موج پس از جابجایی به درجات مختلفی افزایش یافت [ 10]. علاوه بر این، ویژگی‌های بافت با استفاده از ماتریس هم‌وقوع سطح خاکستری تصویر RGB و چندین شاخص پوشش گیاهی استخراج می‌شوند که به دنبال آن ویژگی‌های بافت بهینه با اعمال یک تحلیل آماری همراه با ضریب تغییرات و ضریب تفاوت انتخاب می‌شوند ( پیوست را ببینید). الف ) [ 15 ]. علاوه بر این، برخی از عوامل ویژگی تصویر در تصویر به شدت همبستگی دارند. انتخاب بیش از حد فاکتورهای ویژگی نمی تواند دقت مدل طبقه بندی را بهبود بخشد.
بر اساس نتایج طبقه‌بندی، طبقه‌بندی شی‌گرا به‌طور قابل‌توجهی دقیق‌تر از طبقه‌بندی سنتی نظارت‌شده در سطح پیکسل است، اما همچنین زمانی که تنها بر ΔDSM تکیه می‌کند، بهتر از نتایج تقسیم‌بندی آستانه است. دلیل دقت پایین اولی وضوح فضایی بالای تصویر به دست آمده در ارتفاع کم است که منجر به تکه تکه شدن تصویر پس از حذف پس زمینه خاک می شود. علاوه بر این، رنگ ذرت در معرض درجات مختلف اقامت بدون تغییر باقی می‌ماند، بنابراین دقت پایین ΔDSM ناشی از دقت پایین خود مدل سطح دیجیتال است. توجه داشته باشید که طبقه بندی شی گرا با استفاده از RFC همراه با ΔDSM و پوشش گیاهی بهترین دقت طبقه بندی را بر اساس ویژگی های رنگ ارائه می دهد. که نشان می دهد توزیع فضایی درجه سکونت ممکن است تنها با تکیه بر اطلاعات ساختار سایبان با دقت بالا به دست آید. این با نتایج ویلکز و همکاران مطابقت دارد. [45]، که مدل ارتفاع سایبان پهپاد را با روش آستانه هدف ترکیب کرد تا یک بیان کمی از میزان و شدت اقامت به دست آورد. این نتیجه همچنین با نتیجه گیری ما در انتخاب ویژگی سازگار است، که یک بار دیگر بر اهمیت به دست آوردن ساختار سایبان تأکید می کند. علاوه بر این، تجزیه و تحلیل پوشش تاج پوشش به دست آمده با حذف پس‌زمینه خاک و ویژگی‌های بافت ایجاد شده توسط شاخص پوشش گیاهی نشان می‌دهد که ذرت غیر مستقر به طور یکنواخت‌تر، با «شکاف‌ها» یا «سوراخ‌ها» کمتر، و همگن‌تر است. ذرت مستقر دارای جهتی واضح است (به یک جهت اشاره می کند)، و طول ساقه ذرت که روی کرت های لبه قسمت خوابگاهی و قسمت غیرمسکونی نمایش داده می شود، نشان دهنده درجه سکونت است. با این حال، این کار هنوز از یک روش شی گرا برای طبقه بندی اقامتگاه ذرت با ترکیب عوامل چندگانه در لایه شی تصویر استفاده می کند. در تحقیقات آینده، ما از این روش تشخیص لبه برای ساخت جدول جستجو در ترکیب با انواع، تیمار نیتروژن، دوره رشد و سایر شاخص‌ها برای شناسایی مرزهای درجه اقامت استفاده خواهیم کرد.
