[目的/意义]为解决无人机平台下“三北”工程内蒙古地区植树位点(树坑)受复杂背景(灌木、杂草群、裸露沙土、起伏地形等)影响,容易出现树坑漏检错检问题,构建了一种针对该场景下的小目标检测模型——YOLOv10-MHSA(You Only Look Once ve...[目的/意义]为解决无人机平台下“三北”工程内蒙古地区植树位点(树坑)受复杂背景(灌木、杂草群、裸露沙土、起伏地形等)影响,容易出现树坑漏检错检问题,构建了一种针对该场景下的小目标检测模型——YOLOv10-MHSA(You Only Look Once version 10-Multi-head Self-Attention)。[方法]以YOLOv10为基准模型,采用分层特征增强策略,通过跨层信息补偿提升小目标语义表征的完整性,提高其对小目标特征描述的准确性;引入可变卷积核AKConv(Adaptive Kernel Convolution),使模型更精确地聚焦输入图像的特征;构建融合特征的多头自注意力机制MHSA以实现考虑复杂环境因素的有效特征获取;引入Focal-EIOU Loss(Focal Efficient Inter-section over Union Loss)替代原有CIOU Loss(Complete Intersection over Union Loss)作为边界框的回归损失,构建非线性优化策略,在保证训练稳定性的同时实现边界框参数的精确计算;最后,选择影响精准识别效果最大的两个因素,通过设计多尺度空间分布与光照强度梯度变化的对比实验,系统性验证了模型在复杂场景下的泛化性与鲁棒性。[结果和讨论]提出的模型YOLOv10-MHSA在实验数据集上的平均识别精度和检测准确率分别达96.1%和92.1%,相比原模型分别提高4.1%和5.1%,可满足无人机对“三北”工程内蒙古地区植树位点(树坑)进行实时识别的精度和速度要求。[结论]YOLOv10-MHSA模型通过引入动态特征增强模块,在维持原有检测效率的基础上,成功解决了复杂场景中植树位点小目标特征易湮没的检测瓶颈,这为无人机平台下“三北”工程内蒙古地区植树位点的遥感精准、快速检测提供了新方法。展开更多
[目的]为明确陕西省植被水分利用效率(water use efficiency,WUE)的时空变化特征及影响因素的单独影响机制。[方法]基于MODIS数据产品和国家地球系统科学数据中心提供的数据,分析陕西省不同植被类型2001—2022年WUE的时空变化特征,并结...[目的]为明确陕西省植被水分利用效率(water use efficiency,WUE)的时空变化特征及影响因素的单独影响机制。[方法]基于MODIS数据产品和国家地球系统科学数据中心提供的数据,分析陕西省不同植被类型2001—2022年WUE的时空变化特征,并结合空气温度(T)、降水(P)、归一化植被指数(NDVI)、潜在蒸散发(ET_(0))及饱和蒸汽压差(VPD)等因素明确WUE对环境和生物因子的响应机制。[结果]陕西省植被WUE多年平均值为(2.1±0.4)g/(mm·m^(2))(以C计),在空间上表现为南高北低的变化特征,年际间表现为不显著上升趋势(p=0.46),且在年内表现出单峰型变化特征。不同的植被类型WUE差异显著(p<0.05),WUE多年平均值由大到小排序为森林>湿地>农田>灌木>草地。森林WUE在2001—2022年呈显著上升趋势(p<0.05),而农田与湿地WUE呈显著下降趋势(p<0.05)。通过分析陕西省植被WUE与环境和生物因素的偏相关系数,主导陕西省植被生态系统WUE影响因素面积占比由大到小依次为T(33.24%)>NDVI(30.80%)>VPD(27.70%)>ET_(0)(6.07)>P(2.08%)。[结论]陕西省植被WUE表现为不显著年际间上升趋势,中北部和南部地区植被WUE的变化主要受环境因素和NDVI影响。研究结果可为陕西省生态建设过程中水资源高效利用评估和管理提供参考。展开更多