بخش عمده ای از این تحقیق به تجزیه و تحلیل آماری ذرت با درجات مختلف اقامت و تحت شرایط مختلف مدیریت مزرعه مربوط می شود. علاوه بر این، عوامل موثر بر درجه اقامت نیز مورد تجزیه و تحلیل قرار گرفت. مطالعات قبلی در مورد شناسایی محل سکونت بر روی مراحل تک رشد متمرکز بود و تیمارهای آزمایشی، واریته‌ها و روش‌های کشت اساساً مشابه بودند. به عنوان مثال، وانگ و همکاران. [ 10] حساسیت شاخص پوشش گیاهی را در مرحله سرفصل برای به دست آوردن درجه اقامت ذرت مورد مطالعه قرار داد و از یک استراتژی تقسیم آستانه دوگانه برای تعریف آستانه ای برای طبقه بندی شدت اقامت ذرت استفاده کرد. از آنجایی که خوشه ها و دانه های ذرت در مرحله پر شدن دانه شروع به پر شدن می کنند، رشد رویشی اساسا متوقف می شود و با توجه به طوفان های تابستانی مکرر، مرحله پر شدن دانه مستعد خوابیدن است. لی و همکاران [ 2] همچنین چگونگی تأثیر مرحله رشد و نوع محل سکونت بر تجمع ماده خشک، عملکرد و اجزای عملکرد ذرت تابستانی را مورد بررسی قرار داد و کاهش عملکرد ناشی از اقامت را به صورت کمی ارزیابی کرد. علاوه بر این، آنها همچنین ثابت کردند که قرار گرفتن ساقه در مرحله پر شدن به شدت بر عملکرد ذرت تأثیر می گذارد. بنابراین، این نیز یک دوره مهم برای شناسایی اسکان است. استفاده از تاریخ های مختلف کاشت در مطالعه حاضر به ما امکان می دهد تا مرحله رشدی را که مستعدترین مرحله برای اسکان است، تعیین کنیم. از دیگر کرت‌های آزمایشی، استراتژی کاربرد بهینه نیتروژن و همچنین تراکم کاشت بهینه و مقاوم‌ترین رقم به خواب‌آوری تعیین شد.
تصاویر RGB در این مطالعه دارای وضوح فضایی بالاتری هستند و نسبت به مطالعات قبلی به زمان بیشتری نیاز دارند. در کارهای آتی ابتدا تصاویری با رزولوشن های مختلف و از ارتفاعات مختلف بدست می آوریم و سپس با استفاده از همین روش برای بهینه سازی ارتفاع پرواز پهپاد و وضوح تصویر، درجه سکونت را طبقه بندی می کنیم. دوم، یک شاخص مختصر و جامع تر در این کار با ترکیب عوامل ویژگی های مختلف برای نظارت بر میزان اقامت ذرت ساخته شد. در نهایت، با توجه به آمار درجه اسکان در مناطق مختلف آزمایش، خوابگاه ذرت نه تنها تحت تأثیر تیمارهای مختلف، بلکه تحت تأثیر مکان کاشت ذرت، توزیع مزارع و عرض راهروهای بین کرت ها قرار گرفت.
در نتیجه، اسکان ذرت ناشی از مجموعه ای از متغیرهای محیطی است. ون و همکاران [ 46] از یک ماشین باد متحرک برای تعیین مقاومت ذرت در سکونت استفاده کرد. با این حال، روش حاضر بیان واقعی مقاومت ذرت در خوابگاه را ارائه می دهد زیرا طبقه بندی مسکن در شرایط باد شدید منعکس کننده شرایط مزرعه طبیعی است که با محیط واقعی که محصولات در آن رشد می کنند سازگار است. البته، با توجه به یک محیط آزمایشی واقعی، بسیاری از عوامل خارجی مانند زمین سایت، توزیع سرعت باد و عرض راهرو در منطقه آزمایش اجتناب‌ناپذیر هستند. بنابراین، در آزمایش‌های آتی، ما باید صفاتی را که منجر به مقاومت واقعی ذرت در برابر خوابیدن می‌شود، ارزیابی کنیم و عوامل خارجی را برای تعیین علل خوابیدن ذرت به طور جامع در نظر بگیریم. این به ما کمک می کند تا بلایای اسکان ذرت را بهتر ارزیابی کنیم و گونه های ذرت مقاوم در برابر اقامت را شناسایی کنیم.

5. نتیجه گیری ها

این مقاله از تصاویر UAV-RGB با وضوح فضایی بالا استفاده می کند و داده های طیفی را قبل و بعد از اسکان تجزیه و تحلیل می کند. شاخص پوشش گیاهی، ویژگی‌های بافت، پوشش تاج پوشش، مدل سطح دیجیتال و نوارهای طیفی مشخصه از نوارهای مرئی و برای درجات مختلف مسکن ساخته شده‌اند. ترکیب باندهای مشخصه با کیفیت بالا به عنوان مبنایی برای طبقه‌بندی نظارت شده و روش‌های طبقه‌بندی شی گرا برای استخراج، با دقت بالا، درجه سکونت است. بر اساس آزمایشات با ارقام مختلف، تیمارهای نیتروژن، تراکم و تاریخ کاشت، درجه اسکان به مناطق مختلف تقسیم شد. در نهایت، عوامل موثر بر اسکان ذرت از جهات مختلف با توجه به نتایج آماری و توزیع مکانی درجه اسکان مورد تجزیه و تحلیل قرار گرفت.
(1)
محل اقامت ذرت به درجات مختلف طیف بازتاب اصلی، شاخص پوشش گیاهی، ویژگی های بافت، پوشش تاج پوشش، مدل سطح دیجیتال و سایر عوامل مشخصه را تغییر می دهد. تجزیه و تحلیل آماری این عوامل مشخصه به ما اجازه می دهد تا شاخص پوشش گیاهی بهینه را از بین GRVI، MGRVI، SAVI و VARI و بهترین ویژگی بافت را از میان سبز_میانگین، سبز_همگن، mgrvi_واریانس، vari_variance و vari_contrast انتخاب کنیم.
(2)
هنگام استفاده از روش طبقه‌بندی نظارت شده برای طبقه‌بندی درجه اقامت ذرت، اگرچه نمونه‌ها نسبتاً مستقل از یکدیگر هستند، تفاوت کم ذرت در مقیاس پیکسلی به تعداد زیادی از قطعات غیر سبز در منطقه نمونه تبدیل می‌شود. که منجر به طبقه بندی نادرست در سطح پیکسل می شود و منجر به یک “پدیده نمک و فلفل” جدی می شود. حتی حذف پسینی تکه های کوچک به طور قابل توجهی نتایج طبقه بندی را بهبود نمی بخشد. علاوه بر این، طبقه‌بندی نظارت‌شده دقت طبقه‌بندی ضعیفی را ارائه می‌کند، به این معنی که روش‌های طبقه‌بندی نظارت‌شده اعمال شده بر روی تصاویر با وضوح فضایی بالا با تفاوت‌های قابل‌توجه در ساختار دسته‌بندی و رنگ مشابه فقط برای طرح‌های طبقه‌بندی عمومی معتبر هستند.
(3)
هنگامی که از روش طبقه بندی شی گرا استفاده می شود، ابتدا لایه های ورودی باید قطعه بندی شوند. این مرحله به طور کامل اطلاعات مکانی موجود در تصویر را استخراج می کند. در عین حال، با بهره‌برداری از ویژگی‌های اشیاء قطعه‌بندی شده، با استفاده از روش طبقه‌بندی جنگل تصادفی، اشیاء را بر اساس روش طبقه‌بندی طبقه‌بندی می‌کنیم که از طبقه‌بندی اشتباه پیکسل‌ها به دلیل طبقه‌بندی سطح پیکسل اشیاء زمین یکپارچه جلوگیری می‌کند و در نتیجه کاهش می‌یابد. پدیده نمک و فلفل نتیجه، مرزهای واضح تر بین درجات مختلف اقامت و دقت طبقه بندی بهبود یافته است.
(4)
همراه با تصویر اصلی، مدل سطح دیجیتال و ویژگی‌های بافت، دقت کلی روش طبقه‌بندی شی‌گرا همراه با طبقه‌بندی تصادفی جنگل 86.96٪ است و ضریب کاپا 0.7931 است که بالاترین مقادیر از چندین روش طبقه‌بندی است. این نتایج نشان می‌دهد که روش استخراج درجه استقرار ذرت با استفاده از تصاویر UAV-RGB همراه با عوامل ویژگی مشتق‌شده امکان‌پذیر است و می‌توان برای به دست آوردن دقت طبقه‌بندی بیشتر از آن استفاده کرد.
ترکیب نتایج آزمایش‌های مختلف مورد بحث در اینجا نشان می‌دهد که ذرت در مراحل R1، VT، و V14 مستعدترین است و با افزایش مصرف نیتروژن، درجه ماندگاری ذرت افزایش می‌یابد. علاوه بر این، در صورت استفاده از کود در مراحل میانی و بعدی رشد رویشی ذرت، مقاومت به خوابیدن ذرت نیز افزایش می‌یابد. این نتایج نشان می‌دهد که سه رقم ذرت مقاوم‌ترین آنها در برابر اقامت عبارتند از Liaodan 585، LP68 و Zhongdan909.
این نتایج تجربی ترسیم دقیقی از درجه سکونت را ارائه می دهد که باید به شناسایی خسارات ناشی از بلایا کمک کند. درک بهتر عوامل تعیین کننده درجه سکونت می تواند به ما در انتخاب گونه های ذرت مقاوم به خواب، بهبود تیمارهای نیتروژن و بهینه سازی تراکم کاشت و زمان کاشت کمک کند.