在现代畜牧业中,生猪的呼吸心率是评估其健康状态的关键指标之一。因此,开发一种非接触式、高精度的多目标生命体征监测技术对于推动畜牧业的现代化发展具有重要意义。毫米波雷达技术通过发射线性调频连续波(Linear frequency modulated...在现代畜牧业中,生猪的呼吸心率是评估其健康状态的关键指标之一。因此,开发一种非接触式、高精度的多目标生命体征监测技术对于推动畜牧业的现代化发展具有重要意义。毫米波雷达技术通过发射线性调频连续波(Linear frequency modulated continuous wave,LFMCW),能够实现极高的脉冲压缩比,从而显著提升雷达的距离分辨率和目标检测能力。针对现有方法在多目标呼吸心率同步监测能力上的不足,本文提出一种联合机器视觉与毫米波感知的多生猪目标呼吸心率同步监测方法。通过YOLO v8算法识别图像中的生猪目标,有效去除非生猪目标振动源,为毫米波雷达提供先验条件,进而通过LFMCW的相量均值相消算法和二维傅里叶变换方法进行静态目标去除和多目标回波解耦,提取回波信号后,通过带通滤波、短时傅里叶变换、周期性评估指标等方法提取目标呼吸心跳时频图并计算呼吸心率。为了验证该方法的有效性,在养殖场实际场景下进行多次实验,结果表明,该方法对生猪呼吸频率测量的平均相对误差为4.57%,心跳频率平均相对误差为9.26%,同步监测准确率较高且对环境中非目标振动源信号具有一定抗干扰能力。展开更多
文摘[目的/意义]为解决无人机平台下“三北”工程内蒙古地区植树位点(树坑)受复杂背景(灌木、杂草群、裸露沙土、起伏地形等)影响,容易出现树坑漏检错检问题,构建了一种针对该场景下的小目标检测模型——YOLOv10-MHSA(You Only Look Once version 10-Multi-head Self-Attention)。[方法]以YOLOv10为基准模型,采用分层特征增强策略,通过跨层信息补偿提升小目标语义表征的完整性,提高其对小目标特征描述的准确性;引入可变卷积核AKConv(Adaptive Kernel Convolution),使模型更精确地聚焦输入图像的特征;构建融合特征的多头自注意力机制MHSA以实现考虑复杂环境因素的有效特征获取;引入Focal-EIOU Loss(Focal Efficient Inter-section over Union Loss)替代原有CIOU Loss(Complete Intersection over Union Loss)作为边界框的回归损失,构建非线性优化策略,在保证训练稳定性的同时实现边界框参数的精确计算;最后,选择影响精准识别效果最大的两个因素,通过设计多尺度空间分布与光照强度梯度变化的对比实验,系统性验证了模型在复杂场景下的泛化性与鲁棒性。[结果和讨论]提出的模型YOLOv10-MHSA在实验数据集上的平均识别精度和检测准确率分别达96.1%和92.1%,相比原模型分别提高4.1%和5.1%,可满足无人机对“三北”工程内蒙古地区植树位点(树坑)进行实时识别的精度和速度要求。[结论]YOLOv10-MHSA模型通过引入动态特征增强模块,在维持原有检测效率的基础上,成功解决了复杂场景中植树位点小目标特征易湮没的检测瓶颈,这为无人机平台下“三北”工程内蒙古地区植树位点的遥感精准、快速检测提供了新方法。
文摘[目的]为明确陕西省植被水分利用效率(water use efficiency,WUE)的时空变化特征及影响因素的单独影响机制。[方法]基于MODIS数据产品和国家地球系统科学数据中心提供的数据,分析陕西省不同植被类型2001—2022年WUE的时空变化特征,并结合空气温度(T)、降水(P)、归一化植被指数(NDVI)、潜在蒸散发(ET_(0))及饱和蒸汽压差(VPD)等因素明确WUE对环境和生物因子的响应机制。[结果]陕西省植被WUE多年平均值为(2.1±0.4)g/(mm·m^(2))(以C计),在空间上表现为南高北低的变化特征,年际间表现为不显著上升趋势(p=0.46),且在年内表现出单峰型变化特征。不同的植被类型WUE差异显著(p<0.05),WUE多年平均值由大到小排序为森林>湿地>农田>灌木>草地。森林WUE在2001—2022年呈显著上升趋势(p<0.05),而农田与湿地WUE呈显著下降趋势(p<0.05)。通过分析陕西省植被WUE与环境和生物因素的偏相关系数,主导陕西省植被生态系统WUE影响因素面积占比由大到小依次为T(33.24%)>NDVI(30.80%)>VPD(27.70%)>ET_(0)(6.07)>P(2.08%)。[结论]陕西省植被WUE表现为不显著年际间上升趋势,中北部和南部地区植被WUE的变化主要受环境因素和NDVI影响。研究结果可为陕西省生态建设过程中水资源高效利用评估和管理提供参考。