منابع

  1. لی، اس. ژائو، جی. دونگ، اس. ژائو، ام. لی، سی. کوی، ی. لیو، ی. گائو، جی. ژو، جی. وانگ، ال. و همکاران پیشرفت تحقیقات و چشم انداز کشت ذرت در چین. علمی کشاورزی گناه 2017 ، 50 ، 1941-1959. [ Google Scholar ] [ CrossRef ]
  2. لی، اس. ما، دبلیو. پنگ، جی. Chen, Z. مطالعه در مورد کاهش عملکرد ذرت تابستانی به دلیل اقامت در مرحله شعله ور شدن بزرگ و مرحله پر شدن دانه. علمی کشاورزی گناه 2015 ، 48 ، 3952-3964. [ Google Scholar ] [ CrossRef ]
  3. بری، PM; استرلینگ، ام. اسپینک، جی اچ. بیکر، سی جی; سیلوستر-بردلی، آر. مونی، اس جی; Tams، AR; Ennos، AR درک و کاهش اقامت در غلات. Adv. آگرون. 2004 ، 84 ، 217-271. [ Google Scholar ] [ CrossRef ]
  4. چاوهان، اس. درویش زاده، ر. بوشتی، ام. پپه، م. نلسون، A. ارزیابی مسکن محصول مبتنی بر سنجش از دور: وضعیت فعلی و دیدگاه‌ها. ISPRS J. Photogramm. 2019 ، 151 ، 124-140. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  5. یانگ، م. تسنگ، اچ. هسو، ی. Tsai، بخش‌بندی معنایی HP با استفاده از یادگیری عمیق با شاخص‌های گیاهی برای شناسایی محل اقامت برنج در تصاویر قابل مشاهده پهپاد چند تاریخ. Remote Sens. 2020 , 12 , 633. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  6. سلامی، ای. بارادو، سی. پاستور، E. آزمایشات پرواز پهپاد به کار گرفته شده در سنجش از دور مناطق پوشش گیاهی. Remote Sens. 2014 ، 6 ، 1051. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  7. پادوآ، ال. وانکو، جی. هروشکا، ج. آدائو، تی. سوزا، جی جی. پرز، ای. Morais، R. UAS، حسگرها و پردازش داده ها در جنگل زراعت: مروری به کاربردهای عملی بین المللی J. Remote Sens. 2017 , 38 , 2349–2391. [ Google Scholar ] [ CrossRef ]
  8. لی، ز. چن، ز. وانگ، ال. لیو، جی. ژو، کیو. استخراج منطقه ای محل اقامت ذرت بر اساس سنجش از دور توسط هواپیمای کوچک بدون سرنشین. جی. آگریک. مهندس 2014 ، 30 ، 207-213. [ Google Scholar ] [ CrossRef ]
  9. وانگ، ام. سوئی، ایکس. لیانگ، اس. وانگ، ی. یائو، اچ. Hou, X. آزمایش شبیه سازی و نظارت سنجش از راه دور اقامتگاه ذرت تابستانی. علمی Surv. نقشه 2017 ، 42 ، 137-141. [ Google Scholar ] [ CrossRef ]
  10. وانگ، ال. گو، ایکس. هو، اس. یانگ، جی. وانگ، ال. فن، ی. وانگ، ی. نظارت سنجش از راه دور فاجعه اسکان ذرت با تصویر CCD چندموقت HJ-1B. علمی کشاورزی گناه 2016 ، 49 ، 4120-4129. [ Google Scholar ] [ CrossRef ]
  11. لیو، تی. لی، آر. ژونگ، ایکس. جیانگ، م. جین، ایکس. ژو، پی. لیو، اس. سان، سی. Guo, W. تخمین‌های اسکان برنج با استفاده از شاخص‌های مشتق شده از تصاویر مادون قرمز مرئی و حرارتی پهپاد. کشاورزی برای. هواشناسی 2018 ، 252 ، 144-154. [ Google Scholar ] [ CrossRef ]
  12. هان، ال. یانگ، جی. فنگ، اچ. ژو، سی. یانگ، اچ. خو، بی. لی، ز. یانگ، ایکس. شناسایی کمی عوامل مشخصه محل سکونت ذرت با استفاده از تصاویر وسیله نقلیه هوایی بدون سرنشین و محاسبه نوموگرام. Remote Sens. 2018 , 10 , 1528. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  13. چو، تی. استارک، ام جی. بروور، ام جی. موری، SC; Pruter، LS ارزیابی شدت اقامت در مزرعه آزمایشی ذرت ( Zea mays L.) با استفاده از تصاویر UAS. Remote Sens. 2017 , 9 , 923. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  14. سان، س. سان، ال. شو، م. گو، ایکس. یانگ، جی. ژو، ال. نظارت بر نمرات اقامتگاه ذرت از طریق تصویر چندطیفی وسایل نقلیه هوایی بدون سرنشین. Plant Phenomics 2019 , 2019 , 5704154. [ Google Scholar ] [ CrossRef ] [ PubMed ][ Green Version ]
  15. گوا، پی. وو، اف. دای، جی. وانگ، اچ. خو، ال. ژانگ، جی. مقایسه روش های طبقه بندی محصولات زراعی بر اساس تصاویر نور مرئی وسایل نقلیه هوایی بدون سرنشین. جی. آگریک. مهندس 2017 ، 33 ، 112-119. [ Google Scholar ] [ CrossRef ]
  16. وانگ، ایکس. وانگ، ام. وانگ، اس. Wu, Y. استخراج اطلاعات پوشش گیاهی از تصاویر وسایل نقلیه هوایی بدون سرنشین قابل مشاهده. جی. آگریک. مهندس 2015 ، 31 ، 152-157. [ Google Scholar ] [ CrossRef ]
  17. لی، ن. ژو، دی. نقشه برداری طبقه بندی ژائو، کی مارش در مقیاس جامعه با استفاده از تصاویر با وضوح بالا. Acta Ecol. گناه 2011 ، 31 ، 6717-6726. [ Google Scholar ] [ CrossRef ]
  18. ما، ال. لی، ام. ما، ایکس. چنگ، ال. دو، پ. Liu, Y. مروری بر طبقه‌بندی تصویر پوشش زمین مبتنی بر شیء نظارت شده. ISPRS J. Photogramm. 2017 ، 130 ، 277-293. [ Google Scholar ] [ CrossRef ]
  19. جینگ، آر. دنگ، ال. ژائو، دبلیو. Gong, Z. رویکرد استخراج پوشش گیاهی آبزی شی گرا بر اساس شاخص های پوشش گیاهی قابل مشاهده. J. Appl. Ecol. 2016 ، 27 ، 1427-1436. [ Google Scholar ] [ CrossRef ]
  20. تیان، بی. یانگ، جی. اسکان زراعی و روش ارزیابی آن. چانه. کشاورزی علمی گاو نر 2005 ، 21 ، 111. [ Google Scholar ] [ CrossRef ]
  21. ورهوون، جی. نگاهی به بینایی کامپیوتری – بازسازی های سه بعدی باستان شناسی از عکس های هوایی با فوتوسکن. آرکائول. چشم انداز. 2011 ، 18 ، 67-73. [ Google Scholar ] [ CrossRef ]
  22. Li, Y. تحقیق در مورد ساختار از حرکت بر اساس تصویر و ویدئو پهپاد. پایان نامه کارشناسی ارشد، دانشگاه علم و صنعت هاربین، هاربین، چین، 2017. موجود به صورت آنلاین: https://cdmd.cnki.com.cn/Article/CDMD-10214-1017074785.htm (دسترسی در 1 مارس 2021).
  23. Han, C. SfM الگوریتم بازسازی سه بعدی از تصاویر هوایی پهپاد. پایان نامه کارشناسی ارشد، دانشگاه فنی مغولستان داخلی، هوهات، چین، 2019. موجود به صورت آنلاین: https://cdmd.cnki.com.cn/Article/CDMD-10128-1019619445.htm (دسترسی در 1 مارس 2021).
  24. حمودا، ای. مک گینلی، بی. گلاوین، ام. جونز، E. تشخیص خودکار محصول در شرایط مزرعه با استفاده از فضای رنگی HSV و عملیات مورفولوژیکی. محاسبه کنید. الکترون. کشاورزی 2017 ، 133 ، 97-107. [ Google Scholar ] [ CrossRef ]
  25. وانگ، ام. یانگ، جی. سان، ی. وانگ، جی. Xie, Y. فناوری استخراج سریع سنجش از دور پهپاد برای پوشش گیاهی در معادن متروکه. حفاظت از آب خاک چین علمی 2020 ، 18 ، 130-139. [ Google Scholar ]
  26. لیو، سی. هو، ال. یانگ، ک. وو، ایکس. تقسیم بندی تصویر گل تجاوز هوایی بر اساس فضای رنگی. J. دانشگاه ووهان. Light Ind. 2020 , 39 , 13–17, 21. [ Google Scholar ]
  27. یودر، بی جی. Waring، RH شاخص گیاهی تفاوت نرمال شده سایبان های کوچک صنوبر داگلاس با غلظت های مختلف کلروفیل. سنسور از راه دور محیط. 1994 ، 49 ، 81-91. [ Google Scholar ] [ CrossRef ]
  28. کاظمی، و. گارسیا-روئیز، اف جی. نیلسن، جی. راسموسن، جی. J Rgen Andersen, H. تشخیص خار خزنده در مزارع چغندرقند با استفاده از شاخص های گیاهی. محاسبه کنید. الکترون. کشاورزی 2015 ، 112 ، 10-19. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  29. کاواشیما، اس. ناکاتانی، ام. الگوریتمی برای تخمین محتوای کلروفیل در برگ با استفاده از دوربین فیلمبرداری. ان ربات. 1998 ، 81 ، 49-54. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  30. گامون، ج. Surfus, J. ارزیابی محتوای رنگدانه برگ و فعالیت با یک بازتاب سنج. فیتول جدید. 1999 ، 143 ، 105-117. [ Google Scholar ] [ CrossRef ]
  31. Tucker، CJ Red و ترکیبات خطی مادون قرمز عکاسی برای نظارت بر پوشش گیاهی. سنسور از راه دور محیط. 1979 ، 8 ، 127-150. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  32. لی، ی. چن، دی. واکر، CN; Angus, JF برآورد وضعیت نیتروژن محصولات با استفاده از دوربین دیجیتال. Field Crop Res. 2010 ، 118 ، 221-227. [ Google Scholar ] [ CrossRef ]
  33. بندیگ، جی. یو، ک. آسن، اچ. بولتن، آ. بنرتز، اس. بروشیت، جی. Gnyp، ML؛ Bareth, G. ترکیب ارتفاع گیاه مبتنی بر پهپاد از مدل‌های سطح محصول، شاخص‌های پوشش گیاهی مرئی و نزدیک به فروسرخ برای پایش زیست توده در جو. بین المللی J. Appl. زمین Obs. Geoinf. 2015 ، 39 ، 79-87. [ Google Scholar ] [ CrossRef ]
  34. Gitelson، AA; کافمن، YJ; استارک، آر. Rundquist، D. الگوریتم های جدید برای تخمین از راه دور کسر پوشش گیاهی. سنسور از راه دور محیط. 2002 ، 80 ، 76-87. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  35. Woebbecke، DM; مایر، جنرال الکتریک؛ فون بارگن، ک. شاخص‌های رنگ مورتنسن، DA برای شناسایی علف‌های هرز در شرایط مختلف خاک، باقی‌مانده و روشنایی. ترانس. ASAE 1995 ، 38 ، 259-269. [ Google Scholar ] [ CrossRef ]
  36. کاتائوکا، تی. کانکو، تی. اوکاموتو، اچ. هاتا، S. سیستم تخمین رشد محصول با استفاده از بینایی ماشین. در مجموعه مقالات کنفرانس بین المللی IEEE/ASME در مورد مکاترونیک هوشمند پیشرفته (AIM 2003)، کوبه، ژاپن، 20-24 ژوئیه 2003. [ Google Scholar ]
  37. گیجارو، ام. پاجارس، جی. ریوموروس، آی. هررا، پی جی؛ Burgos-Artizzu، XP; Ribeiro، A. تقسیم خودکار بافت های مرتبط در تصاویر کشاورزی. محاسبه کنید. الکترون. کشاورزی 2011 ، 75 ، 75-83. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  38. هارالیک، آر.ام. شانموگام، ک. Dinstein, I. ویژگی های بافتی برای طبقه بندی تصویر. IEEE Trans. سیستم مرد سایبرن. 1973 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  39. لی، ایکس. تان، بی. لی، ز. ژانگ، کیو. مطالعه تطبیقی ​​روش‌های طبقه‌بندی نوع جنگل تصاویر فراطیفی کریس. فناوری سنسور از راه دور. Appl. 2010 ، 25 ، 227-234. [ Google Scholar ]
  40. وان.؛ ژانگ، ایکس. ژانگ، جی. وانگ، جی. ژو، ی. روش طبقه بندی تصویر سنجش از دور فراطیفی بر اساس فیلتر بازگشتی و KNN. سنسور از راه دور. 2019 ، 31 ، 22-32. [ Google Scholar ] [ CrossRef ]
  41. ژانگ، ایکس. لی، اف. ژن، ز. Zhao, Y. -8 طبقه بندی پوشش گیاهی جنگل تصویر سنجش از دور بر اساس مدل جنگل تصادفی. JN برای. دانشگاه 2016 ، 44 ، 53-57. [ Google Scholar ] [ CrossRef ]
  42. ون در لیندن، اس. رابه، ا. برگزار شد، م. جاکیمو، بی. لیتائو، پی جی. اوکوجنی، ا. شویدر، ام. سوس، اس. Hostert، P. EnMAP-Box—یک جعبه ابزار و رابط برنامه نویسی کاربردی برای پردازش داده های EnMAP. Remote Sens. 2015 ، 7 ، 1249. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  43. دراگوت، ال. سیلیک، او. آیسانک، سی. Tiede، D. پارامترسازی خودکار برای تقسیم بندی تصویر در مقیاس چندگانه در چندین لایه. ISPRS J. Photogramm. 2014 ، 88 ، 119-127. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  44. وان، ال. لی، ی. سن، اچ. ژو، جی. یین، دبلیو. وو، دبلیو. زو، اچ. سان، دی. ژو، دبلیو. او، Y. ترکیب شاخص‌های گیاهی مبتنی بر پهپاد و طبقه‌بندی تصویر برای تخمین تعداد گل در کلزا. Remote Sens. 2018 , 10 , 1484. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  45. ویلکه، ن. زیگمن، بی. کلینگ بیل، ال. بورکارت، ا. کراسکا، تی. مولر، او. ون دورن، ا. هاینمن، اس. Rascher, U. کمیت کردن درصد اقامت و شدت اقامت با استفاده از مدل ارتفاع سایبان مبتنی بر پهپاد همراه با رویکرد آستانه هدف. Remote Sens. 2019 , 11 , 515. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  46. ون، دبلیو. گو، اس. شیائو، بی. وانگ، سی. Guo, X. ارزیابی درجا مقاومت ساقه برای ارقام مختلف ذرت (Zea mays L.) با استفاده از ماشین باد متحرک. Plant Methods 2019 , 15 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
Ijgi 10 00309 g001 550
شکل 1. توزیع قطعات آزمایشی A-1، A-2، A-3، A-4، A-5.
Ijgi 10 00309 g002 550
شکل 2. درجات مختلف اقامت: ( الف ) غیر اسکان (NL)، ( ب ) مسکن سبک (LL)، ( ج ) اقامتگاه شدید (SL). عکس ها در قطعه آزمایشی در 4 آگوست گرفته شده است.
Ijgi 10 00309 g003 550
شکل 3. توزیع قطعات نمونه با سطوح مختلف اقامت.
Ijgi 10 00309 g004 550
شکل 4. طبقه بندی اسکان ذرت و فرآیند برای تجزیه و تحلیل علت اسکان.
Ijgi 10 00309 g005 550
شکل 5. نتایج استخراج پوشش گیاهی (به دلیل بزرگ بودن تصویر، فقط تصویر نزدیک گونه نمایش داده می شود). ( الف ) تصویر قبل از اسکان و پس از حذف پس زمینه خاک. ( ب ) تصویر پس از حذف پس زمینه خاک. ج ) پوشش گیاهی قبل از اسکان. د ) پوشش گیاهی پس از اسکان. رنگ‌های روی نقشه برهم‌نهی نتایج طبقه‌بندی بعدی هستند. پوشش گیاهی قطعات به طور جدی به طور قابل توجهی افزایش می یابد، و توزیع در جهت خاصی جهت گیری می شود.
Ijgi 10 00309 g006 550
شکل 6. مدل سطح دیجیتال ( الف ) قبل و ( ب ) بعد از اسکان. ( ج ) برای از بین بردن تأثیر توپوگرافی بر ارتفاع گیاه، از تفاوت بین مدل‌های سطح دیجیتال قبل و بعد از استقرار استفاده می‌شود. سه تصویر با استفاده از ابهام عضویت به [0، 1] نرمال می شوند.
Ijgi 10 00309 g007 550
شکل 7. تغییرات پوشش گیاهی در قطعات نمونه. Pre_NL نتیجه قبل از اسکان است، سه مورد در سمت راست نتایج سطوح مختلف پس از اقامت است، قسمت سبز کسر برگ سبز و قسمت خاکستری کسر شکاف است.
Ijgi 10 00309 g008 550
شکل 8. هیستوگرام ارتفاع مدل سطح رقومی برای پلات با درجات مختلف سکونت. محور عمودی تعداد پیکسل ها در هر ارتفاع در محور افقی را نشان می دهد. پانل ( a ) نتایج را برای NL، LL، و SL نشان می دهد، و پانل ( b ) نتایج را برای تفاوت بین دو DSM (با ΔNL، ΔLL، و ΔSL نشان می دهد).
Ijgi 10 00309 g009 550
شکل 9. آمار نوارهای قرمز، سبز و آبی: ( الف ) سه باند قبل از اقامت. ( ب – د ) نتایج تجربی پس از اقامت برای درجات مختلف اقامت. محور افقی مقدار عدد دیجیتال است و محور عمودی تعداد پیکسل برای هر مقدار پیکسل است.
Ijgi 10 00309 g010 550
شکل 10. هیستوگرام مقادیر متوسط ​​خاکستری نوارهای قرمز، سبز و آبی برای درجات مختلف اقامت. مقدار پیکسل هر باند با افزایش درجه سکونت افزایش می یابد. خطوط سیاه نقطه نقطه نشان دهنده میانگین مقدار پیکسل سه باند قبل از قرارگیری است.
Ijgi 10 00309 g011 550
شکل 11. هیستوگرام نه شاخص پوشش گیاهی برای درجات مختلف اقامت. منحنی جامد سبز با نمودار NL پس از قرارگیری مطابقت دارد و اساساً با هیستوگرام نمودار قبل از قرارگیری مطابقت دارد (منحنی نقطه‌دار خاکستری). منحنی زرد مربوط به LL و قرمز به زمین SL است. با افزایش درجه سکونت، برخی از شاخص های پوشش گیاهی در مقادیر بالاتر به اوج خود می رسند، در حالی که برخی دیگر در مقادیر پایین تر به اوج می رسند.
Ijgi 10 00309 g012 550
شکل 12. تغییر در میانگین شاخص پوشش گیاهی به دلیل درجات مختلف سکونت.
Ijgi 10 00309 g013 550
شکل 13. مقیاس تقسیم بندی برای الگوریتم برای تخمین پارامترهای مقیاس.
Ijgi 10 00309 g014 550
شکل 14. طبقه بندی درجه اسکان ذرت با ترکیب های مختلف نوارهای مشخصه و روش های طبقه بندی. از آنجایی که تصویر بسیار بزرگ است، جدی ترین گونه های اقامتی و تراکم طبقه بندی قطعه نمایش داده شد. روش طبقه بندی شی گرا، تقسیم بندی طبقه بندی را کاهش می دهد و LL را تشخیص می دهد، بنابراین دقت طبقه بندی را بهبود می بخشد.
Ijgi 10 00309 g015 550
شکل 15. توزیع ذرت با درجات مختلف اسکان.
Ijgi 10 00309 g016 550
شکل 16. تجزیه و تحلیل آماری درجه اسکان ارقام مختلف ذرت. توجه: کسرهای NL، LL و SL برای هر رقم ذرت به ترتیب با سبز، زرد و قرمز نشان داده می شوند. سه نوع مقاوم در برابر اقامت به ترتیب Liaodan 585، LP68 و Zhongdan909 هستند.
Ijgi 10 00309 g017 550
شکل 17. توزیع فضایی 20 گونه ذرت که بیشترین مقاومت را در برابر اقامت دارند.
Ijgi 10 00309 g018 550
شکل 18. مقاومت در برابر اقامت سه رقم ذرت کاشته شده در تاریخ های مختلف. هیستوگرام ها کسری از سطح NL را نشان می دهند و دو منحنی مقاومت در برابر LL و SL را برای تاریخ های مختلف کاشت نشان می دهند. کسر SL تقریباً صفر است و LL عمدتاً در R1، VT و V14 رخ می دهد.
Ijgi 10 00309 g019 550
شکل 19. توزیع درجات مختلف اقامت در میدان آزمایشی نیتروژن. میدان آزمایشی نیتروژن با تیمار گرادیان (تصفیه عملیاتی) در سمت چپ (راست) قرار دارد. اعداد روی نمودارهای میله ای نشان دهنده درصد میزان اقامت در سلول آزمایشی است.
Ijgi 10 00309 g020 550
شکل 20. کسر NL، LL و SL برای واریته های مختلف ذرت در تراکم های مختلف کاشت. با افزایش چگالی، کسر NL کاهش می یابد.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید